微电网中电池调度的约束优化

Question

给定输入，如电力消耗，太阳能电池板发电，价格(所有在给定的时间t)，我们有一个电池，我们想要评估它应该(dis)/charge在任何特定的时间。问题可以表述如下：

Pt = price of electricity at time t

Lt = consumption of electricity at time t

Zt = charge of battery at time t (how much is in the battery)

St = Electricity generated from solar generator at time t

Qt = amount the battery (dis)/charges at time t

我们试图优化的函数是Ct = Pt *(Lt - St - Qt)。

这样做的目的是尽量减少用电量。

有以下限制：

Lt - St - Qt >= 0 (our demand has to be non-negative)

Qmin <= Qt <= Qmax ( the battery can only (dis)/charge between certain values at any given time)

Zmin <= Zt <= Zmax. (the battery has to be within its capacity, i.e. you can't discharge more than the battery holders, and you can charge more than the battery can hold)

Zt+1 = Zt + Qt+1 ( this means that the battery level at the next time step is equal to the battery level at the previous time step plus the amount that was (dis)/charged from the battery)

我所面临的问题是如何在python中制定这个问题，特别是更新电池的级别。

我知道其他图书馆(Pyomo，Pulp)也存在，欢迎加入解决方案。

Answer 1

幸运的是，我被Giorgio的回答激发了学习pyomo (我主要是用户)的动机，所以利用你的问题来确保我理解了所有的界面。我会把它贴在这里，这样以后我可以自己再找到它：

import pyomo.environ as pyomo
import numpy as np

# create model
m = pyomo.ConcreteModel()

# Problem DATA
T = 24

Zmin = 0.0
Zmax = 2.0

Qmin = -1.0
Qmax = 1.0

# Generate prices, solar output and load signals
np.random.seed(42)
P = np.random.rand(T)*5.0
S = np.random.rand(T)
L = np.random.rand(T)*2.0

# Indexes
times = range(T)
times_plus_1 = range(T+1)

# Decisions variables
m.Q = pyomo.Var(times, domain=pyomo.Reals)
m.Z = pyomo.Var(times_plus_1, domain=pyomo.NonNegativeReals)

# objective
cost = sum(P[t]*(L[t] - S[t] - m.Q[t]) for t in times)
m.cost = pyomo.Objective(expr = cost, sense=pyomo.minimize)

# constraints
m.cons = pyomo.ConstraintList()
m.cons.add(m.Z[0] == 0.5*(Zmin + Zmax))

for t in times:
    m.cons.add(pyomo.inequality(Qmin, m.Q[t], Qmax))
    m.cons.add(pyomo.inequality(Zmin, m.Z[t], Zmax))
    m.cons.add(m.Z[t+1] == m.Z[t] - m.Q[t])
    m.cons.add(L[t] - S[t] - m.Q[t] >= 0)

# solve
solver = pyomo.SolverFactory('cbc')
solver.solve(m)

# display results
print("Total cost =", m.cost(), ".")

for v in m.component_objects(pyomo.Var, active=True):
    print ("Variable component object",v)
    print ("Type of component object: ", str(type(v))[1:-1]) # Stripping <> for nbconvert
    varobject = getattr(m, str(v))
    print ("Type of object accessed via getattr: ", str(type(varobject))[1:-1])

    for index in varobject:
        print ("   ", index, varobject[index].value)

Answer 2

根据我的经验(线性/ MIP)优化是这类应用程序的一种有效方法。在我看来(是的)，Pyomo是一个很好的工具：

• 它是用Python写的
• 总体设计很棒
• 它具有来自其他建模语言的最常见的特性(AMPL，GAMS.)
• 它为大多数求解器提供了简单的接口。
• 它维护得很好(请查看Github页面)

文档相当广泛，托管在这里：https://pyomo.readthedocs.io/en/latest/index.html

你可以在这里找到更多的资料：examples.html

另外，这是对Pyomo的一个相当广泛的介绍的链接，它深入到相当高级的主题，如随机优化和双级问题。

最后，唯一具体的问题，你的情况是，你可能想把损失的充放电电池。首先，定义两个充放电的自变量(它们都是非负的)，这样你就可以把电池的能量平衡写成一个约束，把时间t的能量状态( SOE )和时间上的SOE联系起来。

祝好运!