CN115021327A - 基于虚拟储能的互联微电网系统的协同日前优化调度方法 - Google Patents

Abstract

本发明公开了一种基于虚拟储能的互联微电网系统的协同日前优化调度方法，其步骤包括：1对于风电功率波动预测的概率分布特性，建立微电网的灵活性需求分析模型；2对于微电网内灵活性资源的供给进行分析，建立微电网的灵活性供给模型；3基于互联微电网内剩余可调度灵活性资源，将微网个体的需求和供给等效为虚拟储能充放电状态，建立微电网的虚拟储能模型，以协调互联微电网的优化调度；4采用分散协调调度优化模型求解。本发明通过互联微电网的虚拟储能模型对微电网内部的可调度资源的进行分析，再通过调度策略平衡互联微电网，从而能提高互联微电网整体的可靠性和供电质量。

Description

基于虚拟储能的互联微电网系统的协同日前优化调度方法

技术领域

本发明针对互联微电网调度运行领域，具体涉及提出一种基于虚拟储能的互联微电网系统的协同日前优化调度方法，用于提高微电网运行的可靠性。

背景技术

尽管微电网能够在一定程度上解决分布式电源出力接入控制、平抑功率波动以及优化运行等问题，但随着可再生能源渗透率逐渐升高，即使采用互联微电网集成接入方案，要完全消纳并充分利用大规模可再生能源也依然存在障碍。因此，如何通过互联微电网系统协调调度实现微电网间资源互补，提升微电网灵活性、系统消纳可再生能源水平与系统整体运行可靠性成为当前研究热点。

现在关于多微电网的调度研究，主要集中在微电网与主网间协调运行，微电网间通过联络线联结进行集中式或分散式协调调度，但是由于对于微电网中的灵活的可调度资源研究利用并不充分，且对于互联微电网系统内资源调度能力刻画较少，难以提高可调度资源利用的积极性，所以通过联络线实现交互优化时，系统的灵活性资源调度利用率不高。

发明内容

本发明为了解决上述现有技术存在的不足之处，提出一种基于虚拟储能的互联微电网系统的协同日前优化调度方法，以期能实现互联微电网系统的优化调度，从而能提高系统运行的灵活性和可靠性。

为了达到上述目的，本发明所采用的技术方案为：

本发明一种基于虚拟储能的互联微电网系统的协同日前优化调度方法的特点在于，是按如下步骤进行：

步骤1、基于风电功率波动预测的概率特性，对微电网的灵活性需求进行分析，建立灵活性需求的概率模型；

步骤1.1、利用式(1)计算t时段单个微电网的净负荷

式(1)中，

为t时段单个微电网的负荷预测值，

为t时段单个微电网的风电功率预测值；

利用式(2)计算t时段单个微电网的灵活性需求F_t；

式(2)中，

为t+1时段单个微电网的净负荷；

利用式(3)计算单个微电网的净负荷波动量预测ε_z：

ε_z＝ε_load-ε_wind (3)

式(3)中，ε_load和ε_wind分别为单个微电网的负荷波动的预测和单个微电网的风电功率波动的预测；

步骤1.2、对历史的负荷实际数据、负荷预测数据以及历史的风电实际数据、风电预测数据进行分析，得到服从于正态分布的风电功率波动预测的概率特性；

步骤1.3、基于概率特性，利用式(4)得到单个微电网的t时段灵活性需求的概率模型f(F_t)：

f(F_t)＝N(F_t；μ+△P_load,σ) (4)

式(4)中，μ和σ分别风电功率波动预测的正态分布的概率密度函数N(·)的均值和标准差；△P_load为负荷预测波动量；

步骤2、对于单个微电网内的灵活性资源供给进行分析，建立单个微电网的灵活性供给模型；

步骤2.1、利用式(5)和式(6)分别计算t时段单个微电网的总上调灵活性

和总下调灵活性

式(5)和式(6)中，

和

分别为微电网内第i个火电机组的向上、向下爬坡能力；P_g,i,t、P_g,i,max和P_g,i,min分别为第i个火电机组的出力及其上、下限；△T为调度时间间隔；

