CN109888806B - 一种含电动汽车的微电网储能优化配置方法 - Google Patents

Abstract

本发明涉及一种含电动汽车的微电网储能优化配置方法。本发明基于多目标粒子群算法作为用于多目标非线性优化为题的方法，在电网经济调度的时间尺度上构建以日运行维护成本、微电网调峰成本最小和日综合收益、电动汽车总收益最大为目标的配置模型，通过线性加权法将多目标函数转换为单目标函数并最终利用粒子群算法进行优化，从而能够较为精确的计算系统所需配置的储能容量并同时得到微电网内各可控元素的控制量，提高微电网的调峰能力，有效降低微电网的储能容量配置投资同时提高微电网运行的经济性和电动汽车接入电网进行有序充放电的积极性，降低微电网系统的峰谷差。

Description

一种含电动汽车的微电网储能优化配置方法

技术领域

本发明涉及一种微电网储能优化配置的方法，尤其是涉及一种含有电动汽车有序充放电的微电网储能优化配置方法。

背景技术

目前，在计入电动汽车接入下的微电网储能优化配置方法方面，已有的研究方法主要是成本法和指标法。

成本法主要是通过对在优化配置过程中，以微电网的成本最小为目标，包括微电网运营成本，微电网的维护成本，以及其它投资成本等而对于微电网产生的效益考虑不足。指标法主要是将微电网运行中的指标作为优化目标，如线损率，供电可靠性等方面。该方法较注重对于电气参数的限制和研究，而对于经济成本考虑不周。不论是成本法还是指标法，对于电动汽车接入电网后的储能优化配置都存在不足。最大的问题就是没有很好的考虑电动汽车作为一个整体，其接入电网进行有序充放电本身需要获得最大化的经济效益。此外，对于电动汽车的接入，与传统方法不同，需要对其随机性进行有效的模拟，才能得到符合实际情况的微电网储能优化配置容量。

发明内容

本发明主要目的是提供一种经济性好，效率高的设计方法，能有效计算在电动汽车接入微电网同时降低微电网的调峰成本的情况下微电网系统的储能配置容量。由于传统的优化方法目标函数单一，没能从电动汽车的角度考虑使得电动汽车的收益最大化从而调动电动汽车通过有序充放电接入电网的积极性，所以本发明基于多目标粒子群算法作为用于多目标非线性优化为题的方法，对微电网的储能配置容量进行优化并同时得到微电网内各可控元素的控制量。通过此方法可以同时提高微电网运行的经济性和电动汽车接入电网进行有序充放电的积极性，降低微电网系统的峰谷差，因此对于工程实际有着重要的意义。

本发明实现上述目的的技术原理是应用多目标粒子群算法对含电动汽车的微电网进行储能容量的优化配置，在电网经济调度的时间尺度上构建以日运行维护成本、微电网调峰成本最小和日综合收益、电动汽车总收益最大为目标的配置模型，通过线性加权法将多目标函数转换为单目标函数并最终利用粒子群算法进行优化，从而能够较为精确的计算系统所需配置的储能容量，提高微电网的调峰能力，有效降低微电网的储能容量配置投资。

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：

一种含电动汽车的微电网储能优化配置方法，其特征在于，建立包含电动汽车和分布式新能源以及储能系统的微电网系统结构；微电网系统结构包括有风力发电系统、光伏发电系统、电动汽车系统、储能系统、以及相应的负荷和微电网能量控制系统；系统基于以下模型：

模型一、光伏发电系统模型；基于光照强度满足的β分布通过实际数据得出其形状参数α与β分别为α＝μ[μ(1-μ)/δ²-1]与β＝(1-μ)[μ(1-μ)/δ²-1]，其中μ与δ为样本数据的均值与标准差；然后通过随机模拟得出符合概率分布的光照强度，经采样并通过P_pv＝λAη得出光伏发电每小时的输出功率；λ表示光照强度，A表示光伏板的总面积，P_pv为光伏发电设备的总效率；

模型二、风力发电系统模型；风力发电的功率主要与风速有关；当v＜v_cin与v＞v_cout时，风力发电系统的输出功率为0；当v_cin＜v＜v_r时，风力发电系统的输出功率为P_r(v-v_cin)/(v_r-v_cin)，其中P_r为风力发电系统的额定输出功率；当v_r＜v＜v_cout时，风力发电系统的输出功率为额定输出功率；v_cin为风机的切入风速，当风速高于v_cin时，风机输出功率；v_cout为风机切机风速，当风速高于v_cout时，风机自动退出运行；v_r为额定风速；风速服从两参数的威布尔分布，由拟合后的分布参数生成；

