考慮源荷互動的主動配電網(wǎng)兩層優(yōu)化調(diào)度

文 達(dá)，崔雙喜，樊小朝，降國俊

新疆大學(xué) 電氣工程學(xué)院，烏魯木齊830047

隨著環(huán)境污染和能源枯竭的問題日益凸顯，風(fēng)力發(fā)電、光伏發(fā)電等清潔能源在政府扶持下得到了快速的發(fā)展。然而清潔能源具有明顯的隨機(jī)性和時序性，將其并網(wǎng)后會增大配電網(wǎng)的調(diào)度壓力，從而產(chǎn)生棄風(fēng)、棄光的能源浪費(fèi)問題。

負(fù)荷側(cè)多元化的發(fā)展趨勢為負(fù)荷參與主動配電網(wǎng)（Active Distribution Network，ADN）清潔能源消納提供了可能性[1]。柔性負(fù)荷作為一種新的可調(diào)度資源，極大緩解了ADN 的調(diào)度壓力，同時可以為清潔能源消納和負(fù)荷削峰填谷提供良好的支撐作用[2]。文獻(xiàn)[3]根據(jù)分時電價將負(fù)荷側(cè)分為可轉(zhuǎn)移負(fù)荷和可中斷負(fù)荷，以負(fù)荷的調(diào)整功率、機(jī)組發(fā)電功率為決策變量建立ADN 優(yōu)化調(diào)度模型，優(yōu)化了系統(tǒng)的經(jīng)濟(jì)運(yùn)行成本。文獻(xiàn)[4]提出了基于節(jié)點(diǎn)電價概念的最優(yōu)潮流模型，并通過跟蹤中心點(diǎn)軌跡內(nèi)點(diǎn)法對模型求解，算例證明電價響應(yīng)下的柔性負(fù)荷能夠有效地提高風(fēng)電的消納率。文獻(xiàn)[5]研究了基于激勵響應(yīng)形式的柔性負(fù)荷對配電網(wǎng)運(yùn)行可靠性的影響。文獻(xiàn)[6]提出了激勵響應(yīng)模式下可削減負(fù)荷補(bǔ)償代價模型，并設(shè)計(jì)了四種源荷聯(lián)合調(diào)度模式進(jìn)行驗(yàn)證，仿真結(jié)果表明可削減負(fù)荷能夠有效減小系統(tǒng)運(yùn)行成本，改善負(fù)荷曲線。這些文獻(xiàn)考慮了柔性負(fù)荷單一調(diào)度形勢下與ADN 中其他可調(diào)度資源的良性互動，但忽略了不同調(diào)度形式下柔性負(fù)荷在時空上的耦合性以及其與清潔能源互動的可能性。此外，在ADN 制定優(yōu)化調(diào)度方案時，大多數(shù)文獻(xiàn)都是采用多目標(biāo)優(yōu)化調(diào)度模型來解決多個優(yōu)化目標(biāo)函數(shù)的問題[7-9]。如文獻(xiàn)[10]通過層次分析法計(jì)算多目標(biāo)優(yōu)化問題中各子目標(biāo)權(quán)重占比構(gòu)造綜合單目標(biāo)函數(shù)。文獻(xiàn)[11]引入模糊模型，將模糊非線性多目標(biāo)優(yōu)化問題轉(zhuǎn)化為單目標(biāo)問題進(jìn)行求解。以上方法雖然解決了多目標(biāo)優(yōu)化求解難的問題，但求解過程復(fù)雜，且互有博弈關(guān)系的目標(biāo)函數(shù)之間難以協(xié)調(diào)，不能滿足ADN對盡可能消納風(fēng)光發(fā)電前提下優(yōu)化系統(tǒng)綜合運(yùn)行成本的要求。

