CN111082442B - 一种基于改进fpa的储能容量优化配置方法 - Google Patents

Abstract

本发明涉及一种基于改进FPA的储能容量优化配置方法，属于能源领域。本发明首先输入新能源及负荷相关数据。其次设立分布式微电源约束条件，在约束条件内生成初始储能容量配置及微电源出力组合。然后建立投资成本、火电深度调峰率及储能收益的容量配置目标函数，代入初始储能容量配置获取初始目标函数值。最后判断间隔代数NUM是否执行完毕，是则执行EO算法更新储能容量配置；否则执行优化的FPA算法更新储能容量配置。取得了更优的储能容量配置，验证了改进的FPA算法在储能容量优化配置问题中的适用性。

Description

一种基于改进FPA的储能容量优化配置方法

技术领域

本发明涉及一种基于改进FPA的储能容量优化配置方法，属于能源优化领域。

背景技术

随着新能源大幅并网，减少弃风光率成为首要任务，火电机组需频繁进入深度调峰的工作状态，但频繁、大幅度的调节会降低其使用寿命，从而导致火电厂调峰积极性降低。而储能技术因其具有较快的响应速度，能够优化电源结构、增加调峰容量，引入储能系统参与调峰服务，可减少并优化火电机组的频繁增减出力。储能装置造价比较昂贵，运行寿命也相对较短，因此在满足系统正常运行的基础上，合理规划储能系统的容量具有重要的现实意义。

发明内容

本发明要解决的技术问题是：提供了一种基于改进FPA算法的微网优化调度，研究解决了火电厂调峰压力、储能容量浪费及过高的储能成本的问题，提升了火电厂的调峰积极性及储能容量的利用率。

