差分进化算法求解微电网经济调度问题实践

去年做某课题组的微电网经济调度任务时我在MATLAB里跑一个72维、十几个约束的调度优化模型。最初试过梯度下降和序列二次规划结果要么不收敛要么给出的出力方案成本高得离谱后来换成差分进化算法几十行主循环改完收敛曲线稳定了调度结果也能解释通了。这篇博文把整个过程复盘一遍从微电网调度模型的建立、约束处理到差分进化算法的原理与Matlab代码实现再到参数调优和结果分析希望能帮正在做相关课题的同学少踩几个坑。这篇内容面向两类人一类是做微电网经济调度方向的研究生需要快速搭出一个能出结果的仿真框架另一类是刚接触智能优化算法、想看看差分进化在真实工程问题里怎么落地的开发者。我会尽量把每个步骤背后的理由讲清楚而不是只给一段能跑通的代码。1. 微电网调度到底难在哪一个多能协调的约束优化问题1.1 先给一个能跑的最小模型目标函数长什么样我当时的场景是并网型微电网包含光伏、风电、燃气轮机、储能电池通过一条联络线与外部电网交互。调度周期取一天24小时控制步长1小时每个时刻需要决定燃气轮机发多少电、储能是充还是放、从电网买多少电或卖给电网多少电。目标是让一天的总运行成本最低最常用的目标函数可以写成C_total Σ_t [ C_fuel(P_mt(t)) C_grid(t) C_bess(P_bess(t)) C_curtail(t) ]其中C_fuel是燃气轮机的燃料成本通常拟合成二次函数 a × P_mt² b × P_mt c这个写法来自传统机组组合问题成本曲线带凸性直接放进优化模型里是标准的。C_grid(t)是当时刻的购售电费用等于购电电价乘购电功率再减去售电电价乘售电功率。C_bess表示储能的损耗或调度代价我用的是充放电功率绝对值和单位损耗成本的乘积。C_curtail是弃风弃光惩罚目的是让优化算法优先消纳可再生能源出力而不是为了省事直接砍掉光伏和风电。这里要特别注意目标函数里的每一项都要有对应的物理意义不能随便加惩罚项。比如储能损耗成本如果设得太大算法会倾向于不使用储能这样峰谷套利功能就废了如果设得太小储能又会频繁满充满放严重影响电池寿命。我一般先按设备手册估算损耗成本再根据调度结果微调。1.2 四个约束是真正的门槛等式、不等式、时序、耦合目标函数只是问题的一半另一半是约束。做微电网调度时最常遇到四类约束第一是功率平衡等式约束。每个时刻微电网内部所有源和荷必须严格平衡即光伏出力、风电出力、燃气轮机出力、储能放电、联络线购电之和等于负荷、储能充电和弃电之和。这一步是等式约束违反一点都会导致潮流不成立在仿真里就表现为功率差额不为零。第二是设备出力不等式约束。燃气轮机有出力上下限储能充放电功率有最大限制联络线交换功率也有上限。这些约束相对好处理直接在生成解时做边界限幅就行。第三是储能SOC时序约束。SOC(t1) SOC(t) P_charge(t) × η_charge / C_bess - P_discharge(t) / (η_discharge × C_bess)同时SOC必须保持在比如0.1到0.9之间调度结束时的SOC最好回到初始水平附近保证第二天还能继续用。第四是耦合约束。储能不能同时充电和放电燃气轮机爬坡率有限相邻15分钟或1小时出力差不能太大弃风弃光功率与光伏风电实际消纳量之间也是耦合的。这四个约束放一起问题性质就变了。目标函数有二次项变量维度几十上百储能时序约束让一个时刻的决策会影响后面所有时刻整体上是一个典型的带约束非线性优化问题。严格来说如果还要考虑燃气轮机的启停0/1变量这就是混合整数非线性规划MINLP常规解法很容易陷进去出不来。1.3 为什么梯度法和线性化在这里容易翻车我最初用SQP序列二次规划尝试过。问题在于目标函数和约束对决策变量的导数不是处处定义的尤其是储能充放切换这种机制相当于数学上不光滑的转折点梯度算法在这种位置会反复震荡。另一个麻烦是初始解敏感性SQP本质上是一个迭代局部搜索初值给得不好最后收敛到哪个局部最优基本靠运气。也有同学把模型线性化用线性规划或者混合整数线性规划求解器去做。