CN112101663A - 一种电网负荷预测方法 - Google Patents
一种电网负荷预测方法 Download PDFInfo
- Publication number
- CN112101663A CN112101663A CN202010975702.7A CN202010975702A CN112101663A CN 112101663 A CN112101663 A CN 112101663A CN 202010975702 A CN202010975702 A CN 202010975702A CN 112101663 A CN112101663 A CN 112101663A
- Authority
- CN
- China
- Prior art keywords
- load
- user
- power grid
- power
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 6
- 238000012795 verification Methods 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 4
- 235000013339 cereals Nutrition 0.000 abstract description 2
- 238000013178 mathematical model Methods 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000004088 simulation 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Development Economics (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种电网负荷预测方法涉及一种基于大数据与部分可观测马尔可夫决策过程的电网负荷检验及预测策略的研究。它以电网数据中心采集的负荷历史数据为基础,同时考虑负荷类型的分类:如低谷类负荷和可转移类负荷,以部分可观测马尔可夫决策过程为目标函数,结合正交匹配跟踪算法,建立数学模型并进行现时负荷分析、校验以及短时负荷预测,生成日前负荷分析报告。这一研究使得电网负荷校验以及短时电网负荷预测得以实现,调度中心可根据结果对收集到的负荷数据进行校验及对部分可控负荷进行有效日前调度,从而实现用户和电网最优经济运行。
Description
技术领域
本发明涉及一种基于大数据与部分可观测马尔可夫决策过程的电网负荷检验及预测策略的研究。
背景技术
随着新能源产业的不断发展,新能源在电网中的比例逐年上升。以风光为主的大型新能源地面电站主要集中在西北地区(主要包括甘肃、宁夏、新疆和蒙西)。但由于当地消纳能力有限,且无足够多的电力外送通道,因此在过去几年装机量快速增长的同时,弃光限电情况逐年恶化。2015年全国大多数地区光伏发电运行情况良好,年均利用小时数约1,133小时。相比之下,西北限电地区平均利用小时数不达全国平均水平,甘肃和新疆自治区全年平均利用小时数仅为1,061小时和1,042小时,弃光率高达31%和26%。2016年一季度弃光程度进一步加剧,全国一季度弃光19亿kwh中,宁夏、新疆和甘肃三省弃光达18亿kwh,占弃光总量近95%。其中新疆和甘肃弃光量分别占全国的40%和44%,弃光率高达52%和39%。截止于2016年底,全辽宁省可再生能源发电装机净增91.7万千瓦,总装机突破1000万千瓦大关(1048.2万千瓦);可再生能源发电量净增44亿千瓦时,总发电量逼近200亿千瓦时(194.9亿千瓦时)。两项指标双双超过预期。尽管全省风电弃风比重低于上年,但是弃风问题仍然是当前大规模新能源并网面临主要问题。电网负荷检验及预测包含根据用户用电历史数据对系统进行建模,并按照模型对用户用电行为进行有效分析。可以对用户用电行为、用电量多少、是否存在偷电漏电行为进行有效检验,并且根据模型模拟对未来短期用电负荷,形成日前报告,为供电网调度提前做好准备工作,从而优化电网运行,实现经济效益最大化。
由于用户用电行为有一定规律可循,负荷预测工作的关键在于大量历史数据的准确收集,并建立科学、有效的模型以及算法,从而反映负荷变化的规律。现在应用的预测方法大致分为两类:经典预测方法和现代预测方法。
经典预测方法:包含趋势外推法、时间序列法、回归分析法等。经典预测法优点为方法成熟、算法简单,对于电网中大量数据的处理十分迅速,然而传统方法采用线性模型,因此在遇到非线性问题时,准确度就会大为降低。
