CN106372763A - 基于改进的支持向量机的电力负荷预测修正方法 - Google Patents
基于改进的支持向量机的电力负荷预测修正方法 Download PDFInfo
- Publication number
- CN106372763A CN106372763A CN201610938855.8A CN201610938855A CN106372763A CN 106372763 A CN106372763 A CN 106372763A CN 201610938855 A CN201610938855 A CN 201610938855A CN 106372763 A CN106372763 A CN 106372763A
- Authority
- CN
- China
- Prior art keywords
- data
- support vector
- sample
- improved support
- vector machine
- 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
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 35
- 230000006870 function Effects 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 27
- 238000002715 modification method Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 15
- 238000002790 cross-validation Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 4
- 240000002853 Nelumbo nucifera Species 0.000 description 3
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 3
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于改进的支持向量机的电力负荷预测修正方法,本发明涉及电力负荷预测修正方法。本发明是要解决不能准确反映当前与未来电力需求的变化和电力需要的发展趋势以及预测电力负荷准确性低的问题。而提出的基于改进的支持向量机的电力负荷预测修正方法。该方法是通过步骤一、从数据库或现场选取样本数据;步骤二、对样本数据进行编码;步骤三、对编码后的样本数据进行预处理;步骤四、初始化核函数;选择高斯径向基核函数对预处理后的样本数据进行处理;步骤五、利用改进的支持向量机进行电力负荷预测。等步骤实现的。本发明应用于电力负荷预测修正领域。
Description
技术领域
本发明涉及电力负荷预测修正方法,特别涉及基于改进的支持向量机的电力负荷预测修正方法。
背景技术
电力部门既要为满足用户的正常用电使用,又要兼顾不浪费国家资源,尤其是短期负荷的需求,例如:夏天或节假日等用电高峰期,正确的电力负荷预测是很有必要的,不预测或者预测不准确都会造成例如高峰期的电力不足,货电力需求不大时不必要的浪费。当前,电力的短期负荷预测一般是预测未来一个月内的电力负荷,电力负荷预测具有连续性,即之前的预测结果将作为输入参数变量的一部分继续进行后续的电力负荷预测,由此可知,负荷预测具有连续性和累积性,它直接影响电力系统的安全运行。
目前电力部门的电力设计和规划的核心问题不能准确反映当前与未来电力需求的变化和电力需要的发展趋势以及预测电力负荷准确性低。
对电力部门来说,电力设计和规划的核心问题之一就是研究和开发出一套能够准确反映当前与未来电力需求的变化和电力需要的发展趋势的系统,即能够准确预测电力负荷的系统,因此,在当前情势下研究一种电力负荷预测的方法和开发一套电力负荷预测系统都是相当重要的。
发明内容
本发明的目的是为了解决不能准确反映当前与未来电力需求的变化和电力需要的发展趋势以及预测电力负荷准确性低的问题。而提出的基于改进的支持向量机的电力负荷预测修正方法。
上述的发明目的是通过以下技术方案实现的:
步骤一、从数据库或现场选取样本数据;
步骤二、对样本数据进行编码;
步骤三、对编码后的样本数据进行预处理;
步骤四、初始化核函数;选择高斯径向基核函数对预处理后的样本数据进行处理;
步骤五、利用改进的支持向量机进行电力负荷预测。
发明效果
本发明涉及基于改进的支持向量机的电力负荷预测修正方法。包括如下步骤:从数据库或现场选取样本数据,对样本数据进行编码,对样本数据进行预处理,初始化核函数,利用改进的支持向量机进行电力负荷预测。本方法在电力负荷的预测精度和预测方法的收敛速度等方面都有了提高,该方法具有重要的现实意义和应用前景。
附图说明
图1为具体实施方式一提出的基于改进的支持向量机的电力负荷预测修正方法框图;
图2为具体实施方式九提出的改进的支持向量机的电力负荷预测修正方法流程图;
具体实施方式
具体实施方式一:结合图1本实施方式的基于改进的支持向量机的电力负荷预测修正方法,具体是按照以下步骤制备的:
步骤一、从数据库或现场选取样本数据;
步骤二、对样本数据进行编码;
步骤三、对编码后的样本数据进行预处理;
步骤四、初始化核函数;所述的初始化核函数,由于选择不同的核函数会构成不同的预测模型,因此核函数的选择也是至关重要的;选择高斯径向基核函数对预处理后的样本数据进行处理;
