CN110601177A - 一种含风电、光伏发电的微电网经济优化方法 - Google Patents

Abstract

本发明提供了一种含风电、光伏发电的微电网经济优化方法，包括：构建微电网运行数据集；建立运行优化目标函数；建立运行优化目标函数的约束条件；构建改进的粒子群优化算法模型，输出最优位置；根据最优位置及运行优化目标函数，得到最优解时的最小成本，完成微电网经济的优化。本发明提供的微电网经济优化方法，增加粒子的多样性，增加搜索全局最优的能力，不容易陷入局部最优。同时，采用自适应的惯性权重和学习因子进一步提高了每个粒子对于最优解的搜索能力，在对本冷‑热‑电联供微网进行经济优化时可以获得更好的优化效果，有效解决经济优化问题中容易陷入局部最优的问题，获得更好的经济优化结果。

Description

一种含风电、光伏发电的微电网经济优化方法

技术领域

本发明涉及微电网经济优化技术领域，更具体的，涉及一种含风电、光伏发电的微电网经济优化方法。

背景技术

随着大量使用化石能源，人类面临的能源问题越来越严重，能源危机正朝着我们而来。全世界的发展离不开能源，因此提高能源利用效率，加大新能源的利用率是未来的能源发展趋势。化石能源的消耗不仅造成能源的危机，同时对于我们的环境也有极大的危害，寻找清洁、高效的可再生能源替代传统的化石能源对于环境和缓解能源压力、促进社会经济发展和持续进步都具有重要而深远的意义。

中国拥有丰富的风能资源和太阳能资源，为了提高风能和太阳能的利用率，现有提出的一种包含风电、太阳能发电在内的冷热电微电网模型，概模型可以提高能源的利用效率，发挥不同类型能源的优势，但是现阶段对于这两种新能源发电的消纳能力不足，“弃风弃光”现象严重，这不仅无法提高清洁能源在能源消费中的比例，还会影响到微电网的经济调度问题，使得微电网不能获得很好的经济性。

发明内容

本发明为克服现有的冷热电微电网模型对于风电、太阳能这两种新能源发电的消纳能力不足，存在影响微电网经济调度的技术缺项，提供一种含风电、光伏发电的微电网经济优化方法。

为解决上述技术问题，本发明的技术方案如下：

一种含风电、光伏发电的微电网经济优化方法，包括以下步骤：

S1：构建微电网运行数据集；

S2：建立含风电、光伏发电的冷热电联供微电网的运行优化目标函数；

S3：建立含风电、光伏发电的冷热电联供微电网经济运行优化目标函数的约束条件；

S4：构建改进的粒子群优化算法模型，输出最优位置；

S5：根据最优位置及运行优化目标函数，得到最优解时的最小成本，完成微电网经济的优化。

其中，在所述步骤S1中，所述的微电网运行数据集包括但不仅限于：风电机组、光伏电池、微燃机、燃气锅炉、余热锅炉、吸收式制冷设备、电制冷机、蓄电池和大电网的运行和设备参数以及各类费用参数和排放标准系数。

其中，在所述步骤S2中，所述的目标函数以一天为一个运行周期计算运行成本，以最小化运行成本为目标；其中，成本包括但不仅限于数据集中的燃料成本、设备运行维护成本、排放成本，还包括微电网在用电高峰时向大电网买电的成本以及在微电网电力盈余时向大电网的售电收入；根据这个成本建立含风电、光伏发电的冷热电联供微电网的运行优化目标函数C,具体表达为：

式中，C_pv,t是t时刻光伏发电的总费用，C_wt,t是t时刻风电机组运行的总费用，C_MT,t是t时刻微燃机运行的总费用，C_boi,t是t时刻燃气锅炉运行的总费用，C_heat,t是t时刻余热锅炉运行的总费用，C_cool,t是t时刻吸收式制冷设备运行的总费用，C_ec,t是t时刻电制冷设备运行的总费用，C_grid,t是t时刻微电网与大电量功率交换后的总费用，C_bat,t是t时刻运行蓄电池时的总费用。

