1.一种基于改进粒子群算法的微电网低碳优化调度方法，其特征在于，包括：步骤S1：获取微电网系统基础数据和负荷数据，主要包括电负荷、购电价、售电价，结合微电网系统中机组自身的特性，构建微电网系统的综合成本目标函数；综合成本目标函数的公式为：Fm＝min(FN+FC)     (1)；

式中：Fm表示微电网系统的综合运行成本的总和最小，FN表示微电网系统的能耗成本，FC表示微电网系统的碳排放成本；

步骤S2：以微电网系统综合运行成本最小为目标函数，包括微电网系统的能耗成本和碳排放成本，构建低碳调度模型；

所述微电网系统中的碳排放成本，可用公式表示为：

式中：a、b、c分别为蓄电池、柴油机、燃气轮机在t时刻单位功率碳排放因子；Kc为超额部分单位碳排放功率的惩罚系数；St为t时刻当前机组的碳排放配额功率；ε为单位功率排放配额系数；δ为碳排放成本系数；Dt为t时刻当前机组实际所产生的碳排放功率；ΔEt为超额部分碳排放功率；

将系统实际的碳排放量与碳交易机制下系统所分配的碳排放额度进行差值比较，对相关机组引入了不同的碳排放因子，并引入惩罚系数，如果实际碳排放量超出碳排放配额，微电网系统会选择引入惩罚机制的调度模型，能够有效规范微电网系统的碳排放标准，实现各机组出力的“再分配”，降低碳排放量，使微电网系统的综合成本达到最小；

步骤S3：引入微电网系统约束条件；

步骤S4：利用改进粒子群算法在Matlab中进行仿真，对低碳调度模型进行求解，求解低碳调度模型而获得低碳调度方案；并根据方案对微电网系统进行优化调度；优化调度的方法为：首先，采用改进的粒子群算法迭代寻优，得到第i个粒子迭代更新后的速度Vnew,i、位置Xnew,i为：Vnew,i＝ω×vi×c1×r1×(pbesti‑xi)+c2×r2×(gbesti‑xi)(19)；

Xnew,i＝Xi+Vnew,i      (20)；

式中：vi、xi分别表示第i个粒子的速度和位置；ω为惯性系数，即惯性权重因子；c1、c2是学习因子，分别代表自身经验系数、社会经验系数；r1、r2为范围在0到1之间的随机常数；

pbesti、gbesti分别代表第i粒子自身经过的最优位置与整个粒子群的经验最优位置；

从惯性权重因子和学习因子两个方面对粒子群算法进行改进，改进后的策略为：式中：d是当前迭代次数；K是总迭代次数；ρ是调整系数；ωstart、ωend是惯性权重因子的初始值和终止值；c1，start、c1，end表示c1的初始值和终止值；c2，start、c2，end表示c2的初始值和终止值；pbesti为粒子i的个体极值；n为总的粒子数。

2.根据权利要求1所述的一种基于改进粒子群算法的微电网低碳优化调度方法，其特征在于：在所述的步骤S1之前，还包括构建微电网系统低碳优化调度框架，具体方法为：在新能源发电出力最大化的原则下，分析能源调度方案对微电网系统的经济性与低碳性的影响，构建微电网系统低碳优化调度框架。

3.根据权利要求1所述的微电网系统低碳调度方法，其特征在于：步骤S2所述微电网系统中的能耗成本包括光伏发电机运行成本、风力发电机运行成本、储能维护成本、柴油机运行成本、主网交互总成本。

4.根据权利要求1或3所述的微电网系统低碳调度方法，其特征在于：所述微电网系统中的能耗成本表示为：FN＝FPV+FWT+Fbess+FDE+FGrid+FMT     (2)；

式中：FPV为光伏发电机运行成本；FWT为风力发电机运行成本；Fbess为储能维护成本；FDE为柴油机运行成本；FGrid为主网交互总成本；FMT为燃气轮机运行成本；

