不定时分享电力优化、神经网络、数学建模等技术等

含P2G-CCS耦合和燃气掺氢的VPP如图所示，其中包括风电机组、燃气轮机、燃煤机组、燃气锅炉、两段式P2G单元、电加热锅炉、储电和储热单元等。负荷包括电热负荷，由燃气轮机、燃煤机组和风电满足用电需求，热负荷由燃气轮机、燃气锅炉和电加热锅炉协调供应。储能和P2G作为VPP中的灵活性资源，利用其能量时移特性，能够更为灵活地配合可再生能源的出力变化。VPP的能量管理系统根据预测的可再生能源出力和电热负荷来协同各个单元的出力，在满足负荷需求和安全的前提下，获取最佳的收益。

在含分布式光伏和配电网储能系统优化配置中，双层模型通过分层解耦复杂决策问题，展现出显著的技术优势与工程价值。其核心架构将外层（规划层）与内层（运行层）协同优化，形成“配置-策略”闭环：外层模型聚焦长期规划决策，采用智能算法（如粒子群算法、遗传算法）优化储能系统的离散变量（选址、容量档位），目标为最小化投资成本并预选薄弱节点（如基于电压稳定指数）；

定义：虚拟电厂是一种通过智能技术将分散的分布式能源（如风电、光伏、储能电池、可调节用电设备等）整合为统一协调运行的“虚拟化电厂”。它不拥有实体发电厂，但能像传统电厂一样参与电网调度和电力交易。核心功能：资源聚合：把零散的新能源发电设备和储能系统“打包”管理。灵活调控：根据电价或电网需求，自动优化内部发电、储电和用电策略。市场交易：作为独立主体在电力市场中买卖电能，赚取差价收益。

代码基于Matlab平台编译，主要内容是：针对含光伏、风电、储能、燃气轮机的微电网优化调度问题，提出了一种。

在含分布式光伏和配电网储能系统优化配置中，双层模型通过分层解耦复杂决策问题，展现出显著的技术优势与工程价值。其核心架构将外层（规划层）与内层（运行层）协同优化，形成“配置-策略”闭环：外层模型聚焦长期规划决策，采用智能算法（如粒子群算法、遗传算法）优化储能系统的离散变量（选址、容量档位），目标为最小化投资成本并预选薄弱节点（如基于电压稳定指数）；

定义：虚拟电厂是一种通过智能技术将分散的分布式能源（如风电、光伏、储能电池、可调节用电设备等）整合为统一协调运行的“虚拟化电厂”。它不拥有实体发电厂，但能像传统电厂一样参与电网调度和电力交易。核心功能：资源聚合：把零散的新能源发电设备和储能系统“打包”管理。灵活调控：根据电价或电网需求，自动优化内部发电、储电和用电策略。市场交易：作为独立主体在电力市场中买卖电能，赚取差价收益。

本研究旨在提出一种双层控制模型，结合模型预测控制（MPC）和多目标哈里斯鹰（MOHHO）算法，实现风电预测误差补偿和平抑风电功率波动的储能控制策略。MPC是一种基于模型的控制方法，它通过使用系统的动态模型来预测未来的行为。控制器在每个控制时刻都会解决一个优化问题，以确定最佳的控制输入，从而使系统在未来的时间段内达到预期的性能目标。优化问题的目标是最小化一个代价函数，该函数通常包括跟踪误差、控制输入的变化率和其他约束条件（如输入和状态的限制）。随机生成一组哈里斯鹰的位置，代表潜在的解。

A New Model for Resilient Distribution Systems by Microgrids Formation、主动配电网故障恢复的重构与孤岛划分统一模型、同时考虑孤岛与重构的配电网故障恢复运行策略利用分布式发电机（DGs）组成多个微电网为配电系统在自然灾害中恢复关键负载提供了一种弹性解决方案。然而，随着微电网数量的增加，需要更多的二进制和连续变量，这将增加该模型的复杂性。

需求响应聚合商通过整合用户的可转移负荷和可削减负荷，提升区域综合能源系统的灵活性与经济效益。为研究综合能源系统运营商与需求响应聚合商之间的互动博弈关系，构建了一个考虑需求响应的双层优化调度模型。上层模型旨在最大化区域综合能源系统运营商的净收益，而下层模型则聚焦于需求响应负荷聚合商的净收益最大化。

