CN112686437A - 一种基于考虑预测误差和历史可信度的风电调度方法 - Google Patents

一种基于考虑预测误差和历史可信度的风电调度方法 Download PDF

Info

Publication number
CN112686437A
CN112686437A CN202011555017.5A CN202011555017A CN112686437A CN 112686437 A CN112686437 A CN 112686437A CN 202011555017 A CN202011555017 A CN 202011555017A CN 112686437 A CN112686437 A CN 112686437A
Authority
CN
China
Prior art keywords
period
power
scheduling
historical
time window
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
Application number
CN202011555017.5A
Other languages
English (en)
Inventor
鄂霖
蔡钦钦
马振
朱永强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN202011555017.5A priority Critical patent/CN112686437A/zh
Publication of CN112686437A publication Critical patent/CN112686437A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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

  • Wind Motors (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明是一种基于考虑预测误差和历史可信度的风电调度方法，属于电力系统调度优化领域，该方法包括：根据滚动周期内风电场历史实际功率和风电场历史预测功率计算新的预测风功率。由最小二乘得到目标函数，采用以粒子群算法为基础的模拟退火算法求解。每次循环计算成倍扩大时间窗口和采样间隔，把上一次的的输出量作为该次计算的输入量，直到时间窗口的长度等于调度部门制定调度曲线的最小调度周期。最后根据历史可信度计算奖惩系数，对风功率的调度曲线进行修正。该方法针对风电的调度机制相对灵活和功率波动较为敏感的特点，根据历史依据不断对曲线进行优化，得到的调度曲线波动较小，风电容量的可信度高，能减少一定的弃风量。

Description

一种基于考虑预测误差和历史可信度的风电调度方法
技术领域
本发明属于风电场发电调度优化领域，特别涉及一种基于考虑预测误差和历史可信度的风电调度方法。
背景技术
我国可开发利用的风能资源十分丰富，在国家相关政策措施的推动下，我国风电已从单纯追求装机容量上领先的方向，向输出高质量、低成本风电的方向转变，标志着我国的风电产业正在进入一个稳定发展、持续增长的新阶段。截止2018年6月底，全国风电累计装机已达到17096万千瓦。然而，随着风电装机容量的逐年增加，风电在电网中渗透率的不断提高，风电的波动性和不确定性对电力系统的可靠运行、电能质量等影响也越来越大。
在目前的风电调度模式中，常见的就是风电场根据对风功率的预测生成风功率预测曲线，电网调度部门针对风电场的风功率预测曲线制定当前的风功率调度曲线，而为了维持电网的安全稳定，电网调度部门有时会限制风电上网功率，造成风力发电量损失。就2018年上半年，全国弃风电量达到182亿千瓦时。因此，为了减小风电并网的弃风量，需要提出更加合理的调度策略输出更加平稳优质的风电，尽量减小风电在并网中对电力系统的影响。
本发明针对风电的调度机制相对灵活和功率波动较为敏感的特点，根据历史依据不断对曲线进行优化，根据该方法得到的调度曲线波动较小，风电容量的可信度高，能减少一定的弃风量。
发明内容
由于于风电的随机性、间歇性和波动性影响，电网公司在兼顾到整个电网对用户的供电质量前提下，对于风电的调度较为保守，导致了目前弃风现象严重的问题。
为了解决上述问题，本发明提供了一种新型的风电调度策略，该策略满足了电网的调度要求，提高风电的可信度，减小风力发电量损失。
本发明公开了一种基于考虑测量误差和历史可信度对风电场调度修正的优化方法，其特征在于，包括以下步骤：
1)利用历史滚动周期内对风功率预测误差的分布特性进行统计分析，把中长期功率预测周期定为历史误差参考单元周期，取超短期功率预测周期作为统计采样点的采样周期，以短期功率预测周期作为修正系数输出周期，最终代入历史误差参考单元周期内的所有统计采样点分别计算出每一修正系数输出周期的风功率预测误差系数，并对每个采样周期的功率参考值进行修正。
2)在调度周期T范围内，定义Nk个采样间隔Δt为一个时间窗口ΔT，其中Δt为风功率预测的最小间隔。将风电场调度周期内每个采样点的修正预测功率作为输入参考功率Pin，以输出功率偏移量ε最小为目标，求出每个时间窗口的输出参考功率Pout，其表达式为
Figure BDA0002855231450000011
Figure BDA0002855231450000012
其中，Pin(i，k)为第i个时间窗口的第k个采样点的输入功率；Pout(i)为第i个时间窗口的输出功率参考值；Ni为调度周期T内包含时间窗口ΔT的个数。
3)对目标函数的求解采用在粒子群算法基础上优化的模拟退火算法，首次计算应选取较小的时间窗口和采样间隔，在此计算结果基础上，成倍地扩大时间窗口和采样间隔，把上次计算的输出作为本次计算的输入，再次进行目标函数的计算，不断扩大时间窗口和采样间隔，直到时间窗口等于调度部门的制定调度曲线的最小调度周期。同时，对历史参考周期的选择应根据滚动计算的原则，假定全部历史参考周期为m天，调度预测周期为r天，对于第i天(i＝1,2,3,...,r)的历史参考周期应选择第i天到第(m-r+i)天。
4)根据历史参考周期的历史预测输出功率和历史时间，统计每个采样点的误差值，并计算每个时间窗口的误差均值μi。由于在电力调度曲线的窗口期的规定，对于高于调度曲线的值须要舍弃，故对于大于0的误差值取0；在输出功率参考值的基础上，计算基于历史数据的参考输出功率Poe和历史可信度奖惩判据qoe，其表达式为
Figure BDA0002855231450000021
Figure BDA0002855231450000022
Figure BDA0002855231450000023
其中，
Figure BDA0002855231450000024
为每个时间窗口的输出功率参考平均值，
Figure BDA0002855231450000025
为第j天第i个时间窗口的实际输出功率平均值，
Figure BDA0002855231450000026
为历史参考周期内第i个时间窗口的实际输出功率平均值，
Figure BDA0002855231450000027
为历史参考周期内第i个时间窗口的预测输出功率平均值，Pcap为风电开机容量，μi为历史参考周期内每个时间窗口的误差期望值。
5)根据奖惩判据对输出参考功率进行修正。
在m天历史参考周期内，定义qeo≥0的概率Pm，其表达式为
Figure BDA0002855231450000028
其中，t为历史参考周期中第i个时间窗口满足qeo≥0的天数。
在奖惩制度中奖惩系数c为
Figure BDA0002855231450000029
Figure BDA00028552314500000210
其中，cp为惩罚系数，满足0<cp<1；cr为奖励系数，满足cr>1；b为依据qeo(j,i)变化趋势而决定对惩罚做出加强或者削弱因子，若第i个时间窗口呈上升趋势，则增强惩罚，反之则削弱惩罚；Pcr为奖惩临界常数，满足0<Pcr<1。
奖惩制度后修正调度功率为
P′out＝c·Poe
不断依据历史数据，利用奖惩制度滚动调整输出功率，优化调度，逐渐缩小与Poe的差距，使得Poe不会过度压制风电的输出，减少风力发电的损失。
附图说明
图1是本发明风新型电场风功率预测方法的流程图。
图2是模拟退火算法的流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的说明。
