CN113110067A - 一种小水电站的水头优化方法、装置、设备及介质 - Google Patents
一种小水电站的水头优化方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113110067A CN113110067A CN202110551758.4A CN202110551758A CN113110067A CN 113110067 A CN113110067 A CN 113110067A CN 202110551758 A CN202110551758 A CN 202110551758A CN 113110067 A CN113110067 A CN 113110067A
- Authority
- CN
- China
- Prior art keywords
- small hydropower
- hydropower station
- power generation
- total
- total power
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种小水电站的水头优化方法、装置、设备及介质,其中方法包括:获取小水电站当前的发电总流量、工作水头,根据其计算小水站站当前的发电总效率和总出力;以小水电站的总发电效率作为目标函数,并根据小水电站的工作参数上下限作为约束条件,求解小水电站的最大发电效率;以各时段小水电站的发电总流量和水头作为动作策略集合,以各时段小水电站的总出力和总发电效率作为输入状态空间,以小水电站当前的发电总效率和总出力作为初始状态,以小水电站的最大发电效率为最终状态,采用Q‑Learning学习算法求解获得小水电站当前的最优水头。本发明通过调节小水电站的流量和水头,实现小水电站以最大出力和最大发电效率运行。
Description
技术领域
本发明属于小水电运行控制及智能算法控制领域,具体涉及一种基于Q-Learning学习算法的小水电站的水头优化方法。
背景技术
小水电不仅可以改善能源结构和增加能源供应,而且可以保护生态环境和降低温室气体排放,大力发展小水电符合国家低碳化发展战略。但是,小水电的出力特性与发电流量及水头大小密切相关,波动性较大,尤其是径流式小水电站。当前的小水电站通常由几台小容量的发电机组成,甚至每台发电机的容量也不完全相同,其运行效率随着发电机的出力变化而变化。当小水电站总发电水流量和水头一定时,希望小水电站所有发电机的总出力和总效率最大,即需要对小水电站机组间的发电水流量和水头进行合理分配和控制,以达到站内发电机的运行效率最优的效果。然而,目前的小水电站运行方式缺乏理论指导,如站内发电机的开启数量,以及机组间的发电水流量及水头优化等问题,因此,研究一种小水电机组运行效率最大时水头优化法,实现站内机组发电总出力和总效率最大,以提高水资源的利用率,同时还可以为现有小水电站机组的优化运行提供理论依据。
发明内容
针对现有小水电站机组运行方式的不足,本发明提供一种基于Q-Learning学习算法的小水电站的水头优化方法,通过调节小水电站发电水流量和水头,实现小水电站以最大出力和最大发电效率运行。
为实现上述技术目的,本发明采用如下技术方案:
一种基于Q-Learning学习算法的小水电站的水头优化方法,包括:
获取小水电站当前的发电总流量、工作水头,根据其计算小水站站当前的发电总效率和总出力;
以小水电站的总发电效率作为目标函数,并根据以下工作参数的上下限作为约束条件:小水电站总的发电效率、出力、流量、水头以及各机组的出力,求解小水电站的最大发电效率;
以各时段小水电站的发电总流量Q(t)和各时段小水电站的水头H(t)作为动作策略集合,以各时段小水电站的总出力P(t)和各时段小水电站的总发电效率η(t)作为输入状态空间,以小水电站当前的发电总效率和总出力作为初始状态,以小水电站的最大发电效率为最终状态,采用Q-Learning学习算法求解获得小水电站当前的最优水头。
进一步的,小水电站的总发电效率构建的目标函数为:
式中,Pi(t)为第i个水轮机组在时段t的出力,n为小水电站的水轮机组数量,P(t)为小水电站在时段t的总出力,Q(t)为小水电站在时段t的流量,H(t)为小水电站在时段t的水头;ηmax(t)为小水电站在时段t的最大发电效率;
以工作参数的上下限作为约束条件的表达式为:
