基于元模型优化算法的主从博弈多虚拟电厂动态定价和能量管理.zip

clc clear close all %% 算法总参数设定 Number=5; %% 根据超拉丁采样(LHS)生成Number个初始样本点 lambda_Wb=[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)]; % % lambda_Ws = 0.4*ones(1,24); lambda_Ws=[0*ones(1,7),0.35*ones(1,4),0.5*ones(1,3),0.35*ones(1,4),0.5*ones(1,4),0*ones(1,2)]; %通过LHS生成样本点 for t=1:24 temp=lhsdesign(Number,1); %生成每个时段的抽样中间辅助矩阵,为1维分Number层的超拉丁抽样结果 lambda_DAs(:,t)=temp.*(lambda_Wb(t)-lambda_Ws(t))+lambda_Ws(t); %生成运营商制定的售电价格 lambda_DAb(:,t)=lambda_DAs(:,t)+rand(Number,1).*(lambda_Wb(t)-lambda_DAs(:,t)); %生成运营商制定的购电价格(购电价应大于售电价所以这么写) end disp('超拉丁采样(LHS)生成Number个初始样本点,结束！') %% 通过生成的样本点调用下层博弈模型,计算出每个VPP的交易电量来构成样本数据集 for i=1:Number [P_VPP_s1,P_VPP_b1,~]=Fun_VPP1(lambda_DAb(i,:),lambda_DAs(i,:)); [P_VPP_s2,P_VPP_b2,~]=Fun_VPP2(lambda_DAb(i,:),lambda_DAs(i,:)); [P_VPP_s3,P_VPP_b3,~]=Fun_VPP3(lambda_DAb(i,:),lambda_DAs(i,:)); P_VPP_s(i,:)=[P_VPP_s1,P_VPP_s2,P_VPP_s3]; P_VPP_b(i,:)=[P_VPP_b1,P_VPP_b2,P_VPP_b3]; end disp('样本数据集构成,结束！') %% 修正Kriging模型,计算每组样本点对应的目标函数值 for i=1:Number [C_DSO(i,1)]=Fun_DSO(lambda_DAs(i,:),lambda_DAb(i,:),P_VPP_b(i,:),P_VPP_s(i,:)); end disp('计算每组样本点对应的目标函数值,结束！') %% 关键区域划分,并计算各个区域的最优值 l=1; %划分的区域的编号,初始化为1(编号越小,说明该区域包含最优解的概率越大) S=C_DSO; %设定S为所有电价样本对应的上层目标函数值集 for i=1:Number lambda_DA(i,:)=[lambda_DAs(i,:),lambda_DAb(i,:)]; %将售卖电价统一放入lambda_DA中存储 end X=lambda_DA; %设定X为所有电价样本点集 SL=lambda_DA; %后续计算半径r中用于生成电价上下边界值的辅助变量 k_max=5; %设定均衡算法的最大迭代次数 [Max_C_DSO,ind]=max(C_DSO); %寻找区域1中最大的上层目标函数值和对应的电价样本点集编号 y(1).S=[Max_C_DSO]; %给y(l)的S赋予当前找到的上层目标函数值 y(l).X=lambda_DA(ind,:); %给y(1)的X赋予当前找到的最优电价样本 S(ind)=[]; %将S的集合中删去此时的区域1的最优解的值 SL(ind,:)=[]; lambda_DA0=lambda_DA(ind,:); %设定区域l的中心电价的值 while 1 if isempty(S) %判断S是否为非空集(也就是关键区域完成划分) break; end eval(['y',num2str(l),'.S=[];']); eval(['y',num2str(l),'.X=[];']); k=1; %设定初始迭代次数 while k<=k_max if isempty(S) %判断S是否为非空集(也就是关键区域完成划分) break; else lambda_DA_max=max(sqrt(sum(SL.^2,2))); %计算得到电价的上边界值 lambda_DA_min=min(sqrt(sum(SL.^2,2))); %计算得到电价的下边界值 r=norm(lambda_DA_max-lambda_DA_min)/3*(k_max-k+1)/k_max; %计算得到半径r ind=Fun_R(lambda_DA0,SL,r); %寻找距离中心点小于等于r的点的编号 if isempty(ind) %确认寻找到的点集非空 break; else eval(['y',num2str(l),'.S=[y',num2str(l),'.S;S(ind)];']); eval(['y',num2str(l),'.X=[y',num2str(l),'.X;SL(ind,:)];']); S(ind)=[]; %将S的集合中删去此时距离小于r的值 SL(ind,:)=[]; %将SL的集合中删去此时距离小于r的值 k=k+1; %均衡算法迭代次数加一 end end end [Max_C_DSO,ind]=max(S); %寻找除去区域l外的最大的上层目标函数值和对应的电价样本点集编号 lambda_DA0=SL(ind,:); %重新给中心电价赋值 l=l+1; %划分区域编号加一 end disp('关键区域划分,结束！') %% 在每个关键区域上,采用粒子群算法求解局部最优电价 Opt_C=zeros(l,1); %初始化每个关键区域的Kriging最终最优收益 Opt_X=zeros(l,48); %初始化每个关键区域的Kriging最终最优电价点集 MaxIter=30; %设定求解粒子群算法的最大迭代次数 vlimit=[-1,1]; %设置速度限制 w=0.8; %惯性权重设定 c1=0.5; %自我学习因子设定 c2=0.5; %群体学习因子设定 for i=1:l if ~exist(eval(['''y',num2str(i),''''])) break; else if eval(['numel((y',num2str(i),'.S))==1;']) Opt_C(i)=eval(['y',num2str(i),'.S;']); Opt_X(i,:)=eval(['y',num2str(i),'.X;']); else