一种电气综合能源系统扩容规划方法、装置、设备及介质

技术领域

本发明涉及综合能源系统规划技术领域，具体涉及一种电气综合能源系统扩容规划方法、装置、设备及介质。

背景技术

如何有效的实现控碳减碳成为各企业各园区重点关注的问题，同时随着可再生能源的广泛发展，新能源发电波动性导致了严重的弃风光现象，也在一定程度上降低了早期建设的园区综合能源系统的经济性。目前，碳排放权交易（简称碳交易）和绿色证书交易（简称绿证交易）机制是引导企业控碳减碳的重要手段，但是，目前的研究中只考虑碳交易或绿证交易，对于同时考虑两者的情况较少，导致园区综合能源系统的环保性和可再生能源消纳能力较差。

发明内容

有鉴于此，本发明提供了一种电气综合能源系统扩容规划方法、装置、设备及介质，以解决目前研究中只考虑碳交易或绿证交易，对于同时考虑两者的情况较少，导致园区综合能源系统的环保性和可再生能源消纳较差的问题。

第一方面，本发明提供了一种电气综合能源系统扩容规划方法，包括：在初始电气综合能源系统中扩容电转气设备，得到目标电气综合能源系统；获取目标电气综合能源系统对应的系统信息数据集、初始阶梯碳交易模型和绿证交易模型；利用目标精英保护策略遗传算法对初始阶梯碳交易模型进行优化，得到目标阶梯碳交易模型；对目标阶梯碳交易模型进行处理，并根据处理后的目标阶梯碳交易模型建立目标电气综合能源系统扩容规划模型；基于系统信息数据集，对目标电气综合能源系统扩容规划模型进行求解，得到目标电气综合能源系统的目标扩容规划方案。

本发明提供的电气综合能源系统扩容规划方法，利用改进的目标精英保护策略遗传算法，提高了算法计算的效率，但同时保持了传统遗传算法的并行性优势，节省了阻抗参数提取的时间，同时精英保护策略的引入改进了传统遗传算法的搜索能力欠缺和全局收敛的缺点；同时，建立改进的目标阶梯碳交易模型的过程中考虑了碳交易和绿证交易，提高了电气综合能源系统的优化精确度；进一步，通过优化改进的目标阶梯碳交易模型来建立目标电气综合能源系统扩容规划模型，使得在得到的目标扩容规划方案下，能够提高电气综合能源系统对二氧化碳和可再生能源的消纳能力。

在一种可选的实施方式中，利用目标精英保护策略遗传算法对初始阶梯碳交易模型进行优化，得到目标阶梯碳交易模型，包括：获取初始精英保护策略遗传算法；对初始精英保护策略遗传算法进行改进，得到目标精英保护策略遗传算法；基于预设第一优化目标，利用目标精英保护策略遗传算法对初始阶梯碳交易模型进行优化，得到目标阶梯碳交易模型。

本发明在利用目标精英保护策略遗传算法对初始阶梯碳交易模型进行优化的过程中以目标电气综合能源系统的预设第一优化目标为优化条件，提高了算法计算效率的同时，提高了目标电气综合能源系统的优化结果的精确度。

在一种可选的实施方式中，对初始精英保护策略遗传算法进行改进，得到目标精英保护策略遗传算法，包括：利用预设分布概率密度函数随机生成初始种群；基于预设第一优化目标，确定适应度函数；基于初始种群，经过适应度函数处理，确定目标种群；基于目标种群，对初始精英保护策略遗传算法的交叉算子和变异算子进行改进，得到目标精英保护策略遗传算法。

本发明在初始精英保护策略遗传算法的基础上，从种群初始化、设置适应度函数等方面对初始精英保护策略遗传算法进行改进，提高了算法计算效率的同时，保持了传统遗传算法的并行性优势，节省了阻抗参数提取的时间，同时精英保护策略的引入改进了传统遗传算法的搜索能力欠缺和全局收敛的缺点。

在一种可选的实施方式中，基于初始种群，经过适应度函数处理，确定目标种群，包括：利用锦标赛选择法选择算子；利用适应度函数计算种群中每个种群个体的适应度，并基于算子和每个种群个体的适应度，在每个种群个体中确定精英个体；基于精英个体确定目标种群；基于目标种群，重复利用适应度函数计算种群中每个种群个体的适应度，并基于算子和每个种群个体的适应度，在每个种群个体中确定精英个体的步骤到基于精英个体确定目标种群的步骤，直至目标种群中精英个体的数量与初始种群中种群个体的数量一致时停止迭代，并输出目标种群。

