基于非对称纳什谈判的多微网电能共享运行优化策略（Matlab代码实现）

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

1.1 基于 P2P 交易的多微网电能共享架构

1.2 含碳捕集和电转气的微电网模型  

📚2 运行结果

2.1 算法收敛性分析——子问题

2.3 多微网 P2P 电能交易优化结果分析

🎉3 参考文献

🌈4 Matlab代码、数据、文章讲解

---

💥1 概述

文献来源：

摘要：推进可再生能源高效利用，实现电力系统低碳化运行成为电力系统改革的重要方向。该文首先构建了包含电热气多能协同的微电网模型，考虑了含有碳配额和碳交易的优化运行机制，并在热电联产机组模型中改进加入了碳捕集系统和电转气装置，以降低碳排放。然后，基于纳什谈判理论建立了多微网电能共享合作运行模型，进而将其分解为微网联盟效益最大化子问题和合作收益分配子问题，选择交替方向乘子法分布式求解，从而有效保护各主体隐私。在合作收益分配子问题中，提出以非线性能量映射函数量化各参与主体贡献大小的非对称议价方法，各微网分别以其在合作中的电能贡献大小为议价能力相互谈判，以实现合作收益的公平分配。最后，仿真结果验证了所提方法的有效性。结果表明，通过所提的多微网电能共享方法，微网联盟收益实现最大化；并且，微网联盟的合作收益基于各微网的能量贡献大小实现了公平分配；在碳排放方面，结果证明了碳捕集联合电转气系统，以及微网间的能量共享方法，都能够有效减少微电网运行过程中的碳排放量。

关键词：

综合能源系统;电转气;碳捕集;P2P电能交易;非对称议价;低碳优化运行;

“十四五”是实现我国碳排放达峰的关键期，中央经济工作会议将“做好碳达峰、碳中和工作”列为

2021 年八项重点任务之一[1]。2021 年 7 月 16 日，全国碳排放权交易市场正式启动。推进可再生能源高效利用，实现电力系统能源供给低碳化清洁化[2]，将是今后重点研究方向之一。微电网作为各类分布式新能源接入电力系统和聚合产消者的重要形式，研究表明，微网之间的点对点(peer to peer，P2P)能源交易，可以有效提高新能源的本地消纳率，降低微电网的用电成本，减少对公用电网的依赖，并降低碳排放[3-4]。关于分布式主体之间P2P电能交易的研究可分为两个方向，一是通过区块链技术来促成产消者之间的商业化电能交易[5-6]。另一类研究则是利用博弈论方法来最大化 P2P 电能交易的收益[7-9]，本文研究即属于此类。多主体之间的能源交易博弈论方法可以分为两类：非合作博弈和合作博弈[10]。 在第一类中，总是根据产消者的能量剩余或不足将其分为对立的买方和卖方两类，往往通过 stackelberg 博弈以各自的个体成本最优为目标来相

互竞争，实现基于纳什均衡的最小能源成本[11-13]。 文献[11-12]中将多个社区微电网分为买方和卖方互相主从博弈；文献[13]则考虑综合能源系统中三方利益主体的 stackelberg 博弈优化方法。另一种基于竞价拍卖博弈[14-15]的方法，其优点是便于写入智能合约。非合作博弈中每个主体都被视为自私的且对立的，因而缺乏对整体利益的考虑。

1.1 基于 P2P 交易的多微网电能共享架构

1.2 含碳捕集和电转气的微电网模型  

📚2 运行结果

2.1 算法收敛性分析——子问题

原文图：

 复现结果图：

2.3 多微网 P2P 电能交易优化结果分析

原文图：

复现结果图：

 

 

 

