本发明涉及综合能源系统技术领域，具体涉及一种考虑不确定性的电-热-氢多能量系统的规划方法。
背景技术：
随着全球资源匮乏和生态环境问题的日益加剧，多能量系统作为一种有效的能量供应手段，受到了各国的广泛关注。但其涉及到的转化设备更多，规划往往也更加复杂，需要在满足多种负荷需求条件下，优化设备容量，降低系统经济成本、提高可再生能源利用率，保证供能可靠性。
本申请发明人在实施本发明的过程中，发现现有技术的方法，至少存在如下技术问题：
在多能量系统设备方面，现有电转气(p2g)技术能量损耗较大以及热电联产机组(chp)单一运行方式难以与可再生能源出力配合等不足。在系统规划方面现有研究往往仅以经济成本作为目标函数进行单目标规划，其缺陷在于考虑因素相对单一，难以兼顾经济性、环保性及供能可靠性。在可再生能源利用方面，现有研究没有充分考虑风光出力不确定性对系统规划的影响，导致多能量系统规划结果往往难以满足实际运行要求，出现较为严重的供能不足或供能浪费。
也就是说，现有技术中存在规划效果不佳的技术问题。
技术实现要素：
有鉴于此，本发明提供了一种考虑不确定性的电-热-氢多能量系统的规划方法，用以解决或者至少部分解决现有技术中存在的规划效果不佳的技术问题。
为了解决上述技术问题，本发明提供了一种考虑不确定性的电-热-氢多能量系统的规划方法，包括：
s1：建立多能量系统模型，其中，多能量系统模型包括可再生能源出力、燃料电池汽车每日的加氢量、热电联产机组运行方式以及电解池和甲烷化运行功率以及储氢罐储气状态；
s2：基于场景法建立可再生能源出力不确定性场景；
s3：构建多能量系统模型的优化目标和约束条件，其中，优化目标包括经济成本最小、综合可再生能源利用率最大以及功能不足最小，约束条件包括设备功率约束、容量约束以及系统平衡约束；
s4：基于构建的优化目标和约束条件，采用多目标粒子群优化算法，在可再生能源出力不确定性场景下，求解多能量系统模型中各装置功率或容量的非劣解集，并利用模糊隶属度函数从非劣解集中筛选出目标规划方案。
在一种实施方式中，s1建立多能量系统模型具体包括：
s1.1：确定可再生能源出力，根据风速和光照强度确定t时刻的风机实际功率输出pwt,t，光伏输出功率ppv,t，以及可再生能源总出力psw,t；
psw,t＝pwt,t ppv,t(5)
其中：v为风速，pr为风机的额定功率，vci为切入风速，vr为额定风速，vco为切除风速，a和b为参数，pstc为光伏额定输出功率，gc为实际运行光照强度，gstc为参考的太阳辐射量，标准状态为1000w/m2，tstc为参考的温度，标准状态为298k，k1为光伏降额系数，k2为功率温度系数，tc为电池实际运行温度；
s1.2：确定燃料电池汽车每日的加氢量，当燃料电池汽车返程时储氢状态量小于设定储氢状态量时，燃料电池汽车到加氢站进行加氢服务；
socfcv＝socfcv0-xw/cfcv(6)
socfcv<socfcvset(7)
whs＝n(socfcvmax-socfcv)cfcv(8)
其中：socfcv为燃料电池汽车返程时的储氢状态量；socfcv0为燃料电池汽车初始储氢状态量；socfcvset为保证燃料电池汽车次日正常出行的设定储氢状态量；x为行驶里程；w为单位里程耗氢量socfcvmax；为燃料电池汽车最大储氢状态；cfcv为燃料电池汽车储氢容量；n为某日需要加氢的燃料电池汽车数量；whs为加氢站每日的供氢量，单位为kg；
s1.3：采用基于模式切换的热电联产机组运行方式，热电联产机组运行方式包括电定热方式和热定电方式，
当风光出力小于电负荷时，热电联产机组以电定热fel方式运行：
当风光出力大于电负荷时，热电联产机组以热定电ftl方式运行：
其中：
s1.4：确定电解池和甲烷化运行功率以及储氢罐储气状态：
1)当有多余电力供应时启动电解池，并将多余电力转化为氢气储存在储氢罐中；
psw,t pchpe,t＞peload,t(11)
其中：pec,t为t时刻电解池输入功率，
2)更新储氢罐储氢量
