微电网优化调度|基于多目标粒子群算法的微电网优化调度【风、光、储能、柴油机、电网交互燃汽轮机】（Matlab代码实现）

欢迎来到本博客❤️❤️❤️
作者研究：本科计算机专业，研究生电气学硕。主要研究方向是电力系统和智能算法、机器学习和深度学习。目前熟悉python网页爬虫、机器学习、群智能算法、深度学习的相关内容。希望将计算机和电网有效结合！⭐️⭐️⭐️

本文目录如下：⛳️⛳️⛳️

​

目录

​

0 写在前面

1 含可再生能源的微电网供电系统

1.1 太阳能光伏电池

1.2 风力发电机

1.3 微型燃气轮机

1.4 柴油发电机

1.5 蓄电池

2 微电网优化运行的多目标数学模型

2.1 运行成本

2.2 环境成本

2.3 约束条件

3 多目标粒子群算法的微电网优化调度

3.1 多目标优化问题

3.2 多目标粒子群算法

4 算例仿真结果

5 Matlab代码实现+数据+文章详细讲解

---

0 写在前面

参考了下面两篇文献：

摘要：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、可中断负荷补偿成本以及污染物处理费用的微电网多目标优化调度模型，并利用多目标粒子群算法（MOPSO）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。

微电网（Microgrid）作为智能电网重要的组成部分，一方面，微电网为分布式电源（Distributed

Generation，DG）、负荷、储能设备以及控制单位有效载体，充分发挥DG所具有的经济性、环保性和灵活 性，为电能用户提供优质的电能质量，满足用户安全可靠供电；另一方面，微电网运行方式极为灵活，既可以并入大电网运行，也可以在电网系统故障时与大电网断开孤岛运行，以保障重要负荷的供电[1-3]。

1 含可再生能源的微电网供电系统

本文采用如图1所示的微电网系统，该系统中包含了光伏电池（Photovoltaic Cell，PV）、风机（WindTurbine，WT）等清洁不可控发电单元，柴油发电机(Diesel Generator，DE）、微型燃气轮机（Micro Turbine， MT） 等清洁可控发电单元以及储能单元（Energy Storage Elements，ES）。本文微电网处于孤岛运行， 由微电源对微电网内部负荷进行供电。

                                                       图1 微电网系统结构

1.1 太阳能光伏电池

光伏电池的输出功率与光照强度有关，光伏电池一般工作在最大功率点跟踪（MPPT）模式下。输出功率可以表示[10]为：

                                        

其中，Ppv为PV实际出力；ζ为太阳光照强度；ηm为最大功率点跟踪模式下的效率；Ap为电池板的面积；ηp 为光伏电池的效率；θ为光照的入射角度。

1.2 风力发电机

风力发电机的输出功率与风速的大小有关，其功率输出模型可表示为：

                                     

其中，PWT、Pr分别为WT的实际功率和额定功率；vci、 gco、vr分别为风机的切入风速切出风速、额定风速， 在本文中分别取为3 m/s、25 m/s、14 m/s。

1.3 微型燃气轮机

本文在微电网中加入可控的微型燃气轮机，其燃料成本与自身的工作效率有关，MT燃料成本的表

达式为[8]：

                                          

          

其中，FMT为MT的燃料成本；C为天然气价格，本文取 2元/m3；LHV为天然气低热值，本文取9.7 kW·h/m3； PMT为MT的输出功率；ηMT为MT工作的效率，其值与PMT呈三次函数关系。

1.4 柴油发电机

DE的燃料成本就是其耗量特性函数，DE燃料成本采用二次函数表达式为：

                                  

其中，FDE为DE的燃料成本；PDE为DE的输出功率；α、 β、γ为DE燃料成本的系数，本文取为α=6、β=0.12、 。

1.5 蓄电池

蓄电池能够跟踪风能和太阳能出力变化进行充放电，在电网中起到了缓冲风能和太阳能不确定

出力，提高电网的供电可靠性和连续性。当DG的总输出功率大于总负荷时，ES充电，否则，ES放电。蓄电池的充放电状态表示为：

                         

第一个等式为充电，第二个等式为放电。

其中，ES（Bt）、ES（Bt-1）分别为蓄电池t时刻、t-1时刻 的容量；Ptotal（t）为t时刻微电源出力总和；Pload（t）为t时 刻系统的总负荷；ηinv、ηsb分别为逆变器的工作效率 和ES的充放电效率。

2 微电网优化运行的多目标数学模型

微电网处于孤岛运行方式，在满足系统约束条件下，综合考虑微电网的经济性、可靠性以及环保

性，建立微电网系统的运行成本最小以及污染物排放费用最小的微电网多目标优化调度模型。

2.1 运行成本

微电网的发电成本主要考虑运行成本以及可中断负荷的补偿成本，故发电成本在满足系统等式

约束和不等式约束条件下，使得微电网的运行成本最小，即：

                                     

