CN115983492A - 含氢多能源系统运行碳排放优化决策方法、系统及介质 - Google Patents

Abstract

本发明公开了一种含氢多能源系统运行碳排放优化决策方法、系统及介质，包括：获取含氢多能源系统的历史用能消耗数据；利用历史用能消耗数据，采用隐马尔可夫算法，对用能需求数据进行预测；基于预测得到的用能需求数据，建立含氢多能源系统的碳排放决策优化模型；利用通过人工蜂鸟算法和基于VAEA的矢量角选择策略改进过的非支配排序遗传算法求解碳排放决策优化模型，得到含氢多能源系统的最终运行碳排放优化决策。采用本发明实施例能够通过对用能需求数据进行实时动态滚动的预测，将动态数据与静态数据相结合，实现含氢多能源系统的优化运行调度，从而有效实现含氢多能源系统的低碳及可靠运行。

Description

含氢多能源系统运行碳排放优化决策方法、系统及介质

技术领域

本发明涉及能源系统技术领域，尤其涉及一种含氢多能源系统运行碳排放优化决策方法、系统及介质。

背景技术

目前，以煤炭、石油和天然气为主导的能源结构引发了全球范围的能源和环境危机。人类社会主要依靠化石能源的能源消费模式是不可持续的。为了加快清洁能源和非化石能源消费比重，大幅降低二氧化碳排放强度和污染物排放水平，氢能作为零碳和绿色的新型能源受到了广泛关注。

但现有研究中针对含氢能源系统运行展开的碳排放优化并不多，且目前研究多以建筑为对象进行碳排放开环测算，或对能源系统规划或运行某一阶段的设计优化，或对电/冷单一能源需求形式的设备类型进行选取，鲜有利用碳排放数据开展闭环优化研究。运行阶段研究多基于运行数据进行单一能源消耗数据预测或能源调度，少有从系统层面对含有电、冷、热、氢等多种能源形式交互的综合能源系统进行决策优化。针对这一问题开展研究，存在的困难在于用能需求数据随时间产生难以预期的变化，导致很难通过静态机理模式建立普适性强的碳排放优化模型。

发明内容

本发明实施例的目的是提供一种含氢多能源系统运行碳排放优化决策方法、系统及介质，通过隐马尔可夫算法，对用能需求数据进行实时动态滚动预测，进而将动态数据与静态数据相结合，实现含氢多能源系统的优化运行调度，从而有效实现含氢多能源系统的低碳及可靠运行。

为实现上述目的，本发明实施例提供了一种含氢多能源系统运行碳排放优化决策方法，包括：

获取含氢多能源系统的历史用能消耗数据；

利用所述历史用能消耗数据，采用隐马尔可夫算法，对用能需求数据进行预测；

基于预测得到的所述用能需求数据，建立所述含氢多能源系统的碳排放决策优化模型，其中，所述碳排放决策优化模型的子模型包括：室温调节模型和水温调节模型；

利用通过人工蜂鸟算法和基于VAEA的矢量角选择策略改进过的非支配排序遗传算法求解所述碳排放决策优化模型，得到所述含氢多能源系统的最终运行碳排放优化决策。

作为上述方案的改进，所述利用所述历史用能消耗数据，采用隐马尔可夫算法，对用能需求数据进行预测，包括：

采用皮尔逊系数进行相关性分析，得到影响所述历史用能消耗数据的环境特征向量；

假设预测后的用能需求数据为V(t)，对所述历史用能消耗数据进行离散化处理，并使离散化处理过的所述历史用能消耗数据满足P{V(k)＝|V(k_n)＝v_n,...,(k₁)＝₁}＝{V(k)≤v|V(k_n)＝_n}，其中，P代表历史用能消耗数据，v代表k时刻的环境特征向量，k∈(1,n)；

根据离散化处理过的所述历史用能消耗数据，计算所述含氢多能源系统的状态转移概率；

根据所述状态转移概率计算第k步的转移概率矩阵；

基于所述转移概率矩阵，采用隐马尔可夫算法，对t+1时刻的用能需求数据进行预测。

作为上述方案的改进，所述碳排放决策优化模型的目标函数为：

minF＝min(F₁,F₂,F₃)

其中，F₁为含氢多能源系统运行阶段的总碳排放量，F₂为含氢多能源系统的运维费用，F₃为含氢多能源系统的可靠性。

作为上述方案的改进，所述含氢多能源系统运行阶段的总碳排放量为：

其中，

表示k时刻含氢多能源系统的电力排放，

表示k时刻含氢多能源系统的燃煤碳排放，

表示k时刻含氢多能源系统的燃油碳排放，

表示k时刻含氢多能源系统的燃气碳排放；

所述含氢多能源系统的运维费用为：

其中，λ_lep表示当地电力价格；

表示含氢多能源系统在k时刻的年耗电量；λ_bio表示当地生物质燃料价格；

表示含氢多能源系统在k时刻的生物质燃料消耗量，λ_coil表示煤价，

表示含氢多能源系统在k时刻的用煤量，λ_gas表示气价，

代表含氢多能源系统在k时刻的用气量，λ_oil代表燃油价格，

表示含氢多能源系统在k时刻的用油量，λ_hy为氢价，

表示含氢多能源系统在k时刻的买氢量，C_invest表示初始投资费用，σ表示设备危险费占设备购置费的比率；

所述含氢多能源系统的可靠性为：

其中，

N_s表示场景总数；K表示时刻总数；Δk表示时段间隔；

表示场景s下含氢多能源系统在k时段的失负荷功率，

表示k时刻含氢多能源系统电力供应，

表示k时刻建筑及设备等总用电需求。

作为上述方案的改进，所述碳排放决策优化模型的约束条件包括：电平衡约束条件、热平衡约束条件、冷平衡约束条件、标准约束条件、碳减排约束条件和人体热舒适约束条件；

所述电平衡约束条件为：

其中，

代表k时刻含氢多能源系统对建筑供电量，

代表k时刻建筑及设备的总用电需求，

代表k时刻建筑用电需求，ε₁代表预设的电平衡误差常数；

所述热平衡约束条件为：

其中，

代表k时刻含氢多能源系统对建筑供热量，

代表建筑、设备及损耗的总热需求，

代表k时刻建筑用热需求，ε₂代表预设的热平衡误差常数；

所述冷平衡约束条件为：

其中，

代表k时刻含氢多能源系统对建筑供冷量，

代表k时刻建筑、设备及损耗的总冷需求，

代表k时刻建筑用冷需求，ε₃代表预设的冷平衡误差常数；

所述标准约束条件为：

CE_total，new≤60％·CE_{total，预设}

CE_{total，预设}-CE_total，new≥∈A

其中，CE_total，new代表当前计算得到的含氢多能源系统的总碳排放量，CE_{total，预设}代表预设的含氢多能源系统的总碳排放量，∈代表碳排放强度平均降低强度要求，A代表建筑面积；

