1. 项目概览与设计初衷这几个月一直在折腾一个跟新能源调度相关的课题风光场景生成 电动汽车并网优化调度落脚点放在IEEE33节点配电网系统里求解算法用的是自适应遗传算法整体代码用Matlab实现。最初接触这个方向是因为导师给了一个模拟项目要求不仅要做静态的源荷预测还要把电动汽车的随机充放电行为考虑进去最终目标是在保证系统安全稳定运行的前提下尽可能降低网损和运行成本。真做下来才发现这里面每一环都藏着不少坑从风光出力的不确定性建模到电动汽车集群的时空分布模拟再到优化算法的收敛性能任何一个环节偷个懒结果都会偏差很大。先说说这个方案解决了什么问题。传统调度往往把新能源出力看作确定值这在实际中是不成立的风光出力随天气波动剧烈如果直接按最恶劣工况调度经济性太差按平均工况又容易让电压越限。所以第一步要做的就是“场景生成”用概率方法生成一批有代表性的风光出力曲线再通过削减算法得到少数典型场景。第二步在这些场景下把电动汽车作为可调度的柔性负荷通过遗传算法搜索各节点注入功率、储能出力、EV充放电策略的最优组合让整个IEEE33节点系统在满足潮流约束的前提下运行得最“经济”。这套流程适合谁如果你是做电力系统优化调度、微电网能量管理、电动汽车入网控制研究的学生或工程师用这个作为起点挺合适。不需要你有很深的遗传算法功底但最好具备基本的Matlab编程能力和潮流计算的认知。接下来我会把整个实现思路、核心模型、Matlab关键代码、常见坑全部掰开讲尽量让你照着就能复现一套可运行的程序。2. 风光场景生成与自适应遗传算法的结合思路2.1 为什么不能直接用单一预测曲线风光出力的随机性主要体现在两个方面一是时间尺度上的间歇性比如云层遮挡导致光伏出力在几分钟内大幅波动二是空间分布上的相关性相邻风电场的出力往往同时高、同时低。如果调度模型只用一个确定性预测值相当于把风险全部扛在调度员身上。场景法就是把这些不确定性转化为有限个离散场景每个场景附带一个出现概率调度模型再基于这些场景做鲁棒或随机优化。我用的是蒙特卡洛抽样加同步回代削减的经典组合。具体做法是先根据风速的Weibull分布和光照强度的Beta分布随机抽样生成数千个原始出力序列然后用K-means或者启发式同步回代法把这些序列聚类成几个代表性场景。IEEE33节点的规模不大取 5 个场景就够用了既保留了不确定性特征又不至于让后续优化模型的计算量爆炸。2.2 自适应遗传算法到底“自适应”在哪传统遗传算法的交叉概率和变异概率是固定值比如交叉概率0.8、变异概率0.05从头用到尾。实际跑下来你会发现两个问题进化初期种群多样性高固定交叉率可能破坏优良个体收敛速度慢进化后期种群趋于一致固定变异率太低又容易陷入局部最优。自适应遗传算法的核心思想就是让交叉率和变异率随着个体适应度、进化代数动态变化。我这里的自适应策略分两层。第一层按适应度调整对适应度高于种群平均值的个体说明质量好降低交叉率和变异率保护它不被破坏对适应度低于平均值的个体说明需要改良提高交叉率和变异率促使其跳出劣解区域。第二层按进化代数调整代数越靠后整体交叉率和变异率逐渐减小让算法从全局搜索平滑过渡到局部精细搜索。用公式表达就是交叉概率Pc Pc_max - (Pc_max - Pc_min) * (f_avg - f_low) / (f_avg - f_min)对较差个体变异概率Pm Pm_max - (Pm_max - Pm_min) * (f_max - f) / (f_max - f_avg)对较优个体这样改进之后收敛曲线的下降速度明显加快最终解的质量也有提升。后面我会把具体参数和代码贴出来。2.3 编码方式与决策变量设计在IEEE33节点系统里调度要决策的东西不少各节点分布式电源的有功无功出力、电动汽车充电桩的充放电功率、可能存在的储能充放电、变电站根节点的交换功率等。我采用的是实数编码每个个体是一维实数数组分段表示不同决策量。比如系统里有 4 个分布式电源接入点、100 辆电动汽车聚合在 6 个充电站那么染色体的长度就是 4 6 2 每一段映射到对应节点的功率设定值。为什么用实数编码而不是二进制因为这个优化问题里的决策变量是连续的功率值二进制编码需要频繁编解码转换精度受编码长度限制实值编码直接操作浮点数跟潮流计算接口天然契合。