核心内容摘要
灵魂的暗号：揭开神秘符号背后跨越千年的视觉诱惑
微网鲁邦调度①复现了《微电网两阶段鲁棒优化经济调度方法_刘一欣》。
②考虑微电网内可再生分布式电源和负荷的不确定性及储能、需求响应负荷和可控分布式电源等的协调控制。
最近在折腾微电网鲁棒调度的复现工作刚好把刘一欣老师那篇经典论文的模型啃下来了。
这个两阶段玩法特别有意思——就像先给自己规划好退路再去冒险的生存策略。
先来点干货咱们直接看代码怎么把不确定性装进数学模型里。
建模部分用Pyomo写起来特别带劲先定义个盒式不确定集把风光出力捆住model ConcreteModel() model.PV_uncertainty Param(initialize
0.
# 光伏波动率20% model.WT_uncertainty Param(initialize
0.
# 风机波动率30% def uncertainty_bounds(model, t): return (-model.PV_uncertainty, model.PV_uncertainty) model.PV_delta Var(time_horizon, boundsuncertainty_bounds) def WT_uncertainty_bounds(model, t): return (-model.WT_uncertainty, model.WT_uncertainty) model.WT_delta Var(time_horizon, boundsWT_uncertainty_bounds)这里PVdelta和WTdelta这两个变量就像给风光出力套了个紧箍咒既允许波动又不让它们撒欢乱跑。
注意边界值不是固定数而是相对值这样处理实际数据时不用每次都改参数。
第一阶段模型看着像普通的经济调度但暗藏杀机——所有决策变量都得留着给第二阶段当靶子model.Pg Var(gen_set, time_horizon) # 燃机出力 model.Pb_ch Var(battery_set, time_horizon) # 储能充电 model.Pb_dis Var(battery_set, time_horizon) # 储能放电 def stage1_cost_rule(model): return sum(gen_cost[i] * model.Pg[i,t] for i in gen_set for t in time_horizon) model.stage1_cost Objective(rulestage1_cost_rule)这时候如果直接求解得到的调度方案遇到实际波动绝对崩盘。
所以得祭出列与约束生成CCG这个神器主问题和子问题来回拉扯的代码特别有戏剧性# 主问题求解 def master_problem(): mp ConcreteModel() # 保留第一阶段变量... # 添加可行性割平面 for cut in cuts: mp.add_component(fcut_{cut}, cut) solve_with_gurobi(mp) return mp # 最恶劣场景子问题 def sub_problem(master_solution): sp ConcreteModel() # 固定第一阶段变量值... # 构建双层优化结构 solve_with_benders(sp) if sp.obj() 0: add_cut_to_master() # 生成新的割约束 return sp这个循环就像在玩博弈游戏主问题每次给出调度方案子问题就拼命找出能让系统崩溃的极端场景然后主问题再根据这些威胁改进方案直到子问题找不到破绽为止。
微网鲁邦调度①复现了《微电网两阶段鲁棒优化经济调度方法_刘一欣》。
②考虑微电网内可再生分布式电源和负荷的不确定性及储能、需求响应负荷和可控分布式电源等的协调控制。
需求响应负荷的处理有点小技巧得把可平移负荷建模成带时间窗的任务shift_load { task1: { power: 150, # 需要转移的负荷量 start_window: [8, 18], # 允许开始时段 duration: 3 # 持续3小时 } } # 二进制变量表示任务启动时刻 model.task1_start Var(range(8,
, withinBinary) def task_duration_rule(model): return sum(model.task1_start[t] for t in range(8,
) 1 model.task_duration_con Constraint(ruletask_duration_rule)这么一来优化过程会自动选择对系统最友好的负荷转移时段比如在光伏大发的时候多干活。
实际跑数据时发现需求响应和储能的配合简直天作之合——一个负责搬移负荷一个负责填谷平峰。
最后验证鲁棒性时搞了个压力测试故意在光伏预测曲线上叠加拿破仑炮击式的冲击扰动。
结果调度方案稳如老狗储能像太极高手一样把波动消化在充放电动作里。
这种看着数学模型在极端场景下依然坚挺的感觉堪比看自家娃考试超常发挥的老父亲心情。
完整项目里还埋了不少彩蛋比如用Platypus库做多目标优化时发现鲁棒性和经济性的帕累托前沿居然呈现非线性跳变——这说明在某些关键参数阈值附近稍微增加点成本就能大幅提升系统韧性。
这或许就是鲁棒优化的魅力所在在不确定性的迷雾中寻找那个进可攻退可守的甜蜜点。