CN111985805A - 综合能源系统动态需求响应的方法及系统 - Google Patents
综合能源系统动态需求响应的方法及系统 Download PDFInfo
- Publication number
- CN111985805A CN111985805A CN202010830037.2A CN202010830037A CN111985805A CN 111985805 A CN111985805 A CN 111985805A CN 202010830037 A CN202010830037 A CN 202010830037A CN 111985805 A CN111985805 A CN 111985805A
- Authority
- CN
- China
- Prior art keywords
- illumination
- temperature
- distribution function
- power
- load
- 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
- 230000004044 response Effects 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000005286 illumination Methods 0.000 claims abstract description 99
- 238000005315 distribution function Methods 0.000 claims abstract description 84
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 230000009467 reduction Effects 0.000 claims abstract description 29
- 238000010248 power generation Methods 0.000 claims abstract description 23
- 230000005611 electricity Effects 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 27
- 230000007704 transition Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000000556 factor analysis Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 241000039077 Copula Species 0.000 description 14
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000005855 radiation Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004378 air conditioning Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000007619 statistical method 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
- 238000005516 engineering process Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process 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
- 238000007781 pre-processing Methods 0.000 description 1
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
- G06Q10/06—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
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- Educational Administration (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明公开了一种综合能源系统动态需求响应的方法及系统,方法包括以下步骤:获取室外温度和光照数据并生成分布函数;求取考虑温度和光照相关性的联合分布函数;求取考虑温度和光照动态相关性的联合分布函数;得到各变量的边缘分布函数并生成N*K高维样本;对高维样本经过场景削减和降维处理;计算分布式光伏电源系统中的有功出力和热负荷中的热负荷功率;建立基于多任务学习的节点冷/热/电/气负荷物理模型,计算电_热_气的综合潮流;建立基于统计机器学习的随机响应面回归模型,快速计算概率潮流的数字特征;建立基于概率潮流的综合能源系统动态需求响应优化模型,根据求解结果制定匹配光伏发电特征的用户侧动态需求响应策略。
Description
技术领域
本发明涉及一种综合能源系统动态需求响应的方法及系统,属于综合能源系统控制技术领域。
