Matlab|含风电-光伏-光热电站电力系统N-k安全优化调度模型

2024-01-26 04:44
文章标签 matlab 安全 优化 模型 光伏 调度 风电 电力系统 热电站

本文主要是介绍Matlab|含风电-光伏-光热电站电力系统N-k安全优化调度模型，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

目录

1 主要内容

程序算例

程序模型

程序亮点

2 部分程序

3 部分结果

4 下载链接

1 主要内容

该程序参考《光热电站促进风电消纳的电力系统优化调度》光热电站模型，主要做的是考虑N-k安全约束的含义风电-光伏-光热电站的电力系统优化调度模型，从而体现光热电站在调度灵活性以及经济性方面的优势。同时代码还考虑了光热电站对风光消纳的作用，对比了含义光热电站和不含光热电站下的弃风弃光问题，同时还对比了考虑N-k约束下的调度策略区别。以14节点和118节点算例为例，对模型进行了系统性的测试，复现效果良好，是学习N-k约束以及光热电站调度的必备程序！程序采用matlab+cplex（mosek/gurobi）进行求解，可以选择已经安装的求解器进行求解。

  • 程序算例

程序对于118节点系统采用了四个算例进行对比，14节点系统有3种算例对比，并增加了弃风量的对比程序。

  • 程序模型

  • 程序亮点

  1. 采用光热电站模型，也是最近研究比较热的一个方向。
  2. 采用转移分布因子矩阵处理潮流问题，这也是很多文献中都采用的方法。​

2 部分程序

clc; clear; close all; % 关闭所有已打开的绘图窗口
%% 参数设定
NT = 24; % 时间范围
CoeffReseve_load = 0.03; 
CoeffReserve_VRE = 0.05; 
yita_TES = 0.98;  
yita_PB = 0.415;  
% 文章里Table 2的数据
Capacity_TES_CSP = 0; 
initial_TES_t0 = 0.5;  
initial_TES_t1 = 0.78;
TES_initial = 0.5;         
beta_Load = 3*10e3;  mpc = case14_1; % 载入数据 matpower 数据格式
%% 有功负荷 24h所有节点总的
%    mpc.load = [
%        2842.42  3020.2  3296.96  3444.44  3607.07  3891.91  4070.7  4295.95  4476.76  4661.61  4859.59  5077.77  ...
%        4717.17  4519.19  4301.01  3995.95  3703.03  3806.06  4037.37  4063.63  3721.21  3245.45  3097.97  2827.27
%    ]/6.3; 
​mpc.load = [683.42  792.2  896.96  1044.44  1087.07  1121.91  1200.7  1235.95  1326.76  1461.61  1489.59  1577.77  ...1417.17  1219.19  1101.01  1075.95  903.03  1186.06  1237.37  1463.63  1221.21  1005.45  827.97  807.27]/2; 
​
​mpc.P_RE = [0.00   0.00   0.00   0.00   0.00   0.00   15.76   43.17   82.35   109.44   122.55   146.10   ...% PV126.66   86.05   60.05   52.82   25.78   4.28   0.00   0.00   0.00   0.00   0.00   0.00  100.26   133.95   147.28   134.11   170.52   159.44   138.55   72.83   58.83   73.37   79.90   80.54 ...  % Wind91.96   101.68   121.49   122.93   133.11   162.44   130.95   133.25   151.26   139.33   120.60   90.33]*1; % 可再生能源 24小时数据（实际发电量）
%% 电网相关名称baseMVA = mpc.baseMVA;bus = mpc.bus;gen = mpc.gen;branch = mpc.branch;gencost = mpc.gencost;RE = mpc.RE;CSP = mpc.CSP;P_RE = mpc.P_RE;
​
N = length(bus(:,1));      % 网络中所有节点数
N_Br = length(branch(:,1));% 线路数
N_Gen = length(gen(:,1));  % 火电发电机组数
N_RE = length(RE(:,1));    % 可再生能源节点机组数