步骤2.2、利用式(7)和式(8)得到单个微电网的t时段切负荷风险

和弃风风险

式(7)和式(8)中，F_t,max为t时段单个微电网的灵活性需求最大值；f_Ft(·)为F_t的概率密度函数；x为单个微电网t时段的不确定性的灵活性需求取值；

步骤3、基于互联微电网系统内剩余可调度灵活性资源，将互联微电网系统中的每个微电网的需求和供给等效为虚拟储能的充放电状态，从而建立每个微电网的虚拟储能模型，以协调互联微电网系统的优化调度；

步骤3.1、根据单个微电网虚拟储能的原理建立虚拟储能的充、放电特性模型；

利用式(9)构建单个微电网的放电特性模型Q_d：

式(9)中，N_g为单个微电网内火电机组的数量；

利用式(10)构建充单个微电网的电特性模型Q_c：

步骤4、采用分散协调调度方法求解由上级模型和下级模型构成的协同日前优化调度模型；

步骤4.1、利用式(11)构建下级模型的目标函数，并由式(12)至式(22)构建下级模型的约束条件：

SOC^min≤SOC_t≤SOC^max (16)

式(11)中，δ^up为单个微电网的切负荷风险的惩罚系数；δ^down为单个微电网的弃风风险的惩罚系数；Ω_s为第s个微电网的联络线总节点数；

和

为微电网s协调优化算法的乘子系数；T为调度周期；

为上级中央控制器下发给第s个微电网的联络线参考功率；

为下级的第s个微电网的联络线功率；

式(12)为功率平衡约束，P_load,t为单个微电网的t时刻负荷功率；P_wp,t为单个微电网的t时刻弃风功率；P_wind,t为单个微电网的t时刻风电功率；P_ql,t为单个微电网的t时刻切负荷功率；

和

分别为单个微电网的储能t时刻充电和放电功率；P_buy,t为t时刻从与独立微电网联结的大电网购电功率；

式(13)至式(15)为储能充放电约束，

以及

分别为单个微电网的t时刻储能充电功率的上、下限以及储能放电功率的上、下限；

和

分别为单个微电网的t时刻的充电放电状态；

式(16)至式(17)为荷电状态约束，SOC^max和SOC^min分别为单个微电网的最大和最小的荷电状态；SOC_t为单个微电网t时刻的储能荷电状态；η_c、η_d分别为单个微电网的储能充放电效率；

式(18)至式(19)为火电机组爬坡约束；

式(20)至式(21)为调度上下限约束，

式(22)为联络线约束；

步骤4.2、利用式(23)构建上级模型的目标函数，并由式(24)构建上级模型的约束条件：

式(23)中，h为单个微电网的总数；

为待优化的上级中央控制器下发给第s个微电网的联络线参考功率；

和

为下级第s个和第s1个微电网上报的联络线功率；

式(24)为一致性约束；

由式(9)和式(10)、式(11)-式(24)共同构成基于虚拟储能的互联微电网系统的协同日前优化调度方法模型；

步骤4.3、定义并初始化迭代次数τ＝1，上级的中央控制器初始化第τ次迭代时下发的联络线参考功率、第τ次迭代时下级微电网的联络线功率、第τ次迭代的协调优化的乘子系数以及收敛判据ε₁、ε₂，并一起下发给对应的下级模型；

步骤4.4、各个微电网内下级调度中心独立求解自身的第τ次迭代时的下级模型，得到各自微电网内部的第τ次迭代的运行调度方案和第τ次迭代优化后的联络线功率，并将第τ次迭代优化后的联络线功率上报给上级的中央控制器；

步骤4.5、上级的中央控制器接收到各个下级的微电网上报的第τ次迭代优化后的联络线功率后，以实现联络线功率偏差之和最小化为目标，求解第τ次迭代时的上级模型，并更新第τ次迭代的联络线参考功率后再次下发给每个下级的微电网；

步骤4.6、根据式(25)和式(26)判断是否满足迭代条件，若满足，则停止优化，并输出各自微电网内部的第τ次迭代运行调度方案并作为最优方案，否则，继续步骤4.7；

步骤4.7、将τ+1赋值给τ后，利用式(27)得到第τ次迭代的算法乘子系数，并返回步骤4.4；

式(27)中，γ为常数。

与已有技术相比，本发明的有益效果体现在：

1、本发明考虑到灵活性需求的概率分布特性与灵活性资源供给特性，可以对于灵活性资源供给与灵活性间的不平衡提出系统的运行风险，然后刻画微电网虚拟储能参与调度优化过程对运行风险的削减作用，从而提高了互联微电网系统运行的安全可靠性。