代价是变异操作不能再用简单的位翻转得改用高斯扰动或者均匀变异这部分在工程实现中更直观。3. 电动汽车并网优化调度模型的搭建过程3.1 目标函数不止看网损很多人做调度只看网损最小实际上工程应用里往往要兼顾多个目标。这个项目里我设计了三个维度网络损耗、电压偏移、电动汽车用户成本。三个目标通过加权系数合并成单个适应度值方便遗传算法寻优。网络损耗这部分用经典的支路损耗公式从潮流结果中取支路电流和电阻算总损耗。电压偏移指标是所有节点电压与额定电压偏差的绝对值累加反映电压质量。用户成本稍微复杂一些需要把电动汽车用户的充放电价格、电池退化成本折算进去假设用户在谷时段充电、峰时段放电放电收益要能覆盖电池损耗否则用户没有参与意愿。权重系数的选择也值得说。一开始我拍脑袋定成 0.4、0.3、0.3 结果优化的解里网损降了但电压偏移偏大。后来改用熵权法根据三项目标的分布特性计算权重效果好了不少。如果不想弄得太复杂也可以用层次分析法但我觉得在Matlab里写熵权法更快十几行代码的事。3.2 约束条件怎么处理才不跑飞IEEE33节点配电网模型要满足三类约束。第一是潮流方程约束节点有功无功必须平衡第二是运行变量约束节点电压幅值通常在0.95到1.05之间支路功率不得超过上限分布式电源出力不能超出其额定容量第三是电动汽车相关约束包括每台EV的电池容量上下限、充放电功率上下限、调度周期内充电量要满足用户出行需求等。约束处理策略直接影响遗传算法能否收敛。最初我把所有约束做成罚函数加到目标函数里结果罚因子太小越限个体照样被选中罚因子太大算法又过早收敛到不可行域边界。反复试验后我改成混合策略潮流等式约束无条件和罚函数配合不等式约束分两类变量越限直接钳位到边界状态越限则加到目标函数惩罚量中。这种动态罚函数方法跑起来稳定得多。3.3 电动汽车荷电状态的时间序列建模EV的调度周期我设定为24小时1小时一个时段。每辆车初始SOC按随机分布抽取出行时段和返家时段参考统计学模型充电需求由车主设定。在充电站层面把所有EV聚合看成一台可调度的“虚拟电池”总充放电功率受接入数量和单体功率限制。这种聚合思路大大降低了决策变量的维度否则每一辆EV都单独建模遗传算法的搜索空间会膨胀到无法接受。举个具体例子某充电站接入 20 辆EV每辆最大充放电功率 7kW电池容量 40kWh那么该站在某个时段的调度功率上限就是 140kWSOC上下限则是聚合后的容量上下限。调度算法只需要给这个站一个功率指令至于站内如何分配给具体车辆那是充电桩本地控制器的事我们的模型不需要管这么细。4. Matlab代码实现与关键参数解析4.1 主程序框架与数据流整个Matlab工程可以分成四个模块场景生成模块、潮流计算模块、遗传算法模块、EV调度模块。主程序调用关系大概是先生成风光场景接着初始化IEEE33节点系统参数然后进入遗传算法迭代每代对每个个体调用潮流计算得到网损和电压信息最终输出最优调度方案。代码主干长这样%% 主程序IEEE33节点风光EV优化调度 clc; clear; close all; load(ieee33bus.mat); % 节点与支路参数 [scenarios, prob] generateScenarios(2000, 5); % 生成并削减为5个场景 N 50; MaxGen 100; nVar 12; lb zeros(1, nVar); ub [200*ones(1,4), 70*ones(1,6), 350, 250]; % lb/ub 分别对应DG有功、EV充放电、根节点交换功率上下限 [bestChrome, bestFitness, converge] runAGA(objFunc, N, MaxGen, nVar, lb, ub, scenarios, prob); %% 输出结果 disp([最优目标值, num2str(bestFitness)]);上面只是一个缩略版实际项目中objFunc里会调用潮流计算程序内部再处理场景概率加权。一定要注意lb和ub长度必须和决策变量数量一致我第一次跑的时候少定义了一个维度Matlab直接报维度错误查了半天才发现是变量数不一致。4.2 自适应遗传算法的完整实现算法核心是选择、交叉、变异三个算子。