CN106485358A - 结合序列运算和粒子群算法的独立微电网优化配置方法 - Google Patents

Abstract

本发明涉及一种结合序列运算和粒子群算法的独立微电网优化配置方法，包括：模型建立步骤，建立优化数学模型，该优化数学模型的目标函数为整个微电网全月总费用最小，约束条件包括能源供需平衡约束、分布式供能设备的可利用性约束和蓄电池设备约束；模型求解步骤，从待规划区域历史气象数据库中获取所述优化数学模型的输入变量参数值，采用结合序列运算理论的粒子群算法对所述优化数学模型进行求解，获得优化数学模型决策变量的输出数据，根据所述决策变量的输出数据获得独立微电网中风机、光伏和蓄电池的最优配置数量。与现有技术相比，本发明解决了现有方法中未考虑不确定因素从而影响微电网运行的安全性和可靠性问题。

Description

结合序列运算和粒子群算法的独立微电网优化配置方法

技术领域

本发明涉及微电网的优化规划设计领域，尤其是涉及一种结合序列运算和粒子群算法的独立微电网优化配置方法。

背景技术

随着传统能源危机，环境问题不断紧张，发展可再生能源发电(Renewable energypower，REP)技术成为解决传统能源所带来问题的必然途经。有效利用分布式可再生能源的微电网技术是目前采用的重要形式，但是其风、光等分布式发电输出的随机性和间歇性的主要特点直接给微电网运行安全性和稳定性带来了一系列影响。

根据所需规划微网所在地的历史风速、光照强度和负荷等数据对系统进行仿真计算得到系统全寿命周期内优化目标值，但是考虑到风速和光照强度具有随机性和间歇性并且负荷也存在波动性，这些不确定性因素会使得已有的优化配置方法不能保证在风速、光照和负荷发生一定程度波动的实际运行状态下的系统还能在最佳状态下运行，从而导致系统实际运行的安全性和可靠性的水平受到很大影响。所以在进行微电网优化配置时需要将这些不确定性因素考虑进去才能保证并且提高微电网系统运行的安全性和可靠性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷，针对微电网优化配置中风光的随机性和间歇性以及负荷的波动性，提供一种结合序列运算和粒子群算法的独立微电网优化配置方法。

本发明的目的可以通过以下技术方案来实现：

一种结合序列运算和粒子群算法的独立微电网优化配置方法，包括：

模型建立步骤，建立优化数学模型，该优化数学模型的目标函数为整个微电网 全月总费用最小，约束条件包括能源供需平衡约束、分布式供能设备的可利用性约束和蓄电池设备约束；

模型求解步骤，从待规划区域历史气象数据库中获取所述优化数学模型的输入变量参数值，采用结合序列运算理论的粒子群算法对所述优化数学模型进行求解，获得优化数学模型决策变量的输出数据，根据所述决策变量的输出数据获得独立微电网中风机、光伏和蓄电池的最优配置数量。

所述目标函数的表达式为：

式中：T为运行时间，N为电源的类型数目，电源的类型包括风机、光伏和蓄电池，x＝[x₁,x₂,...x_N]为决策变量，x_i为第i种电源的数目，C_CPi(t)、C_OMi(t)、C_Ei(t)、C_Si(t)分别为t时刻第i种电源的初始投资成本、运行维护成本、惩罚费用和发电补贴。

所述能源供需平衡约束为：

P_EL＝P_L-(P_WT+P_PV)

