CN106887841B - 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 - Google Patents

Abstract

本发明提出一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法，在满足电动汽车用电需求的情况下，发挥电动汽车所具有的储能功能，提出了包含年费用成本、全年负荷缺电概率和负荷曲线峰谷差为目标的多目标模型，运用多种群遗传粒子群算法对目标函数进行求解，可以精确的获得微电网系统中各单元的最优容量，在保证系统可靠性及平抑负荷波动的情况下，还可以实现较高的经济效益。通过对含有电动汽车的微电网系统的优化，在保证系统可靠性和经济性的基础上，利用电动汽车该移动储能装置，可以实现削峰填谷，降低系统曲线的峰谷差，不但可以提高电力系统的稳定性，还有很高的经济效益，从而有利于电动汽车此清洁装置的推广利用。

Description

一种含电动汽车微电网容量配置的多种群遗传粒子群优化 方法

技术领域

本发明涉及包含电动汽车和间歇式可再生能源的微电网系统在保证年费用成本、全年负荷缺电概率和负荷曲线峰谷差最小的情况下设备容量最优的计算方法，尤其涉及一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法。

背景技术

国内外研究成果及运行经验均表明含电动汽车的微电网容量优化配置还处于初级阶段，优化目标过于单一，有的采用年费用或年成本为目标函数，有的虽然考虑了供电可靠性指标，但对系统负荷曲线峰谷差的降低考虑不足，因此无法保证系统的稳定性，且对于目标函数的优化多采用粒子群算法或遗传算法，两者均存在一些缺点，使得最后的寻优结果不够精确，速度不够快。

由于含电动汽车的微电网容量优化配置是一个多目标非线性规划问题，目前对其进行系统优化存在优化目标单一，优化方法存在缺陷等缺点，所以本发明将一种多种群遗传粒子群算法应用于含电动汽车的微电网系统优化过程中，以年费用成本、全年负荷缺电概率和负荷曲线峰谷差最小为优化目标，采用判断矩阵法将多目标函数转化成单目标函数，利用多种群遗传粒子群算法对微电网系统进行优化，求出该系统最优设备容量组合。采用该项技术对微电网容量进行优化配置，可降低微电网的年费用成本，保证系统的稳定性，并且其削峰填谷效果明显。因此，提供一种能够精确全面的计算含电动汽车的微电网系统设备配置容量的方法对电动汽车的推广及电力系统稳定运行有极其重要的指导意义。

发明内容

本发明的目的是提供一种高效率、快速、经济的设计方法，能有效计算包含电动汽车和间歇式可再生能源的微电网系统的设备容量配置。由于传统优化目标函数单一，且采用传统数学模拟建模进行优化处理难度比较大，所以本发明基于多种群遗传粒子群算法作为一种可用于多目标非线性规划问题的优化方法，对设备容量配置进行优化，最终得到最佳容量组合，此方法可以提高系统的经济性，同时还能够保证系统运行的稳定性，降低系统负荷峰谷差，因此对于工程实践有着重要意义与参考价值。

本发明实现上述目的的技术原理是应用多种群遗传粒子群算法对含有电动汽车的微电网系统进行容量优化配置，构建以年费用成本、全年负荷缺电概率和负荷曲线峰谷差最小的目标模型，并通过判断矩阵法将多目标函数转化成单目标函数，利用多种群遗传粒子群算法对该目标函数进行优化，从而可以较为精确的计算此系统所需设备最优容量，以降低系统故障率，保证系统平稳运行，同时还能够实现较高的经济效益。

本发明依据上述技术原理而采用的技术方案包括以下步骤：

第一步，构建包含电动汽车和间歇式可再生能源的微电网系统结构：

构建的微电网系统结构主要由以下5部分组成：风力发电模块、光伏发电系统、电动汽车模块、储能电池模块、电网系统；

第二步，建立太阳能光伏发电系统模型：

基于径向基函数神经网络对光伏发电功率进行预测，径向基函数神经网络包括三层：输入层，隐含层，输出层，其中输入层主要包括：日期、日平均风速、日平均相对湿度、日平均太阳辐射、日平均气温，输出层为光伏发电系统的每小时输出功率，用绝对百分误差Δδ来表示预测模型的性能

