CN109190802B - 云储能环境下基于发电预测的多微网博弈优化方法 - Google Patents
云储能环境下基于发电预测的多微网博弈优化方法 Download PDFInfo
- Publication number
- CN109190802B CN109190802B CN201810914579.0A CN201810914579A CN109190802B CN 109190802 B CN109190802 B CN 109190802B CN 201810914579 A CN201810914579 A CN 201810914579A CN 109190802 B CN109190802 B CN 109190802B
- Authority
- CN
- China
- Prior art keywords
- microgrid
- energy storage
- cloud energy
- cloud
- benefit
- 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
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了云储能环境下基于发电预测的多微网博弈优化方法,属于电力系统自动化的技术领域。该方法以多微网与云储能交易收益最大为目标建立多微网系统的整体联合优化模型,将整体联合优化模型分解为以单个微网为主体的子系统模型,根据实时气象信息预测各主体的日前出力情况,各主体根据其它主体的历史数据预测其它主体的日前出力情况,以当前主体与云储能交易的售购电量为参与者并以其它主体与储能交易的售购电量为竞争者,通过寻求各主体利益最大化效益函数和云储能运营商收益最大化效益函数的纳什均衡点求解各子系统模型得到各主体的博弈策略集合,实现了各利益主体与云储能运营商整体的利益最大化及整个系统的资源最优配置。
Description
技术领域
本发明公开了云储能环境下基于发电预测的多微网博弈优化方法,属于电力系统自动化的技术领域。
背景技术
由于可再生能源间歇性、分布式资源分配不合理以及储能装置安装维修等成本因素的局限,可以预见不久的将来,在云储能环境下的多微网交易势必成为市场电能运营的主要方式,目前,还没有云储能环境下多微网交易的相关理论研究,本发明将利用发电预测技术探索如何科学合理地处理云储能运营商与微网之间的利益关系以实现配电网峰值减压、能源合理使用以及整个系统的资源共享,进而实现微网和云储能运营商的互利共赢。
由于多微网优化问题是一个高维、非线性的复杂优化问题,拟用分布式最优以达到整体最优的方式来实现,避免集中式传统优化方法计算复杂的缺陷;同时,在云储能运营商与微网的博弈优化过程中,传统的博弈优化方法并没有在博弈过程中考虑对博弈对手策略的估计以及气象信息的实时差异性影响,故博弈策略的有效性和时效性差,无法使系统整体效益达到最优。
发明内容
本发明的发明目的是针对上述背景技术的不足,提供了云储能环境下基于发电预测的多微网博弈优化方法,根据气象信息预测利益主体自身的日前出力情况,根据其它利益主体历史数据预测其它利益主体的日前出力情况,在实际博弈过程中,通过寻求各主体利益最大化效益函数和云储能运营商收益最大化效益函数的纳什均衡点得到各主体的博弈策略集合,从而实现各利益主体与云储能运营商整体的利益最大化,解决传统博弈策略有效性和时效性差导致整体效益不易达到最大化的技术问题。
本发明为实现上述发明目的采用如下技术方案:
云储能环境下基于发电预测的多微网博弈优化方法,以多微网与云储能交易收益最大为目标建立多微网系统的整体联合优化模型,将整体联合优化模型分解为以单个微网为主体的子系统模型,根据实时气象信息预测各主体的日前出力情况,各主体根据其它主体的历史数据预测其它主体的日前出力情况,以当前主体与云储能交易的售购电量为参与者并以其它主体与储能交易的售购电量为竞争者,通过寻求各主体利益最大化效益函数和云储能运营商收益最大化效益函数的纳什均衡点求解各子系统模型得到各主体的博弈策略集合,所述多微网系统的整体联合优化模型以多微网与云储能交易成本最小为目标函数且包含计及微网与云储能交易的售购电量的负荷平衡约束。
进一步的,云储能环境下基于发电预测的多微网博弈优化方法中,多微网系统的整体联合优化模型包含:
其中,f为多微网与云储能的交易成本;Cser为云储能运营商向微网收取的服务费单价;ti为微网i使用云储能服务的时间;为微网i在t时刻向云储能购买、销售的电量;分别为云储能运营商售、购电的实时电价;ε(·)为单位阶跃函数;为微网i在t时刻的负荷需求;Pi,t为t时刻微网i内储能充放电量的数值,充电时,Pi,t为正,放电时,Pi,t为负;为t时刻微网i内间歇式能源的发电量;为t时刻微网i内间歇式能源向其内部用户售电所得收益;为t时刻微网i与云储能进行交易的售购电量;Cu,low、Cu,high为云储能运营商制定的最低实时电价和最高实时电价;为t时刻微网i的线路损耗,Vim、Vin分别为微网i内任意节点m、节点n的电压;θim、θin分别为微网i内任意节点m、节点n的相角;gim,in为微网i内节点m与节点n之间的互电导。
