針對新一代能源系統(tǒng)運行調(diào)度的優(yōu)化算法研究?

李笑竹，王維慶

(新疆大學(xué) 可再生能源發(fā)電與并網(wǎng)技術(shù)教育部工程研究中心，新疆 烏魯木齊 830047)

0 引言

電力系統(tǒng)優(yōu)化調(diào)度是常見的高緯度、非線性和強耦合的多目標優(yōu)化問題.價格懲罰因子[1?2]、加權(quán)半正定規(guī)劃[3]、加權(quán)求和[4]、大M線性化[5]等，將多目標問題轉(zhuǎn)化為單目標的傳統(tǒng)求解方法雖然效率高、速度快，但對目標函數(shù)要求過高，若是不可微的非凸形式則無法得到有效解，且解對初值的選取較為靈敏易陷入局部最優(yōu).因此越來越多的學(xué)者將電力系統(tǒng)優(yōu)化調(diào)度問題作為一個真正的多目標優(yōu)化問題進行求解，基于非支配序列的遺傳算法[6](non-dominated sorting genetic algorithm，NSGA-Ⅱ)、模擬退火算法[7]、多目標粒子群算法(multiobjective particle swarm optimization，MOPSO)[8]、基于分解多目標進化算法(decomposition based multi-objective evolutionary algorithms，MOEA/D)[9]，這些方法在處理復(fù)雜問題時具有很好效果，且已成功應(yīng)用于電力系統(tǒng)優(yōu)化調(diào)度問題.隨著大規(guī)?？稍偕茉床⒕W(wǎng)，能源互聯(lián)網(wǎng)[10]和各種多能源系統(tǒng)相繼提出.發(fā)電功率的隨機性和波動性給傳統(tǒng)調(diào)度帶來挑戰(zhàn)，調(diào)度模型變得越來越復(fù)雜.一些求解多目標非線性、非凸、強耦合和復(fù)雜約束模型的算法得到了廣泛的應(yīng)用，如：多目標檢測算法[11]、交互式多目標文化算法[12]、改進蜻蜓算法[13]、多目標克隆算法[14].數(shù)以百計的優(yōu)化算法已經(jīng)被證明能夠有效地解決電力系統(tǒng)實際應(yīng)用中的許多多目標優(yōu)化問題，但對求解新一代能源系統(tǒng)發(fā)電優(yōu)化調(diào)度的一些較為復(fù)雜的多目標優(yōu)化問題時仍有所不足.例如在多能轉(zhuǎn)換技術(shù)的支撐下對多能源網(wǎng)絡(luò)進行集成優(yōu)化調(diào)度，是具有高緯度決策空間的大規(guī)模多目標優(yōu)化問題；還有考慮整個電力、熱力、天然氣等系統(tǒng)中的各裝置，以及用戶側(cè)電動汽車、儲能裝置等新型負荷大量接入電網(wǎng)，在這些裝置的強運行約束下使得實際問題具有不規(guī)則的Pareto前沿面形狀.大規(guī)模多目標優(yōu)化問題難點在于獲得一組接近前沿面的解，而具有不規(guī)則前沿面的多目標優(yōu)化問題難點在于獲得一組分布均勻的解，如何保證可行域范圍內(nèi)最優(yōu)解集的收斂性和分布性是求解新一代能源系統(tǒng)運行調(diào)度問題的關(guān)鍵.

基于上述分析，本文提出一種用于求解新一代能源系統(tǒng)優(yōu)化調(diào)度問題的大規(guī)模具有不規(guī)則前沿面的多目標優(yōu)化算法(large-scale multi-objective optimization algorithm with irregular front,LMOA-IF).主要創(chuàng)新點如下：

（1）LMOA-IF采用分治思想將大規(guī)模的決策變量聚類分組分別進行優(yōu)化，在收斂性相關(guān)變量優(yōu)化時采用尋優(yōu)性能好、收斂速度快的鯨魚算法作為產(chǎn)生子代解的方式；在分布性相關(guān)變量優(yōu)化時采用IGD-NS(inverted generational distance enhanced)指標與擁擠熵策略作為主要的環(huán)境選擇策略；

（2）為證明LMOA-IF的通用性，本研究在3個測試函數(shù)集中26個測試問題上說明了LMOA-IF在求解大規(guī)模具有不規(guī)則前沿面的多目標優(yōu)化問題時較其它現(xiàn)有算法有明顯優(yōu)勢；

（3）將LMOA-IF用于求解10機系統(tǒng)動態(tài)環(huán)境經(jīng)濟調(diào)度問題和IEEE33節(jié)點配電網(wǎng)與CCHP系統(tǒng)耦合形成的含大規(guī)?？稍偕茉醇啥嗄茉聪到y(tǒng)的優(yōu)化調(diào)度問題，驗證了所提出算法在實際電力系統(tǒng)優(yōu)化調(diào)度問題中的有效性.

1 LMOA-IF提出

1.1 LMOA-IF的框架

LMOA-IF采用分治思想將決策變量聚類為收斂性相關(guān)變量與分布性相關(guān)變量分別進行優(yōu)化[15]，在收斂性相關(guān)變量優(yōu)化時采用尋優(yōu)性能好、收斂速度快的鯨魚算法作為產(chǎn)生子代解的方式；在分布性相關(guān)變量優(yōu)化時采用增強型的IGD指標作為主要的環(huán)境選擇策略，該方法已被證明能在具有規(guī)則與不規(guī)則前沿面的多目標優(yōu)化問題上取得較好的結(jié)果[16].在尋優(yōu)過程中收斂性相關(guān)變量與分布性相關(guān)變量交替優(yōu)化直至算法結(jié)束，LMOA-IF的整體框架見如下偽代碼(算法1).LMOA-IF借鑒文獻[15]中聚類的方法實現(xiàn)決策變量分類，不同類型決策變量的優(yōu)化策略將在以下幾個小節(jié)分別介紹.

1.2 收斂性相關(guān)變量優(yōu)化策略

在收斂性相關(guān)變量優(yōu)化時，LMOA-IF利用同NSGA-Ⅱ[17]中相同的非支配序列排序的方式獲得每個解在種群中的前沿面編號；計算每個解對應(yīng)的目標函數(shù)值與原點的歐氏距離作為能夠提升種群收斂性的參考指標；采用基于非支配排序的二元聯(lián)賽選擇方法作為父代解集合選擇策略；利用鯨魚算法更新子代，此子代解只有收斂性相關(guān)變量的值與父代解不同；如果子代解的前沿面編號小于父代解，或在前沿面編號相同的情況下子代解具有更好的參考指標，則該子代解替代父代解.LMOA-IF的收斂性相關(guān)變量的優(yōu)化策略見如下偽代碼(算法2).

鯨魚算法(whale optimization algorithm,WOA)有原理簡單、參數(shù)設(shè)置少、尋優(yōu)性能強等特點，在求解精度和收斂速度上均優(yōu)于粒子群算法PSO、遺傳算法GA等，已成功應(yīng)用于大規(guī)模優(yōu)化問題上[18].標準WOA仍存在不能有效平衡全局與局部搜索能力，導(dǎo)致在迭代后期算法的多樣性喪失，收斂能力不足，如在文獻[18]的F2和F21中算法在迭代最終才收斂.對此我們提出相關(guān)改進策略，改進的鯨魚算法(improve WOA,IWOA)尋優(yōu)策略見如下偽代碼(算法3).

式中：Iter，Gmax分別表示當前迭代次數(shù)與最大迭代次數(shù)，r為(0，1)之間的隨機數(shù)，向量系數(shù)A，C均由收斂因子a計算，隨迭代次數(shù)由2減小到0，l為螺旋系數(shù).設(shè)置探索固定值A(chǔ) constant，當A≥Aconstant時執(zhí)行全局搜索，反之為局部.借助差分進化算法中個體的合作與競爭指導(dǎo)優(yōu)化搜索，分別進行螺旋運動和直線運動，更新方式見(4)(5).

以文獻[18]中表現(xiàn)欠佳的F8和F21驗證改進鯨魚算法較標準鯨魚算法的競爭力，對比收斂曲線見圖1.由圖1可看出IWOA的尋優(yōu)能力明顯優(yōu)于WOA，IWOA能更好地平衡開發(fā)與探索.

