本發(fā)明涉及微電網(wǎng)規(guī)劃技術(shù)領(lǐng)域，尤其是一種考慮需求側(cè)的微電網(wǎng)的規(guī)劃設(shè)計(jì)方法。

背景技術(shù)：

微電網(wǎng)規(guī)劃是微電網(wǎng)建設(shè)的基礎(chǔ)，其規(guī)劃水平的高低不僅直接影響到微電網(wǎng)自身的安全性、可靠性與經(jīng)濟(jì)性，而且隨著微電網(wǎng)滲透率的不斷增加，也會(huì)對(duì)大電網(wǎng)的運(yùn)行產(chǎn)生深遠(yuǎn)影響。因此，微電網(wǎng)規(guī)劃設(shè)計(jì)工作是微電網(wǎng)建設(shè)前期十分重要的環(huán)節(jié)。由于微網(wǎng)是局部區(qū)域供能系統(tǒng),故其優(yōu)化設(shè)計(jì)問(wèn)題主要?dú)w結(jié)為容量配置問(wèn)題。

為了使微電網(wǎng)更加穩(wěn)定高效的運(yùn)行，其前期的規(guī)劃工作是密不可分的。我們通常是根據(jù)當(dāng)?shù)氐姆植际诫娫春拓?fù)荷情況，以經(jīng)濟(jì)性、供電可靠性、環(huán)境性等作為目標(biāo)函數(shù)，根據(jù)經(jīng)驗(yàn)來(lái)確定分布式電源(DG)的容量和位置。但是對(duì)于負(fù)荷側(cè)卻并沒(méi)有過(guò)多考慮，僅根據(jù)對(duì)負(fù)荷預(yù)測(cè)或測(cè)量的結(jié)果來(lái)對(duì)供應(yīng)側(cè)進(jìn)行建模優(yōu)化配置，并沒(méi)有涉及運(yùn)行時(shí)可能遇到的需求側(cè)響應(yīng)(demand response，DR)。此外，在優(yōu)化方法上，現(xiàn)有涉及軟件，如HOMER和HOGA中，針對(duì)該問(wèn)題均簡(jiǎn)化處理，其他很多優(yōu)化算法可能有一個(gè)很低的收斂速度。但是，過(guò)早的收斂或者陷入局部最優(yōu)都會(huì)產(chǎn)生負(fù)面的影響。因此，選擇一個(gè)可靠的優(yōu)化算法往往特別重要。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種改進(jìn)的動(dòng)態(tài)自適應(yīng)粒子群算法，綜合資源規(guī)劃是指把電力供應(yīng)側(cè)和需求側(cè)的各種形式的資源綜合成一個(gè)整體進(jìn)行電力規(guī)劃，通過(guò)高效、經(jīng)濟(jì)、合理地利用供需側(cè)資源潛力，在保持能源服務(wù)水平的前提下，使整個(gè)規(guī)劃系統(tǒng)的社會(huì)總成本最小。

為解決上述技術(shù)問(wèn)題，本發(fā)明所采用的技術(shù)方案是：一種考慮需求側(cè)的微電網(wǎng)的規(guī)劃設(shè)計(jì)方法，其特征在于,依次包括如下步驟：

步驟一、對(duì)微電網(wǎng)、每個(gè)微電源及其可控負(fù)荷進(jìn)行建模；

步驟二、確定微電網(wǎng)優(yōu)化配置的目標(biāo)函數(shù)；

步驟三、確定微電網(wǎng)優(yōu)化配置約束條件；

步驟四、制定控制策略；

步驟五、粒子群尋優(yōu)。

優(yōu)選的，所述步驟一包括確定整個(gè)微電網(wǎng)的模型及每個(gè)微電源和可控負(fù)荷的模型，所述微電源為光伏電池、風(fēng)機(jī)、蓄電池和柴油發(fā)電機(jī)，其中可控負(fù)荷的模型為：

P(t)＝P_load(t)-P_{C_load}(t) (1)

式中：P(t)為在t時(shí)刻直接負(fù)荷控制后的負(fù)荷；P_load(t)為在t時(shí)刻負(fù)荷預(yù)測(cè)的負(fù)荷；P_{C_load}(t)為在t時(shí)刻由于直接負(fù)荷控制而降低的負(fù)荷。

