基于差分进化算法的微网实时经济优化
《差分进化算法的优化及其应用研究》范文
《差分进化算法的优化及其应用研究》篇一摘要随着优化问题在科学、工程和技术领域的重要性日益增强，差分进化算法（DEA，Differential Evolution Algorithm）以其高效的优化能力和出色的适应性，在众多领域中得到了广泛的应用。
本文旨在探讨差分进化算法的优化方法，以及其在不同领域的应用研究。
首先，我们将对差分进化算法的基本原理进行介绍；其次，分析其优化策略；最后，探讨其在不同领域的应用及其研究进展。
一、差分进化算法的基本原理差分进化算法是一种基于进化计算的优化算法，通过模拟自然选择和遗传学原理进行搜索和优化。
该算法的核心思想是利用个体之间的差异进行选择和演化，从而达到优化目标的目的。
基本原理包括种群初始化、差分操作、变异操作、交叉操作和选择操作等步骤。
在解决复杂问题时，该算法可以自动寻找全局最优解，且具有较好的收敛性能和稳定性。
二、差分进化算法的优化策略为了进一步提高差分进化算法的性能，学者们提出了多种优化策略。
首先，针对算法的参数设置，通过自适应调整参数值，使算法在不同阶段能够更好地适应问题需求。
其次，引入多种变异策略和交叉策略，以增强算法的搜索能力和全局寻优能力。
此外，结合其他优化算法如遗传算法、粒子群算法等，形成混合优化算法，进一步提高优化效果。
三、差分进化算法的应用研究差分进化算法在众多领域得到了广泛的应用研究。
在函数优化领域，该算法可以有效地解决高维、非线性、多峰值的复杂函数优化问题。
在机器学习领域，差分进化算法可以用于神经网络的权值优化、支持向量机的参数选择等问题。
此外，在控制工程、生产调度、图像处理等领域也得到了广泛的应用。
以函数优化为例，差分进化算法可以自动寻找全局最优解，有效避免陷入局部最优解的问题。
在机器学习领域，差分进化算法可以根据问题的特点进行定制化优化，提高模型的性能和泛化能力。
在控制工程中，该算法可以用于系统控制参数的优化和调整，提高系统的稳定性和性能。
基于改进微分进化算法的微电网优化运行研究
文章 编 号 ： １ ０ ０ ５—２ ９ ９ ２ （ ２ ０ １ ３ ） ０ １ ／ ０ ２—０ ０ ２ ７— ０ ６
基 于 改进 微 分 进 化 算 法 的微 电 网优 化 运 行 研 究
王 波一 ， 王 鹤 ， 兰 森２， 李佳 鹏。
（ １ ． 东北 电力大学 电气工程学 院， 吉林 吉林 １ ３ ２ ０ １ ２ ； ２ ． 黑龙江省电力有限公司 哈尔滨检修公 司， 哈尔滨 １ ５ ０ ０ ９ ２
东北 电力大 学学报
第３ ３卷
电机和储能元件 ， 如图 １ 所示。通常微型燃气轮机包括热电冷联供系统 ， 用来提高能源的利用效率。微 电网通 过一个 静态 开关 与 电 网相 连 ， 形 成并 网状态 ， 可 以与大 电网交换功 率 ， 购买 或 出售 电 。
２
源发 电成 本模 型 （ １ ）光 伏 系统
１ 系统模 型
１ ． １ 微 电网的 系统 结构
微 电网系统一般包含风力发 电、 光伏发电等可再生能源电源 ， 以及燃料电池、 微型燃气轮机 、 柴油发
收 稿 日期 ： ２ ０ １ ２— ０ ９—１ ４ 作者简介 ： 王波一（ １ ９ ８ ８一）， 女， 吉林省 白城市人 ， 东北电力大学电气工程学院在读硕士研究生 ， 主要研究方向 ： 微电网优化运行
３ ． 浙 江 省嘉 兴 电力 局 ， 浙江 嘉兴 ３ １ ４ ０ ０ ０ ）
摘
要 ：目前微 电网是研究 中的热点问题 ， 是未来 智能配 电网的发展方 向， 研 究微 电网 的优 化运行
有着重要的意义。在考虑含多种微电源的微 网模型 的基础上 ， 考虑 了 Ｓ Ｏ ： ， Ｃ Ｏ ： ， Ｎ Ｏ 的排放 成本 以及运
行维护费用 ， 以微 电网运行成本最低为 目标 函数 ， 提 出了一种基 于改进微 分进 化算法 的微 电 网优化 运行 方法。采用 的改进微分进化算 法经过初始化 、 变异 、 交叉 、 选择 等操作完成对最优解 的搜索 ， 在不 同阶段 采用不同的变异策略 ， 具有更高 的全局搜索 能力 和收敛速度 ， 对算例 的仿 真实验证 明了方法 的有效性 。 关 键 词： 微 电网； 优化 运行 ； 改进微分进化算法 ； 运行成本 ； 排放系数
改进小生境差分进化算法在配网无功优化中的应用
改进小生境差分进化算法在配网无功优化中的应用黄俊辉1，李琥1，衣涛2，元梨花3，韩俊1 （1.国网江苏省电力公司经济技术研究院，江苏南京210000；2.上海交通大学电气工程系，上海200240；3.上海博英信息科技有限公司，上海200240）【摘要】摘要：配网无功优化是一类非线性的整数规划问题，通过调整变压器的变比，改变发电机的端电压和连接补偿电容来改变电力网络中的无功，减小系统网损。
差分进化算法是一种收敛速度快，收敛精度高的智能进化算法，针对无功优化模型对差分进化算法做出改进，引入小生境思想。
通过实例验证了小生境粒子群算法（NPSO）和改进小生境差分进化算法（FERDE）对无功补偿装置布点优化规划的有效性。
结果表明，增强算法的局部搜索能力和扩宽搜索范围，在收敛速度和精度上都有不同程度的提高。
【期刊名称】电网与清洁能源【年(卷),期】2015(031)006【总页数】5【关键词】配网无功优化；差分进化算法；小生境；粒子群优化配网无功优化问题是一个多变量、多约束的混合非线性规划问题，其控制变量既有连续变量，又有离散变量，整个优化过程十分复杂，计算规模大。
从传统的算法，如线性规划法、非线性规划法等，到人工智能算法，如粒子群优化算法、遗传算法等，都在不同程度上对无功优化做出贡献。
随着智能启发式优化算法的发展，差分进化算法逐步被应用到电力系统中，该算法具有易理解、并行处理、鲁棒性好等特点，能以较大概率找到问题的全局最优解，且计算效率比传统的进化规划等算法高。
其最大的优势在于简单易实现、收敛速度快、搜索精度高，不但适合科学研究，而且适合工程应用。
因此，差分进化算法（Differential evolution algorithm，DE）一经提出，立刻引起了演化计算领域研究者的广泛关注，并涌现出大量的研究成果，已经在函数优化、神经网络设计、分类、模式识别、信号处理、机器人技术等应用领域取得了成功应用[1-2]。
基于改进差分进化算法的微网容量优化配置方法[发明专利]
![基于改进差分进化算法的微网容量优化配置方法[发明专利]](https://img.taocdn.com/s3/m/76230f840b1c59eef8c7b4f3.png)
专利名称：基于改进差分进化算法的微网容量优化配置方法专利类型：发明专利
发明人：吴定会,张子恒,欧阳洪才,祝志超,张娟,马睿洁
申请号：CN202110008891.5
申请日：20210105
公开号：CN112836423A
公开日：
20210525
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于改进差分进化算法的微网容量优化配置方法。
以总成本最低为目标，建立基于改进差分进化算法的微网容量优化配置方法。
包括以下步骤：1.确定微网对象，对微网的进行数学建模。
2.根据负载的特性和风光柴储互补发电系统特点，确定该系统的能量调度策略。
3.以成本最低为目标函数，构建系统的目标函数方程。
4.利用matlab软件对系统的数学模型进行编程与仿真，在算法部分，采用群智能算法对问题进行优化求解。
分别在种群初始化阶段，变异阶段对差分进化算法进行改进。
将改进后的差分进化算法应用于微网的容量优化配置中。
克服了传统优化算法求解精度不高，速度较慢的问题，改进了微网容量配置的科学性和经济性。
申请人：江南大学
地址：214122 江苏省无锡市滨湖区蠡湖大道1800号
国籍：CN
代理机构：无锡华源专利商标事务所(普通合伙)
代理人：聂启新
更多信息请下载全文后查看。
基于多种群改进差分进化算法的环境／经济电力调度优化
基于多种群改进差分进化算法的环境／经济电力调度优化钱寒晗;何川;麦立【摘要】应用多种群改进差分进化算法求解环境／经济电力调度（ Environmental／Economic Dis-patch， EED）这一多目标优化问题。
将多种群策略引入差分进化算法，有助于保持群体多样性，有效避免经典差分进化算法的早熟收敛问题。
采用自适应变异因子及交叉因子，使算法在搜索初期保持全局搜索能力，在搜索后期增强局部搜索能力，加快收敛速度。
将该算法应用到IEEE 30节点－6机组系统的环境／经济调度优化，仿真计算结果以及与其他算法的对比分析验证了该算法的有效性。