在20世纪80年代后期,随着计算机的迅猛发展,灰色理论、神经网络被广泛应用,新型的现代负荷预测方法也随之被广泛研究,其中包括灰色数学理论、专家系统、神经网络理论以及模糊负荷预测等方法。现代负荷预测方法优点为准确度高,不受线性以及非线性模型限制,缺点为计算量大,对大量短期负荷预测耗时过长。
本发明采用部分可观测马尔可夫决策过程(Partially Observable MarkovDecision Process,简称POMDP)并与正交匹配跟踪算法(Orthogonal Matching Pursuit,简称OMP),实现对非线性负荷的建模,从而实现快速准确地对负荷进行检验、分类及短期负荷预测。
发明内容
针对现有技术存在的不足,本发明涉及一种基于马尔可夫决策过程的电网负荷检验及预测策略。它以电网数据中心采集的负荷历史数据为基础,同时考虑负荷类型的分类:如低谷类负荷和可转移类负荷,以部分可观测马尔可夫决策过程为目标函数,结合正交匹配跟踪算法,建立数学模型并进行现时负荷分析、校验以及短时负荷预测,生成日前负荷分析报告。这一研究使得电网负荷校验以及短时电网负荷预测得以实现,调度中心可根据结果对收集到的负荷数据进行校验及对部分可控负荷进行有效日前调度,从而实现用户和电网最优经济运行。
本发明的目的在于,相比经典预测方法的对非线性负荷模型的计算结果精确度不高问题,结合OMP建模,从而对非线性负荷的负荷种类分析、负荷校验以及短时负荷预测(一天至两天)进行更精确建模分析。
为实现上述目的,本发明采用如下技术方案:
一种基于大数据与部分可观测马尔可夫决策过程的电网负荷检验及预测策略,它的步骤为:
1)数据提取
对要分析电网负荷进行负荷曲线提取,并对其进行初步分类,以功率大小进行第一步分类:功率小于等于50kW为中等功率用户,功率大于50kW小于等于100kW为大功率用户,功率大于100kW为超大功率用户。
2)建立目标函数
根据第一步,分类结果提取的同类型用户数据,建立基于部分可观测马尔可夫决策过程与正交匹配追踪算法的电网负载模型:
拟定目标用户负荷s,估算一系列同组其他负荷,公式(1)
xk为目标负荷曲线,k为用户负荷编号,xk为用户负荷曲线;
使得公式(2)最小,并且f为线性函数
找到xi在用户负荷s下的最大相关性r,如公式(3)
xi是欲选取用户目标负荷;
计算公式(4)
α是比例系数;
计算公式(5)
res=s-xi·αi (5)
res是残差值;
计算出结果后,将公式(5)结果设为新的s值,并重复公式(2)、(3)、(4)、(5)步骤。
当f为非线性函数时,对公式(1)中各个负荷创建基础函数g1、g2、...、gm,应用正交匹配跟踪算法对非线性基础函数进行线性回归计算,如公式(6)
对s采用经验模态分解(Empirical Mode Decomposition,简称EMD),对s曲线分段极大值、极小值点分别做曲线,然后取极大值、极小值的平均值形成固有模态函数1,对固有模态函数1进行上述分解,形成固有模态函数2,重复上述步骤,形成得固有模态函数3、4、5等。并将其固有模态函数1、2、3、4、5…作为基础函数。
将各负荷Xk的各自固有模态函数1作为第一组数据,将此组数据通过OMP算法计算出第一个非线性基础函数g1,公式如下(7)、(8):
用此方法,分别计算出其他基础函数值(g1,g2,...,gm)
由此POMDP方法生成的负荷预测曲线可与目标实际负荷曲线进行对比,用来检验目标负荷是否存在用电行为异常现象。
3)短期负荷预测
根据历史数据100天为一个数据窗口,采用建立的负荷模型,对其窗口后一至两天的电网用户负荷进行预测,并依预测结果的实际数据对窗口内数据进行更新,从而实现短期电网用户负荷预测。
4)负荷分类
以数据采样周期5分钟一次为例,形成用户负荷曲线。当用户负荷在连续6个及以上采样周期中,负荷功率小于同组平均负荷功率2倍或以上,或者负荷功率大于等于平均负荷5倍或以上时,将此负荷归类为低谷负荷。
以数据采样周期5分钟一次为例,形成用户负荷曲线。当用户负荷值P1与前一周期负荷值P0增长率如公式(9):
当增长率R大于等于0.2或者小于等于-0.2时,定义为有可转移负荷启动或者停止。将在此时间段内增长或减少的负荷定义为可转移负荷。
本发明的有益效果是:
1、提出一种新的短期电网负荷预测方法,不仅具有经典预测方法的优点,同时算法计算量小且精度高。
对大量负荷数据进行快速预分类后,对负荷类型进行区分,便于用户负荷的分类管理以及电网调度中心的日前报告形成和预判。从而利与电网经济优化运行,从而降低弃风率。
具体实施方式
一种基于大数据与部分可观测马尔可夫决策过程的电网负荷检验及预测策略,它的步骤为:
1)数据提取
对要分析电网负荷进行负荷曲线提取,并对其进行初步分类,以功率大小进行第一步分类:功率小于等于50kW为中等功率用户,功率大于50kW小于等于100kW为大功率用户,功率大于100kW为超大功率用户。
2)建立目标函数
