XiaoMi-AI文件搜索系统
World File Search System线性程序
计算机与化学工程 - NSF-PAR
雄心勃勃的可再生能源组合标准推动了大规模部署储能资源 (ESR) 作为灵活性的来源。因此，电力市场的设计正在积极开发中，以适当补偿 ESR 提供的灵活性服务。在本文中，我们提出了一个包含 ESR 系统的新市场清算框架。与现有的市场设计相比，我们的方法使用虚拟链接 (VL) 的概念来建模 ESR 系统，虚拟链接可以捕获随时间推移的电力传输/转移。VL 表示揭示了可用于 ESR 运营的经济激励，并揭示了电力市场应如何补偿 ESR。我们的框架还使我们能够探索 ESR 物理参数对市场行为的作用；具体而言，我们表明，虽然能源和电力容量定义了每个 ESR 可以提供的灵活性，但充电/放电效率在 ESR 报酬和电网缓解市场价格波动的能力中起着根本性的作用。新的市场设计在计算上也具有吸引力，因为它是一个线性程序，因此避免了混合整数公式和具有互补约束的公式（在当前设计中用于捕获二进制充电/放电逻辑）。我们使用我们的市场框架来分析 ESR 和市场运营商之间的相互作用，并为电网中 ESR 的最佳部署策略提供见解。
能节能的最佳水流考虑泵...
摘要 - 由于城市化，对供水目的的电力需求正在稳步增加。因此，由于电力驱动的水泵的广泛部署，水分配网络（WDN）正变得能量密集型。水泵的能量效率运行是WDN操作员的重要关注点。为此，本文提出了最佳的水流（OWF）问题，以最佳地安排泵和阀门，目的是最大程度地降低泵的功耗，同时考虑了WDN中依赖于流量的泵的效率。由此产生的OWF问题是混合成员非线性程序（MINLP）。该问题包括由于WDN液压学而引起的差异（非凸）目标和非凸的约束，并且很难解决。一种新型的基于线性近似方法的方法用于克服非凸液压约束。此外，Dinkelbach的算法用于应对分数泵功率目标。最后，开发了一个称为最佳水流（C-OWF）的求解器，该求解器依赖于解决一系列混合整体线性程序。通过仿真软件Epanet验证的案例研究说明了与常规基于规则的设计相比，C-OWF在接近最大效率和降低泵功率的泵方面的好处。索引术语 - 水分配网络，混合企业计划，最佳水流，连续近似，分数编程
个人与社区：不同监管框架下能源管理系统的经济评估
摘要：在全球自我富裕社区日益普及的背景下，本研究旨在比较在两种不同的情况下能源管理的经济绩效：它是在社区中单独还是在社区中进行的。在设置上下文并完成文献综述后，确定了有关经济结果中监管框架影响的研究差距。因此，这项工作在用于促进可再生能源的几个框架下介绍了此比较，以提供更现实的观点并提供对政策制定的见解。为此，开发了混合整数线性程序（MILP），并将三种关键调节方案的制定嵌入其中：进料关税，净计量和自我消费方案。为了考虑每个监管框架的奖励参数的不同组合以及各个情况的消费量的不同奖励参数。的结果表明，对于所有研究的框架，社区内的能源管理将客户的总体平均收益提高了0.44欧元 /每天的住宅，除了送货中的feed-tariff外，以及一些B型自我消费的实例，可以将其降低至0.87欧元 /天 /天。结论决定了监管方案之间的根本差异及其适合促进集体或个人设施的适用性，并强调需要设计一组政策，以考虑个人消费习惯以促进能源社区的习惯。
“ box-tdi polytopes的算法和结构属性...
范围。优化问题的很大一部分等同于优化线性程序，其中可行区域是由线性不等式定义的多面体。解决此类问题的复杂性受到多面体结构的很大影响。尤其是当多面体是整数时，众所周知，我们可以在多项式时间内解决问题的大小[7]。实际上，最有效的算法之一仍然是Dantzig开发的单纯形方法。即使该方法以不良的理论性能而闻名[8，9]，它已经看到了新的兴趣和几种理论进步[5]，特别是最近的一些发展，连接了多面体的结构以及该算法的效率[1]。该算法的另一个兴趣点是与问题本身的多面体结构的密切联系。尤其是，影响单纯形算法性能的一个关键因素是多面体直径，它限制了最坏情况下所需的枢轴数量。在这种情况下，赫尔希猜想的弱形式已被证明对由完全单型矩阵定义的多型植物有效[2，6]。box-tdi polyhedra是可以用box-tdi系统描述的多面体。这些多面体直接概括了由完全单型矩阵描述的多面体[3]。此外，即使整数线性编程最近已被证明在Box-TDI Polyhedra上是NP-HARD [4]，当此Polyhedra是整数时，该主题尚未探索。该项目的主要目的是研究Box-TDI Polyhedra是否承认直径范围的改善，以及这是否对线性编程算法的效率有影响。
在分支和...