優(yōu)選的，所述步驟二包括計(jì)算最低運(yùn)行成本，具體表示為：

式中：i表示光伏電池、風(fēng)機(jī)、蓄電池和柴油發(fā)電機(jī)。C_total表示總成本；C_i表示每種微電源的總成本；C_DLC表示直接負(fù)荷控制的成本；

其中C_i可以表示為下式：

式中：N_i表示第i種微電源的數(shù)量；e_i表示第i種微電源的單價(jià)；P_i表示第i種微電源的輸出功率；m表示其折舊壽命；r表示貼現(xiàn)率；u表示其運(yùn)行成本。

優(yōu)選的，所述步驟三包括以下步驟：

1)確定功率平衡條件

P_PV(t)+P_WT(t)+P_DG(t)+P_ESS(t)+P_Cload(t)＝P_load(t) (4)

式中：P_PV(t)，P_WT(t)，P_DG(t)，P_ESS(t)分別表示光伏電池、風(fēng)機(jī)、柴油發(fā)電機(jī)、蓄電池在t時(shí)刻的功率P_Cload(t)表示在t時(shí)刻切斷的負(fù)荷；P_load(t)表示在t時(shí)刻負(fù)荷的功率；

2)確定微電源容量約束條件

X_k≤X_kmax (5)

式中：X_k是第k個(gè)微電源的容量；X_kmax是第k個(gè)微電源最大允許的容量值；

3)確定蓄電池荷電狀態(tài)約束

SOC_min≤SOC(t)≤SOC_max (6)

式中：SOC(t)為蓄電池在t時(shí)刻的荷電狀態(tài)，SOC_min、SOC_max分別表示荷電狀態(tài)的最大值和最小值。

優(yōu)選的，所述步驟四以每天24小時(shí)為基礎(chǔ)，每天0-16時(shí)，負(fù)荷處于低谷及平穩(wěn)期；t處于16-24時(shí)刻，負(fù)荷處于高峰期；由于蓄電池不能頻繁充放電的性能，所以在0-16 時(shí)刻，且光伏電池出力及風(fēng)機(jī)出力大于負(fù)荷，即P_PV+P_WT＞P_load時(shí)，及蓄電池的荷電狀態(tài)SOC＜80％時(shí)，才允許分布式電源給蓄電池充電；由于分布式電源的不穩(wěn)定性，每一個(gè)時(shí)刻都在變化，所以蓄電池的充電功率為：

P_charge(t)＝min{P₁,P₂,P₃} (7)

P₁＝P_PV+P_WT-P_load

P₂＝0.9*P_rate

P₃＝(SOC_max*E_rate-E_t-1)/△t (8)

式中P_charge(t)為蓄電池在t時(shí)刻的充電功率；P₁，P₂，P₃為蓄電池在t時(shí)刻可能的充電功率，P_rate為蓄電池的額定功率；E_rate為蓄電池的額定容量；

當(dāng)P_PV+P_WT＜P_load時(shí)，蓄電池不充電也不放電，由柴油發(fā)電機(jī)來(lái)滿(mǎn)足負(fù)荷需求；此時(shí)P_charge(t)＝0，當(dāng)蓄電池充滿(mǎn)電時(shí)，將不再充電；

在16-24時(shí)刻時(shí)，負(fù)荷迎來(lái)了高峰期，對(duì)可控負(fù)荷進(jìn)行調(diào)控，當(dāng)P_PV+P_WT+P_DG＜P_load-P_{C_load}，SOC＞20％時(shí)，才允許蓄電池放電，其放電功率為：

P_dis(t)＝min{P₄,P₅,P₆} (9)

P₄＝P_load-P_{C_load}-(P_PV+P_WT+P_DG)

P₅＝P_rate

P₆＝(E_t-1-SOC_min*E_rate)/△t (10)

其中P_dis(t)為蓄電池在t時(shí)刻的放電功率；P₄、P₅、P₆為t時(shí)刻蓄電池可能的放電功率；P_rate為蓄電池的額定功率；E_rate為蓄電池的額定容量；

