CN104092209B - 基于实时反馈的互动型微电网能量控制处理方法 - Google Patents

Abstract

本发明涉及基于实时反馈的互动型微电网能量控制处理方法，包括：预测微电网总功率、负荷需求，确定微电网自身运行约束条件，以改进遗传算法优化微电网个体，根据优化结果得出能量调度指令，并使微电网按指令进行调度控制。本发明控制方法能根据现有微电网数据对能量调度控制进行有效修正，使调度指令更贴合实际。

Description

基于实时反馈的互动型微电网能量控制处理方法

技术领域

本发明涉及一种基于实时反馈的互动型微电网能量控制处理方法，尤其适用于风光储能的微电网。

背景技术

据申请人了解，随着全球性能源危机的不断加大，低碳、清洁的可再生能源已经成为研究热点，目前世界各国均开展了含可再生能源的微电网研究项目。微电网是指多个分布式电源及其相关负载按照一定的拓扑结构组成的网络，并通过静态开关关联至常规电网。

目前，分布式电源已成为重要的电力供给形式，与传统电力系统相比，它具有卓越的可靠性和经济性，污染少，可靠性高，能源利用效率高，且其位置灵活、分散，能极好地适应分散电力需求和资源分布，可延缓输、配电网升级换代所需的巨额投资，可与大电网互为备用以改善供电可靠性。

然而，分布式电源(尤其是可再生能源)本身还存在诸多不利之处，例如分布式电源单机接入成本高，控制困难，存在间歇性特点，等等，将分布式电源接入电网会对电力系统会造成影响。同时，为减少分布式电源对大电网的冲击，大系统往往采取限值、隔离的方式来处置分布式电源，当电力系统发生故障时，分布式电源必须马上退出运行，这就大大限制了分布式电源的充分发挥，也间接限制了对可再生能源等新能源的有效利用。

基于以上现状，需研发微电网能量控制处理方法，能抑制分布式电源自身的弱点，充分发挥分布式电源的优点，实现对可再生能源等新能源的有效利用，进而有利于减少二氧化碳的排放量，有利于提供定制的电能服务。

现有的微电网能量控制处理方法中，多采用日前计划与超短期优化相结合的方式，然而由于存在预测误差，使实际运行经常偏离日前计划，导致控制失效；超短期优化则针对短时的能量优化，对于储能而言无法保证一天的电量需求。同时，现有方法中，对于储能的限制多简单考虑ＳＯＣ上、下限值， 频繁的深充深放严重影响储能的使用寿命。此外，现有方法多考虑微电网自身运行的经济性，欠缺反映其相对大电网可控源的作用，需进一步改进，强化智能电网的作用。

发明内容

本发明所要解决的技术问题是：针对现有技术存在的问题，提出一种基于实时反馈的互动型微电网能量控制处理方法，更加有效地实现对微电网能量的调度控制。

本发明解决其技术问题的技术方案如下：

一种基于实时反馈的互动型微电网能量控制处理方法，包括以下步骤：

第一步、根据现有微电网数据预测：在未来预定时刻时，各微电网各分布式电源的输出功率以及各微电网所处地区的负荷需求；对于各微电网，以其内各分布式电源输出功率之和为未来预定时刻的微电网总功率；

第二步、根据现有微电网数据确定各微电网的自身运行约束条件，自身运行约束条件包括：微电网总功率约束，微电网蓄电池约束，微电网输电线路电压损耗约束；

第三步、将满足自身运行约束条件的微电网作为初始化种群的个体；个体总数量为初始化种群的规模ＮＰ，ＮＰ为正整数；各个体的参数包括：相应微电网内各分布式电源的调度指令和运行状态，运行状态包括分布式电源的并离网状态及相应的储能蓄电池状态；

第四步、将各微电网运行成本的倒数作为相应个体的适应度值；其中，根据第一步所得的微电网所处地区负荷需求与该微电网总功率之差确定微电网与配电网间功率交换的购电成本或售电收益，并计入微电网的运行成本；根据第三步微电网内各分布式电源的调度指令和运行状态确定分布式电源的成本，并计入微电网的运行成本；

