CN109242156A - 一种改进的快换式公交充电站短期负荷预测方法 - Google Patents
一种改进的快换式公交充电站短期负荷预测方法 Download PDFInfo
- Publication number
- CN109242156A CN109242156A CN201810940407.0A CN201810940407A CN109242156A CN 109242156 A CN109242156 A CN 109242156A CN 201810940407 A CN201810940407 A CN 201810940407A CN 109242156 A CN109242156 A CN 109242156A
- Authority
- CN
- China
- Prior art keywords
- population
- vector machine
- sub
- supporting vector
- square method
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000012804 iterative process Methods 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 description 3
- 235000008434 ginseng Nutrition 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (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
本发明公开了一种改进的快换式公交充电站短期负荷预测方法,所述预测方法包括以下步骤:步骤1:输入指标并对各输入指标进行数据预处理;步骤2:构建最小二乘支持向量机模型;步骤3:利用思维进化算法对最小二乘支持向量机模型的参数进行优化和预测。本发明通过思维进化算法对最小二乘支持向量机模型参数进行优化,取得的预测结果相比于基本最小二乘支持向量机模型和支持向量机模型。
Description
技术领域
本发明涉及公交充电站负荷预测技术领域,特别是涉及改进的快换式公交充电站短期负荷预测方法。
背景技术
面对近年来日益加剧的能源危机与环境问题,低碳城市已成为世界各地的共同追求。随着低碳城市的不断建设,电动公交车作为低碳城市的重要特征获得了十分迅速的发展。但是充电站作为电动公交车重要的配套设施,其负荷表现出较大的波动性、随机性和间歇性,为电网的优化调度和安全运行带来了新的挑战。这说明对其进行负荷特征分析与短期负荷预测方法的研究具有重要意义,一方面,对于电力系统发电机组最优组合、经济调度、最优潮流及电力市场交易等有着重要的意义;另一方面,给充电站自身的建设规划、能量管理、有序充电及经济性运行等提供了决策依据。与此同时,还可以有力的保障和推进低碳城市的建设发展。因此,有必要以当前实际商业化运营中的快换式公交充电站为契机,研究快换式公交充电站短期负荷预测方法。
目前,国内外学者对快换式公交充电站短期负荷预测开展了多项研究,大致分为两个方面,分别是统计预测模型和智能预测模型。统计预测模型是以概率和统计理论为基础进行的预测,其中最为常用的是蒙特卡洛方法,蒙特卡洛(Monte Car l o)方法是一种以概率和统计理论为基础的随机模拟方法,它依据居民出行调查的交通行为数据库,对用户的行驶行为采用确定的概率分布函数进行拟合,建立具有随机概率特征的数学模型来预测汽车在未来时段的充电时间、地点以及负荷需求,但是此类方法受函数参数的影响,分布参数的选取较随机,容易出现拟合估计不准确的问题,预测精度低。
最小二乘支持向量机(LSSVM)方法利用最小二乘线性系统作为损失函数,避免了二次规划的过程,同时利用核函数将预测问题转化为方程组的求解,将不等式约束转化为等式约束,增加了预测的准确度和速度,但是最小二乘支持向量机模型仍然存在惩罚系数和核参数盲目选择的问题。
因此在人工智能技术快速发展的时代背景下,希望有一种改进的快换式公交充电站短期负荷预测方法运用智能预测模型来进行快换式公交充电站负荷预测以解决现有技术中的问题。
发明内容
思维进化算法(mind evolutionary computation,MEC)具有较高的求解效率和极强的全局优化能力。思维进化算法在遗传算法的基础上增加了“趋同”和“异化”两个操作算法,趋同和异化分别负责局部和全局寻优,极大的提升了算法的整体搜索效率和全局优化能力。
