【微电网调度】基于粒子群实现对含并网蓄电池微电网的优化调度附matlab代码-优快云博客

本文链接：https://blog.youkuaiyun.com/matlab_dingdang/article/details/131215038

文章通过建立包含风力发电机、光伏机组、燃气轮机和蓄电池的微电网系统，运用粒子群算法对发电成本进行迭代优化，旨在解决分布式发电技术的不成熟和不稳定性问题。代码示例展示了适应值函数的计算过程，涉及电力电子技术、能源成本和污染物排放成本的考虑。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，matlab项目合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法神经网络预测雷达通信无线传感器电力系统

信号处理图像处理路径规划元胞自动机无人机

⛄ 内容介绍

随着能源革命的进行,利用风,光资源的开发与微电网应用的研究受到了各国科学家的关注.由于分布式发电技术本身在电力电子技术方面不成熟且发电的不稳定性并不遵循正常的人工调度,因此微电网发电技术深受人们诟病.文章以风力发电机,光伏机组和燃气轮机为基础,以蓄电池为储能装置,建立了一系列的微电网系统,并使用粒子群算法对发电成本进行迭代从而实现最优解.

⛄ 部分代码

function cost=shiyingzhi_battery_grid(PGT)

%适应值函数

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

T=24;

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;

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

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

% 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=[0.01 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];

% 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];

%%%%%%%%%%=[ 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;

for jj=1:T

% s=a+b*PGT(1,jj)+c*PGT(1,jj)*PGT(1,jj)+Price_fc*PGT(2,jj)/Xl_fc+Price_mt*PGT(3,jj)/(0.0753*(PGT(3,jj)/65)^3-0.3095*(PGT(3,jj)/65)^2+0.4174*PGT(3,jj)/65+0.1068);

% % 目标1

if PGT(1,jj)>=0

s(jj)=a+b*PGT(4,jj)+c*PGT(4,jj)*PGT(4,jj)+(Price_fc/L)*PGT(2,jj)/Xl_fc+(Price_mt/L)*PGT(3,jj)/Xl_mt+Price_grid*PGT(1,jj);

else

s(jj)=a+b*PGT(4,jj)+c*PGT(4,jj)*PGT(4,jj)+(Price_fc/L)*PGT(2,jj)/Xl_fc+(Price_mt/L)*PGT(3,jj)/Xl_mt+Price_grid_sell*PGT(1,jj);

end

Cost=Cost+s(jj);

% 目标2

% if PGT(1,jj)>=0

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

% else

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

% end

% Cost=Cost+s(jj);

% % 目标3

% if PGT(1,jj)>=0

% s1(jj)=a+b*PGT(4,jj)+c*PGT(4,jj)*PGT(4,jj)+(Price_fc/L)*PGT(2,jj)/Xl_fc+(Price_mt/L)*PGT(3,jj)/Xl_mt+Price_grid*PGT(1,jj);

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

% else

% s1(jj)=a+b*PGT(4,jj)+c*PGT(4,jj)*PGT(4,jj)+(Price_fc/L)*PGT(2,jj)/Xl_fc+(Price_mt/L)*PGT(3,jj)/Xl_mt+Price_grid_sell*PGT(1,jj);

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

% end

% Cost=Cost+s1(jj)+s2(jj);

end

cost=Cost;