式中：P_WT风机出力，P_PV为光伏出力，P_L为负荷的等效值，P_EL为等效负荷；

所述分布式供能设备的可利用性约束包括风机光伏出力约束、负载供电率机会约束和能量过剩率机会约束，其中，所述风机光伏出力约束为：

式中：N_WT为风机个数，N_PV光伏个数，P_WTN、P_PVN分别为单台风机、单台光伏组件的额定功率；

所述负载供电率机会约束为：

式中：P_r{}为事件成立的概率，α为预先给定的置信水平，R(t)为时刻t的蓄电池容量，表示时刻t的等效负荷；

所述能量过剩率机会约束为：

式中，β为预先给定的置信水平；

所述蓄电池设备约束包括荷电状态约束和蓄电池充放电功率约束，其中，所述荷电状态约束为：

SOC_min≤SOC≤SOC_max

式中：SOC为蓄电池的荷电状态，SOC_min、SOC_max分别为允许荷电状态的上下限；

所述蓄电池充放电功率约束为：

式中：分别为t时刻蓄电池允许的最大充电功率和放电功率，分别为蓄电池允许的最大可充、放电电流，SOC(t)为t时刻蓄电池的荷电状态，C_bat为蓄电池容量，Δt为时间间隔，U_bat(t)为t时刻蓄电池的电压。

所述待规划区域历史气象数据库存储有区域内风历年风速、光照强度和负荷数据，能源设备性能特性和价格信息以及区域新能源相关政策补贴信息。

所述采用结合序列运算理论的粒子群算法对所述优化数学模型进行求解的具体过程为：

1)设置粒子群算法的参数，包括最大迭代次数Nmax和设定时间段Tmax；

2)根据所述输入变量参数值生成单个风机出力、光伏发电及负荷的概率性序列；

3)随机生成初始化粒子群，每一个粒子为由风机个数N_WT、光伏个数N_PV和蓄电池个数N_BAT组成的三维向量，初始化迭代次数Ngen＝0；

4)初始化当前时刻t＝0；

5)计算t时刻的等效负荷的概率性序列和各约束条件；

6)判断t＝Tmax是否成立，若是，则执行步骤7)，若否，则t＝t+1，返回步骤5)；

7)计算当前粒子群的目标函数值，进行适应性评价；

8)判断Ngen＝Nmax是否成立，若是，则输出最优结果，若否，则更新粒子群速度和位置后，返回步骤4)。

所述概率性序列表示为：

式中：F(i)为概率性序列，N_F为序列长度，取为[P_max/ΔP]，[x]表示不大于x的整数，P_max为随机变量最大值，ΔP为离散化步长，f(p)为随机变量的概率密度函数。

所述t时刻的等效负荷的概率性序列表示为：

式中：f(i_ft)为t时刻的等效负荷的概率性序列，d(i_dt)为t时刻的负荷P_L(t)概率性序列，c(i_ct)为t时刻的风光共同随机出力概率序列，i_dt、i_ct、i_ft均为序列号，N_ft为等效负荷的概率性序列的序列长度；

t时刻的风光共同随机出力概率序列定义为：

a(i_at)、b(i_bt)分别为t时段风机出力P_PVt和光伏出力P_PVt的概率性序列，i_at、i_bt均为序列号，N_ct为风光共同随机出力概率序列的序列长度。

与现有技术相比，本发明具有以下有益效果：

1)本发明通过结合序列运算理论和粒子群算法，将基于机会约束规划的优化配置模型转化为定量性计算满足概率约束的确定性模型，优化求解独立微电网的优化规划的风机，光伏和储能的数量，从而解决了独立微电网的优化配置时风速，光照强度的随机性和负荷的波动性的不确定因素的问题，解决了现有方法中未考虑不确定因素从而影响微电网运行的安全性和可靠性问题，提高了配置可靠性，为确定合理的规划设计方案提供科学依据。

2)通过本发明配置方法可以使太阳能、风能等可再生能源进行合理、高效利用，并且可以保证微电网运行的可靠性和安全性。

附图说明

图1为一风-光-储独立微电网的结构示意图；

图2为本发明模型求解过程的流程示意图；

图3为本发明采用结合序列运算理论和粒子群算法的等效负荷的序列概率图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本实施例提供一种结合序列运算和粒子群算法的独立微电网优化配置方法，风-光-储独立微电网的结构示意图如图1所示，该方法包括：

模型建立步骤，建立优化数学模型，包含目标函数和约束条件，所述目标函数表示决策变量与输入变量和/或中间变量间的数学等式关系；所述约束条件基于决策变量、输入变量或中间变量定量呈现源、荷、储间的能量关系。该优化数学模型的目标函数为整个微电网全月总费用最小。约束条件采用分布式电源、储能设备特性信息主要包括既有电源和储能设备的安装容量﹑技术参数，以及其他有可能配置的分布式电源、储能设备的性能(额定容量﹑效率等)和价格参数(初期投资﹑运维费用等)。约束条件包括能源供需平衡约束、分布式供能设备的可利用性约束和蓄电池设备约束。