其中，在所述步骤S3中，所述的约束条件包括：

微源产生的总电功率等于电负荷功率；

余热锅炉生产的热功率与燃气锅炉生产的热功率之和等于微电网中热负荷需求；

吸收式制冷机生产的冷功率与电制冷机生产的冷功率之和等于微电网中冷负荷需求；

余热锅炉回收的微燃机的部分排烟余热和吸收式制冷设备回收的微燃机部分排烟余热之和等于微燃机排放余热；

各微源的的出力不能超过其最大出力，同时不能小于其最小出力；

各微源的功率变化速度不能超过其爬坡速度的最大值；

微电网的旋转备用功率满足规定的微网的安全运行要求；

总的运行费用应大于零；

与大电网相连的联络线的交换功率不能超过联络线允许的最大交换功率；

微电网与大电网在t时刻的交换功率不超过微网电负荷需求的10％。

其中，所述步骤S4具体包括以下步骤：

S41：输入改进的粒子群优化算法模型参数并初始化粒子群的位置和速度；

S42：计算粒子群的适应度值，粒子的适应度函数取为经济优化目标函数的倒数，适应度函数表示为：

式中，C_pv,t是t时刻光伏发电的总费用，C_wt,t是t时刻风电机组运行的总费用，C_MT,t是t时刻微燃机运行的总费用，C_boi,t是t时刻燃气锅炉运行的总费用，C_heat,t是t时刻余热锅炉运行的总费用，C_cool,t是t时刻吸收式制冷设备运行的总费用，C_ec,t是t时刻电制冷设备运行的总费用，C_grid,t是t时刻微电网与大电量功率交换后的总费用，C_bat,t是t时刻运行蓄电池时的总费用；

S43：对于每个粒子i，将其适应度值与所经历的最好位置p_id的适应度值进行比较，若粒子当前位置较好，则将其作为粒子当前的最好位置；

S44：对于所有粒子，将其适应度值与全局所经历的最好位置p_gbestd的适应度值进行比较，若某粒子当前的位置较好，则将其作为当前全局最好的位置；

S45：对粒子按照步骤S42计算得到的适应度值从大到小排序，并计算粒子群的平均适应度值；

S46：判别迭代次数，若迭代次数m≠1，则对性能较差粒子进行交叉、变异操作，得到新的经过交叉和变异之后的新的粒子群；

S47：计算粒子群适应度值与迭代情况的自适应惯性权重；计算迭代情况的自适应学习因子；

S48：根据自适应惯性权重和自适应学习因子更新粒子的速度和位置，基于改进的自适应惯性权重和自适应学习因子对交叉、变异后的新的粒子群进行粒子的速度和位置更新；判断是否满足结束条件，若满足则执行步骤S49；否则执行S42，继续进行迭代；

S49：迭代结束，输出全局最优位置即最优解。

其中，所述步骤S46具体包括以下步骤：

S461：根据步骤S45得到的排序结果和计算的粒子群的平均适应度值f_avg，对适应度值小于粒子群平均适应度值的所有粒子i取出并存放在粒子集合V；

S462：对V中粒子进行两两配对，若有剩余单个粒子无法完成配对，则将该单个粒子与步骤S45中排序在最后的粒子进行配对；若该单个粒子恰好为步骤S45中排序最后的粒子，则该单个粒子与排序倒数第二的粒子完成配对；将配对成功后的粒子进行交叉操作，并用交叉操作完成后的粒子代替交叉操作之前的粒子，并存放在粒子集合V；

