CN104599055A - 一种钢铁企业的电力负荷需量管理方法 - Google Patents
一种钢铁企业的电力负荷需量管理方法 Download PDFInfo
- Publication number
- CN104599055A CN104599055A CN201510000902.XA CN201510000902A CN104599055A CN 104599055 A CN104599055 A CN 104599055A CN 201510000902 A CN201510000902 A CN 201510000902A CN 104599055 A CN104599055 A CN 104599055A
- Authority
- CN
- China
- Prior art keywords
- load
- power
- peak
- steel
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Mining
Abstract
本发明公开了一种钢铁企业的电力负荷需量管理方法,包括:采集钢厂的历史负荷数据,根据数据预测特定时间段内的负荷值,并生成负荷预测值,标出该时间段的负荷峰谷值;根据预测时间段的负荷峰谷值,提前对钢厂的生产任务进行重调度;根据钢厂的生产任务重调度优化后的负荷值,采用最大需量控制系统进行实时的避峰生产。通过本发明的电力负荷需量管理方法,能够更大程度上降低钢厂的峰值负荷,把总体电力负荷需量控制在合同约定值以内。
Description
技术领域
本发明涉及电力领域,尤其是一种钢铁企业的电力负荷需量管理方法。
背景技术
负荷预测与控制技术,是通过统计的用电设备负荷数据和实时采集用电设备的有功功率数据,并预测负荷曲线和用电设备有功功率的运行趋势,然后通过负荷控制策略把总体电力负荷需量控制在合同约定值以内的技术。
电能是钢铁企业生产过程必不可少的能源,而钢铁企业用电负荷在时间上的不均衡产生了高峰与低谷负荷,峰谷差越大,电网运行越不经济,企业的用电成本也越高。在现行工业电力用户实行的两部制电价的前提下,用户的大峰谷差运行,一方面提高了用电成本,广大用电大户企业每年须支付大量的峰值(需量)电费;另一方面发电机组频繁启停或压机运行造成资源浪费,并威胁电网的安全运行。因此,在保证生产前提下,以错峰和避峰生产方式降低钢铁企业生产用电成本并响应电网调峰是十分必要的。
在现有技术中,钢铁企业的电力负荷需量管理方法只是通过控制可控负荷来降低峰值功率,未考虑过调度钢铁生产中轧钢的生产任务。首先通过调度钢铁生产中轧钢的生产任务,使得负荷曲线更加平缓,然后通过负荷控制系统进行实时降低峰值功率,更大程度上降低峰值负荷。
发明内容
为了解决上述的技术问题,提供了一种钢铁企业的电力负荷需量管理方法,其目的在于,在保证生产前提下,以错峰和避峰生产方式降低钢铁企业生产用电成本并响应电网调峰。
本发明的技术方案是提供一种电力负荷需量管理方法,该电力负荷需量管理方法包括:
采集钢厂的历史负荷数据,根据数据预测特定时间段内的负荷值,并生成负荷预测值,标出该时间段的负荷峰谷值;
根据预测时间段的负荷峰谷值,提前对钢厂的生产任务进行重调度;
根据钢厂的生产任务重调度优化后的负荷值,采用最大需量控制系统进行实时的避峰生产。
进一步的,所述生成预测负荷曲线后还包括:
根据所述预测负荷曲线,标出该时间段的负荷峰谷值,在生产排程任务重调度模块中进行任务的重调度。
进一步的,采集钢厂的历史负荷数据还包括:
根据一天24小时,每1个小时对钢厂的电力负荷进行一次测量,一天共采集的24个负荷数据为一组数据,至少采集钢铁厂一个生产订单的时间长度的数据。
进一步的,数据预测特定时间段内的负荷值还包括:
根据负荷的历史数据,利用Elman人工神经网络对电力负荷进行预测,选定反馈神经网络的输入、输出节点,来反映电力系统负荷运行的内在规律。
进一步的,标出该时间段的负荷峰谷值还包括:
将该时间段的负荷值绘制成一张有序的负荷图,能够直观的标出负荷的峰谷值。
进一步的,提前对钢厂的生产任务进行重调度:
在预测的负荷峰谷值已经明确的前提下,主要是对钢铁生产中轧钢的生产任务提前进行重调度。
进一步的,最大需量控制系统进行实时的避峰生产还包括:
预测用电设备下一个时间间隔内是否会超出已设定的限定功率,对用电设备进行用电负荷调节,将最大需量功率控制在限度目标以下。
通过本发明的电力负荷需量管理方法,能够预测钢厂的负荷值和用电设备有功功率的运行趋势,然后通过负荷控制策略把总体电力负荷需量控制在合同约定值以内。
附图说明
图1是本发明的钢铁企业的电力负荷需量管理方法的流程图。
图2是本发明的实施例1的电力负荷预测模型的神经网络图。
图3是本发明的实施例1的最大需量控制系统的结构框图。
图4是本发明的实施例1的经过最大需量控制系统处理后的电力负荷图。
图5是本发明的实施例1的经过最大需量控制系统和钢铁生产中轧钢的生产任务重调度后的电力负荷图。
