王 娟， 王致杰， 趙劉亮， 莊石榴

(1. 上海電機(jī)學(xué)院 電氣學(xué)院, 上海 201306； 2. 南京國聯(lián)電力工程設(shè)計(jì)有限公司 發(fā)電設(shè)計(jì)研究所, 南京 210000； 3. 國網(wǎng)江蘇省電力有限公司鹽城市大豐區(qū)供電分公司 輸變電運(yùn)檢中心, 鹽城 224100)

為解決世界能源需求不斷增長、環(huán)境污染以及能源轉(zhuǎn)化與利用效率低下等問題，越來越多的國家都開始改變能源結(jié)構(gòu)，尋找可替代的能源形式，提高能源利用和轉(zhuǎn)化效率[1]。隨著社會(huì)的發(fā)展和科技的不斷進(jìn)步，綜合能源系統(tǒng)(Integrated Energy System, IES)的產(chǎn)生，提高了能源轉(zhuǎn)化和利用效率，降低溫室氣體的排放量，同時(shí)可以給用戶提供多樣性的需求[2-4]。

目前，國內(nèi)外專家學(xué)者對(duì)IES的運(yùn)行優(yōu)化和群搜索優(yōu)化(Group Search Optimizer, GSO)算法已有一些研究。文獻(xiàn)[5]采用粒子群優(yōu)化(Particle Swarm Optimization, PSO)算法求解區(qū)域IES運(yùn)行優(yōu)化的問題，其優(yōu)化目標(biāo)是系統(tǒng)總能量損失最小；文獻(xiàn)[6]以總運(yùn)行成本最小為目標(biāo)，通過改進(jìn)混沌PSO算法求解區(qū)域電熱IES經(jīng)濟(jì)調(diào)度的問題；文獻(xiàn)[7]采用以熱定電和電定熱的運(yùn)行策略，實(shí)現(xiàn)并網(wǎng)方式下運(yùn)行成本最小化和孤島方式下能源利用率最大化。綜上可知，常見的運(yùn)行優(yōu)化策略是以電定熱(冷)、以熱(冷)定電或者混合的運(yùn)行方式，很少采用“經(jīng)濟(jì)最優(yōu)”的運(yùn)行模式，并且設(shè)備的轉(zhuǎn)化效率都為常數(shù)，很少考慮設(shè)備的變工況特性。另外，對(duì)于高維復(fù)雜的模型，PSO在求解的過程中容易陷入局部最優(yōu)的陷阱，導(dǎo)致難以尋得最優(yōu)值。

而在這一方面，GSO具有一定優(yōu)勢，但其算法的迭代后期易陷入局部最優(yōu)，因?yàn)樵诘笃谒惴ǖ姆N群缺失了多樣性，有時(shí)難以達(dá)到理想的優(yōu)化效果。文獻(xiàn)[8]采用GSO算法解決風(fēng)光儲(chǔ)微電網(wǎng)的經(jīng)濟(jì)優(yōu)化調(diào)度問題，對(duì)比PSO算法，證明了GSO算法在求解多模態(tài)高維問題時(shí)具有良好的收斂性能；文獻(xiàn)[9]在組織者搜索策略中采用自適應(yīng)的協(xié)方差矩陣，進(jìn)行水-火聯(lián)合優(yōu)化調(diào)度；文獻(xiàn)[10]針對(duì)GSO算法易陷入局部最優(yōu)，影響尋優(yōu)效果等問題，引入模擬退火策略和差分進(jìn)化算子變異，改進(jìn)算法的收斂策略和群體智能性，經(jīng)驗(yàn)證，該方法可提高其全局收斂能力和尋優(yōu)能力；文獻(xiàn)[11]采用混合算法的方式，相互結(jié)合且相互演化，提高了算法的收斂速度和尋優(yōu)效率，同時(shí)，由于文化算法的信仰空間與GSO算法的群體空間兩個(gè)空間種群間信息的互相傳遞，有效地提高了算法的種群多樣性，可避免算法過早陷入局部極值點(diǎn)；文獻(xiàn)[12]針對(duì)GSO局部搜索能力不強(qiáng)，采用二次插值法，將GSO中的隨機(jī)點(diǎn)替換成由二次插值法計(jì)算出的預(yù)測點(diǎn)，可提高原算法的收斂速度；文獻(xiàn)[13]提出一種改進(jìn)的GSO算法——快速GSO算法，即基于GSO算法，結(jié)合PSO算法進(jìn)行改進(jìn)，算法搜索方式運(yùn)用步長搜索法，放棄了GSO算法按角度搜索的方法。

針對(duì)上述問題，本文綜合考慮設(shè)備的變工況特性，同時(shí)，利用多元儲(chǔ)能系統(tǒng)解決系統(tǒng)熱電比與用戶熱電比不一致的問題，建立IES經(jīng)濟(jì)運(yùn)行優(yōu)化模型。另外在改進(jìn)GSO算法中，提出基于改進(jìn)帳篷混沌映射的種群初始化和基于Levy飛行特征的跟隨者更新策略，提高改進(jìn)算法解決高維復(fù)雜問題的收斂速度和求解精度。算例仿真驗(yàn)證了模型和改進(jìn)算法的適用性，同時(shí)分析了設(shè)備變工況特性對(duì)系統(tǒng)運(yùn)行優(yōu)化的影響。

1 IES運(yùn)行優(yōu)化模型

1.1 IES結(jié)構(gòu)

IES是對(duì)可再生能源、電、天然氣等各種形式能源綜合利用的系統(tǒng)，可實(shí)現(xiàn)產(chǎn)能用能的高效性。該系統(tǒng)由光伏、燃?xì)廨啓C(jī)和電網(wǎng)給系統(tǒng)的電負(fù)荷供電，實(shí)行自由上網(wǎng)，多余部分可出售給電網(wǎng)或儲(chǔ)存在蓄電池中；系統(tǒng)的熱負(fù)荷由燃?xì)廨啓C(jī)的熱回收裝置余熱鍋爐和燃?xì)忮仩t提供，多余部分儲(chǔ)存在儲(chǔ)熱裝置內(nèi)；系統(tǒng)的冷負(fù)荷由吸收制冷機(jī)和電制冷機(jī)供給，多余部分儲(chǔ)存在蓄冷裝置內(nèi)，如圖1所示。

圖1 IES的能量流動(dòng)示意圖

1.2 設(shè)備變工況的簡化

一般情況下，為了簡化模型的復(fù)雜程度，通常會(huì)不考慮設(shè)備的變工況特性，即認(rèn)為設(shè)備的效率為常數(shù)。但考慮到一些設(shè)備的效率因負(fù)荷率的減小而發(fā)生變化，即當(dāng)設(shè)備的實(shí)際效率較低時(shí)，則設(shè)備運(yùn)行不經(jīng)濟(jì)。因此，本文設(shè)定一個(gè)負(fù)荷率邊界值，當(dāng)設(shè)備負(fù)荷率低于該值時(shí)，系統(tǒng)會(huì)使設(shè)備的出力為0。因此，設(shè)備的輸出功率為

(1)

根據(jù)對(duì)燃?xì)廨啓C(jī)、電制冷機(jī)、吸收式制冷機(jī)等多種設(shè)備變工況特性的建模分析，可按照式(1)對(duì)其負(fù)荷率邊界值及效率值進(jìn)行取值。根據(jù)設(shè)備的參數(shù)，燃?xì)廨啓C(jī)的負(fù)荷率邊界值取0.4，電制冷機(jī)的負(fù)荷率邊界值取0.1。

1.3 目標(biāo)函數(shù)

運(yùn)行優(yōu)化時(shí)，其運(yùn)行費(fèi)用可分為兩個(gè)部分為設(shè)備運(yùn)行的維護(hù)費(fèi)用和能源消耗費(fèi)用(包括消耗天然氣的費(fèi)用以及與大電網(wǎng)進(jìn)行交互的購售電費(fèi)用)。

(1) 運(yùn)行維護(hù)費(fèi)用。運(yùn)行維護(hù)費(fèi)用Com-24與系統(tǒng)內(nèi)設(shè)備每小時(shí)的輸出功率有關(guān)，即

(2)

(2) 能源消耗費(fèi)用。降低能源消耗費(fèi)用，即降低設(shè)備所消耗的燃料成本和購電成本，則該系統(tǒng)的能源消耗費(fèi)用如下：

(3)

IES運(yùn)行優(yōu)化的控制變量為各個(gè)設(shè)備每小時(shí)的出力，定義為

(4)

1.4 約束條件

所建立的IES運(yùn)行優(yōu)化問題主要包括系統(tǒng)的功率平衡約束、設(shè)備輸出功率約束和對(duì)立約束等。

(1) 系統(tǒng)的功率平衡約束：包括系統(tǒng)中冷、熱、電功率平衡約束[8]。

(2) 設(shè)備輸出功率的約束:包括燃?xì)鉅t機(jī)、燃?xì)忮仩t、電制冷機(jī)、吸收式制冷機(jī)等[8]。

(3) 儲(chǔ)能裝置的功率約束：包括蓄電池、儲(chǔ)熱裝置、儲(chǔ)冷裝置[8]。

(4) 對(duì)立約束:包括儲(chǔ)能裝置充能和放能不能同時(shí)進(jìn)行以及與大電網(wǎng)交互的購電和售電也不能同時(shí)進(jìn)行。

(5)

(6)

(5) 與大電網(wǎng)功率交互的約束

(7)

2 基于改進(jìn)Tent映射和Levy飛行的GSO算法

2.1 GSO算法的原理

依據(jù)動(dòng)物不同的覓食行為和生活習(xí)性，種群的成員可分為發(fā)現(xiàn)者、跟隨者和游蕩者。發(fā)現(xiàn)者通過模擬魚類的視覺搜索機(jī)制，在空間的前面、左邊和右邊這3個(gè)視角方向進(jìn)行搜索，當(dāng)發(fā)現(xiàn)者搜索到資源豐富的位置時(shí)，直接移動(dòng)到該位置并分享該位置。跟隨者負(fù)責(zé)緊跟發(fā)現(xiàn)者，并在發(fā)現(xiàn)者的周圍區(qū)域進(jìn)行隨機(jī)搜索，尋找資源更豐富的位置。為避免算法陷入局部最優(yōu)，引入了游蕩者這一角色，可以在整個(gè)搜索領(lǐng)域內(nèi)進(jìn)行獨(dú)立地隨機(jī)搜索以保持種群的多樣性。另外在迭代的過程中，發(fā)現(xiàn)者、跟隨者和游蕩者可以根據(jù)所在位置資源的豐富程度即自適度值的大小進(jìn)行角色的互換。

(1) 發(fā)現(xiàn)者搜索策略。在每次迭代的過程中，選取適應(yīng)度值最好的個(gè)體作為發(fā)現(xiàn)者，其坐標(biāo)為Xp，并對(duì)其周圍的區(qū)域進(jìn)行尋優(yōu)，其最大搜索角為θmax，最大搜索距離為lmax，則在第k次迭代時(shí)，發(fā)現(xiàn)者將進(jìn)行區(qū)域?qū)?yōu)，具體公式如下[10]：

前方區(qū)域?yàn)?/p>

(8)

右側(cè)區(qū)域?yàn)?/p>

(9)

左側(cè)區(qū)域?yàn)?/p>

(10)

在求出每個(gè)區(qū)域的適應(yīng)度值后，發(fā)現(xiàn)者會(huì)比較這些適應(yīng)度值以決定未來的行進(jìn)方向。如果有更好的位置，發(fā)現(xiàn)者會(huì)前往該區(qū)域。如果不存在更好的位置，發(fā)現(xiàn)者會(huì)保持原地不動(dòng)，同時(shí)更換搜索方向，并轉(zhuǎn)換方向角[11]，則

φk+1=φk+μ2ωmax

(11)

式中：ωmax為最大轉(zhuǎn)向角度，取為θmax/2。

在經(jīng)過α次的角度轉(zhuǎn)換后，如果發(fā)現(xiàn)者依然沒有發(fā)現(xiàn)更好的位置，則搜索方向角變回原方向角：

φk+α=φk

(2) 跟隨者搜索策略。種群剩余成員中80%被選作跟隨者，它們將向發(fā)現(xiàn)者移動(dòng)，協(xié)助發(fā)現(xiàn)者對(duì)周圍區(qū)域進(jìn)行搜索。對(duì)于第i個(gè)跟隨者，第k次迭代時(shí)其更新公式為[14]

(12)

式中：μ3為符合(0，1)之間均勻分布的隨機(jī)序列，μ3∈Rn。

(3) 游蕩者搜索策略。余下成員作為游蕩者，這些游蕩者將在可行域內(nèi)進(jìn)行隨機(jī)搜索，探尋適應(yīng)度值更好的位置。對(duì)于第i個(gè)跟隨者，第k次迭代時(shí)的方向角φi的更新公式為[14]

(13)

隨機(jī)選擇一個(gè)移動(dòng)距離：

li=αμ1lmax

(14)

游蕩者隨機(jī)移動(dòng)至新位置：

(15)

2.2 基于改進(jìn)Tent混沌映射的種群初始化

針對(duì)種群隨機(jī)性的初始化，會(huì)減緩其收斂速度，因此，提出采用改進(jìn)Tent混沌映射進(jìn)行種群初始化，即通過改進(jìn)映射產(chǎn)生的隨機(jī)序列代替種群個(gè)體初始化的隨機(jī)變量，以提高初始種群個(gè)體位置的分布均勻密度，提高GSO算法的尋優(yōu)性能。

參考文獻(xiàn)[15]提出的改進(jìn)Tent混沌映射，即在Tent映射中引入隨機(jī)方程：0.1·rand(0，1)并產(chǎn)生擾動(dòng)，當(dāng)取值為小周期點(diǎn)或者固定點(diǎn)時(shí)使其再次處于混沌狀態(tài)，即

(16)

依據(jù)改進(jìn)Tent混沌映射的特性，產(chǎn)生改進(jìn)Tent混沌映射序列的流程如下：

(1) 取隨機(jī)初值x0，避免落入小周期點(diǎn){0.2，0.4，0.6，0.8}內(nèi)。記為標(biāo)記數(shù)組x(1)=x0，i=1，j=1。

(2) 若迭代次數(shù)達(dá)到最大值，跳轉(zhuǎn)(5)。否則，按式(16)進(jìn)行迭代，產(chǎn)生一組x序列。每次迭代后i=i+1。

(3) 若在x(i)={0，0.25，0.50，0.75}或者x(i)=x(i-m)，m={0，1，2，3，4}，則轉(zhuǎn)(4)。

(4) 按x(i)=x(i)+0.1·rand(0，1)來替代迭代初值，j=j+1，轉(zhuǎn)至(2)。

(5) 終止運(yùn)行，保存z序列數(shù)據(jù)。

當(dāng)種群初始化時(shí)，將種群位置初始化公式中的隨機(jī)變量替換為改進(jìn)的Tent混沌映射生成的序列數(shù)據(jù)，使得種群個(gè)體可獲取均勻的初始值，從而提高解的質(zhì)量，并加快算法的收斂速度。