第五步、将适应度值最高的Ｍ个个体组成优秀个体库，Ｍ为正整数；以初始化种群为本代种群，本代种群的代数ｎ＝1；

第六步、以优秀个体库中适应度最高的一个个体ａ作为第一父本，以从本代种群中随机抽取的Ｘ个个体作为第一母本，Ｘ为正整数、且先将第一父本与各第一母本进行交叉操作，再将所得个体进行变异操作，得由变异后个体组成的种群Ａ；

第七步、以从优秀个体库中随机抽取的一个个体ｂ作为第二父本，个体ｂ异于个体ａ；以从本代种群中随机抽取的Ｙ个个体为第二母本，Ｙ为正整数、且其中0.1≤ｒ≤0.2；将第二父本与各第二母本进行单点交叉操作，所得个体组成种群Ｂ1；

于此刻，将任意Ｚ个满足自身运行约束条件的微电网作为个体，并以该Ｚ个个体为第三母本，Ｚ为正整数、且其中0.1≤ｒ≤0.2；将第二父本与各第三母本进行单点交叉操作，所得个体组成种群Ｂ2；

将种群Ｂ1与种群Ｂ2合并后对每个个体进行变异操作，得种群Ｂ；

第八步、将种群Ａ和种群Ｂ合并得种群Ｃ，种群Ｃ的代数为ｎ+1；针对与种群Ｃ中各个体相应的微电网，按当前个体参数确定各微电网运行成本，并以运行成本的倒数作为相应个体的适应度值；将种群Ｃ中适应度值最高的一个或若干个体与优秀个体库中适应度值最低的一个或若干个体进行比较，若某种群Ｃ个体适应度值高于某优秀个体库个体，则将该种群Ｃ个体替换该优秀个体库个体，即更新优秀个体库；

第九步、以种群Ｃ为本代种群，判断本代种群的代数是否大于预设进化代数ＮＧ，ＮＧ为正整数；若达到则转至第十步，若未达到则转至第六步；

第十步、向与优秀个体库各个体相应的各微电网发布根据优秀个体库中各个体参数得出的能量调度指令，使各微电网按能量调度指令进行调度控制；判断是否结束控制方法，若否则转至第一步，若是则结束控制。

本发明申请人经深入实践研究得出的上述方法，以微电网运行成本最小为目标函数，能根据现有微电网数据(尤其是实时数据)对能量调度控制进 行有效修正，使调度指令更贴合实际。该方法第三步至第九步采用的改进遗传算法，一方面利用优秀个体对种群的推动作用来加速算法收敛速度，另一方面利用随机个体参与算法来有效增加种群多样性，从而能有效提高全局的优化搜索能力，使得微电网个体逐步向最优解靠近，实现对微电网的有效优化，进而更加有效地实现对微电网能量的调度控制。

本发明进一步完善的技术方案如下：

优选地，第一步中，现有微电网数据包括微电网所处地区的负荷数据、光照强度数据和温度数据、风速数据；分布式电源包括光伏阵列和风力发电机；根据负荷数据预测负荷需求，根据光照强度数据和温度数据预测光伏阵列输出功率，根据风速数据预测风力发电机输出功率；

或者，现有微电网数据包括微电网所处地区的负荷数据、各分布式电源的发电功率数据；根据负荷数据预测负荷需求，根据发电功率数据预测各分布式电源的输出功率。

优选地，第二步中，微电网总功率P_g的约束为：

在非响应调度时段l下，P_g,min≤P_g(l)≤P_g,max，P_g,min为微电网能够从配电网吸收的最大功率，P_g,max为微电网能够向配电网输送功率的最大功率；

在响应调度时段k下，P_g(k)＝P_set，P_set为响应调度时段k下要求的联络线功率；

微电网蓄电池约束为：

SOC_min≤SOC(T)≤SOC_max，SOC(T)为蓄电池的实时荷电状态，SOC_min、SOC_max分别为蓄电池荷电状态的下限和上限；

P_bat,min(SOC)<P_bat(T)<P_bat,max(SOC)，P_bat(T)为蓄电池的实时储能功率，P_bat,min(SOC)、P_bat,max(SOC)分别为在当前荷电状态下蓄电池储能功率的下限和上限；

微电网输电线路电压损耗ΔU的约束为：

L为联络线长度，U_N为并网电压，R_L为联络线的电阻，X_L为联络线的电抗，为微电网输出电流和电压的相位差。

优选地，第四步中，微电网运行成本F_MG按下式计算：

n为微电网中分布式电源的数量，C_fuel,i为第i个分布式电源的燃料成本，C_m,i为第i个分布式电源的管理费用，c_p,t为t时段配电网实时电价；P_ex,t为t时段配电网与微电网间的交换功率，P_ex,t为正值时电流由配电网注入微电网，P_ex,t为负值时电流由微电网注入配电网；Δt为t时段的时间长度；

其中，P_ex,t即第一步所得的微电网所处地区负荷需求与该微电网总功率之差；C_fuel,i包括微型燃气轮机的燃料成本C_fuel,MT，燃料电池的燃料成本C_fuel,FC；C_m,i包括光伏电池的管理费用C_m,PV，风力发电机的管理费用C_m,WT，微型燃气轮机的管理费用C_m,MT，蓄电池的管理费用C_m,bat，燃料电池的管理费用C_m,FC。

优选地，第六步中，先将本代种群的个体按适应度值由高到低进行排序，再从中随机抽取个体作为第一母本；在第一父本与各第一母本进行交叉操作时，若第一母本来自排序后本代种群的前半部分则采用双点交叉，若第一母本来自排序后本代种群的后半部分则采用单点交叉。

优选地，第六步、第七步中，各交叉操作分别按预定的交叉概率进行，各变异操作分别按预定的变异概率进行。

优选地，第三步中，ＮＰ取值范围为50－100；第五步中，Ｍ取值范围为5－10；第六步中，Ｘ等于的整数部分；第七步中，Ｙ等于的整数部分，Ｚ等于的整数部分；第九步中，ＮＧ取值范围为20－50。

本发明控制方法可配合现有日前计划进行实施，能滚动发布调度指令，实现对预测偏差的修正以及对事件的响应，能优化微电网能量调度控制，实 现短时的微电网内功率平衡；优化蓄电池约束条件，合理维护储能，延长蓄电池替换周期，减小运行折旧成本；微电网相对配电网作为可控源，在实现经济运行的前提下，更有效地与配电网进行互动，接收配电网的调度指令，并达到需求响应、定联络线功率等要求，有利于推动微电网控制技术向智能电网发展。

附图说明

图1为本发明实施例的主体流程示意图。

图2为图1实施例改进遗传算法的流程示意图。

图3为图1实施例改进遗传算法与传统遗传算法、自适应多位变异遗传算法的遗传收敛特性对比图。

具体实施方式

下面参照附图并结合实施例对本发明作进一步详细描述。但是本发明不限于所给出的例子。

实施例

本实施例基于实时反馈的互动型微电网能量控制处理方法，如图1、图2所示，包括以下步骤：

第一步、根据现有微电网数据预测：在未来预定时刻时，各微电网各分布式电源的输出功率以及各微电网所处地区的负荷需求；对于各微电网，以其内各分布式电源输出功率之和为未来预定时刻的微电网总功率；

其中，现有微电网数据包括微电网所处地区的负荷数据、光照强度数据和温度数据、风速数据；分布式电源包括光伏阵列和风力发电机；根据负荷数据预测负荷需求，根据光照强度数据和温度数据预测光伏阵列输出功率，根据风速数据预测风力发电机输出功率；

或者，现有微电网数据包括微电网所处地区的负荷数据、各分布式电源的发电功率数据；根据负荷数据预测负荷需求，根据发电功率数据预测各分布式电源的输出功率。

具体采用的预测方法可采用现有技术手段，例如：

(1)光伏阵列的输出功率可以采用如下的经验公式，该公式采用与标准环境下的光照温度进行比对的方法，给出近似参考值。该公式表述如下：

P_PV＝P_stc×G_w×[1+k_r(T_w-T_stc)]/G_stc

式中：Ｐ_ｓｔｃ、Ｔ_ｓｔｃ、Ｇ_ｓｔｃ分别表示标准环境下的最大测试功率、环境参考温度以及光照强度，其中Ｔ_ｓｔｃ＝300Ｋ，Ｇ_ｓｔｃ＝1000Ｗ/ｍ²；Ｇ_ｗ、Ｔ_ｗ分别表示光伏阵列工作时的光照强度和温度；ｋ_ｒ表示光伏阵列功率温度系数。