N_CSP = length(CSP(:,1));  % CSP发电站数
​
% 常规机组相关数据提取, 取数据矩阵中的列向量 和功率有功的项，均需标幺值化，以便运算和求解
P_Gen_max = gen(:,9)/baseMVA; 
P_Gen_min = gen(:,10)/baseMVA; 
type_Gen = gen(:,22); 
P_Gen_up = gen(:,23) /baseMVA;  
P_Gen_down = gen(:,24) /baseMVA;
T_Gen_min_on = gen(:,25); 
T_Gen_min_off = gen(:,26); 
c_ST_g = gen(:,28);
c_G_g = gen(:,30); 
​
% CSP机组相关数据提取
P_CSP_max = CSP(:,9)/baseMVA; 
P_CSP_min = CSP(:,10)/baseMVA; 
P_CSP_up = CSP(:,23)/baseMVA;   
P_CSP_down = CSP(:,24)/baseMVA; 
T_CSP_min_on = CSP(:,25); 
T_CSP_min_off = CSP(:,26);
c_CSP_g = CSP(:,30);       
​
PtCSP_fore = [ % 可用的太阳能热功率向量 0.00   0.00   0.00   0.00   0.00   0.00   190.57   390.57   790.57 990.57   1390.57   1891.03 ...2111.64   2200.92   2202.36   2118.26   1895.37   1408.35   0.00   0.00   0.00   0.00   0.00   0.00 ]/20;
PtCSP_fore = PtCSP_fore/baseMVA; 
P_RE = P_RE/baseMVA; % 可再生能源PV WT机组出力
​
beta_Load = beta_Load*baseMVA^2; % $/MWh -> $/p.u.
​
M_bus_G = zeros(N,N_Gen); % 发电机机组-索引矩阵
for row = 1:Nif abs(find(mpc.gen(:,1) == row)) > 0  % 发电机节点号 与 行号对应M_bus_G(row,find(mpc.gen(:,1) == row)) = 1; % M_bus_G相应处置1end
end
​
M_bus_RE = zeros(N,N_RE); % 可再生能源机组-索引矩阵
for row = 1:Nif abs(find(mpc.RE(:,1) == row))>0M_bus_RE(row,find(mpc.RE(:,1) == row)) = 1;end
end
​
M_bus_CSP = zeros(N,N_CSP); % CSP机组-索引矩阵
for row = 1:Nif abs(find(mpc.CSP(:,1) == row))>0M_bus_CSP(row,find(mpc.CSP(:,1) == row)) = 1;end
end
GSDF = makePTDF(mpc); % 发电转移分布因子矩阵，表征节点注入功率在全网络的分布
​
%% 负荷矩阵数据，按照 算例数据mpc.bus(:,3) 中各节点负荷的比例分配PD = bus(:,3)/baseMVA; P_factor = PD/sum(PD);P_sum = mpc.load/baseMVA; PD = P_factor*P_sum;      
​
%% 决策变量命名PG_G = sdpvar(N_Gen,NT,'full');  PG_RE = sdpvar(N_RE,NT,'full');   % （风光并网量）PG_CSP = sdpvar(N_CSP,NT,'full'); PC_Load = sdpvar(N,NT,'full');   onoff_gen = binvar(N_Gen,NT,'full');onoff_CSP = binvar(N_CSP,NT,'full'); Branch = sdpvar(N_Br,NT,'full');   Cost_StartUp  = sdpvar(N_Gen,NT-1,'full');Pt_TES_charge = sdpvar(N_CSP,NT,'full');  Pt_TES_discharge= sdpvar(N_CSP,NT,'full');Et_TES = sdpvar(N_CSP,NT,'full');         %% 约束条件列写   Cons = [];for t = 1:NTif t >= 2 % type(1-水电, 2-火电机组)for i = 1:N_Gen % 火电机组-最小启/停时间约束 式(8-9)if (type_Gen(i,1)==2) || (type_Gen(i,1)==5) for tao = t + 1:min(t+T_Gen_min_on(i,1)-1,NT)   Cons = [Cons, onoff_gen(i,t)-onoff_gen(i,t-1) <= onoff_gen(i,tao)];endfor tao = t + 1:min(t+T_Gen_min_off(i,1)-1,NT) Cons = [Cons, onoff_gen(i,t-1)-onoff_gen(i,t) <= 1-onoff_gen(i,tao)];endendendfor i = 1:N_CSP  for tao = t+1:min(t+T_CSP_min_on(i,1)-1,NT)Cons = [Cons, onoff_CSP(i,t)-onoff_CSP(i,t-1) <= onoff_CSP(i,tao)]; % CSP机组最小启/停时间约束endfor tao = t+1:min(t+T_CSP_min_off(i,1)-1,NT)Cons = [Cons, onoff_CSP(i,t-1)-onoff_CSP(i,t) <= 1-onoff_CSP(i,tao)];endendend if t >= 2 % 火电机组 爬坡约束 式(6-7)Cons = [Cons,  PG_G(:,t) - PG_G(:,t-1) <= ...onoff_gen(:,t-1).* P_Gen_up*60 + ... (onoff_gen(:,t)-onoff_gen(:,t-1)) .* P_Gen_min + ... (1-onoff_gen(:,t)) .* P_Gen_max];  Cons = [Cons, -PG_G(:,t) + PG_G(:,t-1) <= ...onoff_gen(:,t) .* P_Gen_down*60 + ...(onoff_gen(:,t-1)-onoff_gen(:,t)) .* P_Gen_min + ...  (1-onoff_gen(:,t-1)) .* P_Gen_max];% CSP 机组 爬坡约束 式(6-7)Cons = [Cons,  PG_CSP(:,t) - PG_CSP(:,t-1) <= ...onoff_CSP(:,t-1).* P_CSP_up*60 + ... %  (onoff_CSP(:,t)-onoff_CSP(:,t-1)) .* P_CSP_min + ...(1-onoff_CSP(:,t)) .* P_CSP_max]; Cons = [Cons, -PG_CSP(:,t) + PG_CSP(:,t-1) <= onoff_CSP(:,t) .* P_CSP_down*60 + ...  (onoff_CSP(:,t-1)-onoff_CSP(:,t)) .* P_CSP_min + ...  (1-onoff_CSP(:,t-1)) .* P_CSP_max];endend% 机组出力的上下边界约束-式(3) % t(1-水电,2-火电, 5-燃气发电机组 6-CSP)Ind_2_5 = union(find(type_Gen(:,1) == 2),find(type_Gen(:,1) == 5)); Cons = [Cons, onoff_gen(Ind_2_5,:) .* (P_Gen_min(Ind_2_5,1) * ones(1,NT)) ...    <= PG_G(Ind_2_5,:) <= ...onoff_gen(Ind_2_5,:) .* (P_Gen_max(Ind_2_5,1) * ones(1,NT))];  Cons = [Cons, onoff_CSP.*(P_CSP_min*ones(1,NT)) <= PG_CSP <= onoff_CSP.*(P_CSP_max*ones(1,NT))]; % CSP机组出力-边界约束
%     Cons = [Cons, onoff_CSP == ones(1,24)]; % CSP机组 Cons = [Cons, sum(PG_G,1) + sum(PG_RE,1) + sum(PG_CSP,1) == sum(PD - PC_Load,1)]; % 式(2)Cons = [Cons, Branch == GSDF*(M_bus_G*PG_G + M_bus_RE*PG_RE + M_bus_CSP*PG_CSP - (PD-PC_Load))]; % 
%     Cons = [Cons, -branch(:,6)*ones(1,NT) <= GSDF*(M_bus_G*PG_G+M_bus_RE*PG_RE+M_bus_CSP*PG_CSP-(PD- PC_Load)) <= branch(:,6)*ones(1,NT)]; % Cons = [Cons, -999*ones(N_Br,NT) <= GSDF*(M_bus_G*PG_G+M_bus_RE*PG_RE+M_bus_CSP*PG_CSP-(PD-PC_Load)) <= 999*ones(N_Br,NT)]; % 118系统有186条线路Cons = [Cons, 0 <= PG_RE <= P_RE]; % 可再生出力Cons = [Cons, [60;50;100;80;40]/baseMVA * ones(1,24) <= PG_G ];Cons = [Cons, 0 <= PC_Load <= PD]; % 式(22)    Cons = [Cons, sum(onoff_gen .