一种基于文化基因算法的交直流混合微网优化运行方法

技术领域

本发明涉及一种交直流混合微网优化运行方法。特别是涉及一种基于文化基因算法的交直流混合微网优化运行方法。

背景技术

随着传统能源日益枯竭，风力发电、光伏发电等新的发电方式由于其良好的环境效益受到国内外学者的关注。微网是包含分布式能源、负荷、储能等器件的新型供电网络，由于其具备对新能源的及时消纳、实现各种形式的微源的互补利用等优点，已成为国内外关注的热点。目前，负荷种类越来越丰富，直流负荷的供电可靠性成为一大学术课题。

交直流混合微网融合了交流负荷和直流负荷，能够提高电能质量，适当减少电力电子器件的使用从而降低谐波污染。为了保证交直流混合微网的安全可靠运行，国内外相关学者正在大力开展对于交直流混合微网运行控制技术的开发和应用研究。交直流混合微网经济优化运行是其中的一个研究课题，随着微网结构复杂多样化，寻找优化性能更加良好的智能搜索算法是关键。

目前常用的智能算法寻优效果良好，但仍存在一些收敛速度慢或者达不到收敛精度要求等问题，因此需要尝试新的智能算法。智能算法中有一类进化类算法，类似于遗传算法、免疫算法等。这类算法基于进化论中“优胜劣汰”的法则，将父代中的优良基因遗传给下一代。有关学者将这一理论推广到文化的发展中，国外称之为“文化进化”。文化基因算法正是基于这种思想，算法迭代过程分为局部搜索和全局搜索，各自可以有一套单独的理论对个体进行筛选，从而从两个层面加速个体逼近最优值，提高算法收敛精度。

发明内容

本发明所要解决的技术问题是，提供一种能有效求解多维、多目标、多约束及非线性的目标函数的基于文化基因算法的交直流混合微网优化运行方法。

本发明所采用的技术方案是：一种基于文化基因算法的交直流混合微网优化运行方法，包括如下步骤：

1)针对包含风力发电、光伏发电、蓄电池、微燃机、燃料电池及柴油发电机的交直流混合微网，建立多目标、多约束、非线性的优化运行数学模型，目标函数考虑电网购电成本、微源燃料成本、环境效益成本、网损以及运行维护成本，且服从微网内部功率平衡、公共连接点传输容量、可控微源爬坡率、单位时间蓄电池充放电上下限、蓄电池荷电状态上下限、蓄电池前后时间段功率平衡及蓄电池荷电状态不变的约束条件；

2)采用文化基因算法求解交直流混合微网数学模型；

3)验证基于文化基因算法的交直流混合微网优化运行方法的正确性和有效性。

步骤1)所述的目标函数F如下：

F＝F_Grid+F_ec+F_loss+F_om

F_Grid＝F_ACGrid+F_DCGrid

F_ec＝F_ACec+F_DCec

F_loss＝F_ACloss+F_DCloss

F_om＝F_ACom+F_DCom

其中，F_Grid为电网购电成本；F_ec为经济成本；F_loss为网损；F_om为设备运行维护成本；F_ACGrid为交流区电网购电成本；F_ACec为交流区经济成本，由交流区微源燃料成本F_ACfuel和环境效益成本F_ACen相加得到；F_ACloss为交流区网损；F_ACom为交流区设备运行维护成本；F_DCGrid为交流区电网购电成本；F_DCec为交流区微源经济成本，由直流区微源燃料成本F_DCfuel和环境效益成本F_DCen相加得到；F_DCloss为交流区网损；F_DCom为交流区设备运行维护成本；其中，

(1)交流区电网购电成本F_ACGrid和直流区电网购电成本F_DCGrid分别为：

其中，△T_AC为交流区向电网购电的时间段；T为一天内总时段；t为一天内各时段；为交流区向电网购电电量；△T_DC为直流区向电网购电的时间段；为直流区向电网购电电量；为相应时间段内电网售电价格；

(2)交流区经济成本F_ACec和直流区经济成本F_DCec：

F_ACec＝F_ACfuel+F_ACen

F_DCec＝F_DCfuel+F_DCen

交流区包含风力发电、微燃机和柴油发电机，直流区包含光伏发电、燃料电池和蓄电池，交流区燃料成本F_ACfuel和直流区燃料成本F_DCfuel可以由以下公式计算得出：