主要元件符号说明。
101—103步骤。
301—数据采集。
302—预测模块。
303—控制模块。
304—转接单元。
305—PC系统。
306—用户内部计算机网络系统。
307、308、309—受控设备。
401—原始电力负荷预测输出曲线。
402、501—最大需量控制系统调节后的电力负荷预测输出曲线。
403、503—最大需量控制线。
502—经过钢铁生产中轧钢的生产任务的电力负荷预测输出曲线。
504—钢铁生产中轧钢的生产可调度任务1。
505—钢铁生产中轧钢的生产可调度任务2。
506—钢铁生产中轧钢的生产可调度任务3。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合附图对本发明实施例做进一步详细说明。为此,本发明的实施例及其说明用于解释本发明,但并不作为对本发明的限定。
本发明实施例中提供了一种钢铁企业的电力负荷需量管理方法,考虑到钢铁企业的最大生产能力或者出现特殊情况时产生的用电尖峰,通过对钢铁企业的电力负荷进行准确的预测,并通过钢铁生产中轧钢的生产任务重调度和最大需量控制系统在设备端的实时调节用电负荷来限制最大有功功率借以满足合同约定用电值(以下简称阈值)。
下面进行具体说明。
图1为钢铁企业的电力负荷需量管理方法的流程图,如图1所示,可以包括如下步骤。
步骤101、采集钢厂的历史负荷数据,根据数据预测特定时间段内的负荷值,并生成负荷预测值,标出该时间段的负荷峰谷值。
步骤102、根据预测时间段的负荷峰谷值,提前对钢厂的生产任务进行重调度。
步骤103、根据钢厂的生产任务重调度优化后的负荷值,采用最大需量控制系统进行实时的避峰生产。
作为本发明的一个实施例,所述的步骤102和103还包括。
若通过步骤103的最大需量控制系统能够对用电设备进行实时的“削峰填谷 ”,能够一定程度上降低钢铁企业的电力负荷高峰,但是不一定能够把总体电力负荷需量控制在阈值以内;通过步骤102的生产排程中的任务进行重调度,使得钢铁企业实际的负荷曲线变得平滑,再通过步骤103的最大需量控制系统实时的“削峰填谷”,能够更大程度上把总体电力负荷需量控制在阈值以内。实施例下的电力负荷图就是交换了步骤102和103实施的次序,为了凸显本发明的独特之处。在实际操作过程中,还是要按照图1进行实施。
为了便于理解,下面以电力负荷需量管理方法在钢铁企业中的应用实例进行说明。
实施例1。
请参见图3,如图所示是一个最大需量控制系统示意图,在301数据采集模块中安装有高速数据采集卡。
首先,通过301采集用电设备里的实时数据信息,在经过302预测模块对采集的用电设备的数据信息进行分析预测,用于预测用电设备下一个时间间隔内是否会超出已设定的限定功率,如果超出,则发出自动控制信号给303控制模块,用于分析预测值,并向307、308、309受控设备发出调节用电负荷指令,对307、308、309受控设备进行用电负荷调节。调节方式为:首先启动第一个307受控设备的第一档受调功率。如果第一档受调功率仍不能抵消这个超限峰值功率,系统将启动第二个308受控设备,依次循环,从而可以在不影响生产的前提下,将最大需量功率控制在限度目标以下。其中,304转接单元、305PC系统和306用户内部计算机网络系统能够对用电设备进行有效的监控。
以下是Elman人工神经网络的预测模型原理。
Elman型神经网路一般分为四层:输入层、隐含层(中间层)、承接层和输出层。如图1所示,输入层、隐含层、输出层的连接类似于前馈式网络,输入层的单元仅起信号传输作用,输出层单元起线性加权作用。隐含层单元的传递函数可采用线形或非线性函数,承接层又称上下文层或状态层,它是用来记忆隐含层单元前一时刻的输出值并返回给网络的输入,可认为是一个一步延时算子。
如图2所示,是Elman人工神经网络的预测模型,其中,Elman的非线性状态空间表达式为:
式中,y为m维输出结点向量;x为n维中间层结点单元向量;v为r维输入向量;x c 为n维反馈状态向量;w 3 为中间层到输出层连接权值;w 2 为输入层到中间层连接权值;w 1 为承接层到中间层的连接权值;G(*)为输出神经元的传递函数,是中间层输出的线性组合; f(*)为中间层神经元的传递函数,经常采用sigmoid函数,即:
Elman神经网络预测前首先要训练网络,通过训练使网络具有联想记忆和预测能力。Elman神经网络的训练过程包括以下几个步骤。
步骤1:网络初始化。根据系统输入和输出序列(X,Y)确定网络输入层节点数n、隐含层节点数L,输出层节点数m,初始化输入层、隐含层和输出层神经元之间的连接权值w 2 和w 3 ,初始化隐含层阈值b 1 ,输出层阈值b 2 ,给定学习速率和神经元激励函数。最佳隐含层节点数的选择可参考如下公式:
式中,a为0-10之间的常数。在实际问题中,隐含层节点数的选择首先是参照公式来确定节点数的大概范围,然后用试凑法确定最佳的节点数。
步骤2:隐含层输出计算,根据输入变量X,输入层和隐含层间连接权值w 2 以及隐含层阈值b 1 ,计算隐含层输出H。
式中,L为隐含层节点数;f(*)为隐含层激励函数,该函数有多种表达形式,本章所选函数为。
步骤3:承接层输出计算见公式(1)和(2)。
步骤4:输出层输出计算。根据隐含层输出H,连接权值w 3 和阈值b 2 ,计算神经网络输出Y。
步骤5:误差计算。根据网络预测输出Y和期望输出y,计算网络预测误差e。
步骤6:权值更新。根据网络预测误差e更新网络连接权值w 2 和 w 3 。
式中,η为学习速率,这里取值为η=0.5。
步骤7:阈值更新。根据网络预测误差e更新网络节点阈值b 1 ,b 2 。
步骤8:判断算法迭代是否结束,若没有结束,返回步骤2。
经过上述步骤(1)—(8)的训练,即完成了建模过程。
实施例以某钢厂2010年4月份的30组电力负荷数据为例,其中,一天为一组数据,每天分为24小时,每1个小时对电力负荷进行一次测量,取此时段的平均值,一天共测得24个负荷数据。前29天的数据作为网络的训练样本,第30天的数据作为网络的测试样本,验证网络能否准确合理地预测出当天的负荷数据。采用Elman神经网络方法进行建模研究,下表为该钢厂2010年4月份其中某一周经过归一化的数据,出于篇幅的原因,本表格只显示这周每天9-14时共6小时的负荷数据,电力系统负荷数据如表1所列,已经经过归一化。
本文的输入变量是一个24维的向量,经过多次训练网络隐藏层为11个神经元,而输出向量也有24个元素。隐藏层为‘tansig’,输出层为‘purelin’,数据归一化函数采用函数‘mapminmax’,根据上述建模创建了一个Elman网络。
将某钢铁企业的29组电力负荷的平均值数据,代入该模型中,预测下一组的平均值。
请参见图4,如图所示是本发明的实施例1的经过最大需量控制系统处理后的电力负荷图,经过预测模型即可得出401某钢厂一天原始预测电力负荷图,根据图3最大需量控制系统实践可知,以实时预测用电设备在将要出现负荷高峰危险时,自动断开适合的用电设备或者将其转换到较低的功率等级,大概可以调节实施前需量平均值的10%左右。在仿真系统中,经过图3仿真处理后,401变成了402,但是电力负荷高峰还是超过了403最大需量控制线,没有低于阈值,钢铁企业需要支付额外的需量电费。
如图5所示,是本发明的实施例1的经过最大需量控制系统和钢铁生产中轧钢的生产任务重调度后的电力负荷图,在图4的基础上进一步仿真,对钢铁生产中的生产任务进行重调度,假设钢铁生产中轧钢的生产任务为3个,分别为504、505、506,它们都归属于日内可转移负荷,即运行时段在1天内进行调整,运行功率和用电量基本不变的负荷。对钢铁生产中轧钢的生产任务重调度数学建模,用遗传算法进行求解,钢铁生产中轧钢的生产任务重调度的任务包括:1、安排轧制单元待产时间,2、调整轧制单元生产次序。调整原则是尽量平滑负荷曲线,保证峰值负荷向谷值负荷偏移,通过错峰或者避峰方式实现负荷调度。经过钢铁生产中轧钢的生产任务重调度,由501变成了502,使得钢铁企业一天内所有时段没有超过503,低于阈值,在保证生产前提下,以错峰和避峰生产方式降低钢铁企业生产用电成本并响应了电网调峰。
由上述实施例的说明可知,当本发明提供的技术方案供钢铁企业等冶金企业使用时,提供了一种钢铁企业的电力负荷需量管理方法。通过统计的用电设备负荷数据和实时采集用电设备的有功功率数据,并预测负荷曲线和用电设备有功功率的运行趋势,然后通过负荷控制策略把总体电力负荷需量控制在合同约定值以内的技术。
对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于发明中的的实施例,本领域不同技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
由上述实施例的说明可知,当本发明提供的技术方案供钢铁企业等冶金企业使用时,提供了一种钢铁企业的电力负荷需量管理方法。通过统计的用电设备负荷数据和实时采集用电设备的有功功率数据,并预测负荷曲线和用电设备有功功率的运行趋势,然后通过负荷控制策略把总体电力负荷需量控制在合同约定值以内的技术。
Claims (6)
1.一种电力负荷需量管理方法,其特征在于,包括:
采集钢厂的历史负荷数据,根据数据预测特定时间段内的负荷值,并生成负荷预测值,标出该时间段的负荷峰谷值;
根据预测时间段的负荷峰谷值,提前对钢厂的生产任务进行重调度;
根据钢厂的生产任务重调度优化后的负荷值,采用最大需量控制系统进行实时的避峰生产。
2.根据权利要求1所述的电力负荷需量管理方法,其特征在于,所述采集钢厂的历史负荷数据还包括:
根据一天24小时,每1个小时对钢厂的电力负荷进行一次测量,一天共采集的24个负荷数据为一组数据,至少采集钢铁厂一个生产订单的时间长度的数据。
3.根据权利要求1所述的电力负荷需量管理方法,其特征在于,所述数据预测特定时间段内的负荷值还包括:
根据负荷的历史数据,利用Elman人工神经网络对电力负荷进行预测,选定反馈神经网络的输入、输出节点,来反映电力系统负荷运行的内在规律。
4.根据权利要求1所述的电力负荷需量管理方法,其特征在于,所述标出该时间段的负荷峰谷值还包括:
将该时间段的负荷值绘制成一张有序的负荷图,能够直观的标出负荷的峰谷值。
5.根据权利要求1所述的电力负荷需量管理方法,其特征在于,所述提前对钢厂的生产任务进行重调度:
在预测的负荷峰谷值已经明确的前提下,主要是对钢铁生产中轧钢的生产任务提前进行重调度。
6.根据权利要求1所述的电力负荷需量管理方法,其特征在于,所述最大需量控制系统进行实时的避峰生产还包括:
预测用电设备下一个时间间隔内是否会超出已设定的限定功率,对用电设备进行用电负荷调节,将最大需量功率控制在限度目标以下。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510000902.XA CN104599055A (zh) | 2015-01-04 | 2015-01-04 | 一种钢铁企业的电力负荷需量管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510000902.XA CN104599055A (zh) | 2015-01-04 | 2015-01-04 | 一种钢铁企业的电力负荷需量管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104599055A true CN104599055A (zh) | 2015-05-06 |
Family
ID=53124820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510000902.XA Pending CN104599055A (zh) | 2015-01-04 | 2015-01-04 | 一种钢铁企业的电力负荷需量管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104599055A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105006822A (zh) * | 2015-07-30 | 2015-10-28 | 乔治费歇尔汽车产品(昆山)有限公司 | 一种电能优化控制系统 |
CN106971243A (zh) * | 2017-03-29 | 2017-07-21 | 湘潭大学 | 一种降低生产用电成本的热轧优化调度方法 |
CN109031940A (zh) * | 2018-08-08 | 2018-12-18 | 中冶东方工程技术有限公司 | 多套设备或机组共用一个动力源驱动的协调控制方法及系统 |
CN109214637A (zh) * | 2017-07-07 | 2019-01-15 | 中国移动通信集团陕西有限公司 | 一种网元耗电量确定方法、装置、存储介质及计算设备 |
CN109217312A (zh) * | 2018-11-16 | 2019-01-15 | 河南中原特钢装备制造有限公司 | 热处理电阻炉群电力负荷需量控制系统及控制方法 |
CN109376907A (zh) * | 2018-09-25 | 2019-02-22 | 国网浙江省电力有限公司经济技术研究院 | 适应输配电网一体化规划的高压配网变电站负荷预测方法 |
CN112070276A (zh) * | 2020-08-14 | 2020-12-11 | 国网江西省电力有限公司鹰潭供电分公司 | 一种基于智能插座的供电服务系统及供电服务方法 |
CN115800266A (zh) * | 2022-12-16 | 2023-03-14 | 上海玫克生储能科技有限公司 | 一种电力需量控制方法及装置、电子设备、存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040257858A1 (en) * | 2003-05-13 | 2004-12-23 | Ashmin Mansingh | Dynamic economic dispatch for the management of a power distribution system |
US20120221158A1 (en) * | 2011-02-28 | 2012-08-30 | General Electric Company | System and method for load forecasting |
CN103997044A (zh) * | 2014-05-29 | 2014-08-20 | 中冶京诚工程技术有限公司 | 电力负荷控制方法及系统 |
-
2015
