含sop的配电网重构(含风光|可多时段拓展)

目录

1 主要内容

2 部分程序

3 下载链接 


主要内容

之前分享了很多配电网重构的程序,每个程序针对场景限定性比较大,程序初学者修改起来难度较大,本次分享一个基础程序,针对含sop的配电网重构模型,含风电和光伏,优化了33节点网络电压合理性,任意修改故障线路不仅得到满足辐射和联络性网络重构结果,也能得到完美的节点电压图。

采用IEEE33节点系统,光伏接入7、13、27节点,风机接于5节点,但是由于考虑单时间段(1时刻),光伏出力为0,风机功率为0.8MW,单线路故障得到如下结果图:

10线路故障:

19线路故障:

多线路故障结果:

5、31线路故障:

部分程序

Branch=[Branch;xb];
r_ij=Branch(:,4);   x_ij=Branch(:,5);
% p_Solar=zeros(33,1);
p_Wind=zeros(33,1);
p_Wind(5,1)=0.8;%5节点加风电
p_Load=p_load;
% p_Solar(5)=0.05;p_Solar(11)=0.05;p_Solar(15)=0.05;p_Solar(22)=0.05;p_Solar(31)=0.05;%分布式功率
q_Solar=p_Solar.*0.05;%无功按照有功的0.05倍
%% 定义决策变量
lamda=sdpvar(33,N,'full');
x_Iij_square=sdpvar(37,N,'full');   x_ui_square=sdpvar(33,N,'full');
x_pij=sdpvar(37,N,'full');      x_qij=sdpvar(37,N,'full');
x_p_sop1=sdpvar(2,N,'full');    x_q_sop1=sdpvar(2,N,'full');
opt_num=1;
beta=binvar(37,37,'full');
Zij=binvar(nl,1);%网架结构
lx=[5,31];%故障线路编号
% Z0=[ones(nl-nc,1);zeros(nc,1)];%初始拓扑
% assign(Zij,Z0);
% x_sop_L=sdpvar(2,N,'full');
%% 定义约束条件
Constraints=[];
%for opt_num=1:N    
Constraints = [Constraints, sum(Zij) == 32];
Constraints = [Constraints, 0<= x_pij(33:37) <= 0.1.*Zij(33:37)];
%% 定义目标函数
    f=r_ij'*x_Iij_square(:,opt_num)+100*sum(p_load)+100*sum(-lamda.*p_load);
    Constraints=[Constraints,x_ui_square(1,opt_num)==12.66^2];%平衡节点电压
    Constraints=[Constraints,0<=lamda<=1];%负荷消纳比例
    Constraints=[Constraints,Zij(lx)==0];%设置故障线路
    Constraints=[Constraints,Zij(35)==0];
    Constraints=[Constraints,0<=x_Iij_square<=100*Zij];

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

电力程序小学童

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值