基于非对称纳什谈判的多微网电能共享运行优化策略(Matlab代码实现)

简介: 基于非对称纳什谈判的多微网电能共享运行优化策略(Matlab代码实现)

💥1 概述

文献来源:


摘要:推进可再生能源高效利用,实现电力系统低碳化运行成为电力系统改革的重要方向。该文首先构建了包含电热气多能协同的微电网模型,考虑了含有碳配额和碳交易的优化运行机制,并在热电联产机组模型中改进加入了碳捕集系统和电转气装置,以降低碳排放。然后,基于纳什谈判理论建立了多微网电能共享合作运行模型,进而将其分解为微网联盟效益最大化子问题和合作收益分配子问题,选择交替方向乘子法分布式求解,从而有效保护各主体隐私。在合作收益分配子问题中,提出以非线性能量映射函数量化各参与主体贡献大小的非对称议价方法,各微网分别以其在合作中的电能贡献大小为议价能力相互谈判,以实现合作收益的公平分配。最后,仿真结果验证了所提方法的有效性。结果表明,通过所提的多微网电能共享方法,微网联盟收益实现最大化;并且,微网联盟的合作收益基于各微网的能量贡献大小实现了公平分配;在碳排放方面,结果证明了碳捕集联合电转气系统,以及微网间的能量共享方法,都能够有效减少微电网运行过程中的碳排放量。


关键词:


综合能源系统;电转气;碳捕集;P2P电能交易;非对称议价;低碳优化运行;


“十四五”是实现我国碳排放达峰的关键期,中央经济工作会议将“做好碳达峰、碳中和工作”列为


2021 年八项重点任务之一[1]。2021 年 7 月 16 日,全国碳排放权交易市场正式启动。推进可再生能源高效利用,实现电力系统能源供给低碳化清洁化[2],将是今后重点研究方向之一。微电网作为各类分布式新能源接入电力系统和聚合产消者的重要形式,研究表明,微网之间的点对点(peer to peer,P2P)能源交易,可以有效提高新能源的本地消纳率,降低微电网的用电成本,减少对公用电网的依赖,并降低碳排放[3-4]。关于分布式主体之间P2P电能交易的研究可分为两个方向,一是通过区块链技术来促成产消者之间的商业化电能交易[5-6]。另一类研究则是利用博弈论方法来最大化 P2P 电能交易的收益[7-9],本文研究即属于此类。多主体之间的能源交易博弈论方法可以分为两类:非合作博弈和合作博弈[10]。 在第一类中,总是根据产消者的能量剩余或不足将其分为对立的买方和卖方两类,往往通过 stackelberg 博弈以各自的个体成本最优为目标来相


互竞争,实现基于纳什均衡的最小能源成本[11-13]。 文献[11-12]中将多个社区微电网分为买方和卖方互相主从博弈;文献[13]则考虑综合能源系统中三方利益主体的 stackelberg 博弈优化方法。另一种基于竞价拍卖博弈[14-15]的方法,其优点是便于写入智能合约。非合作博弈中每个主体都被视为自私的且对立的,因而缺乏对整体利益的考虑。


1.1 基于 P2P 交易的多微网电能共享架构

1.2 含碳捕集和电转气的微电网模型  

📚2 运行结果

2.1 算法收敛性分析——子问题

原文图:


复现结果图:

2.3 多微网 P2P 电能交易优化结果分析

原文图:

复现结果图:


🎉3 参考文献

部分理论来源于网络,如有侵权请联系删除。


[1]吴锦领,楼平,管敏渊等.基于非对称纳什谈判的多微网电能共享运行优化策略[J].电网技术,2022,46(07):2711-2723.DOI:10.13335/j.1000-3673.pst.2021.1590.


🌈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 数据挖掘
基于WOA优化的CNN-GRU-Attention的时间序列回归预测matlab仿真
使用MATLAB2022a,结合WOA优化算法调整了CNN-LSTM-Attention模型的超参数。WOA仿照鲸鱼捕食策略解决优化问题,提升时间序列预测准确性。模型先用CNN提取局部特征,接着LSTM处理长期依赖,最后注意力机制聚焦相关历史信息。优化前后效果对比图显示,预测性能显著改善。代码中展示了WOA优化的网络训练及预测过程,并绘制了预测值与真实值的比较图表。
|
5天前
|
传感器 数据采集 数据处理
MATLAB热传导方程模型最小二乘法模型、线性规划对集成电路板炉温优化
MATLAB热传导方程模型最小二乘法模型、线性规划对集成电路板炉温优化
|
7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
|
14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。
|
14天前
|
机器学习/深度学习 算法
MATLAB随机森林优化贝叶斯预测分析汽车燃油经济性
MATLAB随机森林优化贝叶斯预测分析汽车燃油经济性
20 0
|
19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
16 0
|
20天前
|
数据可视化 API 决策智能
matlab使用Copula仿真优化市场风险
matlab使用Copula仿真优化市场风险
21 0
|
20天前
matlab使用Copula仿真优化市场风险数据VaR分析
matlab使用Copula仿真优化市场风险数据VaR分析
14 0
|
20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
21 0
|
27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

热门文章

最新文章