1.本发明涉及综合能源优化调度领域，特别涉及一种基于改进的金 鹰优化算法的低碳排放的综合能源输配协同优化调度方法和系统、电 子设备及存储介质。
背景技术：2.近年来，随着能源的消耗导致能源供应紧张与环境污染，开始提 出了基于碳交易机制的策略。由于碳交易机制涉及到了对碳排放额度 的交易，这给综合能源系统运营公司带来了一定的成本。在当前的综 合能源系统中，应用比较成熟的有电热综合能源系统。电热综合能源 系统是将电能源和热能源进行联合调度，因为电和热在一定程度上可 以互相转化，从而在一定程度上减少了因为供需不平衡造成的能源浪 费。技术的进步使得电热综合能源的来源多样化，比如电能源的产生 来源有火电、核电、水电、风电和光伏发电等，热能源的产生来源有 煤气、煤碳、液化气、天然气和电生热等。
[0003][0004]
在目前的综合能源调度过程中，大多数调度方法是基于启发式群 智能算法的，比如遗传算法、灰狼优化算法、鲸鱼优化算法等。然而， 这些基于原始的启发式群智能算法的综合能源调度方法并不能很好的 得到调度问题的近似最优解。例如，一种基于灰狼优化算法的综合能 源系统优化调度方法，其通过灰狼种群对于猎物的狩猎过程选举出alpha狼、beta狼、delta狼，最后通过这些被选举出来的狼的位置综 合得出一种符合问题要求的解。需要注意的是灰狼优化算法在问题解 空间的全局搜索方面效果不理想，且在搜索的过程中容易陷入局部最 优解，造成得到的解质量较低，无法获得最优的调度方案。
技术实现要素：[0005]
为了解决上述问题，本发明提出一种基于改进的金鹰优化算法的 低碳排放的综合能源输配协同优化调度方法和系统、电子设备及存储 介质。
[0006]
第一方面，本发明提供一种低碳排放的综合能源输配协同优化调 度方法，包括：
[0007]
基于能源的需求程度、能源来源的供应成本以及碳排放量，建立 综合能源输配协同调度模型；
[0008]
利用logistic混沌映射和关键参数自适应策略改进的金鹰优化算 法对所述综合能源输配协同调度模型进行优化并获得最优解；
[0009]
根据所述最优解，获得最优综合能源输配协同调度方案。
[0010]
进一步地，利用logistic混沌映射和关键参数自适应策略改进的金 鹰优化算法对所述综合能源输配协同调度模型进行优化并获得最优 解，包括：
[0011]
步骤一，采用logistic混沌映射生成初始种群并确定所述初始种群 中的每一个的位置；
[0012]
步骤二，根据所述位置计算所述初始种群的适应度值；
[0013]
步骤三，根据所述初始种群的适应度值确定所述综合能源输配协 同调度模型的
历史最优解；
[0014]
步骤四，自适应地更新金鹰算法的系数，基于更新后的系数更新 种群中个体的位置，根据更新后的个体位置计算所述位置对应的适应 度值并更新所述历史最优解；
[0015]
步骤五，判断是否达到预定迭代次数，如果否，则执行步骤四， 否则，执行步骤六；
[0016]
步骤六，基于所述历史最优解获得全局最优解。
[0017]
进一步地，根据更新后的个体位置计算所述位置对应的适应度值 并更新所述历史最优解，包括：
[0018]
根据更新后的个体位置计算所述位置对应的适应度值；
[0019]
根据所述适应度值与所述历史最优解对应的适应度值之间的大小 关系来更新所述历史最优解，
[0020]
其中，当所述适应度值小于所述历史最优解对应的适应度值时， 将所述适应度值对应的个体更新为所述历史最优解。
[0021]
进一步地，根据所述初始种群的适应度值确定所述综合能源输配 协同调度模型的历史最优解，包括：
[0022]
将所述初始种群中具有最优适应度值的个体确定为所述综合能源 输配协同调度模型的历史最优解。
[0023]
进一步地，基于所述历史最优解获得全局最优解，包括：
[0024]
将所述历史最优解确定为所述全局最优解。
[0025]
进一步地，所述能源的类型包括电能源和热能源。
[0026]
进一步地，所述电能源的来源包括火电、核电、水电、风电、光 伏发电，所述热能源的来源包括煤气、煤碳、液化气、天然气、电生 热。
[0027]
第二方面，本发明提供一种低碳排放的综合能源输配协同优化调 度系统，包括：
[0028]
能源输配协同调度模型构建单元，用于基于能源的需求程度、能 源来源的供应成本以及碳排放量，建立综合能源输配协同调度模型；
[0029]
能源输配协同调度模型优化单元，用于利用logistic混沌映射和关 键参数自适应策略改进的金鹰优化算法对所述综合能源输配协同调度 模型进行优化并获得最优解；
[0030]
能源输配协同调度方案获取单元，用于根据所述最优解，获得最 优综合能源输配协同调度方案。
[0031]
第三方面，本发明提供一种电子设备，其特征在于，包括存储器、 处理器及存储在所述存储器上并可在所述处理器上运行的计算机程 序，所述处理器执行所述计算机程序时实现如第一方面中任一项所述 低碳排放的综合能源输配协同优化调度方法的步骤。
[0032]
第四方面，本发明提供一种非暂态计算机可读存储介质，其上存 储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现 如第一方面中任一项所述低碳排放的综合能源输配协同优化调度方法 的步骤。
[0033]
本发明通过采用logistic混沌映射和关键参数自适应策略对传统 的金鹰优化算法进行改进，提高了算法的初始种群多样性和全局寻优 能力，从而获得全局最优的综合能源输配协同调度方案，这既满足了 需求侧的电热能源需求以及供给侧的供应成本要求，又减少了能源供 应过程中的碳排放量。
附图说明
[0034]
图1是根据本发明实施例的低碳排放的综合能源输配协同优化调 度方法的流程图；
[0035]
图2是根据本发明实施例的利用改进的金鹰优化算法对模型优化 求解的流程图；
[0036]
图3是基于本发明的改进的金鹰优化算法的综合能源输配协同优 化调度方法以及现有技术的方法的结果对比图；
[0037]
图4是根据本发明实施例的低碳排放的综合能源输配协同优化调 度系统的结构示意图；以及
[0038]
图5是根据本发明实施例的电子设备的结构示意图。
具体实施方式
[0039]
为了更清楚地说明本发明或现有技术中的技术方案，以下将对实 施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见 地，以下描述中的附图是本发明的一些实施例，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。
[0040]
在本发明中，综合能源的类型可以包括电能源和热能源，其中电 能源的来源可以包括火电、核电、水电、风电、光伏发电，热能源的 来源可以包括煤气、煤碳、液化气、天然气、电生热。
[0041]
图1是根据本发明实施例的低碳排放的综合能源输配协同优化调 度方法的流程图。
[0042]
参照图1，该方法包括以下步骤：
[0043]
步骤s100，基于能源的需求程度、能源来源的供应成本以及碳排 放量，建立综合能源输配协同调度模型；
[0044]
步骤s200，利用logistic混沌映射和关键参数自适应策略改进的 金鹰优化算法对综合能源输配协同调度模型进行优化并获得最优解；
[0045]
步骤s300，根据所述最优解，获得最优综合能源输配协同调度方 案。
[0046]
具体地，在步骤s100中，可以通过对综合能源的综合需求程度、 不同能源的供应成本和碳排放量进行调研并以矩阵的形式进行存储， 基于三种不同的矩阵建立综合能源输配协同调度模型，同时该模型将 涉及到的影响综合能源调度的因素进行加权整合作为目标函数，模型 的优化目标是使目标函数值最小，映射到实际综合能源调度过程中则 是在保证满足需求的前提下，最小化综合能源的供应成本和碳排放量 (其中，具体模型可以参考下文描述的适应度值函数的表达式)。
[0047]
根据上述步骤s100建立的综合能源输配协同调度模型，在步骤 s200中，可以对该模型进行优化从而获得最优解。
[0048]
参照图2，步骤s200的主要步骤包括：
[0049]
步骤s210，对金鹰优化算法中的金鹰个体j进行浮点数编码(其 中，每个个体的编码都是一种可行的调度方案，最优的调度方案是指 适应度值最优的个体(在此问题中是适应度值最小的个体)所携带的 编码)，并初始化金鹰优化算法的相关参数，包括金鹰种群大小g，最 大迭代次数mt，当前迭代次数cur，电热综合能源的需求矩阵n，电 热综合能源来源
的成本矩阵b，电热综合能源来源的碳排放矩阵c，位 置取值的上限ub，位置取值的下限lb；
[0050]
步骤s220，采用logistic混沌映射生成金鹰优化算法的初始种群 xi，i＝1,2,
…
,g，个体中每一个位置通过如下的logistic混沌映射公式生 成：
[0051]vz+1
＝bvz(1-vz),z＝0,1,
…
,n
[0052]
其中v表示金鹰个体的一个浮点数位置，n表示解搜索空间的维 度，给定v0为[0，1]之间的一个随机数，当b＝4的时候表示该logistic 混沌映射处于混沌状态；
[0053]
步骤s230，计算金鹰种群的适应度值，初始化种群的记忆(即种 群当前适应度最优的位置，并且该最优位置对应的个体可以作为综合 能源输配协同调度模型的历史最优解)、攻击倾向pa和巡航倾向pc， 其中个体的适应度值计算公式如下：
[0054]
value＝n
·
(α
·
b+β
·
c)
·
xi；
[0055]
其中value表示适应度值，n表示能源的需求矩阵，xi表示第i 个金鹰个体的位置，b是电热综合能源来源的供应成本矩阵，c是电热 综合能源来源的碳排放矩阵，α是成本因子，β是碳排放因子；
[0056]
步骤s240，对于金鹰优化算法的每一次迭代过程，自适应的更新 pa和pc，更新公式如下：
[0057][0058][0059]
其中表示攻击倾向的初始值，表示攻击倾向的最终值， cur表示算法当前的迭代次数，mt表示最大的迭代次数，表示巡 航倾向的初始值，表示巡航倾向的最终值；
[0060]
步骤s250，对于金鹰种群中的每一个个体，随机的从种群的记忆 中选择一个猎物，计算攻击向量a，公式如下：
[0061][0062]
其中ai是第i个金鹰个体的攻击向量，是金鹰个体f目前找到 的猎物的位置，即最佳位置，xi是第i个金鹰个体的当前位置。
[0063]
如果攻击向量的长度不等于0，则先计算出巡航向量，公式如下：
[0064][0065][0066]
[0067][0068]
其中h＝[h1,h2,
…
,hn]是法向量，x＝[x1,x2,
…
,xn]是决策变量向 量，p＝[p1,p2,
…
,pn]是超平面上的任意点，且 ai＝[a1,a2,
…
,an]是攻击向量，是被选中的猎物的位 置，ck是目标点c的第k个元素，aj是攻击向量ai的第j个元素，ak为攻击向量ai的第k个元素，k为固定变量的下标，random为随机产 生一个[0，1]之间的数字。
[0069]
再计算出步长向量，公式如下：
[0070][0071][0072]
其中r1和r2为0到1之间的随机数，||ai||和||ci||是攻击向量和巡航 向量的欧几里德范数，pa和pc分别是攻击倾向和巡航倾向；
[0073]
最后使用如下公式更新金鹰个体的位置：
[0074][0075]
步骤s260，评估新生成的金鹰个体位置的适应度值，如果新得到 的适应度值比金鹰个体记忆中的最佳适应度值更好，则将该金鹰个体 记忆的位置用新生成的位置来替换，也就是说，如果计算出的新适应 度值小于历史最优解对应的适应度值，则将新的适应度值对应的个体 更新为历史最优解；
[0076]
步骤s270，结束金鹰种群内循环，迭代次数cur＝cur+1；
[0077]
步骤s280，判断算法当前的迭代次数cur是否达到了预先设置的 最大迭代次数，若未达到则返回步骤s240，若达到则结束算法并输出 最终的历史最优解(最优的金鹰个体的位置，也称为全局最优解)；
[0078]
在通过上述步骤s200获得全局最优解之后，在步骤s300中，将 具有全局最优解的个体所对应的调度方案确定为最优综合能源输配协 同调度方案。
[0079]
在下文中，将通过具体示例的方式详细描述步骤s200的过程。
[0080]
步骤s210，对金鹰优化算法中的金鹰个体j进行浮点数编码，并 初始化金鹰优化算法的相关参数，包括金鹰种群大小g，最大迭代次 数mt，当前迭代次数cur，电热综合能源的需求矩阵n，电热综合能 源来源的成本矩阵b，电热综合能源来源的碳排放矩阵c，位置取值的 上限ub，位置取值的下限lb；
[0081]
在本示例中，金鹰种群大小g＝70，最大迭代次数mt＝200，当前 迭代次数cur＝1；本示例中电热综合能源的电能源的来源包括火电、核 电、水电、风电和光伏发电五种，热能源的来源包括煤气、煤碳、液 化气、天然气和电生热五种，若电热综合能源需求侧对于能源的需求 为电能源900千瓦时和热能源1200平方米，则电热综合能源的需求矩 阵n可以表示为n＝[900；1200]；为了便于表示电热综合能源来源的成 本矩阵和碳排放矩阵，规定两个
矩阵的格式如下：
[0082][0083]
其中矩阵的第一行表示电能源来源，u1到u5分别表示火电、核电、 水电、风电和光伏发电，矩阵的第二行表示热能源，o1到o5分别表示 煤气、煤碳、液化气、天然气和电生热。基于该矩阵格式，在该示例 中，电热综合能源来源的成本矩阵b表示为：
[0084][0085]
电热综合能源来源的碳排放矩阵c可以表示为：
[0086][0087]
在本示例中，位置取值的上限ub＝1，位置取值的下限lb＝0，且金 鹰个体所携带的调度矩阵的每一行之和为1，表示总的能源需求分别来 自于各种来源的比例。
[0088]
步骤s220，采用logistic混沌映射生成金鹰优化算法的初始种群 xi，i＝1,2,
…
,g，个体中每一个位置通过如下的logistic混沌映射公式生 成：
[0089]vz+1
＝bvz(1-vz),z＝0,1,
…
,n
[0090]
其中v表示金鹰个体的一个浮点数位置，n表示解搜索空间的维 度，给定v0为[0，1]之间的一个随机数，当b＝4的时候表示该logistic 混沌映射处于混沌状态；
[0091]
在本示例中，假设给定的v0＝0.2，则根据logistic混沌映射可以得 到v1＝4*v0(1-v0)＝4*0.2*0.8＝0.64，然后又可以通过得到的v1值 计算出v2＝4*v1(1-v1)＝4*0.64*0.36＝0.9216，其余位置值的计算依 次类推，最后还需要对所有得到的值进行归一化，以满足每一行的值 之和为1的要求。例如，一个金鹰个体的编码表示可以为：
[0092][0093]
在该金鹰个体的编码矩阵中，第一行是指电热综合能源系统运营 公司提供的电能源来源于火电部分的为11％，来源于核电部分的为 7％，来源于水电部分的为26％，来源于风电部分的为25％，来源于光 伏发电部分的为7％；第二行表示热能来源于煤气、煤碳、液化气、天 然气和电生热的比例分别是17％、23％、21％、22％和17％。
[0094]
步骤s230，计算金鹰种群的适应度值，初始化种群的记忆(即种 群当前适应度最优的位置)、攻击倾向pa和巡航倾向pc，其中个体的 适应度值计算公式如下：
[0095]
value＝n
·
(α
·
b+β
·
c)
·
xi；
[0096]
其中value表示适应度值，n表示能源的需求矩阵，xi表示第i 个金鹰个体的位置，b是电热综合能源来源的供应成本矩阵，c是电热 综合能源来源的碳排放矩阵，α是成本因子，β是碳排放因子；
[0097]
在本示例中，初始的攻击倾向pa＝0.6，初始的巡航倾向pc＝1，成 本因子α＝0.4，
碳排放因子β＝0.6；同时为了减少电热综合能源系 统运营公司进行碳排放额度的购买，金鹰优化算法的目标是在满足电 热综合能源需求侧对于能源的需求和运营公司进行低成本的能源供应 之外，最小化电热综合能源供应过程中的碳排放量。需要注意的是， 本示例中金鹰个体的适应度值由电热综合能源需求量、能源来源的成 本以及能源来源的碳排放量三者共同决定。为了便于理解在基于碳交 易机制的电热综合能源输配协同优化调度方法中金鹰个体的适应度值 计算过程，假设现在有三个不同的金鹰个体，它们的编码分别表示为：
[0098][0099][0100][0101]
根据设置好的适应度值计算公式，可以得到三个金鹰个体各自的 适应度值分别为：
[0102]
[0103][0104][0105]
根据既定的适应度函数可以发现其在设计过程中和能源供应成 本、碳排放量成正比，所以金鹰个体的适应度值越低，则表明其所携 带的电热综合能源调度方案的优势越大。
[0106]
从三个金鹰个体的适应度值中得知金鹰个体1的适应度值最低， 因此其优化的效果为三者中最高。更进一步地，金鹰个体1的调度矩 阵表明电热综合能源系统运营公司拟供应给需求侧的电能中来自于火 电的为900*0.17＝153千瓦时，来自于核电的为900*0.28＝252千瓦时， 来自于水电的为900*0.09＝81千瓦时，来自于风电的为900*0.36＝324 千瓦时，来自于光伏发电的为900*0.10＝90千瓦时；运营公司拟供应给 用户的热能中，来自于煤气的为1200*0.21＝252平方米，来自于煤炭的 为1200*0.14＝168平方米，来自于液化气的为1200*0.25＝300平方米， 来自于天然气的为1200*0.16＝192平方米，来自于电生热方式的为 1200*0.24＝288平方米。
[0107]
步骤s240，对于金鹰优化算法的每一次迭代过程，自适应的更新 pa和pc，更新公式如下：
[0108]
[0109][0110]
其中表示攻击倾向的初始值，表示攻击倾向的最终值， cur表示算法当前的迭代次数，mt表示最大的迭代次数，表示巡 航倾向的初始值，表示巡航倾向的最终值；
[0111]
在本示例中，假如当前迭代次数cur＝20，则此时的攻击倾向为 此时的巡航倾向为 [0112]
步骤s250，对于金鹰种群中的每一个个体，随机的从种群的记忆 中选择一个猎物，计算攻击向量a，公式如下：
[0113][0114]
其中ai是第i个金鹰个体的攻击向量，是金鹰个体f目前找到 的猎物的位置，即最佳位置，xi是第i个金鹰个体的当前位置。
[0115]
在本示例中，假如猎物位置为：
[0116][0117]
第i个金鹰个体的当前位置为：
[0118][0119]
则攻击向量ai为
[0120][0121]
如果攻击向量的长度不等于0，即当前位置与最优位置仍然存在着 差距，则先计算出巡航向量，公式如下：
[0122][0123]
[0124][0125][0126]
其中h＝[h1,h2,
…
,hn]是法向量，x＝[x1,x2,
…
,xn]是决策变量向 量，p＝[p1,p2,
…
,pn]是超平面上的任意点，且 ai＝[a1,a2,
…
,an]是攻击向量，是被选中的猎物的位 置，ck是目标点c的第k个元素，aj是攻击向量ai的第j个元素，ak为攻击向量ai的第k个元素，k为固定变量的下标，random为随机产 生一个[0，1]之间的数字。
[0127]
再计算出步长向量，公式如下：
[0128][0129][0130]
其中r1和r2为0到1之间的随机数，||ai||和||ci||是攻击向量和巡航 向量的欧几里德范数，pa和pc分别是攻击倾向和巡航倾向；
[0131]
最后使用如下公式更新金鹰个体的位置：
[0132][0133]
步骤s260，评估新生成的金鹰个体位置的适应度值，如果新得到 的适应度值比金鹰个体记忆中的最佳适应度值更好，则将该金鹰个体 记忆的位置用新生成的位置来替换；
[0134]
步骤s270，结束金鹰种群内循环，迭代次数cur＝cur+1；
[0135]
