CN113553709A - 一种适用综合能源系统规划运行的场景建模方法 - Google Patents

一种适用综合能源系统规划运行的场景建模方法 Download PDF

Info

Publication number
CN113553709A
CN113553709A CN202110831304.2A CN202110831304A CN113553709A CN 113553709 A CN113553709 A CN 113553709A CN 202110831304 A CN202110831304 A CN 202110831304A CN 113553709 A CN113553709 A CN 113553709A
Authority
CN
China
Prior art keywords
matrix
sample
sampling
clustering
scene
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
CN202110831304.2A
Other languages
English (en)
Inventor
杨若浦
曾平良
刘佳
李亚楼
代倩
王金鹏
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.)
China Electric Power Research Institute Co Ltd CEPRI
Hangzhou Dianzi University
State Grid Xinjiang Electric Power Co Ltd
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
Hangzhou Dianzi University
State Grid Xinjiang Electric Power Co Ltd
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 China Electric Power Research Institute Co Ltd CEPRI, Hangzhou Dianzi University, State Grid Xinjiang Electric Power Co Ltd filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202110831304.2A priority Critical patent/CN113553709A/zh
Publication of CN113553709A publication Critical patent/CN113553709A/zh
Pending legal-status Critical Current

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种适用综合能源系统规划运行的场景建模方法，首先搜集所研究地区的光伏出力数据、风电出力数据、电负荷数据、气负荷数据、冷负荷数据、热负荷数据，将所获得数据标幺化之后按时间排列，生成场景数据集。然后采用改进的LHS方法，对场景数据集进行采样及相关性控制处理，得到样本矩阵。最后，采用改进K‑means方法对样本矩阵进行聚类，形成保留原场景特点的特定概率场景。本发明克服现有技术中场景描述不精确，难以完全适用于未来规划及运行的缺点问题，为后续系统规划设计、运行调度等奠定基础，避免传统场景预测方法不精确带来的装机不匹配影响系统可靠运行等问题，有效提高综合能源系统的设计和运行经济性。

