本發(fā)明涉及能源優(yōu)化調(diào)度，尤其涉及一種多源微網(wǎng)優(yōu)化調(diào)度方法及系統(tǒng)。

背景技術(shù)：

1、長(zhǎng)時(shí)間以來(lái)，大規(guī)模集中發(fā)電與長(zhǎng)距離輸電一直是滿足人類對(duì)于電力需求增長(zhǎng)的首要方法，給人們生活帶來(lái)了巨大的便利，但同時(shí)也有著很多缺陷，例如投資巨大、建設(shè)周期很長(zhǎng)、運(yùn)行靈活性差、停電事故風(fēng)險(xiǎn)性高等。因此微網(wǎng)這類可以做到對(duì)大電網(wǎng)進(jìn)行補(bǔ)充，并有助于對(duì)可再生能源進(jìn)行有效利用的形式，在全球各個(gè)國(guó)家里都得到了越來(lái)越多的選擇應(yīng)用。

2、現(xiàn)有的多源微網(wǎng)優(yōu)化調(diào)度方法通常通過(guò)建立微網(wǎng)中各類能源資源的數(shù)學(xué)模型（如風(fēng)能、太陽(yáng)能、儲(chǔ)能系統(tǒng)和發(fā)電機(jī)），并基于這些模型設(shè)定目標(biāo)函數(shù)，目標(biāo)函數(shù)考慮了不同資源的經(jīng)濟(jì)性、可再生能源的比例以及系統(tǒng)的穩(wěn)定性等因素，為了解決優(yōu)化問(wèn)題，通常智能優(yōu)化算法對(duì)多源微網(wǎng)優(yōu)化調(diào)度策略進(jìn)行求解。而多源微網(wǎng)涉及多種能源，其負(fù)荷和供應(yīng)具有高度不確定性，相比于其他智能算法，鯨魚(yú)算法在處理復(fù)雜優(yōu)化問(wèn)題時(shí)，通過(guò)模擬和效仿海洋中鯨魚(yú)的捕食方法，模擬了鯨魚(yú)捕食過(guò)程中的三種捕食機(jī)制，其獨(dú)特的捕食機(jī)制使得鯨魚(yú)算法在搜索過(guò)程中能夠進(jìn)行有效的隨機(jī)探索與局部精細(xì)化，因此鯨魚(yú)算法的全局搜索能力十分出色，能夠在復(fù)雜的多源環(huán)境中有效地探索到最優(yōu)的微網(wǎng)優(yōu)化調(diào)度方案。此外，在多源微網(wǎng)的動(dòng)態(tài)環(huán)境中，資源供需關(guān)系可能頻繁變化，鯨魚(yú)算法的參數(shù)較少，能夠在不同的負(fù)載和環(huán)境變化中保持魯棒性與穩(wěn)定性，確保調(diào)度方案的有效性相對(duì)簡(jiǎn)單，不需要復(fù)雜的參數(shù)調(diào)節(jié)，使得它在不同優(yōu)化任務(wù)中更易于應(yīng)用和調(diào)整。因此，在多源微網(wǎng)優(yōu)化調(diào)度的背景下，選擇鯨魚(yú)算法有助于更高效地實(shí)現(xiàn)優(yōu)化目標(biāo)。

3、然而，雖然鯨魚(yú)算法的全局搜索能力十分出色，能夠有效地尋找全局最優(yōu)解，但其搜索階段通過(guò)隨機(jī)選擇目標(biāo)位置來(lái)更新個(gè)體位置，在復(fù)雜的優(yōu)化空間中，隨機(jī)選擇目標(biāo)位置可能導(dǎo)致算法在某個(gè)局部最優(yōu)解附近反復(fù)搜索，而難以跳出這一范圍，因此這種方法容易在復(fù)雜、多峰的優(yōu)化問(wèn)題中陷入局部最優(yōu)，特別是在調(diào)度問(wèn)題中，隨著迭代的進(jìn)行，算法容易失去多樣性，進(jìn)而使得算法在后續(xù)的搜索中更加容易陷入相似的解，從而減少了找到新解的機(jī)會(huì)，導(dǎo)致獲得的調(diào)度策略并不是最優(yōu)的全局解，從而無(wú)法實(shí)現(xiàn)配電網(wǎng)最優(yōu)的資源配置與性能。