模型三、储能系统的模型；建立储能系统的模型；根据储能系统的特性，需要在模型中引入荷电状态约束和功率约束；对荷电状态进行限制，SOC_min≤SOC(t)≤SOC_max，其中SOC_min与SOC_max为储能系统荷电状态的最小值与最大值；而对于储能系统的输出功率取决于储能系统的最大最小充放电功率；此外，对于储能系统而言，其电量存在一个基于时间的递推关系，SOC(t)＝SOC(t-1)+PΔtη_c/E_C；SOC(t)是指t时刻时储能系统的剩余电量；SOC(t-1)是指t-1时刻时的剩余电量；P为储能系统充放电功率，单位为W；E_C为储能系统的额定容量；η_c为储能系统充放电效率；此外还需要对储能系统的充放电循环次数进行约束；

模型四、等效负荷模型；通过减小等效负荷峰谷差来降低新能源接入对电网稳定性的影响；等效负荷为P_EqL(t)＝P_L(t)-∑P_DG(t)，其中P_L(t)为t时刻的负荷值，∑P_DG(t)为t时刻各分布式电源发出的功率之和；而等效负荷峰谷差为ΔP_EqL＝P_EqLmax-P_EqLmin，P_EqLmax为等效负荷最大值，P_EqLmin为等效负荷最小值；

模型五、电动汽车模型；电动汽车有序充放电接入电网主要为两个部分，一是电动汽车的日行驶里程，近似服从对数正态分布

而电动汽车接入电网的时刻也就是行驶结束时刻则服从分段对数正态分布，在0＜x≤μ_s-12时，

当μ_s-1x2＜时

μ与μ_s以及σ和σ_s分别为各自对应样本数据的均值和标准差；根据日行驶里程的不同就能得到电动汽车接入电网时负荷概率分布的荷电状态，而根据接入电网时间的分布就能得到总量给定的电动汽车在某一时刻接入电网的数量；

模型六、基于分时电价的微电网综合效益模型；微电网和大电网进行双向的有功功率交互，结算标准采用24小时的分时电价；建立的微电网综合效益目标函数为f(x)＝C_S-C_B-C_E-C_δ-C_M-C_eq；其中C_S为微电网系统售电费用，C_B为微电网系统购电费用，均通过公共连接点进行结算；C_E为储能系统配置费用，大小为储能容量乘以单位容量的价格，C_δ为储能的充放电损耗成本，通过储能系统的充放电转换效率计入；C_M为储能系统的运营维护成本，按照储能系统的充放电电量计入；C_eq为系统的等效负荷平抑成本，即对于微电网的调峰成本，式

α为单位千瓦时的电网调峰成本；

模型七、电动汽车自身收益模型；电动汽车通过有序充放电与储能系统协同参与调峰需要获得最大化的收益；电动汽车接入电网的效益函数为

n_i为i时段接入微电网的电动汽车的数量，P_vcij为i时段第j辆电动汽车的输出功率，C_i为i时段电动汽车与电网的结算电价；为充分调动电动汽车参与电网调峰的积极性，在电价高峰时期，C_i为峰电价上浮一定比例，在电价低谷时期，取C_i为谷电价下浮一定比例，平电价格不变；

优化配置方法还包括以下约束条件：

式中P_pv(t)与P_wind(t)为t时刻光伏与风电的输出功率、P_bat(t)为储能系统输出功率、P_L(t)为负荷在t时刻的输出功率、P_pcc(t)为公共点t时刻的功率值、P_EVi(t)为t时刻第i个在网的电动汽车的功率，n_i为i时刻在网的电动汽车数量；还有风电和光伏输出功率根据输出功率最大值的约束；储能系统与电动汽车除在储能系统模型中的基本约束外，电动汽车离网时的输出功率为0，入网时的荷电状态要小于行驶里程后的剩余荷电状态；

