CN108985508B - 一种计及源荷协同的节点负荷预测方法 - Google Patents
一种计及源荷协同的节点负荷预测方法 Download PDFInfo
- Publication number
- CN108985508B CN108985508B CN201810731857.9A CN201810731857A CN108985508B CN 108985508 B CN108985508 B CN 108985508B CN 201810731857 A CN201810731857 A CN 201810731857A CN 108985508 B CN108985508 B CN 108985508B
- Authority
- CN
- China
- Prior art keywords
- load
- node
- renewable energy
- output
- theoretical
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000012706 support-vector machine Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 3
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000010248 power generation Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 9
- 238000005286 illumination Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002195 synergetic effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012261 overproduction Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种计及源荷协同的节点负荷预测方法,包括:获取节点负荷历史数据,包括负荷母线上的再生能源实际出力以及节点实际负荷;非参数估计拟合可再生能源出力曲线,还原限电状态下的可再生能源理论出力;还原负荷调节状态下的节点理论负荷;将节点理论负荷和可再生能源理论出力作为输入,实际节点负荷作为输出,训练神经网络;得到源荷协同的节点总负荷预测模型;基于支持向量机模型分别对节点理论负荷和可再生能源理论出力进行前期预测;将前期预测结果输入到节点总负荷预测模型进行预测,得到最终的节点负荷预测值。可以为未来电力系统运行与调度提供较为可靠的决策依据。
Description
技术领域
本发明涉及电气工程技术领域,特别是涉及一种计及源荷协同的节点负荷预测方法,该方法用于电力系统调度运行与控制。
背景技术
传统的节点负荷预测技术,是简单地对节点历史负荷数据进行处理,然后根据历史负荷数据的特点选择合适的预测模型进行预测。
然而随着可再生能源以集中、分布的形式大规模地接入中低压电网,节点上的潮流流向发生了相应的变化,同时可再生能源发电固有的随机性和间歇性也破坏了节点负荷的波动规律,需要在节点负荷预测过程中加入对可再生能源发电的预测。
而另一方面随着电力市场的逐渐完善和相应技术的不断进步,为配合消纳可再生能源发电具有主动调节特性的负荷(电动汽车、柔性负荷、需求侧响应等)在电网中的比例也会不断提高,电网节点上的电源和负荷属性的界限逐渐变得模糊。
此时节点负荷可以根据可再生能源发电的实际出力进行调整,而节点负荷的实际需求也会影响可再生能源发电的实际出力,两者之间已经出现了耦合关系,因此再进行节点负荷预测时就要考虑这种源荷协同的影响。
源荷协同是未来电力系统安全经济运行的必然趋势,因此有必要研究同时考虑可再生能源发电和主动负荷调节能力的节点负荷预测技术。
综上所述,现有技术中对于节点负荷预测时考虑可再生能源发电的实际出力这种源荷协同的影响问题,尚缺乏有效的解决方案。
发明内容
为了解决现有技术的不足,本发明提供了一种计及源荷协同的节点负荷预测方法,本方法从历史数据中还原节点上的理论负荷和可再生能源理论出力,以表征源荷协同对节点实际负荷的影响,进而在两者分别预测的基础上对源荷协同后的节点负荷进行预测,可以为未来电力系统运行与调度提供较为可靠的决策依据。
一种计及源荷协同的节点负荷预测方法,包括:
获取节点负荷历史数据,包括负荷母线上的再生能源实际出力以及节点实际负荷;
非参数估计拟合可再生能源出力曲线,还原限电状态下的可再生能源理论出力;
还原负荷调节状态下的节点理论负荷;
将节点理论负荷和可再生能源理论出力作为输入,实际节点负荷作为输出,训练神经网络;
得到源荷协同的节点总负荷预测模型;
基于支持向量机模型分别对节点理论负荷和可再生能源理论出力进行前期预测;
将前期预测结果输入到节点总负荷预测模型进行预测,得到最终的节点负荷预测值。
