【综合能源】计及碳捕集电厂低碳特性及需求响应的综合能源系统多时间尺度调度模型

本文涉及的产品
实时计算 Flink 版,5000CU*H 3个月
智能开放搜索 OpenSearch行业算法版,1GB 20LCU 1个月
实时数仓Hologres,5000CU*H 100GB 3个月
简介: 此程序是基于《计及碳捕集电厂低碳特性的含风电电力系统源-荷多时间尺度调度方法》的复现,实现了电热综合能源系统的日前日内调度模型,涉及燃气轮机、风电机组、火电机组、电锅炉及碳捕集系统。程序使用MATLAB的YALMIP+CPLEX进行优化,考虑了碳捕集、风电协调、需求响应和系统灵活性。它定义了多种决策变量,包括电力和热力出力、碳排放、能耗等,并设置了相应的约束条件,如出力范围、碳捕集效率和旋转备用约束。程序还显示了实现效果的图表,但具体细节未给出。

1主要内容

本程序是对《计及碳捕集电厂低碳特性的含风电电力系统源-荷多时间尺度调度方法》方法复现,非完全复现,只做了日前日内部分,并在上述基础上改进升级为电热综合电源微网系统,未考虑节点系统。


本程序依据上述文献模型实现一个虚拟电厂/微网多时间尺度电热综合能源系统低碳经济调度模型,源侧在碳捕集电厂中装设烟气旁路系统与溶液存储器,形成碳捕集电厂综合灵活运行方式进而与风电协调配合;荷侧调用不同响应速度的价格型、激励型需求响应资源克服多时间尺度下碳捕集电厂综合灵活运行方式的局限,通过源荷资源协调优化,从而提高系统的低碳性能。其次,构建源荷协调的日前-日内两阶段低碳经济调度模型,优化系统的负荷及分配计划。

2部分程序

%% 决策变量

% 电力源出力

GT_P = sdpvar(2,24,'full'); % 燃气轮机电出力

P_w = sdpvar(1,24,'full'); % 风电机组出力

P_G = sdpvar(3,24,'full'); % 火电机组出力

EB=sdpvar(2,24,'full'); % 电锅炉出力

% 热力源出力

GT_H = sdpvar(2,24,'full'); % 燃气轮机热出力

EB_H=sdpvar(2,24,'full'); % 电锅炉热出力

% 天然气

P_gas=sdpvar(2,24,'full'); % 天然气需求

% 碳捕集相关

E_G=sdpvar(3,24,'full'); % 碳捕集机组产生的总碳排放

E_total_co2=sdpvar(3,24,'full'); % 机组捕获的总碳排放

E_CG=sdpvar(3,24,'full'); % 储液装置提供的待捕集二氧化碳量

P_B=sdpvar(3,24,'full'); % 机组运行能耗

P_J=sdpvar(3,24,'full'); % 机组净出力

V_CA=sdpvar(3,24,'full'); % 机组净出力

V_FY=sdpvar(3,24,'full'); % 富液体积

V_PY=sdpvar(3,24,'full'); % 贫液体积

P_tran=sdpvar(1,24,'full'); % 系统可转移电负荷

P_cut=sdpvar(1,24,'full'); % 系统可削减电负荷

P_DE=sdpvar(1,24,'full'); % 系统经过过需求响应后的电负荷

H_tran=sdpvar(1,24,'full'); % 系统可转移热负荷

H_cut=sdpvar(1,24,'full'); % 系统可削减热负荷

H_DE=sdpvar(1,24,'full'); % 系统经过过需求响应后的热负荷

gn=5;  

P_G_line= sdpvar(3,24,'full'); % 火电机组出力

%% 约束条件

C = [];  %约束条件初始

for t=1:24

   for i=1:3

   C = [C,        

       0<=E_CG(i,t),

       0<=P_B(i,t),

       E_G(i,t)==eg(i)*P_G(i,t), % 碳捕集机组产生的总碳排放  

       E_total_co2(i,t)==E_CG(i,t)+0.25*E_bata*eg(i)*(y1(i,t)-y2(i,t)), % 机组捕获的二氧化碳总量

       0<=E_total_co2(i,t)<=P_yita*E_bata*eg(i)*P_G_max(i),  

       P_B(i,t)==P_lamda(i)*E_total_co2(i,t), % 机组运行能耗

       P_G(i,t)==P_J(i,t)+P_D(i,t)+P_B(i,t), % 机组输出总功率

       P_G_min(i)-P_lamda(i)*P_yita*E_bata*eg(i)*P_G_max(i)-P_D(i)<=P_J(i,t)<=P_G_max(i)-P_D(i), % 碳捕集电厂净出力范围

       0<= P_w(t)<= P_prew(t), % 风电出力区间约束

       sum(EB(:,t))+P_w(t)<=P_prew(t);

