微网优化调度matlab 采用matlab+yalmip编制含分布式和储能的微网优化模型，程序采用15分钟为采集节点，利用cplex求解，程序考虑发电机的启停约束，程序运行可靠
在能源领域不断发展的当下，微网优化调度成为了热门话题。今天就来跟大家分享一下如何使用 Matlab 结合 Yalmip 编制含分布式电源（DG）和储能（ESS）的微网优化模型，而且这个模型程序运行可靠，以 15 分钟为采集节点，并利用 cplex 求解，同时还考虑了发电机的启停约束。
一、整体思路
我们的目标是建立一个能合理分配微网中分布式电源和储能系统功率输出的模型，以达到某种优化目标，比如成本最小化或者能源利用率最大化等。以 15 分钟为采集节点，意味着我们将以 15 分钟为一个时间间隔来分析和调度微网中的能源流动。
二、Matlab + Yalmip 实现代码及分析
1. 初始化参数设置
% 时间间隔设置为15分钟，一天有96个时间节点 T = 96; % 分布式电源相关参数 DG_num = 3; % 假设有3个分布式电源 DG_capacity = [100; 150; 200]; % 每个分布式电源的容量（kW） DG_cost = [0.1; 0.15; 0.2]; % 每个分布式电源发电成本（元/kWh） DG_min_power = [20; 30; 40]; % 每个分布式电源最小发电功率（kW） DG_max_power = [80; 120; 160]; % 每个分布式电源最大发电功率（kW） % 储能相关参数 ESS_capacity = 200; % 储能容量（kWh） ESS_min_soc = 0.2; % 储能最小荷电状态 ESS_max_soc = 0.8; % 储能最大荷电状态 ESS_charge_efficiency = 0.9; % 充电效率 ESS_discharge_efficiency = 0.9; % 放电效率 ESS_initial_soc = 0.5; % 初始荷电状态 % 负荷数据（假设已知） load_profile = rand(T, 1) * 200; % 随机生成的负荷曲线，实际应用中应替换为真实数据这里我们初始化了一系列参数，包括时间节点数量、分布式电源和储能的各种属性，以及随机生成的负荷曲线（实际中要换成真实数据）。时间节点设置为 96 个，对应一天 24 小时，每 15 分钟一个节点。分布式电源相关参数定义了电源的数量、容量、成本、功率限制等，储能参数则明确了其容量、荷电状态范围、充放电效率等，这些参数是后续模型建立的基础。
2. 定义变量
% 分布式电源发电功率 DG_power = sdpvar(T, DG_num, 'full'); % 储能充电功率 ESS_charge_power = sdpvar(T, 1, 'full'); % 储能放电功率 ESS_discharge_power = sdpvar(T, 1, 'full'); % 储能荷电状态 ESS_soc = sdpvar(T, 1, 'full'); % 发电机启停状态 DG_status = binvar(T, DG_num, 'full');利用 Yalmip 的sdpvar和binvar函数定义了模型所需的变量。DGpower表示每个时间节点各个分布式电源的发电功率，ESSchargepower和ESSdischargepower分别是储能的充电和放电功率，ESSsoc是储能的荷电状态，DG_status是发电机的启停状态，用二进制变量表示（0 为停，1 为启）。
3. 约束条件
constraints = []; % 功率平衡约束 for t = 1:T constraints = [constraints, sum(DG_power(t, :)) + ESS_discharge_power(t) - ESS_charge_power(t) == load_profile(t)]; end % 分布式电源功率限制约束 for t = 1:T for i = 1:DG_num constraints = [constraints, DG_min_power(i) * DG_status(t, i) <= DG_power(t, i) <= DG_max_power(i) * DG_status(t, i)]; end end % 储能功率限制约束 for t = 1:T constraints = [constraints, 0 <= ESS_charge_power(t) <= 50]; constraints = [constraints, 0 <= ESS_discharge_power(t) <= 50]; end % 储能荷电状态约束 for t = 1:T if t == 1 constraints = [constraints, ESS_soc(t) == ESS_initial_soc + ESS_charge_power(t) * ESS_charge_efficiency - ESS_discharge_power(t) / ESS_discharge_efficiency]; else constraints = [constraints, ESS_soc(t) == ESS_soc(t - 1) + ESS_charge_power(t) * ESS_charge_efficiency - ESS_discharge_power(t) / ESS_discharge_efficiency]; end constraints = [constraints, ESS_min_soc * ESS_capacity <= ESS_soc(t) <= ESS_max_soc * ESS_capacity]; end % 发电机启停约束 for t = 2:T for i = 1:DG_num constraints = [constraints, DG_status(t, i) - DG_status(t - 1, i) <= 1]; constraints = [constraints, DG_status(t - 1, i) - DG_status(t, i) <= 1]; end end这段代码构建了一系列约束条件。功率平衡约束确保在每个时间节点，分布式电源发电功率、储能充放电功率与负荷之间保持平衡。分布式电源功率限制约束结合启停状态变量，保证每个电源在启停状态下功率都在合理范围内。储能功率限制约束规定了储能的充放电功率上限。储能荷电状态约束保证荷电状态在设定范围内，并根据充放电功率进行更新。发电机启停约束则限制了发电机不能频繁启停。
4. 目标函数
% 成本最小化目标函数 objective = sum(sum(DG_power.* repmat(DG_cost, T, 1))); % 求解模型 ops = sdpsettings('solver', 'cplex'); sol = optimize(constraints, objective, ops);目标函数这里选择了成本最小化，即分布式电源发电成本之和。通过sdpsettings设置求解器为 cplex，然后使用optimize函数求解模型。
三、总结
通过 Matlab 和 Yalmip 的结合，我们成功构建了一个含分布式电源和储能的微网优化调度模型，并且利用 cplex 求解器实现了对该模型的求解。在实际应用中，可以根据具体的需求和数据对模型进行进一步优化和调整，比如更换更准确的负荷数据、考虑更多的约束条件等。希望这篇博文能为大家在微网优化调度的研究和实践中提供一些思路和帮助。
