CN103050998A - 一种风电并网的火电系统动态调度方法 - Google Patents

Abstract

本发明公开了一种风电并网的火电系统动态调度方法，步骤包括：步骤1、获得风电火电相关参数和有关信息；步骤2、产生初始可行调度集合；步骤3、对可行调度集合进行评价；步骤4、对可行调度序列进行更新；步骤5、对更新的调度序列进行可行性判断；步骤6、对新的可行调度集合进行评价；步骤7、迭代得到最优调度集合。本发明的方法，利用对风电厂风速的预测得到风电厂预计输出有功功率，结合基于反馈控制的群智能优化算法，实现对含风电厂的火电系统动态调度问题的求解，在满足运行约束和负载负荷的条件下，合理安排各时段各发电机组的有功功率输出，使得此周期内发电所需成本最小化。

Description

一种风电并网的火电系统动态调度方法

技术领域

本发明属于工业控制技术领域，涉及一种风电并网的火电系统动态调度方法。

背景技术

近年来，随着风电等机组容量的不断提升，风电占电网的比例逐年增加，但由于风的波动性和间歇性造成了风电机组的输出有功功率是不稳定的，但火电机组的输出有功功率则是稳定的，这样，在一个由火电机组和风电机组联网构成的电网中，大容量的风电接入会给整体电力系统的稳定性带来很大的影响，这就对火电系统的调度提出了更高的要求。因此在对风电厂出力进行短期的预测的前提下，如何实现火电系统的合理运行，调配各火电机组的出力是一个急需解决的问题，这不但能降低电力系统的运行成本、减少系统的备用容量，而且可以减轻风电对联网电网造成的不利影响，提高系统中风电的可装机比例。

发明内容

本发明的目的是提供一种风电并网的火电系统动态调度方法，解决了现有技术中，由于大容量的风电接入带来的整个电网系统不稳定性，以及火电机组的出力合理调度过程中分配不理想，导致系统的运行效率低的问题。

本发明所采用的技术方案是，一种风电并网的火电系统动态调度方法，具体按照如下步骤实施：

步骤1、相关参数的设置和获取

1.1）设置算法运行的相关参数

设定最大迭代次数为iter_max，iter_max为整数，迭代次数初始值iter＝1；学习因子设置为c₁、c₂，c₁和c₂取为[0,3]之间的自然数，r₁、r₂是[0,1]之间的随机数；调度时段为h，h＝1,2,...,H，智能算法的群体规模数为M，M为大于1的整数；

PID控制器的参数分别取比例增益K_P＝-1，积分项系数T_i＝iter_max/20，微分项系数T_d＝0调节因子σ＝1；

1.2）获得风电相关参数

包括风电厂中的风力发电机数目为L，L为不小于1的整数；第l台风力发电机组的额定输出功率为P_R，l，l=1,2,,...,L；风力发电机理论设计额定风速为v_R，l，切入风速为v_CI，l，切出风速为v_CO，l；

1.3）获得火电相关参数

根据系统运行的需求，确定以下火电机组的已知参数：机组数目为N，N为不小于1的整数；第i台火电机组的最小输出功率为P_imin和最大输出功率P_imax，i＝1,2,...,N，有功输出功率下降速率ζ_idown和上升速率ζ_iup；火电机组消耗燃料费用系数α_i,β_i,γ_i，α_i,β_i,γ_i分别表示第i台发电机组耗量特性的常数项、一次项系数和二次项系数，参数值由具体系统给出；阀点效应的常系数μ_i,η_i，具体值根据机组数不同而各异，从具体系统中获得；确定计算电网有功功率网络损耗P_loss的所需要的B系数B_ii,B_0i,B₀₀，B_ii,B_0i,B₀₀分别是根据机组的性质得到；h时段火电机组的中的额定功率

步骤2、产生初始的可行调度集合

可行调度集合的产生分两步实现：首先预测调度时段h的风力发电机组的有功功率；然后再产生火电机组的可行调度集合，具体过程为：

根据电力系统中风电机组的相关参数，第h时段内第l台发电机组的有功功率由下式来预测得到：

则h时段内所有风力发电机有功功率的输出预测值为

在调度时段h，针对前N-1个火力发电机组，在各个机组的发电容量要求下，随机产生有功功率

i＝1,2,...,N-1，并利用系统功率平衡约束

求出第N个发电机组的有功功率

若产生的

满足爬坡率约束式： $\max \{P_{i\min },P_i^{h-1}-{\mathrm{\ζ}}_{\mathrm{idown}}\}\≤P_i^h\≤\min \{P_{i\max },P_i^{h-1}+{\mathrm{\ζ}}_{\mathrm{iup}}\},$ 则得到该时段的可行调度值为

