小型网站维护网站建设求职简历模板下载

小型网站维护,网站建设求职简历模板下载,网站seo方案撰写,服务器怎么运行网站#x1f4a5;#x1f4a5;#x1f49e;#x1f49e;欢迎来到本博客❤️❤️#x1f4a5;#x1f4a5; #x1f3c6;博主优势#xff1a;#x1f31e;#x1f31e;#x1f31e;博客内容尽量做到思维缜密#xff0c;逻辑清晰#xff0c;为了方便读者。 ⛳️座右铭欢迎来到本博客❤️❤️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。⛳️赠与读者‍做科研涉及到一个深在的思想系统需要科研者逻辑缜密踏实认真但是不能只是努力很多时候借力比努力更重要然后还要有仰望星空的创新点和启发点。建议读者按目录次序逐一浏览免得骤然跌入幽暗的迷宫找不到来时的路它不足为你揭示全部问题的答案但若能解答你胸中升起的一朵朵疑云也未尝不会酿成晚霞斑斓的别一番景致万一它给你带来了一场精神世界的苦雨那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。或许雨过云收神驰的天地更清朗.......1 概述本研究提出了一种新颖的基于矩的分布鲁棒优化DRO模型该模型结合了条件风险价值CVaR用于应对电力价格不确定性下的自调度问题。该模型综合考虑了电力价格波动、机组参数以及负荷需求并且可以通过调整模糊集的大小来进行调节从而为发电厂提供了一种合适且可调节的自调度策略。决策者可以根据实际场景调整该策略使其被独立系统运营商ISOs接受同时最大化发电利润。通常此类DRO模型会被转化为半定规划SDP来求解然而求解大规模SDP需要大量的计算时间和资源。针对这一不足提出了两种有效的近似模型一种是基于向量拆分的近似模型另一种是基于交替方向乘子法ADMM算法的近似模型两者都可以极大地减少计算时间和资源。为了验证我们所提出模型的正确性和有效性我们将它们应用于多种数值案例研究并与文献[1]中的模型进行了比较。对三个IEEE测试系统6节点系统、30节点系统和118节点系统进行了仿真。文献1利用条件风险价值应对价格不确定性下的鲁棒自调度摘要 在电力行业解除管制的情况下发电公司在日前和小时级电力市场中进行投标以试图实现利润最大化。对于一个成功的投标策略每个发电公司都需要生成基于最优自调度的投标曲线。这种自调度通常是基于预测的节点边际电价LMPs的利润最大化最优潮流模型获得的。然而在自调度时LMPs的预测值存在很大的不确定性。因此希望能够产生鲁棒的自调度以减轻因暴露于价格波动而产生的风险。在投资组合优化理论中风险管理的方法包括风险价值VaR和条件风险价值CVaR。CVaR被认为比VaR是一个更一致的风险衡量指标。实际上尽管CVaR是平均超额损失但VaR对于超出该指标金额可能遭受的损失程度没有任何指示。本研究提出了一种基于CVaR的鲁棒自调度方法。将展示如何使用多项式内点法从二阶锥规划中获得鲁棒的自调度。所获得的调度方案在最大化利润和最小化风险之间提供了一种折中解决方案。将在标准IEEE母线测试系统上进行的仿真结果将用于展示基于CVaR的调度模型。摘要为确保投标成功并最大化利润发电厂需要一种能够应对各种场景的自调度策略。因此分布鲁棒优化DRO是一个不错的选择因为它可以在不确定的环境中为GENCOs提供一种可调节的自调度策略与通过鲁棒优化RO和随机规划SO得出的策略相比它可以很好地平衡鲁棒性和经济性。在本文中提出了一种新颖的基于矩的分布鲁棒优化DRO模型该模型结合了条件风险价值CVaR用于解决电力价格不确定性下的自调度问题。通常此类DRO模型会被转化为半定规划SDP来求解然而求解大规模SDP需要大量的计算时间和资源。针对这一不足提出了两种有效的近似模型一种是基于向量拆分的近似模型另一种是基于交替方向乘子法ADMM的近似模型两者都可以极大地减少计算时间和资源并且第二种近似模型在求解的每一步中仅需要当前区域的信息从而保证了信息的私密性。通过在三个IEEE测试系统上进行仿真验证了所提出的DRO模型和两种近似模型的正确性和有效性。关键词自调度分布鲁棒优化价格不确定性CVaRADMM一、问题背景电力自调度中的价格不确定性挑战自调度Self-Scheduling指发电企业或微网运营商在电力市场中自主制定发电计划与投标策略以最大化利润或最小化成本。其核心挑战在于电价不确定性日前市场电价受负荷波动、新能源出力、网络阻塞等影响呈现强随机性。尾部风险极端低价场景可能导致发电商巨额亏损传统随机规划忽略尾部风险。分布模糊性电价真实分布未知仅能通过历史数据估计矩信息如一、二阶矩但参数估计存在误差。传统方法缺陷随机优化依赖精确概率分布对分布误判敏感。鲁棒优化过度保守仅考虑最坏场景。CVaR单独应用需预设分布形式无法处理分布模糊性。二、核心模型基于矩的DRO与CVaR融合框架1.分布鲁棒优化DRO基本原理模糊集构建基于历史电价数据估计均值 μ 和协方差矩阵 Σ定义矩不确定集其中 ξ 为随机电价向量M 为所有概率分布的集合。