CN109510241A - 工业园区风光燃储能能源的并网模式优化配置系统及方法 - Google Patents

Abstract

本发明公开了属于电力系统规划技术领域的一种工业园区风光燃储能能源的并网模式优化配置系统及方法。该配置系统包括依次连接的数据采集模块、优化配置模块和结果输出模块；方法包括：选择储能的并网运营模式，确定储能的额定容量；以风光燃储系统的年均成本最小为目标函数，建立优化配置的数学模型，并考虑设备出力、功率平衡等约束条件；利用粒子群算法求解优化配置问题，输出系统最佳配置方案。本发明在满足约束条件的情况下，对工业园区内风光燃储系统的容量进行优化，进而得到使年均成本最小的各种能源的容量配置。解决工园区能源结构不合理、能源利用率低、负荷峰谷差额大、环境污染的难题。对促进能源互联网建设具有重要意义。

Description

工业园区风光燃储能能源的并网模式优化配置系统及方法

技术领域

本发明属于电力系统规划技术领域，特别涉及一种工业园区风光燃储能能源的并网模式优化配置系统及方法。

背景技术

工业园区具有工业用户发达、负荷需求复杂的特点，但普遍存在能源结构不合理、能源利用率低、负荷峰谷差额大、环境污染等问题。工业园区内部包含了冷、热、电不同形式的负荷，因此在能源配置时需要对风、光、燃、储等多种能源进行综合考虑，实现其优化组合。通过对风、光、燃、储能源进行合理的容量配置，不仅可以满足园区负荷需求，还能够降低系统成本，保证园区可靠、经济地运行。多能互补既可以减少一次能源的消耗，提高能源利用率，又可以积极响应国家的节能减排政策，减轻环境污染，对促进能源互联网发展具有重要意义。

现有的对工业园区微网内电源优化配置的研究主要存在以下不足：大多只考虑了风光燃储在供电方面的优化配置，没有考虑园区内的冷热负荷需求，无法保证园区运行的可靠性，同时也无法体现工业园区的多能互补特性；部分三联供系统只包含了燃机，而燃机容量过大时其成本费用及燃料费用较高，导致系统经济效益较差，且燃机供电易产生污染物，不利于环保，因此可以考虑将其与风光储供电结合，建立风光燃储协同优化模型，通过多能互补改善系统的经济性和环保性；研究多能互补系统优化配置时大多没有具体考虑储能的运营模式，在规划阶段往往需要根据投资主体的需求选择储能的运营模式，不同运营模式下储能的充放电策略和确定的容量不同。如果缺少对储能运营模式的考虑，可能导致配置出的储能容量无法满足实际要求，或者储能容量过大，成本过高，因而对系统的经济性和可靠性会产生一定的影响。

针对上述问题，本发明提出了一种考虑并网情况下储能不同运营模式的风光燃储优化配置系统及其方法。首先，选择储能的并网运营模式，利用采集到的数据确定储能的额定容量和额定功率。其次，以综合供能系统年均成本最小为优化目标，构建风光燃储优化配置的数学模型。然后，采用粒子群算法对优化问题进行求解。基于江苏某工业园区的算例进行仿真验证，仿真结果表明相较于单一的燃机三联供系统，由本发明得到的配置方案经济性更优。

发明内容

本发明的目的是提出一种工业园区风光燃储能源的并网模式优化配置系统及方法，其特征在于，所述系统包括依次连接的数据采集模块、优化配置模块和结果输出模块。

所述数据采集模块用于采集负荷数据、气象参数、风能设备、光能设备、燃机系统和储能设备的参数及经济参数，并将采集数据发送到优化配置模块；

所述优化配置模块以风能设备、光能设备、燃机系统、储能设备的年均成本最小为目标函数，并考虑设备出力、功率平衡为约束条件，采用粒子群算法对优化问题进行求解。

所述结果输出模块用于输出风能设备、光能设备、燃机系统和储能设备的最优容量配置。

一种工业园区风光燃储能源的并网模式优化配置系统的优化配置方法，其特征在于，包括如下步骤：

步骤1)选择储能设备的并网运营模式，确定储能设备的额定功率和额定容量；

步骤2)以风能设备、光能设备、燃机系统和储能设备的年均成本最小为目标函数，建立优化配置的数学模型，具体如式(1)所示，并考虑设备出力、功率平衡的约束条件；

步骤3)利用粒子群算法求解优化配置问题，输出系统最佳配置方案。

所述优化配置的目标函数为：

minC＝C_DG+C_GT+C_BESS+C_Grid (1)