ηmin≤η(t)≤ηmax
Pmin≤P(t)≤Pmax
Pimin≤Pi(t)≤Pimax
Qmin≤Q(t)≤Qmax
Hmin≤H(t)≤Hmax
式中,η(t)为小水电站在时段t的发电效率,ηmin和ηmax分别为小水电站总发电效率的上下限,Pmin和Pmax分别为小水电站总出力的上下限,Pimin和Pimax分别为第i个水轮机组出力的上下限,Qmin和Qmax分别为小水电站总流量的上下限,Hmin和Hmax分别为小水电站水头的上下限。
进一步的,采用Q-Learning学习算法求解获得小水电站的最优水头时,根据动作策略和状态输入建立的Q-Learning算法模型为:
newQ(s,a)=Q(s,a)+α(R(s,a)+γmaxQ(s′,a′)-Q(s,a))
式中,s表示由小水电站的总出力和总发电效率组成的输入状态,a表示由小水电站的发电总流量和水头组成的动作策略,Q(s,a)表示基于输入状态s和动作策略a的当前Q值,具体指小水电站的总发电效率;R(s,a)为基于输入状态s和动作策略a的奖励;α为学习效率,γ为折扣因子;maxQ(s′,a′)为在给定新的输入状态s′和行为策略a′下未来最大的奖励,newQ(s,a)为基于输入状态s和动作策略a得到的新的总发电效率。
进一步的,采用Q-Learning学习算法求解获得小水电站的最优水头,具体步骤包括:
(1)将小水电站当前的发电总效率和总出力作为Q-Learning算法模型的初始输入状态;
(2)根据ε贪婪策略在当前输入状态下执行某一运行策略:改变小水电站的发电总流量和水头,使小水电站的总出力和总发电效率达到一个新状态;
(3)根据Q-Learning算法模型更新得到新状态的Q值,即新状态的总发电效率;
(4)重复步骤(2)和(3),直到小水电站的总发电效率达到最大发电效率;
(5)取当前达到最大发电效率所对应的动作策略,即发电总流量和水头,其中的水头即为小水电站的最优水头。
进一步的,所述方法还包括:利用小水电站历史运行数据,建立每台小水电机组在不同运行工况下的效率特性曲线,根据效率特征曲线求解得到最大效率所对应的水头,即为各台水电机组的最优水头。
一种基于Q-Learning学习算法的小水电站的水头优化装置,包括:
初始状态获取模块,用于:获取小水电站当前的发电总流量、工作水头,根据其计算小水站站当前的发电总效率和总出力;
最终状态计算模块,用于:以小水电站的总发电效率作为目标函数,并根据以下工作参数的上下限作为约束条件:小水电站总的发电效率、出力、水流量、水头以及各机组的出力,求解小水电站的最大发电效率;
最优水头求解模块,用于:以各时段小水电站的发电总流量Q(t)和各时段小水电站的水头H(t)作为动作策略集合,以各时段小水电站的总出力P(t)和各时段小水电站的总发电效率η(t)作为输入状态空间,以小水电站当前时段t的发电总效率和总出力作为初始状态,以小水电站的最大发电效率为最终状态,采用Q-Learning学习算法求解获得小水电站当前时段t的最优水头。
一种电子设备,包括存储器及处理器,所述存储器中存储有计算机程序,其特征在于,所述计算机程序被所述处理器执行时,使得所述处理器实现上述任一技术方案所述的方法。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述任一技术方案所述的方法。
有益效果
本发明方法以各时段小水电站的发电总流量Q(t)和各时段小水电站的水头H(t)作为动作策略集合,以各时段小水电站的总出力P(t)和各时段小水电站的总发电效率η(t)作为输入状态空间,以小水电站当前的发电总效率和总出力作为初始状态,以小水电站的最大发电效率为最终状态,通过采用Q-Learning学习算法求解得到小水电站的最优水头,能够合理调节小水电站的工作水头,实现小水电站最大运行效率输出和最大功率输出,不仅可以提高小水电站的水资源利用率,而且还可以为现有小水电站机组的优化运行提供理论依据。
附图说明
图1是本申请实施例所述水头优化的流程图;
图2是本申请实施例所述Q-learning学习算法流程图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
实施例1
本实施例提供一种基于Q-Learning学习算法的小水电站的水头优化方法,如图1所示,包括:
(1)获取小水电站当前的发电总流量、工作水头,根据其计算小水站站当前的发电总效率和总出力。
(2)以小水电站的总发电效率作为目标函数,并根据以下工作参数的上下限作为约束条件:小水电站总的发电效率、出力、水流量、水头以及各机组的出力,求解小水电站的最大发电效率;其中,小水电站的总发电效率构建的目标函数为:
式中,Pi(t)为第i个水轮机组在时段t的出力,n为小水电站的水轮机组数量,P(t)为小水电站在时段t的总出力,Q(t)为小水电站在时段t的流量,H(t)为小水电站在时段t的水头;ηmax(t)为小水电站在时段t的最大发电效率;
以工作参数的上下限作为约束条件的表达式为:
ηmin≤η(t)≤ηmax
Pmin≤P(t)≤Pmax
Pimin≤Pi(t)≤Pimax
Qmin≤Q(t)≤Qmax
Hmin≤H(t)≤Hmax
式中,η(t)为小水电站在时段t的发电效率,ηmin和ηmax分别为小水电站总发电效率的上下限,Pmin和Pmax分别为小水电站总出力的上下限,Pimin和Pimax分别为第i个水轮机组出力的上下限,Qmin和Qmax分别为小水电站总流量的上下限,Hmin和Hmax分别为小水电站水头的上下限。
(3)以各时段小水电站的发电总流量Q(t)和各时段小水电站的水头H(t)作为动作策略集合,以各时段小水电站的总出力P(t)和各时段小水电站的总发电效率η(t)作为输入状态空间,以小水电站当前时段t的发电总效率和总出力作为初始状态,以小水电站的最大发电效率为最终状态,采用Q-Learning学习算法求解获得小水电站当前时段t的最优水头。
首先,确定输入状态空间s和动作策略集合a:将各时段小水电站的总出力P(t)和各时段小水电站的总的发电效率η(t)作为状态输入,各时段小水电站的发电总流量Q(t)和各时段小水电站的水头H(t)作为动作策略。
然后,确定状态空间和动态策略的约束条件,包括小水电站工作参数的上下限:ηmin≤η(t)≤ηmax、Pmin≤P(t)≤Pmax、Pimin≤Pi(t)≤Pimax、Qmin≤Q(t)≤Qmax、Hmin≤H(t)≤Hmax。
再次,通过Q-learning学习算法,建立状态空间和动作策略的算法模型:
newQ(s,a)=Q(s,a)+α(R(s,a)+γmaxQ(s′,a′)-Q(s,a))
式中,s表示由小水电站的总出力和总发电效率组成的输入状态,a表示由小水电站的发电总流量和水头组成的动作策略,Q(s,a)表示基于输入状态s和动作策略a的当前Q值,具体指小水电站的总发电效率;R(s,a)为基于输入状态s和动作策略a的奖励;α为学习效率,γ为折扣因子;maxQ(s′,a′)为在给定新的输入状态s′和行为策略a′下未来最大的奖励,newQ(s,a)为基于输入状态s和动作策略a得到的新的总发电效率。
最后,对以上建立的状态空间和动作策略的算法模型进行求解,如图2所示,具体步骤如下:
1)将小水电站当前的发电总效率和总出力作为Q-Learning算法模型的初始输入状态;
2)根据ε贪婪策略在当前输入状态下执行某一运行策略:改变小水电站的发电总流量和水头,使小水电站的总出力和总发电效率达到一个新状态;
3)根据Q-Learning算法模型更新得到新状态的Q值,即新状态的总发电效率;
4)重复步骤2)和3),直到小水电站的总发电效率达到最大发电效率;
5)取当前达到最大发电效率所对应的动作策略,即发电总流量和水头,其中的水头即为小水电站的最优水头。
在更优的水头优化方法实施例中,利用小水电站历史运行数据,建立每台小水电机组在不同运行工况下的效率特性曲线,根据效率特征曲线求解得到最大效率所对应的水头,即为各单台水电机组的最优水头。还可为全部机组的整体最优水头提供辅助验证。
实施例2
本实施例提供一种基于Q-Learning学习算法的小水电站的水头优化装置,包括:
初始状态获取模块,用于:获取小水电站当前的发电总流量、工作水头,根据其计算小水站站当前的发电总效率和总出力;
最终状态计算模块,用于:以小水电站的总发电效率作为目标函数,并根据以下工作参数的上下限作为约束条件:小水电站总的发电效率、出力、流量、水头以及各机组的出力,求解小水电站的最大发电效率;
最优水头求解模块,用于:以各时段小水电站的发电总流量Q(t)和各时段小水电站的水头H(t)作为动作策略集合,以各时段小水电站的总出力P(t)和各时段小水电站的总发电效率η(t)作为输入状态空间,以小水电站当前的发电总效率和总出力作为初始状态,以小水电站的最大发电效率为最终状态,采用Q-Learning学习算法求解获得小水电站当前的最优水头。
