【最优潮流】基于分布式交变方向乘法器(ADMM)方法来求解带碳排放交易的直流动态最优潮流(Matlab代码实现)

简介: 【最优潮流】基于分布式交变方向乘法器(ADMM)方法来求解带碳排放交易的直流动态最优潮流(Matlab代码实现)

💥1 概述

文献来源:


摘要:本文提出了一种分布式交变方向乘法器(ADMM)方法来求解带碳排放交易的直流动态最优潮流问题(DC-DOPF-CET)。通常,基于adm的分布式方法公开了相邻子系统之间的边界总线和分支信息。与这些方法不同,本文提出的DC-ADMM-P方法采用了一种新颖的策略,即使用共识ADMM来解决DC-DOPF-CET的对偶问题,同时只公开相邻子系统之间的边界分支信息。此外,通过减少双乘法器数量和改进乘法器更新步骤,提高了DC-ADMM-P的收敛性能。DC-ADMM-P在6到1062总线的情况下进行了测试,并与其他分布式/分散方法进行了比较。仿真结果验证了DC-ADMM-P算法在求解具有复杂(非线性)因子的DC-DOPF问题时的有效性,这些复杂(非线性)因子可表示为凸可分函数。同时,通过减少双乘法器的数量和采用新的乘法器更新策略,提高了收敛性能。


📚2 运行结果

部分代码:

