79文章解读与程序——EI\CSCD\北大核心《考虑寿命损耗的微网电池储能容量优化配置》已提供下载资源

👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆下载资源链接👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆

《《《《《《《《更多资源还请持续关注本专栏》》》》》》》

论文与完整源程序_电网论文源程序的博客-CSDN博客https://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

论文可参考：

考虑寿命损耗的微网电池储能容量优化配置

考虑电池储能寿命模型的发电计划优化

面向新能源发电柔性消纳的源储优化配置及运行控制研究

实时电价机制下交直流混合微网优化运行方法 主要内容：以购售电成本、燃料成本和储能寿命损耗成本三者之和为目标函数，创新考虑储能寿命损耗约束、放电深度约束和储能循环次数约束，程序增加三类负荷需求响应内容，之前参考该文献的两阶段鲁棒优化代码基于两阶段鲁棒优化的微网电源储能容量优化配置未考虑储能寿命损耗部分，本次突出该部分内容，建立计及电池储能寿命损耗的微电网经济调度模型。

部分代码展示：

%不计电池储能寿命损耗的微电网经济调度+三类需求侧响应
clear all;warning off;
ee_bat_int=300;%电池储能的容量
p_wt_int=200;%风机
p_pv_int=100;%光伏
p_g_int=200;%
p_g_min=10;%燃气轮机出力下限
p_m_max=500;%联络线功率上限
p_bat_int=ee_bat_int*0.21;%假设储能的功率上限和容量上限有比值关系

ee0=0.55*ee_bat_int; %储能初始电量
eta=0.95;%储能充放电效率
mm=100000;%一个极大正实数
k_suo=1/1;%缩减系数
c_bat_int=3320/3*k_suo;%缩减储能单位成本为3320/3,乘上了缩减系数

c_wt_om=0.0296;c_pv_om=0.0096;c_g_om=0.059;c_bat_om=0.009;%运维成本系数
c_fuel=0.6;%燃料成本系数

%决策变量
p_ch=sdpvar(24,1);p_dis=sdpvar(24,1);ee=sdpvar(24,1);
uu_bat=binvar(24,1);uu_m=binvar(24,1);
p_buy=sdpvar(24,1);p_sell=sdpvar(24,1);
p_g=sdpvar(24,1);

%风光出力和电价（以春季典型日为例）
p_l=xlsread('四个典型日数据.xlsx','0%','B3:B26')*900;
p_wt=xlsread('四个典型日数据.xlsx','0%','H3:H26')*p_wt_int; 
p_pv=xlsread('四个典型日数据.xlsx','0%','N3:N26')*p_pv_int; 
price=xlsread('四个典型日数据.xlsx','电价','A2:A25');%分时电价

constraints=[];
%负荷响应模块
jz_pri=0.9.*ones(1,24);%基准电价
detapr=price'-jz_pri;%电价差
load=DR3(p_l',detapr,price');%负荷调整

%储能功率约束
for t=1:24
constraints=[constraints,0<=p_dis(t),p_dis(t)<=(1-uu_bat(t))*p_bat_int];%由于u_bat定义不同，所以公式和原文不同，1为充电，0为放电
constraints=[constraints,0<=p_ch(t),p_ch(t)<=uu_bat(t)*p_bat_int];
end
%soc约束
for t=1:24
constraints=[constraints,ee(t)==ee0+sum(eta*p_ch(1:t)-1/eta*p_dis(1:t))];
constraints=[constraints,0.1*ee_bat_int<=ee(t),ee(t)<=0.9*ee_bat_int];
end
%功率平衡约束
 for t=1:24
constraints=[constraints, p_pv(t)+p_wt(t)+p_dis(t)-p_ch(t)+p_buy(t)-p_sell(t)+p_g(t)==load(t)];
 end
  %购售电约束
for t=1:24
constraints=[constraints, 0<=p_buy(t),p_buy(t)<=uu_m(t)*p_m_max];
constraints=[constraints,0<=p_sell(t),p_sell(t)<=(1-uu_m(t))*p_m_max];%购电1，售电0
end
 %充放电量平衡约束
constraints=[constraints, ee0==ee(24)];
%微型燃气轮机出力约束
for t=1:24
constraints=[constraints,p_g_min<=p_g(t),p_g(t)<=p_g_int];
end
%爬坡约束
for t=2:24
 constraints=[constraints, -10<=(p_g(t)-p_g(t-1))<=10];
end

 %春季典型日
 obj_o=sum(price.*(p_buy(:,1)-p_sell(:,1)))+c_fuel*sum(p_g(:,1))+...%购售电成本和燃料成本
     sum(c_wt_om*p_wt(:,1))+sum(c_pv_om*p_pv(:,1))+sum(c_g_om*p_g(:,1))+sum(c_bat_om*p_dis(:,1))+sum(c_bat_om*p_ch(:,1));%运维成本
 
ops=sdpsettings('solver','cplex');
reuslt=optimize(constraints,obj_o,ops);

obj_o=double(obj_o);
p_ch=double(p_ch);p_dis=double(p_dis);p_buy=double(p_buy);p_sell=double(p_sell);p_g=double(p_g);
uu_bat=double(uu_bat);uu_m=double(uu_m);
ee=double(ee);

figure;
plot(value(p_ch)-value(p_dis),'b-*')
hold on
plot(value(p_g),'r-o')
plot(p_pv,'m->')
plot(p_wt,'c-p')
plot(value(p_buy-p_sell),'k--')
legend('储能出力','发电机出力','光伏','风电','购售电')
grid on
figure;
plot(load,'r-o')
hold on
plot(p_l,'b-*')
xlabel('时间（h）');ylabel('功率（kw）');
yyaxis right
plot(price)
legend('响应后负荷','响应前负荷','价格');
xlabel('时间（h）');ylabel('价格（元/kwh）');
grid on

效果展示：

79号资源-源程序：论文可在知网下载《考虑寿命损耗的微网电池储能容量优化配置》本人博客有解读资源-CSDN文库https://download.csdn.net/download/LIANG674027206/89139779 👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆下载资源链接👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆

《《《《《《《《更多资源还请持续关注本专栏》》》》》》》

论文与完整源程序_电网论文源程序的博客-CSDN博客https://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