一种基于改进粒子群算法的微网系统动态经济调度方法

摘要

本发明涉及一种基于改进粒子群算法的微网系统动态经济调度方法，包括以下步骤：设置粒子群算法参数；生成初始粒子群；设置粒子的速度上下限约束；确定粒子的适应值；比较粒子的适应值，找出每个粒子的局部最优值及其位置，以及达到全局最优值的粒子及其位置；更新每个粒子的位置和速度；判断粒子的位置和速度是否越限；确定作为平衡节点的PCC点的输送功率；采用自适应方法对粒子速度进行提速处理；若达到迭代次数，停止迭代，得到最终的结果。本发明采用自适应算法对粒子速度进行调整，在搜索陷入局部搜索的时候，更有针对性地去搜索；同时将微网与主网相连的PCC点作为平衡节点，在网上负荷与分布式电源出力不匹配的时候，通过其进行平衡。

说明书

技术领域

本发明涉及一种微网系统优化运行的经济调度方法，具体涉及一种基于改进粒子群算法 的微网系统动态经济调度方法。

背景技术

机组的运行需要成本，微网系统的运行要考虑运行经济性，机组不同，成本函数不同， 不同出力方案的经济成本也有所不同。经济调度的目的在于一定周期内优化各机组的出力， 以获得最优出力水平，使成本最小化。机组前后时段的出力还涉及到机组的爬坡能力约束， 这与机组前后时段的出力密切相关，所以需要调度微网系统的动态经济。同时，由于网内机 组容量有限，微网需通过PCC点与主网相连，在微网内分布式电源无法供给负荷时，向微网 内输送功率，以保证电力的供需平衡。微网系统动态经济调度是电力系统安全经济运行的一 部分，其目的是在满足各种安全性约束以及电能质量要求条件下确定机组的运行方式，使系 统总的运行费用最小化。

动态经济调度涉及的变量多，需要同时考虑等式和不等式的约束条件，一般的优化算法 难以达到计算要求。问题维数较高、约束条件严格，造成其各个可行解所对应的目标函数值 较为接近，在使用标准的粒子群算法时，容易造成搜索陷入局部最优，过早收敛，停滞对全 局最优解的搜索。

PCC点(用户侧和系统侧的公共耦合节点)的引入，可将其看成潮流计算时的平衡节点， 在微网内分布式电源出力确定后，通过其对微网内负荷进行平衡解决微网经济调度中的负荷 平衡的强约束问题。

解决过早收敛的方法主要是保证粒子的多样性，避免迭代后期，粒子群个体相似，陷入 局部搜索。如结合遗传算法对粒子的位置进行交叉、变异等以保证粒子的多样性。但由于动 态经济调度的约束条件较为严格，解空间被限制在很小的范围，这种对粒子位置的操作容易 越限，同时针对性也不够强，对于动态经济调度问题存在一定的局限性。

发明内容

针对现有技术的不足，本发明的目的是提供一种基于改进粒子群算法的微网系统动态经 济调度方法，本发明对粒子群算法的迭代公式进行了改进，加入自适应方法，以对速度进行 调整，并根据约束条件对粒子进行调整，以保证粒子不越限。

本发明采用改进后的粒子群算法对微网系统的动态经济调度进行求解，以获得优化后的 各机组各时段的出力水平。同时通过潮流计算得到PCC点的功率，实现微网内负荷的供需平 衡。

