【鲁棒优化、大M法、C&CG算法】计及风、光、负荷不确定性两阶段鲁棒优化(Matlab代码实现)

简介: 【鲁棒优化、大M法、C&CG算法】计及风、光、负荷不确定性两阶段鲁棒优化(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。


📋📋📋本文目录如下:🎁🎁🎁


目录


💥1 概述


1.1 微网优化调度不确定性因素


1.2 RO方法


1.3 两阶段RO模型求解方法


1.4 对偶理论


📚2 运行结果


🎉3 参考文献


🌈4 Matlab代码实现


💥1 概述

1.1 微网优化调度不确定性因素


长久以来,微网系统面临着可再生能源出力和负荷不确定性且源荷不匹配的重大问可再生能源并网的规模越大。系统的运行模式就越受影响,可再生能源的渗透率也直接或接影响着微网系统稳定性。现阶段微网系统的能源利用率、灵活性及经济性已经达到了较高的水平,但源荷的不确定及不匹配依然是系统面临的重大问题。研究分布式电源以及负荷的特性是微网优化调度问题的关键。


1.2 RO方法


早在1950年代,Bellman、Zadeh与Charnes等人就已经开始研究不确定性优化问题[82J。传统的确定性优化问题如式所示:

         

    102c5a41db0546afba56410807165ae9.png


式中,fx)表示目标函数,x为决策变量,h(x)表示约束条件。式中的目标函数和约束条件均为确定性参数。但是,在实际应用中,难以预先确定模型中的一些变量参数。在某些具体的优化问题中,由于某个参数的细微扰动,可能就会使最优解失去意义。因而在不确定性情况下,优化求解问题显得尤为关键。在现实生活中,由于各种因素导致了模型参数的不确定性,其大多来源于下列几个方面:

(1)由于模型中的数据在统计与收集的环节中,会存在遗漏、丢失等问题,从而数据误差偏大,形成不确定性因素。

(2)一些不可抗拒的因素带来的影响,如自然因素。

(3)针对某些复杂的非凸非线性优化模型,只给出简单的表达形式。针对含有不确定性因素的优化问题,其数学模型如下所示:


cc74429c3a454f4b88ee198939343292.png


式中、U分别表示不确定性参数及其取值范围。当不确定性参数出现波动时,会导致原来的最优解与实际最优解产生偏差,在某些情况下,还可能变成不可行解。所以,对不确定性最优问题的求解就显得尤为重要。



1.3 两阶段RO模型求解方法


如果U为一个有限的离散集,且U内有大量元素,要把其中不确定的场景全部列举出来,需要耗费大量的时间。不过,如果仅列举U中元素的一部分不确定场景,那这将会更容易实现。根据上述分析,通过在关键场景中逐步增加不确定变量,对局部列举进行扩展,从而得出优化目标函数的下界值。综上,本文采用C&CG算法求解两阶段RO模型。与Benders分解一样,C&CG算法将原始问题解耦成主、子问题进行交互迭代求解,从而获得原始问题最优解。不同之处体现在,C&CG 算法在求解主问题时,不断加入与子问题有关的约束和变量,使原问题目标函数的下界更加紧凑,从而有效地减少了迭代次数。而Benders分解算法每次迭代时决策变量不变,并且要求决策问题须为可行性规划问题,使得问题难以收敛。


1.4 对偶理论


在线性规划问题中,通常存在着配对情形。即在任一种线性规划问题中,都会有跟其密切相关的一种线性规划问题,其中前者叫作原问题,后者叫作它的对偶问题。在1.3节采用C&CG算法将两阶段RO模型解耦为主、子问题的过程中,可以发现其子问题中的max-min模型依然是非常繁琐的两层优化模型。如果利用对偶原理,将内层的min问题转化为max问题,那么该模型就可以转化为较为简单的max问题,从而更易于求解。


📚2 运行结果


78fef90d8c4244158e541c328aeb3ff6.png


dff9b6a114094e9d95bbf56dc24de832.png


84cae9b0cf6b4e018a89956a87e50dc9.png


🎉3 参考文献

部分理论来源于网络,如有侵权请联系删除。


[1]马明. 考虑风光不确定性的微网两阶段鲁棒优化调度[D].宁夏大学,2022.DOI:10.27257/d.cnki.gnxhc.2022.000735.


[2]刘一欣,郭力,王成山.微电网两阶段鲁棒优化经济调度方法[J].中国电机工程学报,2018,38(14):4013-4022+4307.DOI:10.13334/j.0258-8013.pcsee.170500.