whst＝whst0 wecυinδ-whs/υout(14)
其中，whst为储氢罐储氢量；whst0为储氢罐初始储氢量；δ为受储气罐容量约束的输入系数，δ＜1；υin为充气效率；υout为放气效率；
3)当储氢罐达到最大储气状态时启动甲烷化，甲烷化运行功率
其中：wmet,t为甲烷化输出天然气量，kg/h，υmet为甲烷化效率，k为氢气转化甲烷的系数，k＝2，
在一种实施方式中，s2可再生能源出力不确定性场景包括：全年风速日峰值最小日数据、全年光照日峰值最小日数据和夏季典型日负荷的第一场景以及全年风速日峰值最大日数据、全年光照日峰值最大日数据和冬季典型日负荷。
在一种实施方式中，s3具体包括：
s3.1：构建经济成本最小的第一目标函数，经济成本为日规划经济成本，包括投资成本，运维成本、燃料成本、能量浪费惩罚成本以及供能不足惩罚成本，第一目标函数为：
minca＝cic coc cfc cpw cpl(19)
其中，ca为日规划经济成本，cic为投资成本，coc为运维成本，cfc为燃料成本，cpw为能量浪费惩罚成本，cpl为供能不足惩罚成本；
投资成本cic的计算公式如下：
其中：i表示不同的投资设备，n为设备总数，cic表示设备的日化投资成本，crp,i表示设备的额定功率，对于储气设备为额定容量，kic,i表示单位功率/容量的初始投资成本系数，η为通货膨胀率，lsf,i表示设备的使用年限；
运行维护成本coc的计算公式如下：
其中：pi,t为第i个设备t时刻的运行功率，
燃料成本cfc的计算公式如下：
其中：pi,t表示设备i在t时段的实际运行功率，kfc,i为相应的燃料成本系数，σch4为甲烷低热值；
能量浪费惩罚成本cpw的计算公式如下：
cpw＝kwastepwaste(23)
其中：kwaste表示能量浪费惩罚系数，pwaste表示日供能浪费，kwh；
pewaste,t＝psw,t pchpe,t-pec,t-peload,tt∈{psw,t pchpe,t-pec,t＞peload,t}(25)
ptwaste,t＝pchph,t pgb,t-phload,tt∈{pchph,t pgb,t＞phload,t}(26)
其中：pwaste为能量浪费，pewaste为供电能量浪费，ptwaste为供热能量浪费，phwaste为供氢能量浪费，
供能不足惩罚成本cpl的计算公式如下：
cpl＝klossploss(28)
式中：kloss表示供能不足惩罚系数，ploss表示日供能不足，单位为kwh；
s3.2：构建综合可再生能源利用率最大的第二目标函数：
其中，由于风光出力和负荷需求的不确定性，ηtswa包含ηtswa,ω、ηtswa,ξ和ηtswa,ψ三种情况：
(1)风光出力大于电负荷与电解池最大输入功率之和时：
(2)风光出力小于或等于电负荷与电解池最大输入功率之和，并且大于电负荷时
(3)风光出力小于或等于电负荷时
ωψ＝{t|peload,t≥psw,t}(35)
其中：
s3.3：构建供能不足最小的第三目标函数：
其中：ploss为供能不足，peloss为供电不足，ptloss为供热不足，phloss为供氢不足；
peloss,t＝peload,t-psw,t-pchpe,tt∈{psw,t pchpe,t＜peload,t}(37)
ptloss,t＝phload,t-pchph,t-pgb,tt∈{phload,t＞pchph,t pgb,t}(38)
s3.4：构建元件出力约束，设备功率预设和容量约束为不等式约束：
系统能量平衡约束为等式约束，包括：
peload,t＝psw,t pchpe,t-pec,t peloss,t-pewaste,t(46)
phload,t＝pchph,t pgb,t ptloss,t-ptwaste,t(47)
其中：
在一种实施方式中，s4包括：
s4.1：初始化粒子群，即初始化多能量系统中各装置额定功率/容量，设置种群大小为np，迭代次数k，粒子维数d，加速度因子c1和c2，随机数r1和r2以及惯性权重w0；