本发明公开了一种改进的快换式公交充电站短期负荷预测方法,所述预测方法包括以下步骤:
步骤1:输入指标并对各输入指标进行数据预处理;
步骤2:构建最小二乘支持向量机模型;
步骤3:利用思维进化算法对最小二乘支持向量机模型的参数进行优化和预测。
优选地,所述步骤1中的指标包括:日类型、当日最高气温、当日最低气温、天气类型、日累计充电车辆数和预测日前3天同一时刻的负荷值,其中日类型包括工作日和节假日。
优选地,对所述步骤1中当日最高气温、当日最低气温、日累计充电车辆数和预测日前3天同一时刻的负荷值进行公式(1)的归一化处理:
其中,xi是实际值,xmin和xmax分别是样本数据的最小值和最大值,yi为归一化处理后的负荷值。
优选地,所述步骤2中构建最小二乘支持向量机模型包括:设给定样本集N为样本总数;则样本的回归模型为公式(2):
其中是训练样本投射到一个高维空间,w是加权向量,b是偏置;
最小二乘支持向量机模型的优化问题如公式(3)和(4):
s·t yi=wTφ(xi)+b+ξi,i=1,2,3,…N (4)
其中,γ为惩罚系数,用于平衡模型的复杂程度和精确性;ξi为估算误差;为解决公式(3)和(4)建立拉格朗日函数公式(5):
其中αi为拉格朗日乘子;
对函数的每个变量进行求导,并令其为零得公式(6):
消去w和ξi转化为以下问题,如公式(7):
其中公式(8)、(9)、(10)和(11)分别表示公式(7)中各参数:
en=[1,1,...,1]T (9)
α=[α1,α2,...,αn] (10)
y=[y1,y2,...,yn]T (11)
求解以上线性方程组得公式(12):
其中K(xi,x)为满足莫斯条件的核函数;以径向基核函数作为最小二乘支持向量机模型的核函数,表达式如公式(13):
K(xi,x)=exp{-||x-xi||2/2σ2} (13)
σ2表示核宽度,反映了训练数据集的特性。
优选地,所述步骤3利用思维进化算法对最小二乘支持向量机模型的核函数参数和惩罚参数进行优化和预测的具体步骤包括:
步骤3.1:选取训练集和测试集:训练集和测试集为最小二乘支持向量机模型所用,并为思维进化算法的初始化进行服务;
步骤3.2:思维进化算法初始化:设置思维进化算法的种群大小、优胜子种群个数、临时子种群个数、子种群大小、迭代次数以及与最小二乘支持向量机接口的参数;
步骤3.3:种群产生:产生初始种群、优胜子种群和临时子种群,为趋同操作和异化操作服务;
步骤3.4:趋同操作:在子种群内部,个体为成为优胜者而进行竞争,竞争过程为趋同,趋同过程结束的标志是通过迭代过程子种群内部不产生优胜者;
步骤3.5:异化操作:子种群之间进行全局竞争,若临时子种群得分高于成熟优胜子种群,则临时子种群替代该优胜子种群,该优胜子种群被解散;若临时子种群得分低于任意优胜子种群,则该临时子种群被淘汰和解散,在迭代过程中,异化操作将补充新的子种群;
步骤3.6:得到最优个体:当达到迭代结束条件时,思维进化算法停止优化,根据编码规则,对找到的最优个体进行解析,从而得到对应最小二乘支持向量机模型的核函数参数和惩罚参数;
步骤3.7:最小二乘支持向量机模型训练:在最小二乘支持向量机模型初始设置好初始参数,利用优化得到的核函数参数和惩罚参数,并用训练集样本对最小二乘支持向量机模型进行训练;
步骤3.8:仿真预测:对训练结果进行仿真测试,满足预期目标后,进行快换式公交充电站负荷预测,并对结果进行分析。
本发明公开了一种改进的快换式公交充电站短期负荷预测方法,本发明具有以下有益效果:
1.通过思维进化算法对最小二乘支持向量机模型参数进行优化,取得的预测结果相比于基本最小二乘支持向量机模型和支持向量机模型,其预测精度更高,鲁棒性更强;
2.本发明所提模型可以对不同地区、不同时间段的分布式能源系统负荷进行预测,并可以取得较为理想的预测效果,本发明所构建的模型适应性和稳定性较强。
附图说明
图1是本发明改进的快换式公交充电站短期负荷预测方法流程示意图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行更加详细的描述。在附图中,自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例,而不是全部的实施例。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明提出了一种改进的快换式公交充电站短期负荷预测,所述预测方法包括以下步骤:
步骤1:输入指标并对各输入指标进行数据预处理;
所述步骤1中的指标包括:日类型、当日最高气温、当日最低气温、天气类型、日累计充电车辆数和预测日前3天同一时刻的负荷值,其中日类型包括工作日和节假日。
对所述步骤1中当日最高气温、当日最低气温、日累计充电车辆数和预测日前3天同一时刻的负荷值进行公式(1)的归一化处理:
其中,xi是实际值,xmin和xmax分别是样本数据的最小值和最大值,yi为归一化处理后的负荷值。
步骤2:构建最小二乘支持向量机模型;
所述步骤2中构建最小二乘支持向量机模型包括:设给定样本集N为样本总数;则样本的回归模型为公式(2):
其中是训练样本投射到一个高维空间,w是加权向量,b是偏置;
最小二乘支持向量机模型的优化问题如公式(3)和(4):
s·t yi=wTφ(xi)+b+ξi,i=1,2,3,…N (4)
其中,γ为惩罚系数,用于平衡模型的复杂程度和精确性;ξi为估算误差;为解决公式(3)和(4)建立拉格朗日函数公式(5):
其中αi为拉格朗日乘子;
对函数的每个变量进行求导,并令其为零得公式(6):
消去w和ξi转化为以下问题,如公式(7):
其中公式(8)、(9)、(10)和(11)分别表示公式(7)中各参数:
en=[1,1,...,1]T (9)
α=[α1,α2,...,αn] (10)
y=[y1,y2,...,yn]T (11)
求解以上线性方程组得公式(12):
其中K(xi,x)为满足莫斯条件的核函数;以径向基核函数作为最小二乘支持向量机模型的核函数,表达式如公式(13):
K(xi,x)=exp{-||x-xi||2/2σ2} (13)
σ2表示核宽度,反映了训练数据集的特性。
所述步骤3利用思维进化算法对最小二乘支持向量机模型的核函数参数和惩罚参数进行优化和预测的具体步骤包括:
步骤3.1:选取训练集和测试集:训练集和测试集为最小二乘支持向量机模型所用,并为思维进化算法的初始化进行服务;
步骤3.2:思维进化算法初始化:设置思维进化算法的种群大小、优胜子种群个数、临时子种群个数、子种群大小、迭代次数以及与最小二乘支持向量机接口的参数;
步骤3.3:种群产生:产生初始种群、优胜子种群和临时子种群,为趋同操作和异化操作服务;
步骤3.4:趋同操作:在子种群内部,个体为成为优胜者而进行竞争,竞争过程为趋同,趋同过程结束的标志是通过迭代过程子种群内部不产生优胜者;
步骤3.5:异化操作:子种群之间进行全局竞争,若临时子种群得分高于成熟优胜子种群,则临时子种群替代该优胜子种群,该优胜子种群被解散;若临时子种群得分低于任意优胜子种群,则该临时子种群被淘汰和解散,在迭代过程中,异化操作将补充新的子种群;
步骤3.6:得到最优个体:当达到迭代结束条件时,思维进化算法停止优化,根据编码规则,对找到的最优个体进行解析,从而得到对应最小二乘支持向量机模型的核函数参数和惩罚参数;
步骤3.7:最小二乘支持向量机模型训练:在最小二乘支持向量机模型初始设置好初始参数,利用优化得到的核函数参数和惩罚参数,并用训练集样本对最小二乘支持向量机模型进行训练;
步骤3.8:仿真预测:对训练结果进行仿真测试,满足预期目标后,进行快换式公交充电站负荷预测,并对结果进行分析。
以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (5)
1.一种改进的快换式公交充电站短期负荷预测方法,其特征在于,所述预测方法包括以下步骤:
步骤1:输入指标并对各输入指标进行数据预处理;
步骤2:构建最小二乘支持向量机模型;
步骤3:利用思维进化算法对最小二乘支持向量机模型的参数进行优化和预测。
2.根据权利要求1所述的改进的快换式公交充电站短期负荷预测方法,其特征在于:所述步骤1中的指标包括:日类型、当日最高气温、当日最低气温、天气类型、日累计充电车辆数和预测日前3天同一时刻的负荷值。
3.根据权利要求2所述的改进的快换式公交充电站短期负荷预测方法,其特征在于:对所述步骤1中当日最高气温、当日最低气温、日累计充电车辆数和预测日前3天同一时刻的负荷值进行公式(1)的归一化处理:
其中,xi是实际值,xmin和xmax分别是样本数据的最小值和最大值,yi为归一化处理后的负荷值。
4.根据权利要求3所述的改进的快换式公交充电站短期负荷预测方法,其特征在于:所述步骤2中构建最小二乘支持向量机模型包括:设给定样本集N为样本总数;则样本的回归模型为公式(2):
其中是训练样本投射到一个高维空间,w是加权向量,b是偏置;
最小二乘支持向量机模型的优化问题如公式(3)和(4):
s·t yi=wTφ(xi)+b+ξi,i=1,2,3,…N (4)
其中,γ为惩罚系数,用于平衡模型的复杂程度和精确性;ξi为估算误差;
为解决公式(3)和(4)建立拉格朗日函数公式(5):
其中αi为拉格朗日乘子;
对函数的每个变量进行求导,并令其为零得公式(6):
消去w和ξi转化为以下问题,如公式(7):
其中公式(8)、(9)、(10)和(11)分别表示公式(7)中各参数:
en=[1,1,...,1]T (9)
α=[α1,α2,...,αn] (10)
y=[y1,y2,...,yn]T (11)
求解以上线性方程组得公式(12):
其中K(xi,x)为满足莫斯条件的核函数;以径向基核函数作为最小二乘支持向量机模型的核函数,表达式如公式(13):
K(xi,x)=exp{-||x-xi||2/2σ2} (13)
σ2表示核宽度,反映了训练数据集的特性。
5.根据权利要求4所述的改进的快换式公交充电站短期负荷预测方法,其特征在于:所述步骤3利用思维进化算法对最小二乘支持向量机模型的核函数参数和惩罚参数进行优化和预测的具体步骤包括:
步骤3.1:选取训练集和测试集:训练集和测试集为最小二乘支持向量机模型所用,并为思维进化算法的初始化进行服务;
步骤3.2:思维进化算法初始化:设置思维进化算法的种群大小、优胜子种群个数、临时子种群个数、子种群大小、迭代次数以及与最小二乘支持向量机接口的参数;
步骤3.3:种群产生:产生初始种群、优胜子种群和临时子种群,为趋同操作和异化操作服务;
步骤3.4:趋同操作:在子种群内部,个体为成为优胜者而进行竞争,竞争过程为趋同,趋同过程结束的标志是通过迭代过程子种群内部不产生优胜者;
步骤3.5:异化操作:子种群之间进行全局竞争,若临时子种群得分高于成熟优胜子种群,则临时子种群替代该优胜子种群,该优胜子种群被解散;若临时子种群得分低于任意优胜子种群,则该临时子种群被淘汰和解散,在迭代过程中,异化操作将补充新的子种群;
步骤3.6:得到最优个体:当达到迭代结束条件时,思维进化算法停止优化,根据编码规则,对找到的最优个体进行解析,从而得到对应最小二乘支持向量机模型的核函数参数和惩罚参数;
步骤3.7:最小二乘支持向量机模型训练:在最小二乘支持向量机模型初始设置好初始参数,利用优化得到的核函数参数和惩罚参数,并用训练集样本对最小二乘支持向量机模型进行训练;
步骤3.8:仿真预测:对训练结果进行仿真测试,满足预期目标后,进行快换式公交充电站负荷预测,并对结果进行分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810940407.0A CN109242156A (zh) | 2018-08-17 | 2018-08-17 | 一种改进的快换式公交充电站短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810940407.0A CN109242156A (zh) | 2018-08-17 | 2018-08-17 | 一种改进的快换式公交充电站短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109242156A true CN109242156A (zh) | 2019-01-18 |
Family
ID=65071682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810940407.0A Pending CN109242156A (zh) | 2018-08-17 | 2018-08-17 | 一种改进的快换式公交充电站短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242156A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132351A (zh) * | 2020-09-28 | 2020-12-25 | 华北电力大学 | 电动汽车充电负荷聚类预测方法及装置 |
CN114896883A (zh) * | 2022-05-13 | 2022-08-12 | 西安工程大学 | 一种基于mea-svm分类机的变压器故障诊断方法 |
-
2018
- 2018-08-17 CN CN201810940407.0A patent/CN109242156A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132351A (zh) * | 2020-09-28 | 2020-12-25 | 华北电力大学 | 电动汽车充电负荷聚类预测方法及装置 |
CN114896883A (zh) * | 2022-05-13 | 2022-08-12 | 西安工程大学 | 一种基于mea-svm分类机的变压器故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103683274B (zh) | 区域中长期风电发电量概率预测方法 | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
Soares et al. | Scenario generation for electric vehicles' uncertain behavior in a smart city environment | |
Feng et al. | Optimization of photovoltaic battery swapping station based on weather/traffic forecasts and speed variable charging | |
CN106022614A (zh) | 一种基于最近邻聚类的神经网络数据挖掘方法 | |
Ahmadian et al. | Optimal WDG planning in active distribution networks based on possibilistic–probabilistic PEVs load modelling | |
CN109800917A (zh) | 一种电动汽车停车场的规划方法、装置和计算设备 | |
CN106786977B (zh) | 一种电动汽车充电站的充电调度方法 | |
CN111401604A (zh) | 电力系统负荷功率预测方法及储能电站功率分配方法 | |
CN105809349A (zh) | 一种考虑来水相关性梯级水电站群的调度方法 | |
CN112613720B (zh) | 考虑多不确定性的水库灌溉优化调度方法 | |
CN105846425A (zh) | 一种基于通用风电预测误差模型的经济调度方法 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
Majidpour et al. | Fast demand forecast of electric vehicle charging stations for cell phone application | |
CN109034475A (zh) | 一种改进的变电站工程造价预测方法 | |
CN109242156A (zh) | 一种改进的快换式公交充电站短期负荷预测方法 | |
CN114707292B (zh) | 含电动汽车配电网电压稳定性分析方法 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
CN104102954A (zh) | 考虑黑启动功能的分布式综合供能系统的优化配置方法 | |
CN116961052A (zh) | 一种分布式储能系统的选址定容方法及系统 | |
CN108960485A (zh) | 一种源-荷互动电力市场下的在线字典学习概率最优潮流方法 | |
Aldridge et al. | Knowledge-based genetic algorithm for unit commitment | |
Jin et al. | Optimal EV scheduling and voltage security via an online bi-layer steady-state assessment method considering uncertainties | |
CN109858667A (zh) | 一种基于雷电气候对负荷影响的短期负荷聚类方法 | |
Zhang et al. | An individual evolutionary game model guided by global evolutionary optimization for vehicle energy station distribution |
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: 20190118 |