背景技术
综合能源系统理论和技术的发展有助于帮助解决能源安全问题,提高社会效率,促进新能源和可再生能源的发展。需求响应是智能电网的主要特征,它能够提升电网消纳新能源的能力,提高电网设备利用率。随着智能电网的发展,越来越多的负荷将参与互动。因此,迫切需要从传统的面对几百台发电机的发电优化,发展为同时面对几百台发电机和成千上万个负荷的发电与负荷一体化调度,高维数据处理为随机规划带来了困难。空调负荷是优质的需求响应资源,空调调控成为削峰填谷、频率调整新手段。然而气象因素之间的相关性使得分布式光伏电源等间歇性分布式能源和热负荷之间具有一定的相关关系。因此当采用电空调或者热电联产系统供暖时,消耗电网的电力或向电网注入的电力就会受到气象因素的影响,电空调消耗的电力或热电联产发出的电力与分布式光伏电源出力具有一定的相关关系。
目前在综合能源系统采用分布式优化算法的调度策略也较少考虑供需侧互动,现有方法多为已知能源价格情况下综合能源系统优化运行问题,能源用户仅仅是能源价格的被动接受者,且能源供应侧大多仅考虑单个能源供应商。
因此,需要一种基于高维数据统计学习的综合能源系统动态需求响应策略。
发明内容
为了解决上述问题,本发明提出了一种综合能源系统动态需求响应的方法及系统,能够通过综合能源系统需求侧的经济优化目标和供电侧的峰值负荷消减,实现资源的优化配置。
本发明解决其技术问题采取的技术方案是:
第一方面,本发明实施例提供的一种综合能源系统动态需求响应的方法,包括以下步骤:
S1,获取室外温度和光照数据,并生成其分布函数;
S2,处理光照和温度的分布函数,得到考虑温度和光照相关性的联合分布函数;
S3,处理考虑温度和光照相关性的联合分布函数,得到考虑温度和光照动态相关性的联合分布函数;
S4,由考虑温度和光照动态相关性的联合分布函数得到各变量的边缘分布函数,并利用随机场景模拟生成包含Nⅹr个温度样本和Nⅹ(K-r)个光照样本的N*K高维样本;K大于r;
S5,对N*K高维样本先经过场景削减得到n*K样本,再对n*K样本降维处理得到n*k样本,其中n远小于N且k远小于K;
S6,利用光伏电源额定功率和n*K样本计算分布式光伏电源系统中的有功出力和热负荷中的热负荷功率;
S7,建立基于多任务学习的节点冷/热/电/气负荷物理模型,利用光伏有功出力和热负荷功率计算n次电_热_气的综合潮流,得到n*1的潮流结果;
S8,建立基于统计机器学习的随机响应面回归模型,以得到的n*k样本作为输入矩阵、n*1的潮流结果作为输出矩阵训练模型,利用拟合系数快速计算综合能源系统的概率潮流的数字特征;
S9,建立基于概率潮流的综合能源系统动态需求响应优化模型,并对该优化模型进行求解,根据求解结果制定匹配光伏发电特征的用户侧动态需求响应策略。
作为本实施例一种可能的实现方式,在步骤S1中,室外温度和光照共K个变量,需要对光照的真实数据进行预处理,去除光照为0的情况;预设温度的概率密度函数符合正态分布,光照的概率密度函数符合beta分布;光照和温度的分布函数参数由室外温度和光照的真实数据计算产生。
作为本实施例一种可能的实现方式,在步骤S2中,使用copula函数处理光照和温度的分布函数,所述Copula函数表达式类型包括:正态Copula函数、t-Copula函数、Gumbel-Copula、Clayton-Copula和Frank-Copula函数,并选择其中欧式距离更小的Copula函数以作为考虑温度和光照相关性的联合分布函数。
作为本实施例一种可能的实现方式,在步骤S3中,使用Markov状态转移矩阵处理考虑温度和光照相关性的联合分布函数,所述Markov状态转移矩阵为:
Pij=P(Xn+1=si|Xn=si)
其中,Pij为状态转移概率,si和sj∈s,s为状态变量序列。
作为本实施例一种可能的实现方式,所述步骤S3,包括:
S31,选取考虑温度和光照相关性的联合分布函数任一列向量作为新矩阵的初始列,并计算下一时刻多维变量的状态转移概率,依据最大状态转移概率原则选取下一时刻变量所属区域;
S32,对所述S31重复执行K次,得到考虑温度和光照动态相关性的联合分布函数。
作为本实施例一种可能的实现方式,在步骤S4中,所述随机场景模拟是由基于统计学的随机变量分布函数生成。
作为本实施例一种可能的实现方式,在步骤S5中,所述场景削减是指减小样本的个数,包括但不限于采用K-means算法和粒子群算法减小样本的个数;所述降维处理是指减小每一个样本的特征维度,包括但不限于主成分分析、奇异值分解、非负矩阵分解、因子分析、Fisher线性判别和基于矩阵分解的降维处理方法。
作为本实施例一种可能的实现方式,所述步骤S6,包括:
S61,利用生成的n*K温度光照计样本算光伏电源的电池温度;
S62,利用光照、光伏电源的电池温度以及光伏电源额定功率求得光伏电源的有功出力情况;
S63,在室内温度固定的情况下利用室外温度计算的热负荷功率。
作为本实施例一种可能的实现方式,在步骤S7中,所述基于多任务学习的节点冷/热/电/气负荷物理模型的过程包括分位数损失函数建模、模型参数优化、节点负荷的条件分位数密度计算;
S72:使用得到的光伏有功出力和热负荷功率计算n次电_热_气的综合潮流。
作为本实施例一种可能的实现方式,在步骤S8中,
所述基于统计机器学习的随机响应面回归模型为:
其中,a为多项式展开常系数向量;ξ为n维标准正态分布变量;Y为响应向量;Hm(ξ)为m阶Hermite多项式;
