【微电网】基于改进粒子群算法的微电网优化调度(Matlab代码实现)

简介: 【微电网】基于改进粒子群算法的微电网优化调度(Matlab代码实现)

👨‍🎓个人主页:研学社的博客

💥💥💞💞欢迎来到本博客❤️❤️💥💥



🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。



⛳️座右铭:行百里者,半于九十。


📋📋📋本文目录如下:🎁🎁🎁

目录

💥1 概述

1.1 风能发电的基本原理

1.2 太阳能发的基本原理

1.3 微型燃气轮机基本原理

1.4 燃料电池的基本原理

1.5 储能装置的发电模型

1.6 微电网并网运行调度策略

1.7 孤岛调度策略

1.8 流程图

📚2 运行结果

2.1 算例分析

2.2 运行结果

🎉3 文献来源

🌈4 Matlab代码及详细文章讲解



💥1 概述

文献来源:

 

摘要:当今全球普遍面临着能源危机和环境污染的加重,污染严重的化石能源将逐渐被无污染的清洁能源代替,随着经济的发展和社会的进步,以传统的发电方式已经不能满足当今电力用户对电能高可靠性、稳定性的要求需求。以风、光、储、微型燃气轮机、燃料电池等分布式电源构成的微电网能有效的解决了能源危机和环境污染问题。为了充分发挥清洁能源的效益,微电网系统在电力领域成为了研究热门。微电网中对各分布式微电源的优化调度是一个比较复杂的技术难题,且风能、太阳能发电的随机波动性对微电网本身也造成一定的安全稳定的影响,本文针对这些问题作了比较深入研究。在微电网中优化调度又是核心技术,调度策略的优劣将直接影响微电网运行的经济性、供电的可靠性,对微电网优化调度理论的研究有着重要的理论价值及工程价值,但现阶段对微电网的调度策略仍然不够完善,调度策略与运行模式、市场方案没有一体化。本文的研究内容对微电网优化调度做了些改进。本文建立了风、光、微型燃气轮机、燃料电池、储能装置组成的微电网优化调度模型。比较详细的介绍各单元的数学模型以及运行特性,提出了以综合效益最大化为总目标的目标函数,建立了微电网在不同运行方式具体的约束条件。制定了微电网在并网运行时、孤岛运行时分时段优化调度策略。当微电网并网运行时,起到削峰填谷的作用,孤岛运行时可以保证重要负荷用电的可靠性,从而使整个电网的发电设备得以充分利用。在微电网在并网运行和孤岛运行时分别采用不同的分时段优化调度策略,运用改进的粒子群算法对微电网中数学模型进行求解,确定各个微电源优化后的出力,以实现微电网系统运行的综合效益最大,并通过算例分析验证了本文算法的正确性及可行性。

关键词:微电网;分布式电源;综合效益;优化调度策略;粒子群算法;

1.1 风能发电的基本原理

风能属于可再生的清洁能源,有较好的发展前景。风能发电单元主要组成分有风机、变压器、发电机、电子开关接口以及齿轮箱。风能发电单元组成结构如图1.1所示。风能发电的基本原理6l是:风能发电机 ( Wind Turbine,WT)把风的动能经过风机旋转转化成机械能,然后风能发电机在风机带动下开始工作并将风机的机械能转化成磁能,再由磁能转化成电能。

                                             图1.1 风能发电系统的组成

根据风能发电的原理可知,风能发电单元的输出功率与风速大小有直接关系,其输出特性的波动性比较明显。

1.2 太阳能发的基本原理

太阳能电池发电是利用半导体材料的光生伏特效应,太阳辖射经太阳能电池直接将光能转换成电能的一种发电方式。太阳能发电不需要热力电动机,它能向负荷直接提供直流电能,提供交流电能时需要交直流变换器转换,它的运行方式有并网运行或孤岛运行。太阳能发电系统的组成主要由太阳能电池、控制器、变换器、蓄电池组和负载等组成。太阳能发电系统的结构组成如图1.2。

image.gif


                                             图1.2 太阳能发电系统的基本原理

1.3 微型燃气轮机基本原理

微型燃气轮机(Microturbine,MT)是近年来新发展起来的一种小型热动装置,单机发电功率通常在几百千瓦以内(一般不超过300kW)。微型燃气轮机发电系统的主要组成部分有气体压缩机、发电机、回热器、燃烧室及电力电子设备。微燃气轮机系统结构组成如图1.3所示。

image.gif

 

                                    图1.3 微型燃气轮机系统结构组成

1.4 燃料电池的基本原理

燃料电池作为一种能量转换装置,在运行过程中既发电又能产热,产生的热量可以提供给热力负荷使用,产生的电能能直接给直流设备使用也可经转换器生成交流电供交流负荷使用。燃料电池发电单元有四部分组成分别为燃料供给转换装置、空气供给装置、电池本体、热量回收装置。燃料电池发电单元的结构组成如图1.4所示。

image.gif

                                         图1.4 燃料电池发电系统

1.5 储能装置的发电模型

在微电网中风能发电、太阳能发电等可再生能源容易受到风速、温度、光照的影响具有随机性和波动性,往往会造成电网电压和频率不稳定。会造成微电网发出的电量与用电负荷的不相等情况,也不能及时追随负载变化。储能装置可以提高整个微电网系统的安全性、灵活性和可靠性,克服了上述的难题,起到了削峰填谷的作用。由于储能装置反应速度很快,当微电网在发电高峰时,所发电能除满足负荷需求外仍有多余电能,储能装置能将多余电能储存;当微电网所发电能不能满足用电负荷需求时,储能装置可迅速提供其储存的电能提供给负荷,以保障微电网系统的供需平衡和电压稳定。

1.6 微电网并网运行调度策略

当微电网系统的工作模式处于并网方式运行时,微电网系统所发电量能达到负荷的用电最低要求时,使微电网的发电费用最低,除了考虑系统中各分布式单元的出力配合,还应当计及微电网系统与主网的能量交换和储能装置的工作状态。以往电网运行经验验表明用电负荷在一天内不同的时间段所消耗的用电量是有所差异的,分为用电高峰期、用电低估期、用电均衡期三个调度阶段。根据不同阶段的耗电量和此阶段内的电价制定微电网最佳的调度方案,在保证供电可靠性的前提下,使系统运行费用最节约。

1.7 孤岛调度策略

微电网孤岛运行方式是当主网系统的供电系统不稳定运行或发生事故时,微电网系统与主网系统断开,断开后微电网和主网之间的没有电能交易问题。这种模式下,微电网中所有的微电源出力来承担整个系统的负荷需求,最佳调度方案有;

(1)在负荷用电低谷阶段,微电网的调度方案与并网运行时相同,优先利用WT和PV发电向负荷提供电能,如果有多余的电量,则检测储能装置的荷电状态,决定是否给储能装置进行充电;如果WT和PV所发的电量达不到负荷的要求时,对比MT和FC的发电费用由MT和FC中发电费用较低的单元向用户提供电能,仍然不能满足是由BT放电提供。

(2)在用电平段阶段内,WT和PV发电不能满足负荷的用电需求,通过优化计算来确定MT和FC的出力。若所发电量能满足负荷需求仍有剩余电量,则根据储能装置的充放电状态给BT充电;若果微电网中WT和PV发出全部电能依然不能满足负荷用电需求时,则考虑利用BT放电来供负荷使用。

(3)在用电高峰期阶段内,微电网系统中负荷的用电需求达到高峰,WT和PV的发电量不能达到负荷需求时,通过优化计算来确定发电单元使用,原则是优先利用发电费用比较低的单元来满足负荷的用电需求;若微电网所发的全部电量达不到负荷的用电需求,则利用BT放电来满足供电,如果储能装置储存的电量全部释放还不能满足负荷需求的情况时,由负荷的重要程度由低到高切除,以达到微电网系统的功率供需平衡。