s4.2：在步骤2设定的场景下，场景包括已知每时刻风速数据，已知每时刻光照数据，已知每时刻原始电负荷peload(t)，已知每时刻热负荷phload(t)，分别计算每时刻的风机功率pwt,t，计算每时刻的光伏出力ppv,t，计算确定可再生能源总出力psw,t，计算热电联产电出力pchpe,t；热电联产热出力pchph,t，计算每时刻电解池输出的氢气
s4.3：将步骤3的第一目标函数ca，第二目标函数ηtswa以及第三目标函数ploss作为多目标粒子群的适应度函数，将步骤3中的约束条件作为多目标粒子群的约束条件；
s4.4：根据多目标粒子群算法求出符合要求非劣解集；
s4.5：利用模糊隶属度函数对获得的非劣解集中选取一组相对最优解作为最终最优解。
在一种实施方式中，s4.5具体包括：
s4.5.1：对s4.4中所获得的非劣解集中的第k个非劣解xk，其对于第i个子目标函数的满意程度为：
式中，fimax为第i个子目标最大函数值，fimin为第i个子目标最小函数值，fi(xk)为第k个非劣解xk所对应的第i个子目标函数值因此，
对xk来说，所有子目标的整体满意度可用式表示：
其中，m为非劣解个数，l为子目标个数；
对所有的μk，其值越大，解越优，选取其中最大值
s4.5.2：根据s4.1～s4.5分别计算不同场景下
最优解
本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：
本发明提供的一种考虑不确定性的电-热-氢多能量系统的规划方法，首先建立多能量系统模型，并基于场景法建立可再生能源出力不确定性场景；接着构建多能量系统模型的优化目标和约束条件；再基于构建的优化目标和约束条件，采用多目标粒子群优化算法，在可再生能源出力不确定性场景下，求解多能量系统模型中各装置功率或容量的非劣解集，并利用模糊隶属度函数从非劣解集中筛选出目标规划方案。由于充分考虑了可再生能源出力不确定性对系统规划的影响，在兼顾经济性、环保性和供能可靠性等多种规划需求的条件下，利用多目标粒子群算法和模糊隶属函数求解多能量系统模型中各设备功率或容量的最优配置，获得了效果较好的规划结果，解决了现有技术中存在的规划效果不佳的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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。
图1：本发明多能量系统多目标规划方法结构框图；
图2：本发明多能量系统模型结构图；
图3：本发明不同季节电负荷曲线图；
图4：本发明不同季节热负荷曲线图；
图5：本发明场景1风速和光照日峰值最小日数据图；
图6：本发明场景2风速和光照日峰值最大日数据图；
图7：本发明在场景1下规划结果帕累托前沿；
图8：本发明在场景2下规划结果帕累托前沿；
具体实施方式
本申请发明人通过大量的研究与实践发现：在可再生能源利用方面，现有研究没有充分考虑风光出力不确定性对系统规划的影响，导致多能量系统规划结果往往难以满足实际运行要求，出现较为严重的供能不足或供能浪费。因此，在对支持大规划可再生能源接入的多能量系统进行规划设计时，充分考虑可再生能源出力的不确定性，并兼顾系统规划的经济性、环保性和可靠性，具有重要的现实意义。
本发明针对现有研究的不足及优化需求，本发明提出了一种考虑不确定性的电-热-氢多能量系统最优规划方法，从而达到改善规划结果的目的。
为了达到上述技术效果，本发明的总体发明构思如下：
根据能量供需关系建立多能量系统模型，针对模型中现有电转气(p2g)技术能量损耗较大以及热电联产机组(chp)单一运行方式难以与可再生能源出力配合等不足，提出将p2g产生的氢气优先供应燃料电池汽车，并根据可再生能源出力大小切换chp运行方式等措施；其次，针对可再生能源出力不确定性对系统规划的影响，基于场景法实现不确定性场景描述；第三以经济成本最小、可再生能源综合利用率最大和供能不足最小为目标建立多目标数学模型，并提出约束条件。最后采用多目标粒子群算法和模糊隶属度函数对模型进行求解。本发明对大规模可再生能源接入的多能量系统的规划设计具有一定的帮助。
