CN107196328A - 一种配电网光储联合系统接入点薄弱性指数预测方法 - Google Patents

一种配电网光储联合系统接入点薄弱性指数预测方法 Download PDF

Info

Publication number
CN107196328A
CN107196328A CN201710305174.2A CN201710305174A CN107196328A CN 107196328 A CN107196328 A CN 107196328A CN 201710305174 A CN201710305174 A CN 201710305174A CN 107196328 A CN107196328 A CN 107196328A
Authority
CN
China
Prior art keywords
mrow
msub
access point
msubsup
distribution network
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
Application number
CN201710305174.2A
Other languages
English (en)
Inventor
杨立滨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Shenyang University of Technology
State Grid Qinghai Electric Power Co Ltd
Electric Power Research Institute of State Grid Qinghai Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Shenyang University of Technology
State Grid Qinghai Electric Power Co Ltd
Electric Power Research Institute of State Grid Qinghai Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Shenyang University of Technology, State Grid Qinghai Electric Power Co Ltd, Electric Power Research Institute of State Grid Qinghai Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710305174.2A priority Critical patent/CN107196328A/zh
Publication of CN107196328A publication Critical patent/CN107196328A/zh
Pending legal-status Critical Current

Links

Classifications

    • H02J3/383—
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种配电网光储联合系统接入点薄弱性指数预测方法，通过建立配电网光储联合系统接入点薄弱性指数演化系统的时间序列，构建时间序列测量数据的m维相空间，对测量数据进行相空间重构后的蚁群粒子群算法处理，进而进行配电网光储联合系统接入点薄弱性指数计算，得到配电网光储联合系统接入点薄弱性指数预测值。该方法能够根据监测参数对配电网光储联合系统接入点薄弱性指数进行预测计算，根据计算结果实时地对光储联合发电系统及配电网进行控制，能够有效避免配电网系统因光储接入带来的电压等问题，显著提高配电网电力系统在光储联合系统接入后的可靠性与经济性。

Description

一种配电网光储联合系统接入点薄弱性指数预测方法
技术领域
本发明属于配电网技术领域，特别涉及一种配电网光储联合系统接入点薄弱性指数预测方法。
背景技术
配电网电力系统中分布式光伏发电设备和储能设备组成了一个复杂的系统，如何根据分布式光储系统及配电网运行特点进行配电网光储联合系统接入点薄弱性的预测评估，使每个光储联合发电系统及其所接入的配电网能够安全、稳定、高效运行，以往配电网薄弱节点计算方法的特点是忽略分布式光伏及光伏储能与配电网间的相互作用关系，由区域电网或光储联合发电系统内各个系统独立进行薄弱性分析，不能有效利用电网和分布式光伏发电运行数据资源，评估准确度和光伏利用效率不高。
有鉴于此，本发明提供一种配电网光储联合系统接入点薄弱性指数预测方法，以满足实际应用需要。
发明内容
本发明的目的是：为克服现有技术的不足，本发明提供一种配电网光储联合系统接入点薄弱性指数预测方法，从而获得配电网光储联合系统接入点薄弱性指数。
本发明所采用的技术方案是：一种配电网光储联合系统接入点薄弱性指数预测方法，其特征在于，包括如下步骤：
步骤1：建立配电网光储联合系统接入点薄弱性指数演化系统的时间序列：
在固定时间间隔对接入点有功、接入点无功、接入点电压、辐照强度、温度进行测量，接入点电压变化率测量值与接入点无功变化率测量值之差除以配电网电压变化率最大值与配电网无功变化率最大值之差作为配电网光储联合系统接入点薄弱性指数，即：
则，在一系列时刻tpc1,tpc2,...,tpcn，n为自然数，n＝1,2,…，得到接入点有功ppc，接入点无功qpc，接入点电压upc，辐照强度spc，温度Tpc的测量数据序列：
步骤2：构建测量数据序列的m维相空间：
设测量数据的时间序列为{pci}，其中i＝1,2,...,5n，并利用此特征量构造一组m维向量：
XPCi＝ψ(pci,pci-τ,...,pci-(m-1)τ)， (2)
其中，τ为延迟时间，m为嵌入维数；
步骤3：相空间重构后的蚁群粒子群算法处理：
步骤3.1：建立带有惩罚因子和约束函数的目标函数：
ypc＝minfmb(pcxi)+gcf(pcxi)+rys(pcxi) (3)
其中，式中pcxi为优化变量，fmb(pcxi)为目标函数，gcf(pcxi)为目标函数的惩罚因子，rys(pcxi)为目标函数约束项，ypc为待求的配电网光储联合系统接入点薄弱性指数；
步骤3.2：采用粒子群算法寻找初始源点：
将重构后的向量带入如下迭代公式，得到最优初始源点，即：
其中，为第k次迭代下粒子的速度，表示每个粒子目前为止所出现的最佳位置，表示所有粒子目前为止所出现的最佳位置，表示每个粒子当前所在位置，c1、c2表示学习常数，rand()表示0～1之间的随机数；
步骤3.3：状态转移概率的计算：
粒子从当前位置i到下一位置j的状态转移概率pi,j的计算公式为：
其中，下标i为当前蚂蚁能选择的节点，分别为i、j及i、j节点间启发信息值，τi,j、τi,s为i、j及i、s节点间信息素浓度，B为启发因子；
步骤3.4：信息素更新：
采用全局异步信息素更新，在每一只蚂蚁选择某个节点后，该节点的信息素进行如下更新：
τi,j＝(1-ρ)τi,j+ρ△τi,j (6)
式中，ρ为[0,1]区间上的可调参数，△τi,j为最短路径长度的倒数；
步骤4：配电网光储联合系统接入点薄弱性指数计算：
当粒子群算法满足精度要求Γ后，得到蚁群初始源点，再通过蚁群算法寻找最优解，当蚁群算法的迭代次数达到设定最大迭代次数nmax，算法终止，得到ypc即为配电网光储联合系统接入点薄弱性指数预测值。
本发明的有益效果是：本发明为配电网提供了一种配电网光储联合系统接入点薄弱性指数预测方法，对配电网及其内光储系统运行参数及气象环境参数进行实时监测，并根据监测参数对配电网光储联合系统接入点薄弱性指数进行预测计算，根据计算结果实时地对光储联合发电系统及配电网进行控制，能够有效避免配电网系统因光储接入带来的电压等问题，显著提高配电网电力系统在光储联合系统接入后的可靠性与经济性。
附图说明
图1为本发明实施例的目标函数迭代运算图。
具体实施方式
为了更好地理解本发明，下面结合实施例进一步阐明本发明的内容，但本发明的内容不仅仅局限于下面的实施例。本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样在本申请所列权利要求书限定范围之内。
如图1所示，本发明实施例提供的一种配电网光储联合系统接入点薄弱性指数预测方法，包括如下步骤：
步骤1：建立配电网光储联合系统接入点薄弱性指数演化系统的时间序列：
在固定时间间隔对接入点有功、接入点无功、接入点电压、辐照强度、温度进行测量，接入点电压变化率测量值与接入点无功变化率测量值之差除以配电网电压变化率最大值与配电网无功变化率最大值之差作为配电网光储联合系统接入点薄弱性指数，即：
则，在一系列时刻tpc1,tpc2,...,tpcn，n为自然数，n＝1,2,…，得到接入点有功ppc，接入点无功qpc，接入点电压upc，辐照强度spc，温度Tpc的测量数据序列：
步骤2：构建测量数据序列的m维相空间：
设测量数据的时间序列为{pci}，其中i＝1,2,...,5n，并利用此特征量构造一组m维向量：
XPCi＝ψ(pci,pci-τ,...,pci-(m-1)τ)， (2)
其中，τ为延迟时间，m为嵌入维数。
在本实施例中，τ＝2，m＝6。
步骤3：相空间重构后的蚁群粒子群算法处理：
步骤3.1：建立带有惩罚因子和约束函数的目标函数：
ypc＝minfmb(pcxi)+gcf(pcxi)+rys(pcxi) (3)
其中，式中pcxi为优化变量，fmb(pcxi)为目标函数，gcf(pcxi)为目标函数的惩罚因子，rys(pcxi)为目标函数约束项，ypc为待求的配电网光储联合系统接入点薄弱性指数。
步骤3.2：采用粒子群算法寻找初始源点：
将重构后的向量带入如下迭代公式，得到最优初始源点，即：
其中，为第k次迭代下粒子的速度，表示每个粒子目前为止所出现的最佳位置，表示所有粒子目前为止所出现的最佳位置，表示每个粒子当前所在位置，c1、c2表示学习常数，rand()表示0～1之间的随机数。
在本实施例中，c1＝5.0912,c2＝3.8897。
步骤3.3：状态转移概率的计算：
粒子从当前位置i到下一位置j的状态转移概率pi,j的计算公式为：
其中，下标i为当前蚂蚁能选择的节点，分别为i、j及i、j节点间启发信息值，τi,j、τi,s为i、j及i、s节点间信息素浓度，B为启发因子。
在本实施例中，取B＝0.9。
步骤3.4：信息素更新：
采用全局异步信息素更新，在每一只蚂蚁选择某个节点后，该节点的信息素进行如下更新：
τi,j＝(1-ρ)τi,j+ρ△τi,j (6)
式中，ρ为[0,1]区间上的可调参数，△τi,j为最短路径长度的倒数。
在本实施例中，τ＝0.6752，ρ＝0.29872。
步骤4：配电网光储联合系统接入点薄弱性指数计算：
当粒子群算法满足精度要求Γ后，得到蚁群初始源点，其中Γ＝0.00，1再通过蚁群算法寻找最优解，当蚁群算法的迭代次数达到设定最大迭代次数nmax＝39800，算法终止，解得ypc即为配电网光储联合系统接入点薄弱性指数预测值。
以上仅为本发明的实施例而已，并不用于限制本发明，因此，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (1)

