本专栏栏目提供文章与程序复现思路,具体已有的论文与论文源程序可翻阅本博主免费的专栏栏目《论文与完整程序》
论文与完整源程序_电网论文源程序的博客-CSDN博客https://blog.csdn.net/liang674027206/category_12531414.html
电网论文源程序-CSDN博客电网论文源程序擅长文章解读,论文与完整源程序,等方面的知识,电网论文源程序关注python,机器学习,计算机视觉,深度学习,神经网络,数据挖掘领域.https://blog.csdn.net/LIANG674027206?type=download
本文是关于《基于广义目标级联法的多牵引变电站光伏-储能协同规划配置》的研究论文,作者为陈艳波、刘宇翔、田昊欣、张瑞芯和徐子韬。文章发表在《电工技术学报》上,主要研究了如何通过协同规划配置光伏和储能系统,提升轨道交通牵引供电系统的绿色化水平。以下是文章的核心内容概述:
-
研究背景:随着能源交通融合发展战略的推进,轨道交通系统亟需实现绿色化转型。通过在牵引变电站接入光伏等新能源和储能系统,可以提高系统的绿色能源利用率。
-
研究目的:提出一种多牵引变电站光伏-储能协同规划配置方法,以实现新能源和储能系统的合理部署,提升系统运行的经济性和绿色化水平。
-
关键技术:
- 对负荷数据和光伏出力数据进行预处理,建立光伏出力的概率模型。
- 采用广义目标级联法(G-ATC)构建协同规划模型,考虑投资和运行成本最小化以及弃光成本最小化。
-
模型构建:
- 建立了单个牵引变电站的优化规划模型,包括目标函数和约束条件,如光伏实际出力、储能系统充放电功率、与上级电网的交互功率等。
- 构建了多牵引变电站协同规划配置数学模型,考虑了规划类约束和运行类约束。
-
求解算法:使用G-ATC算法求解双层递阶优化问题,实现上下层模型的交替求解。
-
仿真验证:以中国北部某货运铁路为例,对5座牵引变电站进行协同规划配置。结果表明,所提方法能够有效满足系统运行需求,促进新能源消纳,提升系统绿色化水平。
-
研究结论:
- 提出的协同规划配置方法能够合理、高效地完成多站点新能源-储能规划配置。
- 该方法能够降低系统规划配置成本,同时保证系统运行的经济性和绿色化。
- 对于未来的研究方向,文章指出需要考虑实际运行条件和系统故障情况下的适用性分析。
-
关键词:轨道交通绿色能源系统、牵引变电站、广义目标级联法、光伏-储能、协同规划。
文章通过仿真分析,验证了所提方法在提高系统绿色化水平和经济性方面的有效性,并为既有基于融通供电型的牵引供电系统升级改造提供了可行方案。
复现仿真的基本思路通常包括以下几个步骤:
-
环境搭建:确保所使用的编程环境已经安装了必要的库和工具,例如MATLAB、Python等,以及优化求解器如GUROBI。
-
数据准备:根据论文中的描述,准备所需的数据,包括负荷数据、光伏出力数据、成本参数等。
-
模型建立:根据论文中的模型描述,建立单个牵引变电站的优化规划模型和多牵引变电站的协同规划配置数学模型。
-
求解算法实现:实现广义目标级联法(G-ATC)算法,用于求解双层递阶优化问题。
-
仿真运行:运行模型,输入数据,调用求解器,获取优化结果。
-
结果分析:分析优化结果,验证模型的有效性,并与论文中的仿真结果进行对比。
以下是使用Python语言结合GUROBI求解器实现上述步骤的伪代码:
# 导入所需的库
import gurobipy as gp
from gurobipy import GRB
import numpy as np
import matplotlib.pyplot as plt# 定义优化模型类
class TractionSubstationOptimizationModel:def __init__(self, data):self.model = gp.Model("TractionSubstationOptimizationModel")self.data = data # 包含所有系统参数和数据self.variables = {}self.objective = Noneself.constraints = []def build_model(self):# 定义决策变量# 例如:光伏配置容量、储能配置容量、储能配置功率for key, value in self.data['parameters'].items():self.variables[key] = self.model.addVar(vtype=value['type'], name=key)# 定义目标函数# 例如:最小化系统日均总成本self.objective = self.model.setObjective(sum(self.variables['cost_components'] * self.data['cost_factors']),GRB.MINIMIZE)# 定义约束条件for constraint in self.data['constraints']:# 根据论文中的约束条件添加到模型中self.constraints.append(self.model.addConstr(lhs=sum(self.variables[constraint['lhs']] for _ in constraint['indices']),sense=constraint['sense'],rhs=constraint['rhs']))def optimize(self):self.model.optimize()def get_results(self):# 获取优化结果results = {key: var.X for key, var in self.variables.items()}return results# 准备数据
# 包括负荷数据、光伏出力数据、成本参数等
data = {# 示例参数'parameters': {# 光伏配置容量、储能配置容量等},'constraints': [# 光伏实际出力约束、储能系统充放电功率约束等],# 其他所需数据
}# 创建模型实例
model = TractionSubstationOptimizationModel(data)# 构建模型
model.build_model()# 运行优化
model.optimize()# 获取结果
results = model.get_results()# 进行仿真分析,例如计算投资回收期、绿色能源占比等
# ...# 绘制结果图表
# plt.plot(results['PV_output']) # 光伏出力
# plt.show()# 输出结果
print("优化结果:", results)
请注意,上述代码仅为伪代码,实际实现时需要根据论文中的具体模型和参数进行详细编码。此外,还需要根据实际的求解器和编程语言调整代码实现。
本专栏栏目提供文章与程序复现思路,具体已有的论文与论文源程序可翻阅本博主免费的专栏栏目《论文与完整程序》
论文与完整源程序_电网论文源程序的博客-CSDN博客https://blog.csdn.net/liang674027206/category_12531414.html
电网论文源程序-CSDN博客电网论文源程序擅长文章解读,论文与完整源程序,等方面的知识,电网论文源程序关注python,机器学习,计算机视觉,深度学习,神经网络,数据挖掘领域.https://blog.csdn.net/LIANG674027206?type=download