本发明通过适应度函数计算并确定新的目标种群，能够完整保存种群中的优秀个体，防止出现局部最优情况。

在一种可选的实施方式中，基于预设第一优化目标，利用目标精英保护策略遗传算法对初始阶梯碳交易模型进行优化，得到目标阶梯碳交易模型，包括：获取目标电气综合能源系统的历史信息数据集；基于初始阶梯碳交易模型获取目标电气综合能源系统的碳排放量和碳交易量；基于预设第一优化目标，将历史信息数据集、碳排放量和碳交易量输入初始阶梯碳交易模型，经过目标精英保护策略遗传算法处理，得到目标阶梯碳交易模型。

本发明在利用目标精英保护策略遗传算法对初始阶梯碳交易模型进行优化的过程中以目标电气综合能源系统的相关数据对初始阶梯碳交易模型进行优化，提高了优化结果的精确度。

在一种可选的实施方式中，对目标阶梯碳交易模型进行处理，并根据处理后的目标阶梯碳交易模型建立目标电气综合能源系统扩容规划模型，包括：获取预设第二优化目标和约束条件；基于初始阶梯碳交易模型和绿证交易模型，确定目标函数；基于目标阶梯碳交易模型，经过预设第二优化目标、约束条件和目标函数处理，得到目标电气综合能源系统扩容规划模型。

本发明建立的目标电气综合能源系统扩容规划模型的过程通过预设第二优化目标、约束条件和目标函数对目标阶梯碳交易模型进行约束得到，提高了目标电气综合能源系统扩容规划模型的准确度；同时，降低了碳排放量，提高了目标电气综合能源系统的经济性。

在一种可选的实施方式中，基于目标阶梯碳交易模型，经过优化目标和目标函数处理，建立目标电气综合能源系统扩容规划模型之后，方法还包括：将系统信息数据集输入目标电气综合能源系统扩容规划模型，并利用目标精英保护策略遗传算法对目标电气综合能源系统扩容规划模型进行优化，得到目标电气综合能源系统的目标扩容规划方案。

本发明利用改进的目标精英保护策略遗传算法对目标电气综合能源系统扩容规划模型进行优化，进一步提高了目标电气综合能源系统扩容规划模型计算的精确性和有效性。

在一种可选的实施方式中，基于初始阶梯碳交易模型和绿证交易模型，确定目标函数，包括：通过下式的第一关系式确定目标函数：

式中：

本发明将初始阶梯碳交易模型和绿证交易模型的输出结果计入目标函数，提高了目标电气综合能源系统扩容规划模型计算的精确性。

在一种可选的实施方式中，约束条件包括电能功率约束、热能功率约束和设备约束。

本发明通过电能功率约束、热能功率约束和设备约束能够更好地约束目标阶梯碳交易模型，提高约束后的目标电气综合能源系统扩容规划模型计算的精确性和有效性。

在一种可选的实施方式中，电能功率约束通过下式的第二关系式确定：

式中：

本发明利用电能功率约束，考虑了目标电气综合能源系统的电能功率，增加了对目标阶梯碳交易模型的约束力。

在一种可选的实施方式中，热能功率约束通过下式的第三关系式确定：

式中：

本发明利用热能功率约束，考虑了目标电气综合能源系统的热能功率，增加了对目标阶梯碳交易模型的约束力。

在一种可选的实施方式中，设备约束通过下式的第四关系式确定：

式中：

本发明考虑了目标电气综合能源系统的设备约束，增加了对目标阶梯碳交易模型的约束力。

第二方面，本发明提供了一种电气综合能源系统扩容规划装置，包括：扩容模块，用于在初始电气综合能源系统中扩容电转气设备，得到目标电气综合能源系统；获取模块，用于获取目标电气综合能源系统对应的系统信息数据集、初始阶梯碳交易模型和绿证交易模型；第一优化模块，用于利用目标精英保护策略遗传算法对初始阶梯碳交易模型进行优化，得到目标阶梯碳交易模型；模型处理模块，用于对目标阶梯碳交易模型进行处理，并根据处理后的目标阶梯碳交易模型建立目标电气综合能源系统扩容规划模型；模型求解模块，用于基于系统信息数据集，对目标电气综合能源系统扩容规划模型进行求解，得到目标电气综合能源系统的目标扩容规划方案。

第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的电气综合能源系统扩容规划方法。

第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的电气综合能源系统扩容规划方法。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是根据本发明实施例的电气综合能源系统扩容规划方法的流程示意图；

图2是根据本发明实施例的另一电气综合能源系统扩容规划方法的流程示意图；

图3是根据本发明实施例的又一电气综合能源系统扩容规划方法的流程示意图；

图4是根据本发明实施例的再一电气综合能源系统扩容规划方法的流程示意图；

图5是根据本发明实施例的精英保留算法流程图；

图6是根据本发明实施例的改进前算法和改进后算法的优化效果对比图；

图7是根据本发明实施例的电气综合能源系统扩容规划装置的结构框图；

图8是本发明实施例的计算机设备的硬件结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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，都属于本发明保护的范围。

电气综合能源系统可以设置在各企业园区中，通过能源耦合单元将电力系统与天然气系统紧密联系起来在耦合单元中，可利用后台终端或服务器对电气综合能源系统进行控制。

目前，如何有效的实现控碳减碳成为各企业各园区重点关注的问题。本发明实施例提供了电气综合能源系统扩容规划方法，通过同时考虑碳交易和绿证交易以达到提高了电气综合能源系统对二氧化碳和可再生能源消纳能力的效果。

根据本发明实施例，提供了一种电气综合能源系统扩容规划方法实施例，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。

在本实施例中提供了一种电气综合能源系统扩容规划方法，可用于上述的后台终端或服务器，图1是根据本发明实施例的电气综合能源系统扩容规划方法的流程图，如图1所示，该流程包括如下步骤：

步骤S101，在初始电气综合能源系统中扩容电转气设备，得到目标电气综合能源系统。

其中，电转气（power to gas，P2G）设备可以将电气综合能源系统中富裕的电力转化为天然气，促进电气综合能源系统闭环运行。

具体地，通过在初始电气综合能源系统中扩容电转气设备，可以提高对目标电气综合能源系统的碳排放的利用。

步骤S102，获取目标电气综合能源系统对应的系统信息数据集、初始阶梯碳交易模型和绿证交易模型。

其中，系统信息数据集可以包括目标电气综合能源系统对应的自然资源信息、设备信息、用户负荷信息和能源价格信息等。

首先，采用基准线法确定目标电气综合能源系统对应的碳排放配额。其中，碳排放包括从外部电网购买电力以及热电联产（CHP）机组运行、燃气锅炉（gasboiler，GB）燃烧等产生的碳排放，因此，碳排放配额如下关系式（1）所示：

式中：

其次，获取目标电气综合能源系统对应的实际碳排放量，如下关系式（2）所示：

式中：

最后，根据上述关系式（1）和（2）可以得到初始阶梯碳交易模型，如下关系式（3）所示：

式中：

进一步，

进一步，当目标电气综合能源系统中的绿色证书的数量超过该目标电气综合能源系统无偿的绿证配额时，则可以将富裕的绿色证书在绿证交易市场中进行售卖，从而获得收益。反之，则需要从市场中额外购买不足的绿证以满足绿证配额指标。因此，绿证交易模型如下关系式（4）所示：

式中：

步骤S103，利用目标精英保护策略遗传算法对初始阶梯碳交易模型进行优化，得到目标阶梯碳交易模型。

在阶梯碳交易结果进行计算时，碳交易基价、碳排放量区间长度和价格增长率等多个参数会直接影响最后的碳交易结果值，因此，利用改进的标精英保护策略遗传算法对初始阶梯碳交易模型进行优化，可以得到最优的碳交易结果值。

步骤S104，对目标阶梯碳交易模型进行处理，并根据处理后的目标阶梯碳交易模型建立目标电气综合能源系统扩容规划模型。

具体地，目标阶梯碳交易模型为对初始阶梯碳交易模型进行优化得到，进一步，初始阶梯碳交易模型由初始阶梯碳交易模型和绿证交易模型确定，因此，对目标阶梯碳交易模型进行优化，可以得到同时考虑了碳交易和绿证交易的目标电气综合能源系统扩容规划模型。

步骤S105，基于系统信息数据集，对目标电气综合能源系统扩容规划模型进行求解，得到目标电气综合能源系统的目标扩容规划方案。

具体地，将系统信息数据集输入目标电气综合能源系统扩容规划模型进行求解，可以得到目标电气综合能源系统的目标扩容规划方案，且由于目标电气综合能源系统扩容规划模型同时考虑了碳交易和绿证交易，因此，在得到的目标扩容规划方案下，能够提高电气综合能源系统对二氧化碳和可再生能源消纳能力。

