CN113343167B - 一种多场景置信间隙决策风光储联合规划方法 - Google Patents
一种多场景置信间隙决策风光储联合规划方法 Download PDFInfo
- Publication number
- CN113343167B CN113343167B CN202110878560.7A CN202110878560A CN113343167B CN 113343167 B CN113343167 B CN 113343167B CN 202110878560 A CN202110878560 A CN 202110878560A CN 113343167 B CN113343167 B CN 113343167B
- Authority
- CN
- China
- Prior art keywords
- wind
- confidence
- formula
- scene
- interval
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004146 energy storage Methods 0.000 claims abstract description 87
- 238000005457 optimization Methods 0.000 claims abstract description 47
- 230000006872 improvement Effects 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 49
- 238000005070 sampling Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 14
- 238000005315 distribution function Methods 0.000 claims description 13
- 238000007599 discharging Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000010355 oscillation Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 230000002028 premature Effects 0.000 claims description 3
- 230000009131 signaling function Effects 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims 4
- XOFYZVNMUHMLCC-ZPOLXVRWSA-N prednisone Chemical compound O=C1C=C[C@]2(C)[C@H]3C(=O)C[C@](C)([C@@](CC4)(O)C(=O)CO)[C@@H]4[C@@H]3CCC2=C1 XOFYZVNMUHMLCC-ZPOLXVRWSA-N 0.000 claims 2
- 238000007670 refining Methods 0.000 claims 1
- 239000000243 solution Substances 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及技术风光储能源规划领域,具体涉及到一种多场景置信间隙决策风光储联合规划方法,包括:基于信息间隙决策理论建立置信间隙决策理论模型,得到多场景置信间隙决策理论模型;确定风光储联合鲁棒规划中不确定变量的分类置信不确定区间;构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型;设计交叉熵‑雷达扫描微分进化算法对风光储联合鲁棒规划模型进行求解。本发明在决策结果所承担的决策风险概率尽可能小的前提下,最大化规避不确定性的负面影响,以置信不确定区间描述不确定变量的随机性与多态性,并取消鲁棒系数主观设定,实现更为准确而合理的系统电压偏差改善率与总投资成本协同优化的风光储联合鲁棒规划。
Description
技术领域
本发明涉及技术风光储能源规划领域,具体涉及到一种多场景置信间隙决策风光储联合规划方法。
背景技术
在当前节能减排和能源可持续发展的时代背景下,以风电和光伏为代表的大量分布式可再生能源(distributed renewable energy, DRE)接入电网得到了迅速发展。然而,可再生能源出力易受自然环境影响而具有明显的波动性和不确定性,会给电网的电能质量及安全可靠性带来较大的负面影响。通过风光储联合规划有利于实现风光储多能互补,对于提高电网电压稳定性和系统综合效益等具有重要价值。
目前,针对风光储联合规划已有不少研究,如从典型日角度出发,提出了典型日选取方法综合指标评估体系,建立了微电网风光储双层规划模型;从经济性角度出发,构建了风光储经济性规划模型,分析了规划中需要重点考虑的若干因素;采用时间序列模拟(timesequence simulation, TSS)技术和分层优化算法,优化获取可再生能源和储能系统的最优容量配置;将碳交易考虑进风光储规划中,以确定区域电网中风光储容量的最优配比;提出了一种新的自治微电网优化模型,以确定微电网中最具成本效益的可再生能源和储能系统规模。
然而,鉴于风电、光伏出力具有间歇性、波动性和随机性,风光储联合规划属典型的不确定性规划问题。针对此类不确定性规划的处理方法主要包括鲁棒优化(robustoptimization, RO)和随机规划(stochastic programming, SP):鲁棒优化一般是将不确定变量表征为含边界的不确定集嵌入确定性规划模型中,基于极限场景分析和数学对等变换将其转化为易于求解的鲁棒规划模型;随机规划则是基于历史数据拟合不确定量的概率分布函数,再利用场景生成及缩减方法将不确定性优化问题转化为一定数量场景下的确定性优化问题。近年来,世界各国学者在电能规划时为有效应对可再生能源出力的不确定性,对上述不确定性规划方法做了诸多改进,然而,现有鲁棒优化和随机规划方法均仍有所不足:鲁棒优化研究中鲁棒性的设定往往偏于保守,而且通常采用对称均匀分布或正态分布刻画不确定性集合,因而难以体现各类随机因素实际具有的多态性(如风光出力的随机分布特征具有季节差异性和不对称性),导致鲁棒性评价过于粗略而难以反映真实的鲁棒程度;而随机规划则是通过场景缩减将以区间域表示的不确定性集合简化为若干典型场景进行多场景确定性优化,易丧失区间遍历性而难以保证规划的鲁棒性。
近年来,一些学者引入信息间隙决策理论(information gap decision theory,信息间隙决策理论)处理含可再生能源的电力系统规划和优化调度等问题。信息间隙决策理论作为一种非概率、非模糊的不确定性风险管理方法,其基本思想是在优化结果满足预设目标值的前提下,最大化系统可容忍的不确定变量波动区间以最大化规避不确定性的负面影响。然而,信息间隙决策理论模型在描述关键性的不确定性集合方面同样存在表达过于粗糙的弊端:采用基于不确定变量的均值及上下限的对称盒式集合描述其最大波动区间,难以体现超长时空尺度下各类随机因素实际具有的多态性、以及鲁棒性与不确定区间上下限可能存在的非线性关系。
综上所述,鉴于现有鲁棒优化、随机规划和信息间隙决策理论等不确定性规划方法存在诸多不足,有必要提出一种新的多场景置信间隙决策理论。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供一种多场景置信间隙决策风光储联合规划方法。
为实现上述目的,本发明采用的技术方案如下:一种多场景置信间隙决策风光储联合规划方法,包括以下步骤:
步骤1,基于信息间隙决策理论建立置信间隙决策理论模型,将分类多场景集置信不确定区间嵌入置信间隙决策理论模型,得到多场景置信间隙决策理论模型;
步骤2,确定风光储联合鲁棒规划中不确定变量的分类置信不确定区间;
步骤3,基于多场景置信间隙决策理论模型和分类置信不确定区间,结合风光储联合鲁棒规划的优化目标,构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型;
步骤4,设计交叉熵-雷达扫描微分进化算法对基于多场景置信间隙决策理论的风光储联合鲁棒规划模型进行求解。
进一步的,在步骤1中,基于信息间隙决策理论建立置信间隙决策理论模型,具体包括:
含不确定变量优化问题的数学模型描述为:
基于风险规避策略的信息间隙决策理论思想,即在优化结果满足预设目标值的前提下,最大化系统可容忍的不确定变量波动区间,将上述数学模型可转化为如下信息间隙决策理论模型:
通过引入机会约束对不确定性集合和目标偏差进行概率评价:取消不确定变量波动系数,以置信不确定区间代替信息间隙决策理论的对称波动区间;取消主观预设的鲁棒系数,引入机会约束确保决策结果所承担的决策风险概率尽可能小的条件下,最大化不确定变量的置信不确定区间,从而最大化规避不确定性的影响;由此,提出如下置信间隙决策理论模型:
进一步的,在步骤1中,将分类多场景集置信不确定区间嵌入置信间隙决策理论模型,得到多场景置信间隙决策理论模型,具体包括:
为进一步精细化描述超长时空尺度下的海量场景,通过多维场景聚类将海量场景细化分解为复杂度和差异度较低的相近时空场景集;统计分析获取各场景集内风/光/荷分维概率分布以及由置信水平决定的分类置信不确定区间,从而将常规的多场景确定性建模拓展泛化为基于分类场景集的置信不确定区间建模,以精细化构造原不确定性集合;
将分类多场景集置信不确定区间嵌入置信间隙决策理论模型,得到的多场景置信间隙决策理论模型如下式所示:
式中:N为场景集总数;s为场景集标号,带下标s的各参数表示场景集s的各对应量,各参数对应的含义同公式(3)。
进一步的,在步骤2中,确定风光储联合鲁棒规划中不确定变量的分类置信不确定区间,具体包括:
首先进行多维场景缩减,将大时空尺度海量场景细化分解成N个簇,再对各场景集内风/光/荷时空相关性及随机特征进行分析,计算出各场景集权重系数w s :
式中:k s 为场景集s包含的场景数,k为场景总数;
式中:和分别为t时刻风电出力、光伏出力和负荷需求;和分别为t时刻风电、光伏出力和负荷需求的预测值;分别为风电出力置信区间的上、下界;分别为光伏出力置信区间的上、下界; 分别为负荷需求置信区间的上、下界。
进一步的,在步骤2中,风光储联合鲁棒规划的优化目标包括以全网电压偏差改善率最大化为目标进行优化,如下式所示:
式中:D U为电压偏差改善率;n为电网节点总数;和分别为节点i处电压期望值和最大允许波动值;在每个场景集s中:和分别为风光储联合规划前、后节点i处电压实际值;D U越大,说明风光储联合规划改善电压偏差的效果越好。
进一步的,在步骤2中,风光储联合鲁棒规划的优化目标包括以总投资成本最小化为目标进行优化,如下式所示:
其中:
式中:为联合鲁棒规划的总投资成本;和分别为分布式可再生能源发电和储能系统的投资成本,其中和分别为风电机组和光伏电站的投资成本;r为贴现率;a为经济使用年限;,和分别为风光储单位容量投资成本;,和分别为风光储单位容量维护费用;为储能系统单位功率成本;在每个场景集s中:和分别为风光储的额定容量;为储能额定功率。
进一步的,在步骤3中,构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型,具体包括:
其中:
对公式(12)进行等价确定性转换,过程如下:
根据不确定变量的运算法则:
因此可得:
综上所述,式(13)的机会约束可转化为:
式(19)为式(12)的等价确定性约束。
进一步的,在步骤3中,构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型,包括构造约束条件,所述约束条件具体包括:
系统潮流约束:
系统安全约束:
功率平衡约束:
风电接入容量约束:
光伏接入容量约束:
储能额定功率约束:
储能容量约束:
储能荷电状态约束:
储能充放电约束:
进一步的,在步骤4中,设计交叉熵-雷达扫描微分进化算法,包括在多目标分子微分进化算法中引入交叉熵重要采样原理和雷达扫描机制,具体包括:
引入交叉熵重要采样原理:
将上述可高效处理小概率事件的交叉熵重要采样原理融入到微分进化中:优选个体构造小规模精英种群,提取精英种群的均值和方差,基于精英种群的分布特征随机生成大规模新种群;经微分进化和非劣排序后抽取优势个体集更新精英种群,通过不断循环更新即可使得精英种群的随机分布特征向最佳的概率密度函数逼近;
引入雷达扫描机制:
雷达的工作原理为通过发射机天线发射电磁波束对探测目标进行照射并接受其回波,从而提取目标的距离、方位、径向速度等信息;越靠近天线中轴线位置,电磁波辐射场强越大,搜索强度越强,而远离其中轴线的位置,辐射场强呈震荡衰减,对应的函数表达用抽样信号函数,即Sa函数表示:
基于最优个体变异的微分进化策略可表示为:
在求解高度复杂的多场景置信间隙决策理论规划模型时,随着进化后期个体多样性下降,式(32)中的变异差分项会过早趋于零而导致变异停滞陷入早熟;通过在变异差分项叠加震荡幅值可随迭代次数自适应增强的Sa函数,构造如式(33)所示的雷达扫描变异机制:
式中:g为当前迭代次数;g max为最大迭代次数;rand( )为生成随机数的函数。
进一步的,在步骤4中,交叉熵-雷达扫描微分进化算法对基于多场景置信间隙决策理论的风光储联合鲁棒规划模型进行求解,其算法步骤如下:
步骤4.1,输入电网参数以及风电、光伏全年历史数据及负荷预测数据;设定种群规模、精英种群比例、最大迭代次数和目标显著性水平等算法参数;初始化种群,随机生成众多规划方案个体;
步骤4.2,对风电、光伏全年历史数据和负荷预测数据进行多维场景聚类,求解每个场景集所占权重ws;
步骤4.8,采用交叉熵-雷达扫描微分进化算法通过交叉熵随机优化和微分进化更新种群;重新计算新种群所有个体的目标函数值;
步骤4.9,重复步骤4.6至步骤4.8,不断迭代直至达到最大迭代次数;
步骤4.10,多目标优化决策,基于模糊集理论从一系列帕累托非劣解中选取最佳折中解,从而获得最佳规划方案。
由上述对本发明的描述可知,与现有技术相比,本发明的多场景置信间隙决策风光储联合规划方法至少包含一些有益效果之一:
1、本发明拟将随机规划和鲁棒优化相结合,综合多场景聚类分析和分类概率区间估计以细化构造置信不确定集合,从而将常规的多场景确定性规划泛化为分类场景集置信不确定区间规划;并进一步与信息间隙决策理论的鲁棒思想相融合,提出一种新的多场景置信间隙决策理论;
2、本发明在决策结果所承担的决策风险概率尽可能小的前提下,最大化不确定变量的置信不确定区间以最大化规避不确定性的负面影响;多场景置信间隙决策理论以多维场景聚类细化构造海量不确定性集合,以置信不确定区间描述不确定变量的随机性与多态性,并取消鲁棒系数主观设定,因此可实现更为准确而合理的不确定性规划;
3、本发明为验证多场景置信间隙决策理论的可行性与优越性,并体现风光储联合鲁棒规划在提高电网电压稳定性和系统综合效益方面的有效性,本发明以电压偏差改善率最大和总投资成本最小为优化目标,构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型;
4、本发明鉴于该基于多场景置信间隙决策理论的风光储联合鲁棒规划模型包含复杂的不确定性机会约束和具有非凸非线性、高维不连续和多目标耦合等特点,求解难度很大;本发明首先基于不确定性理论将模型中的机会约束进行等效确定性转换,并设计了一种新颖的交叉熵-雷达扫描微分进化算法以实现深度寻优和高效求解模型。
附图说明
图1为本发明优选实施例中一种多场景置信间隙决策风光储联合规划方法的步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,而不是全部的实施例。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
参照图1所示,本发明的优选实施例,一种多场景置信间隙决策风光储联合规划方法,包括以下步骤:
步骤1,基于信息间隙决策理论建立置信间隙决策理论模型,将分类多场景集置信不确定区间嵌入置信间隙决策理论模型,得到多场景置信间隙决策理论模型;
步骤2,确定风光储联合鲁棒规划中不确定变量的分类置信不确定区间;
步骤3,基于多场景置信间隙决策理论模型和分类置信不确定区间,结合风光储联合鲁棒规划的优化目标,构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型;
步骤4,设计交叉熵-雷达扫描微分进化算法对基于多场景置信间隙决策理论的风光储联合鲁棒规划模型进行求解。
本发明拟将随机规划和鲁棒优化相结合,综合多场景聚类分析和分类概率区间估计以细化构造置信不确定集合,从而将常规的多场景确定性规划泛化为分类场景集置信不确定区间规划;并进一步与信息间隙决策理论的鲁棒思想相融合,提出一种新的多场景置信间隙决策理论;本发明在决策结果所承担的决策风险概率尽可能小的前提下,最大化不确定变量的置信不确定区间以最大化规避不确定性的负面影响;多场景置信间隙决策理论以多维场景聚类细化构造海量不确定性集合,以置信不确定区间描述不确定变量的随机性与多态性,并取消鲁棒系数主观设定,因此可实现更为准确而合理的不确定性规划;本发明为验证多场景置信间隙决策理论的可行性与优越性,并体现风光储联合鲁棒规划在提高电网电压稳定性和系统综合效益方面的有效性,本发明以电压偏差改善率最大和总投资成本最小为优化目标,构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型;本发明鉴于该基于多场景置信间隙决策理论的风光储联合鲁棒规划模型包含复杂的不确定性机会约束和具有非凸非线性、高维不连续和多目标耦合等特点,求解难度很大;本发明首先基于不确定性理论将模型中的机会约束进行等效确定性转换,并设计了一种新颖的交叉熵-雷达扫描微分进化算法以实现深度寻优和高效求解模型。
作为本发明的优选实施例,其还可具有以下附加技术特征:
在本实施例中,在步骤1中,基于信息间隙决策理论建立置信间隙决策理论模型,具体包括:
含不确定变量优化问题的数学模型描述为:
基于风险规避策略的信息间隙决策理论思想,即在优化结果满足预设目标值的前提下,最大化系统可容忍的不确定变量波动区间,将上述数学模型可转化为如下信息间隙决策理论模型:
