1.冷热电联供型微电网多目标动态优化调度方法,其特征在于：该方法具体包括以下步骤：步骤1、确定目标电负荷曲线，得到可平移电负荷所能平移的数量以及可平移进/出的时段；电负荷平移实现算法的具体步骤如下：(1)输入基础数据；

这其中包括各类可平移电负荷在各时刻的单元数以及其用电特性、日前调度预测的电负荷数据、风力发电和光伏发电预测数据和实时电价；

(2)根据相应机制确定目标电负荷；

当微电网系统处于并网模式下，根据电价数据，在电价较低时安排较多的电负荷而在电价较高时尽量减少负荷量，即目标电负荷与电价成反比例关系，如式(1)所示：式中Dt为调度周期内第t时刻的电价，Pobj,t为t时段的目标负荷，Pf,t为t时段的原始预测负荷，T为调度周期；

当微电网处于孤岛运行状态时，为了减少丢弃风光指标，可根据风光发电数据，在风光发电功率较少时安排较少电负荷而在风光功率较多时安排较多电负荷，即目标电负荷与风光出力成正比例关系，如式(2)所示：式中，WPt为调度周期内第t时刻风力和光伏发电的预测功率；

(3)求解可平移负荷模型；

将式(1)或式(2)代入式(3)中，采用粒子群优化算法，并利用式(4)定义的“以商定量，以余定度”的方法得到可平移电负荷移出的单元数和可平移电负荷的平移裕度，从而得到此时段移入和移出负荷的单元数和被移出的负荷被调整到的具体时刻；

其中式(3)为

式中，T为调度周期；Pobj,t为t时段的目标负荷；Ps,t为平移后t时段的负荷；Pf,t为t时段的原始预测负荷；其中负荷平移满足：平移前后负荷的种类不变，调度周期内所有可平移负荷的总量不变；每类可平移负荷有允许平移的时间裕度，可通过式(4)中的Y进行约束；

式(4)为

M÷N＝S......Y    (4)

式中，M为优化变量的某一分量；N为一定值；S为等式的商值，其决定着可平移负荷移出的单元数；Y为等式的余值，其决定着可平移负荷的平移裕度；对于平移量和平移裕度，只对移出量做计算，其移入量可由对应的移出量和相应的平移裕度求出；

步骤2、根据冷热电联供型微电网优化调度问题的原则，和优化后的电负荷曲线，结合已知的风光数据和冷/热负荷，根据调度原则建立冷热电联供型微电网优化调度问题的数学模型；其中一个目标函数为系统总的运行成本：f1(X)＝JE(X)+JO(X)+JF(X)+JB(X)    (5)式中，JE(X)为微电网系统与大电网的能量交互成本；JO(X)为设备的运行维护成本；JF(X)为燃气轮机的燃料成本；JB(X)为蓄电池和蓄热/冷槽的折旧成本；

另一个目标函数为系统污染物排放治理费用即环境成本：式中，n为污染物的种类；Vi为第i项污染物的排放治理费用；Qi(X)为第i项污染物的排放量；

因此冷热电联供型微电网的目标函数可表示为：

F(X)＝min([f1(X),f2(X)]T)    (7)该优化调度的约束分为两类：一是设备模型约束，包括：(1)蓄电池

蓄电池满足充放电功率约束，即

-PES_ch_max≤PES≤PES_dis_max    (8)式中，PES_ch_max和PES_dis_max分别为最大允许的充电功率与放电功率，PES为蓄电池功率，充电时为负，放电时为正；

此外，蓄电池的功率约束表达成两相邻时刻的SOC幅度变化的约束即：SOCi+1-SOCi≤δ    (9)

式中，δ在不同运行状态下，即充电或放电状态的值不同；

除此之外，还需要考虑蓄电池的荷电状态约束：

SOCmin≤SOCi≤SOCmax    (10)式中，SOCmax、SOCmin分别表示蓄电池荷电状态的上下限要求；

(2)蓄热/冷槽

蓄热/冷槽在约束的处理上采用与蓄电池相同方法，其中蓄热/冷槽的储热水平对应着蓄电池的额定容量，放能深度对应着蓄电池的放电深度；

(3)燃气轮机

燃气轮机发电功率Pgen(t)应当满足功率的上下限：式中 为发电机的最小启动功率； 最大发电功率；

此外，燃气轮机还应满足爬坡率约束：

式中，Pup、Pdown分别为发电机上下限爬坡率限值；

另一类约束为系统运行约束，即系统在运行中应该满足的约束，这类约束包括：(1)功率和能量平衡约束

系统在运行应当满足功率平衡，因此，要在各个时段满足：Pload(t)＝Pgen(t)+PES(t)+PPV(t)+PWT(t)    (13)式中，Pload(t)、PPV(t)、PWT(t)分别为优化后的电负荷功率、光伏和风力预测发电功率；

PES(t)为蓄电池充放电功率，为正时放电，为负时充电；

同时还需满足系统冷/热能平衡：

Qload(t)＝Qair(t)+Qgt+Qhs    (14)式中，Qload(t)、Qair(t)分别为热/冷负荷、空调制热/冷量，Qhs为蓄热槽释放的热/冷量；