式中n为预测数据的总数量；A_σ为第σ次的实际数据；F_σ为第σ次的预测数据；

第三步，建立风力发电系统模型：

风力发电预测主要与切入风速、切出风速，风力发电机额定风速和额定功率有关，风力发电系统的输出特性表达式为：

当v_f＜v_ci or v_r＞v_co时，

当v_ci≤v_f≤v_r时，

当v_r≤v_f≤v_co时，

式中

表示风力发电机输出功率，P_r表示风力发电机的额定功率，v_ci表示风机的启动风速，v_r表示风机的额定风速，v_co表示风机的切断风速，v_f表示风机转轴高度处的风速；

第四步，建立电动汽车和电动汽车充电桩模型：

当电动汽车充电站安装在停车场时，停车场的扩容费用将随着停车容量的增加而增加；扩容费用为电动汽车基础设施成本与增加电能购买成本总和，电动汽车基础设施的成本应该考虑投资成本、运行维护成本；

每天的电动汽车基础设施成本可以计算如下：

每年的增加电能购买成本或电能销售利润

可表示为

式中R_exchange(t)为t时刻电价，P_exchange(t)为t时刻微电网与电网之间交换的电能，

为电动汽车基础设施的安装成本，单位为元；

为电动汽车基础设施的年度运行维护成本；K_EV为安装的电动汽车充电桩数量；r_EV为年利率；n_EV为折旧年限，T表示机组运行总时间；

第五步，建立公共电网模型：

在单向运行模式下，微电网只能从电网中吸收电能；在双向运行模式下，微电网不仅能从电网中吸收电能，而且还能向电网输出电能；微电网与电网之间的功率限制应满足如下约束：

式中

表示微电网与电网交换的最小功率限制；

表示微电网与电网交换的最大功率限制；

表示微电网与电网在t时刻的交换功率；从电网购买电能的价格服从概率密度分布函数

式中

和

分别为t时刻预测的电价和其标准差，

为第e次蒙特卡洛试验中t时刻电价的随机变量，其均值为0，标准差为1；

第六步，建立系统年费用成本目标函数：

建立的用于最小化的系统年费用成本的目标函数表示如下：G＝g₁(X₁)+g₁(X₂)，式中G为考虑固定年投资费用g₁(X₁)和可变的年运行费用g₂(X₂)的目标函数，X₁和X₂为优化变量；

固定年投资费用g₁(X₁)表示为

优化变量X₁可以表示为X₁＝{M₁,M₂,...,M_i,...,M_m}，式中M_i表示微电网系统中第i种微电源的单元数量；g₂(X₂)表示微电网系统的可变的年运行费用，

优化变量X₂可以表示为

式中U_i,j和P_i,j分别表示系统中第i种微电源的第j个单元的运行状态和输出功率，其中i≤m，j≤Mm，m为微电网系统中微电源的种类数量，Mm为第m种微电源的单元数量；

系统的年度投资成本

可表示为

为第i种微电源的初始投资成本，

为第i种微电源的全寿命周期，主要考虑该系统中的光伏阵列、风力发电机、储能电池、电动汽车充电桩，r_MG为利率；

系统的年度重新购置成本

可表示为

式中

为第i种微电源的重新购置成本，主要考虑该系统中的储能电池和电动汽车充电桩，

为第i种微电源的重新购置的寿命周期；

系统的年运行和维护成本

可表示为

式中R_j(t)为t时刻第j个单元的运行成本，R_j(t)＝1表示机组处于运行状态，R_j(t)＝0表示机组处于停止状态，

为第j个单元的维修成本系数；P_j(t)为第j个单元的输出功率，T表示机组运行总时间；

减排效益

可表示为

式中P_PV和P_WG分别为光伏阵列和风力发电机的输出功率；P_buy为每年从电网购买的电能；

为化石燃料生产1kWh电能的第k种污染物的排放量；R_k为第k种污染物的环境成本；

第七步，建立全年负荷缺电概率目标模型：

将一年划分为8760h，认为在每个时间段内风速、光照强度、基础负荷及电动汽车的充电需求均为恒定的，每隔一小时计算一次缺电概率；全年负荷缺电概率可用如下公式表示：

式中：C_ALOR表示全年负荷缺电概率，C_Lack表示缺电量，C_Load表示负荷需求，

表示t时刻基础负荷，

表示t时刻接入微电网的电动汽车提供的电能，

表示t时刻光伏电池板提供的电能，

表示t时刻风力发电机提供的电能，

表示t时刻储能电池提供的电能，

表示t时刻接入微电网的电动汽车需求的电能；

第八步，建立负荷曲线峰谷差目标模型；建立的经分时电价调整后的负荷曲线峰谷差目标函数如下表示：

式中Q为负荷曲线峰谷差；

为经分时电价调整后的负荷峰值；

为经分时电价调整后的负荷谷值；

第九步，建立约束条件：

约束条件包括：P_PV+P_WG+P_exc+P_storage＝P_Load，

η≥η_Desired；

式中P_PV是光伏阵列的输出功率；P_WG是风力发电机的输出功率；P_Storage是储能电池的放电功率；P_load是负荷功率；η为高峰期的自给率，反映了可再生能源能对负荷提供多少电能，η越大，表示在高峰期间移至电网的负荷越多；