再进一步的,云储能环境下基于发电预测的多微网博弈优化方法,利用分布式协调优化理论将整理联合优化模型分解为以单个微网为主体的子系统模型,以微网i为主体的子系统模型为:
再进一步的,云储能环境下基于发电预测的多微网博弈优化方法中,各主体利益最大化效益函数和云储能运营商收益最大化效益函数为:
fi为微网i利益,f2为云储能运营商收益,ηt为云储能运营商支付的维修运营费用,Cv,all为建造云储能所需的成本费用。
进一步的,云储能环境下基于发电预测的多微网博弈优化方法,通过训练神经网络对各主体的日前出力情况及其它主体的日前出力情况进行预测。
再进一步的,云储能环境下基于发电预测的多微网博弈优化方法,采用遗传算法确定神经网络的权值和阈值。
本发明采用上述技术方案,具有以下有益效果:针对以集中式储能设备为且以主分布式储能设备为辅的云储能模式下,实现多微网与云储能运营商之间的最大化效益,采用神经网络预测各主体的日前出力情形以克服博弈对手策略的估计及气象信息实时差异性对最优博弈策略的影响,考虑到博弈对手策略的估计及气象信息的实时差异性影响,在实际博弈过程中通过寻求各主体利益最大化效益函数和云储能运营商收益最大化效益函数的纳什均衡点得到各主体的最优博弈策略集合,从而实现各利益主体与云储能运营商整体的利益最大化,增加了博弈策略的有效性和时效性,进而实现整个系统资源的最优配置。
附图说明
图1为云储能环境下基于发电预测的多微网博弈优化方法的示意图。
具体实施方式
下面结合图1对发明的技术方案进行详细说明。本发明提出的云储能环境下基于发电预测的多微网博弈优化方案,通过各利益主体间相互预测进而实现整个系统资源共享、互利共赢的目标。
(一)根据多微网系统具备的联合互补特性建立多微网系统整体联合优化模型:
(1)优化目标:
其中,Cser为云储能运营商向微网收取的服务费单价;ti为微网i使用云储能服务的时间;为微网i在t时刻向云储能购买、销售的电量;分别为云储能运营商售、购电的实时电价;ε(·)为单位阶跃函数;为微网i在t时刻的负荷需求;Pi,t为t时刻微网i内储能充放电量的数值,充电时,Pi,t为正,放电时,Pi,t为负;为t时刻微网i内间歇式能源的发电量;为t时刻微网i内间歇式能源向其内部用户售电所得收益;i为正整数;t为时间尺度。
(2)负荷平衡约束:
其中,为t时刻微网i与云储能进行交易的售购电量;为t时刻微网i的线路损耗;Vim、Vin分别为微网i内任意节点m、节点n的电压;θim、θin分别为微网i内任意节点m、节点n的相角;gim,in为微网i内节点m与节点n之间的互电导。
(3)云储能运营商电价约束:
其中,Cu,low、Cu,high为云储能运营商制定的最低实时电价和最高实时电价。
(4)微网内间歇式能源出力约束:
(5)微网内储能装置的充放电约束:
(6)云储能设备的充放电约束:
(二)根据分布式协调优化理论将多微网系统整体联合优化模型分成以各微网为利益主体的子系统模型:
多微网作为一个整体进行研究时,系统结构复杂且计算难度大,较难准确对其进行预测研究,故用模块化网络的方法去实现预测:把一个复杂的系统分解成多个简单的子系统,分别用单独的网络去模拟。即用拆分的方式分别对各利益主体建模,一方面简化模型,方便网络的训练,另一方面也有利于提高模型的预测精度,通过对各个子系统进行研究从而实现对整个系统的研究。
各微网模型:
(三)建立神经网络模型以预测日前微网内间歇式能源的发力情况:
本申请将各主体的历史数据(包括各间歇式能源发电数据和负荷需求数据)及其对应的期望分别做为输入数据和原始目标来训练各主体的神经网络,再将气象信息做为各主体神经网络的输入数据来预测该主体的日前出力,将其它主体的历史数据做为各主体神经网络的输入数据来预测其它主体的日前出力。
(1)为了消除原始历史数据带来的不利影响,首先进行归一化预处理:
其中,pn、nn为原始目标、输入数据,Pn、Nn为归一化后的原始目标、输入数据,pmin、pmax、nmin、nmax为p、n中的最大值和最小值。
(2)对神经网络进行训练:
BP神经网络预测是一种单向传输的多层前向网络,包括输入层i、隐含层j以及输出层k,wij是输入层和隐含层节点之间的连接权值,wjk是隐含层和输出层节点之间的连接权值。隐含层和输出层节点的输入是前一层节点输出的加权和,每一节点的激励程度由它的激励函数来决定。隐含层神经元的传递函数采用S型正切函数tansig(),输出层神经元的传递函数采用S型对数函数logsig(),这是由于输出模式0-1正好满足网络的输出要求。通过设立网络和创建参数,利用归一后的原始数据对神经网络进行训练,最终得到第k个节点的网络实际输出为:Ok=f(nk),式中,f(nk)为激励函数:其中,Ok为第k个节点的网络实际输出,nk为输出层第k个节点的输入,θj表示偏置或阀值,正的θj的作用是使激励函数沿水平轴向右移,θo的作用是调节δ函数的形状。
(3)对神经网络的训练进行评估:
其中,MAPE为平均绝对百分比误差,N为数据总数,Pf为预测值,Pa为期望值,t为数据序号。对模型进行误差评估,并由此调整权值及参数。对于各子系统来说,通过训练好的神经网络及其它主体的历史数据可以预测其它利益主体当前出力的估计值,并以此类推预测其它利益主体下一时刻的出力估计值,一直到t=T时刻得到在T时刻的出力估计值为止。
(4)确定最终的神经网络预测模型:
BP神经网络对输入层与隐含层神经元之间的初始连接权值、隐含层与输出层神经元之间的初始连接权值、隐含层和输出层的初始阈值非常敏感。若初始参数设置不合理,将会引起神经网络收敛速度慢,算法陷入局部最优的困扰。因此,利用遗传算法来优化BP神经网络的初始权值和阈值,可以提高神经网络的收敛速度,同时减小算法陷入局部最优的可能性。
采用遗传算法对神经网络的权值和阈值进行编码得到初始种群,用训练得到的测试误差来计算适应度值,选择适应度高的个体进行复制,通过交叉变异操作得到新群体,判断是否满足神经网络训练迭代终止条件,不满足则继续对神经网络进行训练,满足则解码得到神经网络的最优权值和阈值。
(四)根据日前调度信息并基于非合作博弈理论确定纳什均衡解:
利用上述得到的神经网络模型对各利益主体内间歇式能源出力进行预测,并根据出力信息制定日前调度策略,云储能运营商根据各利益主体日前调度信息和配电网峰荷电价制定初始电价策略,各利益主体再根据云储能实时电价更新自身用电策略(即,各利益主体与云储能交易的售购电量),云储能运营商根据微网内负荷需求与云储能的自身储能容量更新云储能实时电价。如此循环迭代,直至各利益主体与云储能运营商策略误差达到理想精度。
从各利益主体角度出发,在其满足负荷需求时,计及间歇式能源出力成本作为参与调度的下限。各利益主体的收益是销售给云储能运营商和负荷侧的电能收入,各利益主体的效用函数为,
云储能运营商利用其规模效应,即各利益主体对储能的需求有一定的时间差异性与互补性,可以减少实际建造储能成本。在实际博弈中,云储能运营商的收益是各利益主体支付的服务费,以及各利益主体根据实际储能需求支付的动态电价收益,云储能运营商的效用函数:
其中,ηt为云储能运营商支付的维修运营等费用;Cv,all为建造云储能所需成本费用。
根据纳什均衡的定义显然可知,博弈的策略空间是欧式空间中非空紧凸集,所以只需证明效用函数是相应策略的连续拟凹函数,又因为各利益主体与云储能运营商的效用函数均为简单的一次函数,根据凹函数定义,线性函数显然是一类凹函数,即证明该博弈存在纯策略纳什均衡点。
本文追求各利益主体收益最大,以第m个利益主体为例,利用神经网络并根据气象信息估计自身日前出力情形以构建自身个体策略,利用神经网络并根据其它利益主体历史数据预测其它利益主体的日前出力情形以构建其它利益主体的个体策略将自身个体策略、其它利益主体的个体策略及云储能实时电价作为第m个利益主体子系统模型的输入,比较第m个利益主体的效用函数和云储能运营商的效用函数,在除了纳什均衡解(f1*,f2*)不存在其它解使得(f1,f2)≥(f1*,f2*)时求得的第m个子系统的解(即,第m个利益主体与云储能交易的售购电量)Xm,第m个利益主体的最优博弈策略集合um表示为为第m个利益主体预测的其它利益主体的个体策略集合,其中,为第n个利益主体的个体策略,,同理可推出其它利益主体的最优博弈策略集合。
Claims (3)
1.云储能环境下基于发电预测的多微网博弈优化方法,其特征在于,以多微网与云储能交易收益最大为目标建立多微网系统的整体联合优化模型,将整体联合优化模型分解为以单个微网为主体的子系统模型,根据实时气象信息预测各主体的日前出力情况,各主体根据其它主体的历史数据预测其它主体的日前出力情况,以当前主体与云储能交易的售购电量为参与者并以其它主体与储能交易的售购电量为竞争者,通过寻求各主体利益最大化效益函数和云储能运营商收益最大化效益函数的纳什均衡点求解各子系统模型得到各主体的博弈策略集合,所述多微网系统的整体联合优化模型以多微网与云储能交易成本最小为目标函数且包含计及微网与云储能交易的售购电量的负荷平衡约束;
其中,
所述多微网系统的整体联合优化模型包含:
其中,Cser为云储能运营商向微网收取的服务费单价;ti为微网i使用云储能服务的时间;为微网i在t时刻向云储能购买、销售的电量;分别为云储能运营商售、购电的实时电价;ε(·)为单位阶跃函数;为微网i在t时刻的负荷需求;Pi,t为t时刻微网i内储能充放电量的数值,充电时,Pi,t为正,放电时,Pi,t为负,Pi,min、Pi,max分别为微网i内储能容量的最小、最大值,分别为微网i内储能充放电的最大值;为t时刻微网i内间歇式能源的发电量;为t时刻微网i内间歇式能源向其内部用户售电所得收益;为t时刻微网i与云储能进行交易的售购电量;Cu,low、Cu,high为云储能运营商制定的最低实时电价和最高实时电价;为t时刻微网i的线路损耗,Vim、Vin分别为微网i内任意节点m、节点n的电压;θim、θin分别为微网i内任意节点m、节点n的相角;gim,in为微网i内节点m与节点n之间的互电导;
利用分布式协调优化理论将整理联合优化模型分解为以单个微网为主体的子系统模型,以微网i为主体的子系统模型为:
各主体利益最大化效益函数和云储能运营商收益最大化效益函数为:
fi为微网i利益,f2为云储能运营商收益,ηt为云储能运营商支付的维修运营费用,Cv,all为建造云储能所需的成本费用。
2.根据权利要求1所述云储能环境下基于发电预测的多微网博弈优化方法,其特征在于,通过训练神经网络对各主体的日前出力情况及其它主体的日前出力情况进行预测。
3.根据权利要求2所述云储能环境下基于发电预测的多微网博弈优化方法,其特征在于,采用遗传算法确定神经网络的权值和阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810914579.0A CN109190802B (zh) | 2018-08-13 | 2018-08-13 | 云储能环境下基于发电预测的多微网博弈优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810914579.0A CN109190802B (zh) | 2018-08-13 | 2018-08-13 | 云储能环境下基于发电预测的多微网博弈优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109190802A CN109190802A (zh) | 2019-01-11 |
CN109190802B true CN109190802B (zh) | 2020-12-29 |
Family
ID=64921581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810914579.0A Active CN109190802B (zh) | 2018-08-13 | 2018-08-13 | 云储能环境下基于发电预测的多微网博弈优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109190802B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109919658A (zh) * | 2019-01-25 | 2019-06-21 | 中国电力科学研究院有限公司 | 一种基于博弈论的负荷控制方法及系统 |
CN110011424B (zh) * | 2019-04-22 | 2023-05-23 | 常州工业职业技术学院 | 一种智能微电网分布式云储能系统安全稳定控制方法 |
CN110142764B (zh) * | 2019-05-15 | 2021-11-09 | 南京邮电大学 | 力矩姿态无线传感器的数据融合处理系统及处理方法 |
CN111049138B (zh) * | 2019-12-31 | 2021-04-20 | 四川大学 | 一种基于云储能系统的微电网多源协调优化的方法和装置 |
CN111555316B (zh) * | 2020-04-22 | 2021-06-04 | 清华大学 | 一种可参与电网辅助服务的分布式云储能调度控制方法 |
CN112016824B (zh) * | 2020-08-25 | 2023-01-10 | 国网四川省电力公司经济技术研究院 | 一种基于共享经济理念的储能资源匹配方法 |
CN112564102B (zh) * | 2020-12-11 | 2022-09-09 | 合肥工业大学 | 多微网负荷优化调度方法和系统 |
CN113065696A (zh) * | 2021-03-24 | 2021-07-02 | 广西大学 | 基于合作博弈和一致性算法的多微网协同优化调度方法 |
CN113421123B (zh) * | 2021-06-29 | 2024-04-09 | 国网安徽省电力有限公司电力科学研究院 | 含共享储能的点对点电能交易市场设计方法和装置 |
CN113807589B (zh) * | 2021-09-18 | 2024-01-26 | 广东电网有限责任公司 | 基于模型预测的运营商储能的滚动优化方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9733657B2 (en) * | 2013-06-19 | 2017-08-15 | Nec Corporation | Power system with an energy generator and a hybrid energy storage system |
CN103839109A (zh) * | 2013-10-19 | 2014-06-04 | 李涛 | 一种基于博弈纳什均衡的微网电源规划方法 |
CN105591406B (zh) * | 2015-12-31 | 2018-02-27 | 华南理工大学 | 一种基于非合作博弈的微电网能量管理系统的优化算法 |
-
2018
- 2018-08-13 CN CN201810914579.0A patent/CN109190802B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109190802A (zh) | 2019-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109190802B (zh) | 云储能环境下基于发电预测的多微网博弈优化方法 | |
CN110276698B (zh) | 基于多智能体双层协同强化学习的分布式可再生能源交易决策方法 | |
CN108599373B (zh) | 高比例可再生能源电力系统输配协调调度目标级联分析法 | |
CN113610303B (zh) | 一种负荷预测方法及系统 | |
He et al. | A community sharing market with PV and energy storage: An adaptive bidding-based double-side auction mechanism | |
Zhang et al. | Optimal bidding strategy and profit allocation method for shared energy storage-assisted VPP in joint energy and regulation markets | |
Li et al. | Probabilistic charging power forecast of EVCS: Reinforcement learning assisted deep learning approach | |
CN112381263B (zh) | 基于区块链分布式数据存储多微网日前鲁棒电能交易方法 | |
CN111079971A (zh) | 一种考虑车、站、网三方的充电站定价方法 | |
CN109919658A (zh) | 一种基于博弈论的负荷控制方法及系统 | |
CN112636338A (zh) | 一种基于边缘计算的负荷分区调控系统及方法 | |
CN112217195B (zh) | 一种基于gru多步预测技术的云储能充放电策略形成方法 | |
CN111553750A (zh) | 一种计及电价不确定性和损耗成本的储能竞价策略方法 | |
Gao et al. | Distributed energy trading and scheduling among microgrids via multiagent reinforcement learning | |
Zhang et al. | Trading-oriented battery energy storage planning for distribution market | |
CN116862551A (zh) | 一种考虑用户隐私保护的新能源消纳电价决策方法 | |
CN115313361A (zh) | 一种规模化可调资源的联合优化控制方法和装置 | |
CN109978236B (zh) | 一种基于特征组合的小水电短期功率精细化预测方法 | |
CN115204562A (zh) | 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统 | |
CN114169916A (zh) | 一种适应新型电力系统的市场成员报价策略制定方法 | |
Rouhani et al. | Soft clustering based probabilistic power flow with correlated inter temporal events | |
Qiu et al. | Local integrated energy system operational optimization considering multi‐type uncertainties: A reinforcement learning approach based on improved TD3 algorithm | |
CN114549148A (zh) | 虚拟电厂的竞价方法、装置、设备及存储介质 | |
Rahman et al. | On efficient operation of a V2G-enabled virtual power plant: when solar power meets bidirectional electric vehicle charging | |
Yuan et al. | Reserve capacity prediction of electric vehicles for ancillary service market participation |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 210003 Gulou District, Jiangsu, Nanjing new model road, No. 66 Applicant after: NANJING University OF POSTS AND TELECOMMUNICATIONS Address before: Yuen Road Qixia District of Nanjing City, Jiangsu Province, No. 9 210023 Applicant before: NANJING University OF POSTS AND TELECOMMUNICATIONS |
|
GR01 | Patent grant | ||
GR01 | Patent grant |