【考虑柔性负荷的综合能源系统低碳经济优化调度，复现】 %《主题》 考虑柔性负荷的综合能源系统低碳经济优化调度 综合考虑了系统运行成本和碳成本，建立了以总成本最低为优化目标的 IES 低碳经济调度模型，采用鲸鱼优化算法对算例进行求解 通过场景对比，分析了碳因素对能源调度的影响，以及在碳体系之下，柔性负荷的合理调度对 IES 进一步减少碳排放、降低系统成本可发挥的作用
最近在研究综合能源系统低碳经济优化调度相关的内容，成功复现了一篇关于此主题的论文，感觉收获满满，来和大家分享一下。
模型建立
论文里建立了以总成本最低为优化目标的IES低碳经济调度模型。总成本包含了系统运行成本和碳成本。这就好比我们在考虑一个项目的花费时，既要算日常运营花了多少钱，还要算因为碳排放可能要交的“环保税”一样。
鲸鱼优化算法求解
这里采用了鲸鱼优化算法来对算例进行求解。这个算法挺有意思的，就像鲸鱼在海里觅食一样。它通过不断地调整自己的位置（在算法里就是调整各个参数的值）来找到最优解。
# 这里简单示意一下鲸鱼优化算法的部分代码结构 import numpy as np def whale_optimization_algorithm(objective_function, dim, lb, ub, max_iter): a = 2 iter = 0 positions = np.random.uniform(lb, ub, (dim, 1)) fitness = objective_function(positions) best_position = positions best_fitness = fitness while iter < max_iter: a = 2 - iter * (2 / max_iter) for i in range(dim): r1 = np.random.rand() r2 = np.random.rand() A = 2 * a * r1 - a C = 2 * r2 l = np.random.uniform(-1, 1) p = 0.5 if np.random.rand() < p: if np.abs(A) < 1: D = np.abs(C * best_position[i] - positions[i]) positions[i] = best_position[i] - A * D else: rand_index = np.random.randint(0, dim) D = np.abs(C * best_position[rand_index] - positions[i]) positions[i] = best_position[rand_index] - A * D else: D = np.abs(best_position[i] - positions[i]) positions[i] = best_position[i] * np.exp(l) * np.cos(2 * np.pi * l) - D new_fitness = objective_function(positions) for i in range(dim): if new_fitness[i] < best_fitness[i]: best_position[i] = positions[i] best_fitness[i] = new_fitness[i] iter += 1 return best_position, best_fitness在这段代码里，首先初始化了一些参数，比如a这个参数会随着迭代次数变化，用来控制搜索的范围。然后通过不断地更新位置positions，根据不同的条件计算新的位置，像判断A的绝对值是否小于1来决定是靠近最优解还是随机选择一个解附近的点。最后通过比较新的适应度和最优适应度来更新最优解。
场景对比分析
通过场景对比，我们可以清晰地看到碳因素对能源调度的影响。就好比以前我们只看电量怎么分配，现在还要考虑因为用电产生的碳排放对成本的影响。而且在碳体系之下，柔性负荷的合理调度作用巨大。比如说一些可调节的用电设备，像空调、热水器等，如果能在合适的时间调整使用，就能进一步减少碳排放，还能降低系统成本。这就像是我们合理安排家里电器的使用时间，既能省电费，又能为环保出份力一样。
这次复现真的让我对综合能源系统低碳经济优化调度有了更深入的理解，感觉以后在能源领域又多了一项“秘密武器”啦！
