计及绿证交易及碳排放的含智能楼宇微网优化调度(Matlab代码实现)

简介: 计及绿证交易及碳排放的含智能楼宇微网优化调度(Matlab代码实现)

💥 💥 💞 💞 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

📚2 运行结果

2.1 算例1

2.2 算例2

2.3 算例3

2.4 算例4

🎉3 参考文献

🌈4 Matlab代码、数据、文章讲解


💥1 概述

对于可再生能源电力消纳责任权重和绿色证书(Green Certificates,GC)交易机制的研究,文


献[10]建立了考虑非水可再生能源随机性的配额制绿证中长期二次交易模型,并通过算例展示了在配额制下非水可再生能源的流动方向。文献[11]在分析我国 GC 市场与电力市场联动特性和我国 GC 市场反身性特征的基础上,构建了适应我国国情的GC 价格机制模型,并提出了推动构建多层级协调运作的 GC 市场交易的政策建议。文献[12]引入“省间可再生能源交易商”的概念,代理省内消纳责任主体参与省间可再生能源市场向省外绿电商购电,建立省间可再生能源市场和省内电力市场的两级电力市场运营模式,并建立了基于配额制的两级电力市场优化运行模型,对于完成省内消纳责任和市场运行发挥了重要作用。上述文献多在交易模型、价格机制、政策建议、两级市场优化运行模型等方面对可再生能源电力消纳责任权重和绿色证书交易机制展开研究,但关于其对 RIES 运行优化结果影响的研究还十分欠缺。


当系统可再生能源电力消纳责任权重低于要求值时,消纳责任主体可以从绿证市场购买绿证作


为消纳量补充,而消纳责任权重高于要求值时可以售出绿证赚取收益[17],因此绿色证书交易收益或成本如下式所示。


f550c2d2c1283c5de912953dec4a1dca.gif


式中: pgc 为绿证市场价格(元/(kWh)); Qgc 为购买(正值)/出售(负值)的绿证量(kWh)。


可再生能源电力消纳责任权重约束


2019 年 5 月,为进一步促进可再生能源电力消纳,缓解“弃风弃光”等问题,国家发展改革委、


国家能源局正式发布了《关于建立健全可再生能源电力消纳保障机制的通知》(发改能源[2019]807 号),提出设定可再生能源电力消纳责任权重[18]。 在该政策背景下,文章考虑可再生能源电力消纳责任权重约束如式(36)~式(38),表示系统可再生能源电力消纳量与绿证交易量总和应不小于消纳责任权重规定下系统总电力消纳量:


1af470965187ef88b0bfad0bccfe43f2.gif


式中: w为可再生能源电力消纳责任权重; Etotal 、 Ere 分别为系统总电量和消纳可再生能源电量 (kWh)。


详细文章讲解见第4部分。


📚2 运行结果

2.1 算例1


d9bb930c5df1ff45aea14f9dda6bae92.png


a19c014f07cada7c19db7823f74c9648.png


e60a95f099a3c3c6290d26c67f781eec.png


e951ef34d02a4c63926f9fed48e7ec5f.png


a9d3718d8e6654adab61c39d61f22500.png


6916d31b18db68ff01fde625f2cfe6a2.png


648f0b60812a5fe2c4af8b563ad094bc.png


d862e59ca71aeceecb85545aea4f1e05.png


6d0c8ba91c3284f445cf623331f99474.png


f13369fa6a420d536c82dd0d7a9c7864.png


2.2 算例2

此部分只展现部分代码:


3738d216dae94283c85d1a5f8cff5ce7.png


dcd0909c8e4af9c94cedeebf8d58bdf3.png


025edc4820598c327ab683145c2a124a.png


2.3 算例3

部分结果图:


f3a6a56b910cd34e8b6e9cec81957e10.png


c85af721ed9eccb5963b3a431d2ae75f.png


e1b5c17d26560e585229f942d3388918.png


7143b74217ebfaef4bbd3c1481059012.png


488775d65aebf71f959afb0ccfbc1a73.png


cbd8ce0a37d5b7582b807a89294541a3.png


2.4 算例4


0cc43e1009be3a36fe4bb84cea015d34.png


04c0ab5c92f7bb8eb633503714cc6a4a.png


6044ab0aa5930fd2cd2cb2a485b8035e.png


cdbec667be392e07e69422571d01b404.png


%% 费用计算
F2=sum(a*xconv+kcp*pmt+yconv*sconv)%燃气轮机费用
F1=sum(pmgb.*xb-pmgs.*xs);%购售电费用
%电动汽车电池损耗费用
F4=1000*sum(2*(gdvr/0.9+0.228/1000*dvr))+1000*sum(2*(gdvb/0.9+0.228/1000*dvb))
%需求响应负荷费用
F3=sum(pil(1,:)*kil(1))+sum(pil(2,:)*kil(2))+sum(pil(3,:)*kil(3));
F5=cc*sum(ep-eq);%碳市场交易成本
F6=sum(cshift)%可转移负荷补偿费用
F7=sum(Cgc);%绿证交易收入


🎉3 参考文献

部分理论来源于网络,如有侵权请联系删除。

[1]曹雨微,郭晓鹏,董厚琦,王俐英,曾鸣.计及消纳责任权重的区域综合能源系统运行优化研究[J].华北电力大学学报(自然科学版),2022,49(03):84-95.


🌈4 Matlab代码、数据、文章讲解


相关文章
|
1天前
|
机器学习/深度学习 算法 计算机视觉
m基于Yolov2深度学习网络的智能零售柜商品识别系统matlab仿真,带GUI界面
MATLAB 2022a中展示了YOLOv2目标检测算法的仿真结果,包括多张检测图像。YOLOv2是实时检测算法,由卷积层和全连接层构成,输出张量包含边界框坐标和类别概率。损失函数由三部分组成。程序使用75%的数据进行训练,剩余25%作为测试集。通过ResNet-50预训练模型构建YOLOv2网络,并用SGDM优化器进行训练。训练完成后,保存模型为`model.mat`。
14 2
|
2天前
|
机器学习/深度学习 算法 数据挖掘
基于PSO优化的CNN-GRU-Attention的时间序列回归预测matlab仿真
摘要: 本文介绍了运用粒子群优化(PSO)调整深度学习模型超参数以提升时间序列预测性能的方法。在比较了优化前后的效果(Ttttttttttt12 vs Ttttttttttt34)后,阐述了使用matlab2022a软件的算法。文章详细讨论了CNN、GRU网络和注意力机制在时间序列预测中的作用,以及PSO如何优化这些模型的超参数。核心程序展示了PSO的迭代过程,通过限制和调整粒子的位置(x1)和速度(v1),寻找最佳解决方案(gbest1)。最终,结果保存在R2.mat文件中。
基于PSO优化的CNN-GRU-Attention的时间序列回归预测matlab仿真
|
8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。
|
13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:卷积神经网络CNN
matlab使用贝叶斯优化的深度学习:卷积神经网络CNN
12 0
|
14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
19 0
|
21天前
|
机器学习/深度学习 算法
基于GA优化的CNN-LSTM-Attention的时间序列回归预测matlab仿真
时间序列预测是许多领域中的核心问题,如金融市场分析、气候预测、交通流量预测等。近年来,深度学习在时间序列分析上取得了显著的成果,尤其是卷积神经网络(CNN)、长短时记忆网络(LSTM)和注意力机制(Attention)的结合使用
|
2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。
|
4月前
|
Perl
【MFAC】基于全格式动态线性化的无模型自适应控制(Matlab代码)
【MFAC】基于全格式动态线性化的无模型自适应控制(Matlab代码)
|
4月前
【数值分析】迭代法求方程的根(附matlab代码)
【数值分析】迭代法求方程的根(附matlab代码)
|
4月前
【数值分析】Jacobi、Seidel和Sor迭代法求解线性方程组(附matlab代码)
【数值分析】Jacobi、Seidel和Sor迭代法求解线性方程组(附matlab代码)

热门文章

最新文章