冷热电联供微网多目标优化：MOGWO算法与Matlab实践

1. 项目背景与核心价值

冷热电联供型微网作为区域能源互联网的重要载体，其调度优化直接关系到系统运行的经济性和环保性。传统单目标优化方法往往难以兼顾成本与碳排放的双重约束，而多目标灰狼算法（MOGWO）凭借其独特的群体智能机制，在解决这类复杂非线性问题上展现出显著优势。

我在参与某工业园区微网设计时发现，单纯考虑经济性会导致碳排放超标，而仅追求低碳又会使运行成本激增。这种矛盾促使我们探索更先进的优化方法。MOGWO通过模拟灰狼社会等级和狩猎行为，能在Pareto最优前沿上找到多个非支配解，为决策者提供灵活的调度选择空间。

2. 系统建模关键技术点

2.1 微网设备建模

冷热电联供系统通常包含以下核心设备：

matlab复制% 燃气轮机模型示例
function P_gt = GasTurbine(P_input, eta_gt)
    P_gt = P_input * eta_gt;  % 电功率输出
    Q_heat = P_input * (1-eta_gt) * 0.7; % 余热回收效率
end

• 燃气轮机：需考虑变工况效率曲线
• 吸收式制冷机：COP与热源温度的关系
• 电储能系统：充放电效率的循环衰减模型
• 光伏阵列：考虑温度系数和遮挡影响

2.2 多目标函数构建

经济性与环保性的权衡通过以下目标函数体现：

code复制min F = [f1, f2]
f1 = Σ(C_fuel + C_maintenance + C_grid)  % 总运行成本
f2 = Σ(α*P_grid + β*Q_gas)             % 碳排放量

其中电网购电系数α和燃气消耗系数β需根据当地能源结构确定。我们在华东某项目实测发现，当α取0.85kg/kWh、β取0.2kg/MJ时，能较好反映区域碳排放特征。

2.3 约束条件处理

采用罚函数法处理复杂约束：

matlab复制function penalty = CheckConstraints(x)
    penalty = 0;
    % 功率平衡约束
    if abs(P_load - (P_gt + P_pv + P_batt)) > 1e-3
        penalty = penalty + 1e6;
    end
    % 储能SOC约束
    if SOC < 0.2 || SOC > 0.9
        penalty = penalty + 5e5;
    end
end

3. 灰狼算法实现细节

3.1 算法流程优化

标准MOGWO在微网调度中需做以下改进：

1. 动态权重调整：迭代后期增加收敛压力

   matlab复制a = 2 - iter*(2/MaxIter);  % 线性递减
   

2. 精英保留策略：前10%非支配解直接进入下一代
3. 约束支配原则：违反约束的解自动被支配

3.2 决策变量编码

采用混合编码方式提高搜索效率：

• 连续变量：机组出力量化到0.1kW精度
• 离散变量：启停状态用二进制表示
• 储能调度采用"充/放/待机"三态编码

3.3 Pareto前沿筛选

使用拥挤距离排序保持解集多样性：

matlab复制function [fronts] = NonDominatedSort(pop)
    % 快速非支配排序实现
    n = length(pop);
    S = cell(n,1); 
    n_p = zeros(n,1);
    rank = zeros(n,1);
    
    for i = 1:n
        S{i} = [];
        for j = 1:n
            if dominates(pop(i),pop(j))
                S{i} = [S{i} j];
            elseif dominates(pop(j),pop(i))
                n_p(i) = n_p(i) + 1;
            end
        end
        if n_p(i) == 0
            rank(i) = 1;
            F1 = [F1 i];
        end
    end
    % ...后续前沿划分代码
end

4. Matlab实现关键技巧

4.1 并行计算加速

利用parfor循环加速适应度计算：

matlab复制parfor i = 1:pop_size
    fitness(i,:) = EvaluateFitness(pop(i,:));
    penalty(i) = CheckConstraints(pop(i,:));
end

实测表明，在Intel i7-11800H处理器上，开启8线程可使计算速度提升5-7倍。

4.2 可视化工具开发

创建交互式结果分析界面：

matlab复制function PlotPareto(front)
    scatter(front(:,1),front(:,2),'filled');
    xlabel('运行成本(元)');
    ylabel('碳排放(kg)');
    title('Pareto最优前沿');
    grid on;
    
    % 添加数据光标提示
    dcm = datacursormode(gcf);
    set(dcm,'UpdateFcn',@CursorCallback);
end

4.3 典型参数设置

通过数百次测试得出的经验参数：

5. 实际应用案例分析

5.1 某医院微网调度优化

项目背景：

• 电负荷峰值：850kW
• 冷负荷峰值：1200kW
• 热负荷需求：600kW

优化结果对比：

5.2 算法性能对比

在相同硬件环境下测试：

6. 工程实践注意事项

1. 数据预处理要点：

   • 负荷预测误差需考虑±10%波动
   • 燃气价格采用滑动平均处理
   • 光伏出力需结合天气预报修正

2. 算法调参经验：

   • 初期增大变异概率避免早熟
   • 中后期加强局部搜索
   • 采用自适应网格调整策略

3. 硬件配置建议：

   • 内存不低于16GB（处理大规模种群时）
   • 使用SSD硬盘加速数据读写
   • 推荐Matlab R2020b及以上版本

4. 常见问题排查：

   • 出现NaN值：检查设备模型输入范围
   • 收敛停滞：尝试重置领导者位置
   • 解集分布不均：调整网格密度参数

7. 扩展应用方向

1. 与模型预测控制(MPC)结合：

   matlab复制for k = 1:Np
       [u_opt, J] = MOGWO_Optimizer(x0, forecast);
       apply(u_opt(1));
       x0 = updateState(x0, u_opt(1));
   end
   

2. 考虑需求响应：

   • 引入电价弹性系数
   • 建立可调节负荷优先级列表
   • 添加用户舒适度约束

3. 多时间尺度优化：

   • 日前调度与实时调整结合
   • 采用滚动优化框架
   • 建立不同时间尺度的目标权重

在实际项目中，我们发现将调度周期划分为24个时段后，每个时段的决策变量维度约为15-20个。这种情况下，设置种群规模为80、迭代200次，通常能在3分钟内获得满意的Pareto前沿。对于需要更高精度的场合，建议先快速搜索大致范围，再在感兴趣区域进行精细化搜索。