CN110648006A - 一种考虑风光相关性的日前优化调度方法 - Google Patents

Abstract

本发明公开了一种考虑风光相关性的日前优化调度方法，包括以下步骤：首先对风电、光伏能源的历史数据进行核密度估计拟合，获得风电、光伏能源各自的概率密度函数；之后根据上述概率密度函数，结合copula函数，获取最优风光联合密度分布函数；然后由最优风光联合密度分布函数随机生成大量的风光联合出力场景并对其进行削减，获得经典风光联合出力场景；之后建立混合能源系统的多目标优化调度模型；最后利用改进的粒子群算法求解日前优化调度模型，由此获得最优调度方案即日前机组组合出力曲线。本发明利用风光能源的互补特性，描述了多种分布式电源同时调度时随机性的影响，提高了混合能源系统运行的经济性和安全性。

Description

一种考虑风光相关性的日前优化调度方法

技术领域

本发明属于电力调度技术领域，特别涉及到一种考虑风光相关性的日前优化调度方法。

背景技术

随着可再生能源发电设备制造工艺的不断革新以及可再生能源并网技术的持续快速发展。风力发电、光伏发电已经成为当前可再生能源利用的2种主要形式。然而，由于风速、光照强度等自然因素同有的随机性和波动性，风电场、光伏电站的出力呈现较强的间歇性和不可控性。随着间歇性电源穿透功率的增加，可再生能源并网给电力系统带来的影响日益突出，严重影响电力系统的安全、稳定、可靠运行。因此，对可再生能源的随机性进行准确的描述十分必要。

对于大规模分布式电源并入电网带来的相关问题，大部分研究都只针对一种形式的能源，比较常见的研究是大规模风电并入电网的动态潮流、网络重构、优化调度等。这些研究都没有办法很好的解决同时含有两种及两种以上分布式电源的系统的稳定性问题。同时，在分布式电源渗透率高的情况下，系统的频率波动很难控制，传统的优化调度问题并没有考虑调度过程中频率动态安全的约束，这对系统的安全稳定运行没有保障。

发明内容

本发明所解决的技术问题在于提供一种考虑风光相关性的混合能源系统日前优化调度方法，提高了混合能源系统运行的经济性和安全性。

实现本发明目的的技术解决方案为：一种考虑风光相关性的混合能源系统日前优化调度方法，包括以下步骤：

步骤1、对风电、光伏能源的历史数据进行核密度估计拟合，获得风电、光伏能源各自的概率密度函数；

步骤2、根据步骤1获得的风电、光伏能源各自的概率密度函数，结合copula函数，获取最优风光联合密度分布函数；

步骤3、由步骤2获得的最优风光联合密度分布函数随机生成大量的风光联合出力场景，之后对风光联合出力场景进行削减，获得经典风光联合出力场景；

步骤4、建立混合能源系统的多目标优化调度模型；

步骤5、将配电网的负荷预测信息和步骤3获得的经典风光联合出力场景输入到所述混合能源系统的多目标优化调度模型中，利用改进的粒子群算法求解多目标优化调度模型，由此获得最优调度方案即日前机组组合出力曲线。

本发明与现有技术相比，其显著优点：1)本发明采用核密度估计法来拟合风光出力分布函数，该方法属于非参数检验方法之一，不需要分布的先验知识和任何概率分布形式的假设，是一种从数据样本本身出发，研究数据分布特征的方法，其效果比常用的威布尔分布和贝塔分布要好；2)本发明采用copula函数将风光各自的出力曲线连接得到联合分布函数，能够同时考虑两种分布式能源的随机性对电网的影响，同时准确的描述了风能和光能的互补特性；3)本发明针对大规模风电光伏能源接入电网的特点，在优化调度模型的约束条件中加入了频率安全约束，考虑了在风光能源处理波动时对系统调频带来的影响，增加了混合能源系统运行的经济性和安全性。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为本发明考虑风光相关性的日前优化调度方法的流程图。