我采用锦标赛选择规模为2每次从种群中随机挑出两个个体保留适应度更好的那个这样能维持选择压力又不至于让种群过快同质化。自适应参数部分我贴出核心代码function [crossoverRate, mutationRate] adaptiveParam(fit, fitAvg, fitMax, fitMin, chrome) % 根据个体适应度和种群统计量计算自适应交叉率与变异率 pcMax 0.9; pcMin 0.4; pmMax 0.1; pmMin 0.01; pc pcMax - (pcMax - pcMin) * (fitAvg - fitMin) / (fitAvg - fitMin eps); pm pmMax - (pmMax - pmMin) * (fitMax - fit) / (fitMax - fitAvg eps); % 差分进化启发式只对劣个体提高变异对优个体降低变异 crossoverRate pc; mutationRate pm; end注意这里对分母加了eps避免除零报错。实际迭代中每一代要对每个个体都调用一次这个函数再把得到的概率用于交叉变异操作。我一开始图省事对整个种群只算一套概率结果自适应特性大打折扣改回来后收敛速度明显提升。4.3 场景削减的Matlab实现同步回代削减法原理比较简单计算所有原始场景之间的距离矩阵每次找距离最近的一对场景把概率小的一方删掉同时把它的概率叠加到另一方上循环直到剩下目标数量的场景。代码量不大但矩阵运算消耗内存原始场景上千个的时候要注意数据结构。我给个简易版本function [reducedScen, reducedProb] scenarioReduction(scen, prob, numKeep) % scen: 原始场景矩阵每行一个场景 % prob: 每个场景概率默认相等 while size(scen, 1) numKeep n size(scen, 1); dist zeros(n, n); for i 1:n dist(i, i) inf; for j i1:n d norm(scen(i,:) - scen(j,:)); dist(i,j) d; dist(j,i) d; end end [~, idx] min(dist(:)); % 找到距离最近的一对 [r, c] ind2sub([n,n], idx); % 概率小的场景删除概率累加到另一个 if prob(r) prob(c) prob(c) prob(c) prob(r); scen(r, :) []; prob(r) []; else prob(r) prob(r) prob(c); scen(c, :) []; prob(c) []; end end reducedScen scen; reducedProb prob; end这个小函数在场景数2000、特征维度24的时候运行还算快降到5个场景大概几秒钟。如果你要削减的场景数量很大可以考虑用K-means预处理但聚合后的场景概率需要按簇内样本比例计算精度稍差。4.4 潮流计算与适应度评估IEEE33节点配电网属于辐射状结构我用前推回代法算潮流。这种方法比牛顿-拉夫逊法更适合配电网不需要求雅可比矩阵迭代速度快编程也简单。每个个体对应一组节点注入功率调用潮流程序后返回节点电压和支路电流再计算目标函数值。这里有个性能关键点遗传算法每代要跑50次潮流计算每次迭代包含多个场景如果场景数再多一些总计算量会非常大。为了提速我用了两种手段一是对IEEE33节点网络结构做稀疏存储支路导纳矩阵用稀疏矩阵表示二是预先计算好网络拓扑的层级关系在潮流迭代时避免重复搜索。这两个优化手段让单次潮流计算时间从几十毫秒降到了几毫秒200代进化跑下来从原来半小时缩短到三四分钟效果立竿见影。4.5 权重系数设置与惩罚函数目标函数里三个子目标量纲差异很大网损是kW级别电压偏移是标幺值用户成本是元直接加权肯定不行。我建议先把三个子目标归一化到[0,1]区间每个子目标除以各自不优化时的初值。这样权重系数就好解释多了0.4就表示这个目标的重要程度占四成。罚函数部分节点电压越限就按越限量平方乘以一个大系数比如1000加到适应度里。这个系数不是越大越好太大会让算法把所有精力都花在满足约束上反而失去了对不同方案的区分度我最终调到300到500之间效果最佳。