本发明采用的技术方案是：一种基于改进FPA的储能容量优化配置，包括如下步骤：

1)输入光强、温度、风速及负荷数据。

2)设立分布式微电源约束条件，在约束条件内生成初始储能容量配置及微电源出力组合。

3)然后建立投资成本、火电深度调峰率及储能收益的容量配置目标函数，代入初始储能容量配置获取初始目标函数值。

4)最后判断间隔代数NUM是否执行完毕，是则执行EO算法更新储能容量配置；否则执行优化的FPA算法更新储能容量配置。

具体地，所述步骤1)包括如下步骤：

step1.1：输入光照强度G＝{G₁,G₂,…G₂₄}，输入温度T_c＝{T_c1,T_c2,…T_c24}。

根据具体的光伏模型求得光伏出力：

式中：其中P_max为光伏电池板的最大功率，G为当前光照强度，G_max为最大光照强度，k为温度系数，T_c为实际温度，T_r为额定温度。

光伏出力值集合P_pv'＝{P_pv1,P_pv2,…P_pv24}

step1.2：输入风速V＝{V₁,V₂,…V₂₄}

根据具体的风电模型求得风电出力值：

式中：P_r为额定功率，V_r为额定风速，V_in为切入风速，V_out为切出风速。

风电出力值集合P_WT'＝{P_WT1,P_WT2,…P_WT24}

step1.3：输入负荷集合P_L'＝{P_L1,P_L2,…P_L24}，P_L为负荷值。

具体地，所述的步骤2)包括如下步骤：

Step2.1：设立功率平衡约束条件：

P_pv+P_WT+P_Thermal+P_ESS+P_Grid＝P_L

式中：P_pv为光伏出力值，P_WT为风电出力值，P_ESS为储能出力值，P_Thermal为火电机组出力值，P_Grid为大电网联络线功率值，P_L为负荷值

Step2.2：设立各微电源出力约束条件

火电机组出力的约束条件：

P_Thermalmin≤P_Thermal≤P_Thermalmax

式中：P_Thermalmin为火电机组最小出力值，P_Thermalmax为火电机组最大出力值。

储能出力的约束条件：

P_ESSmin≤P_ESS≤P_ESSmax

式中：P_ESSmin为储能最小出力值，P_ESSmax为燃气轮机最大出力值。

大电网联络线功率约束：

P_Gridmin≤P_Grid≤P_Gridmax

式中：P_Gridmin为联络线最小出力值，P_Gridmax为联络线最大出力值。

Step2.3：爬坡约束条件

火电机组的爬坡约束条件：

P_Thermal(t+1)-P_Thermal(t)≤R*Δt

式中：P_Thermal(t+1)为t+1时段火电机组出力值，P_Thermal(t)为t时段火电机组出力值，R代表爬坡速率，Δt为调度时段。

Step2.4：生成初始储能容量配置及微电源出力组合种群：

式中，

代表第g次第i个储能容量配置及微电源出力组合，P_ESS(t)代表t时段储能的出力值，P_Thermal(t)代表t时段火电机组的出力值，P_Grid(t)代表t时段大电网交互值，Q_ESS(t)代表t时段储能容量配置。

具体地，所述的步骤3)包括如下步骤：

Step3.1：投资成本：储能系统的投资成本包括蓄电池的容量装机成本及运维成本，超级电容的容量装机成本及运维成本,合理的容量配置应考虑最具经济性的容量配置计划，降低投资成本，其目标函数如下所示：

式中，c代表储能系统寿命折损系数，Q_ESS代表储能系统容量，C_{Q_price}代表单位容量装机成本，

代表储能系统t时段出力值，C_{P_price}代表储能系统单位功率装机成本。

火电机组深度调峰率：火电厂急剧增加的调峰的压力有损效益，合理的容量配置能够有效缓解深度调峰对火电机组寿命的影响，采用各调度时段经储能系统调节后的火电调峰变化量与深度调峰功率总量的比值来建立深度调峰缓解率的目标函数，如下所示：

式中，T代表总的调度时段数，

代表火电机组出力最大值，

代表t时段火电机组出力值，

代表储能系统t时段出力值，

代表火电机组投油调峰限值。

储能收益：深度调峰使得火电厂在减少新能源产业资源浪费的同时自身却没有得到相应的利益，难以调度其参与深度调峰的积极性，这里计及储能系统与大电网的交互所带来的收益作为对火电的调峰补偿，合理的容量配置能够平衡火电补偿与深度调峰的关系，其标函数如下所示：

式中，T_l&a代表低电价和平电价总时段数，

代表低电价和平电价时段储能系统出力值，

代表低电价和平定价时段净负荷值，

代表火电机组在低电价和平电价时段的出力值，

代表低电价和平电价时段分时电价，T_h代表高电价总时段数，

代表高电价时段净负荷值，

代表火电机组在高电价时段出力值，

代表高电价时段分时电价，

代表高电价时段储能系统出力值。

Step3.2：综合总目标函数：

f＝F₁+F₂+F₃

Step3.3：代入生成的初始储能容量配置及微电源出力组合，得到g次适应度函数初始群。

式中，

代表代入储能容量配置及微电源出力组合后的投资成本，

代表代入储能容量配置及微电源出力组合后的火电深度调峰率，

代表代入储能容量配置及微电源出力组合后的环境成本。

Step3.4：比较g次种群中所有适应度函数值，更新局部最优储能容量配置及微电源出力值组合。

式中，

代表g次种群中第i'个适应度函数值，

代表g次种群中第i个适应度函数值，

代表g次局部最优储能容量配置及微电源出力值组合，

代表g次种群中第i'个储能容量配置及微电源出力值组合。

具体地，所述的步骤4)包括如下步骤：

step4.1：若间隔代数NUM未执行完毕，则执行优化的FPA算法。

step4.2：按优化的全局搜索模型进行种群更新：

w(i)＝0.2+0.7*(0.5*(1-g/N_iter)+0.5*(1-(f(i)-f_min)/(f_avg-f_min)))

