基于粒子群算法的冷-热-电-气综合能源系统优化调度模型-100%详细注释+多种对比方案 摘要：构建了含冷-热-电-气四种形式能源的综合能源系统优化调度模型，主要设备包括燃气锅炉、电锅炉、P2G、储能设备、风光机组、大电网、吸收式制冷机等，同时设置多组对比方案，例如对比是否含义P2G机组、风光最优消纳组以及冬季和夏季典型日等的对比

一、系统概述

本套代码基于改进粒子群算法（PSO）与Coot优化算法，构建了冷-热-电-气综合能源系统的优化调度模型，适用于夏季与冬季两种典型工况。系统以“经济效益与环境效益协同最优”为目标，通过多设备协同调度、风光出力不确定性处理及多方案对比，实现综合能源系统的高效运行。

基于粒子群算法的冷-热-电-气综合能源系统优化调度模型-100%详细注释+多种对比方案 摘要：构建了含冷-热-电-气四种形式能源的综合能源系统优化调度模型，主要设备包括燃气锅炉、电锅炉、P2G、储能设备、风光机组、大电网、吸收式制冷机等，同时设置多组对比方案，例如对比是否含义P2G机组、风光最优消纳组以及冬季和夏季典型日等的对比

代码整体分为两大核心模块：基础优化算法模块（含Coot算法与改进PSO算法）与综合能源调度模块（含夏季、冬季专项调度程序），共包含41个代码文件，覆盖从算法验证、设备建模、调度计算到结果可视化的全流程。

二、基础优化算法模块

1. Coot优化算法

1.1 算法定位

Coot算法是一种新型群体智能优化算法，本代码中用于优化算法性能验证，通过24个标准测试函数（F1-F24）验证其寻优精度与收敛速度，为综合能源调度提供算法性能参考。

1.2 核心功能

• 种群分层机制：将种群分为“带领者（Leader）”与“追随者（Coot）”两类，其中带领者占比10%，负责引导寻优方向，追随者占比90%，通过模仿带领者行为实现局部搜索与全局探索的平衡。
• 动态参数调节：迭代过程中动态调整参数A（局部搜索因子）与B（全局探索因子），初期增强全局探索能力以避免陷入局部最优，后期增强局部搜索能力以提升寻优精度。
• 边界约束处理：对超出变量上下限（lb/ub）的个体进行边界截断修正，确保所有寻优结果符合实际问题的变量约束范围。
• 收敛曲线记录：实时记录每一代的全局最优适应度值，生成收敛曲线，直观反映算法的寻优过程与收敛速度。

1.3 输入输出参数

• 输入：种群规模（N）、最大迭代次数（Max_iter）、变量下界（lb）、变量上界（ub）、变量维度（dim）、适应度函数（fobj）。
• 输出：收敛曲线（Convergence_curve）、全局最优解（gBest）、全局最优适应度值（gBestScore）。

2. 改进粒子群算法（PSO）

2.1 算法定位

改进PSO算法是综合能源系统调度的核心优化器，针对夏季、冬季不同工况的设备调度变量进行寻优，是实现“日前调度”的关键工具。

2.2 核心改进点

• 惯性权重线性递减：惯性权重（w）从0.9线性递减至0.2，迭代初期以较大权重增强全局探索能力，后期以较小权重聚焦局部精细搜索。
• 学习因子动态调整：认知学习因子（c1）从2递减至0.5，社会学习因子（c2）从0.5递增至2，平衡个体经验与群体最优信息的影响。
• 速度边界约束：将粒子速度限制在变量取值范围的50%以内，避免粒子因速度过大跳出可行域，提升算法稳定性。
• 适应度计算与约束惩罚：在适应度函数中引入惩罚因子，对违背电、冷/热、气负荷平衡约束的解进行惩罚，确保寻优结果满足实际系统运行要求。

2.3 输入输出参数

• 输入：种群规模（SwarmSize）、变量维度（ParticleDimension）、变量取值范围（ParticleScope）、适应度函数（AdaptFunc）、迭代次数（LoopCount）、系统参数（data）。
• 输出：最优调度方案（Result）、迭代最优适应度值（MaxAdaptFuncValue）、设备出力数据（output）、约束满足情况（flag）。

三、综合能源调度模块

1. 模块架构

综合能源调度模块按季节分为“夏季程序”与“冬季程序”，两者均采用“日前调度+实时调整”的两阶段调度框架，核心差异在于负荷类型与设备组合（夏季以冷负荷为主，冬季以热负荷为主）。模块内各子函数分工明确，形成“参数定义-设备建模-调度计算-结果分析”的完整流程，具体架构如下：

