考虑需求响应的微网优化调度模型【粒子群算法】【matlab】

目录

[1 主要内容](#1 主要内容)

[1.1 模型约束条件](#1.1 模型约束条件)

[1.2 粒子群算法优化过程](#1.2 粒子群算法优化过程)

[2 部分代码](#2 部分代码)

[3 效果图](#3 效果图)

[4 下载链接](#4 下载链接)


1 主要内容

该模型构建了考虑需求响应的微电网优化调度模型,并采用粒子群算法(PSO)进行优化求解,模型主体有储能、风电、光伏、微燃机和柴油发电机,以运行成本、环境保护成本、负荷需求响应补偿以及等效负荷波动性为目标,该负荷需求响应方式保证可转移负荷总量不变。程序采用matlab模块化编程,注释清晰,出图较多,有详细的参考文档,方便参考学习!

1.1 模型约束条件

功率平衡约束:

主体出力约束:

蓄电池荷电状态约束:

1.2 粒子群算法优化过程

模型采用PSO算法求解分布式能源储能系统的经济调度问题。粒子群算法最早是由 Eberhart博士和Kennedy博士于1995年提出。他们被动物寻找食物的方式引导,进一步采用动物群体的智慧等效建立的一个简单模型。

此方法在对鸟类群体活动行为的基础上,粒子群算法用单个粒子代表上述动物群体中的单一成员。每个粒子都有两个信息属性。一方面是粒子的当前位置,即 N 维空间中的坐标,另一方面是粒子的速度。粒子的当前位置表示粒子的运动方向,粒子的速度表示粒子的运动速度。在这些粒子群中有多个粒子对空间全局进行搜索,每个粒子搜索到的最优解为个体极值。

2 部分代码

复制代码
%输出数据以及图
%数据
%成本,运行成本,环保成本
Pgrid=-(Pwind+Ppv+BestPos(:,1)+BestPos(:,2)+BestPos(:,3)-(PL(:,1)+BestPos(:,4)));
[f,f1,f2,f3]=Fitness(Pgrid,Pwind,Ppv,BestPos,PL,Prices);
disp('负荷波动与运行成本总和');
f%
disp('运行成本');
f1%运行成本
disp('环保成本');
f2%环保成本
% disp('优化前后可控负荷变化')
% dQ=PL(:,2)-BestPos(:,4);
% dQ
disp('需求响应成本');
f3%需求响应成本(或者称之为可调度负荷调度成本)
​
%最优解
disp('蓄电池充放电功率');
BestPos(:,1)%蓄电池充放电功率
disp('微型蒸汽轮机发电功率');
BestPos(:,2)%微型蒸汽轮机发电功率
disp('柴油发电机');
BestPos(:,3)%柴油发电功率
disp('可转移负荷功率');
BestPos(:,4)%可转移负荷
disp('大电网交互功率');
Pgrid%可转移负荷
​
​
​
%图
%负荷优化前后曲线(不一定平滑,因为价格除非各种价格设定的合理)
PLorgin=PL(:,1)+PL(:,2);
PLopt=PL(:,1)+BestPos(:,4);
figure
plot(PLorgin,'k--','LineWidth',1.5);
hold on 
plot(PLopt,'m->','LineWidth',1.5);
legend('优化前负荷','优化后负荷');
xlabel('时刻(h)');                                                                                                                                                                                                                                                                                         
ylabel('功率(KW)');
​
% %优化前后可转移负荷
% figure
% plot(PL(:,2));
% hold on 
% plot(BestPos(:,4));
% legend('优化前负荷','优化后负荷');
% xlabel('时刻(h)');                                                                                                                                                                                                                                                                                         
% ylabel('功率(KW)');

3 效果图

在优化前的总负荷中,可以明显的看出在12:00-16.00和20:00-22:00时间断内,明显出现了负荷的峰值特性,在夜间的0:00-5:00时间内出现了负荷的谷值特性。在进行可控负荷的优化后,新的负荷曲线具有明显的削峰填谷效果。2.将可调度的负荷(可平移负荷)优化以后,处于原始负荷中的可平移负荷部分相应被转移到了负荷谷时刻,原始的可调度负荷大多集中于工作日的白天时间,经过调度优化后,在保持可平移负荷总量不变的基础上,白天时段的可平移负荷大部分被转移到了0:00-8:00时段。其主要原因是设定了需求响应激励的负荷调度策略,负荷用户会在发电侧的价格激励影响下选择在补偿价格高时将自己的部分可调度负荷转移到负荷低谷时期。

4 下载链接

相关推荐
Mason Lin21 小时前
2025年3月29日(matlab -ss -lti)
开发语言·matlab
Qian_ShouYi1 天前
MATLAB 代码学习
学习·算法·matlab
斯汤雷1 天前
Matlab绘图案例,设置图片大小,坐标轴比例为黄金比
数据库·人工智能·算法·matlab·信息可视化
鹿屿二向箔2 天前
阀门流量控制系统MATLAB仿真PID
开发语言·matlab
没有黑科技2 天前
0.雷达信号
matlab
QQ__17646198242 天前
Matlab安装tdms插件
开发语言·matlab·tdms插件
天`南2 天前
【三维异构Dvhop定位】基于灰狼优化算法的三维异构Dvhop定位算法【Matlab代码#93】
matlab·dvhop·异构无线传感器网络
小白狮ww2 天前
Retinex 算法 + MATLAB 软件,高效率完成图像去雾处理
开发语言·人工智能·算法·matlab·自然语言处理·图像识别·去雾处理
机器学习之心2 天前
区间预测 | QRTCN时间卷积神经网络分位数回归时间序列区间预测模型(Matlab完整源码和数据)
matlab·回归·cnn·分位数回归·时间卷积神经网络·qrtcn·区间预测模型
Matlab光学3 天前
MATLAB仿真:Ince-Gaussian光束和Ince-Gaussian矢量光束
开发语言·算法·matlab