✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。
🔥内容介绍
一、引言
随着新能源（风电、光伏等）在电力系统中的占比持续提升，其出力的波动性、间歇性和随机性给电网安全稳定运行带来了严峻挑战。抽水蓄能电站（Pumped Storage Power Station, PSPS）作为一种兼具储能、调峰、填谷、调频、调相和黑启动等多种功能的灵活电力设施，能够有效平抑新能源出力波动、优化电力资源配置、提升电网运行稳定性，是构建新型电力系统的关键支撑。
抽水蓄能电站的调度方案直接决定其功能发挥与经济效益。最佳调度方案的核心目标是在满足电网运行约束、电站自身技术约束的前提下，实现能源利用效率最大化、经济效益最优或环境效益最佳等目标。传统调度方法（如经验调度法、线性规划法）存在适应性差、求解精度低、难以处理复杂非线性约束等局限。粒子群优化算法（Particle Swarm Optimization, PSO）作为一种高效的智能优化算法，具有原理简单、收敛速度快、鲁棒性强、易于实现等优势，能够有效求解多目标、多约束的复杂调度优化问题，为抽水蓄能电站最佳调度方案的制定提供了新的有效途径。
本文以抽水蓄能电站为研究对象，深入分析其调度需求与约束条件，构建基于粒子群优化算法的调度优化模型，通过MATLAB平台实现算法求解，最终得到最佳调度方案，为抽水蓄能电站的高效运行提供理论支撑与技术参考。
二、抽水蓄能电站调度系统分析
2.1 抽水蓄能电站工作原理
抽水蓄能电站主要由上水库、下水库、输水系统、发电/抽水机组及附属设备组成，其核心工作模式分为两种：
抽水工况：在电网负荷低谷时段（如夜间），利用电网多余电能驱动水泵将下水库的水抽至上水库储存，将电能转化为水的重力势能；
发电工况：在电网负荷高峰时段（如白天），释放上水库的水驱动水轮发电机组发电，将重力势能转化为电能输送至电网。
此外，部分抽水蓄能电站还具备调频、调相、黑启动等辅助功能，调度方案需兼顾各类功能需求的协同实现。
2.2 调度目标分析
抽水蓄能电站的调度目标具有多维度特性，核心目标可分为经济效益目标、能源效益目标和电网安全目标，实际调度中需根据电网需求进行单目标优化或多目标协调优化：
2.2.1 经济效益目标
经济效益是抽水蓄能电站调度的核心目标之一，旨在通过优化抽水与发电时段的功率分配，最大化电站的收益或最小化运行成本。具体表现为：最大化峰谷电价差带来的收益，即高峰时段发电收益减去低谷时段抽水成本，同时考虑机组运行维护成本、输水系统能耗等附加成本。数学表达式可简化为：
\( \max F_1 = \sum_{t=1}^{T} (P_{G,t} \cdot \lambda_{G,t} - P_{P,t} \cdot \lambda_{P,t}) - C_{OM} \)
其中，\( T \) 为调度周期（如24小时）；\( P_{G,t} \)、\( P_{P,t} \) 分别为t时刻发电功率和抽水功率；\( \lambda_{G,t} \)、\( \lambda_{P,t} \) 分别为t时刻上网电价和抽水电价；\( C_{OM} \) 为调度周期内的运行维护总成本。
2.2.2 能源效益目标
针对新能源高渗透电网，能源效益目标主要表现为最大化新能源消纳能力，通过抽水蓄能电站的储能调节，平抑风电、光伏等新能源的出力波动，减少弃风、弃光现象。数学表达式可表示为：
\( \max F_2 = \sum_{t=1}^{T} E_{RE,t} \)
其中，\( E_{RE,t} \) 为t时刻新能源消纳电量。
2.2.3 电网安全目标
确保电网频率、电压稳定，提升电网抗扰动能力。核心是通过调度使抽水蓄能电站的出力变化匹配电网负荷变化，维持电网功率平衡，数学表达式可简化为：
\( \min F_3 = \sum_{t=1}^{T} |P_{Load,t} - P_{G,t} + P_{P,t} - P_{RE,t}| \)
其中，\( P_{Load,t} \) 为t时刻电网负荷功率；\( P_{RE,t} \) 为t时刻新能源出力功率。
2.3 调度约束条件
抽水蓄能电站的调度优化需满足电网运行、电站设备、水文条件等多方面约束，主要约束条件如下：
2.3.1 机组功率约束
发电/抽水机组的出力功率存在上限和下限，受机组额定容量、设备运行安全等因素限制：
\( P_{G,\min} \leq P_{G,t} \leq P_{G,\max} \)
\( P_{P,\min} \leq P_{P,t} \leq P_{P,\max} \)
其中，\( P_{G,\min} \)、\( P_{G,\max} \) 分别为机组最小和最大发电功率；\( P_{P,\min} \)、\( P_{P,\max} \) 分别为机组最小和最大抽水功率。同时，机组从抽水工况切换至发电工况或反之，存在功率变化率约束，避免设备冲击：
\( |P_{t} - P_{t-1}| \leq \Delta P_{\max} \)
其中，\( \Delta P_{\max} \) 为机组最大允许功率变化率。
2.3.2 水库库容约束
上水库的蓄水量受库容限制，需维持在安全范围内，同时保证调度周期始末蓄水量平衡（中长期调度），避免水库干涸或溢水：
\( V_{\min} \leq V_t \leq V_{\max} \)