优化配置方法的具体步骤包括：

步骤1，将多目标函数通过线性加权法综合；f(x)＝max[λ₁f₁(x)+λ₂f₂(x)]，式中λ₁、λ₂均为正值；在统一的目标函数中，各子函数上的λ_i值大小表示了对应目标函数的重要性；这里通过离差法确定最终的权重系数从而综合为一个目标函数，具体步骤为(1)分别求出各目标函数的最优解记为x_i,best；(2)将从各目标函数获得的最优解x_i,best代入其余的目标函数中，得到的目标函数值记为f_i ^ibest；(3)计算不同最优解下，各目标函数的离差

(4)计算第i个目标函数的平均离差

(5)权重系数计算

步骤2，采用变权重的粒子群算法对目标函数进行优化；通过变权重的粒子群算法求得全局最优解的具体步骤为：

1)、运行随机函数，获得粒子群的初始状态；

2)、计算各粒子的适应度并将当前各粒子的位置和适应度记录在各粒子的P_best中，将P_best中的依据评价的最优个体的位置和适应度存储于G_best中，P_best表示粒子在寻优过程中所得的最佳位置，G_best表示全部所有粒子在寻优过程中所得的最佳位置；

3)、根据

与

得出粒子的新速度与位置，t迭代的次数，r₁和r₂取的是[0,1]内变化随机数，c₁和c₂被称之为加速常数，设为2，ω为惯性权重参数；

4)、根据

对惯性权重进行计算，t_max为迭代次数，ω_start与ω_end共同限定了ω的最大值和最小值；

5)、针对每个粒子，比较其适应度值与经历过的最佳适应度值，在新的适应度值更优秀的情况下，更换最优位置；比较所有P_best与G_best，然后给新的G_best赋值；

6)、在满足设置好的精度或迭代次数时，计算结束并输出最优解，否则回到步骤3)继续执行；

步骤3，输出微电网系统最优配置的储能容量，同时在上述计算中也能得出微电网系统在这一条件下，电动汽车的输出功率及其它分布式电源的输出功率。

本发明具有如下优点：1.有效降低了微电网的储能容量配置投资，减少了等效负荷的峰谷差，还大大减少了微电网的调峰成本，对于高新能源渗透率微电网的新能源消纳由重要意义；2.计算得出的各分布式电源以及电动汽车的输出功率，对于微电网能量管理系统具有很高的参考和利用价值；3.对与电动汽车收益的综合考虑，非常贴合与实际，有利于指导电动汽车有序充放电接入微电网的推广。

附图说明

图1是含电动汽车和分布式新能源发电的微电网系统结构图。

图2是含电动汽车的微电网储能容量优化配置的方法流程图。

图3是多目标粒子群算法的主要过程示意图。

具体实施方式

下面通过实施例，并结合附图1-3，对本发明的技术方案作进一步具体的说明。

参考附图图2中所示：一种含电动汽车的微电网储能优化配置方法，包括以下步骤：

步骤1，建立包含电动汽车和分布式新能源以及储能系统的微电网系统结构。微电网系统结构主要有风力发电系统、光伏发电系统、电动汽车系统、储能系统、以及相应的负荷和微电网能量控制系统。

步骤2，建立光伏发电系统模型。基于光照强度满足的β分布通过实际数据得出其形状参数α与β分别为α＝μ[μ(1-μ)/δ²-1]与β＝(1-μ)[μ(1-μ)/δ²-1]，其中μ与σ为样本数据的均值与标准差。然后通过随机模拟得出符合概率分布的光照强度，经采样并通过P_pv＝λAη得出光伏发电每小时的输出功率。λ表示光照强度，A表示光伏板的总面积，为光伏发电设备的总效率。

步骤3，建立风力发电系统模型。风力发电的功率主要与风速有关。当v＜v_ci与v＞v_cout时，风力发电系统的输出功率为0。当v_cin＜v＜v_r时，风力发电系统的输出功率为P_r(v-v_cin)/(v_r-v_cin)，其中P_r为风力发电系统的额定输出功率。当v_r＜v＜v_cout时，风力发电系统的输出功率为额定输出功率。v_cin为风机的切入风速，当风速高于v_cin时，风机输出功率；v_cout为风机切机风速，当风速高于v_cout时，风机自动退出运行；v_r为额定风速。风速服从两参数的威布尔分布，可由拟合后的分布参数生成。

