CN112001518A - 一种基于云计算的预测和能量管理方法及系统 - Google Patents
一种基于云计算的预测和能量管理方法及系统 Download PDFInfo
- Publication number
- CN112001518A CN112001518A CN201911227965.3A CN201911227965A CN112001518A CN 112001518 A CN112001518 A CN 112001518A CN 201911227965 A CN201911227965 A CN 201911227965A CN 112001518 A CN112001518 A CN 112001518A
- Authority
- CN
- China
- Prior art keywords
- wrnn
- prediction
- data
- model
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000000306 recurrent effect Effects 0.000 claims abstract description 6
- 238000010248 power generation Methods 0.000 claims description 33
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 238000013500 data storage Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012886 linear function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 14
- 238000012546 transfer Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method 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
- G06Q10/04—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
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/44—Arrangements for executing specific programs
- G06F9/455—Emulation; Interpretation; Software simulation, e.g. virtualisation or emulation of application or operating system execution engines
- G06F9/45533—Hypervisors; Virtual machine monitors
- G06F9/45558—Hypervisor-specific management and integration aspects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于云计算的预测和能量管理方法及系统。本发明在对电力供需两端做出预测的基础上，确定最优的电量调度策略。本发明使用小波递归神经网络模型WRNN，高效且准确地对电力供需两端进行预测。同时，云计算体系可以在基于大量数据的电力供需预测任务上进行快速和分布式地计算。
Description
技术领域
本发明属于智能电网领域，具体涉及一种基于云计算的预测和能量管理方法及系统。
背景技术
随着对绿色，清洁的能源体系的提倡，以光伏(photovoltaic，PV)发电，风力发电，潮汐发电等为代表的可再生能源发电方案体现出了巨大的潜力。将这类新能源发电集成到智能电网体系中，在减少排放和保护环境的同时，可以实现发电的“就地取材”，有效解决许多偏远地区的用电问题。但另一方面，这类可再生能源发电方案依赖的自然天气条件都具有周期性或季节性，因此很难提供持续且稳定的电力。例如，太阳能光伏系统在非晴天时的发电能力十分有限；而风速在短时间内都可能出现较大波动，所以风力发电系统也无法满足恒定的电力需求。因此，当使用这类可再生能源进行发电时，必须适当地管理所产生的能量，以减少功率波动造成的影响。
已有研究中提出了多种智能电网的能量管理方案。对于这一问题，主要难点在于智能电网能量调度需要复杂的双向通信基础设施和数据计算技术。并且，在限制能量波动的同时，还必须考虑到部分需求存在波动的设备，如电动汽车等。因此，寻求一种可行的解决方案来最小化电力生产波动的影响并确保具有可变需求的消费设备稳定运行是智能电网能量管理的重要目标。一种传统的做法是使用能量管理系统定期地监控负载，消除电力供应过剩或不足导致的能量不平衡问题。但考虑到可再生能源本身高度的随机性，这种简单的平衡策略是不充分的。
对于这一问题，目标不仅是满足负载需求，保证发电系统的高可靠性，同时还需要提高可再生能源的利用率，使可用电力尽可能多地从可再生能源中产生。因此，电网管理中需要克服由可再生能源带来的大量不确定因素。
