CN107565607A - 一种基于实时电价机制的微电网多时间尺度能量调度方法 - Google Patents

Abstract

本发明公开了一种基于实时电价机制的微电网多时间尺度能量调度方法，所述基于实时电价机制的微电网多时间尺度能量调度方法包括日前调度时间尺度和日内调度时间尺度，并以优先级调度策略连接日前调度时间尺度和日内调度时间尺度，采用粒子群优化算法求解微网多时间尺度的鲁棒优化问题。满足实时电价机制的需求，适用于峰谷分时电价体系，其步骤简洁，在每个调度时段都能为微网内各分布式电源提供实时、明确的调度优先级，进而充分利用可再生能源，减少弃风弃光，提高负荷供电可靠性，并且基于实时电价信息的调度策略与多时间尺度理论的结合，增强了日前调度对日内调度的指导作用，促进了两个时间尺度调度的协调配合，减少了短时间尺度调度的负担。

Description

一种基于实时电价机制的微电网多时间尺度能量调度方法

技术领域

本发明涉及微电网能量管理技术领域，特别是涉及基于实时电价机制的微电网多时间尺度能量调度方法。

背景技术

近年来，风、光能源在发电领域得到了广泛的应用，风、光发电的装机容量逐年增加。但是，风、光能源的随机性和波动性深刻影响着调度的准确性。

分时电价机制是我国近几年应用较为普遍的一种电价体系，根据用户的负荷需求将每天的时间分为峰谷平或峰谷时段，并且基于峰谷分时电价机制的优化调度方法需依赖峰谷时段的划分。

与峰谷分时电价机制相比，实时电价机制能反应每小时甚至更短时间段电价波动。实时电价机制在互联电网间贸易结算、需求侧响应和为发电厂提供优化发电功率依据等方面有着比峰谷分时电价机制更为突出的优势。在仅有实时电价信息而无明确的时段划分时，部分调度策略的执行存在一定的难度。另外，部分策略保证了微网系统运行的经济性，但对提高可再生能源利用率、减少负荷缺失率方面改善不明显。

因此希望有一种基于实时电价机制的微电网多时间尺度能量调度方法可以克服或至少减轻现有技术中的问题。

发明内容

本发明的目的在于提供一种基于实时电价机制的微电网多时间尺度能量调度方法通过优先级信息将多个时间尺度紧密结合，根据主网实时电价信息与微网内柴油机单位发电成本之间的数量关系，确定日前每小时柴油机、网间交互功率、储能的优先调度顺序，直接指导日内短时间尺度调度，克服电价时段的划分对制定调度策略的影响，并运用鲁棒优化处理风能光能的出力不确定性。

本发明提供了一种基于实时电价机制的微电网多时间尺度能量调度方法，所述基于实时电价机制的微电网多时间尺度能量调度方法包括日前调度时间尺度和日内调度时间尺度，并以优先级调度策略连接日前调度时间尺度和日内调度时间尺度，采用粒子群优化算法求解微网多时间尺度的鲁棒优化问题。

优选地，所述基于实时电价机制的微电网多时间尺度能量调度包括以下步骤：

步骤一：基于实时电价优先级调度策略，并根据微网购电电价微网售电电价和柴油发电机的单位发电成本C_de三项指标将优先级调度策略划分为三种方案，并且当柴油发电机、储能电池和网间交互功率不能完全补充负荷需求时，负荷缺失；当柴油发电机出力取极小值且储能电池和网间交互功率无法完全消纳电源出力时，放弃风能和光能；

步骤二：以24小时为优化时间窗口，以1小时为时间单位进行日前优化；

步骤三：遵循日前调度优先级进行日内优化，保持柴油发电机每小时的启停状态与日前状态一致；

步骤四：由于风能和光能的可变性大于负荷的可变性，应用鲁棒优化方法求解再生风能和光能出力。

优选地，所述步骤一中的优先级调度策略根据公式(19)和(20)确定柴油发电机的一次预设动作即出力极大值或极小值

柴油机效率低时设定最小出力阈值为0.3P_de,max，即运行时柴油机保证出力大于0.3P_de，max，在此基础上根据公式(21)计算功率不平衡量ΔP^t，其中分别表示风、光出力的调度值，为t时刻的负荷需求，可正可负，正值表示主网向微网售电，负值表示主网从微网购电；表示储能电池t时刻的出力，公式(22)表示ΔP^t>0时能量富余增加出力而ΔP^t<0时能量缺失减少出力并按需公式(3)确定柴油机二次调整动作，

优选地，所述步骤一中的三种方案包括：

方案一：当时，从主网购电，并减少柴油机发电量，柴油发电机一次预设出力为由此确定功率不平衡量ΔP^t，消纳富余能量的优先级别为P_es,-＞P_grid,-；补充缺失能量的优先级别为P_es,+、P_grid,+＞P_de，其中P_es,-和P_grid,-表示储能出力和网间交互功率为负荷性质，当储能电池不能完全消纳富余能量时，微网向主网售电，微网售电费用计入微网收益，其中P_es,+和P_grid,+表示储能出力和网间交互功率为电源性质，根据公式(24)计算储能电池t时刻的单位放电成本并与微网的购电电价比较，低者优先级别高，当储能出力和网间交互功率不能完全补充缺失能量时，确定柴油机二次调整增加出力

方案二：当时，不从主网购电，也不考虑为售电而增加柴油机出力，柴油发电机一次预设出力为由此确定功率不平衡量ΔP^t，消纳富余能量的优先级别为P_es,-＞P_grid,-，补充缺失能量的优先级别为P_de＞P_es,+、P_grid,+，当储能出力和网间交互功率不能完全补充缺失能量时，确定柴油机二次调整增加出力

方案三：当时，柴油发电机最大程度发电，并向主网售电，确定此时柴油发电机的一次预设出力计算功率不平衡量ΔP^t，补充缺失能量的优先级别为P_de＞P_es,+、P_grid,+；消纳富余能量的优先级别为P_es,-＞P_grid,-，当储能和网间交互功率无法完全消纳富余能量时，柴油发电机确定二次调整行为，减少出力

优选地，所述步骤二中的日前优化应用短期功率预测技术预测风、光和负荷数据，以微网系统总成本f_cost最小和弃风弃光率f_drop最小为目标进行双目标优化，根据所述实时电价优先级调度策略，确定每小时的调度方案，制定日前调度计划，如公式(25)-(27)所示：

f_cost＝F_wt+F_pv+F_de+F_es+F_grid (8)

