第41卷 第2期吉林大学学报(信息科学版)Vol.41 No.22023年3月Journal of Jilin University (Information Science Edition)Mar.2023文章编号:1671⁃5896(2023)02⁃0227⁃09基于改进海鸥算法的微电网经济调度研究收稿日期:2022⁃05⁃17基金项目:国家自然科学基金资助项目(51974090)作者简介:白丽丽(1981 ),女,黑龙江大庆人,东北石油大学副教授,主要从事高压电脉冲钻采理论与技术研究,(Tel)86⁃182****9106(E⁃mail)baili.81@;通讯作者:孙文峰(1983 ),男,黑龙江大庆人,东北石油大学讲师,博士,主要从事高压电脉冲钻采理论与技术研究,(Tel)86⁃139****4363(E⁃mail)380780857@㊂白丽丽,陈海龙,於瑞金,刘 双,孙文峰(东北石油大学电气信息工程学院,黑龙江大庆163318)摘要:为保证微电网经济可靠运行的同时,减少对环境的污染,提出了一种综合考虑微电网的运行成本和环境污染等因素的微电网优化调度模型㊂通过自适应权重法为不同的适应度函数分配权重,把多目标问题转化成单目标问题,采用改进的海鸥算法寻找最优的配置方案㊂实验结果表明,经过改进的海鸥算法具有很好的全局寻优能力和求解精度,收敛速度相比于标准算法也有一定的提高,在对微电网经济调度问题的求解上具有一定的优势,既降低了微电网的运行成本,又减少了环境的污染,提高了微电网运行的可靠性㊂关键词:微电网;经济调度;海鸥算法;多目标优化;可靠性中图分类号:TP18;TM734文献标志码:AResearch on Microgrid Economic Scheduling Based on Improved Gull AlgorithmBAI Lili,CHEN Hailong,YU Ruijin,LIU Shuang,SUN Wenfeng(School of Electrical and Information Engineering,Northeast Petroleum University,Daqing 163318,China)Abstract :In order to ensure economic and reliable operation of micro power grid,reduce the pollution to the environment,an optimal dispatching model for microgrid is proposed,which considered the operating cost and environmental pollution of microgrid,through the adaptive weighting method weights for different fitness function are distributed,the multi⁃objective problem is changed to single objective problem.The improved gull algorithm is used to find the optimal configuration scheme.Gulls experiment results show that the improved algorithm has better ability for global optimization,the solving precision and convergence speed compared with the standard algorithm.The micro grid economic operation has certain advantages in solving the problem,and reducing the micro grid operation cost and the environmental pollution,improving the reliability of the micro grid operation.Key words :microgrid;economic dispatch;seagull algorithm;multi⁃objective