面向分布式能源的多目标多主体分布式博弈优化方法

摘要

本发明公开了面向分布式能源的多目标多主体分布式博弈优化方法，属于电力系统自动化的技术领域。本发明针对多种分布式能源系统呈现的多目标、多约束、非线性和多主体博弈特性提出一种多目标多主体分布式博弈优化方法，根据多种分布式能源联合优化的经济型、环保性和高效性等目标需求，结合各种分布式能源自身的出力、爬坡率约束等建立多能源系统多目标联合优化模型，基于分布式协调优化理论将整体模型分解为若干个子系统多目标联合优化模型，再采用改进的多目标优化算法对其进行求解得到各子系统的Pareto解集，最终形成整个系统的最优Pareto解集，为决策者提供可靠的决策支持。

说明书

技术领域

本发明公开了面向分布式能源的多目标多主体分布式博弈优化方法，属于电 力系统自动化的技术领域。

背景技术

随着越来越多的风电、光伏等分布式能源接入电网系统，多能源系统的联合 优化问题呈现出多目标、多约束等复杂特性，同时，多种分布式能源利益主体之 间存在着相互的博弈特性，传统的分布式优化方法一般仅考虑其多目标特性或者 多主体博弈特性，忽略了分布式能源优化中多目标、多主体的协调问题。由于多 种能源均有自身不同的独立特征且各种分布式能源一般分属不同的利益主体，仅 考虑优化问题的多目标特性的优化方案忽略了个体特性的全面考虑。此外，由于 分布式能源优化配置具有多种多样的目标需求，仅考虑其多主体特性的单一目标 需求，无法满足其实际工程需要。

发明内容

本发明所要解决的技术问题是针对上述背景技术的不足，提供了面向分布式 能源的多目标多主体分布式博弈优化方法，实现了多种分布式能源资源的最优配 置，解决了多目标多主体分布式协调优化的技术问题。

本发明为实现上述发明目的采用如下技术方案：

面向分布式能源的多目标多主体分布式博弈优化方法，包括如下步骤：

A、建立多能源系统的多目标整体优化模型；

B、根据分布式协调优化理论将所述多目标整体优化模型分解为以各能源群 为主体的子系统多目标优化模型；

C、求解各子系统多目标优化模型得到各能源群在多目标需求下的博弈策略 集合，再结合分布式协调理论得到多目标整体优化模型在各目标需求下的方案集；

D、由多目标整体优化模型在各目标需求下的方案集求解多能源系统整体 Pareto最优解集。

作为所述面向分布式能源的多目标多主体分布式博弈优化方法的进一步优 化方案，步骤A针对包含风电群、光伏群、火电群的多能源系统，以经济效益 最大、环境污染最小、线路损失最小为目标，考虑负荷平衡约束、各能源群机组 的出力限制以及爬坡率约束建立多能源系统的多目标整体优化模型：

多目标：$\{\begin{array}{c}{\mathrm{maxf}}_1=\max \left(\underset{t=1}{\overset{T}{\Sigma }}\left(\underset{i=1}{\overset{I}{\Sigma }}{P}_{wit}{Q}_{wt}+\underset{j=1}{\overset{J}{\Sigma }}{P}_{pjt}{Q}_{pt}+\underset{k=1}{\overset{K}{\Sigma }}{P}_{ckt}{Q}_{ct}\right)\right)\\ {\mathrm{minf}}_2=\min \left(\underset{t=1}{\overset{T}{\Sigma }}\underset{k=1}{\overset{K}{\Sigma }}\left(a_k{P_{ckt}}^2+b_k{P}_{ckt}+c_k\right)\right)\\ {\mathrm{minf}}_3=\min \underset{h=1}{\overset{H}{\Sigma }}\underset{o=1,o\ne h}{\overset{H}{\Sigma }}\left(V_h^2+V_o^2-2V_h{V}_o*\cos \left({\theta }_h-{\theta }_o\right)\right)g_{ho}\end{array},$