針對上述情況，為了充分挖掘柔性負(fù)荷的調(diào)度潛力，提高清潔能源的消納率，本文建立了一種計(jì)及源荷協(xié)調(diào)互動的兩層優(yōu)化調(diào)度模型。首先，根據(jù)負(fù)荷參與電網(wǎng)調(diào)度形式不同將負(fù)荷分為剛需負(fù)荷、可轉(zhuǎn)移負(fù)荷、可控制負(fù)荷并分別建立響應(yīng)模型，在負(fù)荷層通過兩種柔性負(fù)荷與清潔能源的協(xié)調(diào)互動優(yōu)化負(fù)荷曲線以及清潔能源出力曲線，使兩者在變化趨勢上相契合；主動配網(wǎng)層則從經(jīng)濟(jì)性角度出發(fā)，通過建立最小化綜合運(yùn)行成本調(diào)度模型對配網(wǎng)內(nèi)分布式能源出力進(jìn)行調(diào)度；最后，提出禁忌-細(xì)胞膜優(yōu)化算法（Tabu Search-Cell Μembrane Optimization algorithm，TS-CΜO）對模型求解，通過算例對比分析了分層前后、負(fù)荷分類前后三種方案下的優(yōu)化調(diào)度結(jié)果，證明了提出的優(yōu)化調(diào)度模型對提高清潔能源消納率和降低負(fù)荷峰谷差的有效性、可行性。

1 負(fù)荷層

隨著智能電網(wǎng)日益發(fā)展，大量柔性負(fù)荷、清潔能源接入配電網(wǎng)，傳統(tǒng)的優(yōu)化調(diào)度模型在提高清潔能源利用率、降低負(fù)荷峰谷差等方面已經(jīng)不再具有優(yōu)勢。因此，為了深度挖掘負(fù)荷側(cè)可調(diào)度資源，本文建立考慮分類負(fù)荷的源荷協(xié)調(diào)互動優(yōu)化調(diào)度模型。

1.1 負(fù)荷響應(yīng)分類建模

國內(nèi)外專家對柔性負(fù)荷參與電網(wǎng)調(diào)度的形式已有不少研究，在我國配電網(wǎng)中最常見的有基于電價響應(yīng)的形式和基于激勵響應(yīng)的形式[12]。本節(jié)將ADN內(nèi)的負(fù)荷按照調(diào)度形式不同分為不參與調(diào)度的剛需負(fù)荷、基于電價響應(yīng)形式的可轉(zhuǎn)移負(fù)荷、基于激勵響應(yīng)形式的可控制負(fù)荷。

（1）基于電價響應(yīng)的可轉(zhuǎn)移負(fù)荷

基于電價響應(yīng)的可轉(zhuǎn)移負(fù)荷是指一些在用電時段上可以靈活選擇的負(fù)荷，如電動汽車充電站、居民用戶和小型商業(yè)用戶等分布分散、單體容量小且控制數(shù)量眾多的用電用戶，通過合理的分時電價引導(dǎo)，可以有效地調(diào)節(jié)負(fù)荷的用電時段。對可轉(zhuǎn)移負(fù)荷建模如下：

基于電價響應(yīng)的調(diào)度形式通過電價信號引導(dǎo)用電負(fù)荷合理調(diào)節(jié)用電結(jié)構(gòu)和用電方式[13]，本節(jié)基于負(fù)荷的電量電價彈性需求理論，以制定峰谷平分時電價的方式引導(dǎo)用戶轉(zhuǎn)移用電負(fù)荷，改變?nèi)嵝载?fù)荷在時序上的分布。

（2）基于激勵響應(yīng)的可控制負(fù)荷

基于激勵響應(yīng)的調(diào)度形式常見項(xiàng)目包括直接負(fù)荷控制、可中斷負(fù)荷和緊急需求響應(yīng)等，本節(jié)通過直接負(fù)荷控制技術(shù)實(shí)現(xiàn)對可控制負(fù)荷的削減?？煽刂曝?fù)荷多為一些對電價不敏感且能夠接受短時停電的用電用戶，如一些大型商業(yè)用戶的中央空調(diào)、建筑外燈。此外，大多數(shù)對用電持續(xù)性要求不高的工業(yè)大用戶，都可采用簽訂合同的方式直接控制進(jìn)行負(fù)荷削減。用戶根據(jù)用電高峰期的供電缺額向ADN 提交每小時的負(fù)荷削減量，ADN則按照用戶的階梯分級報(bào)價選擇削減對象及相應(yīng)的負(fù)荷削減量?；陔A梯分級報(bào)價的負(fù)荷削減補(bǔ)償成本的計(jì)算公式為：