这种方法在小规模算例上很快但线性化需要引入大量辅助变量比如储能充放切换需要0/1变量购电售电切换也需要0/1变量一天24小时的模型轻松变成200多个变量、300多条约束。一旦负荷预测更新整个模型要重新生成维护成本很高。所以我在那个课题里做了个判断模型规模不算小实时性要求又不算苛刻1小时步长完全可以离线计算不如直接用元启发式算法。于是把目光放在差分进化上。2. 差分进化算法为何适合这类调度场景2.1 三个算子实现群体进化变异、交叉、选择差分进化Differential EvolutionDE是粒子群、遗传算法同一代出来的种群智能算法但它和遗传算法有个本质区别遗传算法的变异靠随机扰动DE的变异靠种群个体之间的差分向量。DE的流程很简单。首先是初始化在变量上下界内随机生成NP个个体每个个体就是一个候选调度方案。然后是变异对每个个体X_i随机挑三个不同的个体X_r1、X_r2、X_r3用公式 V_i X_r1 F × (X_r2 - X_r3) 生成变异向量。其中F是缩放因子控制差分向量的放大倍数。这一步是DE的灵魂因为当种群分散时个体差分比较大搜索步长自动变大当种群收敛到某个区域时差分向量变小搜索步长自动变小。这种自适应的步长调节机制是DE在非线性问题上表现稳定的重要原因。然后是交叉。变异向量的每个维度按交叉概率CR随机替换掉原个体对应维度的基因形成试验向量U_i。最后是选择。如果试验向量适应度比原个体好就替换原个体否则保留这一步是真正的精英保留思想保证种群整体质量只升不降。我用的变异策略是DE/rand/1这是最稳妥的版本不容易早熟。如果收敛太慢可以试DE/best/1直接用当前最优个体作为基准但要注意它会加快向当前最优靠拢的速度反而可能提前收敛到局部最优。2.2 三个参数的作用与初始推荐DE只需要三个主要参数种群规模NP、缩放因子F、交叉概率CR。参数少对工程应用特别友好PSO还有惯性权重、学习因子好几个参数要调GA有选择压、交叉率、变异率、代沟等一堆参数DE省心很多。参数作用通俗理解NP决定种群采样密度太小了搜索范围覆盖不住72维空间太大了每代计算量成倍增长F决定变异步长F大探索性强F小收敛稳定但有早熟风险CR决定试验向量能继承变异向量多少个维度CR大相当于大面积替换基因多样性好。我自己的初始推荐是NP取50到60F取0.5CR取0.9。注意CR取0.9听起来很大但DE的习惯就是CR偏大因为变异向量本身质量有保障多替换一点基因通常利大于弊。F阈值可以通过观察收敛曲线再调如果下降曲线锯齿感很强说明F偏大如果曲线的最终成本很高且长时间不动可能是F偏小。2.3 我用DE、GA、PSO实测的对比感受光讲理论不够我在同一套微电网模型上把DE、遗传算法和粒子群都跑了一遍。结果不能代表所有场景但趋势很能说明问题。从收敛速度看PSO前期最快前20代就能压到一个比较低的成本但后面容易停滞经常卡在同一个局部最优附近不动。GA整体收敛平稳但需要的种群规模比DE大我试过NP80才开始稳定。DE前期比PSO慢一点但它到60代以后还在缓慢改进最后找到的目标值比PSO平均低2%到4%。从参数敏感性看PSO对惯性权重和学习因子非常敏感换了负荷曲线就得重新调GA对交叉率和变异率也敏感DE相对好很多只要F和CR不在极端范围结果都能接受。这一点对做课题的人很关键因为你不可能每次换数据都花三天调参。从稳定性看我用同一份数据重复跑20次DE找到最优解的方差最小。后面做算法对比论文时稳定性指标好很重要评审经常会问你的算法多次运行结果是否一致。DE在这一点上天然占优势。对比维度差分进化DE遗传算法GA粒子群PSO前期收敛速度中等较慢快后期精细搜索好中等容易停滞参数数量3个5个以上4个左右对高维约束问题适应性较好一般一般我实测20次最优解波动最小中等较大这也是为什么我最终把差分进化作为主算法而不是选择更热门的粒子群。它的稳健性在工程问题里比跑一次碰巧很便宜重要得多。3. 建模落地从约束条件到MATLAB目标函数3.1 搞清楚数据24小时负荷、光伏、电价怎么来写代码的第一步不是写算法而是把输入数据整理成干净的格式。我的做法是把一天的负荷、光伏预测出力、风电预测出力、分时电价分别存成24维的列向量放在一个结构体或者Mat文件里后续目标函数直接读取。典型日数据大概是这样的规律负荷在夜间低、早上8到11点抬升、晚高峰17到21点最高光伏从早上7点开始增长、13点附近达到峰值、18点后归零风电往往是夜间出力高、白天偏低电价跟随负荷分峰平谷三个区间。我用的一组归一化数据大概是这样谷段电价0.25元平段0.65元峰段1.05元。这一组数据看起来简单却是目标函数计算的基础一定要先可视化看一眼曲线是否平滑有没有异常突变不然后面优化出来的方案会非常奇怪。3.2 决策变量怎么编码72维向量的排布差分进化是在连续空间搜索的要把调度方案编码成一个一维向量。我用的方案是x [ P_mt(1)...P_mt(24), P_buy(1)...P_buy(24), P_bess(1)...P_bess(24) ]其中P_mt是燃气轮机出力P_buy是从电网购电功率P_bess是储能功率约定大于0表示放电、小于0表示充电。这样向量维度就是72每个分量对应一个时刻的一种设备出力。这里有一个关键点光伏和风电的出力在这个模型里不作为决策变量它们是被优先消纳的电源当作给定数据传入目标函数。这样既符合微电网调度的工程习惯也大幅缩小搜索空间。如果硬要把光伏和风电出力也作为决策变量维度会高很多收敛难度直线上升而且不符合可再生优先消纳的调度逻辑。还有同学问为什么不让储能的两个方向分别编码为两个变量那样试下来很容易出现同时充电和放电的情况物理上不允许。用一个带符号的变量就不会有这个问题正数放电、负数充电天然满足互斥约束。3.3 约束处理的两种思路边界修正与罚函数约束处理是整段代码里最影响结果的环节。我采用的是组合方案不等式边界直接限幅等式约束和时序约束用罚函数。具体来说燃气轮机出力上下限、购电功率上限这些盒子型约束直接在生成变异向量后做一次v max(min(v, ub), lb)保证每个个体都在可行域内部。这样做的好处是减轻罚函数压力让算法把精力放在功率平衡和SOC约束上。功率平衡等式约束和SOC上下限我用罚函数处理。罚函数的基本思路是目标函数计算完之后把约束违反量换算成成本乘以一个很大的惩罚系数再加进去。比如功率不平衡量是2.3kW罚系数是1000这一项就加2300成本算法会逐渐把解推向满足约束的区域。这里有个特别重要的细节——罚系数的量级必须和目标函数量级匹配。如果总运行成本大概几千块功率平衡违反量平均是几十kW你把罚系数设成100罚项只有几百块约束等于不存在设成10的8次方罚项数值爆炸算法会为了满足约束牺牲经济性储能和燃气轮机被过度限制。我后来总结的经验是先跑一次不罚约束的松弛版本记录典型目标成本和典型违反量然后取 penalty ≈ 10 × (典型成本 / 典型违反量) 作为起点再上下微调。这是从实际调试里摸索出来的经验比论文里直接告诉你取很大要可操作得多。3.4 目标函数文件的编写骨架目标函数我单独写成一个函数文件算法主程序只负责生成个体和调目标函数。这是模块化基础后面换模型、换数据都不用动DE主循环。function cost microgridCost(x) % 输入x: [P_mt(1:24), P_buy(1:24), P_bess(1:24)] T 24; P_mt x(1:T); P_buy x(T1:2*T); P_bess x(2*T1:3*T); % 正数放电负数充电 % 读取全局数据 global loadData pvData wtData priceBuy priceSell % 注意课题代码里可以用 struct 传递避免全局变量的坏习惯 % 燃料成本: a*P^2 b*P c a 0.0003; b 0.12; c 1.5; fuelCost sum(a * P_mt.^2 b * P_mt c); % 购电成本减售电收益这里简化为只购电不售电 gridCost sum(priceBuy .