模型求解步骤，从待规划区域历史气象数据库中获取优化数学模型的输入变量参数值，采用结合序列运算理论的粒子群算法对优化数学模型进行求解，获得优化数学模型决策变量的输出数据，根据决策变量的输出数据获得独立微电网中风机、光伏和蓄电池的最优配置数量。待规划区域历史气象数据库存储有区域内风历年风速、光照强度和负荷数据，能源设备性能特性和价格信息以及区域新能源相关政策补贴信息等。

在进行设备配置时，本方法建立的优化模型综合考虑风速，光照强度的随机性和负荷的波动性的不确定因素，解决了现有方法中设备配置不能保证微电网的安全性和可靠性的问题，为确定合理的规划方案提供科学依据。

1.发电单元的数学模型

1.1风力发电出力的数学模型

采用威布尔分布描述风速统计概率密度函数，表示为：

式中：c为weibull分布的尺度参数，k分别为weibull分布的形状参数。

风机的输出功率如下式所示：

式中：P_N为风机额定输出功率；v为风机轮毂高度处的风速；v_N为额定风速；v_in为切入风速；v_out为切出风速。

1.2光伏发电出力的数学模型

一定时间段内的太阳辐照度可近似看为Beta分布。概率密度分布表示为：

式中：r_max为该时段内太阳最大光照强度，α、β分别为Beta分布的形状参数。

光伏组件稳态功率输出采用下列模型：

P＝rAη₀·CEE·IE

式中：r为该时段内太阳辐照度，CEE为连接效率，IE为逆变器转换效率，A为光伏阵列的总面积，A_m为单个电池组件的面积，η₀为光伏阵列的光电转换效率。

1.3负荷的数学模型

微网的负荷波动可认为服从正态分布：U_L为负荷的期望值， 是负荷波动的标准差。本实施例所指负荷默认为有功负荷。

1.4蓄电池的数学模型

在微电网中蓄电池是使用较为广泛的储能装置，不考虑储能单元的内部电路，从剩余电量，充放电两个方面对蓄电池储能系统建模。

①蓄电池充电模型

t时刻蓄电池剩余容量为：

②蓄电池放电模型

t时刻蓄电池剩余容量为：

式中：SOC(t)、SOC(t-1)分别为第t，t-1个时段结束时蓄电池的剩余电量；δ为蓄电池自放电率，％/h；P_t(t)为微网系统t时刻风光的供电量，kW；P_L(t)为t时刻所需电负荷，kW；η_inv、η_c、η_d分别为逆变器的效率、蓄电池的充电效率、蓄电池放电效率,％；E_bat为蓄电池的额定容量，kW·h。

2机会约束规划的优化配置模型

2.1目标函数

独立型的微电网系统优化目标是在保证满足约束条件的前提下尽可能的减少综合成本。本实施例以风机个数N_WT，光伏个数N_PV和蓄电池个数N_BAT为变量，目标函数主要考虑了设备投资成本、运行和维护成本、惩罚成本及发电补贴这4部分费用，优化配置结果在满足微电网系统约束条件的同时使得微电网综合投资费用最低。本实施例假设在同一地点的风机出力和光伏出力都是相同并且相互独立的。

式中：T为运行时间，N为电源的类型数目，电源的类型包括风机、光伏和蓄电池，x＝[x₁,x₂,...x_N]为决策变量，x_i为第i种电源的数目，C_CPi(t)、C_OMi(t)、C_Ei(t)、C_Si(t)分别为t时刻第i种电源的初始投资成本、运行维护成本、惩罚费用和发电补贴。

①设备投资费用

式中：C_INSi为第i个微电源单位容量的投资成本；k_i为第i个微电源的容量因数，等于第i个微电源的年发电量/(8760*该微源的额定容量)；r为年利率，取6.7％；n_i为第i个微电源的寿命；P_i(t)为第i个电源t时刻的有功功率输出。

