CN104065072B - 一种基于动态电价的微电网运行优化方法 - Google Patents

Abstract

本发明公开了一种基于动态电价的微电网运行优化方法，其特点是将配电网对微电网下达的参考计划交换功率曲线与微电网的计划交换功率曲线进行模糊化，计算二者的欧几里得贴近度来实现电价的动态化，建立考虑动态电价、运行维护成本和排污处理成本目标函数，采用粒子群算法求取微电网经济优化运行方案。使得微电网在运行优化过程中能够协调配电网运行，减轻微电网接入对配电网带来的影响。

Description

一种基于动态电价的微电网运行优化方法

技术领域

本发明涉及一种基于动态电价的微电网运行优化方法。具体地说，本发明是针对含多种微电源的微电网，建立了基于动态电价、运行维护费用、排污处理费用的微电网运行优化模型。属于微电网与配电网协调运行优化技术领域，

背景技术

微电网是由微源、储能设备、负荷和控制装置共同构成的一种新型网络结构，它能够充分促进分布式电源与再生能源的大规模接入，实现对负荷多种能源形式的高可靠供给，是实现主动式配电网和智能电网的一个重要形式。微电网运行优化是指在满足系统电力电量平衡约束条件下，按照控制策略将负荷进行合理分配，达到综合发电成本最小。

传统的微电网运行优化主要立足于从微电网本身的角度来进行运行优化，常见的优化模型有：计及运行成本最低与环境效益最佳的优化模型、考虑发电成本、线路损耗、环境效益的优化模型和考虑经济性、环保性、可靠性的能量优化模型。然而传统的运行优化方法仅从微电网自身进行考虑，对微电网接入配电网带来的影响考虑比较简单，只考虑峰谷电价和实时电价来计及微电网接入对配网的影响。

发明内容

本发明的目的是针对现有技术不足而提供一种基于动态电价的微电网运行优化方法，其特点是微电网在运行优化过程中能够协调配电网的运行，减轻微电网接入对配电网带来的影响。采用动态电价的微电网运行优化模型，将微电网当作一个可正可负的负荷接入配电网中，配电网根据优化目标确定出一条24h的微电网与配电网的参考计划交换功率控制曲线。然后对微电网中的风、光出力按照分布式电源模型进行求解，将求得的风、光出力以及负荷作为已知量代入粒子群算法中；将其它微电源作为未知量，进行编码操作，生成初始种群，求取一条计划交换功率曲线，对电价的处理采用模糊化的形式；然后对种群进行粒子群算法操作，直到达到终止条件退出循环，从而求取满足约束的微电源最优出力。

本发明的目的由以下技术措施实现

基于动态电价的微电网运行优化方法包括以下步骤：

1)考虑微电网参与配电网协调运行优化模型

将微电网当作一个可正可负的负荷接入配电网中，配电网根据运行优化目标确定出一条24h的微电网参考计划交换功率控制曲线，将参考计划交换功率和计划交换功率模糊化，分别求出隶属度函数值，通过计算二者的欧几里得贴近度来实现电价的动态化，曲线贴近度越高，售电价越高，购电价越低；

2)计及动态电价的微电网运行优化目标函数

本发明建立了含有风力发电机、光伏电池、微型燃气轮机、蓄电池多种微电源的微电网运行优化模型；考虑了包括动态电价、运行维护成本、排污处理成本在内的目标函数，考虑了微电网系统中的功率平衡、各个微电源容量限制、微型燃气轮机爬坡率、联络线传输功率、蓄电池容量和蓄电池充放电各类约束；同时模型通过计算参考计划交换功率曲线和计划交换功率曲线的欧几里得贴近度来确定动态电价，计及配电网对微电网的协调运行优化；

$\min C=\underset{t=1}{\overset{24}{\mathrm{\Σ}}}[C_f\left(t\right)+C_{\mathrm{DP}}\left(t\right)+C_{\mathrm{OM}}\left(t\right)+C_e\left(t\right)]+C_{\mathrm{grid}}-C_{\mathrm{sc}}---\left(1\right)$

其中

$C_f\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{F}_i\left(P_i\left(t\right)\right)---\left(2\right)$

$C_{\mathrm{DP}}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}[\frac{C_{\mathrm{az},i}}{8760k_i}\×\frac{r{(1+r)}^{n_i}}{{(1+r)}^{n_i}-1}\×P_i\left(t\right)]---\left(3\right)$