式中，F_wt表示风力发电机的配置总费用；F_pv表示光伏电池的配置总费用；F_grid为微网与主网之间的功率交互总成本；F_de为柴油机配置总费用；F_es为储能电池配置总费用；T表示计算周期；S_drop表示弃风弃光状态参数，有弃风弃光时为1，没有时为0；ΔT表示1小时；为t时刻的风、光消纳差额，当表示未被完全消纳，放弃风能和光能，当表示被完全消纳。

优选地，所述步骤三中的日内优化以1h为优化时间窗口，以15min为基本时间单位，优化4次，以对日前计划调整f_adj最小和系统负荷缺失率f_re最小为目标进行多目标优化，如公式(28)-(29)所示，

式中，为日前第t小时电源出力，为日前第t小时对应的日内第i个时间单位的电源出力，a、b为加权系数，取a+b＝1，a＞b，并且日内一小时平均出力和每15mi n电源出力均约为日前出力。

优选地，所述步骤四中的鲁棒优化方法首先将风能和光能不确定性问题定义为：

式中：x为决策变量，X为决策变量集；ε为不确定变量，U为有界不确定集；不确定变量为风、光预测误差且满足公式(5)-(6)，决策变量为

其次，所述鲁棒优化方法使用鲁棒优化框架处理风和光出力的预测误差，将不确定性问题转化为确定性问题求解，由公式(3)、(4)、(17)、(18)，可得系统功率备用约束如公式(31)：

其中分别表示风、光出力的调度值和预测值；

如公式(32)构造拉格朗日函数，约束为公式(3)和(4)：

由公式(21)拉格朗日函数经线性对偶得到风、光预测误差之和的最大值满足公式(33)：

式中p₁、p₂、q₁、q₂为常数，综合公式(20)、(22)，消去不确定量，则柴油发电机、储能电池和主网交换功率应满足公式(34)：

公式(23)反应了风、光预测误差对可控的影响，虽然在求解过程均为确定性变量，但从本质上仍能反映风、光出力的原始不确定性。不等式左侧反映的是考虑负荷备用系数的t时刻最大出力潜力，不等式右侧反映了可再生能源随机性带来的出力波动，即使风、光出力预测精度最低，可控分布式电源和网间交互功率的出力潜力仍能保证系统稳定运行；

如公式(35)，系数p₁、p₂分别反应风、光预测误差对调度的影响，取值与设定的预侧误差有关：

式中，p_1,max、p_2,max为最大可取值，在预测误差最值一定的情况下，当p₁、p₂较小时，不等式右侧较大，不等式左侧也较大，即调度时应留有较多备用，以应对不确定的影响，当p₁、p₂较大时，不等式右侧较小，不等式左侧也较小，调度时可留有较少备用，当p₁或p₂取最大值时，不等式右侧对应项为0，表示风电或光伏的不确定性对调度结果无影响。

优选地，所述粒子群优化算法包括：粒子的初始位置和速度随机产生，根据公式(36)和(37)更新粒子位置和速度：

x^t+1＝x^t+v^t+1 (26)

式中，pbest^t与gbest^t分别为t时刻的个体最优值和全局最优值；c₁为自我认知因子；c₂为社会认知因子,反映了每个粒子向pbest^t和gbest^t位置移动的速度权值；c₁、c₂过小易使粒子在最优区域外徘徊，过大易使粒子越过最优区域，取c₁＝c₂＝2，w为惯性因子，表征粒子t时刻速度对t+1时刻速度的影响。

优选地，所述粒子群优化算法的过程包括：

(1)输入一天24小时微网购电和售电电价，以及柴油机的单位发电成本，确定每小时的调度方案；

(2)进行所述日前优化，收集日前1h级风、光出力预测值以及负荷预测值；

(3)按步骤(1)确定的方案执行，根据柴油机实际运行情况及公式(19)-(20)约束，确定柴油机的一次预设出力并代入日前1h风、光、负荷数据，由公式(21)确定功率不平衡量ΔP^t；根据所述基于实时电价机制的微电网多时间尺度能量调度的步骤一确定由公式(22)-(23)确定柴油机二次调整出力和最终出力

(4)若满足公式(23)，即满足日前负荷备用约束，进行步骤(5)，否则返回步骤(3)；

(5)计算粒子的经济性、弃风和弃光率，并进行比较，取无相互支配关系的非支配解集，按拥挤距离排序得到群体最优解；

(6)进行日内优化，收集日内15mi n级风、光出力预测值以及负荷预测值；

(7)采用步骤(1)确定的调度方案，保证柴油机的启停状态与日前一致，并确定一次预设出力代入日内15min风、光、荷数据，由公式(21)确定功率不平衡量ΔP^t；根据所述基于实时电价机制的微电网多时间尺度能量调度的步骤一确定由公式(22)-(23)确定柴油机二次调整出力和最终出力

(8)若满足式(23)，即满足日前负荷备用约束，进行步骤(9)，否则返回步骤(7)；

(9)计算粒子的负荷缺失率和对日前调整量，并进行比较，取无相互支配关系的非支配解集，按拥挤距离排序得到群体最优解；

(10)若4个15min优化均已完成，进入步骤(11)，否则进行下一个15min优化并返回步骤(6)；

(11)若一天24h的优化均已完成，优化结束，否则进行下一小时优化并返回步骤(2)。

本发明公开了一种基于实时电价机制的微电网多时间尺度能量调度方法，通过所述基于实时电价机制的微电网多时间尺度能量调度方法可知优先级调度策略不依赖电价时段的划分，满足实时电价机制的需求，也同样适用于目前广泛应用的峰谷分时电价体系，其决策步骤简洁，在每个调度时段都能为微网内各分布式电源提供实时、明确的调度优先级，进而充分利用可再生能源，减少弃风弃光，提高负荷供电可靠性，并且基于实时电价信息的调度策略与多时间尺度理论的结合，增强了日前调度对日内调度的指导作用，促进了两个时间尺度调度的协调配合，减少了短时间尺度调度的负担。

附图说明

图1是优先级调度策略示意图；

图2是粒子群算法求解流程图；

图3是风、光、负荷预测数据示意图；

图4是微网电价信息示意图；

图5是微网日前调度计划示意图；

图6是柴油发电机调度计划示意图；

图7是储能电池调度计划示意图；

图8是网间交互功率计划示意图。

具体实施方式

为使本发明实施的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。

1.风机和光伏数学模型

风能和太阳能属于清洁能源，在本发明中考虑全额接纳风、光出力，风机和光伏电池维护成本较小，因此，费用方面只考虑风机和光伏电池的安装成本如式(1)-(2)。

F_wt＝C_wtN_wt (27)