本发明的目的是采用下述技术方案实现的：

本发明提供一种基于改进粒子群算法的微网系统动态经济调度方法，其改进之处在于， 所述方法包括下述步骤：

A、设置粒子群算法的参数；

B、生成初始粒子群；

C、设置粒子在微网系统动态经济调度中的速度上下限约束；

D、确定粒子的适应值；

E、比较粒子的适应值，找出每个粒子的局部最优值及其位置，以及达到全局最优值的粒 子及其位置；

F、根据局部最优值以及全部最优值更新每个粒子的位置和速度；

G、根据约束条件，以及粒子速度的上下限约束判断粒子的位置和速度是否越限，若越 限，将粒子的位置和速度调整至约束范围内；

H、通过潮流计算的方法，计算得到作为平衡节点的PCC点的输送功率；

I、采用自适应方法，对粒子速度进行提速处理；

J、若达到迭代次数，停止迭代，得到最终的结果。

进一步地，所述步骤A中，设置粒子群算法所需的各个参数，所述参数包括权重因子、 学习因子、粒子群规模数和迭代次数，权重因子取ω_max＝0.9，ω_min＝0.4，学习因子取 c₁＝c₂＝3.05，粒子群规模和迭代次数根据实际情况设置，包括设置为粒子群规模数N＝40， 迭代次数C＝500。

进一步地，所述步骤B中，根据计算期间内各时段的负荷水平随机分摊到各个机组的出 力水平，按照粒子群规模数重复该步骤，获得初始粒子群；包括：

随机生成行数为机组数、列数为时段数的随机数组，该数组的元素均为正数，且每一列 元素相加之和均为一；将时段负荷乘以相应的列即可得到初始粒子，重复该操作，即得到整 个初始粒子群，即对于第m个粒子生成如下：

$P_m=\left(\begin{array}{ccccc}{P}_{\mathrm{1,1}}& ...& P_{1,t}& ...& P_{1,T}\\ P_{i,1}& ...& P_{i,t}& ...& P_{i,T}\\ ...& ...& ...& ...& ...\\ P_{M,1}& ...& P_{M,t}& ...& P_{M,T}\end{array}\right)---\left(1\right);$

P_i,t＝a_i,t·P_D,t                       (2)；

a_1,t+a_2,t+…+a_i,t+…a_M,t＝1                   (3)；

其中：T表示经济调度的时段数，为一天24小时，以每小时为一个段，共24个时段，M 为参与动态经济调度的机组数；a_i,t表示第i台机组第t时段的比例元素，为随机生成，满足(3) 式，故(3)式表示对于第t时段所有M台的比例元素之和为1，P_D,t为第t时段的负荷的大小， 采用相同方法生成其他粒子。

进一步地，所述步骤C中，根据各机组的上下限约束确定各个粒子的速度上下限，粒子 速度的上下限根据机组上下限出力之差进行缩减，缩减范围为1％，即粒子速度上限为机组出 力上限减去出力下限之差的1％，粒子速度下限为机组出力下限减去出力上限之差的1％。

进一步地，所述步骤D中，根据步骤B中所获得的初始粒子群，根据电力系统动态经济 调度目标函数确定粒子的适应值，微网系统动态经济调度目标函数为：

$f=\underset{t}{\overset{T}{\Sigma }}\underset{i}{\overset{M}{\Sigma }}f\left(P_{\mathrm{it}}\right)---\left(4\right);$

其中：P_i,t为第i台机组第t时段的出力，T为动态经济调度的时段数，M为参与动态经 济调度的机组数；

其中柴油机组的成本函数如下：

f(P_it)＝a_i·P_it²+b_i·P_it+c_i             (5)；

式中，a_i、b_i、c_i为成本系数；

燃料电池、微型燃气轮机成本函数如下：

$f\left(P_{i,t}\right)=(C_i^f+C_i^r)P_{i,t}---\left(6\right);$

式中，分别为相应的燃料成本系数、维护成本系数；

适应值采用目标函数值，即

$f_a=f=\underset{t}{\overset{T}{\Sigma }}\underset{i}{\overset{M}{\Sigma }}f\left(P_{\mathrm{it}}\right)---\left(7\right);$

即以微网系统动态经济调度目标函数计算结果作为粒子适应值，目标函数值越小，适应 值越小，粒子的适应度越高。

进一步地，微网系统动态经济调度的上下限约束包括功率平衡约束、机组出力上下限约 束和机组爬坡约束；

其中功率平衡约束用下述表达式表示：

$\underset{i=1}{\overset{M}{\Sigma }}{P}_{i,t}+P_{\mathrm{PCC},t}={P_t}^D+{P_t}^{\mathrm{loss}}---\left(8\right);$

