一种用于综合能源系统的双阶段调度模型优化方法与流程

本发明实施例涉及综合能源技术领域，尤其涉及一种用于综合能源系统的双阶段调度模型优化方法。

背景技术：

综合能源系统(integratedenergysystem，ies)作为能源互联网的重要载体，能将高效利用多种可再生能源，并为用户提供冷、热、电等多种能源应用方式，从而发挥多种能源优势互补的潜力，能够促进太阳能、风能等可再生能源的就地消纳，实现资源的优化利用。国内学者已经构建出了多种综合能源系统经济性调度模型，头脑风暴算法是一种全新的群智能优化算法，它主要是模拟人类提出创造性思路解决问题的过程，算法自提出以来就受到广泛关注。

与综合能源系统相关的现有技术有三种：第一种是最优引导的头脑风暴优化算法，该算法根据全局最优思想和重新初始化机制，集合适应度分组方法，对单个变量进行更新，实验结果表明gbso在整体性能上优于bso，但依然存在收敛速度慢的问题；第二种是基于目标空间聚类差分头脑风暴优化算法，该算法对目标空间进行聚类降低算法复杂度，利用差分思想来增加种群多样性。但算法寻优效果受到聚类个数影响很大，算法稳定性依然有待提高；第三种是基于讨论机制的头脑风暴优化算法，该算法对bso个体的变异过进行改进，提出了自适应变异步长调整方式，有效平衡了全局和局部搜索；但参与比较的算法仅有pso和bso，对比算法较少，无法验证该算法与其他智能优化算法相比较的优劣性。

从上述三种现有技术可以看出，bso算法的优点在于全局搜索能力强，适合解决高维多峰问题，但算法存在易陷入局部最优、早熟收敛等问题，虽然部分技术对bso进行改进，但bso算法的计算效率依然存在提升空间，且以上三种相关技术仅针对综合能源系统单阶段优化调度，没有针对综合能源系统日前和实时两阶段的运行优化方式进行有效研究，也没有充分考虑实时调度阶段设备机组状态运行的实时调整对运行方式的影响。

技术实现要素：

为此，本发明实施例提供一种用于综合能源系统的双阶段调度模型优化方法，以负荷预测以及可再生能源处理预测数据为基础，建立综合能源系统日前和实时两阶段调度优化模型；以解决现有技术中仅针对综合能源系统单阶段优化调度，没有针对综合能源系统日前和实时两阶段的运行优化方式进行有效研究，也没有充分考虑实时调度阶段设备机组状态运行的实时调整对运行方式产生影响的问题。

为了实现上述目的，本发明的实施方式提供如下技术方案：

一种用于综合能源系统的双阶段调度模型优化方法，包括如下步骤：

s1、根据系统设备运行成本构建日前经济性调度模型；

s2、基于所述日前经济性调度模型修正各微机组的运行状态，构建实时优化调度模型；

s3、基于所述实时优化调度模型，通过映入混沌纵横交叉算法改进种群变异方式，以保证种群多样性和优良个体的全部信息；

s4、构建基于ccso-bos算法的双阶段调度优化求解流程。

作为本发明的一种优选方案，步骤s1中所述日前经济性调度模型以负荷预测数据以及分布式能源功率输出预测数据为基础，构建综合能源系统的日前调度目标函数对综合能源系统进行统筹协调，所述日前调度目标函数的构建的参考依据包括：运行维护成本、购电成本、购热成本、燃料成本以及储能成本。

