CN108898262B - 一种考虑风电不确定性风险的风功率预测方法 - Google Patents

一种考虑风电不确定性风险的风功率预测方法 Download PDF

Info

Publication number
CN108898262B
CN108898262B CN201810835368.8A CN201810835368A CN108898262B CN 108898262 B CN108898262 B CN 108898262B CN 201810835368 A CN201810835368 A CN 201810835368A CN 108898262 B CN108898262 B CN 108898262B
Authority
CN
China
Prior art keywords
wind power
distribution
formula
risk
error
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.)
Active
Application number
CN201810835368.8A
Other languages
English (en)
Other versions
CN108898262A (zh
Inventor
杨佳俊
武奕彤
王志峰
魏延彬
黄兴
刘洋
马骁旭
张洪帅
尚新宇
张培杰
董金龙
段美琪
任新伟
王睿
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
Laiwu Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Laiwu Power Supply Co of State Grid Shandong 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, Laiwu Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201810835368.8A priority Critical patent/CN108898262B/zh
Publication of CN108898262A publication Critical patent/CN108898262A/zh
Application granted granted Critical
Publication of CN108898262B publication Critical patent/CN108898262B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

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)
  • Supply And Distribution Of Alternating Current (AREA)
  • Wind Motors (AREA)

Abstract

本发明提供一种考虑风电不确定性风险的风功率预测方法，在混合分布模型的基础上，提出以风险价值VaR作为训练目标的自适应混合不确定性概率建模方法，该方法首先采用历史风电数据生成训练集合，然后以风险价值VaR作为训练目标来更新训练样本，最后通过多轮学习，生成高精度日前风功率预测误差混合概率模型，能够有效提升发电经济性。