if isequal(includeCet,'yes')  %包含碳排放约束
        % -二次约束-start-%
        QCP.conQ = EconQ;
        QCP.conc = Econc;
        QCP.conb = Econb;
        %-二次约束-end-%
    end
    options = cplexoptimset;
    options.Display = 'off';
    if isequal(includeCet,'yes')  %包含碳排放约束
        [x,fval,exitflag,output] = cplexqcp(QCP.Q,QCP.c,QCP.Aineq,QCP.bineq,QCP.Aeq,QCP.beq,QCP.conc,QCP.conQ,QCP.conb,QCP.lb,QCP.ub,[],options);
        disp(output.cplexstatusstring);
    else %不考虑CET
        [x,fval,exitflag,output] = cplexqp(QCP.Q,QCP.c,QCP.Aineq,QCP.bineq,QCP.Aeq,QCP.beq,QCP.lb,QCP.ub,[],options);
        disp(output.cplexstatusstring);
    end
    if isequal(isRTS,'yes') %RTS数据存在一个节点上有多台机组的情况
        xx = sparse(PbusUnitsNumber(end,1)-PbusUnitsNumber(1,1),T);%P,行按照allNodes顺序排列
    else
        xx = sparse(N,T);%P
    end
    st = sparse(N,T);%θ
    pf = 0;%整个系统的排放
    pf_t = zeros(T,1);%排放量(按照时段划分)
    fd_t = zeros(T,1);%发电费用(按照时段划分)
    thpit = zeros(T,1);%机组出力(按照时段划分)
    eb = x(1);%买入碳排放deta_E_b
    es = x(2);%卖出碳排放deta_E_s
    if isequal(isRTS,'yes') %RTS数据存在一个节点上有多台机组的情况
        dr = []; %弹性负荷变量dr
        hr = []; %辅助变量Hr
        units_number = 1;
        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) %节点上有发电机
                for j = 1:size(SCUC_data.busUnits.unitIndex{bus_sequence_index,1},1)
                    xx(units_number,:) = x(P_start_index*T + (j-1)*T + 2 + 1:P_start_index*T + (j-1)*T + 2 + T);%P
                    units_number = units_number + 1;
                end
            else %节点上没有发电机
                xx(units_number,:) = x(P_start_index*T + 2 + 1:P_start_index*T + 2 + T);%P
                units_number = units_number + 1;
            end
            st(i,:) = x(Seta_start_index*T + 2 + 1:Seta_start_index*T + 2 + T);%θ
        end
    elseif isequal(includeDR,'yes')
        dr = zeros(K,T); %弹性负荷变量dr
        hr = 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:n
            Pindex = 2*(PINumber{i}-1)*T + (EINumber{i}-1)*(piecewiseNumber+1)*T + 2; %+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; %+2为考虑碳排放的两个变量
            Hindex = Dindex + T; 
            %取P和θ
            for j = 1:PINumber{i+1}-PINumber{i}
                %xx的行按照partitionData.allNodes(即allNodes)中节点编号的顺序
                xx(PINumber{i}-1+j,:) = x(2*(j-1)*T+1+Pindex:2*(j-1)*T+T+Pindex,1);%P
                st(PINumber{i}-1+j,:) = x(2*(j-1)*T+T+1+Pindex:2*(j-1)*T+2*T+Pindex,1);%θ
            end
            %取dr和hr
            for k = 1:EINumber{i+1}-EINumber{i}
                %dr的行按照partitionData.allElasticityNodes中节点编号的顺序
                dr(EINumber{i}-1+k,:) = x((k-1)*(piecewiseNumber+1)*T+1+Dindex:(k-1)*(piecewiseNumber+1)*T+T+Dindex,1); %dr
                for r = 1:piecewiseNumber
                    hr(r,:,EINumber{i}-1+k) = x((k-1)*(piecewiseNumber+1)*T+(r-1)*T+1+Hindex:(k-1)*(piecewiseNumber+1)*T+(r-1)*T+T+Hindex,1); %hr
                end
            end
        end
    else
        dr = []; %弹性负荷变量dr
        hr = []; %辅助变量Hr
        for i = 1:N
            xx(i,:) = x((i-1)*2*T+2+1:(i-1)*2*T+2+T);%P
            st(i,:) = x((i-1)*2*T+2+T+1:(i-1)*2*T+2+2*T);%θ
        end
    end
    if isequal(isRTS,'yes') %RTS数据存在一个节点上有多台机组的情况
        %发电费用(按照时段划分)
        for t = 1:T
            units_number = 1;
            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
                if ~isempty(bus_sequence_index) %节点上有发电机
                    for j = 1:size(SCUC_data.busUnits.unitIndex{bus_sequence_index,1},1)
                        units_index = SCUC_data.busUnits.unitIndex{bus_sequence_index,1}(j,1); %SCUC_data.busUnits.unitIndex{bus_sequence_index,1}在SCUC_data.units.bus_G上的索引
                        fd_t(t,1) = fd_t(t,1) + xx(units_number,t).^2 * SCUC_data.units.gamma(units_index) ...
                                + xx(units_number,t) * SCUC_data.units.beta(units_index) + SCUC_data.units.alpha(units_index);
                        units_number = units_number + 1;
                    end
                else
                    units_number = units_number + 1;
                end
            end
        end
    else
        if isequal(includeCet,'yes')  %包含碳排放约束
            %整个系统的排放量(所有时段)
            for i = 1:unitN
                index = find(allNodes == SCUC_data.units.bus_G(i)); %发电机节点的在矩阵中的索引
                for t = 1:T
                    pf = pf + xx(index,t).^2 * SCUC_data.units.c(i) + xx(index,t) * SCUC_data.units.b(i) + SCUC_data.units.a(i); 
                end
            end
            %排放量(按照时段划分)
            for t = 1:T
                for i = 1:unitN
                    index = find(allNodes == SCUC_data.units.bus_G(i)); %发电机节点的在矩阵中的索引
                    pf_t(t,1) = pf_t(t,1) + xx(index,t).^2 * SCUC_data.units.c(i) + xx(index,t) * SCUC_data.units.b(i) + SCUC_data.units.a(i);
                end
            end
        end
        %发电费用(按照时段划分)
        for t = 1:T
            for i = 1:unitN
                index = find(allNodes == SCUC_data.units.bus_G(i)); %发电机节点的在矩阵中的索引
                fd_t(t,1) = fd_t(t,1) + xx(index,t).^2 * SCUC_data.units.gamma(i) + xx(index,t) * SCUC_data.units.beta(i) + SCUC_data.units.alpha(i);
            end
        end
    end
    %所有时段的机组出力计划,比较发现,使用需求响应,确实能够削峰填谷
    thpit = full(sum(xx));  
    disp('总费用=');
    disp((fval+QCP.b)*SCUC_data.baseparameters.standardP);
    %返回值赋值--start-%   IEEE6:8.977148404647500e+04  ; IEEE30:2.136876446422936e+03  ;IEEE118:1.729592022969799e+06
    fval = (fval+QCP.b)*SCUC_data.baseparameters.standardP; 
    %返回值赋值--end-%
end


