基于多目标粒子群算法冷热电联供综合能源系统运行优化(matlab代码)

简介: 基于多目标粒子群算法冷热电联供综合能源系统运行优化(matlab代码)

主要内容  

该模型构建了含冷、热、电负荷的冷热电联供型综合能源系统优化调度模型,设备包括燃气轮机、电制冷机、锅炉、风光出力以及购售电交易,以用户购电购热冷量的成本、CCHP收益以及碳排放成本为目标,采用权值多目标方式将多目标转化为单目标求解,同时将约束采用罚函数形式进行表达,实现系统的经济运行,程序采用matlab编写,注释清晰,方便学习。

 部分代码  

PGnom1=1200;PGnom2=2800;%电功率基准值为1200和2800
Copac=0.80;Copec=3;
   %-------------%
       for t=1:24
        ygg(1,t)=(Aa+Bb*(X((t-1)*D+1)/PGnom1)+Cc*(X((t-1)*D+1)/PGnom1)^2+Dd*(X((t-1)*D+1)/PGnom1)^3)/100; %X((t-1)*D+1)在对应的该时刻的该燃气发电机的电功率
        ygg(2,t)=(Aa+Bb*(X((t-1)*D+2)/PGnom2)+Cc*(X((t-1)*D+2)/PGnom2)^2+Dd*(X((t-1)*D+2)/PGnom2)^3)/100;
        %ygg对应的是第i台燃气发电机的发电效率
       end
   %-------------%           
   for t=1:24
           %R是燃气机发电模型的λ
           FG(t)=R*(X((t-1)*D+1)/ygg(1,t)+X((t-1)*D+2)/ygg(2,t));           %燃气发电机在单时段的燃气耗量
           %R疑似是锅炉模型的λ
           FBoi(t)=R*(X((t-1)*D+3)+X((t-1)*D+4))/yBoi;                      %锅炉在单时段消耗的燃料量           
           FE(t)=FG(t)+FBoi(t); %t时刻的燃气量
           
           if  X((t-1)*D+5)>=0
              Rr(t)=rElc(t);
              PG(t)=X((t-1)*D+5);  %向主电网交互的电量,此时是买电
           else
              Rr(t)=RElc(t);
              PG(t)=0; %向主电网交互的电量,此时是卖电
            end
           CE(t)=Rr(t)*X((t-1)*D+5);              %单时段与主电网间能量交互成本 
           HJ(t)=ue*PG(t)+uf*FE(t);  %二氧化碳的排放量 
           
%---单时段功率平衡约束---%
       h(t)=abs(X((t-1)*D+1)+X((t-1)*D+2)+Pwind(t)+Ppv(t)-X((t-1)*D+6)+X((t-1)*D+5)-PD(t)-X((t-1)*D+8));%电负荷平衡约束
   end
    %---用的燃气量不同,得到的价格也不同---%
    if     sum(FE)<250
              rLrg=5.257;
           elseif   250<=sum(FE)<=4167
               rLrg=3.25;
           else 
               rLrg=2.814;
    end  
    %-----------------------------------%     
        f1=rLrg*sum(FE)+sum(CE);   %燃气成本和向电网购电或是售电后的花费             
        f2=W*sum(HJ);  %碳排放消费费用