Description

一种适用综合能源系统规划运行的场景建模方法
技术领域
本发明属于综合能源系统规划运行领域，提出一种适应综合能源系统规划运行的场景建模方法，具体是一种结合改进相关性控制的拉丁超立体(LHS)采样方法和改进K-means聚类的综合能源系统场景建模方法。
背景技术
综合能源系统(Integrated Energy System,IES)作为能源互联网发展的重要组成形式和发展模式，利用异质多能源的不同动态特性，实现多能源系统之间的互补互济，实现对“源”、“荷”、“储”的互联互动，是提高可再生能源消纳和能源利用效率，实现“2030年前碳达峰、2060年前碳中和的新型能源系统，因此，近年来综合能源系统(IES)在国内外受到高度重视，在理论与技术方面取得了重大进展。
综合能源系统(IES)中“源”、“荷”、“储”的互联互动是其技术核心，其中包含了电源、气源、热源、冷源等多种类能源以及电负荷、气负荷、冷负荷、热负荷等多类用能负荷。在电能量源中，太阳能、风能、光伏等以及电、气、冷、热等负荷均具有较强的波动性、随机性和不确定性，这些原因导致综合能源系统较传统电网，具有更多的不确定性，因此不确定因素处理的准确性和有效性，对于综合能源系统(IES)的建模和分析至关重要。场景建模方法是一种处理不确定性的方法之一，但目前场景建模方法在综合能源系统中的应用往往是简单地根据季节进行处理，无法将综合能源系统中涉及到的能源及负荷的不确定性准确地描述，在这种情况下对系统的特征把握不够，会导致设计规划方案的鲁棒性不够，因此需要提供一种能够对综合能源系统精细化场景分析方法。
发明内容
本发明的目的是针对现有技术的不足，提供一种适应综合能源系统规划运行的场景建模方法，通过对系统运行场景进行精细化描述，能够快速提炼筛选出关键典型场景，为系统规划设计和运行提供准确、可靠的决策依据，以解决现有技术中由于综合能源系统预测分析中多采用经验概率分布或者四季典型场景应用场景，而导致场景描述不精确，难以完全适用于未来规划及运行的问题。
一种适应综合能源系统规划运行的场景建模方法，步骤如下：
步骤1、获取所研究地区内的光伏出力、风电出力及负荷数据，所诉的负荷数据中包含电负荷数据、气负荷数据、冷负荷数据和热负荷数据。
步骤2、将所获得数据按时间排列生成数据集，对所生成的数据集进行数据预处理。
步骤3、采用改进相关性控制的LHS方法对数据集进行抽样。
步骤4、采用改进K-means算法对抽样结果进行聚类。
步骤2具体方法如下：
1)将所获取的光伏出力、风电出力及负荷数据进行标幺化；
2)将所获得数据按S＝{PPV,PWT,LE,LG,LC,LH}i，i＝1,2,...,8760形式排列，其中PPV表示光伏出力，PWT表示风电出力，LE、LG、LC、LH分别表示电负荷、气负荷、冷负荷、热负荷，i表示时刻点数；
步骤3具体方法如下：
1)样本生成：
设通过抽样最终需要生成n个场景，待抽样变量X维度为D，记为X＝[X1，X2，...，XD]T，则第j个抽样样本为Xj＝[Xj1，Xj2，...，XjD]T，j＝1，2，...n。X的第w维即变量Xw的取值范围为[Xw，min，Xw，max]，w＝1，2，...，D，其分布函数为Fw(Xw)。对于第w维抽样步骤如下：
a.将Xw分布函数的值区间[Fw(Xw，min)，Fw(Xw，max)]平均分为n份；
b.生成[0，1]内均匀分布的任一随机数r，则对应第j个概率区间
Figure BDA0003175654700000031
内存在一个值qj＝(j-1+r)/n，令yjw＝Fw(Xw，min)+qj[Fw(Xw，min)，Fw(Xw，max)]；
c.逆变换即可得到变量Xw的第j个抽样值
Figure BDA0003175654700000032
d.得到样本矩阵Xn。
2)相关性控制：
LHS算法在处理多输入随机变量时，其模拟的精度不仅受到采样值的影响，还受到不同输入随机变量采样值的相关性影响。在得到具有一定相关性的排序矩阵后，将采样矩阵按照排序矩阵进行排列，即可得到具有相同相关性的采样矩阵。具体步骤如下：
a.根据输入变量的类型和线性相关系数矩阵CX得到经过Nataf变换后的标准正态变量的相关系数矩阵CZ，并对其进行Cholesky分解，得到下三角矩阵B；
b.对M个独立的标准正态变量进行抽样，得到样本矩阵WN×M；
c.根据Z＝WBT得到具有相关性矩阵为CZ的样本矩阵Z，再根据Z中元素在Z中每一列的排序得到顺序矩阵LS。
3)样本矩阵Xn按照LS进行排列得到最终的样本矩阵。
步骤4具体方法如下：
原始K-means算法最开始随机选取数据集中K个点作为聚类中心，而改进K-means算法按照如下的思想选取K个聚类中心：假设已经选取了m个初始聚类中心(0<m<K)，则在选取第m+1个聚类中心时，距离当前m个聚类中心越远的点会有更高的概率被选为第m+1个聚类中心。在选取第一个聚类中心(m＝1)时同样通过随机的方法。
1)在数据集中随机选取一个样本作为初始聚类中心c1；
2)计算每个样本与当前已有聚类中心之间的最短距离(即与最近的一个聚类中心的距离)，用D(x)表示；
3)选择一个新的样本作为新的聚类中心，选择原则为：D(x)越大的点，被选取作为聚类中心的概率越大；
a.将数据集中每个点与其距离最近的聚类中心之间的距离相加，其和用sum(D(x))表示；
b.在0到sum(D(x))之间取一个随机值Random，然后令Random＝Random-D(x)，直到Random<0，此时的点即为下一个聚类中心；
4)针对数据集中每一个样本xk，计算xk到K个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；
5)针对每一个类别cz，重新计算它的聚类中心
Figure BDA0003175654700000051
即属于该类的所有样本的质心；
6)重复步骤4和步骤5，直至聚类中心的位置不再变化；
7)输出聚类结果S＝{PPV,PWT,LE,LG,LC,LH}i，i＝K。
本发明有益效果如下：
