1. 微电网多目标优化调度问题概述

微电网作为分布式能源系统的重要实现形式，其优化调度问题一直是能源领域的研究热点。典型的微电网系统包含光伏发电、风力发电、储能电池和可控负荷等多种组件，这些组件在运行过程中会产生多个相互冲突的目标函数：

• 经济性目标：最小化运行成本（包括燃料成本、维护成本和购电成本）
• 环保性目标：最小化污染物排放（如CO2、SO2等）
• 可靠性目标：最大化供电可靠性（减少停电概率）

这些目标之间往往存在此消彼长的关系，传统的单目标优化方法难以有效处理这种多目标权衡问题。例如，追求最低运行成本可能导致更多化石燃料的使用，从而增加污染物排放；而过分强调环保性又可能显著提高系统运行成本。

实际工程中，决策者更希望获得一组能够展示不同目标间权衡关系的解（即Pareto最优解集），而非单一解。这为多目标优化算法在微电网调度中的应用提供了广阔空间。

2. 蜣螂优化算法(DBO)的核心原理

蜣螂优化算法(Dung Beetle Optimizer, DBO)是2022年提出的一种新型仿生智能算法，其灵感来源于蜣螂（俗称屎壳郎）的滚球、跳舞、繁殖和偷窃等自然行为。算法将这些行为抽象为以下数学模型：

2.1 滚球行为建模

蜣螂推动粪球的运动轨迹可以用以下公式表示：

x_i(t+1) = x_i(t) + α × k × x_i(t-1) + b × Δx

其中：

• x_i(t)表示第i个体在t代的位置
• α为-1或1的随机数，表示运动方向
• k∈(0,0.2]表示扰动系数
• b∈(0,1)为常数
• Δx表示当前位置与最优位置的差异

2.2 跳舞行为建模

当蜣螂遇到障碍物时会进行舞蹈以重新定向，算法中使用切线函数模拟这一行为：

x_i(t+1) = x_i(t) + tan(θ) |x_i(t) - x_j(t)|

θ∈[0,π]为随机角度，这种机制增强了算法的逃离局部最优能力。

2.3 繁殖行为建模

算法划定安全产卵区域边界：

Lb* = max(X* × (1 - R), Lb) Ub* = min(X* × (1 + R), Ub)

其中X*为当前最优位置，R=1-t/T（T为最大迭代次数），这种动态边界机制使搜索范围逐渐缩小。

2.4 偷窃行为建模

部分蜣螂会偷窃其他蜣螂的粪球，算法中表示为：

x_i(t+1) = X* + S × g × (|x_i(t) - X*| + |x_j(t) - X*|)

S为常数，g为标准正态分布随机数，这种机制增加了种群多样性。

3. 非支配排序策略(NS)的改进实现

3.1 基本概念

非支配排序是多目标优化中的关键技术，其核心是确定解的Pareto支配关系：

• 解A支配解B：当且仅当解A在所有目标上都不差于解B，且至少在一个目标上严格优于解B
• 非支配解：不被任何其他解支配的解构成Pareto前沿

3.2 算法实现步骤

1. 初始化种群并计算各解的目标函数值
2. 对种群进行非支配排序：

   function [FrontNo, MaxFNo] = NDSort(PopObj, nSort) [N, M] = size(PopObj); FrontNo = inf(1, N); MaxFNo = 0; % 计算每个解被支配的次数和被支配的解集合 DominateCount = zeros(1, N); DominateSet = cell(1, N); for i = 1:N for j = i+1:N % 比较解i和解j的支配关系 less = all(PopObj(i,:) <= PopObj(j,:)) && any(PopObj(i,:) < PopObj(j,:)); more = all(PopObj(i,:) >= PopObj(j,:)) && any(PopObj(i,:) > PopObj(j,:)); if less DominateCount(j) = DominateCount(j) + 1; DominateSet{i} = [DominateSet{i}, j]; elseif more DominateCount(i) = DominateCount(i) + 1; DominateSet{j} = [DominateSet{j}, i]; end end end % 分层处理 while any(FrontNo == inf) MaxFNo = MaxFNo + 1; Q = find(DominateCount == 0 & FrontNo == inf); FrontNo(Q) = MaxFNo; for i = Q for j = DominateSet{i} DominateCount(j) = DominateCount(j) - 1; end end end end

3.3 拥挤度计算

为保持解集的多样性，需要计算解的拥挤距离：

function CrowdDis = CrowdingDistance(PopObj, FrontNo) [N, M] = size(PopObj); CrowdDis = zeros(1, N); Fronts = unique(FrontNo); for f = Fronts current = find(FrontNo == f); [~, order] = sortrows(PopObj(current, :)); CrowdDis(current(order(1))) = inf; CrowdDis(current(order(end))) = inf; for m = 1:M norm_obj = (PopObj(current(order(end)), m) - PopObj(current(order(1)), m)); if norm_obj == 0 continue; end for i = 2:length(order)-1 CrowdDis(current(order(i))) = CrowdDis(current(order(i))) + ... (PopObj(current(order(i+1)), m) - PopObj(current(order(i-1)), m)) / norm_obj; end end end end

4. NSDBO算法在微电网调度中的实现

4.1 目标函数建模

考虑包含光伏、风机、储能和柴油发电机的典型微电网系统：

1. 运行成本目标：

   function f1 = CostFunction(Pgrid, Pgen, Batt) % Pgrid: 从主网购电功率 % Pgen: 柴油发电机出力 % Batt: 电池充放电功率 C_grid = sum(c_grid * Pgrid * Δt); C_gen = sum(a * Pgen.^2 + b * Pgen + c); C_batt = sum(k * abs(Batt)); f1 = C_grid + C_gen + C_batt; end

