毕设题目与配电网的优化运行有关，看文献时经常看到优化运行和优化调度，不知道这两个词有什么区别吗？
这两者没有本质的区别。
有一点细微的：优化调度这个词强调了调度中心一定会参与这个事，可以让人联想到供电企业外的单位（如发电厂、充电桩、新能源电站等等）通过调度中心的组织参与到优化目标来；如果某个优化完全是电网企业内部就可以搞定，比如无功优化提高无功电压的合理性、配电网通过重构减少网损等，似乎用优化运行这个词稍微多一些。
运行和调度，两个词语从范围来看，运行更加广义，调度更加狭义。
供电系统电力调度控制中心，又可以称为系统运行部。系统运行包括发输变配各个环节，涉及输电，变电，配电，继保，自动化，通信，调度等各个专业。
要看你的论文研究角度，是主要从调度专业角度切入，还是从其他专业切入？研究生的毕业论文研究范围，研究角度会比本科生窄，深度会更深。
如果你的论文涉及到优化整个系统运行，那么肯定用“运行”一词更好一些。如果只要涉及到优化调度专业的业务，那么肯定用“调度”一词更好一些。
微电网优化模型介绍：
红尾鹰算法（Red?tailed hawk algorithm ，RTH）由Seydali Ferahtia等人于2023年提出，该算法模拟了红尾鹰的狩猎行为，具有搜索效率高等特点。 红尾鹰的狩猎过程分为三个阶段。在高空翱翔阶段，红尾鹰探索搜索空间，确定具有猎物位置的区域。在低空翱翔阶段，红尾在猎物周围的选定区域内移动，以选择狩猎的最佳位置。然后，红尾鱼在急转和俯冲阶段摆动并击中目标。
参考文献：
[1]Ferahtia, S., Houari, A., Rezk, H. et al. Red-tailed hawk algorithm for numerical optimization and real-world problems. Sci Rep 13, 12950 (2023). https://doi.org/10.1038/s41598-023-38778-3.
（1）部分代码
close all;
clear ;
clc;
global P_load; %电负荷
global WT;%风电
global PV;%光伏
%%
TestProblem=1;
[lb,ub,dim,fobj]=GetFunInfo(TestProblem);
SearchAgents_no=50; % Number of search agents
Max_iteration=800; % Maximum number of iterations
[Best_score,Xbest,Convergence_curve]=RTH(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);
%% 画结果图
figure(1)
semilogy(Convergence_curve,'k-','linewidth',2);
legend('RTH');
xlabel('迭代次数')
ylabel('运行成本与环境保护成本之和')
（2）部分结果
程序名称：考虑不确定性的含集群电动汽车并网型微电网随机优化调度
实现平台：matlab-yalmip-cplex/gurobi
代码简介：微电网是指集成了多种分布式电源、储能和负荷的一类小型发–配–用电系统，通过内部各单元的协调运行，可实现高度自治及对配电网的友好接入，是提高可再生能源渗透率的有效手段。本代码涉及的并网型微电网包括分布式电源（汽轮机），需求响应负荷（可平移负荷），可再生能源（光伏），固定负荷，储能设施，集群电动汽车以及与配网交互功率部分。首先考虑负荷与光伏的不确定性，利用拉丁超立方抽样算法生成与削减得到典型场景。其次在分时电价引导下，以总运行成本最低为优化目标，建立基于场景法的随机优化调度模型。本代码为原创代码，注释详细，且将目标函数与约束写成紧凑形式，简洁工整，易于拓展修改，适合新手入门与提高。附带参考文献。
代码获取方式：【代码分享】考虑不确定性的含集群电动汽车并网型微电网随机优化调度
运行结果展示
clc
clear all
%%%%%%%基于拉丁超立方抽样法的负荷和光伏典型场景生成%%%%%%%%
%场景法
%%% wf1 wf2 为平均值
wf1=1200*[0.560710623000000 0.552062725000000 0.673867734000000 0.642650610000000 0.695378304000000 0.733920005000000 0.758930757000000 0.823164720000000 0.918483475000000 0.877745062000000 0.940265326000000 1.02646640400000 0.912250637000000 0.892930162000000 0.857015251000000 0.749528567000000 0.787825454000000 0.809693321000000 0.747179674000000 0.823998412000000 0.779137857000000 0.725331657000000 0.658709101000000 0.583041652000000];
