微电网是一种可独立运行的小型电力系统，通常由分布式电源、储能系统、负荷和控制系统组成。多目标优化调度旨在同时满足多个目标，如能源消耗最小化、碳排放量最小化、系统稳定性等。NSGA-II是一种广泛使用的多目标优化算法，具有处理多目标、高维度和非线性问题的能力。
NSGA-II算法的基本原理是使用非支配排序对种群进行分层，然后在每一层中使用拥挤度比较来选择个体。通过这种分层和拥挤度比较的选择策略，NSGA-II可以在一次迭代中处理多个非支配解，从而找到多目标优化问题的Pareto前沿。
在MATLAB环境中实现NSGA-II算法时，需要遵循以下步骤：
- 定义微电网模型和多目标优化目标函数。这通常涉及到定义分布式电源、储能系统、负荷等组件的模型，以及定义需要优化的目标函数（如能源消耗、碳排放量等）。
- 初始化种群。根据问题的规模和维度，初始化一组候选解决方案，即种群。
- 进行迭代进化。在每次迭代中，对种群进行非支配排序，然后根据分层结果和拥挤度比较选择个体进行交叉、变异和再生操作，生成新的候选解决方案。
- 终止条件。当达到预设的迭代次数或满足其他终止条件时，算法停止迭代，输出最终的Pareto前沿。
下面是一个简单的示例，展示如何使用NSGA-II算法求解微电网多目标优化调度问题。假设我们有两个分布式电源（风能和太阳能）和一个储能系统，目标是同时最小化能源消耗和碳排放量。
首先，我们需要定义微电网模型和目标函数。假设风能和太阳能的出力分别为Wp和Ws，储能系统的剩余电量为So，能源消耗和碳排放量的目标函数分别为E和C。根据这些变量，我们可以建立如下目标函数：
E = min(Wp + Ws + So)
C = min(CO2排放量)
然后，我们需要初始化种群。假设种群大小为N，我们可以随机生成N个候选解决方案，每个解决方案包含风能、太阳能和储能系统的调度计划。
接下来，我们进行迭代进化。在每次迭代中，使用非支配排序对种群进行分层，然后根据分层结果和拥挤度比较选择个体进行交叉、变异和再生操作。具体操作包括：
- 交叉：随机选择两个父代个体进行交叉操作，生成两个子代个体。
- 变异：对每个子代个体进行变异操作，例如随机改变调度计划中的一个时间点。
- 再生：将子代个体与父代个体一起构成新的种群。
重复以上步骤直到满足终止条件。最后，输出最终的Pareto前沿，即满足能源消耗和碳排放量目标的多个非支配解。