* (P_Gen_max*ones(1,NT)) - PG_G,1) + ...sum(onoff_CSP .* (P_CSP_max*ones(1,NT)) - PG_CSP,1) >= ...sum(CoeffReseve_load*PD,1) + sum(CoeffReserve_VRE*PG_RE,1) ];Cons = [Cons, Cost_StartUp >= (onoff_gen(:,2:NT) - onoff_gen(:,1:NT-1)) .* (c_ST_g*ones(1,NT-1))]; % 传统机组启动成本Cons = [Cons, Cost_StartUp >= 0];%%%%%% CSP电站运转内部约束 %%%%%%E_TES_max = Capacity_TES_CSP * P_CSP_max; Cons = [Cons, PG_CSP/yita_PB + Pt_TES_charge - Pt_TES_discharge <= PtCSP_fore]; % CSP输出电功率与TES充/放热功率,预测光热功率关系Cons = [Cons, Et_TES(:,2:NT) == Et_TES(:,1:NT-1) + Pt_TES_charge(:,1:NT-1)*yita_TES - Pt_TES_discharge(:,1:NT-1)/yita_TES];Cons = [Cons, Et_TES(:,1) == TES_initial * E_TES_max]; Cons = [Cons, Et_TES(:,1) == Et_TES(:,NT)];          Cons = [Cons, 0 <= Pt_TES_charge    <= Capacity_TES_CSP*ones(N_CSP,NT)]; Cons = [Cons, 0 <= Pt_TES_discharge <= Capacity_TES_CSP*ones(N_CSP,NT)];Cons = [Cons, 0 <= Et_TES <= E_TES_max * ones(1,NT)];
​
%% 目标函数 obj = sum(c_G_g'*PG_G) + sum(c_CSP_g'*PG_CSP) + sum(sum(Cost_StartUp) + beta_Load*sum(sum(PC_Load)) ); % 机组的边际发电成本 + 启动成本 + 负荷削减成本% 运行调度 ops = sdpsettings('solver','cplex'); %  gurobians = optimize(Cons,obj,ops)%% 求解成功后取值PG_G = value(PG_G)  ; PG_RE = value(PG_RE) ;  PG_CSP = value(PG_CSP) ; PC_Load = value(PC_Load) ;   onoff_gen = value(onoff_gen) ; onoff_CSP = value(onoff_CSP) ; Branch = value(Branch) ;   Cost_StartUp  = value(Cost_StartUp);obj = value(obj); % 总成本Pt_TES_charge = value(Pt_TES_charge);   Pt_TES_discharge = value(Pt_TES_discharge); Et_TES = value(Et_TES);                 disp(['IEEE14 不考虑N-k的和无CSP的经济调度情况,运行成本为 ', num2str(obj)])
%% 绘图 
% 已知的相关输入数据figuresubplot(3,1,1)plot(PtCSP_fore * baseMVA,'m-o');title('CSP预测功率值')xlabel('时间(h)');ylabel('功率(MW)');subplot(3,1,2)plot(P_RE(1,:) * baseMVA,'m-o'); hold onplot(P_RE(2,:) * baseMVA,'b-s');title('可再生能源预测出力值')xlabel('时间(h)');ylabel('功率(MW)');legend('光伏','风电')subplot(3,1,3)plot(sum(PD) * baseMVA,'r-v');title('24h负荷值')xlabel('时间(h)');ylabel('功率(MW)');​%    subplot(2,1,2)
%  bar(baseMVA*PG_RE',0.75,'stack'); hold on; % 各PV、Wind机组出力
%    legend('PV','Wind')
%    title('电网中可再生能源机组出力')
%  xlabel('时间(h)');
%    ylabel('功率(MW)');%    figure
%    surf(baseMVA*PC_Load);
%    title('负荷削减量')
%  xlabel('时间(h)');
%    ylabel('功率(MW)');
​
​

