CN116029498A - 一种基于改进多目标人工蜂鸟算法的微电网经济调度优化方法 - Google Patents

Abstract

本发明提出了一种基于改进多目标人工蜂鸟算法的微电网经济调度优化方法，涉及电力系统领域。使用混沌初始化和优化惯性系数改进多目标人工蜂鸟算法，对风能、光伏、储能和柴油发电机进行优化调度，确定微电网系统约束条件，考虑了微电网运行经济成本最小与风光消纳比例最大两个目标，构建含风能、光伏、储能和柴油发电机的微电网经济调度模型。由于人工蜂鸟算法控制参数少、勘探开发能力强，引进混沌初始化和线性惯性权重系数，对多目标人工蜂鸟算法做出改进，增强了多目标人工蜂鸟算法的全局寻优能力，大大地提高了全局最优解的收敛速度，对微电网经济调度具有重大意义。

Description

一种基于改进多目标人工蜂鸟算法的微电网经济调度优化方法

技术领域

本发明的技术方案属于电力系统调度领域，具体涉及一种基于改进多目标人工蜂鸟算法的微电网经济调度优化方法。

背景技术

微电网是智能电网重要的组成部分，包含分布式电源、负荷、储能设备等各种电力设备。微电网能充分发挥分布式电源所具有的经济性、环保性和灵活性，为用户提供优质的电能质量，供电安全可靠，将可再生分布式电源纳入微电网规划非常必要。但风能和太阳能这样的自然能源是间歇性的并且因地理限制而变化，预测它们的发电量非常复杂，进而导致微电网可再生能源发电规划复杂。

微电网运行方式极为灵活，既可以并入大电网运行，也可以与电网断开孤岛运行，以在电网系统故障时保障重要负荷的供电。绿色能源逐渐成为国家供能倡导的主流能源，但是随着大量的风电场和光伏电站并入到微电网中，其输出功率的波动间歇性变化给系统的经济调度带来了很多不确定性因素。

目前国内外已有不少关于微电网经济与环保方面的研究，分析微电源出力特性、接入容量和位置等对可靠性指标的影响。但在具有大量新能源分布式电源的微电网系统中，风电光电的机组投入与使用成本较高，现有微电网经济调度往往在注重经济成本的情况下过多使用火电机组忽略风光消纳比例，导致大量弃风、弃光的不环保现象；或在不考虑经济性的情况下，优先全部消纳风电光电导致经济成本较高。因此本发明构建出一种经济与环保相协调的含风电场和光伏电站的微电网经济调度优化模型，基于改进多目标人工蜂鸟算法对于调度模型进行优化，找到兼顾经济性与环保的调度方案。

发明内容

本发明提供一种基于改进多目标人工蜂鸟算法的微电网经济调度优化方法，该方法将风电、光伏、柴油发电机和储能装置考虑在内，综合考虑了微电网的经济性、环保性以及可靠性的要求，在考虑风光消纳比例和运行经济成本最优的前提下，实现微电网电力系统运行稳定。

为解决上述技术问题，本发明采用的技术方案是：

一种基于改进多目标人工蜂鸟算法的微电网经济调度优化方法，所述方法包括：

步骤1：获取含可再生能源的微电网系统的发电机组运行数据和负荷的基本数据，其中，所述微电网系统中包括风力发电机、光伏电池、柴油发电机和电池储能装置；

步骤2：基于所述发电机组运行数据和负荷的基本数据，构建含风电、光伏、柴油发电机和储能的微电网系统经济调度模型；

步骤3：建立微电网系统的多个目标函数模型，确定微电网系统功率约束条件；

步骤4：将多目标人工蜂鸟算法(MOAHA)改进后与风光出力控制策略和经济调度优化模型相结合，进而获得各分布式电源经济调度的最优方案；将多目标人工蜂鸟改进算法应用于微电网系统优化调度中，获得最优解，实现微电网系统的经济优化调度。

进一步的，所述步骤4包括：

步骤4.1：通过Sine混沌初始化代替MOAHA中的随机生成，将n只蜂鸟置于n个食物来源上，具体映射方式如式(2)所示，通过Sine混沌映射初始化种群使得蜂鸟种群均匀分布在搜索空间上下限内，提高人工蜂鸟算法的搜索性能：

x₁＝Low+r·(Up-Low)    (1)

其中Up和Low分别是d维问题的上边界和下边界，r是[0，1]中的随机向量，xi表示为给定问题的解决方案的第i个食物来源的位置，a为取值为(0，4)的参数；

步骤4.2：食物源访问表初始化：

式中，对于i＝j，VT_ij＝null表示蜂鸟在其特定的食物来源取食；i≠j，VT_ij＝0表示第j个食物源在当前迭代中刚刚被第i只蜂鸟访问过；

步骤4.3：通过改进的线性觅食行为惯性系数，替代MOAHA中原来的各50％可能性进行引导觅食行为，或领地觅食行为；

其中W为线性觅食行为惯性系数；W_max和W_min分别最大惯性系数和最小惯性系数，取值为[0，1]；it为迭代次数；Maxit为最大迭代次数；v_i(t+1)为第i个蜂鸟在t+1时刻的候选食物源位置；x_i(t)为第i个蜂鸟在t时刻的食物源位置，x_i,tar(t)为第i只蜂鸟打算造访的目标食物源的位置；D为飞行指标系数，取0或1；a为引导因子，服从标准正态分布N(0，1)；b为领地因子，服从标准正态分布N(0，1)；

步骤4.4：蜂鸟通过三种方法寻找它的目标食物源。

在随机可能性rand＜W情况下下蜂鸟选择进行以下引导觅食行为：

v_i(t+1)＝x_i,tar(t)+a·D·(x_i(t)-x_i,tar(t))      (7)

第i个食物源位置更新如下：

式中f(·)为函数适应度值，如果候选食物源的适应度低于当前食物源，则蜂鸟会放弃当前食物源，停留在由式(7)产生的候选食物源处取食；更新拜访表；

而在随机可能性rand≥W情况下蜂鸟选择进行以下领地觅食行为：

v_i(t+1)＝x_i,tar(t)+b·D·x_i(t)      (9)

第i个食物源位置更新同式(8)，更新拜访表；

步骤4.5：判断迭代次数，如果迭代次数超过迁移系数2n的预定值，蜂鸟将迁移到整个搜索空间中随机产生的新食物源；蜂鸟位置更新如下：

x_i＝Low+r·(Up-Low)     (10)

更新拜访表；

步骤4.6：计算适应度函数，得到pareto解；

步骤4.7：进行非支配排序得到pareto前沿；

步骤4.8：求得最优结果。

进一步的，所述步骤4.1中初始化种群维度是根据微电网系统经济调度中四个分布式电源的24h出力得到的96个参数；其中第1-24个参数表示光伏电池24h出力情况；其中第25-48个参数表示风力发电机24h出力情况；其中第49-72个参数表示电池储能装置24h出力情况；其中第73-96个参数表示柴油发电机24h出力情况。

进一步的，所述步骤4.1初始化中搜索空间上下限为根据各个分布式电源的运行容量得到的充放功率上下限，作为每个维度的边界约束。

进一步的，所述约束条件如下：

分布式电源出力约束：

P_imin≤P_i≤P_imax        (11)

式中，P_imin、P_imax分别为分布式电源出力下限和上限，P_i为分布式电源出力；

功率平衡约束条件：

式中，P_Load为微电网负荷；P_BS为蓄电池充放电功率，当P_BS>0时，表示蓄电池放电，当P_BS＜0时，表示蓄电池充电；

蓄电池约束条件：

P_BSmin≤P_BS≤P_BSmax       (13)

E_BSmin≤E_Bs≤E_BSmax       (14)

式中，P_BSmin、P_BSmax分别为蓄电池的最小、最大充放电功率；E_BSmin、E_BSmax分别为蓄电池的最小、最大容量；E_BS为蓄电池的容量。

进一步的，所述步骤4.6中有两个适应度函数：

其中总运行经济成本适应度函数为：

其中T为微电网调度周期的小时数；C_PV(t)，C_WT(t)，C_BT(t)，C_DE(t)，分别为光伏、风电、储能、柴油发电机发电成本；C_EMI(x)为排放成本；

发电成本：

C_i(t)＝CF_i，t+IV_i，t+OM_i，t       (16)

其中，CF_i，t为分布式电源i在t时刻的燃料费用；IV_i，t为分布式电源i折算到单位时间的折旧费用；OM_i，t为分布式电源i在t时刻的维护费用；

排放成本：

C_EMI(t)＝α*σ*P_i，t         (17)

其中，C_EMI(t)为柴油发电机i在t时刻的燃料费用，α为排放价格，σ为排放系数Pr，P_i，t为第i台分布式电源的额定功率；

总风光消纳比例适应度函数为：

f(2)＝2-(PV_pro+WT_pro)        (18)