當(dāng)P_PV+P_WT+P_DG＞P_load-P_{C_load}時(shí)，蓄電池不充電也不放電，由柴油發(fā)電機(jī)來(lái)滿(mǎn)足負(fù)荷需求，此時(shí)P_dis(t)＝0，當(dāng)蓄電池放完電時(shí)，將不再放電。

6、根據(jù)權(quán)利要求1所述一種考慮需求側(cè)的微電網(wǎng)的規(guī)劃設(shè)計(jì)方法，其特征在于，所述步驟五包括以下步驟：

1)初始化粒子參數(shù)，種群密度，迭代次數(shù)以及限制最大速度與位置；

2)設(shè)置每個(gè)粒子的速度和位置；

3)計(jì)算適應(yīng)度f(wàn)itness值，個(gè)體最優(yōu)pbest值，全局最優(yōu)gbest值；

4)根據(jù)每個(gè)粒子設(shè)置的參數(shù)，更新粒子的速度；

5)更新每個(gè)粒子的位置；

6)計(jì)算更新后粒子的適應(yīng)度值，并更新；

7)如果沒(méi)尋得最優(yōu)解，返回上述步驟3)，如若尋到最優(yōu)解，結(jié)束循環(huán)。

7、根據(jù)權(quán)利要求6所述一種考慮需求側(cè)的微電網(wǎng)的規(guī)劃設(shè)計(jì)方法，其特征在于，所述設(shè)置每個(gè)粒子的速度和位置包括如下步驟：

在PSO中，每一個(gè)潛在的最優(yōu)結(jié)果被看做是一個(gè)運(yùn)動(dòng)在尋優(yōu)空間中的粒子，每個(gè)粒子i與它的速度v_i＝[v_i1,v_i2,v_id,v_iD]^T和位置x_i＝[x_i1,x_i2,…,x_id,…,x_iD]^T關(guān)聯(lián)，其中D是尋優(yōu)空間的維度；在尋優(yōu)過(guò)程中，其速度和位置的更新公式表示為

v_id(t+1)＝wv_id(t)+c₁r₁[p_bid-x_id(t)]+c₂r₂[g_bd-x_id(t)] (11)

x_id(t+1)＝x_id(t)+v_id(t+1) (12)

式中，t是當(dāng)前迭代次數(shù)；w是慣性權(quán)重；r₁和r₂是均勻分布在0-1中的隨機(jī)數(shù)；p_b和g_b分別表示個(gè)體最優(yōu)和全局最優(yōu)。

式(11)和式(12)表明當(dāng)粒子速度為0時(shí)，種群停滯，從而導(dǎo)致優(yōu)化結(jié)果過(guò)早的收斂而且無(wú)法從局部最優(yōu)中跳出，在復(fù)雜的多目標(biāo)優(yōu)化問(wèn)題中尤為突出；因此，為了控制其收斂性，適當(dāng)提高PSO的多樣性是非常重要的環(huán)節(jié)；加入變異操作就是一種有效的增加種群多樣性的方法，從而從局部最優(yōu)中跳出，并且提高了PSO的全局搜索能力；雖然變異操作對(duì)于提高種群多樣性很有利，而且能夠很好的避免過(guò)早收斂，但是他的隨機(jī)性限制了PSO的搜索精度，甚至導(dǎo)致其退化；

因此，本發(fā)明提出一種自適應(yīng)變異策略。當(dāng)每個(gè)粒子速度相當(dāng)小的時(shí)候，即小于某個(gè)極限值時(shí)，根據(jù)預(yù)訂的變異率隨機(jī)選取部分粒子，然后根據(jù)公式(13)使選取的粒子進(jìn)行變異操作；把這些變異粒子存儲(chǔ)在P_mut，然后對(duì)這些變異粒子進(jìn)行評(píng)估來(lái)找到最優(yōu)的變異粒子g_{b_mut}；如果其適應(yīng)度值是小于g_{b_mut}的，那么就替換g_b，這種特殊的變異操作能夠粒子跳出局部最優(yōu)且能夠很好保持種群的多樣性；

x_id＝x_id+sign(2(r₃-0.5))βVmax_d (13)

