CN109713728A - 微电网控制方法及系统 - Google Patents

Abstract

本发明公开一种微电网控制方法，所述微电网包括分布式电源、储能装置和负荷，所述方法应用于微电网控制系统，所述方法包括建立多目标微电网能量管理模型；通过多目标粒子群膜优化算法得到Pareto最优解集；通过模糊决策选择Pareto最优解集中的折中解；根据所述折中解对微电网的分布式电源和储能装置进行调度。本发明通过建立多目标微电网能量管理模型，并采用多目标粒子群膜优化算法，可以得到优化且合理的控制数据对微电网进行调度，可靠性好，稳定性高。

Description

微电网控制方法及系统

技术领域

本发明涉及微电网领域，具体涉及微电网控制方法及系统。

背景技术

随着分布式发电和有源分布式网络的不断增加，出现了微电网，微电网是负荷、分布式电源和储能等装置共同组成的供电网络，与传统发电厂相比，微电网具有特定的具体操作和约束条件，到目前为止，在一些发达国家，如日本、加拿大和美国，建立了许多微电网实验平台，近年来，我国很多科研院所也在研究微电网，由于微电网结构复杂，很难获得优化的控制数据对微电网系统进行合理调度。

发明内容

有鉴于此，本发明提供一种微电网控制方法，通过建立微电网多目标能量管理模型，并采用多目标粒子群膜优化算法，可以得到优化且合理的控制数据对微电网进行调度，可靠性好，稳定性高。为解决以上技术问题，本发明提供的技术方案如下：

微电网控制方法，所述微电网包括分布式电源、储能装置和负荷，所述方法应用于微电网控制系统，所述方法包括：

步骤1：建立微电网多目标能量管理模型，包括：

根据公式(1)-(5)建立包括最小化运行成本和污染物排放的微电网多目标能量管理函数minf_2obj(x)，根据公式(6)-(9)建立微电网运行成本目标函数f₁(x)，根据公式(10)-(12)建立微电网污染物排放目标函数f₂(x)，其中：

minf_2obj(x)＝{f₁(x)，f₂(x)} (1)

x＝[P_g，U_g]_1×2nT (2)

n＝N_DG+N_S+1 (5)

cost_Grid(t)＝u_Grid(t)P_Grid(t)C_Grid(t)(9)

emission_Grid(t)＝u_Grid(t)P_Grid(t)E_Grid(t) (12)

其中，x为决策变量，i为分布式电源的编号，j为储能装置的编号，n为决策变量的个数，N_DG为分布式电源的数量，N_S为储能装置的数量，0≤i≤N_DG，0≤j≤N_S，Pg为分布式电源、储能和大电网的功率向量，Ug为分布式电源、储能和大电网的状态向量，为第i个分布式电源的功率向量，为第j个储能装置的功率向量，P_Grid为大电网的功率向量，u_i为第i个分布式电源的状态向量，u_j为第j个储存装置的状态向量，u_Grid为大电网的状态向量，T为时间长度，cost_DG(t)为t时刻各种分布式电源发电运行成本总和，cost_S(t)为t时刻储能装置运行成本总和，cost_Grid(t)为t时刻微电网与大电网的交互费用总和；u_i(t)为第i种分布式电源在t时刻的启停状态，为第i种分布式电源在t时刻的发电功率，为第i种分布式电源在t时刻的发电运行成本费用，为第i种分布式电源启停费用；u_j(t)为第j种储能装置在t时刻的启停状态，为第j种储能装置在t时刻的发电功率，为第j种储能装置在t时刻的储能运行成本费用，为第j种储能装置启停费用；u_Grid(t)表示大电网在t时刻处于买电状态或卖电状态，P_Grid(t)为微电网在t时刻向大电网购买或卖出的电能功率，C_Grid(t)为微电网在t时刻向大电网买电或卖电时的电价；

其中，emission_DG(t)为t时刻各种分布式电源发电运行时产生的污染物.排放量，emission_S(t)为t时刻储能装置运行时产生的污染物排放量，emission_Grid(t)为t时刻微电网与大电网交互时产生的污染物排放量，为t时刻第i种分布式电源发电运行产生每兆瓦的功率时的污染物排放量，为t时刻第j个储能装置运行产生每兆瓦的功率时的污染物排放量，E_Grid(t)为t时刻微电网与大电网交互产生每兆瓦的功率时的污染物排放量；

步骤2：通过多目标粒子群膜优化算法得到Pareto最优解集；

步骤3：通过模糊决策选择Pareto最优解集中的折中解；

步骤4：根据所述折中解对微电网的分布式电源和储能装置进行调度。

进一步地，建立微电网运行成本目标函数和污染物排放目标函数时满足公式(13)-(15)，其中：

其中，W_min≤W_j(t)≤W_max，W_j(t)表示储能装置在t时刻的电量状态，和分别表示充电功率和放电功率，η和μ分别表示充电效率和放电效率。

进一步地，多目标粒子群膜优化算法中包括带转运规则的组织型膜系统，根据公式(16)建立组织型膜系统的膜结构，

Π＝(O，ω₁，，，ω_i，，，，ω_m，R₁，，，R_i，，，R_m，i₀) (16)

其中，0是对象的字母表，1≤i≤m，m为细胞个数，ω_i表示在初始状态下存在于区域1，2，...，m中的种群，R_i＝{r₁，r₂}表示转运规则的有限集合，i₀表示输出膜的区域。

进一步地，所述转运规则包括：

膜间进行通信的同向转运规则r₁：(i，a，j)，其中1≤i，j≤m，a是膜i中当前存在的对象，r₁主要负责细胞膜间的信息共享，和

膜与环境进行通信的同向转运规则r₂：(i，a，0)，其中1≤i≤m，0表示环境，在满足迭代要求时，r₂负责将膜内所有对象传输到环境中。

进一步地，步骤2包括：

步骤21：建立多目标粒子群膜优化算法的膜结构为[[]₁[]₂...[]_m]₀，其中，初始化参数包括种群大小nPop、外部归档集大小nRep、迭代次数MaxIt、惯性权重ω、个体学习系数c₁、全局学习系数c₂、膜数量m，0表示环境，并且种群nPop中的每个种群Pop为所述微电网运行成本目标函数的决策变量；

步骤22：在环境0内根据公式(16)初始化种群，

Pop.Vel＝0 (16)

其中，Pop.Vel为种群速度；

步骤23：根据公式(17)将每个粒子的历史最优位置设为粒子本身，

Pbest(i)＝Pop(i) (17)

其中，i＝1，2，3，...，N，N是种群大小；

步骤24：根据所述微电网的运行成本目标函数和污染物排放目标函数计算每个粒子的适应度值；

步骤25：将环境0内已完成初始化的粒子随机分配到各个膜中，每个膜中至少包含一个粒子，环境0内不含粒子，构成并保存为每个膜内的父代种群；

步骤26：将每个膜中的父代种群按公式(18)进行速度位置更新，获得每个膜中的子种群，

Pop(i).Vel＝ω×Pop(i).Vel+k₁×(Pbest(i)-Pop(i))

+k₂×(REP(h)-Pop(i))

Pop(i)＝Pop(i)+Pop(i).Vel (18)

其中，ω是惯性权重，k₁、k₂是[0，1]之间的随机数；

步骤27：执行膜间进行通信的同向转运规则r₁，将每层膜内的子种群传递到下一层膜内，与下一层膜内的子种群合并并进行速度位置更新，得到每个膜内的新子种群；

步骤28：将每层膜内的新子种群与其父代种群进行合并，再次计算每个粒子的适应度值，保留所有非支配粒子，得到备选最优解集；

步骤29：判断是否满足终止条件，若是，执行步骤210，否则，执行步骤26；

步骤210：执行膜与环境进行通信的同向转运规则r₂，将膜1～m更新后得到的备选最优解集传送到环境0中，将环境0中所有非支配粒子存入外部归档集中，消除外部归档集中所有支配的粒子，输出Pareto最优解集。

进一步地，步骤3包括：采用具有隶属度函数的模糊决策从Pareto最优解集中得到折中解，其中：

隶属度函数为公式(19)：

其中，表示目标函数β中的第α个解的隶属度，和是非支配解集中的最大值和最小值，每个解α的标准化隶属度函数可表示为公式(20)：

其中，N_obj为目标函数个数，N_p为种群数目，1≤β≤N_obj，1≤α≤N_p，依次计算出值最大的解，则为选出的折中解。

微电网控制系统，包括：

微电网多目标能量管理模型建立模块：用于设置微电网多目标能量管理关于成本和污染物排放的控制目标函数；

多目标粒子群膜优化模块：用于通过多目标粒子群膜优化算法得到Pareto最优解集；

模糊决策模块：用于通过模糊决策方法选择Pareto最优解集中的折中解；

调度模块：用于根据所述折中解对微电网的分布式电源和储能装置进行调度。

进一步地，所述多目标粒子群膜优化模块包括：

参数初始化模块：用于接收微电网能量管理适应度值参数，微电网能量管理适应度值参数包括：24小时光伏、风机预测发电量、重要负荷24小时预测用电量、24小时预测实时电价和微电网各个微源的功率上下限、发电价格及污染物排放量；

初始化模块：用于初始化算法的相关参数及膜结构，算法和膜结构参数包括：种群大小nPop、外部归档集大小nRep、迭代次数MaxIt、惯性权重ω、个体学习系数c₁、全局学习系数c₂、膜数量m；并初始化种群的速度、位置与适应度值，将已完成初始化的粒子随机分配到各个膜中，每个膜中至少保证含有一个粒子，环境中不含粒子以获得并保存为每个膜中的父代种群；

粒子更新模块：用于更新每个粒子的位置与速度以获得每个膜中的子种群；

膜间进行通信的同向转运规则模块：用于将每层膜内的子种群传递到下一层膜内，与下一层膜内的子种群合并，并进行速度位置更新，得到并保存每个膜内的新子种群；

多目标粒子群膜优化算法计算模块：用于将每个膜中的新子种群和父代种群进行合并，计算种群中每个粒子的适应度值，保留所有非支配粒子，得到备选最优解集；

终止条件模块：判断是否达到终止条件，如果满足，则触发膜与环境进行通信的同向转运规则模块；否则，触发粒子更新模块；

膜与环境进行通信的同向转运规则模块：整合所有膜中的备选最优解集并传送到环境中，在环境中保留所有非支配解，得到Pareto最优解集。

本发明提供的微电网控制方法，通过建立多目标微电网能量管理模型，并采用多目标粒子群优化算法和模糊决策算法，可以得到优化且合理的控制数据对微电网进行调度。

附图说明

图1为根据一示例性实施例示出的一种微电网控制方法流程图。

图2为根据一示例性实施例示出的一种组织型膜系统的膜结构图。

图3为根据一示例性实施例示出的一种通过多目标粒子群优化算法得到Pareto最优解集的方法流程图。

图4为根据一示例性实施例示出的一种微电网控制系统结构框图。

具体实施方式

为了使本领域的技术人员更好地理解本发明的技术方案，下面结合附图和具体实施例对本发明作进一步的详细说明。

实施例1

如图1所示，本实施例提供一种微电网控制方法，所述微电网包括分布式电源、储能装置和负荷，所述方法应用于微电网控制系统，所述方法包括：

步骤1：建立微电网多目标能量管理模型，包括：

根据公式(1)-(5)建立包括最小化运行成本和污染物排放的微电网多目标能量管理函数minf_2obj(x)，根据公式(6)-(9)建立微电网运行成本目标函数f₁(x)，根据公式(10)-(12)建立微电网污染物排放目标函数f₂(x)，其中：

minf_2obj(x)＝{f₁(x)，f₂(x)} (1)

x＝[P_g，U_g]_1×2nT (2)

n＝N_DG+N_S+1 (5)

cost_Grid(t)＝u_Grid(t)P_Grid(t)C_Grid(t)(9)

emission_Grid(t)＝u_Grid(t)P_Grid(t)E_Grid(t) (12)

其中，x为决策变量，i为分布式电源的编号，j为储能装置的编号，n为决策变量的个数，N_DG为分布式电源的数量，N_S为储能装置的数量，0≤i≤N_DG，0≤j≤N_S，Pg为分布式电源、储能和大电网的功率向量，Ug为分布式电源、储能和大电网的状态向量，为第i个分布式电源的功率向量，为第j个储能装置的功率向量，P_Grid为大电网的功率向量，ui为第i个分布式电源的状态向量，u_j为第j个储存装置的状态向量，u_Grid为大电网的状态向量，T为时间长度，cost_DG(t)为t时刻各种分布式电源发电运行成本总和，cost_S(t)为t时刻储能装置运行成本总和，cost_Grid(t)为t时刻微电网与大电网的交互费用总和；u_i(t)为第i种分布式电源在t时刻的启停状态，为第i种分布式电源在t时刻的发电功率，为第i种分布式电源在t时刻的发电运行成本费用，为第i种分布式电源启停费用；u_j(t)为第j种储能装置在t时刻的启停状态，为第j种储能装置在t时刻的发电功率，为第j种储能装置在t时刻的储能运行成本费用，为第j种储能装置启停费用；u_Grid(t)表示大电网在t时刻处于买电状态或卖电状态，P_Grid(t)为微电网在t时刻向大电网购买或卖出的电能功率，C_Grid(t)为微电网在t时刻向大电网买电或卖电时的电价；

其中，emission_DG(t)为t时刻各种分布式电源发电运行时产生的污染物排放量，emission_s(t)为t时刻储能装置运行时产生的污染物排放量，emission_Grid(t)为t时刻微电网与大电网交互时产生的污染物排放量，为t时刻第i种分布式电源发电运行产生每兆瓦的功率时的污染物排放量，为t时刻第j个储能装置运行产生每兆瓦的功率时的污染物排放量，E_Grid(t)为t时刻微电网与大电网交互产生每兆瓦的功率时的污染物排放量；实施本实施例时主要考虑三种主要的污染物：二氧化碳、二氧化硫和氮氧化物；

步骤2：通过多目标粒子群膜优化算法得到Pareto最优解集；

步骤3：通过模糊决策选择Pareto最优解集中的折中解；

步骤4：根据所述折中解对微电网的分布式电源和储能装置进行调度。

作为优选，本实施例在建立微电网运行成本目标函数和污染物排放目标函数时满足公式(13)-(15)，其中：

其中，W_min≤W_j(t)≤W_max，W_j(t)表示储能装置在t时刻的电量状态，和分别表示充电功率和放电功率，η和μ分别表示充电效率和放电效率。

作为优选，如图2所示，多目标粒子群膜优化算法中包括带转运规则的组织型膜系统，根据公式(16)建立组织型膜系统的膜结构，

Π＝(O，ω₁，，，ω_i，，，ω_m，R₁，，，R_i，，，R_m，i₀) (16)

其中，0是对象的字母表，1≤i≤m，m为细胞个数，ω_i表示在初始状态下存在于区域1，2，...，m中的种群，R_i＝{r₁，r₂}表示转运规则的有限集合，i₀表示输出膜的区域。

作为优选，所述转运规则包括：

膜间进行通信的同向转运规则r₁：(i，a，j)，其中1≤i，j≤m，a是膜i中当前存在的对象，r₁主要负责细胞膜间的信息共享，和

膜与环境进行通信的同向转运规则r₂：(i，a，0)，其中1≤i≤m，0表示环境，在满足迭代要求时，r₂负责将膜内所有对象传输到环境中。

作为优选，如图3所示，步骤2包括：

步骤21：建立多目标粒子群膜优化算法的膜结构为[[]₁[]₂...[]_m]₀，其中，初始化参数包括种群大小nPop、外部归档集大小nRep、迭代次数MaxIt、惯性权重ω、个体学习系数c₁、全局学习系数c₂、膜数量m，0表示环境，并且种群nPop中的每个种群Pop为所述微电网运行成本目标函数的决策变量；

步骤22：在环境0内根据公式(16)初始化种群，

Pop.Vel＝0 (16)

其中，Pop.Vel为种群速度；

步骤23：根据公式(17)将每个粒子的历史最优位置设为粒子本身，

Pbest(i)＝Pop(i) (17)

其中，i＝1，2，3，...，N，N是种群大小；

步骤24：根据所述微电网的运行成本目标函数和污染物排放目标函数计算每个粒子的适应度值；

步骤25：将环境0内已完成初始化的粒子随机分配到各个膜中，每个膜中至少包含一个粒子，环境0内不含粒子，构成并保存为每个膜内的父代种群；

步骤26：将每个膜中的父代种群按公式(18)进行速度位置更新，获得每个膜中的子种群，

Pop(i).Vel＝ω×Pop(i).Vel+k₁×(Pbest(i)-Pop(i))

+k₂×(REP(h)-Pop(i))

Pop(i)＝Pop(i)+Pop(i).Vel (18)