否则重新进行此过程生成满足约束条件的调度值；

按照上述过程进行H次，就得到一个完整的可行调度序列；

将上述过程进行M次，就得到了初始的可行调度集合；

步骤3、对可行调度集合进行评价

依据目标函数式： $\min f\left(P_i^h\right)=\underset{h=1}{\overset{H}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\{{\mathrm{\α}}_i+{\mathrm{\β}}_i\×P_i^h+{\mathrm{\γ}}_i\×{\left(P_i^h\right)}^2+|{\mathrm{\μ}}_i\sin \left[{\mathrm{\η}}_i(P_{i\min }-P_i^h)\right]\left|\right\}$ 来评价调度的优劣，将步骤2得到的可行调度序列代入上述的目标函数式中，即获得相应调度序列适应值，记录所有M个可行调度序列中的最优值；

步骤4、对可行调度序列进行更新

4.1）惯性权重的生成

通过反馈控制结构生成惯性权重时，将每个可行调度序列作为反馈控制结构中的被控对象，每次迭代生成的可行调度序列的适应值作为反馈信息，实现过程如下：

对每一个可行调度序列，用它第iter次迭代结果的适应值作为输出量X_iter，通过反馈通道得到反馈量

其中ψ是当前所有可行调度适应值的均值，采用e_iter＝1-Y_iter作为PID控制器输入来产生新的惯性权重：

将ω_iter+1用来产生可行调度序列第iter+1次迭代结果，其中变量Y_iter作为对当前可行调度序列所获得反馈信息的一种度量，

若Y_iter＜1，则表示当前可行调度在所有调度中可行度高；

若Y_iter＞1，则表示当前可行调度在所有调度中可行度低；

4.2）对可行调度序列进行更新

对产生的M个初始可行调度序列进行评价后，下一步就要实现对这M个可行调度序列的更新，

在第iter次迭代中，m=1,2,L,...,M，第m个可行调度序列的第i个机组在第h时刻的有功功率为

有功功率的变化率为第m个可行调度前iter次迭代历史中最优经济效益时第i个机组在第h时刻有功功率为前iter次迭代中所有可行调度中获得最优经济效益时第i个机组在第h时刻的有功功率为

则在迭代次数为iter+1时，第m个可行调度中第i个机组在第h时刻的有功功率

参照下述的两个迭代公式而生成：

$P_{\mathrm{mi}}^h(\mathrm{iter}+1)=P_{\mathrm{mi}}^h\left(\mathrm{iter}\right)+V_{\mathrm{mi}}^h(\mathrm{iter}+1),$

$V_{\mathrm{mi}}^h(\mathrm{iter}+1)={\mathrm{\ω}}_{\mathrm{iter}+1}\·V_{\mathrm{mi}}^h\left(\mathrm{iter}\right)+c_1\·r_1\·(P_m{\mathrm{best}}_i^h\left(\mathrm{iter}\right)-P_{\mathrm{mi}}^h\left(\mathrm{iter}\right))+c_2{r}_2({\mathrm{Pgbest}}_i^h\left(\mathrm{iter}\right)-P_{\mathrm{mi}}^h\left(\mathrm{iter}\right)),$

通过以上的两个迭代公式，就能够实现对每台发电机组不同时刻的有功功率和有功功率变化率的不断更新，就能够寻找出新的M个更符合目标函数的发电机组发电功率的可行调度序列；

步骤5、对更新后的可行调度序列进行可行性判断

若新生成的可行调度序列，第h时刻的N台发电机组的有功功率

i＝1,2,…,N满足系统功率平衡约束，且每台发电机组第h时刻与第h+1时刻有功功率间满足爬坡率约束，则新生成的调度序列可行，就继续迭代更新，否则返回步骤4重新生成可行调度序列；

步骤6、对新的可行调度集合进行评价

把更新后的M个可行调度序列分别代入上述目标函数式中进行优劣比较，确定出M个可行调度序列中的最优值，将这个最优值与历史最优值进行比较，取较小者为新的全局最优值；将每个更新后的可行调度序列当前的目标函数值与自身历史最优值进行比较，确定出新的局部最优值，分别记录下每个新的最优值以便下一次迭代使用；