作为本发明的一种优选方案，所述日前调度目标函数表达式如下：

其中，com、cfuel、cstorage和closs分别为各设备单元运行维护成本、系统购电成本、购热成本、燃料成本、储能成本以及系统损耗成本，具体描述如下：

运行维护成本的表达式为：

式中，分别表示电设备i、热设备j、气设备k以及冷设备p的单位功率输出运行维护成本；分别表示电设备i、热设备j、气设备k以及冷设备p的输出功率。

系统购电成本的表达式为：

式中，表示时段t内的单位购电价格；为时段t内的购电功率。

系统购热费用的表达式为：

式中，表示时段t内的单位购热价格；hbuy(t)为时段t内的购热功率。

燃料成本的表达式为：

式中，ξgas表示天然气价格；表示时间段t第i′个chp机组所需燃料量；表示时间段t第j′个燃气锅炉机组所需燃料量；表示时间段t第k′个燃料电池所需燃料量。

存储成本的表达式为：

式中，分别表示电储能、蓄热装置、蓄冷装置和蓄气装置的数量；cc(t)、cd(t)分别表示电储能设备在t时刻的充、放电成本，当设备处于充电状态时，cd(t)的值为0，当设备处于放电状态时，cc(t)的值为0；表示t时段电储能设备i′g的充电或放电功率值。表示蓄热设备jh单位蓄能成本，表示蓄热设备jh的功率值；表示蓄冷设备i′c单位蓄冷成本，表示蓄冷设备i′c的功率值；表示蓄气集成设备单位蓄气成本，表示蓄气装置的功率值。

作为本发明的一种优选方案，所述日前调度目标函数求解模型的约束条件包括电功率平衡约束、热功率平衡约束、冷功率平衡约束、储能设备约束以及各类设备运行约束等，具体描述所示：

a1、电功率平衡约束条件

式中，表示时段t第i′个微燃机组的功率输出，nchp表示微燃机数量；表示时段t第ipv个光伏机组的功率输出，npv表示光伏机组数量；表示时段t第iw个风电机组的功率输出，nw表示光伏机组数量；表示时段t第ifc个燃料电池的功率输出，nfc表示燃料电池数量；表示时段t第i′e个电储能的放电功率，表示电储能数量；pload(t)表示系统负荷需求；表示系统用户空调的耗电功率，ncond表示用户空调数量；表示冰蓄冷装置的耗电功率，表示冰蓄冷装置数量；表示电储能装置的充电功率。

a2、热功率平衡约束条件

式中，表示chp机组产热功率；表示第igb个燃气锅炉的产热功率，ngb表示燃气锅炉数量；表示第ibr个吸收式制冷机的产热功率，nbr表示吸收式制冷机数量；用户空调的产热功率；表示蓄热设备放热功率，表示蓄热装置数量；表示水蒸气热负荷；表示热水负荷；表示蓄热设备蓄热功率。

a3、冷功率平衡约束条件

式中，表示吸收式制冷机制冷功率；表示chp机组的制冷功率；表示空调制冷功率；表示冰蓄冷装置制冷功率；qload(t)表示系统冷负荷。

a4、储能设备约束条件

充放电速率限制：

电池剩余电量百分比约束：

socmin≤soc(t+1)≤socmax

式中，为电池在t+1时段向外界电网的充放电功率；分别为电池的最大充放电率；为储能电池数量；smax为电池额定容量；soc(t+1)为t+1时段结束时电池剩余电量百分比；socmin、socmax为电池系统剩余电量最小、最大百分比。

a5、设备运行约束条件

式中，分别表示第i个设备输入功率值的上限和下限；ψi,in(t)表示时段t设备i的功率输入值；分别表示第i个设备输出功率值的上限和下限，ψi,out(t)表示时段t设备i的功率输出值。

作为本发明的一种优选方案，步骤s2所述实时调度优化模型包括修正模型及其相应的约束条件。

作为本发明的一种优选方案，所述修正模型包括分布式微源机组运行修正模型和储能系统运行修正模型，具体描述如下：

所述分布式微源机组运行修正模型的目标函数为：

式中，cchp(t)、hchp(t)、qchp(t)分别表示chp机组在t时段的电功率、热功率、冷功率输出的单位运行成本；分别表示修正后的chp机组的电功率、热功率和冷功率输出值；cpv(t)、cw(t)、cfc(t)分别表示光伏发电、风力发电以及燃料电池发电的单位运行成本；表示t时段第ipv个光伏机组修正后的功率输出；表示t时段第iw个风电机组修正后的功率输出；表示t时段第ijc个燃料电池修正后的功率输出；hgb(t)表示t时段燃气锅炉的单位运行成本，表示t时段第igb个燃气锅炉修正后的热功率输出；