S463：将粒子集合V中的粒子逐个进行变异操作；将进行了变异操作之后的粒子代替变异操作之前的粒子，存放于粒子集合V中；

S464：将完成了交叉和变异操作之后的粒子代替粒子群中原有的粒子，完成对粒子群的更新，得到新的经过交叉和变异之后的新的粒子群。

其中，在所述步骤S47中，所述粒子i的自适应权重计算具体为：

式中：w_im是第i个粒子在m代时的自适应惯性权重，w_min、w_max分别是最大惯性权重和最小惯性权重，m是当前的迭代次数，m_max是总的迭代次数，f_i、f_gbestd分别表示第i个粒子的适应度值和全局最优解对应的适应度值；

所述迭代情况的自适应学习因子更新公式具体为：

式中，η_m1、η_m2分别是第m次迭代时的自适应认知学习因子和自适应社会学习因子。

其中，所述的基于改进的自适应惯性权重和自适应学习因子对交叉、变异后的新的粒子群进行粒子的速度和位置更新公式具体为：

v_id(m+1)＝w_imv_id(m)+η_m1l₁(p_id-z_id(m))+η_m2l₂(p_gbestd-z_id(m))

z_id(m+1)＝z_id(m)+v_id(m+1)

式中v_id(m+1)、z_id(m+1)是m+1代的粒子速度和位置的更新值，w_im是粒子适应度值和迭代的自适应惯性权重，l₁、l₂是(0,1)之间的随机数，η_m1、η_m2是自适应学习因子，v_id(m)、z_id(m)分别是第m代粒子的速度、位置，p_id、p_gbestd分别是迭代过程中粒子i本身的最优解以及群体最优解，d＝1,2,Λ,D是粒子在搜索空间中的维度。

上述方案中，本发明基于传统的粒子群优化算法进行改进，提高粒子群优化算法的优化性能：

首先，提出考虑粒子适应度值和迭代情况的自适应惯性权重，在传统的粒子群优化算法中，惯性权重的大小影响着粒子群的搜索能力。惯性权重较大时，全局搜索性能好，惯性权重较小时，局部搜索能力较好。但是在迭代的不同时期，对搜索性能的侧重不同，在迭代前期希望可以有较好的全局搜索能力，在迭代后期则希望有较好的局部搜索能力。同时，在一次迭代中，不同粒子的适应度不同，其粒子对于搜索性能的需求也不同，适应度值较优时希望可以有较好的局部搜索能力，适应度值较差时希望有较好的全局搜索性能。考虑到传统的粒子群优化算法在惯性权重选择时不够灵活，本改进方法将粒子的迭代情况和适应度值的情况进行充分考虑，提出考虑粒子适应度值和迭代情况下的自适应惯性权重。

其次，提出的采用改进的考虑迭代情况的自适应学习因子。传统粒子群算法速度更新公式中的学习因子往往是采用固定值，这两个学习因子分别叫做认知学习因子和社会学习因子。如果社会学习因子大于认知学习因子，在迭代前期，算法容易过早向全局最优收敛而容易出现局部最优。如果认知学习因子大于社会学习因子，在迭代后期，会出现收敛速度慢，很难向全局最优收敛的问题。因此，考虑学习因子的相对大小在迭代不同时期的表现后，提出采用改进的考虑迭代情况的自适应学习因子，可以取得更好的收敛性能。

第三，提出将遗传算法中的交叉和变异操作与粒子群优化算法融合的改进方法。传统的粒子群优化算法具有较优的局部搜索性能，但是全局搜索的能力较弱，在优化过程中缺少新粒子的产生，粒子的多样性较差，容易陷入局部最优的情况。而遗传算法由于对粒子进行交叉和变异操作，因此迭代过程中会不断出现新的粒子，具有更好的全局搜索能力。将遗传算法的交叉和变异操作和粒子群优化算法进行融合，增加了粒子群的多样性，提高了粒子群优化算法的全局搜索能力，更有利于粒子群获得全局最优解，不容易陷入局部最优的情况。

与现有技术相比，本发明技术方案的有益效果是：

本发明提供的一种含风电、光伏发电的微电网经济优化方法，增加粒子的多样性，增加搜索全局最优的能力，不容易陷入局部最优。同时，采用自适应的惯性权重和学习因子进一步提高了每个粒子对于最优解的搜索能力，在对本冷-热-电联供微网进行经济优化时可以获得更好的优化效果，有效解决经济优化问题中容易陷入局部最优的问题，获得更好的经济优化结果。

