【风电不确定】基于混合决策规则（MDR）的全自适应Wasserstein基础分布鲁棒多阶段框架，用于不确定性机组组合问题（UUC），以更好地适应风电的不可预测性（Matla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。

📋📋📋本文目录如下：🎁🎁🎁

目录

 ⛳️赠与读者

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Matlab代码、数据

---

 ⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

本文研究是针对风电不确定性引入的技术挑战提出的。随着风电向电网的不断渗透，虽然实现了低成本可持续的电力供应，但也引入了与其间歇性相关的技术挑战。本文提出了一种基于混合决策规则（MDR）的全自适应Wasserstein基础分布鲁棒多阶段框架，用于不确定性机组组合问题（UUC），以更好地适应风电的不可预测性，包括机组状态决策和调度过程。与现有的多阶段模型相比，所提出的框架引入了改进的MDR来处理所有决策变量，以扩展可行区域，因此，通过调整相关决策变量的阶段数量，该框架可以获得各种典型模型。因此，我们的模型可以找到一些在传统模型中不可行的问题的可行解，同时找到更好的解决方案。所提出的模型经过先进的优化方法和改进的MDR重新制定，形成混合整数线性规划（MILP）模型，以解决计算上的难题。通过使用IEEE基准系统进行案例研究，验证了所提出模型的有效性和效率。

📚2 运行结果

部分代码：

Zobj = [Zobj_0,Zobj]; %ksi0,ksi_hat0,ksi_tine0,ksi,ksi_hat,ksi_tine
hobj = [zeros(1,T*W*kl+2*t),ones(1,T*W+2*t)]'; %凸包常数项
v = sdpvar(1,M); %构造第一次lagrangian等式约束乘子v
beta = sdpvar(1); %构造第一次lagrangian不等式约束乘子beta
y1 = sdpvar((T*W*(kl+1))+2*2*t,M);%构造第二次等式lagrangian乘子y1，与h同维，每个样本都有一个这样的乘子向量
constraints = [];
constraints = [constraints, beta >= 0]; %不等式乘子要大于等于0
for m = 1:M %开始构造目标函数转换带出的约束
    y_j = y1(:,m); 
    mid_obj = Zobj' - W_obj'*y_j;
    constraints = [constraints, (mid_obj' * ksi_wan{m} + hobj' * y_j) <= M*v(1,m)];
    constraints = [constraints, abs(mid_obj) <= beta];
    constraints = [constraints, U' * y_j >= 0];
end
% end of 构造目标函数约束

constraints = [constraints, cons]; %添加物理约束

objective = sum(v) + eps*beta; %设置目标函数

版本：

Matlab R2018a
Cplex 12.7.1
Mosek 9.2

🎉3 参考文献

文章中一些内容引自网络，会注明出处或引用为参考文献，难免有未尽之处，如有不妥，请随时联系删除。

🌈4 Matlab代码、数据