解析2024年电工杯A题：园区微电网风光储协调优化配置（完整代码分享）

电气小马

已于 2024-09-30 20:18:02 修改

阅读量390

点赞数 9

文章标签：数学建模 matlab

于 2024-09-30 19:52:40 首次发布

本文链接：https://blog.csdn.net/2301_79034515/article/details/142662859

版权

引言

2024年电工杯数学建模竞赛的A题聚焦于园区微电网的风光储协调优化配置问题。这一问题旨在通过数学建模和优化算法，提高风光发电在园区总发电量中的占比，同时减少因风光发电与负荷不匹配导致的弃电问题。本文将介绍题目背景、解题思路，并提供代码获取方式。

题目背景

园区微电网由风电、光伏发电和主电网联合供电。为了提高风光发电的利用率，需要配置适当的风光发电装机容量。然而，由于风光发电与负荷的时序不匹配，可能会产生弃电现象。储能系统的配置可以有效缓解这一问题，但考虑到电化学储能的成本，需要在投资与收益之间找到平衡点。

解题思路

问题一：独立运营储能配置方案

未配置储能的经济性分析：首先，我们需要分析在没有储能系统的情况下，各园区的购电量、弃风弃光电量、总供电成本和单位电量平均供电成本。这一步骤的关键在于理解风光发电与负荷的时序不匹配对经济性的影响。
配置储能的优化策略：在配置了储能系统后，我们需要制定储能的最优运行策略和购电计划，以改善园区的经济性。
储能配置的优化：最后，我们需要评估50kW/100kWh的储能配置是否为最优解，并提出可能的改进方案。
问题一第一小问与第二小问代码（第二问代码以A园区为例）：

```

%% 问题1-1
clear
clc
close all

%% 1.读取数据
data1 = xlsread('附件1：各园区典型日负荷数据.xlsx');
data2 = xlsread('附件2：各园区典型日风光发电数据.xlsx');

Pload = data1(:,2:4); % 各园区负荷数据
Ppv0 = [750,0,600]; % 各园区光伏装机容量
Pwt0 = [0,1000,500]; % 各园区风电装机
Ppv = [data2(:,2),zeros(24,1),data2(:,4)].*Ppv0; % 各园区光伏时序出力
Pwt = [zeros(24,1),data2(:,3),data2(:,5)].*Pwt0; % 各园区风电时序出力
price_buy = 1; % 主网购电价格为1元/kWh
price_pv = 0.4; % 光伏购电价格为0.4元/kWh
price_wt = 0.5; % 风电购电价格为0.5元/kWh

%% 2.经济性分析
Pdiff = Pload - (Ppv + Pwt); % 各园区的功率差额
P_buy = max(Pdiff, 0); % 各园区的电网购电量
pv_ab_c = Ppv(:,3) - Pload(:,3);
c_pv_ab = max(pv_ab_c, 0); % 园区C弃光量
c_wt_ab = max(Pwt(:,3) + pv_ab_c - c_pv_ab,0); % 园区C弃风量
P_all_loss = - min(Pdiff, 0);
P_loss = [P_all_loss(:,1),P_all_loss(:,2),c_pv_ab,c_wt_ab];
% 各园区的弃风弃光
C_buy = sum(P_buy)*price_buy; % 各园区电网购电成本
C_pv = sum([Ppv(:,1)-P_loss(:,1),zeros(24,1),Ppv(:,3)-c_pv_ab])*price_pv;
% 各园区光伏购电成本
C_wt = sum([zeros(24,1),Pwt(:,2)-P_loss(:,2),Pwt(:,3)-c_wt_ab])*price_wt;
% 各园区风电购电成本
C_total = C_buy + C_pv + C_wt; % 各园区总供电成本
P_grossbuy = sum(Pload); % 各园区总购电量
dC = C_total./ P_grossbuy; % 各园区单位电量平均供电成本

%% 3.输出结果
disp(['A园区的总购电量为：',num2str(P_grossbuy(1)), 'kW，总弃光量为：',num2str(sum(P_loss(:,1))), 'kW，总供电成本为：',num2str(C_total(1)), '元，单位电量平均供电成本：',num2str(dC(1)), '元/kWh'])