式中：w(i)为自适应惯性权重，g为当前迭代次数，N_iter为总迭代次数，f(i)为第i个储能容量配置及微电源出力组合对应的总目标函数值，f_avg为总目标函数值均值，f_min为总目标函数值最小值，

为g+1次迭代的储能容量配置及微电源出力值组合，L为莱维飞行机制，Γ(λ)为标准的gamma函数，λ经多次试验取1.5，

为当前g次迭代的储能容量配置及微电源出力组合，g^*为全局搜索过程中的最优目标函数值对应的储能容量配置及微电源出力值组合。

将g+1次更新的储能容量配置及微电源出力值组合种群代入目标函数，比较g+1次种群中所有适应度函数值，更新g+1次种群局部最优储能容量配置及微电源出力值组合。并与之前得到的局部最优函数值进行比较，更新全局最优储能容量配置及微电源出力值组合。

式中，

代表g+1次种群中第i'个适应度函数值，

代表g+1次种群中第i个适应度函数值，

代表g+1次种群中第i'个储能容量配置，

代表g+1次种群中第i个储能容量配置，

代表g+1次局部最优储能容量配置，X_global-best代表全局最优储能容量配置。

step4.3：更新NUM代数：

NUM＝NUM-1

式中，NUM代表间隔代数。

step4.4：若间隔代数NUM未执行完毕，则执行EO算法，更新全局最优微电源出力值。

由于算法后期种群多样性迅速丧失，造成算法易陷入局部最优，为改进FPA算法局部搜索的缺陷，本文将极值动力学算法引入到FPA算法中，增加了种群的多样性，有利于跳出局部最优，提高算法的寻优精度。当使用EO算法搜索的时候，就不再使用FPA算法进行搜索，EO搜索的间隔代数可以根据所选函数的复杂性来进行设定，在保持FPA快速收敛的前提下，还提高了FPA算法的精度。

a.对微电源出力值组合的每一个组元进行变异，并计算变异后的目标函数值。

b.对所有的目标函数值进行排序，找出最小目标函数值对应的变异组元，即为最差组元。

c.寻找当前微电源出力值组合的邻居，强制使最差组元发生改变。

d.无条件的接受当前微电源出力值组合转变为它的邻居。

e.计算当前目标函数值，如果当前目标函数值小于目前为止找到的目标函数最优值，则更新最优微电源出力值组合，如果大于目前为止找到的目标函数最优值，则保持原最优为电源出力值组合不变。

step4.5：NUM代数初始化：

NUM＝NUM_start

式中，NUM_start代表间隔代数初始值。

step4.6：输出全局最优储能容量配置，即为最优容量配置及调度计划：

X_global-best＝(P_ESSbest,P_Thermalbest,P_Gridbest,Q_ESSbest)

式中，P_ESSbest代表储能出力最优值，P_Thermalbest代表火电机组出力最优值，P_Gridbest代表大电网交互最优值，Q_ESSbest代表储能容量配置最优值。

本发明的有益效果是：提供了一种基于改进FPA储能容量优化配置的方法，能最大化的解决火电厂调峰压力、储能容量浪费及过高的储能成本等问题。将该算法广范应用于储能容量优化配置中，可以提升火电厂的调峰积极性，同时改进的FPA降低了由于收敛及精度问题所带来的不必要的储能成本及容量浪费，具有有较好的应用前景与价值。

