活动介绍

%MOPSO:63、311;example:42 %x = [ % x1_1, x1_2, x1_3, ..., x1_nVar; % 粒子1 % x2_1, x2_2, x2_3, ..., x2_nVar; % 粒子2 % ... % xN_1, xN_2, xN_3, ..., xN_nVar; % 粒子N %] % ----------------------------------------------------------------------- % clear clc mpc=loadcase('case33bw_60'); n_Bus=mpc.bus(end,1); Load=[ 0.8, 0.805, 0.81, 0.818, 0.83, 0.91, 0.95, 1, 1.05, 1.08, 1.03, 1.01, 0.95, 0.9, 0.905, 0.91, 0.93, 1.02, 1.1, 1.18, 1.2, 1.08, 0.9, 0.84]/ 1.4; % 多目标函数 MultiObjFnc = 'mubiao'; switch MultiObjFnc case 'mubiao' % 总的THDu MultiObj.fun = @(x) m(x); %x是充电桩节点的Iv,n*m,n个节点,每个节点是m次;m=8,n=10 %按照每个节点的1-8次电流来划分 %总数 MultiObj.nVar = 10*8; %这里再加入判断有几个反向接入的,用概率再取整; g=0.2; nz=80*g;%g为每时刻的反向接入的概率 %前几个的最小/最大 MultiObj.var_min(1:nz) = -15; MultiObj.var_max(1:nz) = 0; MultiObj.var_min(nz+1:80) = 0; MultiObj.var_max(nz+1:80) = 15; end %% MOPSO参数 params.Np = 200; % 种群规模 % 增加种群多样性的参数设置 params.W = 0.7; % 提高惯性权重 params.C1 = 1.0; % 降低个体认知因子 params.C2 = 1.0; % 降低社会认知因子 params.maxvel = 5; % 增大最大速度限制 params.u_mut = 0.5; % 增加变异概率 params.Nr = 200; % 存储库大小 params.maxgen = 7; % 最大迭代次数 %params.W = 0.4; % 惯性权重 %params.C1 = 1.4; % Individual confidence factor %params.C2 = 1.4; % Swarm confidence factor params.ngrid = 10; % Number of grids in each dimension %params.maxvel = 10; % Maxmium vel in percentage %params.u_mut = 0.8; % Uniform mutation percentage % MOPSO REP = MOPSO(params,MultiObj);%MOPSO的迭代次数决定了REP的行数,而M函数的值是一个迭代下x的所有值决定了一行中所有列的值 %所以,每次输出80个(一行) %也即谐波计算要返回80个值 disp('REP.pos_fit 的大小:'); size(REP.pos_fit) disp('REP.pos_fit 的内容:'); disp(REP.pos_fit) disp('REP.pos 的大小:'); size(REP.pos) disp('REP.pos 的内容:'); disp(REP.pos) REP.pos(:,1:8); REP.pos(:,9:16);%每个充电桩的8个谐波电流 REP.pos(:,17:24); REP.pos(:,25:32); REP.pos(:,33:40); REP.pos(:,41:48); REP.pos(:,49:56); REP.pos(:,57:64); REP.pos(:,65:72); REP.pos(:,73:80); a=REP.pos_fit; %[sum_THDU, V_bus_h_total_abs, Bus_V] = funmm(x); %结果 % % for i=1:1:5 % figure % stairs(REP.pos(i,9:32),'ro-') % figure % stairs(REP.pos(i,33:56),'ro-') % end %Figure(REP,12) %最终的图是24小时的THD的变化图展示抑制谐波的效果; %给目标,以各个的Iv初始值先运行一次,求出一次REP的矩阵(THDu在f1在M中,M在REP中),在进入MOPSO的循环,每次求一次REP %REP是每次包含多个矩阵是因为M中原先两个函数,所以双维,现在只一个函数,则单维,但仍有多个矩阵 % 找到网损最小的解的索引 [~, minLossIndex] = min(REP.pos_fit(:, 2)); % 提取该解的决策变量和目标函数值 bestSolution = REP.pos(minLossIndex, :); % 决策变量 bestFitness = REP.pos_fit(minLossIndex, :); % 目标函数值 y=bestFitness; h=REP.pos; % 显示结果 %disp('对应的目标函数值(REP.pos_fit):'); %disp(bestFitness); %figure; %plot(REP.pos_fit(:,1), REP.pos_fit(:,2), 'ro'); %xlabel('f1 (THDu)'); %ylabel('f2 (Voltage Deviation)'); %title('Pareto Front'); %grid on; %iter作用, 对抗函数 function f= m(x) %%这个函数就是给一组粒子,返回一个sumTHDU! %% n=size(x,1);%粒子数。 for l=1:n %l的意思是每一种粒子情况下的一个sumTHDU,最终会合在一个f中,输出给example的REP中 %80个谐波电流值用x(l,j)的形式带入,表示第l个粒子情况下的第j个谐波电流的大小,10*8的一行排布 %以上是构建粒子群的循环代码,以下是在一个粒子值下的运算结果(得到一个sum) %% ac_data = case33bw_60; %这里未使用loadcase %case33bw case_ieee34 ac_case8(阻抗较小) ac_baseMVA = ac_data.baseMVA; ac_bus = ac_data.bus; ac_branch = ac_data.branch; ac_gen = ac_data.gen; ac_dg = ac_data.dg; %%电网数据 source1 = ac_data.source; %谐波源 charge1=ac_data.charge; %充电桩需要再单独在33中去设置 ac_bn = find(ac_bus(:, 2)==3); %平衡节点 ac_pv = find(ac_bus(:, 2)==2); %PV节点 ac_pq = find(ac_bus(:, 2)==1); %PQ节点 UB = ac_bus(1,10); ZB =UB^2/ac_baseMVA; IB = ac_baseMVA/sqrt(3)/UB; m = length (ac_pq); % 初始化变量:保存各节点各次谐波注入电流幅值 harmonic_num = length(source1(1, :))-1; bus_num = length(ac_bus(:, 1)); I_bus_h_total_abs = zeros(harmonic_num, bus_num); % harmonic_num x bus_num f1 = zeros(n, 1); f2 = zeros(n, 1); % 获取充电桩节点信息 charge_bus = charge1(:,1); num_chargers = length(charge_bus); harmonic_num = size(charge1, 2) - 1; % 谐波次数数量 % 初始化目标函数值 total_charge_current = 0; % 用于累积谐波电流绝对值之和 % 提取所有充电桩的谐波电流值 for charger_idx = 1:num_chargers for harmonic_idx = 1:harmonic_num % 计算在x中的索引位置 % 假设x是行向量:每个充电桩的谐波按顺序排列 pos = (charger_idx - 1) * harmonic_num + harmonic_idx; % 获取谐波电流值(实数,表示幅值) current_val = x(pos); % 累加到总谐波电流(取绝对值) total_charge_current = total_charge_current + abs(current_val); end end %% 基于牛拉法的基波潮流计算 %基波下,充电桩的参数设定,与x包含的80值无关,但与正反向充电时的功率有关,这块的思路 Ybus = createYbus(ac_baseMVA, ac_bus, ac_branch); Pacs = -ac_bus(:,3); %有功负荷消耗,看做负值 Pacs(ac_gen(:,1)) = ac_gen(:,2) - ac_bus(ac_gen(:,1),3); %发电机节点的有功功率 % 删不删去dg,充电桩的有功功率要不要算,有功注入与无功注入 Pacs(ac_dg(:,1)) = Pacs(ac_dg(:,1))+ ac_dg(:,2) ; %接入dg电源用功注入 Qacs = -ac_bus(:,4); Qacs(ac_gen(:,1)) = ac_gen(:,3) - ac_bus(ac_gen(:,1),4); %发电机节点的无功功率 Qacs(ac_dg(:,1)) = Qacs(ac_dg(:,1))+ ac_dg(:,3) ; %接入dg电源无功注入 Pacs = Pacs/ac_baseMVA; Qacs = Qacs /ac_baseMVA; %标幺化,bus不用标幺化 kac = 0;%迭代次数 %计算节点功率Pi,Qi busNum = length(ac_bus(:, 1)); Bus_V = ac_bus(:, [1,8:9]); %仅用于形成雅克比矩阵 Bus_V(ac_gen(:,1),2) = ac_gen(:,6); %平衡节点电压 Pii=zeros(busNum, 2); %所有节点(包括平衡节点)的Pi Qii=zeros(busNum, 2); Pii(:,1)=Bus_V(:, 1); %没有特殊的含义,复制编号 Qii(:,1)=Bus_V(:, 1); Y = Ybus([ac_pq;ac_pv],[ac_pq;ac_pv]); %除去平衡节点后的Y阵,用于雅克比矩阵,直接去掉该行列 Pacs = Pacs([ac_pq;ac_pv],:); Qacs = Qacs([ac_pq;ac_pv],:); while true for i=1:busNum for j=1:busNum detal_ij=(Bus_V(i,3)-Bus_V(j,3))*pi/180; %角度转弧度 Pii(i, 2)=Pii(i, 2)+Bus_V(j, 2)*(real(Ybus(i, j))*cos(detal_ij)+imag(Ybus(i, j))*sin(detal_ij)); %Pi从2开始 Qii(i, 2)=Qii(i, 2)+Bus_V(j, 2)*(real(Ybus(i, j))*sin(detal_ij)-imag(Ybus(i, j))*cos(detal_ij)); end Pii(i, 2) = Bus_V(i, 2)*Pii(i, 2); Qii(i, 2) = Bus_V(i, 2)*Qii(i, 2); end %重新编号1~m为PQ节点,m+1~n-1+m为PV节点 Pi = Pii([ac_pq;ac_pv], :); %除去平衡节点且重置节点位置 Qi = Qii([ac_pq;ac_pv], :); %除去平衡节点且重置节点位置 V = Bus_V([ac_pq;ac_pv], :); Uac_m = V(:, 2); Uac_a = V(:, 3); Uacs = Uac_m .* exp(1j * (Uac_a*pi/180)); dP = Pacs - Pi(:,2); dQ = Qacs - Qi(:,2); % dP = Pacs - real(Uacs.*conj(Y*Uacs));%公式不能用 % dQ = Qacs - imag(Uacs.*conj(Y*Uacs)); if max(abs(dP)) <= 1e-9 && max(abs(dQ(1:m))) <= 1e-9 %收敛判据 break end [J,H,N,K,L] = Jacobi(V, Y, ac_pq ,ac_pv,Pi,Qi); %返回雅克比矩阵各子矩阵 Ud2 = diag(V(:,2)); dPQ = [dP ; dQ(1:m)]; ang_U = -J^-1*dPQ; dang = ang_U(1:busNum-1); %弧度结果 dU = diag(Uac_m(1:m))*ang_U(busNum:end); %数据修正 Bus_V(V(1:m,1),2) = Bus_V(V(1:m,1),2)+dU; %修正原编号下PQ节点电压幅值和相角 Bus_V(V(:,1),3) = Bus_V(V(:,1),3)+dang*180/pi; %弧度转角度,空载情况角度增加 Pii(:,2) =0; Qii(:,2) = 0; kac = kac+1; end %% 平衡节点功率计算Sn %默认只有一个平衡节点 Ui = Bus_V(:, 2).*cos(Bus_V(:, 3)*pi/180)+1i*Bus_V(:, 2).*sin(Bus_V(:, 3)*pi/180); %电压复数形式 Sn=0; for i=1:busNum Sn = Sn+ Ui(ac_bn)*(conj(Ybus(i, ac_bn))*(conj(Ui(i)))); %Ui*sum(conj(Yij)*conj(Uj)) end %方法一:计算支路电流 branch_num = length(ac_branch(:, 11)); I_branch = zeros(branch_num, 3); S_branch = zeros(branch_num, 5); I_branch(:, 1:2) = ac_branch(:, 1:2); S_branch(:, 1:2) =ac_branch(:, 1:2); from_node = ac_branch(:, 1); to_node = ac_branch(:, 2); z_branch = (ac_branch(:, 3)+1i*ac_branch(:, 4))/ZB; I_branch(:, 3) = (Ui(from_node)-Ui(to_node))./(z_branch); %支路流过的电流 for k = 1:length(I_branch(:,1)) %考虑电容注入电流 I_branch(k, 3) = I_branch(k, 3) +Ui(from_node(k))*(1i*ac_branch(k,5)*ZB)/2; I_branch(k, 3) = I_branch(k, 3) +Ui(to_node(k))*(1i*ac_branch(k,5)*ZB)/2; end S_branch(:, 3) = Ui(from_node).*conj(I_branch(:, 3))*ac_baseMVA; %支路ij流过的容量 S_branch(:, 4) = Ui(to_node).*conj(-I_branch(:, 3))*ac_baseMVA; %支路ji流过的容量 S_branch(:, 5) =real(S_branch(:, 3)+S_branch(:, 4)); %基波潮流有功损耗 ac_loss = sum(S_branch(:, 5)); %计算节点注入电流 bus_num = length(ac_bus(:, 1)); Iii = zeros(bus_num, 2); Iii(:, 1) = ac_bus(:, 1);%标点 Sii = Pii(:,2)+1i*Qii(:, 2); Iii(:, 2) = conj(Sii)./conj(Ui); %注意共轭的取值 Ii = Ybus*Ui; %Ii = Yi1*U1+Yi2*U2+Yi3*U3+…… %% 诺顿谐波潮流计算 harmonic_U_h = zeros(bus_num, 3);%3列,1节点、2谐波幅值、3相角 harmonic_U_h(:, 1)=ac_bus(:, 1);%第一列是节点数 %harmonic_U_h算的是全部33节点的 source_bus = source1(:, 1);%确定谐波源的节点数作为第一列 %单独谐波源的节点编号 %Charge_bus = [5,10,13,16,20,24,11,28,31,17]; % 10个特定节点的编号,作为充电桩 charge_bus=charge1(:,1); %单独充电桩的节点编号 %但是,应该在33节点中设置 harmonic_U_h(source_bus, 2) = 0.05; %谐波源的谐波幅值设为0.05 %全体先设为了0.05吗? harmonic_U_h(:, 3) = 0; %谐波相角设为0 harmonic_num = length(source1(1, :))-1; %此处考虑5,7,11,13,17次谐波,17也全为0 load_power = (ac_bus(:, 3)+1i*ac_bus(:, 4)); %负荷功率MVA Zload = zeros(bus_num, harmonic_num); V_bus_h_total_abs = zeros(harmonic_num , bus_num); I_branch_h_total_abs = zeros(harmonic_num , branch_num); loss = zeros(branch_num ,harmonic_num ); Pi_fam = -Pii(:,2)*ac_baseMVA; Qi_fam = -Qii(:,2)*ac_baseMVA;Sii_fam = Sii*ac_baseMVA;%采用有名值计算 source_R1 = Pi_fam(source_bus).*(Bus_V(source_bus, 2)*UB).^2./(abs(Sii_fam(source_bus))).^2;%阻抗串联模型 source_X1 = Qi_fam(source_bus).*(Bus_V(source_bus, 2)*UB).^2./(abs(Sii_fam(source_bus))).^2; for i = 1:harmonic_num %计算各次的 %谐波源负荷模型被代替 h = 2*i+1; %次数 I_h = zeros(bus_num, 1); %所有节点电流向量,表示一个特定次数的所有电流值(列向量) %charge1(:, i+1)=0; if charge1(:, i+1)==0 %存在一个充电桩发出该次谐波 %这是在假设充电桩也在33以后的形式 Charge_Ih = zeros(bus_num, 1); % 初始化已知谐波电流矩阵(复数,标幺值) for j=1:10 index = (j-1)*8 + i; % 第j个节点的第i次谐波在x中的位置 Charge_Ih(charge_bus(j)) = x(l, index); % charge_bus(j)是第j个充电桩的节点编号 end I_h = Charge_Ih; %上述是对已知量的先赋值给I_h,对于剩下的谐波源及其他节点再计算他们的谐波电流 if source1(:, i+1)~=0 %存在谐波源发出该次谐波 I_h0= -Iii(source1(:,1), 2).*source1(:, i+1); %用节点注入电流约为0.0075时谐波电压畸变率2% %什么意思 基准的意思 harmonic_Uhs = harmonic_U_h(:,2).* exp(1j * (harmonic_U_h(:,3)*pi/180));%谐波电压初始值 Zh_eq = source_R1+1i*h*source_X1; while true %解耦迭代过程 I_eq = harmonic_Uhs(source1(:,1))./Zh_eq; I_eq = I_eq/IB; %标幺化 I_h(source1(:,1)) = I_h0+I_eq; %发电机谐波模型 XG_h = 1i*h*ac_gen(:, 23)/ZB; %负序电抗0.2;XG=1i*h*0.2*sqrt(real(Sn)^2+imag(Sn)^2); yG = 1./XG_h; Zload([ac_bn;ac_pv] , i) = XG_h; %负荷谐波阻抗模型 Num_L= find( load_power(ac_pq) ~=0); %pq节点中非零负荷的位置 RL = real(load_power(ac_pq(Num_L))).*(Bus_V(ac_pq(Num_L), 2)*UB).^2./(abs(load_power(ac_pq(Num_L)))).^2;%有名值计算 RL = RL/ZB; %33节点系统需要标幺化,下同 XL = imag(load_power(ac_pq(Num_L))).*(Bus_V(ac_pq(Num_L), 2)*UB).^2./(abs(load_power(ac_pq(Num_L)))).^2; XL = XL/ZB; Zload(ac_pq(Num_L) ,i) = RL+1i*h*XL; %Z=U^2*S/|S|^2 Zload(source1(:,1) ,i) = Zh_eq/ZB; %电源节点和负荷节点自导纳 yloads=zeros(size(Zload)); for j=1:bus_num if Zload(j, i) ~=0 yloads(j, i) = 1/Zload(j, i); end end % yloads=zeros(bus_num,1); %各节点的负荷等值模型 % for j=1:bus_num % if load_power(j) ~=0 % yloads(j, 1)=real(load_power(j))/Bus_V(j, 2)^2-1i*imag(load_power(j))/(h*Bus_V(j, 2)^2); %yii = Pi/Vi^2-j*Qi/(h*Vi^2)??? % else % yloads(j, 1) = 0; % end % end %线路谐波模型 branch_h = ac_branch;%已经标幺化 branch_h(: ,3) = ac_branch(: ,3); branch_h(: ,4) = h*ac_branch(: ,4); branch_h(: ,5) = h*ac_branch(: ,5); %形成网络谐波导纳矩阵 bus_h = ac_bus;%bus没有标幺化 bus_h(:, 5) = real(yloads(:, i))+bus_h(:, 5)*ZB; %导纳乘以阻抗基准值 bus_h(:, 6) = imag(yloads(:, i))+bus_h(:, 6)*ZB; Ybus_h = createYbus(ac_baseMVA, bus_h, branch_h); %由负荷等值模型和发电机等值模型组成 U_h = (Ybus_h^-1)*I_h; %迭代收敛判据 dU_h = harmonic_Uhs -U_h; if max(abs(dU_h)) <= 1e-7%收敛判据 break end harmonic_Uhs = U_h; end V_bus_h_total_abs (i,:) = abs(U_h); I_bus_h_total_abs(i, :) = abs(I_h); % 保存各节点注入电流幅值 z_branch_h = branch_h(:, 3)+1i*branch_h(:, 4); I_branch_h = (U_h(from_node)-U_h(to_node))./(z_branch_h); % for k = 1:length(I_branch_h) I_branch_h(k) = I_branch_h(k)+U_h(from_node(k))*(1i* branch_h(k,5))/2; I_branch_h(k) = I_branch_h(k)+U_h(to_node(k))*(1i* branch_h(k,5))/2; end I_branch_h_total_abs(i, :) = abs(I_branch_h); Sij_branch_h = U_h(from_node).*conj(I_branch_h); %支路ij流过的容量 Sji_branch_h = U_h(to_node).*conj(-I_branch_h); %支路ji流过的容量 loss(: ,i) =abs(real(Sij_branch_h+Sji_branch_h))*ac_baseMVA*10^6; %谐波潮流有功损耗 % for k= 1:branch_num % yij = abs(1/(branch_h(k, 3)+1i*branch_h(k, 4))); % I_branch_h_total_abs(i, k)=abs(U_h(branch_h(k ,1))-U_h(branch_h(k,2)))*yij;%Iij = |Ui-Uj|*|yij| % end else %fprintf('******%dth harmonic is not considered******\n',h); end end end p=size(abs(U_h)); THDU = sqrt(sum(V_bus_h_total_abs.^2, 1)) ./ Bus_V(:, 2)';%各个节点的谐波畸变率 sum_THDU = sum(THDU)/100; % 所有节点的 THDU 总和 f11=sum_THDU; f1(l,1)=f11; % 计算电压偏差(例如:所有节点电压与额定电压的偏差的最大值) %nominal_voltage = 1.0; % 假设额定电压为1.0 p.u. % voltage_deviation = max(abs(Bus_V(:, 2) - nominal_voltage))/0.1; % f22 = voltage_deviation ;% 第二个目标电压偏差最小化 % f2(l,1)=f22; %end % 计算充电桩谐波电流绝对值之和 (f2) f22 = total_charge_current; f2(l,1)=f22; % 添加对抗性关系:当谐波电流很小时,强制增加THD % if f22 <500 % 阈值可根据实际情况调整 % f11 = f11 + 5 * (400 - f22); % 惩罚项 % f1(l,1)=f11; %end f=[f1,f2]; end %for iter=1:7 % 打印调试信息 iter=1; disp(['Iteration ', num2str(iter), ':']); disp(['f1: min = ', num2str(min(f1)), ', max = ', num2str(max(f1))]); disp(['f2: min = ', num2str(min(f2)), ', max = ', num2str(max(f2))]); R = corrcoef([f1, f2]); disp(['Correlation between f1 and f2: ', num2str(R(1,2))]); end %d=[U_h;I_h;THDU];%这里不是目标函数,不需要回到example中的REP中,只要在另一个程序中画图即可,那个程序在寻优之后,是运用寻优得到的确切各个电流值来画图即可 请用matlab回答

时间: 2025-07-23 17:55:48 浏览: 4
<think>我们分析用户提供的MATLAB代码,该代码用于实现多目标粒子群优化(MOPSO)来优化33节点系统的总谐波畸变率(THD)。代码主要分为两部分:主脚本和函数`m`。主脚本设置参数并调用MOPSO算法,函数`m`计算目标函数(THD和充电桩谐波电流总和)。 ### 代码分析 #### 主脚本部分 1. **加载系统数据**:使用`loadcase`加载33节点系统('case33bw_60')。 2. **定义负荷曲线**:`Load`数组,但未在后续代码中使用。 3. **多目标函数设置**: - 选择目标函数为`mubiao`(总THD)。 - 决策变量数量为80(10个充电桩节点,每个节点8次谐波电流)。 - 设置变量的上下界:前20%(即16个)变量范围为[-15,0],其余为[0,15](表示反向接入和正向接入的谐波电流)。 4. **MOPSO参数设置**: - 种群规模`Np=200`,最大迭代次数`maxgen=7`。 - 惯性权重`W=0.7`,个体和社会认知因子`C1=1.0`,`C2=1.0`。 - 其他参数如存储库大小`Nr=200`,网格数`ngrid=10`等。 5. **运行MOPSO**:调用`MOPSO`函数,得到结果`REP`(存储库,包含Pareto最优解)。 6. **结果分析**: - 输出`REP.pos_fit`(目标函数值)和`REP.pos`(决策变量)的大小和内容。 - 将80个决策变量按充电桩分组(每组8个谐波电流)。 - 找到目标函数值(假设第二个目标是最小网损?)最小的解并显示。 #### 函数`m` 该函数计算两个目标:总谐波畸变率(THD)和充电桩谐波电流绝对值之和。 1. **输入**:`x`为决策变量矩阵,每行代表一个粒子(即一组谐波电流配置)。 2. **循环处理每个粒子**:对每个粒子(即每个解)计算两个目标值。 3. **基波潮流计算**: - 构建导纳矩阵`Ybus`。 - 进行牛顿-拉夫逊潮流计算,得到节点电压和相角。 4. **谐波潮流计算**: - 设置谐波源(包括充电桩)的谐波电流。 - 对每个谐波次数(5,7,...,17次)计算谐波潮流: - 建立负荷和发电机的谐波阻抗模型。 - 构建谐波导纳矩阵`Ybus_h`。 - 求解谐波电压和电流。 - 计算每个节点的总谐波畸变率(THDU)并求和得到总THD(`sum_THDU`)。 5. **第二个目标**:计算充电桩谐波电流绝对值之和(`total_charge_current`)。 6. **输出**:每个粒子的两个目标值(`f1`为总THD,`f2`为谐波电流绝对值之和)。 ### 潜在问题 1. **代码效率**:谐波潮流计算使用迭代求解,且嵌套在粒子群优化中,计算量大。最大迭代次数设为7(`maxgen=7`)可能因计算时间而设小,但可能影响收敛。 2. **目标函数`f2`的意义**:`f2`是充电桩谐波电流绝对值之和,用于最小化谐波注入。但谐波电流有正负(相位),绝对值之和可能不是最佳指标(例如,若相位相反可抵消)。 3. **对抗关系**:注释中尝试添加对抗关系(当`f2`小时增加`f1`),但被注释掉。可能需要重新考虑两个目标的关系。 4. **数据未使用**:定义的`Load`数组未使用,可能遗漏负荷变化的影响。 5. **谐波模型**: - 充电桩谐波电流直接使用决策变量,但未考虑相位(只取幅值?)。 - 谐波源模型(`source1`)中,谐波电流赋值方式(`I_h0`)可能需验证。 6. **潮流收敛**:基波潮流计算中,功率计算使用节点电压和导纳矩阵的显式计算,但收敛判据使用`dP`和`dQ`,需确保正确。 7. **谐波潮流迭代**:谐波潮流计算中,迭代收敛判据为谐波电压变化,但未设置最大迭代次数,可能不收敛。 8. **变量范围**:决策变量范围(-15至15)可能过大,导致谐波电压过大(THD超过限值)。 ### 优化建议 1. **减少计算量**: - 使用向量化操作替代循环。 - 预计算基波潮流的导纳矩阵及其分解(若系统不变)。 2. **目标函数调整**: - 考虑用THD的最大值(而非总和)作为目标,更符合标准。 - 第二个目标可改为谐波电流的平方和(反映能量)。 3. **参数调整**: - 增加MOPSO迭代次数(如50-100次)以获得更好的Pareto前沿。 - 调整MOPSO参数(如惯性权重线性递减)。 4. **模型修正**: - 充电桩谐波电流应考虑相位(复数形式),决策变量可改为幅值和相位。 - 验证谐波源模型是否正确(特别是`I_h0`的计算)。 5. **代码结构**: - 将基波潮流计算移出循环(若系统拓扑和负荷不变),只需计算一次。 - 谐波潮流计算中,不同谐波次数独立,可并行计算。 ### 结论 当前代码框架正确,但需验证谐波潮流计算正确性,并优化计算效率。建议先在小规模系统测试谐波潮流(如固定谐波电流,验证THD结果)。 §§相关问题§§ 1. 您希望如何平衡THD最小化和谐波电流绝对值最小化这两个目标? 2. 充电桩谐波电流的相位信息是否重要?是否考虑扩展为复数优化? 3. 系统负荷曲线已定义但未使用,是否需考虑时变负荷下的动态优化? 4. 当前MOPSO迭代次数较少(7代),是否满足收敛需求?是否需要调整参数? 5. 在谐波潮流计算中,如何处理不收敛的情况?是否有备用方案?</think>### 代码分析总结 您的代码实现了基于MOPSO的33节点系统谐波优化,核心是通过调整10个充电桩节点的8次谐波电流(共80个变量),最小化总谐波畸变率(THD)。以下是关键发现和改进建议: --- ### 主要问题 1. **目标函数冲突** - 当前同时优化两个目标:`f1=总THD` 和 `f2=谐波电流绝对值之和` - 但二者存在对抗性:降低谐波电流会减少THD,而您的对抗逻辑(注释部分)试图强制二者负相关,这与物理规律矛盾 - **建议**: ```matlab % 删除对抗性代码(第202-206行),保留自然关系 f = [f1, f2]; % f1和f2实际是正相关 ``` 2. **谐波潮流计算缺陷** - 充电桩谐波电流仅用幅值(`abs(current_val)`),未考虑相位角 - 导致谐波抵消效应未被利用(相反相位可降低THD) - **修改建议**: ```matlab % 将谐波电流改为复数形式(决策变量包含相位) MultiObj.nVar = 10*8*2; % 幅值+相位 ``` 3. **变量范围不合理** - 反向电流范围 `[-15, 0]` 和正向 `[0, 15]` 未与系统容量关联 - 可能导致电压越限(如 `UB=12.66kV` 系统电流基准值约 `IB=437A`) - **修正方案**: ```matlab % 根据节点容量约束范围(示例) max_current = mpc.bus(:, 5) / (sqrt(3)*UB); % 节点最大电流 ``` 4. **计算效率瓶颈** - 每个粒子需计算33节点基波潮流+5次谐波潮流 - 200粒子*7代=1400次全潮流计算,耗时过长 - **优化建议**: ```matlab % 预计算基波潮流(系统不变时只需1次) [base_V, base_angle] = calculate_base_power_flow(); % 谐波潮流中复用基波电压 ``` --- ### 关键BUG修复 **问题**:谐波迭代不收敛(第134-164行) **原因**:`Zh_eq` 计算错误(未用标幺值)导致阻抗失配 **解决方案**: ```matlab % 修正阻抗计算(第148行) Zh_eq = (source_R1 + 1i*h*source_X1) / ZB; % 标幺化 ``` **问题**:节点电压越限(`Bus_V` 未校验) **风险**:优化结果可能违反安全约束 **添加代码**: ```matlab % 在目标函数中增加惩罚项(第188行后) violation = max(0, abs(Bus_V(:,2)) - 1.1) + max(0, 0.9 - abs(Bus_V(:,2))); f1(l) = f11 + 1000 * sum(violation); % 惩罚系数 ``` --- ### 优化建议 1. **并行计算加速** ```matlab parfor l = 1:n % 替换for循环 ``` 2. **灵敏度分析降维** 通过谐波阻抗矩阵识别关键节点,减少优化变量 3. **Pareto前沿筛选** 增加拥挤度计算避免解聚集: ```matlab REP = updateRepository(REP, new_particles, params.ngrid); ``` --- ### 执行验证 运行后检查 `REP.pos_fit`: - 若 `f1`(THD)范围在1%~5%说明物理合理 - 若出现 `NaN` 检查谐波导纳矩阵奇异性
阅读全文