其中，ω是惯性权重，k₁、k₂是[0，1]之间的随机数；

步骤27：执行膜间进行通信的同向转运规则r₁，将每层膜内的子种群传递到下一层膜内，与下一层膜内的子种群合并并进行速度位置更新，得到每个膜内的新子种群；

步骤28：将每层膜内的新子种群与其父代种群进行合并，再次计算每个粒子的适应度值，保留所有非支配粒子，得到备选最优解集；

步骤29：判断是否满足终止条件，若是，执行步骤210，否则，执行步骤26；

步骤210：执行膜与环境进行通信的同向转运规则r₂，将膜1～m更新后得到的备选最优解集传送到环境0中，将环境0中所有非支配粒子存入外部归档集中，消除外部归档集中所有支配的粒子，输出Pareto最优解集。

作为优选，步骤3包括：采用具有隶属度函数的模糊决策从Pareto最优解集中得到折中解，其中：

隶属度函数为公式(19)：

其中，表示目标函数β中的第α个解的隶属度，和是非支配解集中的最大值和最小值，每个解α的标准化隶属度函数可表示为公式(20)：

其中，N_obj为目标函数个数，N_p为种群数目，1≤β≤N_obj，1≤α≤N_p，依次计算出值最大的解，则为选出的折中解。

实施例2

如图4所示，微电网控制系统，包括：

微电网多目标能量管理模型建立模块：用于设置微电网多目标能量管理关于成本和污染物排放的控制目标函数；

多目标粒子群膜优化模块：用于通过多目标粒子群膜优化算法得到Pareto最优解集；

模糊决策模块：用于通过模糊决策方法选择Pareto最优解集中的折中解；

调度模块：用于根据所述折中解对微电网的分布式电源和储能装置进行调度。

作为优选，所述多目标粒子群膜优化模块包括：

参数初始化模块：用于接收微电网能量管理适应度值参数，微电网能量管理适应度值参数包括：24小时光伏、风机预测发电量、重要负荷24小时预测用电量、24小时预测实时电价和微电网各个微源的功率上下限、发电价格及污染物排放量；

初始化模块：用于初始化算法的相关参数及膜结构，算法和膜结构参数包括：种群大小nPop、外部归档集大小nRep、迭代次数MaxIt、惯性权重ω、个体学习系数c₁、全局学习系数c₂、膜数量m；并初始化种群的速度、位置与适应度值，将已完成初始化的粒子随机分配到各个膜中，每个膜中至少保证含有一个粒子，环境中不含粒子以获得并保存为每个膜中的父代种群；

粒子更新模块：用于更新每个粒子的位置与速度以获得每个膜中的子种群；

膜间进行通信的同向转运规则模块：用于将每层膜内的子种群传递到下一层膜内，与下一层膜内的子种群合并，并进行速度位置更新，得到并保存每个膜内的新子种群；

多目标粒子群膜优化算法计算模块：用于将每个膜中的新子种群和父代种群进行合并，计算种群中每个粒子的适应度值，保留所有非支配粒子，得到备选最优解集；

终止条件模块：判断是否达到终止条件，如果满足，则触发膜与环境进行通信的同向转运规则模块；否则，触发粒子更新模块；

膜与环境进行通信的同向转运规则模块：整合所有膜中的备选最优解集并传送到环境中，在环境中保留所有非支配解，得到Pareto最优解集。

以上仅是本发明的优选实施方式，应当指出的是，上述优选实施方式不应视为对本发明的限制，本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说，在不脱离本发明的精神和范围内，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.微电网控制方法，其特征在于，所述微电网包括分布式电源、储能装置和负荷，所述方法应用于微电网控制系统，所述方法包括：

步骤1：建立微电网多目标能量管理模型，包括：

根据公式(1)-(5)建立包括最小化运行成本和污染物排放的微电网多目标能量管理函数minf_2obj(x),根据公式(6)-(9)建立微电网运行成本目标函数f₁(x),根据公式(10)-(12)建立微电网污染物排放目标函数f₂(x),其中:

minf_2obj(x)＝{f₁(x)，f₂(x)} (1)

x＝[P_g，U_g]_1×2nT (2)

n＝N_DG+N_S+1 (5)

cosr_Grid(t)＝u_Grid(t)P_Grid(t)C_Grid(t) (9)

emission_Grid(t)＝u_Grid(t)P_Grid(t)E_Grid(t) (12)

