微电网优化调度（风、光、储能、柴油机）（Python代码实现）
欢迎来到本博客❤️❤️❤️
博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
目录
1 概述
2 运行结果
3 参考文献
4 Python代码实现+详细文章+数据
文献来源，Python代码复现之：
1 概述
电力对发达国家的日常生活至关重要，为关键系统和服务提供动力，例如医院、供水和废水处理等功能。停电–例如那些由于加利福尼亚州或最近的野火和公共安全停电日益严重德克萨斯州极端天气引起的轮流停电–这些关键服务的功能受损。包括存储和分布式发电资源的微电网可以帮助缓解其中的一些问题。压力，具有与主电网隔离或"孤岛"并在本地分配电力的能力。然而，微电网的可用存储和发电有限因此，确定优先级的能力负载和优化排放有助于最大化这些资源提供的收益并最小化伤害。本研究根据服务不同服务的优先级创建最佳存储调度计划负载，以及可用的存储和分布式发电资源。结果显示，正如预期的那样，服务负载的平均比例随停电时间而下降，并随柴油发电机燃料的增加而增加可用。此外，该模型倾向于为相对较低的节点提供大部分负载尽管相对排名较低，但需求，同时为需求极高的节点提供较少的服务尽管相对排名较高。
2 运行结果
部分代码：
#5 - Battery state of charge
constraints += [ j[0] == j_start ]
if len_t > 1:
for t in range(1,len_t):
constraints += [ j[t] == j[t-1] - b_S[t-1]*dt]
for t in range(len_t):
constraints += [ 0 <= j[t], j[t] <= j_max]
#6 - Fuel stock
constraints += [ f[0] == f_start ]
if len_t > 1:
for t in range(1, len_t):
constraints += [ f[t] == f[t-1] - d_S[t-1]*dt ]
# %% Constraints C (7-9, 14)
for t in range(len_t):
for jj in j_idx:
i = rho[jj]
# 7 - DistFlow equations
constraints += [P[t, jj] == p[t, jj] + r[jj] * L[t, jj] + A[jj] @ P[t, :]]
constraints += [Q[t, jj] == q[t, jj] + x[jj] * L[t, jj] + A[jj] @ Q[t, :]]
# #8 - Voltage drop
constraints += [
V[t, jj] - V[t, i] == (r[jj] ** 2 + x[jj] ** 2) * L[t, jj] - 2 * (r[jj] * P[t, jj].T + x[jj] * Q[t, jj].T)]
# #9 - Squared current magnitude (relaxed)
constraints += [quad_over_lin(vstack([P[t, jj], Q[t, jj]]), V[t, jj]) <= L[t, jj]]
各种微电网模拟和研究可以在文献中找到，研究的主题从电网可靠性到智能负载。6,7负载优先化方案存在于许多此类电源中，因为随着电源的减少，负载必须以可控和可预测的方式减少。通常，这些都是按客户重要性不同的“层”订购的。在[8]中，第一层包含了所有关键的负荷，并且不应以任何理由卸载，包括医院和911调度中心。8可在短时间内卸载的任意负载，如HVAC设备，包括在第二层，最后，第三层包含仅为维持电网稳定性和防止停电而需要卸载的负载。它包括住宅客户和带备用发电的商业设施。文献似乎缺乏关于如何以及何时在微电网中优先考虑负载的真实例子。
本文通过将负载优先级与加州PSPS事件的现实影响联系起来来填补这一空白。尽管文献中包含负载优先级层的一些基本示例，但此类优先级缺乏适用性。这项工作通过将客户优先级与加利福尼亚州的离散客户类型和负载配置文件联系起来提供了这一点除了管理如何将电力分配给跨微电网连接的负载外，还必须考虑分布式发电机的内部发电，以确保跨微电网的充分电力分配。如[9]所述，本研究中提出的低压系统中这些分布式发电机的互连可能会影响整个电力系统的性能。9这些微源可能是生物质、燃料电池、风能或其他，然而，为了本研究的目的，将只分析太阳能和柴油发电。下面的Python中的数学建模与实现部分详细介绍了如何对这些生成器进行建模、控制和分布。
3 参考文献