附图说明

图1为本发明所述方法流程示意图；

图2为本发明改进后的粒子群优化算法的流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例1

如图1所示，一种含风电、光伏发电的微电网经济优化方法，包括以下步骤：

S1：构建微电网运行数据集；

S2：建立含风电、光伏发电的冷热电联供微电网的运行优化目标函数；

S3：建立含风电、光伏发电的冷热电联供微电网经济运行优化目标函数的约束条件；

S4：构建改进的粒子群优化算法模型，输出最优位置；

S5：根据最优位置及运行优化目标函数，得到最优解时的最小成本，完成微电网经济的优化。

更具体的，在所述步骤S1中，所述的微电网运行数据集包括但不仅限于：风电机组、光伏电池、微燃机、燃气锅炉、余热锅炉、吸收式制冷设备、电制冷机、蓄电池和大电网的运行和设备参数以及各类费用参数和排放标准系数。

更具体的，在所述步骤S2中，所述的目标函数以一天为一个运行周期计算运行成本，以最小化运行成本为目标；其中，成本包括但不仅限于数据集中的燃料成本、设备运行维护成本、排放成本，还包括微电网在用电高峰时向大电网买电的成本以及在微电网电力盈余时向大电网的售电收入；根据这个成本建立含风电、光伏发电的冷热电联供微电网的运行优化目标函数C,具体表达为：

式中，C_pv,t是t时刻光伏发电的总费用，C_wt,t是t时刻风电机组运行的总费用，C_MT,t是t时刻微燃机运行的总费用，C_boi,t是t时刻燃气锅炉运行的总费用，C_heat,t是t时刻余热锅炉运行的总费用，C_cool,t是t时刻吸收式制冷设备运行的总费用，C_ec,t是t时刻电制冷设备运行的总费用，C_grid,t是t时刻微电网与大电量功率交换后的总费用，C_bat,t是t时刻运行蓄电池时的总费用。

更具体的，在所述步骤S3中，所述的约束条件包括：

微源产生的总电功率等于电负荷功率；

余热锅炉生产的热功率与燃气锅炉生产的热功率之和等于微电网中热负荷需求；本发明采用“以电定热”的方式来确定由余热锅炉提供的热功率，微燃机生产电功率时产生的排烟余热中的一部分经余热锅炉回收后供给热负荷需求，不能满足热负荷需求的部分热功率由燃气锅炉提供；

吸收式制冷机生产的冷功率与电制冷机生产的冷功率之和等于微电网中冷负荷需求；本发明采用“以电定冷”的方式来确定由吸收式制冷设备提供的冷功率，微燃机生产电功率时产生的排烟余热中的一部分经吸收式制冷设备回收后形成冷功率供给冷负荷需求，不能满足冷负荷需求的部分冷功率由电制冷机提供；

余热锅炉回收的微燃机的部分排烟余热和吸收式制冷设备回收的微燃机部分排烟余热之和等于微燃机排放余热；

各微源的的出力不能超过其最大出力，同时不能小于其最小出力；

各微源的功率变化速度不能超过其爬坡速度的最大值；

微电网的旋转备用功率满足规定的微网的安全运行要求；

总的运行费用应大于零；

与大电网相连的联络线的交换功率不能超过联络线允许的最大交换功率；

微电网与大电网在t时刻的交换功率不超过微网电负荷需求的10％。

更具体的，所述步骤S4具体包括以下步骤：

S41：输入改进的粒子群优化算法模型参数并初始化粒子群的位置和速度；

在具体实施过程中，输入的模型参数包括最大迭代次数为m_max＝10000次，种群粒子数为30，最大惯性权重系数w_max＝0.9和最小惯性权重系数w_min＝0.4，粒子的最大值和最小值由各微源出力的上下限决定，粒子的最大速度每一维取相应维搜索空间的100％，粒子的速度范围取[-V_max,V_max]，最大误差取0.0001。粒子的搜索空间是一个D维的空间，例如第i个粒子可以表示为一个D维的向量X_i＝[x_i1,x_i2,Λ,x_iD]，粒子i＝1,2,Λ,30，迭代次数m＝1,2,Λ,m_max，时间t＝1,2,Λ,24。