F_ACfuel＝F_MTfuel+F_DEGfuel

F_DCfuel＝F_FCfuel

η_FC＝-0.0023×P_FC+0.6735

其中，F_MTfuel为微燃机燃料成本；C_MT为微燃机燃料单价；LHV为燃料气体的低热值；P_MT为微燃机输出功率；η_MT为微燃机的发电效率；F_FCfuel为燃料电池的燃料成本；C_FC为燃料电池的燃料单价；P_FC为燃料电池的输出功率；η_FC为燃料电池的发电效率；F_DEGfuel为柴油发电机的燃料成本；P_DEG为柴油发电机的输出功率；a、b、c为柴油发电机发电系数，由柴油机生产厂家给出；

交流区环境效益成本F_ACen和直流区环境效益成本F_DCen由以下公式计算得出：

其中，n1为交流区微源个数；m为污染物的类型；α_j为相应污染物的折算成本，元/kg；EF_i,j为第i个微源产生的第j种污染物的单位排放量，kg/kW；P_i为第i个微源的输出功率；n₂为直流区微源个数。

(3)交流网损F_ACloss和直流网损F_DCloss：

其中，L1为交流区支路总数；P_k、Q_k为支路k传输的有功功率、无功功率；L2为直流区支路总数；R_k为支路k的电阻；U_k为支路k的电压有效值；

(4)交流运行维护成本F_ACom和直流运行维护成本F_DCom：

其中，βi为第i个微源的运行维护成本系数。

采取权重法，最终得到目标函数为：

minF＝(1-λ)×(F_Grid+F_ec+F_om)+λF_loss

其中，λ为网损成本系数。

所述的网损成本系数λ为0.1。

步骤1)所述的约束条件包括：

(1)微网内部功率平衡约束条件

(2)公共连接点传输容量约束条件

(3)可控微源爬坡率约束条件

(4)单位时间蓄电池充放电上下限约束条件

(5)蓄电池荷电状态(State of Charge,SOC)上下限约束条件

Soc_min≤Soc^t≤Soc_max

(6)蓄电池前后时间段功率平衡约束条件

(7)蓄电池荷电状态不变约束条件

Soc_initial＝Soc_end

其中，N为微源个数；表示第t个时段第i个微源出力；表示第t个时段从电网购电功率；为第t个时段蓄电池功率变化量，放电为正，充电为负；分别表示第t个时段交、直流区负荷大小；为第t个时段公共连接点的净流动功率；P_G,max为公共连接点传输容量限值；r_i为第i个微源的单位时间爬坡率；为第t个时段蓄电池功率变化量的绝对值；为第t个时段蓄电池功率变化量的限值；Soc^t为第t个时段内蓄电池的荷电状态；Soc_min、Soc_max分别为荷电状态的上下限值；uu表示充放电系数，充电时为1，放电时为-1；η为蓄电池充放电效率，这里取95％；Q_ES为蓄电池额定容量；Soc_initial、Soc_end为荷电状态的初始值和最终值。

步骤2)包括：

(1)初始化

采用随机生成方式产生初始个体，用varmin、varmax表示每个变量的取值范围，其中任意一个变量x_m的初始值由下式得出：

x_m＝varmin_m+rand(0,1)*(varmax_m-varmin_m)

设M为群体中所有个体个数，则m＝1,2,…,M，M_agent为智能体的个数，M_public为普通个体的个数，即有：

M＝M_agent+M_public

对初始个体按照适应度值大小进行升序排列，前M_agent即为智能体，剩余的为普通个体，其中智能体是群体中适应度值排在前M_agent位的个体，群体中剩余的个体为普通个体，将群体分为M_agent区域，普通个体分属于各智能体所在的区域，每个智能体初始时刻所拥有的普通个体的个数是由各智能体相对实力决定，第a个智能体(a＝1,2,…,M_agent)的相对实力具体由下式计算得出：

S_a＝max{s_b}-s_a,b＝1,2,…,M_agent

s_a为第a个智能体的适应度值；

第a个智能体的实力大小定义为：

每个智能体所在区域分配到的普通个体个数为：

M.S_a＝round{P_a×M_public}

M.S_a为第a个智能体所在区域所拥有的普通个体个数，从而初始化之后的智能体实力越强，所在区域分到的普通个体的个数越多；

(2)局部搜索，具体分两步实现：

(2.1)聚合运动

各区域内的普通个体逐渐向本区域的智能体靠近，移动距离Move服从均匀分布，表示如下：

Move～U(0,β×d)