其中sign是sign函數(shù)；r₃是均勻分布在0-1中的隨機(jī)數(shù)；β∈[0,1]是變異的程度；Vmax_d是在第d維度的最大速度；

此外，根據(jù)式(11)我們可以看出，慣性權(quán)重控制著收斂行為，并使全局搜索和局部搜索平衡。而不是一個(gè)常數(shù)或者線(xiàn)性變化的量，一個(gè)動(dòng)態(tài)的慣性權(quán)重公式(14)能夠?qū)ζ鋭?dòng)態(tài)調(diào)整。

w(t)＝w₀+r₄(1-w₀) (14)

式中r₄是均勻分布在0-1中的隨機(jī)數(shù)，w₀∈[0,0.5]是一個(gè)常數(shù)。公式(14)使慣性權(quán)重在w₀到1中變化，而且在全局和局部搜索中保持一個(gè)動(dòng)態(tài)平衡。

在尋優(yōu)過(guò)程中，c₁從2.5-0.5變化，c₂從0.5-2.5變化在大多數(shù)基準(zhǔn)下能夠提供一個(gè)更加優(yōu)化的結(jié)果；因此，為了提高全局搜索能力提出一個(gè)由表達(dá)式(15)表示的逐漸減小的c₁和一個(gè)由表達(dá)式(16)表示的逐漸增大的c₂。

c₁＝2.5-t/M_t (15)

c₂＝0.5+t/M_t (16)

式中M_t是指最大迭代次數(shù)；

系數(shù)c1和c2是控制著PSO的“張力”的量，以引導(dǎo)每個(gè)粒子分別朝向p_i和p_g。如公式(15)和(16)所示，一開(kāi)始c₁被設(shè)定為一個(gè)較大的值而c₂被設(shè)定為一個(gè)較小的值，在每次迭代的過(guò)程中，其值也分別減小和增大。該機(jī)制不僅提供了一個(gè)在早期全局尋優(yōu)過(guò)程就具有多樣性的搜索空間，而且在尋優(yōu)最后階段也能保證優(yōu)化結(jié)果的精確性。

本發(fā)明提供一種改進(jìn)的動(dòng)態(tài)自適應(yīng)粒子群算法，綜合資源規(guī)劃是指把電力供應(yīng)側(cè)和需求側(cè)的各種形式的資源綜合成一個(gè)整體進(jìn)行電力規(guī)劃，通過(guò)高效、經(jīng)濟(jì)、合理地利用供需側(cè)資源潛力，在保持能源服務(wù)水平的前提下，使整個(gè)規(guī)劃系統(tǒng)的社會(huì)總成本最小。目前，對(duì)直接負(fù)荷控制還很少，除非在高峰期發(fā)電量不夠的情況下，峰值負(fù)荷可能會(huì)被降低通過(guò)需求側(cè)響應(yīng)。為了滿(mǎn)足上述的優(yōu)化目標(biāo)，本發(fā)明使用一種新的優(yōu)化算法：動(dòng)態(tài)自適應(yīng)粒子群算法，該方法收斂速度快，精度高。

附圖說(shuō)明

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明：

圖1為本發(fā)明的方法流程圖；

圖2為本發(fā)明的粒子群優(yōu)化算法流程圖；

圖3為本發(fā)明的控制策略圖。

具體實(shí)施方式

如圖1所示，一種考慮需求側(cè)的微電網(wǎng)的規(guī)劃設(shè)計(jì)方法，其特征在于,依次包括如下步驟：

步驟一、對(duì)微電網(wǎng)、每個(gè)微電源及其可控負(fù)荷進(jìn)行建模；

步驟二、確定微電網(wǎng)優(yōu)化配置的目標(biāo)函數(shù)；

步驟三、確定微電網(wǎng)優(yōu)化配置約束條件；

步驟四、制定控制策略；

步驟五、粒子群尋優(yōu)。

優(yōu)選的，所述步驟一包括確定整個(gè)微電網(wǎng)的模型及每個(gè)微電源和可控負(fù)荷的模型，所述微電源為光伏電池、風(fēng)機(jī)、蓄電池和柴油發(fā)電機(jī)，其中可控負(fù)荷的模型為：

P(t)＝P_load(t)-P_{C_load}(t) (1)

式中：P(t)為在t時(shí)刻直接負(fù)荷控制后的負(fù)荷；P_load(t)為在t時(shí)刻負(fù)荷預(yù)測(cè)的負(fù)荷；P_{C_load}(t)為在t時(shí)刻由于直接負(fù)荷控制而降低的負(fù)荷。

優(yōu)選的，所述步驟二包括計(jì)算最低運(yùn)行成本，具體表示為：

式中：i表示光伏電池、風(fēng)機(jī)、蓄電池和柴油發(fā)電機(jī)。C_total表示總成本；C_i表示每種微電源的總成本；C_DLC表示直接負(fù)荷控制的成本；

其中C_i可以表示為下式：

式中：N_i表示第i種微電源的數(shù)量；e_i表示第i種微電源的單價(jià)；P_i表示第i種微電源的輸出功率；m表示其折舊壽命；r表示貼現(xiàn)率；u表示其運(yùn)行成本。

優(yōu)選的，所述步驟三包括以下步驟：

1)確定功率平衡條件

P_PV(t)+P_WT(t)+P_DG(t)+P_ESS(t)+P_Cload(t)＝P_load(t) (4)

式中：P_PV(t)，P_WT(t)，P_DG(t)，P_ESS(t)分別表示光伏電池、風(fēng)機(jī)、柴油發(fā)電機(jī)、蓄電池在t時(shí)刻的功率P_Cload(t)表示在t時(shí)刻切斷的負(fù)荷；P_load(t)表示在t時(shí)刻負(fù)荷的功率；

2)確定微電源容量約束條件

X_k≤X_kmax (5)

式中：X_k是第k個(gè)微電源的容量；X_kmax是第k個(gè)微電源最大允許的容量值；

3)確定蓄電池荷電狀態(tài)約束

SOC_min≤SOC(t)≤SOC_max (6)

式中：SOC(t)為蓄電池在t時(shí)刻的荷電狀態(tài)，SOC_min、SOC_max分別表示荷電狀態(tài)的最大值和最小值。

優(yōu)選的，所述步驟四以每天24小時(shí)為基礎(chǔ)，每天0-16時(shí)，負(fù)荷處于低谷及平穩(wěn)期；t處于16-24時(shí)刻，負(fù)荷處于高峰期；由于蓄電池不能頻繁充放電的性能，所以在0-16時(shí)刻，且光伏電池出力及風(fēng)機(jī)出力大于負(fù)荷，即P_PV+P_WT＞P_load時(shí)，及蓄電池的荷電狀態(tài)SOC＜80％時(shí)，才允許分布式電源給蓄電池充電；由于分布式電源的不穩(wěn)定性，每一個(gè)時(shí)刻都在變化，所以蓄電池的充電功率為：

P_charge(t)＝min{P₁,P₂,P₃} (7)

P₁＝P_PV+P_WT-P_load

P₂＝0.9*P_rate

P₃＝(SOC_max*E_rate-E_t-1)/△t (8)

式中P_charge(t)為蓄電池在t時(shí)刻的充電功率；P₁，P₂，P₃為蓄電池在t時(shí)刻可能的充電功率，P_rate為蓄電池的額定功率；E_rate為蓄電池的額定容量；

當(dāng)P_PV+P_WT＜P_load時(shí)，蓄電池不充電也不放電，由柴油發(fā)電機(jī)來(lái)滿(mǎn)足負(fù)荷需求；此時(shí)P_charge(t)＝0，當(dāng)蓄電池充滿(mǎn)電時(shí)，將不再充電；

在16-24時(shí)刻時(shí)，負(fù)荷迎來(lái)了高峰期，對(duì)可控負(fù)荷進(jìn)行調(diào)控，當(dāng)P_PV+P_WT+P_DG＜P_load-P_{C_load}，SOC＞20％時(shí)，才允許蓄電池放電，其放電功率為：

P_dis(t)＝min{P₄,P₅,P₆} (9)

P₄＝P_load-P_{C_load}-(P_PV+P_WT+P_DG)

P₅＝P_rate

P₆＝(E_t-1-SOC_min*E_rate)/△t (10)

