微电网优化调度|基于多目标粒子群算法的微电网优化调度【风、光、储能、柴油机、电网交互燃汽轮机】(Matlab代码实现)

本文涉及的产品
文档翻译,文档翻译 1千页
图片翻译,图片翻译 100张
语种识别,语种识别 100万字符
简介: 微电网优化调度|基于多目标粒子群算法的微电网优化调度【风、光、储能、柴油机、电网交互燃汽轮机】(Matlab代码实现)

0 写在前面

参考了下面两篇文献:


摘要:提出了一种经济与环保相协调的微电网优化调度模型,针对光伏电池、风机、微型燃气轮机、柴油发电机以及蓄电池组成的微电网系统的优化问题进行研究,在满足系统约束条件下,建立了包含运行成本、可中断负荷补偿成本以及污染物处理费用的微电网多目标优化调度模型,并利用多目标粒子群算法(MOPSO)求解微电网优化调度问题,仿真结果表明该模型对微电网优化调度具有一定的指导作用。


微电网(Microgrid)作为智能电网重要的组成部分,一方面,微电网为分布式电源(Distributed


Generation,DG)、负荷、储能设备以及控制单位有效载体,充分发挥DG所具有的经济性、环保性和灵活 性,为电能用户提供优质的电能质量,满足用户安全可靠供电;另一方面,微电网运行方式极为灵活,既可以并入大电网运行,也可以在电网系统故障时与大电网断开孤岛运行,以保障重要负荷的供电[1-3]。


1 含可再生能源的微电网供电系统

本文采用如图1所示的微电网系统,该系统中包含了光伏电池(Photovoltaic Cell,PV)、风机(WindTurbine,WT)等清洁不可控发电单元,柴油发电机(Diesel Generator,DE)、微型燃气轮机(Micro Turbine, MT) 等清洁可控发电单元以及储能单元(Energy Storage Elements,ES)。本文微电网处于孤岛运行, 由微电源对微电网内部负荷进行供电。


                                                      图1 微电网系统结构

1.1 太阳能光伏电池

光伏电池的输出功率与光照强度有关,光伏电池一般工作在最大功率点跟踪(MPPT)模式下。输出功率可以表示[10]为:

                                       


其中,Ppv为PV实际出力;ζ为太阳光照强度;ηm为最大功率点跟踪模式下的效率;Ap为电池板的面积;ηp 为光伏电池的效率;θ为光照的入射角度。


1.2 风力发电机

风力发电机的输出功率与风速的大小有关,其功率输出模型可表示为:

                                   


其中,PWT、Pr分别为WT的实际功率和额定功率;vci、 gco、vr分别为风机的切入风速切出风速、额定风速, 在本文中分别取为3 m/s、25 m/s、14 m/s。

1.3 微型燃气轮机

本文在微电网中加入可控的微型燃气轮机,其燃料成本与自身的工作效率有关,MT燃料成本的表

达式为[8]:

                                         

         

其中,FMT为MT的燃料成本;C为天然气价格,本文取 2元/m3;LHV为天然气低热值,本文取9.7 kW·h/m3; PMT为MT的输出功率;ηMT为MT工作的效率,其值与PMT呈三次函数关系。

1.4 柴油发电机

DE的燃料成本就是其耗量特性函数,DE燃料成本采用二次函数表达式为:

                                 

其中,FDE为DE的燃料成本;PDE为DE的输出功率;α、 β、γ为DE燃料成本的系数,本文取为α=6、β=0.12、

1.5 蓄电池

蓄电池能够跟踪风能和太阳能出力变化进行充放电,在电网中起到了缓冲风能和太阳能不确定

出力,提高电网的供电可靠性和连续性。当DG的总输出功率大于总负荷时,ES充电,否则,ES放电。蓄电池的充放电状态表示为:

                       

第一个等式为充电,第二个等式为放电。

其中,ES(Bt)、ES(Bt-1)分别为蓄电池t时刻、t-1时刻 的容量;Ptotal(t)为t时刻微电源出力总和;Pload(t)为t时 刻系统的总负荷;ηinv、ηsb分别为逆变器的工作效率 和ES的充放电效率。


2 微电网优化运行的多目标数学模型

微电网处于孤岛运行方式,在满足系统约束条件下,综合考虑微电网的经济性、可靠性以及环保

性,建立微电网系统的运行成本最小以及污染物排放费用最小的微电网多目标优化调度模型。



2.1 运行成本

微电网的发电成本主要考虑运行成本以及可中断负荷的补偿成本,故发电成本在满足系统等式

约束和不等式约束条件下,使得微电网的运行成本最小,即:

                                   



式中,T为微电网的调度周期的时段数;N为微电源类型数目;COit为微电源i在t时刻的发电费用;IRt为微电网在t时刻的可中断费用;Pi,t为第i台微电源在t 时刻的发电功率。

2.1.1 发电成本。


微电网运行成本主要考虑机组的燃料成本、折旧成本、维护成本,由于PV和WT为清洁能源,在运行过程中不会消耗化石燃料,故不考虑PV和WT燃料成本,即:


                                     


式中,CFi,t为微电源i在t时刻的燃料费用;IVi,t为微电源i折算到单位时间的折旧费用;OMi,t为微电源i在t 时刻的维护费用。

2.1.2 折旧费用

                       

其中,CINS,i为第i台微电源的安装成本;Pr,i为第i台微电源的额定功率;fc,i为第i台微电源的容量因子;d为利率或者折旧率;m为微电源的使用寿命。


3)维护成本

                                       

其中,Km,i 为微电源i的单位运行维护费用。

2.2 环境成本

环境成本中主要考虑机组CO2、SO2以及NOX的排放处理成本[11]。由于PV和WT为清洁能源,在运行过程中不会产生污染气体,故不考虑PV和WT的环境成本。以环境成本最小为目标函数,其表达式为:

                                 


其中,CE的环境成本;K为污染物排放类型(CO2、SO2和NOX);αj为处理第j种污染物的单位费用,$/kg;βij为不同电能生产方式下输出Pi 电能时所排放第j种污染物的排放系数,g/(kW·h)。


2.3 约束条件

2.3.1 微电源出力约束

                                   

式中,分别为微电源出力下限和上限。


2.3.2 微电网功率平衡约束

                           

式中,Pi、PL分别为微电源i出力和微电网负荷;PBS为蓄电池充放电功率,当PBS>0时,表示蓄电池放电,当PBS<0时,表示蓄电池充电。


2.3.3 微电网线路传输功率约束

                     

式中,分别为微电网线路的传输功率下限和上限。

2.3.4 蓄电池运行约束

                     


式中,分别为蓄电池的最小、最大充放电功率;分别为蓄电池的最小、最大容量。

3 多目标粒子群算法的微电网优化调度

本部分见第5部分。

3.1 多目标优化问题

3.2 多目标粒子群算法

       

                                       图2 多目标优化调度流程

4 算例仿真结果

 

5 Matlab代码实现+数据+文章详细讲解

%% 目标函数
%目标函数1:运行成本
%% BESS&&DE&&MT (运维成本 && 燃料成本)
C_DE=0;C_BESS=0;C_MT=0;
for i=1:144
    if i>48&&i<73
      C_BESS=C_BESS+(0.026)*abs(x(i));%运维成本
    elseif i>72&&i<97
      C_DE=C_DE+(0.128*x(i))+(0.00011*x(i)^2+0.180*x(i)+6); %运维成本 && 燃料成本
    elseif  i>96&&i<121
     C_MT=C_MT+(0.0293*x(i))+2.55/9.8*x(i)/(0.0753*x(i)^3-0.3095*x(i)^2+0.4174*x(i)+0.1068); %运维成本 && 燃料成本
    end
end
C_OM_F= C_DE+ C_MT+ C_BESS;
%% Grid成本
C_grid=0;
for i=121:144
    if x(i)>0
        C_grid=C_grid+buy_price(i-120)*x(i);
    else
        C_grid=C_grid-sell_price(i-120)*x(i);
    end
end
%% 目标函数
%目标函数1:运行成本
%% BESS&&DE&&MT (运维成本 && 燃料成本)
C_DE=0;C_BESS=0;C_MT=0;
for i=1:144
    if i>48&&i<73
      C_BESS=C_BESS+(0.026)*abs(x(i));%运维成本
    elseif i>72&&i<97
      C_DE=C_DE+(0.128*x(i))+(0.00011*x(i)^2+0.180*x(i)+6); %运维成本 && 燃料成本
    elseif  i>96&&i<121
     C_MT=C_MT+(0.0293*x(i))+2.55/9.8*x(i)/(0.0753*x(i)^3-0.3095*x(i)^2+0.4174*x(i)+0.1068); %运维成本 && 燃料成本
    end
end
C_OM_F= C_DE+ C_MT+ C_BESS;
%% Grid成本
C_grid=0;
for i=121:144
    if x(i)>0
        C_grid=C_grid+buy_price(i-120)*x(i);
    else
        C_grid=C_grid-sell_price(i-120)*x(i);
    end
end