图2为本发明提出的改进粒子群算法求解优化调度模型的具体流程图。

图3为本发明实施例中某时刻核密度估计拟合风速数据的效果图。

图4为本发明实施例中某时刻核密度估计拟合光照强度数据的效果图。

图5为本发明实施例中某时刻风光出力的联合分布函数图。

图6为本发明实施例中随机生成的一万个随机场景的随机出力图。

图7为本发明实施例中通过聚类法削减得到的经典出力场景图。

图8为本发明实施例中最终求解所得的火电机组日前调度计划的出力曲线图。

具体实施方式

结合图1，本发明一种考虑风光相关性的混合能源系统日前优化调度方法，包括如下步骤：

步骤1、对风电、光伏能源的历史数据进行核密度估计拟合，获得风电、光伏能源各自的概率密度函数。其中，核密度估计法如下：

建立风电场、光伏电站出力的概率模型，常采用参数估计法，假定风速服从Weibull分布、光照强度短时服从Beta分布。通过估计其中的参数获取概率分布。然而，参数估计法的结果不能总令人满意，原因在于选取的参数模型与实际的物理模型之间往往存在较大的差距；风电场、光伏电站的出力不仅取决于风速、光照强度，而且还受其他诸多因素的影响，如风电场风机的布局、光伏面板的倾角等。本发明采用非参数核密度估计法获取风电、光伏出力的概率密度函数。

核密度估计属于非参数检验方法之一，该方法不需要分布的先验知识和任何概率分布形式的假设，是一种从数据样本本身出发，研究数据分布特征的方法。

设x₁、x₂、…、x_n为随机变量x的样本，令随机变量x的概率密度函数为f(x)，则f(x)的核密度估计为：

式中，n为样本容量；h为窗宽；K(·)为核函数。

窗宽h的选择很重要，如果h取得太大，会有很多样本点对自变量x的核密度估计值产生影响，离自变量x距离的远近对对应点核函数值产生的不大，所以一些重要信息不会被包含进去，曲线偏光滑。反之，如果取得太小，则只有少量的样本点对核函数值产生影响，曲线不规整。

最佳窗宽选取公式如下：

式中f_n(x)是总体的经验分布函数，

是关于h的函数，求此函数的极小值点可以得出最佳窗宽的估计值。

核函数取高斯核函数，其计算公式如下：

得到密度函数之后，对其进行积分即可得到风电和光伏能源出力的累积分布函数，如下：

步骤2、根据步骤1获得的风电、光伏能源各自的概率密度函数，结合copula函数，获取最优风光联合密度分布函数。具体为：

步骤2-1、利用五种常用的copula函数分别将风电、光伏能源各自的概率密度函数连接，获得5个风光联合密度分布函数；其中五种常用的copula函数包括：Normal-Copula、t-Copula、Clayton-Copula、Frank-Copula和Gumbel-Copula。

步骤2-2、根据欧氏距离法从步骤2-1的5个联合密度分布函数中选取最优的风光联合密度分布函数。具体为：

步骤2-2-1、求取每一个风光联合密度分布函数分布值与经验copula函数分布值之间的欧氏距离，共获得5个欧氏距离，所用公式为：

其中，N为风电、光伏能源历史数据的总个数，u_i、v_i分别为风电、光伏能源历史数据x_i、y_i的累积概率值，

为经验copula函数分布值，C(u_i,v_i)为风光联合密度分布函数分布值；

其中，经验copula函数分布值

具体为：

式中，x₁,x₂,…,x_N为风电能源的历史数据，y₁,y₂,…,y_N为光伏能源的历史数据，F(x)为x₁,x₂,…,x_N的经验分布函数，G(y)为y₁,y₂,…,y_N的经验分布函数，I[·]为示性函数，当F(x_n)≤u_i时，I[F(x_n)≤u_i]＝1，否则I[F(x_n)≤u_i]＝0；

其中，5个风光联合密度分布函数分布值分别为：

(1)Normal-Copula函数对应的风光联合密度分布函数分布值：

式中，ρ为相关系数，-1≤ρ≤1，φ^-1(·)为标准正态反函数；

(2)t-Copula函数对应的风光联合密度分布函数分布值：

式中，k为自由度，ρ为相关系数，

为以k为自由度的标准t分布的反函数；

(3)Clayton-Copula函数对应的风光联合密度分布函数分布值：

式中，α为相关系数，且α≥-1，下尾相关系数为

上尾相关系数是0，所以适合描述具有下尾相关性的随机变量；

(4)Frank-Copula函数对应的风光联合密度分布函数分布值：

式中，α为相关系数，若α趋近于0表示两随机变量不相关，若α大于0表示正相关，小于0表示负相关，α≠0；

(5)Gumbel-Copula函数对应的风光联合密度分布函数分布值：

式中，α为相关系数，且α≥1，当α＝1时表示两个随机变量相互独立。

步骤2-2-2、对步骤2-2-1获得的5个欧氏距离进行比较，将最小的欧氏距离对应的风光联合密度分布函数作为最优的风光联合密度分布函数。

步骤3、由步骤2获得的最优风光联合密度分布函数随机生成大量的风光联合出力场景，之后利用k-means聚类法对风光联合出力场景进行削减，获得经典风光联合出力场景。具体为：

