Trans论文复现：基于模型预测控制的微网两阶段储能优化调度程序代码！~

少喝冰美式

于 2024-10-10 14:14:08 发布

阅读量147

点赞数 2

文章标签：人工智能自然语言处理计算机技术 LLM 大语言模型大模型 transformer

本文链接：https://blog.csdn.net/python12222_/article/details/142820347

版权

简介

本程序主要参考trans期刊论文《A Two-layer Energy Management System for Microgrids with Hybrid Energy Storage considering Degradation Costs》，文中包含模型预测控制算法，微电网优化调度模型，储能优化调度和损耗成本模型，下面对文章和程序作简要介绍。

提出了一种由电池和超级电容器组成的混合ESS微电网双层预测能量管理系统。结合混合ESS在充电深度和寿命方面的退化成本，对电池和超级电容器的长期成本进行建模，并将其转化为与实时操作相关的短期成本。为了在最低运行成本下保持较高的系统鲁棒性，提出了一种分层调度模型来确定短时间范围内微电网的调度出力，其中上层EMS使总运行成本最小化，下层EMS消除了预测误差引起的波动。算例结果表明，不同类型的储能器可以在两个控制层用于多个决策目标。包含不同定价方案、预测范围长度和预测精度的场景也证明了所提出的EMS结构的有效性。

程序组成：程序文件包含多个文件夹，复现过程非常详细，注释清晰易于理解！

部分结果

限于篇幅，还有部分结果没有列出！！

部分代码

%% Start iteration: first layer
fst.mpciter = 0; % Iteration index
while( fst.mpciter < fst.iter )
fst.load = mpcdata.load(fst.mpciter+1:fst.mpciter+fst.horizon,:);
fst.PV = mpcdata.PV(fst.mpciter+1:fst.mpciter+fst.horizon,:);
fst.wind = mpcdata.wind(fst.mpciter+1:fst.mpciter+fst.horizon,:);
fst.price = mpcdata.price(fst.mpciter+1:fst.mpciter+fst.horizon,:);
if snd.flag == 0 % initial state of supercap
for i = 1:1:snd.from_fst %take care the value of MPCITER
snd.load_all = [snd.load_all ; repmat(mpcdata.load(fst.mpciter+i),
snd.iter,1)];snd.price_all = [snd.price_all;repmat(mpcdata.price(fst.mpciter+i), snd.iter,1)];
snd.u0_ref = [snd.u0_ref, repmat([ fst.u_dyn(:,i);0],1,snd.iter)]; % reference of variables in snd layer  
%% Start iteration: second layer
snd.mpciter = 0; %iteration Index 
snd.option = options;
while (snd.mpciter < snd.iter)
[snd.f_dyn, snd.x_dyn, snd.u_dyn] = snd_mpc( snd, snd_output_data );
%Next iteration:
snd.u0 = shiftHorizon(snd.u_dyn); %Estimated control variablessnd.xmeasure = snd.x_dyn(2,:);
snd.mpciter = snd.mpciter+1
snd.x = [ snd.x; snd.x_dyn(1,:) ];
snd.u = [ snd.u; snd.u_dyn(:,1)' ];