1.本发明涉及微能源网优化运行技术领域，具体说是一种基于改进粒子群算法的微能源网优化运行方法。
背景技术：2.随着全球能源短缺和环境问题加剧，微能源网作为能源互联网的重要表现形式之一，含有多种能源及冷、热、电负荷，能够将多种能源进行耦合，是多能互补、多元协调的消费平台，属于能源互联网中的一个部分，能实现能量的梯级利用，进而提高新能源消纳程度及能源综合利用率，是多能互补新型电力系统的重要组成部分，成为当今发展热点和必然趋势。微能源网的优化配置问题对于微能源网的运行至关重要，算法工具的选择以及如何求解出最优解至关重要。
3.优化算法可以分为经典优化算法和启发式优化算法，经典优化算法一般都采用局部信息，这就无法避免局部极小问题；受大自然的运行规律的启发获得的算法称为启发算法，比如遗传算法、模拟退火算法、人工神经网络和禁忌搜索，演化算法、蚁群算法、拟人拟物算法和量子算法相继兴起，成为研究热点和新潮。启发算法简单有效，具有某种智能，对于解决电力系统优化运行问题有着较好的结果。
4.现有的关于微能源网优化运行的智能算法有蚁群算法、人工神经网络和粒子群算法等，现有的粒子群算法还存在算法收敛性不高，容易陷入局部最优解的情况。
技术实现要素：5.针对现有技术存在的缺陷，结合微能源网经济优化配置场景，本技术提出了用于微能源网经济优化运行的一种基于线性递减权重和分部压缩因子的改进粒子群算法，算法收敛速度快，提高了微能源网中各种能源的利用率，实现了能量的梯级利用，提高了综合能源利用率。
6.为达到以上目的，本发明采取的技术方案是：
7.一种基于改进粒子群算法的微能源网优化运行方法，包括如下步骤：
8.s1：建立微能源网系统模型；
9.s2:建立微能源网优化目标函数；
10.s3:建立微能源网优化约束条件；
11.s4:采用改进粒子群算法对微能源网优化调度模型进行求解；
12.其中，步骤s4所述改进粒子群算法基于线性递减惯性权重和分部压缩因子，迭代公式如下：
[0013][0014]
[0015][0016][0017]
c1≠c2,c2＝c1+2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0018][0019]
式中，k表示第k次迭代，d表示粒子的第d维度，i表示第i 个粒子，表示第i个粒子第k次迭代第d维的飞行速度，ω表示惯性权重，ω
max
表示初始惯性权重，ω
min
表示最终惯性权重，iter
max
表示最大迭代次数，c1表示自身学习因子，c2表示群体学习因子，p
id
表示单个粒子搜索到的最优位置，p
gd
表示粒子群搜索到的最优位置， r1、r2表示介于(0,1)之间的随机数，表示第i个粒子第k次迭代第d维的位置，γ1、γ2表示压缩因子。
[0020]
进一步地，其中c1值为3.25，ω
max
值为0.8，ω
min
值为0.2。
[0021]
进一步地，步骤s1中所述微能源网优化目标函数以微能源网日运行成本最低为目标来构建；步骤s2中所述微能源网优化约束条件包括微能源网中冷、热、电能量平衡约束和微能源网中各设备输出功率范围约束。
[0022]
进一步地，所述目标函数表达式为：
[0023]
f1(t)＝ce(t)+c
gas
(t)+c
om
(t)+c
dp
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0024]
式中，f1(t)表示运行成本，ce(t)表示购电成本，c
gas
(t)表示购气成本，c
om
(t)表示折旧成本，c
dp
(t)表示运行维护成本，t为时间变量；
[0025]
其中，购电成本表达式如下：
[0026][0027]
式中，c
grid
(t)和p
grid
(t)分别表示购电电价和购电功率；
[0028]
其中，购气成本表达式如下：
[0029]cgas
(t)＝c
ng
(t)
·vmt
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0030]
式中，c
ng
(t)表示天然气价格，v
mt
(t)表示消耗的天然气容量，消耗的天然气容量如下式：