圖1 WOA與IWOA收斂曲線對比Fig 1 Comparison of convergence curves between WOA and IWOA

1.3 分布性相關(guān)變量優(yōu)化策略

基于性能指標的多目標進化算法能夠在具有不規(guī)則前沿面的多目標優(yōu)化問題上得到分布性能較好的種群[19].由此本文利用文獻[17]中增強型的IGD_NS指標作為LMOA-IF算法的主要環(huán)境選擇策略，IGD_NS指標相關(guān)概念及計算方式見文獻[17].在分布性相關(guān)變量優(yōu)化時，LMOA-IF采用一組單純形上均勻分布的點作為初始參考點集，為了使參考點能夠近似不同形狀的不規(guī)則前沿面，需要在優(yōu)化過程中動態(tài)自適應(yīng)調(diào)整參考點集的位置及其分布.LMOA-IF與大多數(shù)多目標算法具有相同的框架，利用外部存檔A保存優(yōu)化過程中已經(jīng)發(fā)現(xiàn)的非占優(yōu)解；采用基于IGD_NS指標的二元聯(lián)賽選擇方法選擇父代解集合，并且利用每次迭代時產(chǎn)生的子代種群更新外部存檔A和自適應(yīng)參考點集LamdaR；最后利用基于IGD選擇策略得到下一代種群.LMOA-IF的分布性相關(guān)變量的優(yōu)化策略見算法4.

與文獻[16]中LMOA-IF算法不同的是，LMOA-IF在更新外部存檔A和自適應(yīng)參考點集LamdaR時，將擁擠距離與分布熵結(jié)合成擁擠熵對解之間的擁擠程度進行評價，除保留所有的有貢獻解之外，選擇最不擁擠的解直至滿足集合規(guī)模的要求.目標空間中分布熵的定義如下：

式中：Dl,ij、Du,ij為第i個解與其相鄰兩個解在第j個目標函數(shù)上的距離，擁擠熵的計算如下：

2 LMOA-IF測試

2.1 性能指標

測試中選取IGD指標用來量化算法所得到的解集的好壞，區(qū)別傳統(tǒng)指標GD(generational distance)與Spacing僅能評價種群的收斂性與分布性，IGD指標則能夠同時評價種群的收斂性與分布性.IGD的計算公式如下：

式中：P表示待評價的種群，R表示真實Pareto前沿面上的參考點集合，||p?r||表示種群P中的個體p到參考點集合R中某個參考點r的歐式距離.IGD計算了每個參考點到與其最近點之間的距離，當種群P與真實前沿面相似度越高，IGD越小，同時也說明種群P具有較好的收斂性與分布性.

2.2 結(jié)果分析

通過經(jīng)典多目標測試函數(shù)來驗證LMOA-IF在求解大規(guī)模具有不規(guī)則前沿面的多目標優(yōu)化問題時的效果.將LMOA-IF與現(xiàn)有的多目標進化算法進行對比，它們分別是：MOEA/D[20]、NSGA-Ⅱ[17]、PESA-Ⅱ[21]、IBEA[22]、AR-MOEA[16].在測試中，共使用3個廣泛使用的測試函數(shù)集，即：DTLZ、WFG、UF共26個測試問題，由于本文所建立的優(yōu)化調(diào)度模型不涉及高維度多目標優(yōu)化，因此測試問題目標函數(shù)的個數(shù)至多不超過3個，其相關(guān)設(shè)置見表1.參與實驗的算法采用如下參數(shù)設(shè)置：MOEA/D中聚集函數(shù)采用反轉(zhuǎn)的Tchebycheff函數(shù)[23]、領(lǐng)域范圍為0.1N、領(lǐng)域選擇概率為0.9；IBEA中縮放因子為0.05；AR-MOEA與LMOA-IF中基礎(chǔ)參考點個數(shù)均為20，且兩種算法對決策變量的分組結(jié)果相同，見表1.每個算法均在每個測試問題上獨立運行30次，實驗記錄IGD指標的平均值見表2.

表1 測試函數(shù)及其參數(shù)Tab 1 Settings parameters for each test problems

表2 LMOA-IF和5種其它算法的IGD值比較Tab 2 IGD results obtain by LMOA-IF and five algorithms

從表2可得，就10個具有規(guī)則前沿面的測試問題來看，LMOA-IF得到了其中5個問題的最好效果；DTLZ1、DT LZ4、WFG7-WFG9問題雖未得到最好效果，但差距較小，總體來看LMOA-IF較AR-MOEA在規(guī)則前沿面問題的優(yōu)化上有一定優(yōu)勢，但相對不明顯，說明基于群體元啟發(fā)式算法在非線性和不可求導(dǎo)的連續(xù)優(yōu)化問題上，其收斂能力與遺傳操作相比未有明顯提高.但就6個具有不規(guī)則前沿面的測試問題來看，AR-LMWOA對分布性能的改善是顯著的，得到了除DTLZ6、WFG3以外4個問題的最好效果，說明基于擁擠熵的多樣性保持策略能夠更準確地反映非占優(yōu)解之間的擁擠關(guān)系，從而提高解的多樣性.