本发明实施例提供的电气综合能源系统扩容规划方法，利用改进的目标精英保护策略遗传算法，提高了算法计算的效率，但同时保持了传统遗传算法的并行性优势，节省了阻抗参数提取的时间，同时精英保护策略的引入改进了传统遗传算法的搜索能力欠缺和全局收敛的缺点；同时，建立改进的目标阶梯碳交易模型的过程中考虑了碳交易和绿证交易，并对交易模型参数进行了优化，提高了电气综合能源系统的优化精确度；进一步，通过优化改进的目标阶梯碳交易模型来建立目标电气综合能源系统扩容规划模型，使得在得到的目标扩容规划方案下，能够提高电气综合能源系统对二氧化碳和可再生能源的消纳能力。

在本实施例中提供了一种电气综合能源系统扩容规划方法，可用于上述的后台终端或服务器，图2是根据本发明实施例的电气综合能源系统扩容规划方法的流程图，如图2所示，该流程包括如下步骤：

步骤S201，在初始电气综合能源系统中扩容电转气设备，得到目标电气综合能源系统。详细请参见图1所示实施例的步骤S101，在此不再赘述。

步骤S202，获取目标电气综合能源系统对应的系统信息数据集、初始阶梯碳交易模型和绿证交易模型。详细请参见图1所示实施例的步骤S102，在此不再赘述。

步骤S203，利用目标精英保护策略遗传算法对初始阶梯碳交易模型进行优化，得到目标阶梯碳交易模型。

具体地，上述步骤S203包括：

步骤S2031，获取初始精英保护策略遗传算法。

具体地，初始精英保护策略遗传算法表示在传统遗传算法中引入精英保护策略，为一种可以避免最优个体不会因为杂交操作而被破坏的遗传算法。

步骤S2032，对初始精英保护策略遗传算法进行改进，得到目标精英保护策略遗传算法。

具体地，传统的遗传算法存在计算效率低、搜索能力和全局收敛能力较差的问题。

本发明实施例中，对初始精英保护策略遗传算法进行改进，改进后的目标精英保护策略遗传算法提高了算法计算的效率，同时，保持了传统遗传算法的并行性优势，节省了阻抗参数提取的时间，进一步，引入精英保护策略，改进了传统遗传算法的搜索能力欠缺和全局收敛的缺点。

步骤S2033，基于预设第一优化目标，利用目标精英保护策略遗传算法对初始阶梯碳交易模型进行优化，得到目标阶梯碳交易模型。

其中，预设第一优化目标为目标电气综合能源系统的碳交易成本。

通过改进后的目标精英保护策略遗传算法对初始阶梯碳交易模型进行优化，直至优化结果满足预设第一优化目标时，得到改进后的碳—绿证交易模型，即目标阶梯碳交易模型。

本发明实施例在利用目标精英保护策略遗传算法对初始阶梯碳交易模型进行优化的过程中以目标电气综合能源系统的预设第一优化目标为优化条件，提高了算法计算效率的同时，提高了目标电气综合能源系统的优化结果的精确度。

