基于粒子群算法的微电网能量调度优化实践

1. 微电网能量调度的俄罗斯方块游戏

微电网的能量调度确实像玩俄罗斯方块——光伏、风机等发电单元产生的能量块需要与负载需求严丝合缝地对齐。作为一名在电力系统优化领域摸爬滚打多年的工程师，我深刻理解这种"能量拼图"的挑战性。当光伏出力因云层飘过突然下降，或者风机因风速变化而波动时，调度系统必须在毫秒级做出响应，否则就会像俄罗斯方块堆到顶部一样"游戏结束"——轻则电能质量恶化，重则系统崩溃。

传统调度方法往往采用确定性优化，但面对风光出力的不确定性就像用固定策略玩俄罗斯方块——迟早会翻车。而粒子群算法（PSO）这种群体智能优化方法，则像给游戏加了个AI外挂，能实时动态调整策略。最近我用MATLAB实现了一套基于PSO的微电网调度方案，实测效果相当惊艳。

关键区别：传统调度像人工玩俄罗斯方块，PSO调度则像开了自适应AI，能预测未来3-5步的最优落点。

2. 微电网调度模型的数学拼图

2.1 目标函数设计

调度问题的核心是构建合理的成本函数。在我的模型里，总成本包含四个关键部分：

1. 发电成本：柴油发电机等可控单元的燃料费用

   matlab复制cost_gen = sum(a.*P_gen.^2 + b.*P_gen + c); % 二次成本曲线
   

2. 惩罚成本：蓄电池SOC越限惩罚

   matlab复制penalty_SOC = k1*max(0, SOC - SOC_max)^2 + k2*max(0, SOC_min - SOC)^2;
   

3. 购电成本：从主网购电的电费

   matlab复制cost_grid = price_buy.*P_buy - price_sell.*P_sell; 
   

4. 弃光弃风惩罚：可再生能源浪费成本

   matlab复制penalty_curtail = lambda*(max(0, P_pv_avail - P_pv) + max(0, P_wind_avail - P_wind));
   

2.2 约束条件建模

就像俄罗斯方块不能超出边框，调度问题也有硬约束：

• 功率平衡约束：

  matlab复制P_pv + P_wind + P_gen + P_batt + P_buy - P_sell == Load;
  

• 蓄电池动态：

  matlab复制SOC(t+1) = SOC(t) + (eta_ch*P_ch - P_dis/eta_dis)*dt/Capacity;
  

• 发电机爬坡率：

  matlab复制-ramp_down <= P_gen(t) - P_gen(t-1) <= ramp_up;
  

实测发现：蓄电池的充放电效率η_ch/η_dis对结果影响极大，建议用实测数据校准而非厂家标称值。

3. 粒子群算法的调参艺术

3.1 粒子编码设计

每个粒子代表一个潜在调度方案。我的编码方案是：

matlab复制particle = [P_