改进的多目标差分进化算法在电力系统环境经济调度中的应用（Python代码实现）【电气期刊论文复现】
欢迎您的到来
博客主页：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
床头铭：将来的我一定会感谢现在奋斗的自己！
专栏目录链接：
| 电气代码 | 智能算法及其应用 |
| 路径规划 | 神经网络预测 |
| 优化调度 | 图像处理 |
| 车间调度 | 信号处理 |
| 浪漫的她 | 我的哲思 |
| 数学建模 | |
目录
1 电力系统环境经济调度数学模型
2 改进的多目标差分进化算法
3 Python代码实现
3.1 结果
3.2 Python代码
改进的多目标差分进化算法不仅可以应用在电力系统环境经济调度，换其他多目标函数和约束条件依然适用。主要是把这个工具用好，用在其他多目标经典问题上，然后就可以写一篇期刊论文。
下面是运行结果：
迭代一千次：
1 电力系统环境经济调度数学模型
2 改进的多目标差分进化算法
3 Python代码实现
3.1 结果
迭代500次：
迭代一千次：
3.2 Python代码
（1）数据
（2）读取数据然后书写目标函数和约束条件
#!/usr/bin/env python
# coding:utf-8
import numpy as np
import math
# from DE.initial import create_child, initialize
from constraint import constraints
"""=============读取data.txt数据==================="""
def inital_model(file): #file：data.txt这个文件
data = open(file, 'r').readlines() #读取整个文件所有行，保存在一个列表(list)变量中，每行作为一个元素
num = int(data[0].split()[-1]) #切割字符串，结果返回由字符串元素组成的一个列表,得到num=6（机组个数）
C = np.zeros([num, 5]) #存放煤耗特性系数
E = np.zeros([num, 5]) #存放排放特性系数
P = np.zeros([num, 2]) #存放机组最大出力与最小出力
B = np.zeros([num, num]) #存放B矩阵
parameters = len(data[3].split()) - 3 #第3行开始，到3+6=9行（Python从0开始计数）
for i in range(2, 2 + num):
raw_data = data[i].split()[1:]
for j in range(parameters):
C[i - 2][j] = float(raw_data[j]) #读取煤耗特性系数
P[i - 2][0] = float(raw_data[-2]) #读取机组下限
P[i - 2][1] = float(raw_data[-1]) #读取机组上限
length = len(data[2 + num].split()) - 1
for i in range(3 + num, 3 + 2 * num): #读取排放特性系数
raw_data = data[i].split()[1:]
for j in range(length):
E[i - 3 - num][j] = float(raw_data[j]) #排放特性系数
for i in range(4 + 2 * num, 4 + 3 * num): #读取B矩阵
raw_data = data[i].split()
B[i - 4 - 2 * num] = np.array(list(map(float, raw_data)))
B_0 = np.array(list(map(float, data[5 + 3 * num].split())))
B_00 = float(data[7 + 3 * num])
return num, C, E, P, B, B_0, B_00
"""=====总燃料成本==========="""
def costfun(uid, load, C, P=None):
if P is not None: #如果满足机组上下限
return load * (C[uid][2] * load + C[uid][1]) + C[uid][0] + math.fabs(C[uid][3] *
math.sin(C[uid][4] * (P[uid][0] - load)))
return load * (C[uid][2] * load + C[uid][1]) + C[uid][0]
"""======总污染排放量=========="""
def emission(uid, load, E, flag=True):
if E[0][3] != 0 and flag:
return (E[uid][0] + (E[uid][1] + E[uid][2] * load) * load) + E[uid][3] * math.exp(E[uid][4] * load)
else:
return load * (E[uid][2] * load + E[uid][1]) + E[uid][0]
class Model:
def __init__(self, file):
self.nGen, self.C, self.E, self.P, self.B, self.B_0, self.B_00 = inital_model(file)
def constraint(self):
return constraints
""'======运行===================='
if __name__ == '__main__':
demand = 2.834 #负荷需求
model = Model('../data.txt')
print("===============排放系数===============")
print(model.E)
exit(0)
pop = np.array([0.1917, 0.3804, 0.5603, 0.7154, 0.6009, 0.3804]) #六个机组出力
fuel = 0
emis = 0
for i in range(len(pop)): #遍历六个机组
fuel += costfun(i, pop[i], model.C, model.P)
emis += emission(i, pop[i], model.E, flag=True)
print(fuel, emis)
print(constraints(pop, model, demand))
exit(0)
（3）主函数，运行
"""========开始运行============="""
if __name__ == '__main__':
demand = 2.834
model = Model('../data.txt')
arguments = {'nIter': 1000, 'nPop': 200, 'nArc': 100, 'nGen': 6, 'F': 0.6, 'CR': 0, 'init': 1, 'mutation': 0}
DE = MMODE(model=model, **arguments)
DE.solve(demand)
print(DE.finalY.shape)
n = range(DE.nIter)
fig, ax1 = plt.subplots()
color = 'tab:red'
ax1.set_xlabel('迭代次数')
ax1.set_ylabel('最佳燃料成本($/h)', color=color)
ax1.plot(n, DE.bestC, color=color)
ax1.tick_params(axis='y', labelcolor=color)
ax2 = ax1.twinx() # second y axis
color = 'tab:blue'
ax2.set_ylabel('最佳污染排放量(t/h)', color=color)
ax2.plot(n, DE.bestE, color=color)
ax2.tick_params(axis='y', labelcolor=color)
plt.title('最佳成本和排放')
fig.tight_layout()
plt.show()