文章解读与仿真程序复现思路——电网技术EI\CSCD\北大核心《含光储充的配网虚拟电厂二次调频随机模型预测控制策略 》

本文主要是介绍文章解读与仿真程序复现思路——电网技术EI\CSCD\北大核心《含光储充的配网虚拟电厂二次调频随机模型预测控制策略 》,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!

本专栏栏目提供文章与程序复现思路,具体已有的论文与论文源程序可翻阅本博主免费的专栏栏目《论文与完整程序》

论文与完整源程序_电网论文源程序的博客-CSDN博客icon-default.png?t=N7T8https://blog.csdn.net/liang674027206/category_12531414.html

电网论文源程序-CSDN博客电网论文源程序擅长文章解读,论文与完整源程序,等方面的知识,电网论文源程序关注python,机器学习,计算机视觉,深度学习,神经网络,数据挖掘领域.https://blog.csdn.net/LIANG674027206?type=download

这个标题涉及到能源领域的技术和概念。让我来逐步解读:

  1. 含光储充的配网虚拟电厂

    • 含光储充:指具有太阳能发电和储能功能的设备。这些设备可以通过太阳能发电板收集太阳能,并将其转化为电能,同时还可以将多余的电能存储起来,以备不时之需。
    • 配网:指电力配送网,将发电厂产生的电能传送到各个终端用户。
    • 虚拟电厂:是由多个分布式能源资源(如太阳能、风能、储能等)组成的集合体,通过互联网或通信网络连接在一起,以实现集中管理和运营的能源系统。
  2. 二次调频

    • 二次调频:是电力系统中用于维持系统频率稳定的一种自动控制过程。在电力系统中,频率的稳定性非常重要,二次调频是通过自动调整发电机输出功率来维持系统频率稳定的过程之一。
  3. 随机模型

    • 随机模型:在这个上下文中,可能指的是使用随机变量或随机过程来建模的系统模型。在能源系统中,考虑到各种不确定性因素(如天气变化、负载波动等),随机模型可以帮助更准确地预测系统行为和性能。
  4. 预测控制策略

    • 预测控制:是一种基于对未来系统行为的预测来实现控制的方法。在这种情况下,可能是指根据对未来负载需求、天气预测等因素的预测,来制定优化的控制策略,以确保虚拟电厂的二次调频运行更加稳定和高效。

综合起来,这个标题可能在讨论如何利用包含太阳能发电和储能功能的设备构建虚拟电厂,在配网中实现二次调频控制,采用基于随机模型的预测控制策略来优化运行。

摘要:含光储充的主动配电网作为一种灵活的新型调节资源,可通过聚合其内部的多类分布式电源组成配网虚拟电厂(Distribution-level Virtual Power Plant, DVPP)进而整体参与系统二次调频,具有广阔的发展前景。但实际配电网内部情况复杂,存在储能配置有限导致可调容量不足、光伏短时出力难以预测导致控制不精确、功率分配不合理导致内部电压越限的问题,传统虚拟电厂调频策略难以适用。针对上述问题,本文提出了一种基于随机模型预测控制(Stochastic Model Predictive Control, SMPC)的DVPP二次调频策略,通过聚合模型设计、光伏不确定功率的场景树模型搭建、SMPC策略设计的方式实现了分布式电源出力扰动情况下DVPP快速、准确响应AGC指令的目标,并有效降低了功率调节对系统内部电压的影响,为DVPP参与系统二次调频提供了理论基础。

这段摘要讨论了含光储充的主动配电网作为一种新型调节资源的潜力,以及其参与系统二次调频的重要性和挑战。以下是对摘要的解读:

  1. 含光储充的主动配电网

    • 这是一种包含太阳能发电和储能功能的配电网系统,具有灵活性和调节能力。
    • 可以通过聚合内部多种分布式电源来构建配网虚拟电厂(DVPP),以整体参与系统二次调频。
  2. 挑战与问题