(2)风力发电机的输出功率由风力发电机所在地点的风速、风向和自身特征所决定。风力发电机在不同风速区段的输出功率计算可使用以下式：

$P_{\mathrm{vw}}\left(v_{\mathrm{aw}}\right)=\left\{\begin{array}{cc}0& 0\&le;v_{\mathrm{aw}}\&le;v_{\mathrm{ci}}\\ P_{\mathrm{rated}}*\frac{(v_{\mathrm{aw}}-v_{\mathrm{ci}})}{(v_r-v_{\mathrm{ci}})}& v_r\&le;v_{\mathrm{aw}}\&le;v_{\mathrm{co}}\\ P_{\mathrm{rated}}& v_{\mathrm{ci}}\&le;v_{\mathrm{aw}}\&le;v_r\\ 0& v_{\mathrm{co}}\&le;v_{\mathrm{aw}}\end{array}\right.$

式中P_vw为风力发电机在时段ｗ的输出功率，P_rated为风力发电机的额定输出功率，v_ci为切入风速，v_co为切出风速，v_r为额定风速，v_aw为时段ｗ的实际风速。

(3)基于实时气象数据的光伏风机发电预测，需对温度、光照度、风速进行预测。

其中，温度预测可采用如下方法：

根据现有温度样本数据T₁[24],T₂[24],...,T_m[24]，计算得到温度变化趋势为ΔT₁[23],ΔT₂[23],...,ΔT_m[23]，采集当前时刻温度T[t]，计算ΔT[t-1]。

计算温度变化趋势相似度：

对相似度进行归一化处理：

对t时刻后某一时刻温度进行预测，得到T[24-t]：

k＝0，1，…，23-t。

此外，对光照度、风速预测时，可按与温度预测类似的方法进行预测，然后利用光伏风机出力的数学模型对其输出功率进行预测。

(4)对于未设有气象站的微电网，可基于实时的发电功率，通过相似度计算的方法进行预测。

(5)负荷需求的预测也可采用相似度计算的方法，基于实时的负荷需求数据进行预测。

第二步、根据现有微电网数据确定各微电网的自身运行约束条件，自身运行约束条件包括：微电网总功率约束，微电网蓄电池约束，微电网输电线路电压损耗约束；

具体而言，微电网总功率P_g的约束为：

在非响应调度时段l下，P_g,min≤P_g(l)≤P_g,max，P_g,min为微电网能够从配电网吸收的最大功率，P_g,max为微电网能够向配电网输送功率的最大功率；

在响应调度时段k下，P_g(k)＝P_set，P_set为响应调度时段k下要求的联络线功率；

微电网蓄电池约束为：

SOC_min≤SOC(T)≤SOC_max，SOC(T)为蓄电池的实时荷电状态，SOC_min、SOC_max分别为蓄电池荷电状态的下限和上限；

P_bat,min(SOC)<P_bat(T)<P_bat,max(SOC)，P_bat(T)为蓄电池的实时储能功率，P_bat,min(SOC)、P_bat,max(SOC)分别为在当前荷电状态下蓄电池储能功率的下限和上限；

微电网输电线路电压损耗ΔU的约束为：

L为联络线长度，U_N为并网电压，R_L为联络线的电阻，X_L为联络线的电抗，为微电网输出电流和电压的相位差。

第三步、将满足自身运行约束条件的微电网作为初始化种群的个体；个体总数量为初始化种群的规模ＮＰ，ＮＰ为正整数(取值范围优选50－100)；各个体的参数包括：相应微电网内各分布式电源的调度指令和运行状态，运行状态包括分布式电源的并离网状态及相应的储能蓄电池状态。

第四步、将各微电网运行成本的倒数作为相应个体的适应度值；其中，根据第一步所得的微电网所处地区负荷需求与该微电网总功率之差确定微电网与配电网间功率交换的购电成本或售电收益，并计入微电网的运行成本；根据第三步微电网内各分布式电源的调度指令和运行状态确定分布式电源的成本，并计入微电网的运行成本；

微电网运行成本F_MG按下式计算：

n为微电网中分布式电源的数量，C_fuel,i为第i个分布式电源的燃料成本，C_m,i为第i个分布式电源的管理费用，c_p,t为t时段配电网实时电价；P_ex,t为t时段配电网与微电网间的交换功率，P_ex,t为正值时电流由配电网注入微电网，P_ex,t为负值时电流由微电网注入配电网；Δt为t时段的时间长度；