S82:所述综合能源系统的概率潮流的数字特征为:
其中,E(Y)是指期望,Var(Y)是指方差,a为多项式展开常系数。
作为本实施例一种可能的实现方式,在步骤S9中,
所述基于概率潮流的综合能源系统动态需求响应策略优化模型的表达式为:
minf′=[PLR,VPI]
其中,PLR,VPI分别是指控制方引起的网损和电压变化;X是决策向量;ξ是随机向量,物理意义是节点负荷功率和光伏发电功率;Qi和Pi分别是在节点i注入的无功功率和有功功率,PDi和QDi分别是节点i的有功负荷和无功负荷,Qgi是光伏发电在节点i输出的无功功率出力,Pgi是在节点i接入的光伏发电的有功功率出力;Vi是节点i的电压幅值;Pimin和Pimax为最大冷/热/电/气负荷响应容量的最大值和最小值;Pl、Plmax分别为支路l的传输功率和功率传输最大许可值。
作为本实施例一种可能的实现方式,所述对该优化模型进行求解是指:采用合理的算法处理多个节点负荷占空比解的高维优化问题,同时解决维数灾难问题,避免产生陷入局部最优解的情况。
第二方面,本发明实施例提供的一种综合能源系统动态需求响应的系统,包括:
调度决策生成模块,用于获取室外温度和光照数据,并生成其分布函数;
第一联合分布函数模块,用于处理光照和温度的分布函数,得到考虑温度和光照相关性的联合分布函数;
第二联合分布函数模块,用于处理考虑温度和光照相关性的联合分布函数,得到考虑温度和光照动态相关性的联合分布函数;
高维样本生成模块,用于由考虑温度和光照动态相关性的联合分布函数得到各变量的边缘分布函数,并利用随机场景模拟生成包含Nⅹr个温度样本和Nⅹ(K-r)个光照样本的N*K高维样本;K大于r;
高维样本处理模块,用于对N*K高维样本先经过场景削减得到n*K样本,再对n*K样本降维处理得到n*k样本,其中n远小于N且k远小于K;
出力和功率计算模块,用于利用光伏电源额定功率和n*K样本计算分布式光伏电源系统中的有功出力和热负荷中的热负荷功率;
负荷物理模型模块,用于建立基于多任务学习的节点冷/热/电/气负荷物理模型,利用光伏有功出力和热负荷功率计算n次电_热_气的综合潮流,得到n*1的潮流结果;
数字特征计算模块,用于建立基于统计机器学习的随机响应面回归模型,以得到的n*k样本作为输入矩阵、n*1的潮流结果作为输出矩阵训练模型,利用拟合系数快速计算综合能源系统的概率潮流的数字特征;
动态需求响应优化模型建立与求解模块,用于建立基于概率潮流的综合能源系统动态需求响应优化模型,并对该优化模型进行求解,根据求解结果制定匹配光伏发电特征的用户侧动态需求响应策略。
本发明实施例的技术方案可以具有的有益效果如下:
本发明将基于综合能源系统负荷类型和性质进行统计分析结果,通过统计机器学习方法对历史运行数据的挖掘或大数据方法分析需求侧用户的行为和规律,了解各类用户的用能偏好、负荷特性和消费模式,使得供电侧和需求侧分别根据自身的电力需求价值观念、用能偏好、供电特性或负荷特性,确定自身的参与方式和效用函数,解决了高维数据带来的维数灾难问题,得到最优供电决策和用电决策,实现需求侧的经济优化目标和供电侧的峰值负荷消减,从而实现资源的优化配置。
本发明提出了一种基于高维数据统计学习的综合能源系统动态需求响应策略,充分表征天气变化对气象敏感负荷的扰动,利用多任务学习对节点冷/热/电/气负荷纵向数据集进行模拟;对于节点冷/热/电/气负荷控制策略需要克服光伏波动性带来的不确定问题,提出一种基于统计机器学习的概率潮流计算方法,克服高维数据的维数灾难问题,获得潮流计算结果在统计学中的正确性和可靠性;不同节点制定不同的用户侧动态需求响应策略,利用差分分组算法求解需求响应最优控制策略,解决高维全局优化问题。
附图说明:
图1是根据一示例性实施例示出的一种综合能源系统动态需求响应的方法的流程图;
图2是根据一示例性实施例示出的一种综合能源系统动态需求响应的系统的结构图;
图3是根据一示例性实施例示出的一种综合能源系统动态需求响应的方法的具体实施流程图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明:
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
图1是根据一示例性实施例示出的综合能源系统动态需求响应的方法的流程图。如图1所示,本发明实施例提供的一种综合能源系统动态需求响应的方法,包括以下步骤:
S1,获取室外温度和光照数据,并生成其分布函数;
S2,处理光照和温度的分布函数,得到考虑温度和光照相关性的联合分布函数;
S3,处理考虑温度和光照相关性的联合分布函数,得到考虑温度和光照动态相关性的联合分布函数;
S4,由考虑温度和光照动态相关性的联合分布函数得到各变量的边缘分布函数,并利用随机场景模拟生成包含Nⅹr个温度样本和Nⅹ(K-r)个光照样本的N*K高维样本;K大于r;
S5,对N*K高维样本先经过场景削减得到n*K样本,再对n*K样本降维处理得到n*k样本,其中n远小于N且k远小于K;
S6,利用光伏电源额定功率和n*K样本计算分布式光伏电源系统中的有功出力和热负荷中的热负荷功率;
S7,建立基于多任务学习的节点冷/热/电/气负荷物理模型,利用光伏有功出力和热负荷功率计算n次电_热_气的综合潮流,得到n*1的潮流结果;
S8,建立基于统计机器学习的随机响应面回归模型,以得到的n*k样本作为输入矩阵、n*1的潮流结果作为输出矩阵训练模型,利用拟合系数快速计算综合能源系统的概率潮流的数字特征;