步骤7、判断当前最好调度是否达到精度要求，或者当前迭代次数是否达到最大迭代次数iter_max，

若不是，设置迭代次数iter＝iter+1，继续重复步骤4到步骤6；

若是，输出当前的解集中的可行调度序列，即成。

本发明的有益效果是，通过对电力系统及风电厂数据的收集分析，结合基于反馈控制的群智能优化算法，实现对风电并网发电而导致的火电系统机组出力的分配问题进行有效求解。通过对风电厂出力的预测，调整火电厂各发电机组的出力，在满足生产平衡及各机组出力约束等条件下，合理安排各时段各火电发电机组的出力，使得此周期内整个联网系统发电所需的总费用达到最小。

具体实施方式

本发明的风电并网的火电系统动态调度方法，具体按照如下步骤实施：

步骤1、相关参数的设置和获取

本发明方法中主要涉及三类参数：1）算法运行的相关参数；2）风电机组相关参数；3）火电机组相关参数。

1.1）设置算法运行的相关参数

设定最大迭代次数为iter_max，iter_max为整数，建议优选值取500，迭代次数初始值iter＝1；学习因子设置为c₁、c₂(c₁和c₂取为[0,3]之间的自然数，建议优选采用固定值c₁＝c₂＝2.05)，r₁、r₂是[0,1]之间的随机数；调度时段为h，h＝1,2,...,H，根据电网实际运行情况，H建议取24或48；智能算法的群体规模数为M，M为大于1的整数，建议优先取值为30。

PID控制器的参数分别取比例增益K_P＝-1，积分项系数T_i＝iter_max/20，微分项系数T_d＝0调节因子σ＝1。

1.2）获得风电相关参数

包括风电厂中的风力发电机数目L，L为不小于1的整数；第l台风力发电机组的额定输出功率P_R，l，l＝1,2,...,L；风力发电机理论设计额定风速v_R，l，切入风速v_CI，l，切出风速v_CO，l；

1.3）获得火电相关参数

根据系统运行的需求，确定以下火电机组的已知参数：机组数目N，N为不小于1的整数；第i台火电机组的最小输出功率为P_imin和最大输出功率P_imax，i＝1,2,...,N，有功输出功率下降速率ζ_idown和上升速率ζ_iup；火电机组消耗燃料费用系数α_i,β_i,γ_i，α_i,β_i,γ_i分别表示第i台发电机组耗量特性的常数项、一次项系数和二次项系数，参数值由具体系统给出；阀点效应的常系数μ_i,η_i，具体值根据机组数不同而各异，从具体系统中获得；确定计算电网有功功率网络损耗P_loss的所需要的B系数B_ii,B_0i,B₀₀，B_ii,B_0i,B₀₀分别是根据机组的性质得到；h时段火电机组的中的额定功率

步骤2、产生初始的可行调度集合

可行调度集合的产生分两步实现：首先预测调度时段h的风力发电机组的有功功率；然后再产生火电机组的可行调度集合，具体过程为：

根据电力系统中风电机组的相关参数，第h时段内第l台发电机组的有功功率由下式来预测得到：

则h时段内所有风力发电机有功功率的输出预测值为

在调度时段h，针对前N-1个火力发电机组，在各个机组的发电容量要求下，随机产生有功功率

i＝1,2,...,N-1，并利用系统功率平衡约束

求出第N个发电机组的有功功率

若产生的

满足爬坡率约束式： $\max \{P_{i\min },P_i^{h-1}-{\mathrm{\ζ}}_{\mathrm{idown}}\}\≤P_i^h\≤\min \{P_{i\max },P_i^{h-1}+{\mathrm{\ζ}}_{\mathrm{iup}}\},$ 则得到该时段的可行调度值为

否则重新进行此过程生成满足约束条件的调度值；

按照上述过程进行H次，就得到一个完整的可行调度序列；

将上述过程进行M次，就得到了初始的可行调度集合。

步骤3、对可行调度集合进行评价

在风电并网的火电系统负荷分配问题中，优化目标是通过合理分配火电系统的各个机组的发电负荷以降低发电成本。本发明方法中依据下述的目标函数式 $\min f\left(P_i^h\right)=\underset{h=1}{\overset{H}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\{{\mathrm{\α}}_i+{\mathrm{\β}}_i\×P_i^h+{\mathrm{\γ}}_i\×{\left(P_i^h\right)}^2+|{\mathrm{\μ}}_i\sin \left[{\mathrm{\η}}_i(P_{i\min }-P_i^h)\right]\left|\right\}$ 来评价调度的优劣。

