MATLB|基于粒子群优化算法的智能微电网调度（含风、光、微型燃气轮机、电网输入微网、储能）

💥💥💥💞💞💞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
📝目前更新：🌟🌟🌟电力系统相关知识，期刊论文，算法，机器学习和人工智能学习。
🚀支持：🎁🎁🎁如果觉得博主的文章还不错或者您用得到的话，可以免费的关注一下博主，如果三连收藏支持就更好啦！这就是给予我最大的支持！

👨‍🎓博主课外兴趣：中西方哲学，送予读者：

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。在我这个专栏记录我有空时的一些哲学思考和科研笔记：科研和哲思。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“真理”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

📋📋📋本文目录如下：⛳️⛳️⛳️

目录

1 概述

2 简单微电网结构

3 智能微电网模型

3.1 微型燃气轮机发电模型

3.2 储能装置模型

4 数学模型

4.1 目标函数

4.2 约束条件

5 结果展现

6 Matlab代码实现

1 概述

不断发展的社会,对于电网运行的可靠、安全、经济、高效以及环境友好等要求也越来越高,这一现状使得智能电网的提出与飞速发展成为必然。智能电网的一大特色在于促进了新能源的接入,并运用先进的控制手段合理地管理新能源发电,对于解决能源短缺、生态污染能问题有着重大意义。微电网作为智能电网的重要组成部分,更有必要对其能量调度做出合理的规划。以含多种混合能源的微网为例,介绍微型燃气轮机新型微型电源的工作原理与模型。混合能源配合储能电池工作,微网与电价实时变动的主网并网运行。本文基于粒子群优化算法的智能微电网调度。

2 简单微电网结构

3 智能微电网模型

3.1 微型燃气轮机发电模型

微型燃气轮机是新近发展起来的类小型热力发动机，它的单机功率一般在25到300千瓦之间，具有众多优点,如消耗率低、噪音低、污染低、维修率低和可遥控诊断等，除了用于分布式发电外，还可以用于备用电站、热电联产等，能够提供清洁可靠、优质多功能的能源，除用于中心城市外，也能够很好的适用于偏远地区甚至边缘地带。
微型燃气轮机的进行工作时具体的原理如图所示：

工作原理为:压气机将清新空气压缩成高压空气，并于热交换器中由涡轮机废弃预热，将预热后的高压空气送入燃料室与燃料混合燃烧，将所产生的高温燃气送去涡轮机中做功，而发电机永磁体经传动轴由涡轮机带动发电，最后，电力调节系统将发电机永磁体所产生的电能转化后使用。

3.2 储能装置模型

光伏发电、风力发电等间歇性电源固有的随机性、波动等特点，会在并网应用时对主电网的运行带来隐患，涉及电力平衡、频率稳定、电压稳定等多个方面，而储能装置能够调整、减少这种现象带来的影响。另一方面，分布式发电中的微型燃气轮机和燃料电池由于其输出功率较小，受单个负荷的波动影响较大，处于系统稳定性和安全性的考虑，微电网系统需要配备一定的储能装置。
储能装置的主要作用有三个方面:一是改善电能质量，维持系统稳定;二是能够作为备用电源或者起到削峰填谷的作用;三是能够为个体分布式发电单元带来一定的经济效益。到目前为止，已经有多种储能方式，主要分为化学储能和物理储能两种。其中镍氢电池由于其能量密度高、可快速充放电以及循环寿命长和无污染等优点，在当今迅速发展起来，对于提升镍氢电池性能的研究从未中断。
对于储能装置的充放电，由于材料本身的限制，不能充分的实现能量之间的转换.