F_pv＝C_pvN_pv (28)

式中：C_wt、N_wt、F_wt分别表示风力发电机的单机安装成本、安装台数、配置总费用，C_pv、N_pv、F_pv分别表示光伏电池的单机安装成本、安装台数、配置总费用。风、光出力应由预测出力部分和预测误差两部分组成，如式(3)-(4)。

分别表示风、光出力的调度值和预测值，表示预测误差，ΔP_wt,min、ΔP_wt,max表示风电预测误差的最小值和最大值；ΔP_pv,min、ΔP_pv,max表示光伏预测误差的最小值和最大值。

2储能数学模型

储能电池在充电过程中的损耗相对较小，可忽略不计，只计算放电过程中的损耗。为保证铅酸蓄电池有相对较长的使用寿命，应使蓄电池浅充浅放。储能电池的运行约束条件如式(7)-(9)。并采用拟合的电池损耗成本函数，如式(10)-(11)所示。

式中：分别为蓄电池t时段初和t-1时段初的剩余能量，ΔT为间隔时间。SOC_max、SOC_min表示电池的荷电状态上下限，ΔSOC^t表示t时间段内电池荷电状态变化量，N为最大充放电循环次数，F_es,ini为电池的初始投资,k为修正系数；为储能电池的充、放电功率；为储能电池的最大充放电功率，需要考虑荷电状态约束；和分别为电池的充放电效率；和分别为电池的充放电状态；系数a、b、c、d可分别取308.6、-473.6、-129.5、308；SOC为积分变量，积分上下限分别为t时段的初始和结束荷电状态。

3.柴油机数学模型

微网中柴油发电机的成本如式(12)。式(13)-(14)为柴油机运行需要满足的出力约束和启停时间约束：

式中：K、k_m,de、k_e、分别为柴油发电机的燃油成本系数、维护成本系数和环境成本系数和t时刻的发电量；P_de,max、P_de,min分别表示柴油机最大最小出力限制；F_de,ini、分别表示柴油机的配置成本、总成本。tr和ts分别表示最小运行时间和最小停运时间；和表示t时刻的柴油机转换状态，当柴油机在t时刻从运行状态转换为停运状态时为1，当其在t时刻从停运状态转换为运行状态时为1，不发生状态转换时均为0。

4.功率数学模型

微网与主网之间的网间交互功率应满足式(15)-(16)：

式中：可正可负，正值表示主网向微网售电，负值表示主网从微网购电；P_grid,max表示微网与主网之间的最大允许交互功率；分别表示微网从主网购电和售电的电价；F_grid为微网与主网之间的功率交互总成本。

5微网系统约束

微网系统内各单元应该满足式(17)功率平衡约束，以及式(18)负荷备用约束。式中，为t时刻的负荷需求，L％为负荷备用系数，分别表示风、光出力的调度值。

从日前调度和日内调度两个时间尺度开展。以优先级调度策略作为进一步连接两个时间尺度的纽带。日前根据主网每个小时的实时电价与微网内可控分布式电源的单位发电成本关系确定不同的调度方案，无需依赖于电价时段的划分，保证了调度策略对实时电价的适应。在日内每小时直接采用日前的确定的调度方案，无需考虑微网电价信息，简化了日内调度过程，保证了能量管理在两个时间尺度的协调配合，实现微网长时间尺度经济运行，短时间尺度可靠运行。

实时电价信息中没有峰谷区段的划分，因而传统的基于分时电价机制的峰谷调度策略无法应用于实时电价机制。考虑微网和大电网的电能交易，采用基于实时电价信息的优先级调度策略。

优先级调度策略根据公式(19)和(20)确定柴油发电机的一次预设动作即出力极大值或极小值

柴油机效率低时设定最小出力阈值为0.3P_de,max，即运行时柴油机保证出力大于0.3P_de,max，在此基础上根据公式(21)计算功率不平衡量ΔP^t，其中分别表示风、光出力的调度值，为t时刻的负荷需求，可正可负，正值表示主网向微网售电，负值表示主网从微网购电；表示储能电池t时刻的出力，公式(22)表示ΔP^t>0时能量富余增加出力而ΔP^t<0时能量缺失减少出力并按需公式(47)确定柴油机二次调整动作，

如图1所示，根据微网购电电价微网售电电价和柴油发电机的单位发电成本C_de三项指标将优先级调度策略划分为三种方案，方案一：当时，从主网购电，并减少柴油机发电量，柴油发电机一次预设出力为由此确定功率不平衡量ΔP^t，消纳富余能量的优先级别为P_es,-＞P_grid,-；补充缺失能量的优先级别为P_es,+、P_grid,+＞P_de，其中P_es,-和P_grid,-表示储能出力和网间交互功率为负荷性质，当储能电池不能完全消纳富余能量时，微网向主网售电，微网售电费用计入微网收益，其中P_es,+和P_grid,+表示储能出力和网间交互功率为电源性质，根据公式(7)计算储能电池t时刻的单位放电成本并与微网的购电电价比较，低者优先级别高，当储能出力和网间交互功率不能完全补充缺失能量时，确定柴油机二次调整增加出力

方案二：当时，不从主网购电，也不考虑为售电而增加柴油机出力，柴油发电机一次预设出力为由此确定功率不平衡量ΔP^t，消纳富余能量的优先级别为P_es,-＞P_grid,-，补充缺失能量的优先级别为P_de＞P_es,+、P_grid,+，当储能出力和网间交互功率不能完全补充缺失能量时，确定柴油机二次调整增加出力

方案三：当时，柴油发电机最大程度发电，并向主网售电，确定此时柴油发电机的一次预设出力计算功率不平衡量ΔP^t，补充缺失能量的优先级别为P_de＞P_es,+、P_grid,+；消纳富余能量的优先级别为P_es,-＞P_grid,-，当储能和网间交互功率无法完全消纳富余能量时，柴油发电机确定二次调整行为，减少出力

当柴油发电机、储能电池和网间交互功率不能完全补充负荷需求时，负荷缺失；当柴油发电机出力取极小值且储能电池和网间交互功率无法完全消纳电源出力时，放弃风能和光能。

以24小时为优化时间窗口，以1小时为时间单位进行日前优化，优化24次，前优化应用短期功率预测技术预测风、光和负荷数据，以微网系统总成本f_cost最小和弃风弃光率f_drop最小为目标进行双目标优化，根据所述实时电价优先级调度策略，确定每小时的调度方案，制定日前调度计划，如公式(8)-(10)所示：

f_cost＝F_wt+F_pv+F_de+F_es+F_grid (52)

