MATLB|电动汽车两阶段优化调度策略（Matlab代码实现）
目录
1 概述
2 数学模型
3 运行结果
4 Matlab代码实现
5 结论
6 全文阅读
1 概述
在当前阶段,电动汽车通常被视为即插即充的常规负荷,这浪费了其可观的储荷能力"。研究表明,非快充需求的电动汽车停靠时间远大于其充电时间[2,因此可通过充电站管理电动汽车的充放
电功率,使电动汽车能作为灵活负荷参与电力零售市场投标l3'。而评估电动汽车集群的可调度潜力,直接影响了投标决策的可行性和灵活性4。因此,研究电动汽车集群可调度潜力的计算方法及相应的市场投标策略具有重要的意义。电动汽车的可调度潜力尚未有明确的定义。
一些学者将其定义为电动汽车参与电力系统运行调控时的动态能量平衡能力[5~7],另有学者则将其定义为电动汽车在价格激励下的充放电功率响应特性。例如文献[9]提出电动汽车是一种移动储能资源,并考虑其时空分布特性建立了有序充电模型。然而在当前预测水平下,电动汽车的空间分布难以准确估计,因此本文仅研究充电站内电动汽车的可调度潜力。可调度潜力的计算方法主要分为模型驱动方法[10-11l和数据驱动方法[12-13]。其中,模型驱动方法主要基于数学建模思想推演在多种因素影响下电动汽车的用能行为,但由于异质性问题的存在,模型驱动方法容易产生先验错误。数据驱动方法主要利用数据挖掘和统计学方法预测充放电功率曲线。然而电动汽车的可调度潜力并非是一组确定的充放电功率向量,而是所有可能的充放电决策构成的包络空间,现有的数据驱动方法未能考虑变量间隐含的约束关系,由此得到的调度计划可能难以实现。
2 数学模型
详细数学模型及求解见全文阅读。
3 运行结果
4 Matlab代码实现
%%%完全竞争市场%%%
%%%价格接受者%%%
%%%日前调度，价格采用联合(独立)报价模式下的出清价格%%%
clear
clc
%决策变量
Pch=sdpvar(4,96);%各充电站充电电量
Pdis=sdpvar(4,96);%各充电站放电电量
S=sdpvar(4,96);%广义储能设备电量
%基本参数
load data_potential_DA
Pchmax=[Forecast_CS1(1,1:96);Forecast_CS2(1,1:96);Forecast_CS3(1,1:96);Forecast_CS4(1,1:96)];%充电站充电报量上限
Pdismax=[Forecast_CS1(2,1:96);Forecast_CS2(2,1:96);Forecast_CS3(2,1:96);Forecast_CS4(2,1:96)];%充电站放电报量上限
Smin=[Forecast_CS1(3,1:96);Forecast_CS2(3,1:96);Forecast_CS3(3,1:96);Forecast_CS4(3,1:96)];%充电站电量下限;
Smax=[Forecast_CS1(4,1:96);Forecast_CS2(4,1:96);Forecast_CS3(4,1:96);Forecast_CS4(4,1:96)];%充电站电量上限;
deltaS=[Forecast_CS1(5,1:96);Forecast_CS2(5,1:96);Forecast_CS3(5,1:96);Forecast_CS4(5,1:96)];%充电站电量变化量;
lastS=[Forecast_CS1(5,97);Forecast_CS2(5,97);Forecast_CS3(5,97);Forecast_CS4(5,97)];%第96个时段必须完成的充电量
price=[1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1,1,1,1,0.900000000000000,1,0.900000000000000,0.900000000000000,1,1,1,1,1,1,1,1,1,1,1,1,0.900000000000000,0.900000000000000,0.900000000000000,0.900000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.700000000000000,0.700000000000000,0.700000000000000,0.700000000000000,0.500000000000000,0.500000000000000,0.500000000000000,0.500000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.500000000000000,0.500000000000000,0.500000000000000,0.500000000000000,0.700000000000000,0.700000000000000,0.700000000000000,0.700000000000000,0.900000000000000,0.900000000000000,0.900000000000000,0.900000000000000];%约束条件
Constraints=[0<=Pch<=Pchmax,0<=Pdis<=Pdismax,Smin<=S<=Smax,S(:,1)==0.25*0.95*Pch(:,1)-0.25*Pdis(:,1)/0.95+deltaS(:,1),S(:,2:96)==S(:,1:95)+0.25*0.95*Pch(:,2:96)-0.25*Pdis(:,2:96)/0.95+deltaS(:,2:96),0==S(:,96)+lastS];%充电站约束
%目标函数
Obj=sum(0.25*(Pch-Pdis)*price');%充电站各自目标
%求解模型
ops=sdpsettings('solver','gurobi','gurobi.OptimalityTol',1e-8,'gurobi.FeasibilityTol',1e-8,'gurobi.IntFeasTol',1e-8);