需求响应聚合商通过整合用户的可转移负荷和可削减负荷，提升区域综合能源系统的灵活性与经济效益。为研究综合能源系统运营商与需求响应聚合商之间的互动博弈关系，构建了一个考虑需求响应的双层优化调度模型。上层模型旨在最大化区域综合能源系统运营商的净收益，而下层模型则聚焦于需求响应负荷聚合商的净收益最大化。

在已有研究的基础上，以机组为最小调度单位，采用模糊聚类方法构建出力场景描述光伏不确定性，精细化考虑互补系统面临的电站约束、机组约束和电网约束，构建了梯级水光互补系统最大化可消纳电量期望短期优化调度模型。为实现模型的高效求解，对于模型中涉及的非线性约束，采用分段线性逼近、引入0-1整数变量、发电水头离散等线性化方法和建模技巧，将原MNLP问题转化为MLP问题，并在Matlab环境中采用CPLEX工具实现求解。

然后，通过随机抽样生成大量的样本，这些样本根据输入参数的分布随机生成，而不是通过确定性的规则。N_EV表示电动汽车的数量，S_char表示充电功率，E_EV表示电动汽车电池容量，soc_max和soc_min分别表示电池的最大和最小充电状态。绘制了行驶里程概率密度和分布曲线、昨日行驶后的荷电状态、昨日消耗的电量、充电开始和结束时刻的概率密度和分布曲线、电车充电总功率随时间的变化曲线。根据充电开始和结束时刻的概率密度f_time_in和f_time_out，利用蒙特卡洛方法生成多辆电车的充电开始和结束时间。

分时峰谷电价是电力系统中一种有效的调峰填谷措施，通过在不同时间段设定不同的电价，以引导用户在低谷时段增加用电，高峰时段减少用电，从而平衡电力系统的供需关系。电网运营商会根据当地的用电情况和基本负荷曲线来制定分时电价方案，以最大程度地发挥电力资源的利用效率。在中国，由于用电负荷呈现双峰形态，即在午间和晚间存在较高的用电高峰，而夜间用电需求相对较低，因此分时电价的划分原则通常是将这两个高峰时段设为电价峰期，而将夜间的用电谷期划分为电价谷期。

考虑双碳分时价格的综合能源系统低碳优化调度是指在综合能源系统中，结合考虑双碳排放和分时电价的情况下，通过优化调度各种能源设备和能源储备设施，以实现系统运行的低碳化目标和经济性。为实现综合能源系统的低碳优化调度，通常会采用一些优化算法，如遗传算法、粒子群算法、模拟退火算法等，通过这些算法优化各种能源设备的运行策略，以达到低碳化和经济性的双重目标。根据电力市场的分时电价情况，合理安排各种能源设备的运行时段和功率输出，以在高电价时段减少购电成本，在低电价时段增加自发电比例，从而降低系统运行成本。

本代码基于Matlab平台，搭配Yalmip+Cplex进行仿真，采用交替乘子法(ADAM)对包含3个为微电网的系统进行协同优化调度，目标函数中考虑了微电网的运行成本、碳交易成本、储能的充放电成本以及可削减电负荷的补偿成本等，微电网中的新能源机组包含光伏和风电两种。在ADAM算法中采用拉格朗日和大M法进行迭代求解，最终实现了3个微网的最优低碳经济运行，有效提升了可再生能源消纳率。在双碳目标激励下，分布式电源将迎来快速增长阶段。

本代码主要做的是一个多能源微网的优化调度问题，首先对于下层多能源微网模型，考虑以其最小化运行成本为目标函数，通过多时间尺度滚动优化求解其最优调度策略，对于上层模型，考虑运营商以最小化运营成本为目标函数，同时考虑变压器过载等问题，构建了一个两阶段优化模型，通过互补松弛条件以及KKT条件，对模型进行了化简求解。为实现相互连接的 MES 的协同优化，我们提出了一个能保护每个 MES 隐私的双层框架，其中上层系统协调者和下层 MES 操作员相互交换激励/响应信号。