其中，P_ex,t即第一步所得的微电网所处地区负荷需求与该微电网总功率之差；C_fuel,i包括微型燃气轮机的燃料成本C_fuel,MT，燃料电池的燃料成本C_fuel,FC；C_m,_i包括光伏电池的管理费用C_m,PV，风力发电机的管理费用C_m,WT，微型燃气轮机的管理费用C_m,MT，蓄电池的管理费用C_m,bat，燃料电池的管理费用C_m,FC。

第五步、将适应度值最高的Ｍ个个体组成优秀个体库，Ｍ为正整数(取值范围优选5－10)；以初始化种群为本代种群，本代种群的代数ｎ＝1。

第六步、以优秀个体库中适应度最高的一个个体ａ作为第一父本，以从 本代种群中随机抽取的Ｘ个个体作为第一母本，Ｘ为正整数、且(优选Ｘ等于的整数部分)；先将第一父本与各第一母本进行交叉操作，再将所得个体进行变异操作，得由变异后个体组成的种群Ａ；

其中，先将本代种群的个体按适应度值由高到低进行排序，再从中随机抽取个体作为第一母本；在第一父本与各第一母本进行交叉操作时，若第一母本来自排序后本代种群的前半部分则采用双点交叉，若第一母本来自排序后本代种群的后半部分则采用单点交叉；各交叉操作分别按预定的交叉概率进行，各变异操作分别按预定的变异概率进行。

具体而言，单点交叉即将两个体在交叉点之后的部分进行交换。

两点交叉为将两个体在两交叉点之间的部分进行交换，例如：

两个体在交叉前为：

x＝(x₁,x₂,...,x_k,x_k+1,...,x_k+t,...,x_L)

y＝(y₁,y₂,...,y_k,y_k+1,...,y_k+t,...,y_L)

两个体在两点交叉后为：

x＝(x₁,x₂,...,y_k+t,...,y_k+1,y_k,...,x_L)

y＝(y₁,y₂,...,x_k+t,...,x_k+1,x_k,...,y_L)。

第七步、以从优秀个体库中随机抽取的一个个体ｂ作为第二父本，个体ｂ异于个体ａ；以从本代种群中随机抽取的Ｙ个个体为第二母本，Ｙ为正整数、且(优选Ｙ等于的整数部分)，其中0.1≤ｒ≤0.2；将第二父本与各第二母本进行单点交叉操作，所得个体组成种群Ｂ1；于此刻，将任意Ｚ个满足自身运行约束条件的微电网作为个体，并以该Ｚ个个体为第三母本，Ｚ为正整数、且(优选Ｚ等于的整数部分)，其中0.1≤ｒ≤0.2；将第二父本与各第三母本进行单点交叉操作，所得个体组成种群Ｂ2；将种群Ｂ1与种群Ｂ2合并后对每个个体进行变异操作，得种群Ｂ；其中，各交叉操作分别按预定的交叉概率进行，各变异操作分别按 预定的变异概率进行。

第八步、将种群Ａ和种群Ｂ合并得种群Ｃ，种群Ｃ的代数为ｎ+1；针对与种群Ｃ中各个体相应的微电网，按当前个体参数确定各微电网运行成本，并以运行成本的倒数作为相应个体的适应度值；将种群Ｃ中适应度值最高的一个或若干个体与优秀个体库中适应度值最低的一个或若干个体进行比较，若某种群Ｃ个体适应度值高于某优秀个体库个体，则将该种群Ｃ个体替换该优秀个体库个体，即更新优秀个体库。

第九步、以种群Ｃ为本代种群，判断本代种群的代数是否大于预设进化代数ＮＧ，ＮＧ为正整数(取值范围优选20－50)；若达到则转至第十步，若未达到则转至第六步。

第十步、向与优秀个体库各个体相应的各微电网发布根据优秀个体库中各个体参数得出的能量调度指令，使各微电网按能量调度指令进行调度控制；判断是否结束控制方法，若否则转至第一步，若是则结束控制。

本实施例中第三步至第九步为改进遗传算法，一方面，通过建立优秀个体库来对种群施加推动作用，进而加速算法收敛速度；另一方面，通过随机引入个体参与算法，可有效增加种群的多样性，避免种群过早被局部最优解所占领。