目标函数优化最坏情况下的期望成本X 为调度决策空间如机组启停、出力。2.条件风险价值CVaR的嵌入定义在置信水平 ββ 下CVaR 表示损失超过VaR的条件期望L 为损失函数如负利润。与DRO结合将CVaR作为目标或约束在模糊集 PP 下优化最坏CVaR该形式同时捕捉分布模糊性和尾部风险。三、模型求解优化维度降低ODR与ADMM算法1.计算瓶颈与ODR方法问题基于矩的DRO常转化为半正定规划SDP维度随电价变量数指数增长。ODR核心思想利用随机参数的低秩特性将高维SDP分解为低维子问题证明原问题矩阵秩上界为 r≪dim⁡(ξ)r≪dim(ξ)。将维度降至 rr 维构造内外两层近似SDP外层提供下界保守解内层提供上界激进解通过迭代逼近全局最优。2.ADMM求解流程对降维后的非凸SDP问题采用改进ADMM算法变量拆分将决策变量 xx 和辅助变量 yy 解耦。交替更新其中 Lρ 为增广拉格朗日函数。3.收敛性在矩约束下可收敛至 ϵϵ-最优解。性能优势计算时间减少3个数量级如从小时级到秒级。解与全局最优差距 0.1%。四、电价不确定性建模与场景生成1.概率分布建模参数法假设电价服从 tt-位置尺度分布位置参数 ytyt​尺度参数 σtσt​适用于厚尾特征。非参数法核密度估计KDE拟合历史数据避免分布假设偏差。2.场景生成与削减蒙特卡洛采样生成 NN 个电价场景。Kantorovich距离削减保留 SS 个典型场景如 S30S30最小化与原场景集的距离确保计算效率。五、IEEE节点系统验证案例1.IEEE 118节点系统结构54台发电机、186条支路、99个负荷节点分区运行。自调度问题决策变量机组启停 utiuti​、出力 ptipti​、备用容量 rtirti​。目标函数结合DRO-CVaR为为燃料成本为电价。约束功率平衡、爬坡率、备用要求。2.关键结果风险控制当 β0.95 时尾部损失降低23%对比随机规划。计算效率ODR-ADMM求解时间 10秒传统SDP超1小时。保守性改善矩模糊集比鲁棒优化成本降低12%。六、对比与拓展1.与其他方法对比方法优点缺点DRO-CVaR本模型平衡保守性与风险控制需矩信息估计随机规划解析方便依赖精确分布鲁棒优化计算简单过度保守传统CVaR尾部风险控制忽略分布模糊性2.工业应用扩展微电网投标结合光伏/风电不确定性。碳排放约束引入碳成本函数。多代理调度分布式ADMM协调多个发电商。结论本文提出的基于矩的DRO-CVaR模型通过模糊集刻画电价分布不确定性利用CVaR量化尾部风险结合ODR-ADMM算法实现高效求解。在IEEE 118等系统中验证表明在同等风险水平下预期成本降低8%~15%。极端场景损失减少20%。计算效率满足日前市场时间要求秒级求解。未来方向包括融合数据驱动的Wasserstein模糊集、结合深度学习实时预测矩参数、拓展至多能源耦合系统。2 运行结果部分代码T SCUC_data.totalLoad.T; % 时段数T G SCUC_data.units.N; % 发电机数 N SCUC_data.baseparameters.busN; % 节点总数 all_branch.I [ SCUC_data.branch.I; SCUC_data.branchTransformer.I ]; %所有支路起点 前是支路起点 后是变压器支路起点 all_branch.J [ SCUC_data.branch.J; SCUC_data.branchTransformer.J ]; %所有支路终点 all_branch.P [ SCUC_data.branch.P; SCUC_data.branchTransformer.P ]; %支路功率上限 beta_CVaR 0.95; % 形成直流潮流系数矩阵B type_of_pf DC; Y SCUC_nodeY(SCUC_data,type_of_pf); B -Y.B; %因为是直流方程 所以B忽略了电阻 只考虑电抗 % 定义一些方便用的常量 diag_E_T sparse(1:T,1:T,1); %T*T的对角阵对角线全1 low_trianle diag_E_T(2:T,:) - diag_E_T(1:T-1,:); % 定义变量 y 和 z for i1:N % 逐 个 处理每个节点 if ismember(i, SCUC_data.units.bus_G) % 如果是发电机节点 决策变量包括 功率相角功率约束z y{i}.PG sdpvar(T,1); %sdpvar创建实数型决策变量 y{i}.theta sdpvar(T,1); y{i}.z sdpvar(T,1); else y{i}.theta sdpvar(T,1); end end for i1:N % 逐 个 处理每个节点 if ismember(i, SCUC_data.units.bus_G) % 如果是发电机节点 决策变量包括 