optimization;relia⁃bility 0 引 言作为微电网组成部分,风电㊁光伏能源容易受到气候等因素的影响,产生随机性和不确定性问题,而储能设备可随时充放电,能很好地平抑其产生的功率波动问题,保证微电网的平稳运行㊂所以通过对微电网装置的合理分配,使微电网在满足负荷需要,保护环境的基础上,整体运行成本的降低是一个非常重要的研究方向㊂为解决微电网的调度问题,李锐等[1]使用人工鱼群算法实现对微电网的联合调度优化问题求解,但由于鱼群的进食是随机发生的,并不存在一定的规律,增加了寻优时间,降低了效率㊂王金全等[2]采用粒子群算法,充分考虑了电网的经济性㊁环保性和可靠性,构建了以运行成本和环境成本相协调的多目标优化调度模型,标准的粒子群算法虽然可以很好地对多目标进行优化,但求解精度不高,在搜索到局部最优解时很容易停下,影响微电网的优化配置成本㊂王怡云等[3]构建微电网的调度模型,使用天牛须算法进行求解,研究结果表明,尽管天牛须算法的全局搜索能力较好,但受搜索步长线性改变,以及天牛位置在搜寻过程中被动变化等因素影响计算寻优准确度,使算法很难搜索到全局最优解㊂王少林等[4]提出了一种基于电动汽车荷电状态检测的有序充放电调整策略,以最小化调度周期内综合运行成本最低为目标构建了数学模型,采用改进蜂群算法求解微电网的调度问题,但没有考虑到对环境的影响㊂曾嶒等[5]采用鸟群算法求解微电网的优化调度模型以寻找最理想的调度策略,虽然鸟群算法可以很好地避免陷入 早熟”,但搜索效率低,参数较多,难以获得理想的配置结果㊂综合上述研究,笔者构建了微电网并网运行的数学模型,为保证电力系统经济高效运行,使用改进海鸥算法(ISOA:Improved Seagull Optimization Algorithm)求解微电网的经济调度问题,对微电网内部装置进行优化调度,和标准算法进行比较,分析改进算法的优势,验证改进算法在微电网经济调度问题上的合理性㊂1 微电网优化调度模型笔者研究的微电网结构如图1所示㊂其主要设备有风机(WT:Wind Turbines ),光伏(PV:图1 微电网的系统结构Fig.1 System structure of microgrid Photovoltaic),蓄电池(SB:Storage Battery),微型燃气轮机(MT:Micro Turbine),能量转换装置和负荷等㊂微电网能随时与大电网交换能量,保证微电网的运行可靠性㊂1.1 微型燃气轮机(MT )微型燃机通过燃烧燃料进行发电,会造成一定的环境污染㊂笔者建模采用C65型燃气轮机,该燃气轮机净燃料成本为[6]C MTJ =C nl1L f ∑J P MTJ ηMTJ ,(1)其中C nl 为燃料的定价;L f 为燃料低热值;P MTJ 为微型燃机在不同时段内的发力情况;ηMTJ 为净发电效率㊂1.2 光伏电池(PV )光伏电池能将光能转化为电能,其输出功率为P PV =P STC G C G STC [1+k (T C -T STC )],(2)其中P STC 为光伏发电系统在标准条件下输出的最大功率;G C 为太阳光的辐射强度;G STC 为标准条件下的太阳光的辐射强度;k 为功率温度系数;T C 为光伏组件表面的温度;T STC 为参照温度㊂1.3 风力发电(WT )风力发电属于清洁能源,风力带动叶片转动会产生电能,风速的大小会影响发电功率,计算如下P WT =0,v <v ci ,P WT =av 3-bP r ,v ci <v <v r ,P WT =P r ,v r <v <v co ,P WT =0,v >v co ìîíïïïïï,(3)a =P r v 3r -v 3ci , b =v 3ci v 3r -v 3ci ,(4)其中P r 为额定功率;v ci 为切入风速;v r 为额定风速;v co 为切出风速㊂1.4 蓄电池储能(SB )微电网工作时,蓄电池会交替充放电,以保证电力系统的稳定性㊂当蓄电池充电达到储能上限后822吉林大学学报(信息科学版)第41卷开始放电,当剩余电量为储能上限30%时,放电阶段结束,开始充电㊂2 微电网的运行优化为提高对新能源的利用率,降低系统整体的运行成本,减少对环境的污染,笔者综合考虑了经济性和环保性的原则㊂2.1 目标函数2.1.1 经济性原则微电网经济成本的目标函数考虑微电网低成本运行的经济性问题,主要包括燃料㊁运维和电网交互成本等部分㊂其中燃料和运维成本为F a =∑T t =1∑N i =1[C