为使本发明实施例的目的、技术方案和优点更加清楚，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。
请参见图1～图8，本实施例提供了一种考虑不确定性的电-热-氢多能量系统的规划方法，该方法包括：
s1：建立多能量系统模型，其中，多能量系统模型包括可再生能源出力、燃料电池汽车每日的加氢量、热电联产机组运行方式以及电解池和甲烷化运行功率以及储氢罐储气状态。
具体来说，图1为多能量系统多目标规划方法结构框图，多能量系统模型的结构如图2所示。
s2：基于场景法建立可再生能源出力不确定性场景；
s3：构建多能量系统模型的优化目标和约束条件，其中，优化目标包括经济成本最小、综合可再生能源利用率最大以及功能不足最小，约束条件包括设备功率约束、容量约束以及系统平衡约束。
具体来说，s3中是构建多个优化目标以及相应的约束条件，主要包括设备出力约束和能量平衡约束。
s4：基于构建的优化目标和约束条件，采用多目标粒子群优化算法，在可再生能源出力不确定性场景下，求解多能量系统模型中各装置功率或容量的非劣解集，并利用模糊隶属度函数从非劣解集中筛选出目标规划方案。
具体来说，s4是基于构建的优化目标和约束条件，采用多目标粒子群算法对多能量系统模型进行求解，从而得到最优的规划结果。
在一种实施方式中，s1建立多能量系统模型具体包括：
s1.1：确定可再生能源出力，根据风速和光照强度确定t时刻的风机实际功率输出pwt,t，光伏输出功率ppv,t，以及可再生能源总出力psw,t；
psw,t＝pwt,t ppv,t(5)
其中：v为风速，pr为风机的额定功率，vci为切入风速，vr为额定风速，vco为切除风速，a和b为参数，pstc为光伏额定输出功率，gc为实际运行光照强度，gstc为参考的太阳辐射量，标准状态为1000w/m2，tstc为参考的温度，标准状态为298k，k1为光伏降额系数，k2为功率温度系数，tc为电池实际运行温度；
s1.2：确定燃料电池汽车每日的加氢量，当燃料电池汽车返程时储氢状态量小于设定储氢状态量时，燃料电池汽车到加氢站进行加氢服务；
socfcv＝socfcv0-xw/cfcv(6)
socfcv<socfcvset(7)
whs＝n(socfcvmax-socfcv)cfcv(8)
其中：socfcv为燃料电池汽车返程时的储氢状态量；socfcv0为燃料电池汽车初始储氢状态量；socfcvset为保证燃料电池汽车次日正常出行的设定储氢状态量；x为行驶里程；w为单位里程耗氢量socfcvmax；为燃料电池汽车最大储氢状态；cfcv为燃料电池汽车储氢容量；n为某日需要加氢的燃料电池汽车数量；whs为加氢站每日的供氢量，单位为kg；
s1.3：采用基于模式切换的热电联产机组运行方式，热电联产机组运行方式包括电定热方式和热定电方式，
当风光出力小于电负荷时，热电联产机组以电定热fel方式运行：
当风光出力大于电负荷时，热电联产机组以热定电ftl方式运行：
其中：
s1.4：确定电解池和甲烷化运行功率以及储氢罐储气状态：
1)当有多余电力供应时启动电解池，并将多余电力转化为氢气储存在储氢罐中；
psw,t pchpe,t＞peload,t(11)
其中：pec,t为t时刻电解池输入功率，
2)更新储氢罐储氢量
whst＝whst0 wecυinδ-whs/υout(14)
其中，whst为储氢罐储氢量；whst0为储氢罐初始储氢量；δ为受储气罐容量约束的输入系数，δ＜1；υin为充气效率；υout为放气效率；
3)当储氢罐达到最大储气状态时启动甲烷化，甲烷化运行功率
其中：wmet,t为甲烷化输出天然气量，kg/h，υmet为甲烷化效率，k为氢气转化甲烷的系数，k＝2，