5. 仿真结果对比与参数敏感性分析5.1 自适应遗传算法与标准遗传算法对比为了验证自适应改进是否真的有效我在同样的场景数据、同样的种群规模和迭代次数下跑了一组对比实验标准遗传算法固定交叉率0.8、变异率0.05自适应遗传算法交叉率在0.4到0.9之间动态调整变异率在0.01到0.1之间动态调整。结果如下表所示算法最优网损/kW电压偏移/pu用户成本/元收敛代数标准GA162.350.082231578自适应GA151.280.065214846自适应遗传算法在三个目标上都有改善网损降低了约7%电压偏移降低了20%收敛代数也提前了32代左右。这说明自适应策略在搜索广度和收敛精度之间找到了更好的平衡点。5.2 不同风光场景数量对结果的影响场景数量是另一个关键参数。我试了3、5、10个场景发现3个场景跑出来的调度方案偏乐观因为极端场景被削减掉了10个场景结果更稳健但计算时间增加了约2.5倍。5个场景的性价比最高既保留了大部分不确定性特征又不至于让优化耗时太长。工程上如果对实时性要求高可以先用5个场景做离线评估再用3个场景做在线调度。5.3 电动汽车渗透率的影响我在算例中把EV接入数量从0逐步增加到150辆观察系统网损和电压水平的变化。EV数量较少时通过合理调度能削峰填谷网损反而比无EV时略低但接入超过100辆后充电需求集中到夜间谷时段虽然系统整体负荷降低局部线路的潮流却可能越限电压偏移开始增大。优化算法在渗透率较高时会更多地把充电功率分散到不同时段避免所有车辆在同一个低谷时段集中充电这种“避峰充电”策略在结果里体现得很明显。6. 调试过程中遇到的坑与排查清单6.1 潮流计算不收敛怎么办这是典型的新手问题。前推回代法不收敛通常因为迭代初值设置不合理或者光伏、风电出力超过了系统消纳能力导致根节点功率反向。排查方法很直接先去掉EV和DG跑纯负荷潮流确认网络参数无误再逐步增加DG出力看哪个节点、哪个功率值导致潮流发散。我遇到过一次是DG无功设置为负值吸收无功导致局部电压过低压垮迭代后来把无功上下限改为正负10%额定容量问题就消失了。6.2 遗传算法早熟收敛标准遗传算法在迭代到30代左右经常出现所有个体适应度几乎相同这时候再变异也很难逃出局部解。解决办法有三个一是把变异策略从均匀变异改成非均匀变异进化后期变异步长自动缩小既能精细搜索又不容易破坏好的解二是在每次锦标赛选择中随机放一个淘汰名额增加种群的随机性三是扰动精英池每隔20代给最优个体加一个小扰动防止它固步自封。我对比后觉得非均匀变异的效果最明显。6.3 MatLab矩阵维度与内存问题场景削减部分最容易报维度错误。因为循环里用了scen(r,:) []这种动态删除语句场景数量在循环中不断变化一旦在循环前面缓存了长度变量后面就会索引越界。我的经验是不要用length(scen)每次都重新取size(scen, 1)虽然多写几行但稳定。另外计算2000x2000距离矩阵时Matlab默认double类型会占用大量内存如果电脑配置一般可以把数据转成single或者分批处理内存占用直接减半。6.4 权重参数怎么调才能又快又好调权重没有一步到位的方法。我习惯先固定其他参数只改变某一个权重观察目标值变化曲线形成敏感性记录。比如把网损权重从0.2调到0.5网损可能会下降但电压偏移和用户成本会上升这时候需要画帕累托前沿图找膝盖点作为最终权重。如果程序能支持多目标优化比如NSGA-II调参过程会直观很多但单目标加权法胜在代码简单适合刚入门时快速搭建原型。7. 一些个人扩展建议做这个项目最大的体会是算法和模型永远是配套的。自适应遗传算法并不是银弹它只在问题结构适合进化算法时才有优势如果换成更简单的线性规划能解决的调度问题老实说直接用求解器更快。但在含不确定性场景的调度问题里遗传算法这种不依赖梯度、能处理非凸约束的能力确实帮了大忙。如果你想让效果更上一层楼我建议做这几件事第一把风光场景生成环节换成实际气象数据的时序模拟曲线会更真实第二给电动汽车增加出行链模型把单次往返改成一天多次出行的复杂行为第三在IEEE33节点基础上扩展成IEEE123节点测试算法的可扩展性。总而言之这套代码框架的通用性比具体调好某个参数要重要得多把思路拆清楚换成别的配电网模型也不过是改改参数矩阵的事。