通过引入机会约束对不确定性集合和目标偏差进行概率评价:取消不确定变量波动系数,以置信不确定区间代替信息间隙决策理论的对称波动区间;取消主观预设的鲁棒系数,引入机会约束确保决策结果所承担的决策风险概率尽可能小的条件下,最大化不确定变量的置信不确定区间,从而最大化规避不确定性的影响。由此,提出如下置信间隙决策理论模型:
在本实施例中,在步骤1中,将分类多场景集置信不确定区间嵌入置信间隙决策理论模型,得到多场景置信间隙决策理论模型,具体包括:
为进一步精细化描述超长时空尺度下的海量场景,通过多维场景聚类将海量场景细化分解为复杂度和差异度较低的相近时空场景集;统计分析获取各场景集内风/光/荷分维概率分布以及由置信水平决定的分类置信不确定区间,从而将常规的多场景确定性建模拓展泛化为基于分类场景集的置信不确定区间建模,以精细化构造原不确定性集合;
将分类多场景集置信不确定区间嵌入置信间隙决策理论模型,得到的多场景置信间隙决策理论模型如下式所示:
式中:N为场景集总数;s为场景集标号,带下标s的各参数表示场景集s的各对应量,各参数对应的含义同公式(3)。
在本实施例中,在步骤2中,确定风光储联合鲁棒规划中不确定变量的分类置信不确定区间,具体包括:
首先进行多维场景缩减,将大时空尺度海量场景细化分解成N个簇,再对各场景集内风/光/荷时空相关性及随机特征进行分析,计算出各场景集权重系数w s :
式中:k s 为场景集s包含的场景数,k为场景总数;
式中:和分别为t时刻风电出力、光伏出力和负荷需求;和分别为t时刻风电、光伏出力和负荷需求的预测值;分别为风电出力置信区间的上、下界;分别为光伏出力置信区间的上、下界; 分别为负荷需求置信区间的上、下界。
在本实施例中,在步骤2中,风光储联合鲁棒规划的优化目标包括以全网电压偏差改善率最大化为目标进行优化,如下式所示:
式中:D U为电压偏差改善率;n为电网节点总数;和分别为节点i处电压期望值和最大允许波动值;在每个场景集s中:和分别为风光储联合规划前、后节点i处电压实际值;D U越大,说明风光储联合规划改善电压偏差的效果越好。
在本实施例中,在步骤2中,风光储联合鲁棒规划的优化目标包括以总投资成本最小化为目标进行优化,如下式所示:
其中:
式中:为联合鲁棒规划的总投资成本;和分别为分布式可再生能源发电和储能系统的投资成本,其中和分别为风电机组和光伏电站的投资成本;r为贴现率;a为经济使用年限;,和分别为风光储单位容量投资成本;和分别为风光储单位容量维护费用;为储能系统单位功率成本;在每个场景集s中:和分别为风光储的额定容量;为储能额定功率。
在本实施例中,在步骤3中,构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型,具体包括:
其中:
对公式(12)进行等价确定性转换,过程如下:
根据不确定变量的运算法则:
因此可得:
综上所述,式(13)的机会约束可转化为:
式(19)为式(12)的等价确定性约束。
在本实施例中,在步骤3中,构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型,包括构造约束条件,所述约束条件具体包括:
系统潮流约束:
系统安全约束:
功率平衡约束:
风电接入容量约束:
光伏接入容量约束:
储能额定功率约束:
储能容量约束:
储能荷电状态约束:
储能充放电约束:
在本实施例中,在步骤4中,设计交叉熵-雷达扫描微分进化算法,包括在多目标分子微分进化算法中引入交叉熵重要采样原理和雷达扫描机制,具体包括:
引入交叉熵重要采样原理:
交叉熵重要采样的基本思想是利用重要采样法结合交叉熵操作,实现在保持原有样本期望值不变的条件下,改变现有样本空间的概率密度函数,使其方差减小,从而加快抽样仿真的收敛速度,而交叉熵减小过程正是实现样本的概率密度函数修正的过程;在保持样本数学期望不变的条件下,通过求解两个函数间的最小相对熵来构造样本原概率密度函数的近似函数;
将上述可高效处理小概率事件的交叉熵重要采样原理融入到微分进化中:优选个体构造小规模精英种群,提取精英种群的均值和方差,基于精英种群的分布特征随机生成大规模新种群;经微分进化和非劣排序后抽取优势个体集更新精英种群,通过不断循环更新即可使得精英种群的随机分布特征向最佳的概率密度函数逼近;
引入雷达扫描机制:
雷达的工作原理为通过发射机天线发射电磁波束对探测目标进行照射并接受其回波,从而提取目标的距离、方位、径向速度等信息;越靠近天线中轴线位置,电磁波辐射场强越大,搜索强度越强,而远离其中轴线的位置,辐射场强呈震荡衰减,对应的函数表达用抽样信号函数,即Sa函数表示:
基于最优个体变异的微分进化策略可表示为:
在求解高度复杂的多场景置信间隙决策理论规划模型时,随着进化后期个体多样性下降,式(32)中的变异差分项会过早趋于零而导致变异停滞陷入早熟;通过在变异差分项叠加震荡幅值可随迭代次数自适应增强的Sa函数,构造如式(33)所示的雷达扫描变异机制:
式中:g为当前迭代次数;g max为最大迭代次数;rand( )为生成随机数的函数。
在本实施例中,在步骤4中,交叉熵-雷达扫描微分进化算法对基于多场景置信间隙决策理论的风光储联合鲁棒规划模型进行求解,其算法步骤如下:
步骤4.1,输入电网参数以及风电、光伏全年历史数据及负荷预测数据;设定种群规模、精英种群比例、最大迭代次数和目标显著性水平等算法参数;初始化种群,随机生成众多规划方案个体;
步骤4.2,对风电、光伏全年历史数据和负荷预测数据进行多维场景聚类,求解每个场景集所占权重ws;
步骤4.8,采用交叉熵-雷达扫描微分进化算法通过交叉熵随机优化和微分进化更新种群;重新计算新种群所有个体的目标函数值;
步骤4.9,重复步骤4.6至步骤4.8,不断迭代直至达到最大迭代次数;
步骤4.10,多目标优化决策,基于模糊集理论从一系列帕累托非劣解中选取最佳折中解,从而获得最佳规划方案。
在不出现冲突的前提下,本领域技术人员可以将上述附加技术特征自由组合以及叠加使用。
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (4)
