CN115940292A - 基于圆圈搜索算法的含风储电力系统优化调度方法及系统 - Google Patents

Abstract

本发明涉及电力系统自动化领域，尤其涉及一种基于圆圈搜索算法的含风储电力系统优化调度方法及系统。获取电力系统内风电场的历史风速数据与机组的实际运行参数。根据风速的概率密度以及历史数据生成多个场景集，并对其进行化简处理得到预测风速集合，依据预测风速集合计算各个场景的风电出力。将各个场景的风电出力以及机组的实际运行参数输入至目标函数和约束条件中，采用改进的圆圈搜索算法，结合约束条件，求解目标函数的最优值。采用基于自适应透镜原理的反向学习策略初始化种群，提高了初始时刻种群的多样性与丰富性，使解空间分布更加均匀，为最优解的搜寻奠定良好的基础。

Description

基于圆圈搜索算法的含风储电力系统优化调度方法及系统

技术领域

本发明涉及电力系统自动化领域，尤其涉及一种基于圆圈搜索算法的含风储电力系统优化调度方法及系统。

背景技术

随着新能源产业的不断发展，可再生能源将逐步替代传统的化石能源。风电作为一种无污染的可再生能源，合理利用可以有效节约化石能源的消耗，缓解化石能源的污染。储能装置具有一定的动态储能特性，可以储存部分风电资源，在负荷较高的时段释放功率，通过合理地调度方法可以有效提高风电的利用率。含风储的电力系统优化调度以总发电成本最小为目标函数，在满足相关约束条件，对各个时段机组进行合理的负荷分配，应对风电并网产生的不确定性问题，提高电网的风电利用率，以减少弃风率和污染气体的排放。

智能算法因其设定灵活、求解效率高且不受求解函数本身限制的特点被广泛运用于优化调度领域。相对与传统的解析算法求解，智能算法可以高效求解非连续、非凸等模型，且具有良好的全局寻优能力。代表性算法有粒子群算法、神经网络算法、遗传算法。而圆圈搜索算法相对于现有智能算法具有结构简单，鲁棒性好，参数少等优点。其不足之处是过于依赖初值的选取，求解过程中难以跳脱局部最优而过早收敛。在运用过程中可根据其自身的特性进行改进。

发明内容

本发明的目的是提供一种含风储电力系统优化调度方法，提高风电的消纳率，减少弃风率和污染气体的排放，降低电力系统的发电成本，实现储能资源的充分利用与经济型的最优目标，减小风电并网对传统电力系统的影响。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于圆圈搜索算法的含风储电力系统优化调度方法，其特征在于，包括

获取电力系统内风电场的历史风速数据与机组的实际运行参数；

根据风速的概率密度以及历史数据生成多个场景集，并对其进行化简处理得到预测风速集合，依据预测风速集合计算各个场景的风电出力；

将各个场景的风电出力以及机组的实际运行参数输入至目标函数和约束条件中，采用改进的圆圈搜索算法，结合约束条件，求解目标函数的最优值。

在上述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，实际运行参数包括风电机组的额定功率、切入风速与切出风速；根据Weibull分布计算风速的概率密度，结合历史数据按季度生成多个场景集，并对场景集化简，具体是

根据Weibull分布对历史风速进行处理，得到风速的概率密度；

根据得到的风速的概率密度分布按季度生成含多个场景集的初始场景集，并对初始场景集进行简化，得到每个季度的风速集合。

在上述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，风电出力与风速的关系如下：

其中：为风电机组的额定输出功率，为风电机组的额定风速，为风电机组的切入风速，为风电机组的切出风速。

在上述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，所述的约束条件包括含风储电力系统功率平衡约束、火电机组出力约束、风电机组出力约束、储能电站充放电约束、火电机组旋转备用约束、火电机组爬坡约束、储能电站充放电约束。