以自回归移动平均(auto-regressive moving average，ARMA)模型为代表的时间序列模型已经在功率预测问题中得到了广泛利用，但这类模型需要大量的历史数据才能做出可靠的预测。并且，ARMA与自回归积分移动平均(auto-regressive integrated movingaverage，ARIMA)，马尔可夫方法等模型对季节性的敏感程度较高，这导致这类模型在处理太阳辐射这样随机性高的特征时效果一般。尽管通过一些非线性过程可以对这类序列进行近似，但会限制模型的适用范围。对于这类高度非线性的过程，目前的主流方案是使用深度神经网络等机器学习技术。
发明内容
针对背景技术中的问题，本发明提出了一种基于云计算的预测和能量管理方法，在对电力供需两端做出预测的基础上，确定最优的电量调度策略。本发明使用小波递归神经网络模型WRNN，高效且准确地对电力供需两端进行预测。
为了实现上述目的，本发明的具体技术方案如下：
.一种基于云计算的预测和能量管理方法，所述方法包括如下步骤：
资源和队列管理器RQM在云端上启动虚拟机，所述虚拟机充当扫描节点SN的功能，并接收来源于发电基站和终端负载的原始数据；
当扫描节点SN接收到数据时，开始执行两个方面的任务：(1)基于历史数据对每个发电基站或负载训练WRNN模型进行拟合或预测；(2)对每个发电基站和负载采取小波递归神经网络对电力供应和消耗两端同时进行预测，给出能量调度或分配方案；任务(2)基于任务(1)的结果；
扫描节点SN完成这两项任务后，则输出预测结果和配置方案，所述预测结果和配置方案被发送到数据存储单元SU，状态更新则被发送到资源和队列管理器RQM。
作为一种优选的方案，每个WRNN模型基于对应的历史时间序列数据进行训练，用u(τ)表示这一序列，τn表示数据采样的时间步长；计算该序列的双正交小波分解，从而得到WRNN所需的输入；
分解过程通过小波变换进行：用Wi表示第i轮迭代后的分解，对应的系数集和残差集分别为di(τn)和ai(τn)，从而
W(ai-1(τn))＝[di(τn),ai(τn)] (1)
用x(τn)表示原始序列，则a0(τn)＝x(τn)；假设进行了M级小波分解，共有N个时间步，则输入表示为一个N×(M+1)的矩阵，其中第n行表示时间步τn上的输入向量
u(τn)＝[d1(τn)，d2(τn)，…，dM(τn)，aM(τn)] (2)
每一行作为输入提供到WRNN输入层的M个神经元，然后对于每个时间步τn，WRNN给出τn+r上的预测值，其中r表示预测步长；用f表示整个WRNN网络定义的非线性函数，则f的功能表示为
f(u(τn))＝x(τn+r) (3)
本发明的第二个目的是提供一种基于云计算的预测和能量管理系统，所述系统包括数据存储单元SU、资源和队列管理器RQM、扫描节点SN；所述数据存储单元SU用于保存从发电基站和终端负载收集的原始数据，以及WRNN模型训练后得到的参数；所述资源和队列管理器RQM用于协调云端虚拟机的工作，并根据WRNN模型结果选择最优配置；所述扫描节点SN用于分布式地训练WRNN模型。
本发明的有益效果在于：
本发明提出了一种分布式的控制方法，该方法结合了对发电，负载和需求三个层面的预测。这使得不同的时间尺度上的预测可以进行整合，使系统具有高可扩展性。相比传统的负载控制策略，本发明能更为有效地同时处理稳定性和性能问题。当可再生能源发电日益成为潮流时，这无疑将成为未来智能电网体系的关键问题。
附图说明
图1为基于云计算的预测和能量管理系统框架图。
图2为模型预测值与真实值比较示意图。
图3为节点数增加时的模型预测与调度耗时示意图。
具体实施方式
下面结合附图以及实施例，对本发明的具体实施方案作详细的阐述。需要说明的是，在不存在冲突的情况下，实施例及其中的技术特征可相互组合。
本发明以光伏电站为例，提出基于云计算的智能电网预测和能量管理方法和系统。利用云端的分布式图形处理器(graphic processing unit，GPU)提供的强大计算能力，基于小波递归神经网络(wavelet recurrent neural network，WRNN)对电力供应和需求作出预测，并根据预测结果得到最合理的调度方案。
本发明提出的针对智能电网的能量管理机制由两个部分构成：第一部分主要包括执行预测功能的WRNN模型，第二种类型分析收集和预测得到的数据，以确定能量的分配方案。
WRNN模型
相比普通的递归神经网络，WRNN结合了小波分解的优势。小波分解不仅提供了对数据的另一种表示形式，而且当数据中存在较多冗余时，小波分解作为一种有效的工具，可以用更紧凑的方式表现出数据的内在结构。基于小波表示的数据相比原始数据噪声会大幅降低，因此能够更准确地模拟受多种复杂因素共同影响的时间序列数据，例如影响发电量的天气变化等。
本发明使用WRNN模型给出时域预测，这意味着预测结果具有可读性，而不是仅仅通过小波系数表示。通过使用径向基函数(radial basis function，RBF)的组合近似母小波(mother wavelet)的传递函数来实现WRNN模型，已有文献证明，RBF函数可以充分地接近母小波的一半，因此可以通过适当地移位和缩放一对RBF函数获得较好的近似效果。本发明的做法是在WRNN中使用两个使用RBF传递函数的隐藏层。由于这样得到的系统传递函数组合仅仅近似于母小波，而母小波本身不能作为传递函数，因为缺少不具有一些传递函数必要的基本属性，例如局部最小值和充分的分级响应。因此，WRNN模型使用RBF作为来近似母小波的属性不会产生冗余的信号传递从而影响神经网络本身的功能。