1.一种多场景置信间隙决策风光储联合规划方法,其特征在于,包括以下步骤:
步骤1,基于信息间隙决策理论建立置信间隙决策理论模型,将分类多场景集置信不确定区间嵌入置信间隙决策理论模型,得到多场景置信间隙决策理论模型;
步骤2,确定风光储联合鲁棒规划中不确定变量的分类置信不确定区间;
步骤3,基于多场景置信间隙决策理论模型和分类置信不确定区间,结合风光储联合鲁棒规划的优化目标,构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型;
步骤4,设计交叉熵-雷达扫描微分进化算法对基于多场景置信间隙决策理论的风光储联合鲁棒规划模型进行求解;
在步骤1中,基于信息间隙决策理论建立置信间隙决策理论模型,具体包括:
含不确定变量优化问题的数学模型描述为:
式中:f为目标函数;X为决策变量矩阵;ζ为不确定变量矩阵;d和g分别为等式和不等式约束;
基于风险规避策略的信息间隙决策理论思想,即在优化结果满足预设目标值的前提下,最大化系统可容忍的不确定变量波动区间,将上述数学模型可转化为如下信息间隙决策理论模型:
通过引入机会约束对不确定性集合和目标偏差进行概率评价:取消不确定变量波动系数δ,以置信不确定区间代替信息间隙决策理论的对称波动区间;取消主观预设的鲁棒系数θ,引入机会约束确保决策结果所承担的决策风险概率尽可能小的条件下,最大化不确定变量的置信不确定区间,从而最大化规避不确定性的影响;由此,提出如下置信间隙决策理论模型:
在步骤1中,将分类多场景集置信不确定区间嵌入置信间隙决策理论模型,得到多场景置信间隙决策理论模型,具体包括:
为进一步精细化描述超长时空尺度下的海量场景,通过多维场景聚类将海量场景细化分解为复杂度和差异度较低的相近时空场景集;统计分析获取各场景集内风/光/荷分维概率分布以及由置信水平决定的分类置信不确定区间,从而将常规的多场景确定性建模拓展泛化为基于分类场景集的置信不确定区间建模,以精细化构造原不确定性集合;
将分类多场景集置信不确定区间嵌入置信间隙决策理论模型,得到的多场景置信间隙决策理论模型如下式所示:
式中:N为场景集总数;s为场景集标号,带下标s的各参数表示场景集s的各对应量,各参数对应的含义同公式(3);
在步骤2中,确定风光储联合鲁棒规划中不确定变量的分类置信不确定区间,具体包括:
首先进行多维场景缩减,将大时空尺度海量场景细化分解成N个簇,再对各场景集内风/光/荷时空相关性及随机特征进行分析,计算出各场景集权重系数ws:
式中:ks为场景集s包含的场景数,k为场景总数;
在给定置信水平1-α的情况下,可求得的风电出力、光伏出力以及负荷需求的置信区间表达式为:
式中:PW,t、PS,t和PL,t分别为t时刻风电出力、光伏出力和负荷需求;和分别为t时刻风电、光伏出力和负荷需求的预测值;分别为风电出力置信区间的上、下界;分别为光伏出力置信区间的上、下界;分别为负荷需求置信区间的上、下界;
在步骤2中,风光储联合鲁棒规划的优化目标包括以全网电压偏差改善率最大化为目标进行优化,如下式所示:
式中:DU为电压偏差改善率;n为电网节点总数;和分别为节点i处电压期望值和最大允许波动值;在每个场景集s中:vi0,s和vi,s分别为风光储联合规划前、后节点i处电压实际值;DU越大,说明风光储联合规划改善电压偏差的效果越好;
在步骤2中,风光储联合鲁棒规划的优化目标包括以总投资成本最小化为目标进行优化,如下式所示:
minJC=JDG+JESS (10)
其中:
式中:JC为联合鲁棒规划的总投资成本;JDG和JESS分别为分布式可再生能源发电和储能系统的投资成本,其中JW和JS分别为风电机组和光伏电站的投资成本;r为贴现率;a为经济使用年限;CW,CS和CESS分别为风光储单位容量投资成本;MW,MS和MESS分别为风光储单位容量维护费用;CP·ESS为储能系统单位功率成本;在每个场景集s中:EW,s,ES,s和EESS,s分别为风光储的额定容量;PESS,s为储能额定功率;
在步骤3中,构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型,具体包括:
假设在场景集s中求解确定性模型得到的电压偏差改善率和总投资成本的最优解分别为fs,01和fs,02,根据多场景置信间隙决策理论,将前式(4)与优化目标式(9)、式(10)联立可转化为如下多场景置信间隙决策理论规划模型:
其中:
对公式(12)进行等价确定性转换,过程如下:
设不确定变量PW,t,s,PS,t,s,PL,t,s相互独立,因DU,s为实值可测函数,则DU,s(X,PW,t,s,PS,t,s,PL,t,s)为不确定变量,令φ为DU,s(X,PW,t,s,PS,t,s,PL,t,s)的分布函数,已知Pr{DU,s≤fs,01}≤βs,则由分布函数的定义可得:
φ(fs,01)≤βs (14)
又因PW,t,s,PS,t,s,PL,t,s分别服从正则不确定分布FW,t,s,FS,t,s,FL,t,s,分别为fW,t,s,fS,t,s,fL,t,s的累积分布函数,则有:
φ-1(βs)≥fs,01 (15)
根据不确定变量的运算法则:
因此可得:
同理Pr{JC,s≥fs,02}≤βs可转化为:
综上所述,式(13)的机会约束可转化为:
式(19)为式(12)的等价确定性约束。
2.跟据权利要求1所述的一种多场景置信间隙决策风光储联合规划方法,其特征在于,在步骤3中,构建基于多场景置信间隙决策理论的风光储联合鲁棒规划模型,包括构造约束条件,所述约束条件具体包括:
系统潮流约束:
式中:Pi,t、Qi,t分别为t时刻节点i注入的有功、无功功率;vi,t、vj,t分别为t时刻节点i、j的电压;Gij和Bij为节点i和j之间支路电导和电纳;δij为节点电压相角差;n为电网节点总数;
系统安全约束:
功率平衡约束:
PG,t+PW,t+PS,t+PESS,t=PL,t (22)
式中:PG,t为t时刻除风光储以外的其他交互功率,注入系统为正,流出系统为负;PESS,t为t时刻储能的充放电功率,其放电为正,充电为负;PW,t、PS,t和PL,t分别为t时刻风电出力、光伏出力和负荷需求;
风电接入容量约束:
光伏接入容量约束:
储能额定功率约束:
储能容量约束:
储能荷电状态约束:
储能充放电约束:
式中:SSOC,t+1为t+1时刻储能系统的荷电状态,ΔE为t时刻储能的充、放电电量,其值的正负分别代表充电和放电。
3.根据权利要求1所述的一种多场景置信间隙决策风光储联合规划方法,其特征在于,在步骤4中,设计交叉熵-雷达扫描微分进化算法,包括在多目标分子微分进化算法中引入交叉熵重要采样原理和雷达扫描机制,具体包括:
引入交叉熵重要采样原理:
式中:随机变量x取值于样本空间χ;f是定义域为χ的目标函数;τ为f(x)小于等于实数r的概率;IF为指示函数;Pr表示概率;K为采样次数,h(x)和g*(x)分别为样本空间概率密度函数和重要采样密度函数;
为了求解未知的g*(x),定义h(x;u)与g*(x)的最小相对熵:
求DKL(h||g)最小,即求交叉熵-∫g*(x)lnh(x)dx最小;由于g*(x)未知,通过从h(x)的分布簇{h(x;u),u∈U}中选取与g*(x)的交叉熵最小的概率密度函数h(x;u*)代替g*(x),即通过分布参数序列构造h(x;u1),h(x;u2)……向最佳的概率密度函数g*(x)逼近,从而实现式(29)的求解;
将上述交叉熵重要采样原理融入到微分进化中:选取个体构造小规模精英种群,提取精英种群的均值μ和方差σ2,基于精英种群的分布特征随机生成大规模新种群;经微分进化和非劣排序后抽取优势个体集更新精英种群,通过不断循环更新即可使得精英种群的随机分布特征向最佳的概率密度函数逼近;
引入雷达扫描机制:
雷达的工作原理为通过发射机天线发射电磁波束对探测目标进行照射并接受其回波,从而提取目标的距离、方位、径向速度等信息;越靠近天线中轴线位置,电磁波辐射场强越大,搜索强度越强,而远离其中轴线的位置,辐射场强呈震荡衰减,对应的函数表达用抽样信号函数,即Sa函数表示:
基于最优个体变异的微分进化策略可表示为:
Yi,g+1=Xb,g+F(Xr1,g-Xr2,g) (32)
式中:Xi,g表示第g代第i个个体向量;Xb,g表示当前最优个体向量;r1、r2均为随机数且r1≠r2≠b;Yi,g+1为变异操作产生的中间个体向量;F为变异尺度因子;
在求解高度复杂的多场景置信间隙决策理论规划模型时,随着进化后期个体多样性下降,式(32)中的变异差分项(Xr1,g-Xr2,g)会过早趋于零而导致变异停滞陷入早熟;通过在变异差分项叠加震荡幅值可随迭代次数自适应增强的Sa函数,构造如式(33)所示的雷达扫描变异机制:
式中:g为当前迭代次数;gmax为最大迭代次数;rand()为生成随机数的函数。
4.根据权利要求1所述的一种多场景置信间隙决策风光储联合规划方法,其特征在于,在步骤4中,交叉熵-雷达扫描微分进化算法对基于多场景置信间隙决策理论的风光储联合鲁棒规划模型进行求解,其算法步骤如下:
步骤4.1,输入电网参数以及风电、光伏全年历史数据及负荷预测数据;设定种群规模、精英种群比例、最大迭代次数和目标显著性水平等算法参数;初始化种群,随机生成众多规划方案个体;
步骤4.2,对风电、光伏全年历史数据和负荷预测数据进行多维场景聚类,求解每个场景集所占权重ws;
步骤4.3,求解风光储联合鲁棒规划的确定性模型得到电压偏差改善率和总投资成本的最优解f01和f02;
步骤4.4,在每个场景集中,随机生成不确定变量的置信水平1-αs;优化求解所有个体的目标函数;
步骤4.5,将每个场景集的求解结果按照相应权重加权求和得到置信鲁棒度1-α,电压偏差改善率DU和总投资成本JC;
步骤4.6,依据1-α对所有个体排序;判断是否有相同1-α的个体,若有则进入步骤4.7,无则进入步骤4.8;
步骤4.7,计算具有相同1-α值个体的等级和拥挤距离后对其进行非劣排序;
步骤4.8,采用交叉熵-雷达扫描微分进化算法通过交叉熵随机优化和微分进化更新种群;重新计算新种群所有个体的目标函数值;
步骤4.9,重复步骤4.6至步骤4.8,不断迭代直至达到最大迭代次数;
步骤4.10,多目标优化决策,基于模糊集理论从一系列帕累托非劣解中选取最佳折中解,从而获得最佳规划方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110878560.7A CN113343167B (zh) | 2021-08-02 | 2021-08-02 | 一种多场景置信间隙决策风光储联合规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110878560.7A CN113343167B (zh) | 2021-08-02 | 2021-08-02 | 一种多场景置信间隙决策风光储联合规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113343167A CN113343167A (zh) | 2021-09-03 |
CN113343167B true CN113343167B (zh) | 2021-12-31 |
Family
ID=77480504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110878560.7A Active CN113343167B (zh) | 2021-08-02 | 2021-08-02 | 一种多场景置信间隙决策风光储联合规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343167B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114256886B (zh) * | 2021-12-22 | 2023-08-08 | 合肥工业大学 | 一种基于置信间隙决策的机组恢复顺序优化方法 |
CN114004427B (zh) * | 2021-12-31 | 2022-03-29 | 国网能源研究院有限公司 | 一种电源与季节性储能规划方法及装置 |
CN115936265B (zh) * | 2023-02-24 | 2023-06-16 | 华东交通大学 | 考虑电氢耦合的电氢能源系统鲁棒规划方法 |