🎉3 文献来源

部分理论来源于网络,如有侵权请联系删除。

🌈4 Matlab代码实现

相关文章
|
3月前
|
消息中间件 Java Kafka
在Java中实现分布式事务的常用框架和方法
总之,选择合适的分布式事务框架和方法需要综合考虑业务需求、性能、复杂度等因素。不同的框架和方法都有其特点和适用场景,需要根据具体情况进行评估和选择。同时,随着技术的不断发展,分布式事务的解决方案也在不断更新和完善,以更好地满足业务的需求。你还可以进一步深入研究和了解这些框架和方法,以便在实际应用中更好地实现分布式事务管理。
|
3月前
|
存储 缓存 监控
解决分布式系统演进过程中数据一致性问题的方法
【10月更文挑战第24天】解决分布式系统演进过程中数据一致性问题是一个复杂而又重要的任务。需要综合运用多种方法和技术,根据具体的系统需求和场景,选择合适的解决方案。同时,不断地进行优化和改进,以适应不断变化的分布式系统环境。
162 47
|
8月前
|
机器学习/深度学习 分布式计算 算法
联邦学习是保障数据隐私的分布式机器学习方法
【6月更文挑战第13天】联邦学习是保障数据隐私的分布式机器学习方法,它在不暴露数据的情况下,通过在各设备上本地训练并由中心服务器协调,实现全局模型构建。联邦学习的优势在于保护隐私、提高训练效率和增强模型泛化。已应用于医疗、金融和物联网等领域。未来趋势包括更高效的数据隐私保护、提升可解释性和可靠性,以及与其他技术融合,有望在更多场景发挥潜力,推动机器学习发展。
153 4
|
3月前
|
分布式计算 Java 开发工具
阿里云MaxCompute-XGBoost on Spark 极限梯度提升算法的分布式训练与模型持久化oss的实现与代码浅析
本文介绍了XGBoost在MaxCompute+OSS架构下模型持久化遇到的问题及其解决方案。首先简要介绍了XGBoost的特点和应用场景,随后详细描述了客户在将XGBoost on Spark任务从HDFS迁移到OSS时遇到的异常情况。通过分析异常堆栈和源代码,发现使用的`nativeBooster.saveModel`方法不支持OSS路径,而使用`write.overwrite().save`方法则能成功保存模型。最后提供了完整的Scala代码示例、Maven配置和提交命令,帮助用户顺利迁移模型存储路径。
|
4月前
|
分布式计算 NoSQL Java
Hadoop-32 ZooKeeper 分布式锁问题 分布式锁Java实现 附带案例和实现思路代码
Hadoop-32 ZooKeeper 分布式锁问题 分布式锁Java实现 附带案例和实现思路代码
80 2
|
7月前
|
分布式计算 API 对象存储
Ray是一个开源的分布式计算框架,用于构建和扩展分布式应用。它提供了简单的API,使得开发者可以轻松地编写并行和分布式代码,而无需担心底层的复杂性。
Ray是一个开源的分布式计算框架,用于构建和扩展分布式应用。它提供了简单的API,使得开发者可以轻松地编写并行和分布式代码,而无需担心底层的复杂性。
1300 11
车辆行驶控制运动学模型的matlab建模与仿真,仿真输出车辆动态行驶过程
该课题在MATLAB2022a中建立了车辆行驶控制运动学模型并进行仿真,展示车辆动态行驶过程。系统仿真结果包含四张图像,显示了车辆在不同时间点的位置和轨迹。核心程序定义了车辆参数和初始条件,使用ode45求解器模拟车辆运动。车辆运动学模型基于几何学,研究车辆空间位姿、速度随时间变化,假设车辆在平面运动且轮胎无滑动。运动学方程描述位置、速度和加速度关系,模型预测控制用于优化轨迹跟踪,考虑道路曲率影响,提升弯道跟踪性能。
|
8月前
|
缓存 NoSQL 安全
玩转Redis!非常强大的Redisson分布式集合,少写60%代码
Redisson是Java的Redis客户端,提供实时数据平台服务,简化了分布式环境下的数据管理。它包含RList、RSet、RMap等分布式集合,支持ConcurrentMap和Set接口,确保线程安全和数据一致性。例如,RMap实现了本地缓存和监听器功能,允许数据监听和本地加速读取。此外,还提供了RSet的排序和去重功能,以及RQueue和RBlockingQueue等队列实现,支持阻塞操作。通过Redisson,开发者能轻松处理分布式系统的数据同步和操作。
|
7月前
|
缓存 Devops 微服务
微服务01好处,随着代码越多耦合度越多,升级维护困难,微服务技术栈,异步通信技术,缓存技术,DevOps技术,搜索技术,单体架构,分布式架构将业务功能进行拆分,部署时费劲,集连失败如何解决
微服务01好处,随着代码越多耦合度越多,升级维护困难,微服务技术栈,异步通信技术,缓存技术,DevOps技术,搜索技术,单体架构,分布式架构将业务功能进行拆分,部署时费劲,集连失败如何解决
|
9月前
|
存储 监控 分布式数据库
Scala代码在局域网监控软件中的分布式处理
该文介绍了如何使用Scala进行局域网监控数据的分布式处理。通过示例展示了利用Scala的并发能力进行数据收集,使用集合操作进行数据处理与分析,以及如何将处理结果存储到分布式数据库(如Cassandra)和自动提交到网站。Scala的并发处理能力和丰富库支持使其在分布式处理中表现出色。
143 3