其中，C表示风光燃储能设备年均成本；C_DG表示风能和光能设备的年成本；C_GT表示燃机系统的年成本；C_BESS表示储能设备的年成本；C_Grid表示工业园区年购电成本。

所述设备出力、功率平衡的约束条件为：

(1)设备出力必须满足其出力能力约束，

(2)能量平衡约束，在某时刻燃机系统的制热量、热负荷和某时刻燃机系统的制冷量、冷负荷要求达到平衡；

(3)储能充放电约束；储能在各个时刻的荷电状态不得超过其上下限约束，充放电功率的绝对值不得超过其额定功率；

(4)电源占地面积限制；考虑到在实际工程中，电源的建设要受到当地面积的限制，因此其配置数量也受到相应的约束：

(5)联络线功率限制，工业园区向电网购电功率要受到联络线功率限制。

所述利用粒子群算法求解优化配置问题，输出系统最佳配置方案；在粒子群算法PSO中，每个优化问题的潜在解都能看作是D维搜索空间上的一个粒子，所有的粒子都有一个被目标函数决定的适应度值，每个粒子还有一个速度决定它们飞行的方向和距离，然后粒子们追随当前的最优粒子在解空间中搜索；

将PSO初始化为一群随机粒子即随机解；然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个极值来更新自己：一个极值是粒子本身所找到的最优解，称为个体极值；另一个极值是整个种群目前找到的最优解，这个极值是全局极值；在找到这两个最优值时，每个粒子根据如下的公式来更新自己的速度和位置：

其中，是粒子的速度向量，是粒子当前的位置；表示粒子当前所找到的最优解；表示整个种群目前找到的最优解；ω表示保持原来速度的系数，叫做惯性权重；c₁、c₂表示群体认知系数，取(0,2)之间的随机数；因此归纳PSO的计算步骤如下：

(1)初始化，对粒子群进行随机初始化，包括随机位置和速度；

(2)计算每个粒子的适应度值；

(3)依据粒子适应度值更新个体极值与全局极值；

(4)更新粒子的速度和位置；

(5)判断是否达到最大迭代次数，若达到，则停止迭代，否则转到步骤(2)。

本发明的有益效果是在考虑储能并网运营模式的基础上，提出了一种工业园区风光燃储优化配置方法，以系统年均成本最小为优化目标，建立了风光燃储优化配置的数学模型，并通过粒子群算法对该模型进行求解。仿真结果表明，相较单一的燃机三联供系统，本发明所提出的优化模型求得的配置方案经济性更优。利用本发明所形成的能源配置方案保证工业园区的可靠运行；解决工园区能源结构不合理、能源利用率低、负荷峰谷差额大、环境污染的难题。对响应国家节能减排政策、促进能源互联网建设具有重要意义。

附图说明

图1为考虑储能并网运营模式的工业园区风光燃储优化配置系统图；

图2为考虑储能并网运营模式的工业园区风光燃储优化配置方法流程图；

图3为江苏110kV大工业用电分时电价示意图；

图4为削峰填谷示意图；

图5为实施例典型日单台风机出力曲线图；

图6为实施例典型日单片光伏组件出力曲线图；

图7为实施例典型日电负荷曲线图；

图8为实施例三种模式下各项成本及总成本对比图；

图9为实施例盈利模式下储能的日充放电功率图；

图10为实施例削峰填谷模式下储能的日充放电功率图。

具体实施方式

本发明提出一种工业园区风光燃储能能源的并网模式优化配置系统及方法，下面结合附图，对优选实施例作详细说明。

图1是本发明提供的考虑储能并网运营模式的工业园区风光燃储优化配置系统图，如图1所示，考虑储能并网运营模式的工业园区风光燃储优化配置系统由数据采集模块、优化配置模块和结果输出模块依次连接构成。

