CN111509768A - 一种综合能源系统的场景模拟方法及系统 - Google Patents
一种综合能源系统的场景模拟方法及系统 Download PDFInfo
- Publication number
- CN111509768A CN111509768A CN202010251139.9A CN202010251139A CN111509768A CN 111509768 A CN111509768 A CN 111509768A CN 202010251139 A CN202010251139 A CN 202010251139A CN 111509768 A CN111509768 A CN 111509768A
- Authority
- CN
- China
- Prior art keywords
- power
- network
- data set
- load
- power generation
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010248 power generation Methods 0.000 claims abstract description 91
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 70
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 38
- 239000003345 natural gas Substances 0.000 claims abstract description 35
- 239000007789 gas Substances 0.000 claims abstract description 29
- 238000005286 illumination Methods 0.000 claims description 53
- 238000013178 mathematical model Methods 0.000 claims description 43
- 238000010438 heat treatment Methods 0.000 claims description 41
- 238000012549 training Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000006467 substitution reaction Methods 0.000 claims description 5
- 230000001360 synchronised effect Effects 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 abstract description 7
- 238000010168 coupling process Methods 0.000 abstract description 7
- 238000005859 coupling reaction Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 239000004576 sand Substances 0.000 description 5
- 230000003203 everyday effect Effects 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 101000604223 Homo sapiens Nocturnin Proteins 0.000 description 1
- 102100038815 Nocturnin Human genes 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001698 laser desorption ionisation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种综合能源系统的场景模拟方法及系统,所述模拟方法包括:对获取的影响分布式电源的气象数据进行处理,得到仿真样本集;基于所述仿真样本集、气象敏感负荷和电动汽车充电参数进行计算,得到综合能源系统的电力系统发电功率、热力系统发电功率和天然气系统的供气功率;基于所述电力系统发电功率、热力系统发电功率和天然气系统的供气功率进行潮流计算,得到综合能源系统的典型场景集;本发明将分布式电源系统、气象敏感负荷系统和综合能源系统看作一个整体进行分析,彰显了多能流关联耦合的重要性,促进能源运营管理更加高效,大幅度提升能源的综合利用效率。
Description
技术领域
本发明涉及综合能源系统运行与分析领域,具体涉及一种综合能源系统的场景模拟方法及系统。
背景技术
气象系统是一个复杂的系统,气象变量如光照、湿度、温度和风速等变化对建筑物供暖负荷等气象敏感负荷和间歇性新能源发电等具有直接影响。现有的场景对于含高比例的间歇性新能源发电系统、气象敏感负荷、热电联产系统的园区综合能源系统调度,仍然是只考虑了相关性对电力系统的影响,尤其是光伏出力、风力发电和电力负荷之间的相关性,现有场景中忽略了分布式电源和电/热/气负荷波动的多能流关联耦合特性对综合能源系统稳定运行的影响,不能满足含有多种不确定性相关变量的综合能源系统概率能量流计算要求,从而导致最终的能源系统安全稳定情况准确度和能源利用效率较低。