澳大利亚学者Seyedali Mirjalili等人于2017年提出了樽海鞘群算法，该算法源于对海底生物樽海鞘群体觅食过程中呈链状移动行为的研究。樽海鞘身形如透明的桶状，运动方式类似水母，以浮游植物为食，通过吸入喷出海水实现移动。由于生活在深海且生物结构脆弱，实验模拟困难，樽海鞘的生物学研究仍处于初期。樽海鞘的成群行为不同于昆虫、蜂群或鸟群等生物的群体智能现象，其链式游动和觅食行为的成因尚不明确，但有研究者认为这是为了提高觅食效率，通过群体协作实现快速移动。

本代码基于Matlab平台，构建了包含：电转气、热电联产机组、电解槽、储氢罐和可再生能源机组等主要能源设备在内的综合能源系统模型；考虑多个能源主体之间的共同利益，提出了一种基于合作博弈的优化调度方法，通过Shapley值方法确定各个主体之间的贡献配额，计算各自的利益分配，优化目标函数；通过实验证明，该方法可有效提升综合能源系统的运行效率，降低整体的运行成本，提升风光消纳率，实现节能减排。随着国家现代能源绿色低碳优化发展与新型电力系统建设的快速推进，可再生能源发电的重要性进一步凸显。

微电网若干个不同种类的分布式电源、储能系统、备用电源、以及能量转换器组成，其本质上是一个小型的发配电系统。微电网存在两种模式，一种是连接大电网的并网模式，当微电网自身的负荷无法被内部分布式电源的出力满足时，可以从大电网买电，保证微电网的安全平稳运行，当微电网系统光伏系统、风能系统以及储能系统可以放出的电量大于微电网自身正常运行的需要时，可以考虑向大电网卖电。但是因为微电网系统内的光伏系统和风能系统在发电时具有一定随机性和波动性，因此微电网与大电网的能量交换存在着一定的限制。

为了充分发挥需求响应技术在削峰填谷、消纳可再生能源方面的作用，本文针对一个。

提出了1种改进的BS0(二进制粒子群)方法求解机组组合问题。首先，利用优先顺序法确定初始的机组组合，根据这个结果，确定优化窗口的范围，在此范围内利用BPSO进行求解。在每次迭代过程中，通过启发式的调整策路使每代中的粒子都满足约束条件。在经济负荷分配问题上，采用经典的拉格朗日乘子法结合二分法进行求解，大大提高了求解效率。最后将所得结果与其他算法所得结果进行比较，证明所提方法有较强的优越性和实用性。

为了充分发挥需求响应技术在削峰填谷、消纳可再生能源方面的作用，本文针对一个。

多元宇宙优化算法（Multi-verse Optimization, MVO）是由S Mirjalili于2015年提出的，它源于宇宙有一个膨胀率，利用白洞具有较高的膨胀率，黑洞具有较低的膨胀率，宇宙中的粒子通过虫洞从白洞向黑洞位置转移的原理进行搜索的模拟。不管宇宙中物质的膨胀率大小，宇宙里所有的物质都会通过虫洞随机移动，到达最佳宇宙的位置。其中，在整个宇宙中的迭代次数，可以确保改善平均膨胀率。在每一次迭代过程中，根据他们的膨胀率大小的分类，依靠轮盘赌机制来产生个白洞。

以系统节点电压水平（电网脆弱性）、网络损耗以及储能系统总容量为目标建立了储能选址定容优化模型。求解过程中提出了一种改进多目标粒子群算法(improved multi—objective particle swarm optimizer，IMOPSO)。该算法根据粒子与种群最优粒子的距离来指导惯性权重的取值，使得各粒子的惯性权重可以自适应调整，并在二者距离较小时引入交叉变异操作，避免陷入局部最优解，同时采用动态密集距离排序来更新非劣解集并指导种群全局最优解的选取，在保持解集规模的同时使解的分布更均匀。