附图说明

图1为本发明整体的原理示意图；

图2为基于改进FPA储能容量优化配置流程图；

图3为风光及负荷出力。

具体实施方式

下面结合附图和具体实施例，对本发明作进一步描述。

实施例1：如图1-3所示，一种基于改进FPA的储能容量优化配置方法，包括如下步骤：

1)输入光强、温度、风速及负荷相关数据。

2)设立分布式微电源约束条件，在约束条件内生成初始储能容量配置及微电源出力组合。

3)然后建立投资成本、火电深度调峰率及储能收益的容量配置目标函数，代入初始储能容量配置获取初始目标函数值。

4)最后判断间隔代数NUM是否执行完毕，是则执行EO算法更新储能容量配置；否则执行优化的FPA算法更新储能容量配置。

进一步的，所述步骤1)包括如下步骤：

step1.1：输入光照强度G＝{G₁,G₂,…G₂₄}，输入温度T_c＝{T_c1,T_c2,…T_c24}。

根据具体的光伏模型求得光伏出力值：

式中：其中P_max为光伏电池板的最大功率，G为当前光照强度，G_max为最大光照强度，k为温度系数，T_c为实际温度，T_r为额定温度。

光伏出力值集合P_pv'＝{P_pv1,P_pv2,…P_pv24}

step1.2：输入风速V＝{V₁,V₂,…V₂₄}

根据具体的风电模型求得风电出力值：

式中：P_r为额定功率，V_r为额定风速，V_in为切入风速，V_out为切出风速。

风电出力值集合P_WT'＝{P_WT1,P_WT2,…P_WT24}

step1.3：输入负荷集合P_L'＝{P_L1,P_L2,…P_L24}

进一步的，所述步骤2)中的分布式微电源出力约束条件包括：

Step2.1：设立功率平衡约束条件：

P_pv+P_WT+P_Thermal+P_ESS+P_Grid＝P_L

式中：P_pv为光伏出力值，P_WT为风电出力值，P_ESS为储能出力值，P_Thermal为火电机组出力值，P_Grid为大电网联络线功率值，P_L为负荷值。

Step2.2：设立各微电源出力约束条件

火电机组出力的约束条件：

P_Thermalmin≤P_Thermal≤P_Thermalmax

式中：P_Thermalmin为火电机组最小出力值，P_Thermalmax为火电机组最大出力值。

储能出力的约束条件：

P_ESSmin≤P_ESS≤P_ESSmax

式中：P_ESSmin为储能最小出力值，P_ESSmax为燃气轮机最大出力值。

大电网联络线功率约束：

P_Gridmin≤P_Grid≤P_Gridmax

式中：P_Gridmin为联络线最小出力值，P_Gridmax为联络线最大出力值。

Step2.3：爬坡约束条件

火电机组的爬坡约束条件：

P_Thermal(t+1)-P_Thermal(t)≤R*Δt

式中：P_Thermal(t+1)为t+1时段火电机组出力值，P_Thermal(t)为t时段火电机组出力值，R代表爬坡速率，Δt为调度时段。

Step2.4：生成初始储能容量配置及微电源出力组合种群：

式中，

代表第g次第i个储能容量配置及微电源出力组合，P_ESS(t)代表t时段储能的出力值，P_Thermal(t)代表t时段火电机组的出力值，P_Grid(t)代表t时段大电网交互值，Q_ESS(t)代表t时段储能容量配置。

进一步的，所述步骤3)包括如下步骤：

Step3.1：投资成本：

式中，c代表储能系统寿命折损系数，Q_ESS代表储能系统容量，C_{Q_price}代表单位容量装机成本，

代表储能系统t时段出力值，C_{P_price}代表储能系统单位功率装机成本。

深度调峰率：

式中，T代表总的调度时段数，

代表火电机组出力最大值，

代表t时段火电机组出力值，

代表储能系统t时段出力值，

代表火电机组投油调峰限值。

储能收益：

式中，T_l&a代表低电价和平电价总时段数，

代表低电价和平电价时段储能系统出力值，

代表低电价和平定价时段净负荷值，

代表火电机组在低电价和平电价时段的出力值，

代表低电价和平电价时段分时电价，T_h代表高电价总时段数，

代表高电价时段净负荷值，

代表火电机组在高电价时段出力值，

代表高电价时段分时电价，

代表高电价时段储能系统出力值。

Step3.2：综合总目标函数：

f＝F₁+F₂+F₃

Step3.3：代入生成的初始储能容量配置及微电源出力组合，得到g次适应度函数初始群。

式中，

代表代入储能容量配置及微电源出力组合后的投资成本，

代表代入储能容量配置及微电源出力组合后的火电深度调峰率，

代表代入储能容量配置及微电源出力组合后的环境成本。

Step3.4：比较g次种群中所有适应度函数值，更新局部最优储能容量配置及微电源出力值组合。

式中，

代表g次种群中第i'个适应度函数值，

代表g次种群中第i个适应度函数值，

代表g次局部最优储能容量配置及微电源出力值组合，

代表g次种群中第i'个储能容量配置及微电源出力值组合。

进一步的，所述步骤4)中的步骤具体如下：

step4.1：若间隔代数NUM未执行完毕，则执行优化的FPA算法。

step4.2：按优化的全局搜索模型进行种群更新：

w(i)＝0.2+0.7*(0.5*(1-g/N_iter)+0.5*(1-(f(i)-f_min)/(f_avg-f_min)))

式中：w(i)为自适应惯性权重，g为当前迭代次数，N_iter为总迭代次数，f(i)为第i个储能容量配置及微电源出力组合对应的总目标函数值，f_avg为总目标函数值均值，f_min为总目标函数值最小值，

为g+1次迭代的储能容量配置及微电源出力值组合，L为莱维飞行机制，Γ(λ)为标准的gamma函数，λ经多次试验取1.5，

为当前g次迭代的储能容量配置及微电源出力组合，g^*为全局搜索过程中的最优目标函数值对应的储能容量配置及微电源出力值组合。

将g+1次更新的储能容量配置及微电源出力值组合种群代入目标函数，比较g+1次种群中所有适应度函数值，更新g+1次种群局部最优储能容量配置及微电源出力值组合。并与之前得到的局部最优函数值进行比较，更新全局最优储能容量配置及微电源出力值组合。

式中，

代表g+1次种群中第i'个适应度函数值，

代表g+1次种群中第i个适应度函数值，

代表g+1次种群中第i'个储能容量配置，

代表g+1次种群中第i个储能容量配置，

代表g+1次局部最优储能容量配置，X_global-best代表全局最优储能容量配置。

step4.3：更新NUM代数：

NUM＝NUM-1

式中，NUM代表间隔代数。

step4.4：若间隔代数NUM未执行完毕，则执行EO算法，更新全局最优微电源出力值。

step4.5：NUM代数初始化：

NUM＝NUM_start

式中，NUM_start代表间隔代数初始值。

step4.6：输出全局最优储能容量配置，即为最优容量配置及调度计划：

X_global-best＝(P_ESSbest,P_Thermalbest,P_Gridbest,Q_ESSbest)

式中，P_ESSbest代表储能出力最优值，P_Thermalbest代表火电机组出力最优值，P_Gridbest代表大电网交互最优值，Q_ESSbest代表储能容量配置最优值。

案例：

为了进一步说明本发明方法的应用性和适用性，通过Matlab对建立的微电网系统进行仿真分析。

输入光照强度及温度，如下表1和表2所示：

表1光照强度

表2温度

输入风速，如下表3所示：

表3风速

得到风光出力及负荷出力如图3所示，调度时段选择一个小时，我们可以看出在0-6时，光伏发电为0，从7时开始发电功率逐渐上升，并且在12时达到功率最大值，最后在13-18时呈逐渐递减的趋势，从19-24时，发电功率为0。风能发电波动较大，在7-9时及13-18时，功率输出较大，其他时间段发电情况一般，居民用电的高峰期集中在17-18时以及21-22时。

其中各微电源的出力范围如表1所示：

表4微电源相关参数

储能系统相关参数如下表5所示：

表5储能系统相关参数

基于改进FPA储能系统容量优化配置结果如表3所示，为进一步验证新FPA-EO算法的优势，对目标函数分别以三种算法各运行20次，取平均值，得到储能系统最优容量配置对比：

表3储能系统容量优化配置结果

本发明针对储能系统参与调峰成本高，寿命消耗大等问题，提出了一种基于改进FPA的储能系统容量优化配置方法。建立了以投资成本、调峰深度及储能收益的容量配置多目标函数，使得储能系统优化后的容量配置最大限度的兼顾了经济性及火电厂的调峰积极性。在FPA前期加入同时随迭代的次数以及适应度值变化而调整的自适应惯性权重，不仅规范了进化的方向性，还增强了全局搜索能力，在迭代的过程中又通过强制改变最差的组元，增加了种群的多样性，利于跳出局部最优，提高了寻优的精度，同时，又没有因此增加FPA的复杂性。

以上结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (1)

1.一种基于改进FPA的储能容量优化配置方法，其特征在于：包括如下步骤：

1)输入光强、温度、风速及负荷数据；

2)设立分布式微电源约束条件，在约束条件内生成初始储能容量配置及微电源出力组合；

3)然后建立投资成本、火电深度调峰率及储能收益的容量配置目标函数，代入初始储能容量配置获取初始目标函数值；

4)最后判断间隔代数NUM是否执行完毕，是则执行EO算法更新储能容量配置；否则执行优化的FPA算法更新储能容量配置；

所述步骤1)包括如下步骤：

step1.1：输入光照强度G＝{G₁,G₂,…G₂₄}，输入温度T_c＝{T_c1,T_c2,…T_c24}；

根据具体的光伏模型求得光伏出力值：

式中：其中P_max为光伏电池板的最大功率，G为当前光照强度，G_max为最大光照强度，k为温度系数，T_c为实际温度，T_r为额定温度；

光伏出力值集合P_pv'＝{P_pv1,P_pv2,…P_pv24}

step1.2：输入风速V＝{V₁,V₂,…V₂₄}

根据具体的风电模型求得风电出力值：

式中：P_r为额定功率，V_r为额定风速，V_in为切入风速，V_out为切出风速；

风电出力值集合P_WT'＝{P_WT1,P_WT2,…P_WT24}

step1.3：输入负荷集合P_L'＝{P_L1,P_L2,…P_L24}，P_L为负荷值；

所述的步骤2)中的分布式微电源出力约束条件包括：

Step2.1：设立功率平衡约束条件：

P_pv+P_WT+P_Thermal+P_ESS+P_Grid＝P_L

式中：P_pv为光伏出力值，P_WT为风电出力值，P_ESS为储能出力值，P_Thermal为火电机组出力值，P_Grid为大电网联络线功率值，P_L为负荷值；

Step2.2：设立各微电源出力约束条件

火电机组出力的约束条件：

P_Thermalmin≤P_Thermal≤P_Thermalmax

式中：P_Thermalmin为火电机组最小出力值，P_Thermalmax为火电机组最大出力值；

储能出力的约束条件：

P_ESSmin≤P_ESS≤P_ESSmax

式中：P_ESSmin为储能最小出力值，P_ESSmax为燃气轮机最大出力值；

大电网联络线功率约束：

P_Gridmin≤P_Grid≤P_Gridmax

式中：P_Gridmin为联络线最小出力值，P_Gridmax为联络线最大出力值；

Step2.3：爬坡约束条件

火电机组的爬坡约束条件：

P_Thermal(t+1)-P_Thermal(t)≤R*Δt

式中：P_Thermal(t+1)为t+1时段火电机组出力值，P_Thermal(t)为t时段火电机组出力值，R代表爬坡速率，Δt为调度时段；

Step2.4：生成初始储能容量配置及微电源出力组合种群：

式中，

代表第g次第i个储能容量配置及微电源出力组合，P_ESS(t)代表t时段储能的出力值，P_Thermal(t)代表t时段火电机组的出力值，P_Grid(t)代表t时段大电网交互值，Q_ESS(t)代表t时段储能容量配置；