本发明的风电场风功率预测修正方法如图1所示，包括：建立风功率预测修正模型；在一个调度周期内设置时间窗口，每个时间窗口包括若干个采样间隔对输入值进行修正，以最小二乘法建立目标函数；通过模拟退火算法求解目标函数，并进行迭代运算；依据历史参考周期，计算奖惩系数；对计算结果进行修正。具体实施步骤如下：
1)利用历史滚动周期内对风功率预测误差的分布特性进行统计分析，把中长期功率预测周期定为历史误差参考单元周期，取超短期功率预测周期作为统计采样点的采样周期，以短期功率预测周期作为修正系数输出周期，最终代入历史误差参考单元周期内的所有统计采样点分别计算出每一修正系数输出周期的风功率预测误差系数，并对每个采样周期的功率参考值进行修正。
基于大量对风功率预测误差数据分析后发现，预测误差服从正态分布的假设，得到风电功率预测误差近似符合正态分布，即：
Figure BDA0002855231450000031
其中，Pre为风电场历史滚动周期内预测功率；Pa为风电场历史滚动周期内实际功率；Pcap为风电开机容量。
可以得到风功率预测曲线的修正如下式
Figure BDA0002855231450000032
其中，Pref为风电场修正后的输出功率；
Figure BDA0002855231450000033
为风电场风电功率预测均值。
2)在调度周期T范围内，定义Nk个采样间隔Δt为一个时间窗口ΔT，其中Δt为风功率预测的最小间隔。将风电场调度周期内每个采样点的修正预测功率Pref作为输入参考功率Pin，以输出功率偏移量ε最小为目标，求出每个时间窗口的输出参考功率Pout，其表达式为
Figure BDA0002855231450000034
Figure BDA0002855231450000035
其中，Pin(i，k)为第i个时间窗口的第k个采样点的输入功率；Pout(i)为第i个时间窗口的输出功率参考值；Ni为调度周期T内包含时间窗口ΔT的个数。
3)对目标函数的求解采用在粒子群算法基础上优化的模拟退火算法，算法的流程如图2所示，具体算法步骤如下：
①输入风功率预测的各采样点
②根据本文求解的自变量个数D，生成N组每组含有D个粒子的粒子群，并确定初始化种群中第i组第j个微粒的位置xi,j和速度vi,j
③评价每个微粒的适应度，将当前各微粒的位置和适应值存储在各微粒的pi中，将所有适应值最优个体的位置和适应值存储于pg中
④确定初始温度，并确定当前温度t下各pi的适配值，其表达式为
Figure BDA0002855231450000041
⑤采用轮盘赌策略，从所有pi中确定全局最优的某个替代值p’g，然后更新各微粒的速度和位置，即：
Figure BDA0002855231450000042
xi,j(t+1)＝xi,j(t)+vi,j(t+1)
C＝c1+c2
其中，c1为学习因子1，取2.05；c2为学习因子2，取2.05；
⑥计算各微粒新的目标值pi更新各微粒的值及群体pg的值
⑦进行退温操作
⑧若满足停止条件(通常为预设的运算精度或迭代次数)，输出结果，否则转至④。
⑨最终得到的p’g即为满足条件的自变量值。
首次计算应选取较小的时间窗口和采样间隔，在此计算结果基础上，成倍地扩大时间窗口和采样间隔，把上次计算的输出作为本次计算的输入，再次进行目标函数的计算，不断扩大时间窗口和采样间隔，直到时间窗口等于调度部门的制定调度曲线的最小调度周期。
同时，对历史参考周期的选择应根据滚动计算的原则，假定全部历史参考周期为m天，调度预测周期为r天，对于第i天(i＝1,2,3,...,r)的历史参考周期应选择第i天到第(m-r+i)天。
4)根据历史参考周期的历史预测输出功率和历史时间，统计每个采样点的误差值，并计算每个时间窗口的误差均值μi。由于在电力调度曲线的窗口期的规定，对于高于调度曲线的值须要舍弃，故对于大于0的误差值取0；在输出功率参考值的基础上，计算基于历史数据的参考输出功率Poe和历史可信度奖惩判据qoe，其表达式为
Figure BDA0002855231450000043
Figure BDA0002855231450000044
Figure BDA0002855231450000045
其中，
Figure BDA0002855231450000046
为每个时间窗口的输出功率参考平均值，
Figure BDA0002855231450000047
为第j天第i个时间窗口的实际输出功率平均值，
Figure BDA0002855231450000048
为历史参考周期内第i个时间窗口的实际输出功率平均值，
Figure BDA0002855231450000049
为历史参考周期内第i个时间窗口的预测输出功率平均值，Pcap为风电开机容量，μi为历史参考周期内每个时间窗口的误差期望值。
5)根据奖惩判据对输出参考功率进行修正。
在m天历史参考周期内，定义qeo≥0的概率Pm，其表达式为
Figure BDA00028552314500000410
其中，t为历史参考周期中第i个时间窗口满足qeo≥0的天数。
在奖惩制度中奖惩系数c为
Figure BDA0002855231450000051
Figure BDA0002855231450000052
其中，cp为惩罚系数，满足0<cp<1；cr为奖励系数，满足cr>1；b为依据qeo(j,i)变化趋势而决定对惩罚做出加强或者削弱因子，若第i个时间窗口呈上升趋势，则增强惩罚，反之则削弱惩罚；Pcr为奖惩临界常数，满足0<Pcr<1。
奖惩制度后修正调度功率为
P′out＝c·Poe
不断依据历史数据，利用奖惩制度滚动调整输出功率，优化调度，逐渐缩小与Poe的差距，使得Poe不会过度压制风电的输出，减少风力发电的损失。
最后需要指出的是，上述内容仅是本发明的实施技术方案案例而非限制。对本发明所述的技术方案进行修改或同等替换，均应包含在本发明的保护范围之内。

