【分布式能源的选址与定容】基于非支配排序多目标遗传优化算法求解分布式能源的选址与定容(Matlab代码实现)

简介: 【分布式能源的选址与定容】基于非支配排序多目标遗传优化算法求解分布式能源的选址与定容(Matlab代码实现)

💥1 概述

参考文献:

本文采用的是换一个算法解决, 基于非支配排序多目标遗传优化算法求解分布式能源的选址与定容。


将可再生能源的分布式发电技术与大电网结 合,是 普 遍 公认的节能减排、绿色 环 保、安全可靠的电力系统运行方式, 是电力发展的方向。分布式电源(DG)是指在一定的地域范围内,以分散方式布置在用户附近, 与环境兼容的小型模块化发电单元,其发电功率为几千瓦到 几十兆瓦。


分布式发电系统目前大多与配电网并网运行。DG 入 电 网后,会对配电网的潮流分布产生影响,进而可以优化配电网 络,缓解配电网输 配 用 电 压 力。但 是 由 于 DG 的 投 入 和 退出有很大的随 机 性,且输出功率的稳定性易受环境影响,因此,DG的不当接入会对电网产生诸多负面影响,如 影 响 配 电网的稳定性及电压质量,产 生 谐 波 等。这 些 影 响 的 大 小 与DG的容量和接入位置有很大关,因此,DG 的选址定容是在 DG规划阶段中需要考虑的重点问题。


由于规划的优化目标较为单一,传 统 的 规 划 方 法 无 法 很 好地解决这一问题。近 年 来,考 虑 电 压、电流质量和环境等因素的多目标优化迅速发展,但量纲的不统一,使得求解的复杂性大大提高,给多目标优化提出了新的挑战。本文在 研究标准粒子群优化算法的基础上,针 对 配 电 网 中 DG 的 选址定容问题,建立了包括有功率损耗、电压质量及接入 DG 的总容量为目标函数的数学模型,运用模糊理论将多目标优化模型转化为基于模糊隶属度的单目标优化模型,并利用非支配排序多目标遗传优化算法进行优化。在IEEE14标准节点测试系统上进行仿真,提出了具有实用价值的 DG配置方案。


1.1 功率损耗

电能在从发电端传输到负载端的过程中,输电线路上产生的电能损耗不可址 见,只议r地减小有功功率损耗,提理地配置配电网中的 DG,可以有效地减小有功功率损耗,提高发电利用率,节约能量。基于有功功率损耗的目标函数最优数学表达式为:

1.2 电压质量

某些状况下,电力系统在遭受干扰后的几秒或几分钟内,系统中的某些母线电压可能经历大幅度﹑持续性降低,从而使得系统的完整性遭到破坏,功率不能正常地传送给用户。这种灾变称为系统电压不稳定﹐其灾难后果则是电压崩溃。通常用静态电压稳定指标来表示系统电压稳定性。配电网中电

压质量受配电系统的电压稳定性影呵。今乂术用能T网P电压基于期望电压的方差来描述电压质量。基于电压质量的目标函数最优数学表达式为:


1.3 DG总容量

在实际应用中不仅要考虑改善电网带来的经济效应,还需要考虑DG安装、运行和维护的成本费用问题。本文中不涉及经济模型,仅考虑接入配电网的DG总容量。基于DG总容量的目标函数最优数学表达式为:

📚2 运行结果


🌈3 Matlab代码+数据

部分代码:

%% 雅可比矩阵
J=[jpt jpv; jqt jqv];
X = (inv(J))*M;%偏差
%% 相位偏差
dTh = X(1:nbus-1);
%% 电压偏差
dV = X(nbus:end);
[e1,d1,n1]=eig(JR);%计算矩阵A的特征值和特征向量的函数是eig(A)[V,D,W] = eig(A),[V,D,W] = eig(A)返回满矩阵 W,其列是对应的左特征向量,使得 W’A = DW’。
%diag(A),若A是一个矩阵,则diag函数的作用是产生提取矩阵的对角线;若a是一个向量,则diag函数的作用是产生一个对角线为a的矩阵
%% 目标2 电压稳定性
f2val=max(1./diag((d1)))*max(abs(dQ));%目标2,稳定性
del(2:nbus) = dTh + del(2:nbus);
k = 1;
for i = 2:nbus
    if type(i) == 3
        V(i) = dV(k) + V(i);
        k = k+1;
    end
end
%% 目标2和目标3
tval=sum(1./diag((d1)));
po_val=flow_cal(nbus,V,del,BMva);
f1val=sum(po_val);%各支路网损和
f3val=sum(datain(5:8));%DG容量和
fout=[f1val; f2val; f3val];
%% 雅可比矩阵
J=[jpt jpv; jqt jqv];
X = (inv(J))*M;%偏差
%% 相位偏差
dTh = X(1:nbus-1);
%% 电压偏差
dV = X(nbus:end);
[e1,d1,n1]=eig(JR);%计算矩阵A的特征值和特征向量的函数是eig(A)[V,D,W] = eig(A),[V,D,W] = eig(A)返回满矩阵 W,其列是对应的左特征向量,使得 W’A = DW’。
%diag(A),若A是一个矩阵,则diag函数的作用是产生提取矩阵的对角线;若a是一个向量,则diag函数的作用是产生一个对角线为a的矩阵
%% 目标2 电压稳定性
f2val=max(1./diag((d1)))*max(abs(dQ));%目标2,稳定性
del(2:nbus) = dTh + del(2:nbus);
k = 1;
for i = 2:nbus
    if type(i) == 3
        V(i) = dV(k) + V(i);
        k = k+1;
    end
end
%% 目标2和目标3
tval=sum(1./diag((d1)));
po_val=flow_cal(nbus,V,del,BMva);
f1val=sum(po_val);%各支路网损和
f3val=sum(datain(5:8));%DG容量和
fout=[f1val; f2val; f3val];


