MATLB|基于粒子群优化算法的智能微电网调度(含风、光、微型燃气轮机、电网输入微网、储能)

简介: MATLB|基于粒子群优化算法的智能微电网调度(含风、光、微型燃气轮机、电网输入微网、储能)

1 概述

不断发展的社会,对于电网运行的可靠、安全、经济、高效以及环境友好等要求也越来越高,这一现状使得智能电网的提出与飞速发展成为必然。智能电网的一大特色在于促进了新能源的接入,并运用先进的控制手段合理地管理新能源发电,对于解决能源短缺、生态污染能问题有着重大意义。微电网作为智能电网的重要组成部分,更有必要对其能量调度做出合理的规划。以含多种混合能源的微网为例,介绍微型燃气轮机新型微型电源的工作原理与模型。混合能源配合储能电池工作,微网与电价实时变动的主网并网运行。本文基于粒子群优化算法的智能微电网调度。


2 简单微电网结构

3 智能微电网模型

3.1 微型燃气轮机发电模型

微型燃气轮机是新近发展起来的类小型热力发动机,它的单机功率一般在25到300千瓦之间,具有众多优点,如消耗率低、噪音低、污染低、维修率低和可遥控诊断等,除了用于分布式发电外,还可以用于备用电站、热电联产等,能够提供清洁可靠、优质多功能的能源,除用于中心城市外,也能够很好的适用于偏远地区甚至边缘地带。

微型燃气轮机的进行工作时具体的原理如图所示:

                     



工作原理为:压气机将清新空气压缩成高压空气,并于热交换器中由涡轮机废弃预热,将预热后的高压空气送入燃料室与燃料混合燃烧,将所产生的高温燃气送去涡轮机中做功,而发电机永磁体经传动轴由涡轮机带动发电,最后,电力调节系统将发电机永磁体所产生的电能转化后使用。


3.2 储能装置模型

光伏发电、风力发电等间歇性电源固有的随机性、波动等特点,会在并网应用时对主电网的运行带来隐患,涉及电力平衡、频率稳定、电压稳定等多个方面,而储能装置能够调整、减少这种现象带来的影响。另一方面,分布式发电中的微型燃气轮机和燃料电池由于其输出功率较小,受单个负荷的波动影响较大,处于系统稳定性和安全性的考虑,微电网系统需要配备一定的储能装置。

储能装置的主要作用有三个方面:一是改善电能质量,维持系统稳定;二是能够作为备用电源或者起到削峰填谷的作用;三是能够为个体分布式发电单元带来一定的经济效益。到目前为止,已经有多种储能方式,主要分为化学储能和物理储能两种。其中镍氢电池由于其能量密度高、可快速充放电以及循环寿命长和无污染等优点,在当今迅速发展起来,对于提升镍氢电池性能的研究从未中断。

对于储能装置的充放电,由于材料本身的限制,不能充分的实现能量之间的转换.


4 数学模型

4.1 目标函数

微电网系统中需要考虑的目标多种多样,系统中的发电量、储能和负载之间也有着比较复杂的关系,需要从经济等多个角度来考虑这些单元的调度问题。上图所示为微电网系统,系统中包含着多种分布式电源,主要有微型燃气轮机(MT)、光伏发电机(PV)、风能发电机(WT)等,微型燃气轮机储能电池作为混合型后备能源分布于微网各处,维持可再生能源的电量供应与负载需求之间的平衡;系统中的负载需求分为三种,分别是居民负载、工业负载和商业负载,这三种需求在系统中全部能够得到满足。此外,系统通过公共连接点(PCC)连接着主电网(Grid)。在并网运行模式下,微网不仅可以在有需要的时候向主电网买入电能,还可以在适当的时候向其售卖电能。整个微网系统的操作管理由微电网中央控制。