1.一种配电网光储联合系统接入点薄弱性指数预测方法，其特征在于，包括如下步骤：
步骤1：建立配电网光储联合系统接入点薄弱性指数演化系统的时间序列：
在固定时间间隔对接入点有功、接入点无功、接入点电压、辐照强度、温度进行测量，接入点电压变化率测量值与接入点无功变化率测量值之差除以配电网电压变化率最大值与配电网无功变化率最大值之差作为配电网光储联合系统接入点薄弱性指数，即：
则，在一系列时刻tpc1,tpc2,...,tpcn，n为自然数，n＝1,2,…，得到接入点有功ppc，接入点无功qpc，接入点电压upc，辐照强度spc，温度Tpc的测量数据序列：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>ppc</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>ppc</mi> <mn>2</mn> </msub> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>ppc</mi> <mi>n</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>qpc</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>qpc</mi> <mn>2</mn> </msub> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>qpc</mi> <mi>n</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>upc</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>upc</mi> <mn>2</mn> </msub> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>upc</mi> <mi>n</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>spc</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>spc</mi> <mn>2</mn> </msub> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>spc</mi> <mi>n</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>Tpc</mi> <mn>1</mn> </msub> <mo>,</mo> <msub> <mi>Tpc</mi> <mn>2</mn> </msub> <mo>,</mo> <mo>...</mo> <mo>,</mo> <msub> <mi>Tpc</mi> <mi>n</mi> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
步骤2：构建测量数据序列的m维相空间：
设测量数据的时间序列为{pci}，其中i＝1,2,...,5n，并利用此特征量构造一组m维向量：
XPCi＝ψ(pci,pci-τ,...,pci-(m-1)τ)， (2)
其中，τ为延迟时间，m为嵌入维数；
步骤3：相空间重构后的蚁群粒子群算法处理：
步骤3.1：建立带有惩罚因子和约束函数的目标函数：
ypc＝minfmb(pcxi)+gcf(pcxi)+rys(pcxi) (3)
其中，式中pcxi为优化变量，fmb(pcxi)为目标函数，gcf(pcxi)为目标函数的惩罚因子，rys(pcxi)为目标函数约束项，ypc为待求的配电网光储联合系统接入点薄弱性指数；
步骤3.2：采用粒子群算法寻找初始源点：
将重构后的向量带入如下迭代公式，得到最优初始源点，即：
<mrow> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msubsup> <mi>v</mi> <mrow> <mi>i</mi> <mi>D</mi> </mrow> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>=</mo> <msubsup> <mi>v</mi> <mrow> <mi>i</mi> <mi>D</mi> </mrow> <mi>k</mi> </msubsup> <mo>+</mo> <msub> <mi>c</mi> <mn>1</mn> </msub> <mi>r</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mrow> <mo>(</mo> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msubsup> <mi>pb</mi> <mrow> <mi>i</mi> <mi>D</mi> </mrow> <mi>k</mi> </msubsup> <mo>-</mo> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>D</mi> </mrow> <mi>k</mi> </msubsup> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>c</mi> <mn>2</mn> </msub> <mi>r</mi> <mi>a</mi> <mi>n</mi> <mi>d</mi> <mrow> <mo>(</mo> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <msubsup> <mi>gb</mi> <mrow> <mi>i</mi> <mi>D</mi> </mrow> <mi>k</mi> </msubsup> <mo>-</mo> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>D</mi> </mrow> <mi>k</mi> </msubsup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>D</mi> </mrow> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> <mo>=</mo> <msubsup> <mi>x</mi> <mrow> <mi>i</mi> <mi>D</mi> </mrow> <mi>k</mi> </msubsup> <mo>+</mo> <msubsup> <mi>v</mi> <mrow> <mi>i</mi> <mi>D</mi> </mrow> <mrow> <mi>k</mi> <mo>+</mo> <mn>1</mn> </mrow> </msubsup> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>
其中，为第k次迭代下粒子的速度，表示每个粒子目前为止所出现的最佳位置，表示所有粒子目前为止所出现的最佳位置，表示每个粒子当前所在位置，c1、c2表示学习常数，rand()表示0～1之间的随机数；
步骤3.3：状态转移概率的计算：
粒子从当前位置i到下一位置j的状态转移概率pi,j的计算公式为：
<mrow> <msub> <mi>p</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mrow> <msub> <mi>&amp;tau;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <msubsup> <mi>&amp;eta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> <mi>B</mi> </msubsup> </mrow> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>s</mi> <mo>&amp;Element;</mo> <mi>I</mi> </mrow> </munder> <msub> <mi>&amp;tau;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>s</mi> </mrow> </msub> <msubsup> <mi>&amp;eta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>s</mi> </mrow> <mi>B</mi> </msubsup> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
其中，下标i为当前蚂蚁能选择的节点，分别为i、j及i、j节点间启发信息值，τi,j、τi,s为i、j及i、s节点间信息素浓度，B为启发因子；
步骤3.4：信息素更新：
采用全局异步信息素更新，在每一只蚂蚁选择某个节点后，该节点的信息素进行如下更新：
τi,j＝(1-ρ)τi,j+ρ△τi,j (6)
式中，ρ为[0,1]区间上的可调参数，△τi,j为最短路径长度的倒数；
步骤4：配电网光储联合系统接入点薄弱性指数计算：
当粒子群算法满足精度要求Γ后，得到蚁群初始源点，再通过蚁群算法寻找最优解，当蚁群算法的迭代次数达到设定最大迭代次数nmax，算法终止，得到ypc即为配电网光储联合系统接入点薄弱性指数预测值。
CN201710305174.2A 2017-05-03 2017-05-03 一种配电网光储联合系统接入点薄弱性指数预测方法 Pending CN107196328A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710305174.2A CN107196328A (zh) 2017-05-03 2017-05-03 一种配电网光储联合系统接入点薄弱性指数预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710305174.2A CN107196328A (zh) 2017-05-03 2017-05-03 一种配电网光储联合系统接入点薄弱性指数预测方法

