1.基于实时电价的中压微网混沌PSO最优潮流实现方法，步骤如下所述：（1）静态数据准备阶段

1.1) 介于本项目的目标函数为：

H=αCosteco+βCostemv+γCosthea （1）其中：

α、β、γ分别表示经济因素、环境因素、健康因素的惩罚因子，即各个因素占微网运行所考虑的总成本所占的比重。

Costeco、Costemv、Costhea 分别表示经济成本、环境成本和健康成本，单位为元。

η 为各分布式电源(DG)的发电效率，

PGi,t为各DG在第t时刻发出的有功功率。

I为DG种类，包括光伏(PV)、风电(WT)、电池(BAT)、燃料电池(FC)和微汽轮机(GT) ，n为DG的总数量；

Crun,i 为各DG的运行费用，如FC的天然气价格，GT的燃料价格，PV、WT和BAT的价格为0；

Com为第i台DG的维护费用；

Cbuy,t 为从大电网购电的实时电价；

Csel,t 为向大电网售电的电价；

Pex,t 为在第t时刻与大电网交换的电功率，若购电则为正，售电则为负；

Pexr,t 为第t时刻供给可中断负荷的有功功率；

Pint,t 为第t时刻可中断负荷被切除的有功功率；

Cexr,t 为第t时刻向可中断负荷售电的电价；

Cint,t 为第t时刻对可中断负荷所补偿的电价。

Kemi,i 为第i台DG所排放的废气，单位为kg/kW；

Cemi,i 为每排放1kg废气所需要交纳的排放费用，单位为元/kg。

KPM10,i为第i台DG排放的PM10的量，单位为kg/kW；

CPM10 为每排放1公斤 PM10所需要交纳的排放费用，单位为元/kg。

因此，根据用户对经济性、环保性、健康性的不同需求，选择相应的惩罚因子参数，即不同的α、β、γ值。

1.2） 通过神经网络算法，根据当天的实际情况，对当天24小时的实时电价进行预测，并构建相应的Cost变量。

1.3） 根据该微网或中低压系统的线路参数构建Linedata变量，所述的Linedata变量为：始节点 末节点 电阻 电抗 电容

1.4）根据微网或中低压系统中各个分布式电源的发电量上下限值构建Pglimits，各个分布式电源的效率值ηi以及上述所提及的其他各类静态参数。

1.5）根据当前时间段和前几个时间段的负荷值，以及当天的天气等所掌握的数据，通过负荷预测的手法，预测出当天24小时的负荷预测值，构建PD,t。

其中：

PD,t代表通过第t时刻以及t时刻以前的负荷值所预测出的当天24小时各个时间段的负荷值。

（2）最优潮流粒子群算法初始化阶段

2.1) 初始化种群位置、速度以及Hvalue。

随机定义种群粒子的初始位置向量Arrpresent和初始速度向量V（注：由于初始速度向量的定义方法和初始位置向量方法基本一致，只是其各类值所取的大小相对较小，因此后面只以位置向量为例进行初始化说明，初始速度向量的初始化方法不再累述）。其中，不同的粒子(pop值)代表着各个时刻系统不同的运行方案；每个粒子的不同维度值(part值)包含了各个节点的电压幅值和分布式电源、大电网侧的有功功率值以及根据相应目标函数（1）计算得出的初始适应值Hvalue(记为H)；所述的Arrpresent变量为：其中

arrpresent 代表在t时刻，第i个粒子的位置值。

popi 代表在t时刻，第i个粒子的位置值

partj 代表在t时刻，各个例子的位置的维度值Vi,n 代表在t时刻，微网中各个节点的电压值Pi,Gm 代表各个分布式电源及大电网侧的有功功率值。

Hi 代表在t时刻，各个例子的适应值，即根据目标函数（1）所得出的值并且，在随机初始化定义位置值时，必须满足以下几个约束变量。

1）Pi,Gm,t在随机定义值时，必须满足Pglimits,t变量中各个分布式电源有功功率的上下限值的约束。即必须满足约束条件Pi,min≤Pi,t≤Pi,max （10）Pi,min、Pi,max 为t时刻PV、WT、GT有功出力最小、最大限值。

实现方法为：在各自的有功出力上下限值内，随机产生各自的有功出力。

2）燃料电池PFc,t在随机定义初始值时，必须满足约束条件PFC,min≤PFC,t≤PFC,max （11）ΔPFC,down≤PFC,t-PFC,t-1≤PFC,up （12）PFC,min、PFC,max为t时刻FC的有功出力最小、最大限值；

ΔPFC,down、ΔPFC,up 为FC单位时间段内功率最大减少量和最大增发量。

实现方法为：在其Pglimits,t的有功功率上下限值内随机生成各个时刻的有功功率值PFc,t，检验其是否满足约束条件，若不满足，则再次随机生成。

3）对于蓄电池的有功功率值PBat,t，其必须满足约束条件BAT,min＜|PBAT,t|＜PBAT,max （5）PBAT,t 为蓄电池t时刻充放电功率，负值代表充电，正值代表放电；

PBAT,min、PBAT,max 为蓄电池充放电时允许的最小、最大功率；

Wini、WBAT,min、WBAT,max 为蓄电池的初始、最小、最大存储能量；

T 为单位时间；

λ为蓄电池的能量损失系数。

实现方法为：随机生成的值不满足要求，则根据相应的算法进行调整，直至满足约束条件。

4）微网中各个节点的电压在随机定义初始值时，必须满足约束条件Vi,min≤Vi≤Vi,maxi=1,…,m （13）δi,min≤δi≤δi,maxi=1,…,m （14）Vi、Vi,min、Vi,max为微网中各节点的实际电压幅值、允许的电压最小和最大幅值；