[0031][0032]
式中，p
mt,e
(t)表示t时刻微型燃气轮机输出的电功率，η
mt,e
(t)表示发电效率，r
lhvt
为微型燃气轮机低位热值常量，δt微型燃气轮机运行时间；
[0033]
其中，折旧成本表达式如下：
[0034][0035]
式中，k
omi,t
、pi(t)分别表示微能源设备j的折旧成本系数和输出功率；
[0036]
其中，运行维护成本表达式如下：
[0037][0038]
式中，c
az,j
、nj、kj分别表示微能源设备j的单位容量安装成本、投资偿还期和容量因素(％)，r表示年利率，8760为一年内的小时数；
[0039]
所述微能源网中冷、热、电能量的平衡约束包括：
[0040][0041]
式中，p
grid
(t)、p
gt
(t)、p
mt,e
(t)、p
es,c
(t)分别表示电网、光伏、燃气轮机、储能装置输出的电功率，p
ec
(t)、p
eb
(t)分别表示电锅炉、电制冷设备消耗的电功率；le(t)表示电负荷；q
eb,h
(t)、q
mt,left
(t)分别表示电锅炉输出的热功率和微型燃气轮机输出的余热功率；lh(t)表示热负荷；q
ec,c
(t)表示电制冷机输出的冷功率；lc(t)表示冷负荷。
[0042]
所述微能源网中各设备的输出功率范围约束包括：
[0043][0044]
式中，p
mt,e
表示微型燃气轮机输出电功率，q
eb,h
表示电锅炉输出热功率，q
ec,c
表示电制冷设备输出冷功率，p
es,c
表示储能装置输出电功率，soc表示储能设备的荷电状态，下标max，min分别表示数值的最大和最小值。
[0045]
本发明所述的基于改进粒子群算法的微能源网优化运行方法，具有以下有益效果：
[0046]
1、本发明提出的基于线性递减惯性权重和分部压缩因子的改进粒子群算法，相比于基本粒子群算法，改进后的算法能够在更小的迭代次数获得更好的效果，提高了算法的收敛性能。
[0047]
2、本发明提出的改进粒子群算法，应用于微能源网优化运行中，求解过程更加快速高效，对于微能源网的经济优化配置和运行以及协调控制都有着良好的效果。
附图说明
[0048]
本发明有如下附图：
[0049]
图1本发明的改进粒子群算法流程图；
[0050]
图2本发明的微能源网架构图；
[0051]
图3本发明的夏季典型日冷、热、电负荷曲线和光伏日出力预测曲线；
[0052]
图4基本粒子群算法和改进粒子群算法的迭代次数和适应度值对比图；
[0053]
图5基本粒子群算法和改进粒子群算法优化后每小时运行成本对比图。
具体实施方式
[0054]
以下结合附图对本发明作进一步详细说明。
[0055]
微能源网的经济优化配置可以看作是一个对于包含多变量和多种约束的非线性模型的优化求解过程，在这个求解过程中，算法工具的选择对求解多元多维度的模型至关重要，决定最终结果是否为这个过程的最优。
[0056]
本发明选择用粒子群算法对微能源网优化运行进行求解，粒子群算法是模拟鸟群觅食行为的一种算法，它基于群体迭代，在解空间中追踪最优粒子进行搜索。相比于蚁群算法参数设置复杂，个体只能感知局部信息，不能利用全局信息，粒子群算法参数设置简单且代码易实现，不仅有个体最优信息，还同时保留和利用群体最优信息；相比于模拟退火算法、鲸鱼优化算法和鱼群算法易陷入局部最优解，粒子群算法每次都对全局进行搜索，结果为全局最优值。综上所述，粒子群算法是非线性连续优化、组合优化问题的有效优化工具，广泛用于函数优化及系统控制等领域。
[0057]
但是基本的粒子群算法存在收敛速度慢的问题，本发明针对这个问题，对基本粒子群算法进行改进，加入线性递减惯性权重和分部压缩因子。大的惯性权重有利于粒子群进行全局搜索，小的惯性权重有利于粒子群进行局部搜索，在计算初期，设置较大的权重，使粒子群中的粒子可以保持多样性和较大的全局搜索范围，在迭代后期，设置较小的权重，增强粒子群的局部寻优能力。为了使粒子群算法既可以在前期保持较大的全局搜索能力，又可以在后期较快达到全局最优的值，本发明提出将惯性权重设置为线性递减的，可以根据迭代时间的不同调整算法的收敛速度，动态的调整搜索范围。粒子群算法的寻优问题是非线性的过程，将非线性问题线性化，把惯性权重设置为线性递减的，可以将问题简化，更好的控制粒子群的轨迹和迭代过程。压缩因子可以提高算法的收敛程度，在速度更新公式中加入压缩因子，从而可以有效提高算法的收敛程度，并且在局部寻优部分和全局寻优部分设置不同的压缩因子，即所述的分部压缩因子，使改进后的粒子群算法具有更好的迭代速度和收敛性能。