其中PV_pro为光电消纳比例，WT_pro为风电消纳比例。

进一步的，所述步骤4.8中最优结果通过各项数据归一化折中解得到，最终选择总适应度最小的解作为最优折中解；

其中Cost.obj为最优折中解；Cost(i).f(1)为第i个蜂鸟位置的目标函数f(1)适应度值；Cost.f(1)max为目标函数f(1)最大适应度值；f(2)同理。

根据求得的最优结果，得到微电网最优经济调度数据。

本发明的有益效果体现在：

本发明提供的微电网经济环境调度模型，并非仅考虑微电网系统总运行成本的单一目标函数，而是在满足用户基本用电需求的情况下对可再生能源消纳比例与总运行成本进行综合考虑。

本发明得益于多目标算法的应用，不仅可以考虑本例中两个目标，还可以在获得更多微电网数据的情况下扩展为考虑更多目标函数，诸如环境成本最小、碳排放最小。

本发明对于多目标人工蜂鸟算法进行改进，人工蜂鸟算法控制参数少，易于计算，结合混沌初始化和线性惯性权重系数的优点，对基础多目标人工蜂鸟算法做出改进，增强了多目标人工蜂鸟算法的全局寻优能力以及收敛速度，从而更快找到最优调度方案。

附图说明

图1为本发明改进多目标人工蜂鸟算法优化微电网经济调度模型流程图；

图2为本发明改进多目标人工蜂鸟算法的流程图；

图3为本发明实例中某地微电网24h负荷需求图；

图4为本发明实例中Pareto前沿图；

图5为本发明实例中微电网24h经济调度优化图。

具体实施方式

下面将结合本发明中的附图，对本发明实例中的技术方案进行清楚、完整地描述。

如图1所示，本发明的一个实例介绍一种基于多目标人工蜂鸟算法的微电网经济调度优化方法，包括以下步骤：

1)获取微电网系统的发电机组安装容量及运行数据、阶梯电价成本系数、排放惩罚系数以及用户需求负荷数据。

2)建立微电网系统的优化调度模型及目标函数；

3)确定微电网系统各个发电机组功率约束条件；

4)基于上述优化调度模型、目标函数以及约束条件，引进新颖的仿生优化算法--人工蜂鸟算法对微电网经济调度模型进行优化。人工蜂鸟算法具有良好的勘探和开发能力，用更少的控制参数确定高质量的解，可在算法中执行全局优化。对于多目标人工蜂鸟算法进行混沌初始化和改进优化，使其摆脱局部优化能力强。

改进多目标人工蜂鸟算法具体包括以下步骤：

Stepl：通过Sine混沌优化随机生成初始种群，将n只蜂鸟置于n个食物来源上。通过Sine混沌初始化代替MOAHA中的随机生成，具体映射方式如式(2)所示，随机生成的初始种群容易导致算法过早陷入局部最优的问题，通过Sine混沌映射初始化种群使得蜉蝣种群均匀分布在搜索空间上下限内，提高人工蜂鸟算法的搜索性能：

x₁＝Low+r·(Up-Low)       (1)

其中Up和Low分别是d维问题的上边界和下边界，r是[0，1]中的随机向量，x_i表示为给定问题的解决方案的第i个食物来源的位置，a为取值为(0，4)的参数。

Step2：食物源拜访表初始化：

式中，对于i＝j，VT_ij＝null表示蜂鸟在其特定的食物来源取食；i≠j，VT_ij＝0表示第j个食物源在当前迭代中刚刚被第i只蜂鸟访问过。

Step3：通过改进的线性觅食行为选择系数，替代MOAHA中原来的各50％可能性进行引导觅食行为，或领地觅食行为。有利于在迭代前期侧重引导觅食行为探索其他空间，在迭代后期侧重领地觅食行为寻找局部最优解。

其中W为线性觅食行为惯性系数；W_max和W_min分别最大惯性系数和最小惯性系数，取值为[0，1]；it为迭代次数；Maxit为最大迭代次数；v_i(t+1)为第i个蜂鸟在t+1时刻的候选食物源位置；x_i(t)为第i个蜂鸟在t时刻的食物源位置，x_i,tar(t)为第i只蜂鸟打算造访的目标食物源的位置；D为飞行指标系数，取0或1；a为引导因子，服从标准正态分布N(0，1)；b为领地因子，服从标准正态分布N(0，1)。

