考虑电动汽车的微网优化，给出微电网各组成部分的个体模型，并采用粒子群优化算法进行经济调度。
光伏板在正午的阳光下滋滋作响，隔壁储能站的锂电池组闪着幽幽蓝光。充电桩前停着三辆电动网约车，司机老张叼着烟头抱怨："这充电价一天变三次，比油价还难琢磨。"微电网调度员最头疼的就是这种场景——光伏出力看老天脸色，储能电池要精打细算，电动爹们的充电需求还得伺候到位。
先说光伏发电这个"看天吃饭"的主儿。晴天时的功率输出可以用这个式子建模：
def pv_power(irradiance, temp, rated_power=100): temp_coeff = -0.0045 # 温度系数 return rated_power * irradiance/1000 * (1 + temp_coeff*(temp - 25))比如说今天光照强度850W/m²，气温30度，100kW的光伏板实际出力就是85kW × (1 - 0.0045×5) ≈ 82.3kW。温度每升高1度，效率就掉0.45%，这细微的损耗在调度时绝不能忽略。
储能系统更像会呼吸的电子钱包，充放电都得算计着：
class Battery: def __init__(self, capacity=200, soc=0.5): self.capacity = capacity # kWh self.soc = soc # 荷电状态 def charge(self, power, hours): delta = power * hours / self.capacity self.soc = min(self.soc + delta, 0.95) # 防过充 def discharge(self, power, hours): delta = power * hours / self.capacity self.soc = max(self.soc - delta, 0.2) # 防过放比如当前荷电50%，用30kW放电2小时后，SOC降到50% - (30×2)/200 = 50% - 30% = 20%刚好触底。这充放电的边际成本就像股票做T，低买高卖才能赚差价。
电动车的充电负荷建模最有意思。用蒙特卡洛模拟生成典型日负荷：
import numpy as np ev_charging_load = np.zeros(24) for _ in range(50): # 模拟50辆车 arrival = np.random.normal(18, 2) # 晚高峰到达 duration = np.random.uniform(3, 8) # 充电时长 power = 7 if np.random.rand() > 0.2 else 22 # 快慢充比例 for t in range(int(arrival), min(24, int(arrival+duration))): ev_charging_load[t] += power这段代码生成的负荷曲线会出现明显的"驼峰"，晚6点到10点之间充电功率激增，就像突然涌进超市抢购打折商品的大妈们。
把这些模型塞进粒子群算法里做经济调度，代码骨架长这样：
class PSO: def __init__(self, n_particles=30, max_iter=100): self.w = 0.7 # 惯性权重 self.c1 = self.c2 = 1.4 # 学习因子 def fitness(self, position): total_cost = 0 for t in range(24): pv = pv_power(...) load = ev_charging_load[t] + base_load[t] grid_power = load - pv - position[t]*battery_power # 计算发电成本、储能折旧、购电费用 total_cost += pv_cost + battery_cost + grid_price[t]*grid_power return total_cost def optimize(self): # 粒子位置更新逻辑 velocity = self.w*velocity + self.c1*r1*(pbest - position) + self.c2*r2*(gbest - position) position += velocity关键在适应度函数的设计——既要考虑分时电价这个"价格刺客"，又要平衡储能系统的"折旧焦虑"。某次迭代中，算法可能发现凌晨低价时段给储能充电，午间光伏高峰时放电，这样套利操作就像在电力市场做波段交易。
仿真结果常出现反直觉的现象：某天光伏出力充足时，最优策略反而是出售部分电力给主网，而不是全部自用。这就像果农在丰收年把水果做成果脯——当下的过剩资源需要跨时段调配才能价值最大化。
调试算法时遇到个坑：初始设定粒子位置范围时没考虑储能充放电功率限制，导致出现"电池瞬移"的荒谬解。后来加上约束条件，就像给狂奔的野马套上缰绳，收敛速度反而提升了20%。
当粒子群找到全局最优时，各时段的充放电策略会形成独特的波浪线。光伏出力曲线与充电负荷曲线的相位差，储能SOC曲线的锯齿状波动，这些看似随机的图形背后，藏着度电必争的经济密码。
