【优化调度】基于粒子群实现并网模型下微电网的经济调度优化附matlab代码

本文涉及的产品
简介: 【优化调度】基于粒子群实现并网模型下微电网的经济调度优化附matlab代码

 1 内容介绍

近年来随着全球性的环境污染问题与能源危机日益突出,人们的环保意识与节能意识不断提高,使得微电网成为了电力系统领域的研究热点之一。相对于传统的大电网,微电网具有自身的特点和优势,发电过程产生的污染物少、发电效率高、化石能源使用率低、可忽略电能传输损耗。在对微电网进行工程运用时,优化微电网的调度模型具有十分重要的现实意义,微电网运行成本归根结底在于机械设备的使用维护消耗,各机械设备运行状态好使用周期长则成本相应会减少,优化调度模型可以在优化微网的分布式电源设备使用状态的同时优化用户侧机械设备的运行状态。机械设备运行状态是经济成本的内在本质,本论文研究的是考虑需求侧响应的微电网,综合考虑需求侧响应、经济成本、环境成本,得到最优的微电网日前调度模型,使得供给侧与需求侧机械设备运行状态达到最优状态。

2 仿真代码

function cost=shiyingzhi_grid(PGT,iii,PL_new)

%适应值函数

%--------------------------------------------------------------------------

PGT=PGT;

T=1;

N=5;

% 输入原始数据,包括各时段负荷大小,发电机有功输出上下限,发电机耗量成本系数,各时段风电场预测的平均输出功率

pmax(1)=115;pmin(1)=0;

pmax(2)=40;pmin(2)=10; % FC

pmax(3)=40;pmin(3)=10; % MT

pmax(4)=30;pmin(4)=0; % DG

% 污染物排放成本

% aa表示NOX,bb表示so2,cc表示co2,从左到右依次为Grid,DG,MT,FC

aa=[3.6,21.8,0.03,0.44];

bb=[4.54,0.454,0.006,0.008];

cc=[23,1.432,1.078,1.596];

% 柴油发电机的耗量参数

a=0.4333; b=0.2333;c=0.0071;

% 微型燃气轮机,P_mt表示燃气轮机发出的功率,Xl_mt表示燃气轮机的效率

Xl_mt=0.5;

Price_mt=0.39;

L=9.7; % 天然气的低热值,单位是kW.h/m3,千瓦时每立方米

% Xl_mt=0.0753*(P_mt/65)^3-0.3095*(P_mt/65)^2+0.1068;

% 燃料电池

Xl_fc=0.6;

Price_fc=0.39;

Price_grid=0.07; % 电网平均电价

Price_grid_sell=0.07; % 微网多余电能销售给电网的电价

% Price_grid=[0.03 0.03 0.03 0.03  0.03 0.06 0.06 0.06 0.06 0.06 0.06 0.09 0.09 0.09 0.06 0.06 0.06 0.09 0.09 0.09 0.09 0.06 0.03 0.03];

%Price_grid=[0.01 0.01 0.01 0.01 0.01 0.04 0.04 0.04 0.04 0.04 0.04 0.1 0.1 0.1 0.04 0.04 0.04 0.1 0.1 0.1 0.1 0.04 0.01 0.01];

%%%%%%%%%%=[  1    2   3     4    5    6    7    8    9    10   11  12  13  14  15   16   17   18  19  20  21  22   23   24]

%--------------------------------------------------------------------------

C=zeros(1,T);

Cost=0;

% %     s=a+b*PGT(1)+c*PGT(1)*PGT(1)+Price_fc*PGT(2)/Xl_fc+Price_mt*PGT(3)/(0.0753*(PGT(3)/65)^3-0.3095*(PGT(3)/65)^2+0.4174*PGT(3)/65+0.1068)+1000000*(sum(PGT(1:N))-PL_new)^2;

  % 目标1

  if PGT(1)>=0

      s=a+b*PGT(4)+c*PGT(4)*PGT(4)+(Price_fc/L)*PGT(2)/Xl_fc+(Price_mt/L)*PGT(3)/Xl_mt+Price_grid*PGT(1)+10000000000000000*(sum(PGT(1:N))-PL_new)^2;

   else

      s=a+b*PGT(4)+c*PGT(4)*PGT(4)+(Price_fc/L)*PGT(2)/Xl_fc+(Price_mt/L)*PGT(3)/Xl_mt+Price_grid_sell*PGT(1)+10000000000000000*(sum(PGT(1:N))-PL_new)^2;

   end

   Cost=Cost+s;

   % 目标2

%     if PGT(1)>=0

%         s=0.0042*(aa(1)*PGT(1)+aa(2)*PGT(4)+aa(3)*PGT(3)+aa(4)*PGT(2))+0.00099*(bb(1)*PGT(1)+bb(2)*PGT(4)+bb(3)*PGT(3)+bb(4)*PGT(2))+0.000014*(cc(1)*PGT(1)+cc(2)*PGT(4)+cc(3)*PGT(3)+cc(4)*PGT(2))+10000000000*(sum(PGT(1:N))-PL_new)^2;

%     else

%         s=0.0042*(aa(2)*PGT(4)+aa(3)*PGT(3)+aa(4)*PGT(2))+0.00099*(bb(2)*PGT(4)+bb(3)*PGT(3)+bb(4)*PGT(2))+0.000014*(cc(2)*PGT(4)+cc(3)*PGT(3)+cc(4)*PGT(2))+10000000000*(sum(PGT(1:N))-PL_new)^2;

%     end

%     Cost=Cost+s;

   % 目标 3

%     if PGT(1)>=0

%        s1=a+b*PGT(4)+c*PGT(4)*PGT(4)+(Price_fc/L)*PGT(2)/Xl_fc+(Price_mt/L)*PGT(3)/Xl_mt+Price_grid*PGT(1)+10000000000000000*(sum(PGT(1:N))-PL_new)^2;

%        s2=0.0042*(aa(1)*PGT(1)+aa(2)*PGT(4)+aa(3)*PGT(3)+aa(4)*PGT(2))+0.00099*(bb(1)*PGT(1)+bb(2)*PGT(4)+bb(3)*PGT(3)+bb(4)*PGT(2))+0.000014*(cc(1)*PGT(1)+cc(2)*PGT(4)+cc(3)*PGT(3)+cc(4)*PGT(2));

%        s=s1+s2;

%     else

%        s1=a+b*PGT(4)+c*PGT(4)*PGT(4)+(Price_fc/L)*PGT(2)/Xl_fc+(Price_mt/L)*PGT(3)/Xl_mt+Price_grid_sell*PGT(1)+10000000000000000*(sum(PGT(1:N))-PL_new)^2;

%        s2=0.0042*(aa(2)*PGT(4)+aa(3)*PGT(3)+aa(4)*PGT(2))+0.00099*(bb(2)*PGT(4)+bb(3)*PGT(3)+bb(4)*PGT(2))+0.000014*(cc(2)*PGT(4)+cc(3)*PGT(3)+cc(4)*PGT(2));

%        s=s1+s2;

%     end

%     Cost=Cost+s;

cost=Cost;

3 运行结果

image.gif编辑

4 参考文献

[1]孙阳. 基于粒子群算法的微电网调度模型及优化运行策略研究[D]. 吉林大学.

[2]李彦昭, 王击. 基于粒子群算法的微电网并网运行的优化调度[J]. 信息通信, 2018(4):2.

博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,相关matlab代码问题可私信交流。

部分理论引用网络文献,若有侵权联系博主删除。


相关文章
|
1月前
|
传感器 算法 计算机视觉
基于肤色模型和中值滤波的手部检测算法FPGA实现,包括tb测试文件和MATLAB辅助验证
该内容是关于一个基于肤色模型和中值滤波的手部检测算法的描述,包括算法的运行效果图和所使用的软件版本(matlab2022a, vivado2019.2)。算法分为肤色分割和中值滤波两步,其中肤色模型在YCbCr色彩空间定义,中值滤波用于去除噪声。提供了一段核心程序代码,用于处理图像数据并在FPGA上实现。最终,检测结果输出到"hand.txt"文件。
|
2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。
|
7天前
|
移动开发
MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测
MATLAB用GARCH模型对股票市场收益率时间序列波动的拟合与预测
12 0
|
7天前
|
数据可视化
matlab用高斯曲线拟合模型分析疫情数据
matlab用高斯曲线拟合模型分析疫情数据
13 0
|
8天前
|
机器学习/深度学习 存储 前端开发
Matlab建立SVM,KNN和朴素贝叶斯模型分类绘制ROC曲线
Matlab建立SVM,KNN和朴素贝叶斯模型分类绘制ROC曲线
34 5
|
9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
matlab使用贝叶斯优化的深度学习
15 0
|
9天前
|
算法
matlab贝叶斯隐马尔可夫hmm模型实现
matlab贝叶斯隐马尔可夫hmm模型实现
25 0
|
9天前
|
算法
matlab中的隐马尔可夫模型(HMM)实现
matlab中的隐马尔可夫模型(HMM)实现
|
17天前
|
存储 人工智能 机器人
【Matlab】Matlab电话拨号音合成与识别(代码+论文)【独一无二】
【Matlab】Matlab电话拨号音合成与识别(代码+论文)【独一无二】
|
29天前
|
机器学习/深度学习 算法 数据可视化
基于GA优化的CNN-GRU-Attention的时间序列回归预测matlab仿真
该内容描述了一个使用CNN-LSTM-Attention模型优化时间序列预测的过程。在优化前后,算法的预测效果有明显提升,软件版本为matlab2022a。理论部分介绍了CNN用于特征提取,LSTM处理序列依赖,Attention关注重要信息,以及遗传算法(GA)优化超参数。提供的核心代码展示了GA的优化迭代和模型训练,以及预测结果的可视化比较。

热门文章

最新文章