其中：P_PCC,t为PCC点的向微网输入的功率，P_t^D为第t时段的负荷大小，P_t^loss第t时段的 网损大小；

机组出力上下限约束用下述表达式表示：

P_i^min≤P_i,t≤P_i^max                 (9)；

其中：P_i^min和P_i^max分别表示第i台机组第t时段的出力的下限和上限；

机组爬坡约束用下述表达式表示：

$R_i^d\mathrm{\Delta t}\le P_{i,t}-P_{i,t-1}\le R_i^u\mathrm{\Delta t}---\left(10\right);$

其中：为向下爬坡速度，为负值；为向上爬坡速度，为正值；Δt表示两个调度时 段之间的时间间隔。

进一步地，所述步骤E中，比较各粒子的适应值，确定粒子适应度最高的粒子，找到各 个粒子的历史最优值，即局部最优值，和粒子位置，以及全局最优值及粒子位置；若第一次 迭代，则找到全局最优值及对应粒子位置；

在粒子群算法中，粒子群的种群数为所包含的粒子数量，种群里面每个个体均称为一个 粒子；每一个可行解均是种群中的一个粒子，每个粒子都有两个属性，位移和速度，均表示 为一个矩阵向量，如下式所示：

$P_m=\left(\begin{array}{ccccc}{P}_{\mathrm{1,1}}& ...& P_{1,t}& ...& P_{1,T}\\ P_{i,1}& ...& P_{i,t}& ...& P_{i,T}\\ ...& ...& ...& ...& ...\\ P_{M,1}& ...& P_{M,t}& ...& P_{M,T}\end{array}\right)---\left(11\right);$

$V_m=\left(\begin{array}{ccccc}{V}_{\mathrm{1,1}}& ...& V_{1,t}& ...& V_{1,T}\\ V_{i,1}& ...& V_{i,t}& ...& V_{i,T}\\ ...& ...& ...& ...& ...\\ V_{M,1}& ...& V_{M,t}& ...& V_{M,T}\end{array}\right)---\left(12\right);$

其中：P_m为第m个粒子的位移，P_i,t为第i台机组第t时段的出力，即粒子的位置；V_m是 第m个粒子的速度，V_i,t是对应的第i台机组t时段的出力的修正量；T为动态经济调度的时 段数；M为参与动态经济调度的机组数；在微网系统动态经济调度中，粒子的位置即表示各 个机组各时段的出力，行数表示机组数，列数表示时段数。

进一步地，所述步骤F中，根据步骤E所得到的局部最优值和粒子位置，以及全部最优 值及粒子位置，根据下述表达式更新粒子的速度与位置：

$V_m^{k+1}=\omega ·V_m^k+c_1·r_1·({\mathrm{pbest}}_m^k-P_m^k)+c_2·r_2·({\mathrm{gbest}}^k-P_m^k)+{\mathrm{\Delta V}}_m^k---\left(13\right);$

$P_m^{k+1}=P_m^k+V_m^{k+1}+{\mathrm{\Delta P}}_m^k---\left(14\right);$

其中：分别表示速度和位置的调整量；为第m个粒子的第k代的速度，第m个粒子的第k+1代的速度；为第m个粒子的第k代，为m个粒子的第k+1代； 为第m个粒子的历史最优值，gbest^k为第k次迭代的全局最优值；ω为惯性因子，用 于权衡粒子群算法的全局搜索和局部搜索能力；ω取值越大越易于算法增大搜寻空间，取值 越小越容易进行局部寻优，采用自适应调整惯性因子的方式，即：

$\omega ={\omega }_{\max }-\frac{{\omega }_{\max }-{\omega }_{\min }}{C}k---\left(15\right);$

其中：ω_max取0.9，ω_min取0.4，C为迭代的最大次数，k为目前迭代次数；c₁、c₂为学习 因子，分别为控制粒子向个体最优和全局最优位置方向飞行的最大步长；取c₁＝c₂＝3.05；