步骤3-1、由步骤2获得的最优风光联合分布函数中随机生成大量的风光联合出力场景，并对风光联合出力场景进行归一化处理；

步骤3-2、设定聚类中心个数的初始值为L，最大值为L_max；

步骤3-3、以L个聚类中心对所有的风光联合出力场景进行k-means聚类，并记录聚类完成后的总欧式距离值和聚类中心；

步骤3-4、若L<L_max，则将L的值增加1，之后执行步骤3-3；若L＝L_max，则比较所有的总欧式距离值，将最小的总欧式距离值对应的聚类中心个数、聚类中心作为最佳聚类中心个数和聚类中心，最佳聚类中心即为经典风光联合出力场景。

步骤4、建立混合能源系统的多目标优化调度模型。具体为：

步骤4-1、确定混合能源系统的多目标优化调度模型的目标函数。目标函数包括常规机组的燃料成本C_Ti(t)、风机组调节成本S_W、光伏机组调节成本S_P和弃风弃光的惩罚成本S_drop；目标函数的数学模型为：

式中，NT为总时段数，G为火电机组的台数。

其中，常规机组的燃料成本C_Ti(t)为：

C_Ti(t)＝a_iP_i ^T(t)²+b_iP_i ^T(t)+c_i

式中，P_i ^T(t)为i号火电机组在时段t的出力，a_i,b_i,c_i为常规机组的燃料成本系数；

其中，风机组调节成本S_W为：

S_W＝a_WdP^W(t)²+b_WdP^W(t)+c_W

式中，dP^W(t)为风电机组在时段t下的调节量，a_W，b_W，c_W为风机组的调节成本系数；

其中，光伏机组调节成本S_P为：

S_P＝a_PdP^P(t)²+b_PdP^P(t)+c_P

式中，dP^P(t)为光伏机组在时段t下的调节量，a_P，b_P，c_P为光伏机组的调节成本系数；

其中，弃风弃光惩罚S_drop为：

式中，

分别为时段t的弃风量和弃光量，ρ^W、ρ^P分别为弃风弃光的惩罚系数。

步骤4-2、确定混合能源系统的多目标优化调度模型的约束条件。约束条件包括功率平衡约束条件、常规机组出力约束条件、频率安全约束条件、常规机组爬坡约束条件、旋转备用约束条件；

(1)功率平衡约束条件为：

式中，P_D(t)为时段t的负荷总量，P^W(t)为时段t的风电出力，P^P(t)为时段t的光伏出力；

(2)常规机组出力约束条件为：

P_i,min≤P_i ^T(t)≤P_i,max

式中，P_i,min为i号火电机组的出力下限，P_i,max为i号火电机组的出力上限；

(3)频率安全约束条件为：

式中，△f_nadir为动态频率过程中的频率最低点，△f_UFLS为低频减载的边界值，R为常规机组调速器的爬坡值，△P_L为负荷的突变量，H为系统的惯性时间常数，△f_DB为调速器的频率死区，通常取0.2Hz；

(4)常规机组爬坡约束条件为：

r_i ^down≤P_i ^T(t)-P_i ^T(t-1)≤r_i ^up

式中，r_i ^down为i号火电机组的向下最大爬坡值；r_i ^up为i号火电机组的向上最大爬坡值；

(5)旋转备用约束条件为：

式中，

为i号火电机组的正旋转备用容量，

为i号火电机组的负旋转备用容量，η₁，η₂，η₃分别为风电、光伏和负荷的预测误差比率。

步骤5、结合图2，将配电网的负荷预测信息和步骤3获得的经典风光联合出力场景输入到混合能源系统的多目标优化调度模型中，利用改进的粒子群算法求解日前优化调度模，由此获得最优调度方案即日前机组组合出力曲线。具体为：