i (P (t ))+O i (P (t ))],(5)其中T 为微电网正常工作时的一个周期;N 为微电源数目;P (t )为输出功率值;C i 为燃料成本;O i 为运维成本㊂电网交互成本F b =C b (t )P b (t )-C s (t )P s (t ),(6)其中C b (t ),C s (t )分别为微电网向主网系统购电和售电的价格;P b (t ),P c (t )分别为微电网向主网系统购电总量和售电总量㊂最少成本为燃料㊁运维成本以及电网交互成本之和:min F 1=F a +F b ㊂(7)2.1.2 环保性原则环境成本目标函数主要考虑对环境破坏补偿的环保性问题,其公式为min F 2=∑N i =1∑M e =1C e μei p i ㊂(8)其中M 为破坏环境的污染物种数;N 为污染源的个数;p i 为微电源输出功率;C e 为污染物处理系数;μei 为污染气体排放系数㊂2.2 约束条件1)功率平衡约束为P MT (t )+P WT (t )+P PV (t )+P SB (t )-P S (t )=P L (t ),(9)其中P MT (t ),P WT (t )分别为燃气轮机㊁风机正常工作时的出力情况;P PV (t ),P SB (t )分别为光伏电池㊁蓄电池正常工作时的出力情况;P L (t ),P S (t )分别为负荷正常运转时所需功率值和与主网系统进行交互的功率值㊂2)微电源出力约束为P i min ≤P i (t )≤P i max ,(10)其中P i min 为向外输出的功率下限;P i max 为向外输出的功率上限;MT 输出功率变化的限值约束为P MT (t )-P MT (t -1)≤R ㊂(11)其中R 为微型燃气轮机增加或降低功率的限值㊂3 海鸥算法3.1 基本海鸥算法标准海鸥算法(SOA:Seagull Optimization Algorithm)是一种模拟了海鸥运动行为的算法[7],其运动行为可分为迁徙和攻击两种,通过对海鸥运动行为的分析能计算出其最终的位置㊂922第2期白丽丽,等:基于改进海鸥算法的微电网经济调度研究3.1.1 迁徙行为迁徙行为是指海鸥位置的移动,在这个阶段,海鸥个体应满足避免与其他海鸥碰撞,确定最佳位置方向,靠近最佳位置这3个条件㊂1)避免与其他海鸥个体碰撞㊂为避免海鸥间的相撞情况,海鸥的新位置需要通过添加变量A确定㊂如下:c s(t)=Ap s(t),(12)其中c s(t)为在不和其他海鸥相撞的情况下,海鸥移动后的新位置;t为目前的迭代次数;p s(t)为当前海鸥位置;A为海鸥在一定区域内运动行为的变化㊂其中A如下:A=f c-t(f c/n max),(13) A值可从f c递减到0,是线性变化的;n max为总的迭代次数㊂2)确定最佳位置方向㊂在避免了与其他海鸥位置冲突后,海鸥会向最佳位置方向移动:m s(t)=B[z best(t)-p s(t)],(14)其中m s(t)为最优位置所在方向;B为保证全局搜索和局部搜索之间的平衡;r d在[0,1]之间随机取值:B=2A2r d,(15) 3)靠近最佳位置㊂海鸥在移动到了不与其他个体冲突的位置后,就会向最佳位置方向移动,其中d s(t)为海鸥满足3个条件的新位置:d s(t)=c s(t)+m s(t)㊂(16)3.1.2 攻击行为海鸥通常会在高空螺旋状飞行,其运动行为用x㊁y㊁z3个分量描述㊂海鸥个体运动行为如下:x=r cosθ, y=r sinθ, z=rθ, r=u eθv,(17)其中r为螺旋飞行时的半径大小;u和v为与飞行路线有关的常数;θ为在[0,2π]内随机取值的角度; e为自然数的底数㊂攻击行为如下:p s(t)=d s(t)xyz+z best(t),(18)其中海鸥个体会停留在海鸥攻击的位置,z best(t)为全局最优海鸥个体的位置㊂3.2 权重系数的选取在多目标优化问题过程中,由于权重系数设计的不合理,往往不能得到理想的结果,而笔者通过均值自适应法可得到较为理想的权重系数,很好地找到全局最优解,不会因为对多个目标的优化而无法满足全局,从而导致错失全局的最优解[8]㊂一组不连续的目标函数f1(x),f2(x),f3(x), ,f n(x),在其范围内随机取值,会产生新的一组数值f i(x1),f i(x2),f i(x3), ,f i(x m),i=1,2,3, ,n㊂令f k(x)=1m∑m i=1f k(x i), k=1,2, ,n,(19)则综合目标函数f(x)=∑n