具体来说，s1.1中的各参数可以根据需要和实际情况进行选取或者读取，例如切入风速vci可以为3m/s，额定光照强度(参考的太阳辐射量)gstc为1kw/m2，光伏降额系数k1为0.9，功率温度系数k2为1，电池实际运行温度tc为25℃。
socfcvset可以为30％，w为0.91kg/100km，socfcvmax为100％；cfcv燃料电池汽车储氢容量为5.6kg；
υec为电解池转化效率，取0.75，c为换算系数，39.65kwh/kg；
υin为充气效率，0.95，υout为放气效率，0.95；k为氢气转化甲烷的系数，k＝2；
在一种实施方式中，s2可再生能源出力不确定性场景包括：全年风速日峰值最小日数据、全年光照日峰值最小日数据和夏季典型日负荷的第一场景以及全年风速日峰值最大日数据、全年光照日峰值最大日数据和冬季典型日负荷。
具体来说，全年风光数据和不同季节条件下电、热典型负荷数据已知，在不考虑风光和负荷等不确定性因素相关性的前提下，提出了一种简单的方法生成风光不确定性第一场景和第二场景。
图3为不同季节电负荷曲线图；图4为不同季节热负荷曲线图。
第一场景数据见图5：第一场景风速和光照日峰值最小日数据图，第二场景数据见图6：第二场景风速和光照日峰值最大日数据图；
在一种实施方式中，s3具体包括：
s3.1：构建经济成本最小的第一目标函数，经济成本为日规划经济成本，包括投资成本，运维成本、燃料成本、能量浪费惩罚成本以及供能不足惩罚成本，第一目标函数为：
minca＝cic coc cfc cpw cpl(19)
其中，ca为日规划经济成本，cic为投资成本，coc为运维成本，cfc为燃料成本，cpw为能量浪费惩罚成本，cpl为供能不足惩罚成本；
投资成本cic的计算公式如下：
其中：i表示不同的投资设备，n为设备总数，cic表示设备的日化投资成本，crp,i表示设备的额定功率，对于储气设备为额定容量，kic,i表示单位功率/容量的初始投资成本系数，η为通货膨胀率，lsf,i表示设备的使用年限；
运行维护成本coc的计算公式如下：
其中：pi,t为第i个设备t时刻的运行功率，
燃料成本cfc的计算公式如下：
其中：pi,t表示设备i在t时段的实际运行功率，kfc,i为相应的燃料成本系数，σch4为甲烷低热值；
能量浪费惩罚成本cpw的计算公式如下：
cpw＝kwastepwaste(23)
其中：kwaste表示能量浪费惩罚系数，pwaste表示日供能浪费，kwh；
pewaste,t＝psw,t pchpe,t-pec,t-peload,tt∈{psw,t pchpe,t-pec,t＞peload,t}(25)
ptwaste,t＝pchph,t pgb,t-phload,tt∈{pchph,t pgb,t＞phload,t}(26)
其中：pwaste为能量浪费，pewaste为供电能量浪费，ptwaste为供热能量浪费，phwaste为供氢能量浪费，
供能不足惩罚成本cpl的计算公式如下：
cpl＝klossploss(28)
式中：kloss表示供能不足惩罚系数，ploss表示日供能不足，单位为kwh；
s3.2：构建综合可再生能源利用率最大的第二目标函数：
其中，由于风光出力和负荷需求的不确定性，ηtswa包含ηtswa,ω、ηtswa,ξ和ηtswa,ψ三种情况：
(1)风光出力大于电负荷与电解池最大输入功率之和时：
(2)风光出力小于或等于电负荷与电解池最大输入功率之和，并且大于电负荷时
(3)风光出力小于或等于电负荷时
ωψ＝{t|peload,t≥psw,t}(35)
其中：
s3.3：构建供能不足最小的第三目标函数：
其中：ploss为供能不足，peloss为供电不足，ptloss为供热不足，phloss为供氢不足；
peloss,t＝peload,t-psw,t-pchpe,tt∈{psw,t pchpe,t＜peload,t}(37)
ptloss,t＝phload,t-pchph,t-pgb,tt∈{phload,t＞pchph,t pgb,t}(38)