本实施例各模块的具体工作原理与实施例1中所述方法相同,此处不再赘述。
实施例3
本实施例提供一种电子设备,包括存储器及处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器实现实施例1所述的方法。
实施例4
本实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现实施例1所述的方法。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (8)
1.一种基于Q-Learning学习算法的小水电站的水头优化方法,其特征在于,包括:
获取小水电站当前的发电总流量、工作水头,根据其计算小水站站当前的发电总效率和总出力;
以小水电站的总发电效率作为目标函数,并根据以下工作参数的上下限作为约束条件:小水电站总的发电效率、出力、流量、水头以及各机组的出力,求解小水电站的最大发电效率;
以各时段小水电站的发电总流量Q(t)和各时段小水电站的水头H(t)作为动作策略集合,以各时段小水电站的总出力P(t)和各时段小水电站的总发电效率η(t)作为输入状态空间,以小水电站当前的发电总效率和总出力作为初始状态,以小水电站的最大发电效率为最终状态,采用Q-Learning学习算法求解获得小水电站当前的最优水头。
2.根据权利要求1所述的方法,其特征在于,小水电站的总发电效率构建的目标函数为:
式中,Pi(t)为第i个水轮机组在时段t的出力,n为小水电站的水轮机组数量,P(t)为小水电站在时段t的总出力,Q(t)为小水电站在时段t的流量,H(t)为小水电站在时段t的水头;ηmax(t)为小水电站在时段t的最大发电效率;
以工作参数的上下限作为约束条件的表达式为:
ηmin≤η(t)≤ηmax
Pmin≤P(t)≤Pmax
Pimin≤Pi(t)≤Pimax
Qmin≤Q(t)≤Qmax
Hmin≤H(t)≤Hmax
式中,η(t)为小水电站在时段t的发电效率,ηmin和ηmax分别为小水电站总发电效率的上下限,Pmin和Pmax分别为小水电站总出力的上下限,Pimin和Pimax分别为第i个水轮机组出力的上下限,Qmin和Qmax分别为小水电站总流量的上下限,Hmin和Hmax分别为小水电站水头的上下限。
3.根据权利要求1所述的方法,其特征在于,采用Q-Learning学习算法求解获得小水电站的最优水头时,根据动作策略和状态输入建立的Q-Learning算法模型为:
newQ(s,a)=Q(s,a)+α(R(s,a)+γmaxQ(s′,a′)-Q(s,a))
式中,s表示由小水电站的总出力和总发电效率组成的输入状态,a表示由小水电站的发电总流量和水头组成的动作策略,Q(s,a)表示基于输入状态s和动作策略a的当前Q值,具体指小水电站的总发电效率;R(s,a)为基于输入状态s和动作策略a的奖励;α为学习效率,γ为折扣因子;maxQ(s′,a′)为在给定新的输入状态s′和行为策略a′下未来最大的奖励,newQ(s,a)为基于输入状态s和动作策略a得到的新的总发电效率。
4.根据权利要求3所述的方法,其特征在于,采用Q-Learning学习算法求解获得小水电站的最优水头,具体步骤包括:
(1)将小水电站当前的发电总效率和总出力作为Q-Learning算法模型的初始输入状态;
(2)根据ε贪婪策略在当前输入状态下执行某一运行策略:改变小水电站的发电总流量和水头,使小水电站的总出力和总发电效率达到一个新状态;
(3)根据Q-Learning算法模型更新得到新状态的Q值,即新状态的总发电效率;
(4)重复步骤(2)和(3),直到小水电站的总发电效率达到最大发电效率;
(5)取当前达到最大发电效率所对应的动作策略,即发电总流量和水头,其中的水头即为小水电站的最优水头。
5.根据权利要求1所述的方法,其特征在于,还包括:利用小水电站历史运行数据,建立每台小水电机组在不同运行工况下的效率特性曲线,根据效率特征曲线求解得到最大效率所对应的水头,即为各台水电机组的最优水头。
6.一种基于Q-Learning学习算法的小水电站的水头优化装置,其特征在于,包括:
初始状态获取模块,用于:获取小水电站当前的发电总流量、工作水头,根据其计算小水站站当前的发电总效率和总出力;