1.8 流程图

image.gif

 

📚2 运行结果

2.1 算例分析

本文构建了包括风能发单元、太阳能发电单元、微燃气轮机单元、燃料电池以及蓄电池分布式电源等的微电网系统。根据用电负荷的实际用电情况将一天分为用电高峰期、用电低估期、用电均衡期三个阶段。由于风速、温度、光照强度在一天内是逐渐变化的,所以其发电单元的出力也是不确定的,以一个小时为单位来划分微电网系统的优化调度时间,可以将一天设为24调度时段,而将一天作为微电网的一个调度周期,进行调度分布式单元的出力更加合理。以满足微电网系统运行的约束为前提,以优化调度策略为原则,微电网的微电网运行综合效益最大化为目标函数,用改进粒子群优化算法对微电网的目标函数进行求解。分别对微电网并网运行和孤岛运行进行仿真,仿真时以某典型日提供的参数作为依据进行仿真,并在并网运行时和孤岛运行时的调度策略下确定微电网中各分布式电源的最优出力,使整个优化调度周期运行最小成本费用,进而实现微电网系统的最优化运行。

image.gif

2.2 运行结果

image.gif

image.gifimage.gif

image.gifimage.gif

image.gif

image.gif

🎉3 文献来源

部分理论来源于网络,如有侵权请联系删除。

[1]姚景昆. 基于改进粒子群算法的微电网优化调度[D].辽宁工业大学,2016.