一种工业园区风光燃储能源的并网模式优化配置系统的优化配置包括如下步骤：

步骤1)选择储能设备的并网运营模式，确定储能设备的额定功率和额定容量；

步骤2)以风能设备、光能设备、燃机系统和储能设备的年均成本最小为目标函数，建立优化配置的数学模型，具体如式(1)所示，并考虑设备出力、功率平衡的约束条件；

步骤3)利用粒子群算法求解优化配置问题，输出系统最佳配置方案。

本发明所述的工业园区风光燃储能源的并网模式优化配置系统的优化配置的基本原理为：

1.数据采集模块用于采集负荷数据、气象参数、风能设备、光能设备、燃机系统和储能设备的参数及经济参数，并将采集数据发送到优化配置模块；

2.所述优化配置模块以风能设备、光能设备、燃机系统、储能设备的年均成本最小为目标函数，并考虑设备出力、功率平衡为约束条件，采用粒子群算法对优化问题进行求解。

优化配置模块

优化配置的目标函数为：

minC＝C_DG+C_GT+C_BESS+C_Grid (1)

其中，C表示风光燃储能设备年均成本；C_DG表示风能和光能设备的年成本；C_GT表示燃机系统的年成本；C_BESS表示储能设备的年成本；C_Grid表示工业园区年购电成本。

设备出力、功率平衡的约束条件为：

(1)设备出力必须满足其出力能力约束，即：

式中，P_i(t)表示第i类设备在t时刻的出力，表示第i类设备的出力上限；

(2)能量平衡约束，

P_WT(t)+P_PV(t)+P_GT(t)+P_grid(t)+P_S(t)＝P_Load(t) (3)

式中，Q_HE(t)表示t时刻燃机系统的制热量；表示t时刻的热负荷；Q_CO(t)表示t时刻燃机系统的制冷量；Q_EC(t)为考虑到燃机系统制冷不能满足冷负荷时，由电制冷机组补充的制冷量；为t时刻的冷负荷；

(3)储能充放电约束；

SOC_min≤SOC(t)≤SOC_max (6)

0≤|P_S(t)|≤P_BESS (7)

储能在各个时刻的荷电状态不得超过其上下限约束，充放电功率的绝对值不得超过其额定功率；

(4)电源占地面积限制；考虑到在实际工程中，电源的建设要受到当地面积的限制，因此其配置数量也受到相应的约束：

N_i≤N_i,max (8)

式中，N_i,max表示受当地面积限制，第i种电源所能安装的最大数量；

(5)联络线功率限制，工业园区向电网购电功率要受到联络线功率限制：

P_grid(t)≤P_line,max (9)

式中，P_line,max表示工业园区与电网间联络线功率限制。

求解算法为粒子群算法。粒子群算法(PSO)是一种基于群体智能的优化算法。在PSO中，每个优化问题的潜在解都可以看作是D维搜索空间上的一个点(粒子)，所有的粒子都有一个被目标函数决定的适应度值，每个粒子还有一个速度决定它们飞行的方向和距离，然后粒子们追随当前的最优粒子在解空间中搜索。

PSO初始化为一群随机粒子(随机解)，然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己：一个极值是粒子本身所找到的最优解，称为个体极值；另一个极值是整个种群目前找到的最优解，这个极值是全局极值。在找到这两个最优值时，每个粒子根据如下的公式来更新自己的速度和位置：

其中，是粒子的速度向量，是粒子当前的位置；表示粒子当前所找到的最优解；表示整个种群目前找到的最优解；ω表示保持原来速度的系数，叫做惯性权重；c₁、c₂表示群体认知系数，通常取(0,2)之间的随机数。

3.结果输出模块用于输出风能设备、光能设备、燃机系统和储能设备的最优容量配置；输出各种能源的容量配置结果。

图2是本发明提供的考虑储能并网运营模式的工业园区风光燃储优化配置方法流程图，如图2所示，包括：

步骤1：选择储能的并网运营模式，确定储能的额定功率和额定容量。

储能的并网运营模式包括盈利模式和削峰填谷模式。

其中，盈利模式指储能通过在负荷低谷时段以低电价充电，负荷高峰时段以高电价放电，实现峰谷电价差盈利。削峰填谷模式指储能依据“削峰线”和“填谷线”，在负荷高峰时段放电，在负荷低谷时段充电，实现对负荷曲线的削峰填谷作用。

盈利模式下，储能的额定功率为：P_BESS＝λ·max{|P_Load(t)-P_DG(t)|}，其中，P_Load(t)-P_DG(t)为园区负荷与电源总出力差值；λ为一个比例系数，按经验取0.02。储能的额定容量为：其中，Δt表示一对峰谷时段中的最短时段，SOC_max、SOC_min分别为储能运行时的荷电状态上下限。

如图3所示，以江苏110kV大工业用电分时电价为例，该地区电价存在1个谷时段(8小时)，2个峰时段(各4小时)，则储能一天充放电一次，峰谷时段中的最短时段为4小时。

削峰填谷模式下，本发明以一天作为储能的一个充放电周期，基于储能一天中充电量和放电量相等的原则，提出“削峰线”和“填谷线”的概念，以此确定储能的充放电时段。

如图4所示，在负荷高峰时段经储能放电后，负荷的大小保持在削峰线上；在负荷低谷时段经储能充电后，负荷的大小保持在填谷线上。其中，削峰线的值为：P_up＝γ·P_{Load_max}，其中，γ定义为削峰率，指削峰线与一天中最大负荷的比值，通常为一个常数，在0.75～1.00之间；P_{Load_max}为一天中最大负荷。

当给定削峰线的值后，则能够确定一天中的放电时刻和该时刻的放电功率：Ps(t)＝P_Load(t)-P_up(当P_Load(t)-P_up>0时)；对放电时段的放电量进行累计，则得到一天中的放电量：(当P_Load(t)-P_up>0时)。

填谷线的确定方法如下：将一条水平线从低谷期最小负荷开始，以很小的步长向上平移，每平移一次，则该水平线会与负荷曲线有交点，由此确定出一天中的充电时刻和对应的充电功率：P_s(t)＝P_low-P_Load(t)(当P_low-P_Load(t)>0时)。对充电时段的充电量进行累计，则可得到一天中的充电量：(当P_low-P_Load(t)>0时)。判断E_ch和E_dis的大小，若E_ch<E_dis，则说明由该水平线确定的充电量小于放电量，继续上移该水平线。当E_ch和E_dis相等时，此时的水平线P_low即为填谷线。

当负荷曲线介于削峰线和填谷线之间时，储能不动作，其充放电功率0。

以一年为储能的容量计算时间尺度，储能额定功率的计算过程如下：P_BESS,i＝max{|Ps(t)|}t＝1,2,…,24，P_BESS＝max{P_BESS,i}i＝1,2,...,365。P_BESS表示储能的额定功率，t表示一天中的各个时刻，i表示一年中的每一天。

对一天中各个时刻的储能电量进行累计，得到储能各个时刻储能相对于初始状态的电量变化量：t＝1,2,…,24。针对一天中储能各个时刻相对初始状态的电量变化量，计算其最大、最小值之差，并考虑到储能荷电状态上下限的限制，计算储能应具备的容量：则储能的额定容量值为：E_BESS＝max{E_BESS,i}i＝1,2,...,365

步骤2：以风光燃储系统的年均成本最小为目标函数，建立优化配置的数学模型，并考虑设备出力、功率平衡等约束条件。

系统年均成本为风光燃储的成本与购电成本之和，用式(1)计算，

minC＝C_DG+C_GT+C_BESS+C_Grid (1)

其中，C表示风光燃储能设备年均成本；C_DG表示风能和光能设备的年成本；C_GT表示燃机系统的年成本；C_BESS表示储能设备的年成本；C_Grid表示工业园区年购电成本。

各项费用的具体表达式如下：

1)风能和光能设备的年成本

式中，r为贴现率；M_i表示第i种电源设备的经济使用年限；N_i表示第i种电源设备的数量；c_T,i表示第i种电源设备的单位容量投资费用；表示第i种电源的额定容量；c_OM,i表示第i种电源的单位电量运行维护费用；P_i(t)表示第i种电源在t时刻的输出功率。

2)燃机系统的年成本

C_GT＝C_inv+C_gas (13)

式中，C_inv、C_gas分别为燃机系统的年投资成本和燃料消耗成本；N_tur为燃机的数量，C_tur、C_ass、C_reg、C_spp分别为燃机、余热锅炉、溴化锂制冷机、燃气锅炉的造价；M_GT表示燃机系统设备使用年限；V_g(t)、V_{g_b}(t)为单位时间内的耗气量和补燃量；c_g表示天然气价格。

3)储能设备的年成本

C_BESS＝C_d+C_m+C_c+C_s (16)

C_m＝m_e·E_BESS (18) (19)

式中，C_d、C_m、C_c、C_s分别表示储能的年投资成本、年运维成本、年置换成本、年折旧成本；n_b,p、n_b,e分别表示储能的功率单价、容量单价；M_BESS表示储能的服役年限；m_e表示储能的维护单价；n₀表示储能一天中的充放电次数；N_cyc表示储能的循环次数；l_b,p、l_b,e分别表示储能的功率处置单价、容量处置单价。

4)年购电成本

P_grid(t)＝P_Load(t)-P_WT(t)-P_PV(t)-P_GT(t)-P_S(t) (22)

式中，P_grid(t)为t时刻园区向电网购电量，当P_grid(t)>0的情况下向电网买电，此时产生的费用是购电费用。Δt为时间间隔，本文取1h；c_grid(t)为t时刻的购电电价；P_Load(t)表示t时刻的电负荷；P_WT(t)、P_PV(t)、P_GT(t)、P_S(t)分别表示t时刻风光燃储的出力。

约束条件包括：

1)设备出力必须满足其出力能力约束，即：

式中，P_i(t)表示第i类设备在t时刻的出力，表示第i类设备的出力上限。

2)能量平衡约束，

P_WT(t)+P_PV(t)+P_GT(t)+P_grid(t)+P_S(t)＝P_Load(t) (3)

式中，Q_HE(t)表示t时刻燃机系统的制热量；表示t时刻的热负荷；Q_CO(t)表示t时刻燃机系统的制冷量；Q_EC(t)为考虑到燃机系统制冷不能满足冷负荷时，由电制冷机组补充的制冷量；为t时刻的冷负荷；

3)设备充放电约束；

SOC_min≤SOC(t)≤SOC_max (6)

0≤|P_S(t)|≤P_BESS (7)

储能设备在各个时刻的荷电状态不得超过其上下限约束，充放电功率的绝对值不得超过其额定功率。

4)电源占地面积限制。考虑到在实际工程中，电源的建设要受到当地面积的限制，因此其配置数量也受到相应的约束：

N_i≤N_i,max (8)

式中，N_i,max表示受当地面积限制，第i种电源所能安装的最大数量。

5)联络线功率限制。工业园区向电网购电功率要受到联络线功率限制：

P_grid(t)≤P_line,max (9)

式中，P_line,max表示工业园区与电网间联络线功率限制。

步骤3：利用粒子群算法求解优化配置问题，输出系统最佳配置方案。

由此PSO的计算步骤如下：

(1)初始化。对粒子群进行随机初始化，包括随机位置和速度；

(2)计算每个粒子的适应度值；

(3)依据粒子适应度值更新个体极值与全局极值；

(4)更新粒子的速度和位置；

(5)判断是否达到最大迭代次数，若达到，则停止迭代，否则转到步骤(2)。

实施例

以我国江苏某工业园区为研究对象，利用提供的设备参数和负荷数据，对两种储能运营模式下的风光燃储系统以及单一的燃机三联供系统进行容量优化配置，并对配置结果进行对比分析。

典型日的风光出力曲线图如图5、6所示，典型日的电负荷曲线如图7所示。

本发明考虑并网运行情况，联络线功率取18MW，风光按照“尽可能往上限装”的原则，优化的变量包括风光的型号、燃机的型号及容量、储能的类型、容量、额定功率以及削峰率(削峰填谷模式下)。采用粒子群算法，种群数量取80，迭代次数取200。

三种模式下的优化配置结果如图8所示。由图8可以看出，相对于单一的燃机冷热电三联供系统，由本发明所提出的风光燃储综合供能系统的年均成本更低，经济性更好。另外，每种模式下，燃机系统的成本都在总成本中占据了较大比例，其原因在于燃机系统每年需要消耗大量燃料，燃料费用较高。在风光燃储系统中，燃机的额定容量有所减小，节省了一部分燃机系统的费用。在购电费用上，单一燃机三联供模式下的购电费用较小，其原因是燃机容量较大且出力较为稳定，而在风光燃储系统中，燃机的容量较小，风光出力具有波动性，储能的放电功率和放电时段也受到一定限制，导致系统在多数时刻下需要向电网购电，因此全年购电费用较高。