在上述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，约束条件具体为：

含风储电力系统功率平衡约束：

火电机组出力约束：

风电机组出力约束：

储能电站约束：

火电机组旋转备用约束：

火电机组的爬坡约束：

储能电站容量约束：

其中：为第台火电机在时段的出力，为第台风电机在时段的出力，为储能电站在时段的出力，为时段系统负荷功率，为系统的网损；为第台火电机组的最小出力，为第台火电机组的最大出力；为第台风电机组的最大出力；为储能电站的最小充电功率，为储能电站的最大充电功率，为储能电站的最小放电功率，为储能电站的最大放电功率；分别为正、负旋转备用系数，分别为机组正、负旋转备用率；为第台火电机组在时段的出力，分别为第台火电机组的下行、上行爬坡速率，为调度周期；为储能电站的最小储存容量，为储能电站的最大储存容量。

在上述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，含风储电力系统的优化调度模型目标函数为：

其中：为火电机组的燃料成本，为风电机组的发电成本，为储能电站成本，为火电机污染治理成本。

在上述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，目标函数中，成本数据根据以下公式计算得到

火电机组燃料成本：

风电机组发电成本：

储能电站成本：

火电机组污染治理成本：

其中：为第台机组的火电机煤耗特性系数；为第台风电机组的生产成本，为风电节能降耗系数；为初始储能电站成本系数，是单元输出最大储能容量，为储能电站的维护成本系数；为第台火电机组的气体排放特性系数，为污染治理成本系数。

在上述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，改进圆圈搜索算法的按照以下步骤执行

设置种群规模，即搜索粒子的个数；

依据不等式约束设置解空间的边界；随机生成种群，采用基于改进透镜原理的反向学习策略优化粒子种群，最终取适应度最优的前个个体；改进透镜原理的反向学习策略的初始化公式为：

的计算公式如下：

其中：为解空间的上限；为解空间的下限；为更新后的粒子种群；为进化因子；

根据模型的目标函数计算当前种群的运行成本，找出最优个体并记录最优适应度值；

设置当前迭代次数与最大迭代次数，令，不断迭代，寻找最优解。

在上述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，寻找最优解的具体方法是：

判断是否满足，若满足则输出当前种群的最优解；否则

更新算法运行参数，包括第一判断因子、第二判断因子、第三判断因子；

更新调节因子的值，依据与计算搜索角度；所述参数的计算公式如下：

调节因子的计算公式为：

其中：为四舍五入函数；

搜索角度的计算公式为：

依据历史最优个体更新种群；

根据目标函数计算种群适应度，寻找最优个体；若当前种群的最优解优于历史最优解，则令，；

判断历史最优解是否满足连续4次未改变，若满足则采用S型高斯均匀变异策略对种群的个体逐维进行执行变异操作；设当前解为：

，经过变异后的新解为：

,；逐维变异计算公式为：

其中：为均匀分布函数，为高斯分布函数，为变异后个体的位置；为个体变异后每一维度的值，其值的大小随迭代次数增加而增加；

为均匀扰动影响因子，为高斯扰动影响因子

其中，形状因子计算公式为：

若最优解不满足连续4次未改变的条件，则对算法产生的最优解进行逐维变异，变异公式为：

其中：为变异后最优个体的位置，为变异后最优个体的每一维度值；为调节系数，其计算公式如下：

其中，形状因子的计算同群体变异中的计算；

重新寻找最优解的位置，并更新最优解的适应度，且 ；

再次判断是否满足，若满足则输出种群个体的最优解；否则更新算法运行参数后重复后续步骤直至给出最优解与；

判断最优解是否满足含风储优化调度模型的约束条件，若满足则输出最优解与，若不满足则重新设置当前迭代次数与最大迭代次数， 且，不断迭代，直至寻找出最优解。

一种基于圆圈搜索算法的含风储电力系统优化调度系统，包括

第一模块：被配置为用于获取电力系统内风电场的历史风速数据与机组的实际运行参数；

第二模块：被配置为根据风速的概率密度以及历史数据生成多个场景集，并对其进行化简处理得到预测风速集合，依据预测风速集合计算各个场景的风电出力；

第三模块：被配置为将各个场景的风电出力以及机组的实际运行参数输入至目标函数和约束条件中，采用改进的圆圈搜索算法，结合约束条件，求解目标函数的最优值。

因此，本发明具有如下优点：

（1）采用基于自适应透镜原理的反向学习策略初始化种群，提高了初始时刻种群的多样性与丰富性，使解空间分布更加均匀，为最优解的搜寻奠定良好的基础。

（2）当趋向于1时，算法更注重开发过程，全局搜索能力提高；当趋向于0时，算法更倾向于勘探过程，局部搜索能力增强。采用动态调节因子代替原算法中的常数，使之在前期更注重在全局搜索最优解的位置，后期更注重于在局部搜索最优解的精确值，较大程度上提高寻优能力与寻优精度。