wf2=1800*[0 0 0 0 0 0 0.101714463000000 0.182704776000000 0.251540268000000 0.376446896000000 0.527396155000000 0.724747671000000 0.554693709000000 0.440985772000000 0.312278521000000 0.245319438000000 0.117663932000000 0.0896134240000000 0 0 0 0 0 0];
m1=ones(24,1000);%负荷生成
m2=ones(24,1000);%光伏生成
m=ones(24,1000);%生成
%%
%生成1000个场景
%%
%拉丁差立方抽样方法
%%%拉丁超级方抽样=====属于分层抽样技术（从多元参数分布中近似随机抽样的方法）------分层抽样：将抽样区间(本程序为正态分布区间)
%按某种特性或某种规划分为不同的层，然后从不同的层中独立、随机（打乱排序，无规律抽取）
%地抽取样本（如取10个苹果样本，按照特性把苹果树分为5类，每类随机取2个），从而保证样本的结构与总体的结构比较相近，提高估计的精度。
%拉丁超立方相较蒙卡，改进了采样策略能够做到较小采样规模中获得较高的采样精度。
%%lhsnorm(mu,sigma,n); mu平均值(数量a)； 求解公式：u=(1/N)*(sum(样本))；N为样本数目
% sigma协方差矩阵(数量a*a); 求解公式:=((1/N)^3)*(sum(样本i-u)^2); i=1至N
% n抽样次数
% 表示方式1
% % c=1;%c 表示基础数据的数量
% % u1=lhsdesign(1,24);
% % u2=lhsdesign(1,24);
% % for t=1:24
% % m1(t,:)=lhsnorm(sum(wf1(:,t))/c,u1(t)*sum(wf1(:,t))/c,1000); %拉丁超立方抽样(lhsnorm函数)方法
% % (基于负荷和光伏出力遵从正态分布normrnd（均值，标准差，n,m） n*m阶正态矩阵 )，
% % 因此lhsnorm函数的均值和标准差采用正态分布的均值，标准差
% % 依据文献，可以假定标准差与均值之间存在一定比例关系。
%%设决策变量
p_ch=sdpvar(5,24,'full');%储能充电
p_dis=sdpvar(5,24,'full');%储能放电
us=binvar(5,24,'full');%充放电标识
p_buy=sdpvar(5,24,'full');%配网购电
p_sell=sdpvar(5,24,'full');%配网售电
um=binvar(5,24,'full');%购售电标识
p_g=sdpvar(5,24,'full');%分布式电源
PDR=sdpvar(5,24,'full');%可转移负荷
PDR1=sdpvar(5,24,'full');%可转移负荷辅助变量
PDR2=sdpvar(5,24,'full');%可转移负荷辅助变量
PEV=sdpvar(5,24,'full'); %电动汽车充放电
E=sdpvar(5,24,'full'); %电动汽车电能变量
%% 构建约束条件变量和系数矩阵，这里是为了方便对模型进行扩展与修改
x=[us,um]';%01变量
y=[p_g,p_ch,p_dis,PDR,PDR1,PDR2,p_buy,p_sell]';%连续变量
u=[m2',m1']';%常数，包括负荷和光伏
Q01=[eye(24),zeros(24,24)];%us
Q02=[zeros(24,24),eye(24)];%um
Q1=[eye(24),zeros(24,168)];
Q2=[zeros(1,24),eta.*ones(1,24),-1/eta.*ones(1,24),zeros(1,120)];
Q31=[zeros(24,24),eye(24),zeros(24,144)];%p_ch9c
Q32=[zeros(24,48),eye(24),zeros(24,120)];%p_dis
Copyright © 2012-2018 新城-新城娱乐护栏有限公司 非商用版本 琼ICP备xxxxxxxx号
