💥1 概述

目前，化石能源仍然是发电系统最主要的能量来源．然而，以煤、石油和天然气为主导的化石能源不 仅会排放大量含硫，氮化合物等有害气体，而且会严重影响生态平衡，危害社会可持续发展［1］．随着全球变暖趋势增加，人类更有意识去减少化石能源消耗，逐渐纳入新能源．“十三五”期间，我国将大力发展环境治理，加强环保督察，推动绿色发展，推动可再生能源发展．电力行业是大型化石能源消耗产业，在保持新能源替代进程中，电力系统环境经济调度( Economic－Environmental Dispatching，EED)因其仅对现有调度策略进行规划，而且可以同时兼顾环境保护政策和经济调度效益等特点，因此受到了广泛关注［2］．传统经济调度模型具有的高维数、非凸、非线性、多约束等特点，EED 问题在保持原有特点下，增设环境因素，形成多目标规划问题．目前，已有许多研究者求解了传统经济调度问题．文献［3］利用对自适应罚函数中惩罚因子和修补策略的设定，提出了基于反捕食粒子群算法的 EED 模型，并解决了传统经济调度中一些问题．文献［4］在传统进化算法前提下，对算法进行改进，并对传统经济调度问题进行求解．文献［5］提出社会演化算法，用基于范式学习与更新的进化寻优思想设计算法结构，并运用该算法解

决了电力系统机组组合问题．通过上述分析，传统和改进算法都有其优势，但在解决各类问题时，容易形成局部最优，影响调度方案获取．

在权衡环境因素时，文献［6］通过对实时电价并网时各微源的满意度计算，来对比分析多目标优化值，并实现了较好的环境效益．文献［7］在考虑维护成本和环境污染前提下，通过对不同权重系数的线性加权，建立多目标规划模型，并进行求解．文献［8］基于风险评估前提下，建立多目标经济调度模型，运用多目标差分进化算法进行求解．本文提出了一种多元宇宙算法( Multi－Verse Optimizer，MVO) ，该算法运算速度快，较适合多维度优化问题．综合阀点效应和环境影响因素，运用 PPF 定价原则协调多目标因素，建立 EED 模型．最后以 10 机组和 40 机组测试系统为例，证实了本文方法的有效性和经济性．

多元宇宙算法求解电力系统多目标优化算法有很好的效果，代码换成自己的目标函数，加上约束和惩罚项等。本文用多元宇宙算法求解电力系统多目标优化问题——电力系统环境经济调度问题。

编辑

编辑

编辑

编辑

编辑

编辑

编辑

编辑

📚2 运行结果

编辑

10机组运行结果如下：

编辑

编辑

编辑

编辑

40机组的同理可得，就不一一展示。

本文提出了一种求解电力系统环境经济调度的新方法,计及阀点效应和污染排放因素,建立多目标规划模型,利用PPF定价原则权衡多重因素. 多元宇宙算法在求解EED问题时具有计算精度高,收敛速度快等特点,在求解高维度问题表现更佳,适用于其他工程问题研究.

部分代码：

clc; clear; close all; tStart=tic; % global costdata emissiondata B B0 B00 Pd VarMin VarMax nVar global data  Pd VarMin VarMax nVar Pd=10500; data=xlsread('IEEE40.xls'); % % costdata=[data(:,1:8)];  % costdata=[... %         1   0.03546 38.30553 1243.5311 0 0  35 210 %         2   0.02111 36.32782 1658.5696 0 0 130 325 %         3   0.01799 38.27041 1356.6592 0 0 125 315]; % % emissiondata=[data(:,9:13)];  % emissiondata=[... %         1   0.00683 -0.54551 40.2669   %         2   0.00461 -0.5116 42.89553   %         3   0.00461 -0.5116 42.89553   %         ];     %     B1=0.0001.*[... %         0.71  0.3  0.25 %         0.3   0.69 0.32 %         0.255 0.32 0.8];

% B1=xlsread('B10.xls'); % B=B1(1:10,1:10); % B0=[0 0 0 0 0 0 0 0 0 0]; % B00=0; %  B=B1(1:3,1:3); %  B0=[0 0 0 0 0 0 0 0 0 0]; %  B00=0;

%%

Max_time=500; %迭代次数 N=100; ArchiveMaxSize=100; % max_iter=Max_time;  nVar=40;             % Number of Decision Variables

VarSize=[1 nVar];   % Size of Decision Variables Matrix

VarMin=data(:,2);          % Lower Bound of Variables VarMax= data(:,3);          % Upper Bound of Variables

fobj=@(x) IEEE40aobj(x); dim=nVar; lb=VarMin'; ub=VarMax'; obj_no=2;

Best_universe=zeros(1,dim); Best_universe_Inflation_rate=inf*ones(1,obj_no);

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

[1]刘世宇,王孜航,杨德友.多元宇宙算法及其在电力系统环境经济调度的应用[J].东北电力大学学报,2018,38(04):19-26.

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删