（3）在原算法的基础上增加基于高斯均匀分布的变异步骤，每迭代一次则对最优个体或其它个体进行变异，防止算法因陷入局部最优解而过早收敛。

（4）对圆圈搜索算法进行改进，使之能够适应更加复杂的运算模型。

附图说明

图1是本发明一种基于圆圈搜索算法的含风储电力系统优化调度方法的整体流程图。

图2是本发明一种基于圆圈搜索算法的含风储电力系统优化调度方法中基于改进圆圈搜索算法计算最小运行成本的流程图。

图3a是本发明所输入的西北地区春季的历史风速威布尔分布图。

图3b是本发明所输入的西北地区夏季的历史风速威布尔分布图。

图3c是本发明所输入的西北地区秋季的历史风速威布尔分布图。

图3d是本发明所输入的西北地区冬季的历史风速威布尔分布图。

图4是本发明仿真实验中的按季节分布的预测风电功率曲线图。

图5是本发明仿真实验中的储能电站充放电功率和初代能量走势。

图6是本发明仿真实验中含风储电站的风电富集地区最优输出方案图（其中A、B、C、D、E、F分别表示实际负荷功率、火电1号、火电12号、火电3号、火电4号、储能1号）。

图7是本发明仿真实验的圆圈搜索算法（CSA）、粒子群算法（PSO）、飞蛾扑火（MFOA）、和改进圆圈搜索算法（New-CSA）对含风储电力系统寻优对比曲线图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

如图1所示的一种基于圆圈搜索算法的含风储电力系统优化调度方法，所述方法共包含以下几个步骤：

步骤1：按季度输入电力系统内风电场的历史风速数据与相关机组的实际运行参数。

步骤2：采用分布计算风速的概率密度，结合历史数据按季度生成多个场景集，并对场景集化简。具体按照以下步骤进行：

步骤2.1：采用分布对历史风速进行处理，其概率分布函数如下：

（1）

其中：为形状参数，为尺度参数。

步骤2.2：运用分布按季度生成含多个场景集的初始场景集，并根据2020年4月出版的Journal of Energy Storage期刊发表的《Optimal scheduling of a renewablebased microgrid considering photovoltaic system and battery energy storageunder uncertainty》（不确定性下考虑光伏系统和电池储能的可再生微电网最优调度）中的场景简化策略对初始场景集进行简化，得到每个季度的风速集合。

步骤3：依据预测风速计算各个场景的风电出力。风电机组功率与风速的关系如下：

（2）

其中：为风电机组的额定输出功率，为风电机组的额定风速，为风电机组的切入风速，为风电机组的切出风速。

步骤4：根据步骤1中输入的机组参数构建含风储电力系统优化调度模型的约束条件。所述的约束条件包括含风储电力系统功率平衡约束、火电机组出力约束、风电机组出力约束、储能电站充放电约束、火电机组旋转备用约束、火电机组爬坡约束、储能电站充放电约束。

含风储电力系统功率平衡约束：

（3）

其中：为第台火电机在时段的出力，为第台风电机在时段的出力，为储能电站在时段的出力，为时段系统负荷功率，为系统的网损。

火电机组出力约束：

（4）

其中：为第台火电机组的最小出力，为第台火电机组的最大出力。

风电机组出力约束：

（5）

其中：为第台风电机组的最大出力。

储能电站约束：

（6）

其中：为储能电站的最小充电功率，为储能电站的最大充电功率，为储能电站的最小放电功率，为储能电站的最大放电功率。

火电机组旋转备用约束：

（7）

其中：分别为正、负旋转备用系数，分别为机组正、负旋转备用率。

火电机组的爬坡约束：

（8）

其中：为第台火电机组在时段的出力，分别为第台火电机组的下行、上行爬坡速率，为调度周期。

储能电站容量约束：

（9）

其中：为储能电站的最小储存容量，为储能电站的最大储存容量。

步骤5：根据步骤1中输入的机组参数构建含风储电力系统优化调度模型的目标函数，具体按照以下步骤进行：

步骤5.1：根据步骤1中输入的机组参数构建各个机组的成本函数。所述成本函数包括火电机组燃料成本、风电机组发电成本、储能电站成本、火电机污染气体治理成本。

火电机组燃料成本：

（10）

其中：为第台机组的火电机煤耗特性系数。

风电机组发电成本：

（11）

其中：为第台风电机组的生产成本，为风电节能降耗系数。

储能电站成本：

（12）

其中：为初始储能电站成本系数，是单元输出最大储能容量，为储能电站的维护成本系数。

火电机组污染治理成本：

（13）

其中：为第台火电机组的气体排放特性系数，为污染治理成本系数。

步骤5.2：以机组总出力成本最小为目标，构建含风储电力系统调度模型的目标函数：

（14）

其中：为火电机组的燃料成本，为风电机组的发电成本，为储能电站成本，为火电机污染治理成本。

步骤6：采用改进的圆圈搜索算法，以满足约束条件为前提，求解目标函数的最优值，如图2所示，具体按照以下几个步骤进行：

步骤6.1：初始化圆圈搜索算法（CSA），具体按照以下几个步骤进行：

步骤6.1.1：设置种群规模，即搜索粒子的个数。

步骤6.1.2：依据不等式约束设置解空间的边界；随机生成种群，采用基于改进透镜原理的反向学习策略优化粒子种群，最终取适应度最优的前个个体。改进透镜原理的反向学习策略的初始化公式为：

（15）

其中：为解空间的上限；为解空间的下限；为更新后的粒子种群；为进化因子，采用的计算公式如下：

（16）

步骤6.1.3：根据模型的目标函数计算当前种群的运行成本，找出最优个体并记录最小运行成本。

步骤6.1.4：设置当前迭代次数与最大迭代次数，令。

步骤6.2：不断迭代，寻找最优解；具体按照以下几个步骤进行：

步骤6.2.1：判断是否满足，若满足则输出当前最小机组运行成本；否则，进入步骤6.2.2。

步骤6.2.2：更新算法运行参数，包括第一判断因子、第二判断因子、第三判断因子。所述参数的计算公式如下：

（17）

其中：为区间之间的随机数。

步骤6.2.3：更新调节因子的值，依据与计算搜索角度。所述参数的计算公式如下：

调节因子的计算公式为：

（18）

其中：为四舍五入函数。

搜索角度的计算公式为：

（19）

步骤6.2.4：依据历史最优个体更新种群，更新公式为：

（20）

步骤6.2.5：根据目标函数计算种群适应度，寻找最优个体。若当前种群的发电成本优于历史值，则令，。

步骤6.2.6：判断机组的总出力成本是否满足连续4次未改变，若满足则采用基于S型函数的高斯均匀分布变异策略对种群的个体逐维进行执行变异操作。设当前解为：，则经过变异后的新解为：，

。逐维变异计算公式为：

（21）

其中：为均匀分布函数，为高斯分布函数，为变异后个体的位置；为个体变异后每一维度的值，其值的大小随迭代次数增加而增加；

为均匀扰动影响因子，为高斯扰动影响因子

（22）

其中：形状因子与迭代次数有关，其计算公式为：

（23）

若最优解不满足连续4次未改变的条件，则对算法产生的最优解进行逐维变异，变异公式为：

（24）

其中：为变异后最优个体的位置，为变异后最优个体的每一维度值。为调节系数，其计算公式如下：

（25）

其中形状因子的计算公式与上述群体变异中的计算公式相同。

步骤6.2.7：重新寻找最优解的位置，并更新机组最小成本；令。

步骤6.2.8：再次判断是否满足，若满足则输出种群个体的最优解。

否则重复步骤6.2.2—6.2.8至给出最优解。

步骤6.2.9：判断最优解是否满足约束条件，若满足则输出最优解，若不满足则转移至步骤6.1.4。

本实施例还提供一种基于圆圈搜索算法的含风储电力系统优化调度系统，包括

第一模块：被配置为用于获取电力系统内风电场的历史风速数据与机组的实际运行参数；

第二模块：被配置为根据风速的概率密度以及历史数据生成多个场景集，并对其进行化简处理得到预测风速集合，依据预测风速集合计算各个场景的风电出力；

第三模块：被配置为将各个场景的风电出力以及机组的实际运行参数输入至目标函数和约束条件中，采用改进的圆圈搜索算法，结合约束条件，求解目标函数的最优值。

下面通过仿真实验分析本发明中的电力系统优化调度方法。

实施例中的含风储电力系统包括3台火电机组，1个风电场，一个储能电站，储能方式为抽水蓄能；调度周期为1天，调度时段为，调度时段数；

本实施例中将西北地区某风场的历史风速数据带入，相关风速的威布尔分布如图3a至图3d所示，在满足机组约束条件的前提下以其中某一天的预测风速计算风电场的预测功率并带入模型运算，风电预测功率如图4所示。

将实例相关参数带入，进行优化计算，得出最小运行成本、火电成本、风电成本、污染成本、风电并网功率、弃风率与风电渗透率等数据。飞蛾扑火算法（MFOA）、粒子群算法（PSO）、圆圈搜索算法（CSA）、与本发明所提出的改进后的圆圈搜索算法（New-CSA）求解结果如表1所示：

表1：四种算法对含风储电力系统优化调度结果

由表1可知，改进后的圆圈搜索算法（New-CSA）的目标值均优于其他算法，其最小运行成本、火电运行成本与弃风率相对于其他算法所得值显著减少；风电并网功率与风电渗透率显著提高。其中New-CSA求解的储能电站充放电功率和初代能量走势如图5所示；含风储电站的风电富集地区最优输出调度如图6所示。通过对比可知New-CSA对含风储电力系统优化调度成本的寻优能力相对于其他算法来说优较为显著的优势。

由图7可知改进后的圆圈搜索算法（New-CSA）寻优能力相较于其他算法更强，运算速度有显著提升，有效地解决了原算法因陷入局部最优解而过早收敛的问题，提高了算法的有效性和相对的全局寻优能力，缩短了最大完工时间，得到了比较好的含风储电力系统的调度方案。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种基于圆圈搜索算法的含风储电力系统优化调度方法，其特征在于，包括

获取电力系统内风电场的历史风速数据与机组的实际运行参数；

根据风速的概率密度以及历史数据生成多个场景集，并对其进行化简处理得到预测风速集合，依据预测风速集合计算各个场景的风电出力；

将各个场景的风电出力以及机组的实际运行参数输入至目标函数和约束条件中，采用改进的圆圈搜索算法，结合约束条件，求解目标函数的最优值。

2.根据权利要求1所述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，其特征在于，实际运行参数包括风电机组的额定功率、切入风速与切出风速；根据Weibull分布计算风速的概率密度，结合历史数据按季度生成多个场景集，并对场景集化简，具体是

根据Weibull分布对历史风速进行处理，得到风速的概率密度；

根据得到的风速的概率密度分布按季度生成含多个场景集的初始场景集，并对初始场景集进行简化，得到每个季度的风速集合。

3.根据权利要求1所述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，其特征在于，风电出力与风速的关系如下：

其中：为风电机组的额定输出功率，为风电机组的额定风速，为风电机组的切入风速，为风电机组的切出风速。

4.根据权利要求1所述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，其特征在于，所述的约束条件包括含风储电力系统功率平衡约束、火电机组出力约束、风电机组出力约束、储能电站充放电约束、火电机组旋转备用约束、火电机组爬坡约束、储能电站充放电约束。

5.据权利要求1所述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，其特征在于，约束条件具体为：

含风储电力系统功率平衡约束：

火电机组出力约束：

风电机组出力约束：

储能电站约束：

火电机组旋转备用约束：

火电机组的爬坡约束：

储能电站容量约束：

其中：为第台火电机在时段的出力，为第台风电机在时段的出力，为储能电站在时段的出力，为时段系统负荷功率，为系统的网损；为第台火电机组的最小出力，为第台火电机组的最大出力；为第台风电机组的最大出力；为储能电站的最小充电功率，为储能电站的最大充电功率，为储能电站的最小放电功率，为储能电站的最大放电功率；分别为正、负旋转备用系数，分别为机组正、负旋转备用率；为第台火电机组在时段的出力，分别为第台火电机组的下行、上行爬坡速率，为调度周期；为储能电站的最小储存容量，为储能电站的最大储存容量。

