CN112465289B - 一种基于集成神经网络的智能电网经济调度方法 - Google Patents
一种基于集成神经网络的智能电网经济调度方法 Download PDFInfo
- Publication number
- CN112465289B CN112465289B CN202011077924.3A CN202011077924A CN112465289B CN 112465289 B CN112465289 B CN 112465289B CN 202011077924 A CN202011077924 A CN 202011077924A CN 112465289 B CN112465289 B CN 112465289B
- Authority
- CN
- China
- Prior art keywords
- power generation
- algorithm
- ednet
- data set
- neural network
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000010248 power generation Methods 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims abstract description 9
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06Q10/06—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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种基于集成神经网络的智能电网经济调度方法，获取电网系统的发电参数，包括系统中各发电机的发电代价函数和发电机负载上下限；使用已有的最佳非凸优化算法来产生一个大型数据集；利用当前数据集构建一个深度神经网络，命名为EDNet，通过反向传播技术学习数据集中的数据使得网络的输出逐渐逼近数据集中的输出部分；使用微调算法微调EDNet的输出，得到严格满足问题约束的最优解；利用Adaboost.R2算法作为训练策略依次训练出M个EDNet，将这M个EDNet并行排列形成E2DNet；M个最优解中拥有最小发电代价的解被选为整个集成网络的最优解。将训练完备的E2DNet投入使用，在线处理智能电网的经济调度问题。
Description
技术领域
本发明属于集成学习、深度学习、电网优化的交叉领域，具体提供一种基于集成神经网络的智能电网经济调度方法，它不仅能利用深度学习的学习能力强、泛化性能好、单次前向传播速度快等优点，还利用了集成学习的优势，进一步提高了求解的精确性，使其具有卓越的优化能力，能够解决智能电网中复杂的经济调度问题，极大的提高了智能电网的服务能力。
背景技术
实时经济调度(又称最优功率分配)是智能电网中一类重要的优化问题，旨在满足本地发电机发电约束、供需平衡约束的前提下最小化总发电代价，即在保证电网正常工作的前提下最大化其经济性。由于实际的电网中阀点效应、多燃料选择等非线性因素的存在，使得智能电网的经济调度问题一直是一个极具挑战性的难题。
从求解精确性的角度来说，传统的启发式算法，例如遗传算法、蚁群算法，解的质量相对较低，难以满足电力系统的精度要求。
从求解稳定性的角度来说，由于其内含的随机策略(例如遗传算法中的轮盘赌策略)以及算法本身的部分特征参数大小(例如差分进化算法中的差分变异概率、交叉率概率)难以确定，导致多次求解所得出的解是不同的，质量参差不齐，无法保证其良好的稳定性。
从求解实时性的角度来说，一方面，启发式算法基于种群的优化机制和迭代的运行方式大大提高了其计算代价和计算时间，考虑到如今智能电网中可再生能源供给量和网络负载在短时间内可能发生大幅波动的特点，启发式算法应被认为难以承担实时调度的工作任务。另一方面，启发式算法由于对真实电网场景中相关计算软/硬件要求较高，因此应被认为不符合应当今智能电网“经济性”的趋势。
发明内容
为了克服现有技术难以满足智能电网的实时经济调度要求的不足，本发明基于集成神经网络的智能电网经济调度方法，以深度学习技术为核心，以集成网络为整体框架，结合二进制编码特征提取手段和微调算法，不仅有效满足智能电网的经济调度的精确性要求，同时也大大提高了求解的效率，实现了数量级的加速。
本发明为解决上述技术问题提供了如下技术方案：
一种基于集成神经网络的智能电网经济调度方法，所述方法包括以下步骤：
步骤1)，获取电网系统的发电参数，包括系统中各发电机的发电代价函数和发电机负载上下限；
步骤2)，使用已有的最佳非凸优化算法来产生一个大型数据集；
步骤3)，利用当前数据集，构建一个深度神经网络，命名为EDNet，通过反向传播技术学习数据集中的数据使得网络的输出逐渐逼近数据集中的输出部分；
步骤4)，使用微调算法微调3)中给出的伪最优解，得到严格满足问题约束的最优解；
步骤5)，利用Adaboost.R2算法作为训练策略，依次训练出M个EDNet，将这M个EDNet 并行排列，M个最优解中拥有最小发电代价的解被选为整个集成网络的最优解。这样的集成网络被命名为E2DNet。