步骤五、利用改进的支持向量机进行电力负荷预测。
本实施方式效果:
本实施方式涉及基于改进的支持向量机的电力负荷预测修正方法。包括如下步骤:从数据库或现场选取样本数据,对样本数据进行编码,对样本数据进行预处理,初始化核函数,利用改进的支持向量机进行电力负荷预测。本方法在电力负荷的预测精度和预测方法的收敛速度等方面都有了提高,该方法具有重要的现实意义和应用前景。
具体实施方式二:本实施方式与具体实施方式一不同的是:所述样本数据具体为欧洲智能技术网络提供的电网运行竞赛数据。其它步骤及参数与具体实施方式一相同。
具体实施方式三:本实施方式与具体实施方式一或二不同的是:所述的对样本数据进行编码的训练样本具体为:短期电力负荷预测不仅仅是用单一因素来预测未来负荷的问题,其训练样本是由多个因素组成的,是一个具有多维度非线性的样本集;包括历史负荷、气温和节假日信息。其它步骤及参数与具体实施方式一或二相同。
具体实施方式四:本实施方式与具体实施方式一至三之一不同的是:步骤三中对样本数据进行预处理的具体过程为:
步骤三一、处理缺失数据,对于个别数据缺失的情况,缺失数据值通常处于缺失数据值对应前后时刻负荷的中间值,可以采用线性插值法对缺失数据进行描述;
步骤三二、数据归一化,计算公式如下:
Y=(X-Xmin)/(Xmax-Xmin)(1)
其中,Y代表归一化后的值,Xmax,Xmin分别为原始输出参数X的最大值和最小值;
步骤三三、将归一化后的样本数据即样本集进行数据分类,分成历史数据、温度数据、
步骤三四、确定支持向量机的训练样本为10维的向量,其中,10维的向量包括Pmax的7维,的1维和H的2维。其它步骤及参数与具体实施方式一至三之一相同。
具体实施方式五:本实施方式与具体实施方式一至四之一不同的是:步骤三三所述的历史数据为历史负荷具有周周期性需将预测日前一周的每日最大负荷数据Pmax加入样本集。其它步骤及参数与具体实施方式一至四之一相同。
具体实施方式六:本实施方式与具体实施方式一至五之一不同的是:步骤三三所述的温度数据根据气温对历史负荷的影响需要将预测日当天的平均气温加入样本集。其它步骤及参数与具体实施方式一至五之一相同。
具体实施方式七:本实施方式与具体实施方式一至六之一不同的是:步骤三三所述的节假日数据根据节假日属性对历史负荷的影响将预测日的节日属性H加入样本集。其它步骤及参数与具体实施方式一至六之一相同。
具体实施方式八:本实施方式与具体实施方式一至七之一不同的是:所述高斯径向基核函数形式如下:
其中,K(·)为高斯径向基核函数,e为自然指数;σ为高斯径向基核函数的宽度参数。其它步骤及参数与具体实施方式一至七之一相同。
具体实施方式九:本实施方式与具体实施方式一至八之一不同的是:步骤五中利用改进的支持向量机进行电力负荷预测具体过程为:
步骤五一、通过对传统的SVM(支持向量机)回归算法的研究和实践,发现关键是要选择合适的参数,即适当的管道半径ε,惩罚系统C和高斯径向基核函数的宽度参数σ;
步骤五二、引入参数m,设训练过程中划分错误的样本数目为q,则也就是说m是错分样本个数占总样本数目比例的上界从而和经验风险有关;其中,m≥0;n为训练过程中样本总数目;
步骤五三、设训练过程中确定支持向量个数为p,则因此参数m是支持向量的个数占总样本数目比例的下界;利用参数m来控制训练过程中的错分样本点个数或者支持向量个数;
这就为m的选择提供了一个依据;正是由于m的引入,训练支持向量机回归从某种意义上说可以不需要先验知识就可以得到比较好的结果,改进的支持向量回归算法比传统的支持向量回归算法更优如下如图2;其中,0≤m≤1;
步骤五四、利用改进的支持向量回归算法进行负荷预测。其它步骤及参数与具体实施方式一至八之一相同。
具体实施方式十:本实施方式与具体实施方式一至九之一不同的是:步骤五四中利用改进的支持向量回归算法进行负荷预测具提过程为:
(1)、准备原始数据并转换数据格式,把EXCEL数据文件转换成TXT文件,转换后格式如下:
y d:v d:v...d:v(3)
其中,训练时,y为实际负荷值,预测时,y为回归的预测值,d为维度,v为属性值;
(2)、利用网格搜索算法确定高斯径向基核函数的宽度参数σ2和惩罚系数C的取值范围;
(3)、利用交叉验证算法数据集平均分成v份;利用v-1个子集去训练,用训练得到的模型去预测最后一个v子集;
依此类推,每个子集都采用步骤(3)预测一次;通过计算交叉验证的准确率取得合理的参数;其中,交叉验证的准确率是正确划分数据占数据集的百分比;
(4)根据合理的参数训练数据集求得回归函数;
(5)结合预测样本集和求得的回归函数进行负荷预测。其它步骤及参数与具体实施方式一至九之一相同。
采用以下实施例验证本发明的有益效果:
实施例一:
本实施例基于改进的支持向量机的电力负荷预测修正方法,具体是按照以下步骤制备的:
步骤一、从数据库或现场选取样本数据;
步骤二、对样本数据进行编码;
步骤三、对编码后的样本数据进行预处理;
步骤四、初始化核函数;选择高斯径向基核函数对预处理后的样本数据进行处理;
步骤五、利用改进的支持向量机进行电力负荷预测。
步骤五一、通过对传统的SVM(支持向量机)回归算法的研究和实践,发现关键是要选择合适的参数,即适当的管道半径ε,惩罚系统C和高斯径向基核函数的宽度参数σ;
步骤五二、引入参数m,设训练过程中划分错误的样本数目为q,则也就是说m是错分样本个数占总样本数目比例的上界从而和经验风险有关;其中,m≥0;n为训练过程中样本总数目;
步骤五三、设训练过程中确定支持向量个数为p,则因此参数m是支持向量的个数占总样本数目比例的下界;利用参数m来控制训练过程中的错分样本点个数或者支持向量个数;