本发明克服现有综合能源系统场景分析中多采用经验概率分布或者四季典型场景应用场景，导致场景描述不精确，难以完全适用于未来规划及运行的缺点问题，本发明的分析方法通过搜集所研究地区的光伏出力数据、风电出力数据、电负荷数据、气负荷数据、冷负荷数据、热负荷数据，将所获得数据标幺化之后按时间排列，生成场景数据集，采用改进的LHS方法和改进K-means方法对数据集进行采样和聚类，最终生成典型场景集，对系统运行场景进行精细化描述，从而为系统设计和运行提供准确、可靠的决策依据，为后续系统规划设计、运行调度等奠定基础，避免传统场景预测方法不精确带来的装机不匹配影响系统可靠运行等问题，有效提高综合能源系统的设计和运行经济性。
附图说明
图1为本发明方法实施例流程图。
具体实施方式
以下结合附图与实施例对本发明进行进一步描述。
本发明的主要应用对象为综合能源系统。该综合能源系统包含热力系统、电力系统，热电转换设备等；该综合能源系统中可再生能源如风能、太阳能，负荷如电负荷、热负荷等均具有强随机性和不确定性，导致系统运行场景复杂多样，如何精细化描述系统场景的不确定性，快速提炼筛选出关键典型场景，从而为系统设计和运行提供准确、可靠的决策依据是关键。
如图1所示，本发明提供了一种综合能源系统的场景分析方法，包括能源及负荷的统计分析与标幺化处理、能源及负荷出力功率场景抽样以及能源及负荷出力功率场景的聚类等步骤。首先搜集所研究地区的光伏出力数据、风电出力数据、电负荷数据、气负荷数据、冷负荷数据、热负荷数据，将所获得数据标幺化之后按时间排列，生成场景数据集。然后采用改进的LHS方法，对场景数据集进行采样及相关性控制处理，得到样本矩阵。最后，采用改进K-means方法对样本矩阵进行聚类，形成保留原场景特点的特定概率场景。
下面结合附图对本发明中的技术方案进行清楚、完整地描述。
一种适应综合能源系统规划运行的场景建模方法，步骤如下：
步骤1、获取所研究地区内的光伏出力、风电出力及负荷数据，所诉的负荷数据中包含电负荷数据、气负荷数据、冷负荷数据和热负荷数据。
步骤2、将所获得数据按时间排列生成数据集，对所生成的数据集进行数据预处理。
1)将所获取的光伏出力、风电出力及负荷数据进行标幺化；
2)将所获得数据按S＝{PPV,PWT,LE,LG,LC,LH}i，i＝1,2,...,8760形式排列，其中PPV表示光伏出力，PWT表示风电出力，LE、LG、LC、LH分别表示电负荷、气负荷、冷负荷、热负荷，i表示时刻点数；
步骤3、采用改进相关性控制的LHS方法对数据集进行抽样。
4)样本生成：
设通过抽样最终需要生成n个场景，待抽样变量X维度为D，记为X＝[X1，X2，...，XD]T，则第j个抽样样本为Xj＝[Xj1，Xj2，...，XjD]T，j＝1，2，...n。X的第w维即变量Xw的取值范围为[Xw，min，Xw，max]，w＝1，2，...，D，其分布函数为Fw(Xw)。对于第w维抽样步骤如下：
a.将Xw分布函数的值区间[Fw(Xw，min)，Fw(Xw，max)]平均分为n份；
b.生成[0，1]内均匀分布的任一随机数r，则对应第j个概率区间
Figure BDA0003175654700000071
内存在一个值qj＝(j一1+r)/n，令yjw＝Fw(Xw，min)+qj[Fw(Xw，min)，Fw(Xw，max)]；yjw为中间变量
c.逆变换即可得到变量Xw的第j个抽样值
Figure BDA0003175654700000072
d.得到样本矩阵Xn。
5)相关性控制：
LHS算法在处理多输入随机变量时，其模拟的精度不仅受到采样值的影响，还受到不同输入随机变量采样值的相关性影响。在得到具有一定相关性的排序矩阵后，将采样矩阵按照排序矩阵进行排列，即可得到具有相同相关性的采样矩阵。具体步骤如下：
a.根据输入变量的类型和线性相关系数矩阵CX得到经过Nataf变换后的标准正态变量的相关系数矩阵CZ，并对其进行Cholesky分解，得到下三角矩阵B；
b.对M个独立的标准正态变量进行抽样，得到样本矩阵WN×M；
c.根据Z＝WBT得到具有相关性矩阵为CZ的样本矩阵Z，再根据Z中元素在Z中每一列的排序得到顺序矩阵LS。
6)样本矩阵Xn按照LS进行排列得到最终的样本矩阵。
步骤4、采用改进K-means算法对抽样结果进行聚类。
原始K-means算法最开始随机选取数据集中K个点作为聚类中心，而改进K-means算法按照如下的思想选取K个聚类中心：假设已经选取了m个初始聚类中心(0<m<K)，则在选取第m+1个聚类中心时，距离当前m个聚类中心越远的点会有更高的概率被选为第m+1个聚类中心。在选取第一个聚类中心(m＝1)时同样通过随机的方法。
1)在数据集中随机选取一个样本作为初始聚类中心c1；
2)计算每个样本与当前已有聚类中心之间的最短距离(即与最近的一个聚类中心的距离)，用D(x)表示；
3)选择一个新的样本作为新的聚类中心，选择原则为：D(x)越大的点，被选取作为聚类中心的概率越大；
a.将数据集中每个点与其距离最近的聚类中心之间的距离相加，其和用sum(D(x))表示；
b.在0到sum(D(x))之间取一个随机值Random，然后令Random＝Random-D(x)，直到Random<0，此时的点即为下一个聚类中心；
4)针对数据集中每一个样本xk，计算xk到K个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；
5)针对每一个类别cz，重新计算它的聚类中心
Figure BDA0003175654700000091
即属于该类的所有样本的质心；
6)重复步骤4和步骤5，直至聚类中心的位置不再变化；
7)输出聚类结果S＝{PPV,PWT,LE,LG,LC,LH}i，i＝K。
对于本领域的技术人员而言，本发明不限于上述实施例的细节，应将实施例看作为示范性的，而非必要性的，可以在满足本特征和技术方案的范围内以其他的形式实现本发明，对本发明的方案进行一定的修改或者等同替换，其均应涵盖在本发明的权利要求范围中，不应将权力要求中的任何附图标记视为限制所涉及的权力要求。

Claims (4)

1.一种适应综合能源系统规划运行的场景建模方法，其特征在于，步骤如下：
步骤1、获取所研究地区内的光伏出力、风电出力及负荷数据，所诉的负荷数据中包含电负荷数据、气负荷数据、冷负荷数据和热负荷数据；
步骤2、将所获得数据按时间排列生成数据集，对所生成的数据集进行数据预处理；
步骤3、采用改进相关性控制的LHS方法对数据集进行抽样；
步骤4、采用改进K-means算法对抽样结果进行聚类。
2