部分代码：

%微网2(MG2)的分布式优化迭代模型
%% 决策变量初始化
L_e=sdpvar(1,24); %微网经过需求响应后实际的电负荷
L_h=sdpvar(1,24); %微网经过需求响应后实际的热负荷
P_e_cut=sdpvar(1,24);   %微网的可削减电负荷
P_e_tran=sdpvar(1,24);  %微网的可转移电负荷
P_h_DR=sdpvar(1,24);    %微网的可削减热负荷
E_bat=sdpvar(1,24);     %微网中的储电设备的储电余量
P_batc=sdpvar(1,24);    %储电设备的充电功率
P_batd=sdpvar(1,24);    %储电设备的放电功率
U_abs=binvar(1,24);     %储电设备的放电状态位,取1时为放电,0为未放电
U_relea=binvar(1,24);   %储电设备的充电状态位,取1时为充电,0为未充电
P_e_pv=sdpvar(1,24); %风力的实际出力值
P_e_GT=sdpvar(1,24); %燃气轮机的发电功率
P_h_GT=sdpvar(1,24); %燃气轮机的产热功率
P_h_GB=sdpvar(1,24); %余热锅炉的产热功率
P_buy=sdpvar(1,24);  %微网向外电网的购买的电功率
P_sell=sdpvar(1,24); %微网向外电网的售出的电功率
Gas_GT=sdpvar(1,24); %GT的耗气量
Gas_GB=sdpvar(1,24); %GB的耗气量
Gas=sdpvar(1,24);    %系统的总耗气量
%P2G+CCS
P_e1=sdpvar(1,24); %CHP的供电功率
P_e2=sdpvar(1,24); %CHP的供给P2G的功率
P_e3=sdpvar(1,24); %CHP的供给CCS的功率
P_h=sdpvar(1,24);  %CHP的输出热功率
P_gs=sdpvar(1,24); %P2G的产气功率
C_cc=sdpvar(1,24); %CCS的碳捕集量/P2G所用的二氧化碳量
%% 导入电/热负荷和电网购电电价
L_e0=[1774,1450,1296,1219,1095,1265,1481,1944,2484,2083,1651,1188,1080,1126,1033,1033,941,1450,2283,3148,3904,3719,2746,2453]*1.5; 
L_h0=[1610,1594,1594,1610,1633,1633,1286,1201,1117,1109,1648,1656,1664,1140,1124,1109,1286,1309,1302,1325,1479,1502,1340,1332]*1.5;
Predict_pv=[0,0,0,0,0,0,967,1287,1583,1833,1918,1942,2004,1957,1669,1076,655,0,0,0,0,0,0,0];
pri_e=[0.40*ones(1,7),0.75*ones(1,4),1.20*ones(1,3),0.75*ones(1,4),1.20*ones(1,4),0.40*ones(1,2)];
grid_sw=[0.2*ones(1,24)]; 
%% 约束条件
C=[];
%微网的电/热负荷需求响应部分
for t=1:24
    C=[C,
       L_e(t)==L_e0(t)+P_e_cut(t)+P_e_tran(t), %微网的电负荷功率平衡约束
       L_h(t)==L_h0(t)-P_h_DR(t), %微网的热负荷功率平衡约束
       -0.15*L_e0(t)<=P_e_cut(t)<=0, %微网的可削减电功率上下限约束
       -0.15*L_e0(t)<=P_e_tran(t)<=0.15*L_e0(t), %微网的可转移电功率上下限约束
       0<=P_h_DR(t)<=0.2*L_h0(t), %微网的可削减热功率上下限约束
      ];
end
C=[C,sum(P_e_tran)==0,]; %转移的电负荷总量为0约束
%微网的储电设备约束部分
%储能电站荷电状态连续性约束
C=[C,E_bat(1)==800+0.95*P_batc(1)-P_batd(1)/0.96,]; %1时段约束
for t=2:24
    C=[C,E_bat(t)==E_bat(t-1)+0.95*P_batc(t)-P_batd(t)/0.96,]; %储电设备容量变化约束
end
%储能容量大小约束
for t=1:24
    C=[C,500<=E_bat(t)<=1800,];  %储电量上下限约束
end
%始末状态守恒
C=[C,E_bat(24)==800,];
%储能电站的充放电功率约束,Big-M法进行线性化处理
M=800; %这里的M是个很大的数
for t=1:24
    C=[C,
       0<=P_batc(t)<=500,
       0<=P_batc(t)<=U_abs(t)*M,     
       0<=P_batd(t)<=600,      
