发帖
雷达卡
基于粒子群算法的含风光燃储微网优化调度
关键词：微网优化调度，粒子群算法，风光燃储
本文参考《基于多目标粒子群算法的微电网优化调度》中的部分建模思路，非完整复现。代码结构清晰、注释详尽，适合作为学习微网调度模型的入门参考资料。通过Python实现，构建了一个包含风电机组、光伏机组、燃气轮机组及储能系统的微网日前调度模型，并结合粒子群算法求解最优运行方案。
该模型综合考虑了微网与上级电网之间的功率交互，在满足系统负荷需求的前提下，对各类电源出力进行协调优化。最终输出各机组在典型日内的调度曲线，直观展示系统运行特性，具有较强的可读性和教学价值。
模型构建思路
微网调度可类比为指挥一场能源交响乐，需让风电、光伏、燃气与储能四种电源协同运作，同时与主网实现高效互动。本模型以经济性为核心目标，最小化总运行成本，涵盖发电成本与购电费用。
其中，燃气轮机的发电成本呈现非线性特征，储能则根据充放电量按线性方式计费，而从电网购电则引入分时电价机制，体现不同时段的电价差异。在代码实现中，使用abs函数处理储能的双向功率流动，确保数学表达准确——这一细节常被初学者忽略。
def objective_function(x):
cost = 0
for t in range(24):
# 燃气机组成本（二次函数）
cost += 0.3 * (x[0,t]**2) + 5 * x[0,t]
# 储能折旧成本
cost += 0.1 * abs(x[1,t])
# 网购电成本（分时电价）
cost += time_price[t] * x[2,t]
return cost约束条件处理策略
系统需满足多项物理约束：负荷平衡、储能SOC（荷电状态）上下限、燃气轮机爬坡率限制等。由于粒子群算法属于元启发式方法，不具备直接处理约束的能力，因此采用“死亡罚函数法”对不可行解进行惩罚。
在储能建模方面，引入0.9的充放电效率系数，反映实际能量损耗。值得注意的是，在时间步长t=0时，若直接调用x[0,-1]会导致索引越界错误，实际编程中需对边界条件做特殊处理，保证程序稳定运行。
def check_constraints(x):
soc = 50 # 初始SOC 50%
for t in range(24):
soc += x[1,t] * 0.9 # 充放电效率
if soc < 20 or soc > 90: # SOC越界
return False
if abs(x[0,t] - x[0,t-1]) > 50: # 燃气轮机爬坡
return False
return True粒子群算法核心机制
算法模拟鸟群觅食行为，每个“粒子”代表一个潜在解，在搜索空间中迭代更新自身位置与速度。其核心在于速度更新公式，通过个体历史最优和群体全局最优引导搜索方向。
Python实现简洁高效，rand()函数引入随机扰动以增强探索能力，clip()则将决策变量限制在合理范围内，防止越界。参数w（惯性权重）的设置尤为关键：初期取较大值以扩大搜索范围，后期逐步减小以提升收敛精度。
w = 0.8 # 惯性权重
c1 = c2 = 1.5 # 学习因子
for _ in range(100): # 迭代次数
for i in range(pop_size):
# 速度更新
v[i] = w*v[i] + c1*rand()*(pbest[i]-x[i]) + c2*rand()*(gbest-x[i])
# 位置更新
x[i] = x[i] + v[i]
# 越界处理
x[i] = np.clip(x[i], x_min, x_max)调度结果分析
算法运行完成后，可得典型日下各机组的出力分布（如图所示）。结果显示：中午时段光伏发电达到峰值，系统优先利用清洁能源，同时为储能充电；傍晚用电高峰时，燃气轮机承担主要供电任务，储能同步放电以降低网购电量。
值得注意的是，在凌晨风电出力充沛且负荷较低时，系统不仅满足本地需求，还可将多余电力反送至主网，实现收益最大化。这种灵活的双向交互能力，体现了微网在能量管理上的优势。
决策变量组织与工程技巧
在变量维度设计上，常见做法是将24小时内燃气轮机出力、储能状态等变量展平为高维向量（如72维），便于算法统一处理。此时应合理使用reshape操作，保持数据结构清晰，提高代码可维护性。
曾有案例将高维变量当作一维序列处理，导致约束条件编写复杂且易错。结构化管理变量维度不仅能减少bug，也利于后续扩展与调试。
# 决策变量结构：[燃气24h][储能24h][网购24h]
n_vars = 24 * 3
x = np.zeros(n_vars)
gas = x[:24].reshape(24,1)
ess = x[24:48].reshape(24,1)
grid = x[48:].reshape(24,1)此外，代码中融入了一些实际运行经验。例如，为燃气轮机预留10%的旋转备用容量。虽然数学模型中未明确列出此项，但在工程实践中至关重要，类似于烹饪中的“火候余量”，保障系统应对突发波动的能力。
参数调节经验分享
粒子群算法的性能高度依赖于参数配置。个体认知系数c1与社会认知系数c2的设定存在“调参玄学”。实验发现：当c1远大于c2时，粒子过于依赖个人经验，忽视群体信息，导致收敛缓慢；反之则容易陷入局部最优，出现“早熟”现象。
经过多次测试，采用c1:c2 = 1.5:1.5的对称配置，配合惯性权重从0.9线性递减至0.4，能够较好平衡全局探索与局部开发能力，显著提升求解效率与稳定性。
模型验证与拓展建议
算法收敛后，建议进一步开展灵敏度分析。例如，将光伏预测出力下调20%，观察系统响应：此时储能调度更加频繁，燃气轮机出力曲线趋于陡峭，体现出多能互补机制在应对不确定性方面的韧性。
此类分析不仅增强模型鲁棒性理解，也提升了研究成果的说服力。将其用于课程设计或答辩展示，往往能引起评审关注，展现扎实的建模与分析能力。
京公网安备 11010802022788号