基于WRNN的负载和发电量预测
本发明使用多个WRNN模型分别对发电功率与终端负载进行预测。具体地，为每个发电基站建立一个WRNN模型，基于光伏电池的尺寸，朝向和当地天气情况进行发电功率预测。同时，为用电设备(以建筑物或一组统一的设备为单位)建立WRNN模型，进行负载预测。
每个WRNN基于对应的历史时间序列数据进行训练，例如发电基站测量的发电功率数据或建筑物内所有设备的历史负载信息等。不失一般性，用u(τ)表示这一序列，τn表示数据采样的时间步长(本文取半小时)。计算该序列的双正交小波分解，从而得到WRNN所需的输入。
分解过程通过小波变换进行：用Wi表示第i轮迭代后的分解，对应的系数集和残差集分别为di(τn)和ai(τn)，从而
W(ai-1(τn))＝[di(τn),ai(τn)] (1)
用x(τn)表示原始序列，则a0(τn)＝x(τn)。假设进行了M级小波分解，共有N个时间步，则输入可以表示为一个N×(M+1)的矩阵，其中第n行表示时间步τn上的输入向量
u(τn)＝[d1(τn)，d2(τn)，…，dM(τn)，aM(τn)] (2)
每一行作为输入提供到WRNN输入层的M个神经元，然后对于每个时间步τn，WRNN给出τn+r上的预测值，其中r表示预测步长。用f表示整个WRNN网络定义的非线性函数，则f的功能可以表示为
f(u(τn))＝x(τn+r) (3)
预测和能量管理系统
由于深度神经网络的训练需要大量的计算资源，因此WRNN模型的训练过程，以及所需要数据的存储都在云端进行。当新的发电基站或新的终端负载进入时，只需建立新的WRNN实例即可，这使得方案具有高可扩展性。图1简要描述了基于云计算的预测和能量管理系统框架。其中有三个重要部分：
(1)数据存储单元(storage unit，SU)：保存从发电基站和终端负载收集的原始数据，以及模型训练后得到的参数；
(2)资源和队列管理器(resource and queue manager，RQM)：用于协调云端虚拟机的工作，并根据模型结果选择最优配置；
(3)扫描节点(skimming node，SN)：用于分布式地训练WRNN模型。
首先，RQM在云端上启动虚拟机，这些虚拟机将充当SN的功能，并接收一定数量的不同来源的原始数据，对应于发电基站和终端负载。每个SN都训练一个专用于发电基站或特定终端预测的WRNN模型，当训练完成后即可用于发电量和负载的预测。RQM依赖于底层的云基础架构，例如OpenStack私有云环境。
当SN上接收到数据时，就开始执行两个方面的任务：(1)基于历史数据对每个发电基站或负载训练WRNN模型进行拟合或预测，以及(2)对每个发电基站和负载给出能量调度或分配方案。显然任务(2)需要基于任务(1)的结果，这些过程需要通过云端的GPU设备进行加速。若SN完成这两项任务，则输出(包括预测结果和配置方案)将被发送到SU上，状态更新则被发送到RQM。
当进行了一些基本的配置后，以上过程完全可以在没有人为干预的情形下自动地完成，因此可以实现智能电网的自适应调度。
实验结果与分析
本发明使用一个中型的光伏发电系统测试所提出方案的效果。系统由三个并联的子系统组成：(1)子系统1：由12个阵列组成的223个模块；(2)子系统2：由18个阵列组成的223模块；(3)子系统3规模与子系统1一致。所有光伏电池都安装在开放环境中，不会受到建筑物阴影等因素的影响。整个系统的标称峰值功率为244.4kWp。
由于时间序列的预测本质上是回归问题，因此实验使用平均绝对百分比误差(mean absolute percentage error，MAPE)衡量模型的拟合能力。若真实值与预测值分别为y与
序列的长度为N，则MAPE定义为
表示以百分比表示的预测值相对于真实值的平均偏离程度。
图2给出了针对发电功率和负载功率的预测，基于本文提出的模型的预测值与真实值的在60天内的比较，实线与虚线分别表示真实值与预测值，其中负载功率为随机选择的一栋建筑物的负载。可以明显地看出，模型对真实值的拟合效果达到了较高的水平，实际上，发电功率预测的MAPE值不超过4.5％，负载功率预测的MAPE值不超过2.5％，可以满足实际预测的需求。
为评估该方案的时间效率，实验进一步分析了方案在处理大量节点时所需要的时间。图3给出了不同配置下随节点数(即发电基站与终端负载的总数)增加方案完成预测和调度所需的时间变化。图中虚拟机(VM)的数量即所用GPU的数量。结合成本与时间效率，使用2个GPU是比较合适的方案。
Claims (3)
1.一种基于云计算的预测和能量管理方法，其特征在于，所述方法包括如下步骤：
资源和队列管理器RQM在云端上启动虚拟机，所述虚拟机充当扫描节点SN的功能，并接收来源于发电基站和终端负载的原始数据；
当扫描节点SN接收到数据时，开始执行两个方面的任务：(1)基于历史数据对每个发电基站或负载训练WRNN模型进行拟合或预测；(2)对每个发电基站和负载采取小波递归神经网络对电力供应和消耗两端同时进行预测，给出能量调度或分配方案；任务(2)基于任务(1)的结果；