1.2 源荷協(xié)調(diào)互動的優(yōu)化模型

本節(jié)的源荷協(xié)調(diào)互動優(yōu)化調(diào)度模型，通過最小化響應(yīng)后的負(fù)荷用電功率與清潔能源出力功率的平方差，實(shí)現(xiàn)對柔性負(fù)荷和清潔能源的協(xié)調(diào)調(diào)度。為了使目標(biāo)函數(shù)的值最小，可轉(zhuǎn)移負(fù)荷和可控制負(fù)荷在用電的時序上與風(fēng)光的出力相互配合，通過轉(zhuǎn)移、削減的方式，使自身曲線的變化趨勢與清潔能源出力曲線的變化趨勢相契合，從而提高清潔能源的消納率，同時降低負(fù)荷的峰谷差。建立的模型如下：

2 主動配電網(wǎng)層

主動配電網(wǎng)層則從運(yùn)行經(jīng)濟(jì)性的角度出發(fā)，綜合系統(tǒng)內(nèi)發(fā)電單元的運(yùn)行維護(hù)成本、折舊成本、環(huán)境效益成本、可控制負(fù)荷削減的補(bǔ)償成本以及向上級電網(wǎng)購電的成本建立數(shù)學(xué)模型。

2.1 綜合目標(biāo)函數(shù)

本節(jié)建立的綜合運(yùn)行成本目標(biāo)函數(shù)如下：

2.2 約束條件

（1）功率平衡約束

（2）微燃機(jī)容量約束

式中，PMT,k,max、PMT,k,min為微燃機(jī)組k 的最大最小輸出功率。

（3）微燃機(jī)組爬坡約束

式中，Ru,k、Rd,k是微燃機(jī)組k 的爬坡幅值上下限。

（4）線路容量約束

式中，Pgrid,max和Pgrid,min為上級電網(wǎng)聯(lián)絡(luò)線功率的最大、最小值。

（5）儲能約束條件

3 基于TS-CMO算法的ADN兩層優(yōu)化調(diào)度

細(xì)胞膜優(yōu)化算法（Cell Μembrane Optimization algorithm，CΜO）具有對初始值設(shè)置不敏感、算法參數(shù)設(shè)定容許范圍較大等特點(diǎn)，具有良好的實(shí)用性。同時CΜO是一種并行優(yōu)化算法，可實(shí)現(xiàn)并行處理，具備較快的尋優(yōu)速度，在求解高維問題時仍然具有較好的收斂性能。因此，本文選擇CΜO 算法對模型求解，并針對CΜO 后期收斂速度較慢的問題，引入禁忌搜索算法（Tabu Search，TS），提出TS-CΜO算法。

3.1 TS-CMO算法介紹

CΜO算法是根據(jù)細(xì)胞膜的特性和細(xì)胞內(nèi)物質(zhì)的運(yùn)輸方式，結(jié)合仿生學(xué)和智能優(yōu)化算法的思路，提出的一種新型群智能優(yōu)化算法。它通過計(jì)算物質(zhì)（問題的一個解）濃度的方式將物質(zhì)群分為三種物質(zhì)子群，使物質(zhì)子群分別按照自由擴(kuò)散、協(xié)助擴(kuò)散、主動運(yùn)輸?shù)姆绞诫S機(jī)運(yùn)動，搜索的空間更加廣泛，具有較強(qiáng)的全局尋優(yōu)能力[14]。CΜO 能以較大概率收斂于全局最優(yōu)解，但在算法的后期不能較快地向最優(yōu)解的位置收斂。TS算法最早是由Glover在1986年提出的一種模擬人的思維的亞啟發(fā)式算法[15]，它通過一個禁忌表記錄下已經(jīng)到達(dá)過的局部最優(yōu)點(diǎn)，在下一次搜索中，利用禁忌表中的信息不再或有選擇地搜索這些點(diǎn)，禁忌重復(fù)的工作。TS 算法是一種局部搜索能力很強(qiáng)的算法，在搜索過程中，不但可以標(biāo)記、避開已經(jīng)計(jì)算的局部最優(yōu)點(diǎn)，加快算法的收斂速度，還能接受劣解，有較強(qiáng)的爬山能力，跳出局部最優(yōu)解。但是TS 算法對給定初始解有很強(qiáng)的依賴性，好的初始解可以加快TS 算法的收斂速度，得到精度更高的最優(yōu)解。本文將細(xì)胞膜優(yōu)化算法與禁忌搜索算法結(jié)合，提出一種新的TS-CΜO 智能混合算法，理論上新算法的全局和局部搜索能力都會得到提高，并在算法的后期具有較快的收斂速度。

