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.
- Szenariodaten generieren durch Aufrufen von scenario_generation.py, Einstellen von Datum und Szenarien
- 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.
- Szenariodaten generieren durch Aufrufen von scenario_generation.py, Einstellen von Datum und Szenarien
- 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.
- künstliche Lastprofile, Anzahl Szenarien und Szenariodaten generieren durch Aufrufen von create_scenario_data.py in .\Statistische Analyse
- 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.