分支机构（B＆C）是一种精确求解整数编程（IP）问题的流行方法。B＆C是两种方法的组合：分支和切割平面。分支和结合通过划分和构造的策略将问题分为子问题，而切削平面方法通过增加有效的不平等程度来收紧这些子问题。B＆C包含一系列决策问题，例如可变选择，节点选择和剪切生成。因此，其绩效在很大程度上取决于决策策略。核心B＆C组件是切割平面方法，它通过引入额外的有效不平等，称为“切割”，从而增强了IP问题的线性程序（LP）松弛。添加切割可以实质上消除不可行的区域并提高效率。通常，切割被归类于该变量的完整性条件和由问题的基础组合结构引起的变量的完整性条件和组合切割所获得的通用切割。然而，由于平衡分离程序的计算成本与所产生的削减益处的挑战，在B＆C中产生削减是一个微妙的过程。以幼稚的方式生成切割可以减少分支和结合的树的大小，但由于执行分离例程的时间并解决了枚举树中的LP松弛，因此可能会增加整体计算时间。因此，学习切割生成的熟练政策至关重要。在我们以前的工作[1]中，我们提出了一个机器学习框架，以增强旅行推销员问题（TSP）的次级消除限制的结构。在本文中，我们将此框架扩展到最大切割问题。
我对建模语言的愿景
本文是我论文“优化中的建模语言：编程的新范式” [21] 25年前发表的。它揭示了我为什么需要新的编程语言范式的想法。In the meantime a lot has happened: The paradigm of constraint programming has been established, new “packages” in mathemati- cal modeling in modern programming languages, as Python, Julia, C++, a.o., have popped up recently, several commercial modeling systems are on the market, such as AIMMS, MOSEL, HEXALY, and several algebraic modeling languages, as AMPL, GAMS, LINGO, etc.已扩展。我用自己的建模语言（即LPL）做出了贡献。在我作为研究人员的职业生涯开始时，我实施了LPL（线性编程语言）作为制定几种较大LP（线性程序）的工具，我们在弗里博格大学信息学系的各种现实生活项目中使用了这些工具。很快我发现这种语言符号可以用于许多其他不同的应用程序。我在语言中添加并删除了许多功能，始终在任务中找出什么是制定和建模具体问题作为数学模型的“最简单，最短，最可读，高效）的方法。它已成为许多严重且不那么严重的应用和模型的主要操场和研究对象。寻求找到我想到的建模语言到现在还没有结束的。本文收集了我作为老师，研究人员和领事的实际问题所提出的一些想法和要求，我认为这是基本的。它可能会刺激具有正式语言设计能力更多的人，而不是我挑选这些想法并做得比到目前为止更好。尽管本文描述性而不是正式，但我坚信这些想法值得写下。未来将表明它们是否落在富有成果的土壤上。
发电系统的基础设施计划和运营计划：一种能量水联系方法
由于人口增长和经济繁荣，对能源和饮用水的需求正在迅速增加。随着对能源和水的需求增加，利用能量 - 水联系（EW-N）的发电系统的决策策略的需求变得越来越明显。这些决策策略是复杂的，包括与以下决策有关的决策：（i）建造新的发电厂和储能设备； （ii）现有发电厂的冷却技术的转换； （iii）环境影响。由于发电厂的生成和冷却技术类型直接影响其用水，因此决策策略本质上是多目标的。因此，基于上述问题的决策框架对于开发能够满足能源需求并可持续利用水的发电系统至关重要。在这项工作中，我们提出了一种基于EW-N上层结构的新颖表示，以及具有可再生发电机和大规模储能设备的动力生成系统的基础架构计划和运营计划的多目标优化框架。EW-N问题被视为一个两阶段的随机混合构成线性程序，可最大程度地减少系统的资本支出，运营成本和水的用水。该模型包括计划决策，例如构建其他发电厂，存储单元以及转换现有发电厂的冷却技术的能力。该模型还包括调度决策，这些决策决定了每种工厂产生多少功率，如何在系统中分配能量以及何时将能量存储并从存储设备中释放。该模型被实施到德克萨斯州爱德华兹含水层区域内的案例研究中，用于集中的电力产生实用程序，并确定鉴于系统的当前基础架构，该模型的最佳转换，扩展和操作决策。
能源过渡计划在发展中国家可变可再生能源的高渗透率：玻利维亚互连电力系统的情况
摘要：通过减少化石燃料的使用过渡到更环保的能源矩阵已成为控制气候变化的最重要目标之一。可变可再生能源（VRE）是中央低碳替代品。尽管如此，它们的可变性和低可预测性会对电源系统的运行产生负面影响。在这个问题上，能源系统建模工具起着基本作用。在探索电源系统的行为与不同级别的VRE渗透到通过它们的不同级别时，可以确定某些操作和计划策略，以平衡变化，减少操作不确定性并提高供应可靠性。在许多发展中国家中，缺乏这样的适当工具来说明这些效果阻碍了VRE的部署潜力。本文提出了一个针对玻利维亚情况的特定能量系统模型。该模型管理一个数据库，该数据库与当前正在运行的玻利维亚电力系统的相关参数以及计划在2025年的投资组合中的数据库。从该数据库中，如果构建了什么情况，则使我们能够将玻利维亚电力系统暴露于同一年的VRES渗透和水力存储方面的一组替代方案。范围是量化VRES集成潜力，因此，该国越过更清洁，更具成本效益的能源系统的能力。根据能源平衡，传输网格能力，缩减，热产生位移，水力存储贡献和能源产生成本的评估和比较。为此，通过混合整数线性程序（MILP）解决了单位承诺和调度优化问题，该程序通过分支和切割方法在每种情况下通过分支和切割方法解决成本目标函数。在结果中，发现所提出的系统可以将平均电力成本降低到0.22欧/MWH，并且在2025年到2025年的CO 2排放量的2.22×10 6 T（96％），而VRES的渗透率很高，但以意义不大的削减量为代价。这是通过将VRES安装能力提高到10,142 MW来实现的。因此，高达7.07 TWH（97％）的热产生以高达8.84 TWH（75％）的负载流离失所。
24x7载荷与风，太阳能光伏，
具有脱碳目标的公司和城市必须通过在年度区域不合时宜的基础上使用可再生能源证书（REC）来抵消化石燃料功耗来实现绿色能源的成就。在2018年，Google宣布了与消费的区域产生的零碳能量采购的脱碳和风险管理益处，并断言网格深度脱碳的途径将需要解决方案，以确保所有地区始终在所有地区的所有地区。本论文探讨了使用风，太阳能光伏（PV）和锂离子电池电池储能系统（BES）的可行性，以在德克萨斯州提供竞争性的24x7负载匹配功率，在这些技术中，这些技术在其中占95％的电厂Queue，以互助电动性可靠性委员会（ERCOLISIOL COLLECTECT）（ERC）（ERC）（ERC）（ERC）。分析的第一阶段开发了一个线性计划，该计划可以确定大量的风，PV和四小时的锂离子贝丝容量，能够在一年中每小时为数据中心的负载提供服务。在分析的第二阶段，税务中立的财务模型比较了优化的投资组合中用用案例的未覆盖经济学比较，包括在商人的基础上销售电力生产，使用bess销售辅助服务，并出售长期24x7可再生能源服务。线性程序发现能够为稳定的50 MW负载提供服务的最低成本24x7投资组合包括平均77 MW太阳能PV，78 MW沿海风，74 MW North Texas Wind和165 MW / 660 MW / 660 MWH BESS。以每千瓦时300美元的价格成本为$ 300，当负载匹配服务以长期平均批发能源价格定价时，具有24x7功能的可再生能源投资组合以充分的商人PV +风用案例达到经济奇偶校验。尽管需要进一步的研究来评估风险管理成本，但该分析提供了最初的迹象，表明24x7负载匹配服务可能是经济上可行的长期合同途径，在拥有多样化的间歇性资源和BESS服务批发市场的地区。