2.3 基于Levy飛行特征的跟隨者更新策略

在計(jì)算的后期階段，算法會(huì)出現(xiàn)嚴(yán)重的趨同性，因?yàn)榇罅康淖冯S者集中聚集于發(fā)現(xiàn)者的附近。本文針對(duì)此現(xiàn)象提出一種改進(jìn)方式，基于Levy飛行特征的搜尋行為，即利用Levy飛行特點(diǎn)(長時(shí)間的短距離來回搜索軌跡與偶爾長距離搜索軌跡相互穿插)，產(chǎn)生的隨機(jī)步長s應(yīng)用到跟隨者的位置更新中，可以使得群成員跳出局部最優(yōu)，提高搜索方向的多樣性，加強(qiáng)對(duì)未知空間的搜索能力，使整個(gè)種群的搜索行為更有效，加快了GSO后期迭代收斂速度。

本文將Levy飛行產(chǎn)生的隨機(jī)步長s應(yīng)用到跟隨者的搜索行為當(dāng)中，修改跟隨者的更新策略，即

傳統(tǒng)知識(shí)服務(wù)商在集成海量二次文摘與引文數(shù)據(jù)庫，并擁有用戶行為數(shù)據(jù)的基礎(chǔ)上，對(duì)期刊、論文、學(xué)者、機(jī)構(gòu)進(jìn)行評(píng)價(jià)，以對(duì)期刊評(píng)價(jià)以便進(jìn)行期刊評(píng)級(jí)（如影響因子、CS）；對(duì)學(xué)者的科研能力評(píng)估，對(duì)機(jī)構(gòu)的科研能力與創(chuàng)新力等進(jìn)行評(píng)估，以幫助機(jī)構(gòu)尋找合作者、引進(jìn)人才、發(fā)現(xiàn)投資項(xiàng)目等。

(17)

采用Levy飛行的特點(diǎn)，隨機(jī)產(chǎn)生的步長s沒有確定的大小和方向，具有很大的跳躍性，能夠讓GSO算法在后期的搜索迭代中輕松跳出局部最優(yōu)，增強(qiáng)算法的探索能力，加快算法的收斂速度。

2.4 改進(jìn)GSO算法的步驟

步驟1首先確定GSO的種群規(guī)模、維度、迭代次數(shù)，然后采用改進(jìn)Tent混沌映射進(jìn)行種群初始化和搜索角度，同時(shí)，計(jì)算出最大的搜索距離、常數(shù)a、最大搜索角度、最大的轉(zhuǎn)向角度以及初始方向；

