[0001] 本发明涉及混合能源系统技术领域，具体为一种基于谱归一化生成对抗网络的综合能源系统运行方法。

[0002] 随着化石能源的逐渐枯竭，能源高效利用成为能源领域专家学者研究的重点。综合能源系统(integrated energy system，IES)耦合冷、热、电、气等4种能源，为用户提供冷、热、电等多种负荷需求，可以实现能源间的互补利用、降低系统运行成本、提升能源利用效率和减少污染排放量。对于包含可再生能源的综合能源系统，其发电的随机性、间歇性和多种负荷的波动性等多重不确定性的存在，导致无法准确预测发电功率和负荷，从而无法为系统制定精确的调度计划，这对综合能源系统的运行的稳定性和经济性造成了很大影响。

[0003] 大量的文献在综合能源系统优化调度研究中考虑到了源荷的不确定性，取得了丰富的研究成果。例如，张津珲，王旭，蒋传文，等，计及交通流量不确定性的多网耦合综合能源系统优化调度方法[J].电网技术，2019，43(9):3081‑3089等文献，在构建综合能源系统优化调度模型时，考虑了新能源汽车运行的时空不确定性导致的能源供需失衡问题。

[0004] 上述文献为综合能源系统运行中的不确定性问题提供了许多有价值的研究方法，取得了丰富的研究成果。但在现有的研究成果中，一般只考虑了系统中某种单一源荷的不确定性或只采用某一种方法处理多重不确定性，而忽略了系统中可再生能源发电和负荷预测误差等不确定性各自的特征，存在一定的片面性。事实上，可再生能源发电存在随机性时，其概率分布函数确定，因此适合使用随机法来处理；负荷预测存在误差，其概率分布和隶属度关系难以确定，因此适合使用区间法或鲁棒优化法进行处理。相比于区间法，鲁棒优化方法一般侧重于极端情况，要求在最坏情况下满足约束，所得优化结果往往过于保守。

[0048] 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做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。

[0049] 请参阅图1至图17，本发明提供一种技术方案：为降低上级电网电价、源荷出力等多重不确定性对综合能源系统经济性与稳定性
的影响，提出基于谱归一化生成对抗网络的场景生成方法。首先，获得不确定性变量的典型场景集；其次，融合不确定性变量场景信息，采用1‑范数约束与盒式约束来制定鲁棒不确定性集，构建以运行成本最低为目标的三阶段鲁棒优化调度模型。然后，采用结合双层CCG、Karush‑Kuhn‑Tucker 条件、大 M 法的化简方法，将三阶段鲁棒模型转化为单层混合整数模型，并利用商业求解器 GUROBI 进行求解。最后，通过算例仿真验证了所提模型和方法的有效性。CCG：列和约束算法，Karush‑Kuhn‑Tucker：卡鲁什•库恩•塔克。

[0050] 1. 基于SNWGAN与K‑means++聚类的典型场景生成1.1 SNWGAN
WGAN‑GP是GAN最重要的衍生模型之一，采用Gradient Penalty（GP）梯度惩罚项，使Wasserstein（挖土机距离）距离满足Lipschitz（利普希茨连续/莱普尼兹）连续性条件。
Lipschitz连续性保证了最优鉴别函数的与唯一纳什均衡的存在，对模型的稳定训练至关重要。

[0051] WGAN‑GP由2个神经网络组成，一个是生成器(generator,G)，另一个为判别器(discriminator,D)；G 以随机噪声为输入，用于挖掘真实样本数据的内在特征，从而生成大量与真实数据相似的新数据样本；D 以真实数据和生成数据为输入，目的为尽可能区别真实数据和生成数据。WGAN‑GP的目标函数如下所示。

[0052] （1）；然而，WGAN‑GP引入的GP项只能让Wasserstein距离近似满足Lipschitz连续性，难以实现全局约束。本文通过引入谱范数来归一化判别网络中的权重矩阵，进一步约束其判别性能。

[0053] 假设输入为X，判别器表述 ，对于任意输入的X均有：（2）；
整体标记判别器权重和偏置：
（3）；
则可得到：
（4）；
根据 可得：
（5）；
对权重进行归一化：
（6）；
综上可得，对于任意X：
（7）；
利用上述不等式，只需计算每层权值矩阵的最大奇异值即可实现全局1‑
Lipschitz约束。

[0054] 为 的谱范数， 为判别器各层权重， 为判别器各层偏置，为判别器第l层；判别器总层数； 为判别器输出度矩阵， 为真实场景与生成场景2个分布
的Wasserstein 距离  为需满足 1‑Lipschitz 连续， 为真实场景 的分布概率
为随机噪声 的分布概率， 为生成场景的分布概率。