%A multi-tribe modified differential evolution algorithm is presented for solving environmental /economicdispatch(EED)multi-objective optimization problem.The multi-tribe strategy is introduced into differential evolution algorithm , to maintain the diversity of the group , and effectively avoid the premature convergence problem in classical differential evolution algorithm .The adaptive mutation and crossover factors are used to keep the global searching ability in the early stage , and to enhance the local searching ability in the late stage to accelerate convergence .The algorithm is applied to obtain environmental/economic power dispatch optimization solutions for the IEEE 30-bus system and 6-unit system.The results obtained are compared with other algorithms to verify the effectiveness of the proposed algorithm .【期刊名称】《安徽电气工程职业技术学院学报》【年(卷),期】2015(000)0z1【总页数】5页(P13-17)【关键词】多种群改进差分进化算法;环境/经济调度;多目标优化;帕累托最优【作者】钱寒晗;何川;麦立【作者单位】国网安徽省电力公司调控中心，安徽合肥 230022;国网安徽省电力公司调控中心，安徽合肥 230022;国网安徽省电力公司调控中心，安徽合肥230022【正文语种】中文【中图分类】TM731电力系统环境/经济调度优化是一个复杂的多目标优化问题，旨在降低电力系统发电成本的同时减少污染气体的排放量，具有高维数、多约束、非线性、非凸等特点[1,2]。
一种基于改进型差分进化算法的S Zorb装置实时优化方法[发明专利]
![一种基于改进型差分进化算法的S Zorb装置实时优化方法[发明专利]](https://img.taocdn.com/s3/m/8103b86cb9d528ea80c77935.png)
专利名称：一种基于改进型差分进化算法的S Zorb装置实时优化方法
专利类型：发明专利
发明人：杜文莉,叶贞成,钱锋,杨明磊
申请号：CN202011298545.7
申请日：20201118
公开号：CN112365071A
公开日：
20210212
专利内容由知识产权出版社提供
摘要：本发明涉及汽油吸附脱硫技术领域，更具体的说，涉及一种基于改进型差分进化算法的S Zorb装置实时优化方法。
本发明提出的优化方法，包括：S1、采集当前实时工况数据；S2、将处理后的实时数据输入S Zorb装置数学模型中，计算出当前工况下产品的硫含量及辛烷值损失值；S3、计算出当前产品硫含量的约束违反度；S4、建立最小化辛烷值损失的目标函数，硫含量为约束函数；S5、以当前实时工况数据为初始状态点，采用改进型差分进化算法进行迭代，确定最优种群；S6、将最优种群中的种子，选出最优的种子及其所对应的目标函数值，对应优化决策变量的优化值。
本发明的方法合理可靠，对于S Zorb装置优化十分有效，移植性、可行性好，适合推广使用。
申请人：华东理工大学
地址：200237 上海市徐汇区梅陇路130号
国籍：CN
代理机构：上海专利商标事务所有限公司
更多信息请下载全文后查看。
基于差分进化算法的微电网多目标优化调度
基于差分进化算法的微电网多目标优化调度黄淑媛;肖健梅【摘要】能源的紧缺和环境污染问题的加剧,使得人们对微电网有了越来越多的研究.通过对微电网的并网运行进行研究,设计了包含光伏、风机、储能电池单元的微电网系统,综合考虑系统的供电可靠性,环境污染和成本花费三个方面,采用多目标差分进化算法来寻求一组非劣解来确定最终方案.最后通过一组案例数据对系统的优化调度进行了分析和验证.【期刊名称】《船电技术》【年(卷),期】2018(038)007【总页数】5页(P57-61)【关键词】微电网;多目标优化;差分进化算法Pareto;非支配解【作者】黄淑媛;肖健梅【作者单位】上海海事大学,上海201306;上海海事大学,上海201306【正文语种】中文【中图分类】TM727微电网主要依靠风电等可再生能源有利于减少污染物的排放的同时也确保了全球的能源供应。
但是由于光伏和风机等的初期投入较大，还要考虑后期生产过程中的维护费用，成本方面需要考虑良多。
同时，因为微电网中的光伏和风机单元能量供给来自大自然，存在很多不可控的因素，也很难进行精确的预测。
故在确保稳定供电的同时，降低污染和成本是微电网应用中需要解决的重要问题。
文献[1]主要研究当微电网遇到干扰时电池、光伏、柴油发电机等单元的能量管理和优化调度问题，通过研究提出确保系统抗干扰的运行方案，但并未考虑微电网运行的其他因素。
文献[2]在设计多能源发电系统中，采用多目标粒子群优化算法（MOPSO）最终得到一组非劣解，其中每个解都代表一个候选的方案。
文献[3]对混合微电网系统HMGS（Hybrid Micro-Grid System）的稳定性，电力生产的花费和系统对环境造成的影响三个方面进行优化，为平衡三个相互矛盾的目标，将HMGS的优化设计看成是一个多目标优化的任务。
并在瑞典的几个不同城市进行优化和评估，用多目标粒子群优化来找到每个地方的最优的系统结构和最优组件的大小。
最终证实了HGMS在瑞典乡村发展的可能性。
基于差分进化算法在函数优化方面的应用
基于差分进化算法在函数优化方面的应用作者：王亚萍段国荣来源：《科教导刊·电子版》2018年第19期摘要差分进化算法是一种全局优化性能好，鲁棒性好，容易实现的新型智能优化算法。
本研究描述了差分进化算法的基本原理，分析其优缺点，并利用无约束优化函数对差分进化算法进行测试，为差分进化算法的进一步改进指出方向。
关键词差分进化无约束优化0引言差分进化算法（DE算法）是一种基于种群差异的进化方法。
DE算法利用群体内各个体之间的竞争与合作开启群体智能模式便于进行优化搜索。
DE算法保留了种群的全局搜索能力，利用实数编码、简单的变异、交叉、选择操作和一对一的竞争生存方式，从而简化了进化操作。
DE算法特有的进化操作使其收敛性较强和鲁棒性较好，适合解决一些较复杂的函数优化问题。
DE算法本质上是一种基于实数编码的具有保优思想的智能优化算法。
该算法编程简单，容易实现，全局优化性能好，在测试函数的仿真实验中表现优异。
近年来，DE算法成为智能优化算法研究中的热点之一。
1算法的基本原理基本的DE是基于候选方案种群的算法，在整个搜索空间中进行搜索，通过使用简单的数学公式对种群中的现有方案进行组合实现。
如果新的方案有所改进，则被接受，否则被丢弃。
重复这一过程直到找到满意的解决方案。
设是最小适应度函数，适应度函数以实数向量的形式选取一个候选方案作为参数，给出一个实数值作为候选方案的输出适应值。
·在搜索空间中随机地初始化所有的个体。
·重复如下操作直到满足终止条件。
对于种群中的所有个体：（1）随机地从种群中选择彼此不同的三个个体，和；（2）随机地选择一个索引。
其中是被优化问题的维数；（3）通过对每一个进行如下的迭代计算，则所有可能的新个体生成一个随机数；（4）如果或者，，否则；（5）如果，然后在种群中使用改进的替换原来的，否则不变；（6）选择具有最小适应度值的作为搜索结果。
2算法步骤2.1初始化DE利用个维数为的实数值当做每一代种群的参数向量，每个个体可以表示为：（1）其中：种群中的序列；进化代数；种群规模。
基于改进微分进化算法的微电网动态经济优化调度_黄伟
ＤＯＩ：１０．７５００／ＡＥＰＳ２０１３０５２０００３基于改进微分进化算法的微电网动态经济优化调度黄 伟１，黄 婷１，周 欢２，王冠男１，崔屹平１（１．华北电力大学电气与电子工程学院，北京市１０２２０６；２．华北电力大学控制与计算机学院，北京市１０２２０６）摘要：针对微电网静态经济调度忽略了各时段之间内在联系的不足，考虑风电机组、光伏电池以及钠硫电池等不确定性因素对经济调度的影响，以微电源出力和微电网运行成本最小为目标函数，建立了微电网动态经济调度模型。
采用ＶＣ＋＋编制了利用改进微分进化算法的微电网动态经济调度程序，通过改变动态交叉因子，提高了算法的收敛速度和防止陷入局部最优的能力。
根据微电网算例结构的特点，分别针对微电网孤网／并网运行情况，制定了微电源的出力原则和运行控制策略。
计算结果表明，采用动态优化理论的微电网经济调度较静态调度在成本节约上更具优势，也使得钠硫电池的充放电更具有全局性和实际意义。
关键词：微电网（微网）；经济调度；动态系统理论；改进微分进化算法收稿日期：２０１３－０５－２０；修回日期：２０１３－１２－１６。
中央高校基本科研业务费专项资金资助项目（２０１４ＸＳ３９）。
０ 引言微型电网将各种分布式电源、负荷、储能单元及控制装置等结合，形成一个单一可控的单元，向用户同时供给电能和热能。
微电网的出现为分布式能源的综合利用提供了一种有效的技术手段［１－２］。
微电网的经济性是推动微电网大规模推广的重要影响因素。
微电网经济调度可以分为静态调度和动态调度。
动态经济调度考虑了各时间段之间的相互影响，更能反映系统的运行要求。
截止到目前，针对微电网经济调度的研究绝大多数为静态调度［３－７］，即针对电力系统各个时间断面分别求取目标最优，并通过简单加和，得到全局最优，而没有考虑不同时间断面之间的联系。
其中文献［８］建立了集中控制式微电网的优化调度模型，提出了运行和折旧成本最低、环境和综合效益最高４种优化目标函数，属于静态优化调度；文献［９］建立了包含钠硫电池（ＮａＳ）储能的微电网系统经济运行优化模型，属于静态优化调度；文献［１０－１１］在含风电场的电力系统经济调度中采取动态经济调度模型，所得到的调度方案能够节省更多发电成本，具有较高实用价值；文献［１２］建立了基于机会约束规划的微电网系统动态经济调度模型，但微电源种类过于单一，没有考虑钠硫电池等与影响断面关联性较大的因素，不具有普遍性。
《2024年差分进化算法的优化及其应用研究》范文
《差分进化算法的优化及其应用研究》篇一一、引言在优化技术不断发展的时代，差分进化算法（Differential Evolution Algorithm, DEA）作为一种全局优化算法，以其良好的搜索能力和简单的实现方式受到了广泛关注。
差分进化算法是一种启发式搜索算法，能够处理多种复杂的优化问题，在众多领域得到了广泛应用。
本文旨在探讨差分进化算法的优化及其应用研究，分析其性能及发展现状，并提出进一步的优化方向和策略。
二、差分进化算法的基本原理差分进化算法基于遗传算法的思路，采用个体之间的差异作为主要驱动力，以寻找问题的最优解。
该算法利用目标问题个体间的差异信息进行种群搜索和演化。
通过比较当前种群中个体的差异和性能，选择最优的个体进行交叉和变异操作，从而生成新的个体。
这种过程不断迭代，最终找到问题的最优解。
三、差分进化算法的优化研究1. 参数优化：差分进化算法的参数设置对算法的性能具有重要影响。
针对不同的问题，通过调整控制参数（如交叉概率、变异尺度因子等），可以优化算法的搜索能力和收敛速度。
目前，研究者们正尝试使用自适应、自调节等方式，使算法能够根据问题的特性自动调整参数。
2. 融合其他优化方法：为了进一步提高差分进化算法的性能，可以与其他优化方法进行融合。
例如，结合梯度信息与差分进化算法，实现混合搜索策略；将局部搜索策略与全局搜索策略相结合，形成协同进化等。
3. 并行计算与分布式计算：为了提高差分进化算法的计算效率，可以采用并行计算和分布式计算的方法。
通过将问题分解为多个子问题，并行处理每个子问题，可以显著提高算法的求解速度。
四、差分进化算法的应用研究1. 函数优化：差分进化算法在函数优化问题中表现出色，能够快速找到全局最优解。
在多模态函数、非线性函数等复杂函数优化问题中，差分进化算法具有较高的求解精度和效率。
2. 图像处理：差分进化算法在图像处理领域具有广泛应用。
例如，在图像分割、图像去噪、图像恢复等方面，差分进化算法能够快速找到最优的参数设置，提高图像处理的效果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于差分进化算法的微网实时经济优化荆朝霞，聂更生，廖名洋华南理工大学电力学院Email: zxjing@摘要：微网的优化调度效果直接影响了微网运行的经济性、可靠性和对可再生能源的利用率，而其中经济优化是为使微网整体用电成本最小的优化策略。
本文研究了微网中分布式供能元件、冷热电负荷之间的复杂约束关系，建立了冷热电三联供微网系统。
在满足用户供能需求前提下，利用差分进化算法使微网能量管理系统调整优化各元件功率或控制参数，实现综合供能成本最小的控制目标。
仿真算例通过高频率的计算进行实时经济优化，运行结果验证了算法的正确性和实用性，优化后的系统达到了节省冷热电供能费用的目的，同时也减少了环境污染。
关键词：实时经济优化；微网；新能源；差分进化算法Micro Grid Realtime Optimization of Economic Base on Differential Evolution AlgorithmJing Zhaoxia, Nie Gengsheng, Liao MingyangSchool of Electric Power, South China University of TechnologyEmail: zxjing@, Guangzhou, GuangdongAbstract: An optimal dispatch of micro-grid is apparently of great importance to the realization of its economy, reliability and exploitation of renewable energies. In view of the economic optimization, its target is to maximally minify the global operational cost under a well-designed strategy. In this paper, by giving respect to the constraints regarding the distributed system components and cooling, heating and power load, an novel energy management system specialized for the studied micro-grid is established aiming at performing a minimum running cost through an employment of differential evolution algorithm preconditioned by a satisfaction of supply & demand equilibrium. In this way, by an optimized scheduling of the output of each component using the high frequency calculation method, a real-time economical optimization will be achieved. Finally, example based verification concludes that the validity and practicability of the algorithm are satisfying, meanwhile attaining a saved cooling, heating and power supply cost and reduced environmental pollution.Keywords: real time optimization of economic; micro grid; new sources of energy; differential evolution algorithm1 引言微网能接纳分布式供能元件（Distribute Generation，DG），为新能源利用提供有效承载，既给电力用户带来经济效益，又减少了环境污染，有效地提高了电力系统的可靠性、经济性、灵活性。
特别是近年来微型燃气轮机冷热电联产系统（Combined Cooling Heating and Power，CCHP）的加入实现了能源的阶梯级利用，满足了用户对供电多样性的要求，实现了能量利用率的最大化。
而微网也可以通过并网实现电力交互，在电力富余时将电能出售给电力公司，甚至可以在电网崩溃时独立运行，因而微网在未来具有很大的发展前途。
对于并网运行的微网，DG的功率与环境因素、原始能量输入之间存在复杂的耦合关系，微燃机所发出的电能、热能以及制冷功率与用户的冷热电负荷之间存在能量平衡的约束和匹配关系。
作为微网控制系统的核心，微网的能量管理系统（Energy Management System，EMS）负责对DG的出力进行控制，使得微网保证冷热电供应、满足用户需求、实现经济运行的最优配置。
随着DG在微网中渗透率越来越高，微网经济优化变得越来越复杂，目前对微网的经济运行优化方面有较为广泛的研究，文献1~5研究了微网的经济运行，但是更多地是利用人们对分布式供能元件的认识，设定一定的调度逻辑如顺序调度等方法实现，并没有从数学上实现精确的优化方法，文献6~8讨论了粒子群优化算法、遗传算法在微网经济运行上的运D-611D-611用，表明了启发式算法在微网经济优化上的实用性，目前的研究中对微网的经济优化算法主要集中在粒子群优化算法（Particle Swarm Optimization ，PSO ）和遗传算法（Genetic Algorithm ，GA ）方面，而PSO 和GA 算法原理主要偏向于仿生学，利用大量的自然选择来寻找最优解，PSO 算法中的各粒子之间的相互影响不大，在目标函数复杂而粒子较少时较容易陷入局部最优，而GA 则收敛较慢、局部搜索能力欠佳。
在众多的启发式算法中，差分进化算法（Differential Evolution ，DE ）利用群体差异的启发式随机搜索采用差分进化算法的研究很少，文献9~10讨论了差分进化算法在微网经济优化上的应用，但文献中所采用的是基于量子染色体的DE 算法并且优化间隔为一个小时，因而并未考虑到实时经济优化中的DG 功率爬坡速率问题，算法的约束条件也就是固定的。
本文在研究各DG 功率传输特性的基础上，考虑了满足冷热电负荷平衡约束、DG 功率爬升速率约束，并且约束条件动态改变，利用差分进化算法实现微网的实时经济优化，算例表明本文方法的优化运行是正确有效的，能够节约成本、减少环境污染、充分利用可再生能源。
2 分布式供能元件特性本文采用MATLAB 建模仿真构建微网模型，用模块中嵌入优化函数代码的方式模拟真实微网实体系统和能量管理系统的控制，为了便于对微网的各DG 进行统一的优化运行，需要对DG 实行统一的控制接口和信息接口。
对于DG 而言其输入参数为控制信息，例如微燃机的燃气输入量、风机的变桨角度以实现运行工况调整等；输出信息为当前功率输出P now 、通过调整控制参数所能在下一个优化阶段内达到的功率输出的下限P min 和上限P max 、当前功率输出下的供能费率Fee ，图1为分布式供能元件的控制模型以及负荷控制模型。
图1 DG 控制模型与负荷控制模型2.1 光伏发电太阳能是自然界最丰富的可再生能源之一，光伏发电系统具备结构简单、可靠性高、易维护等优点，使光伏产业发展迅速[11]。
光伏组件是光伏发电系统的基本元件，光伏组件一般包含了几十个光伏电池，光伏发电是通过光伏电池吸收光能使内部电子逃逸成为光电子形成电流而产生电能，虽然温度也对光伏电池发电功率存在影响，但光照强度是影响光伏电池功率的直接因素。
工程应用实践表明，光伏发电功率与光照强度的关系在400W/m 2以上时几乎呈线性关系，直到光照强度达到1000W/m 2以上时达到最大功率，当光照强度低于400W/m 2时光伏电池发电效率会随光照强度下降而稍有较为线性地下降，因而光伏电池发电功率与光照强度的关系可以用分段函数表示[12,13]：⎪⎪⎪⎩⎪⎪⎪⎨⎧>×<<×<××+=)1000(80010001)1000400(800)400()800)(1.09.0(Solar Pn Solar Pn Solar Solar Pn Solar Solar PV P ）（ 式中P PV 表示光伏发电功率，Solar 表示光照强度（W/m 2），Pn 表示光伏组件在标称工作状态下的发电功率，标称工作状态指辐照度800W/m 2，环境温度20℃，风速1m/s 的条件下组件在开路状态下的工作温度。
光伏发电是一种功率波动较大的电源，发电功率实时地受光照波动影响，对于优化而言几乎不用考虑延迟，同时发电过程并不会带来额外的费用，发电成本不受发电量影响，对于经济调度而言，可以以0计。
光伏发电模型可以用图2所示Simulink 模型表示。
图2 光伏发电MATLAB 模型其中，S max 表示达到最大功率时的光照强度（W/m 2）；P n 表示标称工作状态下的发电功率（kW ）；SunLight 表示了全天的光照波动信息，但是模型只能实时读取，并不能提前预知；光伏发电模型函数模块完成将上述信息转化为功率的功能。
2.2 风力发电风力发电系统将自然界的可再生一次能源风能转化为电能的发电装置，能与光伏互补且发电功率大是其显著的优点。
风力发电机组由风轮系统、传动系统（齿轮箱）、偏航系统、液压系统、制动系统、发电机[14]。
风力发电与风力大小存在直接的约束关系，当风速低于切入风速Vin时，风速达不到Vin时启动风机消耗的电能一般小于Vin风速时的发电量，Vin值与叶片的空气动力性能有关，当风速达到Vin时，发电机才可以持续稳定发电；当风速达到Vn额定风速而低于切出风速Vout时，风机可以通过变桨改变桨叶迎角从而减少风力对风机的冲击，甚至在风速较大时使风机出于较低的发电功率保证一定的安全裕度；而当风速超过切出风速Vout时，若风机仍然运转发电将有可能造成塔架倒塌、叶轮飞车等事故，因此应当予以停机。
以本文风机样例某100kW机型为例，其风机功率与风力大小的关系如图3所示，图中的曲线采用曲线拟合获得，取值在风力大小为0~20m/s之间有效。