[0058]
本发明采用的基于线性递减惯性权重和分部压缩因子的改进粒子群算法的迭代公式如下：
[0059][0060][0061][0062]
[0063]
c1≠c2,c2＝c1+2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0064][0065]
式中，k表示第k次迭代，d表示粒子的第d维度，i表示第i 个粒子，表示第i个粒子第k次迭代第d维的飞行速度，ω表示惯性权重，ω
max
表示初始惯性权重，ω
min
表示最终惯性权重，iter
max
表示最大迭代次数，c1表示自身学习因子，c2表示群体学习因子，p
id
表示单个粒子搜索到的最优位置，p
gd
表示粒子群搜索到的最优位置， r1、r2表示介于(0,1)之间的随机数，表示第i个粒子第k次迭代第d维的位置，γ1、γ2表示压缩因子。
[0066]
惯性权重ω起着权衡局部最优能力和全局最有能力的作用。在迭代初期，设置的ω较大，可以使算法保持较强的全局搜索能力，而到了迭代后期，ω逐渐减小，这样有利于增强算法权衡局部最优的能力。本发明设置l为8.5，收缩因子γ1的值为0.610，γ2的值为0.467，即在基础粒子群算法中的速度更新公式中粒子第k次迭代后获得的速度v
id
和粒子自身寻优过程这两项中乘以压缩因子γ1，在粒子全局寻优的部分乘以压缩因子γ2，基础粒子群算法中一般设置c1和c2相等，在本发明中考虑自身寻优和全局寻优的占比不同，设置c1和c2不相等，当l为8.5，则c1为3.25，c2为5.25，即在粒子自身寻优部分乘以0.610
×
3.25＝1.9825，全局寻优部分乘以0.467
×
5.25＝2.452，然后再分别乘以r1和r2，r1和r2都为0-1的随机数。本发明之所以在局部最优和全局最优两部分前设置不同的压缩因子，因为在应用于微能源网优化运行时，希望可以在迭代次数少的情况下快速找到全局最优值，即经济性较好的值，所以本发明将全局最优的压缩因子设置较高，使改进后的粒子群算法具有更好的收敛效果。
[0067]
改进的粒子群算法应用到微能源中，对微能源网中各种设备进行优化配置，针对微能源网中不同的运行场景，采取不同的惯性权重和分部压缩因子设置方法，以提高不同微能源网运行场景下算法的全局搜索能力和收敛速度，得到不同场景下最优日运行成本。
[0068]
下面结合微能源网优化的具体场景介绍上述算法运用的具体实施例，微能源网的具体设备情况不应作为本发明的一种限制，也就是说本发明所述的微能源网不仅限于实施例中所描述的情况，实施人可以根据本发明的构思结合公知常识将本发明所述的优化算法应用于不同架构的微能源网。例如本实施例中的光伏发电系统也可换做风力发电系统、水利发电系统、地热发电系统等其它可再生能源系统，只需构建相应的发电输出功率模型和成本模型即可。
[0069]
本实施例针对某微能源网的夏季典型日的冷热电负荷特性曲线进行优化，微能源网的架构图如图2所示，微能源网设备包括微型燃气轮机、电锅炉、电制冷机、光伏发电系统、储能装置和接入电网，其中，微型燃气轮机消耗燃气输出电功率和余热功率，电锅炉消耗电能输出热能，电制冷剂消耗电能输出制冷功率，光伏发电系统提供电能输入，储能装置可以吸收和释放电能，电网提供电力输入。
[0070]
结合上述微能源网架构，本实施例以微能源网日运行成本最低为目标构建目标函数，以微能源网中冷、热、电能量平衡约束和微能源网中各设备输出功率范围约束为约束条件，具体如下：
[0071]
1、目标函数表达式为：
[0072]
f1(t)＝ce(t)+c
gas
(t)+c
om
(t)+c
dp
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0073]
式中，f1(t)表示运行成本，ce(t)表示购电成本，c
gas
(t)表示购气成本，c
om
(t)表示折旧成本，c
dp
(t)表示运行维护成本，t为时间变量；
[0074]
其中，购电成本表达式如下：
[0075][0076]
式中，c
grid
(t)和p
grid
(t)分别表示购电电价和购电功率；
[0077]
其中，购气成本表达式如下：
[0078]cgas
(t)＝c
ng
(t)
·vmt
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0079]
式中，c
ng
(t)表示天然气价格，v
mt
(t)表示消耗的天然气容量，消耗的天然气容量如下式：
[0080][0081]
式中，p
mt,e
(t)表示t时刻微型燃气轮机输出的电功率，η
mt,e
(t)表示发电效率，r
lhvt
为微型燃气轮机低位热值常量，δt微型燃气轮机运行时间；
[0082]
其中，折旧成本表达式如下：
[0083][0084]
式中，k
omi,t
、pi(t)分别表示微能源设备j的折旧成本系数和输出功率；
[0085]
其中，运行维护成本表达式如下：
[0086][0087]
式中，c
az,j
、nj、kj分别表示微能源设备j的单位容量安装成本、投资偿还期和容量因素(％)，r表示年利率，8760为一年内的小时数；
[0088]
2、微能源网中冷、热、电能量的平衡约束包括：
[0089][0090]
式中，p
grid
(t)、p
gt
(t)、p
mt,e
(t)、p
es,c
(t)分别表示电网、光伏、燃气轮机、储能装置输出的电功率，p
ec
(t)、p
eb
(t)分别表示电锅炉、电制冷设备消耗的电功率；le(t)表示电负荷；q
eb,h
(t)、q
mt,left
(t)分别表示电锅炉输出的热功率和微型燃气轮机输出的余热功率；lh(t)表示热负荷；q
ec,c
(t)表示电制冷机输出的冷功率；lc(t)表示冷负荷。
[0091]
3、微能源网中各设备的输出功率范围约束包括：
[0092][0093]
式中，p
mt,e
表示微型燃气轮机输出电功率，q
eb,h
表示电锅炉输出热功率，q
ec,c
表示电制冷设备输出冷功率，p
es,c
表示储能装置输出电功率，soc表示储能设备的荷电状态，下标max，min分别表示数值的最大和最小值。
[0094]
上述约束条件所用到的各微能源网设备能量转化公式如下：
[0095]
1、微型燃气轮机输出的余热功率为：
[0096][0097]
式中，p
mt,e
(t)表示微型燃气轮机的输出电功率，η
mt,e
(t)表示微型燃气轮机的发电效率，η
l
表示微型燃气轮机的散热损失效率；
[0098]
2、电锅炉的能量转化公式为：
[0099]qeb.h
(t)＝η
eb
·
p
eb
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(16)
[0100]
式中，q
eb,h
(t)为电锅炉的制热功率；η
eb
和p
eb
(t)分别为电锅炉的热效率和用电功率。
[0101]
3、电制冷机能量转化公式为：
[0102]qec,c
(t)＝c
cop,ec
p
ec
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(17)
[0103]
式中，q
ec,c
(t)、p
ec
(t)分别为电制冷机t时段输出的冷功率、制冷所需的电功率，c
cop,ec
为额定性能系数。
[0104]
4、储能系统输出电功率为：
[0105]qes,c
＝p
es,c
η
es,c
δt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(18)
[0106]
式中，q
es,c
为储能设备的充放电能量；p
es,c
和η
es,c
分别为储能装置的充放电功率和效率。
[0107]
如图1所示，本实施例算法的流程如下：
[0108]