所述储能系统运行修正模型的目标函数为：

式中，表示日前调度在t时刻的电储能运行总成本；表示修正后实时调度电储能运行总成本；表示实时调度修正后的电储能功率输出；为实时调度修正后的蓄热装置功率输出；为实时调度修正后的蓄冷装置功率输出。

作为本发明的一种优选方案，所述修正模型修正后应满足的约束条件包括储能设备约束条件、分布式微源机组约束条件以及系统总负荷平衡约束条件，具体描述如下：

所述修正后储能设备约束条件应满足：

式中；分别表示t时段修正后的充/放电功率，分别表示最大充电和放电功率，表示t时段电储能i′e的最小和最大功率输出值；分别表示t时段调整后的储/放热功率，分别表示最大储热和放热功率，分别表示t时刻蓄热装置jh的最小和最大功率输出值；分别表示最大蓄冷和制冷功率，分别表示t时段蓄冷装置的蓄冷/放冷功率，分别表示t时段蓄冷装置的最小和最大功率输出值；

所述修正后的分布式微源机组约束条件应满足：

式中，表示chp机组最小/最大发电功率；分别表示chp机组最小/最大制热功率；分别表示chp组的最小/最大制冷功率；分别表示光伏发电的最小/最大功率；分别表示风力发电机组的最小/最大功率；分别表示燃料电池发电的最小/最大功率；分别表示燃气锅炉的制热最小/最大功率；

所述系统总负荷平衡约束包括电平衡约束、热平衡约束、冷平衡约束：

所述电平衡约束应满足：

所述热平衡约束应满足：

所述冷平衡约束应满足：

。

作为本发明的一种优选方案，步骤s3中所述映入混沌纵横交叉算法先以bso中当前各簇最优个体xselected为基础，采用logistic映射产生混沌序列，构造纵横交叉算法群体：

xi＝ξ·ci+(1-ξ)·xselcctcd

式中，表示纵横交叉算法种群第i个粒子；表示第i个混沌粒子，j∈[1,d]，d表示粒子包含的变量维度；i∈[1,m]，m表示纵横交叉算法种群大小；随机产生初始混沌粒子c1，λ取值为2，扰动强度ξ取值为0.4；

作为本发明的一种优选方案，所述纵横交叉算法群体得到的纵横交叉种群粒子更新过程包括横向交叉更新操作和纵向交叉更新操作，具体过程如下：

所述横向交叉更新操作主要通过交叉算子对先前种群中所有粒子进行两两不重复随机组合，然后对组合粒子所有维度执行横向交叉来更新粒子，假设父代粒子x(i)和x(j)在第d维进行横向交叉，则根据下式产生子代：

mshc(i,d)＝r1×x(i,d)+(1-r1)×x(j,d)+c1×(x(i,d)-x(j,d))

mshc(i,d)＝r1×x(i,d)+(1-r1)×x(j,d)+c1×(x(i,d)-x(j,d))

其中，r1,r2表示[0，1]随机数；c1,c2为[-1，+1]随机数；x(i,d)和x(j,d)分别表示父代粒子x(i)和x(j)的第d维；mshc(i,d)和mshc(j,d)分别表示x(i,d)和x(j,d)通过横向交叉产生的第d维子代；

所述纵向交叉操作以概率pv进行交叉操作，可以使陷入局部最优的维度从局部最优中顺利地跳出，若粒子x(i)的第d1维和第d2维进行纵向交叉，则根据下式产生子代：

msvc(i,d1)＝r·x(i,d1)+(1-r)·x(i,d2)

i∈[1,m]；d1,d2∈[1,d]；r∈[0,1]