[0055] 2. 综合能源系统结构及三阶段RO调度模型2.1综合能源系统结构
本文构建的综合能源系统主要包括热电联产机组（ Combined Heating and 
Power, CHP）单元、电力制氢（Power to Gas，P2G）单元、碳捕集（Carbon Capture and Storage ，CCS）单元、风力机组(WT)、燃气锅炉（GB）、电储能（ESS）、热储能（HSD）、Superior Grid（SG）、Natural Gas Network（NSN）和电负荷（EL）、热负荷（HL），具体如图2所示。

[0056] 2.2综合能源系统三阶段RO调度模型2.2.1第一阶段调度模型
1）目标函数
在第一阶段中，我们以0‑1变量状态切换成本最小化为目标函数，包括IES与上级电网功率交换状态、储能设备充放电状态，目标函数表达式为：
（8）；
2）约束条件
（9）；
（10）；
2.2.2 第二阶段调度模型
1）目标函数
在第二阶段中，我们以IES与上级电网功率交换成本最小化为目标函数，目标函数表达式为：
（11）；
、 分别为t时刻 IES 与上级电网功率交换的购电价格与
售电价格； 、 分别为t时刻 IES 与上级电网交换的购电功率与售电
功率。

[0057] 2）约束条件（12）；
（13）；
2.2.3 第三阶段调度模型
1）目标函数
第三阶段以最小化 IES 运行成本为目标函数，具体包括购气成本 、储能运行
成本 与碳交易成本 （ 的具体计算过程详见2）约束条件中的（b））。

[0058] （14）；（15）；
（16）；
式中， 为 IES 向上级电网购气的气价； 为储能充放电的折旧成本系数；
2）约束条件
（a）CHP‑CCS‑P2G系统耦合模型约束条件
（17）；
（18）；
（19）；
（20）；
（21）；
（22）；
（23）；
（24）；
（25）；
（26）；
（27）；
（28）；
式中， 为CHP机组消耗的天然气； 为天然气的热值， 、 分
别为CHP机组的发电、产热效率； 、 分别为CHP机组的输出的电功率与热功
率； 、 分别为CHP机组输出电功率和热功率的最大值； 为CHP机组碳
排放转化系数； 为CHP机组的碳排放数值； 为CCS捕获CO2的数值； 为
CCS系统捕获CO2的耗电系数； 为CCS捕获CO2所消耗的电功率； 为P2G生成天然气所需要CO2的量与耗电量的转化系数； 为P2G消耗CO2的数值； 为P2G消耗的电
功率； 为P2G转化为天然气的效率； 为CHP‑CCS‑P2G系统协同运行的净出力。

[0059] 经过CCS‑P2G吸收转换后，CHP‑CCS‑P2G实际碳排放量 以及微网的总碳排放量 可表示为：（29）；
（30）；
式中， 、 为GB与上级电网的碳排放系数； 为综合能源系统向上级电
网购入的电功率（假设从电网电能均来源于燃煤机组）。

[0060] （b）碳交易约束条件目前，国内碳交易的分配机制多为无偿分配，IES初始碳排放配额模型如下：
（31）；
式中， 为分配给综合能源系统的无偿配额； 、 分别为燃气机组与燃煤
机组的碳排放系数。

[0061] 由此，综合能源系统实际参与碳交易市场中的碳配额 ，正值代表综合能源系统购买碳配额，负值代表综合能源系统出售碳配额。

[0062] （32）；（c）储能设备约束条件
（33）；
（34）；
（35）；
（36）；
（d）燃气锅炉模型及其约束
（37）；
（38）；
（e）IES功率平衡约束
IES功率平衡包括电功率平衡与热功率平衡，约束分别为公式（39）与公式（40）。

[0063] （39）；（40）；
3. 多重不确定性RO建模及模型求解
3.1 基于多面体不确定集合的多重不确定性处理
考虑到上级电网电价与IES源荷具有不确定性，采用多面体不确定集合描述其波
动范围。 为第二阶段IES与上级电网功率交互电价的不确定性集合，建模如下：
（41）；
为第三阶段IES调度中源荷的不确定性集合，建模如下：
（42）；
3.2三阶段RO模型的全矩阵公式
为了便于后文理解，上述模型的全矩阵公式如下：
（43）；
（44）；
式中， 、 、 为第一阶段约束条件的系数矩阵， 、 、 、 为第二阶段约束
条件的系数矩阵，、、 、 、 、 、 为第三阶段约束条件的系数矩阵， 、 、 分别为三个阶段决策变量的集合。