Publications (1)

Publication Number Publication Date
CN107196328A true CN107196328A (zh) 2017-09-22

Family

ID=59872259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710305174.2A Pending CN107196328A (zh) 2017-05-03 2017-05-03 一种配电网光储联合系统接入点薄弱性指数预测方法

Country Status (1)

Country Link
CN (1) CN107196328A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107704959A (zh) * 2017-09-30 2018-02-16 深圳供电局有限公司 一种基于蚁群算法实现降维的电力系统网架重构方法
CN110798351A (zh) * 2019-10-30 2020-02-14 云南电网有限责任公司信息中心 基于pso及蚁群-遗传算法的电网故障探测点部署方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104485685A (zh) * 2014-11-26 2015-04-01 上海载物能源科技有限公司 适用于配网的光储一体化的自平衡控制方法及系统
CN106374531A (zh) * 2016-10-31 2017-02-01 国家电网公司 一种主动配电网光储能量交换指数评估方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104485685A (zh) * 2014-11-26 2015-04-01 上海载物能源科技有限公司 适用于配网的光储一体化的自平衡控制方法及系统
CN106374531A (zh) * 2016-10-31 2017-02-01 国家电网公司 一种主动配电网光储能量交换指数评估方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107704959A (zh) * 2017-09-30 2018-02-16 深圳供电局有限公司 一种基于蚁群算法实现降维的电力系统网架重构方法
CN107704959B (zh) * 2017-09-30 2021-06-15 深圳供电局有限公司 一种基于蚁群算法实现降维的电力系统网架重构方法
CN110798351A (zh) * 2019-10-30 2020-02-14 云南电网有限责任公司信息中心 基于pso及蚁群-遗传算法的电网故障探测点部署方法
CN110798351B (zh) * 2019-10-30 2022-07-29 云南电网有限责任公司信息中心 基于pso及蚁群-遗传算法的电网故障探测点部署方法

Similar Documents

Publication Publication Date Title
CN105760503B (zh) 一种快速计算图节点相似度的方法
CN110969290A (zh) 一种基于深度学习的径流概率预测方法及系统
CN110852902A (zh) 一种基于bas-bp的光伏发电功率预测方法
CN115994629B (zh) 一种基于gn-rbf的空气湿度预测方法及系统
CN116345578B (zh) 基于深度确定性策略梯度的微电网运行优化调度方法
Niu et al. Short‐term wind speed hybrid forecasting model based on bias correcting study and its application
Shavandi et al. A linear genetic programming approach for the prediction of solar global radiation
CN106374531A (zh) 一种主动配电网光储能量交换指数评估方法
CN108462180B (zh) 一种基于vine copula函数确定概率最优潮流的方法
CN107230003A (zh) 一种新能源发电系统的功率预测方法
CN107196328A (zh) 一种配电网光储联合系统接入点薄弱性指数预测方法
JPWO2015145978A1 (ja) エネルギー量推定装置、エネルギー量推定方法、及び、エネルギー量推定プログラム
Zhang et al. A method based on Lorenz disturbance and variational mode decomposition for wind speed prediction
CN118040678A (zh) 一种短期海上风电功率组合预测方法
Shen et al. A hybrid algorithm based on beluga whale optimization-forgetting factor recursive least square and improved particle filter for the state of charge estimation of lithium-ion batteries
CN116544931B (zh) 基于集成片段变换和时间卷积网络的电力负荷分布预测方法
Camas-Náfate et al. Optimizing Lithium-Ion Battery Modeling: A Comparative Analysis of PSO and GWO Algorithms
Ge et al. A FA-GWO-GRNN method for short-term photovoltaic output prediction
Nasri et al. Estimation of photovoltaic cells parameters using chaos embedded salp swarm algorithm
CN116562455A (zh) 风力发电机的气温预报数据处理方法、装置、计算机设备
CN113610665B (zh) 一种基于多延迟输出回声状态网的风力发电功率预测方法
CN116683467A (zh) 可调负荷虚拟发电能力评估方法及相关设备
CN113868916B (zh) 基于lfvpso-bpnn的多回路沟槽敷设电缆温升预测方法
Salisu et al. A hybrid PSO-ANFIS approach for horizontal solar radiation prediction in Nigeria
CN107171310A (zh) 一种配电网分布式光储发电系统电压波动抑制指数预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20170922