在具体实施过程中，初始化粒子群的位置和速度，在粒子的最大值和最小值之间随机获得初始化的粒子位置，在粒子速度范围内随机获得初始化的粒子速度值。

S42：计算粒子群的适应度值，粒子的适应度函数取为经济优化目标函数的倒数，适应度函数表示为：

式中，C_pv,t是t时刻光伏发电的总费用，C_wt,t是t时刻风电机组运行的总费用，C_MT,t是t时刻微燃机运行的总费用，C_boi,t是t时刻燃气锅炉运行的总费用，C_heat,t是t时刻余热锅炉运行的总费用，C_cool,t是t时刻吸收式制冷设备运行的总费用，C_ec,t是t时刻电制冷设备运行的总费用，C_grid,t是t时刻微电网与大电量功率交换后的总费用，C_bat,t是t时刻运行蓄电池时的总费用；

S43：对于每个粒子i，将其适应度值与所经历的最好位置p_id的适应度值进行比较，若粒子当前位置较好，则将其作为粒子当前的最好位置；

S44：对于所有粒子，将其适应度值与全局所经历的最好位置p_gbestd的适应度值进行比较，若某粒子当前的位置较好，则将其作为当前全局最好的位置；

S45：对粒子按照步骤S42计算得到的适应度值从大到小排序，并计算粒子群的平均适应度值；

S46：判别迭代次数，若迭代次数m≠1，则对性能较差粒子进行交叉、变异操作，得到新的经过交叉和变异之后的新的粒子群；

S47：计算粒子群适应度值与迭代情况的自适应惯性权重；计算迭代情况的自适应学习因子；

S48：根据自适应惯性权重和自适应学习因子更新粒子的速度和位置，基于改进的自适应惯性权重和自适应学习因子对交叉、变异后的新的粒子群进行粒子的速度和位置更新；判断是否满足结束条件，若满足则执行步骤S49；否则执行S42，继续进行迭代；

S49：迭代结束，输出全局最优位置即最优解。

更具体的，所述步骤S46具体包括以下步骤：

S461：根据步骤S45得到的排序结果和计算的粒子群的平均适应度值f_avg，对适应度值小于粒子群平均适应度值的所有粒子i取出并存放在粒子集合V；

S462：对V中粒子进行两两配对，若有剩余单个粒子无法完成配对，则将该单个粒子与步骤S45中排序在最后的粒子进行配对；若该单个粒子恰好为步骤S45中排序最后的粒子，则该单个粒子与排序倒数第二的粒子完成配对；将配对成功后的粒子进行交叉操作，并用交叉操作完成后的粒子代替交叉操作之前的粒子，并存放在粒子集合V；其中，交叉操作采用的具体计算公式为：

x_i＝c·p_i+(1-c)·p_j；

x_j＝(1-c)·p_i+c·p_j；

式中，p_i、p_j是配对成功后的父代粒子，c是(0,1)之间的随机数，x_i、x_j是交叉操作后的两个新粒子；

S463：将粒子集合V中的粒子逐个进行变异操作；将进行了变异操作之后的粒子代替变异操作之前的粒子，存放于粒子集合V中；其中，变异操作采用公式：

x_i＝p_i+M·q；

式中，p_i是用于变异操作的父代粒子，M是初始化时给定的一个足够大的数，一般取值为粒子的上限与下限之差，q是随机产生的变异方向，x_i是变异操作完成后得到的新粒子；验证变异操作产生的新粒子是否符合粒子的取值要求，若不符合，令M取值为(0，M)之间的随机数，重新进行变异操作，重复此步骤直至变异后的新粒子符合粒子取值要求；

