基于遗传算法的微电网优化调度

目录

主要内容：

微电网优化调度介绍：

遗传算法介绍：

程序实际执行结果：

代码下载：

---

主要内容：

随着社会的发展，各国对于能源的需求也越来越高。电能是目前社会发展和国民生活不可或缺的能源，日常用电多来自火力发电，火力发电会产生大量对环境有害的气体，且由于近些年对能源的过度消耗，传统化石能源在不久的将来面经枯竭的局面。正因为此微电网在近些年开始迅猛发展，这在一定程度上减缓了传统能源枯竭的速度，也减少了对环境的危害。而微电网的优化调度近些年一直是热门问题，因此本文选择微电网的优化调度作为研究主题。由于智能优化算法在求解微电网问题时会在陷入局部最优，因此本文基于Matlab平台，使用遗传算法对微电网进行优化调度，通过变异和交叉等手段，加强算法的搜索能力以此来降低算法陷入局部最优的可能性。本文代码附带详细的说明文档，降低新手小白的入门难度。

微电网优化调度介绍：

微电网若干个不同种类的分布式电源、储能系统、备用电源、以及能量转换器组成，其本质上是一个小型的发配电系统。微电网存在两种模式，一种是连接大电网的并网模式，当微电网自身的负荷无法被内部分布式电源的出力满足时，可以从大电网买电，保证微电网的安全平稳运行，当微电网系统光伏系统、风能系统以及储能系统可以放出的电量大于微电网自身正常运行的需要时，可以考虑向大电网卖电。但是因为微电网系统内的光伏系统和风能系统在发电时具有一定随机性和波动性，因此微电网与大电网的能量交换存在着一定的限制。第二种是孤岛模式，所谓孤岛模式即微电网不与大电网进行能量交换。此时微电网内部的光伏系统和风力发电系统产生的能量在满足了自身使用的情况下，有剩余就只能舍弃，能量不足就断开次要负荷，保证重要负荷的需求。本文研究的微电网主要包括光伏发电系统（PV）、风力发电系统（WT）、柴油发电机（DE）、以及蓄电池。微电网基本模型结构如图2.1所示。其中光伏发电系统（PV）和风力发电系统(WT)为微电网系统主要的电能来源，由于风力发电和光伏发电具有间歇性，所以在系统中添加了储能系统即蓄电池。当PV和WT以及蓄电池均无法满足微电网的运转需求时，柴油发电机（DE）作为备用电源可以开启，保证微电网能够正常运转所需的电能。

遗传算法介绍：

遗传算法是一类模拟达尔文自然选择以及孟德尔遗传机制而演化的随机优 化搜索方法,通过模拟了遗传学的基因杂交和基因突变，是的后代的基因更为优 秀，寻获得可能更大，在后续的过程中不断重复自然选择、基因杂交以及极基因 突变的思想，不断对后代基因进行改良。遗传算法是具有全局寻优能力、且采用 概率寻找最优解的方法，其搜索方向也会因为适应度函数的关系在不断调整[75]。 它建立在达尔文的生物进化论和孟德尔的遗传学说基础之上，通过选择、基因的 交叉和基因突变产生对环境适应性强的子代，并筛选存活性较大大子代，如此不 断重复直至算法结束，确定最优结果。遗传算法主要特点是采用概率寻优的方法全局寻优能力强，遗传算法在解决实际问题时，能够实现较快的收敛计算，寻优 结果较合理，鲁棒性较好[76]。 遗传算法中的遗传算子在整个计算中发挥着重要的作用。遗传算子有选择算 子、交叉算子、变异算子，具体说明如下：

1. 选择算子：选择算子在遗传算法中主要负责对种群进行过滤，通过适应 度函数过滤存活可能性小的种群，保留适应度更大的种群使他们的优秀基因能够 被遗传到下一代，将适应度较小的种群淘汰，保证种群的优越性。
2. 交叉算子：依据一定概率对种群中两个体的基因进行随机交叉互换，生 成新的个体。最常用的交叉运算为个体交叉。
3. 变异算子：将种群中个体的某一位基因依据一定的概率做变异计算，形 成新的个体。如 5 号个体的第 2 个基因需进行变异计算，则变异后将形成新的个 体

程序实际执行结果：

代码下载：