MATLB|改进遗传算法优化微电网调度（考虑环境）

news2024/10/6 5:35:31

💥💥💥💞💞💞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
📝目前更新：🌟🌟🌟电力系统相关知识，期刊论文，算法，机器学习和人工智能学习。
🚀支持：🎁🎁🎁如果觉得博主的文章还不错或者您用得到的话，可以免费的关注一下博主，如果三连收藏支持就更好啦！这就是给予我最大的支持！

👨‍🎓博主课外兴趣：中西方哲学，送予读者：

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。在我这个专栏记录我有空时的一些哲学思考和科研笔记：科研和哲思。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“真理”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

📋📋📋本文目录如下：⛳️⛳️⛳️

目录

1 概述

2 运行结果展现

2.1 情况一

2.2 情况二

2.3 情况三

2.4 情况四

3 Matla代码实现

1 概述

微电网是自给自足的配电系统。为了自给自足，系统需要一个智能控制器来确定电源的来源。本文将使用改进遗传算法实现微电网调度。将对两种类型的生存方法和两种类型的繁殖方法进行分析和比较，以确定哪种方法的解决方案组合可以提供最佳结果。将使用的繁殖方法是变异和交叉。将使用的生存方法是精英主义和随机选择。

微电网控制很复杂。使用改进遗传算法创建孤岛微电网模型和系统发电的优化。将通过在24小时内模拟该微电网模型的控制来测试该模型。

2 运行结果展现

2.1 情况一

运行结果：

2.2 情况二

2.3 情况三

2.4 情况四

这个运行时间要长点，我就不等着运行了，直接上代码了。

部分代码：

%% MATLB|改进遗传算法优化微电网调度（考虑环境）

clear
clc
close all

pop=100; % 种群数量
m_rate = .1; % 突变率
c_pt = 2; % 交叉点
good_enough = .08; % 何时停止
weights = [1, .6, .4];
%% 染色体
power = 1;
cost = 2;
emission = 3;
source_1 = [20, .02, .01];
source_2 = [120, .20, .05];
source_3 = [15, .01, .02];
source_4 = [50, .02, .04];
sources = [source_1; source_2; source_3; source_4];

%=====定义范围===========
[num_sources, num_genes] = size(sources);
boundaries = zeros(num_genes, 2);
boundaries(1,:) = [15, 100]; %功率范围
boundaries(2,:) = [.15, 6.55]; % 获得最大功率的最低成本
boundaries(3,:) = [.15, 3.75]; % 获得最大功率的最小排放量

%% 选择策略
disp('Choose a Reproduction Method');
r = input(' 1 - Mutation\n 2 - Crossover\n ');
while r > 2 || r < 1
r = input(' \nInput a valid number\n 1 - Mutation\n 2 - Crossover\n ');
end
disp('' );
disp('Choose a Survival Method');
s = input('1 - Random Selection\n 2 - Elitism\n ');
while s > 2 || s < 1
s = input(' \nInput a valid number\n 1 - Random Selection \n 2 - Elitism\n ');
end
disp('');

if r == 1
reproduction = @mass_mutate;
else
reproduction = @crossover;
end

if s == 1
survival = @random_selection;
else
survival = @elitism;
end

%% 负荷序列
load = TimeSeries();

%% 生成初始代
chromosomes = chromosome_gen(pop, sources);

vector = zeros(24, num_sources); % 最佳染色体的初始化向量
econ = zeros(24, 1); % 为经济因素初始化向量
enviro = zeros(24, 1); % 环境初始化向量
time = zeros(24, 1); % 存储时间的向量
for i = 1:length(load)
tic;

% 得到适应度向量
fit = fitness(chromosomes, sources, boundaries, weights, load(i));
[best, best_i] = min(fit);

% 循环直至找到合适的染色体
while(~stop_condition(fit, good_enough))

% 用选定的方法繁殖
chromosomes = reproduction(chromosomes, pop, sources, boundaries, m_rate, c_pt);
fit = fitness(chromosomes, sources, boundaries, weights, load(i));

% 存活
chromosomes = survival(pop, chromosomes, fit);

% 适应度
fit = fitness(chromosomes, sources, boundaries, weights, load(i));
[best,best_i]=min(fit);

% 去除NaN
if(isnan(best))
best = 1;
end
end

%存储经过的时间
elapsed = toc;
time(i) = elapsed;

% 将染色体存储在向量中
vector = store_best(vector, fit, chromosomes, i);

% 储存经济因子
econ(i) = econ_fitness(chromosomes(best_i, :), sources, boundaries, weights);

% 储存环境因子
enviro(i) = enviro_fitness(chromosomes(best_i, :), sources, boundaries, weights);
end

%% 可视化
enviro_plot(enviro);
econ_plot(econ);
power_plot(vector, load);
calculation_plot(time);

%% 输出
get_data(load, vector, sources)