    • 实际配电网内部存在诸多复杂情况,如储能容量有限、光伏发电瞬时出力难以准确预测、功率分配不合理等。
    • 传统虚拟电厂调频策略在面对这些问题时难以适用,导致调节精度不高。
  3. 解决方案

    • 本文提出了一种基于随机模型预测控制(SMPC)的DVPP二次调频策略。
    • 通过聚合模型设计和建立光伏不确定功率的场景树模型,结合SMPC策略设计,实现了分布式电源在出力扰动情况下快速、准确响应AGC指令的目标。
    • 同时,该策略有效降低了功率调节对系统内部电压的影响,为DVPP参与系统二次调频提供了理论基础。

综合而言,这段摘要强调了含光储充主动配电网的潜在优势,指出了当前面临的挑战,并提出了基于随机模型预测控制的解决方案,以提高其在系统二次调频中的效率和可靠性。

关键词:    配网虚拟电厂;二次调频;随机模型预测控制;动态功率跟踪;

  1. 配网虚拟电厂

    • 这是指在配电网层面上组合多种分布式电源,形成一个集成的虚拟电厂,以实现更高效的能源管理和调节功能。这种虚拟电厂可以通过集中控制来响应系统需求,例如参与系统的二次调频。
  2. 二次调频

    • 二次调频是电力系统中的一种调节机制,用于在短时间内调整发电机输出功率,以维持系统频率稳定。配网虚拟电厂可以参与系统的二次调频,通过调整分布式电源的输出来响应系统频率变化。
  3. 随机模型预测控制

    • 随机模型预测控制是一种控制策略,通过建立随机模型来预测系统未来的状态,并基于这些预测进行控制决策。在这种情况下,该控制策略被用于配网虚拟电厂的二次调频中,以应对光伏发电等分布式电源的不确定性。
  4. 动态功率跟踪

    • 动态功率跟踪是指根据系统需求和实时情况,动态调整分布式电源的输出功率。在配网虚拟电厂的二次调频中,这意味着实时监测系统频率变化,并调整分布式电源的输出功率,以跟踪系统频率的变化,保持系统稳定。

仿真算例:

为验证本文提出的基于随机模型预测控制的 配网虚拟电厂二次调频策略的有效性,基于 MATLAB中的Simulink平台搭建改进IEEE 33节 点DVPP系统进行仿真分析。系统拓扑参数如附录 A2所示。类比江苏某地实际配电网分布式电源接 入情况,在系统中接入8座分布式光伏电站,3个 虚拟储能电站和2个虚拟充电站,具体算例拓扑如 图5所示,如图5所示,光伏电站分别位于5、9、15、17、 19、22、29、31节点,储能电站位于1、6、15节 点,充电站位于24、26节点。各电站稳态有功功 率输出及储能初始SOC如表1所示。仿真所采用的控制器采样周期为0.2s,预测时域 Np=10,控制时域Nc=5,并设定储能参与调频的成 本为0.5元/(kW⸱h),其响应时间为0.1s[27];电动 汽车充电桩调度服务费为1元/(kW⸱h),其响应时 间为0.5s[27]。

仿真程序复现思路:

要复现这篇文章中描述的仿真,你可以按照以下步骤进行:

  1. 搭建IEEE 33节点DVPP系统模型

    • 在 MATLAB 中使用 Simulink 平台,按照附录 A2 中给出的系统拓扑参数,构建 IEEE 33 节点DVPP系统模型。
  2. 设置分布式电源、虚拟储能电站和虚拟充电站的接入情况

    • 根据描述,在模型中接入8座分布式光伏电站、3个虚拟储能电站和2个虚拟充电站。根据给定的拓扑信息,将光伏电站放置在相应的节点上,储能电站和充电站也放置在对应的节点上。
  3. 设置各电站的稳态有功功率输出及储能初始SOC

    • 根据表1中的数据,为每个电站设置稳态有功功率输出和储能初始SOC。
  4. 设置控制器参数

    • 设置控制器的采样周期为0.2秒,预测时域Np=10,控制时域Nc=5。根据给定的成本和响应时间设置储能参与调频和电动汽车充电桩调度服务费的参数。
  5. 实现随机模型预测控制策略

