Matlab|基于分布式ADMM算法的考虑碳排放交易的电力系统优化调度研究

2024-03-24 00:52
文章标签 算法 matlab admm 分布式 交易 电力 调度 研究 排放 考虑 系统优化

本文主要是介绍Matlab|基于分布式ADMM算法的考虑碳排放交易的电力系统优化调度研究，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

1 主要内容

目标函数

计算步骤

节点系统

2 部分代码

3 程序结果

4 下载链接

1 主要内容

程序完全复现文献《A Distributed Dual Consensus ADMM Based on Partition for DC-DOPF with Carbon Emission Trading》，建立了一个考虑碳排放交易的最优模型，首先，对测试系统（6节点或者30节点或者118节点系统）进行了分区，以便后续ADMM算法的应用，其次，构建了DC-DOPF的最优潮流模型作为主要应用场景，以发电+买卖排放配额费用之和为目标函数，考虑碳排放约束、潮流约束以及耦合约束等约束条件，程序考虑了负荷需求响应和碳排放交易，从而符合目前低碳调度的研究热点，算法方面采用ADMM算法，也就是交替方向乘子法，更加创新，而且求解的效果更好，代码质量非常高，保姆级的注释以及人性化的模块子程序，所有数据均明确可靠来源，非常方便学习！

  • 目标函数

  • 计算步骤

  • 节点系统

程序默认节点系统为118节点系统，代码如下：

FileName = 'SCUC_dat/DDOPF118.txt'; %Corresponding to the 118-bus system in literature [7]；对应文献[7]中的118-bus system

可以通过修改节点系统名称来验证其他节点（6节点或者30节点）系统模型，程序已经内置了这部分代码，可以通过取消注释即可实现。

%             FileName = 'SCUC_dat/SCUC6.txt';    %Corresponding to the 6-bus System;对应文中6bus例子
%             FileName = 'SCUC_dat/SCUC30.txt'; %Corresponding to the 30-bus System;对应文中30bus例子
%             FileName = 'SCUC_dat/SCUC6-2.txt';  %Corresponding to the 6-bus System in literature [7];对应文献[7]中的6-bus system
%             FileName = 'SCUC_dat/SCUC1062-2.txt';  %Corresponding to the 1062-bus System;对应文中1062-bus例子
%             FileName = 'SCUC_dat/RTS48.txt'; %Corresponding to the RTS-48 bus system.The test system can obtain from [44];对应文中RTS0-48 bus例子
​

