考虑风光火储和电动汽车的微电网经济调度 软件：Matlab+cplex工具箱 介绍：在Matlab 平台上以一个包含风、光、柴油发电机、上级电网、储能以及电动汽车的小型微电网系统为例进行仿真。 目标包括：燃料成本、运行维护成本、环境成本、弃风光惩罚成本、与上级主网交互成本、v2g电动汽车成本。 V2G模型通过分时电价进行调度，得出每个时段电动汽车充放电数量 有相关参考文献

最近一直在研究微电网的经济调度问题，尤其是涉及风光（风力发电、光伏发电）、柴油发电机、储能（电池）以及电动汽车的综合调度模型。这种系统既涉及到可再生能源的利用，也涉及到化石能源的补充，同时还考虑了电动汽车（V2G）的充放电优化，是一个挺有意思的话题。下面我简单分享一下自己的仿真心得。

1. 仿真系统概述

我们的仿真系统基于Matlab平台，结合CPLEX工具箱来解决优化问题。系统包括以下部分：

• 风光电源：风力发电和光伏发电，输出功率受天气影响。
• 柴油发电机：作为备用电源，当风光出力不足时启动。
• 储能系统：用于调节系统功率平衡，平滑风光出力的波动。
• 上级电网：在必要时与主网进行电力交易。
• 电动汽车（V2G）：通过分时电价模型优化充放电行为。

整个系统的目标是最小化综合成本，包括燃料成本、运行维护成本、环境成本（碳排放）、弃风光惩罚成本、与主网交互成本，以及V2G相关的充放电成本。

---

2. 仿真流程

整体仿真流程可以分为以下几个步骤：

1. 读取输入数据：包括风光出力、负荷需求、电价、V2G充放电限制等。
2. 建立优化模型：定义决策变量（如柴油机出力、储能充放电功率、V2G充放电功率等），并构建目标函数和约束条件。
3. 求解优化问题：调用CPLEX工具箱进行求解。
4. 结果分析：分析最优解对应的各部分成本、系统的功率平衡情况等。

---

3. 模型与代码

3.1 模型建立

优化模型的核心目标是最小化总成本，包括以下几个部分：

• 燃料成本：柴油机的运行成本。
• 运行维护成本：包括柴油机、储能和V2G设备的维护费用。
• 环境成本：根据柴油机的碳排放量计算。
• 弃风光惩罚成本：风光出力超过系统需求时的惩罚成本。
• 与主网交互成本：根据分时电价计算。
• V2G充放电成本：根据V2G的充放电行为计算。

目标函数为：

$$

\min \quad C = C{\text{fuel}} + C{\text{OM}} + C{\text{env}} + C{\text{弃风光}} + C{\text{主网}} + C{\text{V2G}}

$$

3.2 代码实现

以下是模型调用和优化求解的部分代码：

% 定义优化问题
prob = optimproblem('Description', 'Microgrid Economic Dispatch', ...
                     'Solver', 'cplex');

% 决策变量
G = optimvar('G', N, 'LowerBound', 0, 'UpperBound', G_max);    % 柴油机出力
E = optimvar('E', N, 2, 'LowerBound', 0, 'UpperBound', E_cap); % 储能状态
P_c = optimvar('P_c', N, 'LowerBound', 0, 'UpperBound', P_c_max); % 充电功率
P_d = optimvar('P_d', N, 'LowerBound', 0, 'UpperBound', P_d_max); % 放电功率
P_grid = optimvar('P_grid', N, 'LowerBound', -P_grid_max, 'UpperBound', P_grid_max); % 与主网购售电量

% 目标函数
prob.Objective = sum( (fuel_cost * G) + (OM_cost * (G + E(:) + P_c + P_d)) + ...
                       (env_cost * G) + (renewable_penalty * max(0, W + S - Load)) + ...
                       (grid_cost * P_grid) + (V2G_cost * (P_d - P_c)) );

% 约束条件
prob.Constraints.balance = W + S + G + P_d - P_c - Load - P_grid == 0; % 功率平衡
prob.Constraints.storage = E(2:end, :) - E(1:end-1, :) == (eff_c * P_c - P_d / eff_d); % 储能状态更新

% 求解
options = optimoptions(prob, 'Display', 'iter');
[sol, fval] = solve(prob, options);

---

4. 结果与分析

4.1 目标函数分解

通过求解，我们可以得到每个部分的成本占比，帮助我们分析系统运行的主要经济影响因素。例如，如果燃料成本占主导地位，说明柴油机的使用较为频繁，此时可能需要更多的风光电源配置或储能优化。

4.2 V2G充放电优化

V2G模型的核心是分时电价机制的引入。在电价高峰期，鼓励电动汽车放电；电价低谷期，则鼓励充电。通过优化调度，可以显著降低V2G相关的成本，同时提高系统整体的经济性。

例如，在某一天的仿真中，V2G在电价高峰期（10:00-18:00）的放电量明显增加，而在低谷期（22:00-6:00）主要进行充电。这体现了分时电价对用户行为的有效引导作用。

4.3 弃风光惩罚成本分析

弃风光惩罚成本反映了系统对风光电源的利用效率。如果弃风光成本较高，说明风光出力与需求不匹配的情况较多，此时需要考虑增加储能容量或优化调度策略。

---

5. 总结

这次仿真让我对微电网的经济调度有了更深入的认识，尤其是在风光电源、储能和V2G联合优化方面。整个过程中，代码的调试和结果的分析占据了很大比重，但也让我对系统的运行机制有了更清晰的理解。

如果你对具体的模型参数或仿真结果感兴趣，随时可以交流！