$C_{\mathrm{OM}}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}[K_{\mathrm{OM},i}\×P_i\left(t\right)]---\left(4\right)$

$C_e\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}\left[V_{\mathrm{ej}}{Q}_{\mathrm{ij}}{P}_i\left(t\right)\right]---\left(5\right)$

$N(A,B)=1-\frac{1}{\sqrt{24}}{\left(\underset{i=1}{\overset{24}{\mathrm{\Σ}}}{(A\left(i\right)-B\left(i\right))}^2\right)}^{1/2}---\left(6\right)$

C'_P(t)＝C_P(t)×(0.5+N(A,B))(7)

C'_S(t)＝C_S(t)×(1.5+N(A,B))(8)

C_grid(t)＝C'_P(t)C_GP(t)-C'_S(t)C_SP(t)(9)

C_sc(t)＝Q_ce(i)K_pc(10)

式中，C_f(t)、C_DP(t)、C_OM(t)、C_e(t)分别为t时刻各微电源的燃料成本、投资折旧成本、运行维护成本、排污处理成本；C_grid、C_sc分别为微电网与配电网的交互成本和微型燃气轮机制冷收益，C_az,i、k_i、r、n_i、K_OM,i、V_ej、Q_ij分别为单位容量的微电源的安装成本、容量因素、年利率、投资偿还期、单位电量运行维护成本系数、污染物的环境价值和污染物的排放量；A(i)、B(i)分别为参考计划交换功率曲线和计划交换功率曲线模糊化后的隶属度函数值；C_P(t)、C_P(t)为t时刻的实时购售电价，C'_P(t)、C'_s(t)为引入欧几里得贴近度后的动态实时购售电价；Q_ce(i)为微型燃气轮机各时刻制冷量；K_pc为单位制冷的售价；

其约束条件为：

A、功率平衡约束

$P_{\mathrm{load}}=P_{\mathrm{grid}}+\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{P}_{\mathrm{DG},i}---\left(11\right)$

式中，P_load为系统总的负荷，P_grid为微网与配网的交换功率，P_DG,i为各微源的出力；

B、微源有功出力约束

P_i,min≤P_i≤P_i,max(12)

C、微型燃气轮机爬坡率约束

增加出力时为：

P_MT(t)-P_MT(t-1)≤R_up(13)

减少出力时为：

P_MT(t-1)-P_MT(t)≤R_down(14)

D、微网与配电网交换功率约束

P_grid,min≤P≤P_grid,max(15)

E、蓄电池运行约束

P_SB,min≤P≤P_SB,max(16)

SOC_min≤SOC≤SOC_max(17)

对微电网中的风、光等出力按照分布式电源模型进行求解，将求得的风、光出力以及负荷作为已知量代入粒子群算法中；将其它微电源作为未知量，进行编码操作，生成初始种群，可以求取出一条计划交换功率曲线；

3)计及动态电价的粒子群优化算法

A、对微电网运行优化模型中的各微电源、负荷参数、目标函数参数以及约束条件参数进行设置，电价通过计算参考计划交换功率曲线和计划交换功率曲线的欧几里得贴近度来实现动态化，即曲线贴近度越高，售电价越高，购电价越低；

B、对粒子群算法中的控制参数进行设置，其中包括仿真代数、粒子规模、学习因子和惯性权重等；

C、对微电网中的燃气轮机、燃料电池和交换功率进行编码，随机生成初始种群；

D、通过解码，将个体代入适应度函数中，对个体进行适应度值评价，选出种群中的最优个体；

E、对种群进行位置和速度行进更新，同时在操作过程中采用最优保留政策，生成新的子代种群；

F、新生成种群重新计算群体中各个体的适应度值，进入判别条件，满足条件的个体作为最优解输出，不满足条件则返回步骤4)；

G、最终输出的最优解即为一天24小时各微电源出力以及交换功率。

本发明具有如下优点：

本发明一种基于动态电价的微电网运行优化方法，考虑配电网对微电网的管理，建立了基于动态电价、安装成本、运行维护费用和排污处理费用的运行优化模型，采用粒子群算法求取微电网经济运行最优方案。本发明涉及的方法的优点是，传统微电网运行优化的方法仅考虑从微电网自身出发进行优化，忽略了与配电网相互协调，本发明改进了运行优化模型，通过计算参考计划交换功率曲线和计划交换功率曲线的欧几里得贴近度引入了动态电价，在对微电网优化的同时考虑配电网对微电网的协调运行优化。

