Optimální ustálený chod Optima Power Flow -OPF
|
|
- Andrea Tomanová
- před 5 lety
- Počet zobrazení:
Transkript
1 1 Optimalizace režimu sítě-newtonovský přístup Optimální ustálený chod Optima Power Flow -OPF C i (P i ) cena výroby i-tého zdroe Cílové funkce: 1. minimalizace přenosových ztrát. minimum ceny vyráběné energie 3. alokace kompenzačních výkonů 4. minimalizace ekologických vlivů 5. optimalizace výkonových rezerv omez. podmínky typu rovnosti, nerovnosti e ( x) N ( x) =, Omezení veličin a funkčních hodnot x x x, Φ Φ Φ
2 Optimalizace režimu sítě-newtonovský přístup Algoritmus separátního řešení 1) iniciace startovacího bodu ρ, λ, ν,k= ) řešení ustáleného stavu e ( σ, ρ ) = σ (BPF-výpočet ) 3) Je-li režim optimální pak konec inak pokraču 4) aproximace (P,QP) cílové funkce a omezuících podmínek k:=k+1; 5) optimalizace ξ (k), návrat do bodu
3 3 Optimalizace režimu sítě-newtonovský přístup Algoritmus Integrovaného řešení agrangián: T T T T ( ξ ) = f() x + μb B + μp. P + λ e+ ν N ξ = x, λν, Algoritmus řešení: 1. Iniciace. k=, ξ = ξ, μ, b = μ μ b p = μp ( k) ξ. Výpočet, určení akt. Γ a 1. Je-li režim optimální pak konec inak pokraču. generace rovnic (stanovení 3. řešení rovnic ( ξ ( k ) ) Δ ξ ( k ) = ( k ), 4. aktualizace ξ, μp, μb k=k+1, návrat na. J ( k), H ( k), ( ξ ( k)
4 4 Optimalizace režimu sítě-newtonovský přístup ξ T,, Příklad uspořádání: ( w) ( w) act λ act ( ) ( ( ) ( )) λ. w p act T T P λ P P Q Q P Q ( w ) act ( k). Q ( k) Q ( k) η η ( ) ( ) + x x l + x x l T T T T T δ t λp λ Q = PQP N Nt PQP PQ = P + k P k P k + k PQP + λq + k PQ l η = + + = logická veličina indikuící aktivnost omezení = penalizační koeficient aktivního omezení
5 5 Optimalizace režimu sítě-newtonovský přístup Newtonova metoda optimalizace (postupné kvadratické programování) ustálený chod: def. S OPF : T. e ( ) ( ) = f ρ, s + λ ρ, s + μ. Γa.. agrangeova funkce a a množina aktivních omezení ξ T = ρ T, σ T, λ T... vektor proměných ρ ρ ρ σ ρ λ Δρ ρ H J T σ σ ρ σ σ σ λ Δ = σ Δλ ρ σ λ λ λ J λ λ =... gradient agrangiánu ξ [ W ] { } ξ = =... ovroubený Hessián ξ ξ
6 6 Optimalizace režimu sítě-newtonovský přístup
7 7 Optimalizace režimu sítě-newtonovský přístup
8 8 Optimalizace režimu sítě-newtonovský přístup P T Pact T Q = + λ act p + λq + xk xk xk xk P = + { λp( k). Pact ( k) } + xk xk x k PQP k { ( ). ( )} + λ k Q k x l x l q act + η + η k PQ xk P T Pact T Q = + λ act p + λq xi. v xi. v xi. x xi. x P = + xi. x xi. x xi. x k PQP { λp( k). Pact ( k) } + + { λ ( k). Q q act ( k) } + η xl xl x. x + η k PQ i
9 9 Optimalizace režimu sítě-newtonovský přístup OPF-IP opt x D x { f ( x) } x: ( x) =, D ( ) x = N N x N x x x N x N N ( ) ( ) = N x + N N = 1) N + N N + N =, ) x + x = x x x = x e + = x x x x nezápornost : x, x, N, N
10 1 Optimalizace režimu sítě-newtonovský přístup Rovnice pro řešení: { e } = = f x + x ( ) ( ) x x x { T ( )} ( ) xn x λn λx μ x x 1 = = λ λ + μ N N N % 1 = = λ + μ N N % = = λ + μ x x = = λ ( ) [ ] % 1 = = ( x ) λ = = x x x λ N x = = λ x x λ + + e N N N N N N N 1
11 11 Optimalizace režimu sítě-newtonovský přístup % konstrukce obroubeného hessianu. radkuj=size(j,1);nulaw=zeros(radkuj,radkuj); % pravy spodni roh matice W H=sparse(N,N);HD=H;HDD=H; % iniciace H for Ip=1:size(II,1), % pro nenulový prvek matice Y k=ii(ip); m=jj(ip); % indexy v matici Y (spoené uzly) ya=ym(ip);dkm=deltakm(ip); % modul a uhel if k~=m % nediagonální prvky Sk_k_m =ya*exp(i*dkm); Sk_k_Dm =-i*a(m)*ya*exp(i*dkm); Sk_m_Dk =i*a(k)*ya*exp(i*dkm); Sk_m_Dm =-Sk_m_Dk ; Sk_Dk_Dm =a(m)*a(k)*ya*exp(i*dkm); Sk_Dm_Dm =-Sk_Dk_Dm ; Sk_m_m =; if T(k)==3 %pro uzel typu Slack H(k,m)=H(k,m)+real(Sk_k_m); HD(k,m)=HD(k,m)+real(Sk_k_Dm); HDD(k,m)=HDD(k,m)+real(Sk_Dk_Dm); H(m,k)=H(m,k)+real(Sk_k_m); HD(m,k)=HD(m,k)+real(Sk_m_Dk); HDD(m,k)=HDD(m,k)+real(Sk_Dk_Dm); H(m,m)=H(m,m)+real(Sk_m_m); HD(m,m)=HD(m,m)+real(Sk_m_Dm); HDD(m,m)=HDD(m,m)+real(Sk_Dm_Dm); end %if T(k)==3 if T(k)~=3 %pro uzly typu PQP H(m,k)=H(m,k)-real(Sk_k_m)*P(k); HD(m,k)=HD(m,k)-real(Sk_m_Dk)*P(k); HDD(m,k)=HDD(m,k)- real(sk_dk_dm)*p(k); H(k,m)=H(k,m)- real(sk_k_m)*p(k); HD(k,m)=HD(k,m)-real(Sk_k_Dm)*P(k);
12 1 Optimalizace režimu sítě-newtonovský přístup HDD(k,m)=HDD(k,m)- real(sk_dk_dm)*p(k); H(m,m)=H(m,m)-real(Sk_m_m)*P(k); HD(m,m)=HD(m,m)-real(Sk_m_Dm)*P(k); HDD(m,m)=HDD(m,m)-real(Sk_Dm_Dm)*P(k); end %if T(k)~=3 if T(k)==1 %pro uzly typu PQ H(m,k)=H(m,k)- imag(sk_k_m)*q(k); HD(m,k)=HD(m,k)- imag(sk_m_dk)*q(k); HDD(m,k)=HDD(m,k)- imag(sk_dk_dm)*q(k); H(k,m)=H(k,m)-imag(Sk_k_m)*Q(k); HD(k,m)=HD(k,m)- imag(sk_k_dm)*q(k); HDD(k,m)=HDD(k,m)- imag(sk_dk_dm)*q(k); H(m,m)=H(m,m)-imag(Sk_m_m)*Q(k); HD(m,m)=HD(m,m)- imag(sk_m_dm)*q(k); HDD(m,m)=HDD(m,m)- imag(sk_dm_dm)*q(k); end %if T(k)==1 % diagonální prvky k=m Sk_k_k=*ya*exp(i*Dkm); Sk_Dk_Dk=-Sact(k)+a(k)^*ya*exp(i*Dkm); Sk_k_Dk=i*(Sact(k)/a(k)-a(k)*ya*exp(i*Dkm)); if T(k)==3 %pro uzel typu Slack H(k,k)=H(k,k)+real(Sk_k_k); HD(k,k)=HD(k,k)+real(Sk_k_Dk); HDD(k,k)=HDD(k,k)+real(Sk_Dk_Dk);
13 13 Optimalizace režimu sítě-newtonovský přístup end % if T(k)==3 if T(k)~=3 %pro uzly typu PQP H(k,k)=H(k,k)-real(Sk_k_k)*P(k); HD(k,k)=HD(k,k)-real(Sk_k_Dk)*P(k); HDD(k,k)=HDD(k,k)-real(Sk_Dk_Dk)*P(k); end %if T(k)~=3 if T(k)==1 %pro uzly typu PQ H(k,k)=H(k,k)-imag(Sk_k_k)*Q(k); HD(k,k)=HD(k,k)-imag(Sk_k_Dk)*Q(k); HDD(k,k)=HDD(k,k)-imag(Sk_Dk_Dk)*Q(k); end %if T(k)==1 end %if k~=m end %for Ip for k=vse H(k,k)=H(k,k)+H(k)*WH +D(k)*WD+WS; end % sestavení výsledné matice H H=[HDD(PQP,PQP) HD(vse,PQP)'; HD(vse,PQP) H(vse,vse)]; W=[H -J'; -J nulaw];% sestavení výsledné matice W
opt [ ] Vyjádření subvektory (báz. a nebáz.) B,N Index bázových a nebázových proměnných β, ν Množina indexů veličin B,N
1 2-LP-Lineární programování Lineární funkce i omezovací podmínky opt t X c R c R b b b R...vektor limitů (kapacitních), a i i R b A...matice strukturálních koeficientů, > b! R hod = b, 0,..vektorproměnných,...vektor
VíceG( x) %, ν%, λ. x, x, N, N nezáporné přídatné proměnné, ( ) 2 Matematické programování
Matematicé programování Označení a definice veličin. opt i/maimalizace w, Žádaná hodnota,transpozice, relace typu nebo Inde diagonální formy vetoru. Obecná omezovací podmína Γ ( ( = ( Є, R, y podmíny typu
VíceNumerické metody a programování. Lekce 8
Numerické metody a programování Lekce 8 Optimalizace hledáme bod x, ve kterém funkce jedné nebo více proměnných f x má minimum (maximum) maximalizace f x je totéž jako minimalizace f x Minimum funkce lokální:
VíceLiteratura: Kapitoly 3, 4 a 2 d) ze skript Karel Rektorys: Matematika 43, ČVUT, Praha, Text přednášky na webové stránce přednášejícího.
Předmět: MA4 Dnešní látka: Nehomogenní okrajové podmínky. Pokračování OÚ pro PDR (jen pro fajnšmekry). Jednoznačnost zobecněného řešení. Metoda sítí v 1D. Přibližné řešení okrajových úloh. Aproximace vlastních
VíceLineární klasifikátory
Lineární klasifikátory Lineární klasifikátory obsah: perceptronový algoritmus základní verze varianta perceptronového algoritmu přihrádkový algoritmus podpůrné vektorové stroje Lineární klasifikátor navrhnout
VícePřepočet provozních stavů sítě daných: Výpočet ztrát a kapacitních proudů v síti: Výpočet zkratových poměrů v síti:
Přepočet provozních stavů sítě daných: změnou topologie sítě (nová přípojnice, transformátor, vedení resp. kabel v síti) změnou zapojení sítě (změna provozu přípojnic resp. směrů napájení sítě) změnou
VíceInterpolace pomocí splajnu
Interpolace pomocí splajnu Interpolace pomocí splajnu Připomenutí U interpolace požadujeme, aby graf aproximující funkce procházel všemi uzlovými body. Interpolační polynom aproximující funkce je polynom
VíceOdchylka ekliptiky od roviny Galaxie
Jiří Kapr 1, Jakub Fuis 2, Tomáš Bárta 3 1 Gymnázium Plasy, Plasy 2 Gymnázium Botičská, Praha 3 Gymnázium Nad Štolou, Praha Týden Vědy, 2010 Jiří Kapr 1, Jakub Fuis 2, Tomáš Bárta 3 1 Gymnázium Plasy,
VícePROSTORY SE SKALÁRNÍM SOUČINEM. Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti
PROSTORY SE SKALÁRNÍM SOUČINEM Definice Nechť L je lineární vektorový prostor nad R. Zobrazení L L R splňující vlastnosti 1. (x, x) 0 x L, (x, x) = 0 x = 0, 2. (x, y) = (y, x) x, y L, 3. (λx, y) = λ(x,
VíceFaster Gradient Descent Methods
Faster Gradient Descent Methods Rychlejší gradientní spádové metody Ing. Lukáš Pospíšil, Ing. Martin Menšík Katedra aplikované matematiky, VŠB - Technická univerzita Ostrava 24.1.2012 Ing. Lukáš Pospíšil,
VíceNelineární optimalizace a numerické metody (MI NON)
Nelineární optimalizace a numerické metody (MI NON) Magisterský program: Informatika Obor: Teoretická informatika Katedra: 18101 Katedra teoretické informatiky Jaroslav Kruis Evropský sociální fond Praha
VíceLiteratura: Kapitola 2 d) ze skript Karel Rektorys: Matematika 43, ČVUT, Praha, Text přednášky na webové stránce přednášejícího.
Předmět: MA4 Dnešní látka: Metoda sítí v 1D. Myšlenka náhrada derivací diferenčními podíly Přibližné řešení okrajových úloh Aproximace vlastních čísel Literatura: Kapitola 2 d) ze skript Karel Rektorys:
VíceZákladní spádové metody
Základní spádové metody Petr Tichý 23. října 2013 1 Metody typu line search Problém Idea metod min f(x), f : x R Rn R. n Dána počáteční aproximace x 0. Iterační proces (krok k): (a) zvol směr d k, (b)
Vícestránkách přednášejícího.
Předmět: MA 4 Dnešní látka Iterační metoda Jacobiova iterační metoda Gaussova-Seidelova iterační metoda Superrelaxační metoda (metoda SOR) Metoda sdružených gradientů Četba: Text o lineární algebře v Příručce
Více2. kapitola: Euklidovské prostory
2. kapitola: Euklidovské prostory 2.1 Definice. Euklidovským n-rozměrným prostorem rozumíme neprázdnou množinu E n spolu s vektorovým prostorem V n a přiřazením, které každému bodu a z E n a každému vektoru
VícePrincip gradientních optimalizačních metod
Princip gradientních optimalizačních metod Tomáš Kroupa 20. května 2014 Tento studijní materiál je spolufinancován Evropským sociálním fondem a státním rozpočtem České republiky. Obsah Úkol a základní
Vícek n ( k) n k F n N n C F n F n C F F q n N C F n k 0 C [n, k] [n, k] q C [n, k] k n C C (n k) n C u C u T = T. [n, k] C (n k) n T = k (n k). F n N u = (u 1,..., u n ) v = (v 1,..., v n ) F n d(u, v) u
VíceIII. MKP vlastní kmitání
Jiří Máca - katedra mechaniky - B325 - tel. 2 2435 4500 maca@fsv.cvut.cz III. MKP vlastní kmitání 1. Rovnice vlastního kmitání 2. Rayleighova Ritzova metoda 3. Jacobiho metoda 4. Metoda inverzních iterací
VícePozn. 1. Při návrhu aproximace bychom měli aproximační funkci vybírat tak, aby vektory ϕ (i) byly lineárně
9. Řešení typických úloh diskrétní metodou nejmenších čtverců. DISKRÉTNÍ METODA NEJMENŠÍCH ČTVERCŮ použití: v případech, kdy je nevhodná interpolace využití: prokládání dat křivkami, řešení přeurčených
VíceMetody vnitřních bodů pro řešení úlohy lineární elasticity s daným třením
Metody vnitřních bodů pro řešení úlohy lineární elasticity s daným třením J. Machalová, P. Ženčák, R. Kučera Katedra matematické analýzy a aplikací matematiky PřF UP Olomouc Katedra matematiky a deskriptivní
VíceMetody lineární optimalizace Simplexová metoda. Distribuční úlohy
Metody lineární optimalizace Simplexová metoda Dvoufázová M-úloha Duální úloha jednofázová Post-optimalizační analýza Celočíselné řešení Metoda větví a mezí Distribuční úlohy 1 OÚLP = obecná úloha lineárního
VíceNosné desky. 1. Kirchhoffova teorie ohybu tenkých desek (h/l < 1/10) 3. Mindlinova teorie pro tlusté desky (h/l < 1/5)
Nosné desky Deska je těleso, které má jeden rozměr mnohem menší než rozměry zbývající. Zatížení desky je orientováno výhradně kolmo k její střednicové rovině. 1. Kirchhoffova teorie ohybu tenkých desek
VíceKontraktantní/dilatantní
