【优化选址】基于遗传算法求解分布式电源的选址定容问题附matlab代码

简介: 【优化选址】基于遗传算法求解分布式电源的选址定容问题附matlab代码

 1 内容介绍

随着我国经济持续高速发展,能源、特别是电能的消耗量越来越大;为满足电能需求,今后一个时期,我国电力行业仍需大规模建设。在化石能源逐渐枯竭、环境压力逐年增大的背景下,在现有配电网上引入分布式发电技术将是电力系统未来发展方向之一。分布式电源既能用于电力调峰,也可为边远地区独立供电,还能在节能环保同时给供电企业带来可观的经济效益。但是,分布式电源的引入会对配电网的节点电压、线路电流、功率分配和供电可靠性造成影响,这种影响与分布式电源安装的位置和容量密切相关。因此,研究配电网中分布式电源的选址定容问题是非常重要的工作。为了描述配电网的物理结构、计算配电网的运行状态,本文建立了配电网物理结构的等效模型,并用牛顿-拉夫逊方法计算配电网的潮流。在此基础上,对普通配电网的供电成本进行了计算。本文建立了一种在已有配电网中解决分布式电源选址定容问题的模型,并应用遗传算法对其进行求解。该模型考虑了四项经济指标:发电总成本、分布式电源安装费、停电罚款、碳排放罚款及环境效益损失。以IEEE 33节点配电网系统为算例,对模型适用性和算法的有效性进行验证。

2 仿真代码

function orgloss(B1,B2,isb,H,pr,Vb,Sbz)

n=33;%n=39 ;      

n1=32;%n1=38;

Zb=(Vb^2/Sbz)*100;

for i=1:n1

   B1(i,3)=B1(i,3)./Zb;

   B1(i,4)=B1(i,4)./Zb;

end

B1;

for i=1:n

   B2(i,3)=B2(i,3)/Sbz;

   B2(i,4)=B2(i,4)/Sbz;

   B2(i,5)=B2(i,5)/Vb;

end

B2;

Y=zeros(n);               %zeros就是生成一个全0的矩阵

%创建节点导纳矩阵   电导统一为零

for i=1:n1

       p=B1(i,1);

       q=B1(i,2);

       Y(p,q)=Y(p,q)-1/((B1(i,3)+B1(i,4))*B1(i,5));

       Y(q,p)=Y(p,q);

       Y(p,p)=Y(p,p)+1/(B1(i,3)+B1(i,4))+0.5*B1(i,6);%低压侧不变

       Y(q,q)=Y(q,q)+1/((B1(i,3)+B1(i,4))*B1(i,5)^2)+0.5*B1(i,6);%高压侧阻抗乘以变比平方  输入时注意低压侧在前

end

%disp('节点导纳矩阵:') ;

Y;

G=real(Y);

B=imag(Y);

[B1,B2,Times]=powerflow(B1,B2,n,H,pr,isb,Y);

disp('初始潮流计算结果如下:');

disp('迭代次数:');

Times

disp('节点电压幅值如下(按节点由小到大的顺序):');

B2(:,5)

B2

%创建Sb,用于存储平衡节点功率

Sb=zeros(1);

for i=1:n

   if i==isb

       for j=1:n

          Sb=Sb+(B2(i,5)+sqrt(-1)*B2(i,6))*conj(Y(i,j))*conj(B2(j,5)+sqrt(-1)*B2(j,6));

       end                                                          

    end

end

disp('初始平衡节点功率:')

Sb

%求解各条支路的功率

Sij=zeros(n);

for i=1:n

    for j=1:n

    Sij(i,j)=Sij(i,j)+(B2(i,5)+sqrt(-1)*B2(i,6))^2*conj(B1(1,4))+(B2(i,5)+sqrt(-1)*B2(i,6))*conj(Y(i,j))*(conj((B2(i,5)+sqrt(-1)*B2(i,6)))-conj((B2(j,5)+sqrt(-1)*B2(j,6))));

     end

end

%disp('线路功率分布:')

Sij;

%%%求解系统网损

Ploss=0;

for i=1:n            

       for j=1:n

           Ploss=Ploss+B2(i,5)*B2(j,5)*(G(i,j)*cos(B2(i,6)-B2(j,6))+B(i,j)*sin(B2(i,6)-B2(j,6)));

       end

end

disp('初始网损:')

Ploss*10000000

3 运行结果

image.gif编辑

4 参考文献

[1]张元凯. 基于遗传算法的分布式电源选址定容问题研究[D]. 东北大学, 2013.