eval(['xm=[y',num2str(i),'.X];']); %每个个体的历史最佳位置 x=xm; %当前最佳位置 v=zeros(size(x)); eval(['num=size(y',num2str(i),'.S,1);']); %种群数目 fym=-inf; %种群历史最佳适应度 eval(['fxm=y',num2str(i),'.S;']); %每个个体的历史最佳适应度 [~,ind]=max(fxm); ym=x(ind,:); %种群的历史最佳位置 iter=2; Record=zeros(MaxIter,1); Record(1)=max(eval(['y',num2str(i),'.S;'])); while iter<=MaxIter for s=1:num [P_VPP_s1,P_VPP_b1,~]=Fun_VPP1(x(s,25:48),x(s,1:24)); [P_VPP_s2,P_VPP_b2,~]=Fun_VPP2(x(s,25:48),x(s,1:24)); [P_VPP_s3,P_VPP_b3,~]=Fun_VPP3(x(s,25:48),x(s,1:24)); P_VPP_s(s,:)=[P_VPP_s1,P_VPP_s2,P_VPP_s3]; P_VPP_b(s,:)=[P_VPP_b1,P_VPP_b2,P_VPP_b3]; [fx]=Fun_DSO(x(s,1:24),x(s,25:48),P_VPP_b(s,:),P_VPP_s(s,:)); if fxm(s)<fx fxm(s)=fx; %更新个体历史最佳适应度 xm(s,:)=x(s,:); %更新个体历史最佳位置 end end if fym<max(fxm) [fym,nmax]=max(fxm); %更新群体历史最佳适应度 ym=xm(nmax,:); %更新群体历史最佳位置 end v=v*w+c1*rand*(xm-x)+c2*rand*(repmat(ym,size(v,1),1)-x); %速度更新 %边界速度处理 v(v>vlimit(2))=vlimit(2); v(v<vlimit(1))=vlimit(1); x=x+v; %位置更新 for s=1:num %边界位置处理 ind=find(x(s,1:24)<lambda_Ws(1:24)); x(s,ind)=lambda_Ws(ind); ind=find(x(s,25:48)>lambda_Wb(1:24)); x(s,24+ind)=lambda_Wb(ind); end Record(iter)=fym; %最大值记录 iter=iter+1; end Opt_C(i)=Record(end); Opt_X(l,:)=ym; end end end disp('局部最优电价求解,结束！') %% 结果输出 [P_VPP_s1,P_VPP_b1,Out1]=Fun_VPP1(ym(25:48),ym(1:24)); [P_VPP_s2,P_VPP_b2,Out2]=Fun_VPP2(ym(25:48),ym(1:24)); [P_VPP_s3,P_VPP_b3,Out3]=Fun_VPP3(ym(25:48),ym(1:24)); Result_P_VPP_s=[P_VPP_s1,P_VPP_s2,P_VPP_s3]; Result_P_VPP_b=[P_VPP_b1,P_VPP_b2,P_VPP_b3]; [Result_C_DSO]=Fun_DSO(ym(1:24),ym(25:48),Result_P_VPP_b,Result_P_VPP_s); disp(['DSO的收益为 ', num2str(Result_C_DSO),' 千元']); figure(1) plot(ym(1:24),'-s','LineWidth',1.5,'Color',[227, 181, 135]/255) hold on plot(ym(25:48),'-d','LineWidth',1.5,'Color',[37 120 181]/255) hold on plot(lambda_Ws,'-x','LineWidth',1.5,'Color',[227, 181, 135]/255) hold on plot(lambda_Wb,'-^','LineWidth',1.5,'Color',[37 120 181]/255) legend('售电价','购电价','上网电价','电网电价') legend('boxoff') grid on xlabel('时间/h'); ylabel('电价/(千元/MWh)') title('交易电价') figure(2) b4 = bar([P_VPP_b1-P_VPP_s1;P_VPP_b3-P_VPP_s3;P_VPP_b3-P_VPP_s3]','stack'); set(b4(1),'FaceColor',[182 91 70]/255) set(b4(2),'FaceColor',[245 161 31]/255) set(b4(3),'FaceColor',[132 192 190]/255) xlabel('\fontname{宋体}时间\fontname{Times New Roman}/h') ylabel('\fontname{宋体}功率\fontname{Times New Roman}/MW') legend('VPP1','VPP2','VPP3') figure(3) b1 = bar(Out1','stack'); set(b1(1),'FaceColor',[197 105 120]/255) set(b1(2),'FaceColor',[225 161 77]/255) set(b1(3),'FaceColor',[171 204 137]/255) set(b1(4),'FaceColor',[37 120 181]/255) set(b1(5),'FaceColor',[245 193 155]/255) set(b1(6),'FaceColor',[197 187 163]/255) xlabel('\fontname{宋体}时间\fontname{Times New Roman}/h') ylabel('\fontname{宋体}功率\fontname{Times New Roman}/MW') legend('共享电量','微燃机组','储能','柔性负荷','风机','总负荷') figure(4) b2 = bar(Out2','stack'); set(b2(1),'FaceColor',[197 105 120]/255) set(b2(2),'FaceColor',[225 161 77]/255) set(b2(3),'FaceColor',