CN106712075A - 一种考虑风电并网系统安全约束的调峰策略优化方法 - Google Patents

Abstract

本发明涉及一种考虑风电并网系统安全约束的调峰策略优化方法，本发明在分析风电并网使系统对调峰需求发生变化的基础上，以最大限度消纳风电为目标，通过考虑使调峰发电成本和线损最小、满足潮流安全约束等因素建立了基于火电、水电和抽水蓄能联合调峰的改进优化模型，并采用最优潮流和粒子群算法研究了改进优化模型的求解方法。该调峰方法能够在保证系统安全经济运行的前提下确定有效的调峰机组出力方案，可以有效的减小发电成本和保证系统的安全性，尽可能的消纳大规模风电。最后，对所研究调峰策略优化方法进行了仿真验证。

Description

一种考虑风电并网系统安全约束的调峰策略优化方法

技术领域

本发明涉及一种调峰策略的优化方法，尤其是涉及一种考虑风电并网系统安全约束的调峰策略优化方法。

背景技术

由于能源问题和环境问题日益严峻，风力发电得到蓬勃发展，风电从2004年开始装机，容量一直保持高速发展，但是由于风电具有随机性和间歇性，可能存在反调峰特性，会给系统调峰需求增加困难，因此开展调峰方法研究对确保风电系统的安全经济运行具有重要作用。

目前，有研究围绕评估风电并网系统的系统调峰能力和调峰充裕度开展。如，针对西北电网和京津唐电网，有研究基于确定性方法分析了风电并网后系统调峰特性，给出了调峰能力的评估计算方法；从系统调峰能力充裕性评估角度，有研究基于序贯蒙特卡洛模拟方法和非序贯蒙特卡洛模拟方法，研究了分析大规模风电接入后系统调峰充裕性的评估方法。但这些研究没有给出如何确定调峰方案的方法。对风电并网系统的调峰策略问题，有研究以发电成本最小为目标函数，以功率平衡和调峰容量为约束条件，建立了考虑风电输电通道参与调峰的省级系统调峰模型并给出了调峰方案。如，有研究基于系统调峰负荷和爬坡速率，构建了风电收益最大化的规划模型，但没有考虑水电的调峰作用；有研究考虑水电机组的削峰作用和外送通道的辅助调峰作用，提出了全省常规机组的出力安排模型，但没有考虑抽水蓄能的调峰作用；有研究以发电成本最小、省内水电不弃水方式参与调峰并尽可能多地消纳特高压电力为目标，建立湖北电网火电、水电、抽水蓄能和特高压联合调峰的混合整数线性规划模型。因为这些研究没有考虑到潮流安全约束，因此所制定的调峰策略可能会导致潮流越限问题，难以在实际应用中推广。

针对当前调峰策略及其方法研究存在的不足，本申请在分析风电并网使系统对调峰需求发生变化的基础上，以最大限度消纳风电为目标，提出了一种兼顾系统经济性和安全性的改进型调峰策略优化方法。该方法通过考虑使调峰发电成本和线损最小、满足潮流安全约束等因素，建立了基于火电、水电和抽水蓄能联合调峰的改进优化模型，同时采用最优潮流和粒子群算法研究了改进优化模型的求解方法。所发明调峰方法能够在保证系统安全经济运行的前提下确定有效的调峰机组出力方案，可以有效的减小发电成本和保证系统的安全性。最后，对所研究调峰策略优化方法进行了仿真验证。

发明内容

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种风电并网系统考虑安全约束的负荷调峰优化方法，其特征在于，定义风电并网系统考虑安全约束的调峰策略优化模型、风电并网系统调峰策略优化的约束条件以及调峰能力，具体是：

定义一：调峰机组的调峰能力按式一定义为调峰机组可调容量与其额定有功容量的比值；

式中：α_i为火电、水电或抽水蓄能等调峰机组i的调峰能力；P_Gimax为调峰机组i的最大有功输出，可以定义为机组的额定有功容量；P_Gimin为调峰机组i的最小有功输出；

定义二：调峰策略优化模型基于以下目标函数：在以调峰机组发电成本最小作为系统调峰经济性量化指标基础上，附加考虑网损对系统售电收益影响的经济量化指标，按照式二建立综合考虑风电并网系统运行经济性的优化目标函数：