进一步优选的技术方案,所述可再生能源理论出力为可再生能源实际出力与可再生能源出力的调整量之和,所述节点理论负荷为节点实际负荷与负荷调整情况下可调节负荷的调整量之和。
进一步优选的技术方案,非参数估计拟合可再生能源出力曲线,还原限电状态下的可再生能源理论出力时,具体公式为:
其中x为可再生能源实际出力影响因素,x′i为非限电状态下的可再生能源实际的历史样本数据,y为可再生能源的出力,y′i为可再生能源出力的历史样本数据,n为历史数据的样本数量,K(·)为核函数,h为核函数领域的带宽;
将限电状态下已知的可再生能源实际出力数据带入上式,可求得可再生能源限电状态下的理论出力。
进一步优选的技术方案,还原负荷调节状态下的节点理论负荷时,根据负荷调节指令数据剔除负荷调节时段的节点实际负荷数据,采用自回归移动平均模型还原负荷调节状态下的节点理论负荷,具体模型如下:
其中{Yt}为节点负荷的时间序列,{et}为均值是零且独立同分布的白噪声序列,p,q分别为时间序列的滞后阶次,φp,θq分别是模型的自回归和移动平均部分的系数;
将非负荷调节状态下的节点实际负荷历史样本数据带入上式可求得节点理论负荷。
进一步优选的技术方案,源荷协同的节点总负荷预测模型为:
Lr=g(LAs,LBs)
其中g(·)是以神经网络模型形式表征源荷关联关系的函数,LBs为节点理论负荷,LAs为可再生能源限电状态下的理论出力,Lr为节点实际总负荷。
进一步优选的技术方案,基于支持向量机模型分别对节点理论负荷和可再生能源理论出力进行前期预测,支持向量机模型为:
其中xi为输入数据;yi为输出数据;p为状态变量的数量;n为训练样本的数量;C为支持向量机预测模型的超参数;ξi为松弛变量;φ(·)为将输入数据投射到高维空间的核函数;ω和b是支持向量机预测模型待求的参数。
进一步优选的技术方案,获取节点负荷历史数据后,还需要对节点负荷历史数据进行的处理包括:清洗节点负荷历史数据,剔除其中的不良数据,对节点上的可再生能源出力数据、可调节负荷数据和常规负荷数据进行分类整理。
与现有技术相比,本发明的有益效果是:
本方法采用多种数据统计方法从历史数据中还原节点上的理论负荷和风、光可再生能源理论出力,并深入挖掘理论负荷、出力与节点实际负荷的关联关系,通过机器学习模型表征源荷协同对节点实际负荷的影响,进而实现源荷协同后的节点负荷预测,充分利用了电力系统中不断发展、丰富的量测手段和数据,顺应未来能源互联网背景下电网节点源荷协同作用的必然趋势,为电力系统运行与调度提供更为可靠的决策依据。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明的流程图;
图2为本发明的节点负荷组成示意图
图3为本发明的节点负荷预测神经网络模型示意图
具体实施方式
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本申请的一种典型的实施方式中,如图1所示,一种计及源荷协同的节点负荷预测方法,包括以下步骤:
(1)从风电场、光伏电站获取风速、光照强度、数值天气预报、实际发电量等数据。从电网调度侧获取风、光可再生能源并网发电量数据,以及限电(风电场、光伏电站电量超发,影响电能质量,电网调度部门限制其发电)指令数据。从电网营销侧获取节点负荷数据,以及负荷调节(风电场、光伏电站发电不足,电网启动可中断负荷、柔性负荷等进行主动调节)指令数据;
(2)对节点上风、光可再生能源理论出力进行还原:1)剔除可再生能源限电状态下的数据,采用非参数估计方法拟合可再生能源出力曲线,再根据限电状态下的实际风速或光照强度还原可再生能源理论出力;
(3)统计销售端为应对可再生能源发电而主动调节的负荷需求,还原限电状态下的理论负荷;
(4)将历史数据中的节点理论负荷和可再生能源理论出力作为输入,实际节点负荷作为输出,训练神经网络模型,得到源荷协同的节点负荷预测模型;
基于天气预报数据和包括还原限电数据后的各类节点功率历史数据,使用支持向量机模型分别对节点理论负荷以及可再生能源理论出力进行前期预测;
(5)将节点理论负荷以及可再生能源理论出力的前期预测结果输入源荷协同的节点负荷预测模型,得到最终的节点负荷预测值。
更为详细的实施例子
下面结合附图与实施例对本发明作进一步说明。
如图1所示,一种计及源荷协同的节点负荷预测方法,其具体包括如下步骤:
(1)从风电场、光伏电站获取风速、光照强度、数值天气预报、实际发电量等数据。从电网调度侧获取风、光可再生能源并网发电量数据,以及限制发电(风电场、光伏电站电量超发,影响电能质量,电网调度部门限制其发电)指令数据。从电网营销侧获取节点负荷数据,以及负荷调节(风电场、光伏电站发电不足,电网启动可中断负荷、柔性负荷等进行主动调节)指令数据;
如图2所示,节点负荷由负荷母线上的风、光可再生能源出力以及常规负荷、可调节负荷共同组成,即:
Lr=LAr+LBr
其中Lr为节点实际总负荷,LAr为节点上风、光可再生能源实际出力,LBr为节点上实际负荷。
而受电网调度部门限制发电、负荷调节行为的影响,部分时间段风、光可再生能源理论出力与实际出力,节点理论负荷与实际负荷之间并不相等,即:
LAs=LAr+ΔLA
LBs=LBr+ΔLB
其中LAs为风、光可再生能源理论出力,ΔLA为限制发电情况下风、光可再生能源出力的调整量,LBs为节点理论负荷,ΔLB为负荷调整情况下可调节负荷的调整量。
在实际的节点总负荷预测过程中,LAr与LBr未知,不能作为输入量。因此为表征源荷协同作用对节点负荷预测造成的影响,需要挖掘风、光可再生能源理论出力、节点理论负荷与节点实际总负荷之间的关联关系,即:
Lr=f(LAs,LBs)
其中f(·)为表征特定关联关系的函数。
(2)将限制发电状态下的风、光可再生能源实际出力LAr还原为理论出力LAs:根据限制发电指令数据剔除限电时段的风、光可再生能源的出力数据,采用非参数估计方法拟合非限电状态下风、光可再生能源出力曲线,具体公式如下:
其中x为实际风速、实际光照强度等出力影响因素,x′i为非限电状态下的实际风速、实际光照强度等的历史样本数据,y为风电场、光伏电站的出力,y′i为风电场、光伏电站出力的历史样本数据,n为历史数据的样本数量,K(·)为核函数,h为核函数领域的带宽。
再将限电状态下已知的实际风速、实际光照强度等数据带入上式,可求得风、光可再生能源限电状态下的理论出力LAs;
(3)将负荷调节状态下的节点实际负荷LBr还原为理论负荷LBs:根据负荷调节指令数据剔除负荷调节时段的节点实际负荷数据,采用自回归移动平均模型还原负荷调节状态下的节点理论负荷LBs,具体模型如下:
其中{Yt}为节点负荷的时间序列,{et}为均值是零且独立同分布的白噪声序列,p,q分别为时间序列的滞后阶次,φp,θq分别是模型的自回归和移动平均部分的系数;
将非负荷调节状态下的节点实际负荷历史样本数据带入上式可求得节点理论负荷LBs;
(4)将历史数据中还原后的限制发电和负荷调节状态下的风、光可再生能源理论出力和节点理论负荷作为训练集输入,节点实际总负荷作为训练集输出,训练如图3所示神经网络模型,得到源荷协同的节点总负荷预测模型,即:
Lr=g(LAs,LBs)
其中g(·)是以神经网络模型形式表征源荷关联关系的函数。
(5)基于数值天气预报数据和还原后的节点各类功率历史数据,使用支持向量机模型分别对风、光可再生能源理论出力以及节点理论负荷进行前期预测,得到风、光可再生能源理论出力预测值LAp和节点理论负荷预测值LBp
具体预测模型如下:
节点理论负荷预测时,其中xi为输入数据,包含还原后的节点负荷历史数据、天气数据、典型日数据等;yi为输出数据,包含节点理论负荷的预测值。
可再生能源理论出力预测时,其中xi为输入数据,包含还原后的风电场、光伏电站等历史出力数据、天气预报数据、实际风速和光照强度数据等;yi为输出数据,包含节点可再生能源理论出力的预测值。
其中xi为输入数据,包含还原后的节点负荷历史数据、天气数据、典型日数据等;yi为输出数据,包含节点理论负荷的预测值以及风、光可再生能源理论出力的预测值;
p为状态变量的数量;n为训练样本的数量;C为支持向量机预测模型的超参数;ξi为松弛变量;φ(·)为将输入数据投射到高维空间的核函数;ω和b是支持向量机预测模型待求的参数;
(6)将风、光可再生能源理论出力预测值和节点理论负荷预测值结果输入步骤(4)得到的源荷协同的节点总负荷预测模型,得到最终的节点负荷预测值Lp,即:
Lp=g(LAp,LBp)
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (4)
1.一种计及源荷协同的节点负荷预测方法,其特征是,包括:
获取节点负荷历史数据,包括负荷母线上的可再生能源实际出力以及节点实际负荷;
非参数估计拟合可再生能源出力曲线,还原限电状态下的可再生能源理论出力,具体公式为:
其中x为可再生能源实际出力影响因素,x′i为非限电状态下的可再生能源实际出力影响因素的历史样本数据,y为可再生能源的出力,yi′为非限电状态下的可再生能源出力的历史样本数据,n为历史数据的样本数量,K(·)为核函数,h为核函数领域的带宽,将限电状态下已知的可再生能源实际出力数据带入上式,可求得可再生能源限电状态下的理论出力;
还原负荷调节状态下的节点理论负荷;
将节点理论负荷和可再生能源理论出力作为输入,实际节点负荷作为输出,训练神经网络;
得到源荷协同的节点总负荷预测模型,具体模型如下:
其中{Yt}为节点负荷的时间序列,{et}为均值是零且独立同分布的白噪声序列,p,q分别为时间序列的滞后阶次,φp,θq分别是模型的自回归和移动平均部分的系数,将非负荷调节状态下的节点实际负荷历史样本数据带入上式可求得节点理论负荷;
基于支持向量机模型分别对节点理论负荷和可再生能源理论出力进行前期预测,具体预测模型为:
其中xi为输入数据;yi为输出数据;p为状态变量的数量;n为训练样本的数量;C为支持向量机预测模型的超参数;ξi为松弛变量;φ(·)为将输入数据投射到高维空间的核函数;ω和b是支持向量机预测模型待求的参数;
将前期预测结果输入到节点总负荷预测模型进行预测,得到最终的节点负荷预测值。