CN116596116B (zh) * | 2023-04-14 | 2023-12-08 | 广东电力交易中心有限责任公司 | 一种风储联合投标策略优化方法及其装置 |
CN117172389B (zh) * | 2023-11-01 | 2024-02-02 | 山东建筑大学 | 考虑风光不确定性的区域级综合能源优化运行方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109193636A (zh) * | 2018-10-08 | 2019-01-11 | 华东交通大学 | 一种基于分类不确定集的电力系统环境经济鲁棒调度方法 |
CN109728605A (zh) * | 2019-03-01 | 2019-05-07 | 西安交通大学 | 基于机会约束igdt的风电场-输电网-储能联合规划方法 |
US10339458B2 (en) * | 2012-10-12 | 2019-07-02 | The Boeing Company | System and method for rapid and robust uncertainty management during multidisciplinary analysis |
CN110247428A (zh) * | 2019-06-21 | 2019-09-17 | 华东交通大学 | 一种基于源网荷协同优化的配电网光储联合配置方法 |
CN111815081A (zh) * | 2020-09-07 | 2020-10-23 | 华东交通大学 | 一种综合能源系统多目标置信间隙决策鲁棒优化调度方法 |
CN112952808A (zh) * | 2021-02-09 | 2021-06-11 | 上海电力大学 | 一种基于分类概率建模和igdt的有源配电网优化运行方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933516A (zh) * | 2015-05-27 | 2015-09-23 | 华南理工大学 | 一种多时间尺度的电力系统鲁棒调度系统设计方法 |
CN108667012A (zh) * | 2018-05-21 | 2018-10-16 | 国网山东省电力公司电力科学研究院 | 基于多场景的区域能源互联网源荷储双阶段协调优化方法 |
-
2021
- 2021-08-02 CN CN202110878560.7A patent/CN113343167B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10339458B2 (en) * | 2012-10-12 | 2019-07-02 | The Boeing Company | System and method for rapid and robust uncertainty management during multidisciplinary analysis |
CN109193636A (zh) * | 2018-10-08 | 2019-01-11 | 华东交通大学 | 一种基于分类不确定集的电力系统环境经济鲁棒调度方法 |
CN109728605A (zh) * | 2019-03-01 | 2019-05-07 | 西安交通大学 | 基于机会约束igdt的风电场-输电网-储能联合规划方法 |
CN110247428A (zh) * | 2019-06-21 | 2019-09-17 | 华东交通大学 | 一种基于源网荷协同优化的配电网光储联合配置方法 |
CN111815081A (zh) * | 2020-09-07 | 2020-10-23 | 华东交通大学 | 一种综合能源系统多目标置信间隙决策鲁棒优化调度方法 |
CN112952808A (zh) * | 2021-02-09 | 2021-06-11 | 上海电力大学 | 一种基于分类概率建模和igdt的有源配电网优化运行方法 |
Non-Patent Citations (4)
Title |
---|
"基于分类不确定性集合的电力系统环境经济鲁棒调度";彭春华;刘兵;孙惠娟;《中国电机工程学报》;20200405;第40卷(第7期);第2202-2210页 * |
"基于分类概率机会约束IGDT的配网储能多目标优化配置";彭春华;陈露;张金克;孙惠娟;《中国电机工程学报》;20200505;第40卷(第9期);第2809-2818页 * |
"基于鲁棒优化的风光储联合发电系统储能配置策略";李笑竹;王维庆;王海云;樊小朝;武家辉;王开科;《太阳能学报》;20200825;第41卷(第8期);第67-75页 * |
Amirhossein Dolatabadi ; Mohammad Jadidbonab."Short-Term Scheduling Strategy for Wind-Based Energy Hub: A Hybrid Stochastic/IGDT Approach".《IEEE Transactions on Sustainable Energy》.2018, * |
Also Published As
Publication number | Publication date |
---|---|
CN113343167A (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113343167B (zh) | 一种多场景置信间隙决策风光储联合规划方法 | |
Adedeji et al. | Wind turbine power output very short-term forecast: A comparative study of data clustering techniques in a PSO-ANFIS model | |
