【EI复现】多区域综合能源系统热网建模及系统运行优化(Matlab代码实现)

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势:🌞🌞🌞博客内容尽量做到思维缜密,逻辑清晰,为了方便读者。

⛳️座右铭:行百里者,半于九十。

💥1 概述

文献来源:

目前,关于 IES 的研究多集中于 CCHP 系统建模、规划与经济调度方面[16-21]。文献[1]对 CCHP 微网建模、规划与能量管理的研究现状进行了综述,总结了当前研究中存在的不足;文献[2]提出了

CCHP 微网母线式结构,给出了 CCHP 微网的一般结构,利用该结构建立了 CCHP 微网的日前经济调度的混合整数线性规划 (mixed integer linearprogramming,MILP)模型;文献[22]采用矩阵形式,构建了 CCHP 系统的输入输出模型,并建立了系统评价模型,确定了系统热电联供机组的最优容量;文献[9]以德黑兰东部某商住综合区为例,建立了含有 DHCN 的区域 CCHP 系统规划模型,研究了系统设备的最优配置问题,但文中的 DHCN 模型过于简单,缺乏相应的理论依据;文献[23]根据热力学定律,推导了能量在线路中的普遍化传递方程,并基于广义基尔霍夫定律建立了能量网络方程,为能量网络的建模与分析奠定了理论基础,但该模型过于抽象,在工程应用中存在一定困难。针对上述问题,本文建立了区域热网能量传输模型和含有热网的多区域 IES 运行优化模型。首先,基于传热学基本原理与管网基本理论建立热网能量传输的通用模型,该模型以热网热媒流量、温度作为优化变量,能够较为精确的描述热网状态,但由于含有非线性项,计算量大,求解较为困难。其次,根据热网通用模型推导出热网热损方程,将其线性化得到热网能量流模型,模型仅含有热网传输热功率变量,且为混合整数线性模型,给系统优化求解带来极大方便。再次,推导热网流量–温度方程,该方程可以通过热网功率流求解网络状态参数(热媒流量、温度)。最后,将 CCHP 运行优化模型与热网模型相结合,建立含有热网的多区域 IES混合整数线性规划模型。仿真结果表明,多区域 IES协同运行能够带来可观的经济效益,同时验证本文建立的热网模型的有效性。

本文研究的多区域 IES 结构如图 4 所示,该系统包含若干个不同区域的 CCHP 系统、热网、电网、水网和燃气网。当允许向电网售电时,CCHP 系统可将多余的电能出售给电网。各个 CCHP 系统通过热网进行热功率交换,热能供应过剩的区域向热网注入热能,热能供应不足的区域从热网得到热能。由于 CCHP 系统与热网热能交互具有双向性,从而其耦合环节应具有方向选择性。如图 5 所示。

 

算例: 

这项研究工作复现了《多区域综合能源系统热网建模及系统运行优化》模型,并对该模型进行了进一步扩展和优化。通过基于传热学基本原理的建模,成功建立了区域热网能量传输通用模型,实现了对热网热损方程的线性化处理,从而实现了热网能量流的建模。在已有冷热电联供系统运行优化模型的基础上,新建了一个包含热网的多区域综合能源系统(IES)优化混合整数线性规划模型。该模型以最小化电网购电费用、最大化向电网售电所得费用、最小化燃气费、弃光成本和热网运行费用之和为优化目标,同时考虑了CCHP系统、热网和各种设备之间的耦合关系约束条件。

为了更好地模拟多样化的可再生能源出力情景,研究采用了蒙特卡洛和kmeans聚类技术生成了可再生能源出力的随机优化场景。此外,研究还对原先的确定性模型进行了调整,转变为日前确定性和实时鲁棒优化模型,以更好地适应实际运行中的波动情况。

该程序采用了MATLAB编程结合Gurobi求解器进行实现。最近对程序进行了修正和优化,为对综合能源系统方向感兴趣的同学提供了学习和参考的机会。欢迎有兴趣的同学下载学习,以深入了解多区域热网系统建模与优化的相关技朮。

这次针对程序的修正和优化工作涵盖了三个主要方面,具体如下所述:

1. 针对程序的求解速度进行了优化,通过对程序代码的精心调整和优化,成功缩短了求解时间,目前程序的求解时间仅需大约5分钟左右,大大提升了程序的效率和实用性。

2. 在这次修正中,成功解决了热功率失衡的问题,这对于热网系统的稳定运行至关重要。通过调整算法和参数,有效地处理了热功率失衡情况,提升了系统的整体性能和可靠性,确保了热功率分配的均衡性。

3. 另外,在程序优化的过程中,引入了 addpath 命令,解决了程序对文件夹依赖的问题。该改进使得用户下载程序后能够直接运行,无需手动调整文件夹路径或名称,提升了程序的易用性和操作便捷性,为用户提供了更加流畅的体验和高效的工作环境。这一改进为用户节省了大量时间和精力,使得程序的部署和应用更加便利和无障碍。

📚2 运行结果

由于运行结果图比较多,这里仅展示主场景的运行结果图: 

其余运行结果为了美观,去掉Matlab图框。 

部分代码:

% 鲁棒优化

% CCHP约束-----日前
% [MPconstrains,func] = MP2(StateParams,StateTemData,Params,NumOfDistract); % MP问题
%%
HasBattery = [0,1,0,1];
constrains = [];
% Func= [];

for i = 1:NumOfDistract
    cons = CCHPConstrains2(StateParams(i),Params.(['CCHP',num2str(i)]),HasBattery(i));
    cons = [ cons;StateParams(i).Hhe * Params.(['CCHP',num2str(i)]).HE.n + StateParams(i).Hex == Params.(['CCHP',num2str(i)]).HeatLoad'];% Hex 与热网交换(**********)
    constrains = [constrains;cons];
    Func(i) = Obj2(StateParams(i),Params.(['CCHP',num2str(i)]),Params,i);

end

TemConstrains = [];
for t = 1:24
    Hex= [StateParams(1).Hex(t);StateParams(2).Hex(t);StateParams(3).Hex(t);StateParams(4).Hex(t)];
    cons = HeatingNetworkConstraints11(StateTemData{t},Params,Hex);

    TemConstrains = [TemConstrains;cons];
          
                                         % 热网耦合约束(*)
end
 constrains = [constrains;
                  TemConstrains;];    

func = 0;
for i = 1:NumOfDistract
    func = func  + Obj2(StateParams(i),Params.(['CCHP',num2str(i)]),Params,i);
end
MPconstrains=constrains;
%%
% 鲁棒约束----实时
theta = sdpvar(1);
NowRobusCost = sdpvar(1,NumOfScence);
NowRobustConstrains = cell(1,NumOfScence);
Cconstrains = MPconstrains;
for i = 1:NumOfScence
    [NowConstrainss,NowCost] = SPSingleRobustTest(DifferentScence{i},DifferentTemData{i},Params,StateParams,StateTemData,NumOfDistract,i);
    NowRobustConstrains{i} = NowConstrainss;
    NowRobusCost(i) = NowCost;
    Cconstrains = [Cconstrains;
                   NowConstrainss;
                   theta >= NowCost;];
end

opt = sdpsettings('verbose',1,'solver','gurobi');
opt.gurobi.MIPGap=0.1;
result = optimize(Cconstrains,func+theta,opt); % 主问题求解
a1 = value(func+theta)


%% 打印结果
% 日前调度
mkdir('./优化结果')
mkdir('./优化结果/主场景')
ResultPrint(StateParams,StateTemData,NumOfDistract,Params,'主场景');
% 实时结果

for i = 1:NumOfScence
    mkdir(['./优化结果/场景',num2str(i)])
    ResultPrint(DifferentScence{i},DifferentTemData{i},NumOfDistract,Params,['场景',num2str(i)]);
end 

🎉3 参考文献

文章中一些内容引自网络,会注明出处或引用为参考文献,难免有未尽之处,如有不妥,请随时联系删除。

[1]顾伟,陆帅,王珺等.多区域综合能源系统热网建模及系统运行优化[J].中国电机工程学报,2017,37(05):1305-1316.DOI:10.13334/j.0258-8013.pcsee.160991.

