文章/答案/技术大牛

发布

社区首页 >问答首页 >Pyomo电池优化。中频条件

问Pyomo电池优化。中频条件
EN

Stack Overflow用户

提问于 2022-09-05 13:32:32

回答 1查看 101关注 0票数 0

我目前正在建立一个简单的优化工具的电池存储。在t中，电池由Q_charget加载，即从电网Q_elt提取的电能乘以效率因子eta_charge。

Q_elt*eta_charge=Q_charget

放电功率Q_discharget乘以效率因子eta_discharge，给出了需求Q_demandt。需求概况在一年中的每一个小时都是众所周知的。

Q_discharget*eta_discharge=Q_demandt

电池SOC(t)定义为前一时间的充电状态+功率输入-功率输出。未考虑任何损失。

SOC(t)=SOC(t-1)+Q_charget-Q_demandt

在t=0的电荷状态应该等于所考虑的周期的最后一个小时。

SOC(t=0)=SOC(t=end)

充放电不能同时发生。

Charget+Discharget <= 1

充放电有最小和最大限值。

知道一年中每小时的电价，目标函数将决定何时收费，从而使购买成本降到最低。需求是内部使用的，不卖电。

Demandt是已知的(从导入)。Pricet是已知的(从导入)。

这是密码。

model = pyo.ConcreteModel()

##Parameters

tot_time=8760 #Hours in a year
model.T=pyo.Set(initialize=[t for t in range(0,tot_time)])
model.EtaCharge=pyo.Param(initialize=1.0, mutable=True) #-    
model.PMinCharge=0 #MW
model.PMaxCharge=2 #MW
model.EtaDischarge=pyo.Param(initialize=1.0, mutable=True) #-
model.PMinDischarge=2 #MW
model.PMaxDischarge=4 #MW
model.S0=pyo.Param(initialize=0.0, mutable=True) #MWh SOC at t=0

##Variables

model.QEl = pyo.Var(model.T, within=NonNegativeReals, initialize=0)
model.QCharge= pyo.Var(model.T, within=NonNegativeReals)
model.QDischarge= pyo.Var(model.T, within=NonNegativeReals)
model.Charge=pyo.Var(model.T, within = pyo.Binary)
model.Discharge=pyo.Var(model.T, within = pyo.Binary)
model.SOC=pyo.Var(model.T, bounds=(0,100)) #Size of the battery limited to 100 MWh

##Constraints

model.C1 = pyo.ConstraintList()
model.C2 = pyo.ConstraintList()
model.C3 = pyo.ConstraintList()
model.C4 = pyo.ConstraintList()
model.C5 = pyo.ConstraintList()
model.C6 = pyo.ConstraintList()
model.C7 = pyo.ConstraintList()

for t in model.T:
    
    model.C1.add(model.QEl[t] * model.EtaCharge ==  model.QCharge[t])   

    model.C2.add(model.QDischarge[t] * model.EtaDischarge ==  Demand[t])   
          
    model.C3.add(model.Charge[t] + model.Discharge[t] <= 1)
    
    model.C4.add(model.QCharge[t] >= model.PMinCharge*model.Charge[t])
                 
    model.C5.add(model.QCharge[t] <= model.PMaxCharge*model.Charge[t])
    
    model.C6.add(model.QDischarge[t] >= model.PMinDischarge*model.Discharge[t])
    
    model.C7.add(model.QDischarge[t] <= model.PMaxDischarge*model.Discharge[t])  


def SOC_storage(model,t):

    if t == 0:
        return (model.SOC[t] == model.S0+ model.QCharge[t]-model.QDischarge[t]) 
    else:
        return (model.SOC[t] == model.SOC[t-1] + model.QCharge[t] - model.QDischarge[t])

model.C8 = pyo.Constraint(model.T,rule = SOC_storage)

model.C9 = pyo.Constraint(expr = model.S0 == model.SOC[len(tot_time)-1])

##Objective

model.objective = pyo.Objective(expr = sum(model.QEl[t]*Price[t] for t in model.T), sense = pyo.minimize)

opt=SolverFactory('glpk')
results = opt.solve(model, tee = True)
model.write("myfile_lp.lp", io_options={'symbolic_solver_labels':True})
results.solver.status
results.solver.termination_condition
model.pprint()
value(model.objective)