s3.4：构建元件出力约束，设备功率预设和容量约束为不等式约束：
系统能量平衡约束为等式约束，包括：
peload,t＝psw,t pchpe,t-pec,t peloss,t-pewaste,t(46)
phload,t＝pchph,t pgb,t ptloss,t-ptwaste,t(47)
其中：
具体来说，各参数可以根据实际情况和需要进行选取，s3.1投资成本的计算中光伏为665/$/kw，风机为1400/$/kw，热电联产机组为900/$/kw，电解池450/$/kw，甲烷化为180/$/kw，燃气锅炉700/$/kw，储氢罐12/$/kw，η为通货膨胀率，取5％，lsf,i表示设备的使用年限，20；
s3.1运行维护成本中，光伏为20/$/kw/年，风机为13/$/kw/年，热电联产机组为15/$/kw/年，电解池10/$/kw/年，甲烷化为11/$/kw/年，燃气锅炉25/$/kw/年，储氢罐0/$/kw/年，
s3.1燃料成本中σch4为甲烷低热值，0.014mwh/kg。
s3.1能量浪费惩罚成本中kwaste能量浪费惩罚系数，0.1$/kwh，
供能不足惩罚成本中，kloss供能不足惩罚系数为0.5$/kwh。
s3.2中α、β为权重因子，为了计算方便均取0.5。
在一种实施方式中，s4包括：
s4.1：初始化粒子群，即初始化多能量系统中各装置额定功率/容量，设置种群大小为np，迭代次数k，粒子维数d，加速度因子c1和c2，随机数r1和r2以及惯性权重w0；
s4.2：在步骤2设定的场景下，场景包括已知每时刻风速数据，已知每时刻光照数据，已知每时刻原始电负荷peload(t)，已知每时刻热负荷phload(t)，分别计算每时刻的风机功率pwt,t，计算每时刻的光伏出力ppv,t，计算确定可再生能源总出力psw,t，计算热电联产电出力pchpe,t；热电联产热出力pchph,t，计算每时刻电解池输出的氢气
s4.3：将步骤3的第一目标函数ca，第二目标函数ηtswa以及第三目标函数ploss作为多目标粒子群的适应度函数，将步骤3中的约束条件作为多目标粒子群的约束条件；
s4.4：根据多目标粒子群算法求出符合要求非劣解集；
s4.5：利用模糊隶属度函数对获得的非劣解集中选取一组相对最优解作为最终最优解。
具体来说，对于多目标优化问题，由于其目标间的矛盾性以及目标间的不可公度性，一般不存在通常意义下的最优解，只能寻求问题的非劣解；
对多目标问题：
min[f1(x),f2(x),f3(x),...,fm(x)]
式中，fi(x)为待优化的目标函数，x为待优化目标函数个数，x为待优化的变量，ub为变量x的上限，lb为变量x的下限，aeq*x＝beq为变量x的等式约束，a*x≤b为变量x的不等式约束；
假设x*是多目标问题的一个可行解，若不存在其他的可行解x∈x，使所有fi(x)≤fi(x*)(i＝1,2,...,m)，且至少存在一个i0(1≤i0≤m)使
在具体实施过程中，s4.1中设置种群大小为np，100，迭代次数k，150，粒子维数d，7，加速度因子c1＝0.8和c2＝0.8，随机数r1＝0.5和r2＝0.5以及惯性权重w0＝0.5；
请参见图7，为在第一场景下规划结果帕累托前沿；图8为在第二场景下规划结果帕累托前沿。
在一种实施方式中，s4.5具体包括：
s4.5.1：对s4.4中所获得的非劣解集中的第k个非劣解xk，其对于第i个子目标函数的满意程度为：
式中，fimax为第i个子目标最大函数值，fimin为第i个子目标最小函数值，fi(xk)为第k个非劣解xk所对应的第i个子目标函数值因此，
对xk来说，所有子目标的整体满意度可用式表示：
其中，m为非劣解个数，l为子目标个数；
对所有的μk，其值越大，解越优，选取其中最大值
s4.5.2：根据s4.1～s4.5分别计算第一场景和第二场景下
最优解
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。