步骤5-1、将配电网的负荷预测信息和步骤3获得的经典风光联合出力场景输入到混合能源系统的多目标优化调度模型中；

步骤5-2、随机对粒子种群进行初始化，并将种群代数gen初始化为1；种群中粒子的位置表示一种可行的调度方案，粒子的速度表示粒子位置中相应变量的调整幅度：

式中，

为第k代粒子种群中粒子i的位置，

为第k代粒子种群中粒子i的速度，G为常规能源机组数量，P_i ^T(t)为第i台常规机组在时段t的出力，△P_i ^T(t)为在第i台常规机组在时段t出力的调整幅度，P^W(t)为风电机组出力，P^P(t)为光伏机组组出力，P_bat(t)为蓄电池的充放电功率，△P^W(t)为风电机组需要增发或减发的功率，△P^P(t)为光伏机组需要增发或减发的功率，△P_bat(t)为蓄电池在时段t出力的调整幅度。

步骤5-3、依据的功率平衡约束条件、常规机组出力约束条件、频率安全约束条件、常规机组爬坡约束条件、旋转备用约束条件公式，对粒子种群的每个粒子中不满足约束的变量进行修正，使变量满足所有约束条件；

步骤5-4、根据目标函数公式求取每个粒子的目标函数值，目标函数值越小，粒子越优；

步骤5-5、根据步骤5-4获得的目标函数值对对应粒子的速度及位置进行更新，从而获得下一代即gen＝gen+1代粒子种群；其中所用更新公式为：

式中，w为惯性权重系数，c₁为加速因子1，c₂为加速因子2，rand(0,1)为0～1间的随机数，p_best,i为粒子i的历史最优位置，g_best种群的历史最优位置，为了在迭代前期，提高算法的全局搜索能力，防止陷入次优解；迭代后期，提升算法的局部搜素能力，加速收敛于最优解，对粒子群算法的惯性权重系数以及加速因子进行了改进，具体由下列式子进行更新：

式中，w_max为最大权重系数，w_min为最小权重系数，c11、c12分别为加速因子1的初始值及最终值，c21、c22分别为加速因子2的初始值及最终值，gen为当前种群代数，gen_max为种群最大代数；

步骤5-6、设定种群最大代数为gen_max，判断gen是否达到种群最大代数gen_max，若达到，则将最优粒子的位置即日前最优调度方案输出，若未达到，则更新种群代数即将gen的值增加1，之后返回步骤5-3继续迭代计算。

实施例

本实施例使用三机九节点系统进行日前优化调度，系统中一共含有三台火电机组，机组参数如下表1。

表1火电机组参数表

结合图1，本发明一种考虑风光相关性的日前优化调度方法，包括以下内容：

(1)输入风电、光伏能源的历史数据，并利用核密度估计法获得风电、光伏能源各自的概率密度函数，其中核密度估计的参数设置如下表2所示，风电、光伏能源各自的概率密度函数曲线分别如图3、图4所示。

表2核函数参数设置

(2)根据风电、光伏能源各自的概率密度函数，结合copula函数，获取最优风光联合密度分布函数。利用五种常用的copula函数分别将风电、光伏能源各自的概率密度函数连接，获得5个风光联合密度分布函数。之后根据欧氏距离法选择合适的copula函数，获得最优的风光联合密度分布函数如图5所示。

(3)由最优的风光联合密度分布函数随机生成一万个风光联合出力场景如图6所示，之后用k-means聚类法削减场景得到经典风光联合出力场景如图7所示。

(4)考虑频率安全约束和弃风弃光惩罚，建立混合能源系统的多目标优化调度模型。

(5)将配电网的负荷预测信息和经典风光联合出力场景输入到所述混合能源系统的多目标优化调度模型中，用改进的粒子群算法对模型进行求解，其中粒子群算法的参数如表3所示，最终获得的最优调度方案即日前机组组合出力曲线如图8所示。

表3粒子群算法设定参数

本发明的方法综合考虑了风能和光能的互补特性和风光随机性对日前调度的影响，建立了考虑频率安全约束的多目标优化调度模型，并用改进的粒子群算法对模型进行求解，实现混合能源系统运行的经济性和安全性。

Claims (8)