因此本文提出的TS-CΜO 算法，首先考慮到CΜO算法的特點(diǎn)，在算法的前期，通過CΜO算法全空間地搜索最優(yōu)解的可能存在區(qū)域；然后，引入禁忌搜索條件，判斷是否開始禁忌搜索，若滿足條件，利用CΜO算法得到的較好的結(jié)果作為TS 算法的初始解，通過細(xì)致的局部搜索，快速收斂得到全局最優(yōu)解。

上式為禁忌搜索條件判斷公式，設(shè)定閥值ε，計(jì)算第t 次迭代后的最優(yōu)解與初始最優(yōu)解的相對變化，當(dāng)其滿足閥值條件時將當(dāng)前最優(yōu)解作為禁忌搜索算法的初始解進(jìn)行TS算法；否則，采用精英保留策略將上一代最優(yōu)解與更新后的物質(zhì)群隨機(jī)進(jìn)行物質(zhì)替換，重復(fù)CΜO算法。

3.2 調(diào)度模型求解策略

在求解模型時，約束條件通過罰函數(shù)的方式計(jì)入目標(biāo)函數(shù)。TS-CΜO算法對本文模型求解步驟如圖1所示。左半部分為負(fù)荷層源荷協(xié)調(diào)調(diào)度，右半部分為ADN 優(yōu)化調(diào)度，兩部分的連接線表示各階段的信息傳遞狀態(tài)。

圖1 算法求解流程

步驟1 讀入模型所有參數(shù)，約束條件，給定了算法最大迭代次數(shù)Gmax、物質(zhì)群大小m、物質(zhì)濃度劃分半徑r、物質(zhì)運(yùn)動次數(shù)locn、禁忌表長度L。給出本文的目標(biāo)函數(shù)。

步驟2 在可行域內(nèi)隨機(jī)生成風(fēng)電出力、光伏出力、可轉(zhuǎn)移負(fù)荷凈轉(zhuǎn)移量、可控制負(fù)荷凈削減量的初始物質(zhì)群，并根據(jù)式（5）計(jì)算適應(yīng)度值，選擇最優(yōu)物質(zhì)為Xb。

步驟3 對物質(zhì)群進(jìn)行劃分，并分別按照CΜO 算法中三種不同的物質(zhì)運(yùn)輸方式定向隨機(jī)運(yùn)動locn 次，選擇結(jié)果中位置最好物質(zhì)更新到Xb中。

步驟4 根據(jù)式（15）判斷是否滿足禁忌搜索條件，若滿足，進(jìn)行步驟5；否則，迭代次數(shù)加1跳轉(zhuǎn)步驟2。

步驟5 令Xnow=Xb，產(chǎn)生Xnow的候選解集，判斷其是否滿足“best of so far”準(zhǔn)則，即是否為當(dāng)前的最優(yōu)解，若滿足，將其替換Xnow和Xbest；否則，選擇滿足禁忌條件的候選解更新到Xnow。

步驟6 按照“先進(jìn)先出”原則更新禁忌表中的物質(zhì)。

步驟7 判斷是否滿足迭代終止條件，若滿足，輸出最優(yōu)解；反之，迭代次數(shù)加1，跳轉(zhuǎn)步驟5。

以上為負(fù)荷層求解步驟，ADN 優(yōu)化調(diào)度與負(fù)荷層相似，在負(fù)荷層輸出的數(shù)據(jù)基礎(chǔ)上，初始化儲能出力、微燃機(jī)出力及上級電網(wǎng)購電功率物質(zhì)群，適應(yīng)度函數(shù)值根據(jù)式（8）計(jì)算。最終輸出ADN各單元的調(diào)度結(jié)果。

4 算例驗(yàn)證

4.1 算例描述

本文以IEEE33 節(jié)點(diǎn)主動配電網(wǎng)為例進(jìn)行分析，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)圖如圖2。

圖2 IEEE33節(jié)點(diǎn)配電網(wǎng)絡(luò)拓?fù)鋱D

該配網(wǎng)系統(tǒng)電壓等級為12.66 kV，系統(tǒng)內(nèi)接入1 500 kW 的風(fēng)電機(jī)組（WT）、2 000 kW 的光伏電站（PV）、2個微型燃?xì)廨啓C(jī)（ΜT1、ΜT2）以及1個儲能電站（ESS），機(jī)組的具體參數(shù)如表1所示。

