目录
1.课题概述
微电网优化调度的核心是在满足系统约束(如功率平衡、设备出力限制等)的前提下,通过合理分配分布式电源(DG,含光伏PV、风机WT、柴油发电机DE、微型燃气轮机MT)与储能(BESS)的出力、微电网与主网的交互功率,实现 “运行成本最低” 与 “环境保护成本最低” 的双目标平衡,最终追求总成本最小化。
2.系统仿真结果
3.核心程序
matlab2024b
figure
subplot(121);
plot(pg_PV,'-b^',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.2,0.9,0.5]);
hold on;
plot(PV,'-k<',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.3,0.3]);
xlim([1 24])
grid
legend('实际消纳光伏功率','预测光伏功率');
xlabel('时间');
ylabel('功率');
title('光伏发电机')
subplot(122);
plot(pg_WT,'-b^',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.2,0.9,0.5]);
hold on;
plot(WT,'-k<',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.3,0.3]);
xlim([1 24])
grid
legend('实际消纳风电功率','预测风电功率');
xlabel('时间');
ylabel('功率');
title('风力发电机')
figure
subplot(321);
plot(pg_DE,'-r>',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.9,0.0]);
hold on;
xlim([1 24])
grid
xlabel('时间');
ylabel('功率');
title('柴油发电机')
subplot(322);
plot(pg_BESS,'-r>',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.9,0.0]);
xlim([1 24])
grid
xlabel('时间');
ylabel('功率');
title('蓄电池')
subplot(323);
plot(P_load,'-r>',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.9,0.0]);
xlim([1 24])
grid
xlabel('时间');
ylabel('功率');
title('微电网负荷')
subplot(324);
plot(pg_MT,'-r>',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.9,0.0]);
grid
xlabel('时间');
ylabel('功率');
title('燃气轮机出力')
subplot(3,2,[5,6]);
plot(pg_grid,'-r>',...
'LineWidth',1,...
'MarkerSize',6,...
'MarkerEdgeColor','k',...
'MarkerFaceColor',[0.9,0.9,0.0]);
xlim([1 24])
grid
xlabel('时间');
ylabel('功率');
title('主网交互')
124
4.系统原理简介
4.1 改进粒子群算法
传统PSO算法因惯性权重与学习因子固定,易陷入局部最优。通过动态调整关键参数优化算法性能:
惯性权重(w):迭代初期取较大值(增强全局搜索能力,避免局部最优),后期取较小值(强化局部搜索,加速收敛);
学习因子(c₁、c₂):迭代初期c₁大、c₂小(提升粒子自学习能力,探索更多解空间),后期c₁小、c₂大(增强粒子社会学习能力,向最优解聚集);
最终通过粒子位置与速度的迭代更新,搜索微电网优化调度的非支配解(Pareto前沿)。
4.2 分布式电源与储能模型公式
风力发电机(WT)功率模型
光伏(PV)功率模型
柴油发电机(DE)成本模型
微型燃气轮机(MT)效率与成本模型
储能(BESS)荷电状态(SOC)模型
4.3 多目标函数
运行成本目标
环境保护成本目标
确定总成本Z=f1+f2为优化目标;
5.参考文献
[1]赵磊,曾芬钰,王霜,等.基于经济性与环保性的微电网多目标优化调度研究[J].高压电器, 2015, 51(6):6.DOI:CNKI:SUN:GYDQ.0.2015-06-023.
[2]曾嶒.微电网多目标优化调度模型及算法研究[D].华东交通大学,2016.DOI:10.7666/d.D01023769.
6.完整工程文件
v