CN109657867A - 一种a类机组出力曲线分解方法 - Google Patents
一种a类机组出力曲线分解方法 Download PDFInfo
- Publication number
- CN109657867A CN109657867A CN201811597087.XA CN201811597087A CN109657867A CN 109657867 A CN109657867 A CN 109657867A CN 201811597087 A CN201811597087 A CN 201811597087A CN 109657867 A CN109657867 A CN 109657867A
- Authority
- CN
- China
- Prior art keywords
- class unit
- matrix
- data
- day
- class
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims abstract description 83
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000005303 weighing Methods 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明实施例公开了一种A类机组出力曲线分解方法,包括获取n个A类机组历史日96点出力数据,分别得到A类机组出力数据矩阵An_96和A类机组典型出力比例矩阵Bn_96;所述A类机组的典型出力分布遵循正态分布,通过正态分布获取随机数形成正态分布因子矩阵Cn_96;将所述An_96、Bn_96和Cn_96做哈达玛积运算,得到n个A类机组分解日96点负荷数据预测矩阵Dn_96和分解日96点总出力数据预测矩阵E1_96;获取分解日前A类机组总出力数据矩阵F1_96,将所述F1_96与E1_96相减得到M1_96,所述Bn_96中的bij与M1_96中的mj相乘得到偏差校正数据矩阵Gn_96;将所述Gn_96与Dn_96相加,得到n个A类机组分解日96点负荷数据矩阵。采用本发明,能够得到区域内分解日较为准确的各个A类机组96点的出力数据。
Description
技术领域
本发明涉及电力系统中负荷预测领域,特别是涉及一种A类机组出力曲线分解方法。
背景技术
伴随着我国电力行业的不断发展和人民生活水平的不断提高,各行各业对电能的需求越来越大。由于电能的生产和消费的同时性,且消耗是一个随机过程,电网存储成本高,准确且合理的电能配送才能满足各类用户的不同需求,使发电机组以及输电线路以最长寿命安全运行。电力现货市场在解决发用电分布不均衡及最大化的调整电力资源配置过程中发展了重要作用。我国在新一轮电力改革过程中也出现了“现货”的概念,这对于提升电力资源的优化配置及交易过程中的风险控制提供了新的路径。根据《广东电力市场信息披露实施细则(征求意见稿)》,现阶段公布信息中只公布了省内A类电源总出力预测曲线,并无各个A类机组预测的具体预测数据。A类机组出力曲线作为仿真出清算法的边界条件,所以A类机组出力曲线分解的准确性与节点价格仿真出清算法的输出结果有着强相关的关系目前,相关算法几乎没有被开发,此算法正好填补了这方面的空缺,对节点价格预测结果的准确性有着深远的意义。
发明内容
本发明为了解决上述问题,提供了一种A类机组出力曲线分解方法,可以在基于历史负荷数据做数学统计的同时,对分解日负荷做出较为准确的预测。
为了解决上述技术问题,本发明提供了一种A类机组出力曲线分解方法,所述方法包括:
获取n个A类机组历史日96点出力数据,分别得到A类机组出力数据矩阵An_96和A类机组典型出力比例矩阵Bn_96,其中,n为正整数;
所述A类机组的典型出力分布遵循正态分布,通过正态分布获取随机数形成正态分布因子矩阵Cn_96;
将所述An_96、Bn_96和Cn_96做哈达玛积运算,得到n个A类机组分解日96点负荷数据预测矩阵Dn_96和分解日96点总出力数据预测矩阵E1_96;
获取分解日前A类机组总出力数据矩阵F1_96,将所述F1_96与E1_96相减得到M1_96,所述Bn_96中的bij分别与M1_96中的mj相乘得到偏差校正数据矩阵Gn_96;
将所述Gn_96与Dn_96相加,得到n个A类机组分解日96点负荷数据矩阵。
其中,所述哈达玛积运算即同阶矩阵之间均位于第i行第j列的数据相乘后置于得到的矩阵的第i行第j列。
其中,所述A类机组出力数据矩阵中的数据,第i行代表第i个 A类机组历史日,第j列代表第j点的出力数据,其中,所述i为不大于n的正整数,所述j为不大于96的正整数。
其中,将所述A类机组出力数据矩阵中的每列数据求和得到的1 行96列的A类机组总出力数据矩阵sum1_96。
其中,所述A类机组典型出力比例矩阵Bn_96是将所述A类机组出力数据矩阵的第j列数据分别除以所述A类机组总出力数据矩阵 sum1_96的sumj得到的n行96列的矩阵。
其中,所述正态分布因子矩阵Cn_96包括在期望为1,标准差为 0.05的正态分布中抽取随机数形成的矩阵。
其中,将所述A类机组分解日96点负荷数据预测矩阵Dn_96的每列数据求和得到1行96列的分解日96点总出力数据预测矩阵E1_96。
本发明能够实现快速预测得到A类机组分解日96点负荷数据,并且对预测得到的数据进行校正,使分解结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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是本发明实施例提供的一种A类机组出力曲线分解方法的流程图;
图2是本发明实施例提供的一种A类机组出力曲线分解方法的示意图。
具体实施方式
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清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于发明中的实施例,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。