S464：将经过交叉和变异操作的个体集合V中的新个体替换粒子群中原有适应度值小于平均适应度值的粒子，完成对粒子群的更新，得到新的经过交叉和变异之后的新的粒子群。

更具体的，在所述步骤S47中，所述粒子i的自适应权重计算具体为：

式中：w_im是第i个粒子在m代时的自适应惯性权重，w_min、w_max分别是最大惯性权重和最小惯性权重，m是当前的迭代次数，m_max是总的迭代次数，f_i、f_gbestd分别表示第i个粒子的适应度值和全局最优解对应的适应度值；

所述迭代情况的自适应学习因子更新公式具体为：

式中，η_m1、η_m2分别是第m次迭代时的自适应认知学习因子和自适应社会学习因子。

更具体的，所述的基于改进的自适应惯性权重和自适应学习因子对交叉、变异后的新的粒子群进行粒子的速度和位置更新公式具体为：

v_id(m+1)＝w_imv_id(m)+η_m1l₁(p_id-z_id(m))+η_m2l₂(p_gbestd-z_id(m))

z_id(m+1)＝z_id(m)+v_id(m+1)

式中v_id(m+1)、z_id(m+1)是m+1代的粒子速度和位置的更新值，w_im是粒子适应度值和迭代的自适应惯性权重，l₁、l₂是(0,1)之间的随机数，η_m1、η_m2是自适应学习因子，v_id(m)、z_id(m)分别是第m代粒子的速度、位置，p_id、p_gbestd分别是迭代过程中粒子i本身的最优解以及群体最优解，d＝1,2,Λ,D是粒子在搜索空间中的维度。

在具体实施过程中，本发明基于传统的粒子群优化算法进行改进，提高粒子群优化算法的优化性能：

首先，提出考虑粒子适应度值和迭代情况的自适应惯性权重，在传统的粒子群优化算法中，惯性权重的大小影响着粒子群的搜索能力。惯性权重较大时，全局搜索性能好，惯性权重较小时，局部搜索能力较好。但是在迭代的不同时期，对搜索性能的侧重不同，在迭代前期希望可以有较好的全局搜索能力，在迭代后期则希望有较好的局部搜索能力。同时，在一次迭代中，不同粒子的适应度不同，其粒子对于搜索性能的需求也不同，适应度值较优时希望可以有较好的局部搜索能力，适应度值较差时希望有较好的全局搜索性能。考虑到传统的粒子群优化算法在惯性权重选择时不够灵活，本改进方法将粒子的迭代情况和适应度值的情况进行充分考虑，提出考虑粒子适应度值和迭代情况下的自适应惯性权重。

其次，提出的采用改进的考虑迭代情况的自适应学习因子。传统粒子群算法速度更新公式中的学习因子往往是采用固定值，这两个学习因子分别叫做认知学习因子和社会学习因子。如果社会学习因子大于认知学习因子，在迭代前期，算法容易过早向全局最优收敛而容易出现局部最优。如果认知学习因子大于社会学习因子，在迭代后期，会出现收敛速度慢，很难向全局最优收敛的问题。因此，考虑学习因子的相对大小在迭代不同时期的表现后，提出采用改进的考虑迭代情况的自适应学习因子，可以取得更好的收敛性能。

第三，提出将遗传算法中的交叉和变异操作与粒子群优化算法融合的改进方法。传统的粒子群优化算法具有较优的局部搜索性能，但是全局搜索的能力较弱，在优化过程中缺少新粒子的产生，粒子的多样性较差，容易陷入局部最优的情况。而遗传算法由于对粒子进行交叉和变异操作，因此迭代过程中会不断出现新的粒子，具有更好的全局搜索能力。将遗传算法的交叉和变异操作和粒子群优化算法进行融合，增加了粒子群的多样性，提高了粒子群优化算法的全局搜索能力，更有利于粒子群获得全局最优解，不容易陷入局部最优的情况。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。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，均应包含在本发明权利要求的保护范围之内。