[2]徐珂, 聂萌, 王洋,等. 基于改进遗传算法的分布式电源选址定容优化方法及系统:, CN108734349A[P]. 2018.

博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,相关matlab代码问题可私信交流。

部分理论引用网络文献,若有侵权联系博主删除。


相关文章
|
1天前
|
机器学习/深度学习 人工智能 算法
揭秘深度学习中的优化算法
【4月更文挑战第24天】 在深度学习的广阔天地中,优化算法扮演着至关重要的角色。本文将深入探讨几种主流的优化算法,包括梯度下降法、随机梯度下降法、Adam等,并分析它们的特点和适用场景。我们将通过理论分析和实例演示,揭示这些优化算法如何帮助模型更高效地学习参数,从而提高模型的性能。
|
3天前
|
机器学习/深度学习 算法 数据挖掘
基于PSO优化的CNN-LSTM-Attention的时间序列回归预测matlab仿真
该文档介绍了使用MATLAB2022A中PSO优化算法提升时间序列预测模型性能的过程。PSO优化前后对比显示了优化效果。算法基于CNN、LSTM和Attention机制构建CNN-LSTM-Attention模型,利用PSO调整模型超参数。代码示例展示了PSO的迭代优化过程及训练、预测和误差分析环节。最终,模型的预测结果以图形形式展示,并保存了相关数据。
|
10天前
|
机器学习/深度学习 算法 网络架构
matlab使用贝叶斯优化的深度学习
matlab使用贝叶斯优化的深度学习
16 0
|
10天前
|
算法
R语言使用随机技术差分进化算法优化的Nelson-Siegel-Svensson模型
R语言使用随机技术差分进化算法优化的Nelson-Siegel-Svensson模型
20 0
|
17天前
|
算法 数据处理 C语言
【数据结构与算法】快速排序(详解:快排的Hoare原版,挖坑法和双指针法|避免快排最坏时间复杂度的两种解决方案|小区间优化|非递归的快排)
【数据结构与算法】快速排序(详解:快排的Hoare原版,挖坑法和双指针法|避免快排最坏时间复杂度的两种解决方案|小区间优化|非递归的快排)
|
19天前
|
算法 索引
【算法与数据结构】深入二叉树实现超详解(全源码优化)
【算法与数据结构】深入二叉树实现超详解(全源码优化)
|
1月前
|
机器学习/深度学习 算法 数据可视化
基于GA优化的CNN-GRU-Attention的时间序列回归预测matlab仿真
该内容描述了一个使用CNN-LSTM-Attention模型优化时间序列预测的过程。在优化前后,算法的预测效果有明显提升,软件版本为matlab2022a。理论部分介绍了CNN用于特征提取,LSTM处理序列依赖,Attention关注重要信息,以及遗传算法(GA)优化超参数。提供的核心代码展示了GA的优化迭代和模型训练,以及预测结果的可视化比较。
|
1月前
|
机器学习/深度学习 算法 大数据
基于PyTorch对凸函数采用SGD算法优化实例(附源码)
基于PyTorch对凸函数采用SGD算法优化实例(附源码)
30 3
|
1月前
|
算法 搜索推荐 测试技术
python排序算法及优化学习笔记1
python实现的简单的排序算法,以及算法优化,学习笔记1
33 1
|
1月前
|
算法 搜索推荐
基于遗传优化的协同过滤推荐算法matlab仿真
该内容是关于推荐系统和算法的描述。使用Matlab2022a执行的算法生成了推荐商品ID列表,显示了协同过滤在个性化推荐中的应用。用户兴趣模型通过获取用户信息并建立数学模型来提高推荐性能。程序片段展示了遗传算法(GA)的迭代过程,确定支持度阈值,并基于关联规则生成推荐商品ID。最终结果是推荐的商品ID列表,显示了算法的收敛和支持值。

热门文章

最新文章