做微电网优化调度这几年算是电力系统方向里非常热门的一个课题。我最近正好用 Matlab 把“基于 NSGA-III 的微电网多目标优化调度”完整实现了一遍从数学建模到算法设计再到仿真分析踩了不少坑也总结出一些可以直接拿过来用的经验。这篇就按项目的完整流程来写适合正在做毕业设计、课题组项目或者刚接触多目标优化想快速上手微电网调度场景的读者。需要先说清楚一件事这类项目看起来是“调参跑代码”但真正决定论文或项目质量的是前面两步——优化模型建得是否合理以及多目标算法的选择和实现细节是否到位。模型错了后面算法再花哨也是白搭算法实现粗糙哪怕模型正确也得不到像样的 Pareto 前沿。1. 先把问题定义清楚微电网调度到底在干什么1.1 典型微电网结构风电、光伏、储能、柴油机和电网接口微电网说直白点就是把分布式电源、储能装置和本地负荷整合成一个能够自我管理的小型发配用电系统。既可以并网运行从主网购电或者向主网售电也可以孤岛运行完全依靠内部单元维持功率平衡。我在项目里用的典型结构是风力发电、光伏发电、柴油发电机、蓄电池储能加上与外部电网的联络线。风电和光伏属于不可控电源出力取决于气象条件在调度周期内一般是作为已知输入参数提前给定。真正需要优化的可控单元是柴油机出力和储能充放电功率以及和主网之间的交换功率。这类场景在实际工程中对应的是校园微电网、工业园区、偏远地区供电系统甚至矿山微电网等场景。像矿山这种负荷较大、供电可靠性要求高的地方微电网的多目标调度直接关系到电费成本和供电安全所以研究价值不只是发论文落地价值也很明显。1.2 调度的变量、目标和约束之间的权衡微电网优化调度本质上是一个带约束的多目标优化问题。调度周期通常取一天 24 小时步长取 1 小时需要在这 24 个时段里确定每个可控单元的出力安排使得一系列目标尽可能最优同时满足所有运行约束。这里的目标一般不止一个而且互相冲突。最典型的两类是经济性和环保性想让运行成本最低就可能要多用柴油机或者多从主网购电商但这会增加碳排放想让碳排放最小就得尽量用风、光和储能但储能的充放电损耗和使用寿命又会带来新的成本问题。除了成本和排放还可以加入第三个甚至第四个目标比如联络线功率波动最小、新能源弃电量最小、储能循环寿命损耗最小等。目标越多Pareto 前沿的维度越高对算法的多样性保持能力要求也越高。这也正是我选择 NSGA-III 而不是 NSGA-II 的原因之一。1.3 为什么这里选 NSGA-III 而不是 NSGA-IINSGA-II 可以说是多目标进化算法里最广为人知的一个核心机制是非支配排序加拥挤度距离。它在两个目标、三个目标的低维问题上表现稳定算法结构也简单因此很多微电网调度文章都用它。但 NSGA-II 有个明显的短板当目标数增加到 4 个及以上时拥挤度距离在高维空间中很难有效衡量解的分布情况种群容易丢失多样性得到的 Pareto 前沿覆盖不完整。NSGA-III 是 Kalyanmoy Deb 团队在 NSGA-II 基础上提出的改进版本最大的变化是把“拥挤度距离”替换成了“参考点机制”。算法预先在目标空间生成一组均匀分布的参考点每个个体关联到最近的参考线上通过统计每个参考点附近被“占据”的个体数量来指导生存选择。这样的好处是在高维目标空间里仍然能够维持种群的整体分布均匀性。微电网调度如果同时考虑成本、碳排放、联络线波动三个以上目标正好落在 NSGA-III 的擅长区间。所以这个项目选择 NSGA-III不是追新而是目标维度决定了算法选型。2. 数学建模阶段从业务语言到目标函数2.1 决策变量设计与编码方式建模的第一步是明确哪些量是要优化的决策变量。在我的模型里可控单元有柴油机、储能电池和与主网的联络线因此决策变量可以定义为柴油机各时段出力P_dg(t)t 1, 2, ..., 24储能各时段充放电功率P_bat(t)充电为正、放电为负也可以拆成两个变量分别限制与主网交互功率P_grid(t)购电为正、售电为负如果有多台柴油机每个时段都要给每台机组分配出力那么变量维度就是 24 × (机组数 2)。