Matlab|基于目标级联法的微网群多主体分布式优化调度

2024-03-09 00:04

本文主要是介绍Matlab|基于目标级联法的微网群多主体分布式优化调度,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

主要内容   

1.1 上层微网群模型

1.2 下层微网模型

  部分程序   

 实现效果   

下载链接


主要内容   

本文复现《基于目标级联法的微网群多主体分布式优化调度》文献的目标级联部分,

建立微网群系统的两级递阶优化调度模型: 上层是微网群能量调度中心优化调度模型,下层是子微网优化调度模型,然后对所建递阶优化调度模型耦合性和分布性进行分析,采用一种新型的协同优化方法———目标级联法,实现上下层模型的解耦独立优化,以3微网为算例进行验证,证明方法的可行性。

1.1 上层微网群模型

1.2 下层微网模型

  部分程序   

%程序开发时间:2023年1月26日
%欢迎关注微信公众号:电力程序
%----------------------------
%%目标级联协调优化
gPMG = zeros(3,24);%微网群与微网间联络功率
gPpcc1 = zeros(1,24);%微网1与微网群联络功率,下同
gPpcc2 =zeros(1,24);
gPpcc3 = zeros(1,24);
parameterATC;
figure(1);
errorSet = [];
for k=1:8
[y1(k),gPpcc1,x_P_g1,x_P_ch1,x_P_dis1,x_P_w1,x_P_v1,x_c_ld1,Load1]=lower1(pho,gPMG,v,w);%下层微网1
[y2(k),gPpcc2,x_P_ch2,x_P_dis2,x_P_w2,x_P_v2,x_c_ld2,Load2]=lower2(pho,gPMG,v,w);%下层微网2
[y3(k),gPpcc3,x_P_g3,x_P_ch3,x_P_dis3,x_P_w3,x_P_v3,x_c_ld3,Load3]=lower3(pho,gPMG,v,w);%下层微网3
[y4(k),gPMG]=upperthree(pho,v,w,gPpcc1,gPpcc2,gPpcc3);%上层微网群
%%----得到结果----
gPMG=value(gPMG);
gPpcc1=value(gPpcc1);
gPpcc2=value(gPpcc2);
gPpcc3=value(gPpcc3);
gPMGc(:,k)=gPMG(:,10);%10时刻微网群连接变量数据储存
gPpcc1c(k)=gPpcc1(10);%10时刻微网1连接变量数据储存
gPpcc2c(k)=gPpcc2(10);%10时刻微网2连接变量数据储存
gPpcc3c(k)=gPpcc3(10);%10时刻微网3连接变量数据储存postError = norm(gPMG-[gPpcc1;gPpcc2;gPpcc3])disp(sprintf('postError=%f',postError));errorSet = [errorSet postError];%画图figure(1),plot(errorSet),pause(0.1)xlabel('迭代次数');ylabel('误差值');v=v+2*w*w*postError;w=beta*w;yalmip('clear');
end
%最终迭代后结果图
figure;
ldz=max(x_c_ld1,0);
ldf=min(x_c_ld1,0);
wwz=max(gPpcc1,0);
wwf=min(gPpcc1,0);
yyf=[-x_P_ch1;ldf;wwf]';
bar(yyf,'stack');
hold on
yyz=[-x_P_dis1;x_P_g1;x_P_w1;x_P_v1;ldz;wwz]';
bar(yyz,'stack');
plot(Load1,'r','LineWidth',1.5)
xlabel('时间/h');
ylabel('功率/MW');
title('微网1功率');
sy=legend('储能充电','负荷响应','接受微网群电功率','储能放电','发电','风电','光伏','负荷响应','供给其他微网','微网1负荷');
sy.NumColumns = 3;
ylim([-6 14]);
figure;
ldz=max(x_c_ld2,0);
ldf=min(x_c_ld2,0);
wwz=max(gPpcc2,0);
wwf=min(gPpcc2,0);
yyf=[-x_P_ch2;ldf;wwf]';
bar(yyf,'stack');
hold on
yyz=[-x_P_dis2;x_P_w2;x_P_v2;ldz;wwz]';
bar(yyz,'stack');
plot(Load2,'r','LineWidth',1.5)
xlabel('时间/h');
ylabel('功率/MW');
title('微网2功率');
sy=legend('储能充电','负荷响应','接受微网群电能','储能放电','风电','光伏','负荷响应','供给其他微网','微网2负荷');
sy.NumColumns = 3;
ylim([-2 8]);
figure;
ldz=max(x_c_ld3,0);
ldf=min(x_c_ld3,0);
wwz=max(gPpcc3,0);
wwf=min(gPpcc3,0);
yyf=[-x_P_ch3;ldf;wwf]';
bar(yyf,'stack');
hold on
yyz=[-x_P_dis3;x_P_g3;x_P_w3;x_P_v3;ldz;wwz]';
bar(yyz,'stack');
plot(Load3,'r','LineWidth',1.5)
xlabel('时间/h');
ylabel('功率/MW');
title('微网3功率');
sy=legend('储能充电','负荷响应','接受微网群电能','储能放电','发电','风电','光伏','负荷响应','供给其他微网','微网3负荷');
sy.NumColumns = 3;
ylim([-5 11]);
figure;
title_name = '微网群连接变量时段10趋同过程';
title(title_name);   %%关键
subplot(311)
plot(gPpcc1c,'o--','LineWidth',1.5)
hold on
plot(gPMGc(1,:),'r-o','LineWidth',1.5)
grid on
legend('下层连接变量值','上层连接变量值');
xlabel('迭代次数');
ylabel('子微网1联络功率');
subplot(312)
plot(gPpcc2c,'o--','LineWidth',1.5)
hold on
plot(gPMGc(2,:),'r-o','LineWidth',1.5)
grid on
xlabel('迭代次数');
ylabel('子微网2联络功率');
subplot(313)
plot(gPpcc3c,'o--','LineWidth',1.5)
hold on
plot(gPMGc(3,:),'r-o','LineWidth',1.5)
grid on
xlabel('迭代次数');
ylabel('子微网3联络功率');

 实现效果   

下载链接

这篇关于Matlab|基于目标级联法的微网群多主体分布式优化调度的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/788867

相关文章

Vue3 的 shallowRef 和 shallowReactive:优化性能

大家对 Vue3 的 ref 和 reactive 都很熟悉,那么对 shallowRef 和 shallowReactive 是否了解呢? 在编程和数据结构中,“shallow”(浅层)通常指对数据结构的最外层进行操作,而不递归地处理其内部或嵌套的数据。这种处理方式关注的是数据结构的第一层属性或元素,而忽略更深层次的嵌套内容。 1. 浅层与深层的对比 1.1 浅层(Shallow) 定义

HDFS—存储优化(纠删码)

纠删码原理 HDFS 默认情况下,一个文件有3个副本,这样提高了数据的可靠性,但也带来了2倍的冗余开销。 Hadoop3.x 引入了纠删码,采用计算的方式,可以节省约50%左右的存储空间。 此种方式节约了空间,但是会增加 cpu 的计算。 纠删码策略是给具体一个路径设置。所有往此路径下存储的文件,都会执行此策略。 默认只开启对 RS-6-3-1024k

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强等 影响照片清晰度的因素 影响照片清晰度的因素有很多,主要可以从以下几个方面来分析 1. 拍摄设备 相机传感器:相机传

MySQL高性能优化规范

前言:      笔者最近上班途中突然想丰富下自己的数据库优化技能。于是在查阅了多篇文章后,总结出了这篇! 数据库命令规范 所有数据库对象名称必须使用小写字母并用下划线分割 所有数据库对象名称禁止使用mysql保留关键字(如果表名中包含关键字查询时,需要将其用单引号括起来) 数据库对象的命名要能做到见名识意,并且最后不要超过32个字符 临时库表必须以tmp_为前缀并以日期为后缀,备份

搭建Kafka+zookeeper集群调度

前言 硬件环境 172.18.0.5        kafkazk1        Kafka+zookeeper                Kafka Broker集群 172.18.0.6        kafkazk2        Kafka+zookeeper                Kafka Broker集群 172.18.0.7        kafkazk3

烟火目标检测数据集 7800张 烟火检测 带标注 voc yolo

一个包含7800张带标注图像的数据集,专门用于烟火目标检测,是一个非常有价值的资源,尤其对于那些致力于公共安全、事件管理和烟花表演监控等领域的人士而言。下面是对此数据集的一个详细介绍: 数据集名称:烟火目标检测数据集 数据集规模: 图片数量:7800张类别:主要包含烟火类目标,可能还包括其他相关类别,如烟火发射装置、背景等。格式:图像文件通常为JPEG或PNG格式;标注文件可能为X

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者

从状态管理到性能优化:全面解析 Android Compose

文章目录 引言一、Android Compose基本概念1.1 什么是Android Compose?1.2 Compose的优势1.3 如何在项目中使用Compose 二、Compose中的状态管理2.1 状态管理的重要性2.2 Compose中的状态和数据流2.3 使用State和MutableState处理状态2.4 通过ViewModel进行状态管理 三、Compose中的列表和滚动

集中式版本控制与分布式版本控制——Git 学习笔记01

什么是版本控制 如果你用 Microsoft Word 写过东西,那你八成会有这样的经历: 想删除一段文字,又怕将来这段文字有用,怎么办呢?有一个办法,先把当前文件“另存为”一个文件,然后继续改,改到某个程度,再“另存为”一个文件。就这样改着、存着……最后你的 Word 文档变成了这样: 过了几天,你想找回被删除的文字,但是已经记不清保存在哪个文件了,只能挨个去找。真麻烦,眼睛都花了。看

matlab读取NC文件(含group)

matlab读取NC文件(含group): NC文件数据结构: 代码: % 打开 NetCDF 文件filename = 'your_file.nc'; % 替换为你的文件名% 使用 netcdf.open 函数打开文件ncid = netcdf.open(filename, 'NC_NOWRITE');% 查看文件中的组% 假设我们想读取名为 "group1" 的组groupName