δi、δi,min、δi,max为微网中各节点的实际相角、允许的相角最小和最大值；

实现方法为：在其电压幅值的上下限值内随机生成各个时刻的各个节点的电压幅值。

2.2）初始化pbest以及gbest变量。

在对各个粒子的初始位置进行初始化后，再依据目标函数（1）进行计算，取出H值最小的一组粒子，即得到粒子群算法中Pbest变量值以及Gbest变量值初始值。

（3）最优潮流粒子群算法迭代计算阶段

3.1）种群位置以及速度更新。

根据粒子群算法各个粒子的速度以及位置函数，对各个时刻每个粒子的速度以及位置值进行更新。所采用的速度以及位置的更新函数如下所示：vt=wvt′+C1·R·(pbestt-arrpresentt)+C2·R·(gbestt-arrpresentt)arrpresentt=arrpresentt+Vt （19）其中

w 代表自适应权重，即根据（15），（16），（17），（18）计算所得的权重值。

ωini,ωmax,ωmax，ωh,ωs分别是惯性权重的初始设定值、初始设定最大值、进化速度因子的设定值、聚集度因子的设值，按经验设定，一般为0.5，0.9，0.4，0.1。

XIter(i) 是粒子i当前的迭代次数Iter的位置。

N 是粒子群体规模、

H( ) 是适应值函数（即目标函数）。

vt′ 代表速度的上一次迭代值。

C1 ，C2 代表学习因子，自行取值。

R 代表随机产生0~1之间数字的随机函数。

然后对燃料电池Fc和蓄电池的有功功率值进行检验，看其是否满足相应的约束条件，若不满足，则根据相应的调整算法，对其随机值做相应的调整使满足约束条件。

3.2）构建Busdata变量。

将各个粒子的初始位置存入用于牛顿—拉夫逊计算法的节点数据变量Busdata中，所述的Busdata变量如下所示：电压 负 载 发电机 发电机无功节点号 类型 幅值 角度 有功 无功 有功 无功 最大值 最小值其中

节点类型取值为0,1,2，0代表平衡节点；1代表负荷节点，即PQ节点；2代表发电机节点，即PV节点。若第i个节点为负荷节点，则PGi，QGi均为0。

3.3）根据目标函数计算Hvalue。

根据Busdata以及Linedata变量，通过牛顿—拉夫逊迭代法进行潮流计算，并得出线路的潮流分布，并计算得出与大电网侧的交换功率Pex与线路损耗值PL，表述为其中，Pex,t，PL,t代表第t时刻通过牛拉法计算得到的与大电网交换的功率和线路损耗功率。

然后根据目标函数（公式（1）），计算各个时刻各个粒子的H值，并相应的存入Arrpresent变量中第j+1列。

3.4）更新Pbest，Gbest，Bestrecord通过比较每个粒子的H值，若小于原先储蓄于Pbest中的值，说明更新位置后的运行方案更加经济，则更新Pbest值。并且取所有例子Pbest值中最小的值更新Gbest，并储存于历代最优值储存变量Bestrecord中。

3.5）测试所得到的结果是否达到收敛的精度要求，若满足，则进入下一步；若不满足，则重新进行步骤3.1）。

（4）PSO混沌计算

4.1）进行PSO混沌

4.1.1）混沌的初始化：随机产生2组n个m维（输入算法的各个节点参量的个数）、数值大小在0-1之间的向量——坐标混沌向量：Zi=(zi1,zi2,…,zim)和扰动因子混沌向量Ui=(ui1,ui2,…,uim)。

4.1.2）混沌的映射：根据处于完全混沌状态的Logistic映射，Zi+1=4zi(1-zi), i=0,1,2,…，得出n个新的向量Z'1，Z'2，…，Z'n。并将Zi 的各个分量zij映射到每个参量的取值范围: xij=aj+(bj-aj)zij，j=1,2,…,m; i=1,2,…,n，得出各个混沌粒子的位置初值 Z'i=(xi1,xi2,…,xim)。同样的方法，将扰动因子映射到扰动范围[-β,β]内，得到的扰动变量初值U'i=(Δxi1, Δxi2,…, Δxim)。

4.1.3）混沌位置值的更新：根据公式x'ij=xij+Δxij，得出根据混沌算法的各个粒子的位置量Xi。

4.1.4）目标函数适应值的计算：将位置量Xi代入目标函数H，得出适应值，并得出当前N个混沌粒子的Pbest。

4.2）全局最优值的验证。

将混沌算法得出的结果与自适应权重所收敛的全局最优解相比较，若大于或相等，则说明根据自适应权重方法已收敛于全局最优解进行下一步骤；若小于，则说明根据自适应权重方法收敛于局部最优解，因此，重新进行步骤3.1）。

（5）最优运行方式输出

输出该时刻粒子群算法得出的各个分布式电源以及大电网侧的最优有功出力值，并且输出该时刻微网线路的潮流分布以及处于最优运行方式的微网为满足负荷需求所应支付的最优总价格。该方案可以满足用户经济、环保和健康的要求。

（6）相关的推广

根据各个微网用户自身的需求，即对经济性、环保性、健康性的不同需求，自我选择不同的惩罚因子搭配，即不同的α、β、γ值，重新按照上述步骤进行计算，以得出满足不同微网用户对经济、环保、健康的不同需求。