Professional Documents
Culture Documents
ĆWICZENIE 8
1. Wstęp
2. Podstawy matematyczne
gdzie l - mnożnik Lagrange’a, który w tym przypadku jest skalarem bo występuje tylko
jedno ograniczenie równościowe.
Warunkiem koniecznym istnienia minimum funkcji kosztów jest aby wszystkie
pochodne funkcji Lagrange’a były równe zeru:
L L( Pi , )
0 dla i = 1,2.... n,
Pi Pi
(4)
L L( Pi , )
0
-3-
L K ( Pi )
0 dla i = 1,2.... n,
Pi Pi (6)
L n
P PL 0
i 1 i
czyli otrzymujemy:
dK1 ( P1 ) dK 2 ( P2 ) dK i ( Pi ) dK n ( Pn )
... ...
dP1 dP2 dPi dPn
n
(7)
P P
i 1
i L 0
Pochodna kosztów paliwa względem mocy nazywa się przyrostem względnym kosztów
paliwa (zł/MWh)
dK i ( Pi )
i dla i = 1,2... n (8)
dPi
Z równania (7) wynika, że warunkiem minimum kosztów wytwarzania mocy w systemie, w
którym pomija się straty przesyłowe jest równość przyrostów względnych kosztów we
wszystkich źródłach mocy.
P b2 2 c2 P2 0 (13)
L
2
P1 P2 PL 0
-4-
Należy teraz rozwiązać powyższy układ i wyznaczyć poszukiwane wartości P1 oraz P2. W
tym celu z pierwszego równania wyznaczamy l:
b1 2 c1 P1 (14)
z trzeciego natomiast P2:
P2 = P L - P 1 (15)
Otrzymane wyniki podstawiamy do równania drugiego i dostajemy związek tylko z jedną
niewiadomą P1:
b2 2 c 2 ( PL P1 ) b1 2 c1 P1 0 (16)
Przekształcając dochodzimy do ostatecznej zależności:
b2 b1 2 c 2 PL
P1 (17)
2 ( c1 c 2 )
W analogiczny sposób dochodzimy do zależności na P2, która przedstawia się następująco:
b b 2 c1 PL
P2 1 2 (18)
2 (c1 c2 )
Interpretując geometrycznie to zadanie można powiedzieć, że charakterystyka kosztów
K(P) jest paraboloidą natomiast ograniczenia równościowe wyznaczają płaszczyznę, która
przecina tę paraboloidę wzdłuż krzywej. Znalezione rozwiązanie wyznacza najniższy punkt
tej krzywej i jest szukanym minimum.
Przykład obliczeniowy wykonano przy pomocy arkusza kalkulacyjnego Excel i
zamieszczono na osobnej stronie (przykład nr 1).
k it 0.5
it
gdy P i PL
nowe stare k it 0 gdzie
k
i 1
n (22)
it 0.5
it
gdy P i PL
i 1
n
g ( Pi , Pstr ) Pi PL Pstr 0 (23)
i 1
n
L( P, ) K ( Pi ) g( Pi , Pstr ) K ( Pi ) ( Pi PL Pstr ) (24)
i 1
n
stąd przy spełnieniu bilansu mocy w systemie P P
i 1
i L Pstr 0 warunek istnienia
n n
dPstr dPi dP1 Pi (31)
i 1 i 2
P1 P P
dP1 d 2 ... 1 d i ... 1 d n
2 i n
oraz
Pi P P
dPi d 2 ... i d i ... i d n dla i = 2,3, ..., n (32)
2 i n
lub w zapisie macierzowym
dP1 [ P1 ]T d (33)
d [ P ] [ P ]d (34)
-7-
gdzie:
P P
[ P1 ]T 1 ........ 1 - wektor pochodnych mocy węzła bilansującego względem kątów
2 n
fazowych pozostałych napięć węzłowych,
P2 P2
.
n
2
`[P ] . . . - macierz pochodnych mocy węzłowych względem kątów dla
Pn .
Pn
2 n
wszystkich węzłów oprócz bilansującego.
Przyrost strat przesyłowych (31) można więc korzystając z zależności (35) zapisać w postaci:
n n
dPstr dPi dP1 Pi (1 b2 ) dP2 (1 b3 ) dP3 ...(1 bi ) dPi ...(1 bn ) dPn
i 1 i 2
(36)
12. Jeśli wartość bezwzględna bilansu mocy w systemie jest mniejsza od zadanej dokładności
obliczeń to należy przejść do punktu 8 algorytmu. W przeciwnym razie należy dokonać
korekty mnożnika Lagrange’a zgodnie z następującą regułą:
gdy DB > 0 to lnowe < lstare
gdy DB < 0 to lnowe > lstare
a następnie powrócić do punktu 7b algorytmu.
8. Sprawdzić warunek zbieżności obliczeń: PGinowe PGistare dokladnosc dla i=1,...,n.
Jeśli warunek ten nie jest spełniony to powrócić do punktu 2 algorytmu, w przeciwnym razie
zakończyć obliczenia.
min f ([x ])
x
przy g([x ]) 0 oraz h([x ]) 0 .
