减少和增加引起的上调、下调旋转备用； Pwju, t、Pwjd, t由预测误差比例系数ER与P wy, t相乘得到，ER取10% 〇
[0134] 实际应用时，上述变量的具体取值范围根据实际应用中的需要进行设定，本发明 实施例对此不做限制。
[0135] 203 :采用改进的细菌觅食算法对调度模型进行求解。
[0136] 其中，细菌觅食算法（Bacterial Foraging Algorithm，BFA)因具有群体智能算法 的并行搜索、易跳出局部极小值等优点已被成功应用于解决电力系统的优化问题，但其搜 索速度相对较慢；利用粒子群算法（Particle Swarm 0ptimization，PS0)实现简单，收敛速 度快且搜索精度高的优点对细菌觅食算法进行改进，进而有效平衡局部和全局搜索，提高 改进的细菌觅食算法的搜索速度和收敛精度。
[0137] 其中，改进的细菌觅食算法计算过程如下：
[0138] 算法中，空间矢量P = [P1, P2, P3，……PJ代表一个细菌状态，J(P)函数为细菌 的适应度，即模型的目标函数。该算法的搜索过程可分为趋化、复制和驱散三步。
[0139] 1、趋化过程：在细菌生命周期内，细菌向营养富集区域移动，移动分为前进和翻转 两步。在细菌翻转向某一方向后，以特定步长沿该方向前进，若适应度值得到改善，则继续 前进；若适应度值恶化，则进行翻转动作，当趋化步数到达限值，则停止趋化。
[0140] 趋化行为可表示为：
[0142] 其中：Pm(n，k，s)为第s次驱散、第k次复制、第η次趋化过程中第m个细菌的空间 位置矢量；Pm(n+1, k, s)为第s次驱散、第k次复制、第n+1次趋化过程中第m个细菌的空 间位置矢量；C(m)为细菌m向某一方向移动的长度向量；△ (m)为细菌m的单位方向向量； A (m) e (-1, I) ; AT(m)为 Δ (m)的转置。
[0143] 2、复制过程：趋化过程结束后，计算种群内所有细菌适应度值，并进行排序，以某 一健康度为界，对于适应度较好的细菌进行复制，替代适应度值恶劣的细菌。复制过程的健 康度值可表示为：
[0145] 其中：Nc为趋化最大步数，Jmhealth为第i个细菌的健康度J(m，n，k，s)为第s次驱 散、第k次复制、第η次趋化过程中第m个细菌的适应度值。
[0146] 计算中，将总细菌中适应度较差的一半细菌淘汰，剩余适应度较好的细菌以一分 为二的方式繁殖，以保持种群规模不变。
[0147] 3、驱散过程：易陷入局部最优是部分优化算法存在的问题，BFA算法引入驱散过 程，以预先设定的某一概率Ped选取部分细菌驱散到矢量空间其他位置，以保证算法的全局 搜索能力，避免陷入局部最优，提高搜索精度，但此过程势必会减缓算法的搜索速度。
[0148] 算法改进如下：
[0149] 针对BFA算法搜索速度慢的缺点，利用PSO算法实现简单，收敛速度快且搜索精度 高的优点对BFA算法进行改进，有效平衡局部和全局搜索，提高算法的搜索速度和收敛精 度。
[0150] 在BFA算法趋化过程中根据PSO算法中全局最优点gbest和局部最优点pbest动 态修改前进步长，在距离最终的最优点较远时，前进步长较大，从而提高搜索速度；当距离 最终的最优点距离较近时，前进步长较小，从而提高收敛精度，具体按下式进行修改：
[0151] C(m) = w*C (m)+C1^rand1* (pbest-Pm)+C2^rand2* (gbest-Pm)
[0152] 其中：w、Cp C2为权重系数，w取0· 9, C丨、(：2分别取I. 2和0· 5 ;rand丨和rand 2为0 到 1之间的随机数；Pm为第m个细菌的空间位置矢量。
[0153] 实际应用时，上述变量的具体取值范围根据实际应用中的需要进行设定，本发明 实施例对此不做限制。
