💥💥💞💞欢迎来到本博客❤️❤️💥💥
****🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。
⛳️**座右铭:**行百里者,半于九十。
📋📋📋++本文目录如下:++🎁🎁🎁
目录
[💥1 概述](#💥1 概述)
[📚2 运行结果](#📚2 运行结果)
[🎉3 参考文献](#🎉3 参考文献)
[🌈4 Matlab代码实现](#🌈4 Matlab代码实现)
💥1 概述
基于非支配排序遗传算法(NSGA-II)的综合能源优化调度是一种常用的方法,用于解决能源系统中的多目标优化问题。该方法将非支配排序和遗传算法相结合,通过演化算法的方式搜索出一组最优解,这些解在多个目标函数的情况下不可被其他解所支配。
下面是基于NSGA-II的综合能源优化调度的一般步骤:
-
定义问题:确定综合能源系统的建模方法以及目标函数,例如最小化能源成本、最大化可靠性等。
-
确定变量和约束条件:确定问题的决策变量,例如电力的发电量、充电和放电规模等,并考虑到系统的物理约束条件和运行要求。
-
初始化种群:随机生成初始解集作为种群,每个解包含一组决策变量的取值。
-
评价适应度:根据目标函数评估每个解的适应度值,可以采用模拟算法、实验数据或者仿真模型进行评估。
-
非支配排序:使用非支配排序算法将种群中的解按照Pareto优劣分类,得到多个非支配层级。
-
计算拥挤度:为每个非支配层级的解计算拥挤度,用于保持种群的多样性。拥挤度反映了解在解空间中的密度,可以通过解的变量空间距离或目标函数值空间距离进行计算。
-
选择操作:根据非支配排序和拥挤度计算,选择生成下一代种群的父代解,通常使用锦标赛选择或轮盘赌选择等方法。
-
遗传操作:通过交叉和变异操作,生成子代解。交叉操作将两个父代解的某些特征进行交换、组合,变异操作则对某个解的特征进行随机改变。
-
更新种群:将父代解和子代解结合,更新种群,并删除一些解以维持种群规模不变。
-
重复步骤4-9,直到达到停止条件(例如最大迭代次数、目标函数收敛等)。
-
输出结果:选择最优的解作为综合能源系统的优化调度结果,分析其特征和性能。
需要注意的是,NSGA-II是一种探索整个解空间的算法,通过非支配排序和拥挤度计算,可以得到一组非支配解和多样性的解集,而不仅仅是单个最优解。这使得决策者可以在最优解集中选择最适合实际需求的解。
📚 2 运行结果
部分代码:
for t=1:24 % (2) 冷能平衡约束
Pec(:,t)=-(Pmt(:,t)*0.8*1.2-Pc(:,t)); %电制冷机功率利用平衡求解
end
for t=1:24 % (1) 电能平衡约束
Pg(:,t)=-(Pmt(:,t)+Ppv(:,t)-Pec(:,t)/4-Pgs(:,t)-Pel(:,t)) ; %=0%电制冷机功率利用平衡求解
end
%tosis取点后各个设备出力
Pmt1 = mm(aa,1:24); % 燃气轮机出力
Phrb1= 0.8*mm(aa,1:24); %余热锅炉
Pac1=0.8*1.2*mm(aa,1:24);%吸收式制冷机
Pgs1=mm(aa,25:48); %地源热泵电功率
Pgs_hot1=4.4*mm(aa,25:48); %地源热泵热功率
Phs1=mm(aa,49:72); %储热热备
Pgb1=Pgb(aa,1:24); %燃气锅炉
Pec1=Pec(aa,1:24); %电制冷机
Pg1=Pg(aa,1:24); %电网交互
🎉3 参考文献
部分理论来源于网络,如有侵权请联系删除。
[1]王安阳,单菲菲,钟崴等.基于非支配排序遗传算法-Ⅲ的工业园区综合能源系统多目标优化调度[J].热力发电,2021,50(06):46-53.DOI:10.19666/j.rlfd.202009257.
[2]李振,赵鹏翔,王楠等.基于储能灵活性的综合能源系统优化调度方法[J].电气传动,2023,53(05):33-40.DOI:10.19457/j.1001-2095.dqcd24103.