CN109946968B - 一种楼宇内分布式能源匹配系统和方法 - Google Patents
一种楼宇内分布式能源匹配系统和方法 Download PDFInfo
- Publication number
- CN109946968B CN109946968B CN201910236169.XA CN201910236169A CN109946968B CN 109946968 B CN109946968 B CN 109946968B CN 201910236169 A CN201910236169 A CN 201910236169A CN 109946968 B CN109946968 B CN 109946968B
- Authority
- CN
- China
- Prior art keywords
- energy
- building
- matching model
- optimal
- adjustment strategy
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种楼宇内分布式能源匹配系统和方法,所述系统包括:自主学习装置、数据采集装置、云平台和能源分布控制器。本发明通过能源调整策略的传输实现云平台与终端用能装置间最少的数据传输,在终端用能装置控制上由能源分布控制器提取与所述能源调整策略相对应的任务分解指令实现具体的能源匹配控制。最终实现减少远程网络传输,终端控制终端的效果,进而增强本地数据采集和控制能力,在出现紧急情况时也能够及时处置。
Description
技术领域
本发明涉及能源控制技术领域,尤其涉及一种楼宇内分布式能源匹配系统和方法。
背景技术
随着信息技术和能源技术的快速发展,以5G、大数据、云平台、人工智能、物联网、分布式能源、储能技术、能源互联网、自能源体为代表的“互联网+智慧能源”为建筑能源行业吹来了阵阵春风,以全新的理念和架构对传统的建筑能源系统进行赋能再造,带来安全、稳定、高效、绿色、节能、平衡、自主、便捷、智能的全新能源消费体验。
能源互联网是全新的一种能源互联互通的相连形式,现有的能源管理系统多基于远程系统或云平台技术,本地数据采集和控制能力不足,无法对紧急情况及时处置。
发明内容
本发明目的是提供一种楼宇内分布式能源匹配系统和方法,以解决上述问题。
本发明解决技术问题采用如下技术方案:
一种楼宇内分布式能源匹配系统,包括:
自主学习装置,所述自主学习装置用于输入预设楼宇能源分布,并根据预设楼宇能源分布、深度学习算法和迁移学习算法获得最优能源匹配模型,其中,所述最优能源匹配模型包括能源调整策略和与所述能源调整策略相对应的任务分解指令;
数据采集装置,所述数据采集装置与当前楼宇内的用能装置相连,用于采集当前楼宇的能源分布;
云平台,所述云平台分别与所述自主学习装置和数据采集装置相连,用于接收所述最优能源匹配模型和当前楼宇的能源分布,并根据当前楼宇的能源分布和最优能源匹配模型获得当前楼宇的能源调整策略;
能源分布控制器,所述能源分布控制器分别与所述云平台和当前楼宇内的用能装置相连,用于接收所述最优能源匹配模型和所述云平台下发的能源调整策略,根据所述当前楼宇的能源调整策略在所述最优能源匹配模型内提取与所述当前楼宇的能源调整策略相对应的任务分解指令,并根据所述任务分解指令对当前楼宇内的用能装置进行能源控制。
一种楼宇内分布式能源匹配方法,包括:
根据预设楼宇能源分布、深度学习算法和迁移学习算法获得最优能源匹配模型,其中,所述最优能源匹配模型包括能源调整策略和与所述能源调整策略相对应的任务分解指令;
根据当前楼宇的能源分布和最优能源匹配模型获得当前楼宇的能源调整策略;
根据所述当前楼宇的能源调整策略在所述最优能源匹配模型内提取与所述能源调整策略相对应的任务分解指令;
根据所述任务分解指令对当前楼宇内的用能装置进行能源控制。
本发明具有如下有益效果:
本发明公开的楼宇内分布式能源匹配系统和方法,通过自主学习获得最优能源匹配模型,且所述最优能源匹配模型包括能源调整策略和与所述能源调整策略相对应的任务分解指令。在楼宇的分布式能源控制匹配过程中,云平台根据当前楼宇的能源分布和最优能源匹配模型获得能源调整策略。能源分布控制器根据所述能源调整策略在所述最优能源匹配模型内提取与所述能源调整策略相对应的任务分解指令,并根据所述任务分解指令对当前楼宇内的用能装置进行能源控制。可见,本发明所公开的楼宇内分布式能源匹配系统和方法在终端用能装置的能源匹配过程中,通过能源调整策略的传输实现云平台与终端用能装置间最少的数据传输,在终端用能装置控制上由能源分布控制器提取与所述能源调整策略相对应的任务分解指令实现具体的能源匹配控制。最终实现减少远程网络传输,终端控制终端的效果,进而增强本地数据采集和控制能力,在出现紧急情况时也能够及时处置。