其中：msvc(i,d1)为父代粒子x(i)的第d1维和第d2维通过纵向交叉产生的子代。

作为本发明的一种优选方案，步骤s4中所述模型求解步骤如下：

s41、初始化全部设备性能系数和型号参数，输入典型日负荷预测曲线、可再生能源功率预测曲线、电价信息、燃料价格信息等；在满足各约束条件下产生n个初始个体，即各微源出力及各设备功率输出，初始化种群维度为d，最大迭代次数nmax设置初次迭代次数为1；将n个个体聚为m类，计算n个个体的适应度函数值，根据适应度值对类内个体进行排序，并将每个类中最优个体作为聚类中心；

s42、产生一个随机数ra∈(0,1)，判断ra是否小于概率参数p5a；若ra＜p5a，则随机选择一个聚类中心，并随机产生一个个体代替选中的聚类中心；如果ra≥p5a，则执行下一步；

s43、依然产生一个随机数rb∈(0,1)，判断是否小于概率参数p6b；

s44、对xselected进行混沌纵横交叉变异操作；

s45、判断当前迭代次数是否达到最大迭代数nmax，则转向步骤s42；否则输出种群中最优个体，并结束迭代。

本发明的实施方式具有如下优点：

本发明实质上以负荷预测以及可再生能源处理预测数据为基础，建立综合能源系统日前和实时两阶段调度优化模型；通过映入混沌纵横交叉运算对普通bso算法的变异方式进行改进，形成ccso-bso算法以保证种群多样性和优良个体的全部信息；最后构建基于ccso-bso算法双阶段调度优化求解流程，能够求解所提出的多目标、非线性优化的问题，一方面在，在日前调度优化中，通过全局优化算法求解出全局区域优化调度控制策略，实现对日前全局信息和实施有效信息的汇集、分配和控制；另一方面，在实时调度中，针对当前分布式微源机组的运行状态，对全局调度控制进行相应的调整，使得可再生能源能够被最大化地消纳和利用，从而有效降低系统运行成本。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。

图1为本发明实施方式中方法流程图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本发明提供了一种用于综合能源系统的双阶段调度模型优化方法，以负荷预测以及可再生能源处理预测数据为基础，建立综合能源系统日前和实时两阶段调度优化模型，通过映入混沌纵横交叉运算对普通bso算法的变异方式进行改进，形成ccso-bso算法以保证种群多样性和优良个体的全部信息；最后构建基于ccso-bso算法双阶段调度优化求解流程，能够求解所提出的多目标、非线性优化的问题。

具体地，包括如下步骤：

s1、根据系统设备运行成本构建日前经济性调度模型；

s2、基于所述日前经济性调度模型修正各微机组的运行状态，构建实时优化调度模型；

s3、基于所述实时优化调度模型，通过映入混沌纵横交叉算法改进种群变异方式，以保证种群多样性和优良个体的全部信息；

s4、构建基于ccso-bos算法的双阶段调度优化求解流程。

步骤s1中所述日前经济性调度模型以负荷预测数据以及分布式能源功率输出预测数据为基础，构建综合能源系统的日前调度目标函数对综合能源系统进行统筹协调，所述日前调度目标函数的构建的参考依据包括：运行维护成本、购电成本、购热成本、燃料成本以及储能成本。