根据第一步,分类结果提取的同类型用户数据,建立基于部分可观测马尔可夫决策过程与正交匹配追踪算法的电网负载模型:
拟定目标用户负荷s,估算一系列同组其他负荷,公式(1)
Xk为目标负荷曲线,k为用户负荷编号,xk为用户负荷曲线;
使得公式(2)最小,并且f为线性函数
找到xi在用户负荷s下的最大相关性r,如公式(3)
xi是欲选取用户目标负荷;
计算公式(4)
α是比例系数;
计算公式(5)
res=s-xi·αi (5)
res是残差值;
计算出结果后,将公式(5)结果设为新的s值,并重复公式(2)、(3)、(4)、(5)步骤。
当f为非线性函数时,对公式(1)中各个负荷创建基础函数g1、g2、...、gm,应用正交匹配跟踪算法对非线性基础函数进行线性回归计算,如公式(6)
对s采用经验模态分解(Empirical Mode Decomposition,简称EMD),对s曲线分段极大值、极小值点分别做曲线,然后取极大值、极小值的平均值形成固有模态函数1,对固有模态函数1进行上述分解,形成固有模态函数2,重复上述步骤,形成得固有模态函数3、4、5等。并将其固有模态函数1、2、3、4、5…作为基础函数。
将各负荷Xk的各自固有模态函数1作为第一组数据,将此组数据通过OMP算法计算出第一个非线性基础函数g1,公式如下(7)、(8):
用此方法,分别计算出其他基础函数值(g1,g2,...,gm)
由此POMDP方法生成的负荷预测曲线可与目标实际负荷曲线进行对比,用来检验目标负荷是否存在用电行为异常现象。
3)短期负荷预测
根据历史数据100天为一个数据窗口,采用建立的负荷模型,对其窗口后一至两天的电网用户负荷进行预测,并依预测结果的实际数据对窗口内数据进行更新,从而实现短期电网用户负荷预测。
4)负荷分类
以数据采样周期5分钟一次为例,形成用户负荷曲线。当用户负荷在连续6个及以上采样周期中,负荷功率小于同组平均负荷功率2倍或以上,或者负荷功率大于等于平均负荷5倍或以上时,将此负荷归类为低谷负荷。
以数据采样周期5分钟一次为例,形成用户负荷曲线。当用户负荷值P1与前一周期负荷值P0增长率如公式(9):
当增长率R大于等于0.2或者小于等于-0.2时,定义为有可转移负荷启动或者停止。将在此时间段内增长或减少的负荷定义为可转移负荷。
Claims (1)
1.一种电网负荷预测方法,其特征在于包括以下步骤:
1)数据提取
对要分析电网负荷进行负荷曲线提取,并对其进行初步分类,以功率大小进行第一步分类:功率小于等于50kW为中等功率用户,功率大于50kW小于等于100kW为大功率用户,功率大于100kW为超大功率用户。
2)建立目标函数
根据第一步,分类结果提取的同类型用户数据,建立基于部分可观测马尔可夫决策过程与正交匹配追踪算法的电网负载模型:
拟定目标用户负荷s,估算一系列同组其他负荷,公式(1)
Xk为目标负荷曲线,k为用户负荷编号,xk为用户负荷曲线;
使得公式(2)最小,并且f为线性函数
找到xi在用户负荷s下的最大相关性r,如公式(3)
xi是欲选取用户目标负荷;
计算公式(4)
α是比例系数;
计算公式(5)
res=s-xi·αi (5)
res是残差值;
计算出结果后,将公式(5)结果设为新的s值,并重复公式(2)、(3)、(4)、(5)步骤。
当f为非线性函数时,对公式(1)中各个负荷创建基础函数g1、g2、...、gm,应用正交匹配跟踪算法对非线性基础函数进行线性回归计算,如公式(6)
对s采用经验模态分解(Empirical Mode Decomposition,简称EMD),对s曲线分段极大值、极小值点分别做曲线,然后取极大值、极小值的平均值形成固有模态函数1,对固有模态函数1进行上述分解,形成固有模态函数2,重复上述步骤,形成得固有模态函数3、4、5等。并将其固有模态函数1、2、3、4、5…作为基础函数。
将各负荷Xk的各自固有模态函数1作为第一组数据,将此组数据通过OMP算法计算出第一个非线性基础函数g1,公式如下(7)、(8):
用此方法,分别计算出其他基础函数值(g1,g2,...,gm)
由此POMDP方法生成的负荷预测曲线可与目标实际负荷曲线进行对比,用来检验目标负荷是否存在用电行为异常现象。
3)短期负荷预测
根据历史数据100天为一个数据窗口,采用建立的负荷模型,对其窗口后一至两天的电网用户负荷进行预测,并依预测结果的实际数据对窗口内数据进行更新,从而实现短期电网用户负荷预测。
4)负荷分类
以数据采样周期5分钟一次为例,形成用户负荷曲线。当用户负荷在连续6个及以上采样周期中,负荷功率小于同组平均负荷功率2倍或以上,或者负荷功率大于等于平均负荷5倍或以上时,将此负荷归类为低谷负荷。
以数据采样周期5分钟一次为例,形成用户负荷曲线。当用户负荷值P1与前一周期负荷值P0增长率如公式(9):