步驟2檢查每一個(gè)群成員是否同時(shí)符合約束邊界條件和自變量邊界條件，若是則進(jìn)行下一步，否則返回步驟1；

步驟3計(jì)算每個(gè)群成員的適應(yīng)度值，選擇適應(yīng)度最小的成員作為發(fā)現(xiàn)者；

步驟4按式(17)～式(26)進(jìn)行迭代，重新更新發(fā)現(xiàn)者、跟隨者和游蕩者位置；

步驟5判斷每個(gè)群成員是否滿足約束條件或者取值范圍，若是則進(jìn)行下一步，否則按照回飛原則返回原來有效的位置進(jìn)行位置的重新更新；

步驟6重新計(jì)算每個(gè)群成員的適應(yīng)度函數(shù)值，更新發(fā)現(xiàn)者；

2.5 仿真實(shí)驗(yàn)與結(jié)果分析

本文選取了常見的4種測試函數(shù)來驗(yàn)證改進(jìn)GSO算法的性能優(yōu)劣，其中前兩個(gè)是單模態(tài)函數(shù)，后兩個(gè)是多模態(tài)函數(shù)。PSO采用標(biāo)準(zhǔn)粒子群參數(shù)，GSO和改進(jìn)的GSO采用的參數(shù)設(shè)置見文獻(xiàn)[14]，另外3種算法的種群規(guī)模采用48，維度采用100。本文采用3種算法對(duì)上述的測試函數(shù)進(jìn)行尋優(yōu)，迭代次數(shù)為1 500，為保證實(shí)驗(yàn)的準(zhǔn)確性，進(jìn)行30次測試，并對(duì)其取平均值，計(jì)算其標(biāo)準(zhǔn)差，通過對(duì)比驗(yàn)證改進(jìn)算法的收斂性和穩(wěn)定性。比較結(jié)果如表1所示。由表1可見，4種測試函數(shù)在100維迭代1 500次時(shí)，除Rastrign以外，改進(jìn)GSO都取得了最優(yōu)表現(xiàn)，改進(jìn)效果顯著并且通過標(biāo)準(zhǔn)差可以看出，該改進(jìn)算法的穩(wěn)定性較高。

表1 4種測試函數(shù)適應(yīng)度值的平均值和標(biāo)準(zhǔn)差

為了直觀地看出3種算法收斂精度和收斂速度的優(yōu)劣，本文以X軸為相應(yīng)的迭代次數(shù)，以Y軸為最優(yōu)適應(yīng)度平均值，采用以10為底的對(duì)數(shù)坐標(biāo)，列出了3種算法優(yōu)化過程的對(duì)比圖，如圖2所示。

在優(yōu)化的對(duì)比圖中，GSO展現(xiàn)了其高維度的優(yōu)勢，其收斂效果明顯優(yōu)于PSO，并且改進(jìn)GSO收斂速度也為算法中最優(yōu)。

圖2 算法優(yōu)化過程的對(duì)比

3 算例分析

3.1 基礎(chǔ)數(shù)據(jù)

以某園區(qū)夏季典型日的電、冷和熱負(fù)荷能源需求為模型，如圖3所示，各相關(guān)設(shè)備經(jīng)濟(jì)及技術(shù)參數(shù)以及能源的峰谷平價(jià)格同文獻(xiàn)[16]。種群規(guī)模取48，迭代次數(shù)為300。運(yùn)行周期和運(yùn)行間隔分別為24 h和1 h。

圖3 某園區(qū)夏季典型日負(fù)荷曲線及太陽輻射密度

3.2 運(yùn)行優(yōu)化結(jié)果與分析

分別用改進(jìn)GSO、PSO以及GSO算法對(duì)IES經(jīng)濟(jì)運(yùn)行優(yōu)化模型進(jìn)行仿真，求解結(jié)果如表2所示。由表2可見，改進(jìn)GSO算法對(duì)模型仿真的優(yōu)化結(jié)果最優(yōu)，且考慮設(shè)備變工況特性可以降低系統(tǒng)的運(yùn)行成本。另外考慮設(shè)備變工況對(duì)系統(tǒng)運(yùn)行優(yōu)化的影響并分析其優(yōu)化結(jié)果，共分為2個(gè)場景，場景1為不考慮設(shè)備變工況，場景2為考慮設(shè)備變工況。

表2 不同場景下不同優(yōu)化算法的運(yùn)行成本對(duì)比

不考慮設(shè)備變工況下的電能、熱能以及冷能運(yùn)行優(yōu)化結(jié)果，如圖4所示?？紤]設(shè)備變工況下的電能、熱能以及冷能運(yùn)行優(yōu)化結(jié)果，如圖5所示。