1.一种考虑不确定性的电-热-氢多能量系统的规划方法，其特征在于，包括：
s1：建立多能量系统模型，其中，多能量系统模型包括可再生能源出力、燃料电池汽车每日的加氢量、热电联产机组运行方式以及电解池和甲烷化运行功率以及储氢罐储气状态；
s2：基于场景法建立可再生能源出力不确定性场景；
s3：构建多能量系统模型的优化目标和约束条件，其中，优化目标包括经济成本最小、综合可再生能源利用率最大以及功能不足最小，约束条件包括设备功率约束、容量约束以及系统平衡约束；
s4：基于构建的优化目标和约束条件，采用多目标粒子群优化算法，在可再生能源出力不确定性场景下，求解多能量系统模型中各装置功率或容量的非劣解集，并利用模糊隶属度函数从非劣解集中筛选出目标规划方案。
2.如权利要求1所述的方法，其特征在于，s1建立多能量系统模型具体包括：
s1.1：确定可再生能源出力，根据风速和光照强度确定t时刻的风机实际功率输出pwt,t，光伏输出功率ppv,t，以及可再生能源总出力psw,t；
psw,t＝pwt,t ppv,t(5)
其中：v为风速，pr为风机的额定功率，vci为切入风速，vr为额定风速，vco为切除风速，a和b为参数，pstc为光伏额定输出功率，gc为实际运行光照强度，gstc为参考的太阳辐射量，标准状态为1000w/m2，tstc为参考的温度，标准状态为298k，k1为光伏降额系数，k2为功率温度系数，tc为电池实际运行温度；
s1.2：确定燃料电池汽车每日的加氢量，当燃料电池汽车返程时储氢状态量小于设定储氢状态量时，燃料电池汽车到加氢站进行加氢服务；
socfcv＝socfcv0-xw/cfcv(6)
socfcv<socfcvset(7)
whs＝n(socfcvmax-socfcv)cfcv(8)
其中：socfcv为燃料电池汽车返程时的储氢状态量；socfcv0为燃料电池汽车初始储氢状态量；socfcvset为保证燃料电池汽车次日正常出行的设定储氢状态量；x为行驶里程；w为单位里程耗氢量socfcvmax；为燃料电池汽车最大储氢状态；cfcv为燃料电池汽车储氢容量；n为某日需要加氢的燃料电池汽车数量；whs为加氢站每日的供氢量，单位为kg；
s1.3：采用基于模式切换的热电联产机组运行方式，热电联产机组运行方式包括电定热方式和热定电方式，
当风光出力小于电负荷时，热电联产机组以电定热fel方式运行：
当风光出力大于电负荷时，热电联产机组以热定电ftl方式运行：
其中：
s1.4：确定电解池和甲烷化运行功率以及储氢罐储气状态：
1)当有多余电力供应时启动电解池，并将多余电力转化为氢气储存在储氢罐中；
其中：pec,t为t时刻电解池输入功率，
2)更新储氢罐储氢量
whst＝whst0 wecυinδ-whs/υout(14)
其中，whst为储氢罐储氢量；whst0为储氢罐初始储氢量；δ为受储气罐容量约束的输入系数，δ＜1；υin为充气效率；υout为放气效率；
3)当储氢罐达到最大储气状态时启动甲烷化，甲烷化运行功率
其中：wmet,t为甲烷化输出天然气量，kg/h，υmet为甲烷化效率，k为氢气转化甲烷的系数，k＝2，
3.如权利要求1所述的方法，其特征在于，s2可再生能源出力不确定性场景包括：全年风速日峰值最小日数据、全年光照日峰值最小日数据和夏季典型日负荷的第一场景以及全年风速日峰值最大日数据、全年光照日峰值最大日数据和冬季典型日负荷。
4.如权利要求1所述的方法，其特征在于，s3具体包括：
s3.1：构建经济成本最小的第一目标函数，经济成本为日规划经济成本，包括投资成本，运维成本、燃料成本、能量浪费惩罚成本以及供能不足惩罚成本，第一目标函数为：
minca＝cic coc cfc cpw cpl(19)
其中，ca为日规划经济成本，cic为投资成本，coc为运维成本，cfc为燃料成本，cpw为能量浪费惩罚成本，cpl为供能不足惩罚成本；
投资成本cic的计算公式如下：