②运行和维护费用

C_OMi正比于微源的实际运行功率：

C_OMi(t)＝K_OMiP_i(t)

式中：K_OMi为第i个微电源单位容量的运行维护成本系数。

③惩罚费用

引入停电惩罚费C_El(t)和能量浪费惩罚费用C_Ew(t)减少微电源总出力高于负荷需求所造成的能量浪费和微电源总出力低于负荷需求所造成的电力不足。

C_El(t)＝k_lP_l(t)

C_Ew(t)＝k_wP_w(t)

式中：k_l、k_w分别为电力不足惩罚系数和能量浪费惩罚系数；P_l(t)、P_w(t)分别为t时刻功率缺额和功率过剩。

④发电补贴

政府对新能源发电也有相应的发电补贴。

C_Si(t)＝p_sP_s(t)

式中：p_s为补贴电价；P_s(t)为t时刻风机和光伏输出功率。

2.2约束条件

定义风机出力、光伏出力和负荷的等效值为等效负荷(Equivalent Load,EL)，三者的关系见式：

P_EL＝P_L-(P_WT+P_PV)

①风机、光伏出力约束

式中：P_WTN、P_PVN分别为单台风机、单台光伏组件的额定功率。

②负载供电率机会约束模型

如果满足系统所有情况下的可靠性，其中包括实际运行中某些发生概率很小的极端情况，则需要很大的储能容量和较高的经济成本才能实现。运用机会约束规划方法构建负载供电率可靠性概率约束模型，即风光出力与储能容量满足负荷需求的概率。合适的置信水平可使得可靠性和经济性的折中求解最优化配置结果。负载供电率概率约束描述如下式，即t时刻当等效负荷小于0则表示风光出力满足负荷需求或者等效负荷大于0表示风光出力不满足负荷但是此时储能剩余容量满足剩余负荷：

式中：P_r{}为事件成立的概率；α为预先给定的置信水平；R(t)为时段t内系统储能容量。

③能量过剩率机会约束模型

能量过剩率概率约束描述如下式，即风光出力满足负荷需求的同时又超出储能的剩余储能容量：

式中：P_r{}为事件成立的概率；β为预先给定的置信水平；R(t)为时段t内系统储能容量；

④蓄电池充放电约束

a.荷电状态约束

SOC_min≤SOC≤SOC_max

式中：SOC_min、SOC_max分别为允许荷电状态的上下限。

b.充放电功率的约束

式中：分别为第t小时蓄电池允许的最大充电功率和放电功率；C_bat为蓄电池容量，A·h；分别为蓄电池允许的最大可充、放电电流，一般取额定容量的20％。

3结合序列运算理论的粒子群算法的优化数学模型求解

3.1风光出力和负荷的序列化建模

在序列运算的理论基础上，将随机变量根据其概率密度函数转换为概率性序列。已知随机变量的概率密度函数为f(p)，则概率性序列可表示为：

式中：N_F为序列长度，取为[P_max/ΔP]，[x]表示不大于x的整数；P_max为随机变量最大值；ΔP为离散化步长，一般取多个随机变量的公约数。

3.2结合粒子群算法与序列理论求解等效负荷的概率性序列

(1)风光共同随机出力概率序列

如果t时段风机出力P_PVt和光伏出力P_PVt的概率性序列分别为a(i_at)、b(i_bt)，序列长度分别为N_at、N_bt，假设共同随机出力P_WTPVt概率性序列为c(i_ct)，序列长度为N_ct，那么c(i_ct)由a(i_at)与b(i_bt)卷和运算得到：N_ct＝N_at+N_bt。根据卷 和定义有：

粒子群算法在初始化时会随机抽取粒子群，在每一次迭代过程中会改变粒子的速度和位置重新寻找最优解。本实施例的求解过程中每一个粒子的维数是风机个数N_WT，光伏个数N_PV和蓄电池个数N_BAT三维，n个粒子则组成粒子群。

t时段风机出力P_PVt和光伏发电P_PVt的概率性序列都是数台风机的总出力和数个光伏的总出力。将粒子群算法中每一次迭代过程中的粒子取值中风机台数和光伏模块个数分别与t时段单台风机出力和单个光伏出力的概率性序列相结合，则可以分别得到t时段风机总出力和光伏总出力的概率性序列，经过卷和运算可得到风光共同随机出力的概率性序列。