以一台柴油机、一组储能、一条联络线为例决策变量维度就是 24 × 3 72。种群个体直接用实数向量编码长度等于变量维度这也是 Matlab 里最容易实现的方式。这里有个容易被忽略的点储能时段的 SOC 是耦合变量t 时刻的 SOC 取决于 t-1 时刻的 SOC 和 t 时刻的充放电功率。它不需要作为决策变量显式编码而是在计算目标函数时通过递推得到。只要给定初始 SOC 和各时段充放电功率整个周期的 SOC 序列就是确定的。2.2 三个目标函数的定义与量纲处理这个项目里我选了三个比较有代表性的目标。第一个目标是总运行成本最小。包括柴油机燃料成本、储能运行维护成本、购电费用减去售电收益。柴油机燃料成本常用二次函数近似C_fuel Σ (a × P_dg(t)² b × P_dg(t) c)其中 a、b、c 是柴油机的耗量特性系数。储能运维成本一般按充放电功率线性折算。购售电成本根据分时电价计算峰时电价高、谷时电价低这也是影响调度结果的关键因素。第二个目标是碳排放最小。碳排放主要来自两部分柴油机发电的等效排放以及从主网购电对应的间接排放。光伏和风电在运行阶段不产生排放储能充放电也不产生直接排放。第三个目标我选择的是联络线功率波动最小即相邻时段联络线交换功率差值的绝对值之和最小。这个目标从电网运行角度很有意义联络线功率波动过大会给上级电网带来调峰压力在实际工程中通常会有考核要求。三个目标量纲不同、数值范围差异很大。成本是万元级别排放是千克级别联络线波动是千瓦级别。在实现时需要对目标值做归一化处理否则算法在选择过程中会受到量纲主导。后面讲 NSGA-III 实现时会进一步展开。2.3 约束条件与罚函数方案的取舍约束条件是微电网调度建模里最需要细心的地方漏掉任何一个关键约束仿真结果都可能不满足物理规律。需要处理的约束包括功率平衡约束每个时段的负荷等于光伏、风电、柴油机、储能和联络线功率之和。柴油机出力上下限约束每台机组有最小技术出力和最大出力。柴油机爬坡约束相邻时段出力变化不能超过爬坡速率限制这在实际运行中非常重要。储能 SOC 约束SOC 要保持在上下限范围内充放电功率不能超过额定值。联络线功率约束与主网交换功率不能超过线路允许的最大值。实现时对约束有两种处理方式一种是罚函数法把违反约束的程度转化为惩罚项加到目标函数上另一种是约束支配原则在非支配排序阶段优先比较约束违反程度。我的经验是对功率平衡这种线性等式约束用罚函数比较好对上下限这类边界约束直接在变量生成和变异操作里限制取值范围尽量不让它违反而不是事后惩罚。约束处理得越前端算法的搜索效率越有保障。2.4 典型算例参数设计为了让后续分析有依据这里列一组在我项目里使用的典型参数。负荷曲线取夏季典型日光伏出力按晴天辐照度曲线简化风电出力按实际风速曲线给定。柴油机参数取常见的 100kW 机组燃料成本系数取自文献常用值。储能额定容量 200kWh最大充放电功率 50kW初始 SOC 取 0.5SOC 上下限取 0.1 到 0.9。分时电价采用峰谷电价峰时段电价是谷时段的约 3 倍。参数表整理如下参数数值说明调度周期24h步长 1h柴油机额定功率100kW最小出力 20kW柴油机爬坡速率30kW/h相邻时段出力变化限制储能额定容量200kWhSOC 范围 0.1~0.9储能最大充放电50kW双向限制联络线最大功率150kW购售电均受限初始 SOC0.5调度周期起点峰谷电价1.2 / 0.4 元/kWh不同时段不同电价这些参数直接决定了 Pareto 前沿的形状。如果储能容量过小、电价峰谷差不大那么算法会倾向少用储能如果柴油机碳排系数设得很高污染路径的成本劣势就更明显Pareto 前沿会更加偏向新能源路径。3. NSGA-III 算法核心机制与 Matlab 实现3.1 从 NSGA-II 到 NSGA-III拥挤度距离的局限很多人以为 NSGA-III 只是在 NSGA-II 里换了选择算子其实整个环境选择流程都变了。NSGA-II 在非支配排序后对同一前沿层内的个体按拥挤度距离排序距离大的个体优先保留目的是让解分布更均匀。但拥挤度距离的计算基于相邻解在目标空间的曼哈顿距离。目标数为 2 或 3 时这个指标还能大致反映分布密度目标维度到 4 以上解在超平面上的分布非常稀疏拥挤度距离很难区分出有效差异种群很容易抱团成几簇Pareto 前沿的中段出现大片空白。NSGA-III 的解决思路是不再计算解与解之间的相对距离而是用一组预定义的参考点来衡量解的分布。参考点均匀铺满整个目标空间个体往最近的参考线上投影算法尽量保证每条参考线附近都有个体覆盖。3.2 参考点的生成Das-Dennis 方法和代码实现NSGA-III 使用 Das-Dennis 方法生成参考点。假设目标数为 M每个目标方向上的分割数为 p则单层参考点的总数 H 等于从 Mp-1 个元素中取 p 个的组合数H nchoosek(M p - 1, M - 1)比如目标数 M3、分割数 p12 时H nchoosek(14, 2) 91。这个数量级对种群规模来说是合适的。但如果 M5、p12H 会膨胀到 hundreds 的量级这时需要引入两层参考点来缓解组合爆炸。在 Matlab 里生成参考点的思路是枚举所有分量之和等于 p 的整数组合再除以 p把每个分量归一化到 [0,1] 区间。关键代码片段如下function ref_points generate_reference_points(M, p) % 使用 Das-Dennis 方法生成单位超平面上的参考点 ref_points []; if M 1 ref_points [ref_points; 1]; return; end prev generate_reference_points(M - 1, p); for i 1:size(prev, 1) for j 0:p - sum(prev(i, :)) point [prev(i, :), j]; ref_points [ref_points; point]; end end ref_points ref_points / p; end注意这个递归写法容易重复排序更稳妥的做法是先列出所有组合再使用 unique 去重。实际项目里输入 M3、p12得到 91 个参考点画在三维单位超平面上正好呈均匀三角网格状分布。3.3 归一化、极值点确定与关联操作NSGA-III 在做环境选择前需要把每个个体的目标向量归一化到与参考点相同的尺度。这一步包括确定理想点、极值点、构造超平面并截取截距。理想点就是每一维目标在当前种群里的最小值用于把目标值平移到原点附近。极值点则是通过最小化切比雪夫函数找出来的对每个目标维度 k找到一个个体使 max( f_j(x) - z_min_j ) / w_j 最小其中 w 是极值方向上的权重。由 M 个极值点可以构造一个 M 维超平面超平面在每个目标轴上的截距就是归一化的分母。我当时在这块卡了很久因为极值点如果构造不出有效的超平面截距可能出现负数或无穷大。后来发现原因是个体数量太少或者目标值之间相关性太强导致求解线性方程组时矩阵奇异。解决办法是增加种群规模或者在求解截距前对目标值做一次缩放。完成归一化和超平面截距计算后每个个体需要关联到最近的参考点。关联的方式是计算个体目标向量与每条参考线的垂直距离取距离最小的那条参考线作为归属。Matlab 里可以用向量点积和投影公式实现但要注意目标维度较高时循环效率不高建议用矩阵批量计算。3.4 生存选择与生态位保留策略NSGA-III 的环境选择是在已经完成非支配排序的基础上进行的核心逻辑是逐层放入个体直到某层放不下时用“生态位保留策略”决定哪些个体进入下一代。具体做法是先统计所有已选个体在每个参考点附近的个数称为小生境计数。对于当前要处理的临界层优先从那些小生境计数最小的参考点关联个体中选取如果这个参考点还没有个体占据则强制保留一个如果已经被占据则随机选一个。这样可以保证那些尚未被覆盖的区域优先获得个体维持解的均匀分布。我最初实现时省略了生态位保留这一步直接把临界层个体全部选入下一代结果种群的多样性明显变差Pareto 前沿总是集中在某几个区域。所以这一步不能省它是 NSGA-III 和 NSGA-II 最本质的差别所在。4. 完整工程代码实现从初始化到完整求解4.1 工程文件结构和输入参数我把整个项目拆成几个模块方便调试和复用。主控文件运行整个流程数据文件存放负荷、风光出力、电价等输入参数模型文件封装目标函数和约束算法文件实现 NSGA-III 主体逻辑。工程结构大致如下microgrid_nsga3/ ├── main.m % 主控脚本 ├── init_params.m % 参数初始化 ├── load_data.m % 载入负荷/风光/电价数据 ├── evaluate_objective.m % 目标函数计算 ├── evaluate_constraint.m % 约束违反计算 ├── nsga3_select.m % NSGA-III 环境选择 ├── generate_reference_points.m ├── normalize_population.m % 目标值归一化 ├── associate_to_reference.m ├── genetic_operators.m % SBX 多项式变异 └── plot_results.m % 结果可视化初始化参数时除算法参数外还需要定义变量的上下界矩阵维度与决策变量一致。比如柴油机出力向量的下界全是 20kW上界全是 100kW储能功率下界是 -50kW上界是 50kW。每个变量的边界要在初始化、交叉和变异过程中保持一致。4.2 目标函数和约束的代码化目标函数是 evaluate_objective.m 的核心接收一个个体向量和输入数据返回三个目标值。实现时尤其要注意储能 SOC 的递推计算它是 24 个时段耦合的不是简单的逐时段独立计算。功率平衡约束可以直接代入求解不需要单独判断因为模型里柴油机、储能和联络线共同满足负荷需求。但 SOC 越限和爬坡越限需要单独处理我在实现里把它们折算成约束违反度参与罚函数计算。function [f, g] evaluate_objective(x, params) P_dg x(1:24); % 柴油机出力 P_bat x(25:48); % 储能功率正为充电负为放电 P_grid x(49:72); % 联络线功率正为购电负为售电 % 计算储能 SOC 序列 SOC zeros(24, 1); SOC(1) params.SOC_init P_bat(1) / params.bat_capacity; for t 2:24 SOC(t) SOC(t-1) P_bat(t) / params.bat_capacity; end % 目标1运行成本 fuel_cost sum(params.dg_a * P_dg.^2 params.dg_b * P_dg params.dg_c); purchase_cost sum(P_grid .* params.price .* (P_grid 0)); sell_income sum(P_grid .* params.sell_price .* (P_grid 0)); f(1) fuel_cost purchase_cost - sell_income; % 目标2碳排放 f(2) sum(params.dg_emission * P_dg) sum(P_grid .* params.grid_emission .* (P_grid 0)); % 目标3联络线波动 f(3) sum(abs(diff(P_grid))); % 约束违反度 g(1) sum(max(SOC - params.SOC_max, 0)) sum(max(params.SOC_min - SOC, 0)); g(2) sum(max(abs(diff(P_dg)) - params.dg_ramp, 0)); end这里是示范代码实际项目里还需要考虑储能效率蓄电池充电时实际存入电量的比例通常取 0.9 到 0.95放电时也有放电效率。我在实现里给充放电加了不同的效率系数否则 SOC 递推和实际电量会有偏差。4.3 进化主循环与关键算子实操NSGA-III 的主循环结构其实不复杂每一代做四件事生成子代、合并种群、非支配排序、环境选择。生成子代使用模拟二进制交叉和多项式变异。SBX 适合实数编码的连续优化问题多项式变异则通过分布指数控制变异步长。在 Matlab 里实现时交叉概率取 0.9分布指数取 20变异概率取 1/nn 为决策变量维度分布指数取 20。这套默认参数在大多数微电网调度问题上表现都不差。for gen 1:max_gen % 通过锦标赛选择父代执行交叉和变异生成子代 offspring genetic_operators(population, params); % 合并父代与子代 merged_pop [population; offspring]; % 计算目标函数 [fvals, gvals] evaluate_population(merged_pop, params); % 非支配排序 rank non_dominated_sort(fvals, gvals); % 按前沿层逐层选择关键步骤调用 NSGA-III 环境选择 population nsga3_select(merged_pop, fvals, rank, ref_points, N); end环境选择里有一个容易被忽略的细节非支配排序时如果两个个体彼此互不支配则属于同一前沿层。但约束问题的处理需要考虑约束违反度如果个体的约束违反度不为零即使目标值很小也不能认为它支配了一个可行解。我在项目里采用了约束支配原则先比较约束违反度再比较目标支配关系。5. 仿真分析Pareto前沿、指标对比与结果解读5.1 指标怎么算GD、IGD、超体积做完优化不能只看收敛曲线还得有定量指标评价算法表现。常用指标有三个世代距离GD、反转世代距离IGD和超体积HV。GD 衡量的是算法获得的解集与真实 Pareto 前沿之间的平均距离越小越好。IGD 则是从真实前沿的每个点到算法解集取最短距离再取平均它同时反映收敛性和多样性。HV 计算的是解集在目标空间中所覆盖区域的体积越大说明解集的收敛性和分布性综合表现越好。实际项目里真实 Pareto 前沿通常是未知的一种做法是运行多次取所有非支配解的并集作为近似真实前沿再计算 IGD。另一种做法是用一个大规模种群跑非常多的代数把结果当作参考前沿。后一种在学术论文里更常用。5.2 典型算例结果分析在我的算例里NSGA-III 运行 500 代后得到了比较规整的三维 Pareto 前沿。从投影图看成本与碳排放两个目标呈明显的反比趋势这在预期内为了降低排放会减少柴油机出力和主网购电用储能和新能源替代部分供电但储能运维成本和新能源消纳的波动成本会推高总运行成本。联络线波动这个目标与成本、排放之间的关系则不是单调的。这是因为联络线功率的波动主要受负荷和新能源出力变化影响当柴油机和储能能够平滑跟踪负荷时联络线功率自然平稳但这可能要求柴油机频繁调节出力增加燃料成本同时启停调节本身也影响排放。三个目标之间呈现出复杂的权衡关系单靠一个目标优化无法得到全局最优解。多目标优化的意义就在这里给出的不是一个解而是一组包含不同偏好的可选方案。成本敏感型可以选成本偏低的端点解环保约束强可以选择低排放端点解需要推荐一个折中解时可以用贴近理想点的 TOPSIS 方法从 Pareto 解集中筛选。5.3 参数灵敏度种群大小、代数、交叉变异率的调节NSGA-III 对种群规模和代数比较敏感。过小的种群无法覆盖所有参考点附近区域容易出现部分参考点没有个体关联的“空位”现象。过大的种群又会显著增加每代的计算量尤其是目标函数计算部分做了 24 时段递推后耗时随种群规模线性上升。我测试过的组合里三维目标问题采用 92 个参考点种群规模取 184 到 276 比较合适也就是参考点数量的 2 到 3 倍。代数方面300 代基本收敛500 代可以得到更稳定的分布再往上增加的收益有限。交叉分布指数和变异分布指数对结果也有影响。交叉分布指数越大子代与父代的差异越小搜索更偏向局部开发变异分布指数越大变异步长越小。微电网调度问题的可行域比较复杂约束较多变步长过小结容易陷入局部区域所以在初期可以适当加大变异强度后期再逐步缩小。6. 常见问题与调试经验6.1 参考点数量爆炸与组合数溢出当目标数增加到 5 个、分割数取 12 以上时参考点数量会急剧膨胀直接导致每代环境选择的时间成倍增加。此时有两种处理方式一是采用两层参考点外层用边界参考点、内层用缩小比例后的内部参考点两层合并后可以大幅减少总数量二是降低分割数比如 M5 时取 p6参考点数为 210虽然分布不如 p12 细密但计算代价可控。在 Matlab 里生成参考点还有一个隐藏问题nchoosek 在组合数较大时可能警告或返回超大数值导致内存分配失败。建议直接按照组合枚举生成避免一次性调用 nchoosek 计算总个数然后预分配大矩阵。6.2 归一化出现异常值的情况我遇到过目标值归一化后出现负数或特别大的值导致关联操作结果混乱。排查下来发现是两个原因一是种群中存在目标值异常大的个体拉偏了理想点和极值点的位置二是极值点构造超平面时线性方程组求解不稳定。解决方案是在归一化之前先剔除目标值明显异常劣的个体或者对目标值做对数缩放。另外一个实用技巧是在计算截距时给截距加上一个小量 epsilon防止分母为零。6.3 种群停滞、收敛不完整如果在多次运行后发现 Pareto 前沿总是缺一块区域优先检查两个地方参考点是否覆盖了对应方向以及该方向上的非支配解是否在环境选择中被过早淘汰。第二个问题更隐蔽。NSGA-III 的生态位保留策略在临界层选择中会优先填补空生态位但如果某个方向上的非支配解数量本身极少且在前几代就被淘汰后面很难再通过交叉变异产生回来。我的解决方法是提高变异强度以及在前期增加种群多样性避免早熟。6.4 环境与版本相关的坑Matlab 环境相关的坑也不能忽略。不同版本对一些函数的行为有差异比如 rng 的默认随机数生成方式、datasample 的采样逻辑等。如果代码在别人的机器上跑出不同的结果多半是随机种子设置不一致。建议在主程序开头固定随机种子比如 rng(42)保证结果可重复。另一个常见问题是脚本文件编码。从网上下载或从 Word 复制的代码容易带全角字符Matlab 直接运行会报错。我习惯在编辑器中开启显示空白字符功能方便排查。如果安装的是比较新的 Matlab 版本需要注意内存管理和矩阵预分配。NSGA-III 每一代都要合并父代和子代如果不预分配矩阵随着代数增加内存碎片会拖慢速度。虽然这不是什么大问题但在跑大规模算例时差异很明显。这个项目做完一遍我对多目标优化的理解比单纯看论文要深入得多。NSGA-III 的实现难点不在算法框架本身而在参考点生成、归一化、关联选择这些看似不起眼的细节上。每一步差一点最终前沿的质量就差一大截。如果你也在写类似的代码建议先拿标准测试函数验证后再套到微电网模型上否则出了问题很难判断是模型写错了还是算法实现的锅。微电网调度里还有不少可以扩展的方向比如加入电价不确定性的鲁棒优化、考虑储能寿命衰减的长期调度、多微电网之间的协调调度等。把 NSGA-III 基础和现在的算例跑通之后往这些方向发展都会顺畅很多。