2. 排放目标：

   function f2 = EmissionFunction(Pgen) % α,β,γ为排放系数 f2 = sum(α * Pgen.^2 + β * Pgen + γ); end

3. 可靠性目标：

   function f3 = ReliabilityFunction(Load, Ptotal) LPSP = sum(max(Load - Ptotal, 0)) / sum(Load); f3 = LPSP; end

4.2 约束条件处理

采用罚函数法处理约束条件：

1. 功率平衡约束：

   violation = abs(Ppv + Pwind + Pgen + Pbatt - Pload - Pgrid); penalty = Kp * sum(violation.^2);

2. 储能系统约束：

   SOC = SOC0 + cumsum(η * Pbatt * Δt / Capacity); violation = max(abs(SOC) - SOCmax, 0) + max(SOCmin - SOC, 0); penalty = penalty + Ks * sum(violation.^2);

3. 发电机爬坡约束：

   ramp = diff(Pgen); violation = max(abs(ramp) - RampLimit, 0); penalty = penalty + Kr * sum(violation.^2);

4.3 NSDBO算法流程

完整算法实现框架：

function [Pareto, Fronts] = NSDBO_Microgrid() % 参数初始化 popSize = 100; maxGen = 200; dim = 24*3; % 24小时调度，控制变量：Pgrid, Pgen, Pbatt % 初始化种群 pop = rand(popSize, dim); for gen = 1:maxGen % 评估目标函数 objs = zeros(popSize, 3); for i = 1:popSize [Pgrid, Pgen, Pbatt] = decode(pop(i,:)); objs(i,1) = CostFunction(Pgrid, Pgen, Pbatt); objs(i,2) = EmissionFunction(Pgen); objs(i,3) = ReliabilityFunction(Load, Pgrid+Pgen+Pbatt); end % 非支配排序 [FrontNo, MaxFNo] = NDSort(objs, popSize); CrowdDis = CrowdingDistance(objs, FrontNo); % 环境选择 [~, rank] = sortrows([FrontNo; -CrowdDis]'); pop = pop(rank(1:popSize), :); % DBO操作 offspring = DBO_Operation(pop, gen/maxGen); % 合并种群 combinedPop = [pop; offspring]; combinedObjs = [objs; evaluateOffspring(offspring)]; % 再次选择 [FrontNo, ~] = NDSort(combinedObjs, popSize); CrowdDis = CrowdingDistance(combinedObjs, FrontNo); [~, rank] = sortrows([FrontNo; -CrowdDis]'); pop = combinedPop(rank(1:popSize), :); end % 输出Pareto前沿 Pareto = pop(FrontNo==1, :); Fronts = FrontNo; end

5. 仿真实验与结果分析

5.1 测试系统参数

采用某园区微电网数据进行测试，关键参数如下：

5.2 算法参数设置

5.3 性能指标对比

采用世代距离(GD)和反世代距离(IGD)评估算法性能：

实验结果表明，NSDBO在解集收敛性和分布性方面均优于对比算法，虽然计算时间略长，但仍在可接受范围内。

5.4 Pareto前沿可视化

figure; scatter3(objs(:,1), objs(:,2), objs(:,3), 'filled'); xlabel('运行成本(元)'); ylabel('排放量(kg)'); zlabel('LPSP'); title('微电网多目标优化Pareto前沿'); grid on; rotate3d on;

典型解分析：

1. 经济型方案：

   • 运行成本：¥4,820
   • 排放量：1,250kg CO2
   • LPSP：0.08
   • 特点：充分利用主网购电和储能系统，减少柴油发电机使用

2. 环保型方案：

   • 运行成本：¥5,760
   • 排放量：850kg CO2
   • LPSP：0.12
   • 特点：严格控制柴油发电机出力，增加储能充放电次数

3. 可靠性优先方案：

   • 运行成本：¥6,340
   • 排放量：1,080kg CO2
   • LPSP：0.02
   • 特点：保持较高柴油发电机备用容量

6. 工程应用中的关键问题

6.1 实时调度与预测误差处理

实际应用中需考虑可再生能源出力和负荷预测的不确定性：

1. 滚动优化框架：

   • 每15分钟更新一次预测数据
   • 执行短期优化调度
   • 修正长期调度计划

2. 鲁棒优化改进：

   % 在目标函数中增加鲁棒项 f1 = f1 + λ * std(Ppredicted - Pactual);

6.2 多时间尺度协调

实现不同时间尺度的调度协调：

6.3 硬件在环测试

在实际部署前应进行硬件在环(HIL)测试：

1. 建立RT-LAB实时仿真平台
2. 连接实际控制器（如Siemens PCS7）
3. 测试项目包括：
   • 通信延迟耐受性
   • 极端场景下的系统稳定性
   • 控制指令执行精度

6.4 实际部署注意事项

1. 数据采集系统：

   • 确保SCADA系统采样周期≤1s
   • 关键量测点冗余配置
   • 数据质量校验（坏值剔除、平滑处理）

2. 控制指令下发：

   • 增加指令变化率限制
   • 设置指令有效性检查
   • 保留人工干预接口

3. 系统升级维护：

   • 建立模型参数定期校验机制
   • 保留多版本算法并行运行能力
   • 设计平滑切换逻辑

我在实际微电网项目中应用NSDBO算法时发现，算法的性能高度依赖于初始参数设置。建议通过敏感性分析确定关键参数的最佳取值范围，特别是滚球行为中的扰动系数k和偷窃行为中的常数S。另外，在处理高维问题时（如考虑96个时间点的调度问题），可以尝试将决策变量分组，对不同组变量采用不同的搜索策略，这能有效避免算法早熟。