# EIFICA for pv

**Repository Path**: fgy-lab/eifica-for-pv

## Basic Information

- **Project Name**: EIFICA for pv
- **Description**: EIFICA for pv：专注于光伏系统优化与管理的开源项目，提供高效的数据分析和智能监控解决方案，助力绿色能源发展。
- **Primary Language**: Unknown
- **License**: GPL-3.0
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-03-24
- **Last Updated**: 2026-07-08

## Categories & Tags

**Categories**: Uncategorized

**Tags**: 单一光伏

## README

# FICA: Faster Inner Convex Approximation

This repository contains codes for our paper ***FICA: Faster Inner Convex Approximation of Chance Constrained Grid Dispatch with Decision-Coupled Uncertainty*** https://arxiv.org/abs/2506.18806.

## Installation Guideline
1. git clone this repository.
2. navigate to the folder, and run the following command to install

        conda env create -f environment.yml

3. This will create a conda environment called `fica`, activate this by `conda activate fica` (or specify it in your IDE) and you are free to run all scripts.

    **Note:** If the conda installation is slow, we strongly recommend you to update your `anaconda` to the most recent version before installing our environment.

## Two Simple Runs to See the Speedup!
1. Open the `PD.py` file, scroll down to the code blocks after `if __name__ == '__main__':`.

2. Set `method = 'FICA'` (line 507), run this script `PD.py`, which will show 

    - A plot showing the generation power (day-ahead vs adjusted by AGC) for three wind scenarios.
    - After closing the plot, the terminal will print the optimal objective value, computing time, and other information similar to:

            the objective value is ...
            The method used is FICA
            The computing time for solving the dispatch is 5.67638897895813 seconds 

3. Set `method = 'CVAR'`, re-run this script, and ***compare the computing time and optimality!***  


FICA：快速内凸逼近（Faster Inner Convex Approximation）
本仓库包含论文《FICA：含决策耦合不确定性的机会约束电网调度快速内凸逼近》（FICA: Faster Inner Convex Approximation of Chance Constrained Grid Dispatch with Decision-Coupled Uncertainty）的相关代码，论文链接：https://arxiv.org/abs/2506.18806。
安装指南
克隆本仓库。
进入仓库文件夹，运行以下命令进行安装：
conda env create -f environment.yml
上述命令会创建名为fica的 conda 环境，通过conda activate fica激活该环境（或在 IDE 中指定该环境），之后即可运行所有脚本。
注意：若 conda 安装速度较慢，强烈建议在安装本环境前，将anaconda更新至最新版本。
两次简单运行，直观感受加速效果！
打开PD.py文件，向下滚动至if __name__ == '__main__':后的代码块。
设置method = 'FICA'（第 507 行），运行PD.py脚本，将显示：
一张图表，展示三种风电场景下的发电功率（日前计划功率与经自动发电控制（AGC）调整后的功率）。
关闭图表后，终端会打印最优目标函数值、计算时间及其他相关信息，格式类似：
目标函数值为……使用的方法为 FICA求解调度问题的计算时间为 5.67638897895813 秒
设置method = 'CVAR'，重新运行该脚本，对比两种方法的计算时间与最优性！
\
\
\
\
\

If you want to dive deeper...
文件说明
本仓库包含以下文件及文件夹：
第一部分：依赖包与安装
environment.yml：包含该 conda 环境所需的所有依赖包信息。
第二部分：数据
data/：存放数据文件的文件夹，包含负荷数据、风电预测数据及预测误差数据。
GEFC2012_wind.ipynb：基于 GEFC2012 铜牌预测结果与实际值，处理并生成风电预测误差场景的笔记本文件。
WT_error_gen.py：包含生成非高斯、时间耦合风电预测误差样本的函数，用于算法的训练与测试。
第三部分：数值实验代码
1、PD.py：用于求解机会约束电力调度问题的代码，也可用于测试特定参数设置。
2、PD_all_param_eval.py：在论文中对比所提 FICA 方法与基准 CVAR 方法的计算时间时，用于评估所有参数设置的代码。采用 Joblib 实现并行计算，指定并行任务数（njobs）时，需注意计算机可用 CPU 核心数与内存占用情况。
3、PD_opt_all_param_eval.py：功能与 PD_all_param_eval.py 类似，但用于测试所提 FICA 方法与 ExactLHS 方法的最优性对比结果。代码结构与 PD_all_param_eval.py 大致相同，单独设为一个文件是为了更方便地编写不同参数组合（因 ExactLHS 方法仅能求解小规模问题）。
注意：运行 PD_all_param_eval.py（该代码运行耗时较长）时，务必避免计算机内存耗尽。内存瓶颈可能导致 CVAR 方法的运行速度进一步变慢，进而得出有偏差的结论。为方便监控内存，我们提供了以下脚本：
bash record_memory.sh
该脚本会生成 memory_usage.csv 文件，每 5 秒记录一次计算机的内存使用情况，适用于 Ubuntu 20.04.6 LTS 操作系统。


第四部分：结果
PD_results_bigM100000_thread4/：存放机会约束电网调度问题结果的文件夹，对应参数为 big-M=100000（每个优化问题使用 4 个线程）。需注意，big-M=100000 仅用于 ExactLHS 方法，不用于所提 FICA 方法与 CVAR 方法。


第五部分：可视化
PD_result_vis.ipynb：基于 PD_results_bigM100000_thread4 / 文件夹中存储的结果文件，实现论文结果可视化的笔记本文件。
figure/：存放上述笔记本文件生成的图表的文件夹

If you find this repository helpful, please cite our paper:
> Yihong Zhou, Hanbin Yang, Thomas Morstyn (2025). *FICA: Faster Inner Convex Approximation of Chance Constrained Grid Dispatch with Decision-Coupled Uncertainty*. Available at arXiv https://arxiv.org/abs/2506.18806.