(2)等效负荷的概率序列

将负荷概率性序列和共同随机出力概率性序列进行卷差计算可得等效负荷的概率性序列。如果t时刻的负荷P_L(t)概率性序列为d(i_dt)，序列长度为N_dt，等效负荷P_EL(t)的概率性序列为f(i_ft),序列长度为N_ft，则由卷差计算得到f(i_ft)＝d(i_dt)-c(i_ct),N_ft＝N_dt，等效负荷P_EL(t)的概率性序列表示如式：

当i_ft＝0时卷差运算是有实际物理意义的，i_ft＝0的概率是所有负荷小于等于风光共同随机出力的概率之和，也就是将所有负荷与风光共同随机出力之差的负值部分合并到此点上。此时等效负荷小于0，可靠性满足的概率为100％，因此归并到i_ft＝0符合实际分析需求。如图3是某时间点等效负荷的概率性序列。

3.3负载供电率概率性约束的确定性计算

为计算负载供电率满足概率，定义0-1变量如式：

上式表明：在t时刻如果风光的共同出力满足负荷需求或者在风光的共同出力不满足负荷需求时储能剩余容量满足剩余的负荷，此时对应的h(i_ht)则取1，其他 的情况取0，则此时的负载供电率概率则是对所有满足情况的序列概率的累积，则t时段负载供电率约束满足的概率可确定性计算为：

当χ＞α时表示满足负载供电率机会约束，其中α为满足负载供电率的置信水平。

3.4能量过剩率概率约束的确定性计算

基于同样的理论计算能量过剩率满足概率，定义0-1变量如式：

上式表明：在t时刻风光的共同出力满足负荷需求并且储能系统也不能完全消耗掉剩余的风光出力时，变量取1，否则取0。

则能量过剩率约束满足概率可确定性计算为：

当δ＞β时表示满足能量过剩率机会约束，其中β为满足能量过剩率的置信水平。

如图2所示，本方法中，采用结合序列运算理论的粒子群算法对所述优化数学模型进行求解的具体过程为：

1)设置粒子群算法的参数，包括最大迭代次数Nmax和设定时间段Tmax，本实施例中Tmax＝720；

2)根据输入变量参数值生成单个风机出力、光伏发电及负荷的概率性序列；

3)随机生成初始化粒子群，每一个粒子为由风机个数N_WT、光伏个数N_PV和蓄电池个数N_BAT组成的三维向量，初始化迭代次数Ngen＝0；

4)初始化当前时刻t＝0；

5)计算t时刻的等效负荷的概率性序列和各约束条件；

6)判断t＝Tmax是否成立，若是，则执行步骤7)，若否，则t＝t+1，返回步骤5)；

7)计算当前粒子群的目标函数值，进行适应性评价；

8)判断Ngen＝Nmax是否成立，若是，则输出最优结果，若否，则更新粒子群速度和位置后，返回步骤4)。

在获得输入变量参数值之后，将约束条件中的机会约束规划模型转化为确定性定量性计算，可对上述优化数学模型求解，得到优化配置的风机，光伏和储能数量的最优化配置结果，具体说明如下：

1)配置结果中的决策变量为机个数N_WT，光伏个数N_PV和蓄电池个数N_BAT。确定了配置数量即可确定相应投资，以及计算相关的约束条件指标等。

2)优化组合配置与设备容量和成本有关。在输入数据库中，风机，光伏和储能设备预先设定了机型，其额定容量和成本以及一些相关参数已定。

3)评价层面主要是根据上述决策变量的优化结果进行的再计算得到的一指标，并不涉及独立的决策变量。

上面各种方法的步骤划分，只是为了描述清楚，实现时可以合并为一个步骤或者对某些步骤进行拆分，分解为多个步骤，只要包含相同的逻辑关系，都在本专利的保护范围内；对算法中或者流程中添加无关紧要的修改或者引入无关紧要的设计，但不改变其算法和流程的核心设计都在该专利的保护范围内。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