SCM关键概念中的MITX MicroMasters程序
1供应链分析3 1.1供应链管理概述。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4 1.1.1摘要。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4 1.1.2关键概念。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。4 1.2数学函数。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 1.2.1摘要。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 1.2.2关键概念。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。6 1.3数据管理。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。10 1.4概率。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 1.4.1摘要。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 1.4.2关键概念。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。11 1.4.3离散分布。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。14 1.4.4连续分布。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。15 1.5统计。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。19 1.5.1统计测试和中心极限定理。。。。。。。。。。。。。。。。。。。。19 1.5.2抽样和置信间隔。。。。。。。。。。。。。。。。。。。。。。。。。。。19 1.5.3假设检验。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。23 1.5.4多个随机变量。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。25 1.6回归。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。26 1.6.1摘要。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。26 1.6.2普通最小二乘线性回归。。。。。。。。。。。。。。。。。。。。。。。26 1.7优化。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。29 1.7.1摘要。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。29 1.7.2关键概念。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。30 1.7.3受约束优化。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。31 1.7.4线性程序。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。31 1.7.5整数和混合整数程序。。。。。。。。。。。。。。。。。。。。。。。。33 1.8网络和非线性编程。。。。。。。。。。。。。。。。。。。。。。。。。。。。38 1.8.1网络模型。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。38 1.8.2非线性优化。。。。。。。。。。。。。。。。。。。。。。。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>40 1.9算法和近似值。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>41 1.9.1摘要。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>41 1.9.2算法。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。 div>。。。。。。。。41 1.9.3最短路径问题。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。42 1.9.4 Dijkstra的算法。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。43 1.9.5旅行推销员问题（TSP）。。。。。。。。。。。。。。。。。。。。。。。。。。。43 1.9.6车辆路由问题。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。44 1.9.7 Clark-Wright Savings算法。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 45 1.9.8节省启发式。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 46 1.9.9用MILP解决VRP。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。44 1.9.7 Clark-Wright Savings算法。。。。。。。。。。。。。。。。。。。。。。。。。。。。45 1.9.8节省启发式。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。46 1.9.9用MILP解决VRP。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。 。46 1.9.9用MILP解决VRP。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。。46