负荷平衡约束：$\underset{i=1}{\overset{I}{\Sigma }}{P}_{wit}+\underset{j=1}{\overset{J}{\Sigma }}{P}_{pjt}+\underset{k=1}{\overset{K}{\Sigma }}{P}_{ckt}=L_t+P_{loss,t},$

各能源群机组的出力限制：$\left(\begin{array}{c}{P}_{wi\min }\le P_{wit}\le P_{wi\max },i=1,2,\mathrm{...},I\\ P_{pj\min }\le P_{pjt}\le P_{pj\max },j=1,2,\mathrm{...},J\\ P_{ck\min }\le P_{ckt}\le P_{ck\max },k=1,\mathrm{2...}K\end{array}\right),$

各能源群机组的爬坡率约束：$\left(\begin{array}{c}{Z}_{wi\min }\le P_{wi,t+1}-P_{wit}\le Z_{wi\max },i=1,2,\mathrm{...},I\\ Z_{pj\min }\le P_{pj,t+1}-P_{pjt}\le Z_{pj\max },j=1,2,\mathrm{...},J\\ Z_{ck\min }\le P_{ck,t+1}-P_{ckt}\le Z_{ck\max },k=1,2,\mathrm{...},K\end{array}\right),$

其中，P_wit、P_pjt、P_ckt分别为第i个风电机组、第j个光伏机组、第k个火电机 组在t时刻的出力，P_wi,t+1、P_pj,t+1、P_ck,t+1分别为第i个风电机组、第j个光伏机组、 第k个火电机组在t+1时刻的出力，Q_wt、Q_pt、Q_ct分别表示风电、光伏、火电的 电价价格，I、J、K分别为风电群、光伏群、火电群的机组数量，L_t为t时刻负 荷总需求量，P_loss,t为t时刻线损，V_h、V_o分别为任意节点h、节点o的电压，θ_h、 θ_o分别为任意节点h、节点o的相角，g_ho为节点h、节点o之间的互电导，H为 节点数目，P_wimin、P_pjmin、P_ckmin分别为第i个风电机组、第j个光伏机组、第k个 火电机组的最小出力限制，P_wimax、P_pjmax、P_ckmax分别为第i个风电机组、第j个光 伏机组、第k个火电机组的最大出力限制，Z_wimin、Z_pjmin、Z_ckmin分别为第i个风电 机组、第j个光伏机组、第k个火电机组的爬坡率下限，Z_wimax、Z_pjmax、Z_ckmax分 别为第i个风电机组、第j个光伏机组和第k个火电机组的爬坡率上限，T为时间 尺度，a_k、b_k、c_k为第k个火电机组的环境污染参数。

进一步的，所述面向分布式能源的多目标多主体分布式博弈优化方法中，步 骤B所述各能源群为主体的子系统多目标优化模型包括：风电群子系统模型、 光伏群子系统模型、火电群子系统模型，

风电群子系统模型：$\left(\begin{array}{c}{F}_w=({\mathrm{maxf}}_1,{\mathrm{minf}}_3)\\ \underset{i=1}{\overset{I}{\Sigma }}{P}_{wit}+\underset{j=1}{\overset{J}{\Sigma }}{P}_{pjt}+\underset{k=1}{\overset{K}{\Sigma }}{P}_{ckt}=L_t+P_{loss,t}\\ P_{wi\min }\le P_{wit}\le P_{wimax}\\ Z_{wi\min }\le P_{wi,t+1}-P_{wit}\le Z_{wimax}\end{array}\right),$

光伏群子系统模型：$\left(\begin{array}{c}{F}_p=({\mathrm{maxf}}_1,{\mathrm{minf}}_3)\\ \underset{i=1}{\overset{I}{\Sigma }}{P}_{wit}+\underset{j=1}{\overset{J}{\Sigma }}{P}_{pjt}+\underset{k=1}{\overset{K}{\Sigma }}{P}_{ckt}=L_t+P_{loss,t}\\ P_{pjmin}\le P_{pjt}\le P_{pj\max }\\ Z_{pjmin}\le P_{pj,t+1}-P_{pjt}\le Z_{pjmax}\end{array}\right),$

火电群子系统模型：$\left(\begin{array}{c}{F}_c=({\mathrm{maxf}}_1,{\mathrm{minf}}_2,{\mathrm{minf}}_3)\\ \underset{i=1}{\overset{I}{\Sigma }}{P}_{wit}+\underset{j=1}{\overset{J}{\Sigma }}{P}_{pjt}+\underset{k=1}{\overset{K}{\Sigma }}{P}_{ckt}=L_t+P_{loss,t}\\ P_{ckmin}\le P_{ckt}\le P_{ck\max }\\ Z_{ckmin}\le P_{ck,t+1}-P_{ckt}\le Z_{ckmax}\end{array}\right),$

其中，F_w、F_p、F_c分别为风电群、光伏群、火电群子系统的多目标函数。

再进一步的，所述面向分布式能源的多目标多主体分布式博弈优化方法中， 步骤C结合分布式协调理论得到多目标整体优化模型在各目标需求下的方案集 包括：

经济效益最大化方案集：$\left(\begin{array}{c}{P}_{wit}^{n+1}=P_{wit}^{\left(n\right)}+{\eta }_{wit}*\frac{\partial f_1}{\partial P_{wit}}+{\lambda }_{wit}*\frac{\partial Y}{\partial P_{wit}}\\ P_{pjt}^{n+1}=P_{pjt}^{\left(n\right)}+{\eta }_{pjt}*\frac{\partial f_1}{\partial P_{pjt}}+{\lambda }_{pjt}*\frac{\partial Y}{\partial P_{pjt}}\\ P_{ckt}^{n+1}=P_{wit}^{\left(n\right)}+{\eta }_{wit}*\frac{\partial f_1}{\partial P_{wit}}+{\lambda }_{wit}*\frac{\partial Y}{\partial P_{wit}}\end{array}\right),$

环境污染最小化方案集：$P_{ckt}^{(n+1)}=P_{ckt}^{\left(n\right)}+{\eta }_{ckt}*\frac{\partial f_2}{\partial P_{ckt}}+{\lambda }_{ckt}*\frac{\partial Y}{\partial P_{ckt}},$

线路损失最小化方案集：$\left(\begin{array}{c}{P}_{wit}^{n+1}=P_{wit}^{\left(n\right)}+{\eta }_{wit}*\frac{\partial f_3}{\partial P_{wit}}+{\lambda }_{wit}*\frac{\partial Y}{\partial P_{wit}}\\ P_{pjt}^{n+1}=P_{pjt}^{\left(n\right)}+{\eta }_{pjt}*\frac{\partial f_3}{\partial P_{pjt}}+{\lambda }_{pjt}*\frac{\partial Y}{\partial P_{pjt}}\\ P_{ckt}^{n+1}=P_{wit}^{\left(n\right)}+{\eta }_{wit}*\frac{\partial f_3}{\partial P_{wit}}+{\lambda }_{wit}*\frac{\partial Y}{\partial P_{wit}}\end{array}\right),$

其中，分别为第i个风电机组、第j个光伏机组、第k个火电 机组t时刻出力的第n次迭代值，分别为第i个风电机组、第j 个光伏机组、第k个火电机组t时刻出力的第n+1次迭代值， $Y=\underset{i=1}{\overset{I}{\Sigma }}{P}_{wit}+\underset{j=1}{\overset{J}{\Sigma }}{P}_{pjt}+\underset{k=1}{\overset{K}{\Sigma }}{P}_{ckt}-L_t-P_{loss,t},{\eta }_{wit},{\eta }_{pjt},{\eta }_{ckt}$为迭代参数，λ_wit、λ_pjt、λ_ckt为拉格朗日算子，n为正整数。

更进一步的，所述面向分布式能源的多目标多主体分布式博弈优化方法中， 步骤D由多目标整体优化模型在各目标需求下的方案集求解多能源系统整体 Pareto最优解集的方法为：对步骤C得到的多目标整体优化模型在各目标需求下 的方案集进行有限次迭代并选取位于迭代结果前列的有限个解组成多能源系统 整体Pareto最优解集。

