企业官网建设流程全解析

用什么做公司宣传网站,wordpress分类展示插件,网站建设项目文档,近期十大新闻热点事件基于双层优化的综合能源系统规划设计 采用kkt条件#xff0c;大M法#xff0c;对偶理论求解 代码注释齐全#xff0c;cplex求解 良心代码#xff0c;适合新手学习。 主要内容:微网的多电源容量优化配置#xff0c;规划出最佳的微电网光伏、风电、储能等多电源的容量配置方…基于双层优化的综合能源系统规划设计 采用kkt条件大M法对偶理论求解 代码注释齐全cplex求解 良心代码适合新手学习。 主要内容:微网的多电源容量优化配置规划出最佳的微电网光伏、风电、储能等多电源的容量配置方案此外代码采用双层模型上层以周期内运维成本以及投资成本之和最低为目标函数下层则以调度周期内购售电成本以及燃料成本最低为目标函数上层得出最佳容量配置方案下层得出最佳运行策略。在综合能源系统规划设计里微网的多电源容量优化配置是个关键问题。今天咱就来讲讲基于双层优化的方法还会带大家看用cplex求解的代码新手友好哦一、整体思路采用双层模型上层目标是让周期内运维成本和投资成本之和最低下层则追求调度周期内购售电成本以及燃料成本最低。上层确定最佳容量配置方案下层得出最佳运行策略。二、求解方法这里用到了KKT条件、大M法和对偶理论。KKT条件能帮我们找到满足最优解的必要条件大M法是处理约束条件转换的好帮手对偶理论则从另一个角度辅助我们求解复杂的优化问题。三、代码实现Python cpleximport cplex # 定义常量 num_periods 24 # 调度周期时长假设为24小时 num_sources 3 # 电源种类数光伏、风电、储能 # 成本参数 investment_cost [1000, 1500, 2000] # 光伏、风电、储能每单位容量投资成本 operation_cost [10, 15, 20] # 光伏、风电、储能每单位容量运维成本 purchase_price 0.5 # 购电价格 sale_price 0.3 # 售电价格 fuel_cost 0.4 # 燃料成本 # 创建cplex模型 model cplex.Cplex() # 上层变量电源容量配置 upper_vars [] for i in range(num_sources): var_name capacity_{}.format(i) model.variables.add(names[var_name], lb[0.0], types[model.variables.type.continuous]) upper_vars.append(var_name) # 下层变量各时段的发电量、购电量、售电量等 lower_vars [] for t in range(num_periods): for i in range(num_sources): gen_name generation_{}_{}.format(i, t) model.variables.add(names[gen_name], lb[0.0], types[model.variables.type.continuous]) lower_vars.append(gen_name) purchase_name purchase_{}.format(t) model.variables.add(names[purchase_name], lb[0.0], types[model.variables.type.continuous]) lower_vars.append(purchase_name) sale_name sale_{}.format(t) model.variables.add(names[sale_name], lb[0.0], types[model.variables.type.continuous]) lower_vars.append(sale_name) # 上层目标函数运维成本与投资成本之和最低 upper_obj [] for i in range(num_sources): upper_obj.append((upper_vars[i], investment_cost[i] operation_cost[i])) model.objective.set_linear(upper_obj) model.objective.set_sense(model.objective.sense.minimize) # 下层目标函数购售电成本与燃料成本最低 lower_obj [] for t in range(num_periods): for i in range(num_sources): gen_name generation_{}_{}.format(i, t) lower_obj.append((gen_name, fuel_cost)) purchase_name purchase_{}.format(t) lower_obj.append((purchase_name, purchase_price)) sale_name sale_{}.format(t) lower_obj.append((sale_name, -sale_price)) model.objective.set_linear(lower_obj) # 约束条件这里简单示例功率平衡约束 for t in range(num_periods): constraint_expr [] for i in range(num_sources): gen_name generation_{}_{}.format(i, t) constraint_expr.append((gen_name, 1)) purchase_name purchase_{}.format(t) constraint_expr.append((purchase_name, 1)) sale_name sale_{}.format(t) constraint_expr.append((sale_name, -1)) model.linear_constraints.add(lin_expr[cplex.SparsePair(ind[var for var, _ in constraint_expr], val[val for _, val in constraint_expr])], senses[E], rhs[0]) # 求解模型 model.solve() # 输出结果 print(上层最佳容量配置方案:) for i, var in enumerate(upper_vars): print(电源 {} 的容量: {}.format(i, model.solution.get_values(var))) print(下层最佳运行策略:) for t in range(num_periods): print(时段 {}:.format(t)) for i in range(num_sources): gen_name generation_{}_{}.format(i, t) print(电源 {} 的发电量: {}.format(i, model.solution.get_values(gen_name))) purchase_name purchase_{}.format(t) print(购电量: {}.format(model.solution.get_values(purchase_name))) sale_name sale_{}.format(t) print(售电量: {}.format(model.solution.get_values(sale_name)))代码分析参数定义先设定了调度周期时长、电源种类数以及各种成本参数这些都是模型计算的基础数据。变量创建分上层和下层分别创建变量。上层变量是各电源的容量配置下层变量包括各时段各电源发电量、购电量和售电量。目标函数设定上层目标是让投资和运维成本之和最小下层是让购售电和燃料成本最小。通过向cplex模型添加线性表达式来设定目标函数。约束条件这里简单写了个功率平衡约束就是在每个时段发电量加上购电量要等于售电量以此维持电力系统的平衡。实际应用中可能还有更多复杂约束。求解与结果输出调用cplex的求解方法然后把上层的最佳容量配置方案和下层的最佳运行策略打印出来方便查看结果。这样基于双层优化的微网多电源容量优化配置就实现啦希望新手小伙伴能从中学到东西一起探索综合能源系统规划设计的更多奥秘基于双层优化的综合能源系统规划设计 采用kkt条件大M法对偶理论求解 代码注释齐全cplex求解 良心代码适合新手学习。 主要内容:微网的多电源容量优化配置规划出最佳的微电网光伏、风电、储能等多电源的容量配置方案此外代码采用双层模型上层以周期内运维成本以及投资成本之和最低为目标函数下层则以调度周期内购售电成本以及燃料成本最低为目标函数上层得出最佳容量配置方案下层得出最佳运行策略。