🌈4 Matlab代码实现


目录
打赏
0
0
0
0
78
分享
相关文章
|
8月前
|
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
本文介绍了2023年高教社杯数学建模竞赛D题的圈养湖羊空间利用率问题,包括问题分析、数学模型建立和MATLAB代码实现,旨在优化养殖场的生产计划和空间利用效率。
311 6
【2023高教社杯】D题 圈养湖羊的空间利用率 问题分析、数学模型及MATLAB代码
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
本文提供了2022年华为杯数学建模竞赛B题的详细方案和MATLAB代码实现,包括方形件组批优化问题和排样优化问题,以及相关数学模型的建立和求解方法。
192 3
【2022年华为杯数学建模】B题 方形件组批优化问题 方案及MATLAB代码实现
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
本文介绍了2023年五一杯数学建模竞赛B题的解题方法,详细阐述了如何通过数学建模和MATLAB编程来分析快递需求、预测运输数量、优化运输成本,并估计固定和非固定需求,提供了完整的建模方案和代码实现。
235 0
【2023五一杯数学建模】 B题 快递需求分析问题 建模方案及MATLAB实现代码
基于GA遗传优化算法的Okumura-Hata信道参数估计算法matlab仿真
在MATLAB 2022a中应用遗传算法进行无线通信优化,无水印仿真展示了算法性能。遗传算法源于Holland的理论,用于全局优化,常见于参数估计,如Okumura-Hata模型的传播损耗参数。该模型适用于150 MHz至1500 MHz的频段。算法流程包括选择、交叉、变异等步骤。MATLAB代码执行迭代,计算目标值,更新种群,并计算均方根误差(RMSE)以评估拟合质量。最终结果比较了优化前后的RMSE并显示了SNR估计值。
140 7
通过MATLAB分别对比二进制编码遗传优化算法和实数编码遗传优化算法
摘要: 使用MATLAB2022a对比了二进制编码与实数编码的遗传优化算法,关注最优适应度、平均适应度及运算效率。二进制编码适用于离散问题,解表示为二进制串;实数编码适用于连续问题,直接搜索连续空间。两种编码在初始化、适应度评估、选择、交叉和变异步骤类似,但实数编码可能需更复杂策略避免局部最优。选择编码方式取决于问题特性。
Matlab|基于改进鲸鱼优化算法的微网系统能量优化管理matlab-源码
基于改进鲸鱼优化算法的微网系统能量管理源码实现,结合LSTM预测可再生能源和负荷,优化微网运行成本与固定成本。方法应用于冷热电联供微网,结果显示经济成本平均降低4.03%,提高经济效益。代码包括数据分段、LSTM网络定义及训练,最终展示了一系列运行结果图表。
|
10月前
|
基于GA-PSO遗传粒子群混合优化算法的VRPTW问题求解matlab仿真
摘要: 本文介绍了考虑时间窗的车辆路径问题(VRPTW),在MATLAB2022a中进行测试。VRPTW涉及车辆从配送中心出发,服务客户并返回,需在指定时间窗内完成且满足车辆容量限制,目标是最小化总行驶成本。文章探讨了遗传算法(GA)和粒子群优化(PSO)的基本原理及其在VRPTW中的应用,包括编码、适应度函数、选择、交叉、变异等步骤。同时,提出了动态惯性权重、精英策略、邻域搜索、多种群和启发式信息等优化策略,以应对时间窗限制并提升算法性能。
193 11
基于GA-PSO遗传粒子群混合优化算法的DVRP问题求解matlab仿真
该文介绍了车辆路径问题(VRP)的优化求解,特别是动态车辆路径问题(DVRP)。在MATLAB2022a中运用GA-PSO混合优化算法进行测试,展示了运行结果图像。核心程序包含粒子更新、交叉、距离计算等步骤。DVRP在物流配送、运输调度中有广泛应用,目标是最小化行驶距离并满足车辆容量限制。遗传算法通过选择、交叉和变异操作寻找解,而粒子群优化模拟鸟群行为更新速度和位置。GA-PSO混合算法结合两者优点,提高搜索效率。在DVRP中,算法需考虑问题特性和约束,以找到高质量解。
基于ACO蚁群优化算法的WSN网络路由优化matlab仿真
摘要(Markdown格式): - 📈 ACO算法应用于WSN路由优化,MATLAB2022a中实现,动态显示迭代过程,输出最短路径。 - 🐜 算法模拟蚂蚁寻找食物,信息素更新与蚂蚁选择策略确定路径。信息素增量Δτ += α*τ*η,节点吸引力P ∝ τ / d^α。 - 🔁 算法流程:初始化→蚂蚁路径选择→信息素更新→判断结束条件→输出最优路由。优化WSN能量消耗,降低传输成本。
MATLAB|【免费】融合正余弦和柯西变异的麻雀优化算法SCSSA-CNN-BiLSTM双向长短期记忆网络预测模型
这段内容介绍了一个使用改进的麻雀搜索算法优化CNN-BiLSTM模型进行多输入单输出预测的程序。程序通过融合正余弦和柯西变异提升算法性能,主要优化学习率、正则化参数及BiLSTM的隐层神经元数量。它利用一段简单的风速数据进行演示,对比了改进算法与粒子群、灰狼算法的优化效果。代码包括数据导入、预处理和模型构建部分,并展示了优化前后的效果。建议使用高版本MATLAB运行。

热门文章

最新文章

AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等