其中，x为决策变量，i为分布式电源的编号，j为储能装置的编号，n为决策变量的个数，N_DG为分布式电源的数量，N_S为储能装置的数量，0≤i≤N_DG，0≤j≤N_S,Pg为分布式电源、储能和大电网的功率向量，Ug为分布式电源、储能和大电网的状态向量，为第i个分布式电源的功率向量，为第j个储能装置的功率向量，P_Grid为大电网的功率向量，u_i为第i个分布式电源的状态向量，u_j为第j个储存装置的状态向量，u_Grid为大电网的状态向量，T为时间长度，cost_DG(t)为t时刻各种分布式电源发电运行成本总和，cost_S(t)为t时刻储能装置运行成本总和，cost_Grid(t)为t时刻微电网与大电网的交互费用总和；u_i(t)为第i种分布式电源在t时刻的启停状态，为第i种分布式电源在t时刻的发电功率，为第i种分布式电源在t时刻的发电运行成本费用，为第i种分布式电源启停费用；u_j(t)为第j种储能装置在t时刻的启停状态，为第j种储能装置在t时刻的发电功率，为第j种储能装置在t时刻的储能运行成本费用，为第j种储能装置启停费用；u_Grid(t)表示大电网在t时刻处于买电状态或卖电状态，P_Grid(t)为微电网在t时刻向大电网购买或卖出的电能功率，C_Grid(t)为微电网在t时刻向大电网买电或卖电时的电价；

其中，emission_DG(t)为t时刻各种分布式电源发电运行时产生的污染物排放量，emission_S(t)为t时刻储能装置运行时产生的污染物排放量，emission_Grid(t)为t时刻微电网与大电网交互时产生的污染物排放量，为t时刻第i种分布式电源发电运行产生每兆瓦的功率时的污染物排放量，为t时刻第j个储能装置运行产生每兆瓦的功率时的污染物排放量，E_Grid(t)为t时刻微电网与大电网交互产生每兆瓦的功率时的污染物排放量；

步骤2：通过多目标粒子群膜优化算法得到Pareto最优解集；

步骤3：通过模糊决策选择Pareto最优解集中的折中解；

步骤4：根据所述折中解对微电网的分布式电源和储能装置进行调度。

2.根据权利要求1所述的微电网控制方法，其特征在于，建立微电网运行成本目标函数和污染物排放目标函数时满足公式(13)—(15)，其中：

其中，P_L(t)表示t时刻负荷的需求功率，W_min≤W_j(t)≤W_max，W_j(t)表示储能装置在t时刻的电量状态，和分别表示充电功率和放电功率，η和μ分别表示充电效率和放电效率。

3.根据权利要求2所述的微电网控制方法，其特征在于，多目标粒子群膜优化算法中包括带转运规则的组织型膜系统，根据公式(16)建立组织型膜系统的膜结构，

∏＝(O，ω₁，，，ω_i，，，ω_m，R₁，，，R_i，，，R_m，i₀) (16)

其中，O是对象的字母表，1≤i≤m,m为细胞个数,ω_i表示在初始状态下存在于区域1，2，...，m中的种群,R_i＝{r₁，r₂}表示转运规则的有限集合，i₀表示输出膜的区域。

4.根据权利要求3所述的微电网控制方法，其特征在于，所述转运规则包括：

膜间进行通信的同向转运规则r₁：(i，a，j)，其中1≤i，j≤m，a是膜i中当前存在的对象，r₁主要负责细胞膜间的信息共享，和

膜与环境进行通信的同向转运规则r₂：(i，a，0)，其中1≤i≤m，0表示环境，在满足迭代要求时，r₂负责将膜内所有对象传输到环境中。

5.根据权利要求4所述的微电网控制方法，其特征在于，步骤2包括：

步骤21：建立多目标粒子群膜优化算法的膜结构为[[]₁[]₂...[]_m]₀，其中，初始化参数包括种群大小nPop、外部归档集大小nRep、迭代次数MaxIt、惯性权重ω、个体学习系数c₁、全局学习系数c₂、膜数量m,0表示环境，并且种群nPop中的每个种群Pop为所述微电网运行成本目标函数的决策变量；

步骤22：在环境0内根据公式(16)初始化种群，

Pop.Vel＝0 (16)

其中，Pop.Vel为种群速度；

步骤23：根据公式(17)将每个粒子的历史最优位置设为粒子本身，

Pbest(i)＝Pop(i) (17)

其中，i＝1，2，3，...，N，N是种群大小；

步骤24：根据所述微电网的运行成本目标函数和污染物排放目标函数计算每个粒子的适应度值；

步骤25：将环境0内已完成初始化的粒子随机分配到各个膜中，每个膜中至少包含一个粒子，环境0内不含粒子，构成并保存为每个膜内的父代种群；

步骤26：将每个膜中的父代种群按公式(18)进行速度位置更新，获得每个膜中的子种群，

Pop(i).Vel＝ω×Pop(i).Vel+k₁×(Pbest(i)-Pop(i))+k₂×(REP(h)-Pop(i))

nPop(i)＝Pop(i)+Pop(i).Vel (18)

其中，ω是惯性权重，k₁、k₂是[0,1]之间的随机数；

步骤27：执行膜间进行通信的同向转运规则r₁，将每层膜内的子种群传递到下一层膜内，与下一层膜内的子种群合并并进行速度位置更新，得到每个膜内的新子种群；

步骤28：将每层膜内的新子种群与其父代种群进行合并，再次计算每个粒子的适应度值，保留所有非支配粒子，得到备选最优解集；

步骤29：判断是否满足终止条件，若是，执行步骤210，否则，执行步骤26；

步骤210：执行膜与环境进行通信的同向转运规则r₂，将膜1～m更新后得到的备选最优解集传送到环境0中，将环境0中所有非支配粒子存入外部归档集中，消除外部归档集中所有支配的粒子，输出Pareto最优解集。

6.根据权利要求5所述的微电网控制方法，其特征在于，步骤3包括：采用具有隶属度函数的模糊决策从Pareto最优解集中得到折中解，其中：

隶属度函数为公式(19)：

其中，表示目标函数β中的第α个解的隶属度，和是非支配解集中的最大值和最小值，每个解α的标准化隶属度函数可表示为公式(20)：

其中，N_obj为目标函数个数，N_p为种群数目，1≤β≤N_obj，1≤α≤N_p，依次计算出值最大的解，则为选出的折中解。

7.微电网控制系统，其特征在于，包括：

微电网多目标能量管理模型建立模块：用于设置微电网多目标能量管理关于成本和污染物排放的控制目标函数；

多目标粒子群膜优化模块：用于通过多目标粒子群膜优化算法得到Pareto最优解集；

模糊决策模块：用于通过模糊决策方法选择Pareto最优解集中的折中解；

调度模块：用于根据所述折中解对微电网的分布式电源和储能装置进行调度。

8.根据权利要求7所述的微电网控制系统，其特征在于，所述多目标粒子群膜优化模块包括：

参数初始化模块：用于接收微电网能量管理适应度值参数，微电网能量管理适应度值参数包括：24小时光伏、风机预测发电量、重要负荷24小时预测用电量、24小时预测实时电价和微电网各个微源的功率上下限、发电价格及污染物排放量；

初始化模块：用于初始化算法的相关参数及膜结构，算法和膜结构参数包括：种群大小nPop、外部归档集大小nRep、迭代次数MaxIt、惯性权重ω、个体学习系数c₁、全局学习系数c₂、膜数量m；并初始化种群的速度、位置与适应度值，将已完成初始化的粒子随机分配到各个膜中，每个膜中至少保证含有一个粒子，环境中不含粒子以获得并保存为每个膜中的父代种群；

粒子更新模块：用于更新每个粒子的位置与速度以获得每个膜中的子种群；

膜间进行通信的同向转运规则模块：用于将每层膜内的子种群传递到下一层膜内，与下一层膜内的子种群合并，并进行速度位置更新，得到并保存每个膜内的新子种群；

多目标粒子群膜优化算法计算模块：用于将每个膜中的新子种群和父代种群进行合并，计算种群中每个粒子的适应度值，保留所有非支配粒子，得到备选最优解集；

终止条件模块：判断是否达到终止条件，如果满足，则触发膜与环境进行通信的同向转运规则模块；否则，触发粒子更新模块；

膜与环境进行通信的同向转运规则模块：整合所有膜中的备选最优解集并传送到环境中，在环境中保留所有非支配解，得到Pareto最优解集。