总结与展望
6.1 结论
本文在传统的微电网调度方法的基础之上，综合考虑了在微电网优化过程中的负荷预测和多目标优化调度，让调度模型相对于传统模型更加完善。以本国内的一个资源丰富地区为案例进行分析，对微电网进行优化调度。通过优化后的运行计划与原始运行计划相比，建立的负荷预测模型准确度较高，经过优化后的运行计划使得系统在能满足符合要求的同时降低运行成本并提高风光渗透率。本文主要工作如下：
(1)通过阅读国内外微电网优化调度相关论文建立了微电网中各个分布式发电单元模型。随着目前微电网技术的发展，本文考虑了风力发电系统、光伏发电系统、柴油发电系统、储能系统。并对每一个系统都做了详细介绍并构建了出力模型
(2)对于发电成本中添加了对环境影响需要支出的成本，为了大力推动可持续发展，环境问题也使目前微电网建设过程中需要重点考虑的问题。尤其对于可再生能源发电，环境成本一定要考虑在内，否则将会产生不公平的现象抑制其发展。
(3)在建立调度计划的同时考虑了负荷以及可再生分布式电源出力的预测模型，通过长短期记忆网络(LSTM)和卷积神经网络借助大量的历史数据构建了对负荷以及可再生分布式电源出力的预测模型，使整个微电网优化调度模型更加完善，负荷以及可再生分布式电源出力预测是微电网优化调度的前提。尤其对于不确定性的可再生能源发电极为重要。
(4)在考虑微电网的经济调度过程中，本文又同时考虑了风光消纳，通过单目标粒子群与多目标粒子群对微电网优化调度时的经济性以及风光渗透率做出对比。在多目标粒子群算法中得到Pareto前沿图合选择调度运行计划。
6.2 展望
本文对于微电网的优化调度研究考虑了很多方面，但微电网的发展日新月异且内容宽广。在随后的研究生涯中还有如下几点需要完善：
(1)本文只建立了风光柴储的多能微电网分布式电源，但随着科技的发展目前还有微型燃气轮机，小水电等众多发电系统未被考虑，且本文建立的出力模型都为有功处理，在实际的过程中情况更为复杂，往后的研究中也应当考虑其无功模型。
(2)对于负荷、可再生分布式电源出力预测来说，还存在着更多的影响因素，因此影响因素还有待完善。且还可以将CNN与LSTM结合构建模型。
(3)多目标粒子群算法的研究中只考虑了两个目标函数，对于模型的完善程度来说还应该考虑更多的目标函数，且粒子群算法容易取得局部最优值，今后研究中应寻求更优秀算法。
(4)本文考虑的微电网模型是孤岛微电网，但随着目前的微电网发展，并网需求逐渐增加，微电网并网运行的调度方式也可以继续深入研究。