Kontraktantní/dilatantní plasticita - úhel dilatance směr přírůstku plastické deformace Na základě experimentálního měření dospěl St. Venant k závěru, že směry hlavních napětí jsou totožné se směry přírůstku
VíceProgram SMP pro kombinované studium
Zadání příkladů k procvičení na seminář Program SMP pro kombinované studium Nejdůležitější typy příkladů - minimum znalostí před zkouškovou písemkou 1) Matice 1. Pro matice 1 0 2 1 0 3 B = 7 3 4 4 2 0
VíceLineární algebra : Metrická geometrie
Lineární algebra : Metrická geometrie (16. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 6. května 2014, 10:42 1 2 Úvod Zatím jsme se lineární geometrii věnovali v kapitole o lineárních
VíceDnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda
Předmět: MA 4 Dnešní látka Opakování: normy vektorů a matic, podmíněnost matic Jacobiova iterační metoda Gaussova-Seidelova iterační metoda Četba: Text o lineární algebře v Příručce přežití na webových
Víceskladbu obou směsí ( v tunách komponenty na 1 tunu směsi):
Klíčová slova: simplexová metoda 1 Simplexová metoda Postup výpočtu: 1. Nalezení výchozího řešení. 2. Test optima: pokud je řešení optimální výpočet končí, jinak krok 3. 3. Iterační krok, poté opět test
VíceRovinná úloha v MKP. (mohou být i jejich derivace!): rovinná napjatost a r. deformace (stěny,... ): u, v. prostorové úlohy: u, v, w
Rovinná úloha v MKP Hledané deformační veličiny viz klasická teorie pružnosti (mohou být i jejich derivace!): rovinná napjatost a r. deformace (stěny,... ): u, v desky: w, ϕ x, ϕ y prostorové úlohy: u,
VíceÚvod do optimalizace, metody hladké optimalizace
Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady
VíceEUKLIDOVSKÉ PROSTORY
EUKLIDOVSKÉ PROSTORY Necht L je lineární vektorový prostor nad tělesem reálných čísel R. Zobrazení (.,.) : L L R splňující vlastnosti 1. (x, x) 0 x L, (x, x) = 0 x = 0, 2. (x, y) = (y, x) x, y L, 3. (λx,
VíceLineární algebra : Skalární součin a ortogonalita
Lineární algebra : Skalární součin a ortogonalita (15. přednáška) František Štampach, Karel Klouda LS 2013/2014 vytvořeno: 30. dubna 2014, 09:00 1 2 15.1 Prehilhertovy prostory Definice 1. Buď V LP nad
VíceTermomechanika 9. přednáška Doc. Dr. RNDr. Miroslav Holeček
Termomechanika 9. přednáška Doc. Dr. RNDr. Miroslav Holeček Upozornění: Tato prezentace slouží výhradně pro výukové účely Fakulty strojní Západočeské univerzity v Plzni. Byla sestavena autorem s využitím
VíceKlasifikace a rozpoznávání. Lineární klasifikátory
Klasifikace a rozpoznávání Lineární klasifikátory Opakování - Skalární součin x = x1 x 2 w = w T x = w 1 w 2 x 1 x 2 w1 w 2 = w 1 x 1 + w 2 x 2 x. w w T x w Lineární klasifikátor y(x) = w T x + w 0 Vyber
VíceZnačení 1.1 (posloupnost výsledků pokusu). Mějme posloupnost opakovaných (i závislých) pokusů,
Rekurentní jevy Značení. (posloupnost výsledků pokusu). Mějme posloupnost opakovaných (i závislých) pokusů, kde každý má tutéž konečnou nebo spočetnou množinu výsledků E, E,...}. Pak E j,..., E jn } značí
VíceInterpolace, ortogonální polynomy, Gaussova kvadratura
Interpolace, ortogonální polynomy, Gaussova kvadratura Petr Tichý 20. listopadu 2013 1 Úloha Lagrangeovy interpolace Dán omezený uzavřený interval [a, b] a v něm n + 1 různých bodů x 0, x 1,..., x n. Nechť
VícePlánování projektu. 3. dubna Úvod. 2 Reprezentace projektu. 3 Neomezené zdroje. 4 Variabilní doba trvání. 5 Přidání pracovní síly
Plánování proektu 3. dubna 2018 1 Úvod 2 Reprezentace proektu 3 Neomezené zdroe 4 Variabilní doba trvání 5 Přidání pracovní síly Problémy plánování proektu Zprostředkování, instalace a testování rozsáhlého
VíceJiří Cajthaml. ČVUT v Praze, katedra geomatiky. zimní semestr 2014/2015
Kartografie 1 - přednáška 2 Jiří Cajthaml ČVUT v Praze, katedra geomatiky zimní semestr 2014/2015 Kartografické zobrazení kartografické zobrazení vzájemné přiřazení polohy bodů na dvou různých referenčních
Víceprocesy II Zuzana 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze
limití Náhodé limití Katedra pravděpodobosti a matematické statistiky Uiverzita Karlova v Praze email: praskova@karli.mff.cui.cz 9.4.-22.4. 200 limití Outlie limití limití efiice: Řekeme, že stacioárí
VíceROVINNÁ ÚLOHA. Všechny veličiny (geometrie, materiálové vlastnosti, zatížení) jsou nezávislé na jedné prostorové proměnné
ROVINNÁ ÚLOHA Rovinná úloha Všechny veličiny (geometrie, materiálové vlastnosti, zatížení) jsou nezávislé na jedné prostorové proměnné Rovinná napjatost Rovinná deformace Rotačně symetrická úloha Rovinná
Vícez Matematické statistiky 1 1 Konvergence posloupnosti náhodných veličin
Příklady k procvičení z Matematické statistiky Poslední úprava. listopadu 207. Konvergence posloupnosti náhodných veličin. Necht X, X 2... jsou nezávislé veličiny s rovnoměrným rozdělením na [0, ]. Definujme
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz IV. LINEÁRNÍ KLASIFIKACE PRINCIPY KLASIFIKACE pomocí diskriminačních funkcí funkcí,
VíceLibovolnou z probraných metod najděte s přesností na 3 desetinná místa kladný kořen rovnice. sin x + x 2 2 = 0.
A 9 vzorové řešení Př. 1. Libovolnou z probraných metod najděte s přesností na 3 desetinná místa kladný kořen rovnice Počítejte v radiánech, ne ve stupních! sin x + x 2 2 = 0. Rovnici lze upravit na sin
VíceNumerické metody optimalizace - úvod
Numerické metody optimalizace - úvod Petr Tichý 16. února 2015 1 Organizace přednášek a cvičení 13 přednášek a cvičení. Zápočet: úloha programování a testování úloh v Matlabu. Další informace na blogu
VíceProstorové konstrukce. neznámé parametry: u, v w. (prvky se středostranovými uzly)
Konečné prvk pro řešení 3D úloh Prostorové konstrukce neznámé parametr: u, v w volba různého počtu uzlů a neznámých v uzlech možnost zakřivených hran prvků (prvk se středostranovými uzl) Opakování: Geometrické
VíceNáhodné vektory a matice
Náhodné vektory a matice Jiří Militký Katedra textilních materiálů Technická Universita Liberec, Červeně označené slide jsou jen pro doplnění informací a nezkouší se. Symbolika A B Jev jistý S (nastane
VíceSemestrální písemka BMA3 - termín varianta A13 vzorové řešení
Semestrální písemka BMA3 - termín 6.1.9 - varianta A13 vzorové řešení Každý příklad je hodnocen maximálně 18 body, z toho část a) 1 body a část b) body. Mezivýsledky při výpočtech zaokrouhlujte alespoň
Více4EK311 Operační výzkum. 2. Lineární programování
4EK311 Operační výzkum 2. Lineární programování 2.2 Matematický model úlohy LP Nalézt extrém účelové funkce z = c 1 x 1 + c 2 x 2 + + c n x n na soustavě vlastních omezení a 11 x 1 + a 12 x 2 + a 13 x
VíceFakt. Každou soustavu n lineárních ODR řádů n i lze eliminací převést ekvivalentně na jednu lineární ODR
DEN: ODR teoreticky: soustavy rovnic Soustava lineárních ODR 1 řádu s konstantními koeficienty je soustava ve tvaru y 1 = a 11 y 1 + a 12 y 2 + + a 1n y n + b 1 (x) y 2 = a 21 y 1 + a 22 y 2 + + a 2n y
VíceUniverzita Karlova v Praze procesy II. Zuzana. Predikce
ne ve Náhodné 1 1 Katedra pravděpodobnosti a matematické statistiky Univerzita Karlova v Praze email: praskova@karlin.mff.cuni.cz 23.4.-7.5. 2010 ne ve 1 ne Outline 2 ve ne ve Definice: Nechť H je Hilbertův
VíceElektroenergetika 1. Základní pojmy a definice
Základní pojmy a definice Elektroenergetika vědní disciplína, jejímž předmětem zkoumání je zabezpečení elektrické energie pro lidstvo Výroba elektrické energie Přenos a distribuce elektrické energie Spotřeba
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA STROJNÍHO INŽENÝRSTVÍ
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV MECHANIKY TĚLES, MECHATRONIKY A BIOMECHANIKY Komentovaný metodický list č. 1/4 Vytvořil: Ing. Oldřich Ševeček & Ing. Tomáš Profant, Ph.D.
Více2. ANALYTICKÁ GEOMETRIE V PROSTORU Vektory Úlohy k samostatnému řešení... 21
2 ANALYTICKÁ GEOMETRIE V PROSTORU 21 21 Vektory 21 Úlohy k samostatnému řešení 21 22 Přímka a rovina v prostoru 22 Úlohy k samostatnému řešení 22 23 Vzájemná poloha přímek a rovin 25 Úlohy k samostatnému
Víceodpovídá jedna a jen jedna hodnota jiných
8. Regresní a korelační analýza Problém: hledání, zkoumání a hodnocení souvislostí, závislostí mezi dvěma a více statistickými znaky (veličinami). Typy závislostí: pevné a volné Pevná závislost každé hodnotě
VíceNumerické metody a programování. Lekce 4
Numerické metody a programování Lekce 4 Linarní algebra soustava lineárních algebraických rovnic a 11 a 12 x 2 a 1, N x N = b 1 a 21 a 22 x 2 a 2, N x N = b 2 a M,1 a M,2 x 2 a M,N x N = b M zkráceně A
VíceDefinice spojité náhodné veličiny zjednodušená verze
Definice spojité náhodné veličiny zjednodušená verze Náhodná veličina X se nazývá spojitá, jestliže existuje nezáporná funkce f : R R taková, že pro každé a, b R { }, a < b, platí P(a < X < b) = b a f
Více3. Přednáška: Line search
Úloha: 3. Přednáška: Line search min f(x), x R n kde x R n, n 1 a f : R n R je dvakrát spojitě diferencovatelná. Iterační algoritmy: Začínám v x 0 a vytvářím posloupnost iterací {x k } k=0, tak, aby minimum
Více10 Funkce více proměnných
M. Rokyta, MFF UK: Aplikovaná matematika II kap. 10: Funkce více proměnných 16 10 Funkce více proměnných 10.1 Základní pojmy Definice. Eukleidovskou vzdáleností bodů x = (x 1,...,x n ), y = (y 1,...,y
VíceKatedra matematiky Fakulty jaderné a fyzikálně inženýrské ČVUT v Praze Příjmení a jméno ➊ ➋ ➌ ➍ ➎ ➏ Bonus
Zkoušková písemná práce č 1 z předmětu 1RMF čtvrtek 16 ledna 214, 9: 11: ➊ 11 bodů) Ve třídě zobecněných funkcí vypočítejte itu x ) n n2 sin 2 P 1 n x) ➋ 6 bodů) Aplikací Laplaceovy transformace vypočtěte
VíceLineární algebra : Skalární součin a ortogonalita
Lineární algebra : Skalární součin a ortogonalita (15. přednáška) František Štampach, Karel Klouda frantisek.stampach@fit.cvut.cz, karel.klouda@fit.cvut.cz Katedra aplikované matematiky Fakulta informačních
VíceITÍ PROGRAMU ANSYS PRO PREDIKCI VLASTNÍCH FREKVENCF REKVENCÍ A TVARŮ KMITU VODNÍCH. Vlastislav Salajka. Petr Hradil
Luhačovice 5. - 7. listopadu 008 VYUŽI IÍ PROGRAMU ANSYS PRO PREDIKCI VLASNÍCH FREKVENCF REKVENCÍ A VARŮ KMIU VODNÍCH ÚSAV SAVEBNÍ MECHANIKY FAKULA SAVEBNÍ VYSOKÉ UČENÍ ECHNICKÉ V BRNĚ Vlastislav Salajka
VíceMichael Valášek Vedoucí práce: doc. Ing. Václav Bauma, CSc.
Michael Valášek Vedoucí práce: doc. Ing. Václav Bauma, CSc. Zadání bakalářské práce Mechanismus vztlakové klapky křídla 1. Proveďte rešerši možných konstrukčních řešení vztlakové klapky křídla 2. Seznamte
VíceNumerické řešení nelineárních rovnic
Numerické řešení nelineárních rovnic Mirko Navara http://cmp.felk.cvut.cz/ navara/ Centrum strojového vnímání, katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://math.feld.cvut.cz/nemecek/nummet.html
VíceAproximace funkcí. x je systém m 1 jednoduchých, LN a dostatečně hladkých funkcí. x c m. g 1. g m. a 1. x a 2. x 2 a k. x k b 1. x b 2.
Aproximace funkcí Aproximace je výpočet funkčních hodnot funkce z nějaké třídy funkcí, která je v určitém smyslu nejbližší funkci nebo datům, která chceme aproximovat. Třída funkcí, ze které volíme aproximace
VíceArnoldiho a Lanczosova metoda
Arnoldiho a Lanczosova metoda 1 Částečný problém vlastních čísel Ne vždy je potřeba (a někdy to není ani technicky možné) nalézt celé spektrum dané matice (velké řídké matice). Úloze, ve které chceme aproximovat
VíceAVDAT Mnohorozměrné metody, metody klasifikace
AVDAT Mnohorozměrné metody, metody klasifikace Josef Tvrdík Katedra informatiky Přírodovědecká fakulta Ostravská univerzita Mnohorozměrné metody Regrese jedna náhodná veličina je vysvětlována pomocí jiných
VíceKapitola 5. SLAR - gradientní metody
23.3.2o7 Kapitola 5. SLAR - gradientní metody Metody na řešení SLAR přímé (GEM, metoda LU-rozkladu) iterační (Jacobiova m., Gauss-Seidelova m., metoda SOR) gradientní X X Motivace Uvažujme kvadratickou
Více2. Určte hromadné body, limitu superior a limitu inferior posloupností: 2, b n = n. n n n.
Písemka matematika 3 s řešením 1. Vypočtěte lim n( 1 + n 2 n), n lim n (( 1 + 1 n e ) n ) n. 1/2, 1/ e 2. Určte hromadné body, limitu superior a limitu inferior posloupností: a n = sin nπ ( 2, b n = n
VíceSVD rozklad a pseudoinverse
SVD rozklad a pseudoinverse Odpřednesenou látku naleznete v kapitole 12 skript Abstraktní a konkrétní lineární algebra. Jiří Velebil: Lineární algebra 19.12.2016: SVD rozklad a pseudoinverse 1/21 Cíle
VícePetr Lachout October 16, 2011: Petr Lachout. EKN012 Optimalizace I
Petr Lachout October 16, 2011:1200 1 Matematické programování Petr Lachout - pracovní text k přednášce EKN012 Optimalizace I 16.října 2011 2 MP October 16, 2011:1200 Obsah 0 Úvod 7 1 Teorie lineárního
Více3. Sekvenční logické obvody
3. Sekvenční logické obvody 3. Sekvenční logické obvody - úvod Sledujme chování jednoduchého logického obvodu se zpětnou vazbou 3. Sekvenční logické obvody příklad sekv.o. Příklad sledování polohy vozíku
VíceFaculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
Tomáš Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague 1 / 63 1 2 3 4 5 6 7 8 9 10 11 2 / 63 Aritmetický vektor Definition 1 Aritmetický vektor x je uspořádaná
VíceIV113 Validace a verifikace. Převod LTL formule na Büchi automat. Jiří Barnat
IV113 Validace a verifikace Převod LTL formule na Büchi automat Jiří Barnat Připomenutí IV113 úvod do validace a verifikace: LTL BA str. 2/26 Problém Kripkeho struktura M LTL formule ϕ M = ϕ? Řešení pomocí
Více1. Řešená konstrukce Statické řešení Výpočet průhybové čáry Dynamika Vlastní netlumené kmitání...
. Řešená konstrukce.... Statické řešení.... Výpočet průhybové čáry... 5. Dynamika.... Vlastní netlumené kmitání..... Jacobiho metoda rovinné rotace... 4.. Popis algoritmu... 4. Vynucené kmitání... 5 4.
VíceObsah: 1. Technická zpráva ke statickému výpočtu 2. Seznam použité literatury 3. Návrh a posouzení monolitického věnce nad okenním otvorem
Stavba: Stavební úpravy skladovací haly v areálu firmy Strana: 1 Obsah: PROSTAB 1. Technická zpráva ke statickému výpočtu 2 2. Seznam použité literatury 2 3. Návrh a posouzení monolitického věnce nad okenním
VíceOperátory pro maticové operace (operace s celými maticemi) * násobení maticové Pro čísla platí: 2*2
* násobení maticové Pro čísla platí: Pro matice - násobení inverzní maticí inv inverzní matice A -1 k dané matici A je taková matice, která po vynásobení s původní maticí dá jednotkovou matici. Inverzní
Více5. cvičení z Matematiky 2
5. cvičení z Matematiky 2 21.-25. března 2016 5.1 Nalezněte úhel, který v bodě 1, 0, 0 svírají grafy funkcí fx, y ln x 2 + y 2 a gx, y sinxy. Úhel, který svírají grafy funkcí je dán jako úhel mezi jednotlivými
VíceZáklady ekonometrie. XI. Vektorové autoregresní modely. Základy ekonometrie (ZAEK) XI. VAR modely Podzim / 28
Základy ekonometrie XI. Vektorové autoregresní modely Základy ekonometrie (ZAEK) XI. VAR modely Podzim 2015 1 / 28 Obsah tématu 1 Prognózování s VAR modely 2 Vektorové modely korekce chyb (VECM) 3 Impulzní
VíceČetba: Texty o lineární algebře (odkazy na webových stránkách přednášejícího).
Předmět: MA 4 Dnešní látka Lineární (vektorový) prostor Normovaný lineární prostor Normy matic a vektorů Symetrické matice, pozitivně definitní matice Gaussova eliminační metoda, podmíněnost matic Četba:
VíceGlobální matice konstrukce
Globální matice konstrukce Z matic tuhosti a hmotnosti jednotlivých prvků lze sestavit globální matici tuhosti a globální matici hmotnosti konstrukce, které se využijí v řešení základní rovnice MKP: [m]{
VíceZáklady maticového počtu Matice, determinant, definitnost
Základy maticového počtu Matice, determinant, definitnost Petr Liška Masarykova univerzita 18.9.2014 Matice a vektory Matice Matice typu m n je pravoúhlé (nebo obdélníkové) schéma, které má m řádků a n
VíceMatematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan. 14.
Matematický ústav Slezské univerzity v Opavě Učební texty k přednášce ALGEBRA II, letní semestr 2000/2001 Michal Marvan 14. Vlastní vektory Bud V vektorový prostor nad polem P. Lineární zobrazení f : V
VíceDefinice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru. Kvadratická forma v n proměnných je tak polynom n proměnných s
Kapitola 13 Kvadratické formy Definice 13.1 Kvadratická forma v n proměnných s koeficienty z tělesa T je výraz tvaru f(x 1,..., x n ) = a ij x i x j, kde koeficienty a ij T. j=i Kvadratická forma v n proměnných
VíceDefinice 1.1. Nechť je M množina. Funkci ρ : M M R nazveme metrikou, jestliže má následující vlastnosti:
Přednáška 1. Definice 1.1. Nechť je množina. Funkci ρ : R nazveme metrikou, jestliže má následující vlastnosti: (1 pro každé x je ρ(x, x = 0; (2 pro každé x, y, x y, je ρ(x, y = ρ(y, x > 0; (3 pro každé
Více1 Kardinální čísla. množin. Tvrzení: Necht X Cn. Pak: 1. X Cn a je to nejmenší prvek třídy X v uspořádání (Cn, ),
Pracovní text k přednášce Logika a teorie množin 4.1.2007 1 1 Kardinální čísla 2 Ukázali jsme, že ordinální čísla reprezentují typy dobrých uspořádání Základy teorie množin Z minula: 1. Věta o ordinálních
VíceSOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC
SOUSTAVY LINEÁRNÍCH ALGEBRAICKÝCH ROVNIC Pojmy: Algebraická rovnice... rovnice obsahující pouze celé nezáporné mocniny neznámé x, tj. a n x n + a n 1 x n 1 +... + a x + a 1 x + a 0 = 0, kde n je přirozené
VíceTEORIE MÍRY V některých předchozích kapitolách jste se setkali s měřením velikostí množin a víte, jaké byly těžkosti s měřením množin i na reálné ose.
TEORIE MÍRY V některých předchozích kapitolách jste se setkali s měřením velikostí množin a víte, jaké byly těžkosti s měřením množin i na reálné ose. Kvůli těmto těžkostem se měření zúžilo jen na délku
Více4EK213 Lineární modely. 12. Dopravní problém výchozí řešení
4EK213 Lineární modely 12. Dopravní problém výchozí řešení 12. Distribuční úlohy LP Úlohy výrobního plánování (alokace zdrojů) Úlohy finančního plánování (optimalizace portfolia) Úlohy reklamního plánování
VíceSystematická tvorba jízdního řádu 2. cvičení
Projektování dopravní obslužnosti Systematická tvorba jízdního řádu 2. cvičení Ing. Zdeněk Michl Ústav logistiky a managementu dopravy ČVUT v Praze Fakulta dopravní Rekapitulace zadání Je dána následující
VíceDrsná matematika III 2. přednáška Funkce více proměnných: Aproximace vyšších rádů, Taylorova věta, inverzní zobrazení
Drsná matematika III. přednáška Funkce více proměnných: Aproximace vyšších rádů, Taylorova věta, inverzní zobrazení Masarykova univerzita Fakulta informatiky 3. 9. 6 Obsah přednášky Literatura Derivace
VíceDrsná matematika III 2. přednáška Funkce více proměnných: Aproximace vyšších rádů, Taylorova věta, inverzní zobrazení
Drsná matematika III. přednáška Funkce více proměnných: Aproximace vyšších rádů, Taylorova věta, inverzní zobrazení Masarykova univerzita Fakulta informatiky 6. 9. Obsah přednášky Literatura Derivace vyšších
VíceZÁklady teorie pravděpodobnosti
ZÁklady teorie pravděpodobnosti Pro předmět MatematickÁ statistika 1 Michal Kulich Katedra pravděpodobnosti a matematické statistiky Matematicko-fysikální fakulta University Karlovy Tyto poznámky poskytují
VíceDEFINICE,VĚTYADŮKAZYKÚSTNÍZKOUŠCEZMAT.ANALÝZY Ib
INFORMACE O PRŮBĚHU A POŽADAVKY KE ZKOUŠCE Z MAT. ANALÝZYIbVLS2010/11 Ke zkoušce mohou přistoupit studenti, kteří získali zápočet. Do indexu jej zapíši na zkoušce, pokud cvičící potvrdí, že na něj student
VíceOptimální trvanlivost nástroje
Ústav Strojírenské technologie Speciální technologie výroby Cvičení Optimální trvanlivost nástroje č. zadání: Zadání: Z naměřených hodnot opotřebení vyměnitelné břitové destičky určete optimální trvanlivost
VíceDRN: Kořeny funkce numericky
DRN: Kořeny funkce numericky Kořenem funkce f rozumíme libovolné číslo r splňující f(r) = 0. Fakt. Nechť f je funkce na intervalu a, b. Jestliže f(a) f(b) < 0 (tj. f(a) a f(b) mají opačná znaménka) a f
VíceHledání extrémů funkcí
Hledání extrémů funkcí Budeme se zabývat téměř výhradně hledáním minima. Přes nost nalezeného extrému Obecně není hledání extrému tak přesné jako řešení rovnic. Demonstrovat to můžeme na příkladu hledání
VíceNumerické řešení nelineárních rovnic
Numerické řešení nelineárních rovnic Mirko Navara http://cmp.felk.cvut.cz/ navara/ Centrum strojového vnímání, katedra kybernetiky FEL ČVUT Karlovo náměstí, budova G, místnost 104a http://math.feld.cvut.cz/nemecek/nummet.html
VíceLWS při heteroskedasticitě
Stochastické modelování v ekonomii a financích Petr Jonáš 7. prosince 2009 Obsah 1 2 3 4 5 47 1 Předpoklad 1: Y i = X i β 0 + e i i = 1,..., n. (X i, e i) je posloupnost nezávislých nestejně rozdělených
VíceÚvod do lineární algebry
Úvod do lineární algebry 1 Aritmetické vektory Definice 11 Mějme n N a utvořme kartézský součin R n R R R Každou uspořádanou n tici x 1 x 2 x, x n budeme nazývat n rozměrným aritmetickým vektorem Prvky
VíceNumerické metody lineární algebry
Numerické metody lineární algebry 1 Úvod 11 Úlohy lineární algebry 1 Řešení soustav lineárních rovnic A x = b Řešení soustavy s regulární čtvercovou maticí A řádu n n pro 1 nebo více pravých stran Výpočet
VíceZadání zkoušky z konvexní optimalizace dne
Zadání zkoušky z konvexní optimalizace dne 10.2.2017 Termín odevzdání: do 9,00 hodin dne 11.2.2017, buď mailem nebomnědorukounakatedřealgebryvsobotumezi8,45-9,00 Celkově je ze zkoušky možné získat 52 bodů.
Více