4 数学模型

4.1 目标函数

微电网系统中需要考虑的目标多种多样，系统中的发电量、储能和负载之间也有着比较复杂的关系，需要从经济等多个角度来考虑这些单元的调度问题。上图所示为微电网系统，系统中包含着多种分布式电源，主要有微型燃气轮机(MT)、光伏发电机(PV)、风能发电机(WT)等，微型燃气轮机储能电池作为混合型后备能源分布于微网各处，维持可再生能源的电量供应与负载需求之间的平衡;系统中的负载需求分为三种，分别是居民负载、工业负载和商业负载，这三种需求在系统中全部能够得到满足。此外，系统通过公共连接点（PCC）连接着主电网(Grid)。在并网运行模式下，微网不仅可以在有需要的时候向主电网买入电能，还可以在适当的时候向其售卖电能。整个微网系统的操作管理由微电网中央控制。

这里以微网系统一天的运行情况为基础研究,以微电网的运行成本最小为目标，为了便于分析，把问题划分为24个小时段，并且不妨设各设备在每个时间段内功率的输出（输入）是恒定的，以
各整点时刻的功率作为该时间段的功率，构成问题模型的状态空间。故目标函数为:

$\operatorname{Minf}_{1}(X)=\sum_{t=1}^{T} \operatorname{Cost}^{t}=\sum_{t=1}^{T}\left\{\begin{array}{l} \sum_{i=1}^{N_{g}}\left[P_{G i}(t) B_{G i}(t)\right] \\ +\sum_{j=1}^{N_{s}}\left[\left|P_{s j}(t)\right| B_{s j}(t)\right]+P_{G r i d}(t) B_{G r i d}(t) \end{array}\right\}$

其中f(X)表示微电网的成本代价函数，其中X表示问题模型的状态粒子;T表示优化调度的总时段;PG、PS、PGrid分别表示分布式电源、电池及主网在各时刻的发电量;BG、BS、BGrid分别表示分布式电源、储能装置及主网在各时刻的发电成本。

4.2 约束条件

电池容量

储能电池不仅要考虑工作状态时功率输出（入）上下限范围限制，还必须时刻注意电池内的容量的限制。所以，必须满足：

$\left\{\begin{array}{ll} \text { Stor } r_{\min } \leq \text { Stor }(t) \leq \text { Stor }_{\max } \\ P_{s t} \leq P_{\text {charg } ge, \max } & P_{s t} \leq 0 \\ P_{s t} \leq P_{\text {discharg ge, } \max } & P_{s t}>0 \end{array}\right.$

式中， $\text { Stor }_{\min }$ 表示储能装置的最低容量， $\text { Stor }_{\max}$ 表示储能装置的最局谷里， $P_{\text {charg gc, max }}$
表示最大充电功率， $P_{\text {disch }} \arg g e, \max$ 表示最大放电功率。

电力供需平衡

微网在并网模式下,还需要保证微网内所有的负载需求都能得到满足。并且，这里所考虑的是低压侧的一种三支线的微型电网模型，功率传输的损耗很小，在此我们忽略不计。所以，必须满足:

$\sum_{i=1}^{N g} P_{G i}(t)+\sum_{j=1}^{N s} P_{s i}(t)+P_{G r i d}(t)=\sum_{k=1}^{N} P_{L k}(t)$

其中， $P_{Lk}(t)$ 表示在t时刻微网内第k类负载的需求。

然后就是电力设备上下限，这里就不写出了，见程序。

5 结果展现

部分代码：

clear
clc
format long;

%% 初始化条件
%微型燃气轮机最大功率
MTMaxPower=5;
%微型燃气轮机最小功率
MTMinPower=1;
%电网输入微网最大功率
GridMaxImportPower=250;
%电网输入微网最小功率
GridMinImportPower=10;
%储能最大放电功率
StorageMaxDischargingPower=150;
%储能最大充电功率
StorageMaxChargingPower=-100;
P_load=[11.7 12.4 11.7 12.4 11.7 22.4 81.9 122.4 241.3 242.0 241.3 241.3 241.3 240.7 241.3 240.7 241.3 161.0 122.2 121.1 102.9 101.2 23.0 11.1];
Pw=[66.9	68.2	71.9	72	78.8	94.8	114.3	145.1	155.5	142.1	115.9	127.1	141.8	145.6 145.3	150	206.9	225.5	236.1	210.8	198.6	177.9	147.2	58.7];
P_pv=[0 0 0 0 0 0 0 0.0391 19.5244 40.0204 50.1010 73.3946 74.3511 76.3489 72.8004 53.1185 4.6258 0 0 0 0 0 0 0];
Max_Dt=300;%最大迭代次数300
D=72;%搜索空间维数（未知数个数）
N=600;%粒子个数600
w_max=0.9;
w_min=0.4;
v_max=2;
s=1;