🎉4 参考文献

部分理论来源于网络,如有侵权请联系删除。

[1]周洋,许维胜,王宁,邵炜晖.基于改进粒子群算法的多目标分布式电源选址定容规划[J].计算机科学,2015,42(S2):16-18+31.


[2]冯元元. 基于多目标规划的分布式发电选址定容研究[D].华北电力大学,2015.  


[3]杨智君. 基于群智能算法的分布式电源选址与定容[D].太原科技大学,2019.DOI:10.27721/d.cnki.gyzjc.2019.000065.

相关文章
|
存储 算法
基于布谷鸟搜索的多目标优化matlab仿真
该程序运用布谷鸟搜索算法进行多目标优化,设置三个目标函数,生成三维优化曲面和收敛曲线。在MATLAB2022a中运行,显示了迭代过程中的优化结果图。算法基于布谷鸟的寄生繁殖和列维飞行行为,通过非支配排序和拥挤度计算处理多目标问题。迭代中,新解不断被评估、更新并加入帕累托前沿,最终输出帕累托前沿作为最优解集。
|
算法 SoC
基于多目标粒子群算法的配电网储能选址定容(含MATLAB程序)
基于多目标粒子群算法的配电网储能选址定容(含MATLAB程序)
|
算法 调度
基于多目标粒子群算法冷热电联供综合能源系统运行优化(matlab代码)
基于多目标粒子群算法冷热电联供综合能源系统运行优化(matlab代码)
|
机器学习/深度学习 传感器 算法
【红外图像】利用红外图像处理技术对不同制冷剂充装的制冷系统进行性能评估(Matlab代码实现)
【红外图像】利用红外图像处理技术对不同制冷剂充装的制冷系统进行性能评估(Matlab代码实现)
|
机器学习/深度学习 传感器 算法
【视频去噪】基于全变异正则化最小二乘反卷积是最标准的图像处理、视频去噪研究(Matlab代码实现)
【视频去噪】基于全变异正则化最小二乘反卷积是最标准的图像处理、视频去噪研究(Matlab代码实现)
|
11天前
|
算法 计算机视觉
【MPDR & SMI】失配广义夹角随输入信噪比变化趋势、输出信干噪比随输入信噪比变化趋势研究(Matlab代码实现)
【MPDR & SMI】失配广义夹角随输入信噪比变化趋势、输出信干噪比随输入信噪比变化趋势研究(Matlab代码实现)
|
11天前
|
编解码 人工智能 算法
【采用BPSK或GMSK的Turbo码】MSK、GMSK调制二比特差分解调、turbo+BPSK、turbo+GMSK研究(Matlab代码实现)
【采用BPSK或GMSK的Turbo码】MSK、GMSK调制二比特差分解调、turbo+BPSK、turbo+GMSK研究(Matlab代码实现)
|
10天前
|
存储 编解码 算法
【多光谱滤波器阵列设计的最优球体填充】使用MSFA设计方法进行各种重建算法时,图像质量可以提高至多2 dB,并在光谱相似性方面实现了显著提升(Matlab代码实现)
【多光谱滤波器阵列设计的最优球体填充】使用MSFA设计方法进行各种重建算法时,图像质量可以提高至多2 dB,并在光谱相似性方面实现了显著提升(Matlab代码实现)
|
10天前
|
机器学习/深度学习 传感器 算法
【高创新】基于优化的自适应差分导纳算法的改进最大功率点跟踪研究(Matlab代码实现)
【高创新】基于优化的自适应差分导纳算法的改进最大功率点跟踪研究(Matlab代码实现)
97 14

热门文章

最新文章