为验证本实施例改进遗传算法的有益效果，进行了以下仿真实验：对本实施例的改进遗传算法(Ｉｍｐｒｏｖｅｄ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ，ＩＧＡ)、传统遗传算法(ＧＡ)和自适应多位变异遗传算法(Ａｄａｐｔｉｖｅ Ｍｕｌｔｉｐｌｅ Ｂｉｔ Ｍｕｔａｔｉｏｎ Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ，ＡＭＢＭＧＡ)进行优化计算，收敛过程如图3所示，结果表明，本实施例的改进遗传算法具有明显优势。

除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

Claims (4)

1.一种基于实时反馈的互动型微电网能量控制处理方法，其特征是，包括以下步骤：

第一步、根据现有微电网数据预测：在未来预定时刻时，各微电网各分布式电源的输出功率以及各微电网所处地区的负荷需求；对于各微电网，以其内各分布式电源输出功率之和为所述未来预定时刻的微电网总功率；

第二步、根据现有微电网数据确定各微电网的自身运行约束条件，所述自身运行约束条件包括：微电网总功率约束，微电网蓄电池约束，微电网输电线路电压损耗约束；

第三步、将满足自身运行约束条件的微电网作为初始化种群的个体；个体总数量为初始化种群的规模NP，NP为正整数；各个体的参数包括：相应微电网内各分布式电源的调度指令和运行状态，所述运行状态包括分布式电源的并离网状态及相应的储能蓄电池状态；

第四步、将各微电网运行成本的倒数作为相应个体的适应度值；其中，根据第一步所得的微电网所处地区负荷需求与该微电网总功率之差确定微电网与配电网间功率交换的购电成本或售电收益，并计入微电网的运行成本；根据第三步微电网内各分布式电源的调度指令和运行状态确定分布式电源的成本，并计入微电网的运行成本；

第五步、将适应度值最高的M个个体组成优秀个体库，M为正整数；以初始化种群为本代种群，本代种群的代数n＝1；

第六步、以优秀个体库中适应度最高的一个个体a作为第一父本，以从本代种群中随机抽取的X个个体作为第一母本，X为正整数、且先将第一父本与各第一母本进行交叉操作，再将所得个体进行变异操作，得由变异后个体组成的种群A；

第七步、以从优秀个体库中随机抽取的一个个体b作为第二父本，个体b异于个体a；以从本代种群中随机抽取的Y个个体为第二母本，Y为正整数、且其中0.1≤r≤0.2；将第二父本与各第二母本进行单点交叉操作，所得个体组成种群B1；

于此刻，将任意Z个满足自身运行约束条件的微电网作为个体，并以该Z个个体为第三母本，Z为正整数、且其中0.1≤r≤0.2；将第二父本与各第三母本进行单点交叉操作，所得个体组成种群B2；

将种群B1与种群B2合并后对每个个体进行变异操作，得种群B；

第八步、将种群A和种群B合并得种群C，种群C的代数为n+1；针对与种群C中各个体相应的微电网，按当前个体参数确定各微电网运行成本，并以运行成本的倒数作为相应个体的适应度值；将种群C中适应度值最高的一个或若干个体与优秀个体库中适应度值最低的一个或若干个体进行比较，若某种群C个体适应度值高于某优秀个体库个体，则将该种群C个体替换该优秀个体库个体，即更新优秀个体库；

第九步、以种群C为本代种群，判断本代种群的代数是否大于预设进化代数NG，NG为正整数；若达到则转至第十步，若未达到则转至第六步；

第十步、向与优秀个体库各个体相应的各微电网发布根据优秀个体库中各个体参数得出的能量调度指令，使各微电网按能量调度指令进行调度控制；判断是否结束控制方法，若否则转至第一步，若是则结束控制；

第四步中，微电网运行成本F_MG按下式计算：

n为微电网中分布式电源的数量，C_fuel,i为第i个分布式电源的燃料成本，C_m,i为第i个分布式电源的管理费用，c_p,t为t时段配电网实时电价；P_ex,t为t时段配电网与微电网间的交换功率，P_ex,t为正值时电流由配电网注入微电网，P_ex,t为负值时电流由微电网注入配电网；Δt为t时段的时间长度；