Claims (8)

1.一种含风电、光伏发电的微电网经济优化方法，其特征在于，包括以下步骤：

S1：构建微电网运行数据集；

S2：建立含风电、光伏发电的冷热电联供微电网的运行优化目标函数；

S3：建立含风电、光伏发电的冷热电联供微电网经济运行优化目标函数的约束条件；

S4：构建改进的粒子群优化算法模型，输出最优位置；

S5：根据最优位置及运行优化目标函数，得到最优解时的最小成本，完成微电网经济的优化。

2.根据权利要求1所述的一种含风电、光伏发电的微电网经济优化方法，其特征在于，在所述步骤S1中，所述的微电网运行数据集包括但不仅限于：风电机组、光伏电池、微燃机、燃气锅炉、余热锅炉、吸收式制冷设备、电制冷机、蓄电池和大电网的运行和设备参数以及各类费用参数和排放标准系数。

3.根据权利要求2所述的一种含风电、光伏发电的微电网经济优化方法，其特征在于，在所述步骤S2中，所述的目标函数以一天为一个运行周期计算运行成本，以最小化运行成本为目标；其中，成本包括但不仅限于数据集中的燃料成本、设备运行维护成本、排放成本，还包括微电网在用电高峰时向大电网买电的成本以及在微电网电力盈余时向大电网的售电收入；根据这个成本建立含风电、光伏发电的冷热电联供微电网的运行优化目标函数C,具体表达为：

式中，C_pv,t是t时刻光伏发电的总费用，C_wt,t是t时刻风电机组运行的总费用，C_MT,t是t时刻微燃机运行的总费用，C_boi,t是t时刻燃气锅炉运行的总费用，C_heat,t是t时刻余热锅炉运行的总费用，C_cool,t是t时刻吸收式制冷设备运行的总费用，C_ec,t是t时刻电制冷设备运行的总费用，C_grid,t是t时刻微电网与大电量功率交换后的总费用，C_bat,t是t时刻运行蓄电池时的总费用。

4.根据权利要求3所述的一种含风电、光伏发电的微电网经济优化方法，其特征在于，在所述步骤S3中，所述的约束条件包括：

微源产生的总电功率等于电负荷功率；

余热锅炉生产的热功率与燃气锅炉生产的热功率之和等于微电网中热负荷需求；

吸收式制冷机生产的冷功率与电制冷机生产的冷功率之和等于微电网中冷负荷需求；

余热锅炉回收的微燃机的部分排烟余热和吸收式制冷设备回收的微燃机部分排烟余热之和等于微燃机排放余热；

各微源的的出力不能超过其最大出力，同时不能小于其最小出力；

各微源的功率变化速度不能超过其爬坡速度的最大值；

微电网的旋转备用功率满足规定的微网的安全运行要求；

总的运行费用应大于零；

与大电网相连的联络线的交换功率不能超过联络线允许的最大交换功率；

微电网与大电网在t时刻的交换功率不超过微网电负荷需求的10％。

5.根据权利要求4所述的一种含风电、光伏发电的微电网经济优化方法，其特征在于，所述步骤S4具体包括以下步骤：

S41：输入改进的粒子群优化算法模型参数并初始化粒子群的位置和速度；

S42：计算粒子群的适应度值，粒子的适应度函数取为经济优化目标函数的倒数，适应度函数表示为：

式中，C_pv,t是t时刻光伏发电的总费用，C_wt,t是t时刻风电机组运行的总费用，C_MT,t是t时刻微燃机运行的总费用，C_boi,t是t时刻燃气锅炉运行的总费用，C_heat,t是t时刻余热锅炉运行的总费用，C_cool,t是t时刻吸收式制冷设备运行的总费用，C_ec,t是t时刻电制冷设备运行的总费用，C_grid,t是t时刻微电网与大电量功率交换后的总费用，C_bat,t是t时刻运行蓄电池时的总费用；