- 2015-01-04 CN CN201510000902.XA patent/CN104599055A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040257858A1 (en) * | 2003-05-13 | 2004-12-23 | Ashmin Mansingh | Dynamic economic dispatch for the management of a power distribution system |
US20120221158A1 (en) * | 2011-02-28 | 2012-08-30 | General Electric Company | System and method for load forecasting |
CN103997044A (zh) * | 2014-05-29 | 2014-08-20 | 中冶京诚工程技术有限公司 | 电力负荷控制方法及系统 |
Non-Patent Citations (1)
Title |
---|
谭貌 等: ""分时电价下面向经济负荷调度的热轧批量计划两阶段优化"", 《中南大学学报(自然科学版)》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105006822A (zh) * | 2015-07-30 | 2015-10-28 | 乔治费歇尔汽车产品(昆山)有限公司 | 一种电能优化控制系统 |
CN106971243A (zh) * | 2017-03-29 | 2017-07-21 | 湘潭大学 | 一种降低生产用电成本的热轧优化调度方法 |
CN106971243B (zh) * | 2017-03-29 | 2020-06-02 | 湘潭大学 | 一种降低生产用电成本的热轧优化调度方法 |
CN109214637A (zh) * | 2017-07-07 | 2019-01-15 | 中国移动通信集团陕西有限公司 | 一种网元耗电量确定方法、装置、存储介质及计算设备 |
CN109214637B (zh) * | 2017-07-07 | 2020-12-08 | 中国移动通信集团陕西有限公司 | 一种网元耗电量确定方法、装置、存储介质及计算设备 |
CN109031940A (zh) * | 2018-08-08 | 2018-12-18 | 中冶东方工程技术有限公司 | 多套设备或机组共用一个动力源驱动的协调控制方法及系统 |
CN109031940B (zh) * | 2018-08-08 | 2022-02-15 | 中冶东方工程技术有限公司 | 多套设备或机组共用一个动力源驱动的协调控制方法及系统 |
CN109376907A (zh) * | 2018-09-25 | 2019-02-22 | 国网浙江省电力有限公司经济技术研究院 | 适应输配电网一体化规划的高压配网变电站负荷预测方法 |
CN109376907B (zh) * | 2018-09-25 | 2022-06-28 | 国网浙江省电力有限公司经济技术研究院 | 适应输配电网一体化规划的高压配网变电站负荷预测方法 |
CN109217312A (zh) * | 2018-11-16 | 2019-01-15 | 河南中原特钢装备制造有限公司 | 热处理电阻炉群电力负荷需量控制系统及控制方法 |
CN109217312B (zh) * | 2018-11-16 | 2021-11-02 | 河南中原特钢装备制造有限公司 | 热处理电阻炉群电力负荷需量控制系统及控制方法 |
CN112070276A (zh) * | 2020-08-14 | 2020-12-11 | 国网江西省电力有限公司鹰潭供电分公司 | 一种基于智能插座的供电服务系统及供电服务方法 |
CN115800266A (zh) * | 2022-12-16 | 2023-03-14 | 上海玫克生储能科技有限公司 | 一种电力需量控制方法及装置、电子设备、存储介质 |
CN115800266B (zh) * | 2022-12-16 | 2023-06-27 | 上海玫克生储能科技有限公司 | 一种电力需量控制方法及装置、电子设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104599055A (zh) | 一种钢铁企业的电力负荷需量管理方法 | |
Hatziargyriou et al. | Management of microgrids in market environment | |
Mohandes | Support vector machines for short‐term electrical load forecasting | |
CN111242443B (zh) | 基于深度强化学习的能源互联网中虚拟电厂经济调度方法 | |