       0<=P_batd(t)<=U_relea(t)*M,
       U_abs(t)+U_relea(t)<=1,
      ];
end
%带P2G和CCS的CHP运行约束
C=[C,
    0-P_e2-P_e3<=P_e1<=3000-P_e2-P_e3, %CHP的供电功率约束
    0<=P_e2<=300, %P2G设备的耗电功率约束
    0<=P_e3<=600, %CCS设备的耗电功率约束
    0<=P_e1<=2000, %CHP的供电功率上下限约束,公式(11)
    0<=P_e1, %CHP的供电功率非负性约束
    max((0-0.15*P_h-P_e2-P_e3),(0.85*(P_h)-P_e2-P_e3))<=P_e1<=3000-0.20*P_h-P_e2-P_e3, %CHP的热电耦合约束    式（13）
    max((0-0.15*P_h),(0.85*(P_h-50)-300-600))<=P_e1<=3000-0.20*P_h-0-0, %考虑P2G和CCS后的CHP的热电耦合约束       式（15）
    (0.55/(1+0.5*1.02))*max((0-0.15*P_h-P_e1),(0.85*(P_h-50)-P_e1))<=P_gs<=(0.55/(1+0.5*1.02))*(3000-0.20*P_h-P_e1), %产气功率上下限约束  式（17）
    -800<=(P_e1(2:24)+P_e2(2:24)+P_e3(2:24))-(P_e1(1:23)+P_e2(1:23)+P_e3(1:23))<=800, %CHP的爬坡约束   
    P_gs==0.55*P_e2, %P2G产气功率与耗电量约束  式（2）
    C_cc==1.02*P_e2, %P2G运行所需要的二氧化碳量与电功率约束  式（3）
    P_e3==0.55*C_cc, %CCS的耗电量与碳捕集量约束   式（4）
  ];
%CCS的最大碳捕集量
C=[C,0<=C_cc<=0.55*(P_e1+P_e2+P_e3+0.15*P_h),]; %此式为全体的碳排放量，最大捕集量不会超过最大排放量
%CHP机组以及GB等设备运行约束
for t=1:24
    C=[C,
       0<=P_h_GB(t)<=500, %余热锅炉产热功率上下限约束
       0<=P_e_pv(t)<=Predict_pv(t), %风力发电上下限约束
      ];
end
%微网的热/电负荷平衡约束
for t=1:24
    C=[C,
       P_e1(t)+P_e_pv(t)+P_buy(t)+P_batd(t)==P_batc(t)+L_e(t)+P_sell(t),
       P_h(t)+P_h_GB(t)==L_h(t),
      ];
end
%变量非负性等约束
for t=1:24
    C=[C,
       P_buy(t)>=0,
       0<=P_sell(t)<=2000,
      ];
end
%
for t=1:24
    C=[C,
       P_e1(t)+P_e2(t)+P_e3(t)==0.35*Gas_GT(t), %GT耗气量约束
       P_h_GB(t)==0.9*Gas_GB(t), %GB耗气量约束
       Gas(t)==Gas_GT(t)+Gas_GB(t)-P_gs(t),%总耗气量约束
      ];
end
%碳交易部分
E_co2=0.55*sum(P_e1+P_e2+P_e3+0.15*P_h)+0.65*sum(P_h_GB)-sum(C_cc);
E_0=0.424*sum(P_e1+P_e2+P_e3+P_e_pv+P_h_GB);
C4=0.75*(E_co2-E_0); %系统的碳交易成本
%CHP的总运行费用
C3=0.01329*sum(P_e1+P_e2+P_e3)+0.022*sum(P_e2)+0.022*sum(P_e3); %CHP的总运行费用
%% 目标函数
Obj=sum(pri_e.*P_buy)+3.5*sum(Gas)/9.7+0.01*sum(abs(P_e_tran))-0.03*sum(P_e_cut)+0.01*sum(P_batc+P_batd)+C3+C4...
    +0.016*sum(P_h_DR);    
%% 求解器配置与求解
ops=sdpsettings('solver','cplex','verbose',0,'usex0',0);
ops.cplex.mip.tolerances.mipgap=1e-6;
result=solvesdp(C,Obj,ops);

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]吴锦领,楼平,管敏渊等.基于非对称纳什谈判的多微网电能共享运行优化策略[J].电网技术,2022,46(07):2711-2723.DOI:10.13335/j.1000-3673.pst.2021.1590.

🌈4 Matlab代码、数据、文章讲解