是储能电池的最小放电功率；

是储能电池的最大放电功率；η_Desired是高峰期的需求自给率；

第十步，将多目标函数转化成单目标函数；采用判断矩阵法将多目标函数处理成单目标函数，其表达式为：F＝min(ω₁G+ω₂C_ALOR+ω₃Q)，式中F为多目标经处理后的单目标函数，ω₁、ω₂、ω₃为各子目标的权重，根据各目标之间的等级关系确定判断矩阵，其等级形成准则如下标所示。

第十一步，采用多种群遗传粒子群算法对单目标函数进行优化：

基于多种群遗传粒子群算法求解全局最优解的具体步骤为：

(1)编码和产生初始种群，对微电网系统中的各单元的个数进行整数编码，随机生成预先确定规模的个体；

(2)适应度值评估检测，将目标函数定为适应度函数，计算个体的适应度值，剔除不满足要求的个体，将个体的适应度值进行排序，为了保证较高适应度值的个体更好的发挥作用，选择60％的适应度较好的个体构成主导者群，剩余的个体构成跟随者群；

(3)更新粒子的速度和位置，采用粒子群算法更新主导者群和跟随者群的位置和速度，其中粒子速度和位置更新公式分别为：

v_i*,j*(t*+1)＝ωv_i*,j*(t*)+c₁r₁[p_i*,j*-x_i*,j*(t*)]+c₂r₂[p_g,j*-x_i*,j*(t*)]；

x_i*,j*(t*+1)＝x_i*,j*(t*)+v_i*,j*(t*+1)；

式中：v_i*,j*(t*+1)表示粒子i*在t*+1次迭代中第j*维的速度，i*＝1,2,...,N，N表示可行解的数量，j*＝1,2,...,g，g表示求解的问题维度；v_i*,j*(t*)表示粒子i*在第t*次迭代中第j维的速度，粒子的速度v_i*,j*(t*)的区间设置为[-v_max,v_max]；ω为惯性权重；c₁和c₂为正的学习因子；r₁和r₂为0～1之间均匀分布的随机数，p_i*,j*为当前粒子的历史最优解，p_g,j*为粒子群的全局历史最优解；x_i*,j*(t*+1)表示粒子i*在t*+1次迭代中第j*维的位置；x_i*,j*(t*)表示粒子i*在第t*次迭代中第j*维的位置，粒子的位置x_i*,j*(t*)的范围设置为[-x_max,x_max]，则v_max＝k’×x_max，k’的取值范围为[0.1，1]；

如果跟随者群产生新粒子的适应度值低于原来粒子时，则按照如下公式更新速度：

v′_i*,j*(t*+1)＝kv_i*,j*(t*)+s{c₁r₁[p_i*,j*-x_i,j(t*)]+c₂r₂[p_g,j*-x_i*,j*(t*)]}；

式中：I表示随机产生的一个G’维向量；

表示[1,G’]之间的随机数；h表示在当前粒子的基础上随机改变粒子的速度更新方向，()^T表示向量的转置；v′_i*,j*(t*+1)表示在当前粒子改变速度更新方向的基础上随机移动一定的步长；

(4)交叉操作，主导者群和跟随者群分别按照自适应方法进行交叉操作，交叉公式如下表示：

式中：P_c1<P_c2<P_c3，P_c1、P_c2和P_c3的取值范围均属于(0，1)；f_max表示种群中适应度最大的值；f_avg表示每代种群中的适应度的平均值；f_min表示种群中适应度最小的值；f′表示进行交叉操作的两个个体中适应度较大的值；

(5)变异操作，主导者群和跟随者群分别按照自适应方法进行变异操作，变异公式如下表示：

式中：P_m1<P_m2<P_m3，P_m1、P_m2和P_m3的取值范围均属于(0，1)；

(6)终止，判断是否到达设定的最大遗传代数，如果没有达到，则返回步骤(2)；如果达到，则停止迭代，输出最优解；

第十二步，输出微电网系统的最优容量组合；通过上述多种群遗传粒子群算法，在达到设定的最大遗传代数时结束迭代，此时，可以得出含电动汽车的微电网系统在系统年费用成本最小时的对应的各单元的最佳容量，则此类容量组合能实现经济效益的最大化。

本发明的优点是：在满足电动汽车用电需求的情况下，发挥电动汽车所具有的储能功能，提出了包含年费用成本、全年负荷缺电概率和负荷曲线峰谷差为目标的多目标模型，运用多种群遗传粒子群算法对目标函数进行求解，可以精确的获得微电网系统中各单元的最优容量，在保证系统可靠性及平抑负荷波动的情况下，还可以实现较高的经济效益；提供一种高效率、快速、经济的优化方法，可以科学地计算出系统所需设备的最优容量，使系统成本最低。通过对含有电动汽车的微电网系统的优化，在保证系统可靠性和经济性的基础上，利用电动汽车该移动储能装置，可以实现削峰填谷，降低系统曲线的峰谷差，不但可以提高电力系统的稳定性，还有很高的经济效益，从而有利于电动汽车此移动储能装置的推广利用。

附图说明

图1是含电动汽车和间歇式可再生能源的微电网系统结构；

图2是含电动汽车微电网容量配置的多种群遗传粒子群优化方法的流程示意图；

图3是多种群遗传粒子群算法的主要操作过程示意图。

具体实施方式

下面结合附图1-3与具体实施方式对本发明作进一步详细描述。

参见附图图2所示，一种基于多种群遗传粒子群算法的含电动汽车的微电网系统优化计算方法，包括以下步骤：

步骤S101，构建包含电动汽车和间歇式可再生能源的微电网系统结构：

构建的微电网系统结构主要由以下5部分组成：风力发电模块、光伏发电系统、电动汽车模块、储能电池模块、电网系统；

步骤S102，建立太阳能光伏发电系统模型：

基于径向基函数神经网络对光伏发电功率进行预测，径向基函数神经网络包括三层：输入层，隐含层，输出层，其中输入层主要包括：日期、日平均风速、日平均相对湿度、日平均太阳辐射、日平均气温，输出层为光伏发电系统的每小时输出功率，用绝对百分误差Δδ来表示预测模型的性能

式中n为预测数据的总数量；A_σ为第σ次的实际数据；F_σ为第σ次的预测数据；

步骤S103，建立风力发电系统模型：

风力发电预测主要与切入风速、切出风速，风力发电机额定风速和额定功率有关，风力发电系统的输出特性表达式为：

当v_f＜v_ci or v_r＞v_co时，

当v_ci≤v_f≤v_r时，

当v_r≤v_f≤v_co时，

式中

表示风力发电机输出功率，P_r表示风力发电机的额定功率，v_ci表示风机的启动风速，v_r表示风机的额定风速，v_co表示风机的切断风速，v_f表示风机转轴高度处的风速；

步骤S104，建立电动汽车和电动汽车充电桩模型：

当电动汽车充电站安装在停车场时，停车场的扩容费用将随着停车容量的增加而增加；扩容费用为电动汽车基础设施成本与增加电能购买成本总和，电动汽车基础设施的成本应该考虑投资成本、运行维护成本；

每天的电动汽车基础设施成本可以计算如下：

每年的增加电能购买成本或电能销售利润

可表示为

式中R_exchange(t)为t时刻电价，P_exchange(t)为t时刻微电网与电网之间交换的电能，

为电动汽车基础设施的安装成本，单位为元；

为电动汽车基础设施的年度运行维护成本；K_EV为安装的电动汽车充电桩数量；r_EV为年利率；n_EV为折旧年限，T表示机组运行总时间；

步骤S105，建立公共电网模型：

在单向运行模式下，微电网只能从电网中吸收电能；在双向运行模式下，微电网不仅能从电网中吸收电能，而且还能向电网输出电能；微电网与电网之间的功率限制应满足如下约束：

式中

表示微电网与电网交换的最小功率限制；

表示微电网与电网交换的最大功率限制；

表示微电网与电网在t时刻的交换功率；从电网购买电能的价格服从概率密度分布函数

式中

和

分别为t时刻预测的电价和其标准差，

为第e次蒙特卡洛试验中t时刻电价的随机变量，其均值为0，标准差为1；

步骤S106，建立系统年费用成本目标函数：

建立的用于最小化的系统年费用成本的目标函数表示如下：G＝g₁(X₁)+g₁(X₂)，式中G为考虑固定年投资费用g₁(X₁)和可变的年运行费用g₂(X₂)的目标函数，X₁和X₂为优化变量；