2、本发明提出的互联微电网虚拟储能模型深度挖掘了互联微电网内可调度资源，互联微电网的虚拟储能实现对微网内不确定事件的部分应对能力，提高了互联微电网的灵活性资源的利用率，并通过其调节子微电网的能源供需不平衡问题，大大提高了系统灵活性调节能力。

3、本发明提出的通过互联微电网虚拟储能参与运行调度优化过程，调度优化中，通过让互联微电网的虚拟储能单元与本微电网的常规机组协调参与运行调度的优化过程，即通过双边调度资源的协调，从而减小互联系统的弃风风险，失负荷风险，提高了互联系统的可靠性并在此基础上优化出调度方案。

附图说明

图1为本发明中基于虚拟储能的互联微电网协同日前优化调度方法流程示意图；

图2为本发明中基于灵活性需求概率分布特性的运行风险分析图；

图3为本发明中微网A和微网B的向上灵活性容量示意图；

图4为本发明中微网A和微网B的向下灵活性容量示意图；

图5为本发明中微网A作为虚拟储能时充放电功率示意图；

图6为本发明中微网B作为虚拟储能时充放电功率示意图。

具体实施方式

本实施例中，以A、B两微网组成的区域多微网互联系统为例验证一种基于虚拟储能的互联微电网的协同日前优化调度方法，每个微网配置火电机组、储能可进行实时调度，微网A火电机组容量为200kW，储能装置容量为150kWh，风机容量为1MW，负荷容量为2.5MW；微网B火电机组容量为300kW，储能装置容量为200kWh，风机容量为1.5MW，负荷容量为2.5MW；储能充放电效率均为0.95，SOC初始值和最终值为0.5。首先对于风电功率波动预测的概率分布特性，建立微电网的灵活性需求分析模型；然后对于微电网内灵活性资源的供给进行分析，建立微电网的灵活性供给模型；其次基于互联微电网内剩余可调度灵活性资源，将微网个体的需求和供给等效为虚拟储能充放电状态，建立微电网的虚拟储能模型，以协调互联微电网的优化调度；最后采用分散协调调度优化模型求解。具体的说，如图1所示，该协同日前优化调度方法是按如下步骤进行：

步骤1、基于风电功率波动预测的概率特性，对微电网的灵活性需求进行分析，建立灵活性需求的概率模型；

步骤1.1、利用式(1)计算t时段单个微电网的净负荷

式(1)中，

为t时段单个微电网的负荷预测值，

为t时段单个微电网的风电预测值；

灵活性需求主要是满足负荷、风电功率波动的随机波动性，定义系统净负荷是指负荷需求与风力发电功率之差。利用式(2)计算t时段单个微电网的灵活性需求F_t；

式(2)中，

为t+1时段单个微电网的净负荷；

利用式(3)计算单个微电网的净负荷波动量预测ε_z：

ε_z＝ε_load-ε_wind (30)

式(3)中，ε_load和ε_wind分别为单个微电网的负荷波动的预测和单个微电网的风电功率波动的预测；

步骤1.2、对历史的负荷实际数据、负荷预测数据以及历史的风电实际数据、风电预测数据进行分析，得到服从于正态分布的风电功率波动预测的概率特性，当前，负荷预测的准确率很高，不考虑负荷波动预测的不确定性；

步骤1.3、基于概率特性，利用式(4)得到单个微电网的t时段灵活性需求的概率模型f(F_t)：

f(F_t)＝N(F_t；μ+△P_load,σ) (31)

式(4)中，μ和σ分别风电功率波动预测的正态分布的概率密度函数N(·)的均值和标准差；△P_load为负荷预测波动量；

步骤2、对于单个微电网内的灵活性资源供给进行分析，建立单个微电网的灵活性供给模型；

步骤2.1、利用式(5)和式(6)分别计算t时段单个微电网的总上调灵活性

和总下调灵活性

式(5)和式(6)中，

和

分别为微电网内第i个火电机组的向上、向下爬坡能力；P_g,i,t、P_g,i,max和P_g,i,min分别为第i个火电机组的出力及其上、下限；△T为调度时间间隔；

步骤2.2、根据互联微电网的子微电网的灵活性需求的不确定性与供给分析，本实施例中得到子微电网的弃风与失负荷风险如图2所示，利用式(7)和式(8)得到单个微电网的t时段切负荷风险

和弃风风险

式(7)和式(8)中，F_t,max为t时段单个微电网的灵活性需求最大值；

为F_t的概率密度函数；x为单个微电网t时段的不确定性的灵活性需求取值；

步骤3、基于互联微电网系统内剩余可调度灵活性资源，将互联微电网系统中的每个微电网的需求和供给等效为虚拟储能的充放电状态，从而建立每个微电网的虚拟储能模型，以协调互联微电网系统的优化调度；

步骤3.1、根据单个微电网虚拟储能的原理建立虚拟储能的充、放电特性模型；

多互联微电网情形，n个微电网互联系统，子微电网内部的发电单元是火电机组和风力发电联合系统，因为风电出力的不确定性，预测出力总不等于实际出力，两者之间存在预测误差，需要微电网内部的灵活性资源和通过联络线连接的另外微电网的联合调节不确定性部分，另外的微电网可对外提供的具有可充电，可放电特性的调节部分，称微电网的虚拟储能。

利用式(9)构建单个微电网的放电特性模型Q_d：

式(9)中，N_g为单个微电网内火电机组的数量；

利用式(10)构建充单个微电网的电特性模型Q_c：

步骤4、采用分散协调调度方法求解由上级模型和下级模型构成的协同日前优化调度模型；

步骤4.1、利用式(11)构建下级模型的目标函数，并由式(12)至式(22)构建下级模型的约束条件：

SOC^min≤SOC_t≤SOC^max (43)

式(11)中，δ^up为单个微电网的切负荷风险的惩罚系数，本实施例中其数值为5；δ^down为单个微电网的弃风风险的惩罚系数，本实施例中其数值为5；Ω_s为第s个微电网的联络线总节点数；

和

为微电网s协调优化算法的乘子系数；T为调度周期；

为上级中央控制器下发给第s个微电网的联络线参考功率；

为下级的第s个微电网的联络线功率；

式(12)为功率平衡约束，P_load,t为单个微电网的t时刻负荷功率；P_wp,t为单个微电网的t时刻弃风功率；P_wind,t为单个微电网的t时刻风电功率；P_ql,t为单个微电网的t时刻切负荷功率；

和

分别为单个微电网的储能t时刻充电和放电功率；P_buy,t为t时刻从与独立微电网联结的大电网购电功率；

式(13)至式(15)为储能充放电约束，

以及

分别为单个微电网的t时刻储能充电功率的上、下限以及储能放电功率的上、下限；

和

分别为单个微电网的t时刻的充电放电状态；

式(16)至式(17)为荷电状态约束，SOC^max和SOC^min分别为单个微电网的最大和最小的荷电状态；SOC_t为单个微电网t时刻的储能荷电状态；η_c、η_d分别为单个微电网的储能充放电效率；

式(18)至式(19)为火电机组爬坡约束；

式(20)至式(21)为调度上下限约束，

式(22)为联络线约束；

步骤4.2、利用式(23)构建上级模型的目标函数，并由式(24)构建上级模型的约束条件：

式(23)中，h为单个微电网的总数；

为待优化的上级中央控制器下发给第s个微电网的联络线参考功率；

和

为下级第s个和第s1个微电网上报的联络线功率，表示互联微电网系统间联络线功率绝对值相当；

式(24)为一致性约束；

由式(9)和式(10)、式(11)-式(24)共同构成基于虚拟储能的互联微电网系统的协同日前优化调度方法模型；

步骤4.3、定义并初始化迭代次数τ＝1，上级的中央控制器初始化第τ次迭代时下发的联络线参考功率、第τ次迭代时下级微电网的联络线功率、第τ次迭代的协调优化的乘子系数以及收敛判据ε₁、ε₂，并一起下发给对应的下级模型，本实施例中，算法迭代参数初值α_n＝β_n＝0.1，ε₁＝1，ε₂＝0.01。

步骤4.4、各个微电网内下级调度中心独立求解自身的第τ次迭代时的下级模型，得到各自微电网内部的第τ次迭代的运行调度方案和第τ次迭代优化后的联络线功率，并将第τ次迭代优化后的联络线功率上报给上级的中央控制器；