在一些可选的实施方式中，上述步骤S2032包括：

步骤a1，利用预设分布概率密度函数随机生成初始种群。

步骤a2，基于预设第一优化目标，确定适应度函数。

步骤a3，基于初始种群，经过适应度函数处理，确定目标种群。

步骤a4，基于目标种群，对初始精英保护策略遗传算法的交叉算子和变异算子进行改进，得到目标精英保护策略遗传算法。

进一步，在一些可选的实施方式中，上述步骤a2，包括：

步骤a21，利用锦标赛选择法选择算子。

步骤a22，利用适应度函数计算种群中每个种群个体的适应度，并基于算子和每个种群个体的适应度，在每个种群个体中确定精英个体。

步骤a23，基于精英个体确定目标种群。

步骤a24，基于目标种群，重复步骤a22至步骤a23，直至目标种群中精英个体的数量与初始种群中种群个体的数量一致时停止迭代，并输出目标种群。

具体地，为提高算法的工作效率和计算速度，使用经典阻尼算法（LS）确定种群所在的取值范围，并以取值范围为约束，随机生成种群。

其中，LS如下关系式（5）所示：

式中：

进一步，算法以

进一步，设置适应度函数。

具体地，适应度函数可以在评估种群整体水平的同时选择出种群中的适应度最高的个体，因此，在设置适应度函数时需要考虑预设第一优化目标。

本发明实施例中，适应度函数如下关系式（6）所示：

进一步，对初始种群中的种群个体进行适应度函数计算后，可以得到对应的新的目标种群。

具体地，利用锦标赛选择法选择算子。在初始种群中的每个个体具有相同概率被选择的前提下，从中进行随机选择k个种群个体，在经过适应度函数的计算后，从中选择适应度计算结果最高的种群个体即精英个体，使其列入新的种群即目标种群，并作为目标种群的父体，多次重复此项操作直到新的目标种群中精英个体的数量同初始种群中种群个体的数量相同为止。

最后，基于该目标种群，对初始精英保护策略遗传算法的交叉算子和变异算子进行改进，得到目标精英保护策略遗传算法：

（1）交叉算子

一般设置交叉发生概率范围为0.7~0.9。具体操作为：

设置随机交叉位为

则生成的新的种群个体为

（2）变异算子

对于种群个体

式中：

进一步，经过变异操作后形成新的个体为

通过上述步骤a1至步骤a4，将包含N个体的种群中适应度数值最高的个体留存，使其作为精英个体保留，并进行新一代的遗传操作，能完整保存种群中的优秀个体，防止出现局部最优情况。

本发明实施例在初始精英保护策略遗传算法的基础上，从种群初始化、设置适应度函数等方面对初始精英保护策略遗传算法进行改进，提高了算法计算效率的同时，保持了传统遗传算法的并行性优势，节省了阻抗参数提取的时间，同时精英保护策略的引入改进了传统遗传算法的搜索能力欠缺和全局收敛的缺点。

在一些可选的实施方式中，上述步骤S2033，包括：

步骤b1，获取目标电气综合能源系统的历史信息数据集。

步骤b2，基于初始阶梯碳交易模型获取目标电气综合能源系统的碳排放量和碳交易量。

步骤b3，基于预设第一优化目标，将历史信息数据集、碳排放量和碳交易量输入初始阶梯碳交易模型，经过目标精英保护策略遗传算法处理，得到目标阶梯碳交易模型。

其中，历史信息数据集中的数据信息为上述步骤S202中系统信息数据集对应的历史数据。

具体地，基于目标精英保护策略遗传算法，以碳交易成本为优化目标，基于历史信息数据集，输入碳排放量、碳交易量等数据信息，以碳交易基价、碳排放量区间长度和价格增长率为输出结果，并将结果引入初始阶梯碳交易模型中，获得改进后的阶梯碳交易模型，即目标阶梯碳交易模型。

步骤S204，对目标阶梯碳交易模型进行处理，并根据处理后的目标阶梯碳交易模型建立目标电气综合能源系统扩容规划模型。详细请参见图1所示实施例的步骤S104，在此不再赘述。

步骤S205，基于系统信息数据集，对目标电气综合能源系统扩容规划模型进行求解，得到目标电气综合能源系统的目标扩容规划方案。详细请参见图1所示实施例的步骤S105，在此不再赘述。

本发明实施例提供的电气综合能源系统扩容规划方法，提高了算法计算效率的同时，保持了传统遗传算法的并行性优势，节省了阻抗参数提取的时间，同时精英保护策略的引入改进了传统遗传算法的搜索能力欠缺和全局收敛的缺点，并且能完整保存种群中的优秀个体，防止出现局部最优情况。进一步，通过优化改进的目标阶梯碳交易模型来建立目标电气综合能源系统扩容规划模型，使得在得到的目标扩容规划方案下，能够提高电气综合能源系统对二氧化碳和可再生能源的消纳能力。

在本实施例中提供了一种电气综合能源系统扩容规划方法，可用于上述的后台终端或服务器，图3是根据本发明实施例的电气综合能源系统扩容规划方法的流程图，如图3所示，该流程包括如下步骤：