Description

一种考虑风电不确定性风险的风功率预测方法
技术领域
本发明涉及发电领域，尤其涉及一种考虑风电不确定性风险的风功率预测方法。
背景技术
经过长期的工程实践和全国“井喷式”的发展，风能发电已被证明是一种可靠的、可以被大规模开发利用的清洁能源。然而随着风能发电功率渗透率的进一步提高，风能自身的波动性、随机性对日前发电计划的准确制定带来了挑战。在目前风电功率预测误差普遍高达10％-20％的背景下，一方面风电电源的高渗透接入迫使调度机构在日前发电计划阶段购买大量的发电备用来维持日内电网运行的功率平衡，另一方面由于日内实际风功率出力远远偏离日前预测值，导致的系统被迫减负荷、弃风情况常态化，进而系统发电成本的激增，阻碍了风能发电功率接入电网比率的持续提升。
目前风功率预测多采用高精度的概率分布建模方法对日前风功率预测误差的分布边界进行精确建模，进一步保障日前发电计划兼具鲁棒性和经济性。然而在不确定性建模过程中,没有考虑到风功率预测不确定性尾部分布(误差高值区间)对日前发电计划经济性的影响要远远大于头部分布(误差低值区间)的事实，没有对预测不确定性尾部分布进行针对性建模，进而影响了系统经济性的进一步提升。
发明内容
本发明的目的就是为解决上述问题，提出一种考虑风电不确定性风险的风功率预测方法，用于提升含高渗透率风电电网调度计划经济性。
为实现上述目的，本发明采用如下技术方案：
方法包括：
步骤一：从历史观测数据中抽取包含不同特征信息的数据，组成训练集合S；
步骤二：基于加权后的i轮训练样本
Figure BDA0001744379190000021
进行第i∈[1,T]轮模型训练，生成第i个模型qi(·)；
步骤三：计算模型q(·)的误差
Figure BDA0001744379190000022
及对应的经济风险指标VaRi；
步骤四：根据第i轮的风险指标VaRi，由式(8)和式(9)加权得到第i+1轮的加权系数
Figure BDA0001744379190000023
Figure BDA0001744379190000024
Figure BDA0001744379190000025
Figure BDA0001744379190000026
步骤五：反复迭代步骤二至步骤四，通过对上述N个样本运用式(1)和式(8-10)，经过T轮的反复学习，通过式(11)最终生成将d个单一种类的理论分布函数fk(·)，k∈[1,d]，训练成1个高精度的日前风功率预测误差混合分布函数q(·)，如下式所示；
Figure BDA0001744379190000027
优选地，步骤一还包括：根据历史数据形成训练集合，包含：N个样本对，即
Figure BDA0001744379190000028
qN为根据实测值统计得出的经验分布概率，
Figure BDA0001744379190000029
为第N个风功率预测误差样本，包含M个实测风功率预测误差值；
Figure BDA0001744379190000031
为对于N个样本对的权重向量，其中对第i次循环、反复学习的j个样本集的权重记为
Figure BDA0001744379190000032
i∈[1,T]，j∈[1,N]，通过为较大误差样本赋予更高权重，实现对较大误差样本的反复学习以获得更加丰富的经验，达到提升建模精度的效果，
Figure BDA0001744379190000033
表达式为：
Figure BDA0001744379190000034
生成第i轮实际训练样本集合
Figure BDA0001744379190000035
优选地，步骤二还包括：qi(·)是指混合分布模型，模型如下：
Figure BDA0001744379190000036
式中q(·)为采用混合概率建模的风功率预测不确定性模型，β为实参数，fk(·)为基础概率分布模型，d为基础模型个数，e为建模残差；
计算出式(2)中模型参数β，γk，e，得到第i轮迭代产生的混合模型qi(·)。
优选地，步骤三还包括：所述VaRi是指风险价值，表征不同预测误差数值区间代表的不同经济风险，VaRα指在正常的市场条件和给定的置信水平α下，投资组合在未来Vt时间内最大损失不超过l的概率；如下式所示：
VaRα＝inf{l∈R,Pr(Vp·Vt≤l)≤α}α∈[0,1] (3)
式中R代表实数，Pr(·)为概率密度积分函数，置信度取α＝95％；
定义式(4)至式(7)所示的经济风险函数，实测风功率预测误差分布(经验分布)与拟合分布之差，与发电备用价格的乘积表征由误差建模不确定性带来的发电备用经济风险；
∫p(ε)dε＝1 (4)
∫q(ε)dε＝1 (5)
SR(ε)＝∫|p(ε)-q(ε)|·r·εdε (6)
Figure BDA0001744379190000041