%% 初始化种群个体（位置和速度）
for i=1:N
    for j=1:72
%         v(i,j)=randn;
        v(i,j)=0.0;
        if j<25
            x(i,j)=MTMinPower+rand()*(MTMaxPower-MTMinPower);
        elseif j>24&&j<49
            x(i,j)=GridMinImportPower+rand()*(GridMaxImportPower-GridMinImportPower);
        elseif j>48&&j<73
            x(i,j)=StorageMaxChargingPower+rand()*(StorageMaxDischargingPower-StorageMaxChargingPower);
        end
    end    
end

%% 计算各个粒子的适应度，并初始化Pi和Pg
for i=1:N
    p(i)=fitness(x(i,:),s);
    y(i,:)=x(i,:);%每个粒子的个体寻优值
end
Pbest=fitness(x(1,:),s);
pg=x(1,:);%Pg为全局最优
for i=2:N
    if fitness(x(i,:),s)<fitness(pg,s)
       Pbest=fitness(x(i,:),s);
       pg=x(i,:);%全局最优更新
    end
end

%% 进入主循环
for t=1:Max_Dt
    for i=1:N
        w=w_max-(w_max-w_min)*t/Max_Dt;%惯性权重更新
        c1=(0.5-2.5)*t/Max_Dt+2.5; %认知
        c2=(2.5-0.5)*t/Max_Dt+0.5; %社会认识   
%         w=0.7;
%         c1=2.05; %认知
%         c2=2.05; %社会认识   
        v(i,:)=w*v(i,:)+c1*rand()*(y(i,:)-x(i,:))+c2*rand()*(pg-x(i,:));
        for m=1:72
            if(v(i,m)>v_max)
                v(i,m)=v_max;
            elseif(v(i,m)<-v_max)
                v(i,m)=-v_max;
            end
        end
        
        x(i,:)=x(i,:)+v(i,:);
        %对粒子边界处理
        for n=1:72
            if n<25
                   if x(i,n)<MTMinPower
                         x(i,n)=MTMinPower;
                         v(i,n)=-v(i,n); 
                   elseif x(i,n)>MTMaxPower
                         x(i,n)=MTMaxPower;
                         v(i,n)=-v(i,n); 
                   else
                         delt(i,n)=0;
                   end
            elseif n>24&&n<49
                    if x(i,n)<GridMinImportPower
                         x(i,n)=GridMinImportPower;
                         v(i,n)=-v(i,n);  
                   elseif  x(i,n)>GridMaxImportPower
                         x(i,n)=GridMaxImportPower;
                         v(i,n)=-v(i,n);                     
                    else
                         delt(i,n)=0;
                    end
            else
                    if x(i,n)<StorageMaxChargingPower
                          x(i,n)=StorageMaxChargingPower;
                          v(i,n)=-v(i,n); 
                   elseif x(i,n)>StorageMaxDischargingPower
                        x(i,n)=StorageMaxDischargingPower;
                        v(i,n)=-v(i,n); 
                    else
                        delt(i,n)=0;
                    end
            end
        end 
        %对粒子进行评价，寻找最优值******************
        if fitness(x(i,:),t)<p(i)
            p(i)=fitness(x(i,:),t);
            y(i,:)=x(i,:);
        end
        if p(i)<Pbest
            Pbest=p(i);
            pg=y(i,:);
            s=t;
        end
    end 
    %Pbest(t)=fitness(pg,s);
end

disp('*************************************************************')

disp('函数的全局最优位置为：')

Solution=pg'
for m=1:24
    pg1(m)=pg(m);
end
for m=25:48
    pg2(m-24)=pg(m);
end
for m=49:72
    pg3(m-48)=pg(m);
end
%% 可视化
figure
t=1:24
subplot(311)
plot(t,pg1,'Color','b','Marker','v','LineWidth',1.5)
grid
title('微型燃气轮机运行计划')
subplot(312)