步骤4.5、上级的中央控制器接收到各个下级的微电网上报的第τ次迭代优化后的联络线功率后，以实现联络线功率偏差之和最小化为目标，求解第τ次迭代时的上级模型，并更新第τ次迭代的联络线参考功率后再次下发给每个下级的微电网；

步骤4.6、根据式(25)和式(26)判断是否满足迭代条件，若满足，则停止优化，并输出各自微电网内部的第τ次迭代运行调度方案并作为最优方案，否则，继续步骤4.7；

步骤4.7、将τ+1赋值给τ后，利用式(27)得到第τ次迭代的算法乘子系数，并返回步骤4.4；

式(27)中，γ为常数。

步骤4.8、本实施例中设置分散独立优化方法作为对照组，最终通过分散独立优化方法求解得到的互联系统弃风风险为1970.7kW，失负荷风险为4366.6kW；而本发明提出的优化调度方法求解得到的互联系统弃风风险为1727kW，失负荷风险为3368kW。证明了所提出方法可以有效降低系统的弃风和失负荷风险，提高电力系统灵活性和可靠性。

步骤4.9、图3和图4为微网A和微网B的向上灵活性容量和向下灵活性容量示意图，微网A在6-12时的向上灵活性调节容量不足，无法满足大规模新能源并网带来的净负荷波动需求，需要系统切负荷来满足供给平衡，但与微网B互联后，其多余的向上调节容量可以通过联络线共享给微网A，且微网B的新能源出力有剩余，可以通过联络线的传输，将光伏出力供给给微网A，适当减小各自微网和互联微网的切负荷风险。而微网A在12-17时的向下灵活性调节容量降低，无法满足新能源预测误差带来的向下调节需求，需要系统弃风来满足供需平衡，虽然与微网B互联后，未增加灵活性向上调节容量，但微网A的新能源出力剩余，可以通过联络线的传输，将光伏出力供给给微网B，适当减小微网A和互联微网的弃风风险。所以更大的互联系统作为各自的虚拟共享储能可以减小各自的弃风与切负荷风险。

图5和图6分别为微网A和微网B作为虚拟储能时的充放电功率示意图。黑色柱状图表示虚拟储能放电功率，空白柱状图表示微网B的需要充电功率。在t＝5和22时，虚拟储能A向微网B放电，减小微网B的失负荷风险；同理如图6所示，在t＝14时，虚拟储能B向微网A放电，减小微网A的失负荷风险，由此可验证，互为虚拟储能的A和B能减小系统的失负荷风险，提高互联系统的可靠运行。

Claims (1)

1.一种基于虚拟储能的互联微电网系统的协同日前优化调度方法，其特征在于，是按如下步骤进行：

步骤1、基于风电功率波动预测的概率特性，对微电网的灵活性需求进行分析，建立灵活性需求的概率模型；

步骤1.1、利用式(1)计算t时段单个微电网的净负荷

式(1)中，

为t时段单个微电网的负荷预测值，

为t时段单个微电网的风电功率预测值；

利用式(2)计算t时段单个微电网的灵活性需求F_t；

式(2)中，

为t+1时段单个微电网的净负荷；

利用式(3)计算单个微电网的净负荷波动量预测ε_z：

ε_z＝ε_load-ε_wind (3)

式(3)中，ε_load和ε_wind分别为单个微电网的负荷波动的预测和单个微电网的风电功率波动的预测；

步骤1.2、对历史的负荷实际数据、负荷预测数据以及历史的风电实际数据、风电预测数据进行分析，得到服从于正态分布的风电功率波动预测的概率特性；

步骤1.3、基于概率特性，利用式(4)得到单个微电网的t时段灵活性需求的概率模型f(F_t)：

f(F_t)＝N(F_t；μ+△P_load,σ) (4)

式(4)中，μ和σ分别风电功率波动预测的正态分布的概率密度函数N(·)的均值和标准差；△P_load为负荷预测波动量；

步骤2、对于单个微电网内的灵活性资源供给进行分析，建立单个微电网的灵活性供给模型；

步骤2.1、利用式(5)和式(6)分别计算t时段单个微电网的总上调灵活性F_t ^up和总下调灵活性F_t ^down：

式(5)和式(6)中，

和

分别为微电网内第i个火电机组的向上、向下爬坡能力；P_g,i,t、P_g,i,max和P_g,i,min分别为第i个火电机组的出力及其上、下限；△T为调度时间间隔；