步骤4，建立储能系统的模型。建立储能系统的模型。根据储能系统的特性，需要在模型中引入荷电状态约束和功率约束。对荷电状态进行限制，如SOC_min≤SOC(t)≤SOC_max，其中SOC_min与SOC_max为储能系统荷电状态的最大值与最小值。而对于储能系统的输出功率取决于储能系统的最大最小充放电功率。此外，对于储能系统而言，其电量存在一个基于时间的递推关系，如SOC(t)＝SOC(t-1)+PΔtη_c/E_C。SOC(t)是指t时刻时储能系统的剩余电量；SOC(t-1)是指t-1时刻时的剩余电量；P为储能系统充放电功率，单位为W；E_C为储能系统的额定容量；η为储能系统充放电效率。此外还需要对储能系统的充放电循环次数进行约束。

步骤5，建立等效负荷模型。通过减小等效负荷峰谷差来降低新能源接入对电网稳定性的影响。等效负荷为P_EqL(t)＝P_L(t)-∑P_DG(t)，其中P_L(t)为t时刻的负荷值，∑P_DG(t)为t时刻各分布式电源发出的功率之和。而等效负荷峰谷差为ΔP_EqL＝P_EqLmax-P_EqLmin，P_EqLmax为等效负荷最大值，P_EqLmin为等效负荷最小值。尽量缩小等效负荷峰谷差，可以有效减少微电网的调峰成本，提高微电网的稳定性。

步骤6，建立电动汽车模型。电动汽车有序充放电接入电网主要为两个部分，一是电动汽车的日行驶里程，近似服从对数正态分布

而电动汽车接入电网的时刻也就是行驶结束时刻则服从分段对数正态分布，在0＜x≤μ_s-12时，

当μ_s-1x2＜时

μ与μ_s以及σ和σ_s分别为各自对应样本数据的均值和标准差。根据日行驶里程的不同就可以得到电动汽车接入电网时负荷概率分布的荷电状态，而根据接入电网时间的分布就可以得到总量给定的电动汽车在某一时刻接入电网的数量。

步骤7，建立基于分时电价的微电网综合效益模型。微电网和大电网进行双向的有功功率交互，结算标准采用24小时的分时电价。建立的微电网综合效益目标函数为f(x)＝C_S-C_B-C_E-C_δ-C_M-C_eq。其中C_S为微电网系统售电费用，C_B为微电网系统购电费用，均通过公共连接点进行结算。C_E为储能系统配置费用，大小为储能容量乘以单位容量的价格，C_δ为储能的充放电损耗成本，通过储能系统的充放电转换效率计入。C_M为储能系统的运营维护成本，按照储能系统的充放电电量计入。C_eq为系统的等效负荷平抑成本，即对于微电网的调峰成本，如式

α为单位千瓦时的电网调峰成本。

步骤8，建立电动汽车自身收益模型。电动汽车通过有序充放电与储能系统协同参与调峰需要获得最大化的收益。电动汽车接入电网的效益函数为

n_i为i时段接入微电网的电动汽车的数量，P_vcij为i时段第j辆电动汽车的输出功率，C_i为i时段电动汽车与电网的结算电价。为充分调动电动汽车参与电网调峰的积极性，在电价高峰时期，C_i为峰电价上浮一定比例，在电价低谷时期，取C_i为谷电价下浮一定比例，平电价价格不变。

步骤9，建立约束条件。约束条件包括

式中P_pv(t)与P_wind(t)为t时刻光伏与风电的输出功率、P_bat(t)为储能系统输出功率、P_L(t)为负荷在t时刻的输出功率、P_pcc(t)为公共点t时刻的功率值、P_EVi(t)为t时刻第i个在网的电动汽车的功率，n_i为i时刻在网的电动汽车数量。还有风电和光伏输出功率根据输出功率最大值的约束。储能系统与电动汽车除在储能系统模型中的基本约束外，电动汽车离网时的输出功率为0，入网时的荷电状态要小于行驶里程后的剩余荷电状态。

步骤10，将多目标函数通过线性加权法综合。f(x)＝max[λ₁f₁(x)+λ₂f₂(x)]，式中λ₁、λ₂均为正值。在统一的目标函数中，各子函数上的λ_i值大小表示了对应目标函数的重要性。这里通过离差法确定最终的权重系数从而综合为一个目标函数，具体步骤为(1)分别求出各目标函数的最优解记为x_i,best；(2)将从各目标函数获得的最优解x_i,best代入其余的目标函数中，得到的目标函数值记为f_i ^ibest；(3)计算不同最优解下，各目标函数的离差