式中ε为日前风功率预测误差，p(ε)为预测误差的实测经验分布模型，q(ε)为拟合后的理论分布模型，SR(ε)为预测误差引起的经济损失，F(ε)为经济风险计算函数，r为发电备用的价格；经济风险指标VaR通过映射函数F(·)将中间高两边低的误差分布函数，映射成中间值低尾部值高的形状，以提升混合建模过程中对风功率预测误差分布尾部的建模精度，降低日前发电计划的经济损失提升发电经济效益。
优选地，步骤一之前还包括：实时采集风能发电的风功率数据，将采集的风功率数据储存至数据储存装置中。
从以上技术方案可以看出，本发明具有以下优点：
本发明的考虑风电不确定性风险的风功率预测方法，在混合分布模型的基础上，提出以风险价值VaR作为训练目标的自适应混合不确定性概率建模方法，该方法首先采用历史风电数据生成训练集合，然后以风险价值VaR作为训练目标来更新训练样本，最后通过多轮学习，生成高精度日前风功率预测误差混合概率模型。本发明能够有效提升发电经济性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为考虑风电不确定性风险的风功率预测方法流程图。
具体实施方式
本发明提供一种考虑风电不确定性风险的风功率预测方法，如图1所示，包括以下步骤：
步骤一：从历史观测数据中抽取包含不同特征信息的数据，组成训练集合S；
具体为：根据历史数据形成训练集合，包含：N个样本对，即
Figure BDA0001744379190000051
qN为根据实测值统计得出的经验分布概率，
Figure BDA0001744379190000059
为第N个风功率预测误差样本，包含M个实测风功率预测误差值。
Figure BDA0001744379190000053
为对于N个样本对的权重向量，其中对第i次循环、反复学习的j个样本集的权重记为
Figure BDA0001744379190000054
i∈[1,T]，j∈[1,N]，通过为较大误差样本赋予更高权重，实现对较大误差样本的反复学习以获得更加丰富的经验，达到提升建模精度的效果，
Figure BDA0001744379190000055
表达式为：
Figure BDA0001744379190000056
生成第i轮实际训练样本集合
Figure BDA0001744379190000057
步骤二：基于加权后的i轮训练样本
Figure BDA0001744379190000058
进行第i∈[1,T]轮模型训练，生成第i个模型qi(·)；
所述步骤二中qi(·)是指混合分布模型，如下：
Figure BDA0001744379190000061
式中q(·)为采用混合概率建模的风功率预测不确定性模型，β为实参数，fk(·)为基础概率分布模型，d为基础模型个数，e为建模残差。
计算出式(2)中模型参数β，γk，e，得到第i轮迭代产生的混合模型qi(·)。
步骤三：计算模型q(·)的误差
Figure BDA0001744379190000062
及对应的经济风险的指标VaRi；
所述VaRi是指风险价值，表征不同预测误差数值区间代表的不同经济风险，VaRα指在正常的市场条件和给定的置信水平α下，投资组合在未来Vt时间内最大损失不超过l的概率。如下式所示：
VaRα＝inf{l∈R,Pr(Vp·Vt≤l)≤α}α∈[0,1] (3)
式中R代表实数，Pr(·)为概率密度积分函数，置信度取α＝95％。
定义式(4)至式(7)的经济风险函数，实测风功率预测误差分布(经验分布)与拟合分布之差，与发电备用价格的乘积表征由误差建模不确定性带来的发电备用经济风险。
∫p(ε)dε＝1 (4)
∫q(ε)dε＝1 (5)
SR(ε)＝∫|p(ε)-q(ε)|·r·εdε (6)
Figure BDA0001744379190000063
式中ε为日前风功率预测误差，p(ε)为预测误差的实测经验分布模型，q(ε)为拟合后的理论分布模型，SR(ε)为预测误差引起的经济损失，F(ε)为经济风险计算函数，r为发电备用的价格。经济风险指标VaR通过映射函数F(·)将中间高两边低的误差分布函数，映射成中间值低尾部值高的形状，以提升混合建模过程中对风功率预测误差分布尾部的建模精度，最终降低日前发电计划的经济损失提升发电经济效益。
步骤四：根据第i轮的风险指标VaRi，通过式(8)和式(9)加权得到第i+1轮的加权系数
Figure BDA0001744379190000071
Figure BDA0001744379190000072
Figure BDA0001744379190000073
Figure BDA0001744379190000074
步骤五：反复迭代步骤二至步骤四，通过对上述N个样本运用式(1)和式(8-10)，经过T轮的反复学习，通过式(11)最终生成将d个单一种类的理论分布函数fk(·)，k∈[1,d]，训练成1个高精度的日前风功率预测误差混合分布函数q(·)，如下式所示。
Figure BDA0001744379190000075
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (4)

