基于模型预测算法的混合储能微电网双层能量管理系统研究(Matlab代码实现）

  

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 Matlab代码实现

4 参考文献

---

1 概述

参考文献：

摘要:可再生能源（RES）和储能系统（ESS）在微电网中的集成为最终用户和系统运营商提供了潜在的利益。然而，对于微电网的经济运行，需要对可再生能源的间歇性问题和ESS的高成本进行审查。本文提出了一种由电池和超级电容器组成的混合ESS微电网的两层预测能量管理系统（EMS）。考虑到混合ESS在充电深度（DOD）和寿命方面的退化成本，电池和超级电容器的长期成本被建模并转化为与实时操作相关的短期成本。为了在最小运营成本下保持高系统鲁棒性，提出了一种分层调度模型，以在有限时间范围内确定微电网中公用设施的调度，其中上层EMS最小化总运营成本，下层EMS消除预测误差引起的波动。仿真研究表明，不同类型的能量存储可以在两个控制层用于多个决策目标。包含不同定价方案、预测范围长度和预测精度的场景也证明了所提出的EMS结构的有效性。

2 运行结果

 

 

 

 部分代码：

%% Start iteration: second layer
    snd.mpciter = 0; %iteration Index
    snd.option = options;
    while (snd.mpciter < snd.iter)
        % data changed in every 5 min
        snd.PV = pv_5m_data_all(snd.mpciter+1+12*fst.mpciter, 1:12)';
        snd.wind = wind_5m_data_all(snd.mpciter+1+12*fst.mpciter, 1:12)';
        % data not changed in every 5 min
        snd.load = snd.load_all(snd.mpciter+1:snd.mpciter+snd.horizon,:);
        snd.price = snd.price_all(snd.mpciter+1:snd.mpciter+snd.horizon,:);
        %%
        %SECOND mpc calculation
        [snd.f_dyn, snd.x_dyn, snd.u_dyn] = snd_mpc( snd, snd_output_data );
        
        %Next iteration:
        snd.u0 = shiftHorizon(snd.u_dyn); %Estimated control variables
        snd.xmeasure = snd.x_dyn(2,:);
        snd.mpciter = snd.mpciter+1;
        
        snd.x = [ snd.x; snd.x_dyn(1,:) ];
        snd.u = [ snd.u; snd.u_dyn(:,1)' ];
    end
    snd.flag = 1; %
    %Second layer ends
    
    %FIRST: Next iteration
    fst.u0 = shiftHorizon(fst.u_dyn); %Estimated control variables
    fst.xmeasure = snd.xmeasure(1,1:2); % From the second layer if second layer EXISTS
    %   fst.xmeasure = fst.x_dyn(2,:); %Estimated state variables, if second layer does not exist
    fst.mpciter = fst.mpciter+1;

3 Matlab代码实现

4 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]C. Ju, P. Wang, L. Goel and Y. Xu, "A Two-Layer Energy Management System for Microgrids With Hybrid Energy Storage Considering Degradation Costs," in IEEE Transactions on Smart Grid, vol. 9, no. 6, pp. 6047-6057, Nov. 2018, doi: 10.1109/TSG.2017.2703126.