【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

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

大模型研发全揭秘:客服工单数据标注的完整攻略

在人工智能(AI)领域,数据标注是模型训练过程中至关重要的一步。无论你是新手还是有经验的从业者,掌握数据标注的技术细节和常见问题的解决方案都能为你的AI项目增添不少价值。在电信运营商的客服系统中,工单数据是客户问题和解决方案的重要记录。通过对这些工单数据进行有效标注,不仅能够帮助提升客服自动化系统的智能化水平,还能优化客户服务流程,提高客户满意度。本文将详细介绍如何在电信运营商客服工单的背景下进行

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

Andrej Karpathy最新采访:认知核心模型10亿参数就够了,AI会打破教育不公的僵局

夕小瑶科技说 原创  作者 | 海野 AI圈子的红人,AI大神Andrej Karpathy,曾是OpenAI联合创始人之一,特斯拉AI总监。上一次的动态是官宣创办一家名为 Eureka Labs 的人工智能+教育公司 ,宣布将长期致力于AI原生教育。 近日,Andrej Karpathy接受了No Priors(投资博客)的采访,与硅谷知名投资人 Sara Guo 和 Elad G

Retrieval-based-Voice-Conversion-WebUI模型构建指南

一、模型介绍 Retrieval-based-Voice-Conversion-WebUI(简称 RVC)模型是一个基于 VITS(Variational Inference with adversarial learning for end-to-end Text-to-Speech)的简单易用的语音转换框架。 具有以下特点 简单易用:RVC 模型通过简单易用的网页界面,使得用户无需深入了

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

透彻!驯服大型语言模型(LLMs)的五种方法,及具体方法选择思路

引言 随着时间的发展,大型语言模型不再停留在演示阶段而是逐步面向生产系统的应用,随着人们期望的不断增加,目标也发生了巨大的变化。在短短的几个月的时间里,人们对大模型的认识已经从对其zero-shot能力感到惊讶,转变为考虑改进模型质量、提高模型可用性。 「大语言模型(LLMs)其实就是利用高容量的模型架构(例如Transformer)对海量的、多种多样的数据分布进行建模得到,它包含了大量的先验

图神经网络模型介绍(1)

我们将图神经网络分为基于谱域的模型和基于空域的模型,并按照发展顺序详解每个类别中的重要模型。 1.1基于谱域的图神经网络         谱域上的图卷积在图学习迈向深度学习的发展历程中起到了关键的作用。本节主要介绍三个具有代表性的谱域图神经网络:谱图卷积网络、切比雪夫网络和图卷积网络。 (1)谱图卷积网络 卷积定理:函数卷积的傅里叶变换是函数傅里叶变换的乘积,即F{f*g}