当增长率R大于等于0.2或者小于等于-0.2时,定义为有可转移负荷启动或者停止。将在此时间段内增长或减少的负荷定义为可转移负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010975702.7A CN112101663A (zh) | 2020-09-16 | 2020-09-16 | 一种电网负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010975702.7A CN112101663A (zh) | 2020-09-16 | 2020-09-16 | 一种电网负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112101663A true CN112101663A (zh) | 2020-12-18 |
Family
ID=73759272
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010975702.7A Pending CN112101663A (zh) | 2020-09-16 | 2020-09-16 | 一种电网负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112101663A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101674482A (zh) * | 2009-09-25 | 2010-03-17 | 上海大学 | 部分可观测马尔可夫决策过程中可伸缩视频流的优化调度方法 |
CN103984416A (zh) * | 2014-06-10 | 2014-08-13 | 北京邮电大学 | 一种基于加速度传感器的手势识别方法 |
US20140279727A1 (en) * | 2013-03-15 | 2014-09-18 | William Marsh Rice University | Sparse Factor Analysis for Analysis of User Content Preferences |
CN109409739A (zh) * | 2018-10-19 | 2019-03-01 | 南京大学 | 一种基于部分可观测马尔科夫决策过程的众包平台任务分配方法 |
-
2020
- 2020-09-16 CN CN202010975702.7A patent/CN112101663A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101674482A (zh) * | 2009-09-25 | 2010-03-17 | 上海大学 | 部分可观测马尔可夫决策过程中可伸缩视频流的优化调度方法 |
US20140279727A1 (en) * | 2013-03-15 | 2014-09-18 | William Marsh Rice University | Sparse Factor Analysis for Analysis of User Content Preferences |
CN103984416A (zh) * | 2014-06-10 | 2014-08-13 | 北京邮电大学 | 一种基于加速度传感器的手势识别方法 |
CN109409739A (zh) * | 2018-10-19 | 2019-03-01 | 南京大学 | 一种基于部分可观测马尔科夫决策过程的众包平台任务分配方法 |
Non-Patent Citations (6)
Title |
---|
CUI JIA: "A Load Combination Prediction Algorithm Considering Flexible Charge and Discharge of Electric Vehicles", 《2019 IEEE 10TH INTERNATIONAL SYMPOSIUM ON POWER ELECTRONICS FOR DISTRIBUTED GENERATION SYSTEMS (PEDG 2019)》, 24 June 2020 (2020-06-24), pages 711 - 716 * |
TONG LI: "A dimensionality reduction method of power load data based on the combination of VMD-OMP-Kmeans", 《IOP CONFERENCE SERIES: EARTH AND ENVIRONMENTAL SCIENCE》, 18 September 2020 (2020-09-18), pages 1 - 7 * |
侯鲁亭: "短期电力负荷预测的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 3, 15 March 2020 (2020-03-15), pages 042 - 848 * |
李卫东: "基于MPC的柔性负荷与储能系统超短期调控策略", 《电测与仪表》, vol. 57, no. 10, 15 August 2019 (2019-08-15), pages 64 - 70 * |
李翔宇: "分散架构下多虚拟电厂分布式协同优化调度", 《电工技术学报》, vol. 38, no. 7, 10 April 2023 (2023-04-10), pages 1852 - 1863 * |
殷林飞: "基于深度强化学习的电力系统智能发电控制", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 12, 15 December 2018 (2018-12-15), pages 042 - 66 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11070056B1 (en) | Short-term interval prediction method for photovoltaic power output | |
CN106529814B (zh) | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 | |
CN108376262B (zh) | 一种风电出力典型特性的分析模型构建方法 | |
CN108876163B (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
CN104899665A (zh) | 风电功率短期预测方法 | |
CN109861211B (zh) | 一种基于数据驱动的配电网动态重构方法 | |
CN107679687A (zh) | 一种光伏出力建模方法以及发电系统可靠性评估方法 | |
CN104408562A (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
CN106778846A (zh) | 一种基于支持向量机的风电场风速预测方法 | |
CN107609774B (zh) | 一种基于思维进化算法优化小波神经网络的光伏功率预测方法 | |
CN110717610A (zh) | 一种基于数据挖掘的风电功率预测方法 | |
CN115829105A (zh) | 基于历史数据特征搜索的光伏功率预测方法 | |
CN106611243A (zh) | 一种基于garch模型的风速预测残差修正方法 | |
CN110909310A (zh) | 一种基于模型参数优化的光伏短期发电量预测方法及系统 | |
CN109190786A (zh) | 一种光伏发电效率的组合预测方法 | |
CN112288157A (zh) | 一种基于模糊聚类与深度强化学习的风电场功率预测方法 | |
CN110956304A (zh) | 一种基于ga-rbm的分布式光伏发电量短期预测方法 | |
Xue et al. | Medium and long term load forecasting of regional power grid in the context of economic transition | |
CN112101663A (zh) | 一种电网负荷预测方法 | |
CN112949938B (zh) | 改善训练样本类别不均衡的风电爬坡事件直接预报方法 | |
Pang et al. | A photovoltaic power predicting model using the differential evolution algorithm and multi-task learning | |
Zhao et al. | Short-term Wind Power Prediction Method Based on GCN-LSTM | |
CN115310746A (zh) | 一种风力发电机组主传动系统状态评估方法及系统 | |
CN114118592A (zh) | 一种智能电网用电端短期能耗预测系统 | |
Li et al. | A gray rbf model improved by genetic algorithm for electrical power forecasting |
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 |