针对 IEEE-30 节点系统，编写其经济调度问题的代码，并针对结果进行分析 和画图。能将 4 组变量的求解结果以图形的形式给出。

在解决IEEE-30节点系统的经济调度问题时，通常会涉及到电力系统优化，其中目标可能是最小化总成本或能源消耗，同时满足负荷需求和运行约束。这个问题可以用线性规划、整数规划或非线性优化算法来建模。由于这是一个复杂的任务，涉及到大量数学和编程知识，下面是一个简化的Python示例，使用scipy库的`linprog`函数作为例子：

import numpy as np
from scipy.optimize import linprog

# 假设我们有以下数据：
# cost_matrix：每单位电力的成本矩阵
cost_matrix = ... # 形如np.array([[...], [...], ...])
# demand_vectors：各节点的电力需求向量
demand_vectors = ... # 形如[[], [], ..., []]
# generator_capacity：发电机的容量限制
generator_capacity = ... # 形如[capacity1, capacity2, ...]

# 定义决策变量（发电量）
x = np.zeros(len(generator_capacity))

# 约束条件：
# 每个发电机的产量不超过其最大能力
constraints = [
    (x - demand_vectors[i]) >= 0 for i in range(len(demand_vectors))
] + [(x - generator_capacity) <= 0]  # 总产出不超过总供应

# 目标函数（最小化总成本）
objective_function = cost_matrix.T.dot(x)

# 使用linprog求解
solution = linprog(objective_function, A_ub=constraints, b_ub=np.inf)
optimal_generation = solution.x

# 对结果进行分析：
print("最优发电组合：", optimal_generation)
print("总成本：", objective_function.dot(optimal_generation))

# 如果需要，可以使用matplotlib画出结果：
import matplotlib.pyplot as plt
plt.bar(range(len(generator_capacity)), optimal_generation, label="生成量")
plt.plot(demand_vectors, 'ro', label="需求量")
plt.xlabel('发电机')
plt.ylabel('发电量')
plt.legend()
plt.show()