步骤6)，将训练完备的E2DNet投入使用，在线处理智能电网的经济调度问题。
进一步，所述步骤2)中，非凸优化算法根据具体优化问题的不同而可能有所不同，换句话说，生成的大型数据集中的每一组数据可以来自于不同的非凸优化算法。
所述非凸优化算法为遗传算法、粒子群算法、进化算法或生物地理学优化算法等。
进一步，所述步骤3)中，EDNet网络是一个具有全连接结构的深度神经网络，其输入为网络负载、发电代价函数的参数和发电机状态特征，其输出为问题的最优解。
进一步，所述步骤4)中，平衡发电和需求的微调算法过程如下：
4.1)已知总负载Pd、本地发电输出Pi，求解全局功率供需误差平均值δ：
其中N是发电机的个数；
4.2)每个发电机通过计算更新出可能的功率输出Pi：
Pi＝Pi+sign(δ)max{|δ|,s} (2)
以及
直到发电量和需求量平衡，也就是δ＝0，s表示最小步长。
本发明的技术构思为：获取电网系统的发电参数，其中包括系统中各发电机的发电代价函数和发电机负载上下限，以此建立智能电网的经济调度模型。利用已有的最佳的经济调度算法生成一个大型数据集。数据集的输入部分为所研究优化问题的参数，包括但不限于网络负载、发电代价参数、发电机状态。数据集的输出部分为所研究优化问题的最优解。利用生成的数据集训练一个名为EDNet的深度神经网络，该网络的输入层接收数据集的信息，输出层则生成最优解。利用集成学习技术，训练多个EDNet并行排列形成一个集成网络，命名为 E2DNet。E2DNet中拥有最小发电代价的解被选为其输出。
本发明的有益效果为：以深度学习技术为核心，以集成网络为整体框架，结合二进制编码特征提取手段和微调算法，不仅有效满足智能电网的经济调度的精确性要求，同时也大大提高了求解的效率，实现了数量级的加速。
附图说明
图1是本发明中基于集成神经网络的智能电网经济调度方法的流程图。
图2是本发明中提出的EDNet的结构示意图。
图3是本发明中提出的E2DNet的结构示意图。
图4是本发明中提出的EDNet和E2DNet在不同网络负载的情况下与最佳非凸优化算法的求解性能对比。
图5是本发明中提出的EDNet和E2DNet在不同发电机状态的情况下与最佳非凸优化算法的求解性能对比。
图6是本发明中提出的EDNet和E2DNet在不同发电代价参数的情况下与最佳非凸优化算法的求解性能对比。
图7是本发明中提出的EDNet和E2DNet与最佳非凸优化算法的实时性对比。
具体实施方式
为使本发明的目的、技术方案和优点更加清晰，下面结合附图和实际实验对本发明的技术方案作进一步描述。
参照图1，一种基于集成神经网络的智能电网经济调度方法，首先获取电网系统的发电参数，包括系统中各发电机的发电代价函数和发电机负载上下限；使用已有的最佳非凸优化算法来产生一个大型数据集；利用当前数据集，构建一个深度神经网络，命名为EDNet，通过反向传播技术学习数据集中的数据使得网络的输出逐渐逼近数据集中的输出部分；使用微调算法微调EDNet的输出，得到严格满足问题约束的最优解；利用Adaboost.R2算法作为训练策略，依次训练出M个EDNet，将这M个EDNet并行排列形成E2DNet。M个最优解中拥有最小发电代价的解被选为整个集成网络的最优解。将训练完备的E2DNet投入使用，在线处理智能电网的经济调度问题。
本实施例的一种基于集成神经网络的智能电网经济调度方法，所述方法包括以下步骤：
步骤1)，获取电网系统的发电参数，包括系统中各发电机的发电代价函数和发电机负载上下限；
步骤2)，使用已有的最佳非凸优化算法来产生一个大型数据集；
所述步骤2)中，最佳非凸优化算法根据具体优化问题的不同而可能有所不同。换句话说，生成的大型数据集中的每一组数据可以来自于不同的优化算法，例如遗传算法、粒子群算法、进化算法或生物地理学优化算法等；
步骤3)，利用当前数据集，构建一个深度神经网络，命名为EDNet，通过反向传播技术学习数据集中的数据使得网络的输出逐渐逼近数据集中的输出部分；
所述步骤3)中，EDNet网络是一个具有全连接结构的深度神经网络，其结构如图2所示，其输入为网络负载、发电代价函数的参数和发电机状态特征，其输出为问题的最优解。
步骤4)，使用微调算法微调3)中给出的伪最优解，得到严格满足问题约束的最优解；
所述步骤4)中，平衡发电和需求的微调算法过程如下：
4.1)已知总负载Pd、本地发电输出Pi，求解全局功率供需误差平均值δ：
其中N是发电机的个数；
4.2)每个发电机通过计算更新出可能的功率输出Pi：
Pi＝Pi+sign(δ)max{|δ|,s} (5)
以及
直到发电量和需求量平衡，也就是δ＝0，s表示最小步长。
步骤5)，利用Adaboost.R2算法作为训练策略，依次训练出M个EDNet，将这M个EDNet 并行排列，M个最优解中拥有最小发电代价的解被选为整个集成网络的最优解。这样的集成网络被命名为E2DNet。其结构如图3所示。
步骤6)，将训练完备的E2DNet投入使用，在线处理智能电网的经济调度问题。
从实验结果(图4-6)可以看出，本发明利用一种基于集成神经网络的智能电网经济调度方法，能高质量解决的经济调度任务，其结果可以满足实际分布电力系统经济调度的高精度要求。