2 部分代码

                        if isequal(k,1) %第一次形成p_t并记下对应的区间即可p_t_index = []; %存储p_t中每行在XJ中的索引,第一列为初始索引，第二列为结束索引,第三列为行索引seta_t_index = []; %存储seta_t中每行在XJ中的索引,第一列为初始索引，第二列为结束索引,第三列为行索引for i = 1:size(allNodes,1)bus_sequence_index = find(ismember(SCUC_data.busUnits.bus_sequence,allNodes(i,1))==1); %allNodes(i,1)在SCUC_data.busUnits.bus_sequence上的索引P_start_index = (PbusUnitsNumber(i,1) - PbusUnitsNumber(1,1) + i - 1); %allNodes(i,1)对应变量P前面的所有变量P和θ的总数量Seta_start_index = (PbusUnitsNumber(i+1,1) - PbusUnitsNumber(1,1) + i - 1); %allNodes(i,1)对应变量θ前面的所有变量P和θ的总数量if ~isempty(bus_sequence_index) %The bus with unit. 节点上有发电机for j = 1:size(SCUC_data.busUnits.unitIndex{bus_sequence_index,1},1)p_t(units_number,:) = XJ(P_start_index*T + (j-1)*T + 1:P_start_index*T + (j-1)*T + T);%Pp_t_index(units_index,1) = P_start_index*T + (j-1)*T + 1;p_t_index(units_index,2) = P_start_index*T + (j-1)*T + T;p_t_index(units_index,3) = units_number;units_number = units_number + 1;units_index = units_index + 1;endelse %The bus without unit.节点上没有发电机p_t(units_number,:) = XJ(P_start_index*T + 1:P_start_index*T + T);%Punits_number = units_number + 1;endseta_t(i,:) = XJ(Seta_start_index*T + 1:Seta_start_index*T + T);%θseta_t_index(i,1) = Seta_start_index*T + 1;seta_t_index(i,2) = Seta_start_index*T + T;seta_t_index(i,3) = i;endelse  %按照第一次记下的变量顺序即可p_t = zeros(partitionData.PIUnitsNumber{end}-partitionData.PIUnitsNumber{1},T);seta_t = zeros(size(seta_t_index,1),T);for i = 1:size(p_t_index,1)p_t(p_t_index(i,3),:) = XJ(p_t_index(i,1):p_t_index(i,2));endfor i = 1:size(seta_t_index,1)seta_t(seta_t_index(i,3),:) = XJ(seta_t_index(i,1):seta_t_index(i,2));endendelseif isequal(includeDR,'yes')PINumber = partitionData.PINumber;EINumber = partitionData.EINumber;piecewiseNumber = SCUC_data.elasticBus.piecewiseNumber; %分段函数分的段数K = SCUC_data.elasticBus.N;%弹性节点数量dr_t = zeros(K,T); %弹性负荷变量drhr_t = zeros(piecewiseNumber,T,K); %辅助变量Hr,第一个参数对应分段数，第二个参数对应时段，第三个参数对应节点编号%按照片区顺序for i = 1:nDindex = 2*(PINumber{i+1}-1)*T + (EINumber{i}-1)*(piecewiseNumber+1)*T; %+2为考虑碳排放的两个变量Hindex = Dindex + T; %取dr和hrfor j = 1:EINumber{i+1}-EINumber{i}%dr的行按照partitionData.allElasticityNodes中节点编号的顺序dr_t(EINumber{i}-1+j,:) = XJ((j-1)*(piecewiseNumber+1)*T+1+Dindex:(j-1)*(piecewiseNumber+1)*T+T+Dindex); %drfor r = 1:piecewiseNumberhr_t(r,:,EINumber{i}-1+j) = XJ((j-1)*(piecewiseNumber+1)*T+(r-1)*T+1+Hindex:(j-1)*(piecewiseNumber+1)*T+(r-1)*T+T+Hindex); %hrendendendif isequal(k,1) p_t_index = []; %存储p_t中每行在XJ中的索引,第一列为初始索引，第二列为结束索引,第三列为行索引seta_t_index = []; %存储seta_t中每行在XJ中的索引,第一列为初始索引，第二列为结束索引,第三列为行索引%按照片区顺序for i = 1:nPindex = 2*(PINumber{i}-1)*T + (EINumber{i}-1)*(piecewiseNumber+1)*T; %+2为考虑碳排放的两个变量Dindex = 2*(PINumber{i+1}-1)*T + (EINumber{i}-1)*(piecewiseNumber+1)*T; %+2为考虑碳排放的两个变量Hindex = Dindex + T; %取P和θfor j = 1:PINumber{i+1}-PINumber{i}%xx的行按照partitionData.allNodes(即allNodes)中节点编号的顺序p_t(PINumber{i}-1+j,:) = XJ(2*(j-1)*T+1+Pindex:2*(j-1)*T+T+Pindex);%Pseta_t(PINumber{i}-1+j,:) = XJ(2*(j-1)*T+T+1+Pindex:2*(j-1)*T+2*T+Pindex);%θp_t_index(PINumber{i}-1+j,1) = 2*(j-1)*T+1+Pindex;p_t_index(PINumber{i}-1+j,2) = 2*(j-1)*T+T+Pindex;p_t_index(PINumber{i}-1+j,3) = PINumber{i}-1+j;seta_t_index(PINumber{i}-1+j,1) = 2*(j-1)*T+T+1+Pindex;seta_t_index(PINumber{i}-1+j,2) = 2*(j-1)*T+2*T+Pindex;seta_t_index(PINumber{i}-1+j,3) = PINumber{i}-1+j;endendelse  %按照第一次记下的变量顺序即可p_t = zeros(size(p_t_index,1),T);seta_t = zeros(size(seta_t_index,1),T);for i = 1:size(p_t_index,1)p_t(p_t_index(i,3),:) = XJ(p_t_index(i,1):p_t_index(i,2));endfor i = 1:size(seta_t_index,1)seta_t(seta_t_index(i,3),:) = XJ(seta_t_index(i,1):seta_t_index(i,2));endendelsedr_t = []; %弹性负荷变量drhr_t = []; %辅助变量Hrfor i = 1:Np_t(i,:) = XJ((i-1)*2*T+1:(i-1)*2*T+T);%Pseta_t(i,:) = XJ((i-1)*2*T+T+1:(i-1)*2*T+2*T);%θendend

3 程序结果

原文结果图：

该图和上述结果图1趋势完全一致，验证代码的可行性。

4 下载链接

这篇关于Matlab|基于分布式ADMM算法的考虑碳排放交易的电力系统优化调度研究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/840052。

相关文章

不懂推荐算法也能设计推荐系统

不懂推荐算法也能设计推荐系统

本文以商业化应用推荐为例，告诉我们不懂推荐算法的产品，也能从产品侧出发， 设计出一款不错的推荐系统。 相信很多新手产品，看到算法二字，多是懵圈的。 什么排序算法、最短路径等都是相对传统的算法（注：传统是指科班出身的产品都会接触过）。但对于推荐算法，多数产品对着网上搜到的资源，都会无从下手。特别当某些推荐算法 和 “AI”扯上关系后，更是加大了理解的难度。 但，不了解推荐算法，就无法做推荐系
阅读更多...
康拓展开（hash算法中会用到）

