Matlab|基于多目标粒子群算法的微电网优化调度（多约束多目标智能算法模板）

这篇具有很好参考价值的文章主要介绍了Matlab|基于多目标粒子群算法的微电网优化调度（多约束多目标智能算法模板）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

1 主要内容

2 部分代码

3 程序结果

4 下载链接

1 主要内容

程序针对微电网优化模型进行优化求解，文件夹共包含四部分内容，分别是：原始多目标粒子群、改进多目标粒子群、改进多目标粒子群（勘误）和改进多目标粒子群（多约束模板），满足各位同学对于多目标粒子群算法各类需求。

Matlab|基于多目标粒子群算法的微电网优化调度（多约束多目标智能算法模板）,优质算法,智能算法,优化调度,matlab,多目标,多约束,智能算法,粒子群,微电网

多约束多目标智能算法优化模板，具体完善内容有一下几点：

1.利用好“可行状态”标志，在目标函数子程序（fitness）中集中将爬坡约束、soc约束、联络线功率约束等做成模板形式，只要是增加/修改约束，就在这部分按照同样的格式就轻松搞定。

2.固化无需修改的子函数，由于程序涉及到多个子函数，而且采用结构变量形式，调试难度比较大，因此，对这些子程序进行完善固化，只需要了解每个模块的功能即可，无需进行修改。

2 部分代码

%多目标粒子群优化的实现
% 最小化问题的技术
%% 初始化参数
global PV;
global WT;
%蓄电池最大放电功率（正表示为电负荷供电，即放电）
BESSMax_dischar=30;
%蓄电池最大充电功率
BESSMax_char=-30;
%柴油机最大发电功率
DEMax=30;
%柴油机最小发电功率
DEMin=6;
%燃气轮机最大发电功率
MTMax=30;
%燃气轮机最小发电功率
MTMin=3;
%主网交互最大功率(正表示为电负荷供电)
GridMax=30;
%主网交互最小功率
GridMin=-30;
%% 种群初始化
if nargin==0  %nargin是判断输入变量个数的函数
    c = [0.1,0.2]; % 加速因子
    iw = [0.5 0.001]; % 惯性因子
    max_iter =100; % 最大迭代次数
    %各设备出力约束
    for n=1:144 %粒子长度为144（光伏，风电，储能，柴油,燃气轮机，主网的6*24个小时出力）
         if n<25
            lower_bound(n)=0;
            upper_bound(n) =PV(n);
          end
         if n>24&&n<49
            lower_bound(n)=0;
            upper_bound(n) =WT(n-24);
         end
         if n>48&&n<73
         lower_bound(n)=BESSMax_char;
         upper_bound(n) =BESSMax_dischar;
         end
         if n>72&&n<97
         lower_bound(n)=DEMin;
         upper_bound(n) =DEMax;
         end
          if n>96&&n<121
         lower_bound(n)=MTMin;
         upper_bound(n) =MTMax;
          end
          if n>120
         lower_bound(n)=GridMin;
         upper_bound(n) =GridMax;
         end
    end
    swarm_size=100; % 种群个数
    rep_size=100; % 存档库大小
    grid_size=7; % 每个维度的网格数
    alpha=0.1; % 通货膨胀率
    beta=2; % 领导人选择压力
    gamma=2; % 删除选择压力
    mu=0.1; % 变异速率
    problem=@prob; % 创建函数句柄为problem，函数为pro，可以简单理解为调用
end
%% 初始化粒子
fprintf('初始化种群中\n')
w = @(it) ((max_iter - it) - (iw(1) - iw(2)))/max_iter + iw(2); %更新惯性因子--改进粒子群算法
pm = @(it) (1-(it-1)/(max_iter-1))^(1/mu); %类比遗传算法引入变异操作，更新变异速率，在particle函数的78-84行
swarm(1,swarm_size) = Particle(); %调用Particle函数，从obj中得到swarm_size
for i = 1:swarm_size
    swarm(i)=Particle(lower_bound,upper_bound,problem);%调用Particle函数
    retry = 0;
    while swarm(i).infeasablity > 0 && retry < 100 %循环条件为：无不可行解且次数低于100
        swarm(i)=Particle(lower_bound,upper_bound,problem);%调用Particle函数
        retry = retry + 1;
    end
end