1.一种考虑风电不确定性风险的风功率预测方法，其特征在于，方法包括：
步骤一：从历史观测数据中抽取包含不同特征信息的数据，组成训练集合S；
根据历史数据形成训练集合，包含：N个样本对，即
Figure FDA0003065397830000011
qN为根据实测值统计得出的经验分布概率，
Figure FDA0003065397830000012
为第N个风功率预测误差样本，包含M个实测风功率预测误差值；
Figure FDA0003065397830000013
为对于N个样本对的权重向量，其中对第i次循环、反复学习的j个样本集的权重记为
Figure FDA0003065397830000014
通过为较大误差样本赋予更高权重，实现对较大误差样本的反复学习以获得更加丰富的经验，达到提升建模精度的效果，
Figure FDA0003065397830000015
表达式为：
Figure FDA0003065397830000016
生成第i轮实际训练样本集合
Figure FDA0003065397830000017
步骤二：基于加权后的i轮训练样本
Figure FDA0003065397830000018
进行第i∈[1,T]轮模型训练，生成第i个模型qi(·)；
步骤三：计算模型q(·)的误差
Figure FDA0003065397830000019
及对应的经济风险指标VaRi；
步骤四：根据第i轮的风险指标VaRi，由式(8)和式(9)加权得到第i+1轮的权重向量
Figure FDA00030653978300000110
Figure FDA00030653978300000111
Figure FDA00030653978300000112
Figure FDA0003065397830000021
步骤五：反复迭代步骤二至步骤四，通过对上述N个样本运用式(1)和式(8-10)，经过T轮的反复学习，通过式(11)最终生成将d个单一种类的理论分布函数fk(·)，k∈[1,d]，训练成1个高精度的日前风功率预测误差混合分布函数q(·)，如下式所示；
Figure FDA0003065397830000022
2.根据权利要求1所述的考虑风电不确定性风险的风功率预测方法，其特征在于，
步骤二还包括：qi(·)是指混合分布模型，模型如下：
Figure FDA0003065397830000023
式中q(·)为采用混合概率建模的风功率预测不确定性模型，β为实参数，fk(·)为基础概率分布模型，d为基础模型个数，e为建模残差；
计算出式(2)中模型参数β，γk，e，得到第i轮迭代产生的混合模型qi(·)。
3.根据权利要求1所述的考虑风电不确定性风险的风功率预测方法，其特征在于，
步骤三还包括：所述VaRi是指风险价值，表征不同预测误差数值区间代表的不同经济风险，VaRα指在正常的市场条件和给定的置信水平α下，投资组合在未来Δt时间内最大损失不超过l的概率；如下式所示：
Figure FDA0003065397830000031
式中
Figure FDA0003065397830000032
代表实数，Pr(·)为概率密度积分函数，置信度取α＝95％；
定义了式(4)至式(7)所示的对于日前发电计划的经济风险函数，式(6)中表示了实测风功率预测误差分布与拟合分布之差与发电备用价格的乘积，乘积通过式(7)表示了由误差建模不确定性带来的发电备用经济风险；
∫p(ε)dε＝1 (4)
∫q(ε)dε＝1 (5)
SR(ε)＝∫|p(ε)-q(ε)|·r·εdε (6)
Figure FDA0003065397830000033
式中ε为日前风功率预测误差，p(ε)为预测误差的实测经验分布模型，q(ε)为拟合后的理论分布模型，SR(ε)为预测误差引起的经济损失，F(ε)为经济风险计算函数，r为发电备用的价格；经济风险指标VaR通过映射函数F(·)将中间高两边低的误差分布函数，映射成中间值低尾部值高的形状，以提升混合建模过程中对风功率预测误差分布尾部的建模精度，降低日前发电计划的经济损失提升发电经济效益。
4.根据权利要求1所述的考虑风电不确定性风险的风功率预测方法，其特征在于，
步骤一之前还包括：实时采集风能发电的风功率数据，将采集的风功率数据储存至数据储存装置中。
CN201810835368.8A 2018-07-26 2018-07-26 一种考虑风电不确定性风险的风功率预测方法 Active CN108898262B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810835368.8A CN108898262B (zh) 2018-07-26 2018-07-26 一种考虑风电不确定性风险的风功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810835368.8A CN108898262B (zh) 2018-07-26 2018-07-26 一种考虑风电不确定性风险的风功率预测方法