用于调整越限的粒子，粒子越限时，按照(9)、(10)、(11)式，根据下列规则对粒 子进行调整：

1)根据速度上下限约束对机组出力进行调整，机组越上限时，则将其出力限定在上限， 机组越下限时，则将其出力限定在下限；

2)根据爬坡约束对机组出力进行调整，机组向上爬坡时，若越限，则将机组出力限定在 向上爬坡的上限；机组向下爬坡时，若越限，则将机组出力限定在向下爬坡的下限；

3)根据调整后的机组出力，进行潮流计算，得到PCC点的输送功率。

进一步地，对于粒子速度，将其限定在速度约束范围内，速度约束公式如下：

$V_m^k\left[i\right]\left[j\right]=\left(\begin{array}{cc}{V}_m^k{\left[i\right]\left[j\right]}_{\max },& \mathrm{if}{V}_m^k\left[i\right]\left[j\right]>V_m^k{\left[i\right]\left[j\right]}_{\max }\\ V_m^k{\left[i\right]\left[j\right]}_{\min },& \mathrm{if}{V}_m^k\left[i\right]\left[j\right]<V_m^k{\left[i\right]\left[j\right]}_{\min }\end{array}\right)---\left(16\right);$

其中：为粒子速度的第i行，第j列的元素，为粒子速度的第i行，第 j列的元素中所限定的最大值，为粒子速度的第i行，第j列的元素中所限定的最 小值；粒子速度的最大、最小值根据以下表达式设置：

$V_m^k{\left[i\right]}_{\max }=({P_i}^{\max }-{P_i}^{\min })/100---\left(17\right);$

$V_m^k{\left[i\right]}_{\min }=({P_i}^{\min }-{P_i}^{\max })/100---\left(18\right);$

其中：分别为粒子中对应第i台机组速度的上限和下限，将会扩展成与 时段相应长度的横向量，即得到粒子第i行的速度上限和下限。

进一步地，所述步骤H中，根据步骤G中调整后不越限的粒子位置，即各机组各时段的 出力，得到各机组各时段的出力后，通过潮流计算的方法计算PCC点各时段的向微网的输入 功率，即采用牛拉法，将PCC点视为潮流计算中的平衡节点，计算其各时段的出力，从而得 到PCC点向微网系统输入的有功功率。

进一步地，所述步骤I中，根据步骤E中得到全局最优值，比较前后两次的全局最优值， 采用自适应方法，根据两次全局最优值之差的绝对值大小，对粒子速度进行调整，绝对值越 大，调整程度越大；执行如下：

粒子群算法中，随着迭代次数的增加，会陷入局部最优，此时粒子的速度会随之减小， 故对粒子速度进行调整，即：

v₁＝v₀+Δv                     (19)；

其中：v₀、v₁分别为调整前后的粒子速度，Δv为调整的速度量，调整时采用自适应算法， 自适应算法公式如下：

$\mathrm{\Delta v}=\left(\begin{array}{c}0,\lambda >0.01\\ v_{\mathrm{ini}}·r_3,0.001<\lambda \le 0.01\\ v_{\mathrm{ini}}·r_4,0<\lambda \le 0.001\end{array}\right)---\left(20\right);$

其中：v_ini为粒子群算法中所设置的初始速度，r₃为-0.1到0.1的随机数，r₄为-0.01到0.01 的随机数，对于随机数r₃、r₄根据实际需用设定，λ则根据下式计算：

$\lambda =\frac{|{f_{\mathrm{best}}}^k-{f_{\mathrm{best}}}^{k-1}|}{{f_{\mathrm{best}}}^k}---\left(21\right);$

其中：f_best^k为第k代粒子的全局最优位置，f_best^k-1第k-1代粒子的全局最优位置λ即为前 后两次全局最优值差值相对比例。

进一步地，所述步骤J中，根据步骤A已设定的迭代算法，判定迭代次数是否达到：若 达到迭代次数C＝500，则停止计算，得到粒子全局最优值即为最终粒子位置，该粒子位置即 为各机组在各时段的出力，从而计算出最终结果，最终结果包括各机组各时段的出力水平以 及计算经济周期内的机组运行总费用；若没有达到迭代次数，则返回到步骤D，继续计算。