式中，F_wt表示风力发电机的配置总费用；F_pv表示光伏电池的配置总费用；F_grid为微网与主网之间的功率交互总成本；F_de为柴油机配置总费用；F_es为储能电池配置总费用；T表示计算周期；S_drop表示弃风弃光状态参数，有弃风弃光时为1，没有时为0；ΔT表示1小时；为t时刻的风、光消纳差额，当表示未被完全消纳，放弃风能和光能，当表示被完全消纳。

日内优化以1h为优化时间窗口，以15min为基本时间单位，优化4次，以对日前计划调整f_adj最小和系统负荷缺失率f_re最小为目标进行多目标优化，如公式(11)-(12)所示，

式中，为日前第t小时电源出力，为日前第t小时对应的日内第i个时间单位的电源出力，a、b为加权系数，取a+b＝1，a＞b，并且日内一小时平均出力和每15mi n电源出力均约为日前出力。

鲁棒优化方法首先将风能和光能不确定性问题定义为：

式中：x为决策变量，X为决策变量集；ε为不确定变量，U为有界不确定集；不确定变量为风、光预测误差且满足公式(5)-(6)，决策变量为

其次，所述鲁棒优化方法使用鲁棒优化框架处理风和光出力的预测误差，将不确定性问题转化为确定性问题求解，由公式(29)、(30)、(43)、(44)，可得系统功率备用约束如公式(20)：

其中分别表示风、光出力的调度值和预测值；

如公式(21)构造拉格朗日函数，约束为公式(29)和(30)：

由公式(21)拉格朗日函数经线性对偶得到风、光预测误差之和的最大值满足公式(22)：

式中p₁、p₂、q₁、q₂为常数，综合公式(20)、(22)，消去不确定量，则柴油发电机、储能电池和主网交换功率应满足公式(23)：

公式(23)反应了风、光预测误差对可控的影响，虽然在求解过程均为确定性变量，但从本质上仍能反映风、光出力的原始不确定性。不等式左侧反映的是考虑负荷备用系数的t时刻最大出力潜力，右侧反映了可再生能源随机性带来的出力波动，即使风、光出力预测精度最低，可控分布式电源和网间交互功率的出力潜力仍能保证系统稳定运行；

如公式(24)，系数p₁、p₂分别反应风、光预测误差对调度的影响，取值与设定的预侧误差有关：

式中，p_1,max、p_2,max为最大可取值，在预测误差最值一定的情况下，当p₁、p₂较小时，不等式右侧较大，左侧也较大，即调度时应留有较多备用，以应对不确定的影响，当p₁、p₂较大时，不等式右侧较小，左侧也较小，调度时可留有较少备用，当p₁或p₂取最大值时，不等式右侧对应项为0，表示风电或光伏的不确定性对调度结果无影响。

粒子群优化算法包括：粒子的初始位置和速度随机产生，根据公式(25)和(26)更新粒子位置和速度：

x^t+1＝x^t+v^t+1 (70)

式中，pbest^t与gbest^t分别为t时刻的个体最优值和全局最优值；c₁为自我认知因子；c₂为社会认知因子,反映了每个粒子向pbest^t和gbest^t位置移动的速度权值；c₁、c₂过小易使粒子在最优区域外徘徊，过大易使粒子越过最优区域，取c₁＝c₂＝2，w为惯性因子，表征粒子t时刻速度对t+1时刻速度的影响。

如图2所示，在编程中引入NSGA-II多目标遗传算法中拥挤距离因素，并对拥挤距离进行排序，使多目标优化Pareto最优前沿分布较为均匀，有利于寻找最优解。所述粒子群优化算法的过程包括：

(1)输入一天24小时微网购电和售电电价，以及柴油机的单位发电成本，确定每小时的调度方案；

(2)进行所述日前优化，收集日前1h级风、光出力预测值以及负荷预测值；

(3)按步骤(1)确定的方案执行，根据柴油机实际运行情况及公式(45)-(46)约束，确定柴油机的一次预设出力并代入日前1h风、光、负荷数据，由公式(48)确定功率不平衡量ΔP^t；根据所述基于实时电价机制的微电网多时间尺度能量调度的步骤一确定由公式(49)-(50)确定柴油机二次调整出力和最终出力

(4)若满足公式(23)，即满足日前负荷备用约束，进行步骤(5)，否则返回步骤(3)；

(5)计算粒子的经济性和弃风弃光率，并进行比较，取无相互支配关系的非支配解集，按拥挤距离排序得到群体最优解；

(6)进行日内优化，收集日内15min级风、光出力预测值以及负荷预测值；

(7)采用步骤(1)确定的调度方案，保证柴油机的启停状态与日前一致，并确定一次预设出力代入日内15min风、光、荷数据，由公式(48)确定功率不平衡量ΔP^t；根据所述基于实时电价机制的微电网多时间尺度能量调度的步骤一确定由公式(49)-(50)确定柴油机二次调整出力和最终出力

(8)若满足式(23)，即满足日前负荷备用约束，进行步骤(9)，否则返回步骤(7)；

(9)计算粒子的负荷缺失率和对日前调整量，并进行比较，取无相互支配关系的非支配解集，按拥挤距离排序得到群体最优解；

(10)若4个15min优化均已完成，进入步骤(11)，否则进行下一个15min优化并返回步骤(6)；

(11)若一天24h的优化均已完成，优化结束，否则进行下一小时优化并返回步骤(2)。

本发明选取某并网型风-光-柴-储混合微网作为分析对象。其中风电装机容量为6MW，光伏装机容量为4MW，柴油发电机容量为4MW，储能装置容量为5MW·h，最大充放电功率值为1MW，储能装置的最大荷电状态是0.9，最小电量是0.4，一天初始荷电状态为0.4，微网与主网之间的交互功率最大值为4MW，风、光短期预测误差最大值均取10％，最小值取-10％，超短期预测误差取5％和-5％，p₁、p₂均取2.5；负荷备用系数取15％。粒子群算法的参数选取如下：种群规模为20，进化代数为100，c₁、c₂均为2。