作为所述面向分布式能源的多目标多主体分布式博弈优化方法的更进一步 优化方案，步骤C中求解各子系统多目标优化模型得到各能源群在多目标需求 下博弈策略集合的方法具体为：

C1、各能源群预测其它能源群在未来时刻的发电信息并估计其它能源群的个 体策略；

C2、以各能源群自身历史发电信息为参与者并以其它能源群的个体策略为竞 争者，依据各子系统多目标优化模型进行博弈得到各能源群在多目标需求下的博 弈策略集合。

进一步的，所述面向分布式能源的多目标多主体分布式博弈优化方法的更进 一步优化方案，在步骤C2后采用智能优化算法求得各主体最优博弈策略集合， 再结合分布式协调理论得到多目标整体优化模型在各目标需求下的方案集。

本发明采用上述技术方案，具有以下有益效果：提出的面向分布式能源的多 目标多主体分布式博弈优化方法，既考虑了多目标特性又顾及了分布式能源分属 不同利益主体的这一个体特性，为协调分布式能源优化中多目标、多主体问题提 供了一种可行方案，首先基于分布式协调优化理论将多主体分布式能源系统多目 标优化模型分解为若干个子系统多目标优化模型，再将复杂系统转化为若干个简 单的子系统，并采用先进的智能优化方法对各子系统优化模型进行求解进而推求 出各子系统的最优解集，最终形成多种分布式能源整体系统的最佳Pareto方案集， 为多能源资源的联合优化配置提供可靠的决策支持，实现了多种分布式能源资源 的最优配置。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述 中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要 使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些 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性的前提下，还可 以根据这些附图获得其他的附图。

图1为本发明面向分布式能源多目标多主体分布式博弈优化的框图。

具体实施方式

下面详细描述本发明的实施方式，下面通过参考附图描述的实施方式是示例 性的，仅用于解释本发明，而不能解释为对本发明的限制。

本领域的技术人员可以理解，除非另外定义，这里使用的所有术语(包括技 术术语和科学术语)具有本发明所属技术领域中的普通技术人员的一般理解相同 的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与 现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想 化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面以如图1所示的包含风电群、光伏群、 火电群的多能源整体系统为例阐述本发明的多目标多主体分布式博弈优化方法。 该实施例不构成对本发明实施例的限定。

(一)结合多种分布式能源的经济性、环保性和高效性等目标需求，综合考 虑风电群、光伏群和火电群机组的出力限制、爬坡率限制等约束条件，建立以 各种不同分布式能源为利益主体的多目标多主体联合优化模型

(1)目标：

经济效益：${\mathrm{maxf}}_1=max\left(\underset{t=1}{\overset{T}{\Sigma }}\right(\underset{i=1}{\overset{I}{\Sigma }}{P}_{wit}{Q}_{wt}+\underset{j=1}{\overset{J}{\Sigma }}{P}_{pjt}{Q}_{pt}+\underset{k=1}{\overset{K}{\Sigma }}{P}_{ckt}{Q}_{ct}))---\left(1\right),$

环境污染：${\mathrm{minf}}_2=min\left(\underset{t=1}{\overset{T}{\Sigma }}\underset{k=1}{\overset{K}{\Sigma }}\right(a_k{P_{ckt}}^2+b_k{P}_{ckt}+c_k))---\left(2\right),$

线路损失：${\mathrm{minf}}_3=min\underset{h=1}{\overset{H}{\Sigma }}\underset{o=1,o\ne h}{\overset{H}{\Sigma }}(V_h^2+V_o^2-2V_h{V}_o*cos({\theta }_h-{\theta }_o))g_{ho}---\left(3\right),$

