原创~尚未发表！基于改进秃鹰算法的多区域微网经济优化调度程序代码！

前言

随着光伏、风电等分布式电源的发展，配电网的供电模式得以改变，解决了传统火力发电带来的能源匮乏及环境污染问题，但其发电的随机性及波动性对配电网的稳定运行造成一定影响。以多个微电网组成的微电网群可有效消纳分布式电源，提高供电灵活性及可靠性，减少弃光、弃风率，降低经济成本。因此，构建微电网优化调度模型已成为微电网综合控制的核心问题之一，对减少微电网系统运行成本及环境污染具有重要意义。

微电网群系统结构

微电网群由3个独立的微电网（microgrid，MG）组成，各微电网内部包含光伏（photovoltaic，PV）、风力发电机（wind turbine，WT）、电动汽车（electric vehicle，EV）、微型燃气轮机（microturbine，MT）、储能电池（battery，BT）及负荷，通过能量管理中心实现彼此之间电能交互及向配电网买卖电，如下图所示。

目标函数

考虑微电网群系统运行成本及环境成本，构建微电网群经济优化调度模型，其中运行成本包括可控分布式发电单元的发电成本、设备运行维护成本、BT运行成本、电能交易成本；环境成本为CO2、SO2、NOx污染物气体的排放惩罚成本，以微电网群系统总运行成本为目标函数进行优化调度。

秃鹰搜索算法

BES是一种针对秃鹰狩猎行为提出的自然启发式算法(仿生算法)，包含选择搜索空间、搜索猎物及俯冲3个阶段。

选择搜索空间阶段：该阶段秃鹰根据猎物数量随机选择搜索区域，飞到当前最优个体附近。

搜索猎物阶段：该阶段秃鹰在选定的搜索空间内螺旋飞行，加速搜索猎物。

俯冲阶段：该阶段秃鹰从当前最优位置以螺旋飞行的方式冲向猎物。

算法步骤

程序介绍

本程序构建以3个单微电网组成的微电网群优化调度模型，综合考虑系统总运行成本及环境成本，采用改进秃鹰算法（improved bald eagle search algorithm，IBES）进行求解，通过融合反向学习和柯西变异策略来提高秃鹰算法（bald eagle search algorithm，BES）的寻优精度，最终通过与其他算法对模型进行求解，验证改进后算法的优越性。程序中算例丰富，注释清晰，干货满满，创新性和可扩展性很高，足以撑起一篇高水平论文！下面对程序做简要介绍！

程序适用平台：Matlab+Yalmip+Cplex

参考文献：《基于改进秃鹰算法的微电网群经济优化调度研究》-太阳能学报

程序结果

部分程序

%% 设置种群参数
parameters;
sizepop = 40;                       % 初始种群个数
dim = 288;                          % 空间维数
ger = 500;                          % 最大迭代次数   
[x_max, x_min] = set_pop(dim);      % 位置上下限
a = 2;                              % 位置变化参数
a1 = 10;                            % 搜索点之间角的参数
R = 1.5;                            % 搜索周期数
c1 = 1.8;                           % 增加秃鹰移动强度的随机数
c2 = 1.8;                           % 增加秃鹰移动强度的随机数
[x,y] = polr(a,R,sizepop);          % 搜索猎物阶段的参数    
[x1,y1] = swoo_p(a,R,sizepop);      % 俯冲阶段的参数
%% 种群初始化
pop = x_min + rand(sizepop,dim).*(x_max - x_min);   % 初始化种群  
pop_best = pop(1,:);                                % 初始化群体最优位置
fitness = zeros(1,sizepop);                         % 所有个体的适应度
fitness_best = inf;                                 % 初始化群体最优适应度
%% 初始的适应度% 计算适应度值
​fitness(k) = objective_fun(pop(k,:));
​​fitness_best = fitness(k);
​pop_best = pop(k,:);
history_IBES = zeros(1,ger);  % IBES历史最优适应度值
%% 迭代求最优解
% 1.选择搜索空间阶段
pop_new = pop_best + 2*rand(1,dim).*(mean(pop) - pop(k,:));
fitness_new = objective_fun(pop_new);
% 2.搜索猎物阶段
pop_new = pop(k,:) + y(k)*(pop(k,:) - pop(k + 1,:)) + x(k)*(pop(k,:) - mean(pop));
 fitness_new = objective_fun(pop_new);
​% 3.俯冲阶段
​pop_new = rand(1,dim).*pop_best + x(k)*(pop(k,:) - c1*mean(pop)) + y(k)*(pop(k,:) - c2*pop_best);
​fitness_new = objective_fun(pop_new);
% 4.融合反向学习和柯西变异策略​
​pop1 = x_max + rand(1,dim).*(x_min - pop(k,:));
​L = ((ger - iter)/ger)^iter;
pop_new = pop1 + L*(pop(k,:) - pop1);

部分内容源自网络，侵权联系删除！

欢迎感兴趣的小伙伴关注并私信获取完整版代码，小编会不定期更新高质量的学习资料、文章和程序代码，为您的科研加油助力！