如图3所示，风、光、负荷预测数据。

如图4所示，微网内柴油机的单位发电成本、微网的购电和售电电价信息。调度策略分析，按照本发明提出的优先级调度策略可知，在1:00-8:00和22:00-24:00应采用方案1，在9:00-11:00和15：00-21：00应采用方案2，在12:00-14:00应采用方案3。如图5所示，根据不同的调度方案优化得到微网内各发电单元和网间交互功率日前24小时的调度计划。其中，净负荷功率指的是负荷需求与风、光出力的差值，为负荷性质。在1:00-8:00及22:00-24:00时段，采用方案1。此时，柴油发电机的单位发电成本相对较大。在满足最小运行、停运时间约束以及最小发电量约束的基础上，作为后备电源。其中，在时段1:00-4:00，柴油机出力为零，且储能电池的单位放电成大于本时刻的微网购电电价，因此缺失能量优先从主网获取，优先级别为P_grid,+＞P_es,+＞P_de。在4:00-8:00时段，柴油机出力为零，风、光剩余能量优先为储能充电，即富余能量消纳优先级别为P_es,-＞P_grid,-。在22:00-24:00时段，出现能量缺失，且此时储能电池可以放电，但是在23:00，其单位发电成本大于微网购电电价和柴油机发电成本，因此优先级别为P_grid,+＞P_de＞P_es,+；在22:00和24:00，优先级别为P_es,+＞P_grid,+＞P_de。

在9:00-11:00及15:00-21:00时段，采用方案2。此时柴油发电机的单位发电成本介于微网购电电价和售电电价之间，柴油发电机做后备电源。在时段9:00-11:00，出现能量富余。但此时段储能电池SOC已达上限，无法继续充电，剩余能量流向主网，优先级别为P_grid,+＞P_es,+。在时段15:00-18:00，柴油发电机可以增发功率至净负荷功率，此时无能量富余或缺失，因此微网与主网没有能量交互。在时段19:00-21:00，柴油机最大出力后仍出现能量缺失，缺失能量由电池和主网补充能量，优先级别为P_de＞P_grid,+＞P_es,+。

在12:00-14:00时段，采用方案3。此时首先控制柴油机功率增发至P_de,max，且储能电池SOC已达上限，富余能量由P_grid,-消纳。

各时刻的调度优先级如表1所示。

表1日前调度优先级

如图3-8所示，微网内柴油发电机、储能电池、以及网间交互功率的日内与日前计划对比。

就柴油机而言，其日内调度计划相对日前波动较小，因为每个小时的调度方案是一定的，其初次控制量为0、0.3P_de,max、P_de,max三种。波动主要体现在柴油机的二次动作行为以及日前日内预测精度不同。在15:00-18:00时段采用调度方案2，此时柴油机出现第二次调整出力而增发功率。储能电池的出力受到本身SOC的限制，在8:00-21:00时段计划出力为0。在3:00-7:00充电使SOC增加至0.9，在21:00-24:00放电使SOC降低。除受15:00-18:00时段柴油机的增发行为影响，其他时段网间交互功率变化较大。这是因为受到储能电池的影响，部分时段电池的单位发电成本较大，实际放电时间较少，导致微网与主网之间频繁的进行能量交互。

调度结果分析

本发明优化后各时间尺度的目标函数值如表2所示。

表2优化结果分析

如图5所示，仅在柴油机不满足最小停运时间约束而被迫停机(如11:00时刻)，或分布式电源充分利用而网间交互功率已达到上限时才会出现负荷缺失。仅在柴油机出力最小但网间交互功率和储能不能完全消纳风、光能源时(如9:00)出现弃风弃光。

另外，柴油机的两次出力动作保证了在风、光出力不足时柴油机多出力，风、光出力过剩时少出力，尽可能减少了可再生能源的浪费，同时尽最大可能满足了负荷的需求，提高了供电可靠性。

本发明对可再生能源的随机性进行了处理，鲁棒优化的处理方式略显保守，追求较高负荷供电可靠性的同时在一定程度上增加了系统的运行成本。

对比图6-8可以看出柴油机、电池和网间交互功率的日内调度计划与日前相比有一定的差异，但总体变化趋势与日前相近。日内调度对日前计划的调整量较小，体现了日前对日内计划的指导性作用，也体现了优先级调度策略对两个时间尺度调度的协调作用。其差异源自优化精度的不同，日内的超短期预测精度较高，相应的调度计划准确度也较高，更符合实际。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于实时电价机制的微电网多时间尺度能量调度方法，其特征在于，所述基于实时电价机制的微电网多时间尺度能量调度方法包括日前调度时间尺度和日内调度时间尺度，并以优先级调度策略连接日前调度时间尺度和日内调度时间尺度，采用粒子群优化算法求解微网多时间尺度的鲁棒优化问题。

2.如权利要求1所述的基于实时电价机制的微电网多时间尺度能量调度方法，其特征在于：所述基于实时电价机制的微电网多时间尺度能量调度包括以下步骤：

步骤一：基于实时电价优先级调度策略，并根据微网购电电价微网售电电价和柴油发电机的单位发电成本C_de三项指标将优先级调度策略划分为三种方案；并且当柴油发电机、储能电池和网间交互功率不能完全补充负荷需求时，负荷缺失；当柴油发电机出力取极小值且储能电池和网间交互功率无法完全消纳电源出力时，放弃风能和光能；

步骤二：以24小时为优化时间窗口，以1小时为时间单位进行日前优化；

步骤三：遵循日前调度优先级进行日内优化，保持柴油发电机每小时的启停状态与日前状态一致；

步骤四：由于风能和光能的可变性大于负荷的可变性，应用鲁棒优化方法求解再生风能和光能出力。

3.如权利要求2所述的基于实时电价机制的微电网多时间尺度能量调度方法，其特征在于：所述步骤一中的优先级调度策略根据公式(19)和(20)确定柴油发电机的一次预设动作即出力极大值或极小值

柴油机效率低时设定最小出力阈值为0.3P_de,max，即运行时柴油机保证出力大于0.3P_de,max，在此基础上根据公式(21)计算功率不平衡量ΔP^t，其中分别表示风、光出力的调度值，为t时刻的负荷需求，可正可负，正值表示主网向微网售电，负值表示主网从微网购电；表示储能电池t时刻的出力，公式(22)表示ΔP^t>0时能量富余增加出力而ΔP^t<0时能量缺失减少出力并按需公式(3)确定柴油机二次调整动作，

<mrow> <msup> <mi>&amp;Delta;P</mi> <mi>t</mi> </msup> <mo>=</mo> <msubsup> <mi>P</mi> <mrow> <mi>w</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> <mo>,</mo> <mn>1</mn> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <msubsup> <mi>P</mi> <mi>l</mi> <mi>t</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <mo>-</mo> <msup> <mi>&amp;Delta;P</mi> <mi>t</mi> </msup> <mo>-</mo> <msubsup> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> <mo>,</mo> <mn>1</mn> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>6</mn> <mo>)</mo> </mrow> <mo>.</mo> </mrow>