S9,建立基于概率潮流的综合能源系统动态需求响应优化模型,并对该优化模型进行求解,根据求解结果制定匹配光伏发电特征的用户侧动态需求响应策略。
作为本实施例一种可能的实现方式,在步骤S1中,室外温度和光照共K个变量,需要对光照的真实数据进行预处理,去除光照为0的情况;预设温度的概率密度函数符合正态分布,光照的概率密度函数符合beta分布;光照和温度的分布函数参数由室外温度和光照的真实数据计算产生。
作为本实施例一种可能的实现方式,在步骤S2中,使用copula函数处理光照和温度的分布函数,所述Copula函数表达式类型包括:正态Copula函数、t-Copula函数、Gumbel-Copula、Clayton-Copula和Frank-Copula函数,并选择其中欧式距离更小的Copula函数以作为考虑温度和光照相关性的联合分布函数。
作为本实施例一种可能的实现方式,在步骤S3中,使用Markov状态转移矩阵处理考虑温度和光照相关性的联合分布函数,所述Markov状态转移矩阵为:
Pij=P(Xn+1=si|Xn=si)
其中,Pij为状态转移概率,si和sj∈s,s为状态变量序列。
作为本实施例一种可能的实现方式,所述步骤S3,包括:
S31,选取考虑温度和光照相关性的联合分布函数任一列向量作为新矩阵的初始列,并计算下一时刻多维变量的状态转移概率,依据最大状态转移概率原则选取下一时刻变量所属区域;
S32,对所述S31重复执行K次,得到考虑温度和光照动态相关性的联合分布函数。
作为本实施例一种可能的实现方式,在步骤S4中,所述随机场景模拟是由基于统计学的随机变量分布函数生成。
作为本实施例一种可能的实现方式,在步骤S5中,所述场景削减是指减小样本的个数,包括但不限于采用K-means算法和粒子群算法减小样本的个数;所述降维处理是指减小每一个样本的特征维度,包括但不限于主成分分析、奇异值分解、非负矩阵分解、因子分析、Fisher线性判别和基于矩阵分解的降维处理方法。
作为本实施例一种可能的实现方式,所述步骤S6,包括:
S61,利用生成的n*K温度光照计样本算光伏电源的电池温度;
S62,利用光照、光伏电源的电池温度以及光伏电源额定功率求得光伏电源的有功出力情况;
S63,在室内温度固定的情况下利用室外温度计算的热负荷功率。
作为本实施例一种可能的实现方式,在步骤S7中,所述基于多任务学习的节点冷/热/电/气负荷物理模型的过程包括分位数损失函数建模、模型参数优化、节点负荷的条件分位数密度计算;
S72:使用得到的光伏有功出力和热负荷功率计算n次电_热_气的综合潮流。
作为本实施例一种可能的实现方式,在步骤S8中,
所述基于统计机器学习的随机响应面回归模型为:
其中,a为多项式展开常系数向量;ξ为n维标准正态分布变量;Y为响应向量;Hm(ξ)为m阶Hermite多项式;
S82:所述综合能源系统的概率潮流的数字特征为:
其中,E(Y)是指期望,Var(Y)是指方差,a为多项式展开常系数。
作为本实施例一种可能的实现方式,在步骤S9中,
所述基于概率潮流的综合能源系统动态需求响应策略优化模型的表达式为:
min f′=[PLR,VPI]
其中,PLR,VPI分别是指控制方引起的网损和电压变化;X是决策向量;ξ是随机向量,物理意义是节点负荷功率和光伏发电功率;Qi和Pi分别是在节点i注入的无功功率和有功功率,PDi和QDi分别是节点i的有功负荷和无功负荷,Qgi是光伏发电在节点i输出的无功功率出力,Pgi是在节点i接入的光伏发电的有功功率出力;Vi是节点i的电压幅值;Pimin和Pimax为最大冷/热/电/气负荷响应容量的最大值和最小值;Pl、Plmax分别为支路l的传输功率和功率传输最大许可值。
作为本实施例一种可能的实现方式,所述对该优化模型进行求解是指:采用合理的算法处理多个节点负荷占空比解的高维优化问题,同时解决维数灾难问题,避免产生陷入局部最优解的情况。
图2是根据一示例性实施例示出的一种综合能源系统动态需求响应的系统的结构图。如图2所示,本发明实施例提供的一种综合能源系统动态需求响应的系统,包括:
调度决策生成模块,用于获取室外温度和光照数据,并生成其分布函数;
第一联合分布函数模块,用于处理光照和温度的分布函数,得到考虑温度和光照相关性的联合分布函数;
第二联合分布函数模块,用于处理考虑温度和光照相关性的联合分布函数,得到考虑温度和光照动态相关性的联合分布函数;
高维样本生成模块,用于由考虑温度和光照动态相关性的联合分布函数得到各变量的边缘分布函数,并利用随机场景模拟生成包含Nⅹr个温度样本和Nⅹ(K-r)个光照样本的N*K高维样本;K大于r;
高维样本处理模块,用于对N*K高维样本先经过场景削减得到n*K样本,再对n*K样本降维处理得到n*k样本,其中n远小于N且k远小于K;
出力和功率计算模块,用于利用光伏电源额定功率和n*K样本计算分布式光伏电源系统中的有功出力和热负荷中的热负荷功率;
负荷物理模型模块,用于建立基于多任务学习的节点冷/热/电/气负荷物理模型,利用光伏有功出力和热负荷功率计算n次电_热_气的综合潮流,得到n*1的潮流结果;
数字特征计算模块,用于建立基于统计机器学习的随机响应面回归模型,以得到的n*k样本作为输入矩阵、n*1的潮流结果作为输出矩阵训练模型,利用拟合系数快速计算综合能源系统的概率潮流的数字特征;