\( V_T = V_0 \)
其中，\( V_t \) 为t时刻上水库蓄水量；\( V_{\min} \)、\( V_{\max} \) 分别为水库最小和最大安全蓄水量；\( V_0 \)、\( V_T \) 分别为调度周期初始和末期蓄水量。蓄水量与机组功率的关系为：
\( V_t = V_{t-1} + \eta_{P,t} \cdot P_{P,t} \cdot \Delta t / (g \cdot H_t) - P_{G,t} \cdot \Delta t / (\eta_{G,t} \cdot g \cdot H_t) \)
其中，\( \eta_{P,t} \)、\( \eta_{G,t} \) 分别为t时刻抽水效率和发电效率；\( g \) 为重力加速度；\( H_t \) 为t时刻水库水头；\( \Delta t \) 为时间步长。
2.3.3 电网运行约束
抽水蓄能电站的出力需满足电网功率平衡要求，同时不得超出电网对其的接纳能力：
\( P_{G,t} - P_{P,t} + P_{RE,t} \leq P_{Load,t} + P_{Grid,\max} \)
\( P_{G,t} - P_{P,t} + P_{RE,t} \geq P_{Load,t} - P_{Grid,\min} \)
其中，\( P_{Grid,\max} \)、\( P_{Grid,\min} \) 分别为电网最大盈余功率和最大缺额功率。
三、粒子群优化算法原理与改进
3.1 基本粒子群优化算法原理
粒子群优化算法由Eberhart和Kennedy于1995年提出，其灵感源于鸟群觅食行为。算法将优化问题的每个潜在解视为“粒子”，所有粒子构成“粒子群”，粒子在解空间内通过追随自身最优解（pbest）和群体最优解（gbest）更新位置和速度，逐步逼近全局最优解。
粒子的速度和位置更新公式如下：
速度更新：\( v_{i,d}(k+1) = \omega \cdot v_{i,d}(k) + c_1 \cdot r_1 \cdot (pbest_{i,d}(k) - x_{i,d}(k)) + c_2 \cdot r_2 \cdot (gbest_{d}(k) - x_{i,d}(k)) \)
位置更新：\( x_{i,d}(k+1) = x_{i,d}(k) + v_{i,d}(k+1) \)
其中，\( k \) 为迭代次数；\( v_{i,d} \)、\( x_{i,d} \) 分别为第i个粒子在第d维的速度和位置；\( \omega \) 为惯性权重，控制粒子的全局搜索能力和局部搜索能力；\( c_1 \)、\( c_2 \) 为学习因子，分别表示粒子对自身最优解和群体最优解的追随程度；\( r_1 \)、\( r_2 \) 为[0,1]区间内的随机数。
3.2 针对调度问题的PSO算法改进
基本PSO算法在求解抽水蓄能电站调度问题时，存在易陷入局部最优、后期收敛速度慢等问题。结合调度问题的多约束、非线性特性，对算法进行以下改进：
3.2.1 自适应惯性权重
采用线性递减惯性权重，迭代初期设置较大的惯性权重增强全局搜索能力，迭代后期减小惯性权重提升局部搜索精度，公式为：
\( \omega(k) = \omega_{\max} - (\omega_{\max} - \omega_{\min}) \cdot k / k_{\max} \)
其中，\( \omega_{\max} \)、\( \omega_{\min} \) 分别为最大和最小惯性权重；\( k_{\max} \) 为最大迭代次数。
3.2.2 约束处理机制
针对调度问题中的功率约束、库容约束等，采用“修复-惩罚”混合策略：对于超出约束范围的粒子位置，先通过线性插值将其修正至约束范围内；对于修正后仍不满足约束的粒子，在适应度函数中加入惩罚项，降低其适应度值，公式为：
\( Fit(x_i) = F(x_i) - \alpha \cdot \sum_{j=1}^{m} \max(0, g_j(x_i)) \)
其中，\( Fit(x_i) \) 为第i个粒子的适应度值；\( F(x_i) \) 为原始目标函数值；\( \alpha \) 为惩罚系数；\( g_j(x_i) \) 为第j个约束条件的违反量；\( m \) 为约束条件数量。
3.2.3 粒子编码优化
采用实数编码方式，每个粒子的维度对应调度周期内各时刻的机组功率（发电功率或抽水功率），粒子位置直接对应调度方案的候选解，简化编码与解码过程，提升求解效率。
四、基于改进PSO的抽水蓄能电站调度优化模型构建
4.1 模型整体框架
基于改进PSO的抽水蓄能电站调度优化模型以经济效益最大化为核心目标，兼顾新能源消纳与电网安全约束，模型构建流程如下：
确定调度周期、时间步长及基础参数（电价、机组参数、库容参数等）；
构建目标函数（经济效益目标）与约束条件（机组功率、水库库容、电网运行约束等）；
设计改进PSO算法的核心参数（粒子群规模、迭代次数、惯性权重、学习因子等）；
通过改进PSO算法求解优化模型，得到最优调度方案；
验证调度方案的可行性与最优性，若不满足要求则调整参数重新求解。
4.2 模型关键参数设置
以某抽水蓄能电站为例，设定模型关键参数如下（示例值）：
调度周期：24小时，时间步长：1小时；
