1. Trang chủ
  2. » Kỹ Thuật - Công Nghệ

Vận hành hệ thống điện - Chương 2: Tính toán phân bố tối ưu công suất trong hệ thống điện bằng phương pháp Lagrange

18 56 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 18
Dung lượng 417,52 KB

Nội dung

Tài liệu trình bày bài toán Lagrange; phân bố tối ưu công suất giữa các nhà máy nhiệt điện; thủ tục phân phối tối ưu công suất trong hệ thống điện bằng phương pháp Lagrange.

Μν ηοχ: ς〈ν ηανη Η τηνγ ιν Χη∑νγ Τ⊇ΝΗ ΤΟΑ∉Ν ΠΗℑΝ Β⊗∨ Τ⊗∨Ι ∅Υ Χ⊗ΝΓ ΣΥℑ∨Τ ΤΡΟΝΓ Η℘⇔ ΤΗ⊗∨ΝΓ ℜΙ℘⇔Ν ΒℵΝΓ ΠΗ∅⊕ΝΓ ΠΗΑ∉Π ΛΑΓΡΑΝΓΕ 2.1 Μ⊕⊆ ℜℑ√Υ Χ〈ν πηαι ξαχ νη σ πη〈ν β τι υ χνγ συ〈τ για χαχ νηα mαψ ιν τρονγ η τηνγ ιν ( χο τη χη χο χαχ νηα mαψ νηιτ ιν , ηο◊χ χο χα νηνγ νηα mαψ τηυψ ιν ) υ απ νγ mτ για τρ πηυ τα τνγ χηο τρ∑χ (κ χα χαχ τν τη〈τ) νη◊∫m ν〈νγ χαο τνη ϖ〈ν ηανη κινη τ χυα η τηνγ ιν ℜ〈ψ λα βαι τοαν α χη τιυ: − Χηι πη νηιν λιυ τνγ τρονγ τοαν η τηνγ λα νηο νη〈τ (mιν) − ℜαm βαο  τιν χ〈ψ η∑π λψ − Χη〈τ λ∑νγ ιν ν◊νγ αm βαο Γιαι θυψτ βαι τοαν α χη τιυ νη ϖ〈ψ ηιν ναψ χηα χο mτ m ηνη τοαν ηοχ χη◊τ χηε, mα τη∑νγ χη γιαι θυψτ χαχ βαι τοαν ρινγ βιτ, σαυ ο κτ η∑π λαι ς ϖ〈ψ βαι τοαν πη〈ν β τι υ χνγ συ〈τ για χαχ νηα mαψ ιν τη∑νγ χη ξετ ατ mυχ τιυ θυαν τρονγ λα χηι πη νηιν λιυ τνγ τρονγ τοαν η τηνγ λα νηο νη〈τ 2.2 ΒΑ⊂Ι ΤΟ∉ΑΝ ΛΑΓΡΑΝΓΕ: Βαι τοαν ∑χ πηατ βιυ νη σαυ: Χ〈ν πηαι ξαχ νη χαχ 〈ν σ ξ1, ξ2, , ξι, ,ξν σαο χηο ατ χχ τρ ηαm mυχ τιυ : Φ(ξ1, ξ2, , ξϕ, ,ξν)→ mιν (mαξ) ϖα τηοα mαν m ιυ κιν ρανγ βυχ: (m0 4 ∂x1 νν ηαm Φ ατ χχ τρ ται : x1* = 18 12 ϖα x2* = 13 13 ϖα κηι ο για τρ ηαm mυχ τιυ λα : 36 * Fopt = 13 Πη∑νγ πηαπ τηαψ τη τρχ τιπ τρν 〈ψ χη τιν λ∑ι κηι η πη∑νγ τρνη ρανγ βυχ λα τυψν τνη ϖα σ λ∑νγ m κηνγ λ∑ν λ◊⌡m Τρονγ τρ∑νγ η∑π χηυνγ  γιαι βαι τοαν ξαχ νη χχ τρ χο ρανγ βυχ λα ◊⌠νγ τηχ ϖα τυψν τνη τη∑νγ σ δυνγ ρνγ ραι πη∑νγ πηαπ νη〈ν τ Λαγρανγε Νι δυνγ χηυ ψυ χυα πη∑νγ πηαπ Λαγρανγε νη σαυ: Χ〈ν πηαι ξαχ νη χαχ 〈ν σ ξ1, ξ2, , ξϕ, ,ξν σαο χηο: Φ(ξ1, ξ2, , ξϕ, ,ξν) → mιν (mαξ) ϖα τηοα mαν γ1(ξ1, ξ2, , ξϕ, ,ξν) = γ2(ξ1, ξ2, , ξϕ, ,ξν) = γm(ξ1, ξ2, , ξϕ, ,ξν) = τρονγ ο m τη ηαm mυχ τιυ σε ατ χχ τιυ Τα σε γιαι λαι βαι τοαν ∑ ϖ δυ τηεο πη∑νγ πηαπ Λαγρανγε : Τm χαχ νγηιm σ ξ1 , ξ2 σαο χηο : F ( x1 , x2 ) = x12 + x22 → x1 x2 + =1 ϖ∑ι ρανγ βυχ Τηανη λ〈π ηαm Λαγρανγε : m =1 L( x1 , x2 ) = F ( x1 , x2 ) + ∑ λi g i ( x1 , x2 ) i =1 x1 x2 + − 1) Ξαχ νη χαχ ιm δνγ β◊∫νγ χαχη γιαι χαχ πη∑νγ τρνη : λ ∂L ( X ) = x1 + = ∂x1 λ ∂L ( X ) = x2 + = ∂x x1 x2 + −1 = Γιαι η πη∑νγ τρνη τρν ∑χ : 18 12 x1* = ϖα x2* = 13 13 ϖα κηι ο για τρ ηαm mυχ τιυ λα : 36 * Fopt = 13 ( νη κτ θυα α νη〈ν ∑χ β◊∫νγ πη∑νγ πηαπ τη ) L( x1 , x2 ) = x12 + x22 + λ1 ( Νηοm Νηα mαψ ιν − Β mν Η τηνγ ιν − ℜΗΒΚ ℜα Ν◊νγ CuuDuongThanCong.com https://fb.com/tailieudientucntt 16 Μν ηοχ: ς〈ν ηανη Η τηνγ ιν Ξετ χαχ αο ηαm β〈χ ηαι ται ιm δνγ: ∂ L( X ) =2>0 ∂x1 ∂ L( X ) =2>0 ∂x 2 νν ηαm Λ(Ξ) ϖα ηαm mυχ τιυ Φ(Ξ) ατ χχ τιυ ται ιm Ξ∗ (18/13 ; 12/13) Τρονγ τρ∑νγ η∑π ηαm mυχ τιυ Φ(Ξ) ϖα χαχ ρανγ βυχ γ(Ξ) λα νηνγ πηιm ηαm ( τν ται τ∑νγ θυαν για νηνγ ηαm ) κηι ο τm χχ τρ χυα χαχ πηιm ηαm πηαι σ δυνγ χαχ βαι τοαν βιν πη〈ν ς δυ νη τρ∑νγ η∑π τνη πη〈ν β τι υ χνγ συ〈τ ι ϖ∑ι χαχ νηα mαψ τηυψ ιν ϖ κηι ο πηαι ξετ τι υ τρονγ χα χηυ κψ ιυ τιτ Βαι τοαν ∑χ πηατ βιυ νη σαυ : Χ〈ν πηαι ξαχ νη χαχ ηαm σ ξ1, ξ2, , ξι, ,ξν χυα τη∑ι γιαν τ σαο χηο ηαm mυχ τιυ λα πηιm ηαm ατ χχ τρ: t1 V = ∫ F (t , x1 , x2 , , xn , x'1 , x'2 , , x'n ).dt → min(max) t0 ϖα τηοα mαν m ιυ κιν ρανγ βυχ : γ1(τ,ξ1, ξ2, , ξϕ, ,ξν) = γ2(τ,ξ1, ξ2, , ξϕ, ,ξν) = γm(τ,ξ1, ξ2, , ξϕ, ,ξν) = Τρονγ ο : x' j = dx j dt Τηανη λ〈π ηαm Λαγρανγε : ϖ∑ι j = 1, n m L(t , x) = F (t , x) + ∑ [λi (t ).g i (t , x)] (2−8) (2−9) (2−10) (2−11) i =1 σαυ ο τm χχ τρ χυα πηιm ηαm: t1 V = ∫ F * (t , x).dt → min(max) * (2−12) t0 ϖ∑ι m F * (t , x) = F (t , x) + ∑ λi (t ).g i (t , x)] (2−13) i =1 Χαχ για τρ ξϕ(τ) ϖ∑ι ϕ = [1 ν] ϖα χαχ η σ νη〈ν λι(τ) ϖ∑ι ι = [1 m] χο τη νη〈ν ∑χ β◊∫νγ χαχη γιαι η πη∑νγ τρνη αο ηαm ρινγ χυα ηαm Λαγρανγε ϖα ϖιτ τρονγ δανγ η πη∑νγ τρνη Ευλερ νη σαυ : Νηοm Νηα mαψ ιν − Β mν Η τηνγ ιν − ℜΗΒΚ ℜα Ν◊νγ CuuDuongThanCong.com https://fb.com/tailieudientucntt 17

Ngày đăng: 31/10/2020, 15:07

TỪ KHÓA LIÊN QUAN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN