1 主要内容

程序主要复现的是《多源动态最优潮流的分布鲁棒优化方法》，针对大规模清洁能源接入电网引起的系统鲁棒性和经济性协调问题，提出含风–光–水–火多种能源的分布鲁棒动态最优潮流模型。采用分布鲁棒优化方法将风光不确定性描述为包含概率分布信息的模糊不确定集。将模糊不确定集构造为一个以风光预测误差经验分布为中心，以 Wasserstein距离为半径的 Wasserstein 球。在满足风光预测误差服从模糊不确定集中极端概率分布情况下最小化运行费用。由于梯级水电厂模型为混合整数模型，为了提高计算效率，将交流潮流近似为解耦线性潮流,以118节点系统为例验证了方法的可行性。

在研究过程中，有些地方描述不是很清楚，然后参考同作者英文文献获得启发《Wasserstein Metric Based Distributionally Robust Approximate Framework for Unit Commitment》,两个文章公式部分基本一致，表达方式有所差别，所以单一个文献看不明白的话可以找到作者其他文献就更容易了解作者的意图，尤其是有些期刊论文说的比较简约，但是在硕博论文中就解释的非常仔细，一点小心得分享给大家。

2 代码

%% 决策变量
x_theta = sdpvar(nbus, Horizon,'full');%网络角度
V = sdpvar(nbus, Horizon,'full');%网络节点电压
x_P_h = sdpvar(ngen, Horizon,'full');%风光调整前火电
x_P_s = sdpvar(ns, Horizon,'full');%风光调整前水电
% x_P_hz = sdpvar(ngen, Horizon,'full');
% x_P_sz = sdpvar(ns, Horizon,'full');
x_P_w = sdpvar(nw, Horizon,'full');
x_P_v = sdpvar(nv, Horizon,'full');
ww = sdpvar(1,Horizon,'full');%风力偏差
wp = sdpvar(1,Horizon,'full');%光伏偏差
wwp = sdpvar(1,Horizon,'full');%风光总偏差

alfah = sdpvar(ngen,Horizon,'full');%火电机组参与因子
alfas = sdpvar(ns,Horizon,'full');%水电机组参与因子
rgmax = 50.*ones(ngen, Horizon);%火电旋转备用容量
rgmin = 10.*ones(ngen, Horizon);%火电旋转备用容量
rsmax = 50.*ones(ns, Horizon);%水电旋转备用容量
rsmin = 10.*ones(ns, Horizon);%水电旋转备用容量
rhog = 2.*ones(ngen, Horizon);
rhos = 3.*ones(ns, Horizon);
k1 = sdpvar(1);%对偶变量
k2 = sdpvar(1);%对偶变量
tk1 = sdpvar(1,K,'full');%辅助变量
tk2 = sdpvar(1,K,'full');%辅助变量
%平方分段线性化参数
gn=5;%分段数
x_pf=sdpvar(ngen, Horizon,'full');%p的平方
x=sdpvar(ngen, Horizon,'full');
gw1=sdpvar(gn+1,Horizon,'full');%辅助参数，下同
gw2=sdpvar(gn+1,Horizon,'full');
gw3=sdpvar(gn+1,Horizon,'full');
gw4=sdpvar(gn+1,Horizon,'full');
gw5=sdpvar(gn+1,Horizon,'full');
gw6=sdpvar(gn+1,Horizon,'full');
gw7=sdpvar(gn+1,Horizon,'full');
gw8=sdpvar(gn+1,Horizon,'full');
gw9=sdpvar(gn+1,Horizon,'full');
gw10=sdpvar(gn+1,Horizon,'full');
gw11=sdpvar(gn+1,Horizon,'full');
gw12=sdpvar(gn+1,Horizon,'full');
gw13=sdpvar(gn+1,Horizon,'full');
gw14=sdpvar(gn+1,Horizon,'full');
gz1=binvar(gn, Horizon,'full');gz2=binvar(gn, Horizon,'full');gz3=binvar(gn, Horizon,'full');gz4=binvar(gn, Horizon,'full');gz5=binvar(gn, Horizon,'full');
gz6=binvar(gn, Horizon,'full');gz7=binvar(gn, Horizon,'full');gz8=binvar(gn, Horizon,'full');gz9=binvar(gn, Horizon,'full');gz10=binvar(gn, Horizon,'full');
gz11=binvar(gn, Horizon,'full');gz12=binvar(gn, Horizon,'full');gz13=binvar(gn, Horizon,'full');gz14=binvar(gn, Horizon,'full');
%% 约束条件生成
cons = [];
cons = [cons,wwp == ww + wp];
% 火电
Phmax = 10.*[460;300;443;320;330;460;300;443;320;330;460;300;443;320];%火电机组上限
Phmin = [90;58;110;30;50;90;58;110;30;50;90;58;110;30];%火电机组下线
ru=50;rd=40;%爬坡和滑坡
%水电
Psmax = [1060;820;1243];
Psmin = [90;58;110];
rsu=0.1;rsd=0.1;
cons_sgen = getConssGen(x_P_s,Psmax,Psmin,rsu,rsd,rsmax,rsmin,wwp,alfas,Horizon);cons_gen = getConsGen2(x_P_h,Phmax,Phmin,ru,rd,rgmax,rgmin,wwp,alfah,Horizon);cons = [cons, cons_gen];cons = [cons, cons_sgen];%风电cons = [cons, x_P_w==muw+ww,-0.3.*muw<=ww<=0.3.*muw];%光伏cons = [cons, x_P_v==muv+wp,-0.3.*muv<=wp<=0.3.*muv];
% 仿射约束
x_P_hz = x_P_h-alfah.*repmat(wwp,ngen,1);
x_P_sz = x_P_s-alfas.*repmat(wwp,ns,1);
cons = [cons,0<= alfah <=1,0<= alfas <=1,sum(alfah)+sum(alfas) == ones(1,Horizon)];

3 程序效果

程序采用118节点系统

以上是程序优化结果图，下面为原文对照图。

以上是程序优化结果图，下面为原文对照图。4

4 下载链接

这里是《电力程序》集中营，单击直达！

【分布鲁棒】多源动态最优潮流的分布鲁棒优化方法相关推荐

参数调优为什么要采样_sklearn参数优化方法
学习器模型中一般有两个参数:一类参数可以从数据中学习估计得到,还有一类参数无法从数据中估计,只能靠人的经验进行指定,后一类参数就叫超参数比如,支持向量机里的C,Kernel,gama,朴素贝叶斯里的 ...
简易mysql数据库调优_MySQL数据库简单实用的优化方法
1.定期分析表和检查表分析表的语法如下: 引用 ANALYZE [LOCAL | NO_WRITE_TO_BINLOG] TABLE tb1_name[, tbl_name]... 以上语句用于分析 ...
MATLAB代码：CPLEX二阶锥规划考虑Wind+CB+SVG+OLTC+ESS多时段24h 最优潮流研究在配电网规划运行中不可或缺，且在大量分布式能源接入的主动配电网环境下尤为重要
MATLAB代码:CPLEX二阶锥规划考虑Wind+CB+SVG+OLTC+ESS多时段24h 关键词:二阶锥最优潮流 SOCP 参考文档:<主动配电网多源协同运行优化研究> 仿真平台: ...
基于分段式随机惯性权重和最优反馈机制的鲸鱼优化算法
文章目录一.理论基础 1.基本鲸鱼优化算法 2.基于分段式随机惯性权重和最优反馈机制的鲸鱼优化算法(FWOA) (1)基于最优解反馈机制的随机游走觅食 (2)分段式非线性递减惯性权重 (3)修正且改 ...
67.Java垃圾收集机制\对象引用\垃圾对象的判定\垃圾收集算法\标记—清除算法\标记—整理算法\分代收集\垃圾收集器\性能调优
67.Java垃圾收集机制 67.1.对象引用 67.2.垃圾对象的判定 67.3.垃圾收集算法 67.3.1.标记-清除算法 67.3.2.标记-整理算法 67.3.3.分代收集 67.4.垃圾收集 ...
驾驶证学法减分助手小程序源码（带搭建视频教程）
驾驶证学法减分助手小程序源码带搭建视频教程源码分享!需要源码学习可私信. 学法满分考试系统源码/驾考学习小程序源码/拍照答题解答/带流量主,这款小程序源码是驾考辅助学习的,默认里面包含了几万道驾考题 ...
点餐小程序【源码好优多】
" 关键句: "点餐小程序" 这是采用小程构建的高效微信点餐小程序解决方案.后端使用的java1.8,数据库采用mongodb4.0,服务器即可搭建. 安装使用 1.将 ...
mysql 分桶_使用hive脚本一键动态分区、分区又分桶以及脚本步骤详细详解（亲测成功）...
一.动态分区以及从linux本地文件映射到hive表中. partitioned.sql脚本中的创造数据: mkdir /mytemp cd mytemp vi stu_score.txt 1,zha ...
RP-VIO：面向动态环境的基于平面的鲁棒视惯融合里程计（IROS2021）
RP-VIO: Robust Plane-based Visual-Inertial Odometry for Dynamic Environments 来源:Ram K, Kharyal C, Ha ...

【分布鲁棒】多源动态最优潮流的分布鲁棒优化方法

1 主要内容

2 代码

3 程序效果

4 下载链接

【分布鲁棒】多源动态最优潮流的分布鲁棒优化方法相关推荐

最新文章

热门文章