6.根据权利要求1所述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，其特征在于，含风储电力系统的优化调度模型目标函数为：

其中：为火电机组的燃料成本，为风电机组的发电成本，为储能电站成本，为火电机污染治理成本。

7.根据权利要求1所述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，其特征在于，目标函数中，成本数据根据以下公式计算得到

火电机组燃料成本：

风电机组发电成本：

储能电站成本：

火电机组污染治理成本：

其中：为第台机组的火电机煤耗特性系数；为第台风电机组的生产成本，为风电节能降耗系数；为初始储能电站成本系数，是单元输出最大储能容量，为储能电站的维护成本系数；为第台火电机组的气体排放特性系数，为污染治理成本系数。

8.根据权利要求1所述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，其特征在于，改进圆圈搜索算法的按照以下步骤执行

设置种群规模，即搜索粒子的个数；

依据不等式约束设置解空间的边界；随机生成种群，采用基于改进透镜原理的反向学习策略优化粒子种群，最终取适应度最优的前个个体；改进透镜原理的反向学习策略的初始化公式为：

的计算公式如下：

其中：为解空间的上限；为解空间的下限；为更新后的粒子种群；为进化因子；

根据模型的目标函数计算当前种群的运行成本，找出最优个体并记录最优适应度值；

设置当前迭代次数与最大迭代次数，令，不断迭代，寻找最优解。

9.根据权利要求1所述的一种基于圆圈搜索算法的含风储电力系统优化调度方法，其特征在于，寻找最优解的具体方法是：

判断是否满足，若满足则输出当前种群的最优解；否则

更新算法运行参数，包括第一判断因子、第二判断因子、第三判断因子；

更新调节因子的值，依据与计算搜索角度；所述参数的计算公式如下：

调节因子的计算公式为：

其中：为四舍五入函数；

搜索角度的计算公式为：

依据历史最优个体更新种群；

根据目标函数计算种群适应度，寻找最优个体；若当前种群的最优解优于历史最优解，则令，；

判断历史最优解是否满足连续4次未改变，若满足则采用S型高斯均匀变异策略对种群的个体逐维进行执行变异操作；设当前解为：

，经过变异后的新解为：

,；逐维变异计算公式为：

其中：为均匀分布函数，为高斯分布函数，为变异后个体的位置；为个体变异后每一维度的值，其值的大小随迭代次数增加而增加；

为均匀扰动影响因子，为高斯扰动影响因子

其中，形状因子计算公式为：

若最优解不满足连续4次未改变的条件，则对算法产生的最优解进行逐维变异，变异公式为：

其中：为变异后最优个体的位置，为变异后最优个体的每一维度值；为调节系数，其计算公式如下：

其中，形状因子的计算同群体变异中的计算；

重新寻找最优解的位置，并更新最优解的适应度，且 ；

再次判断是否满足，若满足则输出种群个体的最优解；否则更新算法运行参数后重复后续步骤直至给出最优解与；

判断最优解是否满足含风储优化调度模型的约束条件，若满足则输出最优解与，若不满足则重新设置当前迭代次数与最大迭代次数， 且，不断迭代，直至寻找出最优解。

10.一种基于圆圈搜索算法的含风储电力系统优化调度系统，其特征在于，包括

第一模块：被配置为用于获取电力系统内风电场的历史风速数据与机组的实际运行参数；

第二模块：被配置为根据风速的概率密度以及历史数据生成多个场景集，并对其进行化简处理得到预测风速集合，依据预测风速集合计算各个场景的风电出力；

第三模块：被配置为将各个场景的风电出力以及机组的实际运行参数输入至目标函数和约束条件中，采用改进的圆圈搜索算法，结合约束条件，求解目标函数的最优值。

Images