zhangxd212489的博客

该程序参考《自适应多目标差分进化算法在计及电压稳定性的无功优化中的应用》，以网损和电压偏差为目标，考虑DG无功出力和电容器组，建立多目标无功优化模型，并采用差分进化算法进行求解，在差分进化的寻优机制中嵌入非劣排序和拥挤距离排序以对种群实施选择操作，使算法快速收敛到 Pareto前沿的同时，保证了非劣解的均匀分布；对缩放因子和交叉概率进行自适应修正，避免对参数的反复试探 ，提高了算法的鲁棒性。并在IEEE33节点系统上进行验证。

经过转换，深度神经网络能够以一种紧凑且高效的方式表示 Q 函数，使得智能体可以在大规模的状态和动作空间中快速学习和决策，极大地拓展了强化学习在复杂现实场景中的应用范围。借助于强化学习框架、Q 学习及 DQN 算法的基础理论，分析经验回放与冻结参数机制对 DQN 性能的提升作用，最终以经济性为导向，实现微能源网的能量管理与优化。强化学习是指从环境状态到动作策略集的学习，以使得动作从环境中获得的累计奖励最大，学习的过程，如下图所示。为了方便大家更好的对照文献学习，整理了一版程序代码复现和文献的具体对应关系图。

【重磅】“一招”解决智能算法中不满足“预期”的问题【以微电网优化调度为例】

程序完全复现文献模型《基于改进粒子群算法的微电网多目标优化调度》，以微电网系统运行成本和环境保护成本为目标函数，建立了并网方式下的微网多目标优化调度模型，通过改进粒子群算法和原始粒子群算法进行对比，验证改进方法的优越性。% 决策变量：柴油发电机 微型燃气轮机 联络线 储能。

关注该代码的同学应该清楚，这个代码已经免费更新了两版了，修复和增加了一些约束内容，本次增加约束，可别小瞧这么简单的增加约束，相当于蓄电池除了有出力约束、soc约束外，又增加了一个约束，在增加该约束的过程中，会出现出力越限、等式约束偏差大等问题，本次更新的代码完全实现了该部分功能。

该模型构建了考虑需求响应的微电网优化调度模型，并采用粒子群算法（PSO）进行优化求解，模型主体有储能、风电、光伏、微燃机和柴油发电机，以运行成本、环境保护成本、负荷需求响应补偿以及等效负荷波动性为目标，该负荷需求响应方式保证可转移负荷总量不变。程序采用matlab模块化编程，注释清晰，出图较多，有详细的参考文档，方便参考学习！

程序建立了多主体综合能源模型，采用双层模型进行求解，上层用自适应粒子群算法求解出各能源售价和需求响应补偿价格；下层采用混合整数规划算法求解出三个园区、配电网、储能电站、集中型风电场间的最优调度策略。

该模型以环境保护成本和运行成本为双目标构建了微电网优化调度模型，模型目标函数和约束条件复现文献《基于改进粒子群算法的微电网多目标优化调度》，程序的特点是采用非支配排序的蜣螂优化算法NSDBO，实现了柴油发电机、蓄电池、微燃机和主网交互等出力情况，程序实现了四种模式下的求解方案，分别指权值折衷解、总成本最低、运行成本最低和环境保护成本最低，程序采用matlab编写，出图效果较好，注释清楚，方便学习！但是，程序仍然存在两个问题，主要是约束引起的，在下一章节进行分析。