这里以微网系统一天的运行情况为基础研究,以微电网的运行成本最小为目标,为了便于分析,把问题划分为24个小时段,并且不妨设各设备在每个时间段内功率的输出(输入)是恒定的,以

各整点时刻的功率作为该时间段的功率,构成问题模型的状态空间。故目标函数为:


其中f(X)表示微电网的成本代价函数,其中X表示问题模型的状态粒子;T表示优化调度的总时段;PG、PS、PGrid分别表示分布式电源、电池及主网在各时刻的发电量;BG、BS、BGrid分别表示分布式电源、储能装置及主网在各时刻的发电成本。

4.2 约束条件

电池容量

储能电池不仅要考虑工作状态时功率输出(入)上下限范围限制,还必须时刻注意电池内的容量的限制。所以,必须满足:

                   


式中,表示储能装置的最低容量,表示储能装置的最局谷里,

表示最大充电功率,表示最大放电功率。

电力供需平衡

微网在并网模式下,还需要保证微网内所有的负载需求都能得到满足。并且,这里所考虑的是低压侧的一种三支线的微型电网模型,功率传输的损耗很小,在此我们忽略不计。所以,必须满足:

             

其中,表示在t时刻微网内第k类负载的需求。

然后就是电力设备上下限,这里就不写出了,见程序。

5 结果展现

             

部分代码:

clear
clc
format long;
%% 初始化条件
%微型燃气轮机最大功率
MTMaxPower=5;
%微型燃气轮机最小功率
MTMinPower=1;
%电网输入微网最大功率
GridMaxImportPower=250;
%电网输入微网最小功率
GridMinImportPower=10;
%储能最大放电功率
StorageMaxDischargingPower=150;
%储能最大充电功率
StorageMaxChargingPower=-100;
P_load=[11.7 12.4 11.7 12.4 11.7 22.4 81.9 122.4 241.3 242.0 241.3 241.3 241.3 240.7 241.3 240.7 241.3 161.0 122.2 121.1 102.9 101.2 23.0 11.1];
Pw=[66.9  68.2  71.9  72  78.8  94.8  114.3 145.1 155.5 142.1 115.9 127.1 141.8 145.6 145.3 150 206.9 225.5 236.1 210.8 198.6 177.9 147.2 58.7];
P_pv=[0 0 0 0 0 0 0 0.0391 19.5244 40.0204 50.1010 73.3946 74.3511 76.3489 72.8004 53.1185 4.6258 0 0 0 0 0 0 0];
Max_Dt=300;%最大迭代次数300
D=72;%搜索空间维数(未知数个数)
N=600;%粒子个数600
w_max=0.9;
w_min=0.4;
v_max=2;
s=1;
%% 初始化种群个体(位置和速度)
for i=1:N
    for j=1:72
%         v(i,j)=randn;
        v(i,j)=0.0;
        if j<25
            x(i,j)=MTMinPower+rand()*(MTMaxPower-MTMinPower);
        elseif j>24&&j<49
            x(i,j)=GridMinImportPower+rand()*(GridMaxImportPower-GridMinImportPower);
        elseif j>48&&j<73
            x(i,j)=StorageMaxChargingPower+rand()*(StorageMaxDischargingPower-StorageMaxChargingPower);
        end
    end    
end
%% 计算各个粒子的适应度,并初始化Pi和Pg
for i=1:N
    p(i)=fitness(x(i,:),s);
    y(i,:)=x(i,:);%每个粒子的个体寻优值
end
Pbest=fitness(x(1,:),s);
pg=x(1,:);%Pg为全局最优
for i=2:N
    if fitness(x(i,:),s)<fitness(pg,s)
       Pbest=fitness(x(i,:),s);
       pg=x(i,:);%全局最优更新
    end
end
%% 进入主循环
for t=1:Max_Dt
    for i=1:N
        w=w_max-(w_max-w_min)*t/Max_Dt;%惯性权重更新
        c1=(0.5-2.5)*t/Max_Dt+2.5; %认知
        c2=(2.5-0.5)*t/Max_Dt+0.5; %社会认识   
%         w=0.7;
%         c1=2.05; %认知