[0064] 3.3 RO模型分解重构本文构建的三阶段RO模型属于非确定性多项式（non‑de‐terministic 
polynomial，NP）‑hard问题，不能直接求解。为了解决计算挑战，我们采用内外层嵌套的CCG算法对原问题进行分解重构，分解为主问题（MP）与子问题（SP），如下所示：
（45）；
（46）；
式中， 、 为辅助变量。

[0065] 经CCG算法分解后，原问题转化为一个嵌套的凸优化问题，可以用 KKT 条件将原多层嵌套结构转化为单层MILP问题，可以直接采用GUROBI求解器求解，具体转化过程如式(47)‑ (52)。

[0066] 主问题如式(47)所示：（47）；
*是从子问题中获得不确定性元素的最恶劣解。

[0067] 子问题表达形式如式(48)所示。

[0068] (48)；经CCG转化后的子问题仍为嵌套结构不能直接求解，故再利用CCG算法对内层子问
题再次分解：
分解后子问题的主问题目标是在最恶劣交易电价下求解IES与上级电网的交易电
量，子问题的子问题目标是在最恶劣IES源荷场景下求解机组调度计划，如(49)、(50)所示。

[0069] (49)；(50)；
3.4 RO模型求解流程
经重构分解后的RO模型，可以通过GUROBI求解器进行求解，具体求解步骤如下：
1）对外层CCG算法问问题进行初始化，初始化上、下界分别为 、
，初始化迭代次数 ，确定收敛终止条件阈值 ；
2）求解外层CCG主问题，得到最优解 ，更新外层问题的下界值 ，
检验是否满足收敛条件 ，其中 ，若满足收敛条件则
终止，求解结束；否则，继续求解；
3）求解内层CCG问题，对内层CCG算法问题进行初始化，初始化上、下界分别为
、 ，初始化迭代次数 ，确定收敛终止条件阈值 ；
4）求解内层CCG主问题，得到最优解 ，更新内层问题的下界值 ；
5）求解内层CCG子问题，得到最优解 ，更新内层问题的上界值 ，
检验是否满足收敛条件 ，若满足收敛条件，则终止内层问题，并跳到3）；否
则6）则继续求解；
6）新增第二阶段与第三阶段的变量与对应的约束条件至外层CCG主问题，令
，返回至2）。

[0070] 4. 算例分析4.1算例设置
本算例采用华北某综合能源系统示范工程为仿真对象。系统机组参数详见表1，电价预测值见表2，本文机组运行系数来自相关文献。SNWGAN模型数据来自于该园区2年的(2022年1月1日至2023年12月31日) 源荷实测历史数据。数据的时间间隔为1 h，其中80%的出力数据作为训练集，20%的数据为测试集。算例中SNWGAN模型采用深度学习框架Pytorch 搭建，迭代次数设置为20000次。计算机配置为因特尔酷睿i7处理器，主频 1.8GHz，内存 
16GB。

[0071] 表1系统参数和系数

[0072] 表2预测电价

[0073] 4.2SNWGAN性能验证为验证SNWGAN生成场景的质量，本节采用Wasserstein距离、弗雷歇感知距离、t‑SNE来评估生成场景。

[0074] （1）Wasserstein距离：模型训练的目标是使损失尽可能小，即最小化真实分布和生成分布之间的Wasserstein距离。

[0075] （2）弗雷歇感知距离：计算真实样本分布和生成样本分布之间的距离，进而衡量生成样本的质量，分数越低则表示两个分布越接近。

[0076] （3）t‑SNE分布：可用于高维度数据的可视化。它将数据点之间的相似性转换为联合概率，并尝试最小化低维嵌入和高维数据的联合概率之间的KL散度。

[0077] 这三个评估指标的结果如图4至图6 所示。可以看出，生成场景分布与真实场景分布非常接近，验证了SNWGAN生成场景的精确性。

[0078] 4.3聚类结果戴维森丁堡指数(Davies‑Bouldin Index, DBI)系数计算每个簇间的相似程度，
求取所有相似度的平均值用于衡量聚类效果的好坏。簇与簇间的距离越远，DBI的值越小，此时聚类结果越好。从图7可以看出，对于WT输出，最佳簇数3；对于EL，最佳簇数2；对于HL，最佳簇数2。利用概率加权计算的WT、EL、HL典型场景见图7中初始期望值。

[0079] 4.4IES最优调度方案三阶段鲁棒优化迭代过程如表3所示。根据表3可知，在本文硬件条件下，模型在外层迭代2次时达到收敛，算法运行时间为22.81s，求解速度满足日前调度要求。

[0080] 表3内外嵌套CCG迭代求解过程

[0081] 在迭代收敛后，电、热分布图如图8至图9所示。在图8中可以发现，IES 内风电出力发挥了很大作用，表明调度周期内风电的消纳水平很高。在夜间[3:00‑6:00]时段电负荷需求较低，风电出力较高，CHP机组出力显著减少，储能进行充电来储存多余的电能。而在[16:00:21:00]电负荷高峰时段，由于“以热定电”的运行方式，限制了CHP机组的电功率输出，IES的供能无法满足电负荷需求，不足的部分由储能放电来补充。

[0082] 如图9所示，热负荷主要是由CHP、热储能和GB提供。当热能超过热负荷需求时，可将多余的热能储存，在热能不足时释放。

[0083] 4.5不确定性分析4.5.1最恶劣场景分析
图10至图11为第二阶段电价的最恶劣场景。可以看出，在第二阶段鲁棒优化中得
到的实际购电价格与日前预测的购电价格存在一定的误差。从最恶劣的购电价格可以看出，20：00‑03：00时段的电价位于稳健区间的上限，这些时段的购电价格高于生成的购电价格场景,IES的实际购电成本高于预测的购电成本，这反映出IES运营商为了抵御不确定性的影响而增加了运营成本。同样，第二阶段优化的实际售电价格也与日前预测的售电价格存在一些误差。12：00‑13：00和19：00‑21：00的售电价格处于稳健区间的下限，表明实际售电价格低于当时预测的售电价格，因为IES使当时的售电收入减少，以防范不确定性风险。

[0084] 图12至图14为第三阶段源荷的最恶劣场景。可以看出，第三阶段风电的最恶劣出力与售电价格分布类似，在大多时段都位于波动区间的下极点上，实际出力比期望值有所下降，系统需要向外界购买额外的电能或者增大机组出力以填补实际出力与预测出力的差额，因此该场景的鲁棒性最强。多能负荷实际功率高于期望值，与风电、售电价格分布结果刚好相反，但造成的影响一致，即为抵御波动时段鲁棒性影响，系统需要向外界购买额外电能或者增大机组出力。

[0085] 4.5.2不确定优化方法对比为验证本文三阶段可调节鲁棒优化方法处理不确定问题的优点，本节讨论了4种
不同不确定建模方法。采用控制变量法，将不确定性变量视为实验变量，其余条件均与算例初始设置一致，具体如下：
场景1: 本文所提的考虑上级电网电价与源荷不确定性的三阶段鲁棒优化。

[0086] 场景2:考虑上级电网电价不确定性的鲁棒模型三阶段鲁棒优化。

[0087] 场景3:考虑源荷不确定性的鲁棒模型三阶段鲁棒优化。

[0088] 场景4:采用确定性优化的方法，以上级电网电价与源荷功率的预测值作为优化配置数据。

[0089] 每种场景下IES运行成本如表4所示。

[0090] 表4每种场景下 IES 运行成本结果

[0091] 由表4可知:场景2相对场景1来说，总成本降低了15.47%，其中购气成本和碳交易成本显著降
低，分别降低了13.5%、32.71%。这是由于忽略了IES中源荷的不确定性，使得CHP机组出力大大下降，减少了购气与碳交易成本。虽然场景2提高了IES运行的经济性，但是所制定的调度计划与实际源荷出力适配度较低，夸大了系统对新能源的消纳能力。

[0092] 场景3与场景1对比，总成本变化幅度不大，其中功率交换成本降低了120.9584元，购气成本降低了19元，碳交易成本降低了0.2318元。可以看出，考虑上级电网电价不确定性会增加IES与上级电网之间的功率交互成本，以抵消电价的不确定性，而对系统中其他成本影响较小。

[0093] 场景4与场景1对比，两种不确定性均未考虑，使得系统总运行成本降低了18.1%，其中碳交易成本降低了33.74%，功率交换成本降低了19.89%，购气成本降低了15.15%，系统经济性提高明显。然而，这不意味着确定性优化优于不确定优化。这是因为在确定性优化中不考虑上级电网电价与源荷出力预测误差带来的不确定性风险和重新调度成本，但实际上是低估不确定性风险，这会导致更高的实际调度成本。