康拓展开（hash算法中会用到）

康拓展开是一个全排列到一个自然数的双射（也就是某个全排列与某个自然数一一对应） 公式： X=a[n]*(n-1)!+a[n-1]*(n-2)!+...+a[i]*(i-1)!+...+a[1]*0! 其中,a[i]为整数,并且0<=a[i]<i,1<=i<=n。（a[i]在不同应用中的含义不同）； 典型应用： 计算当前排列在所有由小到大全排列中的顺序，也就是说求当前排列是第
阅读更多...
csu 1446 Problem J Modified LCS （扩展欧几里得算法的简单应用）

csu 1446 Problem J Modified LCS （扩展欧几里得算法的简单应用）

这是一道扩展欧几里得算法的简单应用题，这题是在湖南多校训练赛中队友ac的一道题，在比赛之后请教了队友，然后自己把它a掉 这也是自己独自做扩展欧几里得算法的题目 题意：把题意转变下就变成了：求d1*x - d2*y = f2 - f1的解,很明显用exgcd来解 下面介绍一下exgcd的一些知识点：求ax + by = c的解 一、首先求ax + by = gcd(a,b)的解 这个
阅读更多...
综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

综合安防管理平台LntonAIServer视频监控汇聚抖动检测算法优势

LntonAIServer视频质量诊断功能中的抖动检测是一个专门针对视频稳定性进行分析的功能。抖动通常是指视频帧之间的不必要运动，这种运动可能是由于摄像机的移动、传输中的错误或编解码问题导致的。抖动检测对于确保视频内容的平滑性和观看体验至关重要。 优势 1. 提高图像质量 - 清晰度提升：减少抖动，提高图像的清晰度和细节表现力，使得监控画面更加真实可信。 - 细节增强：在低光条件下，抖
阅读更多...
【数据结构】——原来排序算法搞懂这些就行，轻松拿捏

【数据结构】——原来排序算法搞懂这些就行，轻松拿捏

前言：快速排序的实现最重要的是找基准值，下面让我们来了解如何实现找基准值 基准值的注释：在快排的过程中，每一次我们要取一个元素作为枢纽值，以这个数字来将序列划分为两部分。 在此我们采用三数取中法，也就是取左端、中间、右端三个数，然后进行排序，将中间数作为枢纽值。 快速排序实现主框架： //快速排序 void QuickSort(int* arr, int left, int rig
阅读更多...
poj 3974 and hdu 3068 最长回文串的O（n）解法(Manacher算法)

poj 3974 and hdu 3068 最长回文串的O（n）解法(Manacher算法)

求一段字符串中的最长回文串。 因为数据量比较大，用原来的O（n^2）会爆。 小白上的O(n^2)解法代码：TLE啦~ #include<stdio.h>#include<string.h>const int Maxn = 1000000;char s[Maxn];int main(){char e[] = {"END"};while(scanf("%s", s) != EO
阅读更多...
搭建Kafka+zookeeper集群调度

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
阅读更多...
秋招最新大模型算法面试，熬夜都要肝完它

秋招最新大模型算法面试，熬夜都要肝完它

💥大家在面试大模型LLM这个板块的时候，不知道面试完会不会复盘、总结，做笔记的习惯，这份大模型算法岗面试八股笔记也帮助不少人拿到过offer ✨对于面试大模型算法工程师会有一定的帮助，都附有完整答案，熬夜也要看完，祝大家一臂之力 这份《大模型算法工程师面试题》已经上传CSDN，还有完整版的大模型 AI 学习资料，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
阅读更多...
dp算法练习题【8】

dp算法练习题【8】

不同二叉搜索树 96. 不同的二叉搜索树 给你一个整数 n ，求恰由 n 个节点组成且节点值从 1 到 n 互不相同的 二叉搜索树 有多少种？返回满足题意的二叉搜索树的种数。 示例 1： 输入：n = 3输出：5 示例 2： 输入：n = 1输出：1 class Solution {public int numTrees(int n) {int[] dp = new int
阅读更多...
Codeforces Round #240 (Div. 2) E分治算法探究1

Codeforces Round #240 (Div. 2) E分治算法探究1

Codeforces Round #240 (Div. 2) E  http://codeforces.com/contest/415/problem/E 2^n个数，每次操作将其分成2^q份，对于每一份内部的数进行翻转(逆序)，每次操作完后输出操作后新序列的逆序对数。 图一：  划分子问题。 图二： 分而治之，=>  合并 。 图三： 回溯：
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2