(文章复现)考虑负荷满意度的微电网运行多目标优化matlab代码

最新推荐文章于 2024-10-04 23:14:49 发布

配电网和matlab

最新推荐文章于 2024-10-04 23:14:49 发布

阅读量898

点赞数 1

分类专栏： Matlab智能算法的数学建模电气期刊论文复现文章标签： matlab 微电网多目标优化 NSGA

本文链接：https://blog.csdn.net/weixin_44209907/article/details/132695932

版权

电气期刊论文复现同时被 2 个专栏收录

57 篇文章 249 订阅

订阅专栏

Matlab智能算法的数学建模

29 篇文章 48 订阅

订阅专栏

参考文献：

[1]曾君,徐冬冬,刘俊峰等.考虑负荷满意度的微电网运行多目标优化方法研究[J].中国电机工程学报, 2016, 36(12): 3325 -3334.

[2] K. Deb, A. Pratap, S. Agarwal and T. Meyarivan, "A fast and elitist multiobjective genetic algorithm: NSGA-II," in IEEE Transactions on Evolutionary Computation, vol. 6, no. 2, pp. 182-197, April 2002, doi: 10.1109/4235.996017.

这篇博客就是结合实际的算例，分析二代非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm-Ⅱ, NSGA-Ⅱ)在求解电力系统多目标优化领域的方法。

1.基本原理

本文在实验室已有风光互补发电系统基础上进行一定的扩展，建立的含风光柴蓄和多种负荷的微电网，结构如图1所示。从图1可以看出，该微电网系统由风力发电机组、光伏阵列、柴油发电机组、蓄电池、逆变器等实体单元以及能量管理系统构成。系统通过交流母线向负荷供电，利用各类控制器以及控制策略实现微电源的电压/电流/功率以及蓄电池的充放电控制等。能量管理系统主要负责实体结点数据和信息的监控、采集和处理，以及能量的优化与调度。

1.1目标函数

优化目标：F1为总费用最低；F2为负荷满意度最大。以小时为单位，等时间步长优化，时间跨度为24h。

目标函数F1：运行费用最低

目标函数 F2：负荷满意度最大

1.2设备建模

1.3设备费用模型

微电网中的设备费用可以分为固定投资，设备的运行维护成本，柴油发电机的燃油费用和环境成本，以及蓄电池的运行损耗。

2. NSGA-Ⅱ算法与Matlab实现

Kalyanmoy Deb在期刊《IEEE Transactions on Evolutionary Computation》发表的论文《A fast and elitist multiobjective genetic algorithm: NSGA-II》从快速非支配排序(fast nondominated sorting)，精英保留策略(elitist-preserving)，无参数的小生境算子(parameterless niching operator)等三个方面改进了初代NSGA算法，是目前使用最广泛的多目标智能优化算法之一。算法具体原理和实现方法在原文中已经网络上已有各种博客和笔记，此处不再赘述。

Matlab中已经集成了NSGA-Ⅱ的算法实现，调用gamultiobj函数即可使用NSGA-Ⅱ算法，具体语法如下：

[x,fval,exitflag,output,population,scores] = gamultiobj(fun,nvars,A,b,Aeq,beq,lb,ub,nonlcon,intcon,options)

其中黑色字体的为必要输入/输出参数，红色字体的是可选输入/输出参数，各个参数的具体用法如下：

2.1 输入参数

1）必要输入参数fun和nvars

fun表示适应度函数，可以是函数名称，也可以是函数句柄，nvars表示变量的维度。需要注意的是，gamultiobj函数使用时默认目标函数的优化方向都是min，如果原目标函数是max，在函数前加一个负号即可。下面是一个只使用两个输入参数的代码示例：

clc
clear
 
fitnessfcn = @(x)[norm(x)^2,0.5*norm(x(:)-[2;-1])^2+2];
 
x = gamultiobj(fitnessfcn,2);
plot(x(:,1),x(:,2),'ko')
xlabel('x(1)')
ylabel('x(2)')
title('Pareto Points in Parameter Space')

2）线性不等式约束矩阵A和b

假设决策变量为x，参数A和b表示表示变量x满足约束A*x≤b。例如下面这一组约束：

x1 + 2x2 ≤ 10

3x1 + 4x2 ≤ 20

5x1 + 6x2 ≤ 30.