动态需求响应优化模型建立与求解模块,用于建立基于概率潮流的综合能源系统动态需求响应优化模型,并对该优化模型进行求解,根据求解结果制定匹配光伏发电特征的用户侧动态需求响应策略。
本发明将基于综合能源系统负荷类型和性质进行统计分析结果,通过统计机器学习方法对历史运行数据的挖掘或大数据方法分析需求侧用户的行为和规律,了解各类用户的用能偏好、负荷特性和消费模式,使得供电侧和需求侧分别根据自身的电力需求价值观念、用能偏好、供电特性或负荷特性,确定自身的参与方式和效用函数,解决高维数据带来的维数灾难问题,得到最优供电决策和用电决策,实现需求侧的经济优化目标和供电侧的峰值负荷消减,从而实现资源的优化配置。
图3是根据一示例性实施例示出的一种综合能源系统动态需求响应的方法的具体实施流程图。如图3所示,基于本发明所述方法是基于高维数据统计学习的综合能源系统动态需求响应策略,其中综合能源系统包含分布式光伏电源和多节点冷/热/电/气负荷,方法包括以下步骤:
步骤S1,室外温度和光照共K个变量,根据获取的真实数据各自计算其分布函数。
具体地,真实数据的来源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)中获取整个夏季期间每日24点室外环境温度数据;从太阳辐射测量仪采集夏季期间每日24点的光照强度;所述的气象数据采集系统、太阳辐射测量仪为一个系统,每小时采集的室外环境温度和太阳辐射量称为第i个变量,整个夏季期间共i×24×61个变量。
步骤S1具体包括:
S11,需要对光照的真实数据进行预处理,去除光照为0的情况;
S12,预设温度的概率密度函数符合正态分布,光照的概率密度函数符合beta分布;
S13,由真实数据计算所述光照和温度的分布函数参数。
步骤S2,使用copula函数处理光照和温度的分布函数,得到考虑温度和光照相关性的联合分布函数。
具体地,copula函数是指在已知多个边缘分布的随机变量下其相关性进行建模的工具,以二元为例:
C(u,v)=H(F-1(u),G-1(v))
其中,H(x,y)是一个具有连续边缘分布F(x)与G(y)的二元联合分布函数,函数C是对应存在的唯一的copula函数。
所述步骤S2具体包括:
S21,所述Copula函数表达式类型包括:正态Copula函数、t-Copula函数、Gumbel-Copula、Clayton-Copula和Frank-Copula函数,并选择其中欧式距离更小的Copula函数以作为所述联合分布函数;
S22,计算所述联合分布函数时,有多个节点的温度和光照,因此也考虑了各光照、各温度之间的相关性。
步骤S3,使用Markov状态转移矩阵处理联合分布函数,最终得到考虑温度和光照动态相关性的联合分布函数。
具体地,所述Markov状态转移矩阵为:
Pij=P(Xn+1=si|Xn=si),si,sj∈s
其中,Pij为状态转移概率,s为状态变量序列。
所述步骤S3具体包括:
S31,首先选取所述联合分布函数任一列向量作为新矩阵的初始列,并计算下一时刻多维变量的状态转移概率,依据最大状态转移概率原则选取下一时刻变量所属区域;
S32,对所述S31重复执行K次,得到所述最终考虑温度和光照动态相关性的联合分布函数。
步骤S4,由最终的联合分布函数得到各变量的边缘分布函数,随机场景模拟生成Nⅹr个温度和Nⅹ(K-r)个光照样本。
所述场景模拟是基于统计学的变量的分布函数随机生成。
步骤S5,含多个节点温度和光照的N*K高维样本经过场景削减后得到n*K的样本,再降维后得到n*k的样本,其中n远小于N且k远小于K。
具体地,使用K-means方法进行场景削减得到n*K的样本,再使用非负矩阵方法进行降维得到n*k的样本。
步骤S6,使用获取到的光伏电源额定功率、生成n*K的光照温度样本计算分布式光伏电源系统中的有功出力和热负荷中的热负荷功率。
具体地,通过采集的预设期间的室外环境温度和太阳光辐射度计算光伏电源的电池温度,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阵列的太阳辐射[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[℃]。
具体地,通过如下公式计算光伏出力情况:
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[℃]。
利用所述生成的室外温度,在室内温度固定的情况下计算所述的热负荷功率。
步骤S7,建立基于多任务学习的节点冷/热/电/气负荷物理模型,使用得到的光伏有功出力和热负荷功率计算n次电_热_气的综合潮流。
所述步骤S7具体包括:
S71:所述基于多任务学习的节点冷/热/电/气负荷物理模型的过程包括分位数损失函数建模、模型参数优化、节点负荷的条件分位数密度计算;
S73:使用得到的光伏有功出力和热负荷功率计算n次电_热_气的综合潮流。
步骤S8,建立基于统计机器学习的随机响应面回归模型,以得到的n*k样本作为输入矩阵、n*1的潮流结果作为输出矩阵训练模型,利用拟合系数快速计算综合能源系统的概率潮流的数字特征。
具体地,所述随机响应面模型是指:
其中,a为多项式展开常系数向量;ξ为n维标准正态分布变量;Y为响应向量;Hm(ξ)为m阶Hermite多项式;使用二阶模型。
所述快速求取概率潮流的数字特征是指:
其中,E(Y)是指期望,Var(Y)是指方差,a为多项式展开常系数。