最终状态计算模块,用于:以小水电站的总发电效率作为目标函数,并根据以下工作参数的上下限作为约束条件:小水电站总的发电效率、出力、流量、水头以及各机组的出力,求解小水电站的最大发电效率;
最优水头求解模块,用于:以各时段小水电站的发电总流量Q(t)和各时段小水电站的水头H(t)作为动作策略集合,以各时段小水电站的总出力P(t)和各时段小水电站的总发电效率η(t)作为输入状态空间,以小水电站当前的发电总效率和总出力作为初始状态,以小水电站的最大发电效率为最终状态,采用Q-Learning学习算法求解获得小水电站当前的最优水头。
7.一种电子设备,包括存储器及处理器,所述存储器中存储有计算机程序,其特征在于,所述计算机程序被所述处理器执行时,使得所述处理器实现如权利要求1~5中任一项所述的方法。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1~5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551758.4A CN113110067A (zh) | 2021-05-20 | 2021-05-20 | 一种小水电站的水头优化方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110551758.4A CN113110067A (zh) | 2021-05-20 | 2021-05-20 | 一种小水电站的水头优化方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113110067A true CN113110067A (zh) | 2021-07-13 |
Family
ID=76722692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110551758.4A Pending CN113110067A (zh) | 2021-05-20 | 2021-05-20 | 一种小水电站的水头优化方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113110067A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103904641A (zh) * | 2014-03-14 | 2014-07-02 | 华南理工大学 | 基于相关均衡强化学习的孤岛微电网智能发电控制方法 |
CN104216383A (zh) * | 2014-09-22 | 2014-12-17 | 国家电网公司 | 一种小水电站机组运行效率优化方法 |
CN110880048A (zh) * | 2019-11-06 | 2020-03-13 | 国网湖北省电力有限公司宜昌供电公司 | 一种梯级水库生态随机优化调度模型及求解方法 |
CN110930016A (zh) * | 2019-11-19 | 2020-03-27 | 三峡大学 | 一种基于深度q学习的梯级水库随机优化调度方法 |
CN112036633A (zh) * | 2020-08-26 | 2020-12-04 | 三峡大学 | 一种水库生态发电多目标中长期随机调度模型的构建方法以及优化调度方法 |
CN112068420A (zh) * | 2020-07-30 | 2020-12-11 | 同济大学 | 一种排水系统实时控制方法与装置 |
-
2021
- 2021-05-20 CN CN202110551758.4A patent/CN113110067A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103904641A (zh) * | 2014-03-14 | 2014-07-02 | 华南理工大学 | 基于相关均衡强化学习的孤岛微电网智能发电控制方法 |
CN104216383A (zh) * | 2014-09-22 | 2014-12-17 | 国家电网公司 | 一种小水电站机组运行效率优化方法 |
CN110880048A (zh) * | 2019-11-06 | 2020-03-13 | 国网湖北省电力有限公司宜昌供电公司 | 一种梯级水库生态随机优化调度模型及求解方法 |