Claims (7)

1.一种结合序列运算和粒子群算法的独立微电网优化配置方法，其特征在于，包括：

模型建立步骤，建立优化数学模型，该优化数学模型的目标函数为整个微电网全月总费用最小，约束条件包括能源供需平衡约束、分布式供能设备的可利用性约束和蓄电池设备约束；

模型求解步骤，从待规划区域历史气象数据库中获取所述优化数学模型的输入变量参数值，采用结合序列运算理论的粒子群算法对所述优化数学模型进行求解，获得优化数学模型决策变量的输出数据，根据所述决策变量的输出数据获得独立微电网中风机、光伏和蓄电池的最优配置数量。

2.根据权利要求1所述的结合序列运算和粒子群算法的独立微电网优化配置方法，其特征在于，所述目标函数的表达式为：

$\min C=\underset{t=1}{\overset{T}{\Σ}}\underset{i=1}{\overset{N}{\Σ}}\left(C_{CPi}\right(t)x_i+C_{OMi}(t)x_i+C_{Ei}(t)x_i+C_{Si}(t\left)x_i\right)$

式中：T为运行时间，N为电源的类型数目，电源的类型包括风机、光伏和蓄电池，x＝[x₁,x₂,...x_N]为决策变量，x_i为第i种电源的数目，C_CPi(t)、C_OMi(t)、C_Ei(t)、C_Si(t)分别为t时刻第i种电源的初始投资成本、运行维护成本、惩罚费用和发电补贴。

3.根据权利要求1所述的结合序列运算和粒子群算法的独立微电网优化配置方法，其特征在于，所述能源供需平衡约束为：

P_EL＝P_L-(P_WT+P_PV)

式中：P_WT风机出力，P_PV为光伏出力，P_L为负荷的等效值，P_EL为等效负荷；

所述分布式供能设备的可利用性约束包括风机光伏出力约束、负载供电率机会约束和能量过剩率机会约束，其中，所述风机光伏出力约束为：

$\left\{\begin{array}{c}{P}_{WT}\≤N_{WT}\·P_{WTN}\\ P_{PV}\≤N_{PV}\·P_{PVN}\end{array}\right.$

式中：N_WT为风机个数，N_PV光伏个数，P_WTN、P_PVN分别为单台风机、单台光伏组件的额定功率；

所述负载供电率机会约束为：

$P_r\{P_{EL}^t\≤0\}+P_r\{R\left(t\right)\≥P_{EL}^t/P_{EL}^t>0\}>\mathrm{\α}$

式中：P_r{}为事件成立的概率，α为预先给定的置信水平，R(t)为时刻t的蓄电池容量，表示时刻t的等效负荷；

所述能量过剩率机会约束为：

$P_r\{R\left(t\right)<|P_{\mathrm{EL}}^t|/P_{\mathrm{El}}^t<0\}<\mathrm{\&beta;}$

式中，β为预先给定的置信水平；

所述蓄电池设备约束包括荷电状态约束和蓄电池充放电功率约束，其中，所述荷电状态约束为：

SOC_min≤SOC≤SOC_max

式中：SOC为蓄电池的荷电状态，SOC_min、SOC_max分别为允许荷电状态的上下限；

所述蓄电池充放电功率约束为：

$P_{ch}^{\max }\left(t\right)=min\{({\mathrm{SOC}}_{max}-SOC(t\left)\right)C_{bat}/\mathrm{\&Delta;}t,I_{ch}^{\max }\}{U}_{bat}\left(t\right)$

$P_{dh}^{\max }\left(t\right)=min\{\left(SOC\right(t)-{\mathrm{SOC}}_{min})C_{bat}/\mathrm{\&Delta;}t,I_{dh}^{\max }\}{U}_{bat}\left(t\right)$