机组参数：最大发电功率\( P_{G,\max} = 200 \, \text{MW} \)，最小发电功率\( P_{G,\min} = 50 \, \text{MW} \)，最大抽水功率\( P_{P,\max} = 180 \, \text{MW} \)，最小抽水功率\( P_{P,\min} = 40 \, \text{MW} \)，发电效率\( \eta_G = 0.85 \)，抽水效率\( \eta_P = 0.82 \)；
水库参数：最大蓄水量\( V_{\max} = 1.2×10^7 \, \text{m}^3 \)，最小蓄水量\( V_{\min} = 0.3×10^7 \, \text{m}^3 \)，初始蓄水量\( V_0 = 0.7×10^7 \, \text{m}^3 \)，平均水头\( H = 350 \, \text{m} \)；
电价参数：高峰时段（8:00-22:00）上网电价\( \lambda_G = 0.8 \, \text{元/kWh} \)，低谷时段（22:00-次日8:00）抽水电价\( \lambda_P = 0.3 \, \text{元/kWh} \)；
PSO算法参数：粒子群规模\( N = 50 \)，最大迭代次数\( k_{\max} = 100 \)，最大惯性权重\( \omega_{\max} = 0.9 \)，最小惯性权重\( \omega_{\min} = 0.4 \)，学习因子\( c_1 = c_2 = 2.0 \)，惩罚系数\( \alpha = 100 \)。
五、结论与展望
本文构建了基于改进粒子群优化算法的抽水蓄能电站最佳调度优化模型，以经济效益最大化为核心目标，考虑了机组功率、水库库容、电网运行等多方面约束条件，通过MATLAB平台实现了算法求解与仿真验证。结果表明，改进后的PSO算法具有良好的收敛性能和优化效果，能够得到兼顾经济性与安全性的最佳调度方案，相比传统调度方法经济效益显著提升，同时可有效平抑电网负荷波动、提升新能源消纳能力。
未来研究方向可聚焦于以下方面：（1）构建多目标优化模型，综合考虑经济效益、能源效益、环境效益等多个目标的协同优化；（2）引入不确定性分析，考虑新能源出力、电网负荷、电价等因素的随机性，提升调度方案的鲁棒性；（3）结合深度学习等先进算法，进一步优化PSO算法的参数自适应机制，提升求解效率与精度；（4）开展实地验证研究，将优化调度方案应用于实际抽水蓄能电站，通过运行数据对比验证模型的工程实用性。
⛳️ 运行结果
🔗 参考文献
[1] 梁亮,李普明,刘嘉宁,等.抽水蓄能电站自主调频控制策略研究[J].高电压技术, 2015, 41(10):8.DOI:10.13336/j.1003-6520.hve.2015.10.014.
[2] 柴鹏.风电—抽水蓄能联合系统运行方式优化研究[D].华中科技大学,2012.DOI:10.7666/d.D231986.
[3] 杨慢慢.抽水蓄能电站的最佳调度方案研究[D].华北电力大学,2012.DOI:10.7666/d.y2145514.
📣 部分代码
🎈 部分理论引用网络文献，若有侵权联系博主删除
👇 关注我领取海量matlab电子书和数学建模资料
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
2.10 DBN深度置信网络时序、回归预测和分类
2.11 FNN模糊神经网络时序、回归预测
2.12 RF随机森林时序、回归预测和分类
2.13 BLS宽度学习时序、回归预测和分类
2.14 PNN脉冲神经网络分类
2.15 模糊小波神经网络预测和分类
2.16 时序、回归预测和分类
2.17 时序、回归预测预测和分类
2.18 XGBOOST集成学习时序、回归预测预测和分类
2.19 Transform各类组合时序、回归预测预测和分类
方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断
🌈图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知
🌈 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻
🌈 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划
🌈 通信方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配
🌈 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测
🌈电力系统方面
微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电
🌈 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀
🌈 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别
🌈 车间调度
零等待流水车间调度问题NWFSP、置换流水车间调度问题PFSP、混合流水车间调度问题HFSP、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP
👇
)