其中P_dis(t)為蓄電池在t時(shí)刻的放電功率；P₄、P₅、P₆為t時(shí)刻蓄電池可能的放電功率；P_rate為蓄電池的額定功率；E_rate為蓄電池的額定容量；

當(dāng)P_PV+P_WT+P_DG＞P_load-P_{C_load}時(shí)，蓄電池不充電也不放電，由柴油發(fā)電機(jī)來(lái)滿(mǎn)足負(fù)荷需求，此時(shí)P_dis(t)＝0，當(dāng)蓄電池放完電時(shí)，將不再放電。

優(yōu)選的，如圖2所示，所述步驟五包括以下步驟：

1)初始化粒子參數(shù)，種群密度，迭代次數(shù)以及限制最大速度與位置；

2)設(shè)置每個(gè)粒子的速度和位置；

3)計(jì)算適應(yīng)度f(wàn)itness值，個(gè)體最優(yōu)pbest值，全局最優(yōu)gbest值；

4)根據(jù)每個(gè)粒子設(shè)置的參數(shù)，更新粒子的速度；

5)更新每個(gè)粒子的位置；

6)計(jì)算更新后粒子的適應(yīng)度值，并更新；

7)如果沒(méi)尋得最優(yōu)解，返回上述步驟3)，如若尋到最優(yōu)解，結(jié)束循環(huán)。

優(yōu)選的，所述設(shè)置每個(gè)粒子的速度和位置包括如下步驟：

在PSO中，每一個(gè)潛在的最優(yōu)結(jié)果被看做是一個(gè)運(yùn)動(dòng)在尋優(yōu)空間中的粒子，每個(gè)粒子i與它的速度v_i＝[v_i1,v_i2,v_id,v_iD]^T和位置x_i＝[x_i1,x_i2,…,x_id,…,x_iD]^T關(guān)聯(lián)，其中D是尋優(yōu)空間的維度；在尋優(yōu)過(guò)程中，其速度和位置的更新公式表示為

v_id(t+1)＝wv_id(t)+c₁r₁[p_bid-x_id(t)]+c₂r₂[g_bd-x_id(t)] (11)

x_id(t+1)＝x_id(t)+v_id(t+1) (12)

式中，t是當(dāng)前迭代次數(shù)；w是慣性權(quán)重；r₁和r₂是均勻分布在0-1中的隨機(jī)數(shù)；p_b和g_b分別表示個(gè)體最優(yōu)和全局最優(yōu)。

式(11)和式(12)表明當(dāng)粒子速度為0時(shí)，種群停滯，從而導(dǎo)致優(yōu)化結(jié)果過(guò)早的收斂而且無(wú)法從局部最優(yōu)中跳出，在復(fù)雜的多目標(biāo)優(yōu)化問(wèn)題中尤為突出；因此，為了控制其收斂性，適當(dāng)提高PSO的多樣性是非常重要的環(huán)節(jié)；加入變異操作就是一種有效的增加種群多樣性的方法，從而從局部最優(yōu)中跳出，并且提高了PSO的全局搜索能力；雖然變異操作對(duì)于提高種群多樣性很有利，而且能夠很好的避免過(guò)早收斂，但是他的隨機(jī)性限制了PSO的搜索精度，甚至導(dǎo)致其退化；

因此，本發(fā)明提出一種自適應(yīng)變異策略。當(dāng)每個(gè)粒子速度相當(dāng)小的時(shí)候，即小于某個(gè)極限值時(shí)，根據(jù)預(yù)訂的變異率隨機(jī)選取部分粒子，然后根據(jù)公式(13)使選取的粒子進(jìn)行變異操作；把這些變異粒子存儲(chǔ)在P_mut，然后對(duì)這些變異粒子進(jìn)行評(píng)估來(lái)找到最優(yōu)的變異粒子g_{b_mut}；如果其適應(yīng)度值是小于g_{b_mut}的，那么就替換g_b，這種特殊的變異操作能夠粒子跳出局部最優(yōu)且能夠很好保持種群的多樣性；

x_id＝x_id+sign(2(r₃-0.5))βVmax_d (13)

