Page 58 - 中国仿真学会通讯

主要是对冷热电联供设备选型和定容。 以能源微网的冷、 热、 电负荷预测为基础， 根据能源价
格的变化和用户可能参与的价格型需求侧响应， 设置几种不同的典型运行方式， 以系统的优化
运行为基础进行设备的选型和定容。 当多个能源微网可以互联协调运行时， 还需要考虑多能源
路由器的协调互济作用。
３ ５ 能源互联网规划模型的求解方法

能源互联网的规划模型既需要根据风机、 光伏、 ＣＨＰ、 储能设备等装置的运行特性建立各自
的数学模型， 也需要构建电、 热、 气多能流最优潮流， 因而规划模型具有高维数、 非凸非线性
的特点， 具有很大的求解难度。 同时， 规划模型也可能被设置为多目标优化。 针对这些难点，
不同的文献根据各自模型的特点， 采取了相应的模型简化方法和求解算法， 主要有： １） 对部分
非线性约束条件线性化以建立混合整数线性规划模型； ２） 对规划模型进行连续变量、 整数变量
解耦， 将大规模问题分解， 分模块交替迭代求解； ３） 利用智能算法求解规划模型中的多目标问
题。

对部分表达式复杂而只是给出变量的上、 下限约束的非线性约束条件， 可用简单的上、 下
限来限制变量。 文献［３２］ 将电－气联合系统中的部分等式和不等式约束分别线性化， 例如用功
率、 压强上下限来表征电路、 天然气、 热力支路特性。 对一些表达式相对简单的等式方程， 可
采用一些线性化等效的方法。 文献［８２－８３］ 对天然气潮流约束中的气压二次项等非线性约束采用
了增量分段线性化， 从而将原模型转化为一个大规模混合整数线性优化问题， 提高了求解效率
和精度。

对于变量的解耦和分离， 文献［４６－４８］ 采用了拉格朗日松弛将模型解耦并转而求解原问题的
对偶问题的优化解， 对于子问题中的整数变量和非线性网络约束， 分别采用了二次惩罚项线性
化， 区域坐标下降法和动态规划进行简化， 并将对应子问题的结果反馈到主问题， 经过主问题、
子问题反复迭代获得优化规划方案。 文献［４９－５０］ 采用 Ｂｅｎｄｅｒｓ 分解的方法将整数变量和连续变
量分离到不同的迭代子问题中。 对于规划模型的分模块迭代求解， 文献［７３］ 建立了两阶段规划
模型， 在第一阶段规划， 用多目标遗传算法———带精英策略的非支配排序遗传算法（ ＮＳＧＡ－Ⅱ）
对系统进行结构优化； 在第二阶段， 用混合整数线性规划模型求解系统最优运行问题。 文献
［７９］ 则将优化规划分成了三级： 最优设备选型， 最优设备定容， 最优运行状态。

对于混合整数规划模型， 因为模型中存在较多非线性约束， 同时也可能是多目标规划问题，
使用传统的优化算法求解难度大， 随着计算技术的发展， 人工智能算法获得了广泛使用。 文献
［３３］ 采用了多智能体遗传算法将多能源系统的最优潮流分解为传统的各个能源系统的最优潮流
进行求解。 对于多目标优化问题的求解， 文献［６５－６６， ７３］ 采用了修改过交叉和变异遗传算子的
快速非支配排序遗传算法（ ＮＳＧＡ－Ⅱ） ， 文献［６７］ 确定归一化后各目标的合理权重， 将多目标优
化问题转化为单目标优化问题， 从而使用改进的二进制粒子群优化算法。 文献［７９］ 也采用了离
散粒子群算法分别对三级规划目标进行求解。

能源互联网中的规划模型根据不同的应用场景设置具有不同的求解难点， 因而需要根据物
理模型的特点， 将求解方法进行有效的结合， ３ 种方法的应用场景如表 ３ 所示。

５４