* P_buy); % 储能损耗 C_bess_unit 0.02; bessCost C_bess_unit * sum(abs(P_bess)); % 功率平衡光伏风电 燃气轮机 购电 放电 - 负荷 - 充电 0 imbalance pvData wtData P_mt P_buy max(P_bess, 0) ... - loadData - abs(min(P_bess, 0)); % SOC约束 SOC(1) 0.5; C_bess_kWh 300; eta 0.95; for t 1:T if P_bess(t) 0 SOC(t1) SOC(t) - P_bess(t) / (eta * C_bess_kWh); else SOC(t1) SOC(t) - P_bess(t) * eta / C_bess_kWh; end end socViolation sum(max(0, SOC(1:T1) - 0.9)) sum(max(0, 0.1 - SOC(1:T1))); % 总成本加罚函数 penalty 5000; cost fuelCost gridCost bessCost ... penalty * sum(abs(imbalance)) penalty * socViolation; end这个代码骨架可以直接扩展去掉全局变量改成结构体参数增加售电逻辑、弃风弃光惩罚项、爬坡约束等。核心是理解两个数据流——决策向量如何被拆成物理变量以及约束违反量如何进入成本函数。4. 差分进化主循环与代码调试实录4.1 一套可直接跑进课题的DE主循环代码差分进化的主循环并不复杂核心就四个步骤初始化、变异、交叉、选择。我习惯把主循环写成一个独立函数只依赖目标函数接口这样换一种改进DE算法时也只是改这个函数。function [bestX, bestCost, bestHist] de_optimizer(NP, F, CR, MaxIter, D, lb, ub) % 初始化种群 pop rand(NP, D) .* (ub - lb) lb; costPop zeros(NP, 1); for i 1:NP costPop(i) microgridCost(pop(i, :)); end bestHist zeros(MaxIter, 1); for g 1:MaxIter newPop pop; for i 1:NP % 变异随机选三个不同个体 r randperm(NP, 3); v pop(r(1), :) F * (pop(r(2), :) - pop(r(3), :)); % 边界限幅 v min(max(v, lb), ub); % 交叉 jRand randi(D); u pop(i, :); mask rand(1, D) CR; mask(jRand) true; % 保证至少交叉一个维度 u(mask) v(mask); % 选择 costU microgridCost(u); if costU costPop(i) newPop(i, :) u; costPop(i) costU; end end pop newPop; [bestCost, idx] min(costPop); bestHist(g) bestCost; bestX pop(idx, :); end end注意一个细节变异时随机选的三个个体理论上不能与当前个体相同否则差分向量退化。MATLAB的randperm(NP, 3)在小种群时有可能抽到当前个体本身我的经验是在写严谨版本时要加一个过滤步骤把当前个体索引排除再抽。另外交叉的jRand保证至少有一个维度来自变异向量这是DE的标准做法不加的话种群可能完全静止。4.2 收敛判断与随机性结果可靠吗DE算完一轮之后要判断结果是否可信不是看bestCost一个数字那么简单。我一般分三步第一步看收敛曲线。把bestHist画出来正常情况下成本曲线应该在前期快速下降后期缓慢平滑地逼近一个稳定值。