基于非支配排序遗传算法NSGAII的综合能源优化调度（Matlab代码实现）

 💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码实现

---

💥1 概述

基于非支配排序遗传算法（NSGA-II）的综合能源优化调度是一种常用的方法，用于解决能源系统中的多目标优化问题。该方法将非支配排序和遗传算法相结合，通过演化算法的方式搜索出一组最优解，这些解在多个目标函数的情况下不可被其他解所支配。

下面是基于NSGA-II的综合能源优化调度的一般步骤：

1. 定义问题：确定综合能源系统的建模方法以及目标函数，例如最小化能源成本、最大化可靠性等。

2. 确定变量和约束条件：确定问题的决策变量，例如电力的发电量、充电和放电规模等，并考虑到系统的物理约束条件和运行要求。

3. 初始化种群：随机生成初始解集作为种群，每个解包含一组决策变量的取值。

4. 评价适应度：根据目标函数评估每个解的适应度值，可以采用模拟算法、实验数据或者仿真模型进行评估。

5. 非支配排序：使用非支配排序算法将种群中的解按照Pareto优劣分类，得到多个非支配层级。

6. 计算拥挤度：为每个非支配层级的解计算拥挤度，用于保持种群的多样性。拥挤度反映了解在解空间中的密度，可以通过解的变量空间距离或目标函数值空间距离进行计算。

7. 选择操作：根据非支配排序和拥挤度计算，选择生成下一代种群的父代解，通常使用锦标赛选择或轮盘赌选择等方法。

8. 遗传操作：通过交叉和变异操作，生成子代解。交叉操作将两个父代解的某些特征进行交换、组合，变异操作则对某个解的特征进行随机改变。

9. 更新种群：将父代解和子代解结合，更新种群，并删除一些解以维持种群规模不变。

10. 重复步骤4-9，直到达到停止条件（例如最大迭代次数、目标函数收敛等）。

11. 输出结果：选择最优的解作为综合能源系统的优化调度结果，分析其特征和性能。

需要注意的是，NSGA-II是一种探索整个解空间的算法，通过非支配排序和拥挤度计算，可以得到一组非支配解和多样性的解集，而不仅仅是单个最优解。这使得决策者可以在最优解集中选择最适合实际需求的解。

📚2 运行结果

 

 

 

 

部分代码：

for t=1:24 % (2) 冷能平衡约束
    Pec(:,t)=-(Pmt(:,t)*0.8*1.2-Pc(:,t)); %电制冷机功率利用平衡求解
end

for t=1:24 % (1) 电能平衡约束
    Pg(:,t)=-(Pmt(:,t)+Ppv(:,t)-Pec(:,t)/4-Pgs(:,t)-Pel(:,t)) ; %=0%电制冷机功率利用平衡求解
end

%tosis取点后各个设备出力

Pmt1 = mm(aa,1:24);      % 燃气轮机出力 
Phrb1= 0.8*mm(aa,1:24); %余热锅炉
Pac1=0.8*1.2*mm(aa,1:24);%吸收式制冷机
Pgs1=mm(aa,25:48);  %地源热泵电功率
Pgs_hot1=4.4*mm(aa,25:48); %地源热泵热功率
Phs1=mm(aa,49:72);   %储热热备

Pgb1=Pgb(aa,1:24); %燃气锅炉
Pec1=Pec(aa,1:24); %电制冷机
Pg1=Pg(aa,1:24); %电网交互

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]王安阳,单菲菲,钟崴等.基于非支配排序遗传算法-Ⅲ的工业园区综合能源系统多目标优化调度[J].热力发电,2021,50(06):46-53.DOI:10.19666/j.rlfd.202009257.

[2]李振,赵鹏翔,王楠等.基于储能灵活性的综合能源系统优化调度方法[J].电气传动,2023,53(05):33-40.DOI:10.19457/j.1001-2095.dqcd24103.

🌈4 Matlab代码实现