🌈4 Matlab代码及详细文章讲解

链接:https://pan.baidu.com/s/1ZWCHuxXL0usYxLESRJwL5g 

提取码:73su

--来自百度网盘超级会员V3的分享

相关文章
|
1天前
|
算法 JavaScript 决策智能
基于禁忌搜索算法的TSP路径规划matlab仿真
**摘要:** 使用禁忌搜索算法解决旅行商问题(TSP),在MATLAB2022a中实现路径规划,显示优化曲线与路线图。TSP寻找最短城市访问路径,算法通过避免局部最优,利用禁忌列表不断调整顺序。关键步骤包括初始路径选择、邻域搜索、解评估、选择及禁忌列表更新。过程示意图展示搜索效果。
|
1天前
|
机器学习/深度学习 算法
基于BP神经网络和小波变换特征提取的烟草香型分类算法matlab仿真,分为浓香型,清香型和中间香型
```markdown 探索烟草香型分类:使用Matlab2022a中的BP神经网络结合小波变换。小波分析揭示香气成分的局部特征,降低维度,PCA等用于特征选择。BP网络随后处理这些特征,以区分浓香、清香和中间香型。 ```
|
2天前
|
机器学习/深度学习 算法
m基于PSO-GRU粒子群优化长门控循环单元网络的电力负荷数据预测算法matlab仿真
摘要: 在MATLAB 2022a中,对比了电力负荷预测算法优化前后的效果。优化前为"Ttttttt111222",优化后为"Tttttttt333444",明显改进体现为"Tttttttttt5555"。该算法结合了粒子群优化(PSO)和长门控循环单元(GRU)网络,利用PSO优化GRU的超参数,提升预测准确性和稳定性。PSO模仿鸟群行为寻找最优解,而GRU通过更新门和重置门处理长期依赖问题。核心MATLAB程序展示了训练和预测过程,包括使用'adam'优化器和超参数调整,最终评估并保存预测结果。
6 0
|
3天前
|
算法 安全
基于龙格库塔算法的SIR病毒扩散预测matlab仿真
该程序使用龙格库塔算法实现SIR模型预测病毒扩散,输出易感、感染和康复人群曲线。在MATLAB2022a中运行显示预测结果。核心代码设置时间区间、参数,并定义微分方程组,通过Runge-Kutta方法求解。SIR模型描述三类人群动态变化,常微分方程组刻画相互转化。模型用于预测疫情趋势,支持公共卫生决策,但也存在局限性,如忽略空间结构和人口异质性。
|
3天前
|
机器学习/深度学习 监控 算法
基于yolov2深度学习网络的昆虫检测算法matlab仿真,并输出昆虫数量和大小判决
YOLOv2算法应用于昆虫检测,提供实时高效的方法识别和定位图像中的昆虫,提升检测精度。核心是统一检测网络,预测边界框和类别概率。通过预测框尺寸估算昆虫大小,适用于农业监控、生态研究等领域。在matlab2022A上运行,经过关键升级,如采用更优网络结构和损失函数,保证速度与精度。持续优化可增强对不同昆虫的检测能力。![image.png](https://ucc.alicdn.com/pic/developer-ecology/3tnl7rfrqv6tw_e760ff6682a3420cb4e24d1e48b10a2e.png)
|
4天前
|
算法 调度 决策智能
基于自适应遗传算法的车间调度matlab仿真,可以任意调整工件数和机器数,输出甘特图
这是一个使用MATLAB2022a实现的自适应遗传算法解决车间调度问题的程序,能调整工件数和机器数,输出甘特图和适应度收敛曲线。程序通过编码初始化、适应度函数、遗传操作(选择、交叉、变异)及自适应机制进行优化,目标如最小化完工时间。算法在迭代过程中动态调整参数,以提升搜索效率和全局优化。
|
5天前
|
算法
基于ADM自适应增量调制算法的matlab性能仿真
该文主要探讨基于MATLAB的ADM自适应增量调制算法仿真,对比ADM与DM算法。通过图表展示调制与解调效果,核心程序包括输入输出比较及SNR分析。ADM算法根据信号斜率动态调整量化步长,以适应信号变化。在MATLAB中实现ADM涉及定义输入信号、初始化参数、执行算法逻辑及性能评估。
|
6天前
|
算法
m基于PSO粒子群优化的LDPC码OMS译码算法最优偏移参数计算和误码率matlab仿真
MATLAB2022a仿真实现了Offset Min-Sum (OMS)译码算法与粒子群优化(PSO)结合,以优化偏移参数,提升LDPC码解码性能。PSO通过迭代寻找最小化误码率(BER)的最佳偏移量。核心程序运用PSO进行参数更新和适应度函数(BER)评估,最终在不同信噪比下展示OMS解码性能,并保存结果。
7 0
|
6天前
|
传感器 算法 安全
基于WSN网络的定向步幻影路由算法matlab仿真
该文探讨了无线传感器网络中的位置隐私保护,对比了NDRW路由与定向步幻影路由在安全时间和能耗方面的性能。在MATLAB2022a中进行测试,结果显示NDRW路由提供最长的安全时间,尤其在长距离传输时,且在近距离下能耗低于幻影路由。幻影路由虽消耗更多能量,但通过随机步创造幻影源以增强安全性。NDRW路由利用非确定性随机游走策略,避免拥堵并提高效率,而幻影路由则引入方向性控制,通过启发式算法优化路径选择。
|
7天前
|
算法
基于GA-PSO遗传粒子群混合优化算法的VRPTW问题求解matlab仿真
摘要: 本文介绍了考虑时间窗的车辆路径问题(VRPTW),在MATLAB2022a中进行测试。VRPTW涉及车辆从配送中心出发,服务客户并返回,需在指定时间窗内完成且满足车辆容量限制,目标是最小化总行驶成本。文章探讨了遗传算法(GA)和粒子群优化(PSO)的基本原理及其在VRPTW中的应用,包括编码、适应度函数、选择、交叉、变异等步骤。同时,提出了动态惯性权重、精英策略、邻域搜索、多种群和启发式信息等优化策略,以应对时间窗限制并提升算法性能。