其中，U为均匀分布符号；β为聚合系数，β取2；d为同一区域内智能体和普通个体之间的距离；

(2.2)变革运动

为了在进行聚合过程中普通个体移动的速度减慢，增加群体多样性，对每个普通个体进行随机变革，第a个智能体所在区域所拥有的普通个体数目为M_a.public，其中需要进行变革的普通个体个数M_a,rpublic为：

M_a.rpublic＝round(q_a×M_a.public)

其中，round函数为四舍五入函数，q_a为变革率，取0.3；

各区域内部经过聚合和变革运动以后，各个体的实力值会有很大变化，需要根据每个区域个体适应度值重新排序，排在第一位的个体适应度值最好，为新的智能体；

(3)全局搜索，包括：

(3.1)相互竞争

每次迭代经过局部搜索之后，需要计算每个智能体的总实力值。各区域内智能体总实力值由自身的实力值和同区域的普通个体的实力值共同决定，由下式计算得出：

T.S_a为第a个智能体的总实力，ξ为一个小于1的正数，表示同一区域内普通个体实力占智能体总实力的权重，取0.1，w_n为普通个体的实力值；

第a个智能体竞争概率表示为：

其中，N.T.S_a表示第a个智能体的相对总实力值，定义为：

M.T.S_a＝max{T.S_b}-T.S_a,b＝1,2,…M_agent

由此计算得出每个智能体的竞争概率，设向量p为：

引入和向量p同维的随机向量R，表示为：

其中，r～U(0,1)表示R中的元素服从0到1的均匀分布；

定义向量V为向量p和向量R的差值：

V＝p-R

向量V中最大的元素对应的智能体最终获得被竞争的普通个体；

(3.2)相互协作

在智能体相互竞争之后增加相互协作操作，当两个区域的智能体之间的距离小于协作距离D时，两个智能体中实力值小的智能体所在区域内的所有普通个体均归实力值大的智能体所在区域所有，即两个智能体合并来增加实力值，从而增加自身竞争力；智能体x_c与x_d之间的协作距离D定义为：

D＝norm(x_c-x_d)×u

其中，c＝1,2,…M_agent，d＝1,2,…M_agent，norm函数为求范数函数，u表示协作系数，取值为0～1；

(4)算法结束

当运行到存在某个智能体所在区域内没有普通个体时，该智能体被淘汰出局，这样智能体数目逐渐减少，当迭代到最大迭代次数时，运行结束。

本发明的一种基于文化基因算法的交直流混合微网优化运行方法，能有效求解多目标、多约束的非线性优化目标函数，提高微网经济效益和环保效益。具体具有如下优点：

1、本发明建立的交直流混合微网数学模型，考虑了电网购电成本、微源燃料成本、环境效益成本、网损以及运行维护成本，目标函数服从微网内部功率平衡、公共连接点传输容量、可控微源爬坡率、单位时间蓄电池充放电上下限、蓄电池荷电状态上下限、蓄电池前后时间段功率平衡及蓄电池荷电状态不变的约束条件，便于方法应用到实际工程中；

2、将文化基因算法应用到微网成本优化的目标函数求解中，能有效求解多维、多目标、多约束及非线性的目标函数，为交直流混合微网优化运行提供一种新方法和新思路；

3、采用竞争-协作模式的全局搜索策略，考虑了全局多样性，提高算法寻优精度。

附图说明

图1是本发明一种基于文化基因算法的交直流混合微网优化运行方法的流程图；

图2是本发明中交直流混合微网典型网架的结构示意图；

图3是本发明算例负荷预测曲线图；

图4是本发明优化后交流区各微源出力情况图；

图5是本发明优化后交流区运行成本结果图；

图6是本发明优化后直流区各微源出力情况图；

图7是本发明优化后直流区运行成本结果图；

图8是本发明优化后蓄电池荷电状态曲线图；

图9a是本发明优化后微网交流区一天内各电源出力情况图；

图9b是本发明优化后微网直流区一天内各电源出力情况图；

图9c是本发明优化后微网直流区蓄电池放电情况图；

图9d是本发明优化后微网直流区蓄电池充电情况图；

图10是本发明优化后公共连接点流动功率图。

具体实施方式

下面结合实施例和附图对本发明的一种基于文化基因算法的交直流混合微网优化运行方法做出详细说明。

本发明的一种基于文化基因算法的交直流混合微网优化运行方法，包括，包括如下步骤：

1)针对包含风力发电、光伏发电、蓄电池、微燃机、燃料电池及柴油发电机的交直流混合微网，建立多目标、多约束、非线性的优化运行数学模型，目标函数考虑电网购电成本、微源燃料成本、环境效益成本、网损以及运行维护成本，且服从微网内部功率平衡、公共连接点传输容量、可控微源爬坡率、单位时间蓄电池充放电上下限、蓄电池荷电状态上下限、蓄电池前后时间段功率平衡及蓄电池荷电状态不变的约束条件；其中，

所述的目标函数F如下：

F＝F_Grid+F_ec+F_loss+F_om

F_Grid＝F_ACGrid+F_DCGrid

F_ec＝F_ACec+F_DCec

F_loss＝F_ACloss+F_DCloss

F_om＝F_ACom+F_DCom

其中，F_Grid为电网购电成本；F_ec为经济成本；F_loss为网损；F_om为设备运行维护成本；F_ACGrid为交流区电网购电成本；F_ACec为交流区经济成本，由交流区微源燃料成本F_ACfuel和环境效益成本F_ACen相加得到；F_ACloss为交流区网损；F_ACom为交流区设备运行维护成本；F_DCGrid为交流区电网购电成本；F_DCec为交流区微源经济成本，由直流区微源燃料成本F_DCfuel和环境效益成本F_DCen相加得到；F_DCloss为交流区网损；F_DCom为交流区设备运行维护成本；其中，

(1)交流区电网购电成本F_ACGrid和直流区电网购电成本F_DCGrid分别为：

其中，△T_AC为交流区向电网购电的时间段；T为一天内总时段；t为一天内各时段；为交流区向电网购电电量；△T_DC为直流区向电网购电的时间段；为直流区向电网购电电量；为相应时间段内电网售电价格；

(2)交流区经济成本F_ACec和直流区经济成本F_DCec：

F_ACec＝F_ACfuel+F_ACen

F_DCec＝F_DCfuel+F_DCen

交流区包含风力发电(WT)、微燃机(MT)和柴油发电机(DEG)，直流区包含光伏发电(PV)、燃料电池(FC)和蓄电池(ES)，交流区燃料成本F_ACfuel和直流区燃料成本F_DCfuel可以由以下公式计算得出：

F_ACfuel＝F_MTfuel+F_DEGfuel

F_DCfuel＝F_FCfuel

η_FC＝-0.0023×P_FC+0.6735

其中，F_MTfuel为微燃机燃料成本；C_MT为微燃机燃料单价；LHV为燃料气体的低热值；P_MT为微燃机输出功率；η_MT为微燃机的发电效率；F_FCfuel为燃料电池的燃料成本；C_FC为燃料电池的燃料单价；P_FC为燃料电池的输出功率；η_FC为燃料电池的发电效率；F_DEGfuel为柴油发电机的燃料成本；P_DEG为柴油发电机的输出功率；a、b、c为柴油发电机发电系数，由柴油机生产厂家给出；

交流区环境效益成本F_ACen和直流区环境效益成本F_DCen由以下公式计算得出：

其中，n1为交流区微源个数；m为污染物的类型；α_j为相应污染物的折算成本，元/kg；EF_i,j为第i个微源产生的第j种污染物的单位排放量，kg/kW；P_i为第i个微源的输出功率；n₂为直流区微源个数。

(3)交流网损F_ACloss和直流网损F_DCloss：

其中，L1为交流区支路总数；P_k、Q_k为支路k传输的有功功率、无功功率；L2为直流区支路总数；R_k为支路k的电阻；U_k为支路k的电压有效值；

(4)交流运行维护成本F_ACom和直流运行维护成本F_DCom：

其中，βi为第i个微源的运行维护成本系数。

采取权重法，最终得到目标函数为：

minF＝(1-λ)×(F_Grid+F_ec+F_om)+λF_loss

其中，λ为网损成本系数，所述的网损成本系数λ为0.1。

所述的约束条件包括：

(1)微网内部功率平衡约束条件

(2)公共连接点传输容量约束条件

(3)可控微源爬坡率约束条件

(4)单位时间蓄电池充放电上下限约束条件

(5)蓄电池荷电状态(State of Charge,SOC)上下限约束条件

Soc_min≤Soc^t≤Soc_max

(6)蓄电池前后时间段功率平衡约束条件

(7)蓄电池荷电状态不变约束条件

Soc_initial＝Soc_end

其中，N为微源个数；表示第t个时段第i个微源出力；表示第t个时段从电网购电功率；为第t个时段蓄电池功率变化量，放电为正，充电为负；分别表示第t个时段交、直流区负荷大小；为第t个时段公共连接点的净流动功率；P_G,max为公共连接点传输容量限值；r_i为第i个微源的单位时间爬坡率；为第t个时段蓄电池功率变化量的绝对值；为第t个时段蓄电池功率变化量的限值；Soc^t为第t个时段内蓄电池的荷电状态；Soc_min、Soc_max分别为荷电状态的上下限值；uu表示充放电系数，充电时为1，放电时为-1；η为蓄电池充放电效率，这里取95％；Q_ES为蓄电池额定容量；Soc_initial、Soc_end为荷电状态的初始值和最终值。

2)采用文化基因算法求解交直流混合微网数学模型；包括：

(1)初始化

采用随机生成方式产生初始个体，用varmin、varmax表示每个变量的取值范围，其中任意一个变量x_m的初始值由下式得出：

x_m＝varmin_m+rand(0,1)*(varmax_m-varmin_m)

设M为群体中所有个体个数，则m＝1,2,…,M，M_agent为智能体的个数，M_public为普通个体的个数，即有：

M＝M_agent+M_public

对初始个体按照适应度值大小进行升序排列，前M_agent即为智能体，剩余的为普通个体，其中智能体是群体中适应度值排在前M_agent位的个体，群体中剩余的个体为普通个体，将群体分为M_agent区域，普通个体分属于各智能体所在的区域，每个智能体初始时刻所拥有的普通个体的个数是由各智能体相对实力决定，第a个智能体(a＝1,2,…,M_agent)的相对实力具体由下式计算得出：

S_a＝max{s_b}-s_a,b＝1,2,…,M_agent

s_a为第a个智能体的适应度值；

第a个智能体的实力大小定义为：

每个智能体所在区域分配到的普通个体个数为：

M.S_a＝round{P_a×M_public}

M.S_a为第a个智能体所在区域所拥有的普通个体个数，从而初始化之后的智能体实力越强，所在区域分到的普通个体的个数越多；

(2)局部搜索，采用的局部搜索策略为最优选取策略，即在每次迭代中各区域中实力值最好的为智能体。局部搜索具体分两步实现：

(2.1)聚合运动

在基于竞争-协作模式的文化基因算法中，各区域内的普通个体逐渐向本区域的智能体靠近，移动距离Move服从均匀分布，表示如下：

Move～U(0,β×d)

其中，U为均匀分布符号；β为聚合系数，经过多次实验当β取2时算法寻优性能较好；d为同一区域内智能体和普通个体之间的距离；

(2.2)变革运动

文化基因算法在进行聚合运动之后，各区域内普通个体会迅速向智能体靠拢，提高了算法的收敛速度，但是可能会造成算法陷入局部收敛，最终得到的解不是最优解。为了在进行聚合过程中普通个体移动的速度减慢，增加群体多样性，对每个普通个体进行随机变革，第a个智能体所在区域所拥有的普通个体数目为M_a.public，其中需要进行变革的普通个体个数M_a,rpublic为：

M_a.rpublic＝round(q_a×M_a.public)

其中，round函数为四舍五入函数，q_a为变革率，多次实验后得出q_a取0.3时算法寻优性能较好；

各区域内部经过聚合和变革运动以后，各个体的实力值会有很大变化，需要根据每个区域个体适应度值重新排序，排在第一位的个体适应度值最好，为新的智能体；

(3)全局搜索，包括：

(3.1)相互竞争

每次迭代经过局部搜索之后，需要计算每个智能体的总实力值。各区域内智能体总实力值由自身的实力值和同区域的普通个体的实力值共同决定，由下式计算得出：

T.S_a为第a个智能体的总实力，ξ为一个小于1的正数，表示同一区域内普通个体实力占智能体总实力的权重，取0.1，w_n为普通个体的实力值；

基于竞争-协作模式的文化基因算法中竞争体现在智能体之间通过实力值大小获得相应的概率来竞争所有个体中实力最弱的普通个体，从而增强自身的实力。实力越强的智能体竞争得到全局实力最弱的普通个体的概率越大，第a个智能体竞争概率表示为：

