【多目标优化算法】基于分解的多目标进化算法智能电网电力调度决策方法（Matlab代码实现）

欢迎来到本博客❤️❤️❤️

博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

专栏目录：

【电气代码、智能算法及其应用、神经网络预测、路径规划、优化调度、车间调度、图像处理、信号处理、浪漫的她、完整代码事宜】

目录

1 概述

2 运行结果

3 Matlab代码实现

‍4 参考文献

---

1 概述

     近几十年来，越来越需要快速解决多目标最优潮流（MOPF）问题[2]，[3]，以便在现代电力系统中更有效地运行和规划[4]。MOPF可以理解为约束单目标最优功率流（OPF）[5]的扩展，旨在最大限度地降低电力系统的总发电成本，同时满足供需之间功率平衡的需求，但受制于发电机有功和无功功率的运行限制[6]， 以及整个系统的安全性。

MOPF通常通过使用多目标优化（MOO）[7]算法来解决，该算法考虑了具有不同权衡水平的几个相互冲突的目标[8]。因此，MOPF提供了一组最优解，而不是传统OPF中的单个最优值。MOPF的最优解集对应于不同的权衡水平，通常被称为帕累托最优解（PoSs）[8]，其中每个PoS对应于由不同目标形成的目标空间中的一个点，所有这些点的形状称为帕累托锋（PF）。用户可以明智地决定哪一个权衡水平以及PF上最适合电力系统目标的相关最佳点。

根据[9]–[12]，求解MOPF的优化技术可分为两组：1）数学规划方法和2）启发式算法。

即使在处理大规模MOPF时，数学规划方法[13]通常计算速度也很快，并且通常每次都可以稳定地获得最佳解。然而，这些方法基于导数的使用，并且很容易被捕获到局部最优中。此外，对于非凸问题，它们可能不会收敛到全局最优值。

本文分别研究了三个聚合目标函数（AOF），即加权和切比切夫和加权Lk度量。本次只讲解算法​。

2 运行结果

3 Matlab代码实现

% Plot the Pareto Frontfigure(1); plot(PF(:,1), PF(:,2), 'rs'); hold on​xlabel('\it f_{1}(x) = x');ylabel('\it f_{2}(x) = 5e^{-x} +2e^{-0.5(x-2.1)^{2}}');title('Pareto Front Example - Tschebysheff');

智能算法及其应用专栏

‍4 参考文献

C. Xiao, D. Sutanto, K. M. Muttaqi and M. Zhang, "A Judicious Decision-Making Approach for Power Dispatch in Smart Grid Using a Multiobjective Evolutionary Algorithm Based on Decomposition," in IEEE Transactions on Industry Applications, vol. 56, no. 2, pp. 1918-1929, March-April 2020, doi: 10.1109/TIA.2019.2960478.

MOPF通常通过使用多目标优化（MOO）[7]算法来解决，该算法考虑了具有不同权衡水平的几个相互冲突的目标[8]。因此，MOPF提供了一组最优解，而不是传统OPF中的单个最优值。MOPF的最优解集对应于不同的权衡水平，通常被称为帕累托最优解（PoSs）[8]，其中每个PoS对应于由不同目标形成的目标空间中的一个点，所有这些点的形状称为帕累托锋（PF）。用户可以明智地决定哪一个权衡水平以及PF上最适合电力系统目标的相关最佳点。

根据[9]–[12]，求解MOPF的优化技术可分为两组：1）数学规划方法和2）启发式算法。

即使在处理大规模MOPF时，数学规划方法[13]通常计算速度也很快，并且通常每次都可以稳定地获得最佳解。然而，这些方法基于导数的使用，并且很容易被捕获到局部最优中。此外，对于非凸问题，它们可能不会收敛到全局最优值。