式中：分别为t时刻蓄电池允许的最大充电功率和放电功率，分别为蓄电池允许的最大可充、放电电流，SOC(t)为t时刻蓄电池的荷电状态，C_bat为蓄电池容量，Δt为时间间隔，U_bat(t)为t时刻蓄电池的电压。

4.根据权利要求1所述的结合序列运算和粒子群算法的独立微电网优化配置方法，其特征在于，所述待规划区域历史气象数据库存储有区域内风历年风速、光照强度和负荷数据，能源设备性能特性和价格信息以及区域新能源相关政策补贴信息。

5.根据权利要求1所述的结合序列运算和粒子群算法的独立微电网优化配置方法，其特征在于，所述采用结合序列运算理论的粒子群算法对所述优化数学模型进行求解的具体过程为：

1)设置粒子群算法的参数，包括最大迭代次数Nmax和设定时间段Tmax；

2)根据所述输入变量参数值生成单个风机出力、光伏发电及负荷的概率性序列；

3)随机生成初始化粒子群，每一个粒子为由风机个数N_WT、光伏个数N_PV和蓄电池个数N_BAT组成的三维向量，初始化迭代次数Ngen＝0；

4)初始化当前时刻t＝0；

5)计算t时刻的等效负荷的概率性序列和各约束条件；

6)判断t＝Tmax是否成立，若是，则执行步骤7)，若否，则t＝t+1，返回步骤5)；

7)计算当前粒子群的目标函数值，进行适应性评价；

8)判断Ngen＝Nmax是否成立，若是，则输出最优结果，若否，则更新粒子群速度和位置后，返回步骤4)。

6.根据权利要求5所述的结合序列运算和粒子群算法的独立微电网优化配置方法，其特征在于，所述概率性序列表示为：

$F\left(i\right)=\left\{\begin{array}{cc}{\&Integral;}_{-\mathrm{\&infin;}}^{\mathrm{\&Delta;}p/2}f\left(p\right)dp& i=0\\ {\&Integral;}_{i\mathrm{\&Delta;}p-\mathrm{\&Delta;}p/2}^{i\mathrm{\&Delta;}p+\mathrm{\&Delta;}p/2}f\left(p\right)dp& 0<i<N_F\\ {\&Integral;}_{i\mathrm{\&Delta;}p-\mathrm{\&Delta;}p\mathrm{/2}}^{+\mathrm{\&infin;}}f\left(p\right)dp& i=N_F\end{array}\right.$

式中：F(i)为概率性序列，N_F为序列长度，取为[P_max/ΔP]，[x]表示不大于x的整数，P_max为随机变量最大值，ΔP为离散化步长，f(p)为随机变量的概率密度函数。

7.根据权利要求5所述的结合序列运算和粒子群算法的独立微电网优化配置方法，其特征在于，所述t时刻的等效负荷的概率性序列表示为：

$f\left(i_{ft}\right)=\left\{\begin{array}{cc}\underset{i_{dt}-i_{ct}=i_{ft}}{\&Sigma;}d\left(i_{dt}\right)\&CenterDot;c\left(i_{ct}\right)& 1\&le;i_{ft}\&le;N_{ft}\\ \underset{i_{dt}\&le;i_{ct}}{\&Sigma;}d\left(i_{dt}\right)\&CenterDot;c\left(i_{ct}\right)& i_{ft}=0\end{array}\right.$

式中：f(i_ft)为t时刻的等效负荷的概率性序列，d(i_dt)为t时刻的负荷P_L(t)概率性序列，c(i_ct)为t时刻的风光共同随机出力概率序列，i_dt、i_ct、i_ft均为序列号，N_ft为等效负荷的概率性序列的序列长度；

t时刻的风光共同随机出力概率序列定义为：

$c\left(i_{ct}\right)=\underset{i_{at}+i_{bt}=i_{ct}}{\&Sigma;}a\left(i_{at}\right)\&CenterDot;b\left(i_{bt}\right),i_{ct}=0,1,...,N_{ct}$

a(i_at)、b(i_bt)分别为t时段风机出力P_PVt和光伏出力P_PVt的概率性序列，i_at、i_bt均为序列号，N_ct为风光共同随机出力概率序列的序列长度。