為更加直觀地對比LMOA-IF的算法性能，圖2為利用LMOA-IF得到的Pareto前沿面與經(jīng)典多目標算法MOEA/D、NSGA-Ⅱ得到前沿面的對比情況.從圖2可以看出，基于分解多目標進化算法在保證解的多樣性方面與NSGA-Ⅱ相比更有優(yōu)勢，對于較容易的測試問題(UF3、DTLZ2、DTLZ4)MOEA/D可以獲得較好的結(jié)果；但由于它們沒有針對求解大規(guī)模多目標優(yōu)化問題的策略，隨著決策變量維度的不斷增加，解的搜索空間大小呈指數(shù)上升，MOEA/D在UF1、UF2、DTLZ3等測試問題上的分布性表現(xiàn)不佳；對于非規(guī)則前沿面的測試問題DTLZ5，MO EA/D無法獲得有效的前沿面.而LMOA-IF則獲得了三種算法中最接近真實前沿面的Pareto最優(yōu)解集，由此本實驗可以證明，LMOA-IF在求解大規(guī)模具有不規(guī)則前沿面的多目標優(yōu)化問題時有明顯優(yōu)勢.

3 算例分析

本文通過兩組算例說明LMOA-IF在解決電力系統(tǒng)優(yōu)化調(diào)度問題上的有效性.針對調(diào)度模型中復(fù)雜的等式與不等式約束，分別采用如下3種方式進行處理.由于不同調(diào)度問題的約束條件略有不同，但對于系統(tǒng)中不同裝置設(shè)備的運行約束及系統(tǒng)平衡約束等處理方式大致相同.

（1）對于模型中的邊界約束及可以化為邊界約束的爬坡約束等，如各裝置設(shè)備的運行約束可直接利用啟發(fā)式算法中的越界處理方式處理.

（2）對于模型中各能量轉(zhuǎn)換約束、儲電裝置的電荷狀態(tài)約束，可采用濾子技術(shù)對其進行處理，構(gòu)造由目標函數(shù)與約束違反度組成的數(shù)對(F,G)來表示濾子[24]，G見式(9).

式中：gi(X)，hn(X)為不等式與等式約束；m，n為其對應(yīng)個數(shù).借助Pareto理論在最小值問題上有：

定義1若F(xi)≤F(xj)，G(xi)≤G(xj)，則稱濾子(F(xi),G(xi))支配(F(xj),G(xj))；

定義2濾子集內(nèi)的濾子互不支配.

（3）對于模型中燃氣輪機的最小停啟時間約束、電量平衡約束、儲能系統(tǒng)可持續(xù)運行約束，可采用動態(tài)可松弛約束處理方式[25].以儲電為例，先計算約束違反程度記為εESS?e，再根據(jù)邊界條件計算松弛度，最后根據(jù)松弛度確定調(diào)整量.

3.1 傳統(tǒng)動態(tài)經(jīng)濟調(diào)度問題

為便于對比，選取傳統(tǒng)DEED模型作為算例，該算例系統(tǒng)是由10個火電機組組成的動態(tài)系統(tǒng)，考慮閥點效應(yīng)、功率平衡約束、爬坡約束，利用Kron損失系數(shù)法計算線損，系統(tǒng)各火電機組耗量特征系數(shù)、排放特征系數(shù)及火電機組輸出功率界限值、系統(tǒng)負荷等相關(guān)運行參數(shù)與文獻[26]相同.為避免基于群體的啟發(fā)式算法的偶然性，將LMOA-IF在該問題上獨立運行30次，取平均值作為最后結(jié)果.圖3為在模糊決策后的最優(yōu)折中解，即各發(fā)電機在各個調(diào)度時段的輸出功率，包括各個時段的網(wǎng)損與負荷，可在圖3每個區(qū)間進行校驗.將LMOA-IF得到的結(jié)果與相同模型下其它文獻中結(jié)果對比，見表3.

圖3 算例的最優(yōu)折中解Fig 3 Optimal compromise solutions of case

表3 不同算法最優(yōu)折中解對應(yīng)的經(jīng)濟與污染排放情況對比Tab 3 Comparisons of fuel cost and emission for optimal compromise solutions of various algorithms

很明顯LMOA-IF在求解傳統(tǒng)電力系統(tǒng)動態(tài)經(jīng)濟環(huán)境調(diào)度問題上不管是從燃料成本還是污染排放方面都獲得了最小值，是最為滿意的折中解，并具有非常顯著的優(yōu)勢.