其中，P_wit、P_pjt、P_ckt分别为第i个风电机组、第j个光伏机组、第k个火电机 组在t时刻的出力，P_wi,t+1、P_pj,t+1、P_ck,t+1分别为第i个风电机组、第j个光伏机组、 第k个火电机组在t+1时刻的出力，Q_wt、Q_pt、Q_ct分别表示风电、光伏、火电的 电价价格，I、J、K分别为风电群、光伏群、火电群的机组数量，V_h、V_o分别 为任意节点h、节点o的电压，θ_h、θ_o分别为任意节点h、节点o的相角，g_ho为 节点h、节点o之间的互电导，H为节点数目，T为时间尺度，a_k、b_k、c_k为第k 个火电机组的环境污染参数。

(2)约束条件：

负荷平衡约束：$\underset{i=1}{\overset{I}{\Sigma }}{P}_{wit}+\underset{j=1}{\overset{J}{\Sigma }}{P}_{pjt}+\underset{k=1}{\overset{K}{\Sigma }}{P}_{ckt}=L_t+P_{loss,t}---\left(4\right),$

风电出力约束：P_wimin≤P_wit≤P_wimax，i＝1,2,...,I(5)，

光伏出力约束：P_pjmin≤P_pjt≤P_pjmax，j＝1,2,...,J(6)，

火电出力约束：P_ckmin≤P_ckt≤P_ckmax，k＝1,2,...,K(7)，

风电爬坡率约束：Z_wimin≤P_wi,t+1-P_wit≤Z_wimax，i＝1,2,...,I(8)，

光伏爬坡率约束：Z_pjmin≤P_pj,t+1-P_pjt≤Z_pjmax，j＝1,2,...,J(9)，

火电爬坡率约束：Z_ckmin≤P_ck,t+1-P_ckt≤Z_ckmax，k＝1,2,...,K(10)，

其中，L_t为t时刻负荷总需求量，P_loss,t为t时刻线损，P_wimin、P_pjmin、P_ckmin分 别为第i个风电机组、第j个光伏机组、第k个火电机组的最小出力限制， P_wimax、P_pjmax、P_ckmax分别为第i个风电机组、第j个光伏机组、第k个火电机组的 最大出力限制，Z_wimin、Z_pjmin、Z_ckmin分别为第i个风电机组、第j个光伏机组、第 k个火电机组的爬坡率下限，Z_wimax、Z_pjmax、Z_ckmax分别为第i个风电机组、第j个 光伏机组和第k个火电机组的爬坡率上限。

(二)根据大系统分解协调理论，可将上述多能源整体系统的多目标优化模 型分解为以风电群、光伏群和火电群为不同利益主体的子系统多目标优化模型， 具体可以分解为以下形式：

风电群子系统模型：$\left(\begin{array}{c}{F}_w=({\mathrm{maxf}}_1,{\mathrm{minf}}_3)\\ \underset{i=1}{\overset{I}{\Sigma }}{P}_{wit}+\underset{j=1}{\overset{J}{\Sigma }}{P}_{pjt}+\underset{k=1}{\overset{K}{\Sigma }}{P}_{ckt}=L_t+P_{loss,t}\\ P_{wi\min }\le P_{wit}\le P_{wimax}\\ Z_{wi\min }\le P_{wi,t+1}-P_{wit}\le Z_{wimax}\end{array}\right)---\left(11\right),$

光伏群子系统模型：$\left(\begin{array}{c}{F}_p=({\mathrm{maxf}}_1,{\mathrm{minf}}_3)\\ \underset{i=1}{\overset{I}{\Sigma }}{P}_{wit}+\underset{j=1}{\overset{J}{\Sigma }}{P}_{pjt}+\underset{k=1}{\overset{K}{\Sigma }}{P}_{ckt}=L_t+P_{loss,t}\\ P_{pjmin}\le P_{pjt}\le P_{pj\max }\\ Z_{pj\min }\le P_{pj,t+1}-P_{pjt}\le Z_{pjmax}\end{array}\right)---\left(12\right),$

火电群子系统模型：$\left(\begin{array}{c}{F}_c=({\mathrm{maxf}}_1,{\mathrm{minf}}_2,{\mathrm{minf}}_3)\\ \underset{i=1}{\overset{I}{\Sigma }}{P}_{wit}+\underset{j=1}{\overset{J}{\Sigma }}{P}_{pjt}+\underset{k=1}{\overset{K}{\Sigma }}{P}_{ckt}=L_t+P_{loss,t}\\ P_{ckmin}\le P_{ckt}\le P_{ck\max }\\ Z_{ckmin}\le P_{ck,t+1}-P_{ckt}\le Z_{ckmax}\end{array}\right)---\left(13\right),$

(三)根据上述得到的子系统模型，各能源群预测其它能源群在未来时刻 的发电信息并估计其它能源群的个体策略，以各能源群自身历史发电信息为参 与者并以其它能源群的个体策略为竞争者，依据各子系统多目标优化模型进行 博弈得到各能源群在多目标需求下的博弈策略集合，可以得到风电群在各目标 需求下的博弈策略集合为u_w1,u_w3，光伏群在各目标需求下的策略集合为u_p1,u_p3， 火电群在各目标需求下的策略集合为u_c1,u_c2,u_c3

令$Y=\underset{i=1}{\overset{I}{\Sigma }}{P}_{wit}+\underset{j=1}{\overset{J}{\Sigma }}{P}_{pjt}+\underset{k=1}{\overset{K}{\Sigma }}{P}_{ckt}-L_t-P_{loss,t},$则有(均在可行域范围内)：

u_w1策略集为：$P_{wit}^{(n+1)}=P_{wit}^{\left(n\right)}+{\eta }_{wit}*\frac{\partial f_1}{\partial P_{wit}}+{\lambda }_{wit}*\frac{\partial Y}{\partial P_{wit}}---\left(14\right),$

u_w3策略集为：$P_{wit}^{(n+1)}=P_{wit}^{\left(n\right)}+{\eta }_{wit}*\frac{\partial f_3}{\partial P_{wit}}+{\lambda }_{wit}*\frac{\partial Y}{\partial P_{wit}}---\left(15\right),$

u_p1策略集为：$P_{pjt}^{(n+1)}=P_{pjt}^{\left(n\right)}+{\eta }_{pjt}*\frac{\partial f_1}{\partial P_{pjt}}+{\lambda }_{pjt}*\frac{\partial Y}{\partial P_{pjt}}---\left(16\right),$

u_p3策略集为：$P_{pjt}^{(n+1)}=P_{pjt}^{\left(n\right)}+{\eta }_{pjt}*\frac{\partial f_3}{\partial P_{pjt}}+{\lambda }_{pit}*\frac{\partial Y}{\partial P_{pjt}}---\left(17\right),$

u_c1策略集为：$P_{ckt}^{(n+1)}=P_{ckt}^{\left(n\right)}+{\eta }_{ckt}*\frac{\partial f_1}{\partial P_{ckt}}+{\lambda }_{ckt}*\frac{\partial Y}{\partial P_{ckt}}---\left(18\right),$

u_c2策略集为：$P_{ckt}^{(n+1)}=P_{ckt}^{\left(n\right)}+{\eta }_{ckt}*\frac{\partial f_2}{\partial P_{ckt}}+{\lambda }_{ckt}*\frac{\partial Y}{\partial P_{ckt}}---\left(19\right),$

u_c3策略集为：$P_{ckt}^{(n+1)}=P_{ckt}^{\left(n\right)}+{\eta }_{ckt}*\frac{\partial f_3}{\partial P_{ckt}}+{\lambda }_{ckt}*\frac{\partial Y}{\partial P_{ckt}}---\left(20\right),$

式(14)至式(20)中，分别为第i个风电机组、第j个光伏 机组、第k个火电机组t时刻出力的第n次迭代值，分别为第i 个风电机组、第j个光伏机组、第k个火电机组t时刻出力的第n+1次迭代值， η_wit、η_pjt、η_ckt为迭代参数，λ_wit、λ_pjt、λ_ckt为拉格朗日算子，n为正整数。

