孤立微电网的能量管理方法和系统与流程

以下描述涉及微电网领域，具体地说，涉及一种孤立微电网的能量管理方法以及孤立微电网的能量管理系统。

背景技术：

微电网是互连的负载、分布式发电源、能量存储系统和管理控制装置的集合，可以在孤立或非孤立模式下工作。

风能和光伏太阳能(PV，photovoltaic solar)等可再生能源和微型燃气轮机(MT，micro gas turbine)、燃料电池(FC，fuel cell)和柴油发电机(DE，diesel engine)等传统发电源是微电网中的主要分布发电源(DG，generations resource)。这些能源与能量存储系统(ESS，energy storage system)、钒氧化还原液流电池(VRB，vanadium redox flow battery)等可以相互支持以补偿可再生能源的间歇性。针对所需要应用的领域，通过适当的改变单元容量以及调度策略，这些混合能量系统可以以独立的方式作为孤立式微电网(孤立微电网)被用于为远离主电网的偏远地区、岛屿、军事基地、机构和工业供电。

有效且高效的微电网能量管理系统是保证最优能量利用和能量可持续性达到尽可能高的水平所必需的。因此，目前，智能和启发式优化技术在微电网的能量动态调度中的应用已成为该领域的主要研究热点。然而，传统的优化技术在对孤立微电网进行动态能量调度的在线优化时，不能够快速且准确地收敛。

技术实现要素：

提供本发明内容以简化的形式介绍对在以下的具体实施方式中进一步描述的构思的选择。

根据本发明构思的一方面，提供一种孤立微电网的能量管理方法，所述方法包括：基于孤立微电网的发电成本以及孤立微电网正常供电需要满足的技术要求，建立孤立微电网能量管理模型；获取预测的日前的可再生能源的发电功率以及预测的日前的负载需求；基于预测的日前的可再生能源的发电功率以及预测的日前的负载需求，使用改进的粒子群优化算法，以预定时间间隔为单位，确定孤立微电网能量管理模型的能量管理策略；基于确定的能量管理策略，以所述预定时间间隔为单位，对孤立微电网进行动态能量调度。

可选地，预测的日前的可再生能源的发电功率是基于孤立微电网的历史数据以及数值天气预报数据以预定时间间隔为单位被预测的。可选地，预测的日前的负载需求是基于历史负载需求、数值天气预报数据以及影响负载需求的其它因素以预定时间间隔为单位被预测的。

可选地，孤立微电网正常供电需要满足的技术要求包括以下约束条件中的至少一个：针对孤立微电网内的传统发电源的容量的约束条件、针对负载需求和发电平衡的约束条件、针对孤立微电网内的能量存储系统的容量的约束条件、以及针对孤立微电网内的能量存储系统的动态运行性能的约束条件。

可选地，确定孤立微电网能量管理模型的能量管理策略的步骤包括：将改进的粒子群优化算法应用于建立的孤立微电网能量管理模型，以确定满足以下条件的孤立微电网能量管理模型的能量管理策略，即，孤立微电网在满足正常供电所需的所有技术要求的同时发电成本最小。

可选地，确定的孤立微电网能量管理模型的能量管理策略包括：在各个所述预定时间间隔内，微电网内的传统发电源的输出功率、微电网内的能量存储系统的充电或放电的功率、以及能量存储系统的电量状态。

可选地，改进的粒子群优化算法是具有惯性权重的粒子群优化算法，其中，随着粒子群优化算法的迭代次数的增加，所述惯性权重的值线性减小，以降低粒子的运动速度，实现全局搜索和局部搜索之间的平衡，达到粒子群优化算法快速收敛。

根据本发明构思的另一方面，提供一种孤立微电网的能量管理系统，所述系统包括：模型建立模块，其用于基于孤立微电网的发电成本以及孤立微电网正常供电需要满足的技术要求，建立孤立微电网能量管理模型；数据获取模块，其用于获取预测的日前的可再生能源的发电功率以及预测的日前的负载需求；策略确定模块，其用于基于预测的日前的可再生能源的发电功率以及预测的日前的负载需求，使用改进的粒子群优化算法，以预定时间间隔为单位，确定孤立微电网能量管理模型的能量管理策略；调度管理模块，其用于基于确定的能量管理策略，以所述预定时间间隔为单位，对孤立微电网进行动态能量调度。

可选地，预测的日前的可再生能源的发电功率是基于孤立微电网的历史数据以及天气预报信息以预定时间间隔为单位被预测的。可选地，预测的日前的负载需求是基于历史负载需求、数值天气预报数据以及影响负载需求的其它因素以预定时间间隔为单位被预测的。

可选地，孤立微电网正常供电需要满足的技术要求包括以下约束条件中的至少一个：针对孤立微电网内的传统发电源的容量的约束条件、针对负载需求和发电平衡的约束条件、针对孤立微电网内的能量存储系统的容量的约束条件、以及针对孤立微电网内的能量存储系统的动态运行性能的约束条件。

可选地，策略确定模块将改进的粒子群优化算法应用于建立的孤立微电网能量管理模型，以确定满足以下条件的孤立微电网能量管理模型的能量管理策略，即，孤立微电网能量管理模型在满足正常供电所需的所有技术要求的同时发电成本最小。

可选地，确定的孤立微电网能量管理模型的能量管理策略包括：在各个所述预定时间间隔内，微电网内的传统发电源的输出功率、微电网内的能量存储系统的充电或放电的功率、以及所述能量存储系统的电量状态。

可选地，改进的粒子群优化算法是具有惯性权重的粒子群优化算法，其中，随着粒子群优化算法的迭代次数的增加，所述惯性权重的值线性减小，以降低粒子的运动速度，实现全局搜索和局部搜索之间的平衡，达到粒子群优化算法快速收敛。

根据本发明构思的另一方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有程序，所述程序包括执行上文所述孤立微电网的能量管理方法的代码。

根据本发明构思的另一方面，提供一种计算机系统，所述计算机系统包括存储有计算机程序的可读介质，所述计算机程序包括执行上文所述孤立微电网的能量管理方法的代码。

有益效果：

本申请考虑可再生能源的波动和微电网的负载需求，并做出适当的超前24小时预测来克服这些波动。通过使用改进的粒子群优化算法来获得最优的能量管理策略，并基于能量管理策略对孤立微电网进行动态能量调度，使得孤立微电网的发电成本最低。

本申请采用具有惯性权重的改进的粒子群优化算法(MPSO Modified Particle Swarm Optimization)，能够实现全局搜索和局部搜索之间的平衡，使得MPSO更加准确和有效地收敛，从而快速收敛到目标函数的最优值。

本申请所采用的用于孤立微电网的能量管理方法和系统能够最大限度地提高孤立微电网内的能量存储并提高孤立微电网内可再生能源利用率，降低发电成本。

附图说明

以下将参照附图对本发明的示例实施例进行详细描述，其中，

图1是示出根据示例实施例的用于孤立微电网的能量管理方法的流程图。

图2示出了在调度日的各个预定时间间隔内的预测的负载需求的示例。

图3和图4分别示出了在调度日的各个预定时间间隔内的预测的风力和光伏太阳能的发电功率。

图5示出了基于使用MPSO确定的能量管理策略进行动态能量调度的示例。

图6示出了使用MPSO获得的能量存储系统中的VRB的充电状态的示例。

图7示出了根据示例实施例的用于孤立微电网的能量管理系统的示图。

贯穿附图和具体实施方式，相同的参考标号表示相同的元件。附图可以是不按比例的，并且为了清楚、示出和方便，可夸大附图中的元件的相对大小、比例和描述。

具体实施方式

提供下面的详细描述以帮助读者获得对在此描述的方法和/或系统的全面理解。然而，对于本领域技术人员而言，在此描述的方法和/或系统的各种变化、修改和等同物也是清楚的。例如，在此描述的操作的顺序仅是示例性的，操作的顺序不被局限于在此阐述的顺序，除了必须按特定次序发生的操作之外，可在理解本申请的公开后，对在此描述的操作的顺序进行改变将是清楚的。此外，为了更加清楚和简洁，本领域中已知的特征的描述可被省略。

图1是示出根据示例实施例的用于孤立微电网的能量管理方法的流程图。

参照图1，用于孤立微电网的能量管理方法包括：(步骤101)基于孤立微电网的发电成本以及孤立微电网正常供电需要满足的技术要求，建立孤立微电网能量管理模型；(步骤102)获取预测的日前的可再生能源的发电功率以及预测的日前的负载需求；(步骤103)基于预测的日前的可再生能源的发电功率以及预测的日前的负载需求，使用改进的粒子群优化算法，以预定时间间隔为单位，确定孤立微电网能量管理模型的能量管理策略；(步骤104)基于确定的能量管理策略，以所述预定时间间隔为单位，对孤立微电网进行动态能量调度。