步骤s280，判断算法当前的迭代次数cur是否达到了预先设置的 最大迭代次数，若未达到则返回步骤s240，若达到则结束算法并输出 最优的金鹰个体的位置。
[0136]
在下文中，示出了基于本发明的改进的金鹰算法的综合能源输配 协同调度方法以及现有技术的方法的示例设置。
[0137]
电热综合能源系统运营公司提供的能源包括电能源和热能源，其 中电能源的来源包括火电、核电、水电、风电和光伏发电五种，热能 源的来源包括煤气、煤碳、液化气、天然气和电生热五种。为了能够 通过改进的金鹰优化算法来对基于碳交易机制的电热综合能源系统优 化调度进行优化，将电热综合能源的需求、运营公司的供能成本、电 热综合能源来源的碳排放程度进行矩阵化存储。为了验证本发明所提 出来的调度方法的有效性，将所提出的基于改进的金鹰优化算法的电 热综合能源调度方法同基于灰狼优化算法、遗传算法、蝙蝠算法、鲸 鱼优化算法的调度方法进行对比。在改进的金鹰优化算法中，金鹰种 群大小为g＝70，最大迭代次数mt＝200，攻击倾向参数初始值为 攻击倾向参数最终值为巡航倾向参数初始值为巡航倾向参数最终值
遗传算法的选择概率为 0.9，交叉概率为0.85，变异概率为0.1；灰狼优化算法的系数向量从2 线性减小到0；鲸鱼优化算法的气泡网攻击概率为0.5；蝙蝠算法的最 小频率为0，最大频率为1，最小响度为1，最大响度为2，初始脉冲 频率为0.7；遗传算法、灰狼优化算法、鲸鱼优化算法、蝙蝠算法的种 群大小、最大迭代次数和金鹰算法保持一致。
[0138]
图3示出了在以上示例设置的情况下，基于本发明的改进的金鹰 算法的综合能源输配协同调度方法以及现有技术的方法的结果对比 图。
[0139]
由图3可知，在优化综合能源输配协同调度方面，本发明所提供 的基于金鹰优化算法的调度方案效果最佳，其优化后得到的最终适应 度值为539，而相比之下遗传算法、灰狼优化算法、鲸鱼优化算法、蝙 蝠算法最终得到的优化值分别为618、562、632和612。该现象产生的 主要原因是其余四种对比算法未能考虑到初始种群的多样性对算法寻 优过程中的影响，以及自适应更新算法的关键参数对提升算法的求解 质量的影响。此外，未采用自适应策略更新算法关键参数的四种对比 算法纷纷在迭代后期陷入了局部最优值，并且它们无法跳出局部最优， 从而影响了最终得到的综合能源输配协同调度方案。
[0140]
为了提高金鹰优化算法在求解过程中的全局搜索能力和获得的解 的质量，logistic混沌映射被用来生成金鹰优化算法的初始种群，自适 应策略被用来动态更新金鹰优化算法的攻击倾向参数和巡航倾向参 数。仿真实验表明，本发明所提供的基于改进的金鹰优化算法的电热 综合能源优化调度方法，优于现有综合能源调度方法中的灰狼优化算 法、遗传算法、蝙蝠算法和鲸鱼优化算法，并且在平衡电热综合能源 系统运营公司供能成本和碳排放量的关系方面效果优异。
[0141]
综上，本发明所公开的一种低碳排放的电热综合能源输配协同优 化调度方法，通过改进的金鹰优化算法对电热综合能源需求、供应成 本和碳排放进行优化，得到的电热综合能源调度方案可以满足需求侧 的电热能源需求、降低电热综合能源运营公司的供应成本、减少电热 综合能源供应过程中的碳排放量。该方法具有步骤简易、鲁棒性强、 调度方案质量高等优点。
[0142]
由以上可知，本发明通过采用logistic混沌映射和关键参数自适应 策略对传统的金鹰优化算法进行改进，提高了算法的初始种群多样性 和全局寻优能力，从而获得全局最优的综合能源输配协同调度方案， 这既满足了需求侧的电热能源需求以及供给侧的供应成本要求，又减 少了能源供应过程中的碳排放量。
[0143]
图4是根据本发明的低碳排放的综合能源输配协同优化调度系统 的结构示意图。参照图4，该系统400包括：
[0144]
能源输配协同调度模型构建单元401，用于基于能源的需求程度、 能源来源的供应成本以及碳排放量，建立综合能源输配协同调度模型；
[0145]