Step4：蜂鸟通过三种方法寻找它的目标食物源，在改进的随机可能性下蜂鸟选择进行以下引导觅食行为：

在随机可能性rand＜W情况下下蜂鸟选择进行以下引导觅食行为：

v_i(t+1)＝x_i,tar(t)+a·D·(x_i(t)-x_i,tar(t))      (7)

第i个食物源位置更新如下：

式中f(·)为函数适应度值，如果候选食物源的适应度低于当前食物源，则蜂鸟会放弃当前食物源，停留在由式(7)产生的候选食物源处取食；更新拜访表；

而在随机可能性rand≥W情况下蜂鸟选择进行以下领地觅食行为：

v_i(t+1)＝x_i,tar(t)+b·D·x_i(t)        (9)

第i个食物源位置更新同式(8)，更新拜访表；

步骤5：判断迭代次数，如果迭代次数超过迁移系数2n的预定值，蜂鸟将迁移到整个搜索空间中随机产生的新食物源；蜂鸟位置更新如下：

x_i＝Low+r·(Up-Low)        (10)

更新拜访表。

Step6：计算适应度函数，得到pareto解。

Step7：进行非支配排序得到pareto前沿。

Step8：根据求得的最优结果，得到微电网最优经济调度数据。

以上步骤体现在图2算法流程图中。

进一步的方案是，Step1中所述初始化种群维度i是根据微电网系统经济调度中四个分布式电源的24h出力得到的96个参数。其中第1-24个参数表示光伏电池24h出力情况；其中第25-48个参数表示风力发电机24h出力情况；其中第49-72个参数表示电池储能装置24h出力情况；其中第73-96个参数表示柴油发电机24h出力情况。

进一步的方案是，Step1中所述初始化中搜索空间上限下限为根据各个分布式电源的运行容量得到的充放功率上下限，作为每个维度的边界约束。

进一步的方案是，其中总运行经济成本适应度函数为：

其中T为微电网调度周期的小时数；C_PV(t)，C_WT(t)，C_BT(t)，C_DE(t)，分别为光伏、风电、储能、柴油发电机发电成本；C_EMI(x)为排放成本；

发电成本：

C_i(t)＝CF_i，t+IV_i，t+OM_i，t      (12)

其中，CF_i，t为分布式电源i在t时刻的燃料费用；IV_i，t为分布式电源i折算到单位时间的折旧费用；OM_i，t为分布式电源i在t时刻的维护费用；

排放成本：

C_EMI(t)＝α*σ*P_i，t       (13)

其中，C_EMI(t)为柴油发电机i在t时刻的燃料费用，α为排放价格，σ为排放系数Pr，P_i，t为第i台分布式电源的额定功率；

进一步的方案是，总风光消纳比例适应度函数为：

f(2)＝2-(PV_pro+WT_pro)        (14)

其中PV_pro为光电消纳比例，WT_pro为风电消纳比例。

进一步的方案是，模型约束如下：

分布式电源出力约束：

P_imin≤P_i≤P_imax    (15)

式中，P_imin、P_imax分别为分布式电源出力功率下限和上限，P_i为分布式电源i出力功率。

功率平衡约束条件：

式中，P_Load为微电网负荷；P_BS为蓄电池充放电功率，当P_BS>0时，表示蓄电池放电，当P_BS<0时，表示蓄电池充电。

蓄电池约束条件：

P_BSmin≤P_BS≤P_BSmax    (17)

E_BSmin≤E_BS≤E_BSmax    (18)

式中，P_BSmin、P_BSmax分别为蓄电池的最小、最大充放电功率；E_BSmin、E_BSmax分别为蓄电池的最小、最大容量；P_BS为蓄电池的充放电功率；E_BS为蓄电池的容量。

进一步的方案是，所述最优结果通过各项数据归一化折中解得到，最终选择总适应度最小的解作为最优折中解。

其中Cost.obj为最优折中解；Cost(i).f(1)为第i个蜂鸟位置的目标函数f(1)适应度值；Cost.f(1)max为目标函数f(1)最大适应度值；f(2)同理。

根据求得的最优结果，得到微电网最优经济调度数据。

在本发明中，采用matlab2018b编程验证上述模型，算法中参数取值如下：人工蜂鸟群体大小为nPop＝100，档案库大小为ArchiveSize＝100，解空间维度Dim＝96。

图3为本发明实例中某地微电网典型日24h负荷需求图，由图可知负荷峰谷差较大，需要在风电与光伏接入后进行优化调度。

图4为本发明实例中迭代后所得最优解的Pareto前沿图。

图5为本发明改进多目标人工蜂鸟算法应用于微电网系统24h的优化调度图，该图显示了一天24小时内，每小时该微电网系统各个设备的优化调度出力情况。优先消纳可再生能源风能和光能，柴油发电机在蓄电池储能系统不足以供给负荷时投入运行，补充消纳风能、光能后的电负荷。由于风能光能具有不确定性，每小时变化较大，为维持功率平衡，微电网发出过多的电能就供给蓄电池充电，发出过少的电能就由蓄电池进行放电。本发明的优化调度方法能够达到较大的风光消纳比例，减少了微网运行经济成本，保证了微电网系统的稳定性和可靠性。

本发明研究了微电网系统的24h能量优化调度问题，在满足系统约束的前提下，考虑了微电网经济性、环保性以及可靠性，建立以微电网风光消纳和运行成本相协调的多目标优化调度模型，并利用改进MOAHA算法求解考虑风光消纳的微电网多目标经济调度模型。仿真结果表明该模型对微电网优化调度具有一定的参考价值和指导作用。

最后说明的是，以上仅对本发明具体实施例进行详细描述说明。但本发明并不限制于以上描述具体实施例。本领域的技术人员对本发明进行的等同修改和替代也都在本发明的范畴之中。因此，在不脱离本发明的精神和范围下所作的均等变换和修改，都涵盖在本发明范围内。

Claims (7)

1.一种基于改进多目标人工蜂鸟算法的微电网经济调度优化方法，其特征在于：所述方法包括：

步骤1：获取含可再生能源的微电网系统的发电机组运行数据和负荷的基本数据，其中，所述微电网系统中包括风力发电机PV、光伏电池WT、柴油发电机DE和电池储能装置BT；

步骤2：基于所述发电机组运行数据和负荷的基本数据，构建含风电、光伏、柴油发电机和储能的微电网系统经济调度模型；

步骤3：建立微电网系统的多个目标函数模型，确定微电网系统功率约束条件；

步骤4：将多目标人工蜂鸟算法MOAHA改进后与风光出力控制策略和经济调度优化模型相结合，进而获得各分布式电源经济调度的最优方案；将多目标人工蜂鸟改进算法应用于微电网系统优化调度中，获得最优解，实现微电网系统的经济优化调度。

2.根据权利要求1所述的一种基于改进多目标人工蜂鸟算法的微电网经济调度优化方法，其特征在于：所述步骤4包括：

步骤4.1：通过Sine混沌初始化代替MOAHA中的随机生成，将n只蜂鸟置于n个食物来源上，具体映射方式如式(2)所示，通过Sine混沌映射初始化种群使得蜂鸟种群均匀分布在搜索空间上下限内，提高人工蜂鸟算法的搜索性能：

x₁＝Low+r·(Up-Low)     (1)

其中Up和Low分别是d维问题的上边界和下边界，r是[0,1]中的随机向量，x_i表示为给定问题的解决方案的第i个食物来源的位置,a为取值为(0,4)的参数；

步骤4.2：食物源访问表初始化：

式中，对于i＝j,VT_ij＝null表示蜂鸟在其特定的食物来源取食；i≠j,VT_ij＝0表示第j个食物源在当前迭代中刚刚被第i只蜂鸟访问过；

步骤4.3：通过改进的线性觅食行为惯性系数，替代MOAHA中原来的各50％可能性进行引导觅食行为，或领地觅食行为；

其中W为线性觅食行为惯性系数；W_max和W_min分别最大惯性系数和最小惯性系数,取值为[0,1]；it为迭代次数；Maxit为最大迭代次数；v_i(t+1)为第i个蜂鸟在t+1时刻的候选食物源位置；x_i(t)为第i个蜂鸟在t时刻的食物源位置,x_i,tar(t)为第i只蜂鸟打算造访的目标食物源的位置；D为飞行指标系数，取0或1；a为引导因子，服从标准正态分布N(0,1)；b为领地因子，服从标准正态分布N(0,1)；

步骤4.4：蜂鸟通过三种方法寻找它的目标食物源

在随机可能性rand＜W情况下下蜂鸟选择进行以下引导觅食行为：

v_i(t+1)＝x_i，tar(t)+a·D·(x_i(t)-x_i，tar(t))    (7)