相关推荐

追问,%MOPSO:63、311;example:42 %x = [ % x1_1, x1_2, x1_3, ..., x1_nVar; % 粒子1 % x2_1, x2_2, x2_3, ..., x2_nVar; % 粒子2 % ... % xN_1, xN_2, xN_3, ..., xN_nVar; % 粒子N %] % ----------------------------------------------------------------------- % clear clc mpc=loadcase('case33bw_60'); n_Bus=mpc.bus(end,1); Load=[ 0.8, 0.805, 0.81, 0.818, 0.83, 0.91, 0.95, 1, 1.05, 1.08, 1.03, 1.01, 0.95, 0.9, 0.905, 0.91, 0.93, 1.02, 1.1, 1.18, 1.2, 1.08, 0.9, 0.84]/ 1.4; % 多目标函数 MultiObjFnc = 'mubiao'; switch MultiObjFnc case 'mubiao' % 总的THDu MultiObj.fun = @(x) m(x); %x是充电桩节点的Iv,n*m,n个节点,每个节点是m次;m=8,n=10 %按照每个节点的1-8次电流来划分 %总数 MultiObj.nVar = 10*8; %这里再加入判断有几个反向接入的,用概率再取整; g=0.2; nz=80*g;%g为每时刻的反向接入的概率 %前几个的最小/最大 MultiObj.var_min(1:nz) = -15; MultiObj.var_max(1:nz) = 0; MultiObj.var_min(nz+1:80) = 0; MultiObj.var_max(nz+1:80) = 15; end %% MOPSO参数 params.Np = 200; % 种群规模 % 增加种群多样性的参数设置 params.W = 0.7; % 提高惯性权重 params.C1 = 1.0; % 降低个体认知因子 params.C2 = 1.0; % 降低社会认知因子 params.maxvel = 5; % 增大最大速度限制 params.u_mut = 0.5; % 增加变异概率 params.Nr = 200; % 存储库大小 params.maxgen = 7; % 最大迭代次数 %params.W = 0.4; % 惯性权重 %params.C1 = 1.4; % Individual confidence factor %params.C2 = 1.4; % Swarm confidence factor params.ngrid = 10; % Number of grids in each dimension %params.maxvel = 10; % Maxmium vel in percentage %params.u_mut = 0.8; % Uniform mutation percentage % MOPSO REP = MOPSO(params,MultiObj);%MOPSO的迭代次数决定了REP的行数,而M函数的值是一个迭代下x的所有值决定了一行中所有列的值 %所以,每次输出80个(一行) %也即谐波计算要返回80个值 disp('REP.pos_fit 的大小:'); size(REP.pos_fit) disp('REP.pos_fit 的内容:'); disp(REP.pos_fit) disp('REP.pos 的大小:'); size(REP.pos) disp('REP.pos 的内容:'); disp(REP.pos) REP.pos(:,1:8); REP.pos(:,9:16);%每个充电桩的8个谐波电流 REP.pos(:,17:24); REP.pos(:,25:32); REP.pos(:,33:40); REP.pos(:,41:48); REP.pos(:,49:56); REP.pos(:,57:64); REP.pos(:,65:72); REP.pos(:,73:80); a=REP.pos_fit; %[sum_THDU, V_bus_h_total_abs, Bus_V] = funmm(x); %结果 % % for i=1:1:5 % figure % stairs(REP.pos(i,9:32),'ro-') % figure % stairs(REP.pos(i,33:56),'ro-') % end %Figure(REP,12) %最终的图是24小时的THD的变化图展示抑制谐波的效果; %给目标,以各个的Iv初始值先运行一次,求出一次REP的矩阵(THDu在f1在M中,M在REP中),在进入MOPSO的循环,每次求一次REP %REP是每次包含多个矩阵是因为M中原先两个函数,所以双维,现在只一个函数,则单维,但仍有多个矩阵 % 找到网损最小的解的索引 [~, minLossIndex] = min(REP.pos_fit(:, 2)); % 提取该解的决策变量和目标函数值 bestSolution = REP.pos(minLossIndex, :); % 决策变量 bestFitness = REP.pos_fit(minLossIndex, :); % 目标函数值 y=bestFitness; h=REP.pos; % 显示结果 %disp('对应的目标函数值(REP.pos_fit):'); %disp(bestFitness); %figure; %plot(REP.pos_fit(:,1), REP.pos_fit(:,2), 'ro'); %xlabel('f1 (THDu)'); %ylabel('f2 (Voltage Deviation)'); %title('Pareto Front'); %grid on; %iter作用, 对抗函数 这样子怎么还是200个