• 参数定义层：通过parameter.m定义系统负荷、设备参数、经济环保系数等基础数据。
• 设备建模层：通过UpdateGasTurbines.m、UpdateElecBoiler.m等函数建立燃气轮机、电锅炉、P2G等设备的数学模型。
• 调度计算层：通过Main.m实现日前调度与实时调整，通过fitness1.m-fitness3.m计算不同方案的经济环保成本。
• 结果分析层：通过DrawPictures.m生成设备出力、负荷平衡、弃风弃光等可视化图表，辅助方案对比。

2. 夏季程序（程序1）

2.1 工况特点

夏季负荷以“电负荷+气负荷+冷负荷”为主，核心设备包括燃气轮机、电制冷机、吸收式制冷机、P2G（电转气）设备、储电设备，采用“以冷定电、以电定气”的调度逻辑，即根据冷负荷需求确定制冷设备出力，进而推导发电与燃气设备的运行方案。

2.2 核心功能

• 日前调度：基于风光预测出力与负荷预测数据，以“经济+环保”为目标，优化吸收式制冷机的制冷量（1个优化变量），确定燃气轮机、电制冷机、电网购电、燃气网购气的日前出力方案。
• 风光不确定性处理：通过ActualGenerate.m生成风光实际出力（在预测值±20%范围内随机波动），模拟实际运行中的风光出力偏差。
• 实时调整（方案2）：引入P2G与储电设备处理风光出力偏差：
• 当风光实际出力＞预测值时：优先将冗余电量送入P2G转化为天然气储存，剩余冗余电量充入储电设备，超出储电容量的部分才视为弃风弃光。
• 当风光实际出力＜预测值时：优先利用储电设备放电补充短缺电量，不足部分从电网购入，降低对外部电网的依赖。
• 对比方案（方案3）：不设置P2G与储电设备，风光冗余量直接弃用、短缺量完全从电网购入，作为基准方案与方案2对比，验证P2G与储电设备的效益。

2.3 关键设备模型

• 燃气轮机：根据吸收式制冷机的热需求，计算燃气轮机的发电量与天然气耗量，实现“热-电-气”的联动计算。
• 电制冷机：根据冷负荷与吸收式制冷机的制冷量差额，计算电制冷机的耗电量，满足冷负荷平衡。
• P2G设备：将冗余电能转化为天然气，转化效率0.65，生成的天然气存入储气罐，提升风光消纳能力。
• 储电设备：充电效率0.95、放电效率0.95，自身损耗系数0.004，根据风光出力偏差实现充放电调度，平抑出力波动。

3. 冬季程序（程序2）

3.1 工况特点

冬季负荷以“电负荷+气负荷+热负荷”为主，核心设备包括燃气轮机、燃气锅炉、电锅炉、P2G设备、储电设备，采用“以热定电、以电定气”的调度逻辑，即根据热负荷需求确定供热设备出力，进而推导发电与燃气设备的运行方案。

3.2 核心功能

• 日前调度：优化变量维度从1维（夏季）提升至3维，包括燃气轮机产热量、燃气锅炉产热量、电锅炉产热量，通过多变量协同优化，满足冬季热负荷需求并降低经济环保成本。
• 实时调整与对比方案：逻辑与夏季程序一致，通过P2G与储电设备处理风光出力偏差，并设置无P2G/储电的基准方案，对比分析设备对系统运行的影响。

3.3 关键设备模型

• 燃气锅炉：根据热负荷需求，计算燃气锅炉的天然气耗量，制热效率0.85，是冬季供热的核心设备之一。
• 电锅炉：根据热负荷与燃气轮机、燃气锅炉的产热差额，计算电锅炉的耗电量，制热效率0.9，作为供热补充设备。
• 燃气轮机：与夏季程序一致，但产热直接用于满足热负荷（而非驱动吸收式制冷机），实现“热-电”联产。

4. 两阶段调度逻辑

4.1 第一阶段：日前调度

基于预测数据（风光预测出力、负荷预测值），通过改进PSO算法优化设备运行参数，确定24小时内各设备的日前出力方案。此阶段不考虑风光出力波动，核心目标是在满足负荷平衡的前提下，最小化系统运行成本（设备运行费+电网购电费+燃气网购气费）与环保成本（CO₂排放费）。

4.2 第二阶段：实时调整

基于风光实际出力与日前调度方案，进行实时调整：

• 对于“含P2G+储电”的方案（方案2）：通过P2G与储电设备消纳冗余风光、补充短缺电量，降低弃风弃光率与电网购电量。
• 对于“无P2G+储电”的方案（方案3）：冗余风光直接弃用、短缺电量完全从电网购入，作为基准方案对比。
• 成本计算：实时调整阶段的成本需额外考虑P2G运行费、弃风弃光惩罚费，更贴合实际运行场景。

