CN103246942B - 风电-电动汽车-火电联合运行模型的多目标调度方法 - Google Patents

Abstract

本发明提供一种风电‑电动汽车‑火电联合运行模型的多目标调度方法，涉及电力系统领域。该方法包括步骤：S1、通过威布尔分布函数随机生成多组24时段风速值;S2、计算24时段风电出力和风电日出力平均值;S3、对电动汽车进行充放电，得到电动汽车充放电功率；计算火电机组发电功率；S4、分别求两函数的最大值和最小值；S5、将两函数进行模糊化处理，得到最大满意度函数；S6、将所述最大满意度函数进行种群进化，得到最优出力。本发明针对风电随机不确定性出力，提出运用储能系统电动汽车的有序充放电平抑风电波动，减少弃风，同时因为风电波动减小而减少火电机组的调峰旋转备用压力，达到风电‑电动汽车‑火电联合运行系统的经济效益最大化。

Description

风电-电动汽车-火电联合运行模型的多目标调度方法

技术领域

本发明涉及电力系统领域，具体涉及一种风电-电动汽车-火电联合运行模型的多目标调度方法。

背景技术

近年来，随着全球变暖，能源问题不断恶化，在全球经济飞速发展的情况下，世界各国对于化石燃料的需求量日益增大，不少发达国家已把电力所依赖的化石燃料-煤转变为可再生能源风能。但是，由于风能在时域上的不确定性波动以及出力受地域影响较为严重，风电上网会给电网带来不必要的旋转备用与调峰压力。文献《风电出力特性研究》中指出从最大出力与一般出力日的曲线形状中可以看出，风电日出力有很明显的峰谷特性，在夜间0:00-8:00风电出力较大，而在8:00-22:00为风电低谷阶段。而电力系统负荷在上午8:00-11:00，在下午的18:00-22:00为负荷高峰时段，而此时风电出力恰好最小；而在凌晨0:00-6:00为负荷低谷阶段而风电出力最大，故风电具有严重的反调峰特性，给电力系统旋转备用和调峰带来严重压力，造成严重的弃风现象和不必要的经济损失。如何减少弃风，提高风电消纳能力，缓解风电出力波动，是近年风电发展的核心问题。

利用储能系统参与电网调峰，是提高风电消纳能力的重要途径。由电动汽车参与的V2G(Vehicle to Grid)调度，近年来，深受国内外关注。大规模电动汽车组，可以作为大型集中储能设备，在负荷高峰，风电出力低谷时放电；负荷低谷风电出力高峰时充电，成为缓解电网调峰压力，减少弃风电量的有效措施。文献’Augmenting Wind PowerPenetration and Grid Voltage Stability Limits Using ESS:Application Design,Sizing,and a Case Study’提出建立综合储能系统(Energy Storage System,ESS)来进行设计应用调整风电波动，增加风电穿透功率与电压稳定性。建立综合ESS系统调节风电，同时实现三个目标，1)增加风电穿透功率2)提高系统电压稳定性3)减小发电成本同时提出对于ESS系统应用的三步方式，即计算理想出力曲线，做出ESS系统充放电计划，决定ESS系统最优充放电功率。文献《电动汽车充放电特性及其对配电系统的影响分析》提出电动汽车的V2G调度并单独分析了电动汽车投入系统后对馈线负荷，网络损耗以及电压偏移的影响，但没有考虑风电与电动汽车互补协调，即电动汽车在平抑风电波动减少弃风上的作用以及同时考虑多个目标的情况下的优化调度；文献《计及电动汽车和风电出力不确定性的随机经济调度》构建了电动汽车和风电机组的不确定性的随机经济调度模型，用以缓解风电机组反调峰特性的影响，但该模型没有考虑到风电-电动汽车联合模型对传统火电机组的影响研究；文献《考虑间歇性能源接入和运行安全的多目标有功优化调度》提出了电动汽车与火电，风电与火电之间的联合运行产生的对于燃煤成本及节能减排等方面的影响，但未考虑风电-电动汽车-火电三者联合优化调度的效果。目前对于风电-电动汽车-火电三者的联合调度的多目标优化研究还比较少。