技術(shù)實(shí)現(xiàn)思路

1、為此，本發(fā)明所要解決的技術(shù)問(wèn)題在于克服現(xiàn)有的鯨魚(yú)算法在搜索階段容易陷入局部最優(yōu)，導(dǎo)致獲得的調(diào)度策略并不是最優(yōu)的全局解，從而無(wú)法實(shí)現(xiàn)配電網(wǎng)最優(yōu)的資源配置與性能的缺陷。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種多源微網(wǎng)優(yōu)化調(diào)度方法，?包括以下步驟：

3、步驟s1：獲取待優(yōu)化區(qū)域內(nèi)微網(wǎng)各分布式電源及能量轉(zhuǎn)換裝置的數(shù)學(xué)模型，以微網(wǎng)的燃料成本和運(yùn)行維護(hù)成本、微網(wǎng)的污染物排放處理成本與微網(wǎng)的負(fù)荷控制補(bǔ)償成本加權(quán)最小化為目標(biāo)構(gòu)建目標(biāo)函數(shù)，設(shè)功率平衡約束、儲(chǔ)能的荷電狀態(tài)約束、發(fā)電功率約束、各分布式電源出力約束及爬坡率約束為約束條件，構(gòu)建日前優(yōu)化模型；

4、步驟s2：獲取日前調(diào)度周期各參數(shù)數(shù)據(jù)，并將其輸入日前優(yōu)化模型，通過(guò)鯨魚(yú)-蝙蝠算法對(duì)日前優(yōu)化模型進(jìn)行求解，解得日前優(yōu)化調(diào)度策略，包括：

5、步驟s21：設(shè)定鯨魚(yú)數(shù)量、最大迭代次數(shù)、融合系數(shù)，蝙蝠發(fā)出的聲波頻率最小值及蝙蝠發(fā)出的聲波頻率最大值；初始化，在搜索空間中隨機(jī)生成每條鯨魚(yú)的初始位置與速度；計(jì)算每條鯨魚(yú)的初始適應(yīng)度，并記錄適應(yīng)度最低的鯨魚(yú)的位置及其初始適應(yīng)度；其中，表示當(dāng)前迭代次數(shù)，每條鯨魚(yú)的初始位置代表一個(gè)日前優(yōu)化調(diào)度策略；

6、步驟s22：為每條鯨魚(yú)生成一個(gè)范圍為[0，1]之間的隨機(jī)數(shù)；

7、步驟s23：判斷當(dāng)前鯨魚(yú)生成的隨機(jī)數(shù)是否小于0.5；

8、步驟s24：若當(dāng)前鯨魚(yú)生成的隨機(jī)數(shù)大于或等于0.5，則通過(guò)環(huán)繞捕食更新當(dāng)前鯨魚(yú)的位置；

9、步驟s25：若當(dāng)前鯨魚(yú)生成的隨機(jī)數(shù)小于0.5，則將當(dāng)前鯨魚(yú)的適應(yīng)度與歷史迭代中最低適應(yīng)度差值的絕對(duì)值，作為當(dāng)前鯨魚(yú)的判斷系數(shù)；

10、判斷當(dāng)前鯨魚(yú)的判斷系數(shù)是否小于1，若當(dāng)前鯨魚(yú)的判斷系數(shù)大于或等于1，則采用螺旋氣泡捕食更新當(dāng)前鯨魚(yú)的位置；若當(dāng)前鯨魚(yú)的判斷系數(shù)小于1，則基于融合系數(shù)、蝙蝠發(fā)出的聲波頻率最小值、蝙蝠發(fā)出的聲波頻率最大值、當(dāng)前鯨魚(yú)的位置與速度，對(duì)當(dāng)前鯨魚(yú)的位置與速度進(jìn)行更新；