式中，T为微电网的调度周期的时段数；N为微电源类型数目；COit为微电源i在t时刻的发电费用；IRt为微电网在t时刻的可中断费用；Pi，t为第i台微电源在t 时刻的发电功率。

2.1.1 发电成本。

微电网运行成本主要考虑机组的燃料成本、折旧成本、维护成本，由于PV和WT为清洁能源，在运行过程中不会消耗化石燃料，故不考虑PV和WT燃料成本，即：

                    

式中，CFi，t为微电源i在t时刻的燃料费用；IVi，t为微电源i折算到单位时间的折旧费用；OMi，t为微电源i在t 时刻的维护费用。

2.1.2 折旧费用

                        

其中，CINS，i为第i台微电源的安装成本；Pr，i为第i台微电源的额定功率；fc，i为第i台微电源的容量因子；d为利率或者折旧率；m为微电源的使用寿命。

3）维护成本 

                                        

其中，Km，i 为微电源i的单位运行维护费用。

2.2 环境成本

环境成本中主要考虑机组CO2、SO2以及NOX的排放处理成本[11]。由于PV和WT为清洁能源，在运行过程中不会产生污染气体，故不考虑PV和WT的环境成本。以环境成本最小为目标函数，其表达式为：

                                   

其中，CE的环境成本；K为污染物排放类型（CO2、SO2和NOX）；αj为处理第j种污染物的单位费用，$/kg；βij为不同电能生产方式下输出Pi 电能时所排放第j种污染物的排放系数，g/（kW·h）。

2.3 约束条件

2.3.1 微电源出力约束

                                    

式中，、分别为微电源出力下限和上限。

2.3.2 微电网功率平衡约束

                             

式中，Pi、PL分别为微电源i出力和微电网负荷；PBS为蓄电池充放电功率，当PBS>0时，表示蓄电池放电，当PBS<0时，表示蓄电池充电。

2.3.3 微电网线路传输功率约束

                       

式中，、分别为微电网线路的传输功率下限和上限。

 2.3.4 蓄电池运行约束

                       

式中，、分别为蓄电池的最小、最大充放电功率；、分别为蓄电池的最小、最大容量。

3 多目标粒子群算法的微电网优化调度

本部分见第5部分。

3.1 多目标优化问题

3.2 多目标粒子群算法

         

                                        图2 多目标优化调度流程 

4 算例仿真结果

 

   

5 Matlab代码实现+数据+文章详细讲解

博客主页：电气辅导帮

部分代码： 

%% 目标函数
%目标函数1：运行成本
%% BESS&&DE&&MT (运维成本 && 燃料成本)
C_DE=0;C_BESS=0;C_MT=0;
for i=1:144
    if i>48&&i<73
      C_BESS=C_BESS+(0.026)*abs(x(i));%运维成本
    elseif i>72&&i<97
      C_DE=C_DE+(0.128*x(i))+(0.00011*x(i)^2+0.180*x(i)+6); %运维成本 && 燃料成本
    elseif  i>96&&i<121
     C_MT=C_MT+(0.0293*x(i))+2.55/9.8*x(i)/(0.0753*x(i)^3-0.3095*x(i)^2+0.4174*x(i)+0.1068); %运维成本 && 燃料成本
    end
end
C_OM_F= C_DE+ C_MT+ C_BESS;

%% Grid成本
C_grid=0;
for i=121:144
    if x(i)>0
        C_grid=C_grid+buy_price(i-120)*x(i);
    else
        C_grid=C_grid-sell_price(i-120)*x(i);
    end
end

%% 目标函数
%目标函数1：运行成本
%% BESS&&DE&&MT (运维成本 && 燃料成本)
C_DE=0;C_BESS=0;C_MT=0;
for i=1:144
    if i>48&&i<73
      C_BESS=C_BESS+(0.026)*abs(x(i));%运维成本
    elseif i>72&&i<97
      C_DE=C_DE+(0.128*x(i))+(0.00011*x(i)^2+0.180*x(i)+6); %运维成本 && 燃料成本
    elseif  i>96&&i<121
     C_MT=C_MT+(0.0293*x(i))+2.55/9.8*x(i)/(0.0753*x(i)^3-0.3095*x(i)^2+0.4174*x(i)+0.1068); %运维成本 && 燃料成本
    end
end
C_OM_F= C_DE+ C_MT+ C_BESS;

%% Grid成本
C_grid=0;
for i=121:144
    if x(i)>0
        C_grid=C_grid+buy_price(i-120)*x(i);
    else
        C_grid=C_grid-sell_price(i-120)*x(i);
    end
end