摘要：

本文使用基于天牛须算法(BAS)改进的NSGA-Ⅱ算法对微电网多场景多目标优化调度问题进行求解。在多场景处理方面，采用拉丁超立方抽样（Latin hypercube sampling, LHS）生成大量风电、光伏的日前出力场景，然后使用K-means++聚类方法对大量风光场景进行快速削减与场景生成，得到几个典型的风光出力曲线作为本文的优化调度考虑场景。在微电网优化调度方面，首先构建需求响应负荷，然后以微网运行经济性、运行环保性、可再生能源消纳率为目标函数，已微电网交直流网络潮流等作为约束条件，构建三目标的多场景微电网优化调度问题，最后采用天牛须算法改进NSGA-Ⅱ算法进行优化调度，加快其收敛速度。代码运行结果表明，本文所提方法可以有效降低微电网运行成本、提升可再生能源消纳率。

本代码质量非常高，注释相当详细，出图清晰美观，实属精品，十分值得学习。

交直流混合微电网概述：

一般的交直流混合微电网结构如图所示。交流母线接入风力发电机和交流负荷，同时与配电网连接。直流母线接入燃料电池、光伏发电板、锂电池和直流负荷。交流母线和直流母线之间通过双向AC/DC功率变换器连接，实现双向功率流动。在微网正常工作时，交流负荷与直流负荷首先依靠对应侧的分布式电源满足供电需求。当交流侧与直流侧出现功率不平衡的情况时，可通过连接交直流母线的双向AC/DC功率变换器实现功率互补。而位于直流侧的锂电池可以为整个交直流混合微网提供功率的峰谷调节。同时，微电网透过交流侧与配电网的连接，可以为两者提供实时的功率交互。因此，与传统交流微网或直流微网调度相比，交直流混合微网的优化调度除需要应对新能源发电不确定性外，还要综合考虑交直流源荷分区运行的特点，客观上构成了调度的多重不确定性。

1.需求响应部分：

实时电价机制下综合需求响应模型：

在基于价格的需求侧管理模型研究中，首要任务便是建立负荷对价格的响应模型。有文献通过建立价格型需求响应功率对电价的响应模型，认为两者之间是简单的线性关系。也有文献忽略了响应模型的非线性因素，构建了电力需求弹性矩阵来表示不同时段间电力需求变化量与价格变化量之间的关系。事实上，微网中在外网分时电价下t时段的负荷Pl(t)t大致可以分为 3 类，如式(1)所示。

式中：Pl-1(t)为t时段I类负荷，即易转移负荷，用户对电价变化的响应行为通常为自觉将部分该类负荷在不同时段间转移，其适合负荷转移率模型；Pl-Ⅱ(t)为t时段II类负荷，为易节约和易替代负荷，即用户对电价的响应行为通常为对该类负荷部分进行节约、增加用电或者将电能和其他能源之间进行相互替代，其适合电力需求弹性矩阵建模；Pl-Ⅲ(t)为t时段III类负荷，为刚性负荷，其需求对电价变化的反映微小。实际中任何一种负荷对电价变化的响应都包含以上3个因素，然而大致进行这样的划分还是合理的。

2.风光场景生成与削减部分：

风电功率、光伏功率和交直流负荷具有较强的随机性，本文基于多场景技术对其进行建模分析，相关文献表明，光伏和交直流负荷功率预测误差一般服从正态分布，而风电预测误差则更适合用Beta分布表征。本文采用拉丁超立方抽样技术进行多场景生成，其主要步骤为：

3.微电网多目标优化模型部分：

本文交直流混合微电网日前多目标优化调度的目标函数有：运行成本最低、运行环保性最佳、可再生能源消纳最高，下面依次介绍：

3.1运行成本最小：

具体表达式如下

3.2运行环保型最佳：

具体表达式如下

N代表涉及污染气体排放的设备数量，Pi代表输出功率，θ代表污染物数量，α代表排放系数，C代表治理费用。

3.3可再生能源消纳量最佳：

具体表达式如下

ns代表场景个数，Pv和Pw代表实际参与的光伏/风电功率，PV和PW代表场景生成中的光伏/风电功率。

3.4约束条件：

4.智能优化算法部分：

4.1天牛须搜索算法：

天牛须搜索(Beetle Antennae Search-BAS)，也叫甲壳虫须搜索，是2017年提出的一种高效的智能优化算法。类似于遗传算法、粒子群算法、模拟退火等智能优化算法，天牛须搜索不需要知道函数的具体形式，不需要梯度信息，就可以实现高效寻优。相比于粒子群算法，天牛须搜索只需要一个个体，即一只天牛，运算量大大降低。

仿生原理：

（1）天牛须搜索是受到天牛觅食原理启发而开发的算法。

（2）天牛须搜索的生物原理：

当天牛觅食时，天牛并不知道实物在哪里，而是根据食物气味的强弱来觅食。天牛有两只长触角，如果左边触角收到的气味强度比右边大，那下一步天牛就往左飞，否则就往右飞。依据这一简单原理天牛就可以有效找到食物。

天牛须搜索对我们的启发：

食物的气味就相当于一个函数，这个函数在三维空间每个点值都不同，天牛两个须可以采集自身附近两点的气味值，天牛的目的是找到全局气味值最大的点。仿照天牛的行为，我们就可以高效的进行函数寻优。

4.2NSGA-Ⅱ多目标算法：

NSGA-Ⅱ是最流行的多目标遗传算法之一，它降低了非劣排序遗传算法的复杂性，具有运行速度快，解集的收敛性好的优点，成为其他多目标优化算法性能的基准。

NSGA-Ⅱ算法是Srinivas和Deb于2000年在NSGA的基础上提出的，它比NSGA算法更加优越：它采用了快速非支配排序算法，计算复杂度比NSGA大大的降低；采用了拥挤度和拥挤度比较算子，代替了需要指定的共享半径shareQ，并在快速排序后的同级比较中作为胜出标准，使准Pareto域中的个体能扩展到整个Pareto域，并均匀分布，保持了种群的多样性；引入了精英策略，扩大了采样空间，防止最佳个体的丢失，提高了算法的运算速度和鲁棒性。

NSGA-Ⅱ就是在第一代非支配排序遗传算法的基础上改进而来，其改进主要是针对如上所述的三个方面：

①提出了快速非支配排序算法，一方面降低了计算的复杂度，另一方面它将父代种群跟子代种群进行合并，使得下一代的种群从双倍的空间中进行选取，从而保留了最为优秀的所有个体；

②引进精英策略，保证某些优良的种群个体在进化过程中不会被丢弃，从而提高了优化结果的精度；

③采用拥挤度和拥挤度比较算子，不但克服了NSGA中需要人为指定共享参数的缺陷，而且将其作为种群中个体间的比较标准，使得准Pareto域中的个体能均匀地扩展到整个Pareto域，保证了种群的多样性。