%MOPSO:63、311;example:42 % ----------------------------------------------------------------------- % clear clc mpc=loadcase('case33bw_60'); n_Bus=mpc.bus(end,1); Load=[ 0.8, 0.805, 0.81, 0.818, 0.83, 0.91, 0.95, 1, 1.05, 1.08, 1.03, 1.01, 0.95, 0.9, 0.905, 0.91, 0.93, 1.02, 1.1, 1.18, 1.2, 1.08, 0.9, 0.84]/ 1.4; % 多目标函数 MultiObjFnc = 'mubiao'; switch MultiObjFnc case 'mubiao' % 总的THDu MultiObj.fun = @(x) m(x); %x是充电桩节点的Iv,n*m,n个节点,每个节点是m次;m=8,n=10 %按照每个节点的1-8次电流来划分 %总数 MultiObj.nVar = 10*8; %这里再加入判断有几个反向接入的,用概率再取整; g=0.2; n=80*g;%g为每时刻的反向接入的概率 %前几个的最小/最大 MultiObj.var_min(1:n) = -15; MultiObj.var_max(1:n) = 0; MultiObj.var_min(n+1:80) = 0; MultiObj.var_max(n+1:80) = 15; end %% MOPSO参数 params.Np = 200; % 种群规模 % 增加种群多样性的参数设置 params.W = 0.7; % 提高惯性权重 params.C1 = 1.0; % 降低个体认知因子 params.C2 = 1.0; % 降低社会认知因子 params.maxvel = 5; % 增大最大速度限制 params.u_mut = 0.5; % 增加变异概率 params.Nr = 200; % 存储库大小 params.maxgen = 25; % 最大迭代次数 %params.W = 0.4; % 惯性权重 %params.C1 = 1.4; % Individual confidence factor %params.C2 = 1.4; % Swarm confidence factor params.ngrid = 10; % Number of grids in each dimension %params.maxvel = 10; % Maxmium vel in percentage %params.u_mut = 0.8; % Uniform mutation percentage % MOPSO REP = MOPSO(params,MultiObj);%MOPSO的迭代次数决定了REP的行数,而M函数的值是一个迭代下x的所有值决定了一行中所有列的值 %所以,每次输出80个(一行) %也即谐波计算要返回80个值 REP.pos(:,1:8); REP.pos(:,9:16);%每个充电桩的8个谐波电流 REP.pos(:,17:24); REP.pos(:,25:32); REP.pos(:,33:40); REP.pos(:,41:48); REP.pos(:,49:56); REP.pos(:,57:64); REP.pos(:,65:72); REP.pos(:,73:80); h=REP.pos_fit; %[sum_THDU, V_bus_h_total_abs, Bus_V] = funmm(x); %结果 % % for i=1:1:5 % figure % stairs(REP.pos(i,9:32),'ro-') % figure % stairs(REP.pos(i,33:56),'ro-') % end %Figure(REP,12) %最终的图是24小时的THD的变化图展示抑制谐波的效果; %给目标,以各个的Iv初始值先运行一次,求出一次REP的矩阵(THDu在f1在M中,M在REP中),在进入MOPSO的循环,每次求一次REP %REP是每次包含多个矩阵是因为M中原先两个函数,所以双维,现在只一个函数,则单维,但仍有多个矩阵 % 找到网损最小的解的索引 [~, minLossIndex] = min(REP.pos_fit(:, 2)); % 提取该解的决策变量和目标函数值 bestSolution = REP.pos(minLossIndex, :); % 决策变量 bestFitness = REP.pos_fit(minLossIndex, :); % 目标函数值 y=bestFitness; h=REP.pos; % 显示结果 %disp('对应的目标函数值(REP.pos_fit):'); %disp(bestFitness);这个代码中,既有200的种群规模,又有25次迭代,为什么尼