这就为m的选择提供了一个依据;正是由于m的引入,训练支持向量机回归从某种意义上说可以不需要先验知识就可以得到比较好的结果,改进的支持向量回归算法比传统的支持向量回归算法更优如下如图2;其中,0≤m≤1;
步骤五四、利用改进的支持向量回归算法进行负荷预测。
(1)准备原始数据并转换数据格式,把EXCEL数据文件转换成TXT文件,转换后格式如下:
y d:v d:v…d:v
其中,训练时,y为实际负荷值,预测时,y为回归的预测值,d为维度,v为属性值;
(2)对数据进行归一化操作,把数据集各个维度的属性值进行归一化处理,所有属性值的取值范围缩放到[0,1]区间。
(3)建立目标函数,根据学习样本建立式(4)的目标函数。
(4)利用核函数将非线性数据映射到高维特征空间,选择高斯径向基RBF核函数将非线性数据映射到Hilbert高维特征空间。
(5)进行v-折交叉验证,网格搜索进行优化组合,使用网格搜索算法确定宽度参数σ2和惩罚系数C的取值范围之后,再使用交叉验证算法进行进一步的确定,即把数据集平均分成v份,然后用v-1个子集去训练,用训练得到的模型去预测剩下的最后一个子集;依此类推,每个子集都采用这样的办法预测一次。最后,交叉验证的准确率是正确划分数据占数据集的百分比,从而可以取得合理的参数;
(6)参数符合标准?如果是,进行数据训练,如果不是,返回步骤(5)继续验证数据。
(7)确定回归方程,得到的参数训练数据集求得回归函数。
(8)结合预测样本集和求得的回归函数进行电力负荷预测。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.基于改进的支持向量机的电力负荷预测修正方法,其特征在于,该方法具体是按照以下步骤进行的:
步骤一、从数据库或现场选取样本数据;
步骤二、对样本数据进行编码;
步骤三、对编码后的样本数据进行预处理;
步骤四、初始化核函数;选择高斯径向基核函数对预处理后的样本数据进行处理;
步骤五、利用改进的支持向量机进行电力负荷预测。
2.根据权利要求1所述基于改进的支持向量机的电力负荷预测修正方法,其特征在于:所述样本数据具体为欧洲智能技术网络提供的电网运行竞赛数据。
3.根据权利要求1所述基于改进的支持向量机的电力负荷预测修正方法,其特征在于:所述的对样本数据进行编码的训练样本包括历史负荷、气温和节假日信息。
4.根据权利要求1所述基于改进的支持向量机的电力负荷预测修正方法,其特征在于:步骤三中对样本数据进行预处理的具体过程为:
步骤三一、采用线性插值法对缺失数据进行描述;
步骤三二、数据归一化,计算公式如下:
Y=(X-Xmin)/(Xmax-Xmin) (1)
其中,Y代表归一化后的值,Xmax,Xmin分别为原始输出参数X的最大值和最小值;
步骤三三、将归一化后的样本数据即样本集进行数据分类,分成历史数据、温度数据、
步骤三四、确定支持向量机的训练样本为10维的向量,其中,10维的向量包括Pmax的7维,的1维和H的2维。
5.根据权利要求4所述基于改进的支持向量机的电力负荷预测修正方法,其特征在于:步骤三三所述的历史数据为历史负荷具有周周期性需将预测日前一周的每日最大负荷数据Pmax加入样本集。
6.根据权利要求4所述基于改进的支持向量机的电力负荷预测修正方法,其特征在于:步骤三三所述的温度数据根据气温对历史负荷的影响需要将预测日当天的平均气温加入样本集。
7.根据权利要求4所述基于改进的支持向量机的电力负荷预测修正方法,其特征在于:步骤三三所述的节假日数据根据节假日属性对历史负荷的影响将预测日的节日属性H加入样本集。
8.根据权利要求1所述基于改进的支持向量机的电力负荷预测修正方法,其特征在于:所述高斯径向基核函数形式如下:
其中,K(·)为高斯径向基核函数,e为自然指数;σ为高斯径向基核函数的宽度参数。
9.根据权利要求1所述基于改进的支持向量机的电力负荷预测修正方法,其特征在于:步骤五中利用改进的支持向量机进行电力负荷预测具体过程为:
步骤五一、选择管道半径ε,惩罚系统C和高斯径向基核函数的宽度参数σ;
步骤五二、引入参数m,设训练过程中划分错误的样本数目为q,则其中,m≥0;n为训练过程中样本总数目;
步骤五三、设训练过程中确定支持向量个数为p,则因此参数m是支持向量的个数占总样本数目比例的下界;利用参数m来控制训练过程中的错分样本点个数或者支持向量个数;其中,0≤m≤1;
步骤五四、利用改进的支持向量回归算法进行负荷预测。
10.根据权利要求9所述基于改进的支持向量机的电力负荷预测修正方法,其特征在于:步骤五四中利用改进的支持向量回归算法进行负荷预测具提过程为:
(1)、准备原始数据并转换数据格式,把EXCEL数据文件转换成TXT文件,转换后格式如下:
y d:v d:v … d:v(3)
其中,训练时,y为实际负荷值,预测时,y为回归的预测值,d为维度,v为属性值;
(2)、利用网格搜索算法确定高斯径向基核函数的宽度参数σ2和惩罚系数C的取值范围;
(3)、利用交叉验证算法数据集平均分成v份;利用v-1个子集去训练,用训练得到的模型去预测最后一个v子集;
依此类推,每个子集都采用步骤(3)预测一次;通过计算交叉验证的准确率取得合理的参数;其中,交叉验证的准确率是正确划分数据占数据集的百分比;
(4)根据合理的参数训练数据集求得回归函数;