实际上，代码运行很顺利。然而，我如何能够插入条件，不购买电力(Charget=0)只有在特定的时间？假设电池不能每天8点到15点之间充电？我试过：

day_stop=np.arange(8,15,1) # Index of hours When we don't charge
week_stop= np.concatenate([day_stop+24*j for j in range(0,7)]) # Index of hours When we don't charge for the first week
year_stop = np.concatenate([week_stop+168*j for j in range(0,52)]) # Index of hours When we don't charge for the all year

def NoCharge(model,t):
    if t in year_stop :
        return model.Charge[t]==0
    else:
        return Constraint.Skip

model.C10 = pyo.Constraint(model.T,rule = NoCharge)

运行代码后的所有变量都等于零或零。我是否以错误的方式提出约束？

你知道如何更好地制定最新的约束条件吗？非常感谢你的帮助！

python

pandas

optimization

pyomo

回答 1

Stack Overflow用户

回答已采纳

发布于 2022-09-05 16:17:37

您使用NoCharge函数的方法似乎是正确的。没有数据就很难排除故障。所以..。我编造了一些。

一些建议：

--很难排除带有8000+时间周期的模型，所以我强烈建议您将其分解成非常小的东西(就像我下面所做的那样)，这样您就可以将模型分解为非常小的部分，这样您就可以查看模型正在发生什么，并检查它--检查模型是否清楚，这很好！
您的模型很容易由于充放电限制和最终state==start状态的限制而变得不可行，所以要小心，而且必须E 210检查解决程序状态E 111之前的E 212评估您的模型。我敢打赌，当你在约束条件中加上这个模型是不可行的时，我赌5美元。因此，在解决

问题时，您可能需要放宽充放电限制。

编辑...我想起了另外几件事..。先让它起作用，然后考虑一下这些.

，您可能可以消除一个充放电二进制变量，因为它们是相互排斥的(由约束强制执行)。所以charge = 1 - discharge是真的，允许电荷等于零，所以“空闲”包含在内。您只需在需要时包含两个二进制文件中的一个，并在需要时使用"1 -“结构。
您可能想要添加另一个电源，并在需求>可以产生什么以及电池无法跟上的情况下对其进行成本计算。添加一个“开销”电源变量并将其添加到您的OBJ中是很容易的，只需付出一些小小的代价。这将使您的模型更具弹性，从而帮助您保持模型的可行性。
如果您的模型执行速度变慢，您可能应该将您的时间步骤增加到2，4，……小时或直接将“夜间时间”放入一大块，以减小

的大小

无论如何，下面的工作和产生的结果。我使用了您的C10约束，您可以切换它和C11，看看它是否在输出中工作。C11与C10是冗余的，只显示了一个备用结构.你可以任意使用。

代码：

import pyomo.environ as pyo

model = pyo.ConcreteModel()

##Parameters

tot_time=10 #Hours in a year
Demand = [0, 2, 3, 0, 0, 3, 3, 0, 0, 3]
Price = [0.5 for t in range(tot_time)]

model.T=pyo.Set(initialize=[t for t in range(0,tot_time)])
model.EtaCharge=pyo.Param(initialize=1.0, mutable=True) #-    
model.PMinCharge=0 #MW
model.PMaxCharge=5 #MW
model.EtaDischarge=pyo.Param(initialize=1.0, mutable=True) #-
model.PMinDischarge=2 #MW
model.PMaxDischarge=4 #MW

model.S0=pyo.Param(initialize=10, mutable=True) #MWh SOC at t=0

##Variables

model.QEl = pyo.Var(model.T, within=pyo.NonNegativeReals, initialize=0)
model.QCharge= pyo.Var(model.T, within=pyo.NonNegativeReals)
model.QDischarge= pyo.Var(model.T, within=pyo.NonNegativeReals)
model.Charge=pyo.Var(model.T, within = pyo.Binary)
model.Discharge=pyo.Var(model.T, within = pyo.Binary)
model.SOC=pyo.Var(model.T, bounds=(0,100)) #Size of the battery limited to 100 MWh

