促进新能源消纳的多能源系统的配置方法及配置装置与流程

1.本技术涉及多能源系统的配置领域，具体而言，涉及一种促进新能源消纳的多能源系统的配置方法、配置装置、电子装置和电子设备。


背景技术：

2.当前，全球能源形势发生了巨大改变，化石能源日益枯竭，风电、光伏等新能源及储能技术得到快速发展，多能源系统协同发展已成为一种新的能源表现形式，在能源生产、传输、消费领域占据了非常重要的位置。其中，风电、光伏等新能源及储能技术扮演着重要的角色，在利用风电、光伏等新能源过程中，统筹考虑新能源消纳能力最大和多能源协同运行成本最低等经济指标，能够大幅度提升新能源消纳能力。同时，在风电、光伏等新能源大规模并网容量需求下，直接导致电网运行稳定性与电能质量降低，而多能源间的协同运行缓解了系统间的耦合运行，也保障了电网运行的稳定性。
3.单一能源系统的利用率受限，不能完全适应当前的能源顶层设计和运行条件，主要体现在两个方面，即一是大规模风电、光伏等新能源并网运行，降低了系统的可控性；二是终端多类型电力需求高效清洁化的能源，加强了系统运行约束。然而，多能源协同运行以多能互补作为核心，以风电、光伏等新能源综合利用为特点，给终端用户供给多元化能源形式。但是，由于风电、光伏等新能源存在随机性、波动性和间歇性等特点，导致基于上述多能源协同运行的电网系统的新能源消纳水平和能量综合利用率较低。
4.因此，亟需一种提高多能源协同运行系统的新能源消纳水平的方法。


技术实现要素：

5.本技术的主要目的在于提供一种促进新能源消纳的多能源系统的配置方法、配置装置、电子装置和电子设备，以至少解决现有技术中多能源协同运行的电网系统中新能源的消纳水平较低的问题。
6.为了实现上述目的，根据本技术的一个方面，提供了一种促进新能源消纳的多能源系统的配置方法，包括：计算多能源系统中风电机组的输出功率和光伏机组的输出功率，得到风电输出功率和光伏输出功率，其中，所述多能源系统包括供电子系统、供气子系统和供热子系统，所述供电子系统至少包括所述风电机组和所述光伏机组；根据所述风电输出功率与所述光伏输出功率建立所述多能源系统的消纳目标函数，根据所述供电子系统的成本、所述供气子系统的成本和所述供热子系统的成本建立所述多能源系统的成本目标函数，根据所述多能源系统的运行条件建立约束条件，其中，所述消纳目标函数是以所述风电输出功率与所述光伏输出功率之和最大为目标的函数，所述成本目标函数是以所述多能源系统的总燃料成本最低为目标的函数；采用多目标遗传算法和多目标粒子群算法对所述消纳目标函数、所述成本目标函数和所述约束条件进行联合求解，得到最优解，并根据所述最优解配置所述多能源系统，以促进所述多能源系统中新能源的消纳，其中，所述最优解包括电锅炉的输出功率、燃气轮机的输出功率和燃气锅炉的输出功率，所述电锅炉、所述燃气轮
机和所述燃气锅炉包含于所述供热子系统。
7.可选地，计算多能源系统中风电机组的输出功率和光伏机组的输出功率，得到风电输出功率和光伏输出功率，包括：根据公式计算所述风电机组的输出功率，得到所述风电输出功率，其中，p
twt
为所述风电机组在t时刻的输出功率，c
p
为风能利用系数，ρ为空气密度，aw为所述风电机组中被风吹过的叶片的垂直投影面积，为所述风电机组的额定功率，v
in
为所述风电机组的切入风速，v
rated
为所述风电机组的额定风速，v
out
为所述风电机组的切出风速，v为所述风电机组的实际风速；根据公式p
tpv
＝η
pvspv
θ
t
计算所述光伏机组的输出功率，得到所述光伏输出功率，其中，p
tpv
为所述光伏机组在t时刻的输出功率，η
pv
为所述光伏机组的能量转化效率，θ
t
为所述光伏机组在t时刻的光照辐射度，s
pv
为所述光伏机组的总面积。
8.可选地，根据所述风电输出功率与所述光伏输出功率建立所述多能源系统的消纳目标函数，包括：建立所述多能源系统的消纳目标函数为其中，f1(x)为最大新能源消纳值，p
wt,e,t
为所述风电机组在t时刻的输出功率，p
pv,e,t
为所述光伏机组在t时刻的输出功率，t为所述多能源系统的日调度周期，且t＝24。
9.可选地，根据所述供电子系统的成本、所述供气子系统的成本和所述供热子系统的成本建立所述多能源系统的成本目标函数，包括：建立所述多能源系统的成本目标函数为其中，f2(x)为所述多能源系统的总燃料成本，c
pi
为所述电锅炉的燃料成本，c
ci
为所述燃气轮机的燃料成本，c
hi
为所述燃气锅炉的燃料成本，pi为所述电锅炉的发电量，oi为所述燃气轮机产生的功率，hi为所述燃气锅炉产生的热量，ti为第i个所述供热子系统日产生的热量，n表示所述电锅炉的数量，m表示所述燃气轮机和所述燃气锅炉的数量，l表示所述供热子系统包含的产热机组的数量，所述燃气轮机和所述燃气锅炉的数量相等，所述电锅炉、所述燃气轮机和所述燃气锅炉包含于所述供热子系统中。
10.可选地，根据所述多能源系统的运行条件建立约束条件，包括：建立第一约束条件为p
buy,e,t
p
pv,e,t
p
wt,e,t
p
gt,e,t
p
ess,d,t
＝p
sell,e,t
p
hp,e,t
p
eb,e,t
p
ess,c,t
l
e,t
，其中，p
buy,e,t
为所述多能源系统t时刻卖出的输出功率，p
sell,e,t
为所述多能源系统t时刻买入的输出功率，p
gt,e,t
为所述燃气锅炉在t时刻的输出功率，p
ess,d,t
为t时刻电储能系统的充电功率，p
ess,c,t t时刻所述电储能系统的放电功率，p
hp,e,t
为t时刻热泵的输出功率，p
eb,e,t
为所述电锅炉在t时刻的输出功率，l
e,t
为所述多能源系统t时刻的用电负荷，p
pv,e,t
为所述光伏机组在t时刻的输出功率，p
wt,e,t
为所述风电机组在t时刻的输出功率，所述热泵包含于所述供电子系统，所述电储能系统包含于所述供电子系统；建立第二约束条件为p
buy,h,t
p
hp,h,t
p
eb,h,t
p
gb,h,t
p
gt,h,t
p
ess,h,t
＝p
sell,h,t
l
h,t
，其中，p
buy,h,t
为所述多能源系统t时刻买入的热功率，p
sell,h,t
为所述多能源系统t时刻卖出的热功率，p
hp,h,t
为t时刻所述热泵输出的热功率，p
eb,h,t
为t时刻的所述电锅炉输出的热功率，p
gb,h,t
为所述燃气锅炉在t时刻输出的热功率，p
gt,h,t
为所述
燃气轮机在t时刻输出的热功率，p
ess,h,t
为t时刻的热储能系统的热功率，l
h,t
为t时刻所述多能源系统t时刻的热负荷，所述热功率为发热所损耗的功率，所述热储能系统包含于所述供热子系统；建立第三约束条件为p
buy,g,t
＝p
sell,g,t
p
gt,g,t
l
g,t
，其中，p
buy,g,t
为所述多能源系统t时刻卖出的气功率，p
sell,g,t
为所述多能源系统t时刻买入的气功率，p
gt,g,t
为所述燃气锅炉t时刻输出的气功率，l
g,t
为所述多能源系统t时刻的气负荷，所述气功率为产生气体所损耗的功率；建立第四约束条件为p
wt
＝p
wt
(t)、p
pv
＝p
pv
(t)，其中，p
wt
为所述风电机组的输出功率，p
pv
为所述光伏机组的输出功率，p
wt
(t)为所述风电机组的预测输出功率，p
pv
(t)为所述光伏机组的预测输出功率；建立第五约束条件为p
eb,t
＝η
eb
p
eb,e,t
，其中，p
eb,t
为所述电锅炉在t时刻产生的热量，η
eb
为所述电锅炉将电能转化为热能的转化效率，p
eb,e,t
为所述电锅炉在t时刻消耗的电量，为所述电锅炉的最大功率值；建立第六约束条件为其中，为所述热泵在制热状态下的最大输出功率，所述热泵在制冷状态下的最大输出功率；建立第七约束条件为其中，η
gt
为所述燃气锅炉的发电效率，p
gt,e,t
为所述燃气锅炉在t时刻的输出功率，ξ为电热比，所述电热比为发热量和发电量的比值；建立第八约束条件为其中，为所述电储能系统t时刻的储能容量，为所述电储能系统的最小储能容量，为所述电储能系统的最大储能容量，p
ess,c,t
为所述电储能系统t时刻的充电功率，p
ess,c,min
为所述电储能系统的最小充电功率，p
ess,c,max
为所述电储能系统的最大充电功率，p
ess,d,t
为所述电储能系统t时刻的放电功率，p
ess,d,min
为所述电储能系统的最小放电功率，p
ess,d,max
为所述电储能系统的最大放电功率，为所述电储能系统最终运行时刻的储能容量，为所述电储能系统开始运行时刻的储能容量，所述电储能系统包含于所述供电子系统；建立第九约束条件为其中，为所述热储能系统t时刻的储能容量，为所述热储能系统的最小储能容量，为所述热储能系统的最大储能容量，为所述热储能系统产生的热功率，为所述热储能系统产生的最小热功率，为所述热储能系统产生的最大热功率，为所述热储能系统输出的热功率，为所述热储能系统输出的最小热功率，为所述热储能系统输出的最大热功率，为所述热储能系统最终运行时刻的储能容量，为所述热储能系统开始运行时刻的储能容量。
11.可选地，采用多目标遗传算法和多目标粒子群算法对所述消纳目标函数、所述成本目标函数和所述约束条件进行联合求解，得到最优解，包括：将初始参数输入所述消纳目标函数和所述成本目标函数，得到消纳目标函数值和成本目标函数值，其中，所述初始参数包括所述电锅炉的初始输出功率、所述燃气轮机的初始输出功率、所述燃气锅炉的初始输出功率；确定所述消纳目标函数值和所述成本目标函数值是否满足所述约束条件，在满足所述约束条件的情况下，至少通过所述多目标遗传算法和所述多目标粒子群算法中的排序处理、分类处理和变异处理，计算得到所述最优解。
12.可选地，上述方法还包括：在所述消纳目标函数值和所述成本目标函数值不满足所述约束条件的情况下，基于所述多目标遗传算法和所述多目标粒子群算法的约束处理机制更新所述初始参数，以使得由更新后的所述初始参数计算得到的所述消纳目标函数值和所述成本目标函数值满足所述约束条件。
13.根据本技术的另一方面，提供了一种促进新能源消纳的多能源系统的配置装置，包括：计算单元，用于计算多能源系统中风电机组的输出功率和光伏机组的输出功率，得到风电输出功率和光伏输出功率，其中，所述多能源系统包括供电子系统、供气子系统和供热子系统，所述供电子系统至少包括所述风电机组和所述光伏机组；建立单元，用于根据所述风电输出功率与所述光伏输出功率建立所述多能源系统的消纳目标函数，根据所述供电子系统的成本、所述供气子系统的成本和所述供热子系统的成本建立所述多能源系统的成本目标函数，根据所述多能源系统的运行条件建立约束条件，其中，所述消纳目标函数是以所述风电输出功率与所述光伏输出功率之和最大为目标的函数，所述成本目标函数是以所述多能源系统的总燃料成本最低为目标的函数；配置单元，用于采用多目标遗传算法和多目标粒子群算法对所述消纳目标函数、所述成本目标函数和所述约束条件进行联合求解，得到最优解，并根据所述最优解配置所述多能源系统，以促进所述多能源系统中新能源的消纳，其中，所述最优解包括电锅炉的输出功率、燃气轮机的输出功率和燃气锅炉的输出功率，所述电锅炉、所述燃气轮机和所述燃气锅炉包含于所述供热子系统。
14.根据本技术的再一方面，提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行任意一种所述的配置方法。
15.根据本技术的又一方面，提供了一种电子设备，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的配置方法。
16.应用本技术的技术方案，根据风电输出功率与光伏输出功率构建多能源系统的新能源消纳的目标函数即消纳目标函数，根据多能源系统的成本构建成本的目标函数即成本目标函数，并将多目标遗传算法和多目标粒子群算法结合，对上述消纳目标函数和成本目标函数进行求解，得到最优解，根据最优解配置多能源系统。与现有技术中，多能源系统的新能源消纳水平较低导致新能源的浪费的方法相比，本技术能够求解得到满足多能源系统中新能源消纳水平最高且多能源系统的成本最低时的最优解，即按照最优解配置多能源系统中电锅炉的输出功率、燃气轮机的输出功率和燃气锅炉的输出功率，可以使多能源系统的新能源(风电机组和光伏机组)的消纳水平最高且多能源系统的成本最低，因此，可以解
决现有技术中新能源的消纳水平较低造成的新能源浪费的问题，达到了最大化新能源的利用率的目的。
附图说明
17.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
18.图1示出了本技术的实施例提供的一种执行促进新能源消纳的多能源系统的配置方法的移动终端的硬件结构框图；
19.图2示出了本技术的实施例提供的一种促进新能源消纳的多能源系统的配置方法的流程示意图；
20.图3示出了本技术的实施例提供的一种具体的促进新能源消纳的多能源系统的配置方法中多能源系统的组成示意图；
21.图4示出了本技术的实施例提供的一种具体的促进新能源消纳的多能源系统的配置方法中多目标遗传算法和多目标粒子群算法的流程示意图；
22.图5示出了本技术的实施例提供的一种促进新能源消纳的多能源系统的配置装置的结构框图。
23.其中，上述附图包括以下附图标记：
24.102、处理器；104、存储器；106、传输设备；108、输入输出设备。
具体实施方式
25.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
26.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
27.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
28.为了便于描述，以下对本技术实施例涉及的部分名词或术语进行说明：
29.新能源消纳水平：在新能源资源及并网容量、常规电源装机、负荷水平条件下，受电力系统安全稳定运行约束下，新能源能输出电量的多少。
30.正如背景技术中所介绍的，现有技术中多能源协同运行的电网系统中新能源的消纳水平较低，为解决新能源的消纳水平较低的问题，本技术的实施例提供了一种促进新能源消纳的多能源系统的配置方法、配置装置、电子装置和电子设备。
31.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
32.本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种促进新能源消纳的多能源系统的配置方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
33.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的促进新能源消纳的多能源系统的配置方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
34.在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的促进新能源消纳的多能源系统的配置方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
35.图2是根据本技术实施例的促进新能源消纳的多能源系统的配置方法的流程图。如图2所示，该方法包括以下步骤：
36.步骤s201，计算多能源系统中风电机组的输出功率和光伏机组的输出功率，得到风电输出功率和光伏输出功率，其中，多能源系统包括供电子系统、供气子系统和供热子系统，供电子系统至少包括风电机组和光伏机组；
37.具体地，新能源发电，例如风能和光能发电，是多能源系统的重要组成部分，由于新能源普遍存在随机性、波动性和间歇性，因此大规模风电、光伏等新能源并入电网运行，会降低系统的可控性，加强系统的运行约束，能源的利用率和新能源的消纳水平也因此受到影响，本技术为了使能源利用率和新能源的消纳水平在达到最大的同时，使多能源系统的成本降至最低，建立多能源系统的消纳目标函数和成本目标函数，消纳目标函数以新能源输出的功率最大为目标、成本目标函数以多能源系统的成本最低为目标进行求解，得到的最优解既满足新能源的消纳水平最高(输出功率最大)又满足多能源系统的成本最低。因此，分别计算风电机组的输出功率和光伏机组的输出功率以用于建立消纳目标函数，其中，
多能源系统包括多个子系统，本技术的多能源系统包括供电子系统、供热子系统和供气子系统，分别用于供电、供热和供气，即本技术建立了风电、光伏等新能源与其他电源类型组成的多能源协同运行系统，其中，风电、光伏、电储能和外部电网进行供电，外部气网和燃气轮机进行供气，空气源热泵、外部热网、蓄热装置和余热锅炉进行供热。
38.步骤s202，根据风电输出功率与光伏输出功率建立多能源系统的消纳目标函数，根据供电子系统的成本、供气子系统的成本和供热子系统的成本建立多能源系统的成本目标函数，根据多能源系统的运行条件建立约束条件，其中，消纳目标函数是以风电输出功率与光伏输出功率之和最大为目标的函数，成本目标函数是以多能源系统的总燃料成本最低为目标的函数；
39.具体地，在建立消纳目标函数之后，根据多能源电网中各子系统的成本建立成本目标函数，以使多能源系统的成本为最低，如上文所说，为了使能源利用率和新能源的消纳水平在达到最大的同时，使多能源系统的成本降至最低，建立多能源系统的消纳目标函数和成本目标函数，消纳目标函数以新能源输出的功率最大为目标、成本目标函数以多能源系统的成本最低为目标进行求解，得到的最优解既满足新能源的消纳水平最高(输出功率最大)又满足多能源系统的成本最低。而多能源系统在运行的过程中需要满足一定的约束条件，因此，上述消纳目标函数和成本目标函数还需要在满足约束条件的情况下进行求解。
40.步骤s203，采用多目标遗传算法和多目标粒子群算法对消纳目标函数、成本目标函数和约束条件进行联合求解，得到最优解，并根据最优解配置多能源系统，以促进多能源系统中新能源的消纳，其中，最优解包括电锅炉的输出功率、燃气轮机的输出功率和燃气锅炉的输出功率，电锅炉、燃气轮机和燃气锅炉包含于供热子系统。
41.具体地，对于求解多目标优化的问题，多目标遗传算法和多目标粒子群算法是常用的算法，能够通过数据的代与代之间维持由潜在解组成的种群来实现多向性和全局搜索，而多目标粒子群算法能够通过粒子不断迭代寻找最优解，因此，本技术将多目标遗传算法和多目标粒子群算法结合对上述两个目标函数进行求解，得到最优的电锅炉的输出功率值、燃气轮机的输出功率值和燃气锅炉的输出功率值，以配置多能源系统。
42.通过本实施例，可以根据风电输出功率与光伏输出功率构建多能源系统的新能源消纳的目标函数即消纳目标函数，根据多能源系统的成本构建成本的目标函数即成本目标函数，并将多目标遗传算法和多目标粒子群算法结合，对上述消纳目标函数和成本目标函数进行求解，得到最优解，根据最优解配置多能源系统。与现有技术中，多能源系统的新能源消纳水平较低导致新能源的浪费的方法相比，本技术能够求解得到满足多能源系统中新能源消纳水平最高且多能源系统的成本最低时的最优解，即按照最优解配置多能源系统中电锅炉的输出功率、燃气轮机的输出功率和燃气锅炉的输出功率，可以使多能源系统的新能源(风电机组和光伏机组)的消纳水平最高且多能源系统的成本最低，因此，可以解决现有技术中新能源的消纳水平较低造成的新能源浪费的问题，达到了最大化新能源的利用率的目的。
43.具体实现过程中，上述步骤s201可以通过以下步骤实现：根据公式
计算风电机组的输出功率，得到风电输出功率，其中，p
twt
为风电机组在t时刻的输出功率，c
p
为风能利用系数，ρ为空气密度，aw为风电机组中被风吹过的叶片的垂直投影面积，为风电机组的额定功率，v
in
为风电机组的切入风速，v
rated
为风电机组的额定风速，v
out
为风电机组的切出风速，v为风电机组的实际风速；根据公式p
tpv
＝η
pvspv
θ
t
计算光伏机组的输出功率，得到光伏输出功率，其中，p
tpv
为光伏机组在t时刻的输出功率，η
pv
为光伏机组的能量转化效率，θ
t
为光伏机组在t时刻的光照辐射度，s
pv
为光伏机组的总面积。该方法根据风速等参数计算风电机组输出的功率，根据光伏参数计算光伏机组的输出功率，这样可以根据风电输出功率和光伏输出功率构建消纳目标函数。
44.具体地，通过上述公式可以计算得到在不同风速情况下风电机组的输出功率以及不同光照条件下的光伏机组的输出功率，并用于后续两个消纳目标函数的最大值的计算。风速的强弱决定了风电机组输出功率的大小，自然风的风速随机性较强，因此，采用上述公式计算风电机组的输出功率，在实际测量过程中，由于风电机组叶片处的风速大小不易测量，通过测量某一高度处的风速来测算叶片接收到的实际风速，具体计算公式为其中，v为高度为h的叶片处的实际风速，v0为高度为h0的叶片处的实际的风速，β为换算系数。而光伏机组的输出功率的曲线一般满足β分布，概率密度函数为其中，α和β分别为beta分布的形状参数，θ为光照辐射强度，通过公式和引入光照辐射强度的均值和标准差，其中，μ为光照辐射强度的均值，δ为光照辐射强度的正态分布值，太阳光照的概率通过公式计算，其中，θc、θd分别为光照辐射强度θ的上下限，进而通过上述公式p
tpv
＝η
pvspv
θ
t
计算光伏机组的出力即输出功率。
45.为了使多能源系统的新能源消纳水平达到最大，具体实现过程中，上述步骤s202可以通过以下步骤实现：建立多能源系统的消纳目标函数为其中，f1(x)为最大新能源消纳值，p
wt,e,t
为风电机组在t时刻的输出功率，p
pv,e,t
为光伏机组在t时刻的输出功率，t为多能源系统的日调度周期，且t＝24。
46.具体地，为促进风电、光伏等新能源的消纳水平，合理分配多能源系统中的各类组件，保证系统的安全稳定运行，目标函数包括新能源消纳最大和运行成本最小，即消纳目标
函数和成本目标函数，消纳目标函数为t＝24，即按照每小时风电机组的输出功率和光伏机组的输出功率之和进行计算，由于风速和光照在一天24小时之内是不断变化的，因此，每个小时对应的风电机组的输出功率和光伏机组的输出功率之和都不相同，消纳目标函数旨在寻找风电机组的输出功率和光伏机组的输出功率之和的最大值。
47.具体实现过程中，上述步骤s202还可以通过以下步骤实现：建立多能源系统的成本目标函数为其中，f2(x)为多能源系统的总燃料成本，c
pi
为电锅炉的燃料成本，c
ci
为燃气轮机的燃料成本，c
hi
为燃气锅炉的燃料成本，pi为电锅炉的发电量，oi为燃气轮机产生的功率，hi为燃气锅炉产生的热量，ti为第i个供热子系统日产生的热量，n表示电锅炉的数量，m表示燃气轮机和燃气锅炉的数量，l表示供热子系统包含的产热机组的数量，燃气轮机和燃气锅炉的数量相等，电锅炉、燃气轮机和燃气锅炉包含于供热子系统中。该方法通过成本目标函数计算多能源系统成本的最小值，这样可以使多能源系统的成本达到最低。
48.具体地，上述多能源系统的成本主要为燃料成本，上述新能源(风电和光伏)发电无需计算成本，即电锅炉、燃气轮机、燃气锅炉的燃料成本之和，而电锅炉的燃料成本可以通过电锅炉的发电量计算得到，燃气轮机的燃料成本可以通过燃气轮机产生的功率即输出功率和燃气锅炉产生的热量计算得到，燃气锅炉的燃料成本可以通过供热子系统每天产生的热量换算得到，因此，多能源系统的成本可以通过公式计算得到，成本目标函数旨在寻找多能源系统的最低成本值，即在电锅炉的输出功率、燃气轮机的输出功率和燃气锅炉的输出功率分别为多少的情况下，多能源系统的成本值最低。
49.为了在计算上述消纳目标函数和成本目标函数的最优解时，同时满足多能源系统的运行条件，具体实现过程中，上述步骤s202还可以通过以下步骤实现：根据多能源系统的运行条件建立约束条件，包括：建立第一约束条件为p
buy,e,t
p
pv,e,t
p
wt,e,t
p
gt,e,t
p
ess,d,t
＝p
sell,e,t
p
hp,e,t
p
eb,e,t
p
ess,c,t
l
e,t
，其中，p
buy,e,t
为上述多能源系统t时刻卖出的输出功率，p
sell,e,t
为上述多能源系统t时刻买入的输出功率，p
gt,e,t
为上述燃气锅炉在t时刻的输出功率，p
ess,d,t
为t时刻电储能系统的充电功率，p
ess,c,t t时刻上述电储能系统的放电功率，p
hp,e,t
为t时刻热泵的输出功率，p
eb,e,t
为上述电锅炉在t时刻的输出功率，l
e,t
为上述多能源系统t时刻的用电负荷，p
pv,e,t
为上述光伏机组在t时刻的输出功率，p
wt,e,t
为上述风电机组在t时刻的输出功率，上述热泵包含于上述供电子系统，上述电储能系统包含于上述供电子系统；建立第二约束条件为p
buy,h,t
p
hp,h,t
p
eb,h,t
p
gb,h,t
p
gt,h,t
p
ess,h,t
＝p
sell,h,t
l
h,t
，其中，p
buy,h,t
为上述多能源系统t时刻买入的热功率，p
sell,h,t
为上述多能源系统t时刻卖出的热功率，p
hp,h,t
为t时刻上述热泵输出的热功率，p
eb,h,t
为t时刻的上述电锅炉输出的热功率，p
gb,h,t
为上述燃气锅炉在t时刻输出的热功率，p
gt,h,t
为上述燃气轮机在t时刻输出的热功率，p
ess,h,t
为t时刻的热储能系统的热功率，l
h,t
为t时刻上述多能源系统t时刻的热负荷，上述热功率为发热所损耗的功率，上述热储能系统包含于上述供热子系统；建立第三约束条件为p
buy,g,t
＝p
sell,g,t
p
gt,g,t
l
g,t
，其中，p
buy,g,t
为上述多能源系统t时刻卖出的气功率，
p
sell,g,t
为上述多能源系统t时刻买入的气功率，p
gt,g,t
为上述燃气锅炉t时刻输出的气功率，l
g,t
为上述多能源系统t时刻的气负荷，上述气功率为产生气体所损耗的功率；建立第四约束条件为p
wt
＝p
wt
(t)、p
pv
＝p
pv
(t)，其中，p
wt
为上述风电机组的输出功率，p
pv
为上述光伏机组的输出功率，p
wt
(t)为上述风电机组的预测输出功率，p
pv
(t)为上述光伏机组的预测输出功率；建立第五约束条件为p
eb,t
＝η
eb
p
eb,e,t
，其中，p
eb,t
为上述电锅炉在t时刻产生的热量，η
eb
为上述电锅炉将电能转化为热能的转化效率，p
eb,e,t
为上述电锅炉在t时刻消耗的电量，为上述电锅炉的最大功率值；建立第六约束条件为其中，为上述热泵在制热状态下的最大输出功率，上述热泵在制冷状态下的最大输出功率；建立第七约束条件为其中，η
gt
为上述燃气锅炉的发电效率，p
gt,e,t
为上述燃气锅炉在t时刻的输出功率，ξ为电热比，上述电热比为发热量和发电量的比值；建立第八约束条件为其中，为上述电储能系统t时刻的储能容量，为上述电储能系统的最小储能容量，为上述电储能系统的最大储能容量，p
ess,c,t
为上述电储能系统t时刻的充电功率，p
ess,c,min
为上述电储能系统的最小充电功率，p
ess,c,max
为上述电储能系统的最大充电功率，p
ess,d,t
为上述电储能系统t时刻的放电功率，p
ess,d,min
为上述电储能系统的最小放电功率，p
ess,d,max
为上述电储能系统的最大放电功率，e
t
s为上述电储能系统最终运行时刻的储能容量，e
1s
为上述电储能系统开始运行时刻的储能容量，上述电储能系统包含于上述供电子系统；建立第九约束条件为其中，为上述热储能系统t时刻的储能容量，为上述热储能系统的最小储能容量，为上述热储能系统的最大储能容量，为上述热储能系统产生的热功率，为上述热储能系统产生的最小热功率，为上述热储能系统产生的最大热功率，为上述热储能系统输出的热功率，为上述热储能系统输出的最小热功率，为上述热储能系统输出的最大热功率，为上述热储能系统最终运行时刻的储能容量，为上述热储能系统开始运行时刻的储能容量。
50.具体地，第一约束条件为电能平衡约束条件，即多能源系统内的用电量与发电量需要保持瞬时平衡，而多能源系统的发电量为向外部电网卖出的电能对应的功率、风电机组的输出功率、光伏机组的输出功率、电锅炉的输出功率、储能系统的充电功率之和，多能
源系统的用电量为买入的电能对应的功率、热泵的输出功率、电锅炉的输出功率、储能系统的放电功率以及系统用电负荷的和。第二约束条件为热能平衡约束，因此需要考虑热能的输出与输入，供热子系统向外部热网输出的热功率、热泵输出的热功率、电锅炉输出的热功率、燃气锅炉产生的热功率、燃气锅炉产生的热功率之和与供热子系统产生的热功率、热负荷之和需要相等。第三约束条件为气平衡约束条件，即卖出的气功率与买入的气功率、燃气锅炉产生的气功率、系统的用气负荷之和需要保持相等。第四约束条件为风电机组的输出功率需要与预测风电输出功率保持相等，光伏机组的输出功率也需要与预测光伏输出功率保持相等。第五约束条件为电锅炉的供热量与用电量需要保持相等。第六约束条件为热泵在制冷和制热条件下的输出功率需要在最大和最小值的范围之内。第七约束条件为燃气轮机的出力约束表达式，燃气轮机与余热锅炉、吸收式制冷机协同运行，构成了cchp系统，燃气轮机消耗燃气，产生电能，同时产生的热量可被余热锅炉回收，用于供热，吸收式制冷机则利用热能产生冷能，为系统提供冷负荷需求，因此，燃气锅炉的产生气体消耗的功率需要与燃气锅炉的输出功率保持相等。第八约束条件为电储能系统的充放电功率以及储能容量都需要在最小和最大值范围之内。第八约束条件为热储能系统的充放热功率以及储能容量都需要在最小和最大值范围之内。
51.具体实现过程中，上述步骤s203可以通过以下步骤实现：采用多目标遗传算法和多目标粒子群算法对消纳目标函数、成本目标函数和约束条件进行联合求解，得到最优解，包括：将初始参数输入消纳目标函数和成本目标函数，得到消纳目标函数值和成本目标函数值，其中，初始参数包括电锅炉的初始输出功率、燃气轮机的初始输出功率、燃气锅炉的初始输出功率；确定消纳目标函数值和成本目标函数值是否满足约束条件，在满足约束条件的情况下，至少通过多目标遗传算法和多目标粒子群算法中的排序处理、分类处理和变异处理，计算得到最优解。该方法通过多目标遗传算法和多目标粒子群算法计算上述两个目标函数的最优解，这样可以根据最优解配置多能源系统，以使新能源消纳最大且成本最低。
52.具体地，由于nsgaii-mopso技术在解决大量等式和不等式约束下的多目标优化问题方面表现优异，因此，本技术将多目标遗传算法和多目标粒子群算法结合，计算最优解，步骤如下：
①
设置非支配排序的遗传算法和多目标粒子群算法的初始参数，初始化最优目标值及对应的目标函数相关参数，即电锅炉、燃气轮机、燃气锅炉输出的功率。
②
建立新能源消纳目标函数和成本目标函数，即f1(x)、f2(x)。
③
判断种群个体的数值是否满足新能源消纳指标约束条件，即第一约束条件至第九约束条件。当种群个体的数值不满足新能源消纳指标约束条件时，基于约束处理机制对新能源消纳方案进行调整，使调整后的种群满足相应约束处理机制的限制。
④
当种群个体的数值满足新能源消纳指标约束条件时，执行非支配排序，根据非支配前沿对每个种群进行排序，计算每个非支配级别的拥挤距离，并根据拥挤距离对种群进行排序，根据排序结果，将种群分为两部分。
⑤
利用种群的上半部分创造后代种群，经过选择、交叉和变异，通过约束处理机制，评估新能源消纳能力目标函数和综合能源系统运行成本。
⑥
粒子的位置和成本从种群的下半部分初始化，存储粒子的位置作为个体的最优位置，确定粒子的支配地位，更新粒子位置和速度，通过约束处理机制，评估新能源消纳能力目标函数和系统运行成本。
⑦
将非主导粒子添加到存储库中，确定新存储库成员的支配地位，在存储库中只保留非受控成员，更新网格和网格索引并修改惯量从而
(x)为最大新能源消纳值，p
wt,e,t
为风电机组在t时刻的输出功率，p
pv,e,t
为光伏机组在t时刻的输出功率，t为多能源系统的日调度周期，且t＝24。
61.步骤s5：建立多能源系统的成本目标函数为其中，f2(x)为多能源系统的总燃料成本，c
pi
为电锅炉的燃料成本，c
ci
为燃气轮机的燃料成本，c
hi
为燃气锅炉的燃料成本，pi为电锅炉的发电量，oi为燃气轮机产生的功率，hi为燃气锅炉产生的热量，ti为第i个供热子系统日产生的热量，n表示电锅炉的数量，m表示燃气轮机和燃气锅炉的数量，l表示供热子系统包含的产热机组的数量，燃气轮机和燃气锅炉的数量相等，电锅炉、燃气轮机和燃气锅炉包含于供热子系统中；
62.步骤s5：分别建立第一至第九约束条件，建立第一约束条件为p
buy,e,t
p
pv,e,t
p
wt,e,t
p
gt,e,t
p
ess,d,t
＝p
sell,e,t
p
hp,e,t
p
eb,e,t
p
ess,c,t
l
e,t
，其中，p
buy,e,t
为多能源系统t时刻卖出的输出功率，p
sell,e,t
为多能源系统t时刻买入的输出功率，p
gt,e,t
为燃气锅炉在t时刻的输出功率，p
ess,d,t
为t时刻电储能系统的充电功率，p
ess,c,t t时刻电储能系统的放电功率，p
hp,e,t
为t时刻热泵的输出功率，p
eb,e,t
为电锅炉在t时刻的输出功率，l
e,t
为多能源系统t时刻的用电负荷，p
pv,e,t
为光伏机组在t时刻的输出功率，p
wt,e,t
为风电机组在t时刻的输出功率，热泵包含于供电子系统，电储能系统包含于供电子系统；建立第二约束条件为p
buy,h,t
p
hp,h,t
p
eb,h,t
p
gb,h,t
p
gt,h,t
p
ess,h,t
＝p
sell,h,t
l
h,t
，其中，p
buy,h,t
为多能源系统t时刻买入的热功率，p
sell,h,t
为多能源系统t时刻卖出的热功率，p
hp,h,t
为t时刻热泵输出的热功率，p
eb,h,t
为t时刻的电锅炉输出的热功率，p
gb,h,t
为燃气锅炉在t时刻输出的热功率，p
gt,h,t
为燃气轮机在t时刻输出的热功率，p
ess,h,t
为t时刻的热储能系统的热功率，l
h,t
为t时刻多能源系统t时刻的热负荷，热功率为发热所损耗的功率，热储能系统包含于供热子系统；建立第三约束条件为p
buy,g,t
＝p
sell,g,t
p
gt,g,t
l
g,t
，其中，p
buy,g,t
为多能源系统t时刻卖出的气功率，p
sell,g,t
为多能源系统t时刻买入的气功率，p
gt,g,t
为燃气锅炉t时刻输出的气功率，l
g,t
为多能源系统t时刻的气负荷，气功率为产生气体所损耗的功率；建立第四约束条件为p
wt
＝p
wt
(t)、p
pv
＝p
pv
(t)，其中，p
wt
为风电机组的输出功率,p
pv
为光伏机组的输出功率，p
wt
(t)为风电机组的预测输出功率，p
pv
(t)为光伏机组的预测输出功率；建立第五约束条件为p
eb,t
＝η
eb
p
eb,e,t
，其中，p
eb,t
为电锅炉在t时刻产生的热量，η
eb
为电锅炉将电能转化为热能的转化效率，p
eb,e,t
为电锅炉在t时刻消耗的电量，为电锅炉的最大功率值；建立第六约束条件为其中，p
hp,h,t
为热泵在制热状态下的输出功率，p
hp,e,t
为热泵在制冷状态下的输出功率，为热泵在制热状态下的最大输出功率和制冷状态下的最大输出功率；建立第七约束条件为其中，η
gt
为燃气锅炉的发电效率，p
gt,e,t
为燃气锅炉在t时刻的输出功率，p
gt,g,t
为燃气轮机在t时刻产生气体所消耗的功率，ξ为电热比，电热比为发热量和发电量的比值，p
gt,h,t
为燃气轮机在t时刻输出的热功率，
p
gt,e,t
为燃气轮机在t时刻输出的电功率；建立第八约束条件为其中，为电储能系统t时刻的储能容量，为电储能系统的最小储能容量，为电储能系统的最大储能容量，p
ess,c,t
为电储能系统t时刻的充电功率，p
ess,c,min
为电储能系统的最小充电功率，p
ess,c,max
为电储能系统的最大充电功率，p
ess,d,t
为电储能系统t时刻的放电功率，p
ess,d,min
为电储能系统的最小放电功率，p
ess,d,max
为电储能的最大放电功率，为电储能系统最终运行时刻的储能容量，为电储能系统开始运行时刻的储能容量，电储能系统包含于供电子系统；建立第九约束条件为其中，h
t
s为热储能系统t时刻的储能容量，为热储能系统的最小储能容量，为热储能系统的最大储能容量，为热储能系统产生的热功率，为热储能系统产生的最小热功率，为热储能系统产生的最大热功率，为热储能系统输出的热功率，为热储能系统输出的最小热功率，为热储能系统输出的最大热功率，为热储能系统最终运行时刻的储能容量，为热储能系统开始运行时刻的储能容量。
63.步骤s6：将多目标遗传算法和多目标粒子群算法结合，计算最优解，步骤如图4所示：开始，
①
设置非支配排序的遗传算法和多目标粒子群算法的初始参数，初始化最优目标值及对应的目标函数相关参数，即电锅炉、燃气轮机、燃气锅炉输出的功率。
②
建立新能源消纳目标函数和成本目标函数，以使新能源消纳能力最大和系统成本最小，即f1(x)、f2(x)。
③
判断种群个体的数值是否满足新能源消纳指标约束条件，即第一约束条件至第九约束条件。当种群个体的数值不满足新能源消纳指标约束条件时，基于约束处理机制对新能源消纳方案进行调整，使调整后的种群满足相应约束处理机制的限制。
④
当种群个体的数值满足新能源消纳指标约束条件时，执行非支配排序，根据非支配前沿对每个种群进行排序，计算每个非支配级别的拥挤距离，并根据拥挤距离对种群进行排序，根据排序结果，将种群分为两部分。
⑤
利用种群的上半部分创造后代种群，经过选择、交叉和变异，通过约束处理机制，评估新能源消纳能力目标函数和综合能源系统运行成本。
⑥