i=11n∑n k=1f k(x)f i(x)W i f i(x), W i≥0, i=1,2, ,n㊂(20)4 海鸥算法的改进4.1 使用佳点集生成初始种群标准海鸥算法的初始种群是随机生成的,而改进海鸥算法的初始种群使用佳点集生成,佳点集的原理是在s维空间的立方体范围内,如果r∈G s,模型为P n(k)={{r(n)1k},{r(n)2k}, ,{r(n)s k},1≤k≤n},(21)其偏差φ(n)满足φ(n)=C(r,ε)n-1+ε,其中C(r,ε)n-1+ε为只与r和ε(ε是任意的正数)有关的常数,则032吉林大学学报(信息科学版)第41卷称P n (k )为佳点集,r 为佳点㊂{r (n )sk }表示取小数部分,n 为点数,取r ={2cos(2πk /p ),1≤k ≤s }(p 为满足(p -3)/2≥s 的最小素数)[9]㊂其映射到搜索空间为x i (j )=(u j -l j )×{r (i )j ×k }+l j ,(22)其中u j 和l j 为第j 维的上下界㊂在种群个数为200,维度为2时,图2a,图2b 分别为佳点集和随机生成法生成的初始种群分布图,图2表示在长度1cm 的正方体面积内初始种群的分布情况㊂可看到使用佳点集的种群能有效避免海鸥之间的碰撞,使种群在空间中分布均匀,很好地提高种群多样性,提高算法全局搜索能力㊂图2 初始种群分布Fig.2 Initial population distribution 4.2 余弦型运动行为海鸥在迁徙行为中,A 为海鸥为避免碰撞在搜索空间的运动情况,标准海鸥算法中的A 是线性变化的,并随着迭代次数而逐步减小㊂而使用余弦型运动行为的海鸥算法使海鸥前期的运动距离较大,可更好地对全局进行搜索,后期减小海鸥的运动距离,使其能对局部空间仔细搜索,应用于该类型非线性策略的余弦改进型运动行为如下:A (t )=1+cos π×t ()[]T n ,0≤t ≤π2,1-cos π×t ()T n ,T 2≤t ≤T ìîíïïïï,(23)其中A (t )为改进型运动行为;T 为最大迭代次数;n 为调整指数,取0.4[10]㊂4.3 海鸥算法和共生生物搜索算法相结合海鸥算法和共生生物搜索算法相结合,对海鸥算法计算得到的新种群继续使用共生生物搜索算法更新,得到的新种群再进入到下一次迭代㊂共生㊁共栖和寄生为共生生物搜索算法(SOS:SymbioticOrganisms Search)的3个阶段㊂1)共生阶段㊂X i 为种群的第i 个生物,X j 从种群中随机选取和X i 进行相互作用,之后更新如下:X i new =X i +rand(0,1)X best -(X i +X j )2B æèçöø÷1,(24)X j new =X j +rand(0,1)×X best -(X i +X j )2B æèçöø÷2,(25)其中B 1和B 2为相应的利益因素,代表个体在相互关系中所得到的利益水平;X best 为当前全局最优解[11]㊂2)共栖阶段㊂种群个体X i 和X j 之间交互可以形成新的候选解为X i new =X i +rand(-1,1)(X best -X j )㊂(26) 在该阶段中,X j 的值保持不变,但X j 有助于提高X i 对生态系统的适应程度,增加种群整体的适应度水平㊂132第2期白丽丽,等:基于改进海鸥算法的微电网经济调度研究3)寄生阶段㊂从种群中选取个体X i ,设定寄生虫为[0,1]之间的随机数与该生物个体X i 乘积㊂如果寄生虫具有比宿主X i 更好的适应度,则会取代该个体,否则该个体将会存活,寄生虫会被去除,可很好地避免算法过早收敛㊂4.4 改进海鸥算法的流程图微电网的优化调度是一种非线性的多约束问题,求解难度很大,使用一般算法难以获得较为精确的解[12]㊂改进海鸥算法可以很好地对全局进行搜索,提高求解的精度,加快收敛时间,寻优能力优于标准算法,其应用于微电网经济调度问题求解的流程如图3所示㊂图3 改进海鸥算法的优化调度流程Fig.3 Optimization scheduling flow of improved gull algorithm 5 算例分析与仿真选取我国西北某地区的并网式微电网系统作为研究案例,该地区处于内陆,海拔较高,具有非常丰富的风能和太阳能资源,已知该地区的某一典型日辐射强度㊁风速以及温度数据,计算出风电㊁光伏出力情况㊂该微电网系统的相关运行系数如下:微电网使用的风机和光伏电池的额定输出功率均为10kW,微型燃气轮机的额定功率为120kW,蓄电池根据需要可随时充放电,其最大输出功率为20kW,初始荷电状态S