基于双牙优化算法的混合微电网能量协调管理与多目标优化研究

本研究针对混合微电网(HMG)系统中可再生能源协调优化难题，提出新型双牙优化算法(TFO)，整合灰狼优化(GWO)和鲸鱼算法(WOA)优势，在孟加拉国北部和加拿大东部两个典型区域开展实证研究。结果表明，TFO使多目标函数值降至0.03825（孟加拉国）和0.03725（加拿大），能源成本低至0.0354$/kWh，且实现100%可持续能源占比与零碳排放，为智能电网优化提供了创新解决方案。

　　

随着全球能源转型加速，混合微电网(Hybrid Microgrid, HMG)整合光伏(PV)、风电(WT)、储能系统(ESS)等分布式能源的需求激增。然而，可再生能源的间歇性与复杂系统协调问题，导致传统优化方法在成本控制、供电可靠性(Power Supply Reliability Index, PSRI)和可持续能源占比(Sustainable Energy Score, SES)等方面面临挑战。现有算法如粒子群优化(PSO)、灰狼优化(Grey Wolf Optimization, GWO)等存在收敛速度慢、易陷入局部最优等缺陷，亟需开发更高效的能源管理策略。

为突破这一技术瓶颈，Md. Nimul Hasan团队在《Engineering Science and Technology, an International Journal》发表研究，创新性地提出双牙优化算法(Twin Fang Optimization, TFO)。该算法通过融合GWO的领导层级机制与WOA的螺旋搜索策略，引入动态参数调整和混沌重初始化技术，显著提升算法在复杂能源系统中的适应能力。研究团队选取气候特征迥异的两个试验区——孟加拉国北部（热带季风气候）和加拿大东部（温带大陆性气候），构建包含16kW风电、24kW光伏、40.35kW锂电池和氢能存储的混合微电网模型，采用MATLAB R2023a平台进行全年仿真。

关键技术方法包括：1) 建立多目标优化函数，整合发电成本(COG)、电网负载调节(GLR)等6项指标；2) 设计TFO算法的七步优化流程，包括混沌重初始化等创新机制；3) 采用Wilcoxon符号秩检验进行算法性能统计验证；4) 通过季节性对比分析（1月与8月）评估系统适应性。

研究结果展现出突破性进展：

1. 1.

   地理性能分析：加拿大东部风电平均出力达10.1kW，显著高于孟加拉国的6.8kW；而后者光伏表现更优（9.87kW vs 7.36kW），印证算法对不同资源禀赋的适应性。

2. 2.

   季节特性比较：1月加拿大系统依赖风电主导（峰值35kW），8月则转为光伏主导（>30kW），电池充放电速率动态调整至25kW，验证TFO的季节调度能力。

3. 3.

   算法性能对比：TFO在两地均实现最低多目标函数值（0.03825/0.03725），较PSO降低42.7%，收敛时间仅0.62秒，且保持100%可再生能源占比。

4. 4.

   氢能管理优化：加拿大系统年产氢达2.4×10⁶ Nm³，电池状态电荷(SOC)波动幅度较传统算法减少31.5%。

5. 5.

   经济性验证：系统总成本控制在17,726.97美元（孟加拉国）和20,649.88美元（加拿大），电解槽占比最高（7,860美元），但通过优化维护成本实现收支平衡。

这项研究的创新价值体现在三方面：首先，TFO算法通过α/β/δ三级领导架构与概率切换机制，解决了传统算法在探索-开发平衡上的固有缺陷；其次，实证表明该算法可适应不同气候带特征，为全球分布式能源推广提供普适性方案；最后，氢能-电池混合存储模式的优化设计，为高比例可再生能源系统提供了技术范本。研究团队建议未来重点探索算法在实时控制、电动汽车并网等场景的应用，并开发机器学习加速版本以应对更大规模系统需求。这些发现对实现碳中和目标下的智能电网建设具有重要指导意义。