其中，P_ex,t即第一步所得的微电网所处地区负荷需求与该微电网总功率之差；C_fuel,i包括微型燃气轮机的燃料成本C_fuel,MT，燃料电池的燃料成本C_fuel,FC；C_m,i包括光伏电池的管理费用C_m,PV，风力发电机的管理费用C_m,WT，微型燃气轮机的管理费用C_m,MT，蓄电池的管理费用C_m,bat，燃料电池的管理费用C_m,FC；

第六步中，先将本代种群的个体按适应度值由高到低进行排序，再从中随机抽取个体作为第一母本；在第一父本与各第一母本进行交叉操作时，若第一母本来自排序后本代种群的前半部分则采用双点交叉，若第一母本来自排序后本代种群的后半部分则采用单点交叉；

第一步中，现有微电网数据包括微电网所处地区的负荷数据、光照强度数据和温度数据、风速数据；分布式电源包括光伏阵列和风力发电机；根据负荷数据预测负荷需求，根据光照强度数据和温度数据预测光伏阵列输出功率，根据风速数据预测风力发电机输出功率；

或者，现有微电网数据包括微电网所处地区的负荷数据、各分布式电源的发电功率数据；根据负荷数据预测负荷需求，根据发电功率数据预测各分布式电源的输出功率；

温度预测采用如下方法：

根据现有温度样本数据T₁[24],T₂[24],...,T_m[24]，计算得到温度变化趋势为ΔT₁[23],ΔT₂[23],...,ΔT_m[23]，采集当前时刻温度T[t]，计算ΔT[t-1]；计算温度变化趋势相似度：

$R_{t,i}=\frac{\underset{k=0}{\overset{t-2}{\&Sigma;}}{\mathrm{\&Delta;T}}_i\&lsqb;k\&rsqb;\&CenterDot;\mathrm{\&Delta;}T\&lsqb;k\&rsqb;}{(\underset{k=0}{\overset{t-2}{\&Sigma;}}{\mathrm{\&Delta;T}}_i^2\&lsqb;k\&rsqb;)(\underset{k=0}{\overset{t-2}{\&Sigma;}}{\mathrm{\&Delta;T}}^2\&lsqb;k\&rsqb;)}$

对相似度进行归一化处理：

$r_{t,i}=\frac{R_{t,i}}{\underset{i=1}{\overset{m}{\&Sigma;}}{R}_{t,i}}$

对t时刻后某一时刻温度进行预测，得到T[24-t]：

$T\&lsqb;k+1\&rsqb;=T\&lsqb;t\&rsqb;+\underset{i=1}{\overset{m}{\&Sigma;}}{r}_{t,i}\&CenterDot;{\mathrm{\&Delta;T}}_i\&lsqb;k+t\&rsqb;,k=0,1,...,23-t.$

2.根据权利要求1所述基于实时反馈的互动型微电网能量控制处理方法，其特征是，第二步中，微电网总功率P_g的约束为：

在非响应调度时段l下，P_g,min≤P_g(l)≤P_g,max，P_g,min为微电网能够从配电网吸收的最大功率，P_g,max为微电网能够向配电网输送功率的最大功率；

在响应调度时段k下，P_g(k)＝P_set，P_set为响应调度时段k下要求的联络线功率；

微电网蓄电池约束为：

SOC_min≤SOC(T)≤SOC_max，SOC(T)为蓄电池的实时荷电状态，SOC_min、SOC_max分别为蓄电池荷电状态的下限和上限；

P_bat,min(SOC)<P_bat(T)<P_bat,max(SOC)，P_bat(T)为蓄电池的实时储能功率，P_bat,min(SOC)、P_bat,max(SOC)分别为在当前荷电状态下蓄电池储能功率的下限和上限；

微电网输电线路电压损耗ΔU的约束为：

L为联络线长度，U_N为并网电压，R_L为联络线的电阻，X_L为联络线的电抗，为微电网输出电流和电压的相位差。

3.根据权利要求1所述基于实时反馈的互动型微电网能量控制处理方法，其特征是，第六步、第七步中，各交叉操作分别按预定的交叉概率进行，各变异操作分别按预定的变异概率进行。

4.根据权利要求1至3任一项所述基于实时反馈的互动型微电网能量控制处理方法，其特征是，第三步中，NP取值范围为50－100；第五步中，M取值范围为5－10；第六步中，X等于的整数部分；第七步中，Y等于的整数部分，Z等于的整数部分；第九步中，NG取值范围为20－50。