【微电网优化】基于matlab遗传算法求解微电网经济优化问题【含Matlab源码 2062期】

💥💥💥💥💥💥💞💞💞💞💞💞💞💞欢迎来到海神之光博客之家💞💞💞💞💞💞💞💞💥💥💥💥💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进；
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式

⛳️座右铭：行百里者，半于九十。
更多Matlab优化求解仿真内容点击👇
①Matlab优化求解 （进阶版）
②付费专栏Matlab优化求解（初级版）

⛳️关注优快云海神之光，更多资源等你来！！

⛄一、遗传算法求解微电网经济优化问题简介

1 引言
微电网为分布式电源（尤其是可再生能源）接入大电网提供了一个有效的接入途径。同时，微电网在提高能源利用率方面有显著效果。在其内部，储能电池一方面可以调节微电网的功率，另一方面可以起到削峰填谷的成效。

近年来，针对微电网的经济调度的研究越来越多。例如，刘星月等结合改进的粒子群算法与蒙特卡罗模拟方法对微电网的目标函数求解；高杰在采用优化模型后，采用改进的遗传算法对微电网的日调度进行了研究。文章分析了微电网中各微源的出力特性，在微电网并网运行时以经济成本最低为目标进行算法求解。

2 建立微源模型
2.1 分布式电源的数学模型
(1）风机。风机出力模型Pwt如下：

式中：V为风速；VCL为并网情况下，风机发电的最低风速；VCO为并网情况下，风机发电的最大风速；VR为风机的最佳效率风速；PR为风机能够承受的最大风速。

(2）光伏。光伏出力模型如下：

式中：G为单位面积上所接受可见光的光通量；T为光伏电池内部温度；PPv为光强为G、电池内部温度为T时光伏电池的输出功率；GSTC为标准条件下的光强；Pm为最适条件下的最大输出功率；TR为参照温度；K为功率与温度的关系系数。

(3）柴油发电机。柴油发电机模型CDE,F及污染物治理费用计算式如下：

式中：CDe为发电机所耗燃料的成本；Cfuel为每升柴油的报价；PDe为发电机当前的工作功率；PDe,rated为柴油发电机所能承受的最大功率；a、b为燃料成本特性系数；n为柴油燃烧后的污染物种类；αi为第i种污染物的治理费用；βi为单位体积柴油污染物i的排放率；VDE为消耗的燃料体积。

(4）蓄电池。在充放电时，出于保护蓄电池的目的，为了防止蓄电池过充或者过放，对蓄电池的荷电状态做出一定的要求。蓄电池的荷电状态SOC的计算公式如下：

式中：Cr为蓄电池在某个时刻所剩的电量；CSB为蓄电池在规定要求下所能放出的电量。

式中：a、b为荷电状态参数，文章中a取0.15,b取0.95。

蓄电池的SOC与功率Pbat-1之间的关系为

式中：Δt为间隔时间；SOCt+1、SOCt分别为t+1和t时刻储能电池的荷电状态；Ebat为电池所储存的总能量。

蓄电池需要在1个调度周期（24 h）内维持前后荷电状态不变，即

2.2 目标函数
在并网运行时，建立目标函数min f(x):

式中：T为总调度时长；N为一天的调度时长；Y1(t)为微电网发电成本；Y2(t)为环境治理成本；Y3(t)为经济效益。

2.3 约束条件
微电网运行时，必须满足下列约束。

(1）功率约束。

式中：Pload(t)为微电网在t时刻所要求的总负荷功率；Pwt(t)为风机在t时刻的发电功率；PPv(t)为光伏在t时刻的发电功率；PC(t)为柴油发电机在t时刻的发电功率；Pbat(t)为蓄电池在t时刻的发电功率；Pgrid(t)为微电网在t时刻向大电网买电的功率。

(2）各微源出力功率不会超出最大、最小值的约束。

3 遗传算法的实现
遗传算法是在生物进化过程得到启发而产生的随机搜索算法。

(1）初始化种群。对N个个体的染色体在其取值范围内进行随机编码，这些个体就构成了一个种群规模为N的种群。

(2）计算适应度。根据要求计算函数适应度。

(3）选择。以每个个体的适应度大小为选择概率对种群进行随机选择。文章在前期采用结合随机选择与随种群迭代次数增加而增加的取优法的选择算法；在迭代后期种群适应度趋于集中时，采用随机选择的方法。随机选择在前期会有一定的误差，待取优法开始选择时会确保优秀个体被选中，避免随机选择在后期给算法带来误差。

在选择操作时，先将最优的Enum条染色体选中并传给后代种群。其余的染色体采用随机选择的方法选择。Enum会随种群迭代次数增加而增加，其取值如下：

式中：α为加快择优速率，α≥1，如想要种群在2Gen之后全部采用随机选择的选择方法，α=2；为向上取整函数，可以保证适应度最好的一个优先被选中；Gen为迭代次数的最大值；gen为当前所迭代的次数；β为0～1之间的随机数。

因为α≥1，当Enum的值取到N时，选择方式变为随机选择。

(4）交叉操作。交叉算法的选取能够在一定程度上扩大算法对全局搜索的能力。在采用交叉操作前，先将适应度好的3个个体存放在新种群中，使其不会参与交叉操作，防止因参加交叉操作而引起适应度变低，其余种群采用多点随机交叉的方式。

(5）变异操作。该操作可以体现算法的局部搜索能力，在种群个体满足变异概率的前提下，对个体的染色体进行变异以产生新个体，个体的变异概率通常很低。

在操作前，先将适应度好的1个个体挑出并使其不会参与变异操作。为了提高种群跳出局部最优的能力，对参与变异的其他个体的概率进行设定。当前种群迭代次数未达到最大迭代次数的一半，并且α（密集因子）与最大适应度的乘积小于平均适应度时，迭代次数每增加一次，就倍增变异概率的值；当不满足上述条件时，将变异概率变为初始值。

⛄二、部分源代码

%% 清空环境
clc
clear
tic;
close all
global Load Load2 pv wt
%% 24小时负荷，光伏与风力
Load=[101.049,79.991,41.862,101.312,67.139,82,85.085,110.875,115.249,120.687,98.786,103.944,121.629,136.151,137.752,118.824,139.221,157.158,101.689,127.4,135.312,96.692,90.243,109.587];%负荷.
pv=[0,0,0,0,0,0.6,2.4,10.5,30,69,69.9,95.4,129.9,111,120.9,99,71.4,39.9,12.9,0.9,0,0,0,0];%光伏发电
wt=10*[2.67,2.67,2.34,3.12,3.29,4.76,4.77,4.24,3.81,4.59,3.9,4.94,3.55,4.33,3.21,3.29,3.03,3.64,3.73,2.6,3.38,3.12,3.46,3.64];%风力发电
%% 遗传算法参数
MAXGEN=200; %进化代数
sizepop=40; %种群规模
pcross=0.6; %交叉概率
pmutation=0.01; %变异概率
lenchrom=ones(1,48); %变量字串长度,48个变量
bound=[-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
-20 20
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120
30 120]; %BS、DE变量范围
trace=zeros(1,MAXGEN);
%% 个体初始化
gen=1;
fprintf(‘%d\n’,gen);
individuals=struct(‘fitness’,zeros(1,sizepop), ‘chrom’,[],‘pgrid’,[],‘Ebat’,[]); %种群结构体
bestfitness=[]; %种群最佳适应度
bestchrom=[]; %适应度最好染色体
% 初始化种群
for i=1:sizepop
individuals.chrom(i,:)=Code(lenchrom,bound); %随机产生个体
X=individuals.chrom(i,:);
[money pgrid Ebat]=fun(X);
individuals.fitness(i)=money; %个体适应度
individuals.pgrid(i,:)=pgrid;
individuals.Ebat(i,:)=Ebat;
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 张永乐.用于微电网经济调度的改进遗传算法[J].光源与照明. 2022,(05)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合