附图说明
图1为本发明提供的一种楼宇内分布式能源匹配系统示意图;
图2为本发明提供的一种自主学习装置示意图。
具体实施方式
下面结合实施例及附图对本发明的技术方案作进一步阐述。
本实施例提供了一种楼宇内分布式能源匹配系统,如图1所示,包括:
自主学习装置,所述自主学习装置用于输入预设楼宇能源分布,并根据预设楼宇能源分布、深度学习算法和迁移学习算法获得最优能源匹配模型,其中,所述最优能源匹配模型包括能源调整策略和与所述能源调整策略相对应的任务分解指令;
数据采集装置,所述数据采集装置与当前楼宇内的用能装置相连,用于采集当前楼宇的能源分布;
云平台,所述云平台分别与所述自主学习装置和数据采集装置相连,用于接收所述最优能源匹配模型和当前楼宇的能源分布,并根据当前楼宇的能源分布和最优能源匹配模型获得当前楼宇的能源调整策略;
能源分布控制器,所述能源分布控制器分别与所述云平台和当前楼宇内的用能装置相连,用于接收所述最优能源匹配模型和所述云平台下发的能源调整策略,根据所述当前楼宇的能源调整策略在所述最优能源匹配模型内提取与所述当前楼宇的能源调整策略相对应的任务分解指令,并根据所述任务分解指令对当前楼宇内的用能装置进行能源控制。
本发明实施例公开的楼宇内分布式能源匹配系统,通过自主学习装置获得最优能源匹配模型,且所述最优能源匹配模型包括能源调整策略和与所述能源调整策略相对应的任务分解指令。在楼宇的分布式能源控制匹配过程中,云平台根据当前楼宇的能源分布和最优能源匹配模型获得能源调整策略。能源分布控制器根据所述能源调整策略在所述最优能源匹配模型内提取与所述能源调整策略相对应的任务分解指令,并根据所述任务分解指令对当前楼宇内的用能装置进行能源控制。可见,本发明实施例所公开的楼宇内分布式能源匹配系统在终端用能装置的能源匹配过程中,能够通过能源调整策略的传输实现云平台与终端用能装置间最少的数据传输,在终端用能装置控制上由能源分布控制器提取与所述能源调整策略相对应的任务分解指令实现具体的能源匹配控制。最终实现减少远程网络传输,终端控制终端的效果,进而增强本地数据采集和控制能力,在出现紧急情况时也能够及时处置。
在本实施例中,所述最优能源匹配模型以用电成本最低为目标,即充分满足用能要求的日购电量最低。
所述能源分布,包括:
楼宇内通用参数(日期、时间、区域、楼宇类型、楼宇面积、建成时间)、楼宇内能源设备特征(设备类型、关键指标、标定参数、工作模式等)、楼宇内主要负荷的电气测量值(如空调、排风、新风、照明、水泵、电梯、充电桩等)、环境参数测量值(如室内多测点温湿度、室内气压、室外温度、亮度)和人员相关情况。其中,所述楼宇内主要负荷的电气测量值中的用能装置的短期负荷通过基于图计算的贝叶斯网络预测获得。
所述能源调整策略,包括:
楼内分布式电源(光伏、CCHP)的运行策略、储能(储电、储热、储冷)的充放能策略、外购能策略和以外购能功率作为偏差的反馈条件。
在进一步的具体实施例中,如图2所示,所述自主学习装置,包括:
一级BP深度神经网络,所述一级BP深度神经网络用于输入预设楼宇能源分布,输出最优能源原始匹配模型;
迁移学习控制单元,所述迁移学习控制单元与所述一级BP深度神经网络相连,用于接收并存储所述最优能源原始匹配模型;
二级BP深度神经网络,所述二级BP深度神经网络与所述迁移学习控制单元相连,用于输入所述最优能源原始匹配模型和当前楼宇内的能源分布,输出最优能源匹配模型;
所述二级BP深度神经网络输出的最优能源匹配模型作为当前楼宇能源匹配的最优能源匹配模型输出给所述云平台,并作为新的最优能源原始匹配模型对所述迁移学习控制单元内存储的最优能源原始匹配模型进行更新。
其中,所述能源调整策略的获取过程,还包括:
所述二级BP深度神经网络的输出为当前楼宇控制指令集合;
利用分类算法对所述当前楼宇控制指令集合进行降维聚合,形成能源调整策略;
其中,所述能源调整策略对应的任务分解指令为所述当前楼宇控制指令集合的子集合。
在本实施例中,所述分类算法采用决策树。
需要说明的是,本发明实施例中的一级BP深度神经网络和二级BP深度神经网络在实际应用时可以为同一个BP深度神经网络。
本发明实施例还公开了一种楼宇内分布式能源匹配系统的工作实例。
先在少量优质试点楼宇中,通过实际获得稀疏标记的训练样本,对BP神经网络进行初步的训练,作为最优能源原始匹配模型(org-NN(V1.0))。当新的楼宇(NB1)接入时,系统将原始匹配模型(org-NN(V1.0))部署至本地计算网关,根据楼宇(NB1)的能源系统运行特征对原始匹配模型(org-NN(V1.0))进行进一步的训练,使之在楼宇(NB1)的具体场景中获得最优的源-储-荷匹配结果,最终形成最优能源匹配模型(NB1-NN)。同时最优能源匹配模型(NB1-NN)的输入参数、输出参数和偏差反馈也通过物联网同步到云平台,作为训练样本对原始匹配模型(org-NN(V1.0))进行进化训练,定期迭代形成原始匹配模型(org-NN(V2.0)),当新的楼宇NB2接入系统时,云平台将向其本地部署原始匹配模型(org-NN(V2.0))。随着接入楼宇数量的增多和运行时间的延长,系统的原始匹配模型将不断接收NB1~NBn楼宇的输入参量、输出参量和偏差反馈,定期迭代org-NN的版本,性能不断优化。