与现有技术比，本发明达到的有益效果是：

现有技术在搜索过程中，搜索到了一段阶段，迭代过程容易陷入局部搜索时，此时的粒 子速度基本变为零，不利于在最大的范围内进行搜索，因此本发明中，对粒子速度进行提速， 以跳出局部搜索，在提速过程中，采用自适应方法，根据前后两次迭代全局最优值所计算得 到的适应值大小，判断是否对粒子速度进行提速，以保证粒子即能跳出局部搜索，也能保证 粒子的小范围搜索功能，而且采用调整速度的方法能更有针对性地去执行搜索，从而更好地 进行寻优。

现有技术中在处理负荷平衡约束时主要采用罚函数的方法，即在不满足负荷平衡约束时， 在适应值加入相应的惩罚项，以使不满足负荷平衡的粒子适应值降低，从而淘汰这部分粒子， 但这样会造成计算速度的下降，并没有将PCC点视为潮流计算中的平衡节点进行负荷平衡调 整的技术，而本发明中处理负荷平衡约束时，将PCC点作为潮流计算时的平衡节点，在其他 机组出力确定的情况，通过PCC点的输入功率实现微网负荷的平衡，有利于快速满足负荷平 衡的等式约束条件，从而提高计算速度。

附图说明

图1是本发明提供的基于改进粒子群算法的微网系统动态经济调度方法的流程图；

图2是本发明提供的三类日负荷比例曲线，其中：为工业负荷，为商业负荷，为 居民负荷；

图3是本发明提供的算法迭代过程对比图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明。

本发明提供的基于改进粒子群算法的微网系统动态经济调度方法的流程图如图1所示， 包括下述步骤：

A、设置粒子群算法所需的各个参数，所述参数包括权重因子、学习因子、粒子群规模 数和迭代次数，权重因子取ω_max＝0.9，ω_min＝0.4，学习因子取c₁＝c₂＝3.05，粒子群规模和 迭代次数根据实际情况设置，包括设置为粒子群规模数N＝40，迭代次数C＝500。

B、根据计算期间内各时段的负荷水平随机分摊到各个机组的出力水平，按照粒子群规 模数重复该步骤，获得初始粒子群；包括：

随机生成行数为机组数、列数为时段数的随机数组，该数组的元素均为正数，且每一列 元素相加之和均为一；将时段负荷乘以相应的列即可得到初始粒子，重复该操作，即得到整 个初始粒子群，即对于第m个粒子生成如下：

$P_m=\left(\begin{array}{ccccc}{P}_{\mathrm{1,1}}& ...& P_{1,t}& ...& P_{1,T}\\ P_{i,1}& ...& P_{i,t}& ...& P_{i,T}\\ ...& ...& ...& ...& ...\\ P_{M,1}& ...& P_{M,t}& ...& P_{M,T}\end{array}\right)---\left(1\right);$

P_i,t＝a_i,t·P_D,t                  (2)；

a_1,t+a_2,t+…+a_i,t+…a_M,t＝1                (3)；

其中：T表示经济调度的时段数，为一天24小时，以每小时为一个段，共24个时段，M 为参与动态经济调度的机组数；a_i,t表示第i台机组第t时段的比例元素，为随机生成，满足(3) 式，故(3)式表示对于第t时段所有M台的比例元素之和为1，P_D,t为第t时段的负荷的大小， 采用相同方法生成其他粒子。

C、设置粒子在微网系统动态经济调度中的速度上下限约束；根据各机组的上下限约束 确定各个粒子的速度上下限，粒子速度的上下限根据机组上下限出力之差进行缩减，缩减范 围为1％，即粒子速度上限为机组出力上限减去出力下限之差的1％，粒子速度下限为机组出 力下限减去出力上限之差的1％。

D、确定粒子的适应值：根据步骤B中所获得的初始粒子群，根据电力系统动态经济调 度目标函数确定粒子的适应值，微网系统动态经济调度目标函数为：

$f=\underset{t}{\overset{T}{\Sigma }}\underset{i}{\overset{M}{\Sigma }}f\left(P_{\mathrm{it}}\right)---\left(4\right);$