11、步驟s26：根據(jù)日前優(yōu)化模型及每條鯨魚(yú)的位置，計(jì)算每條鯨魚(yú)的適應(yīng)度，并記錄適應(yīng)度最低的鯨魚(yú)的位置及其適應(yīng)度，更新；

12、步驟?s27：判斷是否達(dá)到最大迭代次數(shù)，是則輸出歷史迭代中適應(yīng)度最低的鯨魚(yú)的位置作為日前優(yōu)化調(diào)度策略，否則返回步驟?s22。

13、優(yōu)選地，基于融合系數(shù)、蝙蝠發(fā)出的聲波頻率最小值、蝙蝠發(fā)出的聲波頻率最大值、當(dāng)前鯨魚(yú)的位置與速度，對(duì)當(dāng)前鯨魚(yú)的位置與速度進(jìn)行更新，公式為：

14、，

15、，

16、，

17、其中，為第次迭代當(dāng)前鯨魚(yú)的速度，為第次迭代當(dāng)前鯨魚(yú)的位置，為第次迭代當(dāng)前鯨魚(yú)的位置，為第次迭代中適應(yīng)度最低的鯨魚(yú)的位置，為第次迭代當(dāng)前鯨魚(yú)的速度，為融合系數(shù)，為[0，1]范圍內(nèi)的隨機(jī)數(shù)，為蝙蝠波的頻率，為蝙蝠發(fā)出的聲波頻率最小值，為蝙蝠發(fā)出的聲波頻率最大值，為在[0，1]范圍內(nèi)取自規(guī)則分布的隨機(jī)向量。

18、優(yōu)選的，通過(guò)環(huán)繞捕食更新當(dāng)前鯨魚(yú)的位置，更新公式為：

19、，

20、，

21、其中，為第次迭代當(dāng)前鯨魚(yú)的位置，為當(dāng)前迭代次數(shù)，為第次迭代中適應(yīng)度最低的鯨魚(yú)的位置，為收斂因子，為第次迭代當(dāng)前鯨魚(yú)與隨機(jī)個(gè)體鯨魚(yú)之間的距離，為擺動(dòng)因子，為第次迭代當(dāng)前鯨魚(yú)的位置。

22、優(yōu)選的，采用螺旋氣泡捕食更新當(dāng)前鯨魚(yú)的位置，更新公式為：

23、，

24、，

25、其中，為第次迭代當(dāng)前鯨魚(yú)的位置，為當(dāng)前迭代次數(shù)，為對(duì)數(shù)螺旋系數(shù)，為范圍在[-1，1]之間的隨機(jī)數(shù)，為第次迭代當(dāng)前鯨魚(yú)與隨機(jī)個(gè)體鯨魚(yú)之間的距離，為自然常數(shù)，為第次迭代中適應(yīng)度最低的鯨魚(yú)的位置，為第次迭代當(dāng)前鯨魚(yú)的位置。

26、優(yōu)選地，微網(wǎng)分布式電源包括：太陽(yáng)能光伏電池、風(fēng)力發(fā)電機(jī)、蓄電池；

27、能量轉(zhuǎn)換裝置包括：微型燃?xì)廨啓C(jī)、吸收式制冷機(jī)機(jī)組、電制冷機(jī)機(jī)組。

28、優(yōu)選地，所述獲取待優(yōu)化區(qū)域內(nèi)微網(wǎng)各分布式電源及能量轉(zhuǎn)換裝置的數(shù)學(xué)模型，包括：

29、太陽(yáng)能光伏電池的出力模型為：

30、，

31、其中，為第個(gè)調(diào)度周期的光伏輸出功率，為太陽(yáng)能電池板的功率降額系數(shù)，為標(biāo)準(zhǔn)測(cè)試條件下的最大測(cè)試功率，為標(biāo)準(zhǔn)測(cè)試條件下的光照強(qiáng)度，為太陽(yáng)能光伏電池在第個(gè)調(diào)度周期的實(shí)際光照強(qiáng)度，為功率溫度系數(shù)，為太陽(yáng)能光伏電池在第個(gè)調(diào)度周期的工作溫度，為太陽(yáng)能光伏電池的參考溫度；

32、風(fēng)力發(fā)電機(jī)的出力模型為：

33、，

34、其中，為風(fēng)力發(fā)電機(jī)在第個(gè)調(diào)度周期的輸出功率，為風(fēng)力發(fā)電機(jī)的額定功率，為風(fēng)力發(fā)電機(jī)的切入風(fēng)速，為風(fēng)力發(fā)電機(jī)的額定風(fēng)速，為風(fēng)力發(fā)電機(jī)的切出風(fēng)速，為風(fēng)力發(fā)電機(jī)在第個(gè)調(diào)度周期的風(fēng)速；

35、蓄電池儲(chǔ)能的數(shù)學(xué)模型為：

36、，

37、蓄電池運(yùn)行成本的數(shù)學(xué)模型為：

38、，

39、其中，為蓄電池在第個(gè)調(diào)度周期的電池荷電量，為蓄電池在第個(gè)調(diào)度周期的電池荷電量，為蓄電池在第個(gè)調(diào)度周期的輸出功率，為蓄電池的充電效率，為蓄電池的放電效率，為蓄電池的容量，為蓄電池的自放電率，為蓄電池在第個(gè)調(diào)度周期的運(yùn)行成本，為蓄電池在第個(gè)調(diào)度周期的狀態(tài)，為1時(shí)，表示蓄電池正在運(yùn)行，為0時(shí)，表示蓄電池正在待機(jī)，為蓄電池的維護(hù)系數(shù)，為蓄電池在第個(gè)調(diào)度周期的壽命損耗成本；

40、微型燃?xì)廨啓C(jī)的發(fā)電成本的數(shù)學(xué)模型為：

41、，

42、微型燃?xì)廨啓C(jī)的余熱回收單元的數(shù)學(xué)模型為：

43、，

44、其中，為天然氣消耗量，為微型燃?xì)廨啓C(jī)在第個(gè)調(diào)度周期的輸出功率，為微型燃?xì)廨啓C(jī)的發(fā)電效率，為天然氣熱值，為微型燃?xì)廨啓C(jī)在第個(gè)調(diào)度周期的余熱功率，為微型燃?xì)廨啓C(jī)在第個(gè)調(diào)度周期的發(fā)熱效率，為調(diào)度間隔；

45、吸收式制冷機(jī)機(jī)組的數(shù)學(xué)模型為：

46、，

47、其中，為溴化鋰制冷機(jī)機(jī)組制冷系數(shù)或制熱系數(shù)，為溴化鋰機(jī)組制冷量或制熱量，為加熱源熱量，即燃機(jī)排氣余熱，為溴化鋰制冷機(jī)機(jī)組的消耗電量；

48、電制冷機(jī)機(jī)組的數(shù)學(xué)模型為：

49、，

50、其中，為電制冷機(jī)組的制冷系數(shù)，為電制冷機(jī)組的制冷量，為電制冷機(jī)組在第個(gè)調(diào)度周期的消耗電量，為第個(gè)調(diào)度周期的電網(wǎng)購(gòu)售電價(jià)格，為電制冷機(jī)組在第個(gè)調(diào)度周期的制冷費(fèi)用。

