[发明专利]基于PSO改进算法的微电网多目标运行优化方法

权利要求书

1.基于PSO改进算法的微电网多目标运行优化方法，其特征在于，包括以下步骤：

步骤1：获取相关的预测数据及运行参数，所述预测数据包括根据历史数据预测获得的当地典型日24小时内的光照数据、风力数据和负荷数据，所述运行参数为当地电价参数、污染排放治理参数以及微电网相关参数，所述微电网相关参数包括系统条件、光伏发电系统参数、风力发电系统参数、柴油发电系统参数和储能系统参数；

步骤2：根据优化目标和约束条件建立多目标优化模型，优化变量为分布式电源和配网出力；

步骤3：将步骤1中的预测数据和运行参数代入多目标优化模型中，并通过自适应重启杂交PSO算法求解优化模型，得出当地微电网的实时分布式电源和配网最优出力方案；

步骤3包括以下子步骤：

步骤3.1：将粒子群平均分为N个子群，分别对应N个优化子目标；

步骤3.2：设置粒子群的种群大小、最大迭代次数、最大杂交次数以及杂交概率，并初始化各子群中粒子的速度和位置；

步骤3.3：根据优化目标函数计算各子群的适应度函数值，并记录粒子全局最优值和个体最优值；

步骤3.4：判断外部环境的变化量是否大于某一阀值常量，所述外部环境的变化量包括光伏发电系统或风力发电系统功率输出变化量，若是则重新初始化各子群中粒子的位置和速度，并将杂交次数和迭代次数归零，返回步骤3.3；否则转入步骤3.5；判断依据见下式：

或

式中，P_PV^k、P_WT^k分别为光伏发电系统和风力发电系统在第k次迭代时的输出功

率值；ΔP是环境判断阀值常量；

步骤3.5：更新各粒子的速度和位置，更新公式为：

式中，k为当前迭代次数，分别为第n个子群中第i个粒子的当前代速度和位置，是第n个子群中第i个粒子的个体最优位置，是第n个子群的全局最优值，c₁、c₂是学习因子，r₁、r₂是分布在[0,1]内的随机数；

步骤3.6：根据杂交概率从各子群中选择指定数量的粒子放入杂交池内；池中的父代粒子两两随机杂交，产生相同数量的子代粒子并替代父代粒子，根据下式产生子代粒子的速度和位置：

式中，V_child,j、X_child,j分别为第j个子群中子代的速度和位置，V_parent,j为第j个子群中父代的速度，V_parent,n、X_parent,n分别为第n个子群中父代的速度和位置，λ_n是[0,1]之间的随机数，并且

步骤3.7：杂交次数增加1次，并判断杂交次数是否达到最大杂交次数，如果是则停止杂交，转入步骤3.8；否则返回到步骤3.6；

步骤3.8：迭代次数增加1次，并判断迭代次数是否到达最大迭代次数，如果是则停止迭代，转入步骤3.9；否则返回步骤3.3；

步骤3.9：经过以上计算可得到一个pareto解集，对此pareto解集进行规范化排序，获得规范值；

步骤3.10：选择规范值最小的解为最优解。

2.如权利要求1所述的基于PSO改进算法的微电网多目标运行优化方法，其特征在于：所述优化目标包括：微电网运行成本最低，污染排放治理费用最小，平抑可再生能源输出功率波动最小，实现微电网运行成本、污染排放治理费用、平抑可再生能源输出功率波动三个优化目标的综合效果最佳。

3.如权利要求1所述的基于PSO改进算法的微电网多目标运行优化方法，其特征在于：所述约束条件包括：功率平衡约束、分布式电源出力约束、微电网与大电网之间的交换功率约束。

4.如权利要求1所述的基于PSO改进算法的微电网多目标运行优化方法，其特征在于：所述分布式电源包括光伏阵列、风力发电机、柴油发电机和蓄电池。

5.根据权利要求1所述的基于PSO改进算法的微电网多目标运行优化方法，其特征在于：

规范化方法如下：

式中，f_i是pareto解集中第i个解的规范值，f_i(n)为第i个解在第n个子目标下求得的目标函数值，f_min(n)、f_max(n)分别是在第n个子目标下求得的所有解中的最小目标函数值和最大目标函数值，ω_n是各子目标的偏好因子，且