在步骤C2后还可以采采用智能优化算法求得各主体博弈策略最优解，以博 弈策略最优解作为各主体在各目标需求下的博弈策略集合。

系统整体优化模型在各目标需求下的博弈策略集合为(u_w1,u_p1,u_c1)，(u_c2)， (u_w3,u_p3,u_c3)。对于上述的博弈策略集合的生成采用以下方式：

f₁目标下：$\left(\begin{array}{c}{P}_{wit}^{n+1}=P_{wit}^{\left(n\right)}+{\eta }_{wit}*\frac{\partial f_1}{\partial P_{wit}}+{\lambda }_{wit}*\frac{\partial Y}{\partial P_{wit}}\\ P_{pjt}^{n+1}=P_{pjt}^{\left(n\right)}+{\eta }_{pjt}*\frac{\partial f_1}{\partial P_{pjt}}+{\lambda }_{pjt}*\frac{\partial Y}{\partial P_{pjt}}\\ P_{ckt}^{n+1}=P_{wit}^{\left(n\right)}+{\eta }_{wit}*\frac{\partial f_1}{\partial P_{wit}}+{\lambda }_{wit}*\frac{\partial Y}{\partial P_{wit}}\end{array}\right)---\left(21\right),$

f₂目标下：$P_{ckt}^{(n+1)}=P_{ckt}^{\left(n\right)}+{\eta }_{ckt}*\frac{\partial f_2}{\partial P_{ckt}}+{\lambda }_{ckt}*\frac{\partial Y}{\partial P_{ckt}}---\left(22\right),$

f₃目标下：$\{\begin{array}{c}{P}_{wit}^{n+1}=P_{wit}^{\left(n\right)}+{\eta }_{wit}*\frac{\partial f_3}{\partial P_{wit}}+{\lambda }_{wit}*\frac{\partial Y}{\partial P_{wit}}\\ P_{pjt}^{n+1}=P_{pjt}^{\left(n\right)}+{\eta }_{pjt}*\frac{\partial f_3}{\partial P_{pjt}}+{\lambda }_{pjt}*\frac{\partial Y}{\partial P_{pjt}}\\ P_{ckt}^{n+1}=P_{wit}^{\left(n\right)}+{\eta }_{wit}*\frac{\partial f_3}{\partial P_{ckt}}+{\lambda }_{ckt}*\frac{\partial Y}{\partial P_{ckt}}\end{array}---\left(23\right),$

(四)在设定的初值的基础上，结合(21)、(22)和(23)式迭代求解各 机组的出力。由于多目标优化的结果为Pareto优化解集，所以本发明专利采用 以下方式生成最优的Pareto解集

(1)先根据(21)式迭代500次，并保存每一代结果，在500次迭代结果 中选取前10个最优结果；

(2)同样地，根据式(22)迭代500次(P_wit,P_pjt均在可行域即可)，保存 每一次迭代结果，并选取前10个最优结果；

(3)和步骤(1)相同，选取最优的10个结果。

最后，将这每部分的10个解集合并为一个有30个最优解的解集，则该解集 为整个系统的最优Pareto解集。

综上所述，本发明提出的面向分布式能源的多目标多主体分布式博弈优化方 法，既考虑了多目标特性又顾及了分布式能源分属不同利益主体的这一个体特性， 为协调分布式能源优化中多目标、多主体问题提供了一种可行方案，首先基于分 布式协调优化理论将多主体分布式能源系统多目标优化模型分解为若干个子系 统多目标优化模型，再将复杂系统转化为若干个简单的子系统，并采用先进的智 能优化方法对各子系统优化模型进行求解进而推求出各子系统的最优解集，最终 形成多种分布式能源整体系统的最佳Pareto方案集，为多能源资源的联合优化配 置提供可靠的决策支持，实现了多种分布式能源资源的最优配置。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模 块或流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发 明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的 技术方案实质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现 出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等， 包括若干指令用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)执行本发明的实施例或实施例的某些部分所述的方法。