发明内容
为了解决现有技术中所存在的上述不足,本发明提供一种综合能源系统的场景模拟方法,包括:
对获取的影响分布式电源的气象数据进行处理,得到仿真样本集;
基于所述仿真样本集、气象敏感负荷和电动汽车充电参数进行计算,得到综合能源系统的电力系统发电功率、热力系统发电功率和天然气系统的供气功率;
基于所述电力系统发电功率、热力系统发电功率和天然气系统的供气功率进行潮流计算,得到综合能源系统的典型场景集;
所述气象数据包括环境温度、太阳光照强度和风速,所述综合能源系统包括电力系统、热力系统和天然气系统;所述分布式电源系统包括光伏电源和风力电源,所述气象敏感负荷包括建筑物供暖负荷。
优选的,所述对获取的影响分布式电源的气象数据进行处理,得到仿真样本集,包括:
按照设定的时间间隔获取规划区域在供暖期间的室外环境温度、太阳光照强度和风速原始数据集;
对所述室外环境温度、太阳光照强度和风速原始数据集进行标准化处理;
将标准化处理得到的数据集利用基于贝叶斯公式的生成对抗网络进行训练,得到生成数据集;
基于标准化处理得到的数据集和所述生成数据集利用生成网络和判别网络,生成具有时空相关性的室外环境温度、太阳光照强度和风速仿真样本集。
优选的,所述将标准化处理得到的数据集利用基于贝叶斯公式的生成对抗网络进行训练,得到生成数据集,包括:
根据生成对抗网络原理、贝叶斯公式和最大后验估计法推断生成网络和判别网络的推断函数;
从室外环境温度、太阳光照强度和风速原始数据集中随机选择多组作为输入训练生成网络;
多次从标准化处理得到的数据集中选择多个标准化数据和高斯噪声作为输入继续训练生成网络;
基于生成网络的运算得到生成数据集;
所述生成网络包括卷积层和反卷积层,所述判别网络采用最后一层为全连接层的6层卷积神经网络。
优选的,所述基于标准化处理得到的数据集和所述生成数据集利用生成网络和判别网络,生成具有时空相关性的室外环境温度、太阳光照强度和风速仿真样本集,包括:
将标准化处理得到的数据集和所述生成数据集一同作为判别网络的输入,判别网络采用最大均值差异法获得判断网络的输出与所述数据集的误差结果;
基于所述误差结果与设置误差范围的关系为所述生成数据集添加标签并反馈给生成网络;
利用动态的梯度汉密尔顿蒙特卡洛法边际化生成网络和判别网络权重的后验分布;
对生成网络和判别网络权重的后验分布进行网络更新迭代,通过判别网络的计算生成具有时空相关性特征的室外环境温度、太阳光照强度和风速仿真样本集。
优选的,所述基于所述仿真样本集、气象敏感负荷和电动汽车充电参数进行计算,得到综合能源系统的电力系统发电功率、热力系统发电功率和天然气系统的供气功率,包括:
利用电力系统的数学模型,基于获取的室外环境温度、太阳光照强度和风速仿真样本集,获得综合能源系统的电力系统发电功率;
基于热源节点输出热功率,利用建筑物供暖热负荷的数学模型和热电联产系统的数学模型计算热力系统发电功率;
基于热源节点输出热功率和电力系统潮流计结果,利用热电联产系统的数学模型计算综合能源系统的供气功率。
优选的,所述利用电力发电系统的数学模型,基于获取的室外环境温度、太阳光照强度和风速仿真样本集,获得综合能源系统的电力系统发电功率,包括:
利用光伏发电系统的数学模型,根据获取的光伏电源额定功率、室外环境温度和太阳光照强度仿真样本集计算综合能源系统中的光伏发电功率;
利用风力发电系统的数学模型,根据室外环境温度和风速仿真样本集计算综合能源系统的风力发电功率。
优选的,所述基于热源节点输出热功率,利用建筑物供暖热负荷的数学模型和热电联产系统的数学模型计算热力系统发电功率,包括:
利用建筑物供暖热负荷的数学模型,根据室外环境温度、太阳光照强度和风速仿真样本集计算建筑物供暖热负荷;
在热电联产系统以热定电工作模式下,进行热力系统流量计算,得出热源节点的输出热功率;
基于所述建筑物供暖热负荷、热源节点的输出热功率和热电联产系统的数学模型计算热力系统发电功率。
优选的,所述基于热源节点输出热功率和电力系统潮流计结果,利用热电联产系统的数学模型计算综合能源系统的供气功率,包括:
基于获取的电动汽车充电参数进行计算,得到电动汽车负荷;
基于所述光伏发电功率、风力发电功率、热力系统发电功率和电动汽车负荷以及获取的电力负荷进行电力系统潮流计算,得出电源节点的输出电功率;
基于热源节点的输出热功率和电源节点的输出电功率,利用热电联产系统的数学模型计算天然气系统的供气功率。
优选的,所述基于所述电力系统发电功率、热力系统发电功率和天然气系统的供气功率进行潮流计算,得到综合能源系统的典型场景集,包括:
基于所述电力系统发电功率、热力系统发电功率和天然气系统的供气功率进行天然气系统流量计算,得到综合能源系统的潮流计算结果;
基于所述综合能源系统的潮流计算结果获得多个场景集;
在多个场景集中任意获取两个场景集计算Kantorovich距离;
利用同步回代消除法,对原始综合能源系统的潮流场景降维和循环迭代,直至得到综合能源系统的典型场景集。
基于同一发明构思,本发明还提供了一种综合能源系统的场景模拟系统,包括:
处理模块,用于对获取的影响分布式电源的气象数据进行处理,得到仿真样本集;
计算模块,用于基于所述仿真样本集、气象敏感负荷和电动汽车充电参数进行计算,得到综合能源系统的电力系统发电功率、热力系统发电功率和天然气系统的供气功率;
结果模块,用于基于所述电力系统发电功率、热力系统发电功率和天然气系统的供气功率进行潮流计算,得到综合能源系统的典型场景集;
所述气象数据包括环境温度、太阳光照强度和风速,所述综合能源系统包括电力系统、热力系统和天然气系统;所述分布式电源系统包括光伏电源和风力电源,所述气象敏感负荷包括建筑物供暖负荷。
