考虑风光场景生成的电动汽车并网优化调度【遗传算法】【IEEE33】

主要内容

部分代码

部分结果

下载链接

主要内容

程序主要内容是考虑风光场景生成的电动汽车并网优化调度，采用的方法如下所述：

①采用蒙特卡洛方法，结合copula函数以及fuzzy-kmeans，获取6个典型风光出力场景，并进行随机优化调度。

②考虑多类型电动汽车，包括出租、商用、公交和家庭用车，电价采用分时电价，目标函数考虑上级电网出力、峰谷差惩罚费用、风光调度、电动汽车负荷调度费用和网损费用。

③通过IEEE33节点系统中进行仿真算例分析，程序中增加电压约束限制，保证电动汽车优化调度的同时33节点系统电压维持在合理水平。

部分代码

SOC=SOC-judge;
battery=SOC*Cbattery;    %到班后的电量
time1=zeros(1,Ntest);   %初始化时间点为0
time2=zeros(1,Ntest);
%SOC记录数组
SOC_sa=ones(1,Ntest);  %初始化SOC为1
SOC_sb=ones(1,Ntest);

for i=1:Ntestif SOC(i)0.2SOC_sa(i)=SOC(i);time1(i)=timework(i);           %到班后需要充电，充电开始时间为到班时间time2(i)=time1(i)+(1-SOC(i))*Cbattery/Pcharge;     %充电结束时间，充电功率PchargeSOC(i)=SOC_end;                              %下班前充满电battery(i)=Cbattery*SOC(i);end
end

SOC=SOC-judge;
battery=SOC*Cbattery;    %到家后的电量
time3=zeros(1,Ntest);
time4=zeros(1,Ntest);

for i=1:Ntestif SOC(i)0.4)SOC_sb(i)=SOC(i);time3(i)=timehome(i);           %到家后需要充电，充电开始时间为到班时间time4(i)=time3(i)+(1-SOC(i))*Cbattery/Pcharge;     %充电结束时间，充电功率4KWSOC(i)=SOC_end;                              %第二天8点前可以充满电battery(i)=Cbattery*SOC(i);end
end


time=0:0.1:48;
Ycharge=zeros(1,481);
roundn(time1,-1);
roundn(time2,-1);
roundn(time3,-1);
roundn(time4,-1);
for i=1:Ntest     %找到所有充电车辆的电量if (time2(i)-time1(i)~=0)kstart=round(10*time1(i)+1);kend=round(10*time2(i)+1);Ycharge(1,kstart:kend)=Ycharge(1,kstart:kend)+1;endif (time4(i)-time3(i)~=0)kstart=round(10*time3(i)+1);kend=round(10*time4(i)+1);Ycharge(1,kstart:kend)=Ycharge(1,kstart:kend)+1;endendtemp=Ycharge(1:241)+Ycharge(241:481);x=0:0.1:24;xx=0:0.05:24;tempp = interp1(x,temp,xx,'linear'); %现性插值Pwuxu=tempp(1:5:481)*Pbiao;%充电功率为15kW

price=zeros(1,96);
price(1,18*4:22*4)=0.98;
price(1,8*4:17*4)=0.74;price(1,23:24)=0.74;
price(1,1:7*4)=0.49;
%=========================================================================%解有序充电模型deltaT=15/60;%15min折算成小时（根据电网数据采集）cost=0;%购电电价