附图说明

图1为粒子群算法运行优化流程图；

1、输入参考计划交换功率、风、光、负荷等原始数据；

2、迭代次数置零；

3、初始化粒子初始速度和位置；

4、对个体进行适应度值评价，选出个体最优值和全局最优值；

5、种群更新位置和速度，同时在操作过程中采用最优保留政策，生成新的子代种群；

6、新生成种群重新计算群体中各个体的适应度值，进入判别条件，满足条件的个体作为最优解输出，不满足条件则返回步骤4；

7、最终输出的最优解即为一天24h各微电源出力以及交换功率。

图2为本发明实施例典型日负荷曲线图；

图3为本发明典型日冷负荷曲线

图4为本发明实施例典型日风力发电机组、光伏电池发电预测曲线图；

图5为本发明配电网与微电网参考计划交换功率曲线图；

图6为本发明微电网系统在典型日24h的功率情况图；

由图6各微电源的出力情况得知：

1)微型燃气轮机按照“以冷定电”的模式确定出力，利用式(4)可求出满足冷负荷需求时MT在24h内的输出电功率。

2)在负荷低谷时间段，燃料电池不发电，微网主要通过蓄电池调节出力。同时，当WT、PV、MT能够满足微网负荷需求时，通过比较动态电价和微网发电成本决定向配网售电或者购电。

3)在负荷高峰时间段，蓄电池和燃料电池共同出力，来满足微网系统的需求，同时，比较动态电价和微网发电成本决定向配网售电或者购电。

具体实施方式

下面通过实施例对本发明进行具体的描述，有必要在此指出的是本实施例只用于对本发明进行进一步说明，不能理解为对本发明包括范围的限制，该领域的技术熟练人员可以根据上述本发明的内容作出一些非本质的改进和调整。

实施例：

如图1所示，用粒子群算法对各微源出力进行优化，其中包括输入参考计划交换功率、风、光、负荷等原始数据(图1中第1框)、设置粒子群算法的参数(图1中第2-3框)和粒子群算法迭代计算(图1第4-6框)3个步骤，分别为图1中第1框；设置粒子群算法的参数包括初始化种群位置和速度，分别为图1的2、3框；粒子群算法迭代计算包括对个体进行适应度值评价，选出个体最优值和全局最优值、更新种群的位置和速度，同时在操作过程中采用最优保留政策，生成新的子代种群和新生成种群重新计算群体中各个体的适应度值，进入判别条件判别是否结束迭代3个步骤，从而求得一天24h最优的各微源出力和交换功率(图1第7框)。

一、微电网微电源模型

典型的微电网微电源有风力发电机、光伏电池板、微型燃气轮机、燃料电池和储能装置。

1、风力发电机模型

风力发电机的风速出力曲线可以用一个分段函数来表示

$\mathrm{Pwt}\left\{\begin{array}{cc}0& v<v_{\mathrm{ci}}\\ \frac{v^3}{v_r^3-v_{\mathrm{ci}}^3}{P}_r-\frac{v_{\mathrm{ci}}^3}{v_r^3-v_{\mathrm{ci}}^3}{P}_r& v_{\mathrm{ci}}\&le;v\&le;v_r\\ P_r& v_r\&le;v\&le;v_{\mathrm{co}}\\ 0& v>v_{\mathrm{co}}\end{array}\right.---\left(18\right)$

式中，v_ci为切入风速，v_co为切出风速，P_r为风力发电的额定输出功率。

2、光伏电池模型

光伏电池输出特性具有非线性特征，主要受到光照强度、环境温度的影响。

$P_{\mathrm{pv}}=P_{\mathrm{STC}}\frac{G_{\mathrm{AC}}}{G_{\mathrm{STC}}}(1+k(T\left(t\right)-T_{\mathrm{STC}}))---\left(19\right)$

式中:G_STC为标准测试环境(1000W/m²，25℃)下的光照强度；T_STC为标准测试环境下光伏阵列温度；P_STC为标准测试环境下最大输出功率，k是温度系数，一般取k＝-0.45。

