博弈论在电动车和电网系统中分布式模型预测控制研究（Matlab代码实现）

news2024/10/5 19:11:37

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 文献来源

🌈4 Matlab代码、数据、文章讲解

💥1 概述

电动汽车（EV）将在未来的交通系统中广泛使用。尽管这些电动汽车不受控制的充电将威胁电网的稳定性，但兼容的能源交易政策可以为电网提供有益的服务，并保持系统的可持续性。本文利用大宗费率关税，引入了批发定价政策。利用多目标方法同时解决成本降低和负载均衡服务的问题。由于集中式问题的计算复杂度很高，因此采用了博弈论方法来设计电动汽车的分散控制器。此外，引入了MPC方法，以处理未来几个小时内系统状态的计划外偏差。仿真结果验证了所提方法能够有效改造系统性能。

分布式发电作为解决现代城市未来电网问题的关键解决方案，在过去几年中得到了极大的关注[1]。随着过去几十年双向充电器的快速发展，电动汽车充电和放电的想法已经发展出一种新颖的车辆到电网（V2G）系统概念。在V2G系统中，在电动汽车中实现的电池被视为可被电力系统利用的移动储能，以提供各种辅助服务，如负载均衡、调峰、频率调节等。到电网。这些服务的主要思想源于这样一个事实，即电动汽车可以在非高峰时段充电并在关键时段放电，为电网提供所需的能量[2]。但是，只有当有许多电动汽车车主有兴趣参与此类服务时，所有 V2G 服务才可能随时可用。通过参与V2G辅助服务来降低充电成本和提供收入是两个有效的鼓励措施，可以说服电动汽车车主为V2G服务做出贡献[3]。

在最近的文献中，已经引入了许多基于优化的方法，例如线性规划（LP）和二次规划（QP）来解决电动汽车充电管理问题。在[4]中，作者提出了一个LP问题，以最小化电动汽车车主的充电成本并最大化聚合商的利润。负载均衡服务在 [5] 中被解释为 QP 问题，以最小化电网负载曲线的方差。[6]中讨论了未来小时电价和需求的不确定性，作者提出了一种模型预测控制（MPC）方法来处理频率调节服务中的这个问题。在[2]中探讨了考虑V7G系统中目标冲突的想法，其中采用了加权和方法来解决多目标优化问题，其中提供谷填充服务以及降低充电成本。

博弈论作为对像V2G这样的复杂系统代理之间的相互作用进行建模的令人信服的发明，已被作者有效地应用于[8]来解决负载均衡问题解决方案的计算复杂性。本研究将负载均衡服务的集中解转化为相应博弈的均衡收敛到原集中式负载均衡问题的解的分散问题。电力需求、电价以及电动汽车在充电站（或智能建筑）中的存在和参数等未来小时信息的不确定性是这项工作中缺失的组成部分。此外，电动汽车的电费和充电成本在[8]中没有考虑。

本文的主要贡献是提供一个分布式框架，以解决V2G系统的冲突目标，例如在未来小时信息存在不确定性的情况下降低充电成本和负载均衡服务。为此，我们应用了一种通用的博弈论方法来解决MPC框架中相应的多目标问题。

📚2 运行结果

部分代码：

F2 = figure(2);
F2.WindowState = 'maximized';
F2.Position = [1,1,1366,400];
B_Fig2 = bar(L_Fig2);
B_Fig2.FaceColor = [0.25 0.25 0.25];
set(findall(gcf,'-property','FontSize'),'FontSize',22);
set(findall(gcf,'-property','FontWeight'),'FontWeight','Bold');
set(findall(gcf,'-property','FontName'),'FontName','Times New Roman');
xlabel('Time of Day (hour)');
xticks(2:2:24);
xlim([0.5 24.5]);
ylim([0 105000]);
ylabel('Load (kWh)');

%% Fig 3

L0 = load('Fig3_L.mat');

L_Fig3 = L0.Fig3_L;

F3 = figure(3);
F3.WindowState = 'maximized';
F3.Position = [1,1,1366,400];
B_Fig3 = bar(L_Fig3);
B_Fig3(1).FaceColor = [0.88 0.88 0.88];
B_Fig3(2).FaceColor = [0.22 0.22 0.22];
B_Fig3(3).FaceColor = [0.6 0.6 0.6];
set(findall(gcf,'-property','FontSize'),'FontSize',18);
set(findall(gcf,'-property','FontSize'),'FontSize',22);
set(findall(gcf,'-property','FontWeight'),'FontWeight','Bold');
set(findall(gcf,'-property','FontName'),'FontName','Times New Roman');
xlabel('Time of Day (hour)');
xticks(2:2:24);
xlim([0.5 24.5]);
ylabel('Load (kWh)');
legend('Cost Reduction','Multi-objective (a=1)','Load-Levelling','Location','northwest');

%% Figure 4

L11_5000 = load('L_1_1_5000.mat');
L11_10000 = load('L_1_1_10000.mat');
L11_15000 = load('L_1_1_15000.mat');
L11_20000 = load('L_1_1_20000.mat');