功率相角功率约束z z{i}.PG sdpvar(T,1); %sdpvar创建实数型决策变量 z{i}.theta sdpvar(T,1); z{i}.z sdpvar(T,1); else z{i}.theta sdpvar(T,1); end end % end of 定义变量 % 下面计算 miu_hat均值的估计值 sigema_hat协方差的估计值 miu_hat_G_T zeros(G,T); %每个机组每个时段电价都不同G*T个 for q 1:q_line % q_line标记样本长度 miu_hat_G_T miu_hat_G_T reshape(lamda_q_NT(q,:,:),G,T); %按样本数q依次累加 G*T矩阵型的电价 end miu_hat_G_T 1/q_line * miu_hat_G_T; miu_hat reshape(miu_hat_G_T,G*T,1); %按每个机组所有时段排列为列向量 % Sigma_hat sparse(1:G*T,1:G*T,1); % Sigma_hat full(Sigma_hat); Sigma_hat zeros(G*T,G*T); for q 1:q_line tmp1 reshape(lamda_q_NT(q,:,:),G,T) - miu_hat_G_T; tmp2 reshape(tmp1, G*T,1); Sigma_hat Sigma_hat tmp2 * tmp2; end Sigma_hat 1/q_line * Sigma_hat; Sigma_hat_neg_half Sigma_hat^(-1/2); % end of 均值 协方差计算 % 构造模糊集S G*T维的列向量按每个G所有时段排列 tmp max(lamda_q_NT,[],1); %取各个时段所有样本中G个机组的最大值 % tmp max(lamda_q_NT(:,:,1),[],1); %取第一时段所有样本G个机组的最大值 tmp reshape(tmp,G,T); lamda_positive reshape(tmp, G*T,1); % 计算 lamda正 tmp min(lamda_q_NT,[],1); % tmp min(lamda_q_NT(:,:,1),[],1); tmp reshape(tmp,G,T); lamda_negative reshape(tmp, G*T,1); % 计算 lamda负 % end of 构造模糊集S %调用切分函数切分区域 [PI,PINumber,PIG] portion(N); D length(PINumber); %确定划分块数 %区分各节点是内节点还是外节点 ext []; for d 1:D for i 1:size(all_branch.I,1) %从第一条支路开始循环遍历所有支路 left all_branch.I(i); %支路起点和终点即可得到B电纳 right all_branch.J(i); if ismember(left, PI{d}) ~ismember(right, PI{d}) %判断该支路是否属于当前分区 ext [ext;left;right]; end end end ext unique(ext); %定义其他变量 r sdpvar(D,1); t sdpvar(D,1); alpha_CVaR sdpvar(D,1); z_vector []; P_vector []; for g 1:G z_vector [z_vector; y{SCUC_data.units.bus_G(g)}.z ]; P_vector [P_vector; y{SCUC_data.units.bus_G(g)}.PG ]; %列向量用;分隔 end %设置ADMM参数 u_A_b []; rho 5; gap_pri 1e-2; gap_dual 1e-2; M 100; %迭代次数 % core D; % p parpool(core); % p.IdleTimeout 100; for k 1:M p_A []; z_A []; z_A_pri []; u_A []; p_A_k1 []; u_r 0; %标记分区变量长度 %p-update for d 1:D PIi PI{d}; PIN PINumber{d}; d_g PIG{d}; Constraints []; %每次将约束集置空 miu_hat_d []; lamda_positive_d []; lamda_negative_d []; y_d []; zy_d []; theta_d []; ztheta_d []; z_d []; for i PIi %循环处理当前片区节点 theta_d [theta_d;y{i}.theta]; %取当前分区所有节点相角 ztheta_d [ztheta_d;z{i}.theta]; %取当前分区所有节点相角 