主要内容
该模型通过定义一系列风电分布的模糊性集来捕捉风电的不确定性，并在最坏情况分布下最小化预期总成本。与随机规划相比，该方法对精确概率分布数据的依赖性较小。该方法的性能也优于传统的鲁棒优化方法，因为它可以将一些分布信息纳入模糊集，从而产生保守性较低的结果。为了便于计算，假设经济调度决策与不确定参数和描述风力发电分布特征的辅助随机变量亲和依赖，采用线性决策规则逼近的方法处理等待决策。程序需要matlab+cplex进行求解。
部分程序
%% 确定性优化结果clcclose allclear all% A Benchmark Case of Optimal Recourse Under Wind Power UncertaintyD = 320; %MW % demandwhat = 60; % mean wind output平均风功率V = 3000; % $/MW % penalty cost for load loss失负荷惩罚a = 3; % $/MW 发电成本系数b = 30; % $% v为预测误差x = binvar(1); % 机组启停机p = sdpvar(1); % 机组出力l = sdpvar(1);% 失负荷% 不确定性变量ResultP = [];ResultQ = [];i= 1;for v = -50 :10 :100Q = b * x + a * p +V * l;constrains = [ p >= 20*x;p <= 300*x ;p + l == D - what - v;l >= 0 ;];opt = sdpsettings('verbose',1,'solver','cplex');result = optimize(constrains,Q,opt); % 主问题求解ResultP(i) = value(p);ResultQ(i) = value(Q);i = i+1;end%% hold on% bar(ResultQ)% ylim([120,320])xticklabels(-50:10:100)clearvars -except ResultP%% 线性近似求解%% 模糊集参数v = sdpvar;u = sdpvar;[A,b]= FuzzyMatrix();% A*[v;u] <=b;% v,u 无约束%% 机组相关变量x = binvar(1); % 一阶段% 二阶段p0 = sdpvar;p1 = sdpvar;l0 = sdpvar;l1 = sdpvar;% 相关约束%% p >= 20*x ( 任意 v,u）1% min( [p1,0]*[v;u]) >= 20*x - p0% A[v;u] <=b% v,u 无约束% 左边转换DualSize1 = sdpvar(size(A,1),1,'full'); % 对偶变量DualSize1Constrains = [ A' * DualSize1 == [p1;0];DualSize1 <= -0.0009 ;b' * DualSize1 >= 20 * x - p0; ]; % 目标函数%% p <= 300 * x ( 任意 v,u）2% -p >= -300 * x% min( -p0 - p1 * v - 0 *u ) >=-300 * x% A[v;u] <=b% v,u 无约束% 左边转换DualSize2 = sdpvar(size(A,1),1,'full'); % 对偶变量DualSize2Constrains = [ A' * DualSize2 == [-p1;0];DualSize2 <= 0;b' * DualSize2 >= -300 * x + p0; ]; % 目标函数%% p+l = 260 - v ( 任意 v,u）3% p+l >= 260-v;% p0 + p1*v +0*u + l0 + l1*v + 0*u +v >=260；% min( p1*v +0*u + l1*v + 0*u +v) >= 260 - p0 - l0;% A[v;u] <=b% v,u 无约束% 左边转换DualSize3 = sdpvar(size(A,1),1,'full'); % 对偶变量DualSize3Constrains = [ A' * DualSize3 == [p1+l1+1;0];DualSize3 <= 0;b' * DualSize3 >= 260-p0-l0; ]; % 目标函数
结果一览
运行结果
原文结果图
“阅读原文”获取程序源码
注：程序标价即是原价，不存在二次消费，保证运行成功，放心下单！