四、核心功能与创新点

1. 多目标优化

系统目标函数兼顾经济效益与环境效益，通过data.aimfunc参数可灵活调整两者权重：

• 经济效益最优：data.aimfunc=[1,0]，仅考虑设备运行费、购电购气费。
• 环境效益最优：data.aimfunc=[0,1]，仅考虑CO₂排放费、弃风弃光惩罚费。
• 协同最优：data.aimfunc=[1,1]，同时考虑经济与环保成本，实现两者平衡。

2. 风光不确定性处理

通过ActualGenerate.m构建风光出力不确定集（预测值±20%波动），模拟实际运行中的风光出力随机性；通过P2G与储电设备的协同调度，平抑出力波动，提升系统对可再生能源的消纳能力，降低弃风弃光率。

3. 多方案对比

设置三种调度方案，形成完整的对比体系，验证设备配置与调度策略的有效性：

• 方案1：日前调度（无P2G/储电，无风光波动）。
• 方案2：实时调整（含P2G/储电，考虑风光波动）。
• 方案3：实时调整（无P2G/储电，考虑风光波动）。

通过对比三种方案的成本、弃风弃光率，可直观评估P2G与储电设备的投入效益。

4. 可视化分析

DrawPictures.m可生成9类核心图表，覆盖设备出力、负荷平衡、弃风弃光等关键指标：

• 设备出力图：展示燃气轮机、电网、风光等设备的24小时出力变化，辅助分析设备运行状态。
• 负荷平衡图：对比制冷/供热设备出力与冷/热负荷，验证负荷平衡约束满足情况。
• 弃风弃光图：对比不同方案的弃风弃光量，评估风光消纳效果。

图表采用专业的配色与格式，支持直接用于技术报告与学术论文。

五、系统运行流程

以夏季程序为例，系统运行流程如下：

1. 参数初始化：运行parameter.m，定义夏季负荷、设备参数、经济环保系数，并生成风光实际出力。
2. 日前调度：运行Main.m，通过改进PSO算法优化吸收式制冷机的制冷量，得到24小时日前调度方案（设备出力、购电购气量），并通过fitness1.m计算方案1的成本。
3. 实时调整（方案2）：调用ActualScenario.m，根据风光实际出力与日前方案，通过P2G与储电设备进行实时调整，生成方案2的设备运行数据，通过fitness2.m计算成本。
4. 实时调整（方案3）：调用ActualCompared3.m，不启用P2G与储电设备，生成方案3的运行数据，通过fitness3.m计算成本。
5. 结果可视化：调用DrawPictures.m，生成设备出力、负荷平衡、弃风弃光等图表，对比分析三种方案的优劣。

六、应用场景与价值

1. 应用场景

本套代码适用于园区级、区域级冷-热-电-气综合能源系统的调度优化，可直接应用于：

• 新能源消纳：通过P2G与储电设备提升风光消纳能力，降低弃风弃光率。
• 季节调度优化：针对夏、冬不同负荷特点，制定专项调度方案，提升系统运行效率。
• 设备配置评估：通过方案2与方案3的对比，为P2G、储电设备的投资决策提供数据支撑。
• 算法性能验证：通过Coot算法与改进PSO的对比，为优化算法选择提供参考。

2. 应用价值

• 经济价值：通过多设备协同调度与风光消纳优化，降低系统购电购气成本，减少弃风弃光惩罚，提升综合经济效益。
• 环保价值：通过优化燃气轮机、燃气锅炉的运行，降低CO₂排放；通过提升风光消纳，减少化石能源消耗，助力“双碳”目标。
• 技术价值：构建的两阶段调度框架、设备模型、不确定性处理方法，可为综合能源系统调度的理论研究与工程应用提供参考。

七、使用建议

1. 参数调整：根据实际系统的负荷规模、设备参数，修改parameter.m中的负荷数据、设备效率、经济环保系数，确保模型贴合实际场景。
2. 算法优化：若需提升寻优精度，可调整改进PSO的种群规模（建议50-100）、迭代次数（建议200-300），或通过Coot算法验证优化结果的可靠性。
3. 方案对比：重点关注方案2与方案3的成本、弃风弃光率差异，评估P2G与储电设备的投入回报比，为实际系统的设备配置提供依据。
4. 扩展功能：可基于现有框架扩展“春秋季调度程序”“多能互补优化”等功能，进一步提升代码的适用性。