具体实施时，是将步骤2得到的可行调度序列代入上述的目标函数式中，即获得相应调度序列适应值，记录所有M个可行调度序列中的最优值。

步骤4、对可行调度序列进行更新

本发明方法的创新点体现在将经典控制理论中的反馈机制和闭环控制理论与粒子群算法相结合，改变传统粒子群算法中的惯性权重的生成方法，使得系统的变化较好的被惯性权重跟踪，实现对每个可行调度序列的发电机组有功功率的迭代更新。

4.1）惯性权重的生成

通过反馈控制结构生成惯性权重时，将每个可行调度序列作为反馈控制结构中的被控对象，每次迭代生成的可行调度序列的适应值作为反馈信息，实现过程如下：

对每一个可行调度序列，用它第iter次迭代结果的适应值作为输出量X_iter，通过反馈通道得到反馈量

其中ψ是当前所有可行调度适应值的均值，采用e_iter＝1-Y_iter作为PID控制器输入来产生新的惯性权重：

将ω_iter+1用来产生可行调度序列第iter+1次迭代结果，其中变量Y_iter作为对当前可行调度序列所获得反馈信息的一种度量，

若Y_iter＜1，则表示当前可行调度在所有调度中可行度高；

相反，若Y_iter＞1，则表示当前可行调度在所有调度中可行度低，这表明系统的变化较好的被惯性权重跟踪，保证了下次迭代产生的结果相比当前更趋向于可行度高的调度序列；

4.2）对可行调度序列进行更新

对产生的M个初始可行调度序列进行评价后，下一步就要实现对这M个可行调度序列的更新，

在第iter次迭代中，第m(m＝1,2,…,M)个可行调度序列的第i个机组在第h时刻的有功功率为有功功率的变化率为

第m个可行调度前iter次迭代历史中最优经济效益时第i个机组在第h时刻有功功率为

前iter次迭代中所有可行调度中获得最优经济效益时第i个机组在第h时刻的有功功率为

则在迭代次数为iter+1时，第m个可行调度中第i个机组在第h时刻的有功功率

参照下述的两个迭代公式而生成：

$P_{\mathrm{mi}}^h(\mathrm{iter}+1)=P_{\mathrm{mi}}^h\left(\mathrm{iter}\right)+V_{\mathrm{mi}}^h(\mathrm{iter}+1),$

$V_{\mathrm{mi}}^h(\mathrm{iter}+1)={\mathrm{\ω}}_{\mathrm{iter}+1}\·V_{\mathrm{mi}}^h\left(\mathrm{iter}\right)+c_1\·r_1\·(P_m{\mathrm{best}}_i^h\left(\mathrm{iter}\right)-P_{\mathrm{mi}}^h\left(\mathrm{iter}\right))+c_2{r}_2({\mathrm{Pgbest}}_i^h\left(\mathrm{iter}\right)-P_{\mathrm{mi}}^h\left(\mathrm{iter}\right)),$

通过以上的两个迭代公式，就能够实现对每台发电机组不同时刻的有功功率和有功功率变化率的不断更新，这样就能够寻找出新的M个更符合目标函数的发电机组发电功率的可行调度序列。

步骤5、对更新后的可行调度序列进行可行性判断

若新生成的可行调度序列，第h时刻的N台发电机组的有功功率

,i＝1,2,…,N满足系统功率平衡约束，且每台发电机组第h时刻与第h+1时刻有功功率间满足爬坡率约束，则新生成的调度序列可行，就继续迭代更新，否则返回步骤4重新生成可行调度序列。

步骤6、对新的可行调度集合进行评价

把更新后的M个可行调度序列分别代入上述目标函数式中进行优劣比较，确定出M个可行调度序列中的最优值，将这个最优值与历史最优值进行比较，取较小者为新的全局最优值；将每个更新后的可行调度序列当前的目标函数值与自身历史最优值进行比较，确定出新的局部最优值，分别记录下每个新的最优值以便下一次迭代使用。

步骤7、判断当前最好调度是否达到精度要求，或者当前迭代次数是否达到最大迭代次数iter_max，

若不是，设置迭代次数iter＝iter+1，继续重复步骤4到步骤6；

若是，输出当前的解集中的可行调度序列，即成。

本发明的火电系统动态调度方法，利用对风电厂风速的预测得到风电厂预计输出有功功率，结合基于反馈控制的群智能优化算法，实现对含风电厂的火电系统动态调度问题的求解，在满足运行约束和负载负荷的条件下，合理安排各时段各发电机组的有功功率输出，使得此周期内发电所需成本最小化。

本发明方法的优点包括：

1）本发明方法充分考虑网损、阀点效应和风电场输出功率不稳定的情况，通过将调度分为H个时段，对每个时段预测出风电场的功率输出和全时段的负荷需求，在满足功率平衡约束和爬坡率约束条件下，生成M个可行调度序列的初始值，然后从各可行调度序列的第一次迭代值开始经过iter_max-1次循环迭代，最终得到调度在各时段的最优机组分配方法，实现了调度周期内发电总成本达到最小。

2）通过利用反馈控制原理对粒子群算法中惯性权重经行更新是本发明的一大亮点，惯性权重的动态更新的方法使粒子群算法拥有更好的全局收敛性能和较快的收敛速度，将其用于求解风电并网后火电机组的经济负荷分配调度问题，能有效实现系统的动态调度，降低发电成本。

Claims (5)

1.一种风电并网的火电系统动态调度方法，其特征在于，具体按照如下步骤实施：

步骤1、相关参数的设置和获取

1.1）设置算法运行的相关参数

设定最大迭代次数为iter_max，iter_max为整数，迭代次数初始值iter＝1；学习因子设置为c₁、c₂，c₁和c₂取为[0,3]之间的自然数，r₁、r₂是[0,1]之间的随机数；调度时段为h，h＝1,2,...,H，智能算法的群体规模数为M，M为大于1的整数；

PID控制器的参数分别取比例增益K_P＝-1，积分项系数T_i＝iter_max/20，微分项系数T_d＝0，调节因子σ＝1；

1.2）获得风电相关参数

包括风电厂中的风力发电机数目为L，L为不小于1的整数；第l台风力发电机组的额定输出功率为P_R，l，l=1,2,,...,L；风力发电机理论设计额定风速为v_R，l，切入风速为v_CI，l，切出风速为v_CO，l；

1.3）获得火电相关参数

根据系统运行的需求，确定以下火电机组的已知参数：机组数目为N，N为不小于1的整数；第i台火电机组的最小输出功率为P_imin和最大输出功率P_imax，i＝1,2,...,N，有功输出功率下降速率ζ_idown和上升速率ζ_iup；火电机组消耗燃料费用系数α_i,β_i,γ_i，α_i,β_i,γ_i分别表示第i台发电机组耗量特性的常数项、一次项系数和二次项系数，参数值由具体系统给出；阀点效应的常系数μ_i,η_i，具体值根据机组数不同而各异，从具体系统中获得；确定计算电网有功功率网络损耗P_loss的所需要的B系数B_ii,B_0i,B₀₀，B_ii,B_0i,B₀₀分别是根据机组的性质得到；h时段火电机组的中的额定功率

步骤2、产生初始的可行调度集合

可行调度集合的产生分两步实现：首先预测调度时段h的风力发电机组的有功功率；然后再产生火电机组的可行调度集合，具体过程为：

根据电力系统中风电机组的相关参数，第h时段内第l台发电机组的有功功率由下式来预测得到：

则h时段内所有风力发电机有功功率的输出预测值为

在调度时段h，针对前N-1个火力发电机组，在各个机组的发电容量要求下，随机产生有功功率

i＝1,2,...,N-1，并利用系统功率平衡约束

求出第N个发电机组的有功功率

若产生的

满足爬坡率约束式： $\max \{P_{i\min },P_i^{h-1}-{\mathrm{\ζ}}_{\mathrm{idown}}\}\≤P_i^h\≤\min \{P_{i\max },P_i^{h-1}+{\mathrm{\ζ}}_{\mathrm{iup}}\},$ 则得到该时段的可行调度值为

否则重新进行此过程生成满足约束条件的调度值；

按照上述过程进行H次，就得到一个完整的可行调度序列；

将上述过程进行M次，就得到了初始的可行调度集合；

步骤3、对可行调度集合进行评价

依据目标函数式： $\min f\left(P_i^h\right)=\underset{h=1}{\overset{H}{\mathrm{\Σ}}}\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\{{\mathrm{\α}}_i+{\mathrm{\β}}_i\×P_i^h+{\mathrm{\γ}}_i\×{\left(P_i^h\right)}^2+|{\mathrm{\μ}}_i\sin \left[{\mathrm{\η}}_i(P_{i\min }-P_i^h)\right]\left|\right\}$ 来评价调度的优劣，将步骤2得到的可行调度序列代入上述的目标函数式中，即获得相应调度序列适应值，记录所有M个可行调度序列中的最优值；