步骤S301，在初始电气综合能源系统中扩容电转气设备，得到目标电气综合能源系统。详细请参见图1所示实施例的步骤S101，在此不再赘述。

步骤S302，获取目标电气综合能源系统对应的系统信息数据集、初始阶梯碳交易模型和绿证交易模型。详细请参见图1所示实施例的步骤S102，在此不再赘述。

步骤S303，利用目标精英保护策略遗传算法对初始阶梯碳交易模型进行优化，得到目标阶梯碳交易模型。详细请参见图2所示实施例的步骤S203，在此不再赘述。

步骤S304，对目标阶梯碳交易模型进行处理，并根据处理后的目标阶梯碳交易模型建立目标电气综合能源系统扩容规划模型。

具体地，上述步骤S304包括：

步骤S3041，获取预设第二优化目标和约束条件。

其中，预设第二优化目标为目标电气综合能源系统的扩容规划综合成本。

约束条件可以包括电能功率约束、热能功率约束和设备约束。

具体地，电能功率约束通过如下关系式（10）所示的第二关系式确定：

式中：

热能功率约束通过如下关系式（11）所示的第三关系式确定：

式中：

设备约束通过如下关系式（12）所示的第四关系式确定：

式中：

通过电能功率约束、热能功率约束和设备约束能够更好地约束目标阶梯碳交易模型，提高了约束后的目标电气综合能源系统扩容规划模型计算的精确性和有效性。

步骤S3042，基于初始阶梯碳交易模型和绿证交易模型，确定目标函数。

具体地，目标函数通过如下关系式（13）所示的第一关系式确定：

式中：

将初始阶梯碳交易模型和绿证交易模型的输出结果计入目标函数，提高了目标电气综合能源系统扩容规划模型计算的精确性。

步骤S3043，利用预设第二优化目标、约束条件和目标函数对目标阶梯碳交易模型进行处理，并根据处理后的目标阶梯碳交易模型建立目标电气综合能源系统扩容规划模型。

具体地，基于预设第二优化目标，在约束条件的约束下对目标阶梯碳交易模型进行处理直至处理后的目标阶梯碳交易模型满足目标函数时停止，并建立对应的目标电气综合能源系统扩容规划模型。

本发明实施例建立的目标电气综合能源系统扩容规划模型的过程通过预设第二优化目标、约束条件和目标函数对目标阶梯碳交易模型进行约束得到，提高了目标电气综合能源系统扩容规划模型的准确度。

步骤S305，基于系统信息数据集，对目标电气综合能源系统扩容规划模型进行求解，得到目标电气综合能源系统的目标扩容规划方案。详细请参见图1所示实施例的步骤S105，在此不再赘述。

本实施例提供的电气综合能源系统扩容规划方法，提高了目标电气综合能源系统扩容规划模型计算的精确性和有效性，进一步，在基于目标电气综合能源系统扩容规划模型确定目标扩容规划方案下，提高了电气综合能源系统对二氧化碳和可再生能源的消纳能力。

在本实施例中提供了一种电气综合能源系统扩容规划方法，可用于上述的后台终端或服务器，图4是根据本发明实施例的电气综合能源系统扩容规划方法的流程图，如图4所示，该流程包括如下步骤：

步骤S401，在初始电气综合能源系统中扩容电转气设备，得到目标电气综合能源系统。详细请参见图1所示实施例的步骤S101，在此不再赘述。

步骤S402，获取目标电气综合能源系统对应的系统信息数据集、初始阶梯碳交易模型和绿证交易模型。详细请参见图1所示实施例的步骤S102，在此不再赘述。

步骤S403，利用目标精英保护策略遗传算法对初始阶梯碳交易模型进行优化，得到目标阶梯碳交易模型。详细请参见图2所示实施例的步骤S203，在此不再赘述。

步骤S404，对目标阶梯碳交易模型进行处理，并根据处理后的目标阶梯碳交易模型建立目标电气综合能源系统扩容规划模型。详细请参见图3所示实施例的步骤S304，在此不再赘述。

步骤S405，将系统信息数据集输入目标电气综合能源系统扩容规划模型，并利用目标精英保护策略遗传算法对目标电气综合能源系统扩容规划模型进行优化，得到目标电气综合能源系统的目标扩容规划方案。

具体地，利用改进后的目标精英保护策略遗传算法对目标电气综合能源系统扩容规划模型进行二次优化，可以进一步提高目标电气综合能源系统扩容规划模型计算的精确性和有效性。

本发明实施例利用改进的目标精英保护策略遗传算法，提高了算法计算的效率，但同时保持了传统遗传算法的并行性优势，节省了阻抗参数提取的时间，同时精英保护策略的引入改进了传统遗传算法的搜索能力欠缺和全局收敛的缺点；同时，建立改进的目标阶梯碳交易模型的过程中考虑了碳交易和绿证交易，并对交易模型参数进行了优化，提高了电气综合能源系统的优化精确度；进一步，利用改进的目标精英保护策略遗传算法对目标电气综合能源系统扩容规划模型进行优化，进一步提高了目标电气综合能源系统扩容规划模型计算的精确性和有效性。