Claims (8)

1.一种对风电场调度的优化方法，其特征在于，包括：(1)建立风功率预测修正模型；(2)在一个调度周期内设置时间窗口，每个时间窗口包括若干个采样间隔；(3)对输入值进行修正，以最小二乘法建立目标函数；(4)通过模拟退火算法求解目标函数，并进行迭代运算；(5)依据历史参考周期，计算奖惩系数，对计算结果进行修正。
2.根据权利要求1所述的风电场调度优化方法，其特征在于，包括：由于风资源的变化与季节的更替和昼夜转化密切相关，为了使对风功率的预测曲线随着时间推移保持精确，利用历史滚动周期内对风功率预测误差的分布特性进行统计分析，把中长期功率预测周期定为历史误差参考单元周期，取超短期功率预测周期作为统计采样点的采样周期，以短期功率预测周期作为修正系数输出周期，最终代入历史误差参考单元周期内的所有统计采样点分别计算出每一修正系数输出周期的风功率预测误差系数，并对每个采样周期的功率参考值进行修正。
3.根据权利要求1所述的风电场调度优化方法，其特征在于，包括：在调度周期T范围内，定义Nk个采样间隔Δt为一个时间窗口ΔT，其中Δt为风功率预测的最小间隔；将风电场调度周期内每个采样点的修正预测功率作为输入参考功率Pin，以输出功率偏移量ε最小为目标，求出每个时间窗口的输出参考功率Pout，其表达式为
Figure FDA0002855231440000011
Figure FDA0002855231440000012
其中，Pin(i，k)为第i个时间窗口的第k个采样点的输入功率；Pout(i)为第i个时间窗口的输出功率参考值；Ni为调度周期T内包含时间窗口ΔT的个数。
4.根据权利要求3所述的风电场调度优化方法，其特征在于，包括：对目标函数的求解采用在粒子群算法基础上优化的模拟退火算法，该算法具有收敛速度快、收敛性强的特点。
5.根据权利要求1和4所述的风电场调度优化方法，其特征在于，包括：为了提高计算精度，首次计算应选取较小的时间窗口和采样间隔，在此计算结果基础上，成倍地扩大时间窗口和采样间隔，把上次计算的输出作为本次计算的输入，再次进行目标函数的计算，不断扩大时间窗口和采样间隔，直到时间窗口等于调度部门的制定调度曲线的最小调度周期；同时，对历史参考周期的选择应根据滚动计算的原则，假定全部历史参考周期为m天，调度预测周期为r天，对于第i天(i＝1,2,3,...,r)的历史参考周期应选择第i天到第(m-r+i)天。
6.根据权利要求1所述的风电场调度优化方法，其特征在于，包括：基于历史数据计算，并不断更新输出参考可信度；依据历史数据，统计每个采样点的误差值，并计算每个时间窗口的误差均值μi；由于在电力调度曲线的窗口期的规定，对于高于调度曲线的值需要舍弃，故对于大于0的误差值取0；在输出功率参考值的基础上，计算基于历史数据的参考输出功率Poe和历史可信度奖惩判据qoe，其表达式为
Figure FDA0002855231440000013
Figure FDA0002855231440000014
Figure FDA0002855231440000015
7.其中，
Figure FDA0002855231440000021
为每个时间窗口的输出功率参考平均值，
Figure FDA0002855231440000022
为第j天第i个时间窗口的实际输出功率平均值，
Figure FDA0002855231440000023
为历史参考周期内第i个时间窗口的实际输出功率平均值，
Figure FDA0002855231440000024
为历史参考周期内第i个时间窗口的预测输出功率平均值，Pcap为风电开机容量，μi为历史参考周期内每个时间窗口的误差期望值。
8.根据权利要求1和6所述的风电场调度优化方法，其特征在于，包括：在m天历史参考周期内，定义qeo≥0的概率Pm，其表达式为
Figure FDA0002855231440000025
其中，t为历史参考周期中第i个时间窗口满足qeo≥0的天数。
在奖惩制度中奖惩系数c为
Figure FDA0002855231440000026
Figure FDA0002855231440000027
其中，cp为惩罚系数，满足0<cp<1；cr为奖励系数，满足cr>1；b为依据qeo(j,i)变化趋势而决定对惩罚做出加强或者削弱因子，若第i个时间窗口呈上升趋势，则增强惩罚，反之则削弱惩罚；Pcr为奖惩临界常数，满足0<Pcr<1；奖惩制度后修正调度功率为
P′out＝c·Poe
不断依据历史数据，利用奖惩制度滚动调整输出功率，优化调度，逐渐缩小与Poe的差距，使得Poe不会过度压制风电的输出，减少风力发电的损失。
CN202011555017.5A 2020-12-23 2020-12-23 一种基于考虑预测误差和历史可信度的风电调度方法 Pending CN112686437A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011555017.5A CN112686437A (zh) 2020-12-23 2020-12-23 一种基于考虑预测误差和历史可信度的风电调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011555017.5A CN112686437A (zh) 2020-12-23 2020-12-23 一种基于考虑预测误差和历史可信度的风电调度方法