式中：λPV为光伏电站的单位功率运行成本系数；PPV,t为光伏电站在t时刻的发电功率；

λWT为风电场的单位功率运行成本系数；PWT,t为风电场在t时刻的发电功率；θ为储能维护单+ ‑位功率成本系数；SOCt‑1为t‑1时刻蓄电池剩余容量；η、η分别为充放电率；Pbess,t为t时刻蓄电池充放电功率；α、β、γ为柴油机运行成本系数；PDE,t为t时刻柴油机的发电功率；Fbuy,t、Fsell,t分别为t时刻微电网与大电网的购售电价；Pbuy,t、Psell,t分别为t时刻微电网与大电网的购电功率和售电功率；K为燃气轮机运行成本系数；ηMT为燃气轮机的运行效率；LHV为天然气低热值；PMT,t为燃气轮机在t时刻的发电功率。

5.根据权利要求4所述的的微电网系统低碳优化调度方法，其特征在于：步骤S3所述的微电网系统约束条件包括：系统功率平衡约束、柴油机出力约束、燃气轮机出力约束、联络线传输功率约束、储能装置约束、光伏容量上下限约束、风电容量上下限约束、碳排放功率目标约束,其中：所述系统功率平衡约束表示为：

PPV,t+PWT,t+Pbess,t+Pgrid,t+PDE,t+PMT,t＝PL,t(11)；

式中，PPV,t为光伏电站在t时刻的发电功率；PWT,t为风电场在t时刻的发电功率；Pbess,t为t时刻蓄电池充放电功率；Pgrid,t为t时刻主网交互的发电功率；PDE,t为t时刻柴油机的发电功率；PMT,t为燃气轮机在t时刻的发电功率；PL,t为微电网系统在t时刻的总功率；

柴油机出力约束表示为：

Pmin,DE≤PDE,t≤Pmax,DE       (12)；

式中：Pmax,DE、Pmin,DE为柴油机出力上下限，PDE,t为t时刻柴油机的发电功率；

燃气轮机出力约束表示为：

Pmin,MT≤PMT,t≤Pmax,MT     (13)；

式中：Pmax,MT、Pmin,MT为燃气轮机出力上下限；PMT,t为燃气轮机在t时刻的发电功率；

联络线传输功率约束表示为：

Pmin,grid≤Pgrid,t≤Pmax,grid      (14)；

式中：Pmax,grid、Pmin,grid为联络线传输功率上下限；Pgrid,t为t时刻主网交互的发电功率；

储能装置约束表示为：

式中：Pmax,bess、Pmin,bess为储能装置出力上下限；SOCmax、SOCmin为储能容量上下限；

光伏容量上下限约束表示为：

Pmin,PV≤PPV,t≤Pmax,PV       (16)；

式中：Pmax,PV、Pmin,PV为光伏电站出力上下限；PPV,t为t时刻光伏电站出力；

风电容量上下限约束表示为：

Pmin,WT≤PWT,t≤Pmax,WT      (17)；

式中：Pmax,WT、Pmin,WT为风电场出力上下限；PWT,t为t时刻风电场出力；

碳排放功率目标约束表示为：

St,min≤St≤St,max       (18)；

式中：St,max、St,min机组的碳排放配额功率上下限；St为机组的碳排放配额功率。

6.根据权利要求1所述的微电网系统低碳优化调度方法，其特征在于：步骤S4中所述的采用改进的粒子群算法迭代寻优，粒子群算法的具体步骤为：S41：获取微电网系统基础数据，进行参数初始化；

S42：初始化粒子种群，种群中每一个粒子都对应一个调度方案；

S43：计算适应度函数，输入以综合运行成本最小指标为目标函数的数学模型；

S44：将当前值作为个体最优值，并计算群体最优值；

S45：开始迭代；

S46：对个体极值进行改进；

S47：用改进后的速度更新公式更新粒子的速度和位置，计算更新后的适应度值，并更新粒子的个体最优值和群体最优值；

S48：判断粒子是否收敛，若否，则继续迭代；反之，则输出最优解；提供优化调度方法。