🌈4 Matlab代码、数据、文章

【电力系统】单机无穷大电力系统短路故障暂态稳定Simulink仿真(带说明文档)内容概要:本文档围绕“单机无穷大电力系统短路故障暂态稳定Simulink仿真”展开,提供了完整的仿真模型与说明文档,重点研究电力系统在发生短路故障后的暂态稳定性问题。通过Simulink搭建单机无穷大系统模型,模拟不同类型的短路故障(如三相短路),分析系统在故障期间及切除后的动态响应,包括发电机转子角度、转速、电压和功率等关键参数的变化,进而评估系统的暂态稳定能力。该仿真有助于理解电力系统稳定性机理,掌握暂态过程分析方法。; 适合人群:电气工程及相关专业的本科生、研究生,以及从事电力系统分析、运行与控制工作的科研人员和工程师。; 使用场景及目标:①学习电力系统暂态稳定的基本概念与分析方法;②掌握利用Simulink进行电力系统建模与仿真的技能;③研究短路故障对系统稳定性的影响及提高稳定性的措施(如故障清除时间优化);④辅助课程设计、毕业设计或科研项目中的系统仿真验证。; 阅读建议:建议结合电力系统稳定性理论知识进行学习,先理解仿真模型各模块的功能与参数设置,再运行仿真并仔细分析输出结果,尝试改变故障类型或系统参数以观察其对稳定性的影响,从而深化对暂态稳定问题的理解。
本研究聚焦于运用MATLAB平台,将支持向量机(SVM)应用于数据预测任务,并引入粒子群优化(PSO)算法对模型的关键参数进行自动调优。该研究属于机器学习领域的典型实践,其核心在于利用SVM构建分类模型,同时借助PSO的全局搜索能力,高效确定SVM的最优超参数配置,从而显著增强模型的整体预测效能。 支持向量机作为一种经典的监督学习方法,其基本原理是通过在高维特征空间中构造一个具有最大间隔的决策边界,以实现对样本数据的分类或回归分析。该算法擅长处理小规模样本集、非线性关系以及高维度特征识别问题,其有效性源于通过核函数将原始数据映射至更高维的空间,使得原本复杂的分类问题变得线性可分。 粒子群优化算法是一种模拟鸟群社会行为的群体智能优化技术。在该算法框架下,每个潜在解被视作一个“粒子”,粒子群在解空间中协同搜索,通过不断迭代更新自身速度与位置,并参考个体历史最优解和群体全局最优解的信息,逐步逼近问题的最优解。在本应用中,PSO被专门用于搜寻SVM中影响模型性能的两个关键参数——正则化参数C与核函数参数γ的最优组合。 项目所提供的实现代码涵盖了从数据加载、预处理(如标准化处理)、基础SVM模型构建到PSO优化流程的完整步骤。优化过程会针对不同的核函数(例如线性核、多项式核及径向基函数核等)进行参数寻优,并系统评估优化前后模型性能的差异。性能对比通常基于准确率、精确率、召回率及F1分数等多项分类指标展开,从而定量验证PSO算法在提升SVM模型分类能力方面的实际效果。 本研究通过一个具体的MATLAB实现案例,旨在演示如何将全局优化算法与机器学习模型相结合,以解决模型参数选择这一关键问题。通过此实践,研究者不仅能够深入理解SVM的工作原理,还能掌握利用智能优化技术提升模型泛化性能的有效方法,这对于机器学习在实际问题中的应用具有重要的参考价值。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
【IEEE顶刊复现】水下机器人AUV路径规划和MPC模型预测控制跟踪控制(复现)(Matlab代码实现)内容概要:本文档聚焦于【IEEE顶刊复现】水下机器人AUV路径规划与MPC模型预测控制跟踪控制的研究,提供了完整的Matlab代码实现方案。内容涵盖AUV在复杂海洋环境下的路径规划算法设计与模型预测控制(MPC)的跟踪控制策略,重点复现了高水平期刊中的关键技术细节,包括动力学建模、约束处理、优化求解及控制反馈等环节。文档还附带多个相关科研方向的技术介绍与资源链接,突出其在智能控制与机器人领域的高仿真精度与学术参考价值。; 适合人群:具备一定自动化、控制理论或机器人学背景,熟悉Matlab/Simulink环境,从事科研或工程开发的研究生、高校教师及科研人员;尤其适合致力于路径规划、MPC控制、水下机器人系统开发等相关课题的研究者。; 使用场景及目标:①复现IEEE顶刊中关于AUV路径规划与MPC控制的核心算法;②深入理解MPC在非线性系统中的应用机制与优化求解过程;③为水下机器人、无人系统等方向的科研项目提供可运行代码基础与技术参考;④辅助论文写作、项目申报与仿真验证。; 阅读建议:建议结合文档中提供的网盘资源(如YALMIP工具包、完整代码等)进行实践操作,重点关注MPC控制器的设计参数设置与路径规划算法的实现逻辑,同时可参考文中列举的其他研究方向拓展思路,提升科研效率与创新能力。
代码下载地址: https://pan.quark.cn/s/1b5b026cbb57 分类类别不平衡问题--python篇 # 一、什么是类不平衡 ## 在分类中经常会遇到:某些类别数据特别多,某类或者几类数据特别少。 如二分类中,一种类别(反例)数据特别多,另一种类别(正例)数据少的可怜。 如银行欺诈问题,客户流失问题,电力盗窃以及罕见疾病识别等都存在着数据类别不均衡的情况。 二、为什么要对类不平衡进行特殊处理 ## 传统的分类算法旨在最小化分类过程中产生的错误数量。 它们假设假阳性(实际是反例,但是错分成正例)和假阴性(实际是正例,但是错分为反例)错误的成本是相等的,因此不适合于类不平衡的数据。 有研究表明,在某些应用下,1∶35的比例就会使某些分类方法无效,甚至1∶10的比例也会使某些分类方法无效。 如果数据存在严重的不平衡,预测得出的结论往往也是有偏的,即分类结果会偏向于较多观测的类。 三、提升不平衡类分类准确率的方法 ## 提升不平衡类分类准确率的方法有三大类:采样、阈值移动、调整代价或权重。 avatar 1、采样 ### 1 过采样 #### 过采样基本思想就是通过改变训练数据的分布来消除或减小数据的不平衡。 过采样有随机过采样、基于聚类的过采样、信息性过采样(SMOTE)三大类方法。 随机过采样:通过增加少数类样本来提高少数类的分类性能 ,最简单的办法是随机复制少数类样本。 基于聚类的过采样:K-Means聚类算法独立地被用于少数和多数类实例,之后,每个聚类都过采样使得相同类的所有聚类有着同样的实例数量。 avatar 信息性过采样--SMOTE 利用KNN技术,对于少数类样本a, 随机选择一个最近邻的样本b, 然后从a与b的连线上随机选取一个点c作为新的...
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值