粒子的位置和成本从种群的下半部分初始化，存储粒子的位置作为个体的最优位置，确定粒子的支配地位，更新粒子位置和速度，通过约束处理机制，评估新能源消纳能力目标函数和系统运行成本。
⑦
将非主导粒子添加到存储库中，确定新存储库成员的支配地位，在存储库中只保留非受控成员，更新网格和网格索引并修改惯量从而创建一组新的粒子，然后使用存储库中的非主导解决方案进行填充，最终结合非支配排序的遗传算法的种群和多目标粒子群算法的新粒子集，增量生成计数，循环结束，得到同时满足新能源的消纳水平最大且成本最低时的电锅炉的输出功率、燃气轮机的输出功率和燃气锅炉的输出功率，即最优解。
64.步骤s7：根据上述最优解配置多能源系统，以使多能源系统中的新能源的消纳水平最高且成本最低。
65.本技术实施例还提供了一种促进新能源消纳的多能源系统的配置装置，需要说明的是，本技术实施例的促进新能源消纳的多能源系统的配置装置可以用于执行本技术实施例所提供的用于促进新能源消纳的多能源系统的配置方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
66.以下对本技术实施例提供的一种促进新能源消纳的多能源系统的配置装置进行介绍。
67.图5是根据本技术实施例的促进新能源消纳的多能源系统的配置装置的示意图。如图5所示，该装置包括：
68.计算单元10，用于计算多能源系统中风电机组的输出功率和光伏机组的输出功率，得到风电输出功率和光伏输出功率，其中，多能源系统包括供电子系统、供气子系统和供热子系统，供电子系统至少包括风电机组和光伏机组；
69.具体地，新能源发电，例如风能和光能发电，是多能源系统的重要组成部分，由于新能源普遍存在随机性、波动性和间歇性，因此大规模风电、光伏等新能源并入电网运行，会降低系统的可控性，加强系统的运行约束，能源的利用率和新能源的消纳水平也因此受到影响，本技术为了使能源利用率和新能源的消纳水平在达到最大的同时，使多能源系统的成本降至最低，建立多能源系统的消纳目标函数和成本目标函数，消纳目标函数以新能源输出的功率最大为目标、成本目标函数以多能源系统的成本最低为目标进行求解，得到的最优解既满足新能源的消纳水平最高(输出功率最大)又满足多能源系统的成本最低。因此，分别计算风电机组的输出功率和光伏机组的输出功率以用于建立消纳目标函数，其中，多能源系统包括多个子系统，本技术的多能源系统包括供电子系统、供热子系统和供气子系统，分别用于供电、供热和供气，即本技术建立了风电、光伏等新能源与其他电源类型组成的多能源协同运行系统，其中，风电、光伏、电储能和外部电网进行供电，外部气网和燃气轮机进行供气，空气源热泵、外部热网、蓄热装置和余热锅炉进行供热。
70.建立单元20，用于根据风电输出功率与光伏输出功率建立多能源系统的消纳目标函数，根据供电子系统的成本、供气子系统的成本和供热子系统的成本建立多能源系统的成本目标函数，根据多能源系统的运行条件建立约束条件，其中，消纳目标函数是以风电输出功率与光伏输出功率之和最大为目标的函数，成本目标函数是以多能源系统的总燃料成本最低为目标的函数；
71.具体地，在建立消纳目标函数之后，根据多能源电网中各子系统的成本建立成本目标函数，以使多能源系统的成本为最低，如上文所说，为了使能源利用率和新能源的消纳水平在达到最大的同时，使多能源系统的成本降至最低，建立多能源系统的消纳目标函数和成本目标函数，消纳目标函数以新能源输出的功率最大为目标、成本目标函数以多能源系统的成本最低为目标进行求解，得到的最优解既满足新能源的消纳水平最高(输出功率最大)又满足多能源系统的成本最低。而多能源系统在运行的过程中需要满足一定的约束条件，因此，上述消纳目标函数和成本目标函数还需要在满足约束条件的情况下进行求解。
72.配置单元30，用于采用多目标遗传算法和多目标粒子群算法对消纳目标函数、成本目标函数和约束条件进行联合求解，得到最优解，并根据最优解配置多能源系统，以促进上述多能源系统中新能源的消纳，其中，最优解包括电锅炉的输出功率、燃气轮机的输出功率和燃气锅炉的输出功率，电锅炉、燃气轮机和燃气锅炉包含于供热子系统。
73.具体地，对于求解多目标优化的问题，多目标遗传算法和多目标粒子群算法是常用的算法，能够通过数据的代与代之间维持由潜在解组成的种群来实现多向性和全局搜索，而多目标粒子群算法能够通过粒子不断迭代寻找最优解，因此，本技术将多目标遗传算法和多目标粒子群算法结合对上述两个目标函数进行求解，得到最优的电锅炉的输出功率值、燃气轮机的输出功率值和燃气锅炉的输出功率值，以配置多能源系统。
74.通过本实施例，可以根据风电输出功率与光伏输出功率构建多能源系统的新能源消纳的目标函数即消纳目标函数，根据多能源系统的成本构建成本的目标函数即成本目标函数，并将多目标遗传算法和多目标粒子群算法结合，对上述消纳目标函数和成本目标函数进行求解，得到最优解，根据最优解配置多能源系统。与现有技术中，多能源系统的新能源消纳水平较低导致新能源的浪费的方法相比，本技术能够求解得到满足多能源系统中新能源消纳水平最高且多能源系统的成本最低时的最优解，即按照最优解配置多能源系统中电锅炉的输出功率、燃气轮机的输出功率和燃气锅炉的输出功率，可以使多能源系统的新能源(风电机组和光伏机组)的消纳水平最高且多能源系统的成本最低，因此，可以解决现有技术中新能源的消纳水平较低造成的新能源浪费的问题，达到了最大化新能源的利用率的目的。
75.具体实现过程中，计算单元包括第一计算模块，用于根据公式计算风电机组的输出功率，得到风电输出功率，其中，p
twt
为风电机组在t时刻的输出功率，c
p
为风能利用系数，ρ为空气密度，aw为风电机组中被风吹过的叶片的垂直投影面积，为风电机组的额定功率，v
in
为风电机组的切入风速，v
rated
为风电机组的额定风速，v
out
为风电机组的切出风速，v为风电机组的实际风速；根据公式p
tpv
＝η
pvspv
θ
t
计算光伏机组的输出功率，得到光伏输出功率，其中，p
tpv
为光伏机组在t时刻的输出功率，η
pv
为光伏机组的能量转化效率，θ
t
为光伏机组在t时刻的光照辐射度，s
pv
为光伏机组的总面积。该方法根据风速等参数计算风电机组输出的功率，根据光伏参数计算光伏机组的输出功率，这样可以根据风电输出功率和光伏输出功率构建消纳目标函数。
76.具体地，通过上述公式可以计算得到在不同风速情况下风电机组的输出功率以及不同光照条件下的光伏机组的输出功率，并用于后续两个消纳目标函数的最大值的计算。风速的强弱决定了风电机组输出功率的大小，自然风的风速随机性较强，因此，采用上述公式计算风电机组的输出功率，在实际测量过程中，由于风电机组叶片处的风速大小不易测量，通过测量某一高度处的风速来测算叶片接收到的实
际风速，具体计算公式为其中，v为高度为h的叶片处的实际风速，v0为高度为h0的叶片处的实际的风速，β为换算系数。而光伏机组的输出功率的曲线一般满足β分布，概率密度函数为其中，α和β分别为beta分布的形状参数，θ为光照辐射强度，通过公式和引入光照辐射强度的均值和标准差，其中，μ为光照辐射强度的均值，δ为光照辐射强度的正态分布值，太阳光照的概率通过公式计算，其中，θc、θd分别为光照辐射强度θ的上下限，进而通过上述公式p
tpv
＝η
pvspv
θ
t
计算光伏机组的出力即输出功率。
77.为了使多能源系统的新能源消纳水平达到最大，具体实现过程中，建立单元包括第一建立模块，用于建立多能源系统的消纳目标函数为其中，f1(x)为最大新能源消纳值，p
wt,e,t
为风电机组在t时刻的输出功率，p
pv,e,t