4.如权利要求3所述的基于实时电价机制的微电网多时间尺度能量调度方法，其特征在于：所述步骤一中的三种方案包括：

方案一：当时，从主网购电，并减少柴油机发电量，柴油发电机一次预设出力为由此确定功率不平衡量ΔP^t，消纳富余能量的优先级别为P_es,-＞P_grid,-；补充缺失能量的优先级别为P_es,+、P_grid,+＞P_de，其中P_es,-和P_grid,-表示储能出力和网间交互功率为负荷性质，当储能电池不能完全消纳富余能量时，微网向主网售电，微网售电费用计入微网收益，其中P_es,+和P_grid,+表示储能出力和网间交互功率为电源性质，根据公式(24)计算储能电池t时刻的单位放电成本并与微网的购电电价比较，低者优先级别高，当储能出力和网间交互功率不能完全补充缺失能量时，确定柴油机二次调整增加出力

<mrow> <msubsup> <mi>C</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <mfrac> <mrow> <msubsup> <mi>&amp;Delta;F</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> </mrow> <msubsup> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> <mo>,</mo> <mi>d</mi> </mrow> <mi>t</mi> </msubsup> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> <mo>;</mo> </mrow>

方案二：当时，不从主网购电，也不考虑为售电而增加柴油机出力，柴油发电机一次预设出力为由此确定功率不平衡量ΔP^t，消纳富余能量的优先级别为P_es,-＞P_grid,-，补充缺失能量的优先级别为P_de＞P_es,+、P_grid,+，当储能出力和网间交互功率不能完全补充缺失能量时，确定柴油机二次调整增加出力

方案三：当时，柴油发电机最大程度发电，并向主网售电，确定此时柴油发电机的一次预设出力计算功率不平衡量ΔP^t，补充缺失能量的优先级别为P_de＞P_es,+、P_grid,+；消纳富余能量的优先级别为P_es,-＞P_grid,-，当储能和网间交互功率无法完全消纳富余能量时，柴油发电机确定二次调整行为，减少出力

5.如权利要求4所述的基于实时电价机制的微电网多时间尺度能量调度方法，其特征在于：所述步骤二中的日前优化应用短期功率预测技术预测风、光和负荷数据，以微网系统总成本f_cost最小和弃风弃光率f_drop最小为目标进行双目标优化，根据所述实时电价优先级调度策略，确定每小时的调度方案，制定日前调度计划，如公式(25)-(27)所示：

f_cost＝F_wt+F_pv+F_de+F_es+F_grid (8)

<mrow> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>s</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <msup> <mi>&amp;Delta;P</mi> <mi>t</mi> </msup> <mo>-</mo> <msubsup> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> <mo>,</mo> <mo>-</mo> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> <mo>,</mo> <mo>-</mo> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mi>f</mi> <mrow> <mi>d</mi> <mi>r</mi> <mi>o</mi> <mi>p</mi> </mrow> </msub> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <mrow> <mo>(</mo> <msubsup> <mi>S</mi> <mrow> <mi>d</mi> <mi>r</mi> <mi>o</mi> <mi>p</mi> </mrow> <mi>t</mi> </msubsup> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>s</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mi>&amp;Delta;</mi> <mi>T</mi> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>T</mi> </munderover> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mrow> <mi>w</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mi>&amp;Delta;</mi> <mi>T</mi> </mrow> </mfrac> </mtd> <mtd> <mrow> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>s</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mo>&gt;</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>s</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mo>&amp;le;</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>

式中，F_wt表示风力发电机的配置总费用；F_pv表示光伏电池的配置总费用；F_grid为微网与主网之间的功率交互总成本；F_de为柴油机配置总费用；F_es为储能电池配置总费用；T表示计算周期；S_drop表示弃风弃光状态参数，有弃风弃光时为1，没有时为0；ΔT表示1小时；为t时刻的风、光消纳差额，当表示未被完全消纳，放弃风能和光能，当表示被完全消纳。

6.如权利要求5所述的基于实时电价机制的微电网多时间尺度能量调度方法，其特征在于：所述步骤三中的日内优化以1h为优化时间窗口，以15min为基本时间单位，优化4次，以对日前计划调整f_adj最小和系统负荷缺失率f_re最小为目标进行多目标优化，如公式(28)-(29)所示，

<mrow> <msub> <mi>f</mi> <mrow> <mi>a</mi> <mi>d</mi> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mi>a</mi> <mo>|</mo> <mrow> <mfrac> <mn>1</mn> <mn>4</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>4</mn> </munderover> <msubsup> <mi>P</mi> <mi>s</mi> <mi>i</mi> </msubsup> <mo>-</mo> <msubsup> <mi>P</mi> <mi>s</mi> <mi>t</mi> </msubsup> </mrow> <mo>|</mo> <mo>+</mo> <mi>b</mi> <mfrac> <mn>1</mn> <mn>4</mn> </mfrac> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>4</mn> </munderover> <mo>|</mo> <mrow> <msubsup> <mi>P</mi> <mi>s</mi> <mi>i</mi> </msubsup> <mo>-</mo> <msubsup> <mi>P</mi> <mi>s</mi> <mi>t</mi> </msubsup> </mrow> <mo>|</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mi>f</mi> <mrow> <mi>r</mi> <mi>e</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>4</mn> </munderover> <mrow> <mo>(</mo> <msubsup> <mi>P</mi> <mi>l</mi> <mi>i</mi> </msubsup> <mo>-</mo> <msubsup> <mi>P</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>i</mi> </msubsup> <mo>-</mo> <msubsup> <mi>P</mi> <mrow> <mi>w</mi> <mi>t</mi> </mrow> <mi>i</mi> </msubsup> <mo>-</mo> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> <mi>i</mi> </msubsup> <mo>-</mo> <msubsup> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>i</mi> </msubsup> <mo>-</mo> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> <mi>i</mi> </msubsup> <mo>)</mo> </mrow> </mrow> <mrow> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>4</mn> </munderover> <msubsup> <mi>P</mi> <mi>l</mi> <mi>i</mi> </msubsup> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>

式中，为日前第t小时电源出力，为日前第t小时对应的日内第i个时间单位的电源出力，a、b为加权系数，取a+b＝1，a＞b，并且日内一小时平均出力和每15min电源出力均约为日前出力。