固定年投资费用g₁(X₁)表示为

优化变量X₁可以表示为X₁＝{M₁,M₂,...,M_i,...,M_m}，式中M_i表示微电网系统中第i种微电源的单元数量；g₂(X₂)表示微电网系统的可变的年运行费用，

优化变量X₂可以表示为

式中U_i,j和P_i,j分别表示系统中第i种微电源的第j个单元的运行状态和输出功率，其中i≤m，j≤Mm，m为微电网系统中微电源的种类数量，Mm为第m种微电源的单元数量；

系统的年度投资成本

可表示为

为第i种微电源的初始投资成本，

为第i种微电源的全寿命周期，主要考虑该系统中的光伏阵列、风力发电机、储能电池、电动汽车充电桩，r_MG为利率；

系统的年度重新购置成本

可表示为

式中

为第i种微电源的重新购置成本，主要考虑该系统中的储能电池和电动汽车充电桩，

为第i种微电源的重新购置的寿命周期；

系统的年运行和维护成本

可表示为

式中R_j(t)为t时刻第j个单元的运行成本，R_j(t)＝1表示机组处于运行状态，R_j(t)＝0表示机组处于停止状态，

为第j个单元的维修成本系数；P_j(t)为第j个单元的输出功率，T表示机组运行总时间；

减排效益

可表示为

式中P_PV和P_WG分别为光伏阵列和风力发电机的输出功率；P_buy为每年从电网购买的电能；

为化石燃料生产1kWh电能的第k种污染物的排放量；R_k为第k种污染物的环境成本；

步骤S107，建立全年负荷缺电概率目标模型：

将一年划分为8760h，认为在每个时间段内风速、光照强度、基础负荷及电动汽车的充电需求均为恒定的，每隔一小时计算一次缺电概率；全年负荷缺电概率可用如下公式表示：

式中：C_ALOR表示全年负荷缺电概率，C_Lack表示缺电量，C_Load表示负荷需求，

表示t时刻基础负荷，

表示t时刻接入微电网的电动汽车提供的电能，

表示t时刻光伏电池板提供的电能，

表示t时刻风力发电机提供的电能，

表示t时刻储能电池提供的电能，

表示t时刻接入微电网的电动汽车需求的电能；

步骤S108，建立负荷曲线峰谷差目标模型；建立的经分时电价调整后的负荷曲线峰谷差目标函数如下表示：

式中Q为负荷曲线峰谷差；

为经分时电价调整后的负荷峰值；

为经分时电价调整后的负荷谷值；

步骤S109，建立约束条件：

约束条件包括：P_PV+P_WG+P_exc+P_storage＝P_Load，

η≥η_Desired；

式中P_PV是光伏阵列的输出功率；P_WG是风力发电机的输出功率；P_Storage是储能电池的放电功率；P_load是负荷功率；η为高峰期的自给率，反映了可再生能源能对负荷提供多少电能，η越大，表示在高峰期间移至电网的负荷越多；

是储能电池的最小放电功率；

是储能电池的最大放电功率；η_Desired是高峰期的需求自给率；

步骤S110，将多目标函数转化成单目标函数；采用判断矩阵法将多目标函数处理成单目标函数，其表达式为：F＝min(ω₁G+ω₂C_ALOR+ω₃Q)，式中F为多目标经处理后的单目标函数，ω₁、ω₂、ω₃为各子目标的权重，根据各目标之间的等级关系确定判断矩阵，其等级形成准则如下标所示。

步骤S111，采用多种群遗传粒子群算法对单目标函数进行优化：

基于多种群遗传粒子群算法求解全局最优解的具体步骤为：

(1)编码和产生初始种群，对微电网系统中的各单元的个数进行整数编码，随机生成预先确定规模的个体；

(2)适应度值评估检测，将目标函数定为适应度函数，计算个体的适应度值，剔除不满足要求的个体，将个体的适应度值进行排序，为了保证较高适应度值的个体更好的发挥作用，选择60％的适应度较好的个体构成主导者群，剩余的个体构成跟随者群；