其中，N.T.S_a表示第a个智能体的相对总实力值，定义为：

M.T.S_a＝max{T.S_b}-T.S_a,b＝1,2,…M_agent

由此计算得出每个智能体的竞争概率，设向量p为：

引入和向量p同维的随机向量R，表示为：

其中，r～U(0,1)表示R中的元素服从0到1的均匀分布；

定义向量V为向量p和向量R的差值：

V＝p-R

向量V中最大的元素对应的智能体最终获得被竞争的普通个体；

(3.2)相互协作

文化基因算法经过前几步的迭代，能够满足算法多样性，有效防止算法收敛到局部最优解。但是实验数据表明，在算法后期，算法收敛速度较慢，因此需要增加加速机制，提高算法收敛速度。在智能体相互竞争之后增加相互协作操作，当两个区域的智能体之间的距离小于协作距离D时，两个智能体中实力值小的智能体所在区域内的所有普通个体均归实力值大的智能体所在区域所有，即两个智能体合并来增加实力值，从而增加自身竞争力；智能体x_c与x_d之间的协作距离D定义为：

D＝norm(x_c-x_d)×u

其中，c＝1,2,…M_agent，d＝1,2,…M_agent，norm函数为求范数函数，u表示协作系数，取值为0～1，经过多次实验，u取0.2时算法收敛性能好；

(4)算法结束

当运行到存在某个智能体所在区域内没有普通个体时，该智能体被淘汰出局，这样智能体数目逐渐减少，当迭代到最大迭代次数时，运行结束。

3)验证基于文化基因算法的交直流混合微网优化运行方法的正确性和有效性。

下面给出实例：

考虑如图2所示的交直流混合微网，对于交流区与直流区之间的潮流控制器采用双向潮流控制器，实现交流区和直流区之间的功率流通，从而降低微网运行成本，提高对微源的利用率。交流区微源包括微燃机、柴油发电机和风力发电，直流区微源包括燃料电池、光伏发电和容量为250kW·h的蓄电池1台，各微源参数如表1所示。蓄电池荷电状态变化范围为0.3～0.9，Soc_initial和Soc_end取0.3，为了充分发挥蓄电池削峰填谷的作用，根据图4所示的负荷预测曲线图，决定蓄电池在用电高峰期11:00-13:00和20:00-24:00，只要荷电状态满足约束条件，蓄电池必须处于放电状态，其余时间段蓄电池进行充电，当荷电状态达到0.9时，停止充电。表2为微源折算成本和排放因子，表3为不同时刻电网购电电价。

表1各微源的参数

表2微源折算成本和排放因子

表3分时电价

(1)收集交直流混合微网中负荷预测数据，如图3所示，对交直流混合微网未来一天内24小时各微源出力进行优化，以考虑电网购电成本、微源燃料成本、环境效益成本、网损以及运行维护成本最小为目标函数，且服从微网内部功率平衡、公共连接点传输容量、可控微源爬坡率、单位时间蓄电池充放电上下限、蓄电池荷电状态上下限、蓄电池前后时间段功率平衡及蓄电池荷电状态不变等多个约束；

(2)运用文化基因算法对目标函数进行求解，得到如图4-图7所示的交直流混合微网交流区和直流区的各微源出力情况曲线及成本曲线，其中经济成本是微源运行维护成本和燃料成本之和。可以看出，由于直流区微源燃料电池、蓄电池和光伏发电环境效益较好，所以环保折算成本接近于零；

(3)本发明的实例要求蓄电池荷电状态满足0.3～0.9，且始末状态均为0.3的约束。图8为优化后蓄电池荷电状态变化曲线，满足约束条件；

(4)经过文化基因算法求解优化目标函数，最终得到交直流混合微网中的各微源出力情况及公共连接点流动功率图如图9a-图10所示。其中PLA和PLD分别表示交流区和直流区的负荷，GRID表示从电网购电电量，ESC和ESD分别表示蓄电池充电和放电电量。

本发明的实例运用文化基因算法求解，得出算例中交直流混合微网总运行成本为2608.0元，其中交流区运行成本为1964.1元，直流区运行成本为643.9元，各微源出力能够满足各种约束，蓄电池在负荷较大时达到满发状态，由于交流区微源发电成本比直流区微源更高，所以存在直流区到交流区的功率流动。

综上所述，通过本实施例的测试结果，说明本发明的一种基于文化基因算法的交直流混合微网优化运行方法能有效求解多目标、多约束的非线性优化目标函数，提高微网经济效益和环保效益，证实了文化基因算法的有效性和正确性。