7.如权利要求6所述的基于实时电价机制的微电网多时间尺度能量调度方法，其特征在于：所述步骤四中的鲁棒优化方法首先将风能和光能不确定性问题定义为：

<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <munder> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> <mrow> <mi>x</mi> <mo>&amp;Element;</mo> <mi>X</mi> </mrow> </munder> <mi>f</mi> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>&amp;epsiv;</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mtable> <mtr> <mtd> <mrow> <mi>s</mi> <mo>.</mo> <mi>t</mi> <mo>.</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>g</mi> <mi>i</mi> </msub> <mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>&amp;epsiv;</mi> <mo>)</mo> </mrow> <mo>&amp;le;</mo> <mn>0</mn> </mrow> </mtd> <mtd> <mrow> <mo>&amp;ForAll;</mo> <mi>&amp;epsiv;</mi> <mo>&amp;Element;</mo> <mi>U</mi> <mo>,</mo> <mi>i</mi> <mo>=</mo> <mn>1</mn> <mo>,</mo> <mn>2...</mn> <mi>m</mi> </mrow> </mtd> </mtr> </mtable> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>

式中：x为决策变量，X为决策变量集；ε为不确定变量，U为有界不确定集；不确定变量为风、光预测误差且满足公式(5)-(6)，决策变量为

<mrow> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> <mo>,</mo> <mi>min</mi> </mrow> </msub> <mo>&amp;le;</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>&amp;le;</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> <mo>,</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>14</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mo>,</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mo>&amp;le;</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>t</mi> </msubsup> <mo>&amp;le;</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mo>,</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>15</mn> <mo>)</mo> </mrow> </mrow>

其次，所述鲁棒优化方法使用鲁棒优化框架处理风和光出力的预测误差，将不确定性问题转化为确定性问题求解，由公式(3)、(4)、(17)、(18)，可得系统功率备用约束如公式(31)：

<mrow> <msubsup> <mi>P</mi> <mrow> <mi>w</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <msubsup> <mi>P</mi> <mrow> <mi>w</mi> <mi>t</mi> <mo>,</mo> <mi>f</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>16</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msubsup> <mi>P</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <msubsup> <mi>P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mo>,</mo> <mi>f</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>17</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msubsup> <mi>P</mi> <mrow> <mi>w</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> <mi>t</mi> </msubsup> <mo>=</mo> <msubsup> <mi>P</mi> <mi>l</mi> <mi>t</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>18</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>P</mi> <mrow> <mi>w</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> <mo>,</mo> <mi>max</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> <mo>,</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> <mo>,</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> <mi>t</mi> </msubsup> <mo>&amp;GreaterEqual;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>P</mi> <mi>l</mi> <mi>t</mi> </msubsup> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mi>L</mi> <mi>%</mi> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>19</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>t</mi> </msubsup> <mo>&amp;le;</mo> <mfrac> <mrow> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> </mrow> <mrow> <mi>L</mi> <mi>%</mi> </mrow> </mfrac> <mo>-</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mi>L</mi> <mi>%</mi> <mo>)</mo> <mfrac> <mrow> <msubsup> <mi>P</mi> <mi>de</mi> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> <mi>t</mi> </msubsup> </mrow> <mrow> <mi>L</mi> <mi>%</mi> </mrow> </mfrac> <mo>-</mo> <msubsup> <mi>P</mi> <mrow> <mi>w</mi> <mi>t</mi> <mo>,</mo> <mi>f</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <msubsup> <mi>P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mo>,</mo> <mi>f</mi> </mrow> <mi>t</mi> </msubsup> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>20</mn> <mo>)</mo> </mrow> </mrow>

其中分别表示风、光出力的调度值和预测值；

如公式(32)构造拉格朗日函数，约束为公式(16)和(17)：

<mrow> <mtable> <mtr> <mtd> <mrow> <mi>L</mi> <mrow> <mo>(</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>t</mi> </msubsup> <mo>,</mo> <msub> <mi>p</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>p</mi> <mn>2</mn> </msub> <mo>,</mo> <msub> <mi>q</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>q</mi> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>p</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> <mo>,</mo> <mi>min</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>q</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mo>+</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>p</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mo>,</mo> <mi>min</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>q</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> <mo>-</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> </mrow> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>21</mn> <mo>)</mo> </mrow> </mrow>

由公式(21)拉格朗日函数经线性对偶得到风、光预测误差之和的最大值满足公式(33)：

<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> <mrow> <mo>(</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msubsup> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> </mrow> <mi>t</mi> </msubsup> <mo>)</mo> </mrow> <mo>=</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> <mo>(</mo> <msub> <mi>q</mi> <mn>1</mn> </msub> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> <mo>,</mo> <mi>min</mi> </mrow> </msub> <mo>-</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>p</mi> <mn>1</mn> </msub> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> <mo>,</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>q</mi> <mn>2</mn> </msub> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mo>,</mo> <mi>min</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>p</mi> <mn>2</mn> </msub> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mo>,</mo> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msub> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>1</mn> <mo>+</mo> <msub> <mi>p</mi> <mn>1</mn> </msub> <mo>-</mo> <msub> <mi>q</mi> <mn>1</mn> </msub> <mo>=</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>1</mn> <mo>+</mo> <msub> <mi>p</mi> <mn>2</mn> </msub> <mo>-</mo> <msub> <mi>q</mi> <mn>2</mn> </msub> <mo>=</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>p</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>p</mi> <mn>2</mn> </msub> <mo>,</mo> <msub> <mi>q</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>q</mi> <mn>2</mn> </msub> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>22</mn> <mo>)</mo> </mrow> </mrow>

式中p₁、p₂、q₁、q₂为常数，综合公式(20)、(22)，消去不确定量，则柴油发电机、储能电池和主网交换功率应满足公式(34)：

<mrow> <mtable> <mtr> <mtd> <mrow> <mfrac> <mrow> <msub> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> </mrow> <mrow> <mn>1</mn> <mo>+</mo> <mi>L</mi> <mi>%</mi> </mrow> </mfrac> <mo>-</mo> <msubsup> <mi>P</mi> <mrow> <mi>d</mi> <mi>e</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <msubsup> <mi>P</mi> <mrow> <mi>e</mi> <mi>s</mi> </mrow> <mi>t</mi> </msubsup> <mo>-</mo> <msubsup> <mi>P</mi> <mrow> <mi>g</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> <mi>t</mi> </msubsup> <mo>&amp;GreaterEqual;</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>L</mi> <mi>%</mi> <mfrac> <mrow> <msubsup> <mi>P</mi> <mrow> <mi>w</mi> <mi>f</mi> <mo>,</mo> <mi>f</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> <mo>,</mo> <mi>min</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>p</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> <mo>,</mo> <mi>min</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <mn>1</mn> <mo>+</mo> <mi>L</mi> <mi>%</mi> </mrow> </mfrac> <mo>+</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mi>L</mi> <mi>%</mi> <mfrac> <mrow> <msubsup> <mi>P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mo>,</mo> <mi>f</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mo>,</mo> <mi>min</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>p</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mo>,</mo> <mi>min</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> <mo>)</mo> </mrow> </mrow> <mrow> <mn>1</mn> <mo>+</mo> <mi>L</mi> <mi>%</mi> </mrow> </mfrac> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>23</mn> <mo>)</mo> </mrow> </mrow>