Shang et al. | Stochastic dispatch of energy storage in microgrids: An augmented reinforcement learning approach | |
Huang et al. | One‐day‐ahead hourly forecasting for photovoltaic power generation using an intelligent method with weather‐based forecasting models | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
Eom et al. | Feature-selective ensemble learning-based long-term regional PV generation forecasting | |
Sun et al. | Flexible expansion planning of distribution system integrating multiple renewable energy sources: An approximate dynamic programming approach | |
He et al. | Research on a novel combination system on the basis of deep learning and swarm intelligence optimization algorithm for wind speed forecasting | |
Ali et al. | Solution of constrained mixed‐integer multi‐objective optimal power flow problem considering the hybrid multi‐objective evolutionary algorithm | |
Zou et al. | Wind turbine power curve modeling using an asymmetric error characteristic-based loss function and a hybrid intelligent optimizer | |
CN115986728A (zh) | 一种计及不确定性因素的电网态势预测方法与终端 | |
Gazijahani et al. | Optimal multi-objective operation of multi microgrids with considering uncertainty | |
Su et al. | An optimized algorithm for optimal power flow based on deep learning | |
Król et al. | Investigation of evolutionary optimization methods of TSK fuzzy model for real estate appraisal | |
Huo et al. | Integrating learning and explicit model predictive control for unit commitment in microgrids | |
Mohseni et al. | Stochastic, resilience-oriented optimal sizing of off-grid microgrids considering EV-charging demand response: An efficiency comparison of state-of-the-art metaheuristics | |
Nejati et al. | A new multi-resolution closed-loop wind power forecasting method | |
Dong et al. | Robust optimal scheduling for integrated energy systems based on multi-objective confidence gap decision theory | |
Wang et al. | Sustainable investment forecasting of power grids based on the deep restricted Boltzmann machine optimized by the lion algorithm | |
Zhu et al. | Wind power interval and point prediction model using neural network based multi-objective optimization | |
Navarro-Caceres et al. | An Evaluation of a Metaheuristic Artificial Immune System for Household Energy Optimization | |
Wang et al. | Optimum placement of distributed generation resources, capacitors and charging stations with a developed competitive algorithm | |
Yazdani et al. | Forecast‐aided power and flexibility trading of prosumers in peer to peer markets | |
Singh et al. | Optimal sizing of hybrid energy systems |
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 |