步骤S9,建立基于概率潮流的综合能源系统动态需求响应策略优化模型。
所述基于概率潮流的综合能源系统动态需求响应策略优化模型的目标函数包括电损和电压两个方面的指标,约束函数使用不等式约束包括但不限于坎泰利不等式、切比雪夫不等式、琴声不等式、赫尔德不等式和施瓦茨不等式等。
所述基于概率潮流的综合能源系统动态需求响应策略优化模型的表达式为:
min f′=[PLR,VPI]
其中,PLR,VPI分别是指控制方引起的网损和电压变化;X是决策向量;ξ是随机向量,物理意义是节点负荷功率和光伏发电功率;Qi和Pi分别是在节点i注入的无功功率和有功功率,PDi和QDi分别是节点i的有功负荷和无功负荷,Qgi是光伏发电在节点i输出的无功功率出力,Pgi是在节点i接入的光伏发电的有功功率出力;Vi是节点i的电压幅值;Pimin和Pimax为最大冷/热/电/气负荷响应容量的最大值和最小值;Pl、Plmax分别为支路l的传输功率和功率传输最大许可值。
步骤S10,求解优化模型,制定出匹配光伏发电特征的用户侧动态需求响应策略。
具体地,采用差分分组算法分解处理以上高维优化问题,将高维问题分解为一系列小规模简单的子问题,每个子问题以迭代的方式进行优化,最终制定出匹配光伏发电特征的用户侧动态需求响应策略。
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。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本申请提供的实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。
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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种综合能源系统动态需求响应的方法,其特征是,包括以下步骤:
S1,获取室外温度和光照数据,并生成其分布函数;
S2,处理光照和温度的分布函数,得到考虑温度和光照相关性的联合分布函数;
S3,处理考虑温度和光照相关性的联合分布函数,得到考虑温度和光照动态相关性的联合分布函数;
S4,由考虑温度和光照动态相关性的联合分布函数得到各变量的边缘分布函数,并利用随机场景模拟生成包含Nⅹr个温度样本和Nⅹ(K-r)个光照样本的N*K高维样本;
S5,对N*K高维样本先经过场景削减得到n*K样本,再对n*K样本降维处理得到n*k样本,其中n远小于N且k远小于K;
S6,利用光伏电源额定功率和n*K样本计算分布式光伏电源系统中的有功出力和热负荷中的热负荷功率;
S7,建立基于多任务学习的节点冷/热/电/气负荷物理模型,利用光伏有功出力和热负荷功率计算n次电_热_气的综合潮流,得到n*1的潮流结果;
S8,建立基于统计机器学习的随机响应面回归模型,以得到的n*k样本作为输入矩阵、n*1的潮流结果作为输出矩阵训练模型,利用拟合系数快速计算综合能源系统的概率潮流的数字特征;
S9,建立基于概率潮流的综合能源系统动态需求响应优化模型,并对该优化模型进行求解,根据求解结果制定匹配光伏发电特征的用户侧动态需求响应策略。
2.根据权利要求1所述的综合能源系统动态需求响应的方法,其特征是,在步骤S1中,室外温度和光照共K个变量,需要对光照的真实数据进行预处理,去除光照为0的情况;预设温度的概率密度函数符合正态分布,光照的概率密度函数符合beta分布;光照和温度的分布函数参数由室外温度和光照的真实数据计算产生。
3.根据权利要求1所述的综合能源系统动态需求响应的方法,其特征是,在步骤S3中,使用Markov状态转移矩阵处理考虑温度和光照相关性的联合分布函数。
4.根据权利要求1所述的综合能源系统动态需求响应的方法,其特征是,所述步骤S3,包括:
S31,选取考虑温度和光照相关性的联合分布函数任一列向量作为新矩阵的初始列,并计算下一时刻多维变量的状态转移概率,依据最大状态转移概率原则选取下一时刻变量所属区域;
S32,对所述S31重复执行K次,得到考虑温度和光照动态相关性的联合分布函数。
5.根据权利要求1所述的综合能源系统动态需求响应的方法,其特征是,在步骤S5中,所述场景削减是指减小样本的个数,包括但不限于采用K-means算法和粒子群算法减小样本的个数;所述降维处理是指减小每一个样本的特征维度,包括但不限于主成分分析、奇异值分解、非负矩阵分解、因子分析、Fisher线性判别和基于矩阵分解的降维处理方法。
6.根据权利要求1所述的综合能源系统动态需求响应的方法,其特征是,所述步骤S6,包括:
S61,利用生成的n*K温度光照计样本算光伏电源的电池温度;
S62,利用光照、光伏电源的电池温度以及光伏电源额定功率求得光伏电源的有功出力情况;
S63,在室内温度固定的情况下利用室外温度计算的热负荷功率。
7.根据权利要求1所述的综合能源系统动态需求响应的方法,其特征是,在步骤S7中,所述基于多任务学习的节点冷/热/电/气负荷物理模型的过程包括分位数损失函数建模、模型参数优化、节点负荷的条件分位数密度计算。
9.根据权利要求1所述的综合能源系统动态需求响应的方法,其特征是,在步骤S9中,
所述基于概率潮流的综合能源系统动态需求响应策略优化模型的表达式为:
min f′=[PLR,VPI]