disp(['B园区的总购电量为：',num2str(P_grossbuy(2)), 'kW，总弃风量为：',num2str(sum(P_loss(:,2))), 'kW，总供电成本为：',num2str(C_total(2)), '元，单位电量平均供电成本：',num2str(dC(2)), '元/kWh'])
disp(['C园区的总购电量为：',num2str(P_grossbuy(3)), 'kW，总弃光量为：',num2str(sum(P_loss(:,3))), 'kW，总弃风量为：',num2str(sum(P_loss(:,4))), 'kW，总供电成本为：',num2str(C_total(3)), '元，单位电量平均供电成本：',num2str(dC(3)), '元/kWh'])

%% 4.图形分析
figure
ax1 = subplot(2,1,1);
bar( [ Ppv(:,1)-P_loss(:,1) ],'stacked' )
xlabel('时间/h')
ylabel('功率/kW')
legend('光伏购电')
title('A园区功率平衡分析')
subplot(2,1,2);
bar( [ P_buy(:,1) ],'stacked' )
xlabel('时间/h')
ylabel('功率/kW')
legend('电网购电')

figure
ax1 = subplot(2,1,1);
bar( [ Pwt(:,2)-P_loss(:,2) ],'stacked' )
xlabel('时间/h')
ylabel('功率/kW')
legend('风电购电')
title('B园区功率平衡分析')
subplot(2,1,2);
bar( [ P_buy(:,2) ],'stacked' )
xlabel('时间/h')
ylabel('功率/kW')
legend('电网购电')

figure
ax1 = subplot(3,1,1);
bar( [ Ppv(:,3)-P_loss(:,3) ],'stacked' )
xlabel('时间/h')
ylabel('功率/kW')
legend('光伏购电')
title('C园区功率平衡分析')
subplot(3,1,2);
bar( [ Pwt(:,3)-P_loss(:,4) ],'stacked' )
xlabel('时间/h')
ylabel('功率/kW')
legend('风电购电')

subplot(3,1,3);
bar( [ P_buy(:,3) ],'stacked' )
xlabel('时间/h')
ylabel('功率/kW')
legend('电网购电')

%% 问题1-2
clear
clc
close all
% 1.读取数据
data1 = xlsread('D:\研究生\研一\研一文件\电工建模竞赛\附件1：各园区典型日负荷数据.xlsx');
data2 = xlsread('D:\研究生\研一\研一文件\电工建模竞赛\附件2：各园区典型日风光发电数据.xlsx');

Pload = data1(:,2:4); % 各园区负荷数据
Psolar0 = [750,0,600]; % 各园区光伏装机容量
Pwind0 = [0,1000,500]; % 各园区风电装机容量
Psolar = [data2(:,2),zeros(24,1),data2(:,4)].*Psolar0; % 各园区光伏时序出力
Pwind = [zeros(24,1),data2(:,3),data2(:,5)].*Pwind0; % 各园区风电时序出力
price_grid = 1; % 主网购电价格为1元/kWh
price_solar = 0.4; % 光伏购电价格为0.4元/kWh
price_wind = 0.5; % 风电购电价格为0.5元/kWh

T = 24; % 时间步数
n = 3; % 园区数量
eta_charge = 0.95; % 储能充电效率
eta_discharge = 0.95; % 储能放电效率
SOC_min = 0.1; % 储能最小允许状态
SOC_max = 0.9; % 储能最大允许状态
P_batt_max = 50; % 储能最大充放电功率 (kW)
E_batt_max = 100; % 储能容量(kWh)
C_batt_power = 800; % 储能功率单价 (元/kW)
C_batt_energy = 1800; % 储能能量单价 (元/kWh)
%% 园区A
%决策变量
Pgrid_A = sdpvar(24,1); %电网购电功率
Psolar_A = sdpvar(24,1); %光伏购电功率
Pcharge_A = sdpvar(24,1); %储能充电功率
Pdischarge_A = sdpvar(24,1); %储能放电功率
