【复现】【免费】基于多时间尺度滚动优化的多能源微网双层调度模型

本文主要是介绍【复现】【免费】基于多时间尺度滚动优化的多能源微网双层调度模型,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   

  部分代码   

  结果一览   

1.原文结果

2.程序运行结果

下载链接


主要内容   

该模型参考《Collaborative Autonomous Optimization of Interconnected Multi-Energy Systems with Two-Stage Transactive Control Framework》,主要解决的是一个多能源微网的优化调度问题,首先对于下层多能源微网模型,考虑以其最小化运行成本为目标函数,通过多时间尺度滚动优化处理负荷和可再生能源随机性,并求解其最优调度策略;对于上层模型,考虑运营商以最小化运营成本为目标函数,同时考虑变压器过载等问题。最终构建了一个两阶段优化模型,采用次梯度法和二分法对模型进行优化求解,程序采用matlab编写,模块化编程,注释清晰。

  部分代码   

%次梯度法求解
% 用于日前预测或日内作为对比
global EH1 EH2 EH3 elePrice period couldExport minimumPower
delta_lambda_max = 1e-4;
maxIteration = 3000; %最大迭代次数
iterativeStep = 1;
ee = 0.001;
%%按照不同的输出场景,选择不同的约束
if couldExport == 1minimumPower = eleLimit_total(2);
elseminimumPower = 0;
end
if isDA%%获取不同IES的参数值EH1.predict(0);EH2.predict(0);EH3.predict(0);priceArray_record(:,1) = elePrice;prePrice = elePrice;temporal = 1;st = 1;
elsetemporal =  24* period;%%确定为24h的算例st = time;
end
for pt = st : temporalif isDA == 0%%获取不同IES的参数值EH1.predict(pt);EH2.predict(pt);EH3.predict(pt);endnumber = 1; k = 1;lamda_old = -10 * ones(24 * period - pt + 1, 1);lamda_new = zeros(24 * period - pt + 1, 1); %取初始值:对预测电价没有偏差lamda_record = zeros(24 * period - pt + 1 , maxIteration + 1);lamda_record(: , number) = lamda_new;max_balance=zeros (1 , maxIteration + 1);%如果前后两次价格的偏差太大,则返回第1步while number <= 2 || max(abs(balanceDemand)) > 100% max(abs(lamda_new - lamda_old)) > ee || %| max(abs(clearDemand_new - clearDemand_old)) > 1e-4 %1e-6, 不能直接取0% 后一个条件是因为即使lamda收敛后,供需也不平衡,所以需要取一正一负两个点,来求零点% && || 的前一个为否,则后一个就不计算了% 要求至少迭代两次(number=1,2)%             if number > maxIteration%                 error('超出最大迭代次数');%             endif number > 1% number=2时才记录第一次clearDemand_old = clearDemand_new;end%%依次根据priceArray, gasPrice1, pt三个输入值计算优化结果以及响应结果[x1,f1,~,~,~] = EH1.handlePrice(priceArray, gasPrice1, pt);%根据priceArray, gasPrice1, pt三个输入值计算EH1优化结果以及响应结果clearDemand_EH1_new = x1(1: 24 * period - pt + 1);%根据priceArray, gasPrice1, pt三个输入值计算EH2优化结果以及响应结果[x2,f2,~,~,~] = EH2.handlePrice(priceArray, gasPrice1, pt);%根据priceArray, gasPrice1, pt三个输入值计算EH2优化结果以及响应结果clearDemand_EH2_new = x2(1: 24 * period - pt + 1);%根据priceArray, gasPrice1, pt三个输入值计算EH3优化结果以及响应结果[x3,f3,~,~,~] = EH3.handlePrice(priceArray, gasPrice1, pt);clearDemand_EH3_new = x3(1: 24 * period - pt + 1);
​%%根据lamda_new(i)的取值,计算不同情况下的电网侧出清结果(上层)clearDemand_grid_new=zeros(24 * period - pt + 1 ,1);for i = 1: 24 * period - pt + 1if lamda_new(i) == 0

  结果一览   

1.原文结果

2.程序运行结果

下载链接

这篇关于【复现】【免费】基于多时间尺度滚动优化的多能源微网双层调度模型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/828848

相关文章

MySQL索引的优化之LIKE模糊查询功能实现

《MySQL索引的优化之LIKE模糊查询功能实现》:本文主要介绍MySQL索引的优化之LIKE模糊查询功能实现,本文通过示例代码给大家介绍的非常详细,感兴趣的朋友一起看看吧... 目录一、前缀匹配优化二、后缀匹配优化三、中间匹配优化四、覆盖索引优化五、减少查询范围六、避免通配符开头七、使用外部搜索引擎八、分

Linux之计划任务和调度命令at/cron详解

《Linux之计划任务和调度命令at/cron详解》:本文主要介绍Linux之计划任务和调度命令at/cron的使用,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录linux计划任务和调度命令at/cron一、计划任务二、命令{at}介绍三、命令语法及功能 :at

Python通过模块化开发优化代码的技巧分享

《Python通过模块化开发优化代码的技巧分享》模块化开发就是把代码拆成一个个“零件”,该封装封装,该拆分拆分,下面小编就来和大家简单聊聊python如何用模块化开发进行代码优化吧... 目录什么是模块化开发如何拆分代码改进版:拆分成模块让模块更强大:使用 __init__.py你一定会遇到的问题模www.

Spring Security基于数据库的ABAC属性权限模型实战开发教程

《SpringSecurity基于数据库的ABAC属性权限模型实战开发教程》:本文主要介绍SpringSecurity基于数据库的ABAC属性权限模型实战开发教程,本文给大家介绍的非常详细,对大... 目录1. 前言2. 权限决策依据RBACABAC综合对比3. 数据库表结构说明4. 实战开始5. MyBA

SpringBoot首笔交易慢问题排查与优化方案

《SpringBoot首笔交易慢问题排查与优化方案》在我们的微服务项目中,遇到这样的问题:应用启动后,第一笔交易响应耗时高达4、5秒,而后续请求均能在毫秒级完成,这不仅触发监控告警,也极大影响了用户体... 目录问题背景排查步骤1. 日志分析2. 性能工具定位优化方案:提前预热各种资源1. Flowable

SpringBoot3实现Gzip压缩优化的技术指南

《SpringBoot3实现Gzip压缩优化的技术指南》随着Web应用的用户量和数据量增加,网络带宽和页面加载速度逐渐成为瓶颈,为了减少数据传输量,提高用户体验,我们可以使用Gzip压缩HTTP响应,... 目录1、简述2、配置2.1 添加依赖2.2 配置 Gzip 压缩3、服务端应用4、前端应用4.1 N

Spring Boot + MyBatis Plus 高效开发实战从入门到进阶优化(推荐)

《SpringBoot+MyBatisPlus高效开发实战从入门到进阶优化(推荐)》本文将详细介绍SpringBoot+MyBatisPlus的完整开发流程,并深入剖析分页查询、批量操作、动... 目录Spring Boot + MyBATis Plus 高效开发实战:从入门到进阶优化1. MyBatis

MyBatis 动态 SQL 优化之标签的实战与技巧(常见用法)

《MyBatis动态SQL优化之标签的实战与技巧(常见用法)》本文通过详细的示例和实际应用场景,介绍了如何有效利用这些标签来优化MyBatis配置,提升开发效率,确保SQL的高效执行和安全性,感... 目录动态SQL详解一、动态SQL的核心概念1.1 什么是动态SQL?1.2 动态SQL的优点1.3 动态S

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

一文详解SpringBoot响应压缩功能的配置与优化

《一文详解SpringBoot响应压缩功能的配置与优化》SpringBoot的响应压缩功能基于智能协商机制,需同时满足很多条件,本文主要为大家详细介绍了SpringBoot响应压缩功能的配置与优化,需... 目录一、核心工作机制1.1 自动协商触发条件1.2 压缩处理流程二、配置方案详解2.1 基础YAML