如果曲线到迭代结束还在明显下降说明迭代次数不够要加大MaxIter或者调大NP。如果曲线前期就平坦了成本还很高大概率陷入局部最优。第二步看约束满足情况。把最优解取出来重新调用microgridCost分解成功率平衡违反量、SOC违反量、设备越界几个指标逐一检查。这一步非常关键因为罚函数给的是综合成本很可能整体成本很低但某个时刻功率平衡违反严重算法拿其他时刻的节省补偿了这个时刻这在物理上是不能接受的。我遇到过两次都是罚系数量级不对导致的。第三步看算法稳定性。同一个优化问题跑20次记录每次的bestCost统计最小值和均值。如果20次结果相差超过2%说明参数或种群规模不合适。一个好的DE配置多次运行结果之间的波动应该很小。这个统计习惯放到论文里是加分项放到自己课题里能省去很多返工。4.3 代码调试中最常见的三个坑第一个坑是决策变量拆分配对错误。72维向量拆成三组24维变量时经常把索引写错一位1:24变成2:25结果燃气轮机和购电的调度反了。这种错很难发现因为最终成本可能看起来正常。我的经验是在拆完变量后立即加一行测试脚本随手画一下P_mt曲线看它是否符合出力范围。第二个坑是边界限幅和功率平衡的矛盾。限幅会把变异向量压回可行域但压完后的个体可能不满足功率平衡约束。这是正常现象靠罚函数去平衡不要试图用某种复杂修正保证每个个体严格平衡那会让搜索空间变得支离破碎。第三个坑是MATLAB的随机数流环境对多轮实验的干扰。如果前面某段代码用了rng或者导致随机数流状态变化后面所有优化结果都会跟着漂移。做重复实验时每次运行前都要用rng(固定种子)重置否则你统计的稳定性其实是噪声。5. 典型算例结果解读一天24小时调度方案5.1 算例参数与基础配置我在某课题里用了一组典型参数来做算例验证燃气轮机额定功率100kW燃料成本系数a0.0003、b0.12、c1.5储能额定容量300kWh最大充放电功率50kW初始SOC为0.5允许工作区间0.1到0.9充放电效率0.95联络线最大购电功率200kW光伏装机80kW风电装机40kW系统日峰值负荷约220kW谷时负荷约110kW。算法参数按前面推荐的NP60F0.5CR0.9最大迭代次数200。机器跑完大概十几秒这个速度对研究阶段完全够用。5.2 调度方案的时间线解读把最优解画出来看调度方案非常有工程直觉很能说明算法真的学到了调度规律。凌晨0点到7点负荷处于低谷电价也是最便宜的谷段0.25元。最优解选择尽量从电网购电燃气轮机停机或极低出力同时储能以最大功率充电把在低谷时段买的便宜电存起来。这个行为对应储能峰谷套利策略是电力系统里最基础的低价存储逻辑。白天8点到15点光伏出力进入高峰负荷也在攀升。最优解表现为光伏优先消纳、燃气轮机部分出力、购电量明显下降储能根据电价平段和负荷情况灵活切换充放。如果光伏充足储能甚至会继续充电为晚高峰准备库存。晚上17点到21点峰段电价1.05元负荷达到全天最高。最优解里燃气轮机基本满发储能持续放电购电功率尽量压低只有不够的部分才从电网买。整条出力曲线没有出现离奇的振荡每个设备都在合理区间内工作这是罚函数和边界约束设置得当的表现。我整理了几个典型时段的调度结果方便展示时段负荷(kW)光伏(kW)燃气轮机(kW)储能功率(kW)购电(kW)02:00120015充电3213711:001806245充电108314:001756840放电57219:00220095放电4877这组数据不是真实的测量值而是算法计算出的典型结果但它展示了核心调度规律谷段囤、峰段放燃气轮机作为平衡基荷来自电网的购电兜底。5.3 收敛曲线与算法稳定性收敛曲线上看前30代成本快速下降大概从初始随机方案的三万多降到接近优化值60代以后趋于平缓到120代基本稳定。这种情况下200代最大值设定是合理的既有充足的收敛空间又不至于浪费算力。稳定性方面同一份数据用20个不同的随机种子跑最优成本的最大值和最小值相差约1.5%标准差约0.6%。这个波动水平在智能优化方法里算不错。如果标准差超过2%我通常会先考虑增大NP而不是盲目调F因为种群多样性不足往往是高维优化迟迟找不到稳定区域的主要原因。