(5)结合预测样本集和求得的回归函数进行负荷预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610938855.8A CN106372763A (zh) | 2016-10-25 | 2016-10-25 | 基于改进的支持向量机的电力负荷预测修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610938855.8A CN106372763A (zh) | 2016-10-25 | 2016-10-25 | 基于改进的支持向量机的电力负荷预测修正方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106372763A true CN106372763A (zh) | 2017-02-01 |
Family
ID=57892712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610938855.8A Pending CN106372763A (zh) | 2016-10-25 | 2016-10-25 | 基于改进的支持向量机的电力负荷预测修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106372763A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106850287A (zh) * | 2017-01-22 | 2017-06-13 | 国网辽宁省电力有限公司鞍山供电公司 | 一种电力数据通信网中基于预测的服务降级方法 |
CN107665385A (zh) * | 2017-10-30 | 2018-02-06 | 上海电气集团股份有限公司 | 一种微电网系统用的基于支持向量机的短期负荷预测方法 |
CN107918052A (zh) * | 2017-10-30 | 2018-04-17 | 威胜集团有限公司 | 负荷曲线的补偿计算方法 |
CN108009684A (zh) * | 2017-12-04 | 2018-05-08 | 上海电气集团股份有限公司 | 一种包含短期负荷预测的微电网并网状态能量管理方法 |
CN109827004A (zh) * | 2019-02-14 | 2019-05-31 | 华润电力技术研究院有限公司 | 对调节阀特性分析的方法及装置 |
CN111709548A (zh) * | 2020-04-27 | 2020-09-25 | 深圳华工能源技术有限公司 | 基于支持向量机的电力用户负荷预测方法、装置、设备及存储介质 |
-
2016
- 2016-10-25 CN CN201610938855.8A patent/CN106372763A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106850287A (zh) * | 2017-01-22 | 2017-06-13 | 国网辽宁省电力有限公司鞍山供电公司 | 一种电力数据通信网中基于预测的服务降级方法 |
CN106850287B (zh) * | 2017-01-22 | 2020-07-07 | 国网辽宁省电力有限公司鞍山供电公司 | 一种电力数据通信网中基于预测的服务降级方法 |
CN107665385A (zh) * | 2017-10-30 | 2018-02-06 | 上海电气集团股份有限公司 | 一种微电网系统用的基于支持向量机的短期负荷预测方法 |
CN107918052A (zh) * | 2017-10-30 | 2018-04-17 | 威胜集团有限公司 | 负荷曲线的补偿计算方法 |
CN108009684A (zh) * | 2017-12-04 | 2018-05-08 | 上海电气集团股份有限公司 | 一种包含短期负荷预测的微电网并网状态能量管理方法 |
CN109827004A (zh) * | 2019-02-14 | 2019-05-31 | 华润电力技术研究院有限公司 | 对调节阀特性分析的方法及装置 |
CN111709548A (zh) * | 2020-04-27 | 2020-09-25 | 深圳华工能源技术有限公司 | 基于支持向量机的电力用户负荷预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106372763A (zh) | 基于改进的支持向量机的电力负荷预测修正方法 | |
CN108711847B (zh) | 一种基于编码解码长短期记忆网络的短期风电功率预测方法 | |
Sommerfeldt et al. | Revisiting the techno-economic analysis process for building-mounted, grid-connected solar photovoltaic systems: Part one–Review | |
CN105243438A (zh) | 一种考虑径流不确定性的多年调节水库优化调度方法 | |
Yuan et al. | An improved artificial physical optimization algorithm for dynamic dispatch of generators with valve-point effects and wind power | |
Ji et al. | Inexact stochastic risk-aversion optimal day-ahead dispatch model for electricity system management with wind power under uncertainty | |