3、微型燃气轮机模型：

燃气轮机的数学模型为：

${\mathrm{\&eta;}}_{\mathrm{MT}}=0.0753\&times;{\left(\frac{P_{\mathrm{MT}}}{65}\right)}^3-0.3095\&times;{\left(\frac{P_{\mathrm{MT}}}{65}\right)}^2+0.4174\&times;\left(\frac{P_{\mathrm{MT}}}{65}\right)+0.1068---\left(20\right)$

$Q_{\mathrm{MT}}=\frac{P_{\mathrm{MT}}(1-{\mathrm{\&eta;}}_{\mathrm{MT}}-{\mathrm{\&eta;}}_l)}{{\mathrm{\&eta;}}_{\mathrm{MT}}}---\left(21\right)$

Q_hc＝Q_MT×η_rec×COP_co(22)

${\mathrm{\&eta;}}_{\mathrm{rec}}=\frac{T_1-T_2}{T_1-T_0}---\left(23\right)$

其中η_MT为微型燃气轮机的净发电效率,P_MT为微型燃气轮机净输电功率。Q_MT为微型燃气轮机排气余热量，η_rec和η_l分别为烟气余热回收效率和散热损失系数，本发明中分别取0.95和0.03，Q_hc为烟气余热提供的制冷量，T₀、T₁、T₂分别为环境温度、余热烟气进出冷溴机的温度，本发明中分别取298.15K、573.15K和423.15K。

二、微电网运行优化目标函数与约束条件:

1、目标函数

本发明建立了含有风力发电机、光伏电池、微型燃气轮机、蓄电池多种微电源的微电网运行优化模型。考虑了包括动态电价、运行维护成本、排污处理成本在内的目标函数，考虑了微电网系统中的功率平衡、各个微电源容量限制、微型燃气轮机爬坡率、联络线传输功率、蓄电池容量和蓄电池充放电各类约束。同时模型通过计算参考计划交换功率曲线和计划交换功率曲线的欧几里得贴近度来确定动态电价，计及配电网对微电网的协调运行优化。

$\min C=\underset{t=1}{\overset{24}{\mathrm{\&Sigma;}}}[C_f\left(t\right)+C_{\mathrm{DP}}\left(t\right)+C_{\mathrm{OM}}\left(t\right)+C_e\left(t\right)]+C_{\mathrm{grid}}-C_{\mathrm{sc}}---\left(24\right)$

其中

$C_f\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{F}_i\left(P_i\left(t\right)\right)---\left(25\right)$

$C_{\mathrm{DP}}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}[\frac{C_{\mathrm{az},i}}{8760k_i}\&times;\frac{r{(1+r)}^{n_i}}{{(1+r)}^{n_i}-1}\&times;P_i\left(t\right)]---\left(26\right)$

$C_{\mathrm{OM}}\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}[K_{\mathrm{OM},i}\&times;P_i\left(t\right)]---\left(27\right)$

$C_e\left(t\right)=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}\left[V_{\mathrm{ej}}{Q}_{\mathrm{ij}}{P}_i\left(t\right)\right]---\left(28\right)$

$N(A,B)=1-\frac{1}{\sqrt{24}}{\left(\underset{i=1}{\overset{24}{\mathrm{\&Sigma;}}}{(A\left(i\right)-B\left(i\right))}^2\right)}^{1/2}---\left(29\right)$

C'_P(t)＝C_P(t)×(0.5+N(A,B))(30)

C'_S(t)＝C_S(t)×(1.5+N(A,B))(31)

C_grid(t)＝C'_P(t)C_GP(t)-C'_S(t)C_SP(t)(32)

C_sc(t)＝Q_ce(i)K_pc(33)

式中，C_f(t)、C_DP(t)、C_OM(t)、C_e(t)分别为t时刻各微电源的燃料成本、投资折旧成本、运行维护成本、排污处理成本；C_grid、C_sc分别为微电网与配电网的交互成本和微型燃气轮机制冷收益，C_az,i、k_i、r、n_i、K_OM,i、V_ej、Q_ij分别为单位容量的微电源的安装成本、容量因素、年利率、投资偿还期、单位电量运行维护成本系数、污染物的环境价值和污染物的排放量；A(i)、B(i)分别为参考计划交换功率曲线和计划交换功率曲线模糊化后的隶属度函数值；C_P(t)、C_P(t)为t时刻的实时购售电价，C'_P(t)、C_s'(t)为引入欧几里得贴近度后的动态实时购售电价；Q_ce(i)为微型燃气轮机各时刻制冷量；K_pc为单位制冷的售价。

2、约束条件：

1)功率平衡约束

$P_{\mathrm{load}}=P_{\mathrm{grid}}+\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{P}_{\mathrm{DG},i}---\left(34\right)$

式中，P_load为系统总的负荷，P_grid为微网与配网的交换功率，P_DG,i为各微源的出力。

2)微源有功出力约束

P_i,min≤P_i≤P_i,max(35)

3)微型燃气轮机爬坡率约束

增加出力时为：

P_MT(t)-P_MT(t-1)≤R_up(36)

减少出力时为：

P_MT(t-1)-P_MT(t)≤R_down(37)

4)微网与配电网交换功率约束

P_grid,min≤P≤P_grid,max(38)

5)蓄电池运行约束

P_SB,min≤P≤P_SB,max(39)

SOC_min≤SOC≤SOC_max(40)

3、优化运行策略：

微电网运行优化模型需要确定的优化运行策略进行优化，主要考虑微源与外网共同参与微网的运行优化，其优化运行策略如下：

1)优先利用风、光再生能源，采用跟踪控制最大功率输出。

2)根据冷负荷确定微型燃气轮机MT出力。

3)当风力发电机(WT)、光伏电池(PV)和微型燃气轮机(MT)机组出力满足电负荷需求时，若蓄电池荷电状态(SOC)，SOC＜0.95,则优先对蓄电池充电，还有多余电量时考虑向配网售电；若蓄电池SOC＝0.95,则优先向配网售电。

4)当WT、PV和MT机组出力无法满足电负荷需求时，优先令蓄电池放电，同时监测蓄电池的充放电状态。若蓄电池尚未达到最大放电限制时，可考虑向配网售电。

5)若在蓄电池允许放电范围内仍无法满足电负荷需求时，通过计较燃料电池(FC)的运行维护成本和从配网的购电电价进行比较，按照经济运行的优化策略来确定FC、蓄电池、配网的出力。

三、基于动态电价的微电网运行优化方法:对于微电网运行优化问题，如何在对微电网进行优化的同时考虑配电网对微电网的管理与减轻微电网接入对配电网的影响，以及如何对含多变量、复杂目标函数和众多约束条件的模型进行求解，具有一定的难度。通过计算参考计划交换功率曲线和计划交换功率曲线的欧几里得贴近度来确定动态电价，同时采用了一种粒子群算法来求解模型，基本思想是：首先将微电网当作一个可正可负的负荷接入配电网中，负荷的取值范围由公共连接点(PCC)功率限制来确定，配电网根据目标确定出一条24h的微电网与配电网参考计划交换功率控制曲线。然后对微电网中的风、光出力按照分布式电源模型进行求解，将求得的风、光出力以及负荷作为已知量代入粒子群算法中；将其它微电源作为未知量，进行编码操作，生成初始种群，求取出一条计划交换功率曲线，对电价的处理采用模糊化的形式，即通过计算参考计划交换功率曲线和计划交换功率曲线的欧几里得贴近度来实现电价的动态化，曲线贴近度越高，售电价越高，购电价越低；然后对种群进行粒子群算法操作，直到达到终止条件退出循环，从而求取满足约束的微电源最优出力，其步骤如下：

1)对微电网运行优化模型中的各微电源、负荷参数、目标函数参数以及约束条件参数进行设置，电价通过计算参考计划交换功率曲线和计划交换功率曲线的欧几里得贴近度来实现动态化，即曲线贴近度越高，售电价越高，购电价越低；

2)对粒子群算法中的控制参数进行设置，其中包括仿真代数、粒子规模、学习因子和惯性权重等；

3)对微电网中的燃气轮机、燃料电池和交换功率进行编码，随机生成初始种群；

4)通过解码，将个体代入适应度函数中，对个体进行适应度值评价，选出种群中的最优个体；

5)对种群进行位置和速度行进更新，同时在操作过程中采用最优保留政策，生成新的子代种群；

6)新生成种群重新计算群体中各个体的适应度值，进入判别条件，满足条件的个体作为最优解输出，不满足条件则返回步骤4)；

7)最终输出的最优解即为一天24h各微电源出力以及交换功率。

四、算例分析

1、算例系统：

微电网与配电网的PCC点交换功率限制为，-50kW,50kW，蓄电池SOC限制为0.2,0.95，蓄电池初始SOC为0.4，微电网中的各微源的参数如表1所示，所采用的实时售购电价如表2所示，各微电源的污染物排放系数及成本如表3所示，典型日负荷曲线如图2所示，风机、光伏发电预测曲线如图3所示，配电网与微电网参考计划交换功率曲线如图4所示。

表1微电网中的各微源的参数

表2实时售购电价

表3各微电源的污染物排放系数及成本

2、计算结果表明：

通过采用粒子群算法，对微电网进行运行优化计算，微电网系统在典型日24小时的功率情况如图6所示。

如图由各微电源的出力情况可知:1)微型燃气轮机按照“以冷定电”的模式确定出力，利用式(4)可求出满足冷负荷需求时MT在24h内的输出电功率。2)在负荷低谷时间段，燃料电池不发电，微网主要通过蓄电池调节出力。同时，当WT、PV、MT能够满足微网负荷需求时，通过比较动态电价和微网发电成本决定向配网售电或者购电。3)在负荷高峰时间段，蓄电池和燃料电池共同出力，来满足微网系统的需求，同时，比较动态电价和微网发电成本决定向配网售电或者购电。本发明中通过计算参考计划联络线功率与计划联络线功率的贴近度来确定动态电价，在电价低的时段(0-9h，17-19h)向主网购电，电价高的时段(11、12、14-16、21h)向主网售电。

Claims (1)

1.一种基于动态电价的微电网运行优化方法，其特征在于：

1)考虑微电网参与配电网协调运行优化模型

将微电网当作一个可正可负的负荷接入配电网中，配电网根据运行优化目标确定出一条24小时的微电网参考计划交换功率控制曲线，将参考计划交换功率和计划交换功率模糊化，分别求出隶属度函数值，通过计算二者的欧几里得贴近度来实现电价的动态化，曲线贴近度越高，售电价越高，购电价越低；

2)计及动态电价的微电网运行优化目标函数

建立了含有风力发电机、光伏电池、微型燃气轮机、蓄电池多种微电源的微电网运行优化模型；考虑了包括动态电价、运行维护成本、排污处理成本在内的目标函数，考虑了微电网系统中的功率平衡约束、各个微电源有功出力约束、微型燃气轮机爬坡率约束、微电网与配电网交换功率约束和蓄电池运行约束；同时模型通过计算参考计划交换功率曲线和计划交换功率曲线的欧几里得贴近度来确定动态电价；

$\min C=\underset{t=1}{\overset{24}{\&Sigma;}}\&lsqb;C_f\left(t\right)+C_{DP}\left(t\right)+C_{OM}\left(t\right)+C_e\left(t\right)\&rsqb;+C_{grid}\left(t\right)-C_{sc}\left(t\right)---\left(1\right)$

其中

$C_f\left(t\right)=\underset{i=1}{\overset{n_1}{\&Sigma;}}{F}_i\left(P_i\right(t\left)\right)---\left(2\right)$

$C_{DP}\left(t\right)=\underset{i=1}{\overset{n}{\&Sigma;}}\&lsqb;\frac{C_{az,i}}{8760k_i}\&times;\frac{r{(1+r)}^{n_i}}{{(1+r)}^{n_i}-1}\&times;P_i\left(t\right)\&rsqb;---\left(3\right)$

$C_{OM}\left(t\right)=\underset{i=1}{\overset{n}{\&Sigma;}}\&lsqb;K_{OM,i}\&times;P_i\left(t\right)\&rsqb;---\left(4\right)$

$C_e\left(t\right)=\underset{i=1}{\overset{n_2}{\&Sigma;}}\underset{j=1}{\overset{m}{\&Sigma;}}\&lsqb;V_{ij}{Q}_{ij}{P}_i\left(t\right)\&rsqb;---\left(5\right)$

$N(A,B)=1-\frac{1}{\sqrt{24}}{\left(\underset{t=1}{\overset{24}{\&Sigma;}}{\left(A\left(t\right)-B\left(t\right)\right)}^2\right)}^{1/2}---\left(6\right)$

C'_P(t)＝C_P(t)×(0.5+N(A,B))(7)

C'_S(t)＝C_S(t)×(1.5+N(A,B))(8)

C_grid(t)＝C'_P(t)C_GP(t)-C'_S(t)C_SP(t)(9)