Jeśli funkcja kryterialna jest wypukła w dół i różniczkowalna oraz obszar ograniczeń
równościowych i nierównościowych jest wypukły, to minimum funkcji kryterialnej można
wyznaczyć metoda wynikającą z twierdzenia Kuhna - Tuckera. Zgodnie z tym twierdzeniem,
minimum warunkowe funkcji f([x]), w obszarze ograniczeń równościowych i
nierównościowych, występuje w tym samym punkcie co punkt siodłowy funkcji Lagrange’a:
p m
L([x ],[ ],[ ]) f ([x ]) i g i ([x ]) j h j ([x ])
i 1 j 1
przy czym
j 0 gdy h j ([x ]) 0
j 0 gdy h j ([x ]) 0
gdzie:
[ ] ; i 1,2,..., p
- mnożniki Lagrange’a;
[ ] ; j 1,2,..., m - mnożniki Kuhna - Tuckera;
p - liczba ograniczeń równościowych;
m - liczba ograniczeń nierównościowych.
gdzie:
rj - zmienna dwustanowa równa bardzo dużej wartości, gdy nie jest spełnione ograniczenie
nierównościowe i równa zeru, gdy ograniczenie nierównościowe jest spełnione;
[v] - wektor zmiennych zależnych, czyli napięć i kątów węzłowych.
6. Jeśli przyjętą norma [x ]nowe [x ]stare jest mniejsza od założonej dokładności obliczeń to
należy zakończyć iteracje. W przeciwnym razie powrócić do punktu 2 algorytmu.
Jest to więc zewnętrzna funkcja kary, spełniająca wymagania definicji funkcji kary.
Funkcja kary powinna być bowiem tak dobrana, aby przy ustalonej wartości parametru r
wyznaczony punkt minimum zmodyfikowanej funkcji kryterialnej T można było przyjąć za
przybliżenie punktu minimum funkcji f([x]), przy spełnieniu warunków nieliniowych
ograniczeń równościowych i nierównościowych. Przybliżenie takie jest tym dokładniejsze,
im szybciej rośnie funkcja kary przy naruszeniu ograniczeń, czyli im większa jest wartość
parametru r. Istota metody funkcji kary polega na dobraniu odpowiedniej postaci funkcji kary
T([x],[r]), a następnie rozłożeniu zadania minimalizacji funkcji f([x]) na ciąg zadań
minimalizacji funkcji T([x],[r]) ze zmiennymi parametrami [r]. Wobec powyższego
wyznaczenie punktu [x0], w którym funkcja f([x]) osiąga minimum w obszarze
ograniczonym, zostaje zastąpiony ciągiem zadań poszukiwania minimum funkcji T([x],[r] {k})
bez ograniczeń, gdzie [r]{k} - wektor parametrów zmiennych funkcji kary w k=1,2,... zadaniu
optymalizacyjnym. Przy czym ciąg parametrów {ri{k};i=1,2,...,m+p} względem k musi
spełniać warunek
lim r
{k }
i i=1,2,...,m+p
k
Powstaje pytanie jak rozstrzygnąć czy punkt [x0]([r]{k})=[x0]{k} można przyjąć za
wystarczające przybliżenie rozwiązania pełnego zadania minimalizacji funkcji f([x]) z
ograniczeniami. W przypadku zewnętrznej funkcji kary warunki te mogą być sformułowane
następująco:
[x 0 ]{k } [x 0 ]{k 1}
lub
T [x 0 ]{k } ,[r ]{k } T [x 0 ]{k 1} ,[r ]{k 1}
oraz
h j [x ]{k } j j = 1,2, ..., m
gdzie e, hj - wartości kryterialne.
Wadą omawianej metody jest fakt, że ze względu na szybki wzrost wartości funkcji
kary, po niespełnieniu warunków ograniczających zwiększa się zwykle nakład obliczeń.
Składniki związane z ograniczeniami nierównościowymi występują w funkcji kary tylko
wtedy, gdy dane ograniczenie jest przekroczone, w przeciwnym razie są one równe zeru.
-12-
Minimum funkcji kary może być wyznaczone wybraną metodą znajdowania punktu
minimum funkcji bez ograniczeń.
Wszystkie metody dzielą się na gradientowe i bezgradientowe. Te ostatnie zwane są również
metodami bezpośrednimi. Z punktu widzenia optymalizacji rozpływów mocy najczęściej są
stosowane metody gradientowe, ze względu na fakt, że wykorzystywana tu zewnętrzna
funkcja kary jest różniczkowalna. Algorytm gradientu jest następujący:
[x ]{k 1} [x ]{k } c k G ([x ]{k } )
gdzie:
G([x]{k}) - gradient funkcji kary w k-tym kroku minimalizacji,
ck - współczynnik długości kroku.
Literatura: