基于多目标粒子群算法的微电网优化 首先构建了含风光柴储的微电网模型，之后以风光柴储运行成本最低和风光消纳最大为目标，建立了多目标优化模型。
深夜的机房键盘声此起彼伏，显示器蓝光映着几个挂着黑眼圈的研究员。老张突然把保温杯往桌上一磕："这微电网优化搞了三个月，目标函数改八回了！"这句话道出了所有搞能源优化同行的痛——风光发电的随机性、柴油机启停成本、蓄电池充放电损耗，这些变量搅在一起简直像锅沸腾的疙瘩汤。
咱们先来搭个微电网的基础框架。想象一个海岛微网，屋顶光伏板在晴天能飙到200kW，三台50米高的风力发电机在风速7m/s时开始干活，柴油发电机作为保底电源，蓄电池组容量按两天备用设计。用Python类封装这些设备：
class MicroGrid: def __init__(self): self.pv_max = 200 # 光伏最大出力 self.wind_max = 150 # 风机最大出力 self.diesel_cost = [0.3, 0.8] # 柴油机启停成本 self.battery_cap = 500 # 蓄电池容量kWh def pv_output(self, irradiance): return min(irradiance*0.18, self.pv_max) def wind_output(self, speed): return self.wind_max*(speed**3/343) if speed >=7 else 0看到没？光伏出力用辐照度线性转换，风机出力遵循三次方规律。这两个函数就像天气的翻译官，把自然条件变成可量化的发电数据。
接下来是重头戏——多目标优化。既要省钱（柴油烧得肉疼），又要尽可能多用风光电（不然装风光设备图啥）。这两个目标就像拔河的两队人，得找到平衡点。咱们设定目标函数：
def objectives(x): cost = diesel_fuel(x) + maintenance_cost(x) utilization = (pv_used + wind_used)/total_load return [cost, -utilization] # 第二个目标取负转为最小化问题注意这里的小技巧：把风光利用率取负数，这样两个目标都变成求最小值，方便后续用算法处理。就像把苹果和橘子都装进同一个购物车，虽然东西不同但能一起结账。
现在轮到粒子群算法出场了。想象一群鸟在解空间里飞，每只鸟代表一个解决方案。它们的速度更新公式暗藏玄机：
v = w*v + c1*rand()*(pbest_pos - pos) + c2*rand()*(gbest_pos - pos) pos = pos + v这个公式里，w是惯性权重，控制搜索的开拓能力；c1是自我认知系数，c2是社会认知系数。调参时发现，w从0.9线性递减到0.4效果最好——前期让粒子多探索，后期专注局部开发。就像年轻时多尝试不同工作，年长后深耕专业领域。
代码实现时有个坑：风光出力约束处理。直接采用罚函数法会导致收敛困难，改用修复策略反而柳暗花明：
# 约束处理 pv_output = min(pv_max, max(0, x[0])) wind_output = min(wind_max, max(0, x[1])) diesel_output = x[2] if (x[2]>=30) else 0 # 柴油机最小出力约束这种硬约束就像给算法戴上护具，防止它跑到悬崖边上。实际测试中发现，加入约束修复后，收敛速度提升了约40%。
当算法跑完，看着帕累托前沿上那些闪闪发光的解，就像在夜市烧烤摊前选择困难症发作——这个解省了5%成本但少消纳3%风光电，那个解刚好反过来。这时候就需要决策者根据实际情况拍板了，毕竟数学模型只是现实的简化版。
凌晨三点，老张突然拍桌："有了！"显示器上跳动的收敛曲线终于画出了漂亮的弧线。窗外的风机叶片正在晨光中缓缓转动，蓄电池组的指示灯有规律地明灭，仿佛在回应算法的召唤。这个瞬间，数学公式和电力设备完成了一次跨越次元的击掌。