步骤4、对可行调度序列进行更新

4.1）惯性权重的生成

通过反馈控制结构生成惯性权重时，将每个可行调度序列作为反馈控制结构中的被控对象，每次迭代生成的可行调度序列的适应值作为反馈信息，实现过程如下：

对每一个可行调度序列，用它第iter次迭代结果的适应值作为输出量X_iter，通过反馈通道得到反馈量

其中ψ是当前所有可行调度适应值的均值，采用e_iter＝1-Y_iter作为PID控制器输入来产生新的惯性权重：

将ω_iter+1用来产生可行调度序列第iter+1次迭代结果，其中变量Y_iter作为对当前可行调度序列所获得反馈信息的一种度量，

若Y_iter＜1，则表示当前可行调度在所有调度中可行度高；

若Y_iter＞1，则表示当前可行调度在所有调度中可行度低；

4.2）对可行调度序列进行更新

在第iter次迭代中，m=1,2,L,...,M，第m个可行调度序列的第i个机组在第h时刻的有功功率为

有功功率的变化率为

第m个可行调度前iter次迭代历史中最优经济效益时第i个机组在第h时刻有功功率为前iter次迭代中所有可行调度中获得最优经济效益时第i个机组在第h时刻的有功功率为

则在迭代次数为iter+1时，第m个可行调度中第i个机组在第h时刻的有功功率

参照下述的两个迭代公式而生成：

$P_{\mathrm{mi}}^h(\mathrm{iter}+1)=P_{\mathrm{mi}}^h\left(\mathrm{iter}\right)+V_{\mathrm{mi}}^h(\mathrm{iter}+1),$

$V_{\mathrm{mi}}^h(\mathrm{iter}+1)={\mathrm{\ω}}_{\mathrm{iter}+1}\·V_{\mathrm{mi}}^h\left(\mathrm{iter}\right)+c_1\·r_1\·(P_m{\mathrm{best}}_i^h\left(\mathrm{iter}\right)-P_{\mathrm{mi}}^h\left(\mathrm{iter}\right))+c_2{r}_2({\mathrm{Pgbest}}_i^h\left(\mathrm{iter}\right)-P_{\mathrm{mi}}^h\left(\mathrm{iter}\right)),$

通过以上的两个迭代公式，就能够实现对每台发电机组不同时刻的有功功率和有功功率变化率的不断更新，寻找出新的M个更符合目标函数的发电机组发电功率的可行调度序列；

步骤5、对更新后的可行调度序列进行可行性判断

若新生成的可行调度序列，第h时刻的N台发电机组的有功功率i＝1,2,…,N满足系统功率平衡约束，且每台发电机组第h时刻与第h+1时刻有功功率间满足爬坡率约束，则新生成的调度序列可行，就继续迭代更新，否则返回步骤4重新生成可行调度序列；

步骤6、对新的可行调度集合进行评价

把更新后的M个可行调度序列分别代入上述目标函数式中进行优劣比较，确定出M个可行调度序列中的最优值，将这个最优值与历史最优值进行比较，取较小者为新的全局最优值；将每个更新后的可行调度序列当前的目标函数值与自身历史最优值进行比较，确定出新的局部最优值，分别记录下每个新的最优值以便下一次迭代使用；

步骤7、判断当前最好调度是否达到精度要求，或者当前迭代次数是否达到最大迭代次数iter_max，

若不是，设置迭代次数iter＝iter+1，继续重复步骤4到步骤6；

若是，输出当前的解集中的可行调度序列，即成。

2.根据权利要求1所述的风电并网的火电系统动态调度方法，其特征在于：所述的步骤1中，iter_max优选值取500。

3.根据权利要求1所述的风电并网的火电系统动态调度方法，其特征在于：所述的步骤1中，采用固定值c₁＝c₂＝2.05。

4.根据权利要求1所述的风电并网的火电系统动态调度方法，其特征在于：所述的步骤1中，M优先取值为30。

5.根据权利要求1所述的风电并网的火电系统动态调度方法，其特征在于：所述的步骤1中，根据电网实际运行情况，H取24或48。