1.一种考虑船舶横摇的新能源船舶电力系统容量优化方法，其特征在于，包括以下步骤：

(1)根据太阳能电池板受光面积APV、转换效率ηPVmax，以及太阳辐射度G(t)建立光伏系统输出模型；根据柴油发电机的输出功率Pd以及油耗系数建立柴油机发电成本模型；根据蓄电池充放电的功率ΔP以及效率ηc建立储能系统充放电模型；根据船舶航行数据建立船舶不同工况下的负载模型；

(2)根据船舶航行时船舶横摇对光伏系统输出的影响，对步骤(1)中光伏系统输出模型进行修正；

(3)将船舶电力系统总成本费用以及系统可靠性作为优化条件，建立船舶电力系统多目标多约束的优化配置模型；

(4)对传统粒子群算法进行优化，在传统粒子群算法中加入遗传算法中粒子两两交叉过程；

(5)将步骤(1)建立的柴油机发电成本模型、储能系统充放电模型、负载模型，步骤(2)修正的光伏系统输出模型以及步骤(3)建立的优化配置模型在步骤(4)优化后的算法中融合，使用数学仿真软件进行仿真，输出最优粒子，该粒子输出的太阳能电池板数量、柴油发电机容量和蓄电池数量即为船舶电力系统的最佳容量配置。

2.根据权利要求1所述的一种考虑船舶横摇的新能源船舶电力系统容量优化方法，其特征在于，步骤(1)中所述建立四种模型的具体内容和方法是：

1)建立光伏系统输出模型的具体过程为：根据光伏发电系统输出功率PPV(t)受t时刻接收的太阳辐射度G(t)、光伏阵列面积APV、太阳能电池板最大转换效率ηPVmax、太阳电池板最大功率跟踪控制的转换效率ηMPPT、太阳能电池板正常运作时的温度以及实时温度TC-normal和TC因素影响，搭建船载光伏发电系统模型；

2)建立柴油机发电成本模型的具体过程为：将柴油发电机的成本模型近似为其输出功率Pd的二次函数，表示为 其中a、b、c均为燃料系数；

3)建立储能系统充放电模型的具体过程为：将储能系统在t+1时刻的蓄电量表示为，t时刻储能系统蓄电量以及t时刻的蓄电变化量，变化量主要受t时刻柴油机以及光伏发电系统发电量和系统所需总负载影响；

4)建立船舶负载模型的具体过程为：根据船舶的航行数据，判断船舶航行时所处的不同工况，建立船舶航行时在不同工况下的负载变化模型。

3.根据权利要求1所述的一种考虑船舶横摇的新能源船舶电力系统容量优化方法，其特征在于，步骤(2)中所述修正的方法，具体内容和过程为：首先将船舶航行时的极端条件作为分析基础，设置极端条件下的横摇周期和频率；其次将太阳能电池板受光面积Apv大小的变化等效为光照强度Eav大小的变化；然后将光照强度最大值Eavmax设置为太阳能电池板与水平面夹角为0°时的光照强度，从而得到光照强度最小值为Eavmax(1-cosθ)；最后推出实际光照强度与横摇角的余弦值cosθ、横摇周期f的数学关系式， 即为修正后的光照强度数学模型，经过换算后可以得到精确的太阳辐射度数学模型。

4.根据权利要求1所述的一种考虑船舶横摇的新能源船舶电力系统容量优化方法，其特征在于，步骤(3)中所述建立船舶电力系统多目标多约束的优化配置模型的具体过程为：

1)首先计算系统的等值年投资费用CACS，该费用为各电源的设备装机成本费、维护成本费、替换成本费、燃料成本费、环保折算费的总和；再计算系统的系统可靠性费用Crel，为系统负荷缺电率LPSP以及系统容量过剩倍率EXC的惩罚函数，公式为Crel＝γ[max(0，LPSP-LPSPmax)]+δ[max(0，EXC-EXCmax)]，γ和δ为惩罚因子；最后计算系统的等值年投资费用CACS和系统的系统可靠性费用Crel的总和，为优化配置模型的目标函数；

2)根据船舶面积大小以及航行参数，分别对新能源船舶的微电源输出功率Pi、蓄电池容量SOCt、微电源装机数量Ni设置约束条件。

5.根据权利要求1所述的一种考虑船舶横摇的新能源船舶电力系统容量优化方法，其特征在于，步骤(4)所述在传统粒子群算法中加入遗传算法中粒子两两交叉过程的具体方法步骤为：首先，在传统粒子群算法找到个体适应度最优值和全局适应度最优值后，将全局粒子分为两部分；然后将前一部分粒子代替后一部分粒子的速度和位置，后一部分的粒子两两交叉，产生了新的子代粒子；最后将前后两部分粒子的适应度值进行对比，保留适应度值高的粒子，即为产生的新的子代粒子。

6.根据权利要求1所述的一种考虑船舶横摇的新能源船舶电力系统容量优化方法，其特征在于，步骤(5)所述将建立及修正的五个模型在优化后的算法中进行融合的具体过程为：

1)根据步骤(1)建立的柴油机发电成本模型、储能系统充放电模型、负载模型，步骤(2)修正的光伏系统输出模型，对粒子速度和位置初始化；

2)根据步骤(3)建立的优化配置模型中的目标函数，计算每个粒子的个体适应度值；

3)寻找粒子的个体适应度最优值以及全局适应度最优值；

4)判断各粒子的个体适应度最优值是否会大于全局适应度最优值，若大于则将全局适应度最优值更新为当前的粒子的个体适应度最优值，否则返回步骤3)，继续寻找粒子个体以及全局适应度最优值；

5)根据步骤(4)所述，对传统粒子群算法进行优化，产生新的子代粒子；

6)判断新的子代粒子是否满足步骤(3)中建立的优化配置模型中的约束条件的要求，若满足，则输出优化结果，否则返回步骤2)，继续计算每个粒子的适应度值。