CN107706932B - 一种基于动态自适应模糊逻辑控制器的能量调度优化方法 - Google Patents

Abstract

本发明公开了一种基于动态自适应模糊逻辑微电网能量调度方法。该方法以微电网的一天预测信息，作为生成最优模糊控制器的训练集；所得预测信息作为模拟输入，并以微电网的运行花费最小以及对公共电网功率波动最小为双重优化目标，通过一种新型的启发式优化算法对模糊推理系统两方面进行动态自适应设计，包括隶属度函数的形状以及模糊推理规则；进而将所得最优模糊控制器用于微电网能量管理的实时控制。该自适应最优控制器一方面考虑到了一段时间的运行信息，根据不同环境调整自身模糊推理系统，从而可以实现全局时间的最优调度；另一方面，由于模糊逻辑推理自身对不精确的信息具有较好的容错性，该方法可以有效避免预测误差带来的不确定性的干扰。

Description

一种基于动态自适应模糊逻辑控制器的能量调度优化方法

技术领域

本发明涉及微电网运行控制与能量调度领域，特别是涉及一种基于动态自适应模糊逻辑控制器的能量调度优化方法。

背景技术

近年来全球能源需求量在稳步增长，化石能源的有限储量以及其对环境产生的负面影响，使许多国家解决此能源生产危机的战略是发展可再生能源，增加大量分布式发电装置，例如风力涡轮机，太阳能光伏发电板等。这使得在现有电力系统中可再生能源(RES)占有较高的渗透率。可再生能源一般具有自然地间歇性，随机性等特点，难以对其直接安排生产计划，这对电网的平衡产生不利影响。解决此问题的有效措施之一是加入大容量储能装置，并通过带有先进策略的能量管理系统(EMS)来实时地控制这些不同种类的储能装置，使得电网潮流满足期望的指标要求。

微网中的能量管理通常归结为日前计划的离线优化问题。这些离线应用的前提是假设预测的分布式能源与负荷需求是准确的，然而这在实际应用中是无法实现的，因为可再生能源的自然间歇性和变化，负荷中存在的随机性和特殊负荷的暂时不确定性。当生产或发电可以预测时，利用这些附加信息可以更好地安排运行决策以提高系统的表现。因此发展更为精确的预测技术是解决问题的方向之一。另一种克服预测问题不确定性的方向是发展在线算法来实时地进行能量管理。这些方法不需要随机过程中的任何未来一时间段的统计信息，即无需对发电和负荷预测。为使得这些应用满足实时性要求，不得不在系统模型或数学处理方面做出简化，且简化后的策略虽然可以满足实时性要求，但所得运行安排无法统筹一段时期的综合效益，故而无法得到最优结果。

本发明公开一种基于动态自适应模糊逻辑微电网能量调度方法。该方法使用预测信息通过启发式优化算法自适应地确定未来一段时间的模糊控制器，包括确定隶属度函数形状以及推理规则集。利用模糊逻辑推理适用于处理模糊的和不精确的信息，该最优模糊控制器推理机可以更好地满足实时性能量调度优化问题。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于动态自适应模糊逻辑微电网能量调度方法。本发明所采用的技术方案如下：

步骤(1)：依据所控新能源微电网建立与之对应的仿真模型，在日前调度阶段，预测得出未来一天各时段的风力涡轮机组与光伏发电系统的出力以及负荷需求；

I)考虑充分利用各可再生能源并完全满足负荷要求，功率平衡关系如下：

其中，P_wind(t)与P_pv(t)分别为风力涡轮机组与光伏发电系统在t时段的输出功率，P_load(t)为负荷在t时段的功率需求，P_balance(t)为负荷与可再生能源的功率差值，正数代表生产不足，负数代表生产过剩；P_ess(t)为能量存储系统的充放电率，由能量管理系统控制其输出，正数为充电功率，负数为放电功率；P_grid为微电网与主电网之间的功率交换，正数代表从主电网购电，负数代表向主电网反馈电能；

II)能量管理系统控制目标设为微电网运行花费最小以及与主网交换功率波动最小双重目标，在实时电价环境下，微电网获得最高效益的同时减小负荷与生产不平衡造成的峰谷差值，优化目标如下：

其中，EP(t)为各时段的市场电价；SoC(t)为储能系统的荷电状态，要求约束在一定范围内以保证电池的使用寿命；N_int为总的时段数；m为比例系数；PVR为功率变化范围；

步骤(2)：建立与能量管理系统相适应的模糊逻辑控制器，具体包括以下子步骤：

(2.1)对输入变量标准化：所述模糊控制器在每个时段包括三种输入量，分别为反应供需平衡关系的P_balance(t)，市场实时电价EP(t)以及储能装置的荷电状态SoC(t),对三种输入量做线性归一化处理，所得范围分别为[-1,1]，[0,1]和[0,1]；

(2.2)对输入量模糊化处理：为三种输入量选取隶属度函数，并设置模糊集,①对于P_balance(t)，选取锯齿三角形为隶属函数，顶点固定，两底端点位置可调,所述锯齿三角隶属函数的模糊集设为：{NB,NS,Z,PS,PB}，其中字母‘N’表示负数，‘P’表示正数，字母‘B’代表大，字母‘S’代表小，字母‘Z’代表零；②对于EP(t)，所用隶属函数为高斯曲线形，顶点位置固定，曲线宽度由对应标准差大小调节，该高斯曲线隶属函数的模糊集为:{L,M,H}，子母‘L’表示较低，字母‘M’表示中等，字母‘H’表示较高；③对于SoC(t)，所用隶属函数为高斯曲线形，顶点位置固定，曲线宽度由对应标准差大小调节,该高斯曲线隶属函数的模糊集为:{L,M,H}，子母‘L’表示较低，字母‘M’表示中等，字母‘H’表示较高；

(2.3)建立推理规则：由步骤(2.2)所建立的输入模糊集元素数量，该模糊控逻辑的推理规则有：5×3×3＝45种,设置控制输出量P_ess(t)的模糊集为{NB,NS,Z,PS,PB},为每种推理情况选择合理的输出模糊元素，建立推理规则集；

(2.4)模糊逻辑推理：推理形式采用若‘A’,‘B’,‘C’，则‘D’的逻辑语句,由步骤(2.2)得到各输入在模糊集中不同元素的隶属度大小，选取存在隶属度的元素做模糊推理，依据(2.3)中所建立的规则，查找出所有满足要求的输出元素及计算其隶属度值；

(2.5)解模糊化：选定输出隶属函数，将输出的模糊语言转化为调度信号，确定控制量的实际大小，步骤(2.4)中推理所对应的规则通常不止一条，对应多个输出元素，可采用加权质心法确定输出量，如下公式(3)：

z_o＝∑_iμ_i·z_i(μ_i)/∑_iμ_i (3)

其中，μ_i为输出模糊集的各元素隶属度值，z_i为与隶属度对应的调度分量，由输出隶属函数得出，z_o为加权平均后的标准化调度信号；

(2.6)将所得标准化调度信号转化为储能装置的充放电功率P_ess(t)；

步骤(3)：对步骤(2)建立的模糊控制器进行自适应优化训练，具体包括以下子步骤：

(3.1)选取输入隶属函数形状参数，在步骤(2.2)所述隶属函数中：①对于锯齿三角形，所述隶属模糊集{NB,NS,Z,PS,PB}包含5个元素，将对应的5个三角形的顶点位置依次固定为(-1,1),(-0.5,1),(0,1),(0.5,1),(1,1)，设置底点到各自三角形中点距离为形状参数，依次记为：{S₁,S₂,...,S₈}，范围为[0,1]；②对于两组高斯曲线形，所述隶属模糊集{L,M,H}均包含3个元素，将对应的3个高斯曲线顶点位置依次固定为(0,1),(0.5,1),(1,1)，设置高斯曲线标准差为形状参数，两组高斯曲线依次记为：{S₉,S₁₀,S₁₁}以及{S₁₂,S₁₃,S₁₄}，范围为[0,1]；

(3.2)对推理规则参数化，对步骤(2.3)中建立的逻辑规则设置数字化参数，所述规则集中45种情况设为45个参数，记作：{R₁,R₂,...,R₄₅}，范围为[0,1]，每条规则对输出模糊集的映射函数如下：

其中，Fuzzy_i(P_ess)为第i条规则中P_ess的输出模糊元素；

(3.3)以步骤(1)所述预测数据作为步骤(2)中模糊控制器输入量，公式(2)为目标函数及其约束，对所述模糊逻辑控制器作自适应参数最优化处理，优化变量为：X＝[S₁,S₂,...,S₁₄,R₁,R₂,...,R₄₅]，维度Dim＝59；

(3.4)运用启发式优化算法求解步骤(3.3)中的目标函数，获得最优模糊控制器参数；

步骤(4)：将步骤(3)所得最优模糊控制器用于实时能量管理系统，逐一得到各时段储能装置的充放电功率调配值，实现对微电网的最优化能量调度。

优选的，所述步骤(3.4)具体包括

如下子步骤：

Step 1：算法初始化：设置算法参数，包括群体规模N、总迭代数T、一致影响参数α、局部搜索参数β；确定优化变量边界[B_L,B_U]，B_L＝[0,0,...,0]_1×Dim，B_U＝[1,1,...,1]_1×Dim，其中Dim＝59，在此区间随机初始化群体中所有个体的位置向量，个体位置向量X_i＝[S₁,S₂,...,S₁₄,R₁,R₂,...,R₄₅],i＝1,2,...,N代表一组优化参数；令当前迭代次数τ＝0；

Step 2：计算各个个体的目标函数值，并寻找群体目标函数最小值F_i ^τ＝f(X_i(τ)),i＝1,2,...,N，具有最小目标函数值的个体确定为当前最优个体X_B(τ)；

Step 3：计算每个个体当前最优个体召唤向量

其中系数向量C₁＝1+(1-α)·rand₁(1,Dim)，C₂＝2w·rand₁(1,Dim)；rand₁为区间(0,1)的随机向量；

Step 4:对所有个体X_i,i＝1,2,...,N,进行个体随机搜索，计算惯性向量

其中rand₂为区间(-1,1)的随机向量；δ_i为Step 3中距离向量；

Step 5:按照个体位置更新公式更新个体位置：

其中w是一个随迭代次数由1线性递减至0的参数w＝1-τ/T；

Step 6:判断个体各维度是否超过边界范围并对超出的维度重新初始化：

其中d为超出范围的维度，rand为(0,1)的随机数；

Step 7:τ＝τ+1，如果τ＞T，算法结束，输出当前最优个体位置作为终解，当前最优个体位置即为最优模糊控制器参数向量；否则，转入Step 2。

3.如权利要求2所述的方法，其特征在于，所述步骤Step 2中计算各个个体的目标函数值F_i ^τ＝f(X_i(τ))具体为：

从个体i位置向量X_i(τ)解码得到优化参数，其中S₁...S₁₄分别为位置向量中的第1至第14个元素，直接作为输入隶属函数的形状参数；R₁...R₄₅分别为位置向量的第15至第59个元素，依据公式(4)解码映射为不同的逻辑规则，将优化参数代入步骤(1)中新能源混合系统仿真平台的最优模糊逻辑控制器，仿真得到控制器输出及系统状态变量随时间的变化过程，得到各时段的运行花费及一天的功率变化范围，按照公式(2)中目标函数得到个体的目标函数值。

优选的，所述PVR的表达式为：

本发明有益效果是：本发明针对分布式可再生电源供电存在波动性、随机性以及间歇性，并难以对生产与负荷做到精确预测的特点，(1)利用模糊逻辑降低能量管理系统对预测误差的敏感性；(2)对模糊逻辑控制器的隶属函数形状与推理规则参数化；(3)由一段时间的预测信息作为有效训练集，通过启发式智能算法对模糊控制器自适应参数优化；(4)最优模糊控制器既满足实时控制调度要求，又考虑一段时间水平的全局优化操作；(5)充分利用各时段可再生能源，满足本地负荷需求，减小与电网间交换功率波动，实现微电网运行花费最小化。