if ismember(i, SCUC_data.units.bus_G) y_d [y_d;y{i}.PG]; %取当前片区所有电机发电量 zy_d [zy_d;z{i}.PG]; %取当前片区所有电机发电量 z_d [z_d;y{i}.z]; %取当前片区电机费用 i_g find(SCUC_data.units.bus_G i); %求当前电机是第几个电机 % 机组出力上下界 Constraints [Constraints, ... SCUC_data.units.PG_low(i_g) * ones(T,1) y{i}.PG SCUC_data.units.PG_up(i_g) * ones(T,1) ]; % 爬坡 Pup和Pdown相等 且不考虑P0 Constraints [Constraints, ... -SCUC_data.units.ramp(i_g) * ones(T-1,1) low_trianle * y{i}.PG SCUC_data.units.ramp(i_g) * ones(T-1,1) ]; % 发电费用线性化 for l 0:(L-1) p_i_l SCUC_data.units.PG_low(i_g) ( SCUC_data.units.PG_up(i_g) - SCUC_data.units.PG_low(i_g) ) / L * l; Constraints [Constraints, ... (2* p_i_l * SCUC_data.units.gamma(i_g) SCUC_data.units.beta(i_g) ) * y{i}.PG - y{i}.z (p_i_l^2 * SCUC_data.units.gamma(i_g) - SCUC_data.units.alpha(i_g)) * ones(T,1) ]; end %计算分区电价均值 miu_hat_m zeros(1,T); for q 1:q_line % q_line标记样本长度 miu_hat_m miu_hat_m reshape(lamda_q_NT(q,i_g,:),1,T); %按样本数q依次累加第i个机组的电价 end miu_hat_m 1/q_line * miu_hat_m; miu_hat_m reshape(miu_hat_m,T,1); %按每个机组所有时段排列为列向量 miu_hat_d [miu_hat_d ; miu_hat_m]; %取对应电机最大最小值 lamda_positive_m lamda_positive(1T*(i_g-1):T*i_g,1); lamda_positive_d [lamda_positive_d;lamda_positive_m]; lamda_negative_m lamda_negative(1T*(i_g-1):T*i_g,1); lamda_negative_d [lamda_negative_d;lamda_negative_m]; end if ~ismember(i, ext) %判断节点是否是内部节点 %构造分区内部的直流潮流不等式 %构造中间项 cons_PF sparse(T,1); %一个t一个约束 T行约束 if ismember(i, SCUC_data.units.bus_G) %如果i是发电机节点则中间项应该加上PG cons_PF cons_PF y{i}.PG; end for j 1:N cons_PF cons_PF -B(i,j) .* y{j}.theta; end %构造右侧项 %find函数返还的是下标号 index_loadNode find(SCUC_data.busLoad.bus_PDQRi); % 节点i是否为负荷节点 if index_loadNode0 b_tmp SCUC_data.busLoad.node_P(:,index_loadNode); %按下标取出该负荷节点负载 else b_tmp sparse(T,1); end Constraints [Constraints, ... 0 cons_PF b_tmp ]; %end of 构造分区内部的支流潮流不等式 end3参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。(文章内容仅供参考具体效果以运行结果为准)[1] R. A. Jabr, Robust self-scheduling under price uncertainty using conditional value-at-risk, IEEE Trans. Power Syst., vol. 20, no. 4, pp. 1852-1858, Nov. 2005.4Matlab代码、数据、文章下载资料获取更多粉丝福利MATLAB|Simulink|Python资源获取