pypownet

POWNET Refactorizado

Pypownet: una biblioteca de Python para la optimización del modelo de manchas

POWNET es un modelo de optimización de menos costo para simular el compromiso de la unidad y el envío económico de los sistemas de energía a gran escala. Se ha aplicado a los modelos de sistemas de energía camboyanos, laosis y tailandeses. PyPownetr mejora la implementación original de POWNET y simplifica el proceso de especificación del modelo. Su objetivo es ayudar a los investigadores a importar sus propios datos del sistema de energía en el modelo POWNET y servir como un punto de referencia para los solucionadores de optimización. En última instancia, esperamos que nuestro esfuerzo aliente a más regiones a adoptar fuentes de energía renovables en el sistema de energía.

Requisitos

Pypownetr está escrito en Python 3.6. Requiere los siguientes paquetes de Python: (i) Pyomo, (ii) Numpy y (iii) pandas. También requiere un solucionador de optimización (por ejemplo, CPLEX). Pypownetr ha sido probado en Anaconda en Windows 10.

Instalación

Puede realizar una instalación mínima de pypownetr con:

    git clone https://github.com/pacowong/pypownet.git
    cd pypownet
    pip install -e .

Cómo correr

 python pypownetr / solver . py datasets / kamal0013 / camb_2016 2016 1 2 1 glpk

Si ha instalado [GLPK], esto ejecutará el modelo utilizando los datos en el sistema de energía Cambodian. El script también genera archivos .csv que contienen los valores de cada variable de decisión.

Citación

Si usa PyPownetr para su investigación, cite los siguientes documentos (principalmente de los autores originales):

 @article { chowdhury2020pownet ,
  title = { {PowNet: A Network-Constrained Unit Commitment/Economic Dispatch Model for Large-Scale Power Systems Analysis} } ,
  author = { Chowdhury, AFM Kamal and Kern, Jordan and Dang, Thanh Duc and Galelli, Stefano } ,
  journal = { Journal of Open Research Software } ,
  volume = { 8 } ,
  number = { 1 } ,
  year = { 2020 } ,
  publisher = { Ubiquity Press }
}

 @article { chowdhury2020expected ,
  title = { {Expected Benefits of Laos' Hydropower Development Curbed by Hydroclimatic Variability and Limited Transmission Capacity: Opportunities to Reform} } ,
  author = { Chowdhury, AFM Kamal and Dang, Thanh Duc and Bagchi, Arijit and Galelli, Stefano } ,
  journal = { Journal of Water Resources Planning and Management } ,
  volume = { 146 } ,
  number = { 10 } ,
  pages = { 05020019 } ,
  year = { 2020 } ,
  publisher = { American Society of Civil Engineers }
}

 @article { chowdhury2020greater ,
  title = { {The Greater Mekong's climate-water-energy nexus: how ENSO-triggered regional droughts affect power supply and CO2 emissions} } ,
  author = { Chowdhury, Kamal AFM and Dang, Thanh Duc and Nguyen, Hung TT and Koh, Rachel and Galelli, Stefano } ,
  journal = { Earth and Space Science Open Archive ESSOAr } ,
  year = { 2020 } ,
  publisher = { American Geophysical Union }
}

 @misc { pypownetr ,
    author = { Pak-Kan Wong } ,
    title = { {PyPowNetR: A Python Library for Refactored PowNet Model Optimization} } ,
    year = { 2020 } ,
    publisher = { GitHub } ,
    journal = { GitHub repository } ,
    howpublished = { url{https://github.com/pacowong/pypownet} } ,
}

Licencia

PyPownetr es lanzado bajo la licencia MIT.