(3)更新粒子的速度和位置，采用粒子群算法更新主导者群和跟随者群的位置和速度，其中粒子速度和位置更新公式分别为：

v_i*,j*(t*+1)＝ωv_i*,j*(t*)+c₁r₁[p_i*,j*-x_i*,j*(t*)]+c₂r₂[p_g,j*-x_i*,j*(t*)]；

x_i*,j*(t*+1)＝x_i*,j*(t*)+v_i*,j*(t*+1)；

式中：v_i*,j*(t*+1)表示粒子i*在t*+1次迭代中第j*维的速度，i*＝1,2,...,N，N表示可行解的数量，j*＝1,2,...,g，g表示求解的问题维度；v_i*,j*(t*)表示粒子i*在第t*次迭代中第j维的速度，粒子的速度v_i*,j*(t*)的区间设置为[-v_max,v_max]；ω为惯性权重；c₁和c₂为正的学习因子；r₁和r₂为0～1之间均匀分布的随机数，p_i*,j*为当前粒子的历史最优解，p_g,j*为粒子群的全局历史最优解；x_i*,j*(t*+1)表示粒子i*在t*+1次迭代中第j*维的位置；x_i*,j*(t*)表示粒子i*在第t*次迭代中第j*维的位置，粒子的位置x_i*,j*(t*)的范围设置为[-x_max,x_max]，则v_max＝k’×x_max，k’的取值范围为[0.1，1]；

如果跟随者群产生新粒子的适应度值低于原来粒子时，则按照如下公式更新速度：

v′_i*,j*(t*+1)＝kv_i*,j*(t*)+s{c₁r₁[p_i*,j*-x_i,j(t*)]+c₂r₂[p_g,j*-x_i*,j*(t*)]}；

式中：I表示随机产生的一个G’维向量；

表示[1,G’]之间的随机数；h表示在当前粒子的基础上随机改变粒子的速度更新方向，()^T表示向量的转置；v′_i*,j*(t*+1)表示在当前粒子改变速度更新方向的基础上随机移动一定的步长；

(4)交叉操作，主导者群和跟随者群分别按照自适应方法进行交叉操作，交叉公式如下表示：

式中：P_c1<P_c2<P_c3，P_c1、P_c2和P_c3的取值范围均属于(0，1)；f_max表示种群中适应度最大的值；f_avg表示每代种群中的适应度的平均值；f_min表示种群中适应度最小的值；f′表示进行交叉操作的两个个体中适应度较大的值；

(5)变异操作，主导者群和跟随者群分别按照自适应方法进行变异操作，变异公式如下表示：

式中：P_m1<P_m2<P_m3，P_m1、P_m2和P_m3的取值范围均属于(0，1)；

(6)终止，判断是否到达设定的最大遗传代数，如果没有达到，则返回步骤(2)；如果达到，则停止迭代，输出最优解；

步骤S112，输出微电网系统的最优容量组合；通过上述多种群遗传粒子群算法，在达到设定的最大遗传代数时结束迭代，此时，可以得出含电动汽车的微电网系统在系统年费用成本最小时的对应的各单元的最佳容量，则此类容量组合能实现经济效益的最大化。

Claims (1)

1.一种基于多种群遗传粒子群算法的含电动汽车的微电网容量优化配置的计算方法，其特征在于，包括以下步骤：

第一步，构建包含电动汽车和间歇式可再生能源的微电网系统结构：

构建的微电网系统结构主要由以下5部分组成：风力发电模块、光伏发电系统、电动汽车模块、储能电池模块、电网系统；

第二步，建立太阳能光伏发电系统模型：

基于径向基函数神经网络对光伏发电功率进行预测，径向基函数神经网络包括三层：输入层，隐含层，输出层，其中输入层主要包括：日期、日平均风速、日平均相对湿度、日平均太阳辐射、日平均气温，输出层为光伏发电系统的每小时输出功率，用绝对百分误差Δδ来表示预测模型的性能

式中n为预测数据的总数量；A_σ为第σ次的实际数据；F_σ为第σ次的预测数据；

第三步，建立风力发电系统模型：

风力发电预测主要与切入风速、切出风速，风力发电机额定风速和额定功率有关，风力发电系统的输出特性表达式为：

当v_f＜v_ci or v_r＞v_co时，

当v_ci≤v_f≤v_r时，

当v_r≤v_f≤v_co时，

式中

表示风力发电机输出功率，P_r表示风力发电机的额定功率，v_ci表示风机的启动风速，v_r表示风机的额定风速，v_co表示风机的切断风速，v_f表示风机转轴高度处的风速；