3 部分结果

4 下载链接

这篇关于Matlab|含风电-光伏-光热电站电力系统N-k安全优化调度模型的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/645664。

相关文章

Vue3 的 shallowRef 和 shallowReactive：优化性能

Vue3 的 shallowRef 和 shallowReactive：优化性能

大家对 Vue3 的 ref 和 reactive 都很熟悉，那么对 shallowRef 和 shallowReactive 是否了解呢？ 在编程和数据结构中，“shallow”（浅层）通常指对数据结构的最外层进行操作，而不递归地处理其内部或嵌套的数据。这种处理方式关注的是数据结构的第一层属性或元素，而忽略更深层次的嵌套内容。 1. 浅层与深层的对比 1.1 浅层（Shallow） 定义
阅读更多...
大模型研发全揭秘：客服工单数据标注的完整攻略

大模型研发全揭秘：客服工单数据标注的完整攻略

在人工智能（AI）领域，数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者，掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中，工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注，不仅能够帮助提升客服自动化系统的智能化水平，还能优化客户服务流程，提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行
阅读更多...
HDFS—存储优化（纠删码）

HDFS—存储优化（纠删码）

纠删码原理 HDFS 默认情况下，一个文件有3个副本，这样提高了数据的可靠性，但也带来了2倍的冗余开销。 Hadoop3.x 引入了纠删码，采用计算的方式，可以节省约50％左右的存储空间。 此种方式节约了空间，但是会增加 cpu 的计算。 纠删码策略是给具体一个路径设置。所有往此路径下存储的文件，都会执行此策略。 默认只开启对 RS-6-3-1024k
阅读更多...
使用opencv优化图片（画面变清晰）

使用opencv优化图片（画面变清晰）

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化，使其看起来更清晰，同时保持尺寸不变，通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多，主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器：相机传
阅读更多...
Andrej Karpathy最新采访：认知核心模型10亿参数就够了，AI会打破教育不公的僵局

Andrej Karpathy最新采访：认知核心模型10亿参数就够了，AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人，AI大神Andrej Karpathy，曾是OpenAI联合创始人之一，特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ，宣布将长期致力于AI原生教育。 近日，Andrej Karpathy接受了No Priors（投资博客）的采访，与硅谷知名投资人 Sara Guo 和 Elad G
阅读更多...
电力系统中的A类在线监测装置—APView400

电力系统中的A类在线监测装置—APView400

随着电力系统的日益复杂和人们对电能质量要求的提高，电能质量在线监测装置在电力系统中得到广泛应用。目前，市场上的在线监测装置主要分为A类和B类两种类型，A类和B类在线监测装置主要区别在于应用场景、技术参数、通讯协议和扩展性。选择时应根据实际需求和应用场景综合考虑，并定期维护和校准。电能质量在线监测装置是用于实时监测电力系统中的电能质量参数的设备。 APView400电能质量A类在线监测装置以其多核
阅读更多...
Retrieval-based-Voice-Conversion-WebUI模型构建指南

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI（简称 RVC）模型是一个基于 VITS（Variational Inference with adversarial learning for end-to-end Text-to-Speech）的简单易用的语音转换框架。 具有以下特点 简单易用：RVC 模型通过简单易用的网页界面，使得用户无需深入了
阅读更多...
MySQL高性能优化规范

MySQL高性能优化规范

前言：      笔者最近上班途中突然想丰富下自己的数据库优化技能。于是在查阅了多篇文章后，总结出了这篇！ 数据库命令规范 所有数据库对象名称必须使用小写字母并用下划线分割 所有数据库对象名称禁止使用mysql保留关键字（如果表名中包含关键字查询时，需要将其用单引号括起来） 数据库对象的命名要能做到见名识意，并且最后不要超过32个字符 临时库表必须以tmp_为前缀并以日期为后缀，备份
阅读更多...
搭建Kafka+zookeeper集群调度

搭建Kafka+zookeeper集群调度

前言 硬件环境 172.18.0.5        kafkazk1        Kafka+zookeeper                Kafka Broker集群 172.18.0.6        kafkazk2        Kafka+zookeeper                Kafka Broker集群 172.18.0.7        kafkazk3
阅读更多...
透彻！驯服大型语言模型（LLMs）的五种方法，及具体方法选择思路

透彻！驯服大型语言模型（LLMs）的五种方法，及具体方法选择思路

引言 随着时间的发展，大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用，随着人们期望的不断增加，目标也发生了巨大的变化。在短短的几个月的时间里，人们对大模型的认识已经从对其zero-shot能力感到惊讶，转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构（例如Transformer）对海量的、多种多样的数据分布进行建模得到，它包含了大量的先验
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2