SOC init 为0.8,自放电率为0.01%,充放电效率为90%,容量为400Ah,峰值负荷为157kW㊂微电网与大电网进行交互电价如表1所示㊂表1 不同时段电价Tab.1 Price of electricity by time period 时段购电价格元/kWh 售电价格元/kWh 谷时段(7:00 10:00)0.170.13平时段(15:00 18:00,21:00 23:00)0.490.38峰时段(10:00 15:00,18:00 21:00)0.830.65 在微电网的运行过程中,蓄电池能随时充放电,微型燃机也能根据需要发电㊂一般对微电网经济性的考察,是以其综合运行成本和环境成本最低为目标进行考察的,为保证对负荷的可靠供电,确保新能源被充分吸收的同时使微电网的整体运行成本降低,笔者构建了微电网的数学模型,充分考虑了分时电价的影响,以24h 为一个调度周期,使用改进的海鸥算法对微电网的装置进行优化配置,寻找最优的配置方案,使其在保证可靠运行的同时,整体日运行成本的降低㊂232吉林大学学报(信息科学版)第41卷图4为微电网一天的负荷需求以及风电㊁光伏出力情况,可看到风电出力情况较为均匀,不管是白天或夜晚均能获得较为稳定的功率,光伏出力集中在中午时刻阳光充足时,并且其峰值时刻和负荷需求的峰值时刻不在同一时刻,光伏和风电出力的波动性较大[13]㊂根据分时电价,使用改进海鸥算法计算出最优的配置方案及最低成本㊂5.1 多目标问题优化单一目标优化只能考虑经济成本或环境的影响,当以经济成本为优化目标时,对环境的影响也会产生额外的费用,当以环境费用为优化目标时,减少微型燃机的使用,大量的购电势必会增加整体运行的成本,所以不能只是单一地考虑经济或环境成本,而是要把两者结合起来,综合考虑其对于微电网的影响,图5为微电网多目标优化结果㊂图4 24h 负荷分布和风电光伏出力 图5 微电网多目标优化结果 Fig.4 24h load distribution and Fig.5 Multi⁃objective optimization wind power pv output results of microgrid 1)峰时段㊂此时段的售电成本较高,因此微型燃机大功率运行,产生的多余电量会向电网出售,以减少微电网的整体运行成本㊂2)平时段㊂由于此时微电网的发电功率和负荷需求接近,微电网会灵活地与大电网进行交互,在微型燃机输出功率过大时会向电网售电,而输出功率过小时则会向其购电㊂3)谷时段㊂因为这时负荷需求较小,蓄电池和微型燃机出力可很好地对负荷进行供电,还会有电量剩余,剩余电量可出售给大电网以获得利益㊂通过改进海鸥算法可求得最终的典型日微电网运行成本为1901.3元㊂图6,图7分别是蓄电池的荷电状态变化和功率变化图㊂通过图6,图7可看到,荷电状态在正常的范围内波动,避免了过充和过放,蓄电池的功率最大为20kW,最小为-20kW,微型燃机的功率波动为30~120kW,均工作在正常的工作条件下,不会因为使用不当对装置的寿命产生影响[14],造成额外的经济损失㊂ 图6 蓄电池的荷电状态变化 图7 蓄电池功率变化 Fig.6 Change of battery’s charged state Fig.7 Battery power change 5.2 算法对比将一天分为24个调度时段,每个时段为1h,微电网的经济调度问题使用改进的海鸥算法计算,设定迭代次数为200,种群中海鸥个体数量为40,通过均值自适应法为式(7),式(8)分配相应权重,332第2期白丽丽,等:基于改进海鸥算法的微电网经济调度研究图8 不同算法的迭代收敛曲线Fig.8 Iterative convergence curves of different algorithms 最终目标函数求解结果如图8所示,同样采用遗传算法(GA:Genetic Algorithm),共生生物搜索算法(SOS),标准海鸥算法(SOA)进行求解,在个体数量和迭代次数相同的情况下,4种不同的算法所得的适应度曲线如图8所示㊂改进海鸥算法相较于其他标准算法搜索能力更强,标准的海鸥算法在搜索过程中难以摆脱局部最优的束缚,精度较低,而共生生物搜索算法具有很好的全局搜索的能力,与海鸥算法结合后的改进海鸥算法具有更好的收敛精度,在迭代了60次后就已经找到了最优解,因此相比其他算法具有更好的配置结果㊂6 