第四步，建立电动汽车和电动汽车充电桩模型：

当电动汽车充电站安装在停车场时，停车场的扩容费用将随着停车容量的增加而增加；扩容费用为电动汽车基础设施成本与增加电能购买成本总和，电动汽车基础设施的成本应该考虑投资成本、运行维护成本；

每天的电动汽车基础设施成本可以计算如下：

每年的增加电能购买成本或电能销售利润

可表示为

式中R_exchange(t)为t时刻电价，P_exchange(t)为t时刻微电网与电网之间交换的电能，

为电动汽车基础设施的安装成本，单位为元；

为电动汽车基础设施的年度运行维护成本；K_EV为安装的电动汽车充电桩数量；r_EV为年利率；n_EV为折旧年限，T表示机组运行总时间；

第五步，建立公共电网模型：

在单向运行模式下，微电网只能从电网中吸收电能；在双向运行模式下，微电网不仅能从电网中吸收电能，而且还能向电网输出电能；微电网与电网之间的功率限制应满足如下约束：

式中

表示微电网与电网交换的最小功率限制；

表示微电网与电网交换的最大功率限制；

表示微电网与电网在t时刻的交换功率；从电网购买电能的价格服从概率密度分布函数

式中

和

分别为t时刻预测的电价和其标准差，

为第e次蒙特卡洛试验中t时刻电价的随机变量，其均值为0，标准差为1；

第六步，建立系统年费用成本目标函数：

建立的用于最小化的系统年费用成本的目标函数表示如下：G＝g₁(X₁)+g₁(X₂)，式中G为考虑固定年投资费用g₁(X₁)和可变的年运行费用g₂(X₂)的目标函数，X₁和X₂为优化变量；

固定年投资费用g₁(X₁)表示为

优化变量X₁可以表示为X₁＝{M₁,M₂,...,M_i,...,M_m}，式中M_i表示微电网系统中第i种微电源的单元数量；g₂(X₂)表示微电网系统的可变的年运行费用，

优化变量X₂可以表示为

式中U_i,j和P_i,j分别表示系统中第i种微电源的第j个单元的运行状态和输出功率，其中i≤m，j≤Mm，m为微电网系统中微电源的种类数量，Mm为第m种微电源的单元数量；

系统的年度投资成本

可表示为

为第i种微电源的初始投资成本，

为第i种微电源的全寿命周期，主要考虑该系统中的光伏阵列、风力发电机、储能电池、电动汽车充电桩，r_MG为利率；

系统的年度重新购置成本

可表示为

式中

为第i种微电源的重新购置成本，主要考虑该系统中的储能电池和电动汽车充电桩，

为第i种微电源的重新购置的寿命周期；

系统的年运行和维护成本

可表示为

式中R_j(t)为t时刻第j个单元的运行成本，R_j(t)＝1表示机组处于运行状态，R_j(t)＝0表示机组处于停止状态，

为第j个单元的维修成本系数；P_j(t)为第j个单元的输出功率，T表示机组运行总时间；

减排效益

可表示为

式中P_PV和P_WG分别为光伏阵列和风力发电机的输出功率；P_buy为每年从电网购买的电能；

为化石燃料生产1kWh电能的第k种污染物的排放量；R_k为第k种污染物的环境成本；

第七步，建立全年负荷缺电概率目标模型：

将一年划分为8760h，认为在每个时间段内风速、光照强度、基础负荷及电动汽车的充电需求均为恒定的，每隔一小时计算一次缺电概率；全年负荷缺电概率可用如下公式表示：

式中：C_ALOR表示全年负荷缺电概率，C_Lack表示缺电量，C_Load表示负荷需求，

表示t时刻基础负荷，

表示t时刻接入微电网的电动汽车提供的电能，

表示t时刻光伏电池板提供的电能，

表示t时刻风力发电机提供的电能，

表示t时刻储能电池提供的电能，

表示t时刻接入微电网的电动汽车需求的电能；

第八步，建立负荷曲线峰谷差目标模型；建立的经分时电价调整后的负荷曲线峰谷差目标函数如下表示：

式中Q为负荷曲线峰谷差；

为经分时电价调整后的负荷峰值；

为经分时电价调整后的负荷谷值；

第九步，建立约束条件：

约束条件包括：P_PV+P_WG+P_exc+P_storage＝P_Load，

η≥η_Desired；

式中P_PV是光伏阵列的输出功率；P_WG是风力发电机的输出功率；P_Storage是储能电池的放电功率；P_load是负荷功率；η为高峰期的自给率，反映了可再生能源能对负荷提供多少电能，η越大，表示在高峰期间移至电网的负荷越多；