其中：P_i,t为第i台机组第t时段的出力，T为动态经济调度的时段数，M为参与动态经 济调度的机组数；

其中柴油机组的成本函数如下：

f(P_it)＝a_i·P_it²+b_i·P_it+c_i          (5)；

式中，a_i、b_i、c_i为成本系数；

燃料电池、微型燃气轮机成本函数如下：

$f\left(P_{i,t}\right)=(C_i^f+C_i^r)P_{i,t}---\left(6\right);$

式中，分别为相应的燃料成本系数、维护成本系数；

以目标函数值作为适应值，即相应的适应值为：

$f_a=f=\underset{t}{\overset{T}{\Sigma }}\underset{i}{\overset{M}{\Sigma }}f\left(P_{\mathrm{it}}\right)---\left(7\right);$

即以微网系统动态经济调度目标函数计算结果作为粒子适应值，目标函数值越小，适应 值越小，粒子的适应度越高。

微网系统动态经济调度的上下限约束包括功率平衡约束、机组出力上下限约束和机组爬 坡约束；

其中功率平衡约束用下述表达式表示：

$\underset{i=1}{\overset{M}{\Sigma }}{P}_{i,t}+P_{\mathrm{PCC},t}={P_t}^D+{P_t}^{\mathrm{loss}}---\left(8\right);$

其中：P_PCC,t表示PCC点第t时段的输入功率，P_t^D为第t时段的负荷大小，P_t^loss第t时段 的网损大小；

机组出力上下限约束用下述表达式表示：

P_i^min≤P_i,t≤P_i^max                    (9)；

其中：P_i^min和P_i^max分别表示第i台机组第t时段的出力的下限和上限；

机组爬坡约束用下述表达式表示：

$R_i^d\mathrm{\Delta t}\le P_{i,t}-P_{i,t-1}\le R_i^u\mathrm{\Delta t}---\left(10\right);$

其中：为向下爬坡速度，为负值；为向上爬坡速度，为正值；Δt表示两个调度时 段之间的时间间隔。

E、比较各粒子的适应值，确定粒子适应度最高的粒子，找到各个粒子的历史最优值，即 局部最优值，和粒子位置，以及全局最优值及粒子位置；若第一次迭代，则找到全局最优值 及对应粒子位置；

在粒子群算法中，粒子群的种群数为所包含的粒子数量，种群里面每个个体均称为一个 粒子；每一个可行解均是种群中的一个粒子，每个粒子都有两个属性，位移和速度，均表示 为一个矩阵向量，如下式所示：

$P_m=\left(\begin{array}{ccccc}{P}_{\mathrm{1,1}}& ...& P_{1,t}& ...& P_{1,T}\\ P_{i,1}& ...& P_{i,t}& ...& P_{i,T}\\ ...& ...& ...& ...& ...\\ P_{M,1}& ...& P_{M,t}& ...& P_{M,T}\end{array}\right)---\left(11\right);$

$V_m=\left(\begin{array}{ccccc}{V}_{\mathrm{1,1}}& ...& V_{1,t}& ...& V_{1,T}\\ V_{i,1}& ...& V_{i,t}& ...& V_{i,T}\\ ...& ...& ...& ...& ...\\ V_{M,1}& ...& V_{M,t}& ...& V_{M,T}\end{array}\right)---\left(12\right);$

其中：P_m为第m个粒子的位移，P_i,t为第i台机组第t时段的出力，即粒子的位置；V_m是 第V_m个粒子的速度，V_i,t是对应的第i台机组t时段的出力的修正量；T为动态经济调度的时 段数；M为参与动态经济调度的机组数；在微网系统动态经济调度中，粒子的位置即表示各 个机组各时段的出力，行数表示机组数，列数表示时段数。

