风光火储网综合能源系统优化调度Matlab实现-平芜编程栈

Matlab代码，风光火储网综合能源系统优化调度。包括热电厂热电机组(11台，电出力上下限受热出力的影响)、热电厂纯凝机组（4台）,储能，储热,电转热设备(考虑与风电、热电厂出力配合的启停策略）风电光伏等机组。考虑经济性指标，cplex求解

在能源领域，风光火储网综合能源系统优化调度是当下的热门话题，它旨在通过合理调配多种能源资源，实现能源利用的高效性与经济性。今天咱就聊聊如何用Matlab实现这一复杂系统的优化调度。

系统组成介绍

热电厂热电机组：咱这儿有11台热电机组，它们可有点特别，电出力的上下限会受热出力的影响。这就好比是“牵一发而动全身”，在编写代码时得特别考虑这种相互制约关系。
热电厂纯凝机组：4台纯凝机组，它们在系统里也有各自的角色，与其他机组协同工作。
储能与储热：储能设备能在电力过剩时储存电能，在电力短缺时释放，起到“削峰填谷”的作用。储热设备同理，平衡热能的供需。
电转热设备：这玩意儿得考虑与风电、热电厂出力配合的启停策略，它就像是一个桥梁，把电能和热能联系起来，让整个能源系统更加灵活。
风电光伏机组：清洁能源的代表，它们的出力依赖于自然条件，比如光照和风力，具有一定的随机性。

经济性指标与Cplex求解

为了让整个系统运行得“性价比”最高，我们要考虑经济性指标。这就需要通过优化算法来求解。这里我们选用Cplex，它是一款强大的优化求解器。

Matlab代码实现

1. 定义系统参数

% 热电厂热电机组参数 num_thermal_power_units = 11; % 假设热出力对电出力上下限的影响系数矩阵 heat_to_electricity_factor = rand(num_thermal_power_units, 2); % 下限系数在前，上限系数在后 % 热电厂纯凝机组参数 num_pure_condensing_units = 4; % 储能参数 storage_capacity = 100; % 假设储能容量 charging_efficiency = 0.9; discharging_efficiency = 0.9; % 储热参数 heat_storage_capacity = 200; heat_charging_efficiency = 0.8; heat_discharging_efficiency = 0.8; % 电转热设备参数 p2h_rating = 50; % 额定功率 % 风电光伏参数 wind_power_profile = rand(24, 1); % 假设24小时的风电功率曲线 solar_power_profile = rand(24, 1); % 假设24小时的光伏功率曲线

代码分析

在这部分代码里，我们先定义了各个设备的关键参数。比如热电机组的数量，以及它们热出力对电出力影响的系数矩阵。对于储能、储热设备，设定了容量、充放电效率等。风电和光伏则假设了24小时的功率曲线，虽然这里简单用随机数生成，但实际应用中需要根据真实数据或预测模型来确定。

2. 构建优化模型

% 引入Cplex求解器 import cplex.Cplex; c = Cplex; % 定义决策变量 % 热电机组电出力 thermal_power_output = c.newVar([1, num_thermal_power_units], 'C', 'Continuous'); % 纯凝机组电出力 pure_condensing_output = c.newVar([1, num_pure_condensing_units], 'C', 'Continuous'); % 储能充电功率 charging_power = c.newVar(1, 'C', 'Continuous'); % 储能放电功率 discharging_power = c.newVar(1, 'C', 'Continuous'); % 储热充电功率 heat_charging_power = c.newVar(1, 'C', 'Continuous'); % 储热放电功率 heat_discharging_power = c.newVar(1, 'C', 'Continuous'); % 电转热设备功率 p2h_power = c.newVar(1, 'C', 'Continuous'); % 风电和光伏实际出力 wind_power = c.newVar(1, 'C', 'Continuous'); solar_power = c.newVar(1, 'C', 'Continuous'); % 定义目标函数 - 经济性指标，假设成本与发电功率相关 objective = 0; for i = 1:num_thermal_power_units objective = objective + cost_per_unit_thermal * thermal_power_output(i); end for i = 1:num_pure_condensing_units objective = objective + cost_per_unit_pure_condensing * pure_condensing_output(i); end % 考虑储能和储热的成本 objective = objective + cost_per_unit_storage * (charging_power - discharging_power); objective = objective + cost_per_unit_heat_storage * (heat_charging_power - heat_discharging_power); % 考虑电转热成本 objective = objective + cost_per_unit_p2h * p2h_power; c.setObjective(objective, 'minimize'); % 约束条件 % 热电机组电出力上下限约束 for i = 1:num_thermal_power_units lower_limit = heat_to_electricity_factor(i, 1) * heat_output(i); upper_limit = heat_to_electricity_factor(i, 2) * heat_output(i); c.addRange(lower_limit, thermal_power_output(i), upper_limit); end % 功率平衡约束 total_electricity_demand = 100; % 假设总电力需求 c.addEq(wind_power + solar_power + sum(thermal_power_output) + sum(pure_condensing_output) + discharging_power - charging_power - p2h_power, total_electricity_demand); % 储能容量约束 c.addRange(0, charging_power, storage_capacity * charging_efficiency); c.addRange(0, discharging_power, storage_capacity / discharging_efficiency); % 储热容量约束 c.addRange(0, heat_charging_power, heat_storage_capacity * heat_charging_efficiency); c.addRange(0, heat_discharging_power, heat_storage_capacity / heat_discharging_efficiency); % 电转热设备功率约束 c.addRange(0, p2h_power, p2h_rating);

代码分析

这里我们开始构建优化模型。首先引入Cplex求解器，这是后续求解的关键。接着定义了各种决策变量，包括不同机组的出力、储能和储热的充放电功率等。目标函数以经济性为导向，将各类发电、储能等成本相加，力求最小化。约束条件部分，热电机组的电出力上下限根据之前定义的系数和热出力来约束。功率平衡约束保证了发电和用电的平衡。储能和储热容量约束确保它们在合理范围内充放电，电转热设备也有功率限制。

3. 求解与结果分析

% 求解模型 c.solve; % 获取结果 optimal_thermal_power_output = c.getValues(thermal_power_output); optimal_pure_condensing_output = c.getValues(pure_condensing_output); optimal_charging_power = c.getValues(charging_power); optimal_discharging_power = c.getValues(discharging_power); optimal_heat_charging_power = c.getValues(heat_charging_power); optimal_heat_discharging_power = c.getValues(heat_discharging_power); optimal_p2h_power = c.getValues(p2h_power); optimal_wind_power = c.getValues(wind_power); optimal_solar_power = c.getValues(solar_power); % 简单输出结果 fprintf('Optimal thermal power output of thermal power units: \n'); disp(optimal_thermal_power_output); fprintf('Optimal pure condensing output: \n'); disp(optimal_pure_condensing_output); fprintf('Optimal charging power of energy storage: %.2f\n', optimal_charging_power); fprintf('Optimal discharging power of energy storage: %.2f\n', optimal_discharging_power); fprintf('Optimal charging power of heat storage: %.2f\n', optimal_heat_charging_power); fprintf('Optimal discharging power of heat storage: %.2f\n', optimal_heat_discharging_power); fprintf('Optimal power of power - to - heat device: %.2f\n', optimal_p2h_power); fprintf('Optimal wind power output: %.2f\n', optimal_wind_power); fprintf('Optimal solar power output: %.2f\n', optimal_solar_power);