其中,PLR,VPI分别是指控制方引起的网损和电压变化;X是决策向量;ξ是随机向量,物理意义是节点负荷功率和光伏发电功率;Qi和Pi分别是在节点i注入的无功功率和有功功率,PDi和QDi分别是节点i的有功负荷和无功负荷,Qgi是光伏发电在节点i输出的无功功率出力,Pgi是在节点i接入的光伏发电的有功功率出力;Vi是节点i的电压幅值;Pimin和Pimax为最大冷/热/电/气负荷响应容量的最大值和最小值;Pl、Plmax分别为支路l的传输功率和功率传输最大许可值。
10.一种综合能源系统动态需求响应的系统,其特征是,包括:
调度决策生成模块,用于获取室外温度和光照数据,并生成其分布函数;
第一联合分布函数模块,用于处理光照和温度的分布函数,得到考虑温度和光照相关性的联合分布函数;
第二联合分布函数模块,用于处理考虑温度和光照相关性的联合分布函数,得到考虑温度和光照动态相关性的联合分布函数;
高维样本生成模块,用于由考虑温度和光照动态相关性的联合分布函数得到各变量的边缘分布函数,并利用随机场景模拟生成包含Nⅹr个温度样本和Nⅹ(K-r)个光照样本的N*K高维样本;
高维样本处理模块,用于对N*K高维样本先经过场景削减得到n*K样本,再对n*K样本降维处理得到n*k样本,其中n远小于N且k远小于K;
出力和功率计算模块,用于利用光伏电源额定功率和n*K样本计算分布式光伏电源系统中的有功出力和热负荷中的热负荷功率;
负荷物理模型模块,用于建立基于多任务学习的节点冷/热/电/气负荷物理模型,利用光伏有功出力和热负荷功率计算n次电_热_气的综合潮流,得到n*1的潮流结果;
数字特征计算模块,用于建立基于统计机器学习的随机响应面回归模型,以得到的n*k样本作为输入矩阵、n*1的潮流结果作为输出矩阵训练模型,利用拟合系数快速计算综合能源系统的概率潮流的数字特征;
动态需求响应优化模型建立与求解模块,用于建立基于概率潮流的综合能源系统动态需求响应优化模型,并对该优化模型进行求解,根据求解结果制定匹配光伏发电特征的用户侧动态需求响应策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010830037.2A CN111985805A (zh) | 2020-08-17 | 2020-08-17 | 综合能源系统动态需求响应的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010830037.2A CN111985805A (zh) | 2020-08-17 | 2020-08-17 | 综合能源系统动态需求响应的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111985805A true CN111985805A (zh) | 2020-11-24 |
Family
ID=73434620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010830037.2A Pending CN111985805A (zh) | 2020-08-17 | 2020-08-17 | 综合能源系统动态需求响应的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985805A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613697A (zh) * | 2020-12-01 | 2021-04-06 | 南京南瑞信息通信科技有限公司 | 供暖场景下考虑燃气三联供的多能协同方法、装置及系统 |
CN112950409A (zh) * | 2021-04-19 | 2021-06-11 | 工数科技(广州)有限公司 | 煤气和蒸汽能源综合利用系统生产调度优化方法 |
CN113837485A (zh) * | 2021-09-30 | 2021-12-24 | 国网北京市电力公司 | 光储微网系统源荷特性预测方法、系统、装置及存储介质 |
-
2020
- 2020-08-17 CN CN202010830037.2A patent/CN111985805A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613697A (zh) * | 2020-12-01 | 2021-04-06 | 南京南瑞信息通信科技有限公司 | 供暖场景下考虑燃气三联供的多能协同方法、装置及系统 |
CN112613697B (zh) * | 2020-12-01 | 2022-06-14 | 南京南瑞信息通信科技有限公司 | 供暖场景下考虑燃气三联供的多能协同方法、装置及系统 |
CN112950409A (zh) * | 2021-04-19 | 2021-06-11 | 工数科技(广州)有限公司 | 煤气和蒸汽能源综合利用系统生产调度优化方法 |
CN113837485A (zh) * | 2021-09-30 | 2021-12-24 | 国网北京市电力公司 | 光储微网系统源荷特性预测方法、系统、装置及存储介质 |
CN113837485B (zh) * | 2021-09-30 | 2023-09-26 | 国网北京市电力公司 | 光储微网系统源荷特性预测方法、系统、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Stochastic multi-scenario optimization for a hybrid combined cooling, heating and power system considering multi-criteria | |