典型日储能的充放电曲线如图9、10所示。在图9中，储能在低谷时段的前4个小时以恒功率0.3MW充电，在高峰时段的4个小时以恒功率0.3MW放电。在图10中，储能1天中有4次放电，2次充电，充电时段累计专一的负荷为1MW，放电阶段累计转移的负荷为0.97MW，1天中总的充电量与放电量近似相等。

综上可知，利用本发明所构建的风光燃储系统具有较好的经济性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.一种工业园区风光燃储能能源的并网模式优化配置系统，其特征在于，所述系统包括依次连接的数据采集模块、优化配置模块和结果输出模块；

所述数据采集模块用于采集负荷数据、气象参数、风能设备、光能设备、燃机系统和储能设备的参数及经济参数，并将采集数据发送到优化配置模块；

所述优化配置模块以风能设备、光能设备、燃机系统、储能设备的年均成本最小为目标函数，并考虑设备出力、功率平衡为约束条件，采用粒子群算法对优化问题进行求解；

所述结果输出模块用于输出风能设备、光能设备、燃机系统和储能设备的最优容量配置。

2.一种工业园区风光燃储能能源的并网模式优化配置系统的优化配置方法，其特征在于，包括如下步骤：

步骤1)选择储能设备的并网运营模式，确定储能设备的额定功率和额定容量；

步骤2)以风能设备、光能设备、燃机系统和储能设备的年均成本最小为目标函数，建立优化配置的数学模型，具体如式(1)所示，并考虑设备出力、功率平衡的约束条件；

步骤3)利用粒子群算法求解优化配置问题，输出系统最佳配置方案。

3.根据权利要求2所述工业园区风光燃储能能源的并网模式优化配置系统的优化配置方法，其特征在于，所述优化配置的目标函数为：

min C＝C_DG+C_GT+C_BESS+C_Grid (1)

其中，C表示风光燃储能设备年均成本；C_DG表示风能和光能设备的年成本；C_GT表示燃机系统的年成本；C_BESS表示储能设备的年成本；C_Grid表示工业园区年购电成本。

4.根据权利要求2所述工业园区风光燃储能能源的并网模式优化配置系统的优化配置方法，其特征在于，所述设备出力、功率平衡的约束条件为：

(1)设备出力必须满足其出力能力约束，

(2)能量平衡约束，在某时刻燃机系统的制热量、热负荷和某时刻燃机系统的制冷量、冷负荷要求达到平衡；

(3)储能充放电约束；储能在各个时刻的荷电状态不得超过其上下限约束，充放电功率的绝对值不得超过其额定功率；

(4)电源占地面积限制；考虑到在实际工程中，电源的建设要受到当地面积的限制，因此其配置数量也受到相应的约束：

(5)联络线功率限制，工业园区向电网购电功率要受到联络线功率限制。

5.根据权利要求2所述工业园区风光燃储能能源的并网模式优化配置系统的优化配置方法，其特征在于，所述利用粒子群算法求解优化配置问题，输出系统最佳配置方案；

在粒子群算法PSO中，每个优化问题的潜在解都能看作是D维搜索空间上的一个粒子，所有的粒子都有一个被目标函数决定的适应度值，每个粒子还有一个速度决定它们飞行的方向和距离，然后粒子们追随当前的最优粒子在解空间中搜索；

将PSO初始化为一群随机粒子即随机解；然后通过迭代找到最优解，在每一次迭代中，粒子通过跟踪两个极值来更新自己：一个极值是粒子本身所找到的最优解，称为个体极值；另一个极值是整个种群目前找到的最优解，这个极值是全局极值；在找到这两个最优值时，每个粒子根据如下的公式来更新自己的速度和位置：

其中，是粒子的速度向量，是粒子当前的位置；表示粒子当前所找到的最优解；表示整个种群目前找到的最优解；ω表示保持原来速度的系数，叫做惯性权重；c₁、c₂表示群体认知系数，取(0,2)之间的随机数；因此归纳PSO的计算步骤如下：

(1)初始化，对粒子群进行随机初始化，包括随机位置和速度；

(2)计算每个粒子的适应度值；

(3)依据粒子适应度值更新个体极值与全局极值；

(4)更新粒子的速度和位置；

(5)判断是否达到最大迭代次数，若达到，则停止迭代，否则转到步骤(2)。