下面将详细地描述图1中示出的用于孤立微电网的能量管理方法的各个步骤。

在步骤101中，基于孤立微电网的发电成本以及孤立微电网正常供电需要满足的技术要求，建立孤立微电网能量管理模型。

所建立的孤立微电网能量管理模型包括目标函数以及约束函数。

在步骤101中，基于孤立微电网的发电成本，来建立孤立微电网能量管理模型中的目标函数，如下面表达式1所示：

在目标函数中，n是调度日的预定时间间隔的数量。例如，当将预定时间间隔设置为1小时时，则在24小时的调度日内，n为24。

在目标函数中，m表示孤立微电网内的可调度单元的数量，其中，可调度单元表示孤立微电网内的各个传统发电源单元。传统发电源的示例可包括：微型燃气轮机(MT)、燃料电池(FC)和柴油发电机(DE)等。

在目标函数中，如果可调度单元i在时间t处于工作状态，则τ_i(t)＝1；如果可调度单元i在时间t处于关闭状态，则τ_i(t)＝0。

在目标函数中，F_i(P_i(t))表示第i个可调度单元的成本函数。

例如，当可调度单元i为微型轮机(MT)时，F_i(P_i(t))可表示为表达式2；当柴油发电机(DE)时，F_i(P_i(t))可表示为表达式3。

F_i(P_i(t))＝b_i.P_i(t)+c_i (2)

F_i(P_i(t))＝a_i.P_i(t)²+b_i.P_i(t)+c_i (3)

在表达式2和表达式3中，P_i(t)表示可调度单元i的发电功率；a_i、b_i和c_i是可调度单元i的成本函数的参数。在一个示例中，这些参数可被预先设置。例如，当可调度单元i为微型轮机(MT)时，在表达式2中，b_i和c_i可分别设置为0.1329($/kWh)和4.4681($/h)；当柴油发电机(DE)时，在表达式3中，a_i、b_i和c_i可分别设置为0.00025($/kWh)²、0.1329($/kWh)和4.4681($/h)。然而，这仅是示例性的，本发明构思不限于此。

以上仅示出MT和DE的成本函数作为示例实施例，然而，本发明构思不限于此，并且能够表示各个可调度单元的成本的其他表现形式也是可行的。

在目标函数中，SC_i(t)表示可调度单元i的启动成本函数。例如，SC_i(t)可表示为下面的表达式4。

在表达式4中，sc_i表示可调度单元i的开启成本。

在一个示例中，当可调度单元i为微型轮机(MT)时，在表达式4中，开启成本sc_i可设置为5($)；当柴油发电机(DE)时，在表达式4中，开启成本sc_i可设置为23($)。然而，这仅是示例性的，本发明构思不限于此。

此外，在步骤101中，基于孤立微电网正常供电需要满足的技术要求，建立孤立微电网能量管理模型中的约束函数。

在一个示例中，孤立微电网正常供电需要满足的技术要求包括以下约束条件中的至少一个：针对孤立微电网内的传统发电源的容量的约束条件、针对负载需求和发电平衡的约束条件、针对孤立微电网内的能量存储系统的容量的约束条件、以及针对孤立微电网内的能量存储系统的动态运行性能的约束条件。

因此，在步骤101中，可基于以上约束条件来建立孤立微电网能量管理模型中的一个或多个约束函数，如下面的表达式5至表达式8。

具体地说，针对孤立微电网内的传统发电源的容量的约束条件为：可调度单元i(即，孤立微电网内的传统发电源)在时间t的发电功率P_i(t)应满足预定范围，这可表示为表达式5：

P_i^min≤P_i(t)≤P_i^max (5)

其中，P_i^min为传统发电源的最大容量，P_i^max为传统发电源的最小容量。

此外，针对负载需求和发电平衡的约束条件为：负载需求和发电平衡应满足：

在表达式6中，P_load(t)表示在时间t负载所需的功率，P_wind(t)和P_pv(t)分别表示风能和光伏太阳能(即，孤立微电网内的可再生能源)在时间t的发电功率，P_ess(t)表示孤立微电网内的能量存储系统(ESS)可用于供电的功率，表示孤立微电网内的各个可调度单元(即，孤立微电网内的传统发电源)需要发电的功率。也就是说，在孤立微电网内，可再生能源的发电功率、传统发电源的发电功率以及ESS的功率之和与负载需求相等，即，保持负载需求和发电平衡。