[0094] 4.6不确定参数的敏感性分析在鲁棒优化模型中，不确定性参数的大小表示整个调度期间发生的不确定性的总
持续时间。因此，它反映了不确定性对鲁棒优化模型的干扰程度。图15说明了不确定性参数的大小对IES总优化成本的影响。

[0095] 图15显示，随着电价和源负荷的不确定性增加，系统运行成本也会上升，表明鲁棒性增强。这种正相关是由于较大的不确定性参数意味着在优化过程中考虑了交易价格和风能/太阳能输出的更多不确定性情景。因此，在投资阶段，该系统不断增加存储的装机容量，在调度过程中，控制成本增加以减轻多种不确定性。这导致装置的投资成本增加，运营成本上升，从而导致总成本的整体上升。分析表明，决策者可以通过选择适当的不确定性参数来有效地平衡IES的经济效率和保守性。

[0096] 4结论为了减轻上层电网电价和源负荷的多种不确定性对IES经济效率和安全性的影
响，提出了一种三阶段鲁棒调度方法。为了管理多个不确定性，使用谱归一化生成对抗网络（SNWGAN）和K‑means++聚类生成不确定性变量的初始场景。基于这些初始场景，使用1‑范数和盒约束构建鲁棒多面体不确定性集，并开发了一个以最小化运营成本为目标的三阶段鲁棒优化调度模型。然后，使用双层柱和约束生成（CCG）、Karush‑Kuhn‑Tucker（KKT）条件和Big‑M方法的组合对模型进行简化，并使用商业求解器GUROBI直接求解。主要结论如下：
1）场景生成和缩减：使用SNWGAN和K‑means++聚类算法生成和缩减不确定性变量的初始场景。该方法有效地利用历史数据集生成与历史数据相似但不完全相同的场景。

[0097] 2）增强的鲁棒性：与传统的确定性优化模型和其他鲁棒优化（RO）模型相比，提出的三阶段RO模型增强了系统减轻不确定性的能力，更符合实际调度场景。此外，所采用的算法在22.81秒内解决了最优模型解。

[0098] 3）敏感性分析：通过对不确定性参数的敏感性分析，发现随着不确定性参数增加，系统总优化成本上升，调度计划的鲁棒性增强。决策者可以通过选择适当的不确定性参数来平衡IES的经济效率和保守性。

[0099] 如图16所示，基于谱归一化生成对抗网络的综合能源系统运行设备，包括构建模块和调度模块；构建模块用于获得不确定性变量的典型场景集，融合不确定性变量场景信息，采
用1‑范数约束与盒式约束来制定鲁棒不确定性集，构建以运行成本最低为目标的三阶段鲁棒优化调度模型；
调度模块用于采用结合双层CCG算法、Karush‑Kuhn‑Tucker条件、大M法的化简方法，将三阶段鲁棒优化调度模型转化为单层混合整数模型，并利用求解器进行求解，得到调度方案。

[0100] 如图17所示，提出基于谱归一化生成对抗网络的综合能源系统运行设备可以采用桌上型计算机、笔记本、掌上电脑及云端服务器等各种类型的计算设备。此设备由处理器、存储器等多个部件组成，且不限于此，可能包括其他组件或不同的组合。此处所提供的设备示例仅为说明用途，不具有限制性。

[0101] 处理器可以是各种类型的器件，例如CPU、DSP、ASIC、FPGA等，也可以包括可编程逻辑器件、分立门、晶体管逻辑器件和分立硬件组件等。存储器被用于存储计算机程序和模块，处理器运行或执行存储在存储器中的计算机程序模块，并调用存储在存储器中的数据，从而实现基于谱归一化生成对抗网络的综合能源系统运行的各种功能。

[0102] 所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（SmartMediaCard，SMC），安全数字（SecureDigital，SD）卡，闪存卡（FlashCard）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

[0103] 本发明还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存储有计算机程序，所述计算机程序被处理器执行时实现所述的基于谱归一化生成对抗网络的综合能源系统运行方法的步骤。

[0104] 所述基于谱归一化生成对抗网络的综合能源系统运行方法如果以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设备中。

[0105] 基于这样的理解，本发明实现上述基于谱归一化生成对抗网络的综合能源系统运行方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，所述计算机程序在被处理器执行时，可实现上述基于谱归一化生成对抗网络的综合能源系统运行方法的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或预设中间形式等。

[0106] 计算机可读存储介质可以指任何能携带计算机程序代码的实体或装置，包括记录介质、U盘、移动硬盘、磁盘、光盘、计算机存储器、只读存储器（ROM）、随机存取存储器（RAM）、软件分发介质等。

[0107] 需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。

[0108] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。