Ebatt_A = sdpvar(25,1); %储能能量存储
charge_status = binvar(24,1); %充电状态二进制变量
discharge_status = binvar(24,1); %放电状态二进制变量

%目标函数：最小化总成本
C_grid_A = sum(Pgrid_A) * price_grid; %电网购电总成本
C_solar_A = sum(Psolar_A) * price_solar; %光伏购电总成本
C_total_A = C_grid_A + C_solar_A + ( 50*800+100*1800 ) / 365 / 10;
%园区总购电成本

%约束条件
con = [];
con = [con, Pgrid_A + Psolar_A + Pdischarge_A == Pcharge_A + Pload(:,1)];
%功率平衡
con = [con, 0 <= Pgrid_A]; %电网购电量非负
con = [con, 0 <= Psolar_A <= Psolar(:,1)]; %光伏购电量非负且不超过光伏出力
con = [con, 0 <= Pcharge_A <= P_batt_max]; %储能充电功率限制
con = [con, 0 <= Pdischarge_A <= P_batt_max]; %储能放电功率限制

con = [con, SOC_min*E_batt_max <= Ebatt_A <= SOC_max*E_batt_max];
%储能容量限制

con = [con, Ebatt_A(1) == 0.5*E_batt_max]; %储能第一时段容量
con = [con, Ebatt_A(25) == 0.5*E_batt_max]; %储能下一天第一时段容量

for i = 1:T
con = [con, Ebatt_A(i+1) == Ebatt_A(i) + (Pcharge_A(i) * eta_charge - Pdischarge_A(i) / eta_discharge) ];
end
con = [con, 0 <= Pcharge_A <= P_batt_max .* charge_status]; % 充电功率与充电状态关联
con = [con, 0 <= Pdischarge_A <= P_batt_max .* discharge_status]; % 放电功率与放电状态关联
con = [con, 0 <= charge_status + discharge_status <= 1]; % 充电和放电不能同时进行
% 3.求解优化问题
options = sdpsettings('solver', 'cplex');
sol = optimize(con, C_total_A, options);
% 4.结果分析
if sol.problem == 0
% 成功求解
Pgrid_A = value(Pgrid_A);
Psolar_A = value(Psolar_A);
Pcharge_A = value(Pcharge_A);
Pdischarge_A = value(Pdischarge_A);
Ebatt_A = value(Ebatt_A);
else
disp('无法求解');
end
% 5.图形分析
figure
ax1 = subplot(3,1,1);
bar( [ Psolar_A ],'stacked' )
xlabel('时间/h')
ylabel('功率/kW')
legend('光伏购电')
title('A园区功率平衡分析')
subplot(3,1,2);
bar( [ Pgrid_A ],'stacked' )
xlabel('时间/h')
ylabel('功率/kW')
legend('电网购电')

subplot(3,1,3);
bar( [ Pdischarge_A-Pcharge_A ],'stacked' )
xlabel('时间/h')
ylabel('功率/kW')
legend('储能充放电')

% 6.经济性分析
P_solarloss_A = sum(Psolar(:,1)) - sum(Psolar_A); %弃光电量
Pgrid__A = sum(Pgrid_A); %电网购电量
Psolar__A = sum(Psolar_A); %光伏购电量
P_gross_A = Pgrid__A + Psolar__A; %总购电量
C_total_A = Pgrid__A * price_grid + Psolar__A * price_solar; %总供电成本
dC_A = C_total_A./ P_gross_A; %单位电量平均供电成本