[0154] 综上所述，本发明实施例通过上述步骤201-步骤203在传统火电机组经济成本和 环保效益的基础上，在模型中引入风电欠调度补偿成本、备用容量补偿成本和蓄电池储能 能量损失成本，以表征风储联合系统对系统经济性的影响，计及机组出力约束、爬坡约束、 旋转备用约束等约束条件，建立了提高风电可调度性的风储联合系统调度模型，并采用改 进的细菌觅食算法对调度模型进行求解，输出最优解，该方法适用于风储联合系统的协调 调度。
[0155] 实施例3
[0156] 下面结合具体的流程图2对实施例1、2中的方案进行详细的描述：
[0157] 301 :数据初始化，并计算当前周期风储可用调度出力；
[0158] 其中，该数据初始化的步骤具体包括：读取趋化、复制、驱散的次数上限值等、当前 周期的负荷值、风电预测出力值、蓄电池当前存储的电量、各机组出力上下限、以及爬坡约 束等电力系统参数，通过上述参数来初始化细菌状态。
[0159] 综合当前蓄电池电量状态和本时段的风电预测出力，计算本时段的风储联合系统 的可用调度出力。
[0160] 302 :对初始化的细菌状态按照调度模型求取其对应的目标函数值，即细菌适应度 值（即将调度模型中的目标函数值作为细菌觅食算法中的细菌适应度值），并判断细菌状 态是否满足所有约束条件（即实施例2中步骤202中的约束条件），如果是，执行步骤303 ; 如果否，则将该细菌附加一惩罚值，然后执行步骤303 ;
[0161] 通过该步骤302将风储联合系统与细菌觅食算法结合起来。当不满足任一约束条 件时，就将细菌附加一惩罚值。其中，惩罚值为优化算法领域中公知的技术术语，本发明实 施例对此不做赘述。
[0162] 303 :趋化细菌，完成前进、翻转动作；
[0163] 其中，细菌进行趋化过程，按照预先设定的参数完成前进和翻转动作，该步骤为本 领域技术人员所公知，本发明实施例对此不做限制。
[0164] 304 :在趋化过程中，计算细菌的适应度值，寻找局部最优点pbest和全局最优点 gbest，以此动态调整前进步长；判断细菌是否满足所有约束条件（即实施例2中步骤202 中的约束条件），如果是，执行步骤305 ;如果否，则将该细菌附加一惩罚值，之后执行步骤 305 ；
[0165] 通过该步骤可以提高搜索速度和精度，向适应度值更好的方向移动。寻找局部最 优点pbest和全局最优点gbest，以此动态调整前进步长。
[0166] 其中，步骤302和步骤304中的惩罚值根据实际应用中的需要进行人为设定，本发 明实施例对此不作限制。例如可以为任意满足约束条件的细菌适应度值的10倍。
[0167] 305 :判断趋化步数是否达到趋化步数上限值，如果是，趋化过程完成，执行步骤 306 ;如果否，趋化过程尚未完成，执行步骤303 ;
[0168] 306 :半数不良细菌死亡，复制优良细菌；判断复制次数是否达到复制次数上限 值，如果是，复制过程完成，执行步骤307 ;如果否，复制过程尚未完成，执行步骤303 ;
[0169] 307 :驱散部分细菌，按照预先设定的概率Ped选取部分细菌进行驱散；
[0170] 通过该步骤可以保证算法不陷入局部最优，概率Ped的取值根据实际应用中的需 要进行设定，本发明实施例对此不作限制。
[0171] 308:判断驱散次数是否达到驱散次数上限值，如果是，驱散过程完成，执行步骤 309 ;如果否，驱散过程尚未完成，执行步骤303 ;
[0172] 其中，上述的趋化步数上限值、复制次数上限值和驱散次数上限值根据实际应用 中的需要进行设定，本发明实施例对此不做限制。
[0173] 309 :当最优解不满足任一约束条件，则执行步骤301 ;若满足全部约束条件，执行 步骤310 ;
[0174] 即，当不满足约束条件中的任一条件时，需要重新开始计算过程，直至得到满足全 部约束条件的最优解。
[0175] 310 :记录结果，输出最优解。
[0176] 若最优解满足全部约束条件，则将各机组最优调度出力、电池充放电功率等本周 期数