ops.gurobi.MIPGap=1e-8;
solvesdp(Constraints,Obj,ops);
result_DA_pricetaken.Pch=double(Pch);
result_DA_pricetaken.Pdis=double(Pdis);
result_DA_pricetaken.S=double(S);
save('result_DA_pricetaken','result_DA_pricetaken');
%%%完全竞争市场%%%
%%%价格接受者%%%
%%%日前调度，价格采用联合(独立)报价模式下的出清价格%%%
clear
clc
%决策变量
Pch=sdpvar(4,96);%各充电站充电电量
Pdis=sdpvar(4,96);%各充电站放电电量
S=sdpvar(4,96);%广义储能设备电量
%基本参数
load data_potential_DA
Pchmax=[Forecast_CS1(1,1:96);Forecast_CS2(1,1:96);Forecast_CS3(1,1:96);Forecast_CS4(1,1:96)];%充电站充电报量上限
Pdismax=[Forecast_CS1(2,1:96);Forecast_CS2(2,1:96);Forecast_CS3(2,1:96);Forecast_CS4(2,1:96)];%充电站放电报量上限
Smin=[Forecast_CS1(3,1:96);Forecast_CS2(3,1:96);Forecast_CS3(3,1:96);Forecast_CS4(3,1:96)];%充电站电量下限;
Smax=[Forecast_CS1(4,1:96);Forecast_CS2(4,1:96);Forecast_CS3(4,1:96);Forecast_CS4(4,1:96)];%充电站电量上限;
deltaS=[Forecast_CS1(5,1:96);Forecast_CS2(5,1:96);Forecast_CS3(5,1:96);Forecast_CS4(5,1:96)];%充电站电量变化量;
lastS=[Forecast_CS1(5,97);Forecast_CS2(5,97);Forecast_CS3(5,97);Forecast_CS4(5,97)];%第96个时段必须完成的充电量
price=[1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1,1,1,1,0.900000000000000,1,0.900000000000000,0.900000000000000,1,1,1,1,1,1,1,1,1,1,1,1,0.900000000000000,0.900000000000000,0.900000000000000,0.900000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.700000000000000,0.700000000000000,0.700000000000000,0.700000000000000,0.500000000000000,0.500000000000000,0.500000000000000,0.500000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.500000000000000,0.500000000000000,0.500000000000000,0.500000000000000,0.700000000000000,0.700000000000000,0.700000000000000,0.700000000000000,0.900000000000000,0.900000000000000,0.900000000000000,0.900000000000000];
%约束条件
Constraints=[0<=Pch<=Pchmax,0<=Pdis<=Pdismax,Smin<=S<=Smax,S(:,1)==0.25*0.95*Pch(:,1)-0.25*Pdis(:,1)/0.95+deltaS(:,1),
S(:,2:96)==S(:,1:95)+0.25*0.95*Pch(:,2:96)-0.25*Pdis(:,2:96)/0.95+deltaS(:,2:96),
0==S(:,96)+lastS];%充电站约束
%目标函数
Obj=sum(0.25*(Pch-Pdis)*price');%充电站各自目标
%求解模型
ops=sdpsettings('solver','gurobi','gurobi.OptimalityTol',1e-8,'gurobi.FeasibilityTol',1e-8,'gurobi.IntFeasTol',1e-8);
ops.gurobi.MIPGap=1e-8;
solvesdp(Constraints,Obj,ops);
result_DA_pricetaken.Pch=double(Pch);
result_DA_pricetaken.Pdis=double(Pdis);
result_DA_pricetaken.S=double(S);
save('result_DA_pricetaken','result_DA_pricetaken');
%%%完全竞争市场%%%
%%%价格接受者%%%
%%%日前调度，价格采用联合(独立)报价模式下的出清价格%%%
clear
clc
%决策变量
Pch=sdpvar(4,96);%各充电站充电电量
Pdis=sdpvar(4,96);%各充电站放电电量
S=sdpvar(4,96);%广义储能设备电量
%基本参数
load data_potential_DA