能源输配协同调度模型优化单元403，用于利用logistic混沌映射 和关键参数自适应策略改进的金鹰优化算法对所述综合能源输配协同 调度模型进行优化并获得最优解；
[0146]
能源输配协同调度方案获取单元405，用于根据所述最优解，获得 最优综合能源输配协同调度方案。
[0147]
由以上可知，系统400的各个单元401至405可以分别执行参照 上述实施例描述的
低碳排放的综合能源输配协同优化调度方法中的各 个步骤，此处将不再对其细节进行描述。
[0148]
另一方面，本发明提供了一种电子设备。如图5所示，电子设备 500包括处理器501、存储器502、通信接口503和通信总线504。
[0149]
其中，处理器501、存储器502、通信接口503通过通信总线504 完成相互间的通信。
[0150]
处理器501用于调用存储器502中的计算机程序，处理器501执 行计算机程序时实现如上所述的本发明实施例所提供的低碳排放的综 合能源输配协同优化调度方法中的各个步骤。
[0151]
此外，上述存储器中的计算机程序可以通过软件功能单元的形式 实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取 存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现 有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式 体现出来，该计算机软件产品存储在一个存储介质中，包括若干计算 机程序以使得一台计算机设备(可以是个人计算机、服务器或者网络 设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述 的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，random access memory)、磁碟或 者光盘等各种可以存储程序代码的介质。
[0152]
另一方面，本发明提供了一种非暂态计算机可读存储介质，该非 暂态计算机可读存储介质上存储有计算机程序，该计算机程序被处理 器执行时实现如上所述的本发明实施例所提供的低碳排放的综合能源 输配协同优化调度方法中的各个步骤。
[0153]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部 件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的 部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也 可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或 者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付 出创造性的劳动的情况下，即可以理解并实施。
[0154]
最后应说明的是：以上实施例仅用于说明本发明的技术方案，而 非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领 域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技 术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修 改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方 案的精神和范围。