3.2 修改的IEEE33節(jié)點配電網(wǎng)與CCHP系統(tǒng)耦合

以修改的IEEE33節(jié)點配電網(wǎng)與CCHP系統(tǒng)耦合形成能源集成系統(tǒng)(integrated energy system,IES).IES包括3個虛擬能量廠(虛擬電廠VEP-e，虛擬熱廠VEP-h，虛擬冷廠VEP-c)分別實現(xiàn)IES內(nèi)電/熱/冷負荷的需求響應(yīng).視能源集成系統(tǒng)和VEP為不同的市場主體.根據(jù)不同市場主體的運行特點，采用雙層多目標魯棒優(yōu)化方法對能源集成系統(tǒng)進行建模，其中IES位于上層，VEP位于下層.

3.2.1 上層模型

目標函數(shù)1：IES運營利潤最高見式(10)：

式中：F1(yⅠ),F2(yⅡ),F3(yⅢ);f1(yⅠ),f2(yⅡ),f3(yⅢ) 分別為隨機變量yⅠ,yⅡ,yⅢ的累計概率密度函數(shù)與概率密度函數(shù).?RⅠ,?RⅡ,?RⅢ分別為隨機變量yⅠ,yⅡ,yⅢ的不確定性合集，分別描述風、光發(fā)電，電負荷的隨機性，各隨機變量的不確定性合集由魯棒理論[26]進行構(gòu)建.

目標函數(shù)3：RIES與VEP調(diào)度偏差最小.

還需滿足電量平衡、熱能轉(zhuǎn)換、冷能轉(zhuǎn)換約束.

電量平衡約束：

為防止RIES與上級電網(wǎng)之間的聯(lián)絡(luò)線功率毛刺過多，使其能夠運行平穩(wěn)，將離散成10的整數(shù)倍，設(shè)置其上下功率界限為，最大爬升功率為120 kW，最小保持功率時間為2 h.

3.2.2 下層模型

VEP將RIES下達的調(diào)用計劃分解至各個可控單元上，使得兩層之間調(diào)度計劃偏差最小，同時VEP達到最大的經(jīng)濟效益與社會效益.

目標函數(shù)1：調(diào)度計劃偏差最小.

目標函數(shù)2：經(jīng)濟效益最好，調(diào)度成本最小.

目標函數(shù)3：社會效益最高，以用能舒適度來表征，既負荷切出、轉(zhuǎn)移率最低.

下層優(yōu)化模型還需滿足各儲能系統(tǒng)及可控負荷的相關(guān)約束，其中儲電約束見式(21)～(24)，式(21)為ESS的電荷狀態(tài)約束，式(22)為ESS充放電功率約束，為保證ESS能夠可持續(xù)性的循環(huán)使用，應(yīng)保證在總調(diào)度周期內(nèi)其充電量等于放電量式(23)，ESS充放電與電荷狀態(tài)的關(guān)系見式(24).儲熱、冷約束見式(25)、式(26)，與儲電裝置類似，儲熱、冷裝置也應(yīng)考慮其能夠可持續(xù)性的循環(huán)使用，保證在總調(diào)度周期內(nèi)能量的存儲等于其釋放，式(25)、式(26)為能量存儲與釋放的功率約束.可控負荷約束見式(27)～(29).

式中：SOCmin/SOCmax為最小、最大充電狀態(tài)，為最大充、放電功率，為自放電率，充、放電功率.

儲冷儲熱系統(tǒng)運行方式相同，以儲熱為例，其約束如下：

LSI,LSII運行方式類似，以LSI為例，運行約束如下：

可轉(zhuǎn)移的冷熱負荷運行方式類似，以熱負荷為例：

為避免基于群體的啟發(fā)式算法的偶然性，將LMOA-IF在該問題上獨立運行30次，取平均值作為最后結(jié)果.圖4為雙層優(yōu)化調(diào)度模型的Pareto有效前沿，可以看出解較為均勻的分布在Pareto前沿上，具有較好的分布性.系統(tǒng)調(diào)度員可根據(jù)實際中的不同情況平衡RIES風險與利潤、各VEP的偏差與成本進行決策，尋找合適的最優(yōu)折中解.各目標函數(shù)的收斂情況見圖5，可以看出Pareto解集是在雙層模型各目標函數(shù)均收斂下得到的有效解(社會效益度量尺度較小，故將其乘以10 000后與VEP經(jīng)濟效益相加).

