目錄

1.課題概述

2.系統仿真結果

3.核心程序

4.系統原理簡介

4.1 改進粒子群算法

4.2?分布式電源與儲能模型公式

4.3?多目標函數

5.參考文獻

6.完整工程文件

---

1.課題概述

? ? ? ?微電網優化調度的核心是在滿足系統約束（如功率平衡、設備出力限制等）的前提下，通過合理分配分布式電源（DG，含光伏PV、風機WT、柴油發電機DE、微型燃氣輪機MT）與儲能（BESS）的出力、微電網與主網的交互功率，實現 “運行成本最低” 與 “環境保護成本最低” 的雙目標平衡，最終追求總成本最小化。

2.系統仿真結果

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('實際消納光伏功率','預測光伏功率');
xlabel('時間');
ylabel('功率');
title('光伏發電機')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('實際消納風電功率','預測風電功率');
xlabel('時間');
ylabel('功率');
title('風力發電機')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('時間');
ylabel('功率');
title('柴油發電機')subplot(322);
plot(pg_BESS,'-r>',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.9,0.9,0.0]);xlim([1 24])
grid
xlabel('時間');
ylabel('功率');
title('蓄電池')subplot(323);
plot(P_load,'-r>',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.9,0.9,0.0]);xlim([1 24])
grid
xlabel('時間');
ylabel('功率');
title('微電網負荷')subplot(324);
plot(pg_MT,'-r>',...'LineWidth',1,...'MarkerSize',6,...'MarkerEdgeColor','k',...'MarkerFaceColor',[0.9,0.9,0.0]);grid
xlabel('時間');
ylabel('功率');
title('燃氣輪機出力')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('時間');
ylabel('功率');
title('主網交互')
124

4.系統原理簡介

4.1 改進粒子群算法

? ? ? ?傳統PSO算法因慣性權重與學習因子固定，易陷入局部最優。通過動態調整關鍵參數優化算法性能：

慣性權重（w）：迭代初期取較大值（增強全局搜索能力，避免局部最優），后期取較小值（強化局部搜索，加速收斂）；

學習因子（c?、c?）：迭代初期c?大、c?小（提升粒子自學習能力，探索更多解空間），后期c?小、c?大（增強粒子社會學習能力，向最優解聚集）；

最終通過粒子位置與速度的迭代更新，搜索微電網優化調度的非支配解（Pareto前沿）。

4.2?分布式電源與儲能模型公式

風力發電機（WT）功率模型

光伏（PV）功率模型

柴油發電機（DE）成本模型

微型燃氣輪機（MT）效率與成本模型

儲能（BESS）荷電狀態（SOC）模型

4.3?多目標函數

運行成本目標

環境保護成本目標

確定總成本Z=f1?+f2?為優化目標；

5.參考文獻

[1]趙磊,曾芬鈺,王霜,等.基于經濟性與環保性的微電網多目標優化調度研究[J].高壓電器, 2015, 51(6):6.DOI:CNKI:SUN:GYDQ.0.2015-06-023.

[2]曾嶒.微電網多目標優化調度模型及算法研究[D].華東交通大學,2016.DOI:10.7666/d.D01023769.

6.完整工程文件

v

v