结 语笔者综合考虑了经济和环境成本等因素的影响,把多目标问题转化成单目标问题,使用改进算法求解微电网的经济调度模型,既能保证对风电㊁光伏等新能源的消纳,提高渗透率,也能保证对负荷的可靠供电㊂在兼顾环保性和经济性的前提下,较好的配置方案可降低对化石能源的依赖,减少微电网的运行成本,提高整体运行效益㊂改进海鸥算法相比较于标准算法具有更好的全局搜索能力,在陷入早熟时也能很好地跳出局部最优解,收敛速度快,求解精度高,使用该算法对微电网的优化调度模型进行求解,相比标准海鸥算法可以找到更合理的配置方案,降低了微电网整体的运行成本,对微电网经济调度问题的求解具有很好的适应性㊂参考文献:[1]李锐,李鹏.基于改进人工鱼群算法的冷热电联产微网经济优化运行[J].电气技术,2014(6):63⁃68.LI R,LI P.Economic Optimization Operation of Cogeneration Microgrid Based on Improved Artificial Fish Swarm Algorithm[J].Electric Technology,2014(6):63⁃68.[2]王金全,黄丽,杨毅.基于多目标粒子群算法的微电网优化调度[J].电网与清洁能源,2014,30(1):49⁃54.WANG J Q,HUANG L,YANG Y.Optimal Scheduling of Microgrid Based on Multi⁃Objective Particle Swarm OptimizationAlgorithm [J].Power Grid and Clean Energy,2014,30(1):49⁃54.[3]王怡云,吴雷.基于改进天牛群算法的微电网优化调度[J].电子测量技术,2020,43(16):76⁃81.WANG Y Y,WU L.Optimization Scheduling of Microgrid Based on Improved Tianniuqun Algorithm [J ].ElectronicMeasurement Technology,2020,43(16):76⁃81.[4]王少林,王刚,王晓磊,等.基于改进蜂群算法的电动汽车微电网优化调度[J].电气应用,2022,41(4):13⁃14,63⁃70.WANG S L,WANG G,WANG X L,et al.Electric Vehicle Microgrid Optimal Scheduling Based on Improved Bee Colony Algorithm [J].Electric Appliance,2022,41(4):13⁃14,63⁃70.[5]曾嶒,彭春华,王奎,等.基于鸟群算法的微电网多目标运行优化[J].电力系统保护与控制,2016,44(13):117⁃122.ZENG C,PENG C H,WANG K,et al.Multi⁃Objective Operation Optimization of Microgrid Based on Bird Swarm Algorithm [J].Power System Protection and Control,2016,44(13):117⁃122.[6]SHAN J N,LU R X.Multi⁃Objective Economic Optimization Scheduling of CCHP Micro⁃Grid Based on Improved Bee ColonyAlgorithm Considering the Selection of Hybrid Energy Storage System [J].Energy Reports,2021,7:326⁃341.[7]YANG Y D ,QIU J L,QIN Z J.Multidimensional Firefly Algorithm for Solving Day⁃Ahead Scheduling Optimization inMicrogrid [J].Journal of Electrical Engineering &Technology,2021,16(4):1755⁃1768.[8]陈天翼,刘宏勋.基于遗传算法的微电网经济运行优化[J].