2.如权利要求1所述的一种计及源荷协同的节点负荷预测方法,其特征是,所述可再生能源理论出力为可再生能源实际出力与可再生能源出力的调整量之和,所述节点理论负荷为节点实际负荷与负荷调整情况下可调节负荷的调整量之和。
3.如权利要求1所述的一种计及源荷协同的节点负荷预测方法,其特征是,源荷协同的节点总负荷预测模型为:
Lr=g(LAs,LBs)
其中g(·)是以神经网络模型形式表征源荷关联关系的函数,LBs为节点理论负荷,LAs为可再生能源限电状态下的理论出力,Lr为节点实际总负荷。
4.如权利要求1所述的一种计及源荷协同的节点负荷预测方法,其特征是,获取节点负荷历史数据后,还需要对节点负荷历史数据进行的处理包括:清洗节点负荷历史数据,剔除其中的不良数据,对节点上的可再生能源出力数据、可调节负荷数据和常规负荷数据进行分类整理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810731857.9A CN108985508B (zh) | 2018-07-05 | 2018-07-05 | 一种计及源荷协同的节点负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810731857.9A CN108985508B (zh) | 2018-07-05 | 2018-07-05 | 一种计及源荷协同的节点负荷预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985508A CN108985508A (zh) | 2018-12-11 |
CN108985508B true CN108985508B (zh) | 2020-08-14 |
Family
ID=64536197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810731857.9A Active CN108985508B (zh) | 2018-07-05 | 2018-07-05 | 一种计及源荷协同的节点负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985508B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109598386A (zh) * | 2018-12-12 | 2019-04-09 | 国网山东省电力公司临沂供电公司 | 一种基于深度学习的配网优化精准分析方法及系统 |
CN112311078B (zh) * | 2020-11-04 | 2022-03-22 | 华侨大学 | 一种基于信息融合的太阳能负载调节方法和装置 |
CN114358485A (zh) * | 2021-11-30 | 2022-04-15 | 国网山东省电力公司日照供电公司 | 一种源荷匹配性评估方法、系统、介质及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008430A (zh) * | 2014-05-29 | 2014-08-27 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
CN104657781A (zh) * | 2013-11-20 | 2015-05-27 | 江南大学 | 一种基于神经网络算法的电能消耗预测系统 |
CN105303266A (zh) * | 2015-11-23 | 2016-02-03 | 国网山东省电力公司经济技术研究院 | 一种准确估计风电功率预测误差区间的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140043184A (ko) * | 2012-09-28 | 2014-04-08 | 한국전자통신연구원 | 에너지 소비량 예측 장치 및 방법 |
-
2018
- 2018-07-05 CN CN201810731857.9A patent/CN108985508B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104657781A (zh) * | 2013-11-20 | 2015-05-27 | 江南大学 | 一种基于神经网络算法的电能消耗预测系统 |
CN104008430A (zh) * | 2014-05-29 | 2014-08-27 | 华北电力大学 | 一种构建拟境挖掘动态智能负荷预测模型的方法 |
CN105303266A (zh) * | 2015-11-23 | 2016-02-03 | 国网山东省电力公司经济技术研究院 | 一种准确估计风电功率预测误差区间的方法 |
Non-Patent Citations (3)
Title |
---|
《区域电力负荷中长期预测复杂性研究》;崔和瑞等;《电力学报》;20110831;第26卷(第4期);271-275 * |
《计及电压调节效应的电力系统协同调度》;孙东磊等;《电工技术学报》;20150930;第30卷(第17期);106-116 * |