Publications (1)

Publication Number Publication Date
CN112686437A true CN112686437A (zh) 2021-04-20

Family

ID=75453030

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011555017.5A Pending CN112686437A (zh) 2020-12-23 2020-12-23 一种基于考虑预测误差和历史可信度的风电调度方法

Country Status (1)

Country Link
CN (1) CN112686437A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114900414A (zh) * 2022-05-11 2022-08-12 瑞斯康达科技发展股份有限公司 一种基站侧上行波形选择方法和基站

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709159A (zh) * 2016-12-05 2017-05-24 华北电力大学 一种考虑奖惩制度的光伏发电调度规则

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106709159A (zh) * 2016-12-05 2017-05-24 华北电力大学 一种考虑奖惩制度的光伏发电调度规则

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李翔宇等: "一种适用于微电网的新型风电调度策略", 《可再生能源》, vol. 35, no. 10, 20 October 2017 (2017-10-20), pages 1 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114900414A (zh) * 2022-05-11 2022-08-12 瑞斯康达科技发展股份有限公司 一种基站侧上行波形选择方法和基站
CN114900414B (zh) * 2022-05-11 2023-06-30 瑞斯康达科技发展股份有限公司 一种基站侧上行波形选择方法和基站

Similar Documents

Publication Publication Date Title
CN111353653B (zh) 一种光伏出力短期区间预测方法
CN103023065B (zh) 一种基于相对误差熵值法的风电短期功率预测方法
US20200191117A1 (en) Adaptive dynamic planning control method and system for energy storage station, and storage medium
CN102562469B (zh) 基于校正算法的短期风力发电机输出功率预测方法
CN110071502B (zh) 一种短期电力负荷预测的计算方法
CN108428017B (zh) 基于核极限学习机分位数回归的风电功率区间预测方法
CN102496927A (zh) 基于误差统计修正的风电场功率预测方法
CN107065556B (zh) 一种堆芯机组变功率运行策略优化方案的自动搜索方法
CN113505938A (zh) 一种超短期风电功率组合预测方法及系统
CN112686437A (zh) 一种基于考虑预测误差和历史可信度的风电调度方法
CN105427005A (zh) 一种风电场运行风险评估方法
CN104932898B (zh) 一种基于改进多目标粒子群优化算法的待增组件选择方法
CN113991711B (zh) 一种光伏电站储能系统容量配置方法
CN112819238A (zh) 基于混沌鸡群优化算法的短期风电功率预测方法
CN113659631B (zh) 考虑时变特性的风光电站群出力描述方法
CN113091088B (zh) 一种基于双阶段神经网络的锅炉燃烧广义预测控制方法
CN114219185A (zh) 一种基于不确定集的城市规模工业碳排放量预测方法
CN111931967B (zh) 一种风电场短期功率预测方法
CN112001537A (zh) 一种基于灰色模型和支持向量机的短期风电功率预测方法
CN111815051A (zh) 考虑天气影响因素的grnn光伏发电预测方法
CN114336739B (zh) 基于云边协同的光储电站储能功率配置方法和系统
CN114977166A (zh) 风-储场站日前-日内两阶段功率上报的优化方法
Ban et al. Combined forecasting model of urban water consumption based on adaptive filtering and BP neural network
CN113488111A (zh) 一种scr脱硝系统喷氨量优化建模方法
CN112508280A (zh) 一种综合能源系统实时性能的评价和优化方法及系统

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