是储能电池的最小放电功率；

是储能电池的最大放电功率；η_Desired是高峰期的需求自给率；

第十步，将多目标函数转化成单目标函数；采用判断矩阵法将多目标函数处理成单目标函数，其表达式为：F＝min(ω₁G+ω₂C_ALOR+ω₃Q)，式中F为多目标经处理后的单目标函数，ω₁、ω₂、ω₃为各子目标的权重，根据各目标之间的等级关系确定判断矩阵；

第十一步，采用多种群遗传粒子群算法对单目标函数进行优化：

基于多种群遗传粒子群算法求解全局最优解的具体步骤为：

(1)编码和产生初始种群，对微电网系统中的各单元的个数进行整数编码，随机生成预先确定规模的个体；

(2)适应度值评估检测，将目标函数定为适应度函数，计算个体的适应度值，剔除不满足要求的个体，将个体的适应度值进行排序，为了保证较高适应度值的个体更好的发挥作用，选择60％的适应度较好的个体构成主导者群，剩余的个体构成跟随者群；

(3)更新粒子的速度和位置，采用粒子群算法更新主导者群和跟随者群的位置和速度，其中粒子速度和位置更新公式分别为：

v_i*,j*(t*+1)＝ωv_i*,j*(t*)+c₁r₁[p_i*,j*-x_i*,j*(t*)]+c₂r₂[p_g,j*-x_i*,j*(t*)]；

x_i*,j*(t*+1)＝x_i*,j*(t*)+v_i*,j*(t*+1)；

式中：v_i*,j*(t*+1)表示粒子i*在t*+1次迭代中第j*维的速度，i*＝1,2,...,N，N表示可行解的数量，j*＝1,2,...,g，g表示求解的问题维度；v_i*,j*(t*)表示粒子i*在第t*次迭代中第j维的速度，粒子的速度v_i*,j*(t*)的区间设置为[-v_max,v_max]；ω为惯性权重；c₁和c₂为正的学习因子；r₁和r₂为0～1之间均匀分布的随机数，p_i*,j*为当前粒子的历史最优解，p_g,j*为粒子群的全局历史最优解；x_i*,j*(t*+1)表示粒子i*在t*+1次迭代中第j*维的位置；x_i*,j*(t*)表示粒子i*在第t*次迭代中第j*维的位置，粒子的位置x_i*,j*(t*)的范围设置为[-x_max,x_max]，则v_max＝k’×x_max，k’的取值范围为[0.1，1]；

如果跟随者群产生新粒子的适应度值低于原来粒子时，则按照如下公式更新速度：

v′_i*,j*(t*+1)＝kv_i*,j*(t*)+s{c₁r₁[p_i*,j*-x_i,j(t*)]+c₂r₂[p_g,j*-x_i*,j*(t*)]}；

式中：I表示随机产生的一个G’维向量；

表示[1,G’]之间的随机数；h表示在当前粒子的基础上随机改变粒子的速度更新方向，()^T表示向量的转置；v′_i*,j*(t*+1)表示在当前粒子改变速度更新方向的基础上随机移动一定的步长；

(4)交叉操作，主导者群和跟随者群分别按照自适应方法进行交叉操作，交叉公式如下表示：

式中：P_c1<P_c2<P_c3，P_c1、P_c2和P_c3的取值范围均属于(0，1)；f_max表示种群中适应度最大的值；f_avg表示每代种群中的适应度的平均值；f_min表示种群中适应度最小的值；f′表示进行交叉操作的两个个体中适应度较大的值；

(5)变异操作，主导者群和跟随者群分别按照自适应方法进行变异操作，变异公式如下表示：

式中：P_m1<P_m2<P_m3，P_m1、P_m2和P_m3的取值范围均属于(0，1)；

(6)终止，判断是否到达设定的最大遗传代数，如果没有达到，则返回步骤(2)；如果达到，则停止迭代，输出最优解；

第十二步，输出微电网系统的最优容量组合；通过上述多种群遗传粒子群算法，在达到设定的最大遗传代数时结束迭代，此时，可以得出含电动汽车的微电网系统在系统年费用成本最小时的对应的各单元的最佳容量，则此类容量组合能实现经济效益的最大化。

Images