《计及空间关联冗余的节点负荷预测方法》;韩学山等;《山东大学学报(工学版)》;20171231;第47卷(第6期);7-12,19 * |
Also Published As
Publication number | Publication date |
---|---|
CN108985508A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Two-stage volt/var control in active distribution networks with multi-agent deep reinforcement learning method | |
Yang et al. | Intelligent data-driven decision-making method for dynamic multisequence: An E-seq2seq-based SCUC expert system | |
CN106877338B (zh) | 含高密度间歇性能源的交直流微电网不确定优化运行方法 | |
CN108985508B (zh) | 一种计及源荷协同的节点负荷预测方法 | |
Karabacak et al. | Artificial neural networks for controlling wind–PV power systems: A review | |
CN110298138B (zh) | 一种综合能源系统优化方法、装置、设备及可读存储介质 | |
Xu et al. | Short-term photovoltaic power forecasting with weighted support vector machine | |
CN112039056A (zh) | 一种新能源两阶段优化调度方法 | |
CN112583017B (zh) | 考虑储能运行约束的混合微电网能量分配方法及系统 | |
CN114336702B (zh) | 基于双层随机规划的风光储场站群功率分配协同优化方法 | |
CN103390199A (zh) | 光伏发电量/发电功率预测装置 | |
CN112701687B (zh) | 考虑价格型联合需求响应的气电配网系统鲁棒优化运行方法 | |
CN111667109A (zh) | 一种虚拟电厂的出力控制方法及装置 | |
CN113052389A (zh) | 基于多任务的分布式光伏电站超短期功率预测方法及系统 | |
Saha | Adaptive model-based receding horizon control of interconnected renewable-based power micro-grids for effective control and optimal power exchanges | |
CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
Tungadio et al. | Energy flow estimation-control of two interconnected microgrids | |
Ceja-Espinosa et al. | An affine arithmetic-based energy management system for cooperative multi-microgrid networks | |
CN106355297A (zh) | 一种基于电解铝负荷特性的电网降损优化方法 | |
Hashmi et al. | Power energy management for a grid-connected PV system using rule-base fuzzy logic | |
CN112736902A (zh) | 一种基于stl分解的时间序列短期电力负荷预测方法 | |
Emamian et al. | Solar power forecasting with LSTM network ensemble | |
EP4027474A1 (en) | Power control device and power control method | |
Severiano et al. | Very short-term solar forecasting using multi-agent system based on Extreme Learning Machines and data clustering | |
Mansouri et al. | Neural networks in electric load forecasting: a comprehensive survey |
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 |