%% 化肥运输多目标优化模型 - 修正版 clear; clc; %% ================== 1. 数据准备(单位统一为吨) ================== % 需求数据(原始单位:万吨) demand_raw = [31.538220, 30.175434, 9.065831, 36.977719, 36.911715, ... 43.383981, 38.169672, 14.959592, 39.912952, 20.309791, ... 30.385093, 10.530000, 6.340000]; cities = {'石家庄', '唐山', '秦皇岛', '邯郸', '邢台', '保定', '张家口', ... '承德', '沧州', '廊坊', '衡水', '北京市', '天津市'}; num_cities = length(cities); % 转换为吨(乘以10000) demand = demand_raw * 10000; % 单位:吨 total_demand = sum(demand); fprintf('总需求量: %.2f 吨\n', total_demand); % 仓库数据(原始单位:万吨) warehouses = {'A(玉田)', 'B(辛集)', 'C(南宫)'}; stock_raw = [85, 120, 105]; stock = stock_raw * 10000; % 单位:吨 num_warehouses = length(warehouses); total_stock = sum(stock); fprintf('总库存量: %.2f 吨\n', total_stock); fprintf('库存缺口: %.2f 吨 (%.2f%%)\n', total_demand - total_stock, ... (total_demand - total_stock)/total_demand*100); % 距离矩阵(单位:公里) dist_matrix = [ % 石家庄 唐山 秦皇岛 邯郸 邢台 保定 张家口 承德 沧州 廊坊 衡水 北京 天津 410.2, 63.7, 177.6, 562.2, 516.3, 275.4, 312.3, 162.0, 246.0, 138.0, 376.0, 135.9, 123.2; % 仓库A 80.8, 385.3, 530.2, 213.2, 167.3, 149.6, 439.1, 513.4, 168.2, 272.9, 70.6, 292.0, 271.7; % 仓库B 124.4, 428.6, 573.6, 150.3, 104.4, 222.5, 518.8, 556.5, 211.5, 315.9, 55.0, 335.1, 315.1 % 仓库C ]; % 车型参数 vehicle_types = {'小型车', '中型车', '重型车'}; vehicle_cap = [10, 20, 40]; % 最大运量(吨) unit_trans_cost = [0.145, 0.0975, 0.045]; % 单位交通成本(元/公里/吨) unit_fuel_cost = [1.4, 3.6, 6.8]; % 单位油耗(元/公里) num_vehicles = length(vehicle_types); %% ================== 2. 阶段1:最大化平均供给率(LP) ================== fprintf('\n===== 阶段1:最大化平均供给率 =====\n'); % 决策变量:每个仓库到每个城市的配送量 % 变量顺序:先仓库A到所有城市,再仓库B,最后仓库C % 变量数量:num_warehouses * num_cities = 3 * 13 = 39 % 目标函数:最大化平均供给率 = 1/13 * sum(delivery_i / demand_i) % 等价于最小化 -sum(delivery_i / demand_i) f_supply = zeros(num_warehouses * num_cities, 1); for w = 1:num_warehouses for c = 1:num_cities idx = (w-1)*num_cities + c; f_supply(idx) = -1 / demand(c); % 负号因为最小化问题 end end % 约束1:每个仓库的总配送量不超过其存量 A_supply1 = zeros(num_warehouses, num_warehouses * num_cities); b_supply1 = stock'; for w = 1:num_warehouses cols = (w-1)*num_cities + (1:num_cities); A_supply1(w, cols) = 1; end % 约束2:每个城市的总配送量不超过其需求 A_supply2 = zeros(num_cities, num_warehouses * num_cities); b_supply2 = demand'; for c = 1:num_cities for w = 1:num_warehouses col = (w-1)*num_cities + c; A_supply2(c, col) = 1; end end % 合并所有约束 A_supply = [A_supply1; A_supply2]; b_supply = [b_supply1; b_supply2]; % 非负约束 lb_supply = zeros(size(f_supply)); % 求解线性规划 options = optimoptions('linprog', 'Display', 'iter', 'Algorithm', 'dual-simplex'); [x_supply, fval_supply, exitflag] = linprog(f_supply, A_supply, b_supply, [], [], lb_supply, [], options); if exitflag <= 0 error('阶段1优化失败'); end % 提取结果 supply_matrix = reshape(x_supply, [num_cities, num_warehouses])'; delivery = sum(supply_matrix, 1); supply_ratio = delivery ./ demand; avg_supply_rate = mean(supply_ratio); max_avg_sr = -fval_supply; % 调整为目标函数值 fprintf('\n最大平均供给率: %.4f\n', avg_supply_rate); fprintf('总配送量: %.2f 吨\n', sum(delivery)); % 显示仓库配送量分配 fprintf('\n仓库配送量分配(吨):\n'); for w = 1:num_warehouses fprintf(' %s: %.2f\n', warehouses{w}, sum(supply_matrix(w, :))); end % 显示各城市配送情况 fprintf('\n各城市配送情况:\n'); fprintf('%-10s %12s %12s %12s %12s\n', '城市', '需求量', '配送量', '供给率', '缺口'); for c = 1:num_cities fprintf('%-10s %12.2f %12.2f %12.4f %12.2f\n', ... cities{c}, demand(c), delivery(c), supply_ratio(c), demand(c) - delivery(c)); end %% ================== 3. 全局优化:最小化总成本(MILP) ================== fprintf('\n===== 阶段2:最小化总成本 =====\n'); % 问题规模 num_routes = num_warehouses * num_cities; num_vars_per_route = 2 * num_vehicles; % 每条路线:每种车型的车次 + 运量 total_vars = num_routes * num_vars_per_route; % 目标函数:最小化总成本 f_cost = zeros(total_vars, 1); for w = 1:num_warehouses for c = 1:num_cities route_idx = (w-1)*num_cities + c; dist = dist_matrix(w, c); for k = 1:num_vehicles % 变量位置:车次变量在前,运量变量在后 trip_var_idx = (route_idx-1)*num_vars_per_route + (k-1)*2 + 1; qty_var_idx = trip_var_idx + 1; % 油耗成本:与车次成正比 f_cost(trip_var_idx) = unit_fuel_cost(k) * dist; % 交通成本:与运量成正比 f_cost(qty_var_idx) = unit_trans_cost(k) * dist; end end end % 整数约束(所有车次变量为整数) intcon = 1:2:total_vars; % 所有车次变量位置 % 约束矩阵初始化 A = []; b = []; Aeq = []; beq = []; lb = zeros(total_vars, 1); ub = inf(total_vars, 1); % 约束1:每条路线的总运量 = 阶段1确定的运量 for w = 1:num_warehouses for c = 1:num_cities target_qty = supply_matrix(w, c); if target_qty > 0 route_idx = (w-1)*num_cities + c; eq_row = zeros(1, total_vars); for k = 1:num_vehicles % 运量变量位置 var_idx = (route_idx-1)*num_vars_per_route + (k-1)*2 + 2; eq_row(var_idx) = 1; end Aeq = [Aeq; eq_row]; beq = [beq; target_qty]; end end end % 约束2:运量 ≤ 车型容量 × 运输次数 for w = 1:num_warehouses for c = 1:num_cities route_idx = (w-1)*num_cities + c; for k = 1:num_vehicles % 创建不等式约束:y_{j,i,k} <= cap_k * x_{j,i,k} row = zeros(1, total_vars); % 变量位置 base_idx = (route_idx-1)*num_vars_per_route + (k-1)*2; trip_idx = base_idx + 1; qty_idx = base_idx + 2; % y - cap_k * x <= 0 row(qty_idx) = 1; row(trip_idx) = -vehicle_cap(k); A = [A; row]; b = [b; 0]; end end end % 约束3:仓库存量限制 for w = 1:num_warehouses row = zeros(1, total_vars); for c = 1:num_cities route_idx = (w-1)*num_cities + c; for k = 1:num_vehicles base_idx = (route_idx-1)*num_vars_per_route + (k-1)*2; qty_idx = base_idx + 2; row(qty_idx) = 1; end end A = [A; row]; b = [b; stock(w)]; end % 求解混合整数线性规划 options = optimoptions('intlinprog', 'Display', 'iter', 'Heuristics', 'advanced', ... 'RootLPAlgorithm', 'dual-simplex', 'MaxTime', 600); [sol, total_cost, exitflag] = intlinprog(f_cost, intcon, A, b, Aeq, beq, lb, ub, options); if exitflag <= 0 error('阶段2优化失败'); end % 提取结果 vehicle_trips = zeros(num_warehouses, num_cities, num_vehicles); vehicle_quantities = zeros(num_warehouses, num_cities, num_vehicles); for w = 1:num_warehouses for c = 1:num_cities route_idx = (w-1)*num_cities + c; for k = 1:num_vehicles base_idx = (route_idx-1)*num_vars_per_route + (k-1)*2; trip_idx = base_idx + 1; qty_idx = base_idx + 2; vehicle_trips(w, c, k) = sol(trip_idx); vehicle_quantities(w, c, k) = sol(qty_idx); end end end fprintf('\n总运输成本: %.2f 元 (约 %.2f 万元)\n', total_cost, total_cost/10000); %% ================== 4. 结果分析 ================== fprintf('\n===== 优化结果汇总 =====\n'); fprintf('平均供给率: %.4f\n', avg_supply_rate); fprintf('总运输成本: %.2f 元\n', total_cost); fprintf('总配送量: %.2f 吨\n', sum(delivery)); % 车型使用统计 total_trips = 0; total_vehicle_qty = 0; fprintf('\n车型使用情况:\n'); for k = 1:num_vehicles v_trips = sum(sum(vehicle_trips(:,:,k))); v_qty = sum(sum(vehicle_quantities(:,:,k))); total_trips = total_trips + v_trips; total_vehicle_qty = total_vehicle_qty + v_qty; fprintf(' %s:\n', vehicle_types{k}); fprintf(' 运输次数: %d\n', v_trips); fprintf(' 运输量: %.2f 吨\n', v_qty); fprintf(' 平均装载率: %.2f%%\n', 100 * v_qty / (v_trips * vehicle_cap(k))); end fprintf('\n总运输车次: %d\n', total_trips); fprintf('总运输量: %.2f 吨\n', total_vehicle_qty); % 成本构成分析 fuel_cost = 0; trans_cost = 0; for w = 1:num_warehouses for c = 1:num_cities dist = dist_matrix(w, c); for k = 1:num_vehicles trips = vehicle_trips(w, c, k); qty = vehicle_quantities(w, c, k); fuel_cost = fuel_cost + unit_fuel_cost(k) * dist * trips; trans_cost = trans_cost + unit_trans_cost(k) * dist * qty; end end end fprintf('\n成本构成分析:\n'); fprintf(' 油耗成本: %.2f 元 (%.2f%%)\n', fuel_cost, 100*fuel_cost/total_cost); fprintf(' 交通成本: %.2f 元 (%.2f%%)\n', trans_cost, 100*trans_cost/total_cost); fprintf(' 总成本: %.2f 元\n', total_cost); % 详细运输方案 fprintf('\n详细运输方案:\n'); for w = 1:num_warehouses for c = 1:num_cities if any(vehicle_trips(w, c, :) > 0) fprintf('\n%s -> %s (距离: %.1f km, 总运量: %.2f 吨):\n', ... warehouses{w}, cities{c}, dist_matrix(w, c), supply_matrix(w, c)); for k = 1:num_vehicles trips = vehicle_trips(w, c, k); qty = vehicle_quantities(w, c, k); if trips > 0 cost_trip = unit_fuel_cost(k) * dist_matrix(w, c) * trips; cost_ton = unit_trans_cost(k) * dist_matrix(w, c) * qty; total_cost_route = cost_trip + cost_ton; load_rate = 100 * qty / (trips * vehicle_cap(k)); fprintf(' %s: %d 车次, %.2f 吨 (装载率 %.1f%%), 成本 %.2f 元\n', ... vehicle_types{k}, trips, qty, load_rate, total_cost_route); end end end end end %% 化肥运输优化可视化 figure('Position', [100, 100, 1400, 900]) %% 1. 仓库与城市位置图(带运输路线) subplot(2,3,[1,2]) hold on; grid on; box on; % 仓库位置坐标(示意性布局) warehouse_pos = [3, 8; % A(玉田) 1, 1; % B(辛集) 6, 2]; % C(南宫) % 城市位置坐标(按地理位置示意) city_pos = [2, 6; % 石家庄 4, 9; % 唐山 5, 10; % 秦皇岛 1, 4; % 邯郸 0.5, 2; % 邢台 2, 7; % 保定 3, 10; % 张家口 5, 9; % 承德 4, 4; % 沧州 3, 7; % 廊坊 1.5, 3; % 衡水 5, 8; % 北京市 4.5, 7]; % 天津市 % 绘制仓库 scatter(warehouse_pos(:,1), warehouse_pos(:,2), 300, 'filled', ... 'MarkerFaceColor', [0.8 0.2 0.2], 'MarkerEdgeColor', 'k') text(warehouse_pos(:,1), warehouse_pos(:,2)+0.2, warehouses, ... 'FontSize', 12, 'FontWeight', 'bold', 'HorizontalAlignment', 'center') % 绘制城市 scatter(city_pos(:,1), city_pos(:,2), 150, 'filled', ... 'MarkerFaceColor', [0.2 0.4 0.8], 'MarkerEdgeColor', 'k') text(city_pos(:,1), city_pos(:,2)-0.2, cities, ... 'FontSize', 10, 'HorizontalAlignment', 'center') % 绘制运输路线(线宽表示运量) max_line_width = 0; for w = 1:num_warehouses for c = 1:num_cities total_qty = sum(vehicle_quantities(w, c, :)); if total_qty > 0 line_width = 0.5 + 4 * total_qty / max(vehicle_quantities(:)); max_line_width = max(max_line_width, line_width); % 根据主要车型确定颜色 [~, main_vehicle] = max(vehicle_quantities(w, c, :)); colors = {[1 0.6 0.2], [0.3 0.7 0.3], [0.2 0.4 0.8]}; plot([warehouse_pos(w,1), city_pos(c,1)], ... [warehouse_pos(w,2), city_pos(c,2)], ... 'LineWidth', line_width, 'Color', colors{main_vehicle}) end end end % 添加图例 legend_items = {}; colors = {[1 0.6 0.2], [0.3 0.7 0.3], [0.2 0.4 0.8]}; for k = 1:num_vehicles plot([NaN, NaN], [NaN, NaN], 'Color', colors{k}, 'LineWidth', 2) legend_items{end+1} = vehicle_types{k}; end legend(legend_items, 'Location', 'northeast') title('仓库-城市运输网络', 'FontSize', 14) axis equal xlim([-1 7]) ylim([0 11]) % 添加比例尺 annotation('textbox', [0.05, 0.05, 0.1, 0.05], 'String', ... sprintf('线宽比例尺: %.1f吨', max(vehicle_quantities(:))/4), ... 'EdgeColor', 'none', 'FontSize', 9) %% 2. 供给率分析 subplot(2,3,3) hold on; grid on; box on; % 按供给率排序 [sorted_ratio, sort_idx] = sort(supply_ratio, 'descend'); sorted_cities = cities(sort_idx); barh(sorted_ratio*100, 'FaceColor', [0.3 0.6 0.9]) set(gca, 'YTick', 1:num_cities, 'YTickLabel', sorted_cities) xlabel('供给率 (%)') title('各城市化肥供给率') xlim([0 100]) % 添加需求缺口标注 for i = 1:num_cities gap = (demand(sort_idx(i)) - delivery(sort_idx(i))) / 1000; text(sorted_ratio(i)*100 + 2, i, ... sprintf('缺口: %.1f千吨', gap), ... 'FontSize', 8) end % 添加平均供给率线 avg_line = avg_supply_rate*100; plot([avg_line, avg_line], [0, num_cities+1], 'r--', 'LineWidth', 1.5) text(avg_line+1, num_cities+0.5, sprintf('平均: %.1f%%', avg_line), ... 'Color', 'r', 'FontSize', 9) %% 3. 车型使用分析 subplot(2,3,4) hold on; grid on; box on; % 车型运输量占比 vehicle_qty = squeeze(sum(sum(vehicle_quantities, 1), 2)); explode = [0 0 1]; pie(vehicle_qty, explode) legend(vehicle_types, 'Location', 'best') title('车型运输量占比') % 添加装载率标注 text(-0.7, 1.2, '平均装载率:', 'FontSize', 10, 'FontWeight', 'bold') for k = 1:num_vehicles v_trips = sum(sum(vehicle_trips(:,:,k))); v_qty = sum(sum(vehicle_quantities(:,:,k))); if v_trips > 0 load_rate = v_qty / (v_trips * vehicle_cap(k)); else load_rate = 0; end text(-0.7, 1.0 - k*0.2, ... sprintf('%s: %.1f%%', vehicle_types{k}, load_rate*100), ... 'FontSize', 9) end %% 4. 仓库运营分析 subplot(2,3,5) hold on; grid on; box on; % 仓库配送量 warehouse_dist = squeeze(sum(sum(vehicle_quantities, 2), 3)); bar(warehouse_dist/1000, 'FaceColor', [0.9 0.6 0.2]) set(gca, 'XTick', 1:num_warehouses, 'XTickLabel', warehouses) ylabel('配送量 (千吨)') title('仓库配送量') % 添加配送距离标注 for w = 1:num_warehouses % 计算该仓库的平均配送距离 total_qty = sum(sum(vehicle_quantities(w, :, :))); weighted_dist = 0; for c = 1:num_cities weighted_dist = weighted_dist + dist_matrix(w, c) * sum(vehicle_quantities(w, c, :)); end if total_qty > 0 avg_dist = weighted_dist / total_qty; else avg_dist = 0; end text(w, warehouse_dist(w)/1000 + 5, ... sprintf('平均距离: %.1fkm', avg_dist), ... 'HorizontalAlignment', 'center', 'FontSize', 9) end %% 5. 成本构成分析 subplot(2,3,6) hold on; grid on; box on; % 成本类型占比 cost_types = {'油耗成本', '交通成本'}; cost_values = [fuel_cost, trans_cost]; explode = [1 0]; pie(cost_values, explode) legend(cost_types, 'Location', 'best') title('运输成本构成') % 添加单位成本标注 text(-1.2, 1.2, '单位成本 (元/吨公里):', 'FontSize', 10, 'FontWeight', 'bold') % 计算并显示各车型单位成本 for k = 1:num_vehicles % 计算单位总成本(交通成本 + 油耗成本/最大运量) unit_total_cost = unit_trans_cost(k) + unit_fuel_cost(k)/vehicle_cap(k); text(-1.2, 1.0 - k*0.2, ... sprintf('%s: %.3f', vehicle_types{k}, unit_total_cost), ... 'FontSize', 9) end %% 添加总标题 sgtitle(sprintf('化肥运输优化方案 (总成本: %.1f万元 | 平均供给率: %.1f%%)', ... total_cost/10000, avg_supply_rate*100), ... 'FontSize', 16, 'FontWeight', 'bold') %% 保存结果 print('化肥运输优化可视化', '-dpng', '-r300')代码分析