Pchmax=[Forecast_CS1(1,1:96);Forecast_CS2(1,1:96);Forecast_CS3(1,1:96);Forecast_CS4(1,1:96)];%充电站充电报量上限
Pdismax=[Forecast_CS1(2,1:96);Forecast_CS2(2,1:96);Forecast_CS3(2,1:96);Forecast_CS4(2,1:96)];%充电站放电报量上限
Smin=[Forecast_CS1(3,1:96);Forecast_CS2(3,1:96);Forecast_CS3(3,1:96);Forecast_CS4(3,1:96)];%充电站电量下限;
Smax=[Forecast_CS1(4,1:96);Forecast_CS2(4,1:96);Forecast_CS3(4,1:96);Forecast_CS4(4,1:96)];%充电站电量上限;
deltaS=[Forecast_CS1(5,1:96);Forecast_CS2(5,1:96);Forecast_CS3(5,1:96);Forecast_CS4(5,1:96)];%充电站电量变化量;
lastS=[Forecast_CS1(5,97);Forecast_CS2(5,97);Forecast_CS3(5,97);Forecast_CS4(5,97)];%第96个时段必须完成的充电量
price=[1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1.10000000000000,1,1,1,1,0.900000000000000,1,0.900000000000000,0.900000000000000,1,1,1,1,1,1,1,1,1,1,1,1,0.900000000000000,0.900000000000000,0.900000000000000,0.900000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.800000000000000,0.700000000000000,0.700000000000000,0.700000000000000,0.700000000000000,0.500000000000000,0.500000000000000,0.500000000000000,0.500000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.400000000000000,0.500000000000000,0.500000000000000,0.500000000000000,0.500000000000000,0.700000000000000,0.700000000000000,0.700000000000000,0.700000000000000,0.900000000000000,0.900000000000000,0.900000000000000,0.900000000000000];
%约束条件
Constraints=[0<=Pch<=Pchmax,0<=Pdis<=Pdismax,Smin<=S<=Smax,S(:,1)==0.25*0.95*Pch(:,1)-0.25*Pdis(:,1)/0.95+deltaS(:,1),
S(:,2:96)==S(:,1:95)+0.25*0.95*Pch(:,2:96)-0.25*Pdis(:,2:96)/0.95+deltaS(:,2:96),
0==S(:,96)+lastS];%充电站约束
%目标函数
Obj=sum(0.25*(Pch-Pdis)*price');%充电站各自目标
%求解模型
ops=sdpsettings('solver','gurobi','gurobi.OptimalityTol',1e-8,'gurobi.FeasibilityTol',1e-8,'gurobi.IntFeasTol',1e-8);
ops.gurobi.MIPGap=1e-8;
solvesdp(Constraints,Obj,ops);
result_DA_pricetaken.Pch=double(Pch);
result_DA_pricetaken.Pdis=double(Pdis);
result_DA_pricetaken.S=double(S);
save('result_DA_pricetaken','result_DA_pricetaken');
完整代码：电动汽车两阶段优化调度策略
5 结论
本文基于闵可夫斯基求和提出J电M个A多叶可调度潜力的计算万法以及允电消)义H能以声比建模方法。同时比较」独辽投仍候八队B由J六式、价格接受模式和集中调度模式在两阶段电力零
售市场中的表现,得到了以下结论。
1)闵可夫斯基求和能够将电刭汽十养t心凤河广义储能设备,降低了模型的维度但1休田J文量 的约束关系,能保证充电站允以电划Hy1E 可靠性。
2)两阶段市场投标模式能够在保证充电站电能需求的同时发挥充电站的市场力,同时能通过价
格信号实现不同充电站之间的协调互济,实现市场主体的共赢。
3)独立投标模式缺乏协调性,导致了额外的电能费用。联合投标模式虽然能够进一步提高充电站整体的收益,但需要设计公平的利益分配机制以确保各主体的均衡,避免联盟关系的破裂。
今后的研究将会进一步考虑日前市场与实时市场的联动,在日前电力市场投标中考虑实时现货电价的不确定性,建立更具鲁棒性的两阶段市场策略投标模型。
6 全文阅读
MATLB|电动汽车两阶段优化调度策略（Matlab代码实现）相关推荐
- 面向削峰填谷的电动汽车多目标优化调度策略——附代码
目录 摘要: 背景介绍: 考虑V2G的电动汽车充放电模型(无非凸约束) 基于负荷实时变化的分时电价模型 充放电优化调度目标函数 (1)综合负荷成本以及电动汽车电池退化损耗成本 (2)综合负荷峰谷差和波 ...
