配电网光伏/储能双层优化配置模型（选址定容）

目录

1 主要内容

上层目标函数考虑光伏和储能的投资成本。

程序采用模块化编程，并有每个模块功能介绍，方便学习。

2 部分代码

3 程序结果

4 程序结果

---

1 主要内容

该程序主要方法复现《含高比例可再生能源配电网灵活资源双层优化配置》运行-规划联合双层配置模型，上层为光伏、储能选址定容模型，即优化配置，下层考虑弃光和储能出力，即优化调度，模型以IEEE33节点为例，采用粒子群算法求解，下层模型为运行成本和电压偏移量的多目标模型，并采用多目标粒子群算法得到pareto前沿解集，从中选择最佳结果带入到上层模型，最终实现上下层模型的各自求解和整个模型迭代优化。

• 上层目标函数考虑光伏和储能的投资成本。

parameter; %输入所有的数据 
% 各个决策变量的含义 
st_pv1=st_pvc(x(1));%光伏1选址
cap_pv1=x(2);%光伏1容量
st_cn=st_cnc(x(3));%储能选址
cap_cn=x(4);%储能容量
​
%目标
%投资成本
u=(r*(1+r)^year2)/((1+r)^year2-1);
C1=u*(cpv*cap_pv1*s_pv+cess*cap_cn*s_cn);%光伏储能投资成本之和
%带入参数调用运行层程序
[gxbest1,fymin1]=lowerlayer(x);

• 下层目标函数考虑运行成本和电压偏移量双目标。

%运行成本=弃光成本+运维成本+购电成本+网损成本
%弃光成本
Cq=0;
for i=1:K%不同场景
    Cq=Cq+cqpv*sum(gailv(i)*(cap_pv1.*center(i,:)-pv1_s(i)));
end
%运维成本
Cy=cpvy*sum(gailv'.*(sum(pv1_s,2)+sum(pv1_s,2)))+cessy*sum(abs(cn));
%购电成本 网损成本 电压偏移量
Cgc=zeros(K,T);Clossc=zeros(K,T);Vpc=zeros(K,T);
%matpower潮流计算

• 程序采用模块化编程，并有每个模块功能介绍，方便学习。

2 部分代码

% ***************导入网络参数******************%
parameter;
st_pv1=st_pvc(upx(1));%光伏1选址
cap_pv1=upx(2);%光伏1容量
% st_pv2=st_pvc(upx(3));
% cap_pv2=upx(4);
st_cn=st_cnc(upx(3));%储能选址
cap_cn=upx(4);%储能容量
global center;
gama=0.9;%光伏最低消纳率
​
% *******************导入结束********************%
%% ****************决策空间的设置1**************%
maxFun=2;                    %2个目标函数
 fff=[0,800000;0,90]; %各个目标函数的最小值和最大值，即绝对正理想解和绝对负理想解
%fff=[0,0.4;30,100;10000,20000];  
n = 5;                         % 初始种群个数
d = 120;                          % 空间维数，即决策变量（各设备控制量）个数
maxIterations = 2;            % 最大迭代次数 
wmax=0.9;          %maximum of inertia factor，最大惯性系数 
wmin=0.4;          %minimum of inertia factor，最小惯性系数
c1=1.4962;              %1.4962; %learning factor1，自我学习因子
c2=1.4962;              %1.4962; %learning factor2，群体学习因子
Xmax=[cap_pv1.*center(1,:),cap_pv1.*center(2,:),cap_pv1.*center(3,:),cap_pv1.*center(4,:),s_cn.*cap_cn.*ones(1,24)];
Xmin=[gama.*cap_pv1.*center(1,:),gama.*cap_pv1.*center(2,:),gama.*cap_pv1.*center(3,:),gama.*cap_pv1.*center(4,:),-s_cn.*cap_cn.*ones(1,24)];
dX=Xmax-Xmin;
Vmax=dX; 
Vmin=ones(1,120);
%***********决策空间设置1结束**********%
​
%% ******种群位置与速度初始化*******%    
X = repmat(Xmin,n,1)+repmat((Xmax-Xmin),n,1).*rand(n,d);                %初始种群的位置 
V=repmat(Vmin,n,1)+repmat((Vmax-Vmin),n,1).*rand(n,d);                         % 初始种群的速度
%******变量维数（总共120维）：场景4*1个pv消纳值+储能出力

3 程序结果