因此，针对以上不足，本发明给出了一种风电-电动汽车-火电三者的联合调度的多目标调度方法。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供一种风电-电动汽车-火电三者的联合调度的多目标调度方法，使得针对风电随机不确定性出力，提出运用储能系统即电动汽车的有序充放电平抑风电波动，减少弃风，同时因为风电波动减小而减少火电机组的调峰旋转备用压力，提高联合运行的经济效益。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种风电-电动汽车-火电联合运行模型的多目标调度方法，包括以下步骤：

S1、通过威布尔分布函数随机生成多组24时段风速值；

S2、根据所述24时段风速值计算24时段风电出力和风电日出力平均值；

S3、根据所述24时段风电出力对电动汽车进行充放电，得到电动汽车充放电功率；通过所述风电出力和电动汽车充放电功率，计算得到火电机组发电功率；

S4、根据所述火电机组发电功率，分别求解联合调度效益目标适应度函数和风电波动最小目标适应度函数的最大值和最小值；

S5、根据所述联合调度效益目标适应度函数和风电波动最小目标适应度函数的最大值和最小值，将两函数进行模糊化处理，得到最大满意度函数；

S6、将所述最大满意度函数进行种群进化，得到风电-电动汽车-火电三者的最优出力。

其中，步骤S1中采用的威布尔分布函数为：

$F\left(v\right)=1-\exp \[-{\left(\frac{v}{c}\right)}^k\]$

其中：k为形状参数；c为尺度参数，反应风电场平均风速大小；

风速v的概率密度函数为：

$f\left(v\right)=\frac{k}{c}{\left(\frac{v}{c}\right)}^{k-1}\exp \[-{\left(\frac{v}{c}\right)}^k\]$

其中：k与c是基于历史数据在一定置信区间上的预测值。

其中，步骤S4中，

联合调度效益目标适应度函数为：

$\begin{array}{c}{F}_1=Max(\underset{t=1}{\overset{T}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}{C}_t{P}_i^t{u}_i^t+\underset{t=1}{\overset{T}{\Σ}}{C}_w\left({P_w}^t-P_{DL}^t\right)+\underset{t=1}{\overset{T}{\Σ}}{C}_H{P_D}^t-\\ \underset{t=1}{\overset{T}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}{C}_e(a_i{\left(P_i^t\right)}^2+b_i{P}_i^t+c_i)-\underset{t=1}{\overset{T}{\Σ}}{C}_L{P_C}^t)\end{array}$

风电波动最小目标适应度函数为：

$F_2=Min\left(\underset{t=1}{\overset{T}{\Σ}}{\left({P_w}^t-{P_{C/D}}^t-P_{avg}\right)}^2\right)$

其中，F₁表示的是一个调度周期内风电-电动汽车-火电联合运行的经济效益；F₂表示的是风电场输出功率波动最小；T为调度周期内时刻数，N为系统中常规机组的台数，t表示时刻序号，i表示机组序号，P_i ^t表示第i台火电机组在t时刻的出力；u_i ^t表示火电机组i在t时刻的运行状态，当u_i ^t＝1时，表示为开机状态，当u_i ^t＝0时，表示为停机状态；P_w ^t为t时刻风电场的出力；P_avg为日风电出力平均值；P_DL ^t为t时刻舍弃的风电功率；P_D ^t为t时刻电动汽车放电功率；P_C ^t为t时刻电动汽车充电功率；C_t为t时刻火电机组的上网电价；C_e为所用煤的单价；C_w为t时刻风电机组的上网电价；C_H为t时刻电动汽车放电高价；C_L为充电优惠电价；a_i、b_i、c_i为火电机组i的煤耗系数。

其中，步骤S5中，

最大满意度函数为：

λ＝min(μ(F₁),μ(F₂))。

其中，μ(F₂)为联合调度效益目标适应度函数的目标隶属度函数，以最大值为最优：

$\mathrm{\μ}\left(F_1\right)=\left\{\begin{array}{cc}0& F_1\≤F_{1min}\\ \frac{F_1-F_{min}}{F_{max}-F_{1min}}& F_{1min}\≤F_1\≤F_{1\max }\\ 1& F_1\≥F_{1\max }\end{array}\right.$

其中，μ(F₂)风电波动最小目标适应度函数的目标隶属度函数，以最小值为最优：

$\mathrm{\μ}\left(F_2\right)=\left\{\begin{array}{cc}1& F_2\≤F_{2min}\\ \frac{F_{2\max }-F_2}{F_{2max}-F_{2min}}& F_{1min}\≤F_1\≤F_{1\max }\\ 0& F_2\≥F_{2\max }\end{array}\right..$

其中，步骤S6中，求得所述最大满意度函数λ的最大值，实现在目标隶属度函数μ(F₁)和μ(F₂)共同作用下的相对最优解；通过遗传算法得到最大满意度下风电-电动汽车-火电三者的最优出力。

(三)有益效果

本发明通过提供一种风电-电动汽车-火电联合运行模型的多目标调度方法。该方法摆脱了传统的无电动汽车投入风火电系统运行由风电不确定性产生的巨大的弃风电量以及调峰备用压力，消除了电动汽车自由充放电时在负荷高峰时充电造成的更大的负荷晚高峰压力，同时优化了电动汽车V2G调度，使其能够同时兼顾风电-电动汽车-火电三者联合经济优化与减少风电波动。

附图说明

图1为本发明一种实施例的流程图；

图2为本发明一种实施例的多目标调度各机组出力示意图；

图3为原负荷曲线、电动汽车自由充放电等效负荷曲线和综合调度等效负荷曲线对比示意图。

具体实施方式

下面对于本发明所提出的一种风电-电动汽车-火电联合运行模型的多目标调度方法，结合附图和实施例详细说明。

实施例1：风电-电动汽车-火电三者的联合调度的多目标调度方法的一种实施方式；

如图1所示，该方法包含以下步骤：

S1、通过威布尔分布函数随机生成多组24时段风速值；

其特征在于步骤S1中采用的威布尔分布函数为：

$F\left(v\right)=1-\exp \[-{\left(\frac{v}{c}\right)}^k\]$

其中：k为形状参数；c为尺度参数，反应风电场平均风速大小；

风速v的概率密度函数为：

$f\left(v\right)=\frac{k}{c}{\left(\frac{v}{c}\right)}^{k-1}\exp \[-{\left(\frac{v}{c}\right)}^k\]$

其中：k与c是基于历史数据在一定置信区间上的预测值。

S2、根据所述24时段风速值计算24时段风电出力和风电日出力平均值；

风力机组发电功率与风速间的关系为：

其中p为风力机组的输出功率；v为风机轮毂高度处风速；v_ci为切入风速；v_co为切出风速；v_r为额定风速；p_r为其额定输出功率；

风电日出力平均值；

$\stackrel{\‾}{P}=P/24.$

S3、根据所述24时段风电出力对电动汽车进行充放电，得到电动汽车充放电功率；通过所述风电出力和电动汽车充放电功率，计算得到火电机组发电功率；

在根据随机生成的风电出力的基础上，设定风电上网电量阀值，在风电出力大于该值时，令电动汽车充电功率等于风电实际出力减去阀值，即吸收风电弃风；当风电出力小于该值时，用负荷减去风电实际出力，由电动汽车放电提供。若电动汽车无法完全吸收弃风电量，则剩余弃风电量舍弃；若电动汽车无法完全提供负荷减去风电出力的差值，则剩余部分由火电机组提供。

S4、根据所述火电机组发电功率，分别求解联合调度效益目标适应度函数和风电波动最小目标适应度函数的最大值和最小值；

联合调度效益目标适应度函数为：

$\begin{array}{c}{F}_1=Max(\underset{t=1}{\overset{T}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}{C}_t{P}_i^t{u}_i^t+\underset{t=1}{\overset{T}{\Σ}}{C}_w\left({P_w}^t-P_{DL}^t\right)+\underset{t=1}{\overset{T}{\Σ}}{C}_H{P_D}^t-\\ \underset{t=1}{\overset{T}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}{C}_e(a_i{\left(P_i^t\right)}^2+b_i{P}_i^t+c_i)-\underset{t=1}{\overset{T}{\Σ}}{C}_L{P_C}^t)\end{array}$

风电波动最小目标适应度函数为：

$F_2=Min\left(\underset{t=1}{\overset{T}{\Σ}}{\left({P_w}^t-{P_{C/D}}^t-P_{avg}\right)}^2\right)$

其中，F₁为一个调度周期内风电-电动汽车-火电联合运行的经济效益，即联合售电收益减去联合发电成本；F₂表示的是风电场输出功率波动最小；T为调度周期内时刻数，N为系统中常规机组的台数，t表示时刻序号，i表示机组序号，P_i ^t表示第i台火电机组在t时刻的出力；u_i ^t表示火电机组i在t时刻的运行状态，当u_i ^t＝1时，表示为开机状态，当u_i ^t＝0时，表示为停机状态；P_w ^t为t时刻风电场的出力；P_avg为日风电出力平均值；P_DL ^t为t时刻舍弃的风电功率；P_D ^t为t时刻电动汽车放电功率；P_C ^t为t时刻电动汽车充电功率；C_t为t时刻火电机组的上网电价；C_e为所用煤的单价；C_w为t时刻风电机组的上网电价；C_H为t时刻电动汽车放电高价；C_L为充电优惠电价；a_i、b_i、c_i为火电机组i的煤耗系数。

S5、根据所述联合调度效益目标适应度函数和风电波动最小目标适应度函数的最大值和最小值，将两函数进行模糊化处理，得到最大满意度函数；将最大满意度函数作为多目标适应度函数；

模糊化过程为：

计算μ(F₁)，μ(F₁)为联合调度效益目标适应度函数的目标隶属度函数，以最大值为最优：

$\mathrm{\μ}\left(F_1\right)=\left\{\begin{array}{cc}0& F_1\≤F_{1min}\\ \frac{F_1-F_{min}}{F_{max}-F_{min}}& F_{1min}\≤F_1\≤F_{1\max }\\ 1& F_1\≥F_{1\max }\end{array}\right.$

计算μ(F₂)，μ(F₂)风电波动最小目标适应度函数的目标隶属度函数，以最小值为最优：

$\mathrm{\μ}\left(F_2\right)=\left\{\begin{array}{cc}1& F_2\≤F_{2min}\\ \frac{F_{2\max }-F_2}{F_{2max}-F_{2min}}& F_{2min}\≤F_2\≤F_{2\max }\\ 0& F_2\≥F_{2\max }\end{array}\right.$

得到最大满意度函数为：

λ＝min(μ(F₁),μ(F₂))

当最大满意度函数达到最大值时，即为多目标优化函数的最优解。

S6、将所述最大满意度函数进行种群进化，得到风电-电动汽车-火电三者的最优出力；

求得所述最大满意度函数λ的最大值，实现在目标隶属度函数μ(F₁)和μ(F₂)共同作用下的相对最优解；通过遗传算法得到最大满意度下风电-电动汽车-火电三者的最优出力。

如图2所示，实施例的多目标调度各机组出力示意图。

实施例2：几种模型等效负荷曲线的比较；

(1)首先介绍电动汽车自由充电模型：

由于目前电动汽车尚处于试运行和推广阶段，大量的电动汽车日行驶里程和其他相关的可靠历史数据较为缺乏。基于美国交通部统计的家庭车辆行驶调查数据，采用极大似然参数估计方法，对家庭用车日行驶里程的累加分布函数用对数正态累加分布函数进行拟合，得到日行驶里程服从对数正态分布，其概率密度函数为：

$f_d=\frac{1}{d\mathrm{\σ}\sqrt{2\mathrm{\π}}}\exp \[\frac{-{(lnd-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}\]$

式中μ＝3.7；σ＝0.92。

定义E₀为起始SOC，E₀＝1-d/R,R为充满电后电动汽车的行驶里程范围，取R＝100km；d为日行驶里程，考虑到电池放电特性，假设仅有80％电量可用，故可取d≤80km，得E₀的概率密度为

$f_{E_0}=\frac{1}{R(1-E_0)\mathrm{\σ}\sqrt{2\mathrm{\π}}}\exp \[\frac{-{(ln\[R(1-E_0)\]-\mathrm{\μ})}^2}{2{\mathrm{\σ}}^2}\]$

考虑电动汽车车主一般在18时之前回到家中。这里采用对数生态分布来描述电动汽车最后一次出行结束时刻，概率密度函数为：

$f_t=\frac{1}{(t-17)\sqrt{2\mathrm{\π}}}\exp \[\frac{-{\left(ln\right(t-17\left)\right)}^2}{2{\mathrm{\σ}}^2}\]$

式中：t为以日历小时为单位的时间；17表示下午17时。

在没有相关制度制约和经济刺激如优惠电价的刺激下，车主一般会在自己方便的时间充电。假设车主最后一次出行回家后即开始充电，则充电时长为

$T_{wc}=\frac{(1-E_0)S}{P_c}$

式中：T_wc为充电时长，h；P_c为充电功率，kW；S为电池容量，kW·h。以15min(0.25h)为步长，在时刻t(0≤t≤24)间，第i台电动汽车的充电功率：

式中：T_wsi、T_wci和P_ci分别为第i台电动汽车的充电时间、充电持续时间和充电功率。以50000量电动汽车为例，其中P_c为2.4kW，采用蒙特卡洛仿真方法在0≤d≤80和17<T_ws<24范围内分别对其概率密度函数进行抽样，可得这些电动汽车总的充电功率负荷曲线。

(2)其次说明电动汽车分时充放电模型。

在无序充放电情况下，因车主一般选择自己最方便的时间段充电，即下班回家时间，17时至24时，这段时间又是原负荷较高阶段，如再继续增加电动汽车充电负荷则会加重负荷晚高峰。加入优惠电价调控后，如果电动汽车车主回家后先让电池向系统放电，则有助于系统应对晚高峰时的负荷需求，缓解电网负荷压力，24时至第二天早上7时系统负荷一般较低；可以在负荷较低的时段给电池充电，以取得填谷的效果。假设车主最后一次出行回来即开始放电，假设起始放电时刻为以1min为步长，在第i台电动汽车在时刻t(17<t<24)的放电功率为

式中：P_fi、T_ysi和T_yfi分别为第i台电动汽车的放电功率、起始放电时间和放电持续时间。放电结束后，车主可以设定在00:00～07:00时这个负荷低谷时段充电，以供第二天车辆行驶需要。起始充电时间T_ys2服从(0,1)对数正态分布。充电时长以15min为步长，则第i辆电动汽车在时刻t(0<t<7)的充电功率为

式中:T_ys2i和T_yci分别为第i辆电动汽车起始充电时间和充电持续时间。采用蒙特卡洛仿真方法在0≤d≤80和17<T_ys<24、0<T_ys2<7范围内分别对其概率密度函数进行抽样，可得这些电动汽车总的充电功率负荷曲线。

(3)对比分析。

如图3所示，对比在取k为定值2.1时随着参数c，风电出力增大，电动汽车充放电功率都增大，但火电机组的平均出力减小。取c为定值时，分别在1.8-2.3之间取不同参数值k，从仿真结果看出，随着形状参数k的变化，各类型机组的平均出力呈现不规则变化；对比三种运行状态，即无电动汽车参与的风电火电调度，电动汽车自由充放电下的协调调度以及通过遗传算法针对多目标优化调度对负荷曲线的影响证明了基于遗传算法的风电-电动汽车-火电多目标优化调度的有效性与合理性。

以上实施方式仅用于说明本发明，而并非对本发明的限制，有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型，因此所有等同的技术方案也属于本发明的范畴，本发明的专利保护范围应由权利要求限定。

Claims (5)

1.一种风电-电动汽车-火电联合运行模型的多目标调度方法，其特征在于，包括以下步骤：

S1、通过威布尔分布函数随机生成多组24时段风速值；

S2、根据所述24时段风速值计算24时段风电出力和风电日出力平均值；

S3、根据所述24时段风电出力对电动汽车进行充放电，得到电动汽车充放电功率；通过所述风电出力和电动汽车充放电功率，计算得到火电机组发电功率；

该步骤具体包括：根据随机生成的所述风电出力，设定风电上网电量阈值；当所述风电出力大于所述阈值时，令电动汽车充电功率等于风电出力减去所述阈值；当所述风电出力小于所述阈值时，令电动汽车充电功率等于负荷减去所述风电出力；若电动汽车无法完全吸收弃风电量，则剩余弃风电量舍弃；若电动汽车无法完全提供负荷减去风电出力的差值，则剩余部分由火电机组提供；

S4、根据所述火电机组发电功率，分别求解联合调度效益目标适应度函数和风电波动最小目标适应度函数的最大值和最小值；

S5、根据所述联合调度效益目标适应度函数和风电波动最小目标适应度函数的最大值和最小值，将两函数进行模糊化处理，得到最大满意度函数；

S6、将所述最大满意度函数进行种群进化，得到风电-电动汽车-火电三者的最优出力。

2.如权利要求1所述的一种风电-电动汽车-火电联合运行模型的多目标调度方法，其特征在于，步骤S1中采用的威布尔分布函数为：

$F\left(v\right)=1-\exp \&lsqb;-{\left(\frac{v}{c}\right)}^k\&rsqb;$

其中：k为形状参数；c为尺度参数，反应风电场平均风速大小；

风速v的概率密度函数为：

$f\left(v\right)=\frac{k}{c}{\left(\frac{v}{c}\right)}^{k-1}\exp \&lsqb;-{\left(\frac{v}{c}\right)}^k\&rsqb;$