污染氣體排放系數(shù)如表2所示。

某地區(qū)典型日負(fù)荷組成如圖3所示，風(fēng)光預(yù)測出力及分時電價如圖4 所示。由圖4 可知，風(fēng)光總出力具有明顯的反調(diào)峰性，當(dāng)風(fēng)光并網(wǎng)電量超過主動配電網(wǎng)的調(diào)節(jié)能力時，配網(wǎng)就會采取棄風(fēng)棄光措施，造成清潔能源的浪費(fèi)。

表1 機(jī)組參數(shù)

表2 污染物排放量及懲罰系數(shù)

圖3 負(fù)荷預(yù)測及其三類負(fù)荷組成

圖4 風(fēng)光出力預(yù)測值及分時電價

4.2 結(jié)果分析

基于以上參數(shù)，采用TS-CΜO 算法對模型求解，得到主動配電網(wǎng)調(diào)度結(jié)果如圖5 所示，負(fù)荷優(yōu)化曲線如圖6所示。

圖5 調(diào)度結(jié)果

圖6 負(fù)荷優(yōu)化結(jié)果

圖5 為主動配電網(wǎng)各電源的出力優(yōu)化結(jié)果以及可轉(zhuǎn)移負(fù)荷和可控制負(fù)荷的負(fù)荷轉(zhuǎn)移、削減曲線?？梢钥闯?，在負(fù)荷低谷時段，由于微燃機(jī)的運(yùn)行成本較高，微燃機(jī)組保持低功率運(yùn)行，儲能從上級電網(wǎng)充電，可轉(zhuǎn)移負(fù)荷轉(zhuǎn)入量明顯增加，提出的優(yōu)化調(diào)度模型可以有效地起到負(fù)荷填谷的作用，提高了主動配電網(wǎng)的運(yùn)行經(jīng)濟(jì)性；在用電平時段，由于系統(tǒng)經(jīng)濟(jì)性約束，微燃機(jī)組仍保持低功率運(yùn)行，可控制負(fù)荷無削減，儲能的充放電不明顯，可轉(zhuǎn)移負(fù)荷在負(fù)荷層優(yōu)化模型作用下有部分用電功率轉(zhuǎn)入；在用電高峰期，上級電網(wǎng)購電價格較高，儲能電站作為電源向配電網(wǎng)放電，微燃機(jī)組工作在高功率區(qū)間，同時可轉(zhuǎn)移負(fù)荷大量轉(zhuǎn)出，可控制負(fù)荷直接控制削減，極大地緩解了主動配電網(wǎng)的供電壓力，保障了系統(tǒng)安全經(jīng)濟(jì)運(yùn)行。如圖6所示，優(yōu)化后的負(fù)荷曲線與原始曲線相比，曲線更加平緩，削峰填谷的作用明顯。綜上所述，可以證明本文提出的優(yōu)化調(diào)度模型在優(yōu)化配網(wǎng)系統(tǒng)運(yùn)行成本和削峰填谷方面的可行性、有效性。

為了進(jìn)一步分析本文所提出模型對清潔能源消納率的影響，設(shè)定以下三種方案。

方案1 只進(jìn)行主動配電網(wǎng)層綜合運(yùn)行成本單層優(yōu)化。

方案2 雙層優(yōu)化，但不對負(fù)荷進(jìn)行分類，基于負(fù)荷整體基于電價響應(yīng)的形式參與優(yōu)化調(diào)度。

方案3 采用本文的考慮柔性負(fù)荷分類的雙層優(yōu)化調(diào)度。

三種方案的優(yōu)化調(diào)度結(jié)果如下：圖7為風(fēng)光總出力預(yù)測曲線及各方案下的優(yōu)化曲線，分析表明，分層優(yōu)化、分類柔性負(fù)荷參與均可減少清潔能源的棄電率，方案3比方案2降低棄電率的效果更加明顯。圖8為不同方案下的負(fù)荷優(yōu)化曲線同原始負(fù)荷曲線的對比圖，結(jié)果顯示，本文的三種方案都能有效地調(diào)整柔性負(fù)荷的用電時序，將柔性負(fù)荷從用電高峰期向用電谷時期和平時期轉(zhuǎn)移，起到對負(fù)荷曲線削峰填谷的作用。此外，從圖8 還可以看出，由于可控制負(fù)荷的直接削減，方案3 的負(fù)荷曲線更加平滑，削峰效果更加顯著。