1、初始化微能源网中的参数：各种设备的额定参数见表1，典型日的电、热、冷负荷的数据以及光伏发电功率预测数据如图3所示，电网分时电价和天然气价格如表2所示；规定算法的基本参数：粒子的数量100，迭代次数800，c1值为3.25，初始惯性权重ω
max
值为0.8，最终惯性权重ω
min
值为0.2，随机选取的粒子的位置和速度。
[0109]
2、根据步骤1的初始数据，计算所有初始选取的粒子的适应度值，即此问题解的最小化的目标函数值，令其为d
i(0)
。
[0110]
3、用最小值函数选取其中的最小值，即为全局最优值p
g(0)
。
[0111]
4、以上为k＝0的初次计算过程，令k＝k+1，根据改进后的粒子群算法的速度公式和位置公式，对于自身寻优和全局寻优不同的部分，乘以分部压缩因子，更新粒子的速度vi(k)
和位置z
i(k)
。
[0112]
5、计算每个粒子的适应度值，令其为d
i(k)
，取最小值，更新局部最优值p
id(k)
和全局最优值p
gd(k)
。
[0113]
6、迭代结束条件：若第k次迭代与第k-1次迭代的差值除以第 k次迭代的值小于初始数据设定的阈值，或者迭代次数大于等于初始设定迭代次数时，就可以输出结果并结束整个计算过程。
[0114]
表1微能源网设备参数
[0115][0116]
表2分时电价及天然气价格
[0117][0118]
采用适应度值的大小和到达最优值迭代次数的大小两个指标来评价算法的准确度，并通过对比两种方法获得的日运行成本的高低来说明本发明的应用效果，对比结果如图4所示。
[0119]
以微能源网第一个小时优化运行为例，由图4可知，基础粒子群算法在迭代次数为355时得到最优解，最优解为131.6元；而本文所提改进粒子群算法在迭代次数为273次时得到最优解，最优解为 131.8元。这表明，在两种算法求解得到的最优解数值基本相同的条件下，本文所提改进粒子群算法能够显著减少求解的迭代次数，提高算法的收敛速度与收敛能力。
[0120]
算法对微能源网中各个设备出力进行优化的结果如表3-5所示，对于电功率，光伏
白天出力较多，电锅炉夜晚出力较多；对于热功率，燃气轮机在白天出力，电锅炉夜晚出力多；对于冷功率，只有电制冷机对冷负荷供冷。规定发出功率为正，吸收功率为负，三种功率的功率正负数值互为相反数，表明微能源网内冷、热、电功率的输入输出平衡，即微能源网内能量流动平衡。
[0121]
表3电功率优化结果
[0122]
[0123][0124][0125]
表4热功率优化结果
[0126]
[0127][0128]
表5冷功率优化结果
[0129]
[0130][0131]
基本粒子群算法和改进粒子群算法分别用与微能源网经济优化运行，每小时的运行成本对比图如图5所示，由图5可知，改进后的粒子群算法计算得到的每小时经济运行成本比基本粒子群算法平均少25元左右，基本粒子群算法求解得到的日运行成本为4960.58 元，改进后的算法求解得到的日运行成本为4398.64元，改进后的相比于基本的减少了561.94元，即日运行成本降低了11.33％，有显著的经济效益，降低了经济运行成本，提高了能源的综合利用率。
[0132]
微能源网运行成本低于基本粒子群算法的成本，体现了经过改进后的粒子群算法在全局寻优的过程中的优越性，应用于多能互补微能源网优化运行场景中，具有良好的经济性，提高了能源的综合利用率。
[0133]
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
技术特征：1.一种基于改进粒子群算法的微能源网优化运行方法，其特征在于，包括如下步骤：s1、建立微能源网系统模型；s2、建立微能源网优化目标函数；s3、建立微能源网优化约束条件；s4、采用改进粒子群算法对微能源网优化调度模型进行求解；其中，步骤s4所述改进粒子群算法基于线性递减惯性权重和分部压缩因子，迭代公式如下：如下：如下：如下：c1≠c2,c2＝c1+2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)式中，k表示第k次迭代，d表示粒子的第d维度，i表示第i个粒子，表示第i个粒子第k次迭代第d维的飞行速度，ω表示惯性权重，ω