所述日前调度目标函数表达式如下：

其中，com、cfuel、cstorage和closs分别为各设备单元运行维护成本、系统购电成本、购热成本、燃料成本、储能成本以及系统损耗成本；

所述运行维护成本的表达式为：

式中，分别表示电设备i、热设备j、气设备k以及冷设备p的单位功率输出运行维护成本；分别表示电设备i、热设备j、气设备k以及冷设备p的输出功率。

所述系统购电成本的表达式为：

式中，表示时段t内的单位购电价格；为时段t内的购电功率。

所述系统购热费用的表达式为：

式中，表示时段t内的单位购热价格；hbuy(t)为时段t内的购热功率。

所述燃料成本的表达式为：

式中，ξgas表示天然气价格；表示时间段t第i′个chp机组所需燃料量；表示时间段t第j′个燃气锅炉机组所需燃料量；表示时间段t第k′个燃料电池所需燃料量。

所述存储成本的表达式为：

式中，分别表示电储能、蓄热装置、蓄冷装置和蓄气装置的数量；cc(t)、cd(t)分别表示电储能设备在t时刻的充、放电成本，当设备处于充电状态时，cd(t)的值为0，当设备处于放电状态时，cc(t)的值为0；表示t时段电储能设备i′g的充电或放电功率值。表示蓄热设备jh单位蓄能成本，表示蓄热设备jh的功率值；表示蓄冷设备i′c单位蓄冷成本，表示蓄冷设备i′c的功率值；表示蓄气集成设备单位蓄气成本，表示蓄气装置的功率值。

本实施例中，日前经济性调度模型目的是在满足系统安全性及可靠性的基础上，以负荷预测以及分布式能源功率输出预测数据为基础，采用最优化算法对综合能源系统进行统筹协调，确保系统总体运行成本最低，从而实现对综合能源系统在周期内的出力情况进行优化调度。

所述日前调度目标函数求解模型的约束条件包括电功率平衡约束、热功率平衡约束、冷功率平衡约束、储能设备约束以及各类设备运行约束等，具体描述所示：

所述电功率平衡约束条件为：

式中，表示时段t第i′个微燃机组的功率输出，nchp表示微燃机数量；表示时段t第ipv个光伏机组的功率输出，npv表示光伏机组数量；表示时段t第iw个风电机组的功率输出，nw表示光伏机组数量；表示时段t第ifc个燃料电池的功率输出，nfc表示燃料电池数量；表示时段t第i′e个电储能的放电功率，表示电储能数量；pload(t)表示系统负荷需求；表示系统用户空调的耗电功率，ncond表示用户空调数量；表示冰蓄冷装置的耗电功率，表示冰蓄冷装置数量；表示电储能装置的充电功率。

所述热功率平衡约束条件为：

式中，表示chp机组产热功率；表示第igb个燃气锅炉的产热功率，ngb表示燃气锅炉数量；表示第ibr个吸收式制冷机的产热功率，nbr表示吸收式制冷机数量；用户空调的产热功率；表示蓄热设备放热功率，表示蓄热装置数量；表示水蒸气热负荷；表示热水负荷；表示蓄热设备蓄热功率。

所述冷功率平衡约束条件为：

式中，表示吸收式制冷机制冷功率；表示chp机组的制冷功率；表示空调制冷功率；表示冰蓄冷装置制冷功率；qload(t)表示系统冷负荷。

所述储能设备约束条件为：

充放电速率限制：

电池剩余电量百分比约束：

socmin≤soc(t+1)≤socmax

式中，为电池在t+1时段向外界电网的充放电功率；分别为电池的最大充放电率；为储能电池数量；smax为电池额定容量；soc(t+1)为t+1时段结束时电池剩余电量百分比；socmin、socmax为电池系统剩余电量最小、最大百分比。

所述设备运行约束条件为：

式中，分别表示第i个设备输入功率值的上限和下限；ψi,in(t)表示时段t设备i的功率输入值；分别表示第i个设备输出功率值的上限和下限，ψi,out(t)表示时段t设备i的功率输出值。

步骤s2所述实时调度优化模型包括修正模型及其相应的约束条件。

本实施例中，所述实时调度优化模型就是在日前经济性调度模型的基础上，根据当前时段综合能源系统机组的运行状态以及储能充放情况，结合超短期负荷预测，对当前各个微源机组运行状态做出调整，使得整个综合能源系统能够最大限度的提高可再生能源利用率、降低系统负荷以及减少运行费用，并保证系统安全、稳定运行。

所述修正模型包括分布式微源机组运行修正模型和储能系统运行修正模型，具体描述如下：

本实施例中，所述分布式微源机组运行修正模型以系统各分布式微源机组运行成本最小为目标，调整或者修正当前阶段已运行的分布式微源功率输出，构建其目标函数。

所述分布式微源机组运行修正模型的目标函数为：

式中，cchp(t)、hchp(t)、qchp(t)分别表示chp机组在t时段的电功率、热功率、冷功率输出的单位运行成本；分别表示修正后的chp机组的电功率、热功率和冷功率输出值；cpv(t)、cw(t)、cfc(t)分别表示光伏发电、风力发电以及燃料电池发电的单位运行成本；表示t时段第ipv个光伏机组修正后的功率输出；表示t时段第iw个风电机组修正后的功率输出；表示t时段第ijc个燃料电池修正后的功率输出；hgb(t)表示t时段燃气锅炉的单位运行成本，表示t时段第igb个燃气锅炉修正后的热功率输出；

本实施例中，所述储能系统运行修正模型是根据当前阶段电储能、热储能以及冷储能的运行状态来决定储能出力情况，从而对各类型储能系统进行修正，以储能出力波动成本最小作为目标函数。

所述储能系统运行修正模型的目标函数为：

式中，表示日前调度在t时刻的电储能运行总成本；表示修正后实时调度电储能运行总成本；表示实时调度修正后的电储能功率输出；为实时调度修正后的蓄热装置功率输出；为实时调度修正后的蓄冷装置功率输出。

所述修正模型修正后应满足的约束条件包括储能设备约束条件、分布式微源机组约束条件以及系统总负荷平衡约束条件，具体描述如下：

所述修正后储能设备约束条件应满足：

式中；分别表示t时段修正后的充/放电功率，分别表示最大充电和放电功率，表示t时段电储能i′e的最小和最大功率输出值；分别表示t时段调整后的储/放热功率，分别表示最大储热和放热功率，分别表示t时刻蓄热装置jh的最小和最大功率输出值；分别表示最大蓄冷和制冷功率，分别表示t时段蓄冷装置的蓄冷/放冷功率，分别表示t时段蓄冷装置的最小和最大功率输出值；

所述修正后的分布式微源机组约束条件应满足：

式中，表示chp机组最小/最大发电功率；分别表示chp机组最小/最大制热功率；分别表示chp组的最小/最大制冷功率；分别表示光伏发电的最小/最大功率；分别表示风力发电机组的最小/最大功率；分别表示燃料电池发电的最小/最大功率；分别表示燃气锅炉的制热最小/最大功率；

所述系统总负荷平衡约束包括电平衡约束、热平衡约束、冷平衡约束：

所述电平衡约束应满足：

所述热平衡约束应满足：

所述冷平衡约束应满足：

。

本实施例中，实时阶段的其他约束条件仍需要满足日前阶段的相关约束条件。

步骤s3中所述映入混沌纵横交叉算法先以bso中当前各簇最优个体xselected为基础，采用logistic映射产生混沌序列，构造纵横交叉算法群体：

xi＝ξ·ci+(1-ξ)·xselected

式中，表示纵横交叉算法种群第i个粒子；表示第i个混沌粒子，j∈[1,d]，d表示粒子包含的变量维度；i∈[1,m]，m表示纵横交叉算法种群大小；随机产生初始混沌粒子c1，λ取值为2，扰动强度ξ取值为0.4；

本实施例中，采用混沌纵横交叉算法来实现bso算法的变异操作过程，在保证算法探索性能的同时，避免bso陷入局部最优。

所述纵横交叉算法群体得到的纵横交叉种群粒子更新过程包括横向交叉更新操作和纵向交叉更新操作，具体过程如下：

所述横向交叉更新操作主要通过交叉算子对先前种群中所有粒子进行两两不重复随机组合，然后对组合粒子所有维度执行横向交叉来更新粒子，假设父代粒子x(i)和x(j)在第d维进行横向交叉，则根据下式产生子代：

mshc(i,d)＝r1×x(i,d)+(1-r1)×x(j,d)+c1×(x(i,d)-x(j,d))

mshc(i,d)＝r1×x(i,d)+(1-r1)×x(j,d)+c1×(x(i,d)-x(j,d))