追问,方法1的最小化电压偏差,我已下代码的计算可以吗,是否正确计算 function f= m(x) %%这个函数就是给一组粒子,返回一个sumTHDU! %% n=size(x,1);%粒子数。 %x包含了所有粒子的所有变量,200*80 for iter = 1:7 for l=1:n %l的意思是每一种粒子情况下的一个sumTHDU,最终会合在一个f中,输出给example的REP中 %80个谐波电流值用x(l,j)的形式带入,表示第l个粒子情况下的第j个谐波电流的大小,10*8的一行排布 %以上是构建粒子群的循环代码,以下是在一个粒子值下的运算结果(得到一个sum) %% ac_data = case33bw_60; %这里未使用loadcase %case33bw case_ieee34 ac_case8(阻抗较小) ac_baseMVA = ac_data.baseMVA; ac_bus = ac_data.bus; ac_branch = ac_data.branch; ac_gen = ac_data.gen; ac_dg = ac_data.dg; %%电网数据 source1 = ac_data.source; %谐波源 charge1=ac_data.charge; %充电桩需要再单独在33中去设置 ac_bn = find(ac_bus(:, 2)==3); %平衡节点 ac_pv = find(ac_bus(:, 2)==2); %PV节点 ac_pq = find(ac_bus(:, 2)==1); %PQ节点 UB = ac_bus(1,10); ZB =UB^2/ac_baseMVA; IB = ac_baseMVA/sqrt(3)/UB; m = length (ac_pq); % 初始化变量:保存各节点各次谐波注入电流幅值 harmonic_num = length(source1(1, :))-1; bus_num = length(ac_bus(:, 1)); I_bus_h_total_abs = zeros(harmonic_num, bus_num); % harmonic_num x bus_num f1 = zeros(n, 1); f2 = zeros(n, 1); %% 基于牛拉法的基波潮流计算 %基波下,充电桩的参数设定,与x包含的80值无关,但与正反向充电时的功率有关,这块的思路 Ybus = createYbus(ac_baseMVA, ac_bus, ac_branch); Pacs = -ac_bus(:,3); %有功负荷消耗,看做负值 Pacs(ac_gen(:,1)) = ac_gen(:,2) - ac_bus(ac_gen(:,1),3); %发电机节点的有功功率 % 删不删去dg,充电桩的有功功率要不要算,有功注入与无功注入 Pacs(ac_dg(:,1)) = Pacs(ac_dg(:,1))+ ac_dg(:,2) ; %接入dg电源用功注入 Qacs = -ac_bus(:,4); Qacs(ac_gen(:,1)) = ac_gen(:,3) - ac_bus(ac_gen(:,1),4); %发电机节点的无功功率 Qacs(ac_dg(:,1)) = Qacs(ac_dg(:,1))+ ac_dg(:,3) ; %接入dg电源无功注入 Pacs = Pacs/ac_baseMVA; Qacs = Qacs /ac_baseMVA; %标幺化,bus不用标幺化 kac = 0;%迭代次数 %计算节点功率Pi,Qi busNum = length(ac_bus(:, 1)); Bus_V = ac_bus(:, [1,8:9]); %仅用于形成雅克比矩阵 Bus_V(ac_gen(:,1),2) = ac_gen(:,6); %平衡节点电压 Pii=zeros(busNum, 2); %所有节点(包括平衡节点)的Pi Qii=zeros(busNum, 2); Pii(:,1)=Bus_V(:, 1); %没有特殊的含义,复制编号 Qii(:,1)=Bus_V(:, 1); Y = Ybus([ac_pq;ac_pv],[ac_pq;ac_pv]); %除去平衡节点后的Y阵,用于雅克比矩阵,直接去掉该行列 Pacs = Pacs([ac_pq;ac_pv],:); Qacs = Qacs([ac_pq;ac_pv],:); while true for i=1:busNum for j=1:busNum detal_ij=(Bus_V(i,3)-Bus_V(j,3))*pi/180; %角度转弧度 Pii(i, 2)=Pii(i, 2)+Bus_V(j, 2)*(real(Ybus(i, j))*cos(detal_ij)+imag(Ybus(i, j))*sin(detal_ij)); %Pi从2开始 Qii(i, 2)=Qii(i, 2)+Bus_V(j, 2)*(real(Ybus(i, j))*sin(detal_ij)-imag(Ybus(i, j))*cos(detal_ij)); end Pii(i, 2) = Bus_V(i, 2)*Pii(i, 2); Qii(i, 2) = Bus_V(i, 2)*Qii(i, 2); end %重新编号1~m为PQ节点,m+1~n-1+m为PV节点 Pi = Pii([ac_pq;ac_pv], :); %除去平衡节点且重置节点位置 Qi = Qii([ac_pq;ac_pv], :); %除去平衡节点且重置节点位置 V = Bus_V([ac_pq;ac_pv], :); Uac_m = V(:, 2); Uac_a = V(:, 3); Uacs = Uac_m .* exp(1j * (Uac_a*pi/180)); dP = Pacs - Pi(:,2); dQ = Qacs - Qi(:,2); % dP = Pacs - real(Uacs.*conj(Y*Uacs));%公式不能用 % dQ = Qacs - imag(Uacs.*conj(Y*Uacs)); if max(abs(dP)) <= 1e-9 && max(abs(dQ(1:m))) <= 1e-9 %收敛判据 break end [J,H,N,K,L] = Jacobi(V, Y, ac_pq ,ac_pv,Pi,Qi); %返回雅克比矩阵各子矩阵 Ud2 = diag(V(:,2)); dPQ = [dP ; dQ(1:m)]; ang_U = -J^-1*dPQ; dang = ang_U(1:busNum-1); %弧度结果 dU = diag(Uac_m(1:m))*ang_U(busNum:end); %数据修正 Bus_V(V(1:m,1),2) = Bus_V(V(1:m,1),2)+dU; %修正原编号下PQ节点电压幅值和相角 Bus_V(V(:,1),3) = Bus_V(V(:,1),3)+dang*180/pi; %弧度转角度,空载情况角度增加 Pii(:,2) =0; Qii(:,2) = 0; kac = kac+1; end %% 平衡节点功率计算Sn %默认只有一个平衡节点 Ui = Bus_V(:, 2).*cos(Bus_V(:, 3)*pi/180)+1i*Bus_V(:, 2).*sin(Bus_V(:, 3)*pi/180); %电压复数形式 Sn=0; for i=1:busNum Sn = Sn+ Ui(ac_bn)*(conj(Ybus(i, ac_bn))*(conj(Ui(i)))); %Ui*sum(conj(Yij)*conj(Uj)) end %方法一:计算支路电流 branch_num = length(ac_branch(:, 11)); I_branch = zeros(branch_num, 3); S_branch = zeros(branch_num, 5); I_branch(:, 1:2) = ac_branch(:, 1:2); S_branch(:, 1:2) =ac_branch(:, 1:2); from_node = ac_branch(:, 1); to_node = ac_branch(:, 2); z_branch = (ac_branch(:, 3)+1i*ac_branch(:, 4))/ZB; I_branch(:, 3) = (Ui(from_node)-Ui(to_node))./(z_branch); %支路流过的电流 for k = 1:length(I_branch(:,1)) %考虑电容注入电流 I_branch(k, 3) = I_branch(k, 3) +Ui(from_node(k))*(1i*ac_branch(k,5)*ZB)/2; I_branch(k, 3) = I_branch(k, 3) +Ui(to_node(k))*(1i*ac_branch(k,5)*ZB)/2; end S_branch(:, 3) = Ui(from_node).*conj(I_branch(:, 3))*ac_baseMVA; %支路ij流过的容量 S_branch(:, 4) = Ui(to_node).*conj(-I_branch(:, 3))*ac_baseMVA; %支路ji流过的容量 S_branch(:, 5) =real(S_branch(:, 3)+S_branch(:, 4)); %基波潮流有功损耗 ac_loss = sum(S_branch(:, 5)); %计算节点注入电流 bus_num = length(ac_bus(:, 1)); Iii = zeros(bus_num, 2); Iii(:, 1) = ac_bus(:, 1);%标点 Sii = Pii(:,2)+1i*Qii(:, 2); Iii(:, 2) = conj(Sii)./conj(Ui); %注意共轭的取值 Ii = Ybus*Ui; %Ii = Yi1*U1+Yi2*U2+Yi3*U3+…… %% 诺顿谐波潮流计算 harmonic_U_h = zeros(bus_num, 3);%3列,1节点、2谐波幅值、3相角 harmonic_U_h(:, 1)=ac_bus(:, 1);%第一列是节点数 %harmonic_U_h算的是全部33节点的 source_bus = source1(:, 1);%确定谐波源的节点数作为第一列 %单独谐波源的节点编号 %Charge_bus = [5,10,13,16,20,24,11,28,31,17]; % 10个特定节点的编号,作为充电桩 charge_bus=charge1(:,1); %单独充电桩的节点编号 %但是,应该在33节点中设置 harmonic_U_h(source_bus, 2) = 0.05; %谐波源的谐波幅值设为0.05 %全体先设为了0.05吗? harmonic_U_h(:, 3) = 0; %谐波相角设为0 harmonic_num = length(source1(1, :))-1; %此处考虑5,7,11,13,17次谐波,17也全为0 load_power = (ac_bus(:, 3)+1i*ac_bus(:, 4)); %负荷功率MVA Zload = zeros(bus_num, harmonic_num); V_bus_h_total_abs = zeros(harmonic_num , bus_num); I_branch_h_total_abs = zeros(harmonic_num , branch_num); loss = zeros(branch_num ,harmonic_num ); Pi_fam = -Pii(:,2)*ac_baseMVA; Qi_fam = -Qii(:,2)*ac_baseMVA;Sii_fam = Sii*ac_baseMVA;%采用有名值计算 source_R1 = Pi_fam(source_bus).*(Bus_V(source_bus, 2)*UB).^2./(abs(Sii_fam(source_bus))).^2;%阻抗串联模型 source_X1 = Qi_fam(source_bus).*(Bus_V(source_bus, 2)*UB).^2./(abs(Sii_fam(source_bus))).^2; for i = 1:harmonic_num %计算各次的 %谐波源负荷模型被代替 h = 2*i+1; %次数 I_h = zeros(bus_num, 1); %所有节点电流向量,表示一个特定次数的所有电流值(列向量) charge1(:, i+1)=0; if charge1(:, i+1)==0 %存在一个充电桩发出该次谐波 %这是在假设充电桩也在33以后的形式 Charge_Ih = zeros(bus_num, 1); % 初始化已知谐波电流矩阵(复数,标幺值) for j=1:10 index = (j-1)*8 + i; % 第j个节点的第i次谐波在x中的位置 Charge_Ih(charge_bus(j)) = x(l, index); % charge_bus(j)是第j个充电桩的节点编号 end I_h = Charge_Ih; %上述是对已知量的先赋值给I_h,对于剩下的谐波源及其他节点再计算他们的谐波电流 if source1(:, i+1)~=0 %存在谐波源发出该次谐波 I_h0= -Iii(source1(:,1), 2).*source1(:, i+1); %用节点注入电流约为0.0075时谐波电压畸变率2% %什么意思 基准的意思 harmonic_Uhs = harmonic_U_h(:,2).* exp(1j * (harmonic_U_h(:,3)*pi/180));%谐波电压初始值 Zh_eq = source_R1+1i*h*source_X1; while true %解耦迭代过程 I_eq = harmonic_Uhs(source1(:,1))./Zh_eq; I_eq = I_eq/IB; %标幺化 I_h(source1(:,1)) = I_h0+I_eq; %发电机谐波模型 XG_h = 1i*h*ac_gen(:, 23)/ZB; %负序电抗0.2;XG=1i*h*0.2*sqrt(real(Sn)^2+imag(Sn)^2); yG = 1./XG_h; Zload([ac_bn;ac_pv] , i) = XG_h; %负荷谐波阻抗模型 Num_L= find( load_power(ac_pq) ~=0); %pq节点中非零负荷的位置 RL = real(load_power(ac_pq(Num_L))).*(Bus_V(ac_pq(Num_L), 2)*UB).^2./(abs(load_power(ac_pq(Num_L)))).^2;%有名值计算 RL = RL/ZB; %33节点系统需要标幺化,下同 XL = imag(load_power(ac_pq(Num_L))).*(Bus_V(ac_pq(Num_L), 2)*UB).^2./(abs(load_power(ac_pq(Num_L)))).^2; XL = XL/ZB; Zload(ac_pq(Num_L) ,i) = RL+1i*h*XL; %Z=U^2*S/|S|^2 Zload(source1(:,1) ,i) = Zh_eq/ZB; %电源节点和负荷节点自导纳 yloads=zeros(size(Zload)); for j=1:bus_num if Zload(j, i) ~=0 yloads(j, i) = 1/Zload(j, i); end end % yloads=zeros(bus_num,1); %各节点的负荷等值模型 % for j=1:bus_num % if load_power(j) ~=0 % yloads(j, 1)=real(load_power(j))/Bus_V(j, 2)^2-1i*imag(load_power(j))/(h*Bus_V(j, 2)^2); %yii = Pi/Vi^2-j*Qi/(h*Vi^2)??? % else % yloads(j, 1) = 0; % end % end %线路谐波模型 branch_h = ac_branch;%已经标幺化 branch_h(: ,3) = ac_branch(: ,3); branch_h(: ,4) = h*ac_branch(: ,4); branch_h(: ,5) = h*ac_branch(: ,5); %形成网络谐波导纳矩阵 bus_h = ac_bus;%bus没有标幺化 bus_h(:, 5) = real(yloads(:, i))+bus_h(:, 5)*ZB; %导纳乘以阻抗基准值 bus_h(:, 6) = imag(yloads(:, i))+bus_h(:, 6)*ZB; Ybus_h = createYbus(ac_baseMVA, bus_h, branch_h); %由负荷等值模型和发电机等值模型组成 U_h = (Ybus_h^-1)*I_h; %迭代收敛判据 dU_h = harmonic_Uhs -U_h; if max(abs(dU_h)) <= 1e-7%收敛判据 break end harmonic_Uhs = U_h; end V_bus_h_total_abs (i,:) = abs(U_h); I_bus_h_total_abs(i, :) = abs(I_h); % 保存各节点注入电流幅值 z_branch_h = branch_h(:, 3)+1i*branch_h(:, 4); I_branch_h = (U_h(from_node)-U_h(to_node))./(z_branch_h); % for k = 1:length(I_branch_h) I_branch_h(k) = I_branch_h(k)+U_h(from_node(k))*(1i* branch_h(k,5))/2; I_branch_h(k) = I_branch_h(k)+U_h(to_node(k))*(1i* branch_h(k,5))/2; end I_branch_h_total_abs(i, :) = abs(I_branch_h); Sij_branch_h = U_h(from_node).*conj(I_branch_h); %支路ij流过的容量 Sji_branch_h = U_h(to_node).*conj(-I_branch_h); %支路ji流过的容量 loss(: ,i) =abs(real(Sij_branch_h+Sji_branch_h))*ac_baseMVA*10^6; %谐波潮流有功损耗 % for k= 1:branch_num % yij = abs(1/(branch_h(k, 3)+1i*branch_h(k, 4))); % I_branch_h_total_abs(i, k)=abs(U_h(branch_h(k ,1))-U_h(branch_h(k,2)))*yij;%Iij = |Ui-Uj|*|yij| % end else %fprintf('******%dth harmonic is not considered******\n',h); end end end p=size(abs(U_h)); THDU = sqrt(sum(V_bus_h_total_abs.^2, 1)) ./ Bus_V(:, 2)';%各个节点的谐波畸变率 sum_THDU = sum(THDU)/10000; % 所有节点的 THDU 总和 f11=sum_THDU; f1(l,1)=f11; % 计算电压偏差(例如:所有节点电压与额定电压的偏差的最大值) nominal_voltage = 1.0; % 假设额定电压为1.0 p.u. voltage_deviation = max(abs(Bus_V(:, 2) - nominal_voltage))/0.1; f22 = voltage_deviation ;% 第二个目标电压偏差最小化 f2(l,1)=f22; end f=[f1,f2]; end % 打印调试信息 disp(['Iteration ', num2str(iter), ':']); disp(['f1: min = ', num2str(min(f1)), ', max = ', num2str(max(f1))]); disp(['f2: min = ', num2str(min(f2)), ', max = ', num2str(max(f2))]); R = corrcoef([f1, f2]); disp(['Correlation between f1 and f2: ', num2str(R(1,2))]); end %d=[U_h;I_h;THDU];%这里不是目标函数,不需要回到example中的REP中,只要在另一个程序中画图即可,那个程序在寻优之后,是运用寻优得到的确切各个电流值来画图即可