所述碳减排约束条件为：

CE_cpes-CE_o≤S_ccer

其中，CE_cpes代表含氢多能源系统运行阶段的总碳排放量，CE_o代表预设的碳配额数值，S_ccer代表预设的需要减排量；

所述人体热舒适约束条件包括：

人体在-0.5到0.5舒适区间内的温度约束条件：

其中，μ_PMV代表人体热舒适度，T_k为k时刻的实时温度，T_c为满足人体热舒适需求的舒适温度；

室内温度最大值与人体热舒适度最大值、人体热舒适度最小值内的温度采用人体热反应评价指标PMV进行评价，具体约束条件为：

其中，T_min代表最低温度，T_t代表设定温度，T_max代表最高温度，

代表最低PMV需求，μ_PMV代表实际人体热舒适，

代表最高PMV需求；

满足室内人员热舒适性需求的供热量以及生活热水的约束条件：

其中，

代表k时刻理想状态T温度下供热量H的变化边界，

代表k时刻室内温度，

代表k时刻室内理想温度，

代表室内供热的最低理想温度，

代表室内供热的最高理想温度；

代表k时刻理想状态T温度下供水量W的变化边界，

代表k时刻供能水温，

代表室内供水的最低理想温度，

代表室内供水的最高理想温度。

作为上述方案的改进，所述室温调节模型为：

其中，

代表k+1时刻供热温度，e为常量，

代表k时刻供热温度，R代表含氢多能源系统供能对象的热阻，G代表含氢多能源系统供能对象的热负荷，

代表k时刻系统供热室温调节的输入功率，

代表k时刻室外温度；

所述水温调节模型为：

其中，c代表比热容，ρ代表容量，

代表生活热水k+1时刻温度，μ_W代表生活热水损失系数，

代表生活热水效率，P_W代表生活热水输入功率，

代表k时刻集热器光照强度，V₀代表0时刻太阳能热水罐容量，

表示k时刻容量，

表示生活热水k时刻温度，

表示生活热水k时刻初始温度。

作为上述方案的改进，所述通过人工蜂鸟算法和基于VAEA的矢量角选择策略改进过的非支配排序遗传算法求解所述碳排放决策优化模型，包括以下三个阶段：

第一阶段人工蜂鸟算法包括：

步骤1.1：在搜索空间中选取第t种蜂鸟在种群中的位置，且满足预设的变量上下界要求；

步骤1.2：蜂鸟不断发现更好的食物从而定位其来源，给出更好适应值；

步骤1.3：定义搜索过程中最佳个体为领土鸟，其余为跟随鸟，则当领土鸟不存在接近鸟时，采用启发式算法得到t次迭代后j个跟随鸟的位置；

步骤1.4：领土鸟发现j跟随鸟接近自己时发出警告，跟随鸟收到警告后飞往周围地区，若选择更好则j个跟随鸟向其飞行，反之远离；

步骤1.5：控制搜索边界，迭代直至收敛，得到所述含氢多能源系统的第一初始运行策略；

第二阶段基于VAEA的最大向量角优化策略包括：

步骤2.1：定义一组参考点，随机产生一个包含N个个体的初始种群为X_i(i＝1，2，...，N)，对总体N的大小、最大值最大迭代次数、变异率和交叉率进行初始化处理；其中，P_i是第i代种群，Q_i是P_i产生的繁殖种群，从群体R_i(P_i∪Q_i)中选取N个个体作为下一代初始种群；

步骤2.2：使用非主导排序，将群体R_i划分为若干不同的非主导层，并记为S_i，并在内部和外部生成均匀分布的参考点；

步骤2.3：采用VaEA简单规范化方法确定理想点和最低点，按当前总体中的最小和最大目标值，规范化第j代的目标值；

步骤2.4：利用选择算子生成后代群体Q_t，改进交叉运算符和变体运算符；

步骤2.5：gen＝gen+1，其中，gen代表生成后代群体寻优的次数；

步骤2.6：结合亲本种群P_t和后代种群Q_t；

步骤2.7：对组合种群进行快速非支配性排序，获得非支配层L₁，L₂，……L_l；

步骤2.8：假设F_l为最后非支配层，其种群规模S_i第一次大于N，使用参考点找到F_l中剩余的P_i+1个体最佳数量，并加入下一代种群P_i+1，当判断到St等于N时，进入步骤2.10，当判断到St不等于N时，进入步骤2.9；

步骤2.9：规范参考中所有个体客观值点，以便两个集合在一个范围内；关联St中每个个体具有的参考点，并从l层为St获得剩余个体；

步骤2.10：在每次迭代中首先选择具有VaEA最小生境数量的参考点j*，当判断到数量等于0时，从Ij*中选择与参考线垂直距离最小的个体；当数量大于0时，从Ij*中随机选择一个个体；对于大于0时随机选择个体进入P_t+1的随机过程，采用基于VAEA的矢量角选择策略进行优化，将F_l中具有最大矢量角和最小矢量角的个体记为P_t+1；

步骤2.11：当生成后代群体寻优的次数小于等于最大次数阈值时，返回步骤2.4；否则，停止运行，St成为新种群，得到所述含氢多能源系统的第二初始运行策略；

第三阶段改进过的非支配排序遗传算法：

对所述第一初始运行策略和所述第二初始运行策略进行加权，得到所述含氢多能源系统的最终运行碳排放优化决策。

作为上述方案的改进，所述含氢多能源系统的运行碳排放优化决策包括：空气源热泵输入功率决策、生物质能源输入质量决策、电锅炉输入功率决策、天然气质量输入决策、燃煤质量输入决策、燃油体积输入决策、地源热泵输入功率决策、风力发电输入功率决策、燃料电池输入功率决策、电解槽输入功率决策、冷机输入功率决策、市场买氢决策。

为实现上述目的，本发明实施例提供了一种含氢多能源系统运行碳排放优化决策系统，包括控制器，所述控制器被配置：

获取含氢多能源系统的历史用能消耗数据；

利用所述历史用能消耗数据，采用隐马尔可夫算法，对用能需求数据进行预测；

基于预测得到的所述用能需求数据，建立所述含氢多能源系统的碳排放决策优化模型，其中，所述碳排放决策优化模型的子模型包括：室温调节模型和水温调节模型；

利用通过人工蜂鸟算法和基于VAEA的矢量角选择策略改进过的非支配排序遗传算法求解所述碳排放决策优化模型，得到所述含氢多能源系统的最终运行碳排放优化决策。

为实现上述目的，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述所述的含氢多能源系统运行碳排放优化决策方法。

与现有技术相比，本发明实施例提供的一种含氢多能源系统运行碳排放优化决策方法、系统及介质，通过获取含氢多能源系统的历史用能消耗数据；利用所述历史用能消耗数据，采用隐马尔可夫算法，对用能需求数据进行预测；基于预测得到的所述用能需求数据，建立所述含氢多能源系统的碳排放决策优化模型；利用通过人工蜂鸟算法和基于VAEA的矢量角选择策略改进过的非支配排序遗传算法求解所述碳排放决策优化模型，得到所述含氢多能源系统的最终运行碳排放优化决策，本发明实施例采用动态数据与静态数据相结合的方式，对区域内的煤炭、石油、天然气和电力等能源资源进行整合，从而实现含氢多能源系统的优化运行以及协同管理，能够满足实时用能需求，并有效地提升能源的利用效率。本发明填补了该领域技术空白，与普通开环碳测算模型相比，更有利于能源系统的动态节能优化，并考虑室温调节以及水温调节，进一步将人员在室内的用能舒适度作为约束条件，满足工程实际应用需求，极大程度地便利了用能调度及能源枢纽决策。

