✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。
🔥 内容介绍
在全球能源转型的大背景下，微电网作为一种将分布式能源（如太阳能、风能等）、储能装置和负载整合在一起的小型电力系统，正逐渐成为现代能源体系的重要组成部分。微电网能够有效提高能源利用效率，减少对传统集中式电网的依赖，增强供电的可靠性和稳定性，尤其适用于一些对电力供应要求较高的场景，如电动汽车充电站。
微电网能量管理系统（EMS）是微电网的核心，它负责协调微电网内各种能源组件的运行，根据实时的电力供需情况、能源价格以及设备状态等信息，制定最优的能量分配策略。对于电动汽车充电站微电网而言，优化 EMS 以最小化运行成本不仅可以提高微电网的经济效益，还能促进其可持续发展，因此具有至关重要的意义。
微电网组件及交互关系
- 光伏（PV）：光伏组件利用光电效应将太阳能转化为直流电，再通过逆变器转换为交流电供负载使用或存储。其发电功率取决于光照强度、温度等因素，具有间歇性和波动性。在阳光充足时，光伏可为电动汽车充电及满足微电网内其他负载需求，多余电能还可存储在电池储能系统或卖给外部电网。
- 柴油发电机（DG）：柴油发电机作为备用电源，在光伏电力不足且电池储能无法满足负载需求时启动。它能够提供稳定可靠的电力输出，但运行成本相对较高，主要包括燃料成本和运维成本。柴油发电机的启动和停止需要一定时间，且频繁启停会影响其使用寿命和效率。
- 电池储能（BES）：电池储能系统在电力过剩时储存电能，在电力短缺时释放电能，起到平衡电力供需的作用。它可以平滑光伏输出的波动，减少柴油发电机的启停次数，提高微电网的稳定性。电池储能的充放电过程存在能量损耗，且其充放电功率和容量受到电池特性的限制。
- 电网交互：微电网与外部电网相连，在微电网电力不足时可从电网购电，满足电动汽车充电及其他负载需求；当微电网电力过剩时，可将多余电能卖给电网。电网购售电价格通常会根据不同时段有所变化，这为微电网的经济运行提供了优化空间。
这些组件之间相互关联、相互影响，共同构成了一个复杂的动态系统。合理协调它们之间的运行，对于实现微电网的高效经济运行至关重要。
运行成本构成与最小化目标
- 运行成本构成：
- 光伏成本：包括设备投资成本的分摊以及日常维护成本。虽然光伏在发电过程中不产生燃料成本，但设备的初始投资较大，且随着使用年限增加，维护成本可能上升。
- 柴油发电机成本：主要是燃料成本，与发电机的发电功率和运行时间相关。此外，还有定期的维护保养成本以及因设备老化导致的性能下降成本。
- 电池储能成本：充放电过程中的能量损耗成本是其主要成本构成部分。同时，电池的使用寿命有限，需要定期更换，这也增加了长期运行成本。
- 电网交互成本：购电成本取决于从电网购买的电量和购电价格，售电收入则与卖给电网的电量和售电价格有关。不同时段的购售电价格差异，使得合理安排与电网的交互策略对运行成本影响显著。
- 最小化目标：以 30 天为一个周期，通过优化微电网内各组件的发电、储能和与电网交互的策略，使上述各项成本之和最小化。这需要综合考虑各组件的特性、电力供需预测以及市场价格波动等因素，制定出最优的能量管理方案。
智能算法原理
- 遗传算法（GA）：遗传算法模拟自然界生物进化的过程，通过选择、交叉和变异等遗传操作，在解空间中搜索最优解。在微电网能量管理系统中，将不同的能量管理策略编码为染色体，每个染色体代表一种可能的光伏发电分配、柴油发电机启停时间、电池储能充放电计划以及电网交互策略。以 30 天运行总成本作为适应度函数，评估每个染色体的优劣。选择操作倾向于保留适应度高（即运行成本低）的染色体；交叉操作通过交换两个染色体的部分基因，产生新的可能更优的策略；变异操作则以一定概率随机改变染色体的某些基因，以探索新的解空间。通过多代遗传操作，不断优化能量管理策略，逐步降低运行成本。
- 粒子群算法（PSO）：粒子群算法模拟鸟群觅食行为。在微电网能量管理问题中，每个粒子代表一种能量管理方案，粒子的位置对应方案中的各个参数（如光伏出力分配比例、电池充放电时间等）。每个粒子具有一个速度，决定其在解空间中的移动方向和步长。粒子在搜索过程中，会追随自身历史最优位置（pbest）和群体历史最优位置（gbest）来更新自己的位置。通过不断迭代，粒子逐渐向最优解靠近，即找到使 30 天运行总成本最小的能量管理方案。
