81文章解读与程序——EI\CSCD\北大核心《基于ADMM算法的多微网协同优化调度》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

参考文档：

1.基于交替方向乘子法的多微电网能量共享方法研究[J].电网与清洁能源

2.基于ADMM算法的微电网多目标优化调度[J].电力科学与工程

主要内容:为了实现微网间的电能交易以及能量共享，采用ADMM方法，实现了微网之间的电能交易与协同优化，方法为分布式算法，有效的保护了各个微网的信息，避免了集中优化的大量信息索取。 对含有光伏、风机、柴油发电机以及微燃气轮机组成的微电网系统进行研究,建立了基于经济和环境双重目标的微电网优化模型,并使用遗传优化神经网络的方法来预测不可控电源的出力以及负荷的需求,将预测的数据代入模型,并使用交替方向乘子法(ADMM)进行求解。将此优化结果与多目标粒子群算法(MOPSO)以及多目标遗传算法(NSGA-Ⅱ)优化结果进行对比,结果表明,ADMM算法具有更高的收敛精度与收敛速度,所得的解决方案更好,验证了所提模型与算法的合理性。

​

​

部分代码展示：

function [P_wt_1,P_buy_1,P_batd_1,P_batc_1,P_sell_1,P_grid_1,P_bat_1,L_e_1,L_e0_1,E_co2_1,P_12,P_13,Obj_MG1]=xin1(P_21,P_31,lambda_12,lambda_e_13,rho)
%微网1
%% 决策变量
L_e=sdpvar(1,24); %需求响应后实际的负荷
P_cut=sdpvar(1,24); %可削减负荷
P_tran=sdpvar(1,24);%微网的可转移负荷
E_bat=sdpvar(1,24); %储能余量
P_batc=sdpvar(1,24);%储能的充电功率
P_batd=sdpvar(1,24); %储能的放电功率
U_abs=binvar(1,24);  %储能的放电状态位,取1时为放电,0为未放电
U_relea=binvar(1,24); %储能的充电状态位,取1时为充电,0为未充电
P_wt=sdpvar(1,24); %风力的实际出力值
P_buy=sdpvar(1,24);  %向外电网的购买的电功率
P_sell=sdpvar(1,24); %向外电网的售出的电功率
u_buy=binvar(1,24);  %向外电网购电的状态变量
u_sell=binvar(1,24); %向外电网售电的状态变量
P_12=sdpvar(1,24); %微网1向微网2交互的电功率
P_13=sdpvar(1,24); %微网1向微网3交互的电功率
%% 数据
L_e0=[1288.34000000000,1299.81000000000,1259.85000000000,1305.73000000000,1328.67000000000,1288.34000000000,1340.14000000000,1666.48000000000,1958.78000000000,2617.38000000000,2863.43000000000,3081.36000000000,3293,3327.41000000000,3344.80000000000,3132.79000000000,2886.37000000000,2634.40000000000,2285.12000000000,1970.25000000000,1603.58000000000,1277.24000000000,1271.32000000000,1259.85000000000]*0.7;%负荷 
Predict_wt=[1227,1194.21000000000,1076.49000000000,1053.27000000000,1030.32000000000,939.870000000000,897.750000000000,849.420000000000,878.850000000000,897.750000000000,912.600000000000,883.170000000000,895.590000000000,864,866.160000000000,929.340000000000,881.010000000000,838.890000000000,866.160000000000,943.920000000000,979.830000000000,986.040000000000,1181.52000000000,1240.65000000000];%风功率预测值
pri_buy=[0.488*ones(1,8),0.779*ones(1,1),1.241*ones(1,3),0.779*ones(1,5),1.241*ones(1,5),0.779*ones(1,1),0.448*ones(1,1)];
pri_sell=0.5*pri_buy;%与电网购售电价
M=1E8; %Big-M法中的大M
%% 约束条件
Constraints=[];
%需求响应
    Constraints=[Constraints,
       L_e==L_e0+P_cut+P_tran, %微网的电负荷功率平衡约束
       -0.15*L_e0<=P_cut<=0, %微网的可削减电功率上下限约束
       -0.15*L_e0<=P_tran<=0.15*L_e0, %微网的可转移电功率上下限约束
      sum(P_tran)==0,%转移的电负荷总量为0约束
      ];
%储能约束
Constraints=[Constraints,E_bat(1)==800,%1时段约束
   E_bat(2:24)==E_bat(1:23)+0.95*P_batc(2:24)-P_batd(2:24)/0.96,%储能容量变化约束
   500<=E_bat<=1800,%储电量上下限约束
    E_bat(24)==800,%始末状态守恒  
    0<=P_batc<=500,
    0<=P_batc<=U_abs*M,     
    0<=P_batd<=600,      
    0<=P_batd<=U_relea*M,%充放电功率上下限约束
    U_abs+U_relea<=1,%不允许出现同时充放电
    ];
%设备运行约束
    Constraints=[Constraints,
       0<=P_wt<=Predict_wt, %风力发电上下限约束
      ];
  %变量非负性等约束
    Constraints=[Constraints,
      0<=P_buy<=1800,0<=P_buy<=u_buy*M, %与外电网购电功率上下限约束
      0<=P_sell<=1800,0<=P_sell<=u_sell*M, %与外电网售电功率上下限约束
      u_buy+u_sell<=1, %避免出现同时购售电
      2000>=P_12>=-2000,2000>=P_13>=-2000,
      ];
%功率平衡约束
    Constraints=[Constraints,
       P_wt+P_buy+P_batd==P_batc+L_e+P_sell+P_12+P_13,
      ];
%碳交易部分
E_co2=1.08*sum(P_buy);%实际碳排放
E_0=0.798*sum(P_buy)+0.102*sum(P_wt);%碳排放配额
%% 目标函数
C_de=0.01*sum(P_batc+P_batd); %储能的充放电成本
C_e_cut=0.05*sum(abs(P_cut)); %可削减电负荷的补偿成本
C_sl=0.03*sum(abs(P_tran)); %可转移电负荷的补偿成本
C_tr=sum(pri_buy.*P_buy-pri_sell.*P_sell); %与外电网交易成本
C_co2=0.25*(E_co2-E_0); %系统的碳交易成本
Obj_MG1=C_de+C_e_cut+C_sl+C_tr+C_co2;    
Obj=Obj_MG1...
    +0.5*rho*(norm(P_12+P_21)^2)+sum(lambda_12.*(P_12+P_21))...
    +0.5*rho*(norm(P_13+P_31)^2)+sum(lambda_e_13.*(P_13+P_31));
%% 求解
    ops=sdpsettings('solver','cplex','verbose',0,'usex0',0);
    ops.cplex.mip.tolerances.mipgap=1e-6;
% ops=sdpsettings('solver','gurobi','verbose',0,'usex0',0);
% ops.gurobi.mipgap=1e-6;
result=solvesdp(Constraints,Obj,ops);
%% 导出数据
P_12=double(P_12);P_13=double(P_13);%交互功率
P_wt_1=double(P_wt);P_buy_1=double(P_buy);P_batd_1=double(P_batd);
P_batc_1=double(P_batc);L_e_1=double(L_e);L_e0_1=double(L_e0);P_sell_1=double(P_sell);P_grid_1=zeros(1,24);P_bat_1=zeros(1,24);
E_co2_1=double(E_co2);
Obj_MG1=double(Obj);
end

 效果展示：

81号资源-源程序：论文可在知网下载-基于ADMM算法的多微网协同优化调度-本人博客有解读资源-CSDN文库https://download.csdn.net/download/LIANG674027206/89146363

 👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆👆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