此外，针对孤立微电网内的能量存储系统的容量的约束条件为：能量存储系统(ESS)的充电/放电的功率P_ess(t)应满足预定的范围，如下面的表达式7所示：

其中，当ESS处于放电状态(即，用于为负载供电)时，P_ess(t)＞0；当ESS处于充电状态时，P_ess(t)＜0；当ESS无效或未在运行时，P_ess(t)＝0。

此外，针对孤立微电网内的能量存储系统的动态运行性能的约束条件为：在孤立微电网能够正常供电时，能量存储系统(ESS)的动态运行性能应满足表达式8：

在表达式8中，η_t表示ESS的充电或放电效率(在一个示例中，η_t可具有值1)，C_ess表示ESS的额定容量(在一个示例中，C_ess可为800kWh)，SOC(t)表示ESS在时间t的电量状态，SOC(t+1)表示ESS在下一时间t+1的电量状态。其中，时间t与下一时间t+1之间可以间隔预定时间(例如，1小时)。也就是说，在孤立微电网能够正常供电时，能量存储系统(ESS)的电量状态在相邻的间隔时间之间具有预定比例差。

以上仅示出了在图1的步骤101中所建立的孤立微电网能量管理模型的示例性实施例，然而，本发明构思不限于此，其他形式的孤立微电网能量管理模型也是可行的。

在图1的步骤102中，获取预测的日前的可再生能源的发电功率以及预测的日前的负载需求。

在一个示例中，预测的日前的可再生能源的发电功率是基于孤立微电网的历史数据以及数值天气预报数据以预定时间间隔为单位被预测的。例如，可基于过去1年的可再生能源发电的历史数据以及未来24小时(即，日前)的数值天气预报数据，以1小时为间隔，来预测可再生能源的发电功率。在一个示例中，可基于历史数据以及数值天气预报数据使用学习型人工神经网络来预测日前的可再生能源的发电功率。

根据示例性实施例，在预测日前的风力发电功率的情况下，可通过使用历史风力发电功率数据和历史天气数据，来训练用于预测风力发电功率的人工神经网络以确定天气数据与风力发电功率的映射关系，在训练完成后，可将数值天气预报预测的日前的天气数据输入到训练完成的人工神经网络来获得预测的日前的风力发电功率。在预测日前的光伏发电功率的情况下，可通过使用历史光伏发电功率数据和历史天气数据，来训练用于预测光伏发电功率的人工神经网络以确定天气数据与光伏发电功率的映射关系，在训练完成后，可将数值天气预报预测的日前的天气数据输入到训练完成的人工神经网络来获得预测的日前的光伏发电功率。

在一个示例中，可根据历史负载需求、数值天气预报数据以及影响负载需求的其它因素，使用学习型人工神经网络来预测日前的负载需求。

根据示例性实施例，在预测日前的负载需求的情况下，可通过使用历史负载需求、历史天气数据以及影响负载需求的其它因素，来训练用于预测负载需求的人工神经网络以确定天气数据与负载需求的映射关系，在训练完成后，可将数值天气预报预测的日前的天气数据输入到训练完成的人工神经网络来获得预测的日前的负载需求。

在图1的步骤103中，基于预测的日前的可再生能源的发电功率以及预测的日前的负载需求，使用改进的粒子群优化算法，以预定时间间隔为单位，确定孤立微电网能量管理模型的能量管理策略。

根据本发明构思的示例实施例，确定孤立微电网能量管理模型的能量管理策略的步骤包括：将改进的粒子群优化算法应用于建立的孤立微电网能量管理模型，以确定满足以下条件的孤立微电网能量管理模型的能量管理策略：孤立微电网在满足正常供电所需的所有技术要求的同时发电成本最小。

在原始的粒子群优化算法(PSO，Particle Swarm Optimization)中，第k次迭代中第i个粒子的位置或坐标可表示为表达式9：

x_i(k)＝x_i(k-1)+v_i(k)，i＝1,2,…,N (9)

在表达式9中，N表示群体(swarm)大小，v_i(k)是第k次迭代时第i个粒子的速度，表示粒子在设计的搜索空间中的位置变化率，由表达式10给出：

在表达式10中，c₁和c₂分别是认知和社会学习率，r₁和r₂是0和1范围内的随机数。参数c₁和c₂表示粒子本身的位置对群体位置的重要性。P_best,i是粒子i获得的最佳位置，而G_best是群体中所有粒子的全局最优位置。

然而，在表达式10中，粒子速度积聚太快，目标函数的最优值被越过。因此，可通过设置惯性权重θ来降低速度。在第k次迭代中，设置有惯性权重θ的第i个粒子的速度的表达式11如下：