为光伏机组在t时刻的输出功率，t为多能源系统的日调度周期，且t＝24。
78.具体地，为促进风电、光伏等新能源的消纳水平，合理分配多能源系统中的各类组件，保证系统的安全稳定运行，目标函数包括新能源消纳最大和运行成本最小，即消纳目标函数和成本目标函数，消纳目标函数为t＝24，即按照每小时风电机组的输出功率和光伏机组的输出功率之和进行计算，由于风速和光照在一天24小时之内是不断变化的，因此，每个小时对应的风电机组的输出功率和光伏机组的输出功率之和都不相同，消纳目标函数旨在寻找风电机组的输出功率和光伏机组的输出功率之和的最大值。
79.具体实现过程中，建立单元包括第二建立模块，用于建立多能源系统的成本目标函数为其中，f2(x)为多能源系统的总燃料成本，c
pi
为电锅炉的燃料成本，c
ci
为燃气轮机的燃料成本，c
hi
为燃气锅炉的燃料成本，pi为电锅炉的发电量，oi为燃气轮机产生的功率，hi为燃气锅炉产生的热量，ti为第i个供热子系统日产生的热量，n表示电锅炉的数量，m表示燃气轮机和燃气锅炉的数量，l表示供热子系统包含的产热机组的数量，燃气轮机和燃气锅炉的数量相等，电锅炉、燃气轮机和燃气锅炉包含于供热子系统中。该方法通过成本目标函数计算多能源系统成本的最小值，这样可以使多能源系统的成本达到最低。
80.具体地，上述多能源系统的成本主要为燃料成本，上述新能源(风电和光伏)发电无需计算成本，即电锅炉、燃气轮机、燃气锅炉的燃料成本之和，而电锅炉的燃料成本可以通过电锅炉的发电量计算得到，燃气轮机的燃料成本可以通过燃气轮机产生的功率即输出功率和燃气锅炉产生的热量计算得到，燃气锅炉的燃料成本可以通过供热子系统每天产生的热量换算得
到，因此，多能源系统的成本可以通过公式计算得到，成本目标函数旨在寻找多能源系统的最低成本值，即在电锅炉的输出功率、燃气轮机的输出功率和燃气锅炉的输出功率分别为多少的情况下，多能源系统的成本值最低。
81.为了在计算上述消纳目标函数和成本目标函数的最优解时，同时满足多能源系统的运行条件，具体实现过程中，建立单元还包括第三建立模块、第四建立模块、第五建立模块、第六建立模块、第七建立模块、第八建立模块、第九建立模块、第十建立模块、第十一建立模块，其中，第三建立模块用于建立第一约束条件为p
buy,e,t
p
pv,e,t
p
wt,e,t
p
gt,e,t
p
ess,d,t
＝p
sell,e,t
p
hp,e,t
p
eb,e,t
p
ess,c,t
l
e,t
，其中，p
buy,e,t
为多能源系统t时刻卖出的输出功率，p
sell,e,t
为多能源系统t时刻买入的输出功率，p
gt,e,t
为燃气锅炉在t时刻的输出功率，p
ess,d,t
为t时刻电储能系统的充电功率，p
ess,c,t t时刻电储能系统的放电功率，p
hp,e,t
为t时刻热泵的输出功率，p
eb,e,t
为电锅炉在t时刻的输出功率，l
e,t
为多能源系统t时刻的用电负荷，p
pv,e,t
为光伏机组在t时刻的输出功率，p
wt,e,t
为风电机组在t时刻的输出功率，热泵包含于供电子系统，电储能系统包含于供电子系统；第四建立模块用于建立第二约束条件为p
buy,h,t
p
hp,h,t
p
eb,h,t
p
gb,h,t
p
gt,h,t
p
ess,h,t
＝p
sell,h,t
l
h,t
，其中，p
buy,h,t
为多能源系统t时刻买入的热功率，p
sell,h,t
为多能源系统t时刻卖出的热功率，p
hp,h,t
为t时刻热泵输出的热功率，p
eb,h,t
为t时刻的电锅炉输出的热功率，p
gb,h,t
为燃气锅炉在t时刻输出的热功率，p
gt,h,t
为燃气轮机在t时刻输出的热功率，p
ess,h,t
为t时刻的热储能系统的热功率，l
h,t
为t时刻多能源系统t时刻的热负荷，热功率为发热所损耗的功率，热储能系统包含于供热子系统；建立第五建立模块用于第三约束条件为p
buy,g,t
＝p
sell,g,t
p
gt,g,t
l
g,t
，其中，p
buy,g,t
为多能源系统t时刻卖出的气功率，p
sell,g,t
为多能源系统t时刻买入的气功率，p
gt,g,t
为燃气锅炉t时刻输出的气功率，l
g,t
为多能源系统t时刻的气负荷，气功率为产生气体所损耗的功率；第六建立模块用于建立第四约束条件为p
wt
＝p
wt
(t)、p
pv
＝p
pv
(t)，其中，p
wt
为风电机组的输出功率,p
pv
为光伏机组的输出功率，p
wt
(t)为风电机组的预测输出功率，p
pv
(t)为光伏机组的预测输出功率；第七建立模块用于建立第五约束条件为p
eb,t
＝η
eb
p
eb,e,t
，其中，p
eb,t
为电锅炉在t时刻产生的热量，η
eb
为电锅炉将电能转化为热能的转化效率，p
eb,e,t
为电锅炉在t时刻消耗的电量，为电锅炉的最大功率值；第八建立模块用于建立第六约束条件为其中，p
hp,h,t
为热泵在制热状态下的输出功率，p
hp,e,t
为热泵在制冷状态下的输出功率，为热泵在制热状态下的最大输出功率和制冷状态下的最大输出功率；第九建立模块用于建立第七约束条件为其中，η
gt
为燃气锅炉的发电效率，p
gt,e,t
为燃气锅炉在t时刻的输出功率，p
gt,g,t
为燃气轮机在t时刻产生气体所消耗的功率，ξ为电热比，电热比为发热量和发电量的比值，p
gt,h,t
为燃气轮机在t时刻输出的热功率，p
gt,e,t
为燃气轮机在t时刻输出的电功率；第十建立模块用于建立第八约束条件为
其中，为电储能系统t时刻的储能容量，为电储能系统的最小储能容量，为电储能系统的最大储能容量，p
ess,c,t
为电储能系统t时刻的充电功率，p
ess,c,min
为电储能系统的最小充电功率，p
ess,c,max
为电储能系统的最大充电功率，p
ess,d,t
为电储能系统t时刻的放电功率，p
ess,d,min
为电储能系统的最小放电功率，p
ess,d,max
为电储能的最大放电功率，为电储能系统最终运行时刻的储能容量，为电储能系统开始运行时刻的储能容量，电储能系统包含于供电子系统；第十一建立模块用于建立第九约束条件为其中，为热储能系统t时刻的储能容量，为热储能系统的最小储能容量，为热储能系统的最大储能容量，为热储能系统产生的热功率，为热储能系统产生的最小热功率，为热储能系统产生的最大热功率，为热储能系统输出的热功率，为热储能系统输出的最小热功率，为热储能系统输出的最大热功率，为热储能系统最终运行时刻的储能容量，为热储能系统开始运行时刻的储能容量。
82.具体地，第一约束条件为电能平衡约束条件，即多能源系统内的用电量与发电量需要保持瞬时平衡，而多能源系统的发电量为向外部电网卖出的电能对应的功率、风电机组的输出功率、光伏机组的输出功率、电锅炉的输出功率、储能系统的充电功率之和，多能源系统的用电量为买入的电能对应的功率、热泵的输出功率、电锅炉的输出功率、储能系统的放电功率以及系统用电负荷的和。第二约束条件为热能平衡约束，因此需要考虑热能的输出与输入，供热子系统向外部热网输出的热功率、热泵输出的热功率、电锅炉输出的热功率、燃气锅炉产生的热功率、燃气锅炉产生的热功率之和与供热子系统产生的热功率、热负荷之和需要相等。第三约束条件为气平衡约束条件，即卖出的气功率与买入的气功率、燃气锅炉产生的气功率、系统的用气负荷之和需要保持相等。第四约束条件为风电机组的输出功率需要与预测风电输出功率保持相等，光伏机组的输出功率也需要与预测光伏输出功率保持相等。第五约束条件为电锅炉的供热量与用电量需要保持相等。第六约束条件为热泵在制冷和制热条件下的输出功率需要在最大和最小值的范围之内。第七约束条件为燃气轮机的出力约束表达式，燃气轮机与余热锅炉、吸收式制冷机协同运行，构成了cchp系统，燃气轮机消耗燃气，产生电能，同时产生的热量可被余热锅炉回收，用于供热，吸收式制冷机则利用热能产生冷能，为系统提供冷负荷需求，因此，燃气锅炉的产生气体消耗的功率需要与燃气锅炉的输出功率保持相等。第八约束条件为电储能系统的充放电功率以及储能容量都需要在最小和最大值范围之内。第八约束条件为热储能系统的充放热功率以及储能容量都需要在最小和最大值范围之内。