1.一种考虑风光相关性的日前优化调度方法，其特征在于，包括以下步骤：

步骤1、对风电、光伏能源的历史数据进行核密度估计拟合，获得风电、光伏能源各自的概率密度函数；

步骤2、根据步骤1获得的风电、光伏能源各自的概率密度函数，结合copula函数，获取最优风光联合密度分布函数；

步骤3、由步骤2获得的最优风光联合密度分布函数随机生成大量的风光联合出力场景，之后对风光联合出力场景进行削减，获得经典风光联合出力场景；

步骤4、建立混合能源系统的多目标优化调度模型；

步骤5、将配电网的负荷预测信息和步骤3获得的经典风光联合出力场景输入到所述混合能源系统的多目标优化调度模型中，利用改进的粒子群算法求解多目标优化调度模型，由此获得最优调度方案即日前机组组合出力曲线。

2.根据权利要求1所述的考虑风光相关性的日前优化调度方法，其特征在于，步骤2所述根据步骤1获得的风电光伏能源各自的概率密度函数，结合copula函数，获取最优的风光联合密度分布函数，具体为：

步骤2-1、利用五种常用的copula函数分别将风电、光伏能源各自的概率密度函数连接，获得5个风光联合密度分布函数；其中五种常用的copula函数包括：Normal-Copula、t-Copula、Clayton-Copula、Frank-Copula和Gumbel-Copula；

步骤2-2、根据欧氏距离法从步骤2-1所述5个联合密度分布函数中选取最优的风光联合密度分布函数。

3.根据权利要求2所述的考虑风光相关性的日前优化调度方法，其特征在于，步骤2-2具体为：

步骤2-2-1、求取每一个风光联合密度分布函数分布值与经验copula函数分布值之间的欧氏距离，共获得5个欧氏距离，所用公式为：

其中，N为风电、光伏能源历史数据的总个数，u_i、v_i分别为风电、光伏能源历史数据x_i、y_i的累积概率值，

为经验copula函数分布值，C(u_i,v_i)为风光联合密度分布函数分布值；

其中，经验copula函数分布值具体为：

式中，x₁,x₂,…,x_N为风电能源的历史数据，y₁,y₂,…,y_N为光伏能源的历史数据，F(x_*)为x₁,x₂,…,x_N的经验分布函数，G(y_*)为y₁,y₂,…,y_N的经验分布函数，I[·]为示性函数，当F(x_n)≤u_i时，I[F(x_n)≤u_i]＝1，否则I[F(x_n)≤u_i]＝0；

其中，5个风光联合密度分布函数分布值分别为：

(1)Normal-Copula函数对应的风光联合密度分布函数分布值：

式中，ρ为相关系数，-1≤ρ≤1，φ^-1(·)为标准正态反函数；

(2)t-Copula函数对应的风光联合密度分布函数分布值：

式中，k为自由度，ρ为相关系数，

为以k为自由度的标准t分布的反函数；

(3)Clayton-Copula函数对应的风光联合密度分布函数分布值：

式中，α为相关系数，且α≥-1，下尾相关系数为

上尾相关系数为0；

(4)Frank-Copula函数对应的风光联合密度分布函数分布值：

式中，α为相关系数，若α趋近于0表示两随机变量不相关，若α大于0表示正相关，小于0表示负相关，α≠0；

(5)Gumbel-Copula函数对应的风光联合密度分布函数分布值：

式中，α为相关系数，且α≥1，当α＝1时表示两个随机变量相互独立；

步骤2-2-2、对步骤2-2-1获得的5个欧氏距离进行比较，将最小的欧氏距离对应的风光联合密度分布函数作为最优的风光联合密度分布函数。

4.根据权利要求1所述的考虑风光相关性的日前优化调度方法，其特征在于，步骤3所述对场景进行削减，具体是利用k-means聚类法对场景进行削减，该步骤具体为：

步骤3-1、由步骤2获得的最优风光联合分布函数中随机生成大量的风光联合出力场景，并对风光联合出力场景进行归一化处理；

步骤3-2、设定聚类中心个数的初始值为L，最大值为L_max；

步骤3-3、以L个聚类中心对所有的风光联合出力场景进行k-means聚类，并记录聚类完成后的总欧式距离值和聚类中心；

步骤3-4、若L<L_max，则将L的值增加1，之后执行步骤3-3；若L＝L_max，则比较所有的总欧式距离值，将最小的总欧式距离值对应的聚类中心个数、聚类中心作为最佳聚类中心个数和聚类中心，最佳聚类中心即为经典风光联合出力场景。