式中，T为系统调度周期内的总时段数；N_h为调峰火电机组数；N_c为调峰抽水蓄能机组数；N_w为调峰水电机组数；C_hi(t)为调峰火电机组i在t时段发电费用；C¹ _ci(t)和C² _ci(t)分别为调峰抽水蓄能机组i处于发电工况和抽水工况时在t时段的启动费用；C_si(t)为调峰水电机组i在t时段发电费用；P_s为系统销售电价；P_loss(t)为t时段网损；

定义三：风电并网系统调峰策略优化的约束条件建立：在传统以各调峰机的调峰有功不超过其有功输出允许范围、各调峰机组可调容量之和大于等于系统中风电并网有功输出最大变化与系统负荷最大风谷差之和的基础上，附加了考虑潮流安全约束的条件，从而构建式三所示风电并网系统考虑系统安全约束的调峰策略优化约束条件；

式中：N为系统节点集合；N_G为系统的调峰机组节点集合；N_WG为系统的并网风电节点集合；N_g为系统发电机节点集合；N_U为系统中枢电压节点集合；N_Q为系统的无功补偿调节节点集合；P_gj为系统节点j的注入有功；Q_gj为系统节点j的注入无功；△P_Gi为系统的有功调节增量；P_li、Q_li分别为系统负荷的有功和无功；U_i和U_j分别为系统节点i和j的节点电压幅值；G_ij、B_ij和θ_ij分别为节点i、j之间的电导、电纳和电压相角差；α_k为火电、水电或抽水蓄能等调峰机组k的调峰能力；P_Gkmax为调峰机组k的最大技术出力有功容量；△P_mGWmax为系统风电并网节点m的最大风电有功变化；△P_Lmax为系统负荷的最大峰谷差；P_gi为调峰机组的输出功率；P_gimax、P_gimin分别为各调峰机组有功调节的上限和下限；U_imax、U_imin分别为系统各电压重要节点的上下限；Q_gimax和Q_gimin分别为系统无功调节节点无功调节装置无功调节上下限；

负荷调峰优化方法具体包括：

步骤1：基于优化目标风电系统，利用matpower软件建立风电并网系统的潮流计算模型，初始化式二、式三所示优化模型参数；

步骤2：设置反映粒子自身经验认知能力和社会经验认知能力的权重参数c₁、c₂；设置粒子保持已有寻优速度的惯性权重参数ω∈[0,1]，通常可设为0.8；定义寻优目标搜索空间的维度等于风电并网系统调峰机组的节点数NG，并根据调峰机组的调峰能力定义寻优空间Sn，即：根据调峰机组台数确实空间维数，然后根据调峰能力确定每一维的长度，然后设向量x_i为寻优粒子，其分量x_ij表示调峰机组的有功增量，其中，j＝1,2,…,NG，定义粒子的数目为m，并在寻优空间S_n中随机生成各粒子的初始分量x_ij(0)(i＝1,…,m)，同时随机生成各粒子的初始寻优速度v_i(0)；设各粒子对目标函数的最优适应值fit_i＝∞，设粒子群的最优适应值Fit＝∞；设寻优搜索的最大迭代次数为N_max，同时设迭代次数n的初值为1；

步骤3：将各粒子分别代入潮流计算模型，基于matpower最优潮流求解程序进行潮流分析计算，判断潮流是否满足约束条件，若满足，则执行步骤4；若不满足约束条件，则执行步骤7；

步骤4：根据潮流计算结果，利用式二所示目标函数分析当前迭代次数的各粒子适应值fit_i(n)，并判断：若fit_i(n)<fit_i，则fit_i＝fit_i(n)，并且令P_i＝x_i(n)，否则保持fit_i与P_i不变；

步骤5：判断min[fit_i]：若fit_i的最小值min[fit_i]<Fit，则Fit＝min[fit_i]，并且更新min[fit_i]对应的粒子为全局最优粒子x_G，否则保持Fit与x_G不变；