(4)计算第i个目标函数的平均离差

(5)权重系数计算

步骤11，采用变权重的粒子群算法对目标函数进行优化。通过变权重的粒子群算法求得全局最优解的具体步骤为：(1)运行随机函数，获得粒子群的初始状态；(2)计算各粒子的适应度并将当前各粒子的位置和适应度记录在各粒子的P_best中，将P_best中的依据评价的最优个体的位置和适应度存储于G_best中，P_best表示粒子在寻优过程中所得的最佳位置，G_best表示全部所有粒子在寻优过程中所得的最佳位置；(3)根据

与

得出例子的新速度与位置，t迭代的次数，r₁和r₂取的是[0,1]内变化随机数，c₁和c₂被称之为加速常数，可以设为2，ω为惯性权重参数；(4)根据

对惯性权重进行计算，t_max为迭代次数，ω_start与ω_end共同限定了ω的最大值和最小值；(5)针对每个粒子，比较其适应度值与经历过的最佳适应度值，在新的适应度值更优秀的情况下，更换最优位置。比较所有P_best与G_best，然后给新的G_best赋值；(6)在满足设置好的精度或迭代次数时，计算结束并输出最优解，否则回到步骤3继续执行。

步骤12，输出微电网系统最优配置的储能容量，同时在上述计算中也可以得出微电网系统在这一条件下，电动汽车的输出功率及其它分布式电源的输出功率。

Claims (1)

1.一种含电动汽车的微电网储能优化配置方法，其特征在于，建立包含电动汽车和分布式新能源以及储能系统的微电网系统结构；微电网系统结构包括有风力发电系统、光伏发电系统、电动汽车系统、储能系统、以及相应的负荷和微电网能量控制系统；系统基于以下模型：

模型一、光伏发电系统模型；基于光照强度满足的β分布通过实际数据得出其形状参数α与β分别为α＝μ[μ(1-μ)/δ²-1]与β＝(1-μ)[μ(1-μ)/δ²-1]，其中μ与δ为样本数据的均值与标准差；然后通过随机模拟得出符合概率分布的光照强度，经采样并通过P_pv＝λAη得出光伏发电每小时的输出功率；λ表示光照强度，A表示光伏板的总面积，P_pv为光伏发电设备的总效率；

模型二、风力发电系统模型；风力发电的功率主要与风速有关；当v＜v_cin与v＞v_cout时，风力发电系统的输出功率为0；当v_cin＜v＜v_r时，风力发电系统的输出功率为P_r(v-v_cin)/(v_r-v_cin)，其中P_r为风力发电系统的额定输出功率；当v_r＜v＜v_cout时，风力发电系统的输出功率为额定输出功率；v_cin为风机的切入风速，当风速高于v_cin时，风机输出功率；v_cout为风机切机风速，当风速高于v_cout时，风机自动退出运行；v_r为额定风速；风速服从两参数的威布尔分布，由拟合后的分布参数生成；

模型三、储能系统的模型；建立储能系统的模型；根据储能系统的特性，需要在模型中引入荷电状态约束和功率约束；对荷电状态进行限制，SOC_min≤SOC(t)≤SOC_max，其中SOC_min与SOC_max为储能系统荷电状态的最小值与最大值；而对于储能系统的输出功率取决于储能系统的最大最小充放电功率；此外，对于储能系统而言，其电量存在一个基于时间的递推关系，SOC(t)＝SOC(t-1)+PΔtη_c/E_C；SOC(t)是指t时刻时储能系统的剩余电量；SOC(t-1)是指t-1时刻时的剩余电量；P为储能系统充放电功率，单位为W；E_C为储能系统的额定容量；η_c为储能系统充放电效率；此外还需要对储能系统的充放电循环次数进行约束；

模型四、等效负荷模型；通过减小等效负荷峰谷差来降低新能源接入对电网稳定性的影响；等效负荷为P_EqL(t)＝P_L(t)-∑P_DG(t)，其中P_L(t)为t时刻的负荷值，∑P_DG(t)为t时刻各分布式电源发出的功率之和；而等效负荷峰谷差为ΔP_EqL＝P_EqLmax-P_EqLmin，P_EqLmax为等效负荷最大值，P_EqLmin为等效负荷最小值；