F、根据步骤E所得到的局部最优值和粒子位置，以及全部最优值及粒子位置，根据下 述表达式更新粒子的速度与位置：

$V_m^{k+1}=\omega ·V_m^k+c_1·r_1·({\mathrm{pbest}}_m^k-P_m^k)+c_2·r_2·({\mathrm{gbest}}^k-P_m^k)+{\mathrm{\Delta V}}_m^k---\left(13\right);$

$P_m^{k+1}=P_m^k+V_m^{k+1}+{\mathrm{\Delta P}}_m^k---\left(14\right);$

其中：分别表示速度和位置的调整量；为第m个粒子的第k代的速度，第m个粒子的第k+1代的速度；为第m个粒子的第k代，为m个粒子的第k+1代； 为第m个粒子的历史最优值，gbest^k为第k次迭代的全局最优值；ω为惯性因子，用 于权衡粒子群算法的全局搜索和局部搜索能力；ω取值越大越易于算法增大搜寻空间，取值 越小越容易进行局部寻优，采用自适应调整惯性因子的方式，即：

$\omega ={\omega }_{\max }-\frac{{\omega }_{\max }-{\omega }_{\min }}{C}k---\left(15\right);$

其中：ω_max取0.9，ω_min取0.4，C为迭代的最大次数，k为目前迭代次数；c₁、c₂为学习 因子，分别为控制粒子向个体最优和全局最优位置方向飞行的最大步长；取c₁＝c₂＝3.05；

用于调整越限的粒子，粒子越限时，按照(9)、(10)、(11)式，根据下列规则对粒 子进行调整：

1)根据速度上下限约束对机组出力进行调整，机组越上限时，则将其出力限定在上限， 机组越下限时，则将其出力限定在下限；

2)根据爬坡约束对机组出力进行调整，机组向上爬坡时，若越限，则将机组出力限定在 向上爬坡的上限；机组向下爬坡时，若越限，则将机组出力限定在向下爬坡的下限；

3)根据调整后的机组出力，进行潮流计算，得到PCC点的输送功率。

G、根据约束条件，以及粒子速度的上下限约束判断粒子的位置和速度是否越限，若越 限，将粒子的位置和速度调整至约束范围内；

对于粒子速度，将其限定在速度约束范围内，速度约束公式如下：

$V_m^k\left[i\right]\left[j\right]=\left(\begin{array}{cc}{V}_m^k{\left[i\right]\left[j\right]}_{\max },& \mathrm{if}{V}_m^k\left[i\right]\left[j\right]>V_m^k{\left[i\right]\left[j\right]}_{\max }\\ V_m^k{\left[i\right]\left[j\right]}_{\min },& \mathrm{if}{V}_m^k\left[i\right]\left[j\right]<V_m^k{\left[i\right]\left[j\right]}_{\min }\end{array}\right)---\left(16\right);$

其中：为粒子速度的第i行，第j列的元素，为粒子速度的第i行，第 j列的元素中所限定的最大值，为粒子速度的第i行，第j列的元素中所限定的最 小值；粒子速度的最大、最小值根据以下表达式设置：

$V_m^k{\left[i\right]}_{\max }=({P_i}^{\max }-{P_i}^{\min })/100---\left(17\right);$

$V_m^k{\left[i\right]}_{\min }=({P_i}^{\min }-{P_i}^{\max })/100---\left(18\right);$

其中：分别为粒子中对应第i台机组速度的上限和下限，将会扩展成与 时段相应长度的横向量，即得到粒子第i行的速度上限和下限。

H、通过潮流计算的方法，计算得到作为平衡节点的PCC点的输送功率：根据步骤G中 调整后不越限的粒子位置，即各机组各时段的出力，通过潮流计算的方法计算PCC点各时段 的出力

I、采用自适应方法，对粒子速度进行提速处理：

根据步骤E中得到全局最优值，比较前后两次的全局最优值，采用自适应方法，根据两 次全局最优值之差的绝对值大小，对粒子速度进行调整，绝对值越大，调整程度越大；执行 如下：

粒子群算法中，随着迭代次数的增加，可能会陷入局部最优，此时粒子的速度会随之减 小，故对粒子速度进行调整，即：

v₁＝v₀+Δv                    (19)；

其中：v₀、v₁分别为调整前后的粒子速度，Δv为调整的速度量，调整时采用自适应算法， 自适应算法公式如下：

$\mathrm{\Delta v}=\left(\begin{array}{c}0,\lambda >0.01\\ v_{\mathrm{ini}}·r_3,0.001<\lambda \le 0.01\\ v_{\mathrm{ini}}·r_4,0<\lambda \le 0.001\end{array}\right)---\left(20\right);$

其中：v_ini为粒子群算法中所设置的初始速度，r₃为-0.1到0.1的随机数，r₄为-0.01到0.01 的随机数，对于随机数r₃、r₄根据实际需用设定，λ则根据下式计算：

$\lambda =\frac{|{f_{\mathrm{best}}}^k-{f_{\mathrm{best}}}^{k-1}|}{{f_{\mathrm{best}}}^k}---\left(21\right);$

其中：f_best^k为第k代粒子的全局最优位置，f_best^k-1第k-1代粒子的全局最优位置λ即为前 后两次全局最优值差值相对比例。

J、若达到迭代次数，停止迭代，得到最终的结果：根据步骤A已设定的迭代算法，判 定迭代次数是否达到：若达到迭代次数C＝500，则停止计算，得到粒子全局最优值即为最终 粒子位置，该粒子位置即为各机组在各时段的出力，从而计算出最终结果，最终结果包括各 机组各时段的出力水平以及计算经济周期内的机组运行总费用；若没有达到迭代次数，则返 回到步骤D，继续计算。

实施例

本实施例采用17节点的微网系统，其结构参数与负荷数据如表1所示，表中最后一列为 某一典型日的负荷，表示末节点的最大负荷，其各个节点负荷的功率因数均为0.85。工业负 荷、商业负荷、居民负荷的日负荷比例曲线图(与该日最大负荷的百分比)如图2所示。微 网内分布式电源参数如表2所示，微网中连接有分布式电源的节点为5、6、7、8、9、12， 机组1、2为柴油机组，机组3、4为燃料电池，机组5、6为微型燃气轮机。微网从主网的购 入电量电费为0.5元/kWh。

表1微网参数

表2分布式电源参数

a)柴油机组参数

注：机组3、4为燃料电池，机组5、6为微型燃气轮机。

在本实施例的计算中，粒子群算法参数如下：权惯性因子ω_max＝0.9，ω_min＝0.4，学习因 子C₁＝C₂＝2.05，迭代次数上限为800次。

表3为分布式电源24小时优化出力结果以及PCC点向微网供给的功率。计算得到总费 用为7664.4元。

图3给出了考虑自适应算法(实线所示)和未考虑自适应算法(虚线所示)的优化过程， 图中横轴表示迭代次数，纵轴表示每次迭代的全局最优值。从图中可以看出，加入提高粒子 速度的自适应法则后，求解速度优势明显，在迭代到第100次时收敛效果就出现了明显的区 别，最优值下降的速度更快，有效地解决了求解过程中陷入局部最优的问题，能够更快地得 到收敛的结果。同时，加入自适应算法的收敛结果也更好，而未加入自适应算法的最后优化 结果为8121.1元，发电成本要比加入自适应算法的结果多456.7元，高出5.955％。说明改进 后的粒子群算法，能够较好地解决微网并网时的动态经济调度问题，提高了求解速度，并可 得到更好的优化结果。

表3机组及PCC点出力数据

本发明对粒子群算法的迭代公式进行了改进，加入自适应方法，以对速度进行调整，并 根据约束条件对粒子进行调整，以保证粒子不越限。本发明采用改进后的粒子群算法对微网 系统的动态经济调度进行求解，以获得优化后的各机组各时段的出力水平。同时通过潮流计 算得到PCC点的功率，实现微网内负荷的供需平衡。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域 的普通技术人员应当理解到：参照上述实施例依然可以对本发明的具体实施方式进行修改或 者等同替换，未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的权利要求 保护范围之内。