技术特征：1.一种低碳排放的综合能源输配协同优化调度方法，其特征在于，包括：基于能源的需求程度、能源来源的供应成本以及碳排放量，建立综合能源输配协同调度模型；利用logistic混沌映射和关键参数自适应策略改进的金鹰优化算法对所述综合能源输配协同调度模型进行优化并获得最优解；根据所述最优解，获得最优综合能源输配协同调度方案。2.根据权利要求1所述的低碳排放的综合能源输配协同优化调度方法，其特征在于，利用logistic混沌映射和关键参数自适应策略改进的金鹰优化算法对所述综合能源输配协同调度模型进行优化并获得最优解，包括：步骤一，采用logistic混沌映射生成初始种群并确定所述初始种群中的每一个的位置；步骤二，根据所述位置计算所述初始种群的适应度值；步骤三，根据所述初始种群的适应度值确定所述综合能源输配协同调度模型的历史最优解；步骤四，自适应地更新金鹰算法的系数，基于更新后的系数更新种群中个体的位置，根据更新后的个体位置计算所述位置对应的适应度值并更新所述历史最优解；步骤五，判断是否达到预定迭代次数，如果否，则执行步骤四，否则，执行步骤六；步骤六，基于所述历史最优解获得全局最优解。3.根据权利要求2所述的低碳排放的综合能源输配协同优化调度方法，其特征在于，根据更新后的个体位置计算所述位置对应的适应度值并更新所述历史最优解，包括：根据更新后的个体位置计算所述位置对应的适应度值；根据所述适应度值与所述历史最优解对应的适应度值之间的大小关系来更新所述历史最优解，其中，当所述适应度值小于所述历史最优解对应的适应度值时，将所述适应度值对应的个体更新为所述历史最优解。4.根据权利要求2所述的低碳排放的综合能源输配协同优化调度方法，其特征在于，根据所述初始种群的适应度值确定所述综合能源输配协同调度模型的历史最优解，包括：将所述初始种群中具有最优适应度值的个体确定为所述综合能源输配协同调度模型的历史最优解。5.根据权利要求2所述的低碳排放的综合能源输配协同优化调度方法，其特征在于，基于所述历史最优解获得全局最优解，包括：将所述历史最优解确定为所述全局最优解。6.根据权利要求1至5中任一项所述的低碳排放的综合能源输配协同优化调度方法，其特征在于，所述能源的类型包括电能源和热能源。7.根据权利要求6所述的低碳排放的综合能源输配协同优化调度方法，其特征在于，所述电能源的来源包括火电、核电、水电、风电、光伏发电，所述热能源的来源包括煤气、煤碳、液化气、天然气、电生热。8.一种低碳排放的综合能源输配协同优化调度系统，其特征在于，包括：能源输配协同调度模型构建单元，用于基于能源的需求程度、能源来源的供应成本以
及碳排放量，建立综合能源输配协同调度模型；能源输配协同调度模型优化单元，用于利用logistic混沌映射和关键参数自适应策略改进的金鹰优化算法对所述综合能源输配协同调度模型进行优化并获得最优解；能源输配协同调度方案获取单元，用于根据所述最优解，获得最优综合能源输配协同调度方案。9.一种电子设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-7中任一项所述低碳排放的综合能源输配协同优化调度方法的步骤。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述低碳排放的综合能源输配协同优化调度方法的步骤。
技术总结本发明公开了一种低碳排放的综合能源输配协同优化调度方法和系统、电子设备及存储介质。该方法包括：基于能源的需求程度、能源来源的供应成本以及碳排放量，建立综合能源输配协同调度模型；利用Logistic混沌映射和关键参数自适应策略改进的金鹰优化算法对所述综合能源输配协同调度模型进行优化并获得最优解；根据所述最优解，获得最优综合能源输配协同调度方案。本发明通过采用Logistic混沌映射和关键参数自适应策略对传统的金鹰优化算法进行改进，提高了算法的初始种群多样性和全局寻优能力，从而获得全局最优的综合能源输配协同调度方案，这既满足了需求侧的电热能源需求以及供给侧的供应成本要求，又减少了能源供应过程中的碳排放量。的碳排放量。的碳排放量。
技术研发人员：周杰 刘阳 曲欣 常泳 黄超 黎劲松 苏革 戴建国
受保护的技术使用者：石河子大学
技术研发日：2022.02.15
技术公布日：2022/7/5