其中：i表示不同的投资设备，n为设备总数，cic表示设备的日化投资成本，crp,i表示设备的额定功率，对于储气设备为额定容量，kic,i表示单位功率/容量的初始投资成本系数，η为通货膨胀率，lsf,i表示设备的使用年限；
运行维护成本coc的计算公式如下：
其中：pi,t为第i个设备t时刻的运行功率，
燃料成本cfc的计算公式如下：
其中：pi,t表示设备i在t时段的实际运行功率，kfc,i为相应的燃料成本系数，σch4为甲烷低热值；
能量浪费惩罚成本cpw
的计算公式如下：
cpw＝kwastepwaste(23)
其中：kwaste表示能量浪费惩罚系数，pwaste表示日供能浪费，kwh；
pewaste,t＝psw,t pchpe,t-pec,t-peload,tt∈{psw,t pchpe,t-pec,t＞peload,t}(25)
ptwaste,t＝pchph,t pgb,t-phload,tt∈{pchph,t pgb,t＞phload,t}(26)
其中：pwaste为能量浪费，pewaste为供电能量浪费，ptwaste为供热能量浪费，phwaste为供氢能量浪费，
供能不足惩罚成本cpl的计算公式如下：
cpl＝klossploss(28)
式中：kloss表示供能不足惩罚系数，ploss表示日供能不足，单位为kwh；
s3.2：构建综合可再生能源利用率最大的第二目标函数：
其中，由于风光出力和负荷需求的不确定性，ηtswa包含ηtswa,ω、ηtswa,ξ和ηtswa,ψ三种情况：
(1)风光出力大于电负荷与电解池最大输入功率之和时：
(2)风光出力小于或等于电负荷与电解池最大输入功率之和，并且大于电负荷时
(3)风光出力小于或等于电负荷时
ωψ＝{t|peload,t≥psw,t}(35)
其中：
s3.3：构建供能不足最小的第三目标函数：
其中：ploss为供能不足，peloss为供电不足，ptloss为供热不足，phloss为供氢不足；
peloss,t＝peload,t-psw,t-pchpe,tt∈{psw,t pchpe,t＜peload,t}(37)
ptloss,t＝phload,t-pchph,t-pgb,tt∈{phload,t＞pchph,t pgb,t}(38)
s3.4：构建元件出力约束，设备功率预设和容量约束为不等式约束：
系统能量平衡约束为等式约束，包括：
peload,t＝psw,t pchpe,t-pec,t peloss,t-pewaste,t(46)
phload,t＝pchph,t pgb,t ptloss,t-ptwaste,t(47)
其中：
5.如权利要求4所述的方法，其特征在于，s4包括：
s4.1：初始化粒子群，即初始化多能量系统中各装置额定功率/容量，设置种群大小为np，迭代次数k，粒子维数d，加速度因子c1和c2，随机数r1和r2以及惯性权重w0；
s4.2：在步骤2设定的场景下，场景包括已知每时刻风速数据，已知每时刻光照数据，已知每时刻原始电负荷peload(t)，已知每时刻热负荷phload(t)，分别计算每时刻的风机功率pwt,t，计算每时刻的光伏出力ppv,t，计算确定可再生能源总出力psw,t，计算热电联产电出力pchpe,t；热电联产热出力pchph,t，计算每时刻电解池输出的氢气
s4.3：将步骤3的第一目标函数ca，第二目标函数ηtswa以及第三目标函数ploss作为多目标粒子群的适应度函数，将步骤3中的约束条件作为多目标粒子群的约束条件；
s4.4：根据多目标粒子群算法求出符合要求非劣解集；
s4.5：利用模糊隶属度函数对获得的非劣解集中选取一组相对最优解作为最终最优解。
6.如权利要求5所述的方法，其特征在于，s4.5具体包括：
s4.5.1：对s4.4中所获得的非劣解集中的第k个非劣解xk，其对于第i个子目标函数的满意程度为：
式中，
对xk来说，所有子目标的整体满意度可用式表示：
其中，m为非劣解个数，l为子目标个数；
对所有的μk，其值越大，解越优，选取其中最大值
s4.5.2：根据s4.1～s4.5分别计算不同场景下
最优解