83.具体实现过程中，配置单元包括：输入模块和确定模块，其中，输入模块用于将初
始参数输入消纳目标函数和成本目标函数，得到消纳目标函数值和成本目标函数值，其中，初始参数包括电锅炉的初始输出功率、燃气轮机的初始输出功率、燃气锅炉的初始输出功率；确定模块用于确定消纳目标函数值和成本目标函数值是否满足约束条件，在满足约束条件的情况下，至少通过多目标遗传算法和多目标粒子群算法中的排序处理、分类处理和变异处理，计算得到最优解。该方法通过多目标遗传算法和多目标粒子群算法计算上述两个目标函数的最优解，这样可以根据最优解配置多能源系统，以使新能源消纳最大且成本最低。
84.具体地，由于nsgaii-mopso技术在解决大量等式和不等式约束下的多目标优化问题方面表现优异，因此，本技术将多目标遗传算法和多目标粒子群算法结合，计算最优解，步骤如下：
①
设置非支配排序的遗传算法和多目标粒子群算法的初始参数，初始化最优目标值及对应的目标函数相关参数，即电锅炉、燃气轮机、燃气锅炉输出的功率。
②
建立新能源消纳目标函数和成本目标函数，即f1(x)、f2(x)。
③
判断种群个体的数值是否满足新能源消纳指标约束条件，即第一约束条件至第九约束条件。当种群个体的数值不满足新能源消纳指标约束条件时，基于约束处理机制对新能源消纳方案进行调整，使调整后的种群满足相应约束处理机制的限制。
④
当种群个体的数值满足新能源消纳指标约束条件时，执行非支配排序，根据非支配前沿对每个种群进行排序，计算每个非支配级别的拥挤距离，并根据拥挤距离对种群进行排序，根据排序结果，将种群分为两部分。
⑤
利用种群的上半部分创造后代种群，经过选择、交叉和变异，通过约束处理机制，评估新能源消纳能力目标函数和综合能源系统运行成本。
⑥
粒子的位置和成本从种群的下半部分初始化，存储粒子的位置作为个体的最优位置，确定粒子的支配地位，更新粒子位置和速度，通过约束处理机制，评估新能源消纳能力目标函数和系统运行成本。
⑦
将非主导粒子添加到存储库中，确定新存储库成员的支配地位，在存储库中只保留非受控成员，更新网格和网格索引并修改惯量从而创建一组新的粒子，然后使用存储库中的非主导解决方案进行填充，最终结合非支配排序的遗传算法的种群和多目标粒子群算法的新粒子集，增量生成计数，循环结束，得到同时满足新能源的消纳水平最大且成本最低时的电锅炉的输出功率、燃气轮机的输出功率和燃气锅炉的输出功率，即最优解。
85.为了求解得到最优解，配置单元还包括更新模块，用于在消纳目标函数值和成本目标函数值不满足约束条件的情况下，基于多目标遗传算法和多目标粒子群算法的约束处理机制更新初始参数，以使得由更新后的初始参数计算得到的消纳目标函数值和成本目标函数值满足约束条件。
86.具体地，如上文所说，在计算得到消纳目标函数值和成本目标函数值之后，当消纳目标函数值和成本目标函数值不满足第一约束条件至第九约束条件时，基于多目标粒子群算法中的约束处理机制对新能源消纳方案进行调整，使调整后的种群满足相应约束处理机制的限制。
87.促进新能源消纳的多能源系统的配置装置包括处理器和存储器，上述计算单元、建立单元和配置单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
88.处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个
或以上，通过调整内核参数来提高新能源的消纳水平。
89.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
90.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
91.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
92.本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
93.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
94.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
95.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
96.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
97.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、
数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
98.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
99.从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
100.1)、本技术的促进新能源消纳的多能源系统的配置方法中，可以根据风电输出功率与光伏输出功率构建多能源系统的新能源消纳的目标函数即消纳目标函数，根据多能源系统的成本构建成本的目标函数即成本目标函数，并将多目标遗传算法和多目标粒子群算法结合，对上述消纳目标函数和成本目标函数进行求解，得到最优解，根据最优解配置多能源系统。与现有技术中，多能源系统的新能源消纳水平较低导致新能源的浪费的方法相比，本技术能够求解得到满足多能源系统中新能源消纳水平最高且多能源系统的成本最低时的最优解，即按照最优解配置多能源系统中电锅炉的输出功率、燃气轮机的输出功率和燃气锅炉的输出功率，可以使多能源系统的新能源(风电机组和光伏机组)的消纳水平最高且多能源系统的成本最低，因此，可以解决现有技术中新能源的消纳水平较低造成的新能源浪费的问题，达到了最大化新能源的利用率的目的。
101.2)、本技术的促进新能源消纳的多能源系统的配置装置中，可以根据风电输出功率与光伏输出功率构建多能源系统的新能源消纳的目标函数即消纳目标函数，根据多能源系统的成本构建成本的目标函数即成本目标函数，并将多目标遗传算法和多目标粒子群算法结合，对上述消纳目标函数和成本目标函数进行求解，得到最优解，根据最优解配置多能源系统。与现有技术中，多能源系统的新能源消纳水平较低导致新能源的浪费的方法相比，本技术能够求解得到满足多能源系统中新能源消纳水平最高且多能源系统的成本最低时的最优解，即按照最优解配置多能源系统中电锅炉的输出功率、燃气轮机的输出功率和燃气锅炉的输出功率，可以使多能源系统的新能源(风电机组和光伏机组)的消纳水平最高且多能源系统的成本最低，因此，可以解决现有技术中新能源的消纳水平较低造成的新能源浪费的问题，达到了最大化新能源的利用率的目的。
102.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。