

MATLAB|期刊论文复现|多元宇宙算法求解电力系统多目标优化问题

荔枝科研社

2025-12-03

导读：MATLAB|期刊论文复现|多元宇宙算法求解电力系统多目标优化问题

点击上方蓝字关注我们

📋📋📋本文目录如下：🎁🎁🎁

⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据、文章

赠与读者

👨‍💻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。哲学是科学之母，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。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“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

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。

2运行结果

10机组运行结果如下：

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 nVarglobal data  Pd VarMin VarMax nVarPd=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 VariablesVarSize=[1 nVar];   % Size of Decision Variables MatrixVarMin=data(:,2);          % Lower Bound of VariablesVarMax= data(:,3);          % Upper Bound of Variablesfobj=@(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);