步骤2.2、利用式(7)和式(8)得到单个微电网的t时段切负荷风险

和弃风风险

式(7)和式(8)中，F_t,max为t时段单个微电网的灵活性需求最大值；

为F_t的概率密度函数；x为单个微电网t时段的不确定性的灵活性需求取值；

步骤3、基于互联微电网系统内剩余可调度灵活性资源，将互联微电网系统中的每个微电网的需求和供给等效为虚拟储能的充放电状态，从而建立每个微电网的虚拟储能模型，以协调互联微电网系统的优化调度；

步骤3.1、根据单个微电网虚拟储能的原理建立虚拟储能的充、放电特性模型；

利用式(9)构建单个微电网的放电特性模型Q_d：

式(9)中，N_g为单个微电网内火电机组的数量；

利用式(10)构建充单个微电网的电特性模型Q_c：

步骤4、采用分散协调调度方法求解由上级模型和下级模型构成的协同日前优化调度模型；

步骤4.1、利用式(11)构建下级模型的目标函数，并由式(12)至式(22)构建下级模型的约束条件：

SOC^min≤SOC_t≤SOC^max (16)

式(11)中，δ^up为单个微电网的切负荷风险的惩罚系数；δ^down为单个微电网的弃风风险的惩罚系数；Ω_s为第s个微电网的联络线总节点数；

和

为微电网s协调优化算法的乘子系数；T为调度周期；

为上级中央控制器下发给第s个微电网的联络线参考功率；

为下级的第s个微电网的联络线功率；

式(12)为功率平衡约束，P_load,t为单个微电网的t时刻负荷功率；P_wp,t为单个微电网的t时刻弃风功率；P_wind,t为单个微电网的t时刻风电功率；P_ql,t为单个微电网的t时刻切负荷功率；Pess c,t和Pess d,t分别为单个微电网的储能t时刻充电和放电功率；P_buy,t为t时刻从与独立微电网联结的大电网购电功率；

式(13)至式(15)为储能充放电约束，

以及

分别为单个微电网的t时刻储能充电功率的上、下限以及储能放电功率的上、下限；

和

分别为单个微电网的t时刻的充电放电状态；

式(16)至式(17)为荷电状态约束，SOC^max和SOC^min分别为单个微电网的最大和最小的荷电状态；SOC_t为单个微电网t时刻的储能荷电状态；η_c、η_d分别为单个微电网的储能充放电效率；

式(18)至式(19)为火电机组爬坡约束；

式(20)至式(21)为调度上下限约束，

式(22)为联络线约束；

步骤4.2、利用式(23)构建上级模型的目标函数，并由式(24)构建上级模型的约束条件：

式(23)中，h为单个微电网的总数；

为待优化的上级中央控制器下发给第s个微电网的联络线参考功率；

和

为下级第s个和第s1个微电网上报的联络线功率；

式(24)为一致性约束；

由式(9)和式(10)、式(11)-式(24)共同构成基于虚拟储能的互联微电网系统的协同日前优化调度方法模型；

步骤4.3、定义并初始化迭代次数τ＝1，上级的中央控制器初始化第τ次迭代时下发的联络线参考功率、第τ次迭代时下级微电网的联络线功率、第τ次迭代的协调优化的乘子系数以及收敛判据ε₁、ε₂，并一起下发给对应的下级模型；

步骤4.4、各个微电网内下级调度中心独立求解自身的第τ次迭代时的下级模型，得到各自微电网内部的第τ次迭代的运行调度方案和第τ次迭代优化后的联络线功率，并将第τ次迭代优化后的联络线功率上报给上级的中央控制器；

步骤4.5、上级的中央控制器接收到各个下级的微电网上报的第τ次迭代优化后的联络线功率后，以实现联络线功率偏差之和最小化为目标，求解第τ次迭代时的上级模型，并更新第τ次迭代的联络线参考功率后再次下发给每个下级的微电网；

步骤4.6、根据式(25)和式(26)判断是否满足迭代条件，若满足，则停止优化，并输出各自微电网内部的第τ次迭代运行调度方案并作为最优方案，否则，继续步骤4.7；

步骤4.7、将τ+1赋值给τ后，利用式(27)得到第τ次迭代的算法乘子系数，并返回步骤4.4；

式(27)中，γ为常数。

Images