电器与能效管理技术,2017(21):54⁃58.CHEN T Y,LIU H X.Optimization of Microgrid Economic Operation Based on Genetic Algorithm [J].Electrical Appliances432吉林大学学报(信息科学版)第41卷and Energy Efficiency Management Technology,2017(21):54⁃58.[9]袁泉,周鑫,周毓敏,等.基于改进灰狼算法的交直流混联电网经济调度方法[J].电气传动,2022,52(6):47⁃52,72.YUAN Q,ZHOU X,ZHOU Y M,et al.Economic Dispatching Method of AC⁃DC Hybrid Power Grid Based on Improved Gray Wolf Algorithm [J].Electric Drive,2022,52(6):47⁃52,72.[10]柴源.基于改进鲸鱼算法的风⁃光⁃重力储能系统优化配置研究[D].西安:西安理工大学电气工程学院,2021.CHAI Y.Research on Optimal Configuration of Wind⁃Light⁃Gravity Energy Storage System Based on Improved Whale Algorithm [D].Xi’an :School of Electrical Engineering,Xi’an University of Technology,2021.[11]LI B,DENG H S,WANG J.Optimal Scheduling of Microgrid Considering the Interruptible Load Shifting Based on ImprovedBiogeography⁃Based Optimization Algorithm [J].Symmetry⁃Basel,2021,13(9):140⁃145.[12]康朝海,王思琪,任伟建,等.基于高斯学习多峰延迟粒子群优化算法[J].吉林大学学报(信息科学版),2019,37(4):399⁃407.KANG C H,WANG S Q,REN W J,et al.Multi⁃Peak Delay Particle Swarm Optimization Algorithm Based on GaussianLearning [J].Journal of Jilin University (Information Science Edition),2019,37(4):399⁃407.[13]ZHAO F,YUAN J S,WANG N.Dynamic Economic Dispatch Model of Microgrid Containing Energy Storage ComponentsBased on a Variant of NSGA⁃ⅡAlgorithm [J].Energies,2019,12(5):130⁃135.[14]徐中宇,苏明玉,姚庆安.基于改进PSO 算法的混合核SVM 算法[J].吉林大学学报(理学版),2018,56(3):625⁃630.XU Z Y,SU M Y,YAO Q A.Hybrid Kernel SVM Algorithm Based on Improved PSO Algorithm [J].Journal of Jilin University (Natural Science Edition),2018,56(3):625⁃630.(责任编辑:张洁)532第2期白丽丽,等:基于改进海鸥算法的微电网经济调度研究。
![基于交替方向乘子法的交直流混合配电网分布式优化调度方法[发明专利]](https://img.taocdn.com/s1/m/25b77cfacf2f0066f5335a8102d276a200296086.png)
![一种结合双主控协作与MPSO算法的微电网动态优化调度方法[发明专利]](https://img.taocdn.com/s1/m/62528ad1534de518964bcf84b9d528ea81c72fed.png)
![一种大规模电网的经济调度并行计算方法[发明专利]](https://img.taocdn.com/s1/m/06cda792a417866fb94a8ecd.png)