其中，r1,r2表示[0，1]随机数；c1,c2为[-1，+1]随机数；x(i,d)和x(j,d)分别表示父代粒子x(i)和x(j)的第d维；mshc(i,d)和mshc(j,d)分别表示x(i,d)和x(j,d)通过横向交叉产生的第d维子代；

所述纵向交叉操作以概率pv进行交叉操作，可以使陷入局部最优的维度从局部最优中顺利地跳出，若粒子x(i)的第d1维和第d2维进行纵向交叉，则根据下式产生子代：

msvc(i,d1)＝r·x(i,d1)+(1-r)·x(i,d2)

i∈[1,m]；d1,d2∈[1,d]；r∈[0,1]

其中：msvc(i,d1)为父代粒子x(i)的第d1维和第d2维通过纵向交叉产生的子代。

步骤s4中所述模型求解步骤如下：

s41、初始化全部设备性能系数和型号参数，输入典型日负荷预测曲线、可再生能源功率预测曲线、电价信息、燃料价格信息等；在满足各约束条件下产生n个初始个体，即各微源出力及各设备功率输出，初始化种群维度为d，最大迭代次数nmax设置初次迭代次数为1；将n个个体聚为m类，计算n个个体的适应度函数值，根据适应度值对类内个体进行排序，并将每个类中最优个体作为聚类中心；

s42、产生一个随机数ra∈(0,1)，判断ra是否小于概率参数p5a；若ra＜p5a，则随机选择一个聚类中心，并随机产生一个个体代替选中的聚类中心；如果ra≥p5a，则执行下一步；

s43、依然产生一个随机数rb∈(0,1)，判断是否小于概率参数p6b；

本实施例中，在步骤s43需要判断随机数rb与概率参数p6b的大小：

(1)如果rb＜p6b，以概率p6bi随机选择一个个体作为当前类中心(记为xold1)；随机产生随机数rb1，并判断如果rb1＜p6biii，则选择类中心xold1作为xselected，否则随机选择类中个体作为xselected；

(2)如果rb≥p6b，则随机选择两个个体进行线性组合作为当前类中心(记为xold2)；随机产生随机数rb2，并判断如果rb2＜p6biii，则选择线性组合类中心xold2作为xselected，否则随机选择类中个体进行线性组合作为xselected。

s44、对xselected进行混沌纵横交叉变异操作；

本实施例中，混沌纵横交叉变异操作步骤如下：

(1)利用式：

mshc(i,d)＝r1×x(i,d)+(1-r1)×x(j,d)+c1×(x(i,d)-x(j,d))

对xselected进行logistic混沌映射，并计算得到混沌序列xi；

(2)对类中所有个体进行两两不重复随机组合，根据下式：

mshc(i,d)＝r1×x(i,d)+(1-r1)×x(j,d)+c1×(x(i,d)-x(j,d))

mshc(i,d)＝r1×x(i,d)+(1-r1)×x(j,d)+c1×(x(i,d)-x(j,d))

进行横向交叉操作得到子代个体mshc(i,d)和mshc(j,d)，并计算类中每个变异个体的适应度值，保留适应度值较小的个体

(3)对横向交叉得到的粒子的每一维进行归一化操作，然后对所有维进行不重复两两随机配对，根据式：

msvc(i,d1)＝r·x(i,d1)+(1-r)·x(i,d2)

进行纵向交叉操作得到子代变异粒子msvc(i,d1)，计算适应度值后进行比较，反归一化后保留适应度值较小的个体；

(4)将纵横交叉操作得到的最优个体保存作为下一次迭代的新个体。

s45、判断当前迭代次数是否达到最大迭代数nmax，如果t＜nmax，则转向步骤s42；否则输出种群中最优个体，并结束迭代。

虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。