%         c2=2.05; %社会认识   
        v(i,:)=w*v(i,:)+c1*rand()*(y(i,:)-x(i,:))+c2*rand()*(pg-x(i,:));
        for m=1:72
            if(v(i,m)>v_max)
                v(i,m)=v_max;
            elseif(v(i,m)<-v_max)
                v(i,m)=-v_max;
            end
        end
        x(i,:)=x(i,:)+v(i,:);
        %对粒子边界处理
        for n=1:72
            if n<25
                   if x(i,n)<MTMinPower
                         x(i,n)=MTMinPower;
                         v(i,n)=-v(i,n); 
                   elseif x(i,n)>MTMaxPower
                         x(i,n)=MTMaxPower;
                         v(i,n)=-v(i,n); 
                   else
                         delt(i,n)=0;
                   end
            elseif n>24&&n<49
                    if x(i,n)<GridMinImportPower
                         x(i,n)=GridMinImportPower;
                         v(i,n)=-v(i,n);  
                   elseif  x(i,n)>GridMaxImportPower
                         x(i,n)=GridMaxImportPower;
                         v(i,n)=-v(i,n);                     
                    else
                         delt(i,n)=0;
                    end
            else
                    if x(i,n)<StorageMaxChargingPower
                          x(i,n)=StorageMaxChargingPower;
                          v(i,n)=-v(i,n); 
                   elseif x(i,n)>StorageMaxDischargingPower
                        x(i,n)=StorageMaxDischargingPower;
                        v(i,n)=-v(i,n); 
                    else
                        delt(i,n)=0;
                    end
            end
        end 
        %对粒子进行评价,寻找最优值******************
        if fitness(x(i,:),t)<p(i)
            p(i)=fitness(x(i,:),t);
            y(i,:)=x(i,:);
        end
        if p(i)<Pbest
            Pbest=p(i);
            pg=y(i,:);
            s=t;
        end
    end 
    %Pbest(t)=fitness(pg,s);
end
disp('*************************************************************')
disp('函数的全局最优位置为:')
Solution=pg'
for m=1:24
    pg1(m)=pg(m);
end
for m=25:48
    pg2(m-24)=pg(m);
end
for m=49:72
    pg3(m-48)=pg(m);
end
%% 可视化
figure
t=1:24
subplot(311)
plot(t,pg1,'Color','b','Marker','v','LineWidth',1.5)
grid
title('微型燃气轮机运行计划')
subplot(312)


6 Matlab代码实现

相关文章
|
9天前
|
算法
基于大爆炸优化算法的PID控制器参数寻优matlab仿真
本研究基于大爆炸优化算法对PID控制器参数进行寻优,并通过Matlab仿真对比优化前后PID控制效果。使用MATLAB2022a实现核心程序,展示了算法迭代过程及最优PID参数的求解。大爆炸优化算法通过模拟宇宙大爆炸和大收缩过程,在搜索空间中迭代寻找全局最优解,特别适用于PID参数优化,提升控制系统性能。
|
15天前
|
存储 关系型数据库 分布式数据库
PolarDB的PolarStore存储引擎以其高效的索引结构、优化的数据压缩算法、出色的事务处理能力著称
PolarDB的PolarStore存储引擎以其高效的索引结构、优化的数据压缩算法、出色的事务处理能力著称。本文深入解析PolarStore的内部机制及优化策略,包括合理调整索引、优化数据分布、控制事务规模等,旨在最大化其性能优势,提升数据存储与访问效率。
22 5
|
2月前
|
算法 安全 数据安全/隐私保护
基于game-based算法的动态频谱访问matlab仿真
本算法展示了在认知无线电网络中,通过游戏理论优化动态频谱访问,提高频谱利用率和物理层安全性。程序运行效果包括负载因子、传输功率、信噪比对用户效用和保密率的影响分析。软件版本:Matlab 2022a。完整代码包含详细中文注释和操作视频。
|
8天前
|
算法
基于GA遗传算法的PID控制器参数优化matlab建模与仿真
本项目基于遗传算法(GA)优化PID控制器参数,通过空间状态方程构建控制对象,自定义GA的选择、交叉、变异过程,以提高PID控制性能。与使用通用GA工具箱相比,此方法更灵活、针对性强。MATLAB2022A环境下测试,展示了GA优化前后PID控制效果的显著差异。核心代码实现了遗传算法的迭代优化过程,最终通过适应度函数评估并选择了最优PID参数,显著提升了系统响应速度和稳定性。
|
5天前
|
算法
基于WOA鲸鱼优化的购售电收益与风险评估算法matlab仿真
本研究提出了一种基于鲸鱼优化算法(WOA)的购售电收益与风险评估算法。通过将售电公司购售电收益风险计算公式作为WOA的目标函数,经过迭代优化计算出最优购电策略。实验结果表明,在迭代次数超过10次后,风险价值收益优化值达到1715.1万元的最大值。WOA还确定了中长期市场、现货市场及可再生能源等不同市场的最优购电量,验证了算法的有效性。核心程序使用MATLAB2022a实现,通过多次迭代优化,实现了售电公司收益最大化和风险最小化的目标。
|
2天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于深度学习网络的宝石类型识别算法matlab仿真
本项目利用GoogLeNet深度学习网络进行宝石类型识别,实验包括收集多类宝石图像数据集并按7:1:2比例划分。使用Matlab2022a实现算法,提供含中文注释的完整代码及操作视频。GoogLeNet通过其独特的Inception模块,结合数据增强、学习率调整和正则化等优化手段,有效提升了宝石识别的准确性和效率。
|
21天前
|
算法 数据安全/隐私保护 索引
OFDM系统PAPR算法的MATLAB仿真,对比SLM,PTS以及CAF,对比不同傅里叶变换长度
本项目展示了在MATLAB 2022a环境下,通过选择映射(SLM)与相位截断星座图(PTS)技术有效降低OFDM系统中PAPR的算法实现。包括无水印的算法运行效果预览、核心程序及详尽的中文注释,附带操作步骤视频,适合研究与教学使用。
|
29天前
|
算法 数据挖掘 数据安全/隐私保护
基于FCM模糊聚类算法的图像分割matlab仿真
本项目展示了基于模糊C均值(FCM)算法的图像分割技术。算法运行效果良好,无水印。使用MATLAB 2022a开发,提供完整代码及中文注释,附带操作步骤视频。FCM算法通过隶属度矩阵和聚类中心矩阵实现图像分割,适用于灰度和彩色图像,广泛应用于医学影像、遥感图像等领域。
|
1月前
|
算法 调度
基于遗传模拟退火混合优化算法的车间作业最优调度matlab仿真,输出甘特图
车间作业调度问题(JSSP)通过遗传算法(GA)和模拟退火算法(SA)优化多个作业在并行工作中心上的加工顺序和时间,以最小化总完成时间和机器闲置时间。MATLAB2022a版本运行测试,展示了有效性和可行性。核心程序采用作业列表表示法,结合遗传操作和模拟退火过程,提高算法性能。
|
1月前
|
存储 算法 决策智能
基于免疫算法的TSP问题求解matlab仿真
旅行商问题(TSP)是一个经典的组合优化问题,目标是寻找经过每个城市恰好一次并返回起点的最短回路。本文介绍了一种基于免疫算法(IA)的解决方案,该算法模拟生物免疫系统的运作机制,通过克隆选择、变异和免疫记忆等步骤,有效解决了TSP问题。程序使用MATLAB 2022a版本运行,展示了良好的优化效果。