优选的,所述处理模块,包括:
原始数据集子模块,用于按照设定的时间间隔获取规划区域在供暖期间的室外环境温度、太阳光照强度和风速原始数据集;
标准化处理子模块,用于对所述室外环境温度、太阳光照强度和风速原始数据集进行标准化处理;
生成数据集子模块,用于将标准化处理得到的数据集利用基于贝叶斯公式的生成对抗网络进行训练,得到生成数据集;
仿真样本集子模块,用于基于标准化处理得到的数据集和所述生成数据集利用生成网络和判别网络,生成具有时空相关性的室外环境温度、太阳光照强度和风速仿真样本集。
与最接近的现有技术相比,本发明提供的技术方案具有以下有益效果:
本发明提供的技术方案,对获取的影响分布式电源的气象数据进行处理,得到仿真样本集;基于所述仿真样本集、气象敏感负荷和电动汽车充电参数进行计算,得到综合能源系统的电力系统发电功率、热力系统发电功率和天然气系统的供气功率;基于所述电力系统发电功率、热力系统发电功率和天然气系统的供气功率进行潮流计算,得到综合能源系统的典型场景集;在构建过程中考虑了分布式电源和电/热/气负荷波动的多能流关联耦合特性对综合能源系统稳定运行的影响,通过构建好的场景进行综合能源系统概率能量流计算,可以大幅度提升能源的综合利用效率。
本发明的优选方案将分布式电源系统、气象敏感负荷系统和综合能源系统看作一个整体进行分析,彰显了多能流关联耦合的重要性,促进能源运营管理更加高效,大幅度提升能源的综合利用效率。
本发明的优选方案基于历史数据通过贝叶斯生成对抗网络模拟大量光伏、风电出力随机场景,实现特征的提取与学习,相比传统的概率模型,避免了显式指定随机模型拟合概率分布,大大提高了电力系统随机生产仿真的效率,同时在生成对抗网络中引入后验分布,使得训练过程具有强解释性、稳定性、收敛性。
本发明的优选方案分析了分布式电源不确定性和电/热/气负荷的多能流关联耦合特性,并采用基于Kantorovich距离的同步回代消除法对综合能源系统随机模拟连续变量离散化,从而得到满足要求的综合能源系统的典型代表场景集,显著提高了复杂运行场景模拟的准确性,解决概率能量流计算问题,为未来综合能源配用电系统的协调规划提高理论基础。
附图说明
图1为本发明中一种综合能源系统的场景模拟方法流程图;
图2为本发明实施例中对计及新能源不确定性和多能流耦合的IES场景模拟方法流程图。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1:如图1所示,本发明提供的一种综合能源系统的场景模拟方法,包括:
步骤一、对获取的影响分布式电源的气象数据进行处理,得到仿真样本集;
步骤二、基于所述仿真样本集、气象敏感负荷和电动汽车充电参数进行计算,得到综合能源系统的电力系统发电功率、热力系统发电功率和天然气系统的供气功率;
步骤三、基于所述电力系统发电功率、热力系统发电功率和天然气系统的供气功率进行潮流计算,得到综合能源系统的典型场景集;
所述气象数据包括环境温度、太阳光照强度和风速,所述综合能源系统包括电力系统、热力系统和天然气系统;所述分布式电源系统包括光伏电源和风力电源,所述气象敏感负荷包括建筑物供暖负荷。
本发明以解决现有综合能源系统仅考虑不确定性建模理论问题,有效促进能源综合配置和协调规划,保障综合能源系统的安全稳定运行。
参见图2,对图1提供的技术方案进行具体分析,本实施例在模拟综合能源系统IES的场景时计及了新能源不确定性和多能流耦合,包括用于发电的分布式光伏电源系统和综合能源系统电/热/气网络,该方法包括下列步骤:
步骤S1,从当地气象局采集供暖期间每日96点室外环境温度、太阳光照强度和风速原始数据集,从光伏电站获取光伏电源额定功率,从当地工业园区采集供暖期间电力负荷和停车场电动汽车充电参数;
实施例中从气象数据采集系统(包括各个传感器,智能气象数据采集仪,GPRS DTU通讯模块)中获取整个供暖期间每日96点室外环境温度数据;从太阳辐射测量仪采集供暖期间每日96点的太阳光照强度数据;从风速传感器采集供暖期间每日96点的风速数据;从光伏电站获取光伏电源额定功率数据;从当地工业园区各单位智能电表统计供暖期间电力负荷数据;停车场电动汽车充电参数可以通过调查海量园区工作人员并收集问卷采集;本实施例以工业园区为待计算范围,实际使用该方法时可以根据计算需求设定计算区域。
步骤S2,标准化采集的室外环境温度、太阳光照强度和风速原始数据集,利用基于贝叶斯公式的生成对抗网络进行训练;
实施例中步骤S2具体包括:
S21,对步骤S1中室外环境温度、太阳光照强度和风速数据标准化,得到数据集MS;
S22,根据生成对抗网络原理、贝叶斯公式和最大后验估计法推断生成网络和判别网络推断函数分别为
式中,fD分别是生成网络和判别网络的函数,LG和LD分别是生成网络和判别网络的损失函数,μg和μd分别是生成网络和判别网络的权重,是真实样本数据与噪声样本数据的衡量函数,真实数据样本集为S={(x1,y1),…,(xn,yn)},噪声样本集为S′={(x′1,y′1),…,(x′n,y′n)}。生成网络前三层为卷积层,后两层为反卷积层,判别网络采用最后一层为全连接层的6层卷积神经网络;
S23,随机选择N个步骤S1采集的室外环境温度、太阳光照强度和风速原始数据集作为输入训练生成网络,继而将步骤S21计算的N个标准化数据MS和高斯噪声作为输入继续训练生成网络;
S24,回到步骤S23,形成增量式训练,通过生成网络的运算获得生成数据集M′。
步骤S3,基于数据集MS和生成数据集M′利用生成网络和判别网络生成具有时空相关性的室外环境温度、太阳光照强度和风速仿真样本集;
实施例中步骤S3具体包括:
S31,将步骤S21中数据集MS和步骤S24中数据集M′一同作为判别网络的输入,判别网络采用最大均值差异法根据与数据集MS的误差结果进行判定,判定为真,则记录生成数据集M′标签为1,否则为0,并反馈给生成网络;
S32,利用动态的梯度汉密尔顿蒙特卡洛法边际化生成网络和判别网络权重的后验分布,利用生成网络和判别网络权重的后验分布进行网络更新迭代,通过判别网络的运算生成具有时空相关性特征的室外环境温度、太阳光照强度和风速仿真样本集。
步骤S4,利用光伏发电系统的数学模型,根据获取的光伏电源额定功率、室外环境温度和太阳光照强度仿真样本集计算IES中的光伏发电功率;利用风力发电系统的数学模型,根据室外环境温度和风速仿真样本集计算IES的风力发电功率;
实施例中步骤S4具体包括:
S41,通过步骤S32计算的室外环境温度和太阳光照强度仿真样本集计算光伏电源的电池温度;
具体地,通过如下公式计算:
式中,NOCT为工作单元温度,表示在入射辐射为0.8kW/m2、环境温度为20℃和无负载操作时的电池温度;GT是撞击PV阵列的太阳光照[kW/m2];ηmp,STC是标准测试条件下的最大功率点效率[%];αp是功率的温度系数[%/℃],;TC,STC是在标准测试条件下的电池温度[25℃];τα为0.9;Ta是环境温度[℃];
S42,根据步骤S1获取的光伏电源额定功率数据和步骤S32获取的室外环境温度和太阳光照强度仿真样本集计算综合能源系统中的光伏发电功率;
具体地,通过如下公式计算:
式中,YPV为获取接入配电网的光伏电源额定容量[kW];fPV是光伏电源系统的功率降额因数;GT,STC是在标准测试条件下的入射辐射[kW/m2];TC为光伏电源的电池温度[℃]。
S43,根据步骤S32获取的室外环境温度和风速仿真样本集计算综合能源系统的风力发电功率,具体地,通过如下公式计算:
式中,ρ为空气密度,R是风轮半径,Cp为风能转化系数,υin为切入风速,υout为切出风速,υp为额定风速,Pp为风力机额定功率,λ为叶尖速比,β为桨叶节距角。
步骤S5,利用建筑物供暖热负荷的数学模型,根据室外环境温度、太阳光照强度和风速仿真样本集计算建筑物供暖热负荷功率;在以热定电工作模式下,进行热力系统流量计算,得出热源节点的输出热功率,继而根据计算的建筑物供暖热负荷、热电联产系统的数学模型计算热力系统发电功率;
实施例中步骤S5具体包括:
S51,输入步骤S32获取的室外环境温度、太阳光照强度和风速仿真样本集,依据相关规定,使用建筑物供暖热负荷数学模型计算综合能源系统的建筑物供暖热负荷;
S52,在以热定电工作模式下,进行热力系统流量计算,得出热源节点的输出热功率;
S53,根据S51计算的建筑物供暖热负荷、S52计算的热源节点的输出热功率、热电联产系统的数学模型计算热力系统发电功率。
步骤S6,根据停车场电动汽车充电参数计算电动汽车负荷,继而根据计算的光伏发电、风力发电功率、热力系统发电功率和工业园区电力负荷一同进行电力系统潮流计算,得出电源节点的输出电功率;根据热力系统流量计算、电力系统潮流计算的结果和热电联产系统的数学模型计算IES供气功率;
实施例中步骤S6具体包括:
S61,输入步骤S1采集的停车场电动汽车充电参数,计算工业园区电动汽车负荷,具体地,通过如下公式计算:
S62,根据S4计算的光伏发电、风力发电功率、S5计算的热力系统发电功率、工业园区电力负荷和S61计算的电动汽车负荷一同进行电力系统潮流计算,得出电源节点的输出电功率;
S63,根据热力系统流量计算、电力系统潮流计算的结果和热电联产系统的数学模型计算IES供气功率;
步骤S7,进行天然气系统流量计算,得到综合能源系统的潮流计算结果,计算两个场景集的Kantorovich距离;
实施例中步骤S7具体包括:
S71,进行天然气系统流量计算,得到综合能源系统的潮流计算结果;
S72,计算两个场景集ω、ω′的Kantorovich距离,定义如下:
式中,s和s′分别是场景集ω和ω′中的场景;ps和ps′分别为场景s和s′在ω和ω′中的概率;c(s,s′)为一个非负、连续、对称的距离函数;η(s,s′)为场景s和s′的概率乘积。本实施例中的Kantorovich距离是指Kantorovich distance(KD),即为公式KD(ω,ω′)。
步骤S8,利用同步回代消除法,对原始IES潮流场景降维、循环迭代,直至得到综合能源系统的典型场景集。
实施例中,步骤S8具体包括:
S81,确定需要约简的场景集,去除满足以下条件的场景ωs′
式中,c(ωs′,ωm)为两个连续变量场景之间的距离;
S82,改变原始场景数量N=N-1,挑选出距离场景ωs′最近的场景ωs,即
S83,改变与被去除场景距离ωs′最近的场景ωs的概率,以保证剩余的所有场景的概率和为1;
ps=ps+ps′
S84,回到步骤S81,循环迭代计算,直到剩余的场景数量满足设定的目标场景数量Ns的要求为止,各代表场景ωs的概率即为ps。
S9,根据得到的综合能源系统典型场景集,结合点估计法计算每一场景下的概率潮流,得到各场景下综合能源系统状态变量。
本实施例中基于步骤S8构建的典型场景集进行综合能源系统概率能量流计算。
本实施例中的典型场景是指综合能源系统中具有代表性的场景,具体的典型场景包括:典型日极端场景值、月极端场景值和多个非极端场景值。
由典型场景组成综合能源系统的典型场景集。
本实施例中根据上述步骤进行具体的场景模拟,过程如下:
(s1)从气象数据采集系统(包括各个传感器,智能气象数据采集仪,GPRS DTU通讯模块)中获取整个供暖期间每日96点室外环境温度数据;从太阳辐射测量仪采集供暖期间每日96点的太阳光照强度数据;从风速传感器采集供暖期间每日96点的风速数据;从光伏电站获取光伏电源额定功率数据;从当地工业园区各单位智能电表统计用电负荷;停车场电动汽车充电参数通过调查海量园区工作人员并收集问卷采集;
(s2)对上述步骤(s1)中室外环境温度、太阳光照强度和风速原始数据集标准化,得到数据集MS;
(s3)根据生成对抗网络原理、贝叶斯公式和最大后验估计法推断生成网络和判别网络推断函数。
(s4)随机选择N个上述步骤(s1)采集的室外环境温度、太阳光照强度和风速变量作为输入训练生成网络,继而将步骤(s2)计算的N个标准化数据MS和高斯噪声作为输入继续训练生成网络;
(s5)回到上述步骤(s4),形成增量式训练,通过生成网络的运算生成数据集M′;
(s6)将上述步骤(s2)中数据集MS和步骤(s5)中数据集M′一同作为判别网络的输入,判别网络采用最大均值差异法根据与数据集MS的误差结果进行判定,判定为真,则记录数据集M′标签为1,否则为0,并反馈给生成网络;
(s7)利用动态的梯度汉密尔顿蒙特卡洛法边际化生成网络和判别网络权重的后验分布进行网络更新迭代,通过判别网络的运算生成具有时空相关性特征的室外环境温度、太阳光照强度和风速仿真样本集。
(s8)利用光伏发电系统的数学模型,根据上述步骤(s7)获取的室外环境温度和太阳光照强度仿真样本集计算综合能源系统中的光伏发电功率;
(s9)利用风力发电系统的数学模型,根据上述步骤(s7)获取的室外环境温度和风速仿真样本集计算综合能源系统的风力发电功率;
(s10)利用建筑物供暖热负荷的数学模型,根据上述步骤(s7)获取的室外环境温度、太阳光照强度和风速仿真样本集计算建筑物供暖热负荷;在以热定电工作模式下,进行热力系统流量计算,得出热源节点的输出热功率,继而根据计算的建筑物供暖热负荷、热电联产系统的数学模型计算热力系统发电功率;
(s11)根据停车场电动汽车充电参数计算电动汽车负荷,继而根据上述步骤(s8)~(s10)计算的光伏发电、风力发电功率、热力系统发电功率和步骤(s1)统计的工业园区电力负荷一同进行电力系统潮流计算,得出电源节点的输出电功率;
(s12)根据上述步骤(s10)热力系统流量计算、步骤(s11)电力系统潮流计算的结果和热电联产系统的数学模型计算IES供气功率;
(s13)进行天然气系统流量计算,得到综合能源系统的潮流计算结果,计算两个场景集的Kantorovich距离;
(s14)利用同步回代消除法,对原始IES潮流场景降维、循环迭代,直至得到综合能源系统的典型场景集。
(s15)根据得到的综合能源系统典型场景集,结合点估计法计算每一场景下的概率潮流,得到各场景下综合能源系统状态变量。
实施例2:基于同一发明构思,本发明还提供了一种综合能源系统的场景模拟系统,包括:
处理模块,用于对获取的影响分布式电源的气象数据进行处理,得到仿真样本集;
计算模块,用于基于所述仿真样本集、气象敏感负荷和电动汽车充电参数进行计算,得到综合能源系统的电力系统发电功率、热力系统发电功率和天然气系统的供气功率;
结果模块,用于基于所述电力系统发电功率、热力系统发电功率和天然气系统的供气功率进行潮流计算,得到综合能源系统的典型场景集;
所述气象数据包括环境温度、太阳光照强度和风速,所述综合能源系统包括电力系统、热力系统和天然气系统;所述分布式电源系统包括光伏电源和风力电源,所述气象敏感负荷包括建筑物供暖负荷。
实施例中,所述处理模块,包括:
原始数据集子模块,用于按照设定的时间间隔获取规划区域在供暖期间的室外环境温度、太阳光照强度和风速原始数据集;
标准化处理子模块,用于对所述室外环境温度、太阳光照强度和风速原始数据集进行标准化处理;
生成数据集子模块,用于将标准化处理得到的数据集利用基于贝叶斯公式的生成对抗网络进行训练,得到生成数据集;
仿真样本集子模块,用于基于标准化处理得到的数据集和所述生成数据集利用生成网络和判别网络,生成具有时空相关性的室外环境温度、太阳光照强度和风速仿真样本集。
实施例中,所述计算模块,包括:
电力系统发电功率计算单元,用于利用电力系统的数学模型,基于获取的室外环境温度、太阳光照强度和风速仿真样本集,获得综合能源系统的电力系统发电功率;
热力系统发电功率计算单元,用于基于热源节点输出热功率,利用建筑物供暖热负荷的数学模型和热电联产系统的数学模型计算热力系统发电功率;
供气功率计算单元,用于基于热源节点输出热功率和电力系统潮流计结果,利用热电联产系统的数学模型计算综合能源系统的供气功率。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种综合能源系统的场景模拟方法,其特征在于,包括:
对获取的影响分布式电源的气象数据进行处理,得到仿真样本集;
基于所述仿真样本集、气象敏感负荷和电动汽车充电参数进行计算,得到综合能源系统的电力系统发电功率、热力系统发电功率和天然气系统的供气功率;
基于所述电力系统发电功率、热力系统发电功率和天然气系统的供气功率进行潮流计算,得到综合能源系统的典型场景集;
所述气象数据包括环境温度、太阳光照强度和风速,所述综合能源系统包括电力系统、热力系统和天然气系统;所述分布式电源系统包括光伏电源和风力电源,所述气象敏感负荷包括建筑物供暖负荷。
2.如权利要求1所述的方法,其特征在于,所述对获取的影响分布式电源的气象数据进行处理,得到仿真样本集,包括:
按照设定的时间间隔获取规划区域在供暖期间的室外环境温度、太阳光照强度和风速原始数据集;
对所述室外环境温度、太阳光照强度和风速原始数据集进行标准化处理;
将标准化处理得到的数据集利用基于贝叶斯公式的生成对抗网络进行训练,得到生成数据集;
基于标准化处理得到的数据集和所述生成数据集利用生成网络和判别网络,生成具有时空相关性的室外环境温度、太阳光照强度和风速仿真样本集。
3.如权利要求2所述的方法,其特征在于,所述将标准化处理得到的数据集利用基于贝叶斯公式的生成对抗网络进行训练,得到生成数据集,包括:
根据生成对抗网络原理、贝叶斯公式和最大后验估计法推断生成网络和判别网络的推断函数;
从室外环境温度、太阳光照强度和风速原始数据集中随机选择多组作为输入训练生成网络;
多次从标准化处理得到的数据集中选择多个标准化数据和高斯噪声作为输入继续训练生成网络;
基于生成网络的运算得到生成数据集;
所述生成网络包括卷积层和反卷积层,所述判别网络采用最后一层为全连接层的6层卷积神经网络。
4.如权利要求3所述的方法,其特征在于,所述基于标准化处理得到的数据集和所述生成数据集利用生成网络和判别网络,生成具有时空相关性的室外环境温度、太阳光照强度和风速仿真样本集,包括:
将标准化处理得到的数据集和所述生成数据集一同作为判别网络的输入,判别网络采用最大均值差异法获得判断网络的输出与所述数据集的误差结果;
基于所述误差结果与设置误差范围的关系为所述生成数据集添加标签并反馈给生成网络;
利用动态的梯度汉密尔顿蒙特卡洛法边际化生成网络和判别网络权重的后验分布;
对生成网络和判别网络权重的后验分布进行网络更新迭代,通过判别网络的计算生成具有时空相关性特征的室外环境温度、太阳光照强度和风速仿真样本集。
5.如权利要求1所述的方法,其特征在于,所述基于所述仿真样本集、气象敏感负荷和电动汽车充电参数进行计算,得到综合能源系统的电力系统发电功率、热力系统发电功率和天然气系统的供气功率,包括:
利用电力系统的数学模型,基于获取的室外环境温度、太阳光照强度和风速仿真样本集,获得综合能源系统的电力系统发电功率;
基于热源节点输出热功率,利用建筑物供暖热负荷的数学模型和热电联产系统的数学模型计算热力系统发电功率;
基于热源节点输出热功率和电力系统潮流计结果,利用热电联产系统的数学模型计算综合能源系统的供气功率。
6.如权利要求5所述的方法,其特征在于,所述利用电力发电系统的数学模型,基于获取的室外环境温度、太阳光照强度和风速仿真样本集,获得综合能源系统的电力系统发电功率,包括:
利用光伏发电系统的数学模型,根据获取的光伏电源额定功率、室外环境温度和太阳光照强度仿真样本集计算综合能源系统中的光伏发电功率;
利用风力发电系统的数学模型,根据室外环境温度和风速仿真样本集计算综合能源系统的风力发电功率。
7.如权利要求5所述的方法,其特征在于,所述基于热源节点输出热功率,利用建筑物供暖热负荷的数学模型和热电联产系统的数学模型计算热力系统发电功率,包括:
利用建筑物供暖热负荷的数学模型,根据室外环境温度、太阳光照强度和风速仿真样本集计算建筑物供暖热负荷;
在热电联产系统以热定电工作模式下,进行热力系统流量计算,得出热源节点的输出热功率;
基于所述建筑物供暖热负荷、热源节点的输出热功率和热电联产系统的数学模型计算热力系统发电功率。
8.如权利要求5所述的方法,其特征在于,所述基于热源节点输出热功率和电力系统潮流计结果,利用热电联产系统的数学模型计算综合能源系统的供气功率,包括:
基于获取的电动汽车充电参数进行计算,得到电动汽车负荷;
基于所述光伏发电功率、风力发电功率、热力系统发电功率和电动汽车负荷以及获取的电力负荷进行电力系统潮流计算,得出电源节点的输出电功率;
基于热源节点的输出热功率和电源节点的输出电功率,利用热电联产系统的数学模型计算天然气系统的供气功率。
优选的,所述基于所述电力系统发电功率、热力系统发电功率和天然气系统的供气功率进行潮流计算,得到综合能源系统的典型场景集,包括:
基于所述电力系统发电功率、热力系统发电功率和天然气系统的供气功率进行天然气系统流量计算,得到综合能源系统的潮流计算结果;
基于所述综合能源系统的潮流计算结果获得多个场景集;
在多个场景集中任意获取两个场景集计算Kantorovich距离;
利用同步回代消除法,对原始综合能源系统的潮流场景降维和循环迭代,直至得到综合能源系统的典型场景集。
9.一种综合能源系统的场景模拟系统,其特征在于,包括:
处理模块,用于对获取的影响分布式电源的气象数据进行处理,得到仿真样本集;
计算模块,用于基于所述仿真样本集、气象敏感负荷和电动汽车充电参数进行计算,得到综合能源系统的电力系统发电功率、热力系统发电功率和天然气系统的供气功率;
结果模块,用于基于所述电力系统发电功率、热力系统发电功率和天然气系统的供气功率进行潮流计算,得到综合能源系统的典型场景集;
所述气象数据包括环境温度、太阳光照强度和风速,所述综合能源系统包括电力系统、热力系统和天然气系统;所述分布式电源系统包括光伏电源和风力电源,所述气象敏感负荷包括建筑物供暖负荷。
10.如权利要求9所述的系统,其特征在于,所述处理模块,包括:
原始数据集子模块,用于按照设定的时间间隔获取规划区域在供暖期间的室外环境温度、太阳光照强度和风速原始数据集;
标准化处理子模块,用于对所述室外环境温度、太阳光照强度和风速原始数据集进行标准化处理;
生成数据集子模块,用于将标准化处理得到的数据集利用基于贝叶斯公式的生成对抗网络进行训练,得到生成数据集;
仿真样本集子模块,用于基于标准化处理得到的数据集和所述生成数据集利用生成网络和判别网络,生成具有时空相关性的室外环境温度、太阳光照强度和风速仿真样本集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010251139.9A CN111509768A (zh) | 2020-04-01 | 2020-04-01 | 一种综合能源系统的场景模拟方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010251139.9A CN111509768A (zh) | 2020-04-01 | 2020-04-01 | 一种综合能源系统的场景模拟方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111509768A true CN111509768A (zh) | 2020-08-07 |
Family
ID=71872567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010251139.9A Pending CN111509768A (zh) | 2020-04-01 | 2020-04-01 | 一种综合能源系统的场景模拟方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111509768A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307629A (zh) * | 2020-11-02 | 2021-02-02 | 山东大学 | 基于Thermolib软件包的综合能源多能流统一实时仿真系统及方法 |
CN113128064A (zh) * | 2021-04-27 | 2021-07-16 | 国网北京市电力公司 | 用于仿真的热电数据聚合方法、系统、装置及存储介质 |
CN113128574A (zh) * | 2021-03-31 | 2021-07-16 | 国网河北省电力有限公司电力科学研究院 | 场景缩减方法、装置及终端设备 |
CN113408924A (zh) * | 2021-06-30 | 2021-09-17 | 中国农业大学 | 基于统计机器学习的园区综合能源系统的规划方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107294087A (zh) * | 2017-06-23 | 2017-10-24 | 清华大学 | 一种含气象能源的综合能源系统典型场景集生成方法 |
CN108494015A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院电工研究所 | 一种源-荷-储协调互动的综合能源系统设计方法 |
CN109255471A (zh) * | 2018-08-17 | 2019-01-22 | 国网山东省电力公司电力科学研究院 | 一种含风电的电-气-热综合能源系统扩展规划优化方法 |
CN110543661A (zh) * | 2019-07-18 | 2019-12-06 | 国网江苏省电力有限公司 | 计及相关性的电-热互联综合能源系统概率能量流计算方法 |
-
2020
- 2020-04-01 CN CN202010251139.9A patent/CN111509768A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107294087A (zh) * | 2017-06-23 | 2017-10-24 | 清华大学 | 一种含气象能源的综合能源系统典型场景集生成方法 |
CN108494015A (zh) * | 2018-02-09 | 2018-09-04 | 中国科学院电工研究所 | 一种源-荷-储协调互动的综合能源系统设计方法 |
CN109255471A (zh) * | 2018-08-17 | 2019-01-22 | 国网山东省电力公司电力科学研究院 | 一种含风电的电-气-热综合能源系统扩展规划优化方法 |
CN110543661A (zh) * | 2019-07-18 | 2019-12-06 | 国网江苏省电力有限公司 | 计及相关性的电-热互联综合能源系统概率能量流计算方法 |
Non-Patent Citations (3)
Title |
---|
YIZE CHEN等: "Model-Free Renewable Scenario Generation Using Generative Adversarial Networks", 《IEEE TRANSACTIONS ON POWER SYSTEMS》 * |
郑文博等: "基于贝叶斯生成对抗网络的背景消减算法", 《自动化学报》 * |
陈建平等: "一种基于生成对抗网络的强化学习算法", 《计算机科学》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307629A (zh) * | 2020-11-02 | 2021-02-02 | 山东大学 | 基于Thermolib软件包的综合能源多能流统一实时仿真系统及方法 |
CN113128574A (zh) * | 2021-03-31 | 2021-07-16 | 国网河北省电力有限公司电力科学研究院 | 场景缩减方法、装置及终端设备 |
CN113128064A (zh) * | 2021-04-27 | 2021-07-16 | 国网北京市电力公司 | 用于仿真的热电数据聚合方法、系统、装置及存储介质 |
CN113128064B (zh) * | 2021-04-27 | 2023-10-24 | 国网北京市电力公司 | 用于仿真的热电数据聚合方法、系统、装置及存储介质 |
CN113408924A (zh) * | 2021-06-30 | 2021-09-17 | 中国农业大学 | 基于统计机器学习的园区综合能源系统的规划方法 |
CN113408924B (zh) * | 2021-06-30 | 2024-02-02 | 中国农业大学 | 基于统计机器学习的园区综合能源系统的规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Huang et al. | Multiple-input deep convolutional neural network model for short-term photovoltaic power forecasting | |
CN111509768A (zh) | 一种综合能源系统的场景模拟方法及系统 | |
CN109117951B (zh) | 基于bp神经网络的概率潮流在线计算方法 | |
Hu et al. | A new clustering approach for scenario reduction in multi-stochastic variable programming | |
CN105426956A (zh) | 一种超短期光伏预测方法 | |
CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
Jebli et al. | Deep learning based models for solar energy prediction | |
Michael et al. | Short-term solar irradiance forecasting based on a novel Bayesian optimized deep Long Short-Term Memory neural network | |
CN109272134A (zh) | 一种考虑系统损耗的区域光伏电站并网功率预测方法 | |
CN109272258B (zh) | 基于K-means聚类的区域风光发电资源评估方法 | |
Touati et al. | Photo-Voltaic (PV) monitoring system, performance analysis and power prediction models in Doha, Qatar | |
CN116632823A (zh) | 基于功率转换模型与多层感知机的短期光伏功率预测方法 | |
Farahat et al. | Modeling and sizing optimization of stand-alone hybrid renewable energy systems | |
CN114638396A (zh) | 一种基于神经网络实例化的光伏功率预测方法及系统 | |
Wang et al. | Accurate solar cell modeling via genetic Neural network-based Meta-Heuristic algorithms | |
CN111461297B (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
Omer et al. | Adaptive boosting and bootstrapped aggregation based ensemble machine learning methods for photovoltaic systems output current prediction | |
CN116050592A (zh) | 一种多维度光伏功率预测方法及系统 | |
CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 | |
Lemes et al. | Parameter estimation of photovoltaic system using real condition data | |
Engel | Sizing of a photovoltaic system with battery on the basis of the multi-agent adaptive fuzzy neuronet | |
Mantri et al. | Solar Power Generation Prediction for Better Energy Efficiency using Machine Learning | |
Obeidat et al. | Wind power forecasting using artificial neural network | |
CN108776843A (zh) | 基于波尔兹曼机的光伏超短期功率预测方法 | |
Mohammed et al. | Prediction of solar direct irradiance in Iraq by using artificial neural network |
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 |
Application publication date: 20200807 |
|
RJ01 | Rejection of invention patent application after publication |