1 主要内容
该程序复现《基于元模型优化算法的主从博弈多虚拟电厂动态定价和能量管理》模型,建立运营商和多虚拟电厂的一主多从博弈模型,研究运营商动态定价行为和虚拟电厂能量管理模型,模型为双层,首先下层模型中,构建了多个虚拟电厂的联合调度模型,以每个虚拟电厂的运行成本最低为优化目标,而上层为领导者模型,主要是优化市场运营商的电价,包括售电电价和购电电价的优化,从而构成了主从博弈模型,在求解的过程中,上层采用的是粒子群算法,而下层则是调用CPLEX求解器进行求解,由于模型整体规模较大,故采用了元模型算法加速求解。程序采用matlab+cplex求解,注释清楚,运行可靠,方便学习参考!
说明:将 DSO 和 VPP 的拥有者视为博弈的参与者。其中,DSO充当领导者,汇总各 VPP 上报的购售电量,结合上网电价和电网电价,考虑VPP 的价格响应行为,以最大化自身收益为目标为各VPP 制定交易电价;各VPP 充当跟随者,接收 DSO 制定的交易电价,合理安排内部各DER 出力,以最小化运行成本为目标制定与运营商交易的电量。领导者与跟随者之间顺次博弈,构成 Stackelberg 博弈,各 VPP 之间同时决策,形成非合作博弈。
该文章通过引入元模型提高系统运算速度作为一大亮点,这给我们创新提供了一个很好的思路,大家可以关注一下数学优化理论方面的新方法,将其应用于自建模型中,成为一个重要创新点。
2 部分代码
%% 算法总参数设定 Number=5; %% 根据超拉丁采样(LHS)生成Number个初始样本点 lambda_Wb=[0.40*ones(1,7),0.75*ones(1,4),1.20*ones(1,3),0.75*ones(1,4),1.20*ones(1,4),0.40*ones(1,2)]; % % lambda_Ws = 0.4*ones(1,24); lambda_Ws=[0*ones(1,7),0.35*ones(1,4),0.5*ones(1,3),0.35*ones(1,4),0.5*ones(1,4),0*ones(1,2)]; %通过LHS生成样本点 for t=1:24 temp=lhsdesign(Number,1); %生成每个时段的抽样中间辅助矩阵,为1维分Number层的超拉丁抽样结果 lambda_DAs(:,t)=temp.*(lambda_Wb(t)-lambda_Ws(t))+lambda_Ws(t); %生成运营商制定的售电价格 lambda_DAb(:,t)=lambda_DAs(:,t)+rand(Number,1).*(lambda_Wb(t)-lambda_DAs(:,t)); %生成运营商制定的购电价格(购电价应大于售电价所以这么写) end disp('超拉丁采样(LHS)生成Number个初始样本点,结束!') %% 通过生成的样本点调用下层博弈模型,计算出每个VPP的交易电量来构成样本数据集 for i=1:Number [P_VPP_s1,P_VPP_b1,~]=Fun_VPP1(lambda_DAb(i,:),lambda_DAs(i,:)); [P_VPP_s2,P_VPP_b2,~]=Fun_VPP2(lambda_DAb(i,:),lambda_DAs(i,:)); [P_VPP_s3,P_VPP_b3,~]=Fun_VPP3(lambda_DAb(i,:),lambda_DAs(i,:)); P_VPP_s(i,:)=[P_VPP_s1,P_VPP_s2,P_VPP_s3]; P_VPP_b(i,:)=[P_VPP_b1,P_VPP_b2,P_VPP_b3]; end disp('样本数据集构成,结束!') %% 修正Kriging模型,计算每组样本点对应的目标函数值 for i=1:Number [C_DSO(i,1)]=Fun_DSO(lambda_DAs(i,:),lambda_DAb(i,:),P_VPP_b(i,:),P_VPP_s(i,:)); end disp('计算每组样本点对应的目标函数值,结束!') %% 关键区域划分,并计算各个区域的最优值 l=1; %划分的区域的编号,初始化为1(编号越小,说明该区域包含最优解的概率越大) S=C_DSO; %设定S为所有电价样本对应的上层目标函数值集 for i=1:Number lambda_DA(i,:)=[lambda_DAs(i,:),lambda_DAb(i,:)]; %将售卖电价统一放入lambda_DA中存储 end X=lambda_DA; %设定X为所有电价样本点集 SL=lambda_DA; %后续计算半径r中用于生成电价上下边界值的辅助变量 k_max=5; %设定均衡算法的最大迭代次数 [Max_C_DSO,ind]=max(C_DSO); %寻找区域1中最大的上层目标函数值和对应的电价样本点集编号 y(1).S=[Max_C_DSO]; %给y(l)的S赋予当前找到的上层目标函数值 y(l).X=lambda_DA(ind,:); %给y(1)的X赋予当前找到的最优电价样本 S(ind)=[]; %将S的集合中删去此时的区域1的最优解的值 SL(ind,:)=[]; lambda_DA0=lambda_DA(ind,:); %设定区域l的中心电价的值 while 1 if isempty(S) %判断S是否为非空集(也就是关键区域完成划分) break; end eval(['y',num2str(l),'.S=[];']); eval(['y',num2str(l),'.X=[];']); k=1; %设定初始迭代次数 while k<=k_max if isempty(S) %判断S是否为非空集(也就是关键区域完成划分) break; else lambda_DA_max=max(sqrt(sum(SL.^2,2))); %计算得到电价的上边界值 lambda_DA_min=min(sqrt(sum(SL.^2,2))); %计算得到电价的下边界值 r=norm(lambda_DA_max-lambda_DA_min)/3*(k_max-k+1)/k_max; %计算得到半径r ind=Fun_R(lambda_DA0,SL,r); %寻找距离中心点小于等于r的点的编号 if isempty(ind) %确认寻找到的点集非空 break; else eval(['y',num2str(l),'.S=[y',num2str(l),'.S;S(ind)];']); eval(['y',num2str(l),'.X=[y',num2str(l),'.X;SL(ind,:)];']); S(ind)=[]; %将S的集合中删去此时距离小于r的值 SL(ind,:)=[]; %将SL的集合中删去此时距离小于r的值 k=k+1; %均衡算法迭代次数加一 end end end
3 程序结果
4 下载链接
见下方联系方式