       P_G_min(i)<= P_G(i,t)<=P_G_max(i), % 火电机组出力约束

       ];

   end

end

C=[C,min(sum(R_u),sum(P_G_max)-sum(P_G))>=0.01*max(P_DE),]; % 旋转备用约束


3实现效果



目录
打赏
0
0
0
0
67
分享
相关文章
QEMU&KVM-2 Live Migration
虚拟机的迁移是指把一台VM上的OS迁移到另外一台VM,两个VM可以run在不同的物理机上。 包括:Offline Migration和Live Migration。这里讲讲比较常用的Live Migration(热迁移)。 在热迁移过程中,Guest OS完全无感,其运行的任务,在快速迁移过后能继续运行。 首先,对于Guest OS从一个VM迁移到其他VM,涉及到对register配置,di
8099 0
QEMU&KVM-2 Live Migration
LLM-Mixer: 融合多尺度时间序列分解与预训练模型,可以精准捕捉短期波动与长期趋势
近年来,大型语言模型(LLMs)在自然语言处理领域取得显著进展,研究人员开始探索将其应用于时间序列预测。Jin等人提出了LLM-Mixer框架,通过多尺度时间序列分解和预训练的LLMs,有效捕捉时间序列数据中的短期波动和长期趋势,提高了预测精度。实验结果显示,LLM-Mixer在多个基准数据集上优于现有方法,展示了其在时间序列预测任务中的巨大潜力。
240 3
LLM-Mixer: 融合多尺度时间序列分解与预训练模型,可以精准捕捉短期波动与长期趋势
基于Python flask框架的招聘数据分析推荐系统,有数据推荐和可视化功能
本文介绍了一个基于Python Flask框架的招聘数据分析推荐系统,该系统具备用户登录注册、数据库连接查询、首页推荐、职位与城市分析、公司性质分析、职位需求分析、用户信息管理以及数据可视化等功能,旨在提高求职者的就业效率和满意度,同时为企业提供人才匹配和招聘效果评估手段。
379 0
基于Python flask框架的招聘数据分析推荐系统,有数据推荐和可视化功能
产品经理-B 端与C端
B端与C端是IT互联网产品经理的类型划分,分别面向企业和个人消费者。C端产品如微信、淘宝,注重用户体验和快速迭代;B端产品如CRM系统、ERP软件,强调功能复杂性和定制化服务。此外,还有G端产品,主要服务于政府机构,注重数据安全和合规性。产品经理起源于20世纪20年代末的美国宝洁公司,随着互联网的发展,该角色在IT领域变得愈加重要。
基于元模型优化算法的主从博弈多虚拟电厂动态定价和能量管理(matlab代码)
基于元模型优化算法的主从博弈多虚拟电厂动态定价和能量管理(matlab代码)
【综合能源】含氢气氨气综合能源系统优化调度【免费】
该程序参考《_基于氨储能技术的电转氨耦合风–光–火综合能源系统双层优化调度》模型,对制氨工厂、风力发电、电制氢、燃气轮机、火电机组等主体进行建模分析,以火电机组启停成本、煤耗成本、弃风成本和购气成本形成的综合成本为目标,程序采用matlab+cplex求解,注释清晰,方便学习!
日前日内多阶段多时间尺度源荷储协调调度(matlab代码)
日前日内多阶段多时间尺度源荷储协调调度(matlab代码)
Golang深入浅出之-Go语言中的云原生开发:Kubernetes与Docker
【5月更文挑战第5天】本文探讨了Go语言在云原生开发中的应用,特别是在Kubernetes和Docker中的使用。Docker利用Go语言的性能和跨平台能力编写Dockerfile和构建镜像。Kubernetes,主要由Go语言编写,提供了方便的客户端库与集群交互。文章列举了Dockerfile编写、Kubernetes资源定义和服务发现的常见问题及解决方案,并给出了Go语言构建Docker镜像和与Kubernetes交互的代码示例。通过掌握这些技巧,开发者能更高效地进行云原生应用开发。
295 1
【复现】【免费】基于多时间尺度滚动优化的多能源微网双层调度模型
【复现】【免费】基于多时间尺度滚动优化的多能源微网双层调度模型
2023云栖大会新品发布 | 云上虚拟电厂新品发布
阿里云在虚拟电厂领域的探索和实践,发布云上虚拟电厂方案,可用于提高能源利用效率、降低碳排放、改善能源供需平衡、提升电网稳定性等方面。虚拟电厂将分散的、各自为政的分布式能源资源进行整合和优化,形成统一、可协调控制的能源供应系统,核心技术包括云计算平台、能源数据采集、智能分析和决策算法等。
604 0
AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等

登录插画

登录以查看您的控制台资源

管理云资源
状态一览
快捷访问