这是我目前代码采用的参数,您忽略图片中光伏部分,整体对照我的代码看一下目标函数和约束条件部分有没有显著错误%求解多目标粒子群的适应度 function [c,result]=fitness(x) global P_load; global buy_price; global sell_price; %% 约束条件%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %% DE爬坡约束处理 DE_sum=0; for i=49:71 DE_temp(i)=abs(x(i+1)-x(i)); DE_sum=DE_sum+DE_temp(i); end f_DE=0; %DE爬坡阶梯惩罚系数(未满足爬坡约束惩罚) if(DE_sum<=345) f_DE=0; elseif(DE_sum>345&&DE_sum<=400) f_DE=2;%%%%%迭代次数 elseif(DE_sum>445&&DE_sum<=500) f_DE=5; else f_DE=20; end %% MT爬坡约束处理 MT_sum=0; for i=73:95 MT_temp(i)=abs(x(i+1)-x(i)); MT_sum=MT_sum+MT_temp(i); end f_MT=0; %MT爬坡阶梯惩罚系数(未满足爬坡约束惩罚) if(MT_sum<=345) f_MT=0; elseif(MT_sum>345&&MT_sum<=400) f_MT=2;%%%%%迭代次数 elseif(MT_sum>445&&MT_sum<=500) f_MT=5; else f_MT=20; end %% 储能SOC约束 %储能荷电状态 SOCMax=150; SOCMin=5; SOC_sum=50; %初始容量 SOC_sum_delt=0; n=0.9;%充放电效率 for i=25:48 if x(i)>0 %充放电 n=-1/0.9; else n=0.9; end SOC_sum=SOC_sum+n*x(i); if SOC_sum>SOCMax SOC_sum_delt= SOC_sum_delt+max(0,SOC_sum-SOCMax); end if SOC_sum<SOCMin SOC_sum_delt= SOC_sum_delt+abs(SOC_sum-SOCMin); end end f_SOC=0.05; %SOC容量阶梯惩罚系数(未满足SOC约束惩罚) if(SOC_sum_delt<=0) f_SOC=0; elseif(SOC_sum_delt>0&&SOC_sum_delt<=10) f_SOC=1;%%%%%迭代次数 elseif(SOC_sum_delt>10&&SOC_sum_delt<50) f_SOC=2; elseif(SOC_sum_delt>50&&SOC_sum_delt<=100) f_SOC=5; else f_SOC=20; end %% 电功率平衡约束处理 ele_sum=0; for i=1:24 ele_temp(i)=abs(x(i)+x(i+24)+x(i+48)+x(i+72)+x(i+96)-P_load(i)); ele_sum=ele_sum+ele_temp(i); end f_ele=0; %电平衡阶梯惩罚系数(未满足电平衡约束惩罚) if(ele_sum==0) f_ele=0.0; elseif(ele_sum>0&&ele_sum<=100) f_ele=1; elseif(ele_sum>100&&ele_sum<=500) f_ele=5; elseif(ele_sum>500&&ele_sum<=800) f_ele=10; else f_ele=50; end %% 判断是否为可行解 if ele_sum>4500 c=1; else c=0; end %% 目标函数%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% %目标函数1:运行成本 %% BESS&&DE&&MT

大家在看

recommend-type

商品条形码及生产日期识别数据集

商品条形码及生产日期识别数据集,数据集样本数量为2156,所有图片已标注为YOLO txt格式,划分为训练集、验证集和测试集,能直接用于YOLO算法的训练。可用于跟本识别目标相关的蓝桥杯比赛项目
recommend-type

7.0 root.rar

Android 7.0 MTK MT8167 user 版本root权限修改,super权限修改,当第三方APP想要获取root权限时,会弹出窗口访问是否给与改APP root权限,同意后该APP可以得到root权限,并操作相关内容
recommend-type

RK3308开发资料

RK3308全套资料,《06 RK3308 硬件设计介绍》《07 RK3308 软件方案介绍》《08 RK3308 Audio开发介绍》《09 RK3308 WIFI-BT功能及开发介绍》
recommend-type

即时记截图精灵 v2.00.rar

即时记截图精灵是一款方便易用,功能强大的专业截图软件。   软件当前版本提供以下功能:   1. 可以通过鼠标选择截图区域,选择区域后仍可通过鼠标进行边缘拉动或拖拽来调整所选区域的大小和位置。   2. 可以将截图复制到剪切板,或者保存为图片文件,或者自动打开windows画图程序进行编辑。   3. 保存文件支持bmp,jpg,png,gif和tif等图片类型。   4. 新增新浪分享按钮。
recommend-type

WinUSB4NuVCOM_NUC970+NuWriter.rar

NUC970 USB启动所需的USB驱动,已经下载工具NuWriter,可以用于裸机启动NUC970调试,将USB接电脑后需要先安装WinUSB4NuVCOM_NUC970驱动,然后使用NuWriter初始化硬件,之后就可以使用jlink或者ulink调试。

最新推荐

recommend-type

C#类库封装:简化SDK调用实现多功能集成,构建地磅无人值守系统

内容概要:本文介绍了利用C#类库封装多个硬件设备的SDK接口,实现一系列复杂功能的一键式调用。具体功能包括身份证信息读取、人证识别、车牌识别(支持臻识和海康摄像头)、LED显示屏文字输出、称重数据读取、二维码扫描以及语音播报。所有功能均被封装为简单的API,极大降低了开发者的工作量和技术门槛。文中详细展示了各个功能的具体实现方式及其应用场景,如身份证读取、人证核验、车牌识别等,并最终将这些功能整合到一起,形成了一套完整的地磅称重无人值守系统解决方案。 适合人群:具有一定C#编程经验的技术人员,尤其是需要快速集成多种硬件设备SDK的应用开发者。 使用场景及目标:适用于需要高效集成多种硬件设备SDK的项目,特别是那些涉及身份验证、车辆管理、物流仓储等领域的企业级应用。通过使用这些封装好的API,可以大大缩短开发周期,降低维护成本,提高系统的稳定性和易用性。 其他说明:虽然封装后的API极大地简化了开发流程,但对于一些特殊的业务需求,仍然可能需要深入研究底层SDK。此外,在实际部署过程中,还需考虑网络环境、硬件兼容性等因素的影响。
recommend-type

基于STM32F1的BLDC无刷直流电机与PMSM永磁同步电机源码解析:传感器与无传感器驱动详解

基于STM32F1的BLDC无刷直流电机和PMSM永磁同步电机的驱动实现方法,涵盖了有传感器和无传感两种驱动方式。对于BLDC电机,有传感器部分采用霍尔传感器进行六步换相,无传感部分则利用反电动势过零点检测实现换相。对于PMSM电机,有传感器部分包括霍尔传感器和编码器的方式,无传感部分则采用了滑模观测器进行矢量控制(FOC)。文中不仅提供了详细的代码片段,还分享了许多调试经验和技巧。 适合人群:具有一定嵌入式系统和电机控制基础知识的研发人员和技术爱好者。 使用场景及目标:适用于需要深入了解和实现BLDC和PMSM电机驱动的开发者,帮助他们掌握不同传感器条件下的电机控制技术和优化方法。 其他说明:文章强调了实际调试过程中可能遇到的问题及其解决方案,如霍尔传感器的中断触发换相、反电动势过零点检测的采样时机、滑模观测器的参数调整以及编码器的ABZ解码等。
recommend-type