圖4 Pareto有效前沿Fig 4 Pareto effective frontier

圖5 雙層優(yōu)化模型的收斂情況Fig 5 Convergence for bi-level model

基于本文建立的IES兩階段魯棒博弈模型，對以下4個算例進行分析.算例1：IES含虛擬冷熱電廠；算例2：IES僅含虛擬熱廠或虛擬冷廠；算例3：IES僅含虛擬電廠；算例4：IES完全不含虛擬能量廠，可調(diào)度僅為燃氣輪機與鍋爐.設(shè)發(fā)電與用電偏差服從正態(tài)分布(預(yù)測精度為68.27%)，考慮空間集群效應(yīng)，總數(shù)量均為20，置信概率均為0.6.虛擬能量廠的優(yōu)化方案見圖6，各算例下運行結(jié)果見表4.

圖6 各虛擬能量廠在各算例下的調(diào)度結(jié)果Fig 6 Optimization plan of VEP of each case

從表4可看出，隨著不同類型VEP的加入，對更多種類的可調(diào)度資源與儲能裝置集中管理、統(tǒng)一調(diào)控，系統(tǒng)內(nèi)包含的可調(diào)度資源種類相應(yīng)增加，系統(tǒng)調(diào)度變得更加靈活，調(diào)度計劃的偏差隨之減小，算例1虛擬冷熱電廠全參與的情況下較算例3僅有虛擬電廠參與的情況下偏差減小6%；較算例2虛擬冷或熱廠參與分別減小101.4%、176.7%.由于冷熱負荷慣量大的特點，虛擬冷、熱廠中包含的可控負荷主要為TL-h、TL-c，基于該類型負荷轉(zhuǎn)移前后負荷總量不變的強約束條件，使得系統(tǒng)中可轉(zhuǎn)移負荷數(shù)量增加，RIES與VEP之間的偏差會大大降低.隨著系統(tǒng)中可調(diào)控資源數(shù)量與類型的增加，分攤了VEP在調(diào)控時的經(jīng)濟與社會成本，各類可控資源充分全面參與調(diào)度，VEP的經(jīng)濟運行成本在VEP全參與下較僅有虛擬電廠時減少36.3%，較虛擬冷或熱廠參與分別減少17.1%、6%；相應(yīng)的社會成本也提高，用戶的用電舒適度增高；RIES利潤逐漸增加，VEP全參與下較不含VEP經(jīng)濟成本降低1.9%.

表4 各算例的調(diào)度結(jié)果Tab 4 Optimization plan of each case

從圖6可得，在用電高峰時段(11:00―13:00,19:00―22:00)，VEP向RIES注入能量以保證系統(tǒng)內(nèi)能量供需與電量平衡，同時RIES將盈余電量以較高的實時電價在能量交易中心通過實時市場較平穩(wěn)外送至上級電網(wǎng)，在保證大電網(wǎng)穩(wěn)定運行的前提下解決負荷集中地區(qū)的高峰用電需求.在低耗電時期，VEP向RIES吸收能量以滿足自身區(qū)域內(nèi)可控資源的運行需求.對比圖6中各算例VEP的調(diào)度方案可得，VEP全參與下的計劃較其他兩種方式更為平穩(wěn)，圖6(a)的累積調(diào)度相對集中在[-600 kW,600 kW]，與表4中結(jié)果吻合.

4 總結(jié)

本文針對新一代能源互聯(lián)網(wǎng)系統(tǒng)復(fù)雜調(diào)度模型的多目標、非線性、非凸、強耦合、強約束等特點，提出一種大規(guī)模具有不規(guī)則前沿面的多目標優(yōu)化算法.利用3個常用測試集中26個測試問題證明了LMOA-IF在求解大規(guī)模具有不規(guī)則前沿面的多目標優(yōu)化問題的通用性.同時兩組算例說明LMOA-IF在解決電力系統(tǒng)優(yōu)化調(diào)度問題上的有效性.未來的工作包括使算法適用于更復(fù)雜的問題，例如應(yīng)對能源互聯(lián)網(wǎng)下海量分布式設(shè)備之間信息交互與協(xié)調(diào)的大規(guī)模并行算法的研究.