CN113177366A - 一种综合能源系统规划方法、装置和终端设备 - Google Patents
一种综合能源系统规划方法、装置和终端设备 Download PDFInfo
- Publication number
- CN113177366A CN113177366A CN202110590997.0A CN202110590997A CN113177366A CN 113177366 A CN113177366 A CN 113177366A CN 202110590997 A CN202110590997 A CN 202110590997A CN 113177366 A CN113177366 A CN 113177366A
- Authority
- CN
- China
- Prior art keywords
- historical
- energy system
- neural network
- data
- network model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 39
- 230000007246 mechanism Effects 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 14
- 229910052799 carbon Inorganic materials 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000002354 daily effect Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 206010056677 Nerve degeneration Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000004770 neurodegeneration Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- 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
- 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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及能源规划领域，公开了一种综合能源系统规划方法、装置和终端设备。上述综合能源系统规划方法包括：采集需预测地区历史数据，历史数据包括历史负荷数据、历史分布式电源输出功率、历史温湿度和预测日温湿度、预测日分布式电源输出功率；根据历史负荷数据、历史分布式电源输出功率、历史温湿度建立高维数据集；根据注意力机制构建神经网络模型，基于高维数据集训练神经网络模型；将预测日温湿度输入到训练后的神经网络模型，得到负荷预测结果；根据预测日分布式电源输出功率数据构建综合能源系统规划模型，基于负荷预测结果和综合能源系统规划模型进行综合能源系统规划。
Description
技术领域
本发明涉及能源规划领域，具体涉及一种综合能源系统规划方法、装置和终端设备。
背景技术
综合能源系统可实现一定区域内不同能源的耦合互补，利用能源间的互补性及可替代性，实现了供给侧不同能源设备的耦合，能够满足多元负荷需求并提高能源的利用效率，可以有效的降低用能成本，综合能源系统规划离不开精准的负荷预测。负荷预测是指在一定数据基础的情况下，结合一系列相关的影响因素，通过一定的预测方法，对未来的负荷用能情况进行一定的推测。正确而准确的预测不仅可以合理地调整能源供应计划，以确保社会的正常运转，而且可以降低能源使用成本并达到经济和社会效益。
综合能源系统的规划设计和负荷预测必须考虑系统内部生产，替换，存储和能源使用的各个方面，同时需要考虑多种能量流(例如电，冷和热)的相互作用。因此综合能源系统需要多种检测设备以及数据传输设备，有关温度，天气和风速等多种数据的信息量也在不断的增加，数据规模已经从GB级增加到了TB级。以往的传统的负荷预测方法的准确性和预测的速度都难以满足目前的需求。因此，利用大数据技术预测能源需求是未来重要的发展方向。
随着大数据技术的发展，目前已经能够实现对数据的快速处理，并可以预测短期能耗。通过对传统预测方法中对于数据处理技术的改进，已经能够有效的实现大数据技术在复杂情况下的处理能力。同时，某些应用程序还具有一定的快速响应能力，能够实时处理数据。
发明内容
有鉴于此，本发明实施例提供了一种综合能源系统规划方法，以解决现有技术中虚拟同步机并网调节频率波动大，稳定性差的问题。
为达到上述目的，本发明采用如下技术方案：
第一方面，本发明实施例提供了一种综合能源系统规划方法，包括：采集需预测地区历史数据，所述历史数据包括历史负荷数据、历史分布式电源输出功率、历史温湿度和预测日温湿度、预测日分布式电源输出功率；根据所述历史负荷数据、历史分布式电源输出功率、历史温湿度建立高维数据集；根据注意力机制构建神经网络模型，基于所述高维数据集训练所述神经网络模型；将所述预测日温湿度输入到训练后的神经网络模型，得到负荷预测结果；根据预测日分布式电源输出功率数据构建综合能源系统规划模型，基于所述负荷预测结果和所述综合能源系统规划模型进行综合能源系统规划。
基于第一方面，在一些实施例中所述根据注意力机制构建神经网络模型，基于所述高维数据集训练所述神经网络模型，包括：将所述高维数据集中的高维数据转换为高维时间序列；将所述高维时间序列输入基于注意力机制的神经网络模型，训练所述神经网络模型。
基于第一方面，在一些实施例中，所述将所述高维时间序列输入基于注意力机制的神经网络模型，训练所述神经网络模型，包括：通过所述卷积神经网络对所述高维时间序列进行特征提取，得到第一特征量；通过长短期神经网络对所述第一特征量进行时间维度的建模和分析，得到第二特征量；通过注意力机制模块处理所述第二特征量，得到第三特征量；对所述第三特征量进行解码处理，输出第四特征量，得到所述神经网络模型。
基于第一方面，在一些实施例中，所述第二特征量为：
ht＝LSTM(hc1,hc2,hc3…,hci-1,hci),t∈[1,i]
其中，ht为长短期记忆网络LSTM在t时刻输出的第二特征量。
基于第一方面，在一些实施例中，所述第三特征量的输出公式为：
其中at是t时刻的权重系数，且
ht表示t时刻由长短期记忆网络LSTM所输出的特征，hj表示j时刻由长短期记忆网络LSTM所输出的特征。
基于第一方面，在一些实施例中，所述综合能源系统规划模型包括系统运行信息模型和系统碳排放模型。
基于第一方面，在一些实施例中，所述系统运行信息模型为：
F＝minCop＝Cinv+Cop-G+Cop-M
其中，Cop表示系统运行信息，Cinv表示年化投资特征，Cop-G表示购电特征， Cop-M表示设备运行特征。
第二方面，本发明实施例提供了一种综合能源系统规划装置，包括：信息采集模块，用于采集需预测地区历史数据，所述历史数据包括历史负荷数据、历史分布式电源输出功率、历史温湿度和预测日温湿度、预测日分布式电源输出功率；数据处理模块，用于根据所述历史负荷数据、历史分布式电源输出功率、历史温湿度建立高维数据集；训练模块，用于根据注意力机制构建神经网络模型，基于所述高维数据集训练所述神经网络模型；负荷预测模块，用于将所述预测日温湿度输入到训练后的神经网络模型，得到负荷预测结果；模型构建模块，用于构建综合能源系统规划模型，用于基于所述负荷预测结果进行综合能源系统规划。
第三方面，本发明实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面中任一项所述综合能源系统规划方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述第一方面中任一项所述综合能源系统规划方法的步骤。
本发明实施例中，采用了基于注意力机制的负荷预测方法，利用神经网络模型，可以对更大规模的数据进行处理，同时得到更精准的负荷预测结果。进而保证系统内能源供需精确规划，维持区域内能源平衡，避免购电、发电浪费，有效降低系统总能源消耗和碳排放量。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的综合能源系统规划方法的流程示意图；
图2是本发明实施例提供的步骤103的流程示意图；
图3是本发明实施例提供的步骤105的流程示意图；
图4是本发明实施例提供的电负荷预测效果对比示意图；
图5是本发明实施例提供的热负荷预测效果对比示意图；
图6是本发明实施例提供的冷负荷预测效果对比示意图；
图7是本发明实施例提供的场景2电系统运行平衡情况示意图；
图8是本发明实施例提供的综合能源系统规划装置结构示意图；
图9是本发明实施例提供的终端设备的示意图。
具体实施方式
下面结合具体实施例对本发明进行更清楚的说明。以下实施例将有助于本领域的技术人员进一步理解本发明的作用，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
本发明实施例提供的一种综合能源系统规划方法，如图1所示，该综合能源系统规划方法可以包括步骤101至步骤105。
步骤101：采集需预测地区历史数据，历史数据包括历史负荷数据、历史分布式电源输出功率、历史温湿度和预测日温湿度、预测日分布式电源输出功率。
步骤102：根据历史负荷数据、历史分布式电源输出功率、历史温湿度建立高维数据集。
步骤103：根据注意力机制构建神经网络模型，基于高维数据集训练所述神经网络模型。
在一具体实施方式中，如图2所示，步骤103可以包含步骤1031至步骤 1032。
神经网络(Neural Network，NN)是受生物大脑中神经元连接方式的启发所演化而来的一种模糊计算系统模型，用于实现对建模问题中复杂函数的近似逼近与拟合。本发明在神经网络结构中引入注意力机制，增加了神经网络结构的可解释性，能够帮助缓解递归神经网络中的一些缺陷。还使用了卷积神经网络CNNs(Convolutional Neural Networks)、长短期记忆网络LSTM(Long-Short Term Memory)等方式进行处理。
注意力机制(Attention Model,AM)的灵感来源可以归结到人对环境的生理感知上来。比方说，我们的视觉系统更倾向于去挑选影像中的部分信息进行集中分析而忽略掉图像中的无关信息。与此类似，很多设计到语言，语音和视觉的问题中都包含与研究任务密切相关的信息，同时也包含着一些无关的信息。注意力机制将这种相关系进行了整合，允许模型动态地去关注输入的特定部分从而更为有效地完成手头的任务。
在神经网络结构中加入注意力机制主要是基于三点考虑：首先是这些模型在众多的任务中取得了非常好的性能。然后，在提升模型性能的同时，注意力机制增加了神经网络结构的可解释性。由于传统的神经网络是一个黑盒模型，因此提高其可解释性对机器学习模型的公平性、可靠性和透明性的提高至关重要。第三，其能够帮助缓解递归神经网络中的一些缺陷，比方说随着输入序列长度的增加导致的性能下降和对输入的顺序处理所导致的计算效率低下。
步骤1031：将高维数据集中的高维数据转换为高维时间序列。
作为整个算法的第一部分，需要将负荷需求高维数据按照时间顺序输入到模型中。
例如，一段长度为T的高维电力数据，经过处理后转换为高维时间序列 X＝[x1,x2,x3…,xt-1,xt]。
步骤1032：将高维时间序列输入基于注意力机制的神经网络模型，训练神经网络模型。
在一具体实施方式中，步骤1032的过程可以包含步骤10321至步骤10324。
步骤10321：通过卷积神经网络CNNs对输入的高维时间序列进行特征提取，得到第一特征量。
整个CNNs模块主要由2个一维卷积层、2个池化层和1个全连接层组成。通常情况下，神经网络中的每一个神经元都是直接接受上一层的输出值作为本层神经元的输入，并将该层的输出继续作为下一层的输入，直到最后的输出层。对于神经网络非线性因素的实现通常是通过对网络中的每个神经元施加一个激活函数来完成。为了抑制激活函数ReLU在训练过程中出现“神经元退化”现象发生，本发明采用Leakly-ReLU作为激活函数来取代ReLU。池化层的作用是降维和增大感受野，为了防止信息混淆，选择最大池化作为降采样的方法。同时使用Dropout技术来提高模块的泛化性。
CNNs的输出第一特征量HC可以使用HC＝[hc1,hc2,hc3…,hci-1,hci]来表示，其中hci表示各维度的输出，i表示CNNs的输出维度。
步骤10322：通过长短期记忆网络LSTM对第一特征量进行时间维度的建模和分析，得到第二特征量。
LSTM可以对由CNNs所提取的特征完成时间维度的建模和分析，LSTM 在t时刻的输出第二特征量ht如公式(1)所示。
ht＝LSTM(hc1,hc2,hc3…,hci-1,hci),t∈[1,i] (1)
步骤10323：通过注意力机制模块处理第二特征量，得到第三特征量。
将第二特征量输入注意力机制模块，通过注意力机制模块判断不同特征的重要性，并根据重要性来分配权重，得到第三特征量。
注意力机制Attention模块的输入是LSTM结构的输出，Attention模块可以自动化学习和判断不同特征的重要程度，并根据重要性关系来分配权重。Attention模块可以直接嵌入到深度学习模型中，进行端到端的训练。Attention 模块的输出第三特征量St如公式(2)所示。
其中at是t时刻的权重系数，可以使用公式(3)来计算。
式中ht表示t时刻由长短期记忆网络LSTM所输出的特征，hj表示j时刻由长短期记忆网络LSTM所输出的特征。
步骤10324：对第三特征量进行解码处理，输出第四特征量，得到神经网络模型。
该部分需要将Attention模块所输出的第三特征量St进行解码。具体如公式(4)所示。其中第四特征量yt表示模型对于t时刻结果的预测，w*和b分别表示权重和偏置，是常数项。
yt＝Leakly-ReLU(w*st+b) (4)
步骤104：将预测日温湿度输入到训练后的神经网络模型，得到负荷预测结果。
步骤105：根据预测日分布式电源输出功率数据构建综合能源系统规划模型，基于负荷预测结果和综合能源系统规划模型进行综合能源系统规划。
在一具体实施方式中，步骤105可以包括1051至步骤1052。
步骤1051：构建综合能源系统规划模型。
构建综合能源系统规划模型的过程可以包含步骤10511至步骤10512。
步骤10511：构建系统运行信息模型。
建立系统运行最小成本公式，最小运行成本公式为：
F＝minCop＝Cinv+Cop-G+Cop-M (5)
其中，Cop表示系统运行信息；Cinv表示年化投资特征；Cop-G表示购电特征； Cop-M表示设备运行维护特征。
示例性的，Cop可以为系统运行成本；Cinv可以为年化投资成本；Cop-G可以为购电成本；Cop-M可以为设备运行维护成本。对于综合能源系统来说，购电成本和设备运行维护成本都需要负荷数据参与确定。
1)电网购电成本Cop-G的表达式为：
式中，
为时段t的购电价格；
为时段t的购电功率，购电功率由所在区域电网的总负荷需求和分布式电源输出功率确定；T为调度周期。
根据所在区域能源模式的不同，总负荷需求可以包含电力负荷需求，冷负荷需求和热负荷需求，分布式电源可以包含光伏电源和其他分布式电源。
2)设备运行维护成本的表达式为：
式中，Ci为分布式发电的运行维护成本；Pi为分布式发电的输出功率，根据预测负荷调整输出功率，运行维护成本也随之变化。
步骤10512：构建系统碳排放模型
系统碳排放最低的目标函数如下：
式中：y为整个系统寿命周期，Ni为单位周期内i设备的碳排放量。
步骤1052：基于负荷预测结果和综合能源系统规划模型进行综合能源系统规划。
通过更为准确的负荷预测数据，规划分布式电源出力，进而决定区域购电总量，维持区域内能源供需平衡。准确规划分布式电源出力还可以有效降低发电设备的系统能耗和碳排放量，避免能源浪费。
该综合能源规划方法可以有效减少能源消耗和碳排放量，降低系统的运行成本。
实施例1，为验证本发明降低能源消耗和碳排放量的效果，选取我国某多能源区域2019年7月1日至2019年8月20日(一个月记为30天)的历史数据作为训练数据，每天采样一次，共计50个负荷数据点。进行传统方式规划方案和基于注意力机制的短期电力负荷预测模型的规划方案负荷训练和预测，将两者的结果进行对比，对比效果图如图4、图5和图6所示，其中图4是电负荷的预测效果对比图，图5是热负荷预测的效果对比图，图6是冷负荷预测的效果对比图。
从图中可以看到，基于注意力机制的短期电力负荷预测模型的规划方案的效果相比传统的规划方案预测效果明显提升，预测曲线契合度更高，说明优化效果显著，预测精度更高。
根据综合能源系统的规划要求，综合能源系统规划目标为使区域内能源高效平衡，碳排放量最低。因此，通过更精准的负荷预测可以精确规划系统内能源供需，维持区域内能源平衡，避免购电、发电浪费，有效降低系统总能源消耗。
根据负荷预测的数据进行区域内能源规划，选取分布式电源典型日进行设备出力分析，典型日是分布式发电电源出力较为明显的日期。场景2中电系统运行平衡情况如图7所示。
表1不同场景运行指标对比
| 评价指标 | 场景1 | 场景2 |
| 运行成本(元) | 35909.66 | 32987.99 |
| 碳排放量(kg) | 74835.99 | 71235.6 |
同时对比不同的负荷预测方法对于能源规划产生的影响，场景1与场景2 中设备元素虽然相同，但由于预测负荷精确度的差距，预测出的负荷量不同影响了设备的发电出力，设备运行成本也随之改变，从而影响碳排放量的大小。场景2为采用本文的基于注意力机制的短期电力负荷预测，场景1为传统负荷预测。通过上表所示，可以得到场景1与场景2的运行成本、碳排量的数值，场景2运行成本比场景1减少8.14％；场景2碳排放量比场景1减少4.81％。
参见图8，本发明实施例提供了一种综合能源系统规划装置30，包括：信息采集模块模块310、数据处理模块320、训练模块330、负荷预测模块340、模型构建模块350。
信息采集模块310，用于采集需预测地区历史数据，历史数据包括历史负荷数据、历史分布式电源输出功率、历史温湿度和预测日温湿度、预测日分布式电源输出功率。
数据处理模块320，用于根据历史负荷数据、历史分布式电源输出功率、历史温湿度建立高维数据集。
训练模块330，用于根据注意力机制构建神经网络模型，基于高维数据集训练神经网络模型。
负荷预测模块340，用于将预测日温湿度输入到训练后的神经网络模型，得到负荷预测结果。
模型构建模块350，用于构建综合能源系统规划模型，基于负荷预测结果进行综合能源系统规划。
图9是本发明一实施例提供的终端设备的示意图。如图9所示，该实施例的终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42，例如基线负荷估计程序。所述处理器 40执行所述计算机程序42时实现上述光伏用户基线负荷估计方法实施例中的步骤，例如图1所示的步骤101至步骤105。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图8所示模块310至350的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端设备4中的执行过程。例如，所述计算机程序42可以被分割成信息采集模块模块、数据处理模块、训练模块、负荷预测模块、模型构建模块。
所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图9仅仅是终端设备4的示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4 的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种综合能源系统规划方法，其特征在于，包括：
采集需预测地区历史数据，所述历史数据包括历史负荷数据、历史分布式电源输出功率、历史温湿度和预测日温湿度、预测日分布式电源输出功率；
根据所述历史负荷数据、历史分布式电源输出功率、历史温湿度建立高维数据集；
根据注意力机制构建神经网络模型，基于所述高维数据集训练所述神经网络模型；
将所述预测日温湿度输入到训练后的神经网络模型，得到负荷预测结果；
根据预测日分布式电源输出功率数据构建综合能源系统规划模型，基于所述负荷预测结果和所述综合能源系统规划模型进行综合能源系统规划。
2.如权利要求1所述的综合能源系统规划方法，其特征在于，所述根据注意力机制构建神经网络模型，基于所述高维数据集训练所述神经网络模型，包括：
将所述高维数据集中的高维数据转换为高维时间序列；
将所述高维时间序列输入基于注意力机制的神经网络模型，训练所述神经网络模型。
3.如权利要求2所述的综合能源系统规划方法，其特征在于，所述将所述高维时间序列输入基于注意力机制的神经网络模型，训练所述神经网络模型，包括：
通过所述卷积神经网络对所述高维时间序列进行特征提取，得到第一特征量；
通过长短期神经网络对所述第一特征量进行时间维度的建模和分析，得到第二特征量；
通过注意力机制模块处理所述第二特征量，得到第三特征量；
对所述第三特征量进行解码处理，输出第四特征量，得到所述神经网络模型。
4.如权利要求3所述的综合能源系统规划方法，其特征在于，所述第二特征量为：
ht＝LSTM(hc1,hc2,hc3…,hci-1,hci),t∈[1,i]
其中，ht表示t时刻由长短期记忆网络LSTM所输出的特征。
5.如权利要求3所述的综合能源系统规划方法，其特征在于，所述第三特征量为：
其中at是t时刻的权重系数，且
ht表示t时刻由长短期记忆网络LSTM所输出的特征，hj表示j时刻由长短期记忆网络LSTM所输出的特征。
6.如权利要求1所述的综合能源系统规划方法，其特征在于，所述综合能源系统规划模型包括系统运行信息模型和系统碳排放模型。
7.如权利要求6所述的综合能源系统规划方法，其特征在于，所述系统运行信息模型为：
F＝minCop＝Cinv+Cop-G+Cop-M
其中，Cop表示系统运行信息，Cinv表示年化投资特征，Cop-G表示购电特征，Cop-M表示设备运行特征。
8.一种综合能源系统规划装置，其特征在于，包括：
信息采集模块，用于采集需预测地区历史数据，所述历史数据包括历史负荷数据、历史分布式电源输出功率、历史温湿度和预测日温湿度、预测日分布式电源输出功率；
数据处理模块，用于根据所述历史负荷数据、历史分布式电源输出功率、历史温湿度建立高维数据集；
训练模块，用于根据注意力机制构建神经网络模型，基于所述高维数据集训练所述神经网络模型；
负荷预测模块，用于基于预测日温湿度，根据所述神经网络模型输出负荷预测结果；
模型构建模块，用于构建综合能源系统规划模型，基于所述负荷预测结果进行综合能源系统规划。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述综合能源系统规划方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至7中任一项所述综合能源系统规划方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110590997.0A CN113177366B (zh) | 2021-05-28 | 2021-05-28 | 一种综合能源系统规划方法、装置和终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110590997.0A CN113177366B (zh) | 2021-05-28 | 2021-05-28 | 一种综合能源系统规划方法、装置和终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113177366A true CN113177366A (zh) | 2021-07-27 |
| CN113177366B CN113177366B (zh) | 2024-02-02 |
Family
ID=76927610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110590997.0A Active CN113177366B (zh) | 2021-05-28 | 2021-05-28 | 一种综合能源系统规划方法、装置和终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113177366B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114239973A (zh) * | 2021-12-21 | 2022-03-25 | 内蒙古弘睿节能科技有限公司 | 基于深度学习的换热站热负荷短期预测方法及预测系统 |
| CN114565293A (zh) * | 2022-03-03 | 2022-05-31 | 国网经济技术研究院有限公司 | 一种工业负荷提供长周期需求响应能力的评估方法 |
| CN114862177A (zh) * | 2022-04-29 | 2022-08-05 | 国网江苏省电力有限公司南通供电分公司 | 一种能源互联能源存储分配方法及系统 |
| CN114997488A (zh) * | 2022-05-27 | 2022-09-02 | 中国石油大学(北京) | 一种综合能源系统负荷预测方法及装置 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106156950A (zh) * | 2016-07-06 | 2016-11-23 | 燕山大学 | 一种基于超球支持向量机的主动配电网经济运行评价方法 |
| EP3096193A1 (de) * | 2015-05-22 | 2016-11-23 | Robert Bosch Gmbh | Verfahren und vorrichtung zum prognostizieren einer lage eines wasserfahrzeugs |
| CN108197773A (zh) * | 2017-12-08 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力负荷预测方法、电力负荷预测装置及终端设备 |
| CN110333739A (zh) * | 2019-08-21 | 2019-10-15 | 哈尔滨工程大学 | 一种基于强化学习的auv行为规划及动作控制方法 |
| CN110705743A (zh) * | 2019-08-23 | 2020-01-17 | 国网浙江省电力有限公司 | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 |
| CN111008728A (zh) * | 2019-11-01 | 2020-04-14 | 深圳供电局有限公司 | 一种用于分布式光伏发电系统短期出力的预测方法 |
| CN111027058A (zh) * | 2019-11-12 | 2020-04-17 | 深圳供电局有限公司 | 一种电力系统检测数据攻击的方法、计算机设备和存储介质 |
| CN111047091A (zh) * | 2019-12-11 | 2020-04-21 | 国家电网有限公司 | 基于lasso与rnn的省级能源利用效率预测方法 |
| CN111191856A (zh) * | 2020-02-17 | 2020-05-22 | 天津大学 | 计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法 |
| CN111563610A (zh) * | 2020-03-30 | 2020-08-21 | 山东电力工程咨询院有限公司 | 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统 |
| CN112232575A (zh) * | 2020-10-21 | 2021-01-15 | 国网山西省电力公司经济技术研究院 | 一种基于多元负荷预测的综合能源系统调控方法和装置 |
| CN112270084A (zh) * | 2020-10-26 | 2021-01-26 | 清华大学 | 数据驱动的高比例可再生能源电力系统运行场景辨识方法 |
| CN112418526A (zh) * | 2020-11-24 | 2021-02-26 | 国网天津市电力公司 | 基于改进深度信念网络的综合能源负荷控制方法及装置 |
| CN112529283A (zh) * | 2020-12-04 | 2021-03-19 | 天津天大求实电力新技术股份有限公司 | 基于注意力机制的综合能源系统短期负荷预测方法 |
| CN112598195A (zh) * | 2020-12-31 | 2021-04-02 | 国网河北省电力有限公司经济技术研究院 | 楼宇型综合能源系统运行优化方法、装置及终端设备 |
-
2021
- 2021-05-28 CN CN202110590997.0A patent/CN113177366B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3096193A1 (de) * | 2015-05-22 | 2016-11-23 | Robert Bosch Gmbh | Verfahren und vorrichtung zum prognostizieren einer lage eines wasserfahrzeugs |
| CN106156950A (zh) * | 2016-07-06 | 2016-11-23 | 燕山大学 | 一种基于超球支持向量机的主动配电网经济运行评价方法 |
| CN108197773A (zh) * | 2017-12-08 | 2018-06-22 | 囯网河北省电力有限公司电力科学研究院 | 电力负荷预测方法、电力负荷预测装置及终端设备 |
| CN110333739A (zh) * | 2019-08-21 | 2019-10-15 | 哈尔滨工程大学 | 一种基于强化学习的auv行为规划及动作控制方法 |
| CN110705743A (zh) * | 2019-08-23 | 2020-01-17 | 国网浙江省电力有限公司 | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 |
| CN111008728A (zh) * | 2019-11-01 | 2020-04-14 | 深圳供电局有限公司 | 一种用于分布式光伏发电系统短期出力的预测方法 |
| CN111027058A (zh) * | 2019-11-12 | 2020-04-17 | 深圳供电局有限公司 | 一种电力系统检测数据攻击的方法、计算机设备和存储介质 |
| CN111047091A (zh) * | 2019-12-11 | 2020-04-21 | 国家电网有限公司 | 基于lasso与rnn的省级能源利用效率预测方法 |
| CN111191856A (zh) * | 2020-02-17 | 2020-05-22 | 天津大学 | 计及时序动态特性和耦合特性的区域综合能源系统多能负荷预测方法 |
| CN111563610A (zh) * | 2020-03-30 | 2020-08-21 | 山东电力工程咨询院有限公司 | 一种基于lstm神经网络的建筑物电负荷综合预测方法及系统 |
| CN112232575A (zh) * | 2020-10-21 | 2021-01-15 | 国网山西省电力公司经济技术研究院 | 一种基于多元负荷预测的综合能源系统调控方法和装置 |
| CN112270084A (zh) * | 2020-10-26 | 2021-01-26 | 清华大学 | 数据驱动的高比例可再生能源电力系统运行场景辨识方法 |
| CN112418526A (zh) * | 2020-11-24 | 2021-02-26 | 国网天津市电力公司 | 基于改进深度信念网络的综合能源负荷控制方法及装置 |
| CN112529283A (zh) * | 2020-12-04 | 2021-03-19 | 天津天大求实电力新技术股份有限公司 | 基于注意力机制的综合能源系统短期负荷预测方法 |
| CN112598195A (zh) * | 2020-12-31 | 2021-04-02 | 国网河北省电力有限公司经济技术研究院 | 楼宇型综合能源系统运行优化方法、装置及终端设备 |
Non-Patent Citations (1)
| Title |
|---|
| 张亚健 等: "泛在电力物联网在智能配电系统应用综述及展望", 电力建设, vol. 40, no. 6, pages 1 - 12 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114239973A (zh) * | 2021-12-21 | 2022-03-25 | 内蒙古弘睿节能科技有限公司 | 基于深度学习的换热站热负荷短期预测方法及预测系统 |
| CN114565293A (zh) * | 2022-03-03 | 2022-05-31 | 国网经济技术研究院有限公司 | 一种工业负荷提供长周期需求响应能力的评估方法 |
| CN114565293B (zh) * | 2022-03-03 | 2024-06-04 | 国网经济技术研究院有限公司 | 一种工业负荷提供长周期需求响应能力的评估方法 |
| CN114862177A (zh) * | 2022-04-29 | 2022-08-05 | 国网江苏省电力有限公司南通供电分公司 | 一种能源互联能源存储分配方法及系统 |