JP2021505103A (ja) | エネルギ貯蔵システムを最適に制御するためのシステム及び方法 | |
Matevosyan et al. | Hydropower planning coordinated with wind power in areas with congestion problems for trading on the spot and the regulating market | |
EP3648279B1 (en) | Method, electrical grid and computer program product for predicting overloads in an electrical grid | |
Mohagheghi et al. | Intelligent demand response scheme for energy management of industrial systems | |
CN102184472A (zh) | 一种基于电网调度侧需求的风水火联合调度方法 | |
Hoshimov et al. | Forecasting the electric consumption of objects using artificial neural networks | |
Khan et al. | Day ahead load forecasting for IESCO using artificial neural network and bagged regression tree | |
CN107612045A (zh) | 一种电厂机组发电量智能分配系统及方法 | |
CN103997044A (zh) | 电力负荷控制方法及系统 | |
Zhang et al. | Ultra-short term wind power prediction model based on modified grey model method for power control in wind farm | |
Chen et al. | Profit-seeking energy-intensive enterprises participating in power system scheduling: Model and mechanism | |
JP7285053B2 (ja) | 電力需給制御装置、電力需給制御システムおよび電力需給制御方法 | |
Wang et al. | Short-term wind power prediction based on DBSCAN clustering and support vector machine regression | |
Khomami et al. | Energy management of smart microgrid in presence of renewable energy sources based on real-time pricing | |
CN111049195B (zh) | 一种agc参数优化方法及装置 | |
CN111799793A (zh) | 一种源网荷协同的输电网规划方法与系统 | |
Huang et al. | Optimal Scheduling of a residential energy prosumer incorporating renewable energy sources and energy storage systems in a day-ahead energy market | |
Chen et al. | Neural network based very short term load prediction | |
Srpak et al. | Reducing wind power forecast error based on machine learning algorithms and producers merging | |
Emamian et al. | Solar power forecasting with LSTM network ensemble | |
Kumar et al. | Multiarea automatic generation control using model predictive based control in deregulated environment |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150506 |
|
WD01 | Invention patent application deemed withdrawn after publication |