CN110930016A (zh) * | 2019-11-19 | 2020-03-27 | 三峡大学 | 一种基于深度q学习的梯级水库随机优化调度方法 |
CN112068420A (zh) * | 2020-07-30 | 2020-12-11 | 同济大学 | 一种排水系统实时控制方法与装置 |
CN112036633A (zh) * | 2020-08-26 | 2020-12-04 | 三峡大学 | 一种水库生态发电多目标中长期随机调度模型的构建方法以及优化调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106981888B (zh) | 基于多源互补的风蓄水火电力系统的多目标动态调度方法 | |
CN112615399A (zh) | 一种储能系统参与电网调频优化控制方法、系统及存储介质 | |
CN105375479A (zh) | 一种基于模型预测控制的分布式能源能量管理方法 | |
CN108039737B (zh) | 一种源网荷协调运行模拟系统 | |
CN102738817B (zh) | 利用电池储能系统对风电功率进行自适应平滑处理的方法 | |
CN112103941A (zh) | 考虑电网灵活性的储能配置双层优化方法 | |
CN103986193B (zh) | 一种最大风电并网容量获取的方法 | |
CN116667395A (zh) | 基于梯级水电改造的水风光蓄互补泵站容量配置方法 | |
WO2023226368A1 (zh) | 电动汽车集群充放电控制方法、系统及相关设备 | |
CN114066329A (zh) | 一种基于储能构网能力评估的应用调度方法、设备及介质 | |
CN110808579A (zh) | 主动配电网源网荷协调运行方法 | |
CN113110067A (zh) | 一种小水电站的水头优化方法、装置、设备及介质 | |
CN115173433A (zh) | 一种平抑风电波动的储能容量优化方法及系统 | |
CN112531735A (zh) | 基于机器学习的自动发电控制系统的功率分配方法及装置 | |
CN116131358A (zh) | 分布式变速抽水蓄能与电网协同规划方法、系统及设备 | |
CN115271254A (zh) | 一种基于海鸥算法优化极限学习机的短期风功率预测方法 | |
CN116865271A (zh) | 一种基于数字孪生驱动的微电网多智能体协调优化控制策略 | |
Yang et al. | Short-Term Hydro Generation Scheduling of the Three Gorges Hydropower Station Using Improver Binary-coded Whale Optimization Algorithm | |
CN115146936A (zh) | 梯级水光蓄互补调度模型求解的动态调整学习因子算法 | |
CN111082442B (zh) | 一种基于改进fpa的储能容量优化配置方法 | |
CN112215720A (zh) | 一种基于可再生能源发电的智能电网控制系统的控制方法 | |
Tongyu et al. | Based on deep reinforcement learning algorithm, energy storage optimization and loss reduction strategy for distribution network with high proportion of distributed generation | |
CN113746120A (zh) | 基于ga的储能系统优化配置方法 | |
Tang et al. | Voltage Control Strategy of Distribution Networks with Distributed Photovoltaic Based on Multi-agent Deep Reinforcement Learning | |
CN116056116B (zh) | 无线通信系统访问控制的优化方法、系统、设备及介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210713 |