【电力系统】实时经济调度中动态变压器额定值的后退地平线控制应用的MATLAB代码

作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

个人主页：Matlab科研工作室

个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机

物理应用        机器学习

内容介绍

本文提出了一种基于动态变压器容量 (DTR) 算法，旨在通过油浸式变压器最大化能量传输。该算法确保绕组温度和绝缘寿命损失不超过其允许极限。为了实现这一目标，我们使用了后退地平线控制策略。该策略考虑了过去和未来时间间隔内的负荷和环境温度，以更新 DTR。该算法旨在应用于实时经济调度，特别是在平衡市场中，可以降低发电成本。我们以一个双机电力系统作为案例研究，其中廉价发电受到变压器容量的限制，而昂贵的发电则没有网络约束。算法的应用与静态热容量相比，廉价发电增加了 12%，与根据环境温度修正的静态热容量相比增加了 3%。由 DTR 允许的发电重新调度分别使发电成本降低了 27.9% 和 9.8%。

关键词: 动态变压器容量，后退地平线控制，能量传输最大化，经济调度

引言

在现代电力系统中，变压器作为关键设备，负责将电能从发电厂传输到用户。由于变压器的容量有限，其热稳定性成为限制能量传输的关键因素。传统的变压器容量评估方法通常采用静态热极限，即根据变压器自身特性和环境温度设定一个固定值。然而，这种方法忽略了负荷和环境温度的动态变化，导致变压器容量的利用率不足，限制了能量传输效率。

为了克服传统方法的不足，本文提出了一种动态变压器容量 (DTR) 算法，通过实时监测变压器运行状态，根据负荷和环境温度的预测信息动态调整变压器容量，从而最大化能量传输。

算法原理

DTR 算法基于后退地平线控制策略，该策略是一种优化控制方法，通过将控制问题分解为一系列有限时间间隔的子问题来解决。在每个时间间隔内，控制器根据预测信息和当前状态选择最优控制策略，并仅执行当前时间间隔内的控制指令。

在 DTR 算法中，控制器通过预测未来时间间隔内的负荷和环境温度，并考虑变压器的热特性，计算出允许的最大电流，从而确定 DTR。同时，算法还考虑了变压器绕组温度和绝缘寿命损失的限制，确保变压器在安全运行范围内工作。​

结论

DTR 算法通过实时监测变压器运行状态和预测未来负荷及环境温度，动态调整变压器容量，有效提高了能量传输效率，降低了发电成本。该算法具有以下优势：

1. 最大化能量传输：通过动态调整变压器容量，充分利用变压器容量，最大化能量传输效率。

2. 降低发电成本：通过增加廉价发电的比例，降低发电成本。

3. 提高变压器利用率：通过合理分配变压器容量，提高变压器利用率，延长变压器寿命。

️ 运行结果

参考文献

Ildar Daminov, Anton Prokhorov, Raphael Caire, Marie-Cécile Alvarez-Herault, "Receding horizon control application for dynamic transformer ratings in a real-time economic dispatch,"in IEEE PES Powertech, Milan, Italy, 2019. DOI: 10.1109/PTC.2019.8810511

部分理论引用网络文献，若有侵权联系博主删除

关注我领取海量matlab电子书和数学建模资料

 私信完整代码和数据获取及论文数模仿真定制

各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度

机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN/TCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信

信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化

元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别