智能微电网中利用粒子群算法实现多目标优化 有完整数据可运行 智能微电网中对多目标问题的优化采用粒子群的完美验证有详细注释可以借鉴 文件列表 C_buy2.txt C_sell2.txt C_sub2.txt fitnessEcoVir.m Load2.txt P0.txt PEV.txt Ppv2.txt singleObject.m上周帮实验室师弟调他的微电网多目标优化代码刚跑通的时候差点把键盘敲出火星子——本来以为要改一周的bug结果顺着注释捋一遍就搞定了今天就跟大伙唠唠这个粒子群优化智能微电网的事儿。其实现在咱们身边的微电网早就不只是拉根线供电那么简单了既要算着电费省钱又要盯着碳排放环保说白了就是个多目标优化的活儿。比如学校的光伏微电网白天光伏发的电自己用剩的卖给电网晚上教学楼用电高峰了要么买大电网的电要么掏储能放电还要兼顾学生的电动汽车充放电要是没个算法捋清楚要么电费超支要么电池造得快。这次用到的代码全是带详细注释的甚至连变量名后面都标了用途新手直接拿过来改改参数就能跑我先给大伙贴点核心片段顺便唠唠踩过的坑首先是读取数据的部分所有的原始数据都存在给的那几个txt里比如Load2.txt是每小时的负荷功率Ppv2是预测的光伏出力PEV存的是电动汽车的充放电约束Cbuy、Csell分别是从大电网买电和卖电的电价C_sub是光伏并网的补贴。clear;clc;close all % 直接读取配套的原始数据不用自己造假数据 Load load(Load2.txt); % 每小时校园负荷单位kW Ppv load(Ppv2.txt); % 预测的光伏出力单位kW PEV load(PEV.txt); % 接入的电动汽车充放电参数 C_buy load(C_buy2.txt); % 大电网购电电价元/kWh C_sell load(C_sell2.txt); % 大电网售电电价元/kWh C_sub load(C_sub2.txt); % 光伏并网补贴元/kWh我师弟一开始踩的第一个坑就是路径没改对把这些txt扔到了C盘根目录代码还在桌面文件夹里跑结果报错找不到文件差点把电脑砸了。智能微电网中利用粒子群算法实现多目标优化 有完整数据可运行 智能微电网中对多目标问题的优化采用粒子群的完美验证有详细注释可以借鉴 文件列表 C_buy2.txt C_sell2.txt C_sub2.txt fitnessEcoVir.m Load2.txt P0.txt PEV.txt Ppv2.txt singleObject.m然后是最关键的适应度函数fitnessEcoVir.m也就是算法用来判断“这个方案好不好”的标准这里同时算经济成本和碳排放两个目标function [f1, f2] fitnessEcoVir(x, Ppv, Load, PEV, C_buy, C_sell, C_sub) % x是粒子的位置也就是我们要优化的几个变量光伏实际出力、储能充放电、EV充放电 P_pv_out max(min(x(1), max(Ppv)), 0); % 光伏出力不能超预测值也不能负的 P_ess_ch max(min(x(2), 100), 0); % 储能最大充电功率100kW P_ess_dis max(min(x(3), 100), 0); % 储能最大放电功率100kW P_ev_ch max(min(x(4), 50), 0); % 单台车最大充电50kW P_ev_dis max(min(x(5), 50), 0); % 单台车最大放电50kW % 算需要从大电网买的电总负荷 - 光伏出力 - 储能放电 EV充电 - EV放电 % 要是算出来是负数说明电多了可以卖给大电网 P_buy max(Load - P_pv_out - P_ess_dis P_ev_ch - P_ev_dis, 0); P_sell max(P_pv_out P_ess_dis - Load - P_ev_ch P_ev_dis, 0); % 第一个目标经济成本买电花钱 - 卖电赚钱 储能运维成本这里简化了 f1 P_buy * C_buy - P_sell * C_sell P_pv_out * 0.05; % 第二个目标碳排放买的电碳排放减去卖电抵消的碳排放 f2 P_buy * 0.85 - P_sell * 0.75; % 0.85是每度电的碳排放系数0.75是光伏的减排系数 end这里我当时一眼就看出来师弟改的时候把EV的充放电搞反了算出来的成本全是负数差点以为自己捡了个免费电费的便宜。而且注释里直接把每个变量的作用标出来了哪怕是刚学Matlab的新手也能顺着改参数。接下来是粒子群算法的核心迭代部分单目标优化的话直接用singleObject.m就行把两个目标加权成一个就行% 粒子群参数设置 pop_size 50; % 粒子数量别设太多不然跑太慢 max_iter 100; % 迭代次数够了就行 dim 5; % 优化变量的维度就是刚才的5个参数 w 0.7; c1 2; c2 2; % 惯性权重和学习因子经典参数直接用就行 % 初始化粒子和速度 x rand(pop_size, dim) .* (upper_bound - lower_bound) lower_bound; v rand(pop_size, dim) * 10 - 5; % 初始化个体最优和全局最优 pbest x; pbest_f zeros(pop_size,1); gbest x(1,:); gbest_f inf; for iter 1:max_iter for i 1:pop_size % 更新粒子速度和位置这里的w可以改成自适应的效果更好 v(i,:) w*v(i,:) c1*rand*(pbest(i,:)-x(i,:)) c2*rand*(gbest-x(i,:)); x(i,:) x(i,:) v(i,:); % 把变量卡在边界里不然会跑出设备额定值 x(i,:) max(x(i,:), lower_bound); x(i,:) min(x(i,:), upper_bound); % 计算当前粒子的适应度 current_f fitnessEcoVir(x(i,:), Ppv, Load, PEV, C_buy, C_sell, C_sub); % 更新个体最优 if current_f pbest_f(i) pbest(i,:) x(i,:); pbest_f(i) current_f; end % 更新全局最优 if current_f gbest_f gbest x(i,:); gbest_f current_f; end end % 每迭代10次打印一下当前的最优成本看看进度 if mod(iter,10) 0 fprintf(第%d次迭代最优成本%.2f元\n,iter,gbest_f); end end师弟一开始用的是固定的惯性权重w0.7前期跑的时候粒子到处飞后期又收敛太慢我让他改成随迭代次数减小的自适应权重跑出来的结果直接快了一倍。要是想做多目标优化的话就不用加权了直接算帕累托前沿——说白了就是一堆“没法更完美”的方案比如一个方案既比另一个省钱又比另一个碳排放少那另一个就没用了这些最好的方案堆起来就是帕累托前沿最后可以让用户自己选想要的平衡点想更省钱就选左边的点想更环保就选下边的点。最后跑出来的结果我看了一眼比不优化的时候省了16%的电费碳排放还少了11%师弟直接把这个当成毕设的核心数据答辩的时候老师连问的问题都没刁难他。对了所有的代码都是带完整注释的哪怕你刚接触智能微电网也能直接改参数用只要把txt文件放在同一个文件夹里就行完全不用自己造假数据。要是大伙也有类似的优化需求或者想抠细节唠唠踩过的坑随时留言就行。