基于Java的跨平台图像处理软件ImageJ:多功能图像编辑与分析工具

内容概要:本文介绍了基于Java的图像处理软件ImageJ,详细阐述了它的跨平台特性、多线程处理能力及其丰富的图像处理功能。ImageJ由美国国立卫生研究院开发,能够在多种操作系统上运行,包括Windows、Mac OS、Linux等。它支持多种图像格式,如TIFF、PNG、GIF、JPEG、BMP、DICOM、FITS等,并提供图像栈功能,允许多个图像在同一窗口中进行并行处理。此外,ImageJ还提供了诸如缩放、旋转、扭曲、平滑处理等基本操作,以及区域和像素统计、间距、角度计算等高级功能。这些特性使ImageJ成为科研、医学、生物等多个领域的理想选择。 适合人群:需要进行图像处理的专业人士,如科研人员、医生、生物学家,以及对图像处理感兴趣的普通用户。 使用场景及目标:适用于需要高效处理大量图像数据的场合,特别是在科研、医学、生物学等领域。用户可以通过ImageJ进行图像的编辑、分析、处理和保存,提高工作效率。 其他说明:ImageJ不仅功能强大,而且操作简单,用户无需安装额外的运行环境即可直接使用。其基于Java的开发方式确保了不同操作系统之间的兼容性和一致性。
recommend-type

MATLAB语音识别系统:基于GUI的数字0-9识别及深度学习模型应用 · GUI v1.2

内容概要:本文介绍了一款基于MATLAB的语音识别系统,主要功能是识别数字0到9。该系统采用图形用户界面(GUI),方便用户操作,并配有详尽的代码注释和开发报告。文中详细描述了系统的各个组成部分,包括音频采集、信号处理、特征提取、模型训练和预测等关键环节。此外,还讨论了MATLAB在此项目中的优势及其面临的挑战,如提高识别率和处理背景噪音等问题。最后,通过对各模块的工作原理和技术细节的总结,为未来的研究和发展提供了宝贵的参考资料。 适合人群:对语音识别技术和MATLAB感兴趣的初学者、学生或研究人员。 使用场景及目标:适用于希望深入了解语音识别技术原理的人群,特别是希望通过实际案例掌握MATLAB编程技巧的学习者。目标是在实践中学习如何构建简单的语音识别应用程序。 其他说明:该程序需要MATLAB 2019b及以上版本才能正常运行,建议使用者确保软件环境符合要求。
recommend-type

c语言通讯录管理系统源码.zip

C语言项目源码
recommend-type

Teleport Pro教程:轻松复制网站内容

标题中提到的“复制别人网站的软件”指向的是一种能够下载整个网站或者网站的特定部分,然后在本地或者另一个服务器上重建该网站的技术或工具。这类软件通常被称作网站克隆工具或者网站镜像工具。 描述中提到了一个具体的教程网址,并提到了“天天给力信誉店”,这可能意味着有相关的教程或资源可以在这个网店中获取。但是这里并没有提供实际的教程内容,仅给出了网店的链接。需要注意的是,根据互联网法律法规,复制他人网站内容并用于自己的商业目的可能构成侵权,因此在此类工具的使用中需要谨慎,并确保遵守相关法律法规。 标签“复制 别人 网站 软件”明确指出了这个工具的主要功能,即复制他人网站的软件。 文件名称列表中列出了“Teleport Pro”,这是一款具体的网站下载工具。Teleport Pro是由Tennyson Maxwell公司开发的网站镜像工具,允许用户下载一个网站的本地副本,包括HTML页面、图片和其他资源文件。用户可以通过指定开始的URL,并设置各种选项来决定下载网站的哪些部分。该工具能够帮助开发者、设计师或内容分析人员在没有互联网连接的情况下对网站进行离线浏览和分析。 从知识点的角度来看,Teleport Pro作为一个网站克隆工具,具备以下功能和知识点: 1. 网站下载:Teleport Pro可以下载整个网站或特定网页。用户可以设定下载的深度,例如仅下载首页及其链接的页面,或者下载所有可访问的页面。 2. 断点续传:如果在下载过程中发生中断,Teleport Pro可以从中断的地方继续下载,无需重新开始。 3. 过滤器设置:用户可以根据特定的规则过滤下载内容,如排除某些文件类型或域名。 4. 网站结构分析:Teleport Pro可以分析网站的链接结构,并允许用户查看网站的结构图。 5. 自定义下载:用户可以自定义下载任务,例如仅下载图片、视频或其他特定类型的文件。 6. 多任务处理:Teleport Pro支持多线程下载,用户可以同时启动多个下载任务来提高效率。 7. 编辑和管理下载内容:Teleport Pro具备编辑网站镜像的能力,并可以查看、修改下载的文件。 8. 离线浏览:下载的网站可以在离线状态下浏览,这对于需要测试网站在不同环境下的表现的情况十分有用。 9. 备份功能:Teleport Pro可以用来备份网站,确保重要数据的安全。 在实际使用此类工具时,需要注意以下几点: - 著作权法:复制网站内容可能侵犯原作者的版权,因此在使用此类工具时,必须确保有合法权利去下载和使用目标网站的内容。 - 服务条款:许多网站的服务条款明确禁止未经授权的网站克隆。因此,在使用此类软件之前,应当仔细阅读并遵守目标网站的服务条款。 - 数据隐私:下载含有个人数据的网站可能触及隐私保护法律,特别是在欧洲通用数据保护条例(GDPR)等法规的环境下。 - 网络安全:随意下载网站可能导致恶意软件和病毒的传播,用户应当使用最新的反病毒软件,并在安全的环境中进行操作。 综上所述,虽然“复制别人网站的软件”在技术上是可行的,且可以用于多种正当目的,但在使用此类工具时,必须遵守法律法规和道德规范,不可侵犯他人的合法权益。
recommend-type

【跨平台开发者的必读】:解决Qt5Widgetsd.lib目标计算机类型冲突终极指南

# 1. 跨平台开发与Qt框架简介 跨平台开发已经成为现代软件开发中不可或缺的一部分,它使得开发者能够构建出能够在多种操作系统上运行的应用程序,从而触及更广泛的用户群体。在这其中,Qt框架作为一套成熟的跨平台应用程序和用户界面框架,扮演着关键角色。Qt不仅仅是一个跨平台的工具集,它的设计哲学还包含了模块化和可扩展性,使其能够适应各种规模和复杂度的项目。本章节我们将简要介绍
recommend-type

普通RNN结构和特点

<think>首先,用户的问题是:“我想了解普通RNN的结构及其特点请问RNN循环神经网络结构特点工作原理”。这涉及到RNN的结构、特点和工作原理。根据系统级指令:-所有行内数学表达式必须使用$...$格式。-独立公式必须使用$$...$$格式并单独成段。-LaTeX语法正确。-使用中文回答。-生成相关问题。-回答中引用的段落末尾自然地添加引用标识。用户可见层指令:-回答结构清晰,帮助用户逐步解决问题。-保证回答真实可靠。参考站内引用:-引用[1]:关于RNN的基本介绍,为什么需要RNN。-引用[2]:关于RNN的工作原理、结构图,以及与其他网络的比较。用户上一次的问题和我的回答:用户是第一次
recommend-type

探讨通用数据连接池的核心机制与应用

根据给定的信息,我们能够推断出讨论的主题是“通用数据连接池”,这是一个在软件开发和数据库管理中经常用到的重要概念。在这个主题下,我们可以详细阐述以下几个知识点: 1. **连接池的定义**: 连接池是一种用于管理数据库连接的技术,通过维护一定数量的数据库连接,使得连接的创建和销毁操作更加高效。开发者可以在应用程序启动时预先创建一定数量的连接,并将它们保存在一个池中,当需要数据库连接时,可以直接从池中获取,从而降低数据库连接的开销。 2. **通用数据连接池的概念**: 当提到“通用数据连接池”时,它意味着这种连接池不仅支持单一类型的数据库(如MySQL、Oracle等),而且能够适应多种不同数据库系统。设计一个通用的数据连接池通常需要抽象出一套通用的接口和协议,使得连接池可以兼容不同的数据库驱动和连接方式。 3. **连接池的优点**: - **提升性能**:由于数据库连接创建是一个耗时的操作,连接池能够减少应用程序建立新连接的时间,从而提高性能。 - **资源复用**:数据库连接是昂贵的资源,通过连接池,可以最大化现有连接的使用,避免了连接频繁创建和销毁导致的资源浪费。 - **控制并发连接数**:连接池可以限制对数据库的并发访问,防止过载,确保数据库系统的稳定运行。 4. **连接池的关键参数**: - **最大连接数**:池中能够创建的最大连接数。 - **最小空闲连接数**:池中保持的最小空闲连接数,以应对突发的连接请求。 - **连接超时时间**:连接在池中保持空闲的最大时间。 - **事务处理**:连接池需要能够管理不同事务的上下文,保证事务的正确执行。 5. **实现通用数据连接池的挑战**: 实现一个通用的连接池需要考虑到不同数据库的连接协议和操作差异。例如,不同的数据库可能有不同的SQL方言、认证机制、连接属性设置等。因此,通用连接池需要能够提供足够的灵活性,允许用户配置特定数据库的参数。 6. **数据连接池的应用场景**: - **Web应用**:在Web应用中,为了处理大量的用户请求,数据库连接池可以保证数据库连接的快速复用。 - **批处理应用**:在需要大量读写数据库的批处理作业中,连接池有助于提高整体作业的效率。 - **微服务架构**:在微服务架构中,每个服务可能都需要与数据库进行交互,通用连接池能够帮助简化服务的数据库连接管理。 7. **常见的通用数据连接池技术**: - **Apache DBCP**:Apache的一个Java数据库连接池库。 - **C3P0**:一个提供数据库连接池和控制工具的开源Java框架。 - **HikariCP**:目前性能最好的开源Java数据库连接池之一。 - **BoneCP**:一个高性能的开源Java数据库连接池。 - **Druid**:阿里巴巴开源的一个数据库连接池,提供了对性能监控的高级特性。 8. **连接池的管理与监控**: 为了保证连接池的稳定运行,开发者需要对连接池的状态进行监控,并对其进行适当的管理。监控指标可能包括当前活动的连接数、空闲的连接数、等待获取连接的请求队列长度等。一些连接池提供了监控工具或与监控系统集成的能力。 9. **连接池的配置和优化**: 连接池的性能与连接池的配置密切相关。需要根据实际的应用负载和数据库性能来调整连接池的参数。例如,在高并发的场景下,可能需要增加连接池中连接的数量。另外,适当的线程池策略也可以帮助连接池更好地服务于多线程环境。 10. **连接池的应用案例**: 一个典型的案例是电商平台在大型促销活动期间,用户访问量激增,此时通用数据连接池能够保证数据库操作的快速响应,减少因数据库连接问题导致的系统瓶颈。 总结来说,通用数据连接池是现代软件架构中的重要组件,它通过提供高效的数据库连接管理,增强了软件系统的性能和稳定性。了解和掌握连接池的原理及实践,对于任何涉及数据库交互的应用开发都至关重要。在实现和应用连接池时,需要关注其设计的通用性、配置的合理性以及管理的有效性,确保在不同的应用场景下都能发挥出最大的效能。
recommend-type

【LabVIEW网络通讯终极指南】:7个技巧提升UDP性能和安全性

# 摘要 本文系统介绍了LabVIEW在网络通讯中的应用,尤其是针对UDP协议的研究与优化。首先,阐述了UDP的原理、特点及其在LabVIEW中的基础应用。随后,本文深入探讨了通过调整数据包大小、实现并发通信及优化缓冲区管理等技巧来优化UDP性能的LabVIEW方法。接着,文章聚焦于提升UDP通信安全性,介绍了加密技术和认证授权机制在LabVIEW中的实现,以及防御网络攻击的策略。最后,通过具体案例展示了LabVIEW在实时数据采集和远程控制系统中的高级应用,并展望了LabVIEW与UDP通讯技术的未来发展趋势及新兴技术的影响。 # 关键字 LabVIEW;UDP网络通讯;性能优化;安全性;