最优控制电池储能模型 蓄电池储能模型的最优控制python源代码，代码按照高水平文章复现
包含五个python脚本，它从data .csv读取价格、负载和温度数据。
然后用本文中描述的决策变量、目标和约束构造一个pyomo抽象模型。
然后使用开放源代码的内部点算法求解器ipopt来计算最优解，并绘制出结果。
BESS模型可以根据物理域进行分类:荷电状态(SoC)、温度和降解。
SoC模型可以通过定义容量的单位进一步分类:电能、电荷和化学浓度。
大多数基于SoC的能量模型都是线性的，在表示效率和功率限制的方式上存在差异。
基于充电的SoC模型包括许多预测电池组电压的等效电路的变化。
基于化学浓度的SoC模型在电池设计中使用材料特性和物理参数来预测电池电压和充电容量。
温度是通过热产生和传热的组合来模拟的。
热是通过熵变、过电位损失和电阻加热产生的。
热通过传导、辐射和对流进行传递。
热模型的变化是基于产生和传递机制的表示和有限元在模型中的数量和物理意义。
电池退化建模可以根据经验或基于潜在的物理机制。
经验应力因子模型分离了时间、电流、SoC、温度和放电深度(DoD)对电池健康状态(SoH)的影响。
通过一些简化的假设，这些压力因素可以用正则化规范来表示。
物理降解模型可以进一步分为副反应模型和材料疲劳模型。
本文通过几个控制器设计实例，论证了模型选择对最优控制的重要性。
简单的模型可能会高估或低估电池系统的能力。
添加细节可以以牺牲模型复杂性和计算时间为代价提高准确性。
ID:15200637308002505
