基于PSO粒子群多目标优化的微电网调度算法matlab仿真

发布于:2025-08-17 ⋅ 阅读:(18) ⋅ 点赞:(0)

目录

1.课题概述

2.系统仿真结果

3.核心程序

4.系统原理简介

4.1 改进粒子群算法

4.2 分布式电源与储能模型公式

4.3 多目标函数

5.参考文献

6.完整工程文件


1.课题概述

       微电网优化调度的核心是在满足系统约束(如功率平衡、设备出力限制等)的前提下,通过合理分配分布式电源(DG,含光伏PV、风机WT、柴油发电机DE、微型燃气轮机MT)与储能(BESS)的出力、微电网与主网的交互功率,实现 “运行成本最低” 与 “环境保护成本最低” 的双目标平衡,最终追求总成本最小化。

2.系统仿真结果

3.核心程序

matlab2024b

figure
subplot(121);
plot(pg_PV,'-b^',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.2,0.9,0.5]);

hold on;
plot(PV,'-k<',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.9,0.3,0.3]);

xlim([1 24])
grid
legend('实际消纳光伏功率','预测光伏功率');
xlabel('时间');
ylabel('功率');
title('光伏发电机')


subplot(122);
plot(pg_WT,'-b^',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.2,0.9,0.5]);

hold on;
plot(WT,'-k<',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.9,0.3,0.3]);

xlim([1 24])
grid
legend('实际消纳风电功率','预测风电功率');
xlabel('时间');
ylabel('功率');
title('风力发电机')



figure
subplot(321);
plot(pg_DE,'-r>',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.9,0.9,0.0]);

hold on;
xlim([1 24])
grid
xlabel('时间');
ylabel('功率');
title('柴油发电机')

subplot(322);
plot(pg_BESS,'-r>',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.9,0.9,0.0]);

xlim([1 24])
grid
xlabel('时间');
ylabel('功率');
title('蓄电池')


subplot(323);
plot(P_load,'-r>',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.9,0.9,0.0]);

xlim([1 24])
grid
xlabel('时间');
ylabel('功率');
title('微电网负荷')

subplot(324);
plot(pg_MT,'-r>',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.9,0.9,0.0]);

grid
xlabel('时间');
ylabel('功率');
title('燃气轮机出力')



subplot(3,2,[5,6]);
plot(pg_grid,'-r>',...
    'LineWidth',1,...
    'MarkerSize',6,...
    'MarkerEdgeColor','k',...
    'MarkerFaceColor',[0.9,0.9,0.0]);
xlim([1 24])
grid
xlabel('时间');
ylabel('功率');
title('主网交互')
124

4.系统原理简介

4.1 改进粒子群算法

       传统PSO算法因惯性权重与学习因子固定,易陷入局部最优。通过动态调整关键参数优化算法性能:

惯性权重(w):迭代初期取较大值(增强全局搜索能力,避免局部最优),后期取较小值(强化局部搜索,加速收敛);

学习因子(c₁、c₂):迭代初期c₁大、c₂小(提升粒子自学习能力,探索更多解空间),后期c₁小、c₂大(增强粒子社会学习能力,向最优解聚集);

最终通过粒子位置与速度的迭代更新,搜索微电网优化调度的非支配解(Pareto前沿)。

4.2 分布式电源与储能模型公式

风力发电机(WT)功率模型

光伏(PV)功率模型

柴油发电机(DE)成本模型

微型燃气轮机(MT)效率与成本模型

储能(BESS)荷电状态(SOC)模型

4.3 多目标函数

运行成本目标

环境保护成本目标

确定总成本Z=f1​+f2​为优化目标;

5.参考文献

[1]赵磊,曾芬钰,王霜,等.基于经济性与环保性的微电网多目标优化调度研究[J].高压电器, 2015, 51(6):6.DOI:CNKI:SUN:GYDQ.0.2015-06-023.

[2]曾嶒.微电网多目标优化调度模型及算法研究[D].华东交通大学,2016.DOI:10.7666/d.D01023769.

6.完整工程文件

v

v


网站公告

今日签到

点亮在社区的每一天
去签到