圖7 風(fēng)光總優(yōu)化出力

圖8 負(fù)荷優(yōu)化曲線

表3列出了三種方案的綜合運(yùn)行成本、風(fēng)光消納率和負(fù)荷峰谷差。

表3 優(yōu)化結(jié)果

分析表3可知：

（1）對比方案1 和方案2，方案2 的各項(xiàng)指標(biāo)均優(yōu)于方案1，系統(tǒng)的綜合運(yùn)行成本降低了1.82%，負(fù)荷峰谷差減少了10.41%，風(fēng)光消納率提高了5.49%。兩層優(yōu)化方案相較于單層的經(jīng)濟(jì)優(yōu)化，能夠有效地調(diào)整清潔能源出力，促進(jìn)清潔能源消納，減小負(fù)荷曲線的峰谷差。

（2）對比方案2和方案3，由表3可知，兩種方案對表中的三項(xiàng)指標(biāo)都具有良好的優(yōu)化作用，方案3的削峰填谷作用更加顯著，這是由于負(fù)荷分類后，兩種柔性負(fù)荷協(xié)調(diào)配合的結(jié)果，可控制負(fù)荷在用電高峰期直接控制負(fù)荷削減，配合可轉(zhuǎn)移負(fù)荷轉(zhuǎn)出，削峰效果明顯。同時，方案3 相較于方案2 系統(tǒng)的風(fēng)光消納率提高了2.52%，負(fù)荷峰谷差降低了30.79%，但系統(tǒng)的綜合運(yùn)行成本降低不明顯。進(jìn)一步分析原因可知，這是因?yàn)榭紤]柔性負(fù)荷分類的兩層優(yōu)化方案對可控制負(fù)荷的削減補(bǔ)償成本增加，但方案3 比方案2 的綜合運(yùn)行成本仍然降低了1.28%，具有良好的經(jīng)濟(jì)性優(yōu)化效果。

4.3 算法有效性驗(yàn)證

為了驗(yàn)證本文提出的TS-CΜO算法的有效性，通過CΜO 算法與TS-CΜO 算法對本文模型求解，對比兩種算法收斂性能，如圖9所示。

圖9 算法收斂性能對比圖

如圖9所示，為兩種算法尋優(yōu)次數(shù)與尋優(yōu)結(jié)果關(guān)系曲線的對比圖?？梢钥闯?，CΜO優(yōu)化算法在第17代達(dá)到最優(yōu)，且最優(yōu)結(jié)果為17.109 76萬元。本文提出的TSCΜO算法在第11代得到最優(yōu)結(jié)果16.996 59萬元，收斂的速度更快，收斂精度更高，能夠找到更好的全局最優(yōu)解。

5 結(jié)束語

本文考慮不同響應(yīng)機(jī)制柔性負(fù)荷與風(fēng)光出力協(xié)調(diào)互動，構(gòu)建了包含負(fù)荷層、主動配電網(wǎng)層的兩層優(yōu)化模型，并提出TS-CΜO優(yōu)化算法進(jìn)行算例驗(yàn)證，結(jié)果表明：

（1）不同響應(yīng)機(jī)制柔性負(fù)荷參與ADN優(yōu)化調(diào)度后，ADN的運(yùn)行成本、負(fù)荷峰谷差分別降低了1.28%、30.79%，清潔能源消納率提高了2.52%，證明了本文提出的基于負(fù)荷參與調(diào)度方式不同對負(fù)荷分類的方法，能夠進(jìn)一步挖掘負(fù)荷側(cè)的調(diào)度潛力，緩解ADN 系統(tǒng)對清潔能源并網(wǎng)的調(diào)度壓力。

（2）采用本文提出的兩層優(yōu)化調(diào)度模型的方案2、方案3 相較于傳統(tǒng)調(diào)度模型的方案1，清潔能源的消納率分別提高了9.1%和5.49%，均有明顯的提高；綜合運(yùn)行成本分別減少了5 440元和3 197元，在提高風(fēng)光消納率的前提下依然具有不錯的經(jīng)濟(jì)性。充分說明了本文提出的兩層優(yōu)化調(diào)度模型的有效性、可行性。

（3）提出的TS-CΜO算法同CΜO算法相比，在第11代得到最優(yōu)解，收斂速度更快，收斂精度提高了0.66%，能夠更快更好地找到全局最優(yōu)解。