其中：k与c是基于历史数据在一定置信区间上的预测值。

3.如权利要求1所述的一种风电-电动汽车-火电联合运行模型的多目标调度方法，其特征在于，步骤S4中，

联合调度效益目标适应度函数为：

$\begin{array}{c}{F}_1=Max(\underset{t=1}{\overset{T}{\&Sigma;}}\underset{i=1}{\overset{N}{\&Sigma;}}{C}_t{P}_i^t{u}_i^t+\underset{t=1}{\overset{T}{\&Sigma;}}{C}_w\left({P_w}^t-P_{DL}^t\right)+\underset{t=1}{\overset{T}{\&Sigma;}}{C}_H{P_D}^t-\\ \underset{t=1}{\overset{T}{\&Sigma;}}\underset{i=1}{\overset{N}{\&Sigma;}}{C}_e\left(a_i{\left(P_i^t\right)}^2+b_i{P}_i^t+c_i\right)-\underset{t=1}{\overset{T}{\&Sigma;}}{C}_L{P_C}^t)\end{array}$

风电波动最小目标适应度函数为：

$F_2=Min\left(\underset{t=1}{\overset{T}{\&Sigma;}}{\left({P_w}^t-{P_{C/D}}^t-P_{avg}\right)}^2\right)$

其中，F₁表示的是一个调度周期内风电-电动汽车-火电联合运行的经济效益；F₂表示的是风电波动最小目标适应度函数；T为调度周期内时刻数，N为系统中常规机组的台数，t表示时刻序号，i表示机组序号，P_i ^t表示第i台火电机组在t时刻的出力；u_i ^t表示火电机组i在t时刻的运行状态，当u_i ^t＝1时，表示为开机状态，当u_i ^t＝0时，表示为停机状态；P_w ^t为t时刻风电场的出力；P_avg为日风电出力平均值；P_DL ^t为t时刻舍弃的风电功率；P_D ^t为t时刻电动汽车放电功率；P_C ^t为t时刻电动汽车充电功率；C_t为t时刻火电机组的上网电价；C_e为所用煤的单价；C_w为t时刻风电机组的上网电价；C_H为t时刻电动汽车放电高价；C_L为充电优惠电价；a_i、b_i、c_i为火电机组i的煤耗系数。

4.如权利要求1所述的一种风电-电动汽车-火电联合运行模型的多目标调度方法，其特征在于，步骤S5中，

最大满意度函数为：

λ＝min(μ(F₁),μ(F₂))

其中，μ(F₁)为联合调度效益目标适应度函数的目标隶属度函数，以最大值为最优：

$\mathrm{\&mu;}\left(F_1\right)=\left\{\begin{array}{cc}0& F_1\&le;F_{1min}\\ \frac{F_1-F_{1\min }}{F_{1max}-F_{1\min }}& F_{1min}\&le;F_1\&le;F_{1max}\\ 1& F_1\&GreaterEqual;F_{1max}\end{array}\right.$

其中，μ(F₂)为风电波动最小目标适应度函数的目标隶属度函数，以最小值为最优：

$\mathrm{\&mu;}\left(F_2\right)=\left\{\begin{array}{cc}1& F_2\&le;F_{2min}\\ \frac{F_{2\max }-F_2}{F_{2max}-F_{2\min }}& F_{2min}\&le;F_2\&le;F_{2max}\\ 0& F_2\&GreaterEqual;F_{2max}\end{array}\right.;$

所述F₁,F₂分别表示联合调度效益目标适应度函数和风电波动最小目标适应度函数；

所述F_1min,F_1max分别表示联合调度效益目标适应度函数的最小值和最大值；

所述F_2min,F_2max分别表示风电波动最小目标适应度函数的最小值和最大值。

5.如权利要求4所述的一种风电-电动汽车-火电联合运行模型的多目标调度方法，其特征在于，步骤S6中，求得所述满意度函数λ的最大值，实现在目标隶属度函数μ(F₁)和μ(F₂)共同作用下的相对最优解；通过遗传算法得到最大满意度下风电-电动汽车-火电三者的最优出力。