51、優(yōu)選地，日前優(yōu)化模型為：

52、，

53、，

54、，

55、，

56、其中，為日前優(yōu)化模型的目標(biāo)函數(shù)，為第個(gè)調(diào)度周期的微網(wǎng)的燃料成本和運(yùn)行維護(hù)成本，為第個(gè)調(diào)度周期微網(wǎng)的污染物排放處理成本，為第個(gè)調(diào)度周期微網(wǎng)的負(fù)荷控制補(bǔ)償成本，為燃料成本和運(yùn)行維護(hù)成本的權(quán)重，為污染物排放處理成本的權(quán)重，為負(fù)荷控制補(bǔ)償成本的權(quán)重，表示第種分布式電源在第個(gè)調(diào)度周期的發(fā)電成本，表示第種分布式電源的運(yùn)行維護(hù)系數(shù)，表示第種分布式電源在第個(gè)調(diào)度周期的輸出功率，為調(diào)度間隔，表示微網(wǎng)內(nèi)分布式電源總數(shù)，表示微型燃?xì)廨啓C(jī)的運(yùn)行維護(hù)系數(shù)，表示吸收式制冷機(jī)機(jī)組的運(yùn)行維護(hù)系數(shù)，表示電制冷機(jī)機(jī)組的運(yùn)行維護(hù)系數(shù)，表示吸收式制冷機(jī)機(jī)組在第個(gè)調(diào)度周期的輸出功率，表示電制冷機(jī)機(jī)組在第個(gè)調(diào)度周期的輸出功率，為第個(gè)調(diào)度周期的脫硫裝置的運(yùn)行成本，為第個(gè)調(diào)度周期的的排污繳費(fèi)，為第個(gè)調(diào)度周期的的排污繳費(fèi)，表示第個(gè)調(diào)度周期的單位停電成本，表示第個(gè)調(diào)度周期的負(fù)荷控制量；

57、功率平衡約束：

58、，

59、其中，為待優(yōu)化區(qū)域在第個(gè)調(diào)度周期的負(fù)荷需求，為第個(gè)調(diào)度周期的光伏輸出功率，為風(fēng)力發(fā)電機(jī)在第個(gè)調(diào)度周期的輸出功率，為蓄電池在第個(gè)調(diào)度周期的輸出功率，為微型燃?xì)廨啓C(jī)在第個(gè)調(diào)度周期的輸出功率，為第個(gè)調(diào)度周期的電網(wǎng)購(gòu)電功率；

60、各分布式電源出力約束：

61、，

62、其中，為第種分布式電源的輸出功率下限，為第種分布式電源的輸出功率上限，為第種分布式電源在個(gè)調(diào)度周期的輸出功率；

63、各分布式電源爬坡率約束：

64、，

65、，

66、其中，為第種分布式電源第個(gè)調(diào)度周期的升爬坡率，為第種分布式電源的降爬坡率，為第種分布式電源在第個(gè)調(diào)度周期的輸出功率，為第種分布式電源在個(gè)調(diào)度周期的輸出功率；

67、儲(chǔ)能的荷電狀態(tài)約束：

68、，

69、，

70、其中，為蓄電池的最小電池荷電量，為蓄電池的最大電池荷電量，為蓄電池在第個(gè)調(diào)度周期的電池荷電量，為一個(gè)調(diào)度周期的最大充電比例，為一個(gè)調(diào)度周期的最大放電比例，為蓄電池在個(gè)調(diào)度周期的輸出功率，為蓄電池充電效率，為蓄電池充電效率，為蓄電池的容量；

71、發(fā)電功率約束：

72、，

73、其中，為微型燃?xì)廨啓C(jī)在個(gè)調(diào)度周期的輸出功率。

74、優(yōu)選地，在獲得日前優(yōu)化調(diào)度策略后，采用滾動(dòng)優(yōu)化獲取日內(nèi)每個(gè)滾動(dòng)區(qū)間的目標(biāo)調(diào)度策略，包括：

75、在當(dāng)前滾動(dòng)區(qū)間內(nèi)前預(yù)設(shè)時(shí)間段，利用該預(yù)設(shè)時(shí)間段對(duì)應(yīng)的日前優(yōu)化調(diào)度策略對(duì)待優(yōu)化區(qū)域內(nèi)微網(wǎng)各分布式電源及能量轉(zhuǎn)換裝置進(jìn)行調(diào)度；

76、獲取該預(yù)設(shè)時(shí)間段內(nèi)各分布式電源的最小輸出功率及最大輸出功率，作為當(dāng)前滾動(dòng)區(qū)間各分布式電源出力約束的輸出功率下限與輸出功率上限；

77、獲取該預(yù)設(shè)時(shí)間段內(nèi)微網(wǎng)的燃料成本和運(yùn)行維護(hù)成本、微網(wǎng)的污染物排放處理成本與微網(wǎng)的負(fù)荷控制補(bǔ)償成本的加權(quán)最小值與加權(quán)最大值，作為當(dāng)前滾動(dòng)區(qū)間微網(wǎng)各成本加權(quán)上限與微網(wǎng)各成本加權(quán)下限；

78、獲取該預(yù)設(shè)時(shí)間段內(nèi)待優(yōu)化區(qū)域的負(fù)荷需求最小值，作為當(dāng)前滾動(dòng)區(qū)間的負(fù)荷需求下限；

79、獲取該預(yù)設(shè)時(shí)間段內(nèi)吸收式制冷機(jī)機(jī)組與電制冷機(jī)機(jī)組的制冷量之和最小值與制冷量之和最大值，作為當(dāng)前滾動(dòng)區(qū)間的制冷量上限與制冷量下限；

80、基于當(dāng)前滾動(dòng)區(qū)間各分布式電源出力約束的輸出功率下限、輸出功率上限、微網(wǎng)各成本加權(quán)上限、微網(wǎng)各成本加權(quán)下限、負(fù)荷需求下限、制冷量上限與制冷量下限，采用區(qū)間可能度法對(duì)日前優(yōu)化模型的目標(biāo)函數(shù)及其功率平衡約束進(jìn)行更新，并設(shè)置冷熱負(fù)荷約束，得到更新后的日前優(yōu)化模型的目標(biāo)函數(shù)及其約束條件；

81、獲取當(dāng)前滾動(dòng)區(qū)間的各參數(shù)數(shù)據(jù)，將其作為更新后的日前優(yōu)化模型的輸入，基于更新后的日前優(yōu)化模型的目標(biāo)函數(shù)及其約束條件，對(duì)更新后的日前優(yōu)化模型的目標(biāo)函數(shù)進(jìn)行線性規(guī)劃求解，解得待當(dāng)前滾動(dòng)區(qū)間的目標(biāo)調(diào)度策略。

82、優(yōu)選地，采用區(qū)間可能度法對(duì)日前優(yōu)化模型的目標(biāo)函數(shù)進(jìn)行更新，更新后的日前優(yōu)化模型的目標(biāo)函數(shù)為：

83、，

84、其中，為日前優(yōu)化模型的目標(biāo)函數(shù)，為日前優(yōu)化模型的輸入變量，即當(dāng)前滾動(dòng)區(qū)間的各參數(shù)數(shù)據(jù)，為日前優(yōu)化模型的控制變量，即日前優(yōu)化調(diào)度策略中當(dāng)前滾動(dòng)區(qū)間的各分布式電源與能量轉(zhuǎn)換裝置的輸出功率，為微網(wǎng)各成本加權(quán)上限，為微網(wǎng)各成本加權(quán)下限，為微網(wǎng)各成本加權(quán)區(qū)間可能度；

85、對(duì)日前優(yōu)化模型的功率平衡約束進(jìn)行更新，更新后的功率平衡約束為：

86、，

87、其中，?表示負(fù)荷需求下限，表示負(fù)荷需求可能度，為風(fēng)力發(fā)電機(jī)在第個(gè)調(diào)度周期修正后的輸出功率，為第個(gè)調(diào)度周期的電網(wǎng)購(gòu)電功率，為第個(gè)調(diào)度周期的蓄電池的輸出功率，表示待優(yōu)化區(qū)域在第個(gè)調(diào)度周期的負(fù)荷需求；

88、冷熱負(fù)荷約束為：

89、，

90、其中，表示吸收式制冷機(jī)機(jī)組在第個(gè)調(diào)度周期的制冷量，表示電制冷機(jī)機(jī)組在第個(gè)調(diào)度周期的制冷量，表示制冷量區(qū)間可能度，表示第個(gè)調(diào)度周期的制冷量上限，表示第個(gè)調(diào)度周期的制冷量下限。

91、本發(fā)明還提供了一種多源微網(wǎng)優(yōu)化調(diào)度系統(tǒng)，包括：

92、模型構(gòu)建模塊，獲取待優(yōu)化區(qū)域內(nèi)微網(wǎng)各分布式電源及能量轉(zhuǎn)換裝置的數(shù)學(xué)模型，以微網(wǎng)的燃料成本和運(yùn)行維護(hù)成本、微網(wǎng)的污染物排放處理成本與微網(wǎng)的負(fù)荷控制補(bǔ)償成本加權(quán)最小化為目標(biāo)構(gòu)建目標(biāo)函數(shù)，設(shè)功率平衡約束、儲(chǔ)能的荷電狀態(tài)約束、發(fā)電功率約束、各分布式電源出力約束及爬坡率約束為約束條件，構(gòu)建日前優(yōu)化模型；

93、模型求解模塊，獲取日前調(diào)度周期各參數(shù)數(shù)據(jù)，并將其輸入日前優(yōu)化模型，通過(guò)鯨魚(yú)-蝙蝠算法對(duì)日前優(yōu)化模型進(jìn)行求解，解得日前優(yōu)化調(diào)度策略，包括：

94、初始化單元，用于設(shè)定鯨魚(yú)數(shù)量、最大迭代次數(shù)、融合系數(shù)，蝙蝠發(fā)出的聲波頻率最小值及蝙蝠發(fā)出的聲波頻率最大值；初始化，在搜索空間中隨機(jī)生成每條鯨魚(yú)的初始位置與速度；計(jì)算每條鯨魚(yú)的初始適應(yīng)度，并記錄適應(yīng)度最低的鯨魚(yú)的位置及其初始適應(yīng)度；其中，表示當(dāng)前迭代次數(shù)，每條鯨魚(yú)的初始位置代表一個(gè)日前優(yōu)化調(diào)度策略；

95、隨機(jī)數(shù)生成單元，用于為每條鯨魚(yú)生成一個(gè)范圍為[0，1]之間的隨機(jī)數(shù)；

96、判斷單元，用于判斷當(dāng)前鯨魚(yú)生成的隨機(jī)數(shù)是否小于0.5；

97、第一位置更新單元，用于若當(dāng)前鯨魚(yú)生成的隨機(jī)數(shù)大于或等于0.5，則通過(guò)環(huán)繞捕食更新當(dāng)前鯨魚(yú)的位置；

98、第二位置更新單元，用于若當(dāng)前鯨魚(yú)生成的隨機(jī)數(shù)小于0.5，則將當(dāng)前鯨魚(yú)的適應(yīng)度與歷史迭代中最低適應(yīng)度差值的絕對(duì)值，作為當(dāng)前鯨魚(yú)的判斷系數(shù)；

99、判斷當(dāng)前鯨魚(yú)的判斷系數(shù)是否小于1，若當(dāng)前鯨魚(yú)的判斷系數(shù)大于或等于1，則采用螺旋氣泡捕食更新當(dāng)前鯨魚(yú)的位置；若當(dāng)前鯨魚(yú)的判斷系數(shù)小于1，則基于融合系數(shù)、蝙蝠發(fā)出的聲波頻率最小值、蝙蝠發(fā)出的聲波頻率最大值、當(dāng)前鯨魚(yú)的位置與速度，對(duì)當(dāng)前鯨魚(yú)的位置與速度進(jìn)行更新；

100、適應(yīng)度計(jì)算單元，用于根據(jù)日前優(yōu)化模型及每條鯨魚(yú)的位置，計(jì)算每條鯨魚(yú)的適應(yīng)度，并記錄適應(yīng)度最低的鯨魚(yú)的位置及其適應(yīng)度，更新；

101、迭代次數(shù)判斷單元，用于判斷是否達(dá)到最大迭代次數(shù)，是則輸出歷史迭代中適應(yīng)度最低的鯨魚(yú)的位置作為日前優(yōu)化調(diào)度策略，否則執(zhí)行隨機(jī)數(shù)生成單元的操作。

102、本發(fā)明的上述技術(shù)方案相比現(xiàn)有技術(shù)具有以下有益效果：

103、本發(fā)明所述的一種多源微網(wǎng)優(yōu)化調(diào)度方法及系統(tǒng)，所提出的鯨魚(yú)-蝙蝠算法通過(guò)將鯨魚(yú)算法中的搜索捕食階段替換為改進(jìn)蝙蝠算法來(lái)更新每條鯨魚(yú)的位置，蝙蝠算法借鑒蝙蝠的飛行與回聲定位，利用相關(guān)變量模擬飛行過(guò)程，蝙蝠算法的飛行策略能更靈活地調(diào)整搜索方向，幫助鯨魚(yú)算法更容易跳出局部最優(yōu)解，從而尋找更優(yōu)的調(diào)度策略，但蝙蝠算法存在對(duì)局部信息依賴過(guò)強(qiáng)的問(wèn)題，使得整體收斂速度變慢、種群多樣性降低，使得在最終解的精度和質(zhì)量上受限；因此本發(fā)明提出的改進(jìn)蝙蝠算法通過(guò)引入融合系數(shù)，使用融合系數(shù)控制速度和位置更新的融合程度，它將蝙蝠算法中的局部搜索與鯨魚(yú)算法的全局搜索結(jié)合，以便更好地在搜索空間內(nèi)進(jìn)行探索，使得每條鯨魚(yú)在更新位置及速度時(shí)，不僅受自身位置和速度的影響，還考慮到全局最佳位置與局部信息。這種多維度的信息融合機(jī)制能夠更有效地引導(dǎo)鯨魚(yú)在解空間中進(jìn)行搜索，避免陷入局部最優(yōu)；還引入了一個(gè)范圍為[0，1]之間的隨機(jī)數(shù)，通過(guò)在位置更新時(shí)加入隨機(jī)擾動(dòng)，能夠使個(gè)體位置在更新時(shí)不完全依賴當(dāng)前解，防止早熟收斂，提高算法在多源微網(wǎng)這種高復(fù)雜性問(wèn)題上的探索能力，并且隨機(jī)數(shù)能夠增加算法的多樣性，幫助算法跳出局部最優(yōu)解。通過(guò)將融合系數(shù)和隨機(jī)數(shù)結(jié)合，不僅保持了搜索多樣性，還提高了算法在多元微網(wǎng)調(diào)度優(yōu)化這種多峰和非線性優(yōu)化問(wèn)題中的穩(wěn)定性與精度，同時(shí)加速了最優(yōu)解的收斂速度，顯著減少了計(jì)算時(shí)間，使得獲得的優(yōu)化調(diào)度策略在確保高精度的同時(shí)，更加迅速地響應(yīng)動(dòng)態(tài)變化，提升了微網(wǎng)的整體運(yùn)行效率與可靠性。