用矩阵A和向量b表示为：A = [1,2;3,4;5,6];b = [10;20;30]

3）线性等式约束矩阵Aeq和beq

假设决策变量为x，参数Aeq和beq表示表示变量x满足约束Aeq*x≤beq。例如下面这一组约束：

x1 + 2x2 +3x3 = 10

4x1 + 5x2 + 6 x3 = 20

用矩阵Aeq和向量beq表示为：Aeq = [1,2,3;4,5,6];b = [10;20]

4）变量的上下界ub和lb

参数ub和lb分别表示变量的上限和下限，两者的数据维度都应小于等于nvars。当数据维度等于nvars，表示x(i)满足约束x(i) ≤ ub(i)，∀i=1,2,...,nvars；当数据维度为k＜nvars，表示x(i) ≤ ub(i)，∀i=1,2,...,k。

5）非线性约束nonlcon

参数nonlcon表示优化问题的非线性约束，其中nonlcon为函数句柄或者函数名称。非线性约束的函数需要包含两个输出参数，c和ceq，两者均为行向量，分别表示约束c(x)<=0和约束ceq(x)=0。假设决策变量需要满足下列非线性约束：

首先应把约束写成c(x)<=0和ceq(x)=0的形式：

然后写出非线性约束的定义函数：

function [c,ceq] = nonlcon(x)
c(1) = (x(1)^2)/9 + (x(2)^2)/4 - 1;
c(2) = x(1)^2 - x(2) - 1;
ceq = x(1) - x(2)^5 - 1;
end

6）整数变量的定义intcon

如果要将决策变量x中第k维度限定为整数，则令intcon = k即可。如果是0-1变量，在定义为整数变量的基础上，再将其上下限约束为0和1即可。

7）优化选项options

options是算法的相关选项，为结构体的形式。最常用的选项包括种群规模“PopulationSize”以及最大迭代次数“Generations”，其他选项非常多，这里不再详细介绍，感兴趣的话可以去查看官方文档。

2.2 输出参数

1）必要输出参数x

x表示优化得到的Pareto最优解集，是决策变量的取值，而不是目标函数的取值。

2）最优的目标函数集合fval

fval表示优化得到的最优目标函数集合。

3）算法终止原因exitflag

exitflag表示算法终止的原因，其中：

0表示达到最大迭代次数

1表示连续几次迭代时种群变化比较小，因此算法终止。

-1表示被画图函数或者输出函数终止

-2表示没有找到可行解

-5表示算法运行超过最大时间限制

4）优化过程的信息output

output表示优化过程的信息，内容比较多，感兴趣可以去官网了解具体的信息。

5）种群population和适应度scores

population表示最后一次迭代时的种群，scores表示最后一次迭代时的种群适应度。

2.3 编程实例

调用gamultiobj函数并使用NSGA-Ⅱ求解上述优化问题的代码为：

clc
clear

fitnessfcn = @my_first_multi;   % 适应度函数句柄
nvars = 2;                      % 决策变量维度
lb = [-5,-5];                   % 变量下限
ub = [5,5];                     % 变量上限
A = []; b = [];                 % 没有线性不等式约束
Aeq = []; beq = [];             % 没有线性等式约束
options = gaoptimset('ParetoFraction',0.3,'PopulationSize',100,'Generations',200,'StallGenLimit',200,'TolFun',1e-100,'PlotFcns',@gaplotpareto);
 
[x,fval] = gamultiobj(fitnessfcn,nvars, A,b,Aeq,beq,lb,ub,options);
 
function f = my_first_multi(x)
 
    f(1) = x(1)^4 - 10*x(1)^2+x(1)*x(2) + x(2)^4 - (x(1)^2)*(x(2)^2);
    f(2) = x(2)^4 - (x(1)^2)*(x(2)^2) + x(1)^4 + x(1)*x(2);
end

运行结果如下：