 结果一览  

下载链接

相关文章
|
1天前
|
算法 JavaScript 决策智能
基于禁忌搜索算法的TSP路径规划matlab仿真
**摘要:** 使用禁忌搜索算法解决旅行商问题(TSP),在MATLAB2022a中实现路径规划,显示优化曲线与路线图。TSP寻找最短城市访问路径,算法通过避免局部最优,利用禁忌列表不断调整顺序。关键步骤包括初始路径选择、邻域搜索、解评估、选择及禁忌列表更新。过程示意图展示搜索效果。
|
1天前
|
机器学习/深度学习 算法
基于BP神经网络和小波变换特征提取的烟草香型分类算法matlab仿真,分为浓香型,清香型和中间香型
```markdown 探索烟草香型分类:使用Matlab2022a中的BP神经网络结合小波变换。小波分析揭示香气成分的局部特征,降低维度,PCA等用于特征选择。BP网络随后处理这些特征,以区分浓香、清香和中间香型。 ```
|
2天前
|
机器学习/深度学习 算法
m基于PSO-GRU粒子群优化长门控循环单元网络的电力负荷数据预测算法matlab仿真
摘要: 在MATLAB 2022a中,对比了电力负荷预测算法优化前后的效果。优化前为&quot;Ttttttt111222&quot;,优化后为&quot;Tttttttt333444&quot;,明显改进体现为&quot;Tttttttttt5555&quot;。该算法结合了粒子群优化(PSO)和长门控循环单元(GRU)网络,利用PSO优化GRU的超参数,提升预测准确性和稳定性。PSO模仿鸟群行为寻找最优解,而GRU通过更新门和重置门处理长期依赖问题。核心MATLAB程序展示了训练和预测过程,包括使用&#39;adam&#39;优化器和超参数调整,最终评估并保存预测结果。
6 0
|
3天前
|
算法 安全
基于龙格库塔算法的SIR病毒扩散预测matlab仿真
该程序使用龙格库塔算法实现SIR模型预测病毒扩散,输出易感、感染和康复人群曲线。在MATLAB2022a中运行显示预测结果。核心代码设置时间区间、参数,并定义微分方程组,通过Runge-Kutta方法求解。SIR模型描述三类人群动态变化,常微分方程组刻画相互转化。模型用于预测疫情趋势,支持公共卫生决策,但也存在局限性,如忽略空间结构和人口异质性。
|
3天前
|
机器学习/深度学习 监控 算法
基于yolov2深度学习网络的昆虫检测算法matlab仿真,并输出昆虫数量和大小判决
YOLOv2算法应用于昆虫检测,提供实时高效的方法识别和定位图像中的昆虫,提升检测精度。核心是统一检测网络,预测边界框和类别概率。通过预测框尺寸估算昆虫大小,适用于农业监控、生态研究等领域。在matlab2022A上运行,经过关键升级,如采用更优网络结构和损失函数,保证速度与精度。持续优化可增强对不同昆虫的检测能力。![image.png](https://ucc.alicdn.com/pic/developer-ecology/3tnl7rfrqv6tw_e760ff6682a3420cb4e24d1e48b10a2e.png)
|
4天前
|
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。
|
5天前
|
算法
基于ADM自适应增量调制算法的matlab性能仿真
该文主要探讨基于MATLAB的ADM自适应增量调制算法仿真,对比ADM与DM算法。通过图表展示调制与解调效果,核心程序包括输入输出比较及SNR分析。ADM算法根据信号斜率动态调整量化步长,以适应信号变化。在MATLAB中实现ADM涉及定义输入信号、初始化参数、执行算法逻辑及性能评估。
|
5天前
|
算法
m基于PSO粒子群优化的LDPC码OMS译码算法最优偏移参数计算和误码率matlab仿真
MATLAB2022a仿真实现了Offset Min-Sum (OMS)译码算法与粒子群优化(PSO)结合,以优化偏移参数,提升LDPC码解码性能。PSO通过迭代寻找最小化误码率(BER)的最佳偏移量。核心程序运用PSO进行参数更新和适应度函数(BER)评估,最终在不同信噪比下展示OMS解码性能,并保存结果。
6 0
|
6天前
|
传感器 算法 安全
基于WSN网络的定向步幻影路由算法matlab仿真
该文探讨了无线传感器网络中的位置隐私保护,对比了NDRW路由与定向步幻影路由在安全时间和能耗方面的性能。在MATLAB2022a中进行测试,结果显示NDRW路由提供最长的安全时间,尤其在长距离传输时,且在近距离下能耗低于幻影路由。幻影路由虽消耗更多能量,但通过随机步创造幻影源以增强安全性。NDRW路由利用非确定性随机游走策略,避免拥堵并提高效率,而幻影路由则引入方向性控制,通过启发式算法优化路径选择。
|
7天前
|
算法
基于GA-PSO遗传粒子群混合优化算法的VRPTW问题求解matlab仿真
摘要: 本文介绍了考虑时间窗的车辆路径问题(VRPTW),在MATLAB2022a中进行测试。VRPTW涉及车辆从配送中心出发,服务客户并返回,需在指定时间窗内完成且满足车辆容量限制,目标是最小化总行驶成本。文章探讨了遗传算法(GA)和粒子群优化(PSO)的基本原理及其在VRPTW中的应用,包括编码、适应度函数、选择、交叉、变异等步骤。同时,提出了动态惯性权重、精英策略、邻域搜索、多种群和启发式信息等优化策略,以应对时间窗限制并提升算法性能。