步骤6：若[0.1+0.9(N_max-n)/N_max]-rand(1)≤0，则执行步骤7；

否则在域[x_G-ε,x_G+ε]内随机计算q个粒子x_Gεi的适应值fit_Gεi(n)，其中，ε＝l/2*10^{round(5*rand)}，l为粒子x_G的邻域空间搜索长度，round为取整函数,i＝1,…,q，并比较min[fit_Gεi(n)]：若min[fit_Gεi(n)]<Fit,则Fit和全局最优粒子x_G分别更新为min[fit_εi(n)]和min[fit_εi(n)]对应的邻域粒子x_Gεi，否则则执行步骤7；

步骤7：利用粒子的速度和位移更新公式计算粒子在第n+1次迭代次数的空间位置；

步骤8：如果n+1<N_max，则n＝n+1，返回第三步进行下一次迭代次数的计算，直到迭代次数达到N_max，输出最优解。

在上述一种风电并网系统考虑安全约束的负荷调峰优化方法，采用式四对粒子搜索速度和位置进行主动性更新；

式中，P_i为第i个粒子截止到迭代次数n所搜索到的最优空间位置；rand(1)是均匀分布在区间[0,1]的随机数，目的是为了使粒子能够以等概率的加速度飞向粒子自身最好位置和粒子全局最好的位置；n表示迭代次数；x_G为截止到迭代次数n时基于主动搜索的全局最优点。

因此，本发明的特点在于综合考虑了系统运行的经济性和安全性，建立了风电系统调峰策略的改进优化模型，通过采用粒子群优化算法进行求解，建立了风电系统的调峰策略优化方法。目标函数同时计及系统经济性和安全性，相比较仅考虑系统发电成本，在保证发电成本尽可能小的同时，能够充分利用了各调峰机组的调峰能力，有效降低了网损，并通过潮流约束确保了系统的安全性。通过改进粒子群算法，解决了计算过程中可能存在的早熟收敛和求解精度不足等问题。

附图说明

图1为调峰优化策略的计算流程。

图2 IEEE 118机系统图。

图3a为基于传统调峰方法的机组调峰出力示意图。

图3b为基于改进调峰方法的机组调峰出力示意图。

图4为两种调峰方法的调峰发电成本对比示意图。

图5为各调峰方案的系统运营成本曲线示意图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

1.机组调峰能力的确定方法

机组的调峰能力可以定义为机组可调容量与额定容量的比值，可调容量是指机组最大出力与最小出力之差，即：

式中：α_i为常规机组i的调峰深度；P_Gimax为常规机组i的最大出力，可以取为机组的额定容量；P_Gimin为常规机组i的最小出力。

电力系统中主要的调峰机组一般包括水电机组、火电机组和抽水蓄能。在满足电力系统基本运行条件的情况下，不同调峰机组因调峰方式不同，其调峰能力也将不同。

火电机组的调峰方式通常有启停方式和调荷方式。单机容量100MW及以下的火电机组较适合采用启停调峰，由于启停不仅会增加成本，还会引起其他问题，因此较大容量的机组一般采用调荷方式，它所对应的可调容量为最大出力(额定出力)与最小技术出力的差值。

由于水电机组具有出力调整速度快、可调整范围大、环境污染少、运行成本低等优点，因此你，水电机组参与调峰是最佳的调峰方式，一般应尽量让水电机组在负荷尖峰位置参与调峰，机组的调峰能力也接近100％。

抽水蓄能机组由于具有抽水和发电2种运行状态，因此具有灵活的出力调节能力。当负荷较小时，抽水蓄能机组可以利用电网多余的电能抽水，以位能的形式储存能量；当负荷较多时，抽水蓄能机组可以利用储存的水发电，其机组的调峰能力接近200％。

根据上述原则和实际机组装机容量，可以计算出电网总的调峰能力。

2.基于安全约束的调峰方法建模

传统的调峰策略优化模型均是以使系统发电成本最小来构建优化目标函数，同时以满足机组出力范围作为约束条件。优化目标函数可以表示为：

式中：T为系统调度周期内的总时段数；N_h为火电机组数；N_c为抽水蓄能机组数；N_w为水电机组数；C_hi(t)为火电机组i在t时段发电费用；C¹ _ci(t)和C² _ci(t)分别为抽水蓄能机组i处于发电工况和抽水工况时在t时段的启动费用；C_si(t)为水电机组i在t时段发电费用。

约束条件为：

式中：N_G为系统参与调峰机组的台数；N_WG为系统中风电并网点的个数；ΔP_iGW-max为第i个风电接入点的最大出力变化；ΔP_L-max为系统负荷最大峰谷差；P_Gi为各调峰机组输出功率；P_Gimax、P_Gimin分别为各调峰机组出力上下限。

由上式可知，虽然优化目标函数将发电成本最小作为系统经济性的量化指标，但忽略了网损对系统售电收益的影响，同时，约束条件也缺乏考虑潮流越限的安全约束问题。针对此不足，综合考虑发电成本和网损带来的系统售电收益减少，构造了改进优化目标函数：

式中，P_s为销售电价；P_loss(t)为t时段网损。

同时在传统调峰策略约束条件的基础上，通过增加潮流安全约束条件，得到改进约束条件。

式中，P_li、Q_li分别为负荷的有功和无功功率；ΔP_Gi为有功调节功率；G_ij、B_ij和θ_ij分别为节点lj之间的电导、电纳和电压相角差；N为系统节点数；U_i和Q_i分别为负荷节点电压和无功功率；U_imax、U_imin和Q_imax、Q_imin分别为各节点电压和无功功率的上下限；N_g、N_U和N_Q分别为系统发电机节点数、无功补偿数、有载变压器数和负荷节点数。

3.基于改进粒子群算法的求解流程

本申请采用粒子群优化算法和最优潮流对上述改进的调峰优化模型求解。粒子群优化算法通过模拟飞鸟的捕食过程，利用记忆与反馈机制实现高效的寻优搜索。其基本思想是：每个粒子在解空间中移动，在每次寻优过程中，各个粒子记录下各自曾搜索到的最优点p_id，并记录下所有粒子搜索到的全局最优点g_id，与此同时粒子根据自身最优点及全局最优点来更新自己的速度和位置，如此循环下去，直至收敛到全局最优点。

常规粒子群优化算法中每个粒子跳跃的速度和下一次的移动位置分别由下式确定：

其中i＝1,2,3,….,m，c₁表示粒子自身经验的认知能力，c₂表示粒子社会经验的认知能力。rand(1)是均匀分布在区间[0,1]的随机数，目的是为了使粒子能够以等概率的加速度飞向粒子自身最好位置和粒子全局最好的位置。d＝1,2,…,n表示循环次数。

为了解决粒子群算法可能存在早熟收敛和求解精度不足等问题，可对粒子的跳跃速度进行主动性搜索改进：

式中，若主动探测概率p(t)＝0.1+0.9(T-t)/T>rand(1)，则计算邻域粒子p_i(t)，其中，i＝1,2,3,....,n。若p_i(t)>g_id,则g^* _id＝p_i(t)，其它情况下，g^* _id＝g_id。

调峰策略优化模型的流程图如图1所示，具体步骤如下：

(1)设置模型参数

(2)初始化，设置加速常数c₁，c₂，最大进化代数T_max，将当前进化代数设置为t＝1，在定义的空间S_n中随机产生m个粒子x₁,x₂,....,x_m，组成初始种群x(t)；随机产生各粒子初始速度v_i1,v_i2,……,v_in，组成速度位移矩阵v(t)；

(3)把拟参与调峰机组的出力设为粒子，将粒子群算法赋值的粒子代入matpower的最优潮流程序进行潮流计算，判断潮流是否满足潮流约束。若满足，执行下一步；若不满足潮流约束，则用最近可行解代替当前解，执行下一步。

(4)计算目标函数，比较当前适应度和记忆最佳适应度，若当前适应度优于记忆最佳适应度，进行替换，将当前位置记为粒子最好位置。比较粒子最好位置和种群最好位置，若粒子最好位置优于种群最优位置，进行替换，否则，不变。

(5)粒子速度和位置更新

(6)返回(2)进行循环计算，直到满足收敛条件或迭代最大次数为止，输出最优解。

4、仿真实施例

本申请采用图2所示的IEEE 118机系统进行所提调峰优化方法可行性论证。系统装机容量为2130MW，其中，火电和水电调峰机组装机容量均为200MW，抽水蓄能调峰机组装机容量为300MW，最大负荷为1980MW。优化计算的算法参数设置为:最大迭代次数200次，粒子种子数为50，变异概率0.04，学习因子均为2。

根据传统调峰优化方法和改进调峰优化方法的目标函数，可以得到各自调峰后的机组出力，如图3a、图3b图所示。从调峰结果可以看出，采用两种调峰策略优化方法后，各调峰机组出力的变化趋势大致相同。如图，由于火电发电成本高，因此两种目标函数下各个时刻火电出力均为最小技术出力。虽然两种调峰方案下水电出力和抽水蓄能出力变化趋势一致，但由于改进调峰优化方法的目标函数考虑了网损对供电效益减少的影响，所以导致两种调峰方案下各机组出力的变化幅度略有差异。

基于图3a和图3b所确定的调峰机组出力，仅考虑发电成本，可以得图4所示传统调峰策略优化方法和改进优化方法的发电成本曲线。由于传统调峰优化方法以发电成本最小作为目标函数，可以看出，虽然基于该优化方法的发电成本在各个时刻均不大于基于改进调峰优化方法的发电成本，但二者仍然比较接近。采用传统调峰方法的全天调峰发电成本为1.1885×10⁵，采用改进调峰优化方法的全天调峰发电成本为1.221×10⁵，改进后的全天调峰发电成本约增加2.66％。

然而，从综合考虑发电成本和网损带来售电收益减小的系统运营成本角度出发，可以得到图5所示基于传统调峰优化方法和改进调峰优化方法的系统运营成本曲线。由图可知，考虑网损带来的效益减小后，基于改进调峰优化方法的系统运营成本在各个时刻明显小于基于传统调峰优化方法的系统运营成本。采用传统调峰优化方法的全天调峰运营成本为1.3554×10⁵，而采用改进调峰优化方法的全天调峰运营成本为1.2905×10⁵，改进后的全天调峰运营成本约降低5.03％，提高了系统的运营经济性。

此外，基于两种调峰优化方法的潮流计算结果可见，采用传统调峰优化方法存在潮流越限情况，而改进调峰优化方法由于考虑了潮流安全约束条件，因此避免了潮流越限情况。由此可见，同传统调峰优化方法相比，改进后的调峰优化方法在保证发电成本尽可能小的同时，不仅有效减小系统网损，而且还通过潮流约束保证了系统的正常安全运行状态。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (2)

1.一种风电并网系统考虑安全约束的负荷调峰优化方法，其特征在于，定义风电并网系统考虑安全约束的调峰策略优化模型、风电并网系统调峰策略优化的约束条件以及调峰能力，具体是：

定义一：调峰机组的调峰能力按式一定义为调峰机组可调容量与其额定有功容量的比值；

式中：α_i为火电、水电或抽水蓄能等调峰机组i的调峰能力；P_Gimax为调峰机组i的最大有功输出，可以定义为机组的额定有功容量；P_Gimin为调峰机组i的最小有功输出；

定义二：调峰策略优化模型基于以下目标函数：在以调峰机组发电成本最小作为系统调峰经济性量化指标基础上，附加考虑网损对系统售电收益影响的经济量化指标，按照式二建立综合考虑风电并网系统运行经济性的优化目标函数：

式中，T为系统调度周期内的总时段数；N_h为调峰火电机组数；N_c为调峰抽水蓄能机组数；N_w为调峰水电机组数；C_hi(t)为调峰火电机组i在t时段发电费用；C¹ _ci(t)和C² _ci(t)分别为调峰抽水蓄能机组i处于发电工况和抽水工况时在t时段的启动费用；C_si(t)为调峰水电机组i在t时段发电费用；P_s为系统销售电价；P_loss(t)为t时段网损；

定义三：风电并网系统调峰策略优化的约束条件建立：在传统以各调峰机的调峰有功不超过其有功输出允许范围、各调峰机组可调容量之和大于等于系统中风电并网有功输出最大变化与系统负荷最大风谷差之和的基础上，附加了考虑潮流安全约束的条件，从而构建式三所示风电并网系统考虑系统安全约束的调峰策略优化约束条件；

