改进粒子群算法求解微电网优化调度的实践与经验

1. 微电网优化调度的本质：一个多变量、多约束的复杂难题

做微电网的人都知道，调度问题看着简单，真正建起模型来却让人头疼。你有一个微电网系统，里面一般包括光伏发电（PV）、风力发电（WT）、柴油发电机（DE）、储能系统（BESS），还可能有上级电网的购售电接口，外加一段预测出来的负荷曲线。你要做的事，就是决定未来一段时间内（典型的是24小时，分为24个时段）每一台设备在不同时段的出力值，目标是在满足用户用电需求的前提下，把运行成本做到最低，同时最好还能兼顾环保排放。

这个问题的难点在于，它不是一个简单的线性规划。各设备之间互相耦合，储能系统还要考虑它自身容量、充放电状态和循环寿命，负荷和可再生能源出力本身又带着不确定性。用通俗的话说，这就好比你要用一堆来源不同、脾气也不同的工人，排一个24小时的值班表，既要保证每个时段人力充足，又要让总薪酬最低，还得让每个人别太累、机器别过载。这已经不是一个"拍脑袋"能解决的简单决策，而是一个典型的非线性的、多维的、带约束的优化问题。

传统数学规划方法比如线性规划、混合整数线性规划，处理这类问题有它们的价值，但遇到非线性约束多、目标函数复杂、甚至出现非凸情况时，求解效率和稳定性就会急剧下降。这时候，群体智能优化算法，特别是粒子群算法（PSO），就凭它的实现简单、收敛快、参数少、不需要求导等优势，成为很多人求解微电网优化调度的首选。但标准PSO有个老毛病——容易早熟，也就是收敛到局部最优，这在真实调度里可能是致命的，一天白白多花几千块电费不是开玩笑。

所以，针对微电网调度的特点，对PSO进行有针对性的改进，就成了一条不少人走过的路。这篇文章就是把我自己做过的改进粒子群算法求解微电网优化调度的经验，包括建模思路、算法改进策略、参数设置、踩过的坑，从头到尾捋一遍。适合正在做微电网优化方向研究的同学，也适合刚开始接触智能算法解决电力系统问题的工程师，希望能帮大家少走一点弯路。

2. 目标函数和约束条件的建模思路

2.1 目标函数：不能只盯着经济成本

微电网优化调度的目标函数，大部分论文都会用经济成本加上环境成本，再做一个加权。我在实际建模过程中觉得，经济成本是最核心的，环境成本更多是体现一种调度倾向，是否需要引入取决于你研究的具体场景。但不管怎样，目标函数必须写得清楚，因为它直接决定你后面粒子适应度怎么计算。

一个典型的日运行成本模型可以这样表达：

经济成本方面，包含柴油发电机的燃料成本、各分布式电源的运行维护成本、储能系统的折旧成本和从上级电网购电的费用，如果存在余电上网的情况，还需要扣掉售电收益。燃料成本通常用二次函数近似表示为 C_fuel = a * P^2 + b * P + c，其中P是柴油机出力，系数a、b、c一般由柴油机的耗量特性曲线拟合得到。维护成本就简单一些，跟出力大小线性相关，用单位维护成本乘以出力就行。储能折旧成本可以近似为充放电功率乘以一个单位度电成本系数，这个系数往往根据电池价格和使用寿命折算，不是一个理论值，而是工程上的估算值。

环保成本一般用碳排放量乘以单位碳处理费用。分布式电源里，光伏和风电运行过程基本不产生碳排放，柴油机是主要碳排放源。工程上常见做法是把二氧化碳排放量转化为等效成本，加进总目标函数里。

在编程实现的时候，注意目标函数里各个成本的数量级差距比较大，比如燃料成本是几千上万的量级，而维护成本可能只有几百，如果直接相加，小量级的目标分量对粒子评价的贡献就微乎其微，算法优化时会自动忽略这项。我自己的处理办法是给各目标分量加上权重系数，进行归一化后再合成一个适应度函数。打个比方，把各项成本都除以它在某个基准调度方案下的量值，让每一项都变成相对值，再按权重加和，这样量级就基本一致了。

2.2 约束条件：真正让算法头疼的地方

微电网调度模型的约束条件比较多，但核心逃不过以下几类：

功率平衡约束是硬约束中的硬约束，意思是每个时段光伏、风电、柴油机、储能加购电量，必须等于该时段的负荷加售电量。这在粒子群算法编码中往往能做到天然满足，也可以在适应度函数中通过惩罚项来保证。我倾向于采用"后一种方式"，因为如果用编码强制满足，粒子的搜