为正时释放热/冷量，为负时储存热/冷量，Qgt为微型燃气轮机高温尾气余热提供的制热/冷量；

(2)储能设备SOC值初始时刻和结束时刻相同

由于冷热电联供型微电网优化调度呈现周期性，因此，对于储能设备包括蓄电池和蓄热/冷槽的状态在调度周期内的初始和终止时刻应当保持一致，即：SOCstart_b＝SOCend_b   (15)SOCstart_q＝SOCend_q    (16)式中，SOCstart_b、SOCend_b、SOCstart_q和SOCend_q分别为调度周期内蓄电池初始时刻和终止时刻的荷电状态，以及蓄热/冷槽初始时刻和终止时间的储热水平；

针对设备模型约束，蓄电池功率、燃气轮机发电机的启动功率与最大功率，采用约束硬处理的方法，即将违背约束的元件的运行变量强制赋值为边界值；即如式(9)的蓄电池约束所示：若|SOCi+1-SOCi|＞δ    (17)则

对于系统运行约束中功率平衡的约束，一般采用降维处理方法，即假设等式中有N个变量，选取其中N-1个变量作为自变量；剩余一个变量为因变量，其值由其他自变量的值以及约束等式共同确定；将Pgrid(t)作为因变量；

对于系统运行周期内的储能单元，初始和终止时刻SOC需保持一致这一约束与其设备模型约束组合行成了具有时间耦合性的混合约束；采用柔性约束处理方法，即将违背式(15)与(16)的约束作为惩罚项加入总的运行成本，从而形成新的目标函数：F'(X)＝F(X)+β·|SOCi+1-SOCi|    (19)式中，β为SOC约束惩罚因子；F(X)是多目标函数，即惩罚项是加入到每个子目标函数上；

步骤3、利用基于“优秀粒子”指导的多目标粒子群优化算法对该优化调度模型进行求解；具体步骤如下：(1)利用单目标遗传算法对冷热电联供型微电网系统的运行成本和环境成本最低为目标分别进行优化调度，并保存优化调度结果；

(2)粒子群初始化

将多目标粒子群优化算法初始化，包括确定种群的数目、总的迭代次数、惯性权重值的设定和学习因子；并将步骤(1)中遗传算法保存的两个调度结果随机赋给粒子群算法种群中的两个个体；

(3)计算各粒子的适应度值

确定适应度函数，并计算每个粒子对应的适应度值；根据种群内各粒子的支配关系确定种群的非支配解，并将非支配解放入外部档案集；

(4)按照拥挤距离排序，并删除超出规模的粒子

(5)更新粒子的个体极最优和全局最优位置

更新粒子的个体最优位置和全局最优解；确定全局最优解的方法与单目标粒子群算法有着很大的不同，当目标最优的选取通过Pareto支配关系确定时，外部档案集存储着已经找到的非支配解，然而整个集合中却没有“绝对的”最优解；从经过拥挤距离排序的外部档案集中选取前百分之十的粒子，然后随机选取其中一个粒子作为此次迭代的全局最优解；

(6)更新粒子的速度和位置

粒子群优化算法源自于鸟群捕食行为的研究，该算法将种群中的鸟抽象成一个个粒子，通过这些粒子之间的信息共享与相互协作，追随已搜索到的粒子个体最优值和粒子群的全局最优值来更新每个粒子的位置，经过多次迭代最终确定全局最优值；在算法进行时，Pbesti最优是指一个粒子迄今为止寻找的最优值；Gbest是指整个粒子群迄今为止找到的最优值；种群内所有粒子的更新速度和位置公式为：式中，k为迭代次数； 为粒子i的飞行速度； 为粒子i在第k+1次迭代飞行的速度；

c1、c2为学习因子，取值为2；r1、r2是位于[0，1]之间的随机数；ω为惯性权重系数，用来权衡局部最优和全局最优的搜索能力；算法中ω通常需要动态调整，按式(22)中的迭代次数线性递减的函数来计算惯性权重ω：式中，ωmax一般取值0.9；ωmin为0.4；k为当前的迭代次数；kmax为设置的最大迭代次数；

根据式(20)和(21)更新整个种群粒子的速度和位置；更新后粒子的速度和位置有可能超出给定的搜索空间范围，此时将超出搜索空间的粒子赋为边界值并将其速度反向；为了防止粒子陷入局部最优，对种群内的粒子按照一定的概率选取后进行位置扰动；概率值的选取应当随着迭代次数的增加而减小，以便于种群进化后期的快速收敛；

(7)是否满足终止条件

判断算法是否满足终止条件，如果满足则输出相关结果，否则转到步骤(3)继续执行；

步骤4、输出最终计算的结果，即系统总的运行成本和环境治理成本这两个目标之间的Pareto前沿；在此基础上得到微型燃气轮机、蓄电池、蓄热/冷槽、空调在每时段的出力以及与大电网的交互电功率。