蚁狮群优化算法主要模拟了蚁狮捕猎蚂蚁的狩猎机制进而实现最优值的获取。这种虫子之所以叫作蚁狮，是源于它们独特的狩猎行为和捕食对象。

鲸鱼优化算法 (whale optimization algorithm,WOA)是 2016 年由澳大利亚格里菲斯大学的Mirjalili 等提出的一种新的群体智能优化算法，其优点在于操作简单，调整的参数少以及跳出局部最优的能力强。WOA模拟海洋中座头鲸的捕猎行为来设计算法。这种攻击是座头鲸包围猎物时，沿着螺旋路径形成独特气泡来完成的，如图2所示。类似于其他元启发式算法，WOA的搜索过程开始初始化一个随机解集。WOA拥有三个阶段：搜索猎物、包围目标和螺旋泡网捕食策略。

灰狼优化算法(Grey Wolf Optimization)。GWO通过模拟灰狼群体捕食行为，基于狼群群体协作的机制来达到优化的目的。GWO算法具有结构简单、需要调节的参数少、容易实现等特点，其中存在能够自适应调整的收敛因子以及信息反馈机制，能够在局部寻优与全局搜索之间实现平衡，因此在对问题的求解精度和收敛速度方面都有良好的性能。本文实现了三种不同的GWO算法，并通过仿真实验验证了该智能算法在求解优化问题方面的有效性，程序关键行均有注释。

提出了一种经济与环保相协调的微电网优化调度模型，针对光伏电池、风机、微型燃气轮机、柴油发电机以及蓄电池组成的微电网系统的优化问题进行研究，在满足系统约束条件下，建立了包含运行成本的微电网经济性目标优化调度模型，并利用粒子群算法（PSO）求解微电网优化调度问题，仿真结果表明该模型对微电网优化调度具有一定的指导作用。

卡尔曼滤波的目的是在进行递推滤波的同时利用观测数据提供的信息不断地修正状态估计减小状态估计误差卡尔曼滤波算法适用于平稳与非平稳过程并且具有递推性但又不同于其他的递归滤波器结构它只需要记住前一步的估计结果由此大大减少了存贮器的使用量算法上易于在单片机系统中实现并做成电量计显示电池荷电状态只需在蓄电池首次使用中对SOC进行标定并根据开路电压来预测蓄电池初始容量来完成初始化工作就可对蓄电池的荷电状态进时实时监测根据输出不断地修正SOC值使安时法在长时间内都有较高的精度。

充电站的合理选址和定容对电动汽车的规模化应用具有重要意义。考虑到充电站具有城市交通公共服务设施以及普通用电设施的双重属性，以俘获的交通流量最大、配电系统网络损耗最小以及节点电压偏移最小为目标，建立了充电站最优规划的一个多目标决策模型。首先，采用超效率数据包络分析评价方法，确定归一化后各个目标函数合理的权重系数，把多目标优化问题转换成单目标优化问题。之后，采用改进的二进制粒子群优化算法求解该单目标优化模型。最后，以33节点配电系统以及25节点交通网络为例，说明了所发展的模型和方法的基本特征。

在含电动汽车充电站的配电系统中，接入恰当容量的分布式电源可以有效促进负荷波动的就地平抑、缓解大功率充电负荷对配电网络的冲击，逐渐成为配电系统规划与运行的新趋势。基于这一背景，本文构建了考虑充电负荷空间可调度特性的分布式电源与电动汽车充电站联合配置模型，以年化社会总成本最小为目标确定配电系统中分布式电源与电动汽车充电站的最佳安装位置和安装容量。该模型以线性化的Distflow潮流方程表征系统中各个状态量间的关系，并应用二阶锥松弛技术处理支路电流约束，最终呈现为一个在多项式时间内可解的混合整数二阶锥规划模型。

本代码选择3种典型的电动汽车充电桩，研究了含多类型充电桩的电动汽车充电站优化配置方法。按照充电功率的升序排列，所选取的3种电动汽车充电桩依次代表了慢速充电设施（Slowchargingfacility，SCF）、快速充电设施（Fastchargingfacility，FCF）和超级快速充电设施（Ultra-fastchargingfacility，UCF）。

本代码选取了光伏电站、微型燃气轮机两种典型的分布式电源进行优化配置问题的研究，通过构建加权电压支撑能力指标以表征配电系统中光伏电站对敏感负荷节点的电压支撑能力，并将其嵌入到分布式电源优化配置模型中以求解最优的分布式电源安装位置和安装容量。算例分析部分基于 IEEE-33 节点配电系统的优化结果，以及对应的电压暂降过程仿真，充分证明了本章研究的价值和意义。

本文使用基于天牛须算法(BAS)改进的NSGA-Ⅱ算法对微电网多场景多目标优化调度问题进行求解。在多场景处理方面，采用拉丁超立方抽样（Latin hypercube sampling, LHS）生成大量风电、光伏的日前出力场景，然后使用K-means++聚类方法对大量风光场景进行快速削减与场景生成，得到几个典型的风光出力曲线作为本文的优化调度考虑场景。

为了促进多能源互补及能源低碳化，本文提出了计及电转气协同的含碳捕集与垃圾焚烧虚拟电厂优化调度模型。通过引入碳捕集电厂–电转气–燃气机组协同利用框架，碳捕集的CO2可作为电转气原料，生成的天然气则供应给燃气机组；并通过联合调度将碳捕集能耗和烟气处理能耗进行负荷转移以平抑可再生能源波动，使得风电/光伏实现间接可调度而被灵活利用。鉴于所建优化模型具有高维非线性的特点，求解难度大，本文设计一种新型的反余切复合微分进化算法对模型进行求解。

提出的CIES集成IER、新能源CCHP系统以及可调节负荷于一体，以IER为纽带，新能源CCHP系统为基础，协同互联电力网络，实现经济、高效供能，科学、合理用能，具体架构如图1所示。IER作为源、荷之间的桥梁，基于供需关系，日前优化购入、售出的电价、热价，从供能侧购买电、热等能源，并出售给用能侧，从中赚取收益。此外，CIES优化属于一类大规模复杂系统的优化问题，参数、变量繁多，集中优化对数据的传输、通信和处理能力要求较高，且不能保护各主体的信息隐私安全。文中新能源包含风电、光伏等，并采用最大化消纳原则。

概率潮流计算是电力系统分析的一项重要内容，有助于对整个电网在各种运行条件下的性能有一个全面、综合的评价，并对电网存在的薄弱环节做出量化分析，这些信息对规划和调度部门的决策极具参考价值。蒙特卡洛方法是基于“随机数”、以概率统计理论为基础的一种非常重要已经被广泛应用的数值计算方法，它以信息密集和高速计算的计算机为平台，通过科学合理的统计建模，将复杂的研究对象或计算问题，转化成对随机数及其数字特征的模拟和计算，从而本质上简化了研究问题，降低了计算复杂度，得到性质优良的近似解。

首先，本文对分布式电源的数学模型进行了详细的分析，包括可再生能源的发电模型和输出功率模型，可控能源的燃料成本模型，储能装置和电动汽车的充放电模型等，为后续的建模工作打下了基础。其次，对传统电网的集中调度模式和新型电网的源荷互动调度模式进行了对比，将多代理系统的分层控制结构应用于多微网系统中，并在此基础上建立了以经济效益最大为目标函数的数学模型，把微电网看成一个整体参与配电网优化调度，并且在包含两个微电网的配电网系统中进行了算例分析，结果表明微网和配电网运行的经济性都得到提高。

规划设计是微电网系统核心技术体系之一。从分布式电源的综合优化(组合优化、容量优化)和分布式电源间的调度优化两个方面对其展开研究。根据分布式电源特性，提出了适用于并网型微电网系统和独立型微电网系统的双层优化规划设计模型。上层优化采用基于NSGA-II的多目标遗传算法计算系统最优配置；下层优化采用混合整数线性规划算法(MILP)计算系统最优运行方案。运用所建立模型，分别针对并网型和独立型微电网系统作了案例计算,验证了所提方法的正确性。

光储联合发电系统是促进大容量光伏电站集中并网的解决方案之一。因现阶段储能造价较高，所以合理配置储能容量是提高光储电站经济性的重要前提。该文对光储电站不同调度模式进行分析，从发电企业的角度出发以净收益最优为目标建立储能容量优化模型。模型中，结合电池循环寿命数据，建立电池损耗成本函数，定量计算储能实际运行成本，同时计及售电收益、考核费用，利用粒子群算法求解净收益最优时的储能容量，并通过多种方案对比，仿真验证模型有效性。