在图1的步骤103中，使用如表达式11所示的改进的粒子群优化算法(MPSO，Modified Particle Swarm Optimization)来确定孤立微电网能量管理模型的能量管理策略。详细地说，将预测的可再生能源的发电功率以及负载需求作为MPSO的输入，并且初始化MPSO的参数。例如，在初始化MPSO参数时，可设置最大迭代次数，可设置MPSO中的粒子的初始位置(或坐标)以及粒子的速度，并且可为MPSO中的粒子的速度设置惯性权重θ的初始值和最终值。然后，将MPSO应用于上述建立的孤立微电网能量管理模型，在MPSO各个迭代中，相应地调整惯性权重θ，并且满足上述一个或多个约束函数，最终获得使得目标函数最小(即，孤立微电网的发电成本最小)的能量管理策略。

根据本发明构思的示例实施例，相应地调整惯性权重θ的示例包括：随着粒子群优化算法的迭代次数的增加，将惯性权重的值线性减小，如下面的等式12所示。

在等式12中，k表示第k次迭代，θ_max和θ_min分别是惯性权重的初始值和最终值，k_max表示设置的MPSO的最大迭代次数。

在本申请中，采用具有惯性权重的改进的粒子群优化算法(MPSO)，能够降低粒子的速度，使得MPSO更加准确和有效地收敛。本申请采用具有如表达式12的惯性权重的MPSO，能够实现全局搜索和局部搜索之间的平衡，并且能够快速收敛到目标函数的最优值。

在图1的步骤104中，基于确定的能量管理策略，以所述预定时间间隔为单位，对孤立微电网进行动态能量调度。根据本发明的示例实施例，确定的孤立微电网能量管理模型的能量管理策略包括：在各个所述预定时间间隔内，微电网内的传统发电源的输出功率、微电网内的能量存储系统的充电或放电的功率、以及能量存储系统的电量状态。

下面将参照图2至图6，详细地描述步骤104中的基于使用MPSO确定的能量管理策略以所述预定时间间隔为单位对孤立微电网进行动态能量调度。

图2示出了在调度日的各个预定时间间隔内的预测的负载需求的示例。图3和图4分别示出了在调度日的各个预定时间间隔内的预测的风力和光伏太阳能的发电功率。图5示出了基于使用MPSO确定的能量管理策略进行动态能量调度的示例。图6示出了使用MPSO获得的能量存储系统中的VRB的充电状态的示例。

参照图3和图4，在调度日的前6个小时(上午12点-6点)，孤立微电网内主要通过风能进行发电，没有使用光伏太阳能进行发电。从图2至图4可知在此期间可再生能源(风能)的发电功率可完全供应负载需求，因此，如图6所示，孤立微电网内的所有传统发电源均可被关闭(零功率)，以减少燃料成本。此外，如图6和图7所示，孤立微电网内的能量存储系统(例如，VRB)在此期间连续充电并在上午6点达到其最大存储容量(800kWh或最大SOC 100％)。当达到最大存储容量时，能量存储系统(例如，VRB)的充电功率为零(即，不运行或暂停状态)。

从调度日的上午7点开始，光伏太阳能开始发电，而风能降到零。由于可再生能源的发电量自上午7点起不足以供应负载需求，传统发电源(例如，DE和MT)开始运行以支持光伏太阳能。在此期间，VRB放电或将功率发送给微电网以降低燃料成本。如图6所示，VRB连续放电并在中午12点左右达到其最小存储容量(160kWh或最小SOC20％)。当达到最小存储容量时，VRB的放电功率为零。此时，为了降低能源生产成本，VRB自那时起就不运行或暂停；直到再次被微电网中的可获得的多余的可再生能源再次充电，并且SOC保持在20％的最小值。

在调度日的上午7点至下午7点，光伏太阳能与传统发电源一起供应负载需求。在调度日的下午7点至12点，仅由传统发电源供应负载需求。并且根据使用MPSO确定的能量管理策略，以1小时为间隔，调整MT和DE的输出功率，以使得发电成本最小。

本申请考虑可再生能源的波动和孤立微电网的负载需求，并做出适当的超前24小时预测来克服这些波动。通过使用改进的粒子群优化算法来获得最优的能量管理策略，并基于能量管理策略对孤立微电网进行动态能量调度，使得孤立微电网的发电成本最低。

