基于燃压缩空气储能系统的零碳微能源互联网优化调度(Matlab代码实现)

简介: 基于燃压缩空气储能系统的零碳微能源互联网优化调度(Matlab代码实现)

1 概述

     全球能源危机和环境污染的双重压力,导致了能源利用行为的变革。开发可再生能源是解决能源和环境问题的全球共识。近几十年来,风能、太阳能等可再生能源无论是集中式还是分布式都得到了快速发展[1]。然而,近年来大部分可用的风能和太阳能发电量大大减少,特别是在中国东北和西北地区,这阻碍了可再生能源产业的稳定发展。


  综合利用电、热、冷、天然气等多种能源载体是减少风能和太阳能浪费的趋势。综合能源系统 (IES) 是一个符号系统,通过将多个能源网络与几个能够在不同能源载体之间传输、转换和存储的能源枢纽 (EH) 连接起来,从而包含多个能源载体 [3, 4]。通过 IES 和 EH,可以对不同的能源网络进行协同优化和管理,以提高风能和太阳能的利用率和提高整个能源供应系统的调度灵活性。


2 零碳排放微能源互联网

2.1 微能源互联网

微能源互联网(MEI)是一个由分布式能源、储能单元、多载波能源、多载波负载和配电网络组成的系统[20]。 MEI 可以独立运行或连接到公共能源网络。城乡社区、医院、工业园区和学校是MEI的代表。 MEI旨在通过不同能源载体之间的转换和存储,实现多种能源的综合优化和调度,以节省成本和减少排放。除MEI外,还提出了一些解决方案,包括微电网(MG)、虚拟电厂(VPP)来处理能源供应问题。 MG是一个由至少一个清洁能源发电单元和储能单元组成的系统,主要供应特定地理区域的个人用电负荷需求[21]。连接到 PDN 的 MG 可以在隔离模式或并网模式下运行 [21]。 VPP 是由多个分布式发电机组组成的系统,通常可以看作是一个传统的发电厂。 VPP 更强调整个虚拟电厂的综合发电和交易特性,通常用于电力市场[22]。 MG 和 VPP 只关注供电,没有考虑 CHP 中考虑的热能等其他能源形式。 CHP 可以同时提供热能和电能,在 MEI 中可以看作是一个发电单元。此外,MEI 可以适应电力和其他能源载体的流量分配。毫无疑问,MG 是 MEI 的基础,更强调多种能源载体的协同管理和运行。


                                                    图 1 微能源互联网

2.2 NSF-CAES 枢纽

如上所述,NSF-CAES 可以被视为一种清洁的 EH,能够同时产生冷、热和电。两级压缩两级膨胀的普通NSF-CAES轮毂示意图如图2所示。整个系统由空气压缩单元、储气罐、空气涡轮和热再生系统组成。充气时,空压机利用错峰电、限风电和太阳能驱动空压机将空气压缩至高压,并将高压空气储存到储气罐中。与 CAES 不同,NSF-CAES 将沿空气压缩的热能存储在热再生系统中,以提高运行效率。当需要用电时,储存在储气罐中的高压空气可以释放出来,并利用储存的热能预热到涡轮机驱动发电机。从而实现了热能和分子势能的解耦存储。在实际的 NSF-CAES 集线器中通常采用多级空气压缩机和多级空气涡轮结构来提高整个能量存储和转换效率 [10, 23]。为简单起见,本文考虑了具有 2 级压缩机和 2 级涡轮的 NSF-CAES 轮毂。


                               图 2 典型 NSF-CAES 接线图

3 数学模型及算例

详细数学模型见第5部分。

4 运行结果

5 文章详细讲解及Matlab代码

部分代码:

y1 = sdpvar(1,NT);% 线性化储气室压强约束
y2 = sdpvar(1,NT);
h1 = sdpvar(1,NT);% 线性化储热系统SOC
h2 = sdpvar(1,NT);
HM = 1e7; % big M
H_coll_s1 = sdpvar(1,NT); % collected heat by salt
H_coll_s2 = sdpvar(1,NT);
H_cons1 = sdpvar(1,NT);
H_cons2 = sdpvar(1,NT);
H_coll_sum = sdpvar(1,NT);
H_cons_sum = sdpvar(1,NT);
H_str = sdpvar(1,NT);   % 储热罐中存贮的热量
H_str0 = sdpvar(1,1);
Hg_CAES = sdpvar(1,NT); % 蓄热环节可供热负荷
for i = 1:N_ComCap  %% 线性化变量
    xd{i} = binvar(v+1,NT);
    delta{i} = sdpvar(v+1,NT);
end
for i = 1:N_OLTC
    rd{i} = binvar(n_OLTC,NT);
    h{i} = sdpvar(n_OLTC,NT);
end
%% Constraints
% % CAES
F_turb = []; % 每级功率定义
F_comp = []; % 每级功率定义
F_oper = []; % 运行约束
F_power = []; % 功率平衡约束
F_airstr = [];  % 储气罐压强动态约束
F_cold = [];
F_heat = [];
F_heatstr = [];
F_comp = [F_comp, Pcomp1 == 1/yita_comp(1)*k/(k-1)*Rg*qm_comp.*tao_comp_in1*(y_comp1-1)];
F_comp = [F_comp, Pcomp2 == 1/yita_comp(2)*k/(k-1)*Rg*qm_comp.*tao_comp_in2*(y_comp2-1)];
F_comp = [F_comp, Pcomp_min(1)*on_comp <= Pcomp1 <= Pcomp_max(1)*on_comp ];% 每级消耗的功率约束
F_comp = [F_comp, Pcomp_min(2)*on_comp <= Pcomp2 <= Pcomp_max(2)*on_comp ];
F_comp = [F_comp, Pcaes_d == Pcomp1 + Pcomp2];% 总功率定义
F_turb = [F_turb, Pturb1 == yita_turb(1)*k/(k-1)*Rg*qm_turb.*tao_turb_in1*(1-y_turb1)];
F_turb = [F_turb, Pturb2 == yita_turb(2)*k/(k-1)*Rg*qm_turb.*tao_turb_in2*(1-y_turb2)];
F_turb = [F_turb, Pturb_min(1)*on_turb <= Pturb1 <= Pturb_max(1)*on_turb];% 每级发出功率约束
F_turb = [F_turb, Pturb_min(2)*on_turb <= Pturb2 <= Pturb_max(2)*on_turb];
F_turb = [F_turb, Pcaes_g == Pturb1 + Pturb2];
F_oper = [F_oper, 0 <= on_comp + on_turb <= 1];%充放电不能同时进行
F_oper = [F_oper, qm_comp_min*on_comp <= qm_comp <= qm_comp_max*on_comp];%质量流量非否约束
F_oper = [F_oper, qm_turb_min*on_turb <= qm_turb <= qm_turb_max*on_turb];
y1 = sdpvar(1,NT);% 线性化储气室压强约束
y2 = sdpvar(1,NT);
h1 = sdpvar(1,NT);% 线性化储热系统SOC
h2 = sdpvar(1,NT);
HM = 1e7; % big M
H_coll_s1 = sdpvar(1,NT); % collected heat by salt
H_coll_s2 = sdpvar(1,NT);
H_cons1 = sdpvar(1,NT);
H_cons2 = sdpvar(1,NT);
H_coll_sum = sdpvar(1,NT);
H_cons_sum = sdpvar(1,NT);
H_str = sdpvar(1,NT);   % 储热罐中存贮的热量
H_str0 = sdpvar(1,1);
Hg_CAES = sdpvar(1,NT); % 蓄热环节可供热负荷
for i = 1:N_ComCap  %% 线性化变量
    xd{i} = binvar(v+1,NT);
    delta{i} = sdpvar(v+1,NT);
end
for i = 1:N_OLTC
    rd{i} = binvar(n_OLTC,NT);
    h{i} = sdpvar(n_OLTC,NT);
end
%% Constraints
% % CAES
F_turb = []; % 每级功率定义
F_comp = []; % 每级功率定义
F_oper = []; % 运行约束
F_power = []; % 功率平衡约束
F_airstr = [];  % 储气罐压强动态约束
F_cold = [];
F_heat = [];
F_heatstr = [];
F_comp = [F_comp, Pcomp1 == 1/yita_comp(1)*k/(k-1)*Rg*qm_comp.*tao_comp_in1*(y_comp1-1)];
F_comp = [F_comp, Pcomp2 == 1/yita_comp(2)*k/(k-1)*Rg*qm_comp.*tao_comp_in2*(y_comp2-1)];
F_comp = [F_comp, Pcomp_min(1)*on_comp <= Pcomp1 <= Pcomp_max(1)*on_comp ];% 每级消耗的功率约束
F_comp = [F_comp, Pcomp_min(2)*on_comp <= Pcomp2 <= Pcomp_max(2)*on_comp ];
F_comp = [F_comp, Pcaes_d == Pcomp1 + Pcomp2];% 总功率定义
F_turb = [F_turb, Pturb1 == yita_turb(1)*k/(k-1)*Rg*qm_turb.*tao_turb_in1*(1-y_turb1)];
F_turb = [F_turb, Pturb2 == yita_turb(2)*k/(k-1)*Rg*qm_turb.*tao_turb_in2*(1-y_turb2)];
F_turb = [F_turb, Pturb_min(1)*on_turb <= Pturb1 <= Pturb_max(1)*on_turb];% 每级发出功率约束
F_turb = [F_turb, Pturb_min(2)*on_turb <= Pturb2 <= Pturb_max(2)*on_turb];
F_turb = [F_turb, Pcaes_g == Pturb1 + Pturb2];
F_oper = [F_oper, 0 <= on_comp + on_turb <= 1];%充放电不能同时进行
F_oper = [F_oper, qm_comp_min*on_comp <= qm_comp <= qm_comp_max*on_comp];%质量流量非否约束
F_oper = [F_oper, qm_turb_min*on_turb <= qm_turb <= qm_turb_max*on_turb];


相关文章
|
2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。
|
3月前
|
算法 调度
基于CVX凸优化的电动汽车充放电调度matlab仿真
本程序基于CVX凸优化实现电动汽车充放电调度,通过全局和局部优化求解,展示了不同情况下的负载曲线。程序在MATLAB 2022a上运行,有效平抑电网负荷峰值,提高电网稳定性。
|
5月前
|
存储 算法 调度
基于和声搜索算法(Harmony Search,HS)的机器设备工作最优调度方案求解matlab仿真
通过和声搜索算法(HS)实现多机器并行工作调度,以最小化任务完成时间。在MATLAB2022a环境下,不仅输出了工作调度甘特图,还展示了算法适应度值的收敛曲线。HS算法模拟音乐家即兴创作过程,随机生成初始解(和声库),并通过选择、微调生成新解,不断迭代直至获得最优调度方案。参数包括和声库大小、记忆考虑率、音调微调率及带宽。编码策略将任务与设备分配映射为和声,目标是最小化完成时间,同时确保满足各种约束条件。
|
6月前
|
算法 网络性能优化 调度
基于De-Jitter Buffer算法的无线网络业务调度matlab仿真,对比RR调度算法
1. **功能描述**: 提出了一个去抖动缓冲区感知调度器,结合用户终端的缓冲状态减少服务中断。该算法通过动态调整数据包发送速率以优化网络延迟和吞吐量。 2. **测试结果**: 使用MATLAB 2022a进行了仿真测试,结果显示De-Jitter Buffer算法在网络拥塞时比RR调度算法更能有效利用资源,减少延迟,并能根据网络状态动态调整发送速率。 3. **核心程序**: MATLAB代码实现了调度逻辑,包括排序、流量更新、超时和中断处理等功能。 仿真结果和算法原理验证了De-Jitter Buffer算法在无线网络调度中的优势。
|
7月前
|
算法 调度
基于变异混合蛙跳算法的车间调度最优化matlab仿真,可以任意调整工件数和机器数,输出甘特图
**摘要:** 实现变异混合蛙跳算法的MATLAB2022a版车间调度优化程序,支持动态调整工件和机器数,输出甘特图。核心算法结合SFLA与变异策略,解决Job-Shop Scheduling Problem,最小化总完成时间。SFLA模拟蛙群行为,分组进行局部搜索和全局信息交换。变异策略增强全局探索,避免局部最优。程序初始化随机解,按规则更新,经多次迭代和信息交换后终止。
|
7月前
|
算法 调度 决策智能
基于自适应遗传算法的车间调度matlab仿真,可以任意调整工件数和机器数,输出甘特图
这是一个使用MATLAB2022a实现的自适应遗传算法解决车间调度问题的程序,能调整工件数和机器数,输出甘特图和适应度收敛曲线。程序通过编码初始化、适应度函数、遗传操作(选择、交叉、变异)及自适应机制进行优化,目标如最小化完工时间。算法在迭代过程中动态调整参数,以提升搜索效率和全局优化。
|
7月前
|
算法 调度
基于PPNSA+扰动算子的车间调度最优化matlab仿真,可以任意调整工件数和机器数,输出甘特图
`MATLAB2022a`仿真实现PPNSA+扰动算子的车间调度优化,支持工件和机器数量调整,输出甘特图与收敛曲线。算法针对JSSP,采用启发式策略应对NP难问题,最小化最大完工时间。[图:算法流程示意图]
【Simulink】飞轮储能系统的建模与MATLAB仿真(永磁同步电机作为飞轮驱动电机)
【Simulink】飞轮储能系统的建模与MATLAB仿真(永磁同步电机作为飞轮驱动电机)
基于混合整数规划的微网储能电池容量规划(matlab代码)
基于混合整数规划的微网储能电池容量规划(matlab代码)
|
8月前
|
算法 调度
含多微网租赁共享储能的配电网博弈优化调度(含matlab代码)
含多微网租赁共享储能的配电网博弈优化调度(含matlab代码)

热门文章

最新文章