公式(23)反应了风、光预测误差对可控的影响，不等式左侧反映的是考虑负荷备用系数的t时刻最大出力潜力，不等式右侧反映了可再生能源随机性带来的出力波动，即使风、光出力预测精度最低，可控分布式电源和网间交互功率的出力潜力仍能保证系统稳定运行；

如公式(35)，系数p₁、p₂分别反应风、光预测误差对调度的影响，取值与设定的预侧误差有关：

<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>P</mi> <mrow> <mi>w</mi> <mi>t</mi> <mo>,</mo> <mi>f</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> <mo>,</mo> <mi>min</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>p</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>max</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> <mo>,</mo> <mi>min</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>w</mi> <mi>t</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mo>,</mo> <mi>f</mi> </mrow> <mi>t</mi> </msubsup> <mo>+</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mo>,</mo> <mi>min</mi> </mrow> </msub> <mo>+</mo> <msub> <mi>p</mi> <mrow> <mn>2</mn> <mo>,</mo> <mi>max</mi> </mrow> </msub> <mrow> <mo>(</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mo>,</mo> <mi>min</mi> </mrow> </msub> <mo>-</mo> <msub> <mi>&amp;Delta;P</mi> <mrow> <mi>p</mi> <mi>v</mi> <mo>,</mo> <mi>max</mi> </mrow> </msub> <mo>)</mo> </mrow> <mo>=</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>&amp;le;</mo> <msub> <mi>p</mi> <mn>1</mn> </msub> <mo>&amp;le;</mo> <msub> <mi>p</mi> <mrow> <mn>1</mn> <mo>,</mo> <mi>max</mi> </mrow> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>&amp;le;</mo> <msub> <mi>p</mi> <mn>2</mn> </msub> <mo>&amp;le;</mo> <msub> <mi>p</mi> <mrow> <mn>2</mn> <mo>,</mo> <mi>max</mi> </mrow> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>24</mn> <mo>)</mo> </mrow> </mrow>

式中，p_1,max、p_2,max为最大可取值，在预测误差最值一定的情况下，当p₁、p₂较小时，不等式右侧较大，不等式左侧也较大，即调度时应留有较多备用，以应对不确定的影响，当p₁、p₂较大时，不等式右侧较小，不等式左侧也较小，当p₁或p₂取最大值时，不等式右侧对应项为0，表示风电或光伏的不确定性对调度结果无影响。

8.如权利要求7所述的基于实时电价机制的微电网多时间尺度能量调度方法，其特征在于：所述粒子群优化算法包括：粒子的初始位置和速度随机产生，根据公式(36)和(37)更新粒子位置和速度：

<mrow> <mtable> <mtr> <mtd> <mrow> <msup> <mi>v</mi> <mrow> <mi>t</mi> <mo>+</mo> <mn>1</mn> </mrow> </msup> <mo>=</mo> <msup> <mi>wv</mi> <mi>t</mi> </msup> <mo>+</mo> <msub> <mi>c</mi> <mn>1</mn> </msub> <mi>r</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mrow> <mo>(</mo> <msup> <mi>pbest</mi> <mi>t</mi> </msup> <mo>-</mo> <msup> <mi>x</mi> <mi>t</mi> </msup> <mo>)</mo> </mrow> <mo>+</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>c</mi> <mn>2</mn> </msub> <mi>r</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mrow> <mo>(</mo> <msup> <mi>gbest</mi> <mi>t</mi> </msup> <mo>-</mo> <msup> <mi>x</mi> <mi>t</mi> </msup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>25</mn> <mo>)</mo> </mrow> </mrow>

x^t+1＝x^t+v^t+1 (26)

式中，pbest^t与gbest^t分别为t时刻的个体最优值和全局最优值；c₁为自我认知因子；c₂为社会认知因子,反映了每个粒子向pbest^t和gbest^t位置移动的速度权值；c₁、c₂过小易使粒子在最优区域外徘徊，过大易使粒子越过最优区域，取c₁＝c₂＝2，w为惯性因子，表征粒子t时刻速度对t+1时刻速度的影响。

9.如权利要求8所述的基于实时电价机制的微电网多时间尺度能量调度方法，其特征在于：所述粒子群优化算法的过程包括：

(1)输入一天24小时微网购电和售电电价，以及柴油机的单位发电成本，确定每小时的调度方案；

(2)进行所述日前优化，收集日前1h级风、光出力预测值以及负荷预测值；

(3)按步骤(1)确定的方案执行，根据柴油机实际运行情况及公式(1)-(2)约束，确定柴油机的一次预设出力并代入日前1h风、光、负荷数据，由公式(4)确定功率不平衡量ΔP^t；根据所述基于实时电价机制的微电网多时间尺度能量调度的步骤一确定由公式(5)-(6)确定柴油机二次调整出力和最终出力

(4)若满足公式(23)，即满足日前负荷备用约束，进行步骤(5)，否则返回步骤(3)；

(5)计算粒子的经济性、弃风和弃光率，并进行比较，取无相互支配关系的非支配解集，按拥挤距离排序得到群体最优解；

(6)进行日内优化，收集日内15min级风、光出力预测值以及负荷预测值；

(7)采用步骤(1)确定的调度方案，保证柴油机的启停状态与日前一致，并确定一次预设出力代入日内15min风、光、荷数据，由公式(4)确定功率不平衡量ΔP^t；根据所述基于实时电价机制的微电网多时间尺度能量调度的步骤一确定由公式(5)-(6)确定柴油机二次调整出力和最终出力

(8)若满足式(23)，即满足日前负荷备用约束，进行步骤(9)，否则返回步骤(7)；

(9)计算粒子的负荷缺失率和对日前调整量，并进行比较，取无相互支配关系的非支配解集，按拥挤距离排序得到群体最优解；

(10)若4个15min优化均已完成，进入步骤(11)，否则进行下一个15min优化并返回步骤(6)；

(11)若一天24h的优化均已完成，优化结束，否则进行下一小时优化并返回步骤(2)。