以上仅示出孤立微电网进行动态能量调度的一个示例性实施例，然而，本发明构思不限于此。

图7示出了根据示例实施例的用于孤立微电网的能量管理系统700的示图。

参照图7，用于孤立微电网的能量管理系统700包括：模型建立模块701、数据获取模块702、策略确定模块703以及调度管理模块704。

模型建立模块701用于：基于孤立微电网的发电成本以及孤立微电网正常供电需要满足的技术要求，建立孤立微电网能量管理模型。在一个示例中，孤立微电网正常供电需要满足的技术要求包括以下约束条件中的至少一个：针对孤立微电网内的传统发电源的容量的约束条件、针对负载需求和发电平衡的约束条件、针对孤立微电网内的能量存储系统的容量的约束条件、以及针对孤立微电网内的能量存储系统的动态运行性能的约束条件。

模型建立模块701可基于孤立微电网的发电成本来建立孤立微电网能量管理模型中的目标函数，并且可基于上述约束条件中的一个或多个来建立孤立微电网能量管理模型中的约束函数。以上已参照图1描述了目标函数和约束函数的示例，为了简洁在此将省略其详细描述。

数据获取模块702用于：获取预测的日前的可再生能源的发电功率以及日前的负载需求。根据本发明的示例实施例，数据获取模块702可基于孤立微电网的历史数据以及天气预报信息以预定时间间隔为单位来预测日前的可再生能源的发电功率，并且还可基于历史负载需求、数值天气预报数据以及影响负载需求的其它因素以预定时间间隔为单位来预测日前的负载需求。以上已参照图1描述了预测的示例实施例，为了简洁在此将省略其详细描述。

策略确定模块703用于：基于预测的可再生能源的发电功率以及负载需求，使用改进的粒子群优化算法，以预定时间间隔为单位，确定孤立微电网能量管理模型的能量管理策略。根据本发明的示例实施例，策略确定模块703将改进的粒子群优化算法应用于建立的孤立微电网能量管理模型，以确定满足以下条件的孤立微电网能量管理模型的能量管理策略：孤立微电网能量管理模型在满足正常供电所需的所有技术要求的同时发电成本最小。，其中，改进的粒子群优化算法是具有惯性权重的粒子群优化算法，其中，随着粒子群优化算法的迭代次数的增加，所述惯性权重的值线性减小。

调度管理模块704用于：基于确定的能量管理策略，以所述预定时间间隔为单位，对孤立微电网进行动态能量调度。根据本发明的示例实施例，确定的孤立微电网能量管理模型的能量管理策略包括：在各个所述预定时间间隔内，微电网内的传统发电源的输出功率、微电网内的能量存储系统的充电或放电的功率、以及所述能量存储系统的电量状态。图7的用于孤立微电网的能量管理系统700的各个模块可执行以上参照图1至图6所描述的用于孤立微电网的能量管理方法，为了简洁和清楚在此将省略其相同的描述。

此外，图7所示的用于孤立微电网的能量管理系统的结构仅是示例性的，然而，本发明构思的示例实施例不限于此，孤立微电网的能量管理系统还可以包括其他组件，例如，用于存储数据和模型的存储器(例如，各种类型的易失性存储器或非易失性存储器)、用于在各个模块之间进行无线或有线通信的通信模块等。

根据本发明构思的示例实施例，图1至图6描述的用于孤立微电网的能量管理方法以及图7描述的各个模块的操作可被编写为程序或软件。可基于附图中示出的框图和流程图以及说明书中的对应描述，使用任何编程语言来编写程序或软件。在一个示例中，程序或软件可包括被一个或多个处理器或计算机直接执行的机器代码，诸如，由编译器产生的机器代码。在另一个示例中，程序或软件包括被一个或多个处理器或计算机使用解释器执行的更高级代码。程序或软件可被记录、存储或固定在一个或多个非暂时性计算机可读存储介质中。在一个示例中，程序或软件或一个或多个非暂时性计算机可读存储介质可被分布计算机系统上。

根据本发明构思的示例实施例，在孤立微电网中，使用改进的粒子群优化算法来获得最优的能量管理策略并进行能量管理，本申请所采用的用于孤立微电网的能量管理方法和系统能够最大限度地提高孤立微电网内的能量存储并提高孤立微电网内可再生能源利用率，降低发电成本。

虽然上面参照图1至图7已经详细描述了本发明的特定示例实施例，但是在不脱离本发明构思的精神和范围的情况下，可以以各种形式对本发明进行修改。因此，不应仅基于描述的示例实施例来确定本发明的范围，而是基于权利要求及其等同物来确定本发明的范围。