Stochastische Optimierung des Elektromanagementsystems eines Wohnhauses

Um die Optimierung mit dem abstrakten Modell durchzuführen muss zunächst test_write_data.py ausgeführt werden und der Zeitraum eingestellt werden. Anschließend wird das ReferenceModel.py für die Optimierung ausgeführt.

Das zusätzliche Beziehen von Strom aus dem Netz wird als Recourse Aktion gesehen: Falls nach Realisierung des Zufalls zu einem Zeitpunkt zu wenig Strom vorhanden ist um die Restriktionen zu erfüllen, muss dies ausgeglichen werden.

1. Szenariodaten generieren durch Aufrufen von scenario_generation.py, Einstellen von Datum und Szenarien
2. Im Ordner .\Stochastische_Optimierung_Wohnhaus wird durch Aufrufen des Befehls

    runef -m models -s scenarios --solve --solver=glpk --solution-writer=pyomo.pysp.plugins.jsonsolutionwriter

das stochastische Optimierungsproblem in erweiterter Formulierung mit glpk gelöst, mit Referenzmodell im Ordner models und Szenariodateien im Ordner scenarios.
3. Rufe Result_pickler.py auf um die Lösungen aus der .json Datei seriell und seperat abzuspeichern. 4. Stelle in visualize_solution das gewünschte Datum ein, Lastprofil wird generiert.

1. Szenariodaten generieren durch Aufrufen von scenario_generation.py, Einstellen von Datum und Szenarien
2. Im Ordner .\Strategie_Optimierung wird durch Aufrufen des Befehls

runph -m models -i scenarios -r 100 --solver=glpk --max-iterations=20 --linearize-nonbinary-penalty-terms=4  --solution-writer=pyomo.pysp.plugins.jsonsolutionwriter  --enable-ww-extensions --ww-extension-cfgfile=config/wwph.cfg

das stochastische Optimierungsproblem mit Progressive Hedging mit glpk gelöst, mit Referenzmodell im Ordner models und Szenariodateien im Ordner scenarios.
3. Rufe Result_pickler.py auf um die Lösungen aus der .json Datei seriell und seperat abzuspeichern. 4. Stelle in visualize_solution mit all_scenarios_load_curve_plot die Lastprofile für alle Szenarien dar.

Durch eine Mischung von Cross-sampling und statistischer Analyse lassen sich künstliche Lastprofile erstellen.

1. künstliche Lastprofile, Anzahl Szenarien und Szenariodaten generieren durch Aufrufen von create_scenario_data.py in .\Statistische Analyse
2. Im Ordner .\Strategie_Optimierung wird durch Aufrufen des Befehls

runph -m models -i scenarios -r 100 --solver=glpk --max-iterations=20 --linearize-nonbinary-penalty-terms=4  --solution-writer=pyomo.pysp.plugins.jsonsolutionwriter  --enable-ww-extensions --ww-extension-cfgfile=config/wwph.cfg

das stochastische Optimierungsproblem mit Progressive Hedging mit glpk gelöst, mit Referenzmodell im Ordner models und Szenariodateien im Ordner scenarios.
3. Rufe Result_pickler.py auf um mit result_pickler_sample() die Lösungen aus der .json Datei seriell und seperat abzuspeichern. 4. Stelle in visualize_all_scenarios_samples.py mit all_scenarios_load_curve_plot die Lastprofile für alle Szenarien dar.