在接入当前楼宇(NBi)时,自主学习装置工作,形成最优能源匹配模型(NBi-NN)。数据采集装置采集当前楼宇(NBi)的能源分布。云平台接收所述最优能源匹配模型(NBi-NN)和当前楼宇的能源分布,并根据当前楼宇的能源分布和最优能源匹配模型(NBi-NN)获得能源调整策略。其中,所述源调整策略的主要决策因素为电成本最低。能源分布控制器接收所述最优能源匹配模型(NBi-NN)和所述云平台下发的能源调整策略,根据所述能源调整策略在所述最优能源匹配模型(NBi-NN)内提取与所述能源调整策略相对应的任务分解指令,并根据所述任务分解指令对当前楼宇内的用能装置进行能源控制。
本发明又一实施例公开了一种楼宇内分布式能源匹配方法,包括:
根据预设楼宇能源分布、深度学习算法和迁移学习算法获得最优能源匹配模型,其中,所述最优能源匹配模型包括能源调整策略和与所述能源调整策略相对应的任务分解指令;
根据当前楼宇的能源分布和最优能源匹配模型获得当前楼宇的能源调整策略;
根据所述当前楼宇的能源调整策略在所述最优能源匹配模型内提取与所述当前楼宇的能源调整策略相对应的任务分解指令;
根据所述任务分解指令对当前楼宇内的用能装置进行能源控制。
其中,所述根据预设楼宇能源分布、深度学习算法和迁移学习算法获得最优能源匹配模型的过程,包括:
利用BP深度神经网络对预设楼宇能源分布进行训练,输出最优能源原始匹配模型;
将当前楼宇内的能源分布作为新的输入,利用BP深度神经网络对所述最优能源原始匹配模型进行再训练,输出最优能源匹配模型;
其中,经过再训练获得的最优能源匹配模型作为当前楼宇能源匹配的最优能源匹配模型,并作为下一接入楼宇最优能源原始匹配模型。
本发明实施例所公开的楼宇内分布式能源匹配方法实际采用迁移学习和深度学习来构建最优能源匹配模型。相较于传统的无监督学习算法需要庞大的算力支撑和漫长的学习过程,本发明充分利用楼宇能源系统架构的同构性,将迁移学习算法和深度学习算法有机融合,统筹并用,可以在更少的训练样本需求、更短的训练收敛时间、更低的算力需求下,达到与传统无监督学习算法同样的效果。
而且,在本发明所公开的系统和方法的算法使用上,除了BP深度神经网络以外,还可以采用支持向量机、决策树、因子分析机等算法。而且,可根据场景选择由边缘终端向云平台同步运行数据用于训练原始匹配模型,或不同步,而是待后续情况统一处理。
以上实施例的先后顺序仅为便于描述,不代表实施例的优劣。
最后应说明的是: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 (8)
1.一种楼宇内分布式能源匹配系统,其特征在于,包括:
自主学习装置,所述自主学习装置用于输入预设楼宇能源分布,并根据预设楼宇能源分布、深度学习算法和迁移学习算法获得最优能源匹配模型,其中,所述最优能源匹配模型包括能源调整策略和与所述能源调整策略相对应的任务分解指令;
数据采集装置,所述数据采集装置与当前楼宇内的用能装置相连,用于采集当前楼宇的能源分布;
云平台,所述云平台分别与所述自主学习装置和数据采集装置相连,用于接收所述最优能源匹配模型和当前楼宇的能源分布,并根据当前楼宇的能源分布和最优能源匹配模型获得当前楼宇的能源调整策略;
能源分布控制器,所述能源分布控制器分别与所述云平台和当前楼宇内的用能装置相连,用于接收所述最优能源匹配模型和所述当前楼宇的能源调整策略,根据所述当前楼宇的能源调整策略在所述最优能源匹配模型内提取与所述当前楼宇的能源调整策略相对应的任务分解指令,并根据所述任务分解指令对当前楼宇内的用能装置进行能源控制;
所述自主学习装置,包括:
一级BP深度神经网络,所述一级BP深度神经网络用于输入预设楼宇能源分布,输出最优能源原始匹配模型;
迁移学习控制单元,所述迁移学习控制单元与所述一级BP深度神经网络相连,用于接收并存储所述最优能源原始匹配模型;
二级BP深度神经网络,所述二级BP深度神经网络与所述迁移学习控制单元相连,用于输入所述最优能源原始匹配模型和当前楼宇内的能源分布,输出最优能源匹配模型;
其中,所述二级BP深度神经网络输出的最优能源匹配模型作为当前楼宇能源匹配的最优能源匹配模型输出给所述云平台,并作为新的最优能源原始匹
配模型对所述迁移学习控制单元内存储的最优能源原始匹配模型进行更新。
2.根据权利要求1所述楼宇内分布式能源匹配系统,其特征在于,所述最优能源匹配模型以用电成本最低为目标。
3.根据权利要求1所述楼宇内分布式能源匹配系统,其特征在于,所述能源调整策略的获取过程,包括:
所述二级BP深度神经网络的输出为当前楼宇控制指令集合;
利用分类算法对所述当前楼宇控制指令集合进行降维聚合,形成能源调整策略;
其中,所述能源调整策略对应的任务分解指令为所述当前楼宇控制指令集合的子集合。
4.根据权利要求3所述楼宇内分布式能源匹配系统,其特征在于,所述分类算法为决策树。
5.根据权利要求1所述楼宇内分布式能源匹配系统,其特征在于,所述能源分布,包括:
楼宇内通用参数、楼宇内能源设备特征、楼宇内主要负荷的电气测量值、环境参数测量值和人员相关情况。
6.根据权利要求1所述楼宇内分布式能源匹配系统,其特征在于,所述能源调整策略,包括:
楼内分布式电源的运行策略、储能的充放能策略、外购能策略和以外购能功率作为偏差的反馈条件。
7.根据权利要求5所述楼宇内分布式能源匹配系统,其特征在于,所述楼宇内主要负荷的电气测量值中的用能装置的短期负荷通过基于图计算的贝叶斯网络预测获得。
8.一种楼宇内分布式能源匹配方法,其特征在于,包括:
根据预设楼宇能源分布、深度学习算法和迁移学习算法获得最优能源匹配模型,其中,所述最优能源匹配模型包括能源调整策略和与所述能源调整策略相对应的任务分解指令;
根据当前楼宇的能源分布和最优能源匹配模型获得当前楼宇的能源调整策略;
根据所述当前楼宇的能源调整策略在所述最优能源匹配模型内提取与所述能源调整策略相对应的任务分解指令;
根据所述任务分解指令对当前楼宇内的用能装置进行能源控制;
所述根据预设楼宇能源分布、深度学习算法和迁移学习算法获得最优能源匹配模型的过程,包括:
利用BP深度神经网络对预设楼宇能源分布进行训练,输出最优能源原始匹配模型;
将当前楼宇内的能源分布作为新的输入,利用BP深度神经网络对所述最优能源原始匹配模型进行再训练,输出最优能源匹配模型;
其中,经过再训练获得的最优能源匹配模型作为当前楼宇能源匹配的最优能源匹配模型,并作为下一接入楼宇最优能源原始匹配模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910236169.XA CN109946968B (zh) | 2019-03-27 | 2019-03-27 | 一种楼宇内分布式能源匹配系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910236169.XA CN109946968B (zh) | 2019-03-27 | 2019-03-27 | 一种楼宇内分布式能源匹配系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109946968A CN109946968A (zh) | 2019-06-28 |
CN109946968B true CN109946968B (zh) | 2022-03-25 |
Family
ID=67011835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910236169.XA Active CN109946968B (zh) | 2019-03-27 | 2019-03-27 | 一种楼宇内分布式能源匹配系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109946968B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112821456B (zh) * | 2021-02-10 | 2022-12-27 | 中青云智科技(浙江)有限公司 | 基于迁移学习的分布式源-储-荷匹配方法及装置 |
CN113708395B (zh) * | 2021-08-19 | 2023-08-29 | 华电电力科学研究院有限公司 | 一种智慧楼宇多功能储能系统的运行方法 |
CN115249094B (zh) * | 2022-09-26 | 2022-12-09 | 烟台东方智能技术有限公司 | 一种基于大数据的建筑能效管理和优化方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968111A (zh) * | 2012-12-14 | 2013-03-13 | 新奥科技发展有限公司 | 控制分布式能源系统的方法和系统 |
CN106199174A (zh) * | 2016-07-01 | 2016-12-07 | 广东技术师范学院 | 基于迁移学习的挤压机能耗异常预测方法 |
CN106765959A (zh) * | 2016-12-27 | 2017-05-31 | 武汉虹信技术服务有限责任公司 | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 |
CN107423839A (zh) * | 2017-04-17 | 2017-12-01 | 湘潭大学 | 一种基于深度学习的智能楼宇微网负荷预测的方法 |
CN108734419A (zh) * | 2018-06-15 | 2018-11-02 | 大连理工大学 | 一种基于知识迁移的高炉煤气调度系统建模方法 |
CN109063903A (zh) * | 2018-07-19 | 2018-12-21 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及系统 |
CN109140723A (zh) * | 2018-08-23 | 2019-01-04 | 邓煜 | 一种分布式楼宇暖通监控系统及方法 |
CN109373438A (zh) * | 2018-09-11 | 2019-02-22 | 太原理工大学 | 基于迁移学习算法的供热节能控制方法与系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10878320B2 (en) * | 2015-07-22 | 2020-12-29 | Qualcomm Incorporated | Transfer learning in neural networks |
-
2019
- 2019-03-27 CN CN201910236169.XA patent/CN109946968B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102968111A (zh) * | 2012-12-14 | 2013-03-13 | 新奥科技发展有限公司 | 控制分布式能源系统的方法和系统 |
CN106199174A (zh) * | 2016-07-01 | 2016-12-07 | 广东技术师范学院 | 基于迁移学习的挤压机能耗异常预测方法 |
CN106765959A (zh) * | 2016-12-27 | 2017-05-31 | 武汉虹信技术服务有限责任公司 | 基于遗传算法和深度bp神经网络算法的暖通空调节能控制方法 |
CN107423839A (zh) * | 2017-04-17 | 2017-12-01 | 湘潭大学 | 一种基于深度学习的智能楼宇微网负荷预测的方法 |
CN108734419A (zh) * | 2018-06-15 | 2018-11-02 | 大连理工大学 | 一种基于知识迁移的高炉煤气调度系统建模方法 |
CN109063903A (zh) * | 2018-07-19 | 2018-12-21 | 山东建筑大学 | 一种基于深度强化学习的建筑能耗预测方法及系统 |
CN109140723A (zh) * | 2018-08-23 | 2019-01-04 | 邓煜 | 一种分布式楼宇暖通监控系统及方法 |
CN109373438A (zh) * | 2018-09-11 | 2019-02-22 | 太原理工大学 | 基于迁移学习算法的供热节能控制方法与系统 |
Non-Patent Citations (7)
Title |
---|
Computer-Aided Diagnosis of Thyroid Nodule from Ultrasound Images Using Transfer Learning from Deep Convolutional Neural Network Models;Ajilisa O A 等;《IEEE》;20200704;全文 * |
Transfer learning with deep neural networks for model predictive control of HVAC and natural ventilation in smart buildings;Yujiao Chen 等;《Journal of Cleaner Production》;20191228;全文 * |
一种基于迁移深度强化学习的建筑能耗预测方法;傅启明 等;《计算机应用研究》;20200630;全文 * |
一种面向建筑节能的强化学习自适应控制方法;胡龄爻 等;《计算机工程与应用》;20171231;全文 * |
基于深度强化学习的微能源网能量管理与优化策略研究;刘俊峰 等;《电网技术》;20201031;全文 * |
暖通空调系统智能化故障检测诊断研究综述与展望;赵阳等;《区域供热》;20180415(第02期);全文 * |
降维式自主迁移强化学习建筑能耗预测;黄泽天 等;《电脑知识与技术》;20190930;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109946968A (zh) | 2019-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109946968B (zh) | 一种楼宇内分布式能源匹配系统和方法 | |
CN110009123A (zh) | 一种考虑时序互补特性的配电台区源-荷协同接入方法 | |
CN107609667B (zh) | 基于Box_cox变换和UFCNN的供热负荷预测方法及系统 | |
CN106447133A (zh) | 一种基于深度自编码网络的短期电力负荷预测方法 | |
CN110212551B (zh) | 基于卷积神经网络的微网无功自动控制方法 | |
CN103473393A (zh) | 一种考虑随机概率的输电裕度控制模型建模方法 | |
CN113363998A (zh) | 一种基于多智能体深度强化学习的配电网电压控制方法 | |
CN113837430B (zh) | 基于云网边端一体化的综合能源负荷优化调度方法及系统 | |
CN114662751A (zh) | 基于lstm的园区多能短期负荷预测及优化方法 | |
Hurry | Optimizing Power Electronics with Machine Learning Algorithms and Data Science | |
CN107134790A (zh) | 一种基于大数据的配电网无功优化控制序列确定方法 | |
CN106339773B (zh) | 基于灵敏度的主动配电网分布式电源定容规划方法 | |
Wang et al. | Short-term wind power prediction based on DBSCAN clustering and support vector machine regression | |
CN116957262A (zh) | 一种基于三进程耦合的园区综合能源系统的优化调度方法 | |
CN112821456B (zh) | 基于迁移学习的分布式源-储-荷匹配方法及装置 | |
Lu-ping et al. | Particle swarm optimization model of distributed network planning | |
Nasab et al. | Predicting solar power potential via an enhanced ANN through the evolution of cub to predator (ECP) optimization technique | |
CN113595238B (zh) | 一种智能配电柜及配电箱低碳聚合调控系统、方法及终端装置 | |
US20240006890A1 (en) | Local volt/var controllers with stability guarantees | |
CN112668764B (zh) | 一种基于云模型和fcm算法的海上风电场储能系统优化配置方法 | |
CN116659128B (zh) | 一种太阳能联合热泵的节能控制方法及系统 | |
Qiao et al. | Simulation and Application of Low Carbon Heating Buildings Based on Genetic Algorithm Optimization PID | |
Liu et al. | Predicting Active Constraints Set in Security-Constrained Optimal Power Flow via Deep Neural Network | |
Yan et al. | Matching Theory Aided Federated Learning Method for Load Forecasting of Virtual Power Plant | |
Chen et al. | Short-time photovoltaic power prediction considering relative influential factor based on typical weather conditions |
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 |