从实验结果(图7)可以看出，本发明结合深度学习和集成学习技术，在保证求解精度的前提下，实现了数量级的加速。
以上结合附图详细说明和陈述了本发明的实施方式，但并不局限于上述方式。在本领域的技术人员所具备的知识范围内，只要以本发明的构思为基础，还可以做出多种变化和改进。
Claims (2)
1.一种基于集成神经网络的智能电网经济调度方法，其特征在于，所述方法包括以下步骤：
步骤1)获取电网系统的发电参数，包括系统中各发电机的发电代价函数和发电机负载上下限；
步骤2)使用已有的最佳非凸优化算法来产生一个大型数据集；
步骤3)利用当前数据集，构建一个深度神经网络，命名为EDNet，通过反向传播技术学习数据集中的数据使得网络的输出逐渐逼近数据集中的输出部分；
步骤4)使用微调算法微调步骤3)中给出的伪最优解，得到严格满足问题约束的最优解；
步骤5)利用Adaboost.R2算法作为训练策略，依次训练出M个EDNet，将这M个EDNet并行排列，M个最优解中拥有最小发电代价的解被选为整个集成网络的最优解，这样的集成网络被命名为E2Dnet；
步骤6)将训练完备的E2DNet投入使用，在线处理智能电网的经济调度问题；
所述步骤2)中，最佳非凸优化算法根据具体优化问题的不同而有所不同，生成的大型数据集中的每一组数据可以来自于不同的非凸优化算法；所述最佳非凸优化算法为遗传算法、粒子群算法、进化算法或生物地理学优化算法；
所述步骤4)中，平衡发电和需求的微调算法过程如下：
4.1)已知总负载Pd、本地发电输出Pi，求解全局功率供需误差平均值δ：
其中N是发电机的个数；
4.2)每个发电机通过计算更新出可能的本地发电输出Pi：
Pi＝Pi+sign(δ)max{|δ|,s} (2)
以及
直到发电量和需求量平衡，也就是δ＝0，s表示最小步长。
2.根据权利要求1所述的一种基于集成神经网络的智能电网经济调度方法，其特征在于，所述步骤3)中，EDNet网络是一个具有全连接结构的深度神经网络，其输入为网络负载、发电代价函数的参数和发电机状态特征，其输出为问题的最优解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011077924.3A CN112465289B (zh) | 2020-10-10 | 2020-10-10 | 一种基于集成神经网络的智能电网经济调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011077924.3A CN112465289B (zh) | 2020-10-10 | 2020-10-10 | 一种基于集成神经网络的智能电网经济调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112465289A CN112465289A (zh) | 2021-03-09 |
| CN112465289B true CN112465289B (zh) | 2024-04-19 |
Family
ID=74833011
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011077924.3A Active CN112465289B (zh) | 2020-10-10 | 2020-10-10 | 一种基于集成神经网络的智能电网经济调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112465289B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110165714A (zh) * | 2019-05-30 | 2019-08-23 | 广州水沐青华科技有限公司 | 基于极限动态规划算法的微电网一体化调度与控制方法、计算机可读存储介质 |
| CN110867903A (zh) * | 2019-11-27 | 2020-03-06 | 浙江工业大学 | 一种基于深度神经网络的智能电网系统实时最优功率分配方法 |
| CN110929948A (zh) * | 2019-11-29 | 2020-03-27 | 上海电力大学 | 基于深度强化学习的完全分布式智能电网经济调度方法 |
| CN111242436A (zh) * | 2020-01-03 | 2020-06-05 | 浙江工业大学 | 一种基于分布式机器学习的智能电网实时经济调度方法 |
-
2020
- 2020-10-10 CN CN202011077924.3A patent/CN112465289B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110165714A (zh) * | 2019-05-30 | 2019-08-23 | 广州水沐青华科技有限公司 | 基于极限动态规划算法的微电网一体化调度与控制方法、计算机可读存储介质 |
| CN110867903A (zh) * | 2019-11-27 | 2020-03-06 | 浙江工业大学 | 一种基于深度神经网络的智能电网系统实时最优功率分配方法 |
| CN110929948A (zh) * | 2019-11-29 | 2020-03-27 | 上海电力大学 | 基于深度强化学习的完全分布式智能电网经济调度方法 |
| CN111242436A (zh) * | 2020-01-03 | 2020-06-05 | 浙江工业大学 | 一种基于分布式机器学习的智能电网实时经济调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于神经网络的微电网参与上层电网实时优化调度策略;朱云杰 等;电力建设;第41卷(第10期);第9-19页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112465289A (zh) | 2021-03-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liang et al. | Dynamic economic/emission dispatch including PEVs for peak shaving and valley filling | |
| Sheng et al. | Optimal placement and sizing of distributed generation via an improved nondominated sorting genetic algorithm II | |
| Mei et al. | Game approaches for hybrid power system planning | |
| CN107769237B (zh) | 基于电动汽车接入的多能源系统协同调度方法及装置 | |
| CN103049798B (zh) | 一种应用于光伏发电系统的短期发电功率预测方法 | |
| CN105719091B (zh) | 一种梯级水电站群并行多目标优化调度方法 | |
| CN108242807B (zh) | 一种考虑多维安全约束的含光伏配电网重构方法 | |
| CN106602557A (zh) | 一种含电动汽车的主动配电网多时段优化重构方法 | |
| Li et al. | Hierarchical multi-reservoir optimization modeling for real-world complexity with application to the Three Gorges system | |
| CN106372756A (zh) | 一种基于繁殖粒子群算法的火电厂负荷优化分配方法 | |
| CN109256810A (zh) | 考虑风机出力不确定成本的多目标优化方法 | |
| Zhang et al. | An efficient multi-agent negotiation algorithm for multi-period photovoltaic array reconfiguration with a hydrogen energy storage system | |
| CN116207739B (zh) | 配电网优化调度方法、装置、计算机设备和存储介质 | |
| CN115114854A (zh) | 一种虚拟电厂分布式资源两级自组织优化聚合方法及系统 | |
| CN110516849A (zh) | 一种基于典型日负荷曲线的负荷分类结果评价方法 | |
| Hu et al. | Optimal operation of power systems with energy storage under uncertainty: A scenario-based method with strategic sampling | |
| Bai et al. | Optimal siting and sizing of battery energy storage system for distribution loss reduction based on meta-heuristics | |
| Aburiyana et al. | Direct net load forecasting using adaptive neuro fuzzy inference system | |
| CN110163420A (zh) | 一种基于分解文化进化算法的多目标生态调度方法和系统 | |
| CN112465289B (zh) | 一种基于集成神经网络的智能电网经济调度方法 | |
| CN116865300A (zh) | 适应新能源配电网的柔性资源集群配置方法、装置及介质 | |
| CN106600078A (zh) | 一种基于新能源发电预测的微网能量管理方案 | |
| CN109980695A (zh) | 一种配用电系统的分布式能源和用户行为预测方法 | |
| CN116404642A (zh) | 一种分布式电源集群划分方法、装置、电子设备及存储介质 | |
| CN115313519A (zh) | 一种配电网储能优化配置方法、装置、设备及存储介质 |
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 |