圖4不考慮設(shè)備變工況下的電能、熱能以及冷能運(yùn)行優(yōu)化結(jié)果

圖5考慮設(shè)備變工況下的電能、熱能以及冷能運(yùn)行優(yōu)化結(jié)果

由圖4(a)可知，光伏發(fā)電、燃?xì)廨啓C(jī)出力和電網(wǎng)購電量的供應(yīng)時(shí)刻與電負(fù)荷和電制冷耗電量消耗時(shí)刻保持一致，且未出現(xiàn)電網(wǎng)倒送，證明了采用改進(jìn)GSO算法求解IES經(jīng)濟(jì)性運(yùn)行優(yōu)化模型的可行性。在電價(jià)的谷時(shí)段(22：00～5：00)，燃?xì)廨啓C(jī)不啟動(dòng)，電網(wǎng)購電不僅要滿足用戶的電負(fù)荷需求，而且還滿足電制冷的耗電量。在電價(jià)其他時(shí)段(6：00～21：00)，優(yōu)先考慮燃?xì)廨啓C(jī)發(fā)電滿足電需求和電制冷機(jī)，不足的部分則由電網(wǎng)提供。

由圖4(b)和圖4(c)可知，在電價(jià)的谷時(shí)段(22：00～5：00)，由燃?xì)忮仩t滿足用戶的冷熱需求，冷需求不足部分由系統(tǒng)購電通過電制冷機(jī)提供；在電價(jià)的其他時(shí)段(6：00～21：00)，優(yōu)先考慮燃?xì)廨啓C(jī)的余熱滿足負(fù)荷的冷熱需求，多余的熱量儲(chǔ)存在儲(chǔ)熱設(shè)備中，而不足的冷需求則由電制冷機(jī)來提供。

對(duì)比圖4(a)和圖5(a)可知，當(dāng)燃?xì)廨啓C(jī)的出力低于其邊界功率值時(shí)，根據(jù)經(jīng)濟(jì)最優(yōu)原則，優(yōu)先考慮增大燃?xì)廨啓C(jī)的出力滿足電能的需求，由于此時(shí)的購電經(jīng)濟(jì)效益不如燃?xì)廨啓C(jī)，因此，可以降低系統(tǒng)的運(yùn)行成本。

對(duì)比圖4(b)與圖5(b)可知，燃?xì)忮仩t產(chǎn)生的余熱和燃?xì)廨啓C(jī)產(chǎn)生的熱量給用戶提供熱能以及給吸收式制冷器提供熱量的趨勢是一致的，差別在于熱儲(chǔ)能的出力不一致。

由于電制冷機(jī)的出力遠(yuǎn)遠(yuǎn)大于其邊界功率值，故冷能的供需圖與原來圖4(c)的優(yōu)化結(jié)果保持一致。

4 結(jié) 論

為消納可再生能源和提高IES的運(yùn)行效率，本文采用經(jīng)濟(jì)最優(yōu)的運(yùn)行模式，考慮設(shè)備的變工況特性，引入多元儲(chǔ)能系統(tǒng)，建立IES經(jīng)濟(jì)運(yùn)行優(yōu)化的模型，滿足用戶多樣性的用能需求。通過提出基于改進(jìn)Tent混沌映射的種群初始化，提高解決高維復(fù)雜問題的收斂速度，同時(shí)，提出Levy飛行特征的跟隨者更新策略，減少種群的趨同性，改進(jìn)算法能有效跳出局部最優(yōu)；加入多元儲(chǔ)能系統(tǒng)，可以有效解決系統(tǒng)熱(冷)電比與用戶熱(冷)電比不一致的問題，同時(shí)，能夠給系統(tǒng)提供有效的功率儲(chǔ)備、增加系統(tǒng)抑制預(yù)測波動(dòng)的能力，另外起到削峰填谷的作用。仿真結(jié)果表明，本文所建立的以燃料成本和購、售電成本最小為目標(biāo)的IES經(jīng)濟(jì)運(yùn)行優(yōu)化模型的有效性，對(duì)比PSO和GSO算法，改進(jìn)GSO算法在求解多約束高維的IES運(yùn)行優(yōu)化上具有較好的適應(yīng)性和實(shí)用性。另外考慮設(shè)備的變工況特性，可以降低系統(tǒng)的運(yùn)行成本，對(duì)實(shí)際生產(chǎn)具有一定的指導(dǎo)意義。