相关文章
|
6天前
|
传感器 算法
基于无线传感器网络的MCKP-MMF算法matlab仿真
MCKP-MMF算法是一种启发式流量估计方法,用于寻找无线传感器网络的局部最优解。它从最小配置开始,逐步优化部分解,调整访问点的状态。算法处理访问点的动态影响半径,根据带宽需求调整,以避免拥塞。在MATLAB 2022a中进行了仿真,显示了访问点半径请求变化和代价函数随时间的演变。算法分两阶段:慢启动阶段识别瓶颈并重设半径,随后进入周期性调整阶段,追求最大最小公平性。
基于无线传感器网络的MCKP-MMF算法matlab仿真
|
3天前
|
传感器 机器学习/深度学习 算法
基于GA遗传算法的WSN网络节点覆盖优化matlab仿真
本研究应用遗传优化算法于无线传感器网络(WSN),优化节点布局与数量,以最小化节点使用而最大化网络覆盖率。MATLAB2022a环境下,算法通过选择、交叉与变异操作,逐步改进节点配置,最终输出收敛曲线展现覆盖率、节点数及适应度值变化。无线传感器网络覆盖优化问题通过数学建模,结合遗传算法,实现目标区域有效覆盖与网络寿命延长。算法设计中,采用二进制编码表示节点状态,适应度函数考量覆盖率与连通性,通过选择、交叉和变异策略迭代优化,直至满足终止条件。
|
7天前
|
算法
基于粒子群优化的图像融合算法matlab仿真
这是一个基于粒子群优化(PSO)的图像融合算法,旨在将彩色模糊图像与清晰灰度图像融合成彩色清晰图像。在MATLAB2022a中测试,算法通过PSO求解最优融合权值参数,经过多次迭代更新粒子速度和位置,以优化融合效果。核心代码展示了PSO的迭代过程及融合策略。最终,使用加权平均法融合图像,其中权重由PSO计算得出。该算法体现了PSO在图像融合领域的高效性和融合质量。
|
9天前
|
机器学习/深度学习 算法 数据挖掘
基于改进K-means的网络数据聚类算法matlab仿真
**摘要:** K-means聚类算法分析,利用MATLAB2022a进行实现。算法基于最小化误差平方和,优点在于简单快速,适合大数据集,但易受初始值影响。文中探讨了该依赖性并通过实验展示了随机初始值对结果的敏感性。针对传统算法的局限,提出改进版解决孤点影响和K值选择问题。代码中遍历不同K值,计算距离代价,寻找最优聚类数。最终应用改进后的K-means进行聚类分析。
|
11天前
|
算法 数据安全/隐私保护
基于GA遗传优化算法的Okumura-Hata信道参数估计算法matlab仿真
在MATLAB 2022a中应用遗传算法进行无线通信优化,无水印仿真展示了算法性能。遗传算法源于Holland的理论,用于全局优化,常见于参数估计,如Okumura-Hata模型的传播损耗参数。该模型适用于150 MHz至1500 MHz的频段。算法流程包括选择、交叉、变异等步骤。MATLAB代码执行迭代,计算目标值,更新种群,并计算均方根误差(RMSE)以评估拟合质量。最终结果比较了优化前后的RMSE并显示了SNR估计值。
26 7
|
8天前
|
传感器 算法 数据安全/隐私保护
基于鲸鱼优化的DSN弱栅栏覆盖算法matlab仿真
```markdown 探索MATLAB2022a中WOA与DSN弱栅栏覆盖的创新融合,模拟鲸鱼捕食策略解决传感器部署问题。算法结合“搜索”、“包围”、“泡沫网”策略,优化节点位置以最大化复杂环境下的区域覆盖。目标函数涉及能量效率、网络寿命、激活节点数、通信质量及覆盖率。覆盖评估基于覆盖半径比例,旨在最小化未覆盖区域。 ```
|
13天前
|
算法 数据挖掘
MATLAB数据分析、从算法到实现
MATLAB数据分析、从算法到实现
|
19天前
|
机器学习/深度学习 算法 调度
Matlab|基于改进鲸鱼优化算法的微网系统能量优化管理matlab-源码
基于改进鲸鱼优化算法的微网系统能量管理源码实现,结合LSTM预测可再生能源和负荷,优化微网运行成本与固定成本。方法应用于冷热电联供微网,结果显示经济成本平均降低4.03%,提高经济效益。代码包括数据分段、LSTM网络定义及训练,最终展示了一系列运行结果图表。
|
19天前
|
算法
基于Dijkstra算法的最优行驶路线搜索matlab仿真,以实际城市复杂路线为例进行测试
使用MATLAB2022a实现的Dijkstra算法在城市地图上搜索最优行驶路线的仿真。用户通过鼠标点击设定起点和终点,算法规划路径并显示长度。测试显示,尽管在某些复杂情况下计算路径可能与实际有偏差,但多数场景下Dijkstra算法能找到接近最短路径。核心代码包括图的显示、用户交互及Dijkstra算法实现。算法基于图论,不断更新未访问节点的最短路径。测试结果证明其在简单路线及多数复杂城市路况下表现良好,但在交通拥堵等特殊情况下需结合其他数据提升准确性。
|
25天前
|
算法 安全 数据库
基于结点电压法的配电网状态估计算法matlab仿真
**摘要** 该程序实现了基于结点电压法的配电网状态估计算法,旨在提升数据的准确性和可靠性。在MATLAB2022a中运行,显示了状态估计过程中的电压和相位估计值,以及误差随迭代变化的图表。算法通过迭代计算雅可比矩阵,结合基尔霍夫定律解决线性方程组,估算网络节点电压。状态估计过程中应用了高斯-牛顿或莱文贝格-马夸尔特法,处理量测数据并考虑约束条件,以提高估计精度。程序结果以图形形式展示电压幅值和角度估计的比较,以及估计误差的演变,体现了算法在处理配电网状态估计问题的有效性。

热门文章

最新文章