    • 在模型中实现基于随机模型预测控制的配网虚拟电厂二次调频策略。这可能涉及使用MATLAB中的控制系统工具箱来设计和实现控制器。
  6. 运行仿真

    • 设置仿真时间,并运行仿真以评估所提出的二次调频策略的有效性。

以下是一个简化的示例代码,展示如何使用MATLAB/Simulink模拟这个系统:

% 清空工作区和命令窗口
clear;
clc;% 模型文件名
model_name = 'IEEE_33_node_DVPP_system';% 打开 Simulink 模型
open_system(model_name);% 设置光伏电站参数
PV_power = [100, 150, 120, 200, 180, 90, 110, 130]; % 光伏电站功率输出,单位:kW
PV_nodes = [5, 9, 15, 17, 19, 22, 29, 31]; % 光伏电站节点% 设置储能电站参数
storage_SOC = [0.5, 0.6, 0.7]; % 储能电站初始SOC
storage_nodes = [1, 6, 15]; % 储能电站节点% 设置充电站参数
charging_nodes = [24, 26]; % 充电站节点% 控制器参数设置
Ts = 0.2; % 采样周期,单位:秒
Np = 10; % 预测时域
Nc = 5; % 控制时域
storage_cost = 0.5; % 储能参与调频的成本,单位:元/(kW⋅h)
storage_response_time = 0.1; % 储能响应时间,单位:秒
charging_cost = 1; % 充电桩调度服务费,单位:元/(kW⋅h)
charging_response_time = 0.5; % 充电桩响应时间,单位:秒% 设置仿真参数
sim_time = 100; % 仿真时间,单位:秒% 运行仿真
sim(model_name);% 仿真结果分析
% 可根据需要添加代码进行仿真结果的分析和可视化

本专栏栏目提供文章与程序复现思路,具体已有的论文与论文源程序可翻阅本博主免费的专栏栏目《论文与完整程序》

论文与完整源程序_电网论文源程序的博客-CSDN博客icon-default.png?t=N7T8https://blog.csdn.net/liang674027206/category_12531414.html

电网论文源程序-CSDN博客电网论文源程序擅长文章解读,论文与完整源程序,等方面的知识,电网论文源程序关注python,机器学习,计算机视觉,深度学习,神经网络,数据挖掘领域.https://blog.csdn.net/LIANG674027206?type=download

这篇关于文章解读与仿真程序复现思路——电网技术EI\CSCD\北大核心《含光储充的配网虚拟电厂二次调频随机模型预测控制策略 》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/829009

相关文章

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

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

OpenHarmony鸿蒙开发( Beta5.0)无感配网详解

1、简介 无感配网是指在设备联网过程中无需输入热点相关账号信息,即可快速实现设备配网,是一种兼顾高效性、可靠性和安全性的配网方式。 2、配网原理 2.1 通信原理 手机和智能设备之间的信息传递,利用特有的NAN协议实现。利用手机和智能设备之间的WiFi 感知订阅、发布能力,实现了数字管家应用和设备之间的发现。在完成设备间的认证和响应后,即可发送相关配网数据。同时还支持与常规Sof

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟 开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚 第一站:海量资源,应有尽有 走进“智听

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

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

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}

秋招最新大模型算法面试,熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候,不知道面试完会不会复盘、总结,做笔记的习惯,这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助,都附有完整答案,熬夜也要看完,祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN,还有完整版的大模型 AI 学习资料,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

MCU7.keil中build产生的hex文件解读

1.hex文件大致解读 闲来无事,查看了MCU6.用keil新建项目的hex文件 用FlexHex打开 给我的第一印象是:经过软件的解释之后,发现这些数据排列地十分整齐 :02000F0080FE71:03000000020003F8:0C000300787FE4F6D8FD75810702000F3D:00000001FF 把解释后的数据当作十六进制来观察 1.每一行数据