目录

1.课题概述

2.系统仿真结果

3.核心程序

4.系统原理简介

4.1 改进粒子群算法

4.2 分布式电源与储能模型公式

4.3 多目标函数

5.参考文献

6.完整工程文件

---

1.课题概述

       微电网优化调度的核心是在满足系统约束（如功率平衡、设备出力限制等）的前提下，通过合理分配分布式电源（DG，含光伏PV、风机WT、柴油发电机DE、微型燃气轮机MT）与储能（BESS）的出力、微电网与主网的交互功率，实现 “运行成本最低” 与 “环境保护成本最低” 的双目标平衡，最终追求总成本最小化。

2.系统仿真结果

3.核心程序

matlab2024b

figure
subplot(121);
plot(pg_PV,'-b^',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.2,0.9,0.5]);hold on;
plot(PV,'-k<',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.9,0.3,0.3]);xlim([1 24])
grid
legend('实际消纳光伏功率','预测光伏功率');
xlabel('时间');
ylabel('功率');
title('光伏发电机')subplot(122);
plot(pg_WT,'-b^',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.2,0.9,0.5]);hold on;
plot(WT,'-k<',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.9,0.3,0.3]);xlim([1 24])
grid
legend('实际消纳风电功率','预测风电功率');
xlabel('时间');
ylabel('功率');
title('风力发电机')figure
subplot(321);
plot(pg_DE,'-r>',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.9,0.9,0.0]);hold on;
xlim([1 24])
grid
xlabel('时间');
ylabel('功率');
title('柴油发电机')subplot(322);
plot(pg_BESS,'-r>',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.9,0.9,0.0]);xlim([1 24])
grid
xlabel('时间');
ylabel('功率');
title('蓄电池')subplot(323);
plot(P_load,'-r>',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.9,0.9,0.0]);xlim([1 24])
grid
xlabel('时间');
ylabel('功率');
title('微电网负荷')subplot(324);
plot(pg_MT,'-r>',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.9,0.9,0.0]);grid
xlabel('时间');
ylabel('功率');
title('燃气轮机出力')subplot(3,2,[5,6]);
plot(pg_grid,'-r>',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.9,0.9,0.0]);
xlim([1 24])
grid
xlabel('时间');
ylabel('功率');
title('主网交互')
124

4.系统原理简介

4.1 改进粒子群算法

       传统PSO算法因惯性权重与学习因子固定，易陷入局部最优。通过动态调整关键参数优化算法性能：

惯性权重（w）：迭代初期取较大值（增强全局搜索能力，避免局部最优），后期取较小值（强化局部搜索，加速收敛）；

学习因子（c₁、c₂）：迭代初期c₁大、c₂小（提升粒子自学习能力，探索更多解空间），后期c₁小、c₂大（增强粒子社会学习能力，向最优解聚集）；

最终通过粒子位置与速度的迭代更新，搜索微电网优化调度的非支配解（Pareto前沿）。

4.2 分布式电源与储能模型公式

风力发电机（WT）功率模型

光伏（PV）功率模型

柴油发电机（DE）成本模型

微型燃气轮机（MT）效率与成本模型

储能（BESS）荷电状态（SOC）模型

4.3 多目标函数

运行成本目标

环境保护成本目标

确定总成本Z=f1​+f2​为优化目标；

5.参考文献

[1]赵磊,曾芬钰,王霜,等.基于经济性与环保性的微电网多目标优化调度研究[J].高压电器, 2015, 51(6):6.DOI:CNKI:SUN:GYDQ.0.2015-06-023.

[2]曾嶒.微电网多目标优化调度模型及算法研究[D].华东交通大学,2016.DOI:10.7666/d.D01023769.

6.完整工程文件

v

v