- 开源代码分享(10)—基于ADMM算法的电动汽车群体充电优化(附matlab代码)
1.引言 电动汽车是汽车行业中快速增长的市场.此外,广泛使用可再生能源来驱动电动汽车使其具备可持续性,并且温室气体排放极低.因此,服务提供商正在转向使用电动车队推广环境可持续性.然而,与传统车辆不同, ...
- 【优化求解】基于遗传算法求解电动汽车充电管理优化问题Matlab代码
1 简介 在现有的电池技术和充电条件下,快换式充电站成为国内纯电动公交最主要的能量补给摸式.针对电池组充电电费过高和增加配电网峰谷差的问题,以及换电站内快换工位和备用电池空闲的情况,在保证车辆正常运营 ...
- 面向削峰填谷的电动汽车多目标优化调度策略 代码主要实现了考虑电动汽车参与削峰填谷的场景下，电动汽车充放电策略的优化，是一个多目标优化
MATLAB代码:面向削峰填谷的电动汽车多目标优化调度策略 关键词:电动汽车 削峰填谷 多目标 充放电优化 仿真平台:MATLAB YALMIP+CPLEX 主要内容:代码主要实现了考虑电动汽车参与削 ...
- 含分布式电源的配电网日前两阶段优化调度模型
(1)含分布式电源的配电网日前两阶段优化调度模型,EI,如图1-3 matlab源代码,高水平文章,保证正确,可先发您文章看是否满足您的要求 在电力市场环境下,供电公司通过对接入配电网的分布式电源(d ...
- 综合能源系统优化 数据来源《考虑需求响应的社区综合能源系统两阶段优化调度_刘蓉晖》
综合能源系统优化 数据来源<考虑需求响应的社区综合能源系统两阶段优化调度_刘蓉晖> %% 风电+储能+电网交易+燃气轮机+燃气锅炉+电制冷机+(%燃料电池FC+溴化锂制冷机LBR+余热锅炉 ...
- 不了解单纯形法的两阶段法的matlab实现？看这篇就够了
文章目录 前言 一.单纯形法表格 1.1可立即读出最优解和最优值的表格具备的特点 二.两阶段--单纯形法的步骤(流程图) 三.两阶段--单纯形法的matlab实现 3.1 两阶段--单纯形法matla ...
- 含分布式电源的配电网日前两阶段调度模型matlab程序（粒子群算法）
含分布式电源的配电网日前两阶段调度模型matlab程序(粒子群算法) 参考文献:含分布式电源的配电网日前两阶段优化调度模型 摘要:在电力市场环境下,供电公司通过对接入配电网的分布式电源(distrib ...
- 基于粒子群PSO算法的风光发电与电动汽车充放电协同优化调度matlab程序_电动汽车v2g
V2G模型 基于粒子群PSO算法的风光发电与电动汽车充放电协同优化调度matlab程序_电动汽车v2g 1.针对大规模电动汽车无序接入电网给电力系统带来的负荷压力问题,提出一种含不确定性电源的电动汽车 ...
最新文章
- 内核aio_AIO 的主要内核参数 | 学步园
- 周鸿祎的“加法”和“减法”
- ibatis spring框架升级到5.x_Java SSM框架常见面试题，良心整理，
- QQ病毒越来越人性化了
- 剑网服务器维护,12月31日服务器例行维护公告
- linux 开机logo制作工具,linux开机logo制作
- 手机上好用的java编译器_手机上好用的java编译器
- 外网打点（信息收集）
- django 中的聚合和分组 F查询 Q查询 事务cookies和sessions 066
- java怎么没有jmf包_java JMF
- 压缩视频文件怎么压缩最小？
- seo推广绩效考核指标是什么(新媒体运营的绩效考核指标)
- 电脑影响,重装系统对电脑有什么影响,教您经常重装系统对电脑有什么影响
- 分布式技术(下)-RedisFastDFSRabbitMQ
- 夯实Java基础（面向对象）
- Postgre的基本使用
- 低轨卫星通信系统波束成形算法
- 崔尚森《web开发技术》复习提纲
- 怎样对已经装好系统的电脑进行分区
- 多边形分割成若干凸多边形（NavMesh的初步形成）