在一实例中，提供一种基于改进碳—绿证交易机制的电气综合能源系统扩容规划方法，包括：

步骤一：基于传统碳交易模型，利用改进的精英保护策略遗传算法构建改进的阶梯碳交易模型。其中，精英保留算法如图5所示。

步骤二：构建绿证交易模型。

步骤三：以园区扩容规划的综合成本为优化目标，并考虑步骤一和步骤二中提出的碳交易和绿证交易成本，将改进后的碳—绿证交易模型引入综合成本目标函数中，有利于为进行碳—绿证交易的园区提供参考，约束条件主要考虑能量平衡约束和设备约束等约束条件，在此基础上构建扩容P2G的综合能源系统扩容规划模型。

步骤四：收集园区自然资源、设备信息、用户负荷、能源价格等信息，将外部信息输入步骤三构建的优化模型中。并利用步骤一中构建的基于改进的精英保留策略的遗传算法进行本技术的二次优化，即对扩容P2G的综合能源系统规划优化模型进行优化求解，最终获得最优的扩容方案。

进一步，以某工业园区综合能源系统作为仿真对象，园区主要包括光伏发电、风力发电、热电联产、电锅炉设备。该园区风机、光伏CHP和电锅炉设备装机容量为9000kW、3110kW、8430kW和2500kW。

为验证上述改进的碳—绿证交易模型和扩容P2G的综合能源系统规划优化模型的有效性，构建三个场景（场景一、二、三）进行仿真实验，其中，场景一、二、三分别为园区的原始场景且未改进碳—绿证交易模型、扩容P2G且未改进碳—绿证交易模型、扩容P2G且改进碳—绿证交易模型。基于改进的精英策略的遗传算法初始种群大小为200，迭代次数为200，容许误差为1e-100。三个场景的计算结果如下表1所示：

表1、场景一、二、三对应规划结果

从上表1中，可以看出三个场景下，场景三对应的扩容P2G且改进碳—绿证交易模型场景下的总成本最低，且碳—绿证交易成本最低。

进一步，选取场景三进行算法的优化效果分析，如图6所示，为改进前的遗传算法和改进后算法的优化效果对比，可以看出改进后的算法的收敛速度更快，优化效果更好。

进一步，对场景一、二、三进行典型日分析，三个场景下电系统运行情况分别如下表2、3和4所示：

表2、场景一下电系统运行情况

表3、场景二下电系统运行情况

表4、场景三下电系统运行情况

根据上表2至4可以看出，场景一相比于场景二和场景三，供电设备在为园区电负荷和用电设备提供电能后的剩余电量较多，这些电量可以为P2G设备进行电解水提供电能，所以场景二和场景三在加入P2G设备后，园区的弃电量都有所减少。同时，由于场景三P2G设备装机比场景二要多，P2G设备产生的天然气也更多，相比于直接购买天然气来说更加具有经济性，所以在以成本最低为目标进行仿真时，场景三的CHP设备的电出力相比于场景二与场景一更加多。

进一步，三个场景下热系统运行情况分别如下表5、6和7所示：

表5、场景一下热系统运行情况

表6、场景二下热系统运行情况

表7、场景三下热系统运行情况

根据上表2至4可以看出，相比于场景一来说，场景二的CHP设备的热出力略有增多，这是由于扩容P2G设备后，能够产生CHP所需要的天然气，相比于直接购买天然气来说更加具有经济性，但场景二中未对碳—绿证交易成本模型进行改进，因此在经济性的限制下场景二中P2G可扩的容量也少于场景三，所以场景三的CHP设备的热出力要多于场景二和场景一，同时也导致电锅炉设备的出力要少于前两个场景。

综上，通过对三个场景的仿真分析可知，本技术改进的碳—绿证交易模型、基于改进的精英策略的遗传算法和扩容P2G的综合能源系统规划优化模型均具有实用性和有效性。

在本实施例中还提供了一种电气综合能源系统扩容规划装置，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。