在可选实施例中,请参考图1,所述A类机组出力曲线分解方法包括:
S101、获取n个A类机组历史日96点出力数据,分别得到A类机组出力数据矩阵An_96和A类机组典型出力比例矩阵Bn_96。
所述96点出力数据,即把一天划分为96点(15min/点)的出力数据。
获取n个A类机组历史日96点出力数据,可根据所述n个A类机组历史日96点出力数据形成A类机组出力数据矩阵,如下式所示:
其中,Aij为第i个A类机组历史日在第j点的出力数据,其中,所述n为正整数,所述i为不大于n的正整数,所述j为不大于96的正整数。
所述A类机组总出力数据矩阵sum1_96就是将所述A类机组出力数据矩阵的每列数据相加得到的1行96列的矩阵,即:
所述A类机组典型出力比例矩阵Bn_96是将所述A类机组典型出力矩阵An_96的第j列数据分别除以所述A类机组总出力数据矩阵 sum1_96的sumj得到的1行96列的矩阵,即:
S102、所述A类机组的典型出力分布遵循正态分布,通过正态分布获取随机数形成正态分布因子矩阵Cn_96。
可以从期望为1,标准差为0.05的正态分布中抽取随机数组成1 行96列的正态分布因子矩阵,记为Cn_96。
S103、将所述An_96、Bn_96和Cn_96做哈达玛积运算,得到n个A 类机组分解日96点负荷数据预测矩阵Dn_96和分解日96点总出力数据预测矩阵E1_96。
哈达玛积(Hadamard product)是矩阵的一类运算,所述哈达玛积运算即同阶矩阵之间均位于第i行第j列的数据相乘后置于得到的矩阵的第i行第j列。也就是说,若A=(aij)和B=(bij)是两个同阶矩阵,若 cij=aij×bij,则称矩阵C=(cij)为A和B的哈达玛积,或称基本积。
其中,所述n个A类机组分解日96点负荷数据预测矩阵Dn_96可以表示为:
所述Dn_96还可以表示为:
所述分解日96点总出力数据预测矩阵E1_96就是将n个A类机组分解日96点负荷数据预测矩阵Dn_96的每列数据相加得到的,即:
所述分解日96点总出力数据预测矩阵E1_96可以表示为如下式所示:
S104、获取分解日前A类机组总出力数据矩阵F1_96,将所述F1_96与E1_96相减得到M1_96,所述Bn_96中的bij分别与M1_96中的mj相乘得到偏差校正数据矩阵Gn_96。
其中,所述分解日前A类机组总出力数据矩阵F1_96的获取方法与所述A类机组总出力数据矩阵sum1_96相似,首先获取分解日前n 个A类机组处理数据,整理为如下式所示的矩阵:
将所述Pren_96的列数据相加得到分解日前A类机组总出力数据矩阵F1_96。
所述分解日前A类机组总出力数据矩阵F1_96可以表示为:
所述F1_96与E1_96相减后可以得到M1_96,即:
所述偏差校正数据矩阵Gn_96是将Bn_96中的bij分别与M1_96中的 mj相乘得到,即所述A类机组典型出力比例矩阵Bn_96的第j列数据均乘以所述M1_96的第j列,如下式所示:
S105、将所述Gn_96与Dn_96相加,得到n个A类机组分解日96 点负荷数据矩阵。
所述n个A类机组分解日96点负荷数据矩阵可以表示为如下式所示:
本实施例在获取A类机组分解日96点负荷数据预测矩阵后,运用偏差校正数据矩阵对其进行校正,使预测结果更加可信。
在可选实施例中,请参考图2,所述A类机组出力曲线分解方法包括:
获取并收集整理得到n个A类机组历史日96点出力数据201。
通过获取n个A类机组历史日96点出力数据可得到n行96列的A类机组出力数据矩阵An_96,将所述A类机组出力数据矩阵的每列数据相加得到所述A类机组总出力数据矩阵Sum1_96202。
将所述A类机组出力数据矩阵An_96的第j列数据分别除以所述 A类机组总出力数据矩阵Sum1_96的aj得到所述A类机组典型出力比例矩阵Bn_96203。
根据1为期望,0.05为标准差的正态分布抽取随机数形成正态分布因子矩阵Cn_ 96204。
将所述An_96、Bn_96、Cn_96依次进行哈达玛积运算,得到A类机组分解日96点负荷数据预测矩阵Dn_96205。
将所述A类机组分解日96点负荷数据预测矩阵Dn_96的列数据相加得到1行96列的分解日96点总出力数据预测矩阵E1_96206。
获取分解日前A类机组总出力数据矩阵F1_96207。
将所述F1_96与E1_96相减得到M1_96208。
将Bn_96中的bij分别与M1_96中的mj相乘得到偏差校正数据矩阵 Gn_96209。
将Gn_96与Dn_96相加得到n个A类机组分解日96点负荷数据矩阵210。
本实施例中较为具体的实施方式可参考上一实施例,在此将不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本发明的保护范围。
Claims (7)
1.一种A类机组出力曲线分解方法,其特征在于,包括:
获取n个A类机组历史日96点出力数据,分别得到A类机组出力数据矩阵An_96和A类机组典型出力比例矩阵Bn_96,其中,n为正整数;
所述A类机组的典型出力分布遵循正态分布,通过正态分布获取随机数形成正态分布因子矩阵Cn_96;
将所述An_96、Bn_96和Cn_96做哈达玛积运算,得到n个A类机组分解日96点负荷数据预测矩阵Dn_96和分解日96点总出力数据预测矩阵E1_96;
获取分解日前A类机组总出力数据矩阵F1_96,将所述F1_96与E1_96相减得到M1_96,所述Bn_96中的bij分别与M1_96中的mj相乘得到偏差校正数据矩阵Gn_96;
将所述Gn_96与Dn_96相加,得到n个A类机组分解日96点负荷数据矩阵。
2.如权利要求1所述的A类机组出力曲线分解方法,其特征在于,所述哈达玛积运算即同阶矩阵之间均位于第i行第j列的数据相乘后置于得到的矩阵的第i行第j列。
3.如权利要求1所述的A类机组出力曲线分解方法,其特征在于,所述A类机组出力数据矩阵中的数据,第i行代表第i个A类机组历史日,第j列代表第j点的出力数据,其中,所述i为不大于n的正整数,所述j为不大于96的正整数。
4.如权利要求1所述的A类机组出力曲线分解方法,其特征在于,将所述A类机组出力数据矩阵中的每列数据求和得到的1行96列的A类机组总出力数据矩阵sum1_96。
5.如权利要求4所述的A类机组出力曲线分解方法,其特征在于,所述A类机组典型出力比例矩阵Bn_96是将所述A类机组出力数据矩阵的第j列数据分别除以所述A类机组总出力数据矩阵sum1_96的sumj得到的n行96列的矩阵。
6.如权利要求1所述的A类机组出力曲线分解方法,其特征在于,所述正态分布因子矩阵Cn_96包括在期望为1,标准差为0.05的正态分布中抽取随机数形成的n行96列的矩阵。
7.如权利要求1所述的A类机组出力曲线分解方法,其特征在于,将所述A类机组分解日96点负荷数据预测矩阵Dn_96的每列数据求和得到1行96列的分解日96点总出力数据预测矩阵E1_96。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811597087.XA CN109657867B (zh) | 2018-12-25 | 2018-12-25 | 一种a类机组出力曲线分解方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811597087.XA CN109657867B (zh) | 2018-12-25 | 2018-12-25 | 一种a类机组出力曲线分解方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109657867A true CN109657867A (zh) | 2019-04-19 |
CN109657867B CN109657867B (zh) | 2023-04-07 |
Family
ID=66116752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811597087.XA Active CN109657867B (zh) | 2018-12-25 | 2018-12-25 | 一种a类机组出力曲线分解方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109657867B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617564A (zh) * | 2013-12-04 | 2014-03-05 | 国家电网公司 | 基于区域负荷预测值综合评价的全网负荷预测方法 |
CN104992238A (zh) * | 2015-06-24 | 2015-10-21 | 国网山东省电力公司电力科学研究院 | 一种基于典型日负荷特性的电力负荷预测方法 |
CN105048499A (zh) * | 2015-07-24 | 2015-11-11 | 中国农业大学 | 基于模型预测控制的风电并网实时调度方法及装置 |
CN105528660A (zh) * | 2016-03-09 | 2016-04-27 | 湖南大学 | 一种基于日负荷曲线的变电站负荷模型参数预测方法 |
CN105989544A (zh) * | 2015-03-04 | 2016-10-05 | 国家电网公司 | 一种配电台区自适应短期负荷预测方法 |
-
2018
- 2018-12-25 CN CN201811597087.XA patent/CN109657867B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617564A (zh) * | 2013-12-04 | 2014-03-05 | 国家电网公司 | 基于区域负荷预测值综合评价的全网负荷预测方法 |
CN105989544A (zh) * | 2015-03-04 | 2016-10-05 | 国家电网公司 | 一种配电台区自适应短期负荷预测方法 |
CN104992238A (zh) * | 2015-06-24 | 2015-10-21 | 国网山东省电力公司电力科学研究院 | 一种基于典型日负荷特性的电力负荷预测方法 |
CN105048499A (zh) * | 2015-07-24 | 2015-11-11 | 中国农业大学 | 基于模型预测控制的风电并网实时调度方法及装置 |
CN105528660A (zh) * | 2016-03-09 | 2016-04-27 | 湖南大学 | 一种基于日负荷曲线的变电站负荷模型参数预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109657867B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Diaaeldin et al. | Optimal network reconfiguration in active distribution networks with soft open points and distributed generation | |
Arshad et al. | An analysis of photo-voltaic hosting capacity in finnish low voltage distribution networks | |
CN101764406B (zh) | 基于发电损失和负荷供应充裕度的检修计划安全评估方法 | |
Sauhats et al. | Estimating the economic impacts of net metering schemes for residential PV systems with profiling of power demand, generation, and market prices | |
Cao et al. | Incorporating power transmission bottlenecks into aggregated energy system models | |
Carpinelli et al. | Optimal sizing of battery storage systems for industrial applications when uncertainties exist | |
Almalaq et al. | Towards increasing hosting capacity of modern power systems through generation and transmission expansion planning | |
Shi et al. | Energy storage system sizing based on a reliability assessment of power systems integrated with wind power | |
Montoya et al. | Optimal location-reallocation of battery energy storage systems in DC microgrids | |
Bartecka et al. | Time-series PV hosting capacity assessment with storage deployment | |
Jin et al. | Location and capacity optimization of distributed energy storage system in peak-shaving | |
Junne et al. | Considering life cycle greenhouse gas emissions in power system expansion planning for Europe and North Africa using multi-objective optimization | |
Conti et al. | Multi-objective optimization of off-grid hybrid renewable energy systems in buildings with prior design-variable screening | |
Aschidamini et al. | Expansion planning of power distribution systems considering reliability: A comprehensive review | |
Sankaramurthy et al. | Rescheduling of generators with pumped hydro storage units to relieve congestion incorporating flower pollination optimization | |
Liu et al. | A three-stage hybrid model for space-time analysis of water resources carrying capacity: A case study of Jilin Province, China | |
Bie et al. | Online multiperiod power dispatch with renewable uncertainty and storage: A two-parameter homotopy-enhanced methodology | |
Kiptoo et al. | Assessing the techno-economic benefits of flexible demand resources scheduling for renewable energy–based smart microgrid planning | |
Hosseini et al. | Data-driven multi-resolution probabilistic energy and reserve bidding of wind power | |
Mannelli et al. | Discrete wavelet transform for the real-time smoothing of wind turbine power using li-ion batteries | |
Guzman-Henao et al. | Optimal integration of photovoltaic systems in distribution networks from a technical, financial, and environmental perspective | |
Goli et al. | Electric vehicle charging load allocation at residential locations utilizing the energy savings gained by optimal network reconductoring | |
Yang et al. | Optimal power flow in distribution network: A review on problem formulation and optimization methods | |
Sampaio et al. | Smart protection system for microgrids with grid-connected and islanded capabilities based on an adaptive algorithm | |
Kiptoo et al. | Optimal capacity and operational planning for renewable energy-based microgrid considering different demand-side management strategies |
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 |