- 灰狼算法（GWO）：灰狼算法模拟灰狼群体的社会等级制度和狩猎行为。在微电网优化中，将不同的能量管理策略看作灰狼的位置。灰狼群体分为四个等级：α、β、δ 和 ω。α 狼是领导者，负责决策狩猎方向；β 狼协助 α 狼决策；δ 狼听从 α 和 β 狼的指挥；ω 狼处于等级底层。算法通过模拟灰狼的狩猎过程，即包围、追捕和攻击猎物，来寻找最优解。在每次迭代中，α、β、δ 狼引导其他狼（ω 狼）向猎物（最优解）靠近，通过不断调整能量管理策略（灰狼位置），降低微电网的运行成本。
- 哈里斯鹰算法（HHO）：哈里斯鹰算法模仿哈里斯鹰的捕食行为。哈里斯鹰在捕食过程中采用渐进式快速下降、软 / 硬围攻等策略。在微电网能量管理系统中，将能量管理策略作为搜索空间中的解，哈里斯鹰的位置对应不同的策略方案。算法通过模拟哈里斯鹰的捕食策略，在解空间中搜索最优解。例如，软围攻策略下，哈里斯鹰会根据猎物的位置和自身位置调整飞行方向，逐步靠近猎物（最优解），从而找到最小化 30 天运行总成本的能量管理策略。
- 教学优化算法（TLBO）：教学优化算法模拟教学过程，分为教师阶段和学生阶段。在教师阶段，教师（最优解）引导学生（其他解）向更好的解靠近，即根据教师的知识（最优解的特征）调整学生的解（能量管理策略）。在学生阶段，学生之间相互学习，通过交换各自的知识（解的部分特征），产生新的可能更优的解。通过不断重复这两个阶段，微电网的能量管理策略得到优化，实现运行成本的降低。
算法应用于微电网能量管理的优势
将遗传算法、粒子群算法、灰狼算法、哈里斯鹰算法和教学优化算法应用于微电网能量管理系统，具有显著优势。微电网运行涉及多个变量（如各组件的功率输出、充放电时间等），且这些变量之间存在复杂的非线性关系，同时还受到天气、负载变化等不确定性因素的影响。这些智能算法能够有效处理这种非线性、多变量和不确定性问题，通过在复杂的解空间中进行高效搜索，找到接近最优的能量管理策略。与传统的优化方法相比，它们可以更全面地考虑微电网运行的各种约束条件和动态变化，从而显著降低 30 天运行总成本，提高微电网的经济效益和运行效率。
⛳️ 运行结果
📣 部分代码
%% SYSTEM PARAMETERS
P = struct(...
'P_grid_max', 150, ... % kW
'P_gen_opt', 170, ... % kW
'eta_gen', 0.251, ... % generator efficiency
'BESS_cap', 150, ... % kWh
'BESS_Pdis', 140, ... % kW max discharge
'BESS_Pch', 70, ... % kW max charge
'SoC_min', 30, ... % %
'SoC_max', 95, ... % tightened upper limit
'PV_cap', 17.43, ... % kWp (not directly used)
'feed_in_tariff', 0.09, ... % €/kWh (not used yet)
'OM_cost', 0.015); % €/kWh for generator
% Optimization settings
opt = struct(...
'pop_size', 30, ...
'max_iter', 50, ...
'n_days', 30, ...
'dt', 1); % time step in hours
% Monthly average electricity & gas prices (used as base)
E_price = [45 42 38; 42 39 35; 40 37 33; 38 35 31; 43 40 36; ...
52 48 43; 55 51 46; 54 50 45; 48 45 41; 44 41 37; 42 39 35; 44 41 37];
G_price = [8.5 8.2 7.8 7.2 6.8 6.2 5.8 6.0 6.5 7.0 7.8 8.2];
PV_monthly = [54 72 115 138 165 171 186 175 135 95 60 48]; % kWh/kWp/month