第i个食物源位置更新如下：

式中f(·)为函数适应度值,如果候选食物源的适应度低于当前食物源，则蜂鸟会放弃当前食物源，停留在由式(7)产生的候选食物源处取食；更新拜访表；

而在随机可能性rand≥W情况下蜂鸟选择进行以下领地觅食行为：

v_i(t+1)＝x_i，tar(t)+b·D·x_i(t)    (9)

第i个食物源位置更新同式(8)，更新拜访表；

步骤4.5：判断迭代次数，如果迭代次数超过迁移系数2n的预定值，蜂鸟将迁移到整个搜索空间中随机产生的新食物源；蜂鸟位置更新如下：

x_i＝Low+r·(Up-Low)    (10)

更新拜访表；

步骤4.6：计算适应度函数，得到pareto解；

步骤4.7：进行非支配排序得到pareto前沿；

步骤4.8：求得最优结果。

3.根据权利要求2所述的一种基于改进多目标人工蜂鸟算法的微电网经济调度优化方法，其特征在于：

所述步骤4.1中初始化种群维度是根据微电网系统经济调度中四个分布式电源的24h出力得到的96个参数；其中第1-24个参数表示光伏电池24h出力情况；其中第25-48个参数表示风力发电机24h出力情况；其中第49-72个参数表示电池储能装置24h出力情况；其中第73-96个参数表示柴油发电机24h出力情况。

4.根据权利要求3所述的一种基于改进多目标人工蜂鸟算法的微电网经济调度优化方法，其特征在于：

所述步骤4.1初始化中搜索空间上下限为根据各个分布式电源的运行容量得到的充放功率上下限，作为每个维度的边界约束。

5.根据权利要求4所述的一种基于改进多目标人工蜂鸟算法的微电网经济调度优化方法，其特征在于，所述约束条件如下：

分布式电源出力约束：

P_imin≤P_i≤P_imax    (11)

式中，P_imin、P_imax分别为分布式电源出力下限和上限，P_i为第i个分布式电源出力；

功率平衡约束条件：

式中，P_Load为微电网负荷；P_BS为蓄电池充放电功率，当P_BS>0时，表示蓄电池放电，当P_BS＜0时，表示蓄电池充电；

蓄电池约束条件：

P_BSmin≤P_BS≤P_BSmax    (13)

E_BSmin≤E_BS≤E_BSmax    (14)

式中，P_BSmin、P_BSmax分别为蓄电池的最小、最大充放电功率；E_BSmin、E_BSmax分别为蓄电池的最小、最大容量；E_BS为蓄电池的容量。

6.根据权利要求4所述的一种基于改进多目标人工蜂鸟算法的微电网经济调度优化方法，其特征在于：

所述步骤4.6中有两个适应度函数：

其中总运行经济成本适应度函数为：

其中T为微电网调度周期的小时数；C_PV(t)，C_WT(t)，C_BT(t)，C_DE(t)，分别为光伏、风电、储能、柴油发电机发电成本；C_EMI(x)为排放成本；

发电成本：

C_i(t)＝CF_i，t+IV_i，t+OM_i，t    (16)

其中，CF_i，t为分布式电源i在t时刻的燃料费用；IV_i，t为分布式电源i折算到单位时间的折旧费用；OM_i，t为分布式电源i在t时刻的维护费用；

排放成本：

C_EMI(t)＝α*σ*P_i，t    (17)

其中，C_EMI(t)为柴油发电机i在t时刻的燃料费用，α为排放价格，σ为排放系数Pr，P_i，t为第i台分布式电源的额定功率；

总风光消纳比例适应度函数为：

f(2)＝2-(PV_pro+WT_pro)    (18)

其中PV_pro为光电消纳比例，WT_pro为风电消纳比例。

7.根据权利要求6所述的一种基于改进多目标人工蜂鸟算法的微电网经济调度优化方法，其特征在于：

所述步骤4.8中最优结果通过各项数据归一化折中解得到，最终选择总适应度最小的解作为最优折中解；

其中Cost.0bj为最优折中解；Cost(i).f(1)为第i个蜂鸟位置的目标函数f(1)适应度值；Cost.f(1)max为目标函数f(1)最大适应度值；Cost(i).f(2)为第i个蜂鸟位置的目标函数f(2)适应度值；Cost.f(2)max为目标函数f(2)最大适应度值。

Images