扫描节点SN完成这两项任务后，则输出预测结果和配置方案，所述预测结果和配置方案被发送到数据存储单元SU，状态更新则被发送到资源和队列管理器RQM。
2.根据权利要求1所述的基于云计算的预测和能量管理方法，其特征在于，每个WRNN模型基于对应的历史时间序列数据进行训练，用u(τ)表示这一序列，τn表示数据采样的时间步长；计算该序列的双正交小波分解，从而得到WRNN所需的输入；
分解过程通过小波变换进行：用Wi表示第i轮迭代后的分解，对应的系数集和残差集分别为di(τn)和ai(τn)，从而
W(ai-1(τn))＝[di(τn),ai(τn)] (1)
用x(τn)表示原始序列，则a0(τn)＝x(τn)；假设进行了M级小波分解，共有N个时间步，则输入表示为一个N×(M+1)的矩阵，其中第n行表示时间步τn上的输入向量
u(τn)＝[d1(τn)，d2(τn)，…，dM(τn)，aM(τn)] (2)
每一行作为输入提供到WRNN输入层的M个神经元，然后对于每个时间步τn，WRNN给出τn+r上的预测值，其中r表示预测步长；用f表示整个WRNN网络定义的非线性函数，则f的功能表示为
f(u(τn))＝x(τn+r) (3)
3.一种基于云计算的预测和能量管理系统，其特征在于，所述系统包括数据存储单元SU、资源和队列管理器RQM、扫描节点SN；所述数据存储单元SU用于保存从发电基站和终端负载收集的原始数据，以及WRNN模型训练后得到的参数；所述资源和队列管理器RQM用于协调云端虚拟机的工作，并根据WRNN模型结果选择最优配置；所述扫描节点SN用于分布式地训练WRNN模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911227965.3A CN112001518A (zh) | 2019-12-04 | 2019-12-04 | 一种基于云计算的预测和能量管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911227965.3A CN112001518A (zh) | 2019-12-04 | 2019-12-04 | 一种基于云计算的预测和能量管理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112001518A true CN112001518A (zh) | 2020-11-27 |
Family
ID=73461922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911227965.3A Pending CN112001518A (zh) | 2019-12-04 | 2019-12-04 | 一种基于云计算的预测和能量管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112001518A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113641445A (zh) * | 2021-07-02 | 2021-11-12 | 山东师范大学 | 基于深度确定性策略的云资源自适应配置方法及系统 |
-
2019
- 2019-12-04 CN CN201911227965.3A patent/CN112001518A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113641445A (zh) * | 2021-07-02 | 2021-11-12 | 山东师范大学 | 基于深度确定性策略的云资源自适应配置方法及系统 |
| CN113641445B (zh) * | 2021-07-02 | 2024-03-26 | 山东师范大学 | 基于深度确定性策略的云资源自适应配置方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Behera et al. | Solar photovoltaic power forecasting using optimized modified extreme learning machine technique | |
| Osório et al. | Short-term wind power forecasting using adaptive neuro-fuzzy inference system combined with evolutionary particle swarm optimization, wavelet transform and mutual information | |
| Capizzi et al. | Advanced and adaptive dispatch for smart grids by means of predictive models | |
| CN110365057B (zh) | 基于强化学习的分布式能源参与配电网调峰调度优化方法 | |