C_sc(t)＝Q_ce(t)K_pc(10)

式中，C为微电网一天的综合成本，C_f(t)、C_DP(t)、C_OM(t)、C_e(t)分别为t时刻各微电源的燃料成本、投资折旧成本、运行维护成本、排污处理成本；F_i(x)为第i个微电源的燃料成本函数，P_i(t)为第i个微电源在t时刻的有功出力，n₁为需要考虑燃料成本的微电源总个数；C_grid(t)、C_sc(t)分别为t时刻微电网与配电网的交互成本和微型燃气轮机制冷收益，C_az,i、k_i、r、n_i、K_OM,i分别为第i个微电源的单位容量安装成本、容量因素、年利率、投资偿还期、单位电量运行维护成本系数，n为微电源总个数；V_ij、Q_ij分别为第i个微电源的第j类污染物的环境价值和排放量，n₂为需要考虑污染物排放的微电源总个数，m为污染物种类的总数；A(t)、B(t)分别为第t时刻的参考计划交换功率曲线和计划交换功率曲线模糊化后的隶属度函数值，N(A,B)为参考计划交换功率曲线和计划交换功率曲线的欧几里得贴近度；C_P(t)、C_S(t)分别为第t时刻的实时购买和售出电价，C'_P(t)、C_s'(t)分别为引入欧几里得贴近度后的动态实时购买和售出电价；C_GP(t)和C_SP(t)分别为t时刻微电网向配电网购买和售出的电量；Q_ce(t)为微型燃气轮机各时刻制冷量；K_pc为单位制冷的售价；

其约束条件为：

A、功率平衡约束

$P_{load}=P_{grid}+\underset{i=1}{\overset{n}{\&Sigma;}}{P}_{DG,i}---\left(11\right)$

式中，P_load为系统总的负荷，P_grid为微电网与配电网的交换功率，P_DG,i为各微电源的出力；

B、微电源有功出力约束

P_i,min≤P_i≤P_i,max(12)

式中，P_i为第i个微电源的有功出力，P_i,max和P_i,min分别为第i个微电源的有功出力上限和下限；

C、微型燃气轮机爬坡率约束

增加出力时为：

P_MT(t)-P_MT(t-1)≤R_up(13)

减少出力时为：

P_MT(t-1)-P_MT(t)≤R_down(14)

式中，P_MT(t)为第t时刻微型燃气轮机的有功出力，R_up和R_down分别为微型燃气轮机的增加和降低有功功率限值；

D、微电网与配电网交换功率约束

P_grid,min≤P_grid≤P_grid,max(15)

式中，P_grid为微电网与配电网的交换功率，P_grid,max和P_grid,min分别为微电网与配电网间允许传输的最大和最小有功功率；

E、蓄电池运行约束

P_SB,min≤P_SB≤P_SB,max(16)

SOC_min≤SOC≤SOC_max(17)

式中，P_SB为蓄电池的出力，P_SB,max和P_SB,min分别蓄电池有功出力上下限，SOC为蓄电池的荷电状态，SOC_max和SOC_min分别蓄电池荷电状态的最大和最小值；

对微电网中的风、光出力按照分布式电源模型进行求解，将求得的风、光出力以及负荷作为已知量代入粒子群算法中；将其它微电源作为未知量，进行编码操作，生成初始种群，可以求取出一条计划交换功率曲线；

3)计及动态电价的粒子群优化算法

A、对微电网优化调度模型中的各微电源、负荷参数、目标函数参数以及约束条件参数进行设置，电价通过计算参考计划交换功率曲线和计划交换功率曲线的欧几里得贴近度来实现动态化，即曲线贴近度越高，售电价越高，购电价越低；

B、对粒子群算法中的控制参数进行设置，其中包括仿真代数、粒子规模、学习因子和惯性权重；

C、对微电网中的微型燃气轮机、燃料电池和交换功率进行编码，随机生成初始种群；

D、通过解码，将个体代入适应度函数中，对个体进行适应度值评价，选出种群中的最优个体；

E、对种群进行位置和速度行进更新，同时在操作过程中采用最优保留政策，生成新的子代种群；

F、新生成种群重新计算群体中各个体的适应度值，进入判别条件，满足条件的个体作为最优解输出，不满足条件则返回步骤E；

G、最终输出的最优解即为一天24小时各微电源出力以及交换功率。