所述的步骤3)包括如下步骤：

Step3.1：投资成本：

式中，c代表储能系统寿命折损系数，Q_ESS代表储能系统容量，C_{Q_price}代表单位容量装机成本，

代表储能系统t时段出力值，C_{P_price}代表储能系统单位功率装机成本；

深度调峰率：

式中，T代表总的调度时段数，

代表火电机组出力最大值，

代表t时段火电机组出力值，

代表储能系统t时段出力值，

代表火电机组投油调峰限值；

储能收益：

式中，T_l&a代表低电价和平电价总时段数，

代表低电价和平电价时段储能系统出力值，

代表低电价和平定价时段净负荷值，

代表火电机组在低电价和平电价时段的出力值，

代表低电价和平电价时段分时电价，T_h代表高电价总时段数，

代表高电价时段净负荷值，

代表火电机组在高电价时段出力值，

代表高电价时段分时电价，

代表高电价时段储能系统出力值；

Step3.2：综合总目标函数：

f＝F₁+F₂+F₃

Step3.3：代入生成的初始储能容量配置及微电源出力组合，得到g次适应度函数初始群；

式中，

代表代入储能容量配置及微电源出力组合后的投资成本，

代表代入储能容量配置及微电源出力组合后的火电深度调峰率，

代表代入储能容量配置及微电源出力组合后的环境成本；

Step3.4：比较g次种群中所有适应度函数值，更新局部最优储能容量配置及微电源出力值组合；

式中，

代表g次种群中第i'个适应度函数值，

代表g次种群中第i个适应度函数值，

代表g次局部最优储能容量配置及微电源出力值组合，

代表g次种群中第i'个储能容量配置及微电源出力值组合；

所述的步骤4)中的步骤具体如下：

step4.1：若间隔代数NUM未执行完毕，则执行优化的FPA算法；

step4.2：按优化的全局搜索模型进行种群更新：

w(i)＝0.2+0.7*(0.5*(1-g/N_iter)+0.5*(1-(f(i)-f_min)/(f_avg-f_min)))

式中：w(i)为自适应惯性权重，g为当前迭代次数，N_iter为总迭代次数，f(i)为第i个储能容量配置及微电源出力组合对应的总目标函数值，f_avg为总目标函数值均值，f_min为总目标函数值最小值，

为g+1次迭代的储能容量配置及微电源出力值组合，L为莱维飞行机制，Γ(λ)为标准的gamma函数，λ经多次试验取1.5，

为当前g次迭代的储能容量配置及微电源出力组合，g^*为全局搜索过程中的最优目标函数值对应的储能容量配置及微电源出力值组合；

将g+1次更新的储能容量配置及微电源出力值组合种群代入目标函数，比较g+1次种群中所有适应度函数值，更新g+1次种群局部最优储能容量配置及微电源出力值组合，并与之前得到的局部最优函数值进行比较，更新全局最优储能容量配置及微电源出力值组合；

式中，

代表g+1次种群中第i'个适应度函数值，

代表g+1次种群中第i个适应度函数值，

代表g+1次种群中第i'个储能容量配置，

代表g+1次种群中第i个储能容量配置，

代表g+1次局部最优储能容量配置，X_global-best代表全局最优储能容量配置；

step4.3：更新NUM代数：

NUM＝NUM-1

式中，NUM代表间隔代数；

step4.4：若间隔代数NUM未执行完毕，则执行EO算法，更新全局最优微电源出力值；

step4.5：NUM代数初始化：

NUM＝NUM_start

式中，NUM_start代表间隔代数初始值；

step4.6：输出全局最优储能容量配置，即为最优容量配置及调度计划：

X_global-best＝(P_ESSbest,P_Thermalbest,P_Gridbest,Q_ESSbest)

式中，P_ESSbest代表储能出力最优值，P_Thermalbest代表火电机组出力最优值，P_Gridbest代表大电网交互最优值，Q_ESSbest代表储能容量配置最优值。

Images