Duan et al. | From gray to green: Energy crises and the role of CPEC | |
CN108647829A (zh) | 一种基于随机森林的梯级水电站群联合调度规则提取方法 | |
Wang et al. | Day-ahead dispatch approach for cascaded hydropower-photovoltaic complementary system based on two-stage robust optimization | |
Han et al. | Economic dispatch considering the wind power forecast error | |
Yuan et al. | Improved self-adaptive chaotic genetic algorithm for hydrogeneration scheduling | |
Chen et al. | Ultra-short-term wind power prediction based on bidirectional gated recurrent unit and transfer learning | |
de Oliveira et al. | Optimisation modelling tools and solving techniques for integrated precinct-scale energy–water system planning | |
Pan et al. | Circular economy-based assessment framework for enhancing sustainability in renewable energy development with life cycle considerations | |
Liu et al. | Quantifying streamflow predictive uncertainty for the optimization of short-term cascade hydropower stations operations | |
Hu et al. | Probabilistic net load forecasting based on transformer network and Gaussian process-enabled residual modeling learning method | |
Li et al. | A combination approach for downstream plants to solve scheduling information asymmetry problem in electricity markets | |
CN106845107A (zh) | 基于信赖域算法的用户窃电概率预测方法、装置及设备 | |
Feng et al. | Peak operation optimization of cascade hydropower reservoirs and solar power plants considering output forecasting uncertainty | |
Hjelmeland et al. | Combined SDDP and simulator model for hydropower scheduling with sales of capacity | |
He et al. | Optimal planned electricity allocation model for power Exchange under the plan-market double-track mechanism | |
Boyd et al. | Effect of demand uncertainty on the relative economics of electrical-generation technologies with differing lead times | |
Li et al. | Decomposition-accumulation principle-based monthly electricity consumption forecasting approach using EMD-XGBoost hybrid model | |
Jin et al. | Robust Optimization for the Self-Scheduling and Bidding Strategies of a Hydroproducer Considering the Impacts of Crossing Forbidden Zones | |
Le et al. | Electricity Market Development in Viet Nam: Historical Trends and Future Perspectives |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170201 |
|
WD01 | Invention patent application deemed withdrawn after publication |