| Zhou et al. | Multi-energy net load forecasting for integrated local energy systems with heterogeneous prosumers | |
| Quan et al. | A computational framework for uncertainty integration in stochastic unit commitment with intermittent renewable energy sources | |
| Ge et al. | Data-driven spatial-temporal prediction of electric vehicle load profile considering charging behavior | |
| CN111670448B (zh) | 用于实时电池操作模式预测和控制的多自主体共享机器学习方法 | |
| Vosoogh et al. | An intelligent day ahead energy management framework for networked microgrids considering high penetration of electric vehicles | |
| CN104376389A (zh) | 基于负载均衡的主从式微电网功率负荷预测系统及其方法 | |
| Ruelens et al. | Demand side management of electric vehicles with uncertainty on arrival and departure times | |
| CN107453396A (zh) | 一种分布式光伏电源出力的多目标优化调度方法 | |
| Tsang et al. | Autonomous household energy management using deep reinforcement learning | |
| CN116207739A (zh) | 配电网优化调度方法、装置、计算机设备和存储介质 | |
| Wang et al. | Robust multi-objective load dispatch in microgrid involving unstable renewable generation | |
| Hu et al. | Probabilistic electric vehicle charging demand forecast based on deep learning and machine theory of mind | |
| Alamaniotis | Synergism of deep neural network and elm for smart very-short-term load forecasting | |
| Huang et al. | Smart energy management system based on reconfigurable AI chip and electrical vehicles | |
| Souabi et al. | Data-driven prediction models of photovoltaic energy for smart grid applications | |
| CN113344283B (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
| Zuo | Integrated forecasting models based on LSTM and TCN for short-term electricity load forecasting | |
| Qi et al. | Optimal scheduling in IoT-driven smart isolated microgrids based on deep reinforcement learning | |
| Vohnout et al. | Living Lab Long-Term Sustainability in Hybrid Access Positive Energy Districts—A Prosumager Smart Fog Computing Perspective | |
| Zhong et al. | PV power short-term forecasting model based on the data gathered from monitoring network | |
| He et al. | Toward application of continuous power forecasts in a regional flexibility market |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201127 |
|
| WD01 | Invention patent application deemed withdrawn after publication |