| CN114997488A (zh) * | 2022-05-27 | 2022-09-02 | 中国石油大学(北京) | 一种综合能源系统负荷预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113177366B (zh) | 2024-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
| CN113177366A (zh) | 一种综合能源系统规划方法、装置和终端设备 | |
| Yao et al. | Short-term load forecasting method based on feature preference strategy and LightGBM-XGboost | |
| CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
| CN110751326B (zh) | 一种光伏日前功率预测方法、装置以及存储介质 | |
| CN112614011B (zh) | 电力配网物资需求预测方法和装置、存储介质及电子设备 | |
| Ulutas et al. | Neuro-fuzzy-based model predictive energy management for grid connected microgrids | |
| Wei et al. | Forecasting the daily natural gas consumption with an accurate white-box model | |
| Imani et al. | Forecasting electricity price in different time horizons: an application to the Italian electricity market | |
| Liu et al. | Probabilistic assessment of hybrid wind-PV hosting capacity in distribution systems | |
| CN113112099A (zh) | 电网日电量预测模型训练方法和电网日电量预测方法 | |
| CN111815060A (zh) | 一种用电地区短期负荷预测方法及装置 | |
| CN112651563A (zh) | 负荷预测方法、装置、计算机可读存储介质及电子设备 | |
| Jin et al. | Location and capacity optimization of distributed energy storage system in peak-shaving | |
| CN103700030A (zh) | 基于灰色粗糙集的电网建设项目后评价指标赋权方法 | |
| CN106845694A (zh) | 一种风能、太阳能管理系统 | |
| CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
| CN113962491A (zh) | 基于季节分解的短期冷热电负荷联合预测方法及装置 | |
| CN115828755A (zh) | 微网群参与电网服务的评估方法、装置及可读存储介质 | |
| CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
| CN113139698A (zh) | 负荷预测方法、装置及设备 | |
| Yu et al. | Rainfall time series forecasting based on Modular RBF Neural Network model coupled with SSA and PLS | |
| CN113591391A (zh) | 一种电力负荷控制装置、控制方法、终端、介质及应用 | |
| Aghajani et al. | Short-term prediction of market-clearing price of electricity in the presence of wind power plants by a hybrid intelligent system | |
| Zhang et al. | Optimal time-of-use electricity price for a microgrid system considering profit of power company and demand users |
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 |