5.根据权利要求1所述的考虑风光相关性的日前优化调度方法，其特征在于，步骤4所述建立混合能源系统的多目标优化调度模型具体为：

步骤4-1、确定混合能源系统的多目标优化调度模型的目标函数；

步骤4-2、确定混合能源系统的多目标优化调度模型的约束条件。

6.根据权利要求5所述的考虑风光相关性的日前优化调度方法，其特征在于，步骤4-1所述确定混合能源系统的多目标优化调度模型的目标函数，具体为：

所述目标函数包括常规机组的燃料成本C_Ti(t)、风机组调节成本S_W、光伏机组调节成本S_P和弃风弃光的惩罚成本S_drop；目标函数的数学模型为：

式中，NT为总时段数，G为火电机组的台数；

其中，常规机组的燃料成本C_Ti(t)为：

C_Ti(t)＝a_iP_i ^T(t)²+b_iP_i ^T(t)+c_i

式中，P_i ^T(t)为i号火电机组在时段t的出力，a_i,b_i,c_i为常规机组的燃料成本系数；

其中，风机组调节成本S_W为：

S_W＝a_WdP^W(t)²+b_WdP^W(t)+c_W

式中，dP^W(t)为风电机组在时段t下的调节量，a_W，b_W，c_W为风机组的调节成本系数；

其中，光伏机组调节成本S_P为：

S_P＝a_PdP^P(t)²+b_PdP^P(t)+c_P

式中，dP^P(t)为光伏机组在时段t下的调节量，a_P，b_P，c_P为光伏机组的调节成本系数；

其中，弃风弃光惩罚S_drop为：

式中，

分别为时段t的弃风量和弃光量，ρ^W、ρ^P分别为弃风弃光的惩罚系数。

7.根据权利要求5或6所述的考虑风光相关性的日前优化调度方法，其特征在于，步骤4-2所述确定混合能源系统的多目标优化调度模型的约束条件，具体为：

所述约束条件包括功率平衡约束条件、常规机组出力约束条件、频率安全约束条件、常规机组爬坡约束条件、旋转备用约束条件；

(1)功率平衡约束条件为：

式中，P_D(t)为时段t的负荷总量，P^W(t)为时段t的风电出力，P^P(t)为时段t的光伏出力；

(2)常规机组出力约束条件为：

P_i,min≤P_i ^T(t)≤P_i,max

式中，P_i,min为i号火电机组的出力下限，P_i,max为i号火电机组的出力上限；

(3)频率安全约束条件为：

式中，△f_nadir为动态频率过程中的频率最低点，△f_UFLS为低频减载的边界值，R为常规机组调速器的爬坡值，△P_L为负荷的突变量，H为系统的惯性时间常数，△f_DB为调速器的频率死区；

(4)常规机组爬坡约束条件为：

r_i ^down≤P_i ^T(t)-P_i ^T(t-1)≤r_i ^up

式中，r_i ^down为i号火电机组的向下最大爬坡值；r_i ^up为i号火电机组的向上最大爬坡值；

(5)旋转备用约束条件为：

式中，

为i号火电机组的正旋转备用容量，

为i号火电机组的负旋转备用容量，η₁，η₂，η₃分别为风电、光伏和负荷的预测误差比率。

8.根据权利要求7所述的考虑风光相关性的日前优化调度方法，其特征在于，步骤5具体为：

步骤5-1、将配电网的负荷预测信息和步骤3获得的经典风光联合出力场景输入到所述混合能源系统的多目标优化调度模型中；

步骤5-2、随机对粒子种群进行初始化，并将种群代数gen初始化为1；

步骤5-3、依据所述的功率平衡约束条件、常规机组出力约束条件、频率安全约束条件、常规机组爬坡约束条件、旋转备用约束条件公式，对所述粒子种群的每个粒子中不满足约束的变量进行修正，使变量满足所有约束条件；

步骤5-4、根据所述目标函数公式求取每个粒子的目标函数值，目标函数值越小，粒子越优；

步骤5-5、根据步骤5-4获得的目标函数值对对应粒子的速度及位置进行更新，从而获得下一代即gen＝gen+1代粒子种群；

步骤5-6、设定种群最大代数为gen_max，判断gen是否达到种群最大代数gen_max，若达到，则将最优粒子的位置即日前最优调度方案输出，若未达到，则更新种群代数即将gen的值增加1，之后返回步骤5-3继续迭代计算。

Images