5.4 和规则调度对比能省多少为了让结果更有说服力我还做了一组对比规则调度采用光伏全额消纳、燃气轮机固定半载、储能按固定峰谷策略充放的简单方式差分进化调度则是全时段联合优化。结果显示这一组算例里DE调度方案的总运行成本比规则调度降低约6.8%。拆分来看节省主要来自两个方面一是峰谷电价套利更精准储能充放时机不再依赖固定的经验规则二是燃气轮机的出力在全时段内按成本曲线和负荷曲线联合优化避免了固定半载造成的浪费。需要说明的是这个比例依赖具体算例参数。峰值电价越高、储能容量越大、负荷峰谷差越明显优化收益越大。如果你的课题里优化收益远低于这个数要先检查是不是峰谷电价差太小或者储能容量不足而不是算法有问题。6. 参数调优经验与复用建议6.1 F和CR别直接抄论文先粗调后细调不少文献上来直接写F0.8、CR0.9看起来标准但换到你的模型上不一定合适。我踩过的坑是把文献参数照搬到我的72维模型上时收敛曲线前期下降很快但最终成本比调整后的参数高了3%以上。原因是这个模型的目标函数比较平局部最优和全局最优之间的差距不算太大F太大时搜索步长直接跨过了精细区域。我的调参流程是先固定NP50F0.5CR0.9跑一次看收敛曲线如果曲线锯齿严重、后期还出现成本反弹说明F偏大降到0.4再试如果收敛很平滑但最终成本高、多次运行波动大可能是F太小或者NP太小如果前期就收敛到了明显不理想的成本则把CR降到0.7左右增加基因保留程度。注意一次只调一个参数不要同时动两个否则出了问题根本定位不到原因。6.2 罚系数的量级会直接改变最优解形态罚函数系数这个问题我在前面的章节提过这里再展开说。它不仅仅是有没有满足约束的问题而是会改变整个最优解的结构。我曾经做过一个对比实验罚系数设成10的2次方量级时算法给出的调度方案功率平衡大量违反储能SOC长期越界但总成本数字很好看罚系数设成10的6次方时约束全满足但燃气轮机为了配合储能被逼得很紧运行成本反而上升。两种结果单独看都不靠谱。后来引入一个标幺化做法先估计目标成本的典型量级C_typ和约束违反量的典型量级V_typ罚系数从penalty ≈ C_typ / V_typ出发乘一个3到10倍的安全系数。这样即便系数偏高也只是在牺牲少量经济性换取严格约束满足的方向偏不会出现约束完全失效或者成本数值爆炸的极端情况。调试过程中把每个约束违反量的数值打印出来看一眼比盯着总成本数字猜测有效得多。6.3 随机优化结果怎么报告才可信差分进化是随机算法单次运行结果不能代表算法性能。我见过一些同学论文里写最优成本是XXX却不说跑了多少次、结果波动多大这样很容易被质疑。更稳妥的写法是独立运行20到30次报告最优值、平均值、最差值、标准差并用固定随机种子保存一次完整结果用于复现。代码里可以在优化函数入口加rng(seed)把种子作为参数传入这样别人拿到代码就能跑出一模一样的结果。在这个课题里我最后报告的结果用的是30次独立运行的最优方案同时列出平均值和标准差。这样做论文答辩时少了很多争议自己复盘时也更踏实。6.4 把DE从单次运行变成可复用模块做完这个项目我才意识到最有价值的产品不是那一堆结果图而是代码结构本身。我的做法是目标函数文件、DE主循环文件、数据加载文件、结果绘图文件四个模块完全分离。后来课题组新来一个做电动汽车充电调度的同学他直接复用我的DE主循环只重写了目标函数和数据加载两天就出了一版能跑的仿真。这种复用能力在项目多的阶段特别重要。如果要继续做研究创新点差分进化也有很多可以扩展的方向改用自适应F参数、引入混沌初始化、加局部搜索算子、把单目标改成多目标Pareto优化、考虑源荷不确定性的鲁棒优化等。核心的模型骨架和DE框架都不用推翻改造成本很低。现在这套框架我已经复用到另一个带电动汽车充电负荷的微源项目上改的只是建模数据和目标函数里的几项成本。回过头看做调度研究真正卡人的地方不是算法本身而是模型是否建对、约束罚值量级是否找准、决策变量编码是否清晰。这三件事做好了差分进化这样的成熟算法完全够用甚至可以成为课题组里反复复用的基础工具。