Teo et al. | Forecasting of photovoltaic power using extreme learning machine | |
Razali et al. | Backward reduction application for minimizing wind power scenarios in stochastic programming | |
CN111681130B (zh) | 一种考虑条件风险价值的综合能源系统优化调度方法 | |
Zhuang et al. | Stochastic multi-timescale energy management of greenhouses with renewable energy sources | |
Mosadeghy et al. | A time-dependent approach to evaluate capacity value of wind and solar PV generation | |
CN111985805A (zh) | 综合能源系统动态需求响应的方法及系统 | |
CN106849190A (zh) | 一种基于Rollout算法的多能互补微网实时调度方法 | |
CN110889603A (zh) | 一种基于PCA-Copula理论考虑风电相关性的电力系统经济调度方法 | |
Liu et al. | Two-layer multiple scenario optimization framework for integrated energy system based on optimal energy contribution ratio strategy | |
CN116523240A (zh) | 一种基于mcmc方法预测的微电网评价反馈调度方法 | |
CN115425668A (zh) | 一种基于电力系统时序生产模拟的储能容量优化配置方法 | |
Li et al. | Intraday multi-objective hierarchical coordinated operation of a multi-energy system | |
Seyam et al. | Multi-objective optimization of hydrogen production in hybrid renewable energy systems | |
Li et al. | Optimization of dynamic dispatch for multiarea integrated energy system based on hierarchical learning method | |
Yang et al. | A two-stage scenario generation method for wind-solar joint power output considering temporal and spatial correlations | |
CN109409609A (zh) | 综合能源系统多能流供需平衡的概率约束建模方法和装置 | |
Fu | Recommended air conditioner temperature based on probabilistic power flow considering high-dimensional stochastic variables | |
CN113158547A (zh) | 计及经济性和可靠性的区域综合能源系统优化配置方法 | |
Yang et al. | Power generation forecasting model for photovoltaic array based on generic algorithm and BP neural network | |
CN114498729B (zh) | 一种计及多维相关性的主动配电网弃光评估系统 | |
Yu et al. | Research on scene generation method of wind and solar active power output based on k-medoids clustering and generative adversarial networks | |
CN111126772A (zh) | 一种模拟电力现货市场平衡的方法及系统 | |
CN107292768B (zh) | 一种光伏发电系统日发电量模糊概率计算方法及装置 | |
Shadaei et al. | Probabilistic Microgrid Economic Dispatch via Economic Model Predictive Control Considering Weather and Load Data Uncertainty |
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 |