附图说明

图1是本发明实施例提供的一种含氢多能源系统运行碳排放优化决策方法的流程图。

具体实施方式

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，所描述的实施例仅仅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，本领域普通技术人员在没有作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。

参见图1，图1是本发明实施例提供的一种含氢多能源系统运行碳排放优化决策方法的流程图，所述含氢多能源系统运行碳排放优化决策方法，包括以下步骤：

S1、获取含氢多能源系统的历史用能消耗数据；

S2、利用所述历史用能消耗数据，采用隐马尔可夫算法，对用能需求数据进行预测；

S3、基于预测得到的所述用能需求数据，建立所述含氢多能源系统的碳排放决策优化模型，其中，所述碳排放决策优化模型的子模型包括：室温调节模型和水温调节模型；

S5、利用通过人工蜂鸟算法和基于VAEA的矢量角选择策略改进过的非支配排序遗传算法求解所述碳排放决策优化模型，得到所述含氢多能源系统的最终运行碳排放优化决策。

具体地，步骤S2所述利用所述历史用能消耗数据，采用隐马尔可夫算法，对用能需求数据进行预测，包括：

采用皮尔逊系数进行相关性分析，得到影响所述历史用能消耗数据的环境特征向量；其中，所述环境特征向量包括室外环境特征向量和室内环境特征向量，室外环境特征向量包括室外温度、室外湿度、太阳辐射强度、风速、风向、分时电价和买氢价格，室内环境特征向量包括电需求、热需求和冷需求，人流量、工作日和季节；

假设预测后的用能需求数据为V(t)，对所述历史用能消耗数据进行离散化处理，并使离散化处理过的所述历史用能消耗数据满足P{V(k)＝v|V(k_n)＝v_n，...，V(k₁)＝v₁}＝P{V(k)≤v|V(k_n)＝v_n}，其中，P代表历史用能消耗数据，v代表k时刻的环境特征向量，k∈(1，n)；

根据离散化处理过的所述历史用能消耗数据，计算所述含氢多能源系统的状态转移概率；

根据所述状态转移概率计算第k步的转移概率矩阵；

基于所述转移概率矩阵，采用隐马尔可夫算法，对k+1时刻的用能需求数据进行预测。

可以理解的是，目前，研究人员采用数据驱动或仿真建模方法生成建筑用能需求。训练模式有限，分类错误率较高，对操作人员要求较高，且处理大维数据存在困难。因此，本案基于实际采集得到历史用能消耗数据{P_i，M_u，T_i，G_i，Q_i，V_i，I_i}，包括与输入功率相关的空气源热泵输入功率、电锅炉输入功率、地源热泵输入功率、风力发电输入功率、燃料电池输入功率、电解槽输入功率、冷机输入功率，与输入质量相关的生物质能源输入质量、输入燃煤质量、市场买氢量，建筑温度，建筑热需求，建筑冷需求，与输入体积相关的输入天然气质量、输入燃油体积，光照强度，采用隐马尔可夫算法，对用能需求数据进行实时动态预测。

在一具体实施例中，首先，提取内外在主要特征。采用皮尔逊系数进行相关性分析，例如，根据温度、太阳辐射、用能需求等变量间的相关性强弱排序，得到影响所述历史用能消耗数据的环境特征向量。当x和y的相关性越强，Pearson值越大，当x和y相互独立时，Pearson趋于0，当两个变量之间的相关性越强时，Pearson接近1，将Pearson大于等于0.5的特征作为环境特征向量进行提取，记为v₁，...，v_n。本发明实施例，在系统运行阶段，对外部及内部主要特征进行分析，提取能源气候适宜性、人流量、温度、设备效率等环境特征向量。

接着，对所述历史用能消耗数据进行离散化处理。由于系统的复杂性，正态分布不能准确地模拟观测值的概率分布。因此研究对传感器采集得到数据进行离散化处理，数据采集方法为每小时一次，然后使离散化处理过的所述历史用能消耗数据满足P{V(k)＝v|V(k_n)＝v_n，...，V(k₁)＝v₁}＝P{V(k)≤v|V(k_n)＝v_n}：

给定马尔可夫随机过程当前状态，历史状态不影响未来状态，故假设建筑能源需求V(t)，时间t∈T，S是状态空间，对于任意k1<k2...<kt，任意变量系统运行室外温度、人流量、太阳辐射等提取的直接或间接影响机理因素v1，v2，...，vn在v∈S的集合中是一个随机过程，表示为V(k1)＝v1，...，V(kn)＝vn，条件分布函数只与V(kn)＝vn有关，与V(kn)＝v1，...，V(kn-1)＝kn-1无关。即满足：

F(v，t|v_n，v_n-1，...，v₂，v₁，k_n，k_n-1，...，k₂，k₁)＝F(v，t|v_n，t_n)

上式可表现为，

P{V(k)≤v|V(k_n)＝v_n，...，V(k₁)＝v₁}＝P{V(k)≤v|V(k_n)＝v_n}

建筑能源系统负荷V(k)作为离散随机变量满足：

P{V(k)＝v|V(k_n)＝v_n，...，V(k₁)＝v₁}＝P{V(k)≤v|V(k_n)＝v_n}

再接着根据所述状态转移概率计算第k步的转移概率矩阵：

假设建筑能源系统在t时刻的负荷状态由Ei趋向于Ej的次数能够被记为

i与j的最大值为n，设从开始的状态出现转移的总次数为

由此可以计算出建筑负荷状态转移的概率有：

进一步地，基于上式能够进一步对马尔科夫第k步的转移概率矩阵进行计算，即有：

上式中，

处于[0，1]，

最后，基于所述转移概率矩阵，采用隐马尔可夫算法，对t+1时刻的用能需求数据进行预测：

假设能源系统负荷t时刻处于Ei状态，假设负荷转移概率矩阵P中的第k行能够满足公式

即认为建筑负荷在t+1时刻由状态Ei趋向于Ej的概率比较高，即可确定预测的波动区间，可以通过[Ei，Ej]进一步得到建筑负荷：

从而得到t+1时刻的建筑能源系统负荷，依时间推进即可实现建筑用能需求的实时动态滚动预测。

具体地，所述碳排放决策优化模型的目标函数为：

min F＝min(F₁，F₂，F₃)

其中，F₁为含氢多能源系统运行阶段的总碳排放量，F₂为含氢多能源系统的运维费用，F₃为含氢多能源系统的可靠性。

可以理解的是，本发明实施例在得到建筑动态能源需求的基础上，采用信息物理融合的思想，从经济性、碳排放、节能性角度建立含氢多能源系统的碳排放决策优化模型的目标函数。

具体地，所述含氢多能源系统运行阶段的总碳排放量为：

其中，

表示k时刻含氢多能源系统的电力排放，

表示k时刻含氢多能源系统的燃煤碳排放，

表示k时刻含氢多能源系统的燃油碳排放，

表示k时刻含氢多能源系统的燃气碳排放；

所述含氢多能源系统的运维费用为：

其中，λ_lep表示当地电力价格；

表示含氢多能源系统在k时刻的年耗电量；λ_bio表示当地生物质燃料价格；

表示含氢多能源系统在k时刻的生物质燃料消耗量，λ_coil表示煤价，

表示含氢多能源系统在k时刻的用煤量，λ_gas表示气价，

代表含氢多能源系统在k时刻的用气量，λ_oil代表燃油价格，

表示含氢多能源系统在k时刻的用油量，λ_hy为氢价，

表示含氢多能源系统在k时刻的买氢量，C_invest表示初始投资费用，σ表示设备危险费占设备购置费的比率；

所述含氢多能源系统的可靠性为：

其中，

N_s表示场景总数；K表示时刻总数；Δk表示时段间隔；

表示场景s下含氢多能源系统在k时段的失负荷功率，

表示k时刻含氢多能源系统电力供应，

表示k时刻建筑及设备等总用电需求。

本发明实施例从系统可靠性角度主要考虑安全性，即采用电量不足期望(Expected energy not supplied，即EENS)进行评价，EENS表示在一段时间内，由于供电不足引起用户停电，所造成电量损失的平均值。

在一可选实施例中，所述碳排放决策优化模型的约束条件包括：电平衡约束条件、热平衡约束条件、冷平衡约束条件、标准约束条件、碳减排约束条件和人体热舒适约束条件；

所述电平衡约束条件为：

其中，

代表k时刻含氢多能源系统对建筑供电量，

代表k时刻建筑及设备的总用电需求，

代表k时刻建筑用电需求，ε₁代表预设的电平衡误差常数；可选地，ε₁＝1％；

所述热平衡约束条件为：

其中，

代表k时刻含氢多能源系统对建筑供热量，

代表建筑、设备及损耗的总热需求，

代表k时刻建筑用热需求，ε₂代表预设的热平衡误差常数；可选地，ε₂＝1％；

所述冷平衡约束条件为：

其中，

代表k时刻含氢多能源系统对建筑供冷量，

代表k时刻建筑、设备及损耗的总冷需求，

代表k时刻建筑用冷需求，ε₃代表预设的冷平衡误差常数；可选地，ε₃＝1％；

所述标准约束条件为：

CE_total，new≤60％·CE_{total，预设}

CE_{total，预设}-CE_total，new≥∈A

其中，CE_total，new代表当前计算得到的含氢多能源系统的总碳排放量，CE_{total，预设}代表预设的含氢多能源系统的总碳排放量，∈代表碳排放强度平均降低强度要求，A代表建筑面积；可选地，∈＝10.5kg/m²；

所述碳减排约束条件为：

CE_cpes-CE_o≤S_ccer

其中，CE_cpes代表含氢多能源系统运行阶段的总碳排放量，CE_o代表预设的碳配额数值，S_ccer代表预设的需要减排量；

所述人体热舒适约束条件包括：

人体在-0.5到0.5舒适区间内的温度约束条件：

其中，μ_PMV代表人体热舒适度，T_k为k时刻的实时温度，T_c为满足人体热舒适需求的舒适温度；

室内温度最大值与人体热舒适度最大值、人体热舒适度最小值内的温度采用人体热反应评价指标PMV进行评价，具体约束条件为：

其中，T_min代表最低温度，T_t代表设定温度，T_max代表最高温度，

代表最低PMV需求，μ_PMV代表实际人体热舒适，

代表最高PMV需求；

可以理解的是，PMV(Predicted Mean Vote)指的是人体的热舒适感知情况，一般情况下采用ISO7730(Ergonomics of the thermal environment-Analyticaldetermination and interpretation of thermal comfort using calculation of thePMV and PPD indices and local thermal comfort criteria)推荐的指标，将

定义为-0.5，将

定义为0.5。

满足室内人员热舒适性需求的供热量以及生活热水的约束条件：

其中，

代表k时刻理想状态T温度下供热量H的变化边界，

代表k时刻室内温度，

代表k时刻室内理想温度，

代表室内供热的最低理想温度，

代表室内供热的最高理想温度；

代表k时刻理想状态T温度下供水量W的变化边界，

代表k时刻供能水温，

代表室内供水的最低理想温度，

代表室内供水的最高理想温度；其中，

和

的范围约束均为[0，1]。可以理解的是，供水量W指的是生活热水的供水量。

在一可选实施例中，所述碳排放决策优化模型包括：室温调节模型和水温调节模型；

所述室温调节模型为：

其中，

代表k+1时刻供热温度，e为常量，

代表k时刻供热温度，R代表含氢多能源系统供能对象的热阻，G代表含氢多能源系统供能对象的热负荷，

代表k时刻系统供热室温调节的输入功率，

代表k时刻室外温度；

所述水温调节模型为：

其中，c代表比热容，ρ代表容量，

代表生活热水k+1时刻温度，μ_W代表生活热水损失系数，

代表生活热水效率，P_W代表生活热水输入功率，

代表k时刻集热器光照强度，V₀代表0时刻太阳能热水罐容量，

表示k时刻容量，

表示生活热水k时刻温度，

表示生活热水k时刻初始温度。

具体地，所述通过人工蜂鸟算法和基于VAEA的矢量角选择策略改进过的非支配排序遗传算法求解所述碳排放决策优化模型，包括以下三个阶段：

第一阶段人工蜂鸟算法(AHA)包括：

步骤1.1：初始化，在搜索空间中选取第t种蜂鸟在种群中的位置，且满足预设的变量上下界要求；

步骤1.2：自我搜索，蜂鸟不断发现更好的食物从而定位其来源，给出更好适应值；

步骤1.3：定义搜索过程中最佳个体为领土鸟，其余为跟随鸟，则当领土鸟不存在接近鸟时，采用启发式算法得到t次迭代后j个跟随鸟的位置；

步骤1.4：领土鸟发现j跟随鸟接近自己时发出警告，跟随鸟收到警告后飞往周围地区，若选择更好则j个跟随鸟向其飞行，反之远离；

步骤1.5：控制搜索边界，迭代直至收敛，得到所述含氢多能源系统的第一初始运行策略；

第二阶段基于VAEA的最大向量角优化策略包括：

步骤2.1：定义一组参考点，随机产生一个包含N个个体的初始种群为X_i(i＝1，2，...，N)，对总体N的大小、最大值最大迭代次数、变异率和交叉率进行初始化处理；其中，P_i是第i代种群，Q_i是P_i产生的繁殖种群，从群体R_i(P_i∪Q_i)中选取N个个体作为下一代初始种群；

步骤2.2：使用非主导排序，将群体R_i划分为若干不同的非主导层，并记为S_i，并在内部和外部生成均匀分布的参考点；

步骤2.3：采用VaEA简单规范化方法确定理想点和最低点，按当前总体中的最小和最大目标值，规范化第j代的目标值；

步骤2.4：利用选择算子生成后代群体Q_t，改进交叉运算符和变体运算符；

步骤2.5：gen＝gen+1，其中，gen代表生成后代群体寻优的次数；

步骤2.6：结合亲本种群P_t和后代种群Q_t；

步骤2.7：对组合种群进行快速非支配性排序，获得非支配层L₁，L₂，……L_l；

步骤2.8：假设F_l为最后非支配层，其种群规模S_i第一次大于N，使用参考点找到F_l中剩余的P_i+1个体最佳数量，并加入下一代种群P_i+1，当判断到St等于N时，进入步骤2.10，当判断到St不等于N时，进入步骤2.9；

步骤2.9：规范参考中所有个体客观值点，以便两个集合在一个范围内；关联St中每个个体具有的参考点，并从l层为St获得剩余个体；

步骤2.10：在每次迭代中首先选择具有VaEA最小生境数量的参考点j*，当判断到数量等于0时，从Ij*中选择与参考线垂直距离最小的个体；当数量大于0时，从Ij*中随机选择一个个体；对于大于0时随机选择个体进入P_t+1的随机过程，采用基于VAEA的矢量角选择策略进行优化，将F_l中具有最大矢量角和最小矢量角的个体记为P_t+1；

步骤2.11：当生成后代群体寻优的次数小于等于最大次数阈值时，返回步骤2.4；否则，停止运行，St成为新种群，得到所述含氢多能源系统的第二初始运行策略；

第三阶段改进过的非支配排序遗传算法：

对所述第一初始运行策略和所述第二初始运行策略进行加权，得到所述含氢多能源系统的最终运行碳排放优化决策。

在本发明实施例中，采用人工蜂鸟算法和基于VAEA的矢量角选择策略优化的非支配排序遗传算法对含氢多能源系统进行求解。VaEA采用最大矢量角度优先策略，以改善搜索进化种群方向，对于标准化解空间，首先应计算每个个体间的最小矢量角和当前解，然后基于最大适量角度优先原理，从所有最小矢量角度中选择最大角度创建下一代以优化搜索方向，矢量角为0的个体被视为已包含在搜索方向中；NSGA-III基于参考点选择操作，并使用分布较好的参考点以保持多样性，最初具有两个随机选择过程，一是随机选择父级复制，另一种是在子代保留的过程中，当子代数大于0时，下一进入群体的个体将被随机选择，基于这两个随机选择过程，引入了VaEA基于矢量角度的选择策略，并结合基于参考点的选择策略，可以有效改善选择过程。以上算法详细流程为：

初始化：定义一组参考点，随机产生一个包含N个个体的初始种群为X_i(i＝1,2,...,N)，作为决策变量其初值在运行范围内。P_i是第i代种群，Q_i是P_i产生的繁殖种群。从群体R_i(P_i∪Q_i)中选取N个个体作为下一代初始种群；输入含氢多能源系统的运行优化算法参数，包括总体N的大小、最大值最大迭代次数、变异率、交叉率等；

繁殖种群：使用非主导排序划分R_i为若干不同的非主导层(F₁,F₂,……)，并记为S_i；第(i+1)代表示为P_i+1；在内部和外部生成均匀分布的参考点；

归一化：确定编码和解码规则，初始化总体P_t，设置交互计数器的初始值it＝0；应用VaEA简单规范化方法确定理想点和最低点、按当前总体中的最小和最大目标值，规范化第j代目标的计算公式为：

其中，

代表理想点的值，

代表最差点的值，且M代表目标个数。

利用选择算子生成后代群体Q_t，改进交叉运算符和变体运算符；

新生成为生成加一，即：Gen＝Gen+1；

结合亲本种群P_t和后代种群Q_t，新种群大小为2N；

非支配排序：对组合种群进行快速非支配性排序，获得非支配层F₁，F₂，……F_l；

将F_l个体放入逐层放入新种群St，直到所有个体都放在l层后St的大小不小于N。假设F_l为最后非支配层，其种群规模S_i第一次大于N，使用参考点找到F_l中剩余的P_i+1个体最佳数量，并加入下一代种群P_i+1。即如果St＝N，则完成新种群选取；否则规范参考中所有个体客观值点，以便两个集合在一个范围内，关联St中每个个体具有参考点，并从l层为St获得剩余个体。

新种群选取：VaEA保留过程的目的是为下一代保留满足F_l中某些条件的个体，并将它们整合到种群P_t+1中，直到种群数量达到n。ij表示与参考点j关联的一组个体。NSGA-III的操作过程是在每次迭代中首先选择具有VaEA最小生境数量的参考点j*。如果数量等于零，则从Ij*中选择与参考线垂直距离最小的个体；如果数量大于0，那么将从Ij*中随机选择一个个体。对于大于0时随机选择个体进入P_t+1的随机过程，采用矢量角选择策略进行优化，将F_l中具有最大最小矢量角的个体记为P_t+1。

进一步地，如果生成后代群体寻优的次数小于或等于最大次数阈值，则返回步骤新生成为生成加一；否则，停止运行St成为新种群。即在解空间中解集X不受任何解支配，即为选取的最优解；整个含氢多能源系统的运行优化是一个实时跟踪，不断更新，不断校正的动态过程。

最后对第一初始运行策略和第二初始运行策略进行加权，得到最佳目标点为F_min[f(x),f(y),f(z)],根据最佳目标点F_min[f(x),f(y),f(z)]，得到所述含氢多能源系统的最终运行碳排放优化决策。

具体地，所述含氢多能源系统的运行碳排放优化决策包括：空气源热泵输入功率决策、生物质能源输入质量决策、电锅炉输入功率决策、天然气质量输入决策、燃煤质量输入决策、燃油体积输入决策、地源热泵输入功率决策、风力发电输入功率决策、燃料电池输入功率决策、电解槽输入功率决策、冷机输入功率决策、市场买氢决策。

所述含氢多能源系统的运行碳排放优化决策表示为：

其中，

表示空气源热泵输入功率决策，

表示生物质能源输入质量决策，

表示电锅炉输入功率决策，

表示天然气质量输入决策，

表示燃煤质量输入决策，

表示燃油体积输入决策，

表示地源热泵输入功率决策，

表示风力发电输入功率决策，

表示燃料电池输入功率决策，

表示电解槽输入功率决策，

表示冷机输入功率决策，

表示市场买氢决策。

本发明实施例所提供的一种含氢多能源系统运行碳排放优化决策方法，通过获取含氢多能源系统的历史用能消耗数据；利用所述历史用能消耗数据，采用隐马尔可夫算法，对用能需求数据进行预测；基于预测得到的所述用能需求数据，建立所述含氢多能源系统的碳排放决策优化模型；利用通过人工蜂鸟算法和基于VAEA的矢量角选择策略改进过的非支配排序遗传算法求解所述碳排放决策优化模型，得到所述含氢多能源系统的最终运行碳排放优化决策，本发明实施例采用动态数据与静态数据相结合的方式，对区域内的煤炭、石油、天然气和电力等能源资源进行整合，从而实现含氢多能源系统的优化运行以及协同管理，能够满足实时用能需求，并有效地提升能源的利用效率。本发明填补了该领域技术空白，与普通开环碳测算模型相比，更有利于能源系统的动态节能优化，并考虑室温调节以及水温调节，进一步将人员在室内的用能舒适度作为约束条件，满足工程实际应用需求，极大程度地便利了用能调度及能源枢纽决策。

本发明实施例提供一种含氢多能源系统运行碳排放优化决策系统，包括控制器，所述控制器被配置：

获取含氢多能源系统的历史用能消耗数据；

利用所述历史用能消耗数据，采用隐马尔可夫算法，对用能需求数据进行预测；

基于预测得到的所述用能需求数据，建立所述含氢多能源系统的碳排放决策优化模型，其中，所述碳排放决策优化模型的子模型包括：室温调节模型和水温调节模型；

利用通过人工蜂鸟算法和基于VAEA的矢量角选择策略改进过的非支配排序遗传算法求解所述碳排放决策优化模型，得到所述含氢多能源系统的最终运行碳排放优化决策。

优选地，所述控制器还被配置为：

采用皮尔逊系数进行相关性分析，得到影响所述历史用能消耗数据的环境特征向量；

假设预测后的用能需求数据为V(t)，对所述历史用能消耗数据进行离散化处理，并使离散化处理过的所述历史用能消耗数据满足P{V(k)＝v|V(k_n)＝v_n，...，V(k₁)＝v₁}＝P{V(k)≤v|V(k_n)＝v_n}，其中，P代表历史用能消耗数据，v代表k时刻的环境特征向量，k∈(1，n)；

根据离散化处理过的所述历史用能消耗数据，计算所述含氢多能源系统的状态转移概率；

根据所述状态转移概率计算第k步的转移概率矩阵；

基于所述转移概率矩阵，采用隐马尔可夫算法，对t+1时刻的用能需求数据进行预测。

优选地，所述碳排放决策优化模型的目标函数为：

min F＝min(F₁，F₂，F₃)

其中，F₁为含氢多能源系统运行阶段的总碳排放量，F₂为含氢多能源系统的运维费用，F₃为含氢多能源系统的可靠性。

优选地，所述含氢多能源系统运行阶段的总碳排放量为：

其中，

表示k时刻含氢多能源系统的电力排放，

表示k时刻含氢多能源系统的燃煤碳排放，

表示k时刻含氢多能源系统的燃油碳排放，

表示k时刻含氢多能源系统的燃气碳排放；

所述含氢多能源系统的运维费用为：

其中，λ_lep表示当地电力价格；

表示含氢多能源系统在k时刻的年耗电量；λ_bio表示当地生物质燃料价格；

表示含氢多能源系统在k时刻的生物质燃料消耗量，λ_coil表示煤价，

表示含氢多能源系统在k时刻的用煤量，λ_gas表示气价，

代表含氢多能源系统在k时刻的用气量，λ_oil代表燃油价格，

表示含氢多能源系统在k时刻的用油量，λ_hy为氢价，

表示含氢多能源系统在k时刻的买氢量，C_invest表示初始投资费用，σ表示设备危险费占设备购置费的比率；

所述含氢多能源系统的可靠性为：

其中，

N_s表示场景总数；K表示时刻总数；Δk表示时段间隔；

表示场景s下含氢多能源系统在k时段的失负荷功率，

表示k时刻含氢多能源系统电力供应，

表示k时刻建筑及设备等总用电需求。

优选地，所述碳排放决策优化模型的约束条件包括：电平衡约束条件、热平衡约束条件、冷平衡约束条件、标准约束条件、碳减排约束条件和人体热舒适约束条件；

所述电平衡约束条件为：

其中，

代表k时刻含氢多能源系统对建筑供电量，

代表k时刻建筑及设备的总用电需求，

代表k时刻建筑用电需求，ε₁代表预设的电平衡误差常数；

所述热平衡约束条件为：

其中，

代表k时刻含氢多能源系统对建筑供热量，

代表建筑、设备及损耗的总热需求，

代表k时刻建筑用热需求，ε₂代表预设的热平衡误差常数；

所述冷平衡约束条件为：

其中，

代表k时刻含氢多能源系统对建筑供冷量，

代表k时刻建筑、设备及损耗的总冷需求，

代表k时刻建筑用冷需求，ε₃代表预设的冷平衡误差常数；

所述标准约束条件为：

CE_total，new≤60％·CE_{total，预设}

CE_{total，预设}-CE_total，new≥∈A

其中，CE_total，new代表当前计算得到的含氢多能源系统的总碳排放量，CE_{total，预设}代表预设的含氢多能源系统的总碳排放量，∈代表碳排放强度平均降低强度要求，A代表建筑面积；

所述碳减排约束条件为：

CE_cpes-CE_o≤S_ccer

其中，CE_cpes代表含氢多能源系统运行阶段的总碳排放量，CE_o代表预设的碳配额数值，S_ccer代表预设的需要减排量；

所述人体热舒适约束条件包括：

人体在-0.5到0.5舒适区间内的温度约束条件：

其中，μ_PMV代表人体热舒适度，T_k为k时刻的实时温度，T_c为满足人体热舒适需求的舒适温度；

室内温度最大值与人体热舒适度最大值、人体热舒适度最小值内的温度采用人体热反应评价指标PMV进行评价，具体约束条件为：

其中，T_min代表最低温度，T_t代表设定温度，T_max代表最高温度，

代表最低PMV需求，μ_PMV代表实际人体热舒适，

代表最高PMV需求；

满足室内人员热舒适性需求的供热量以及生活热水的约束条件：

其中，

代表k时刻理想状态T温度下供热量H的变化边界，

代表k时刻室内温度，

代表k时刻室内理想温度，

代表室内供热的最低理想温度，

代表室内供热的最高理想温度；

代表k时刻理想状态T温度下供水量W的变化边界，

代表k时刻供能水温，

代表室内供水的最低理想温度，

代表室内供水的最高理想温度，两者范围约束为[0，1]。

优选地，所述室温调节模型为：

其中，

代表k+1时刻供热温度，e为常量，

代表k时刻供热温度，R代表含氢多能源系统供能对象的热阻，G代表含氢多能源系统供能对象的热负荷，

代表k时刻系统供热室温调节的输入功率，

代表k时刻室外温度；

所述水温调节模型为：

其中，c代表比热容，ρ代表容量，

代表生活热水k+1时刻温度，μ_W代表生活热水损失系数，

代表生活热水效率，P_W代表生活热水输入功率，

代表k时刻集热器光照强度，V₀代表0时刻太阳能热水罐容量，

表示k时刻容量，

表示生活热水k时刻温度，

表示生活热水k时刻初始温度。

优选地，所述通过人工蜂鸟算法和基于VAEA的矢量角选择策略改进过的非支配排序遗传算法求解所述碳排放决策优化模型，包括以下三个阶段：

第一阶段人工蜂鸟算法包括：

步骤1.1：在搜索空间中选取第t种蜂鸟在种群中的位置，且满足预设的变量上下界要求；

步骤1.2：蜂鸟不断发现更好的食物从而定位其来源，给出更好适应值；

步骤1.3：定义搜索过程中最佳个体为领土鸟，其余为跟随鸟，则当领土鸟不存在接近鸟时，采用启发式算法得到t次迭代后j个跟随鸟的位置；

步骤1.4：领土鸟发现j跟随鸟接近自己时发出警告，跟随鸟收到警告后飞往周围地区，若选择更好则j个跟随鸟向其飞行，反之远离；

步骤1.5：控制搜索边界，迭代直至收敛，得到所述含氢多能源系统的第一初始运行策略；

第二阶段基于VAEA的最大向量角优化策略包括：

步骤2.1：定义一组参考点，随机产生一个包含N个个体的初始种群为X_i(i＝1,2,...,N)，对总体N的大小、最大值最大迭代次数、变异率和交叉率进行初始化处理；其中，P_i是第i代种群，Q_i是P_i产生的繁殖种群，从群体R_i(P_i∪Q_i)中选取N个个体作为下一代初始种群；

步骤2.2：使用非主导排序，将群体R_i划分为若干不同的非主导层，并记为S_i，并在内部和外部生成均匀分布的参考点；

步骤2.3：采用VaEA简单规范化方法确定理想点和最低点，按当前总体中的最小和最大目标值，规范化第j代的目标值；

步骤2.4：利用选择算子生成后代群体Q_t，改进交叉运算符和变体运算符；

步骤2.5：gen＝gen+1，其中，gen代表生成后代群体寻优的次数；

步骤2.6：结合亲本种群P_t和后代种群Q_t；

步骤2.7：对组合种群进行快速非支配性排序，获得非支配层L₁，L₂，……L_l；

步骤2.8：假设F_l为最后非支配层，其种群规模S_i第一次大于N，使用参考点找到F_l中剩余的P_i+1个体最佳数量，并加入下一代种群P_i+1，当判断到St等于N时，进入步骤2.10，当判断到St不等于N时，进入步骤2.9；

步骤2.9：规范参考中所有个体客观值点，以便两个集合在一个范围内；关联St中每个个体具有的参考点，并从l层为St获得剩余个体；

步骤2.10：在每次迭代中首先选择具有VaEA最小生境数量的参考点j*，当判断到数量等于0时，从Ij*中选择与参考线垂直距离最小的个体；当数量大于0时，从Ij*中随机选择一个个体；对于大于0时随机选择个体进入P_t+1的随机过程，采用基于VAEA的矢量角选择策略进行优化，将F_l中具有最大矢量角和最小矢量角的个体记为P_t+1；

步骤2.11：当生成后代群体寻优的次数小于等于最大次数阈值时，返回步骤2.4；否则，停止运行，St成为新种群，得到所述含氢多能源系统的第二初始运行策略；

第三阶段改进过的非支配排序遗传算法：

对所述第一初始运行策略和所述第二初始运行策略进行加权，得到所述含氢多能源系统的最终运行碳排放优化决策。

优选地，所述含氢多能源系统的运行碳排放优化决策包括：空气源热泵输入功率决策、生物质能源输入质量决策、电锅炉输入功率决策、天然气质量输入决策、燃煤质量输入决策、燃油体积输入决策、地源热泵输入功率决策、风力发电输入功率决策、燃料电池输入功率决策、电解槽输入功率决策、冷机输入功率决策、市场买氢决策。

本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如上述实施例所述的含氢多能源系统运行碳排放优化决策方法。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种含氢多能源系统运行碳排放优化决策方法，其特征在于，包括：

获取含氢多能源系统的历史用能消耗数据；

利用所述历史用能消耗数据，采用隐马尔可夫算法，对用能需求数据进行预测；

基于预测得到的所述用能需求数据，建立所述含氢多能源系统的碳排放决策优化模型，其中，所述碳排放决策优化模型的子模型包括：室温调节模型和水温调节模型；

利用通过人工蜂鸟算法和基于VAEA的矢量角选择策略改进过的非支配排序遗传算法求解所述碳排放决策优化模型，得到所述含氢多能源系统的最终运行碳排放优化决策。

2.如权利要求1所述的含氢多能源系统运行碳排放优化决策方法，其特征在于，所述利用所述历史用能消耗数据，采用隐马尔可夫算法，对用能需求数据进行预测，包括：

采用皮尔逊系数进行相关性分析，得到影响所述历史用能消耗数据的环境特征向量；

假设预测后的用能需求数据为V(t)，对所述历史用能消耗数据进行离散化处理，并使离散化处理过的所述历史用能消耗数据满足P{V(k)＝|V(k_n)＝v_n,...,(k₁)＝₁}＝{V(k)≤v|V(k_n)＝_n}，其中，P代表历史用能消耗数据，v代表k时刻的环境特征向量，k∈(1,n)；

根据离散化处理过的所述历史用能消耗数据，计算所述含氢多能源系统的状态转移概率；

根据所述状态转移概率计算第k步的转移概率矩阵；

基于所述转移概率矩阵，采用隐马尔可夫算法，对k+1时刻的用能需求数据进行预测。

3.如权利要求1所述的含氢多能源系统运行碳排放优化决策方法，其特征在于，所述碳排放决策优化模型的目标函数为：

minF＝min(F₁,F₂,F₃)

其中，F₁为含氢多能源系统运行阶段的总碳排放量，F₂为含氢多能源系统的运维费用，F₃为含氢多能源系统的可靠性。

4.如权利要求2所述的含氢多能源系统运行碳排放优化决策方法，其特征在于，所述含氢多能源系统运行阶段的总碳排放量为：

其中，

表示k时刻含氢多能源系统的电力排放，

表示k时刻含氢多能源系统的燃煤碳排放，

表示k时刻含氢多能源系统的燃油碳排放，

表示k时刻含氢多能源系统的燃气碳排放；

所述含氢多能源系统的运维费用为：

其中，λ_lep表示当地电力价格；

表示含氢多能源系统在k时刻的年耗电量；λ_bio表示当地生物质燃料价格；

表示含氢多能源系统在k时刻的生物质燃料消耗量，λ_coil表示煤价，

表示含氢多能源系统在k时刻的用煤量，λ_gas表示气价，

代表含氢多能源系统在k时刻的用气量，λ_oil代表燃油价格，

表示含氢多能源系统在k时刻的用油量，λ_hy为氢价，

表示含氢多能源系统在k时刻的买氢量，C_invest表示初始投资费用，σ表示设备危险费占设备购置费的比率；

所述含氢多能源系统的可靠性为：

其中，

N_s表示场景总数；K表示时刻总数；Δk表示时段间隔；

表示场景s下含氢多能源系统在k时段的失负荷功率，

表示k时刻含氢多能源系统电力供应，

表示k时刻建筑及设备等总用电需求。

5.如权利要求1所述的含氢多能源系统运行碳排放优化决策方法，其特征在于，所述碳排放决策优化模型的约束条件包括：电平衡约束条件、热平衡约束条件、冷平衡约束条件、标准约束条件、碳减排约束条件和人体热舒适约束条件；

所述电平衡约束条件为：

其中，

代表k时刻含氢多能源系统对建筑供电量，

代表k时刻建筑及设备的总用电需求，

代表k时刻建筑用电需求，ε₁代表预设的电平衡误差常数；

所述热平衡约束条件为：

其中，

代表k时刻含氢多能源系统对建筑供热量，

代表建筑、设备及损耗的总热需求，

代表k时刻建筑用热需求，ε₂代表预设的热平衡误差常数；

所述冷平衡约束条件为：

其中，

代表k时刻含氢多能源系统对建筑供冷量，

代表k时刻建筑、设备及损耗的总冷需求，

代表k时刻建筑用冷需求，ε₃代表预设的冷平衡误差常数；

所述标准约束条件为：

CE_total，new≤60％·CE_{total，预设}

CE_{total，预设}-CE_total，new≥∈A

其中，CE_total，new代表当前计算得到的含氢多能源系统的总碳排放量，CE_{total，预设}代表预设的含氢多能源系统的总碳排放量，∈代表碳排放强度平均降低强度要求，A代表建筑面积；

所述碳减排约束条件为：

CE_cpes-CE_o≤S_ccer

其中，CE_cpes代表含氢多能源系统运行阶段的总碳排放量，CE_o代表预设的碳配额数值，S_ccer代表预设的需要减排量；

所述人体热舒适约束条件包括：

人体在-0.5到0.5舒适区间内的温度约束条件：

其中，μ_PMV代表人体热舒适度，T_k为k时刻的实时温度，T_c为满足人体热舒适需求的舒适温度；

室内温度最大值与人体热舒适度最大值、人体热舒适度最小值内的温度采用人体热反应评价指标PMV进行评价，具体约束条件为：

其中，T_min代表最低温度，T_t代表设定温度，T_max代表最高温度，

代表最低PMV需求，μ_PMV代表实际人体热舒适，

代表最高PMV需求；

满足室内人员热舒适性需求的供热量以及生活热水的约束条件：

其中，

代表k时刻理想状态T温度下供热量H的变化边界，

代表k时刻室内温度，

代表k时刻室内理想温度，

代表室内供热的最低理想温度，

代表室内供热的最高理想温度；

代表k时刻理想状态T温度下供水量W的变化边界，

代表k时刻供能水温，

代表室内供水的最低理想温度，

代表室内供水的最高理想温度。

6.如权利要求1所述的含氢多能源系统运行碳排放优化决策方法，其特征在于，所述室温调节模型为：

其中，

代表k+1时刻供热温度，e为常量，

代表k时刻供热温度，R代表含氢多能源系统供能对象的热阻，G代表含氢多能源系统供能对象的热负荷，

代表k时刻系统供热室温调节的输入功率，

代表k时刻室外温度；

所述水温调节模型为：

其中，c代表比热容，ρ代表容量，

代表生活热水k+1时刻温度，μ_W代表生活热水损失系数，

代表生活热水效率，P_W代表生活热水输入功率，

代表k时刻集热器光照强度，V₀代表0时刻太阳能热水罐容量，

表示k时刻容量，

表示生活热水k时刻温度，

表示生活热水k时刻初始温度。

7.如权利要求1所述的含氢多能源系统运行碳排放优化决策方法，其特征在于，所述通过人工蜂鸟算法和基于VAEA的矢量角选择策略改进过的非支配排序遗传算法求解所述碳排放决策优化模型，包括以下三个阶段：

第一阶段人工蜂鸟算法包括：

步骤1.1：在搜索空间中选取第t种蜂鸟在种群中的位置，且满足预设的变量上下界要求；

步骤1.2：蜂鸟不断发现更好的食物从而定位其来源，给出更好适应值；

步骤1.3：定义搜索过程中最佳个体为领土鸟，其余为跟随鸟，则当领土鸟不存在接近鸟时，采用启发式算法得到t次迭代后j个跟随鸟的位置；

步骤1.4：领土鸟发现j跟随鸟接近自己时发出警告，跟随鸟收到警告后飞往周围地区，若选择更好则j个跟随鸟向其飞行，反之远离；

步骤1.5：控制搜索边界，迭代直至收敛，得到所述含氢多能源系统的第一初始运行策略；

第二阶段基于VAEA的最大向量角优化策略包括：

步骤2.1：定义一组参考点，随机产生一个包含N个个体的初始种群为X_i(i＝1,2,...,N)，对总体N的大小、最大值最大迭代次数、变异率和交叉率进行初始化处理；其中，P_i是第i代种群，Q_i是P_i产生的繁殖种群，从群体R_i(P_i∪Q_i)中选取N个个体作为下一代初始种群；

步骤2.2：使用非主导排序，将群体R_i划分为若干不同的非主导层，并记为S_i，并在内部和外部生成均匀分布的参考点；

步骤2.3：采用VaEA简单规范化方法确定理想点和最低点，按当前总体中的最小和最大目标值，规范化第j代的目标值；

步骤2.4：利用选择算子生成后代群体Q_t，改进交叉运算符和变体运算符；

步骤2.5：gen＝gen+1，其中，gen代表生成后代群体寻优的次数；

步骤2.6：结合亲本种群P_t和后代种群Q_t；

步骤2.7：对组合种群进行快速非支配性排序，获得非支配层L₁，L₂，……L_l；

步骤2.8：假设F_l为最后非支配层，其种群规模S_i第一次大于N，使用参考点找到F_l中剩余的P_i+1个体最佳数量，并加入下一代种群P_i+1，当判断到St等于N时，进入步骤2.10，当判断到St不等于N时，进入步骤2.9；

步骤2.9：规范参考中所有个体客观值点，以便两个集合在一个范围内；关联St中每个个体具有的参考点，并从l层为St获得剩余个体；

步骤2.10：在每次迭代中首先选择具有VaEA最小生境数量的参考点j*，当判断到数量等于0时，从Ij*中选择与参考线垂直距离最小的个体；当数量大于0时，从Ij*中随机选择一个个体；对于大于0时随机选择个体进入P_t+1的随机过程，采用基于VAEA的矢量角选择策略进行优化，将F_l中具有最大矢量角和最小矢量角的个体记为P_t+1；

步骤2.11：当生成后代群体寻优的次数小于等于最大次数阈值时，返回步骤2.4；否则，停止运行，St成为新种群，得到所述含氢多能源系统的第二初始运行策略；

第三阶段改进过的非支配排序遗传算法：

对所述第一初始运行策略和所述第二初始运行策略进行加权，得到所述含氢多能源系统的最终运行碳排放优化决策。

8.如权利要求1所述的含氢多能源系统运行碳排放优化决策方法，其特征在于，所述含氢多能源系统的运行碳排放优化决策包括：空气源热泵输入功率决策、生物质能源输入质量决策、电锅炉输入功率决策、天然气质量输入决策、燃煤质量输入决策、燃油体积输入决策、地源热泵输入功率决策、风力发电输入功率决策、燃料电池输入功率决策、电解槽输入功率决策、冷机输入功率决策、市场买氢决策。

9.一种含氢多能源系统运行碳排放优化决策系统，其特征在于，包括控制器，所述控制器被配置：

获取含氢多能源系统的历史用能消耗数据；

利用所述历史用能消耗数据，采用隐马尔可夫算法，对用能需求数据进行预测；

基于预测得到的所述用能需求数据，建立所述含氢多能源系统的碳排放决策优化模型，其中，所述碳排放决策优化模型的子模型包括：室温调节模型和水温调节模型；

利用通过人工蜂鸟算法和基于VAEA的矢量角选择策略改进过的非支配排序遗传算法求解所述碳排放决策优化模型，得到所述含氢多能源系统的最终运行碳排放优化决策。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1～8任一项所述的含氢多能源系统运行碳排放优化决策方法。

Images