计及需求响应和电能交互的多主体综合能源系统主从博弈优化调度策略(Matlab代码实现)

简介: 计及需求响应和电能交互的多主体综合能源系统主从博弈优化调度策略(Matlab代码实现)

💥1 概述

文献来源:

摘要:针对区域综合能源系统多物理系统耦合和多利益主体参与特点,如何考虑各运行主体调度地位与调度诉求,实现计及各异质能流差异化需求响应的均衡优化调度是当前亟需解决的重要问题。首先,充分考虑各园区特性建立含电、热、冷的多负荷多类型综合需求响应模型。然后,以系统运营商为领导者,各园区负荷聚合商、储能电站和风电场运营商为跟随者,构建一主多从双层博弈均衡模型。上层通过迭代优化园区售能价格和响应补偿单价,基于需求响应模型确定用户响应方案。下层优化储能电站充放能、风电场供能以及各园区内各类能量转换耦合设备的出力,为系统运营商提供运行指导。最后,通过算例分析验证所提策略和模型在促进各主体投资建设和参与统一调度的积极性和提高多主体综合能源系统综合利润方面的经济性。


关键词:


多主体综合能源系统;电能交互;利益主体;综合需求响应;主从博弈;


本文所考虑的园区 1 为表征郊区城镇居民用户的光伏园区,园区电负荷功率小于光伏和风电的发


电功率,属于余电型园区[3,8,12],用户电能需求主要来自于清洁能源,用户参与需求响应意愿较低,主要承担向缺电园区 2 和 3 的供电,故本文未在园区1 考虑需求响应。园区 2 为表征工业用户的热电联供(combined heating and power,CHP)园区,园区 3为 表 征 城 市 居 民 用 户 的 冷 热 电 联 供 (combined cooling,heating and power,CCHP)园区,园区电负荷功率大于光伏和风电的发电功率,属于缺电型园区[3,8,12]。由于储能参与园区供电,受限于电能质量和并网政策,本文不考虑园区和储能电站向电网的反向送电。配电网与各园区存在单向电能交互,风电场与配电网、储能电站和各园区存在单向电能交互,储能电站与各园区存在双向电能交互,园区间


存在双向电能交互,本文所建立的异质能源系统功率流动[28]交互关系如图 1 所示。


本文建立了一主多从的MAIES双层博弈模型,其博弈互动机制如图 2 所示,模型求解流程如图 3


所示。MAIES 的博弈互动可分为上下 2 层,两者存在先后关系,交互迭代。系统运营商作为领导者,其目标是日总利润最大化,其策略集为向用户发布的售能价格、响应补贴单价以及各园区内能量转换耦合设备的出力情况。各园区负荷聚合商作为跟随者,其目标是购能成本最小化,其策略集是综合需求响应对各类负荷的削减、转移和替代情况。储能电站和集中风电场作为跟随者,其目标是自身利润最大化,其策略集是充放能功率和供能功率。上层:领导者拟定能源价格和需求响应补贴单价,向跟随者各园区用户公布,各园区用户根据能源价格和补贴单价进行需求响应,得到用户购能成本,以此作为 MAIES 的收益项。下层:固定上层中 MAIES 的收益项,根据外部网络能源价格和各类供能约束调整系统内能源转化耦合设备的出力、储能电站充放能功率和风电场供能功率,以此优化 MAIES 的成本项,2 项相减得到 MAIES 的日总利润。重复以上步骤,直至得到最优解,则认为达到均衡。本文考虑园区间是在共同实现多主体系统总利润最优前提下的各自利益分配,且假定主体间为完全信息博弈,即信息在主体间为共享状态,系统运营商作为领导者,可对各主体存在有约束力的可执行契约。综上所述,本文研究考虑的是达成合作时的收益分配问题,为园区间联盟合作关系下的标准主从博弈。上述博弈纳什均衡解的存在性证明如附录 A 所示。


📚2 运行结果

🎉3 参考文献

部分理论来源于网络,如有侵权请联系删除。


[1]周鑫,韩肖清,李廷钧等.计及需求响应和电能交互的多主体综合能源系统主从博弈优化调度策略[J].电网技术,2022,46(09):3333-3346.DOI:10.13335/j.1000-3673.pst.2022.0399.


🌈4 Matlab代码、数据、文章

相关文章
|
22小时前
|
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
|
1天前
|
机器学习/深度学习 算法 计算机视觉
m基于Yolov2深度学习网络的智能零售柜商品识别系统matlab仿真,带GUI界面
MATLAB 2022a中展示了YOLOv2目标检测算法的仿真结果,包括多张检测图像。YOLOv2是实时检测算法,由卷积层和全连接层构成,输出张量包含边界框坐标和类别概率。损失函数由三部分组成。程序使用75%的数据进行训练,剩余25%作为测试集。通过ResNet-50预训练模型构建YOLOv2网络,并用SGDM优化器进行训练。训练完成后,保存模型为`model.mat`。
14 2
|
2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
|
5天前
|
机器学习/深度学习 算法 计算机视觉
m基于Yolov2深度学习网络的人体喝水行为视频检测系统matlab仿真,带GUI界面
MATLAB 2022a中使用YOLOv2算法对avi视频进行人体喝水行为检测,结果显示成功检测到目标。该算法基于全卷积网络,通过特征提取、锚框和损失函数优化实现。程序首先打乱并分割数据集,利用预训练的ResNet-50和YOLOv2网络结构进行训练,最后保存模型。
17 5
|
9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 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
13 0
|
4月前
|
Perl
【MFAC】基于全格式动态线性化的无模型自适应控制(Matlab代码)
【MFAC】基于全格式动态线性化的无模型自适应控制(Matlab代码)
|
4月前
【数值分析】迭代法求方程的根(附matlab代码)
【数值分析】迭代法求方程的根(附matlab代码)
|
4月前
【数值分析】Jacobi、Seidel和Sor迭代法求解线性方程组(附matlab代码)
【数值分析】Jacobi、Seidel和Sor迭代法求解线性方程组(附matlab代码)
|
4月前
【数值分析】二分法求方程的根(附matlab代码)
【数值分析】二分法求方程的根(附matlab代码)

热门文章

最新文章