附图说明

图1为含有可再生能源的混合微电网系统能量流动示意图；

图2为风力发电机组日前功率的预测值与实际发电功率输出值；

图3为光伏发电机组日前功率的预测值与实际发电功率输出值；

图4本地负荷日前功率的预测值与实际所需功率值；

图5时段电价分布；

图6模糊逻辑系统输入隶属函数；

图7模糊逻辑系统输出隶属函数；

图8目标函数随迭代次数变化过程曲线；

图9最优化输入隶属函数形状；

图10时段花费以及时段累计花费；

图11负荷生产平衡功率曲线与电网间交换功率曲线。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明涉及一种微电网系统能量调度优化方法，利用预测信息生成最优模糊逻辑控制器，该微电网系统包括多种可再生能源，大容量储能装置以及本地负荷，如图1所示。本发明的目的是提出一种基于动态自适应模糊逻辑微电网能量调度方法，从而实时控制微电网能量流动，实现运行花费最小化以及“削峰填谷”的双重目标。为说明本发明效果，下面以某一新能源微电网系统作为本发明的实施对象对本发明方法进行详细说明：

步骤(1):建立含可再生能源微电网能量流动仿真模型，能量流动方式如图1所示。在日前调度阶段运用已有技术手段，预测得出未来一天各时段的风力涡轮机组与光伏发电系统的出力以及负荷需求。所需含有预测误差的数据如图2-4所示，预测误差满足高斯分布。电价时段分布如图5所示。依据公式(1)计算各部分时段功率值。

步骤(2)：建立与能量管理系统相适应的模糊逻辑控制器。具体包括以下子步骤：

(2.1)对输入变量标准化：所述模糊控制器在每个时段包括三种输入量，分别为反应供需平衡关系的P_balance(t)，市场实时电价EP(t)以及储能装置的荷电状态SoC(t)。对三种输入量做线性归一化处理，所得范围分别为[-1,1]，[0,1]和[0,1]。

(2.2)对输入量模糊化处理：为三种输入量选取隶属度函数，并设置模糊集，如图6所示。①对于P_balance(t)，选取锯齿三角形为隶属函数，顶点固定，两底端点位置可调。所述锯齿三角隶属函数的模糊集设为：{NB,NS,Z,PS,PB}，其中字母‘N’表示负数，‘P’表示正数，字母‘B’代表大，字母‘S’代表小，字母‘Z’代表零。②对于EP(t)，所用隶属函数为高斯曲线形，顶点位置固定，曲线宽度由对应标准差大小调节。该高斯曲线隶属函数的模糊集为:{L,M,H}，子母‘L’表示较低，字母‘M’表示中等，字母‘H’表示较高。③对于SoC(t)，所用隶属函数为高斯曲线形，顶点位置固定，曲线宽度由对应标准差大小调节。该高斯曲线隶属函数的模糊集为:{L,M,H}，子母‘L’表示较低，字母‘M’表示中等，字母‘H’表示较高。

(2.3)建立推理规则：由步骤(2.2)所建立的输入模糊集元素数量，该模糊控逻辑的推理规则有：5×3×3＝45种。设置控制输出量P_ess(t)的模糊集为{NB,NS,Z,PS,PB}。为每种推理情况选择合理的输出模糊元素，建立推理规则集。

(2.4)模糊逻辑推理：推理形式采用若‘A’,‘B’,‘C’，则‘D’的逻辑语句。由步骤(2.2)得到各输入在模糊集中不同元素的隶属度大小，选取存在隶属度的元素做模糊推理，依据(2.3)中所建立的规则，查找出所有满足要求的输出元素及计算其隶属度值。

(2.5)解模糊化：选定输出隶属函数，如图7所示。将输出的模糊语言转化为调度信号，确定控制量的实际大小。步骤(2.4)中推理所对应的规则通常不止一条，对应多个输出元素，可采用加权质心法确定输出量，如公式(3)所示。

(2.6)将所得标准化调度信号转化为储能装置的充放电功率P_ess(t)。

步骤(3)：对步骤(2)建立的模糊控制器进行自适应优化训练。具体包括以下子步骤：

(3.1)选取输入隶属函数形状参数，如图6所示。在步骤(2.2)所述隶属函数中：①对于锯齿三角形，所述隶属模糊集{NB,NS,Z,PS,PB}包含5个元素，将对应的5个三角形的顶点位置依次固定为(-1,1),(-0.5,1),(0,1),(0.5,1),(1,1)。设置底点到各自三角形中点距离为形状参数，依次记为：{S₁,S₂,...,S₈}，范围为[0,1]。②对于两组高斯曲线形，所述隶属模糊集{L,M,H}均包含3个元素，将对应的3个高斯曲线顶点位置依次固定为(0,1),(0.5,1),(1,1)。设置高斯曲线标准差为形状参数，两组高斯曲线依次记为：{S₉,S₁₀,S₁₁}以及{S₁₂,S₁₃,S₁₄}，范围为[0,1]。

(3.2)对推理规则参数化。对步骤(2.3)中建立的逻辑规则设置数字化参数，所述规则集中45种情况设为45个参数，记作：{R₁,R₂,...,R₄₅}，范围为[0,1]。每条规则对输出模糊集的映射函数如公式(4)所示。

(3.3)以步骤(1)所述预测数据作为步骤(2)中模糊控制器输入量，公式(2)为目标函数及其约束，对所述模糊逻辑控制器作自适应参数最优化处理。优化变量为：X＝[S₁,S₂,...,S₁₄,R₁,R₂,...,R₄₅]，维度Dim＝59。

(3.4)运用启发式优化算法求解步骤(3.3)中的目标函数，获得最优模糊控制器参数。

Step 1：算法初始化：设置算法参数，包括群体规模N、总迭代数T、一致影响参数α、局部搜索参数β；确定优化变量边界[B_L,B_U]，B_L＝[0,0,...,0]_1×Dim，B_U＝[1,1,...,1]_1×Dim，其中Dim＝59。在此区间随机初始化群体中所有个体的位置向量，个体位置向量X_i＝[S₁,S₂,...,S₁₄,R₁,R₂,...,R₄₅],i＝1,2,...,N代表一组优化参数；令当前迭代次数τ＝0；

Step 2：计算各个个体的目标函数值，并寻找群体目标函数最小值F_i ^τ＝cost(X_i(τ)),i＝1,2,...,N，具有最小目标函数值的个体确定为当前最优个体X_B(τ)；

Step 3：计算每个个体当前最优个体召唤向量

其中系数向量C₁＝1+(1-α)·rand₁(1,Dim)，C₂＝2w·rand₁(1,Dim)；rand₁为区间(0,1)的随机向量。

Step 4:对所有个体X_i,i＝1,2,...,N,进行个体随机搜索，计算惯性向量

其中rand₂为区间(-1,1)的随机向量；δ_i为Step 3中距离向量。

Step 5:按照个体位置更新公式更新个体位置：

其中w是一个随迭代次数由1线性递减至0的参数w＝1-τ/T。

Step 6:判断个体各维度是否超过边界范围并对超出的维度重新初始化：

其中d为超出范围的维度，rand为(0,1)的随机数。

Step 7:τ＝τ+1，如果τ＞T，算法结束，输出当前最优个体位置作为终解，当前最优个体位置即为最优模糊控制器参数向量；否则，转入Step 2。

优化过程曲线如图8所示。将最优位置向量X^*(τ)解码得到优化参数，其中分别为位置向量中的第1至第14个元素，作为输入隶属函数的形状参数，优化所得模糊控制器的输入隶属函数如图9.(a)-(c)所示；分别为位置向量的第15至第59个元素，依据公式(4)解码映射为不同的逻辑规则。所得推理规则如表1所示。

表1最优化推理规则集

步骤(4)：将步骤(3)所得最优模糊控制器用于实时能量管理系统，逐一得到各时段储能装置的充放电功率调配值。

由最优模糊逻辑控制器实时对微电网储能系统调度，得到更为合理的充放电方案，将多余电量在电价较高时卖给公共电网，缓解公共电网的供电压力，在本地负荷供应完全满足条件下，使得微电网收益最大。图10展现了微电网系统经济效益，包括各时段的花费值以及累计时间花费值，(注意：初始累计时间花费值为由于储能系统在一天初始电能量不同造成，按市场最低电价计算)。所提能量管理方法可以使得间歇性，随机性及不确定性较强的可再生能源得以充分利用，并有效的减小对公共电网的功率波动冲击。“削峰填谷”的效果如图11所示。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于动态自适应模糊逻辑微电网能量调度方法，其特征在于，所述方法包括如下步骤：

步骤(1)：依据所控新能源微电网建立与之对应的仿真模型，在日前调度阶段，预测得出未来一天各时段的风力涡轮机组与光伏发电系统的出力以及负荷需求；

I)考虑充分利用各可再生能源并完全满足负荷要求，功率平衡关系如下：

其中，P_wind(t)与P_pv(t)分别为风力涡轮机组与光伏发电系统在t时段的输出功率，P_load(t)为负荷在t时段的功率需求，P_balance(t)为负荷与可再生能源的功率差值，正数代表生产不足，负数代表生产过剩；P_ess(t)为储能装置的充放电率，由能量管理系统控制其输出，正数为充电功率，负数为放电功率；P_grid为微电网与主电网之间的功率交换，正数代表从主电网购电，负数代表向主电网反馈电能；

II)能量管理系统控制目标设为微电网运行花费最小以及与主网交换功率波动最小双重目标，在实时电价环境下，微电网获得最高效益的同时减小负荷与生产不平衡造成的峰谷差值，优化目标如下：

其中，EP(t)为各时段的市场电价；SoC(t)为储能装置的荷电状态，要求约束在一定范围内以保证电池的使用寿命；N_int为总的时段数；m为比例系数；PVR为功率变化范围；

步骤(2)：建立与能量管理系统相适应的模糊逻辑控制器，具体包括以下子步骤：

(2.1)对输入变量标准化：所述模糊逻辑控制器在每个时段包括三种输入量，分别为反应供需平衡关系的P_balance(t)，市场实时电价EP(t)以及储能装置的荷电状态SoC(t),对三种输入量做线性归一化处理，所得范围分别为[-1,1]，[0,1]和[0,1]；

(2.2)对输入量模糊化处理：为三种输入量选取隶属度函数，并设置模糊集,①对于P_balance(t)，选取锯齿三角形为隶属函数，顶点固定，两底端点位置可调,所述锯齿三角隶属函数的模糊集设为：{NB,NS,Z,PS,PB}，其中字母‘N’表示负数，‘P’表示正数，字母‘B’代表大，字母‘S’代表小，字母‘Z’代表零；②对于EP(t)，所用隶属函数为高斯曲线形，顶点位置固定，曲线宽度由对应标准差大小调节，该高斯曲线隶属函数的模糊集为:{L,M,H}，字母‘L’表示较低，字母‘M’表示中等，字母‘H’表示较高；③对于SoC(t)，所用隶属函数为高斯曲线形，顶点位置固定，曲线宽度由对应标准差大小调节,该高斯曲线隶属函数的模糊集为:{L,M,H}，字母‘L’表示较低，字母‘M’表示中等，字母‘H’表示较高；

(2.3)建立推理规则：由步骤(2.2)所建立的输入模糊集元素数量可以得出，该模糊逻辑控制器的推理规则有：5×3×3＝45种， 设置控制输出量P_ess(t)的模糊集为{NB,NS,Z,PS,PB},为每种推理情况选择合理的输出模糊元素，建立推理规则集；

(2.4)模糊逻辑推理：推理形式采用若‘A’,‘B’,‘C’，则‘D’的逻辑语句,由步骤(2.2)得到各输入在模糊集中不同元素的隶属度大小，选取存在隶属度的元素做模糊推理，依据(2.3)中所建立的规则，查找出所有满足要求的输出元素及计算其隶属度值；

(2.5)解模糊化：选定输出隶属函数，将输出的模糊语言转化为调度信号，确定控制量的实际大小，步骤(2.4)中推理所对应的规则通常不止一条，对应多个输出元素，可采用加权质心法确定输出量，如下公式(3)：

z_o＝∑_iμ_i·z_i(μ_i)/∑_iμ_i (3)

其中，μ_i为输出模糊集的各元素隶属度值，z_i为与隶属度对应的调度分量，由输出隶属函数得出，z_o为加权平均后的标准化调度信号；

(2.6)将所得标准化调度信号转化为储能装置的充放电功率P_ess(t)；

步骤(3)：对步骤(2)建立的模糊逻辑控制器进行自适应优化训练，具体包括以下子步骤：

(3.1)选取输入隶属函数形状参数，在步骤(2.2)所述隶属函数中：①对于锯齿三角形，其隶属函数的模糊集{NB,NS,Z,PS,PB}包含5个元素，将对应的5个三角形的顶点位置依次固定为(-1,1),(-0.5,1),(0,1),(0.5,1),(1,1)，设置底点到各自三角形中点距离为形状参数，依次记为：{S₁,S₂,...,S₈}，范围为[0,1]；②对于两组高斯曲线形，其隶属函数的模糊集{L,M,H}均包含3个元素，将对应的3个高斯曲线顶点位置依次固定为(0,1),(0.5,1),(1,1)，设置高斯曲线标准差为形状参数，两组高斯曲线依次记为：{S₉,S₁₀,S₁₁}以及{S₁₂,S₁₃,S₁₄}，范围为[0,1]；

(3.2)对推理规则参数化，对步骤(2.3)中建立的逻辑规则设置数字化参数，所述规则集中45种情况设为45个参数，记作：{R₁,R₂,...,R₄₅}，范围为[0,1]，每条规则对输出模糊集的映射函数如下：

其中，Fuzzy_i(P_ess)为第i条规则中P_ess的输出模糊元素；

(3.3)以步骤(1)预测数据作为步骤(2)中模糊逻辑控制器输入量，公式(2)为目标函数及其约束，对所述模糊逻辑控制器作自适应参数最优化处理，优化变量为：X＝[S₁,S₂,...,S₁₄,R₁,R₂,...,R₄₅]，维度Dim＝59；

(3.4)运用启发式优化算法求解步骤(3.3)中的目标函数，获得最优模糊逻辑控制器参数；

步骤(4)：将步骤(3)所得最优模糊逻辑控制器用于实时能量管理系统，逐一得到各时段储能装置的充放电功率调配值，实现对微电网的最优化能量调度。

2.如权利要求1所述的方法，其特征在于，所述步骤(3.4)具体包括如下子步骤：

Step1：算法初始化：设置算法参数，包括群体规模N、总迭代数T、一致影响参数α、局部搜索参数β；确定优化变量边界[B_L,B_U]，B_L＝[0,0,...,0]_1×Dim，B_U＝[1,1,...,1]_1×Dim，其中Dim＝59，在此区间随机初始化群体中所有个体的位置向量，个体位置向量X_i＝[S₁,S₂,...,S₁₄,R₁,R₂,...,R₄₅],i＝1,2,...,N代表一组优化参数；令当前迭代次数τ＝0；

Step2：计算各个个体的目标函数值，并寻找群体目标函数最小值F_i ^τ＝f(X_i(τ)),i＝1,2,...,N，具有最小目标函数值的个体确定为当前最优个体X_B(τ)；

Step3：计算每个个体当前最优个体召唤向量

其中系数向量C₁＝1+(1-α)·rand₁(1,Dim)，C₂＝2w·rand₁(1,Dim)；rand₁为区间(0,1)的随机向量；

Step4:对所有个体X_i,i＝1,2,...,N,进行个体随机搜索，计算惯性向量

其中rand₂为区间(-1,1)的随机向量；δ_i为Step3中距离向量；

Step5:按照个体位置更新公式更新个体位置：

其中w是一个随迭代次数由1线性递减至0的参数w＝1-τ/T；

Step6:判断个体各维度是否超过边界范围并对超出的维度重新初始化：

其中d为超出范围的维度，rand为(0,1)的随机数；

Step7:τ＝τ+1，如果τ＞T，算法结束，输出当前最优个体位置作为终解，当前最优个体位置即为最优模糊逻辑控制器参数向量；否则，转入Step2。

3.如权利要求2所述的方法，其特征在于，所述步骤Step2中计算各个个体的目标函数值F_i ^τ＝f(X_i(τ))具体为：

从个体i位置向量X_i(τ)解码得到优化参数，其中S₁...S₁₄分别为位置向量中的第1至第14个元素，直接作为输入隶属函数的形状参数；R₁...R₄₅分别为位置向量的第15至第59个元素，依据公式(4)解码映射为不同的逻辑规则，将优化参数代入步骤(1)中新能源混合系统仿真平台的最优模糊逻辑控制器，仿真得到控制器输出及系统状态变量随时间的变化过程，得到各时段的运行花费及一天的功率变化范围，按照公式(2)中目标函数得到个体的目标函数值。

4.如权利要求1或2所述的方法，其特征在于，所述PVR的表达式为：