微电网多目标优化调度：改进粒子群算法实践

1. 项目背景与核心挑战

微电网作为分布式能源系统的重要形态，正在全球范围内加速普及。这种由分布式电源、储能装置、能量转换装置和负荷监控保护装置汇集而成的小型发配电系统，既能并网运行又能孤岛运行。但在实际运营中，调度人员常常面临一个两难选择：追求极致的经济性可能牺牲环保指标，而过度强调清洁能源消纳又会导致运营成本飙升。

去年参与某工业园区微电网项目时，我们就遇到了典型矛盾：光伏大发时段若全额消纳，需要关停部分燃气轮机，但夜间光伏出力归零后，重新启动燃气机组会产生额外成本。这种"环保-经济"的博弈关系，正是多目标优化调度需要解决的核心问题。

2. 多目标优化模型构建

2.1 目标函数设计

我们建立了双目标优化模型，第一个目标函数是经济成本最小化：

code复制min F1 = Σ(C_fuel + C_OM + C_start) + C_purchase - C_sell

其中包含燃料成本、运维成本、机组启停成本，以及从主网购电收益/售电支出。第二个目标函数是污染物排放最小化：

code复制min F2 = Σ(E_CO2 + E_SO2 + E_NOx) + E_purchase

特别需要注意的是，购电的排放量需要根据当地电网的能源结构折算，这个系数会显著影响优化结果。我们在华东某项目实测发现，当电网煤电占比超过70%时，微电网内燃气轮机发电的环保优势会变得非常明显。

2.2 约束条件处理

除了常规的功率平衡约束、机组出力上下限约束外，有两点需要特别注意：

1. 储能系统的充放电效率约束应采用分段线性化处理
2. 燃气轮机的最小持续运行/停机时间约束需要用二进制变量表示

我们在MATLAB中建模时，采用如下方式处理启停约束：

matlab复制% 最小运行时间约束
for t = 2:T
    for k = 1:N
        if u(k,t) - u(k,t-1) == 1
            sum(u(k,t:min(t+L_min-1,T))) >= L_min*(u(k,t)-u(k,t-1))
        end
    end
end

3. 改进粒子群算法实现

3.1 标准PSO的局限性

传统PSO在解决我们的微电网调度问题时暴露出三个缺陷：

1. 早熟收敛导致陷入局部最优
2. 离散变量处理能力不足（如启停状态）
3. 帕累托前沿分布不均匀

3.2 改进策略实施

我们采用了三种改进方法：

1. 动态惯性权重：采用非线性递减策略

   code复制w = w_max - (w_max-w_min)*(t/T)^2
   

2. 混合变异机制：当群体适应度方差小于阈值时，对全局最优粒子进行柯西变异
3. 约束处理技术：采用罚函数法处理不等式约束，罚因子随迭代次数自适应调整

关键实现代码如下：

python复制def update_velocity(self):
    for i in range(self.swarm_size):
        # 动态惯性权重
        w = self.w_max - (self.w_max-self.w_min)*(self.iter/self.max_iter)**2
        
        # 认知和社会学习部分
        cognitive = self.c1 * random.random() * (self.pbest_pos[i] - self.position[i])
        social = self.c2 * random.random() * (self.gbest_pos - self.position[i])
        
        # 速度更新
        self.velocity[i] = w*self.velocity[i] + cognitive + social
        
        # 变异操作
        if self.check_premature():
            self.position[i] += self.cauchy_mutation()

4. 多目标处理与决策方法

4.1 帕累托最优解集获取

采用拥挤距离排序法保持解集多样性。计算个体i的拥挤距离时：

code复制distance[i] = Σ (f_k(i+1) - f_k(i-1))/(f_k_max - f_k_min)

其中k表示第k个目标函数。这个指标能有效避免解在目标空间中的聚集。

4.2 决策支持系统设计

我们开发了交互式决策界面，运营人员可以：

1. 拖动权重滑块实时查看调度方案变化
2. 设置环保硬约束（如CO2排放上限）
3. 对比不同方案的详细成本构成

某次典型运行结果对比：

5. 工程实践中的经验总结

5.1 数据准备要点

1. 光伏/风电预测误差处理：建议采用"预测值+误差带"的方式生成多个场景
2. 燃料价格灵敏度分析：燃气价格波动10%可能导致最优方案完全改变
3. 负荷特性分析：区分可中断负荷与关键负荷的优先级

5.2 算法调参技巧

1. 种群规模设置：决策变量数的5-10倍，但不超过100
2. 变异概率选择：建议从0.1开始逐步调整
3. 收敛判断标准：连续20代最优解改进小于0.1%

5.3 常见问题排查

1. 问题：算法收敛过快
   检查：惯性权重设置是否合理，变异概率是否过低

2. 问题：解集分布不均匀
   调整：增加拥挤距离计算时的目标函数归一化处理

3. 问题：约束违反严重
   对策：增加罚因子初始值，采用动态调整策略

在实际部署中，我们建议采用"离线训练+在线修正"的模式。每天0点基于最新预测数据运行优化算法，生成基础调度方案；每小时再根据实际运行偏差进行滚动修正。某工业园区项目采用该方案后，年运行成本降低12.7%，碳排放减少18.3%。