##Constraints

model.C1 = pyo.ConstraintList()
model.C2 = pyo.ConstraintList()
model.C3 = pyo.ConstraintList()
model.C4 = pyo.ConstraintList()
model.C5 = pyo.ConstraintList()
model.C6 = pyo.ConstraintList()
model.C7 = pyo.ConstraintList()

for t in model.T:
    
    model.C1.add(model.QEl[t] * model.EtaCharge == model.QCharge[t])   

    model.C2.add(model.QDischarge[t] * model.EtaDischarge == Demand[t])   
          
    model.C3.add(model.Charge[t] + model.Discharge[t] <= 1)
    
    model.C4.add(model.QCharge[t] >= model.PMinCharge*model.Charge[t])
                 
    model.C5.add(model.QCharge[t] <= model.PMaxCharge*model.Charge[t])
    
    model.C6.add(model.QDischarge[t] >= model.PMinDischarge*model.Discharge[t])
    
    model.C7.add(model.QDischarge[t] <= model.PMaxDischarge*model.Discharge[t])  


def SOC_storage(model,t):

    if t == 0:
        return (model.SOC[t] == model.S0 + model.QCharge[t] - model.QDischarge[t]) 
    else:
        return (model.SOC[t] == model.SOC[t-1] + model.QCharge[t] - model.QDischarge[t])

model.C8 = pyo.Constraint(model.T,rule = SOC_storage)

model.C9 = pyo.Constraint(expr = model.S0 == model.SOC[tot_time-1])

def NoCharge(model,t):
    if t in no_charge_zone :
        return model.Charge[t]==0
    else:
        return pyo.Constraint.Skip

no_charge_zone = [7, 8]
model.C10 = pyo.Constraint(model.T,rule = NoCharge)

# The below C11 is redundant with C10...  It just shows a different approach.
# I think this is cleaner....  Just make a subset from your "prohibited" time periods
# and pass that in...
def NoCharge2(model, t):
    return model.Charge[t] == 0

model.C11 = pyo.Constraint(no_charge_zone, rule=NoCharge2)

##Objective

model.objective = pyo.Objective(expr = sum(model.QEl[t]*Price[t] for t in model.T), sense = pyo.minimize)

opt=pyo.SolverFactory('glpk')
results = opt.solve(model, tee = True)
#model.write("myfile_lp.lp", io_options={'symbolic_solver_labels':True})
results.solver.status
results.solver.termination_condition
#model.pprint()
model.Charge.display()
model.SOC.display()
#print(pyo.value(model.objective))

输出：

INTEGER OPTIMAL SOLUTION FOUND
Time used:   0.0 secs
Memory used: 0.1 Mb (87515 bytes)
Writing MIP solution to '/var/folders/rt/5gc2md7s7y5bw8ddt74tz5vw0000gp/T/tmpi82nq7rg.glpk.raw'...
154 lines were written
Charge : Size=10, Index=T
    Key : Lower : Value : Upper : Fixed : Stale : Domain
      0 :     0 :   1.0 :     1 : False : False : Binary
      1 :     0 :   0.0 :     1 : False : False : Binary
      2 :     0 :   0.0 :     1 : False : False : Binary
      3 :     0 :   1.0 :     1 : False : False : Binary
      4 :     0 :   1.0 :     1 : False : False : Binary
      5 :     0 :   0.0 :     1 : False : False : Binary
      6 :     0 :   0.0 :     1 : False : False : Binary
      7 :     0 :   0.0 :     1 : False : False : Binary
      8 :     0 :   0.0 :     1 : False : False : Binary
      9 :     0 :   0.0 :     1 : False : False : Binary
SOC : Size=10, Index=T
    Key : Lower : Value : Upper : Fixed : Stale : Domain
      0 :     0 :  14.0 :   100 : False : False :  Reals
      1 :     0 :  12.0 :   100 : False : False :  Reals
      2 :     0 :   9.0 :   100 : False : False :  Reals
      3 :     0 :  14.0 :   100 : False : False :  Reals
      4 :     0 :  19.0 :   100 : False : False :  Reals
      5 :     0 :  16.0 :   100 : False : False :  Reals
      6 :     0 :  13.0 :   100 : False : False :  Reals
      7 :     0 :  13.0 :   100 : False : False :  Reals
      8 :     0 :  13.0 :   100 : False : False :  Reals
      9 :     0 :  10.0 :   100 : False : False :  Reals

票数 0

页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持

原文链接：

https://stackoverflow.com/questions/73610201

复制

相似问题

问Pyomo电池优化。中频条件
EN

回答 1

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问Pyomo电池优化。中频条件EN

回答 1

Stack Overflow用户

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

问Pyomo电池优化。中频条件
EN