摘要：

本文使用一种经济与环保相协调的微电网优化调度模型，针对光伏电池、风机、微型燃气轮机、柴油发电机以及蓄电池组成的微电网系统的优化问题进行研究，在满足系统约束条件下，建立了包含运行成本、可中断负荷补偿成本以及污染物处理费用的微电网多目标优化调度模型，并利用多目标粒子群算法（MOPSO）求解微电网优化调度问题，代码注释详细，结构简洁，适合快速入门多目标粒子群和多目标微电网调度的同学。

1.微电网模型

本文讨论的微电网模型中包括：风力发电机、光伏太阳能板、柴油发电机、储能电池、电力负荷。使用MOPSO算法求解该微电网的多目标最优化调度问题。

2.微电网多目标优化调度的目标函数

由于是多目标优化调度，因此本文设置目标函数有两个：运行成本最小和风光消纳率最高。

2.1运行成本最小：

式中：T为微电网的调度周期的时段数;N为微电源类型数目;COi,t为微电源i在t时刻的发电费用；IRt为微电网在t时刻的可中断费用；Pi,t为第i台微电源在t时刻的发电功率。

2.2风光消纳率最高：

使用各个时刻预测的可再生能源最大可调度功率值与实际使用了的可再生能源功率值进行相减，再将全日的总可再生能源未消纳的量相加，即可构成可再生能源消纳目标函数。

式中：PWT,t和PPV,t表示t时刻的风电和光伏能发出的最大功率，PWT,t'和PPV,t'表示实际使用了的风电和光伏功率。

3.微电网多目标优化调度的约束条件

3.1最大最小功率约束：

3.2最大最小功率约束：

3.3储能电池运行约束：

储能电池的SOC需要在运行一天后回到初始的位置，并且在运行的过程中不能超过最大和最小的储能元件容量约束。

4.多目标粒子群算法（MOPSO）

粒子群算法的原理在这里就不再赘述了，感兴趣的可以看我之前的文章，这里主要说一下多目标粒子群的不同之处。由于优化问题中含有多个目标函数，因此需要在求解过程中引入Pareto分层排序原则对个体进行选择，主要的步骤为：

（1）数据初始化。输入微电网的系统组成和结构参数、模型参数、MOPSO算法参数等

（2）将将粒子个体作为系统变量输入仿真模型，对违背约束的变量进行修正，并计算系统的运行成本、环境成本以及惩罚项作为个体适应度值。

（3）将个体适应度作为优化模型的输入，得到子代种群确定个体极值pbest。将pbest作为粒子的初始个体极值，如果当前的粒子支配pbest，则将当前的粒子作为pbest个体极值；如果两者不能比较，则计算两者在群体中支配其他粒子的个数，支配较多则作为个体极值pbest。

（4）对种群进行分层排序，将最优的非支配解Pareto存入外部存档集合，清除非Pareto解，并判断外部存档集合是否超过规定容量，若是，则按照拥挤距离选取m个粒子。

（5）全局最优值gbest。采用外部存档集合保存的Pareto最优解，本文引用轮盘赌方法根据最优解的拥挤距离从外部集合中选取gbest。

（6）重复计算（3-5）直到达到最大的迭代次数。

5.程序运行结果

6.代码展示

%% 程序初始化
clear;
clc;
close all;
%% 定义全局变量
global P_load; %电负荷
global WT;%风电
global PV;%光伏
global WT_price;%
global PV_price;
global BT_price;
%% 获取数据
data=xlsread('mopso_data');
P_load=data(:,1);
PV=data(:,2);
WT=data(:,3);
PV_price=0.8;
BT_price=0.5;
WT_price=0.6;
%储能最大放电功率
StorageMaxDischargingPower=250;
%储能最大充电功率
StorageMaxChargingPower=-200;
%柴油发电机最大功率
DGMaxImportPower=600;
%柴油发电机最小功率
DGMinImportPower=200;
%% 调用mopso函数
mm=mopso; %调用mopso函数
nn=length(mm.swarm); %非支配解数目
%将非支配解中的经济成本和消纳比例分别赋值给yyy,xxx
for i=1:nn
   yyy(i)= mm.swarm(1,i).cost(1);
   xxx(i)= mm.swarm(1,i).cost(2);
end
m1=max(yyy);
m2=max(xxx);