max
表示初始惯性权重，ω
min
表示最终惯性权重，iter
max
表示最大迭代次数，c1表示自身学习因子，c2表示群体学习因子，p
id
表示单个粒子搜索到的最优位置，p
gd
表示粒子群搜索到的最优位置，r1、r2表示介于(0,1)之间的随机数，表示第i个粒子第k次迭代第d维的位置，γ1、γ2表示压缩因子。2.如权利要求1所述的基于改进粒子群算法的微能源网优化运行方法，其特征在于，其中c1值为3.25，ω
max
值为0.8，ω
min
值为0.2。3.如权利要求1所述的基于改进粒子群算法的微能源网优化运行方法，其特征在于：所述微能源网优化目标函数以微能源网日运行成本最低为目标来构建；所述微能源网优化约束条件包括微能源网中冷热电能量平衡约束和微能源网中各设备输出功率范围约束。4.如权利要求3所述的基于改进粒子群算法的微能源网优化运行方法，其特征在于：所述目标函数表达式为：f1(t)＝c
e
(t)+c
gas
(t)+c
om
(t)+c
dp
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(7)式中，f1(t)表示运行成本，c
e
(t)表示购电成本，c
gas
(t)表示购气成本，c
om
(t)表示折旧成本，c
dp
(t)表示运行维护成本，t为时间变量；其中，购电成本表达式如下：
式中，c
grid
(t)和p
grid
(t)分别表示购电电价和购电功率；其中，购气成本表达式如下：c
gas
(t)＝c
ng
(t)
·vmt
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)式中，c
ng
(t)表示天然气价格，v
mt
(t)表示消耗的天然气容量，消耗的天然气容量如下式：式中，p
mt,e
(t)表示t时刻微型燃气轮机输出的电功率，η
mt,e
(t)表示发电效率，r
lhvt
为微型燃气轮机低位热值常量，δt微型燃气轮机运行时间；其中，折旧成本表达式如下：式中，k
omi,t
、p
i
(t)分别表示微能源设备j的折旧成本系数和输出功率；其中，运行维护成本表达式如下：式中，c
az,j
、n
j
、k
j
分别表示微能源设备j的单位容量安装成本、投资偿还期和容量因素(％)，r表示年利率，8760为一年内的小时数；所述微能源网中冷、热、电能量的平衡约束包括：式中，p
grid
(t)、p
gt
(t)、p
mt,e
(t)、p
es,c
(t)分别表示电网、光伏、燃气轮机、储能装置输出的电功率，p
ec
(t)、p
eb
(t)分别表示电锅炉、电制冷设备消耗的电功率；l
e
(t)表示电负荷；q
eb,h
(t)、q
mt,left
(t)分别表示电锅炉输出的热功率和微型燃气轮机输出的余热功率；l
h
(t)表示热负荷；q
ec,c
(t)表示电制冷机输出的冷功率；l
c
(t)表示冷负荷；所述微能源网中各设备的输出功率范围约束包括：
式中，p
mt,e
表示微型燃气轮机输出电功率，q
eb,h
表示电锅炉输出热功率，q
ec,c
表示电制冷设备输出冷功率，p
es,c
表示储能装置输出电功率，soc表示储能设备的荷电状态，下标max，min分别表示数值的最大和最小值。
技术总结本发明涉及微能源网优化运行技术领域，具体说是一种基于改进粒子群算法的微能源网优化运行方法，包括：S1、建立微能源网系统模型；S2、建立微能源网优化目标函数；S3、建立微能源网优化约束条件；S4、采用改进粒子群算法对微能源网优化调度模型进行求解；其中，步骤S4所述改进粒子群算法基于线性递减惯性权重和分部压缩因子。本发明提出的基于改进粒子群算法的微能源网优化运行方法，算法收敛速度快，提高了微能源网中各种能源的利用率，实现了能量的梯级利用，提高了综合能源利用率。提高了综合能源利用率。提高了综合能源利用率。
技术研发人员：黄俊威 徐军岳 侯健生 张丽娜 王千 叶泓炜 崔雪莹 赵欣雨
受保护的技术使用者：华北电力大学
技术研发日：2022.07.01
技术公布日：2022/11/1