式中：N为系统节点集合；N_G为系统的调峰机组节点集合；N_WG为系统的并网风电节点集合；N_g为系统发电机节点集合；N_U为系统中枢电压节点集合；N_Q为系统的无功补偿调节节点集合；P_gj为系统节点j的注入有功；Q_gj为系统节点j的注入无功；△P_Gi为系统的有功调节增量；P_li、Q_li分别为系统负荷的有功和无功；U_i和U_j分别为系统节点i和j的节点电压幅值；G_ij、B_ij和θ_ij分别为节点i、j之间的电导、电纳和电压相角差；α_k为火电、水电或抽水蓄能等调峰机组k的调峰能力；P_Gkmax为调峰机组k的最大技术出力有功容量；△P_mGWmax为系统风电并网节点m的最大风电有功变化；△P_Lmax为系统负荷的最大峰谷差；P_gi为调峰机组的输出功率；P_gimax、P_gimin分别为各调峰机组有功调节的上限和下限；U_imax、U_imin分别为系统各电压重要节点的上下限；Q_gimax和Q_gimin分别为系统无功调节节点无功调节装置无功调节上下限；

负荷调峰优化方法具体包括：

步骤1：基于优化目标风电系统，利用matpower软件建立风电并网系统的潮流计算模型，初始化式二、式三所示优化模型参数；

步骤2：设置反映粒子自身经验认知能力和社会经验认知能力的权重参数c₁、c₂；设置粒子保持已有寻优速度的惯性权重参数ω∈[0,1]，通常可设为0.8；定义寻优目标搜索空间的维度等于风电并网系统调峰机组的节点数NG，并根据调峰机组的调峰能力定义寻优空间Sn，即：根据调峰机组台数确实空间维数，然后根据调峰能力确定每一维的长度，然后设向量x_i为寻优粒子，其分量x_ij表示调峰机组的有功增量，其中，j＝1,2,…,NG，定义粒子的数目为m，并在寻优空间S_n中随机生成各粒子的初始分量x_ij(0)(i＝1,…,m)，同时随机生成各粒子的初始寻优速度v_i(0)；设各粒子对目标函数的最优适应值fit_i＝∞，设粒子群的最优适应值Fit＝∞；设寻优搜索的最大迭代次数为N_max，同时设迭代次数n的初值为1；

步骤3：将各粒子分别代入潮流计算模型，基于matpower最优潮流求解程序进行潮流分析计算，判断潮流是否满足约束条件，若满足，则执行步骤4；若不满足约束条件，则执行步骤7；

步骤4：根据潮流计算结果，利用式二所示目标函数分析当前迭代次数的各粒子适应值fit_i(n)，并判断：若fit_i(n)<fit_i，则fit_i＝fit_i(n)，并且令P_i＝x_i(n)，否则保持fit_i与P_i不变；

步骤5：判断min[fit_i]：若fit_i的最小值min[fit_i]<Fit，则Fit＝min[fit_i]，并且更新min[fit_i]对应的粒子为全局最优粒子x_G，否则保持Fit与x_G不变；

步骤6：若[0.1+0.9(N_max-n)/N_max]-rand(1)≤0，则执行步骤7；

否则在域[x_G-ε,x_G+ε]内随机计算q个粒子x_Gεi的适应值fit_Gεi(n)，其中，ε＝l/2*10^{round (5*rand)}，l为粒子x_G的邻域空间搜索长度，round为取整函数,i＝1,…,q，并比较min[fit_Gεi(n)]：若min[fit_Gεi(n)]<Fit,则Fit和全局最优粒子x_G分别更新为min[fit_εi(n)]和min[fit_εi(n)]对应的邻域粒子x_Gεi，否则则执行步骤7；

步骤7：利用粒子的速度和位移更新公式计算粒子在第n+1次迭代次数的空间位置；

步骤8：如果n+1<N_max，则n＝n+1，返回第三步进行下一次迭代次数的计算，直到迭代次数达到N_max，输出最优解。

2.根据权利要求1所述的一种风电并网系统考虑安全约束的负荷调峰优化方法，其特征在于，采用式四对粒子搜索速度和位置进行主动性更新；

式中，P_i为第i个粒子截止到迭代次数n所搜索到的最优空间位置；rand(1)是均匀分布在区间[0,1]的随机数，目的是为了使粒子能够以等概率的加速度飞向粒子自身最好位置和粒子全局最好的位置；n表示迭代次数；x_G为截止到迭代次数n时基于主动搜索的全局最优点。