Publications (2)

Publication Number Publication Date
CN108898262A CN108898262A (zh) 2018-11-27
CN108898262B true CN108898262B (zh) 2021-08-06

Family

ID=64351916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810835368.8A Active CN108898262B (zh) 2018-07-26 2018-07-26 一种考虑风电不确定性风险的风功率预测方法

Country Status (1)

Country Link
CN (1) CN108898262B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903067A (zh) * 2014-04-09 2014-07-02 上海电机学院 风电功率短期组合预测方法
CN105354643A (zh) * 2015-11-24 2016-02-24 国网四川省电力公司经济技术研究院 一种风电接入电网的风险预测评估方法
CN108154256A (zh) * 2017-11-27 2018-06-12 国网北京市电力公司 预测风险值的确定方法及装置、存储介质
CN108233357A (zh) * 2016-12-15 2018-06-29 中国电力科学研究院 基于非参数概率预测及风险期望的风电日前消纳优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140324495A1 (en) * 2013-02-22 2014-10-30 Vestas Wind Systems A/S Wind turbine maintenance optimizer

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103903067A (zh) * 2014-04-09 2014-07-02 上海电机学院 风电功率短期组合预测方法
CN105354643A (zh) * 2015-11-24 2016-02-24 国网四川省电力公司经济技术研究院 一种风电接入电网的风险预测评估方法
CN108233357A (zh) * 2016-12-15 2018-06-29 中国电力科学研究院 基于非参数概率预测及风险期望的风电日前消纳优化方法
CN108154256A (zh) * 2017-11-27 2018-06-12 国网北京市电力公司 预测风险值的确定方法及装置、存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A comparison of various forecasting techniques applied to mean hourly wind speed time series;Sfetsos A;《Renewable energy》;20001231;第23-35页 *
基于条件风险价值的含风电电力系统旋转备用效益研究;刘兴宇等;《电工技术学报》;20170531;第169-178页 *

Also Published As

Publication number Publication date
CN108898262A (zh) 2018-11-27

Similar Documents

Publication Publication Date Title
CN109462231B (zh) 居民微电网的负荷优化调度方法、系统和存储介质
CN103390116B (zh) 采用分步方式的光伏电站发电功率预测方法
CN112700027B (zh) 用于电功率预测模型的多精度指标综合评价方法及系统
WO2017054537A1 (zh) 一种长时间尺度光伏出力时间序列建模方法及装置
CN103996079B (zh) 一种基于条件概率的风电功率加权预测方法
CN108985521A (zh) 光伏发电系统的输出功率预测方法、装置、设备及介质
CN106126944B (zh) 一种电力变压器顶层油温区间预测方法及系统
CN103985000B (zh) 基于函数型非参数回归的中长期典型日负荷曲线预测方法
WO2022110582A1 (zh) 一种基于基流分割和人工神经网络模型的径流预报方法
CN104376389A (zh) 基于负载均衡的主从式微电网功率负荷预测系统及其方法
CN102510059A (zh) 基于bp神经网络的超短期风电功率预测方法
CN103065202A (zh) 一种基于组合核函数的风电场超短期风速预测方法
CN114784823A (zh) 基于深度确定性策略梯度的微电网频率控制方法及系统
CN104657584A (zh) 一种基于Lorenz系统的风速预测方法
CN109087215A (zh) 多风电场输出功率联合概率密度预测方法
CN112072643A (zh) 一种基于深度确定性梯度策略的光-蓄系统在线调度方法
CN112836876B (zh) 一种基于深度学习的配电网线路负荷预测方法
CN106529075B (zh) 一种考虑分时段的非线性模拟风速方法
CN108898262B (zh) 一种考虑风电不确定性风险的风功率预测方法
CN106910010A (zh) 一种主动配电网不确定性潮流分析方法及装置
CN115765044B (zh) 风光水电系统联合运行及风险分析方法和系统
CN116565876A (zh) 一种鲁棒强化学习的配网潮流优化方法及计算机可读介质
CN116485004A (zh) 一种基于功率热图和卷积神经网络的风电功率预测方法
CN114336607B (zh) 计及源荷双侧不确定性的电网经济运行域生成方法及系统
CN109960882A (zh) 预报热带气旋生成频数的方法、装置、设备及存储介质

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
GR01 Patent grant
GR01 Patent grant