模型五、电动汽车模型；电动汽车有序充放电接入电网主要为两个部分，一是电动汽车的日行驶里程，近似服从对数正态分布

而电动汽车接入电网的时刻也就是行驶结束时刻则服从分段对数正态分布，在0＜x≤μ_s-12时，

当μ_s-1 x2＜时

μ与μ_s以及σ和σ_s分别为各自对应样本数据的均值和标准差；根据日行驶里程的不同就能得到电动汽车接入电网时负荷概率分布的荷电状态，而根据接入电网时间的分布就能得到总量给定的电动汽车在某一时刻接入电网的数量；

模型六、基于分时电价的微电网综合效益模型；微电网和大电网进行双向的有功功率交互，结算标准采用24小时的分时电价；建立的微电网综合效益目标函数为f(x)＝C_S-C_B-C_E-C_δ-C_M-C_eq；其中C_S为微电网系统售电费用，C_B为微电网系统购电费用，均通过公共连接点进行结算；C_E为储能系统配置费用，大小为储能容量乘以单位容量的价格，C_δ为储能的充放电损耗成本，通过储能系统的充放电转换效率计入；C_M为储能系统的运营维护成本，按照储能系统的充放电电量计入；C_eq为系统的等效负荷平抑成本，即对于微电网的调峰成本，式

α为单位千瓦时的电网调峰成本；

模型七、电动汽车自身收益模型；电动汽车通过有序充放电与储能系统协同参与调峰需要获得最大化的收益；电动汽车接入电网的效益函数为

n_i为i时段接入微电网的电动汽车的数量，P_vcij为i时段第j辆电动汽车的输出功率，C_i为i时段电动汽车与电网的结算电价；为充分调动电动汽车参与电网调峰的积极性，在电价高峰时期，C_i为峰电价上浮一定比例，在电价低谷时期，取C_i为谷电价下浮一定比例，平电价格不变；

优化配置方法还包括以下约束条件：

式中P_pv(t)与P_wind(t)为t时刻光伏与风电的输出功率、P_bat(t)为储能系统输出功率、P_L(t)为负荷在t时刻的输出功率、P_pcc(t)为公共点t时刻的功率值、P_EVi(t)为t时刻第i个在网的电动汽车的功率，n_i为i时刻在网的电动汽车数量；还有风电和光伏输出功率根据输出功率最大值的约束；储能系统与电动汽车除在储能系统模型中的基本约束外，电动汽车离网时的输出功率为0，入网时的荷电状态要小于行驶里程后的剩余荷电状态；

优化配置方法的具体步骤包括：

步骤1，将多目标函数通过线性加权法综合；f(x)＝max[λ₁f₁(x)+λ₂f₂(x)]，式中λ₁、λ₂均为正值；在统一的目标函数中，各子函数上的λ_i值大小表示了对应目标函数的重要性；这里通过离差法确定最终的权重系数从而综合为一个目标函数，具体步骤为(1)分别求出各目标函数的最优解记为x_i,best；(2)将从各目标函数获得的最优解x_i,best代入其余的目标函数中，得到的目标函数值记为

(3)计算不同最优解下，各目标函数的离差

(4)计算第i个目标函数的平均离差

(5)权重系数计算

步骤2，采用变权重的粒子群算法对目标函数进行优化；通过变权重的粒子群算法求得全局最优解的具体步骤为：

1)、运行随机函数，获得粒子群的初始状态；

2)、计算各粒子的适应度并将当前各粒子的位置和适应度记录在各粒子的P_best中，将P_best中的依据评价的最优个体的位置和适应度存储于G_best中，P_best表示粒子在寻优过程中所得的最佳位置，G_best表示全部所有粒子在寻优过程中所得的最佳位置；

3)、根据

与

得出粒子的新速度与位置，t迭代的次数，r₁和r₂取的是[0,1]内变化随机数，c₁和c₂被称之为加速常数，设为2，ω为惯性权重参数；

4)、根据

对惯性权重进行计算，t_max为迭代次数，ω_start与ω_end共同限定了ω的最大值和最小值；

5)、针对每个粒子，比较其适应度值与经历过的最佳适应度值，在新的适应度值更优秀的情况下，更换最优位置；比较所有P_best与G_best，然后给新的G_best赋值；

6)、在满足设置好的精度或迭代次数时，计算结束并输出最优解，否则回到步骤3)继续执行；

步骤3，输出微电网系统最优配置的储能容量，同时在上述计算中也能得出微电网系统在这一条件下，电动汽车的输出功率及其它分布式电源的输出功率。

Images