其中sign是sign函數(shù)；r₃是均勻分布在0-1中的隨機(jī)數(shù)；β∈[0,1]是變異的程度；Vmax_d是在第d維度的最大速度；

此外，根據(jù)式(11)我們可以看出，慣性權(quán)重控制著收斂行為，并使全局搜索和局部搜索平衡。而不是一個(gè)常數(shù)或者線(xiàn)性變化的量，一個(gè)動(dòng)態(tài)的慣性權(quán)重公式(14)能夠?qū)ζ鋭?dòng)態(tài)調(diào)整。

w(t)＝w₀+r₄(1-w₀) (14)

式中r₄是均勻分布在0-1中的隨機(jī)數(shù)，w₀∈[0,0.5]是一個(gè)常數(shù)。公式(14)使慣性權(quán)重在w₀到1中變化，而且在全局和局部搜索中保持一個(gè)動(dòng)態(tài)平衡。

在尋優(yōu)過(guò)程中，c₁從2.5-0.5變化，c₂從0.5-2.5變化在大多數(shù)基準(zhǔn)下能夠提供一個(gè)更加優(yōu)化的結(jié)果；因此，為了提高全局搜索能力提出一個(gè)由表達(dá)式(15)表示的逐漸減小的c₁和一個(gè)由表達(dá)式(16)表示的逐漸增大的c₂。

c₁＝2.5-t/M_t (15)

c₂＝0.5+t/M_t (16)

式中M_t是指最大迭代次數(shù)；

系數(shù)c1和c2是控制著PSO的“張力”的量，以引導(dǎo)每個(gè)粒子分別朝向p_i和p_g。如公式(15)和(16)所示，一開(kāi)始c₁被設(shè)定為一個(gè)較大的值而c₂被設(shè)定為一個(gè)較小的值，在每次迭代的過(guò)程中，其值也分別減小和增大。該機(jī)制不僅提供了一個(gè)在早期全局尋優(yōu)過(guò)程就具有多樣性的搜索空間，而且在尋優(yōu)最后階段也能保證優(yōu)化結(jié)果的精確性。

由于參數(shù)少，實(shí)現(xiàn)簡(jiǎn)單，收斂速度快等優(yōu)良的特征，粒子群算法(PSO)已經(jīng)成為一種最受歡迎的優(yōu)化算法，而且已經(jīng)成功被應(yīng)用到電力系統(tǒng)的各類(lèi)問(wèn)題中，并被證明是一個(gè)很好的優(yōu)化工具。其中PSO的最顯著的一個(gè)特征就是其收斂速度快。如果沒(méi)有過(guò)早收斂，從而導(dǎo)致整個(gè)種群陷入了局部最優(yōu)且無(wú)法從中跳出，其收斂速度快將會(huì)是一個(gè)非常好的特征。因此，如何避免陷入局部最優(yōu)來(lái)提高全局搜索能力是一個(gè)必須解決的重要問(wèn)題。

如圖3所示，為本發(fā)明控制策略圖，白天時(shí)段為用電低谷時(shí)段，可再生能源多余發(fā)電量對(duì)蓄電池進(jìn)行充電。若蓄電池已經(jīng)充滿(mǎn)，則此時(shí)停止對(duì)蓄電池進(jìn)行充電；到了傍晚，迎來(lái)了用電高峰期，可再生能源發(fā)電量不足以滿(mǎn)足用戶(hù)需求，此時(shí)蓄電池處于放電狀態(tài)。若仍無(wú)法滿(mǎn)足負(fù)荷用電需求，則適當(dāng)切斷已規(guī)劃好的負(fù)荷(一般為三級(jí)負(fù)荷)，從而達(dá)到整體最優(yōu)；到了夜間，再次回到了用電低谷時(shí)段，此時(shí)再次用多余的電能對(duì)蓄電池進(jìn)行充電。

上述的實(shí)施例僅為本發(fā)明的優(yōu)選技術(shù)方案，而不應(yīng)視為對(duì)于本發(fā)明的限制，本發(fā)明的保護(hù)范圍應(yīng)以權(quán)利要求記載的技術(shù)方案，包括權(quán)利要求記載的技術(shù)方案中技術(shù)特征的等同替換方案為保護(hù)范圍。即在此范圍內(nèi)的等同替換改進(jìn)，也在本發(fā)明的保護(hù)范圍之內(nèi)。