本实施例提供一种电气综合能源系统扩容规划装置，如图7所示，包括：

扩容模块701，用于在初始电气综合能源系统中扩容电转气设备，得到目标电气综合能源系统。

获取模块702，用于获取目标电气综合能源系统对应的系统信息数据集、初始阶梯碳交易模型和绿证交易模型。

第一优化模块703，用于利用目标精英保护策略遗传算法对初始阶梯碳交易模型进行优化，得到目标阶梯碳交易模型。

模型处理模块704，用于对目标阶梯碳交易模型进行处理，并根据处理后的目标阶梯碳交易模型建立目标电气综合能源系统扩容规划模型。

模型求解模块705，用于基于系统信息数据集，对目标电气综合能源系统扩容规划模型进行求解，得到目标电气综合能源系统的目标扩容规划方案。

在一些可选的实施方式中，第一优化模块703包括：

第一获取子模块，用于获取初始精英保护策略遗传算法。

改进子模块，用于对初始精英保护策略遗传算法进行改进，得到目标精英保护策略遗传算法。

优化子模块，用于基于预设第一优化目标，利用目标精英保护策略遗传算法对初始阶梯碳交易模型进行优化，得到目标阶梯碳交易模型。

在一些可选的实施方式中，改进子模块包括：

生成单元，用于利用预设分布概率密度函数随机生成初始种群。

第一确定单元，用于基于预设第一优化目标，确定适应度函数。

第二确定单元，用于基于初始种群，经过适应度函数处理，确定目标种群。

改进单元，用于基于目标种群，对初始精英保护策略遗传算法的交叉算子和变异算子进行改进，得到目标精英保护策略遗传算法。

在一些可选的实施方式中，第二确定单元包括：

选择子单元，用于利用锦标赛选择法选择算子。

第一确定子单元，用于利用适应度函数计算种群中每个种群个体的适应度，并基于算子和每个种群个体的适应度，在每个种群个体中确定精英个体。

第二确定子单元，用于基于精英个体确定目标种群。

重复子单元，用于基于目标种群，重复利用适应度函数计算种群中每个种群个体的适应度，并基于算子和每个种群个体的适应度，在每个种群个体中确定精英个体的步骤到基于精英个体确定目标种群的步骤，直至目标种群中精英个体的数量与初始种群中种群个体的数量一致时停止迭代，并输出目标种群。

在一些可选的实施方式中，优化子模块包括：

第一获取单元，用于获取目标电气综合能源系统的历史信息数据集。

第二获取单元，用于基于初始阶梯碳交易模型获取目标电气综合能源系统的碳排放量和碳交易量。

处理单元，用于基于预设第一优化目标，将历史信息数据集、碳排放量和碳交易量输入初始阶梯碳交易模型，经过目标精英保护策略遗传算法处理，得到目标阶梯碳交易模型。

在一些可选的实施方式中，模型处理模块704包括：

第二获取子模块，用于获取预设第二优化目标和约束条件。

确定子模块，用于基于初始阶梯碳交易模型和绿证交易模型，确定目标函数。

处理子模块，用于基于目标阶梯碳交易模型，经过预设第二优化目标、约束条件和目标函数处理，得到目标电气综合能源系统扩容规划模型。

在一些可选的实施方式中，电气综合能源系统扩容规划装置还包括：

第二优化模块，用于将系统信息数据集输入目标电气综合能源系统扩容规划模型，并利用目标精英保护策略遗传算法对目标电气综合能源系统扩容规划模型进行优化，得到目标电气综合能源系统的目标扩容规划方案。

在一些可选的实施方式中，确定子模块包括：

第三确定子单元，用于通过下式的第一关系式确定目标函数：

式中：

在一些可选的实施方式中，电能功率约束通过下式的第二关系式确定：

式中：

在一些可选的实施方式中，热能功率约束通过下式的第三关系式确定：

式中：

在一些可选的实施方式中，设备约束通过下式的第四关系式确定：

式中：

上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。

本实施例中的电气综合能源系统扩容规划装置是以功能单元的形式来呈现，这里的单元是指ASIC（Application Specific Integrated Circuit，专用集成电路）电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。

本发明实施例还提供一种计算机设备，具有上述图7所示的电气综合能源系统扩容规划装置。

请参阅图8，图8是本发明可选实施例提供的一种计算机设备的结构示意图，如图8所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置（诸如，耦合至接口的显示设备）上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作（例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统）。图8中以一个处理器10为例。

处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。

其中，存储器20存储有可由至少一个处理器10执行的指令，以使至少一个处理器10执行实现上述实施例示出的方法。

存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。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。

存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。

该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。

本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。