S43：对于每个粒子i，将其适应度值与所经历的最好位置p_id的适应度值进行比较，若粒子当前位置较好，则将其作为粒子当前的最好位置；

S44：对于所有粒子，将其适应度值与全局所经历的最好位置p_gbestd的适应度值进行比较，若某粒子当前的位置较好，则将其作为当前全局最好的位置；

S45：对粒子按照步骤S42计算得到的适应度值从大到小排序，并计算粒子群的平均适应度值；

S46：判别迭代次数，若迭代次数m≠1，则对性能较差粒子进行交叉、变异操作，得到新的经过交叉和变异之后的新的粒子群；

S47：计算粒子群适应度值与迭代情况的自适应惯性权重；计算迭代情况的自适应学习因子；

S48：根据自适应惯性权重和自适应学习因子更新粒子的速度和位置，基于改进的自适应惯性权重和自适应学习因子对交叉、变异后的新的粒子群进行粒子的速度和位置更新；判断是否满足结束条件，若满足则执行步骤S49；否则执行S42，继续进行迭代；

S49：迭代结束，输出全局最优位置即最优解。

6.根据权利要求5所述的一种含风电、光伏发电的微电网经济优化方法，其特征在于，所述步骤S46具体包括以下步骤：

S461：根据步骤S45得到的排序结果和计算的粒子群的平均适应度值f_avg，对适应度值小于粒子群平均适应度值的所有粒子i取出并存放在粒子集合V；

S462：对V中粒子进行两两配对，若有剩余单个粒子无法完成配对，则将该单个粒子与步骤S45中排序在最后的粒子进行配对；若该单个粒子恰好为步骤S45中排序最后的粒子，则该单个粒子与排序倒数第二的粒子完成配对；将配对成功后的粒子进行交叉操作，并用交叉操作完成后的粒子代替交叉操作之前的粒子，并存放在粒子集合V；

S463：将粒子集合V中的粒子逐个进行变异操作；将进行了变异操作之后的粒子代替变异操作之前的粒子，存放于粒子集合V中；

S464：将完成了交叉和变异操作之后的粒子代替粒子群中原有的粒子，完成对粒子群的更新，得到新的经过交叉和变异之后的新的粒子群。

7.根据权利要求6所述的一种含风电、光伏发电的微电网经济优化方法，其特征在于，在所述步骤S47中，所述粒子i的自适应权重计算具体为：

式中：w_im是第i个粒子在m代时的自适应惯性权重，w_min、w_max分别是最大惯性权重和最小惯性权重，m是当前的迭代次数，m_max是总的迭代次数，f_i、f_gbestd分别表示第i个粒子的适应度值和全局最优解对应的适应度值；

所述迭代情况的自适应学习因子更新公式具体为：

式中，η_m1、η_m2分别是第m次迭代时的自适应认知学习因子和自适应社会学习因子。

8.根据权利要求7所述的一种含风电、光伏发电的微电网经济优化方法，其特征在于，所述的基于改进的自适应惯性权重和自适应学习因子对交叉、变异后的新的粒子群进行粒子的速度和位置更新公式具体为：

v_id(m+1)＝w_imv_id(m)+η_m1l₁(p_id-z_id(m))+η_m2l₂(p_gbestd-z_id(m))

z_id(m+1)＝z_id(m)+v_id(m+1)

式中v_id(m+1)、z_id(m+1)是m+1代的粒子速度和位置的更新值，w_im是粒子适应度值和迭代的自适应惯性权重，l₁、l₂是(0,1)之间的随机数，η_m1、η_m2是自适应学习因子，v_id(m)、z_id(m)分别是第m代粒子的速度、位置，p_id、p_gbestd分别是迭代过程中粒子i本身的最优解以及群体最优解，d＝1,2,Λ,D是粒子在搜索空间中的维度。