【直接发文】储能优化配置！基于多目标哈里斯鹰平抑风电波动的储能优化配置Matlab代码

✅作者简介热爱科研的Matlab仿真开发者擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。 关注我领取海量matlab电子书和数学建模资料个人信条格物致知,完整Matlab代码获取及仿真咨询内容私信。 内容介绍2023 年我国可再生能源发展势头迅猛新增装机容量高达 2.4 亿 kW在全球可再生能源新增装机容量中占比超过 50%。据预测到 2050 年我国风电、光伏年发电量有望占据全年总发电量的 63.6%。大力推动可再生能源发展对缓解资源枯竭与环境污染问题成效显著。然而可再生能源与生俱来的波动性与随机性给电力系统带来诸多挑战。大规模接入使得电力系统的结构与运行特性愈发复杂同时可再生能源装机规模与系统消纳能力之间的矛盾导致 “弃风、弃光” 现象屡见不鲜。随着未来风电逐步实现平价上网新能源电站配置储能或将面临更为严峻的经济压力。在此背景下深入开展适用于平抑风电波动的新能源电站储能配置方法研究显得尤为迫切。自适应网格多目标哈里斯鹰算法哈里斯鹰算法是一种源于仿生学的优化算法其灵感源自哈里斯鹰捕食猎物的行为。该算法将待优化问题具象为一组个体每个个体对应解空间中的一个潜在解。通过模拟哈里斯鹰捕食时的协同行为算法将个体划分为探索者与开发者两类。探索者负责在解空间中探寻潜在的最优解开发者则专注于在已知最优解的基础上进行深度优化。具体而言哈里斯鹰算法主要包含探索阶段与开发行为阶段。探索阶段探索阶段以群体智能为导向着重于全局搜索具有随机性与探索性的显著特点。在此阶段哈里斯鹰算法运用基于竞争的机制筛选个体其核心思路是个体间相互竞争以寻觅最优解。开发行为阶段开发行为阶段针对前一阶段筛选出的较优解展开进一步优化具备确定性与利用性的特征。此阶段哈里斯鹰算法借助基于协作的机制挑选个体即个体间相互协作共同对最优解进行优化。在这一过程中哈里斯鹰算法运用了四种不同的搜索策略策略 1侦察通过随机生成新解并计算其适应度挖掘新的潜在解。策略 2转移此策略旨在通过学习和借鉴优秀解实现对当前解的优化。策略 3随机游走借助随机生成的步长对解空间进行探索。策略 4局部搜索在当前解的邻近区域展开搜索。Pareto 最优解集寻找 Pareto 最优解集通常需通过多次评估候选解来达成。每次评估时多目标优化算法依据评估结果确定当前解的支配关系并据此更新候选解集合。若当前解未被其他解支配则将其纳入 Pareto 最优解集。通过反复执行此过程多目标优化算法能够获取一组 Pareto 最优解为决策者在权衡不同目标时提供丰富的决策方案。多目标哈里斯鹰储能配置步骤步骤 1明确储能配置问题的目标函数与约束条件。步骤 2初始化多目标哈里斯鹰算法的各项参数例如个体数、迭代次数、逃逸能量等。步骤 3设定哈里斯鹰个体的初始位置与速度。步骤 4依据目标函数与约束条件更新哈里斯鹰个体的位置与速度此为多目标哈里斯鹰储能配置算法中关键的位置和速度更新环节。步骤 5针对更新后的哈里斯鹰个体位置进行约束条件的检查与处理。若某个个体的位置不符合约束条件需对其进行调整。步骤 6在储能配置问题中运用自适应网格划分并组织解空间。将每个哈里斯鹰个体的位置映射至最近的网格点并标记该网格已被访问。若个体位置不符合约束条件则将其对应的网格标记为无效。依据个体位置的分布状况动态调整自适应网格的大小与分辨率。个体划分到网格后计算每个网格内个体的平均适应值选取具有最优适应值的网格作为当前网格最优位置。将当前网格最优位置与全局最优位置对比更新全局最优位置。最终依据全局最优位置得出优化问题的解。程序介绍本文运用模型预测控制手段平抑风电的出力波动构建了以系统平均日总成本最小以及储能配置容量最优为目标的储能容量配置模型。通过多目标哈里斯鹰优化算法对该模型进行求解成功获取经济性最优的储能系统容量配置方案。程序内算例丰富详实注释清晰明了内容干货满满具备高度的创新性与可扩展性为撰写高水平学术论文提供了有力支撑。接下来将对程序展开简要介绍。⛳️ 运行结果 部分代码Pwxlsread(数据.xlsx,B2:B102); %预测风电 Psxlsread(数据.xlsx,C2:C102); %实际风电 global t global Pamax Pamax8.6;Eamax36.8;Ea0Eamax*0.5; for kt:1:t5 %因为模型预测控制步长为5所以这里多跑5个值给模型预测控制用 %这里开始是预测误差补偿 Pw1(k)(10.1)*Pw(k);%划分预测误差上下限正负10% Pw2(k)(1-0.1)*Pw(k); if Ps(k)Pw1(k)%超出上边界 D(k) m[D(k) Pamax Eamax*0.9-Ea0]; Pa(k)min(m);%储能充电 elseif Ps(k)abs(D(k)) Pamax Ea0-Eamax*0.1]; Pa(k)-min(n);%储能放电 Pa(k)0;%在偏差允许范围内不动作 Psy(k)Ps(k)-Pa(k);%补偿预测后的风电功率 m[D(k) Pamax Eamax*0.9-Ea(k-1)];%跟上面一样只是把Ea0换为Ea(k-1) Pa(k)min(m);elseif Ps(k)global y0global y01 global rglobal Ees global SOC1 SOC1(t)SOC(t); U[Pamax;100;0.9;Pamax;100;0.9;Pamax;100;0.9;Pamax;100;0.9;Pamax;100;0.9]; L[-Pamax;0;0.1; -Pamax;0;0.1;-Pamax;0;0.1;-Pamax;0;0.1;-Pamax;0;0.1]; f(y)y(1)^2y(4)^2y(7)^2y(10)^2y(13)^2(y(3)-0.5)^2(y(6)-0.5)^2(y(9)-0.5)^2(y(12)-0.5)^2(y(15)-0.5)^2; options optimoptions(fmincon,MaxFunctionEvaluations,10000); y fmincon(f,zeros(15,1), [],[],[],[],L,U, Y1, optimset(Display, off)); U(t)y(1);%储能平抑波动出力W1(t)y(2);%平抑后风电并网功率 Ea(t)Ea(t)Pa2(t);%更新平抑波动后储能剩 参考文献 往期回顾可以关注主页点击搜索