Research on Multi-Time Scale Scheduling Optimization of Microgrids Based on IASO

Abstract

Abstract: The grid-connected microgrid encompasses photovoltaic cells, wind turbines, battery energy storage systems, diesel generators, and variable loads. The complex coupling relationships among its internal equipment, coupled with the inherent uncertainty of wind and solar renewable energy and the volatility of loads, pose challenges to microgrid dispatching. To address this, this study constructs an optimized microgrid model integrated with a demand response mechanism for electricity prices, with the core objective of minimizing the overall system operating cost. Through an improved atom search optimization, multi-time scale economic optimal dispatching is achieved. To ensure the economic feasibility and practicality of the strategy, the study employs an optimized atom search optimization to solve for the economic optimum of the microgrid model across various time scales. This initiative aims to enable rapid response to internal fluctuations in the microgrid system while ensuring optimal overall economic performance.

Key words: multi-time scale, grid-connected microgrid, coordinated scheduling, improved atom search optimization, global economy

CLC Number:

TM73

Zhang Jiawei, Hu Yongmao, Sun Xiugui. Research on Multi-Time Scale Scheduling Optimization of Microgrids Based on IASO[J]. Journal of Dali University, 2026, 11(6): 46-53.

References

〔1〕张惠生，赵兴勇，王凯武，等. 基于风光互补微电网的
复合储能控制策略〔J〕. 广东电力， 2017， 30（2）： 48-53.
〔2〕李立浧，张勇军，陈泽兴，等. 智能电网与能源网融合
的模式及其发展前景〔J〕. 电力系统自动化， 2016， 40
（11）： 1-9.
〔3〕 REHMANI M H， REISSLEIN M， RACHEDI A， et al. In⁃
tegrating Renewable Energy Resources into the Smart
Grid： Recent Developments in Information and Communi⁃
cation Technologies〔J〕. IEEE Transactions on Industrial
Informatics， 2018， 14（7）： 2814-2825.
〔4〕 XIE H， ZHENG S， NI M. Microgrid Development in
China： A Method for Renewable Energy and Energy Storage
Capacity Configuration in a Megawatt-Level Isolated Mi⁃
crogrid〔J〕.IEEE Electrification Magazine， 2017， 5（2）：
28-35.
〔5〕 DRIESEN J， KATIRAEI F. Design for Distributed Energy
Resources〔J〕. IEEE Power and Energy Magazine， 2008， 6
（3）： 30-40.
〔6〕茆美琴，孙树娟，苏建徽. 包含电动汽车的风/光/储微电
网经济性分析〔J〕. 电力系统自动化， 2011， 35（14）：
30-35.
〔7〕张海涛，秦文萍，韩肖清，等. 多时间尺度微电网能量
管理优化调度方案〔J〕. 电网技术， 2017， 41（5）： 1533-
1542.
〔8〕宋扬，石勇，刘宝泉，等. 基于反向变异麻雀搜索算法
的微电网优化调度〔J〕. 电力工程技术， 2022， 41（2）：
163-170.
〔9〕杨毅，雷霞，徐贵阳，等. 采用PSO-BF算法的微电网多
目标电能优化调度〔J〕. 电力系统保护与控制， 2014， 42

（13）： 13-20.

〔10〕张伯明，吴文传，郑太一，等. 消纳大规模风电的多时
间尺度协调的有功调度系统设计〔J〕. 电力系统自动
化， 2011， 35（1）： 1-6.
〔11〕高庆吉，王瑞雪，谈政. 基于高斯变异和自适应参考点
的MOPSO优化算法〔J〕. 计算机应用与软件， 2019， 36
（9）： 255-259.
〔12〕 YANG W S， CHEN L， WANG Y， et al. Multi/Many-
Objective Particle Swarm Optimization Algorithm Based
on Competition Mechanism〔J〕. Computational Intelli⁃
gence and Neuroence， 2020， 2020： 5132803.
〔13〕 ZHAO W G， WANG L Y， ZHANG Z X. A Novel Atom
Search Optimization for Dispersion Coefficient Estimation
in Groundwater〔J〕. Future Generation Computer Sys⁃
tems， 2019， 91： 601-610.
〔14〕林诗洁，董晨，陈明志，等. 新型群智能优化算法综
述〔J〕. 计算机工程与应用， 2018， 54（12）： 1-9.
〔15〕 ROCCA P， OLIVERI G， MASSA A. Differential Evolu⁃
tion as Applied to Electromagnetics〔J〕.IEEE Antennas &
Propagation Magazine， 2011， 53（1）： 38-49.
〔16〕 MIRJALILI S， LEWIS A. The Whale Optimization Algo⁃
rithm〔J〕.Advances in Engineering Software， 2016， 95：
51-67.
〔17〕丁青锋，尹晓宇. 差分进化算法综述〔J〕. 智能系统学
报， 2017， 12（4）： 431-442.
〔18〕 SONG Z Y， TANG C， CHEN X Q， et al. A Self-Adaptive
Mechanism Embedded Gravitational Search Algo⁃
rithm〔C〕//2019 12th International Symposium on Compu⁃
tational Intelligence and Design （ISCID）. December 14-
15， 2019， Hangzhou， China. IEEE， 2020： 108-112.
〔19〕 ZHAO X D， FANG Y M， MA Z， et al. An Ameliorated
Moth-Flame Optimization Algorithm〔C〕//2018 37th Chi⁃
nese Control Conference （CCC）. July 25-27， 2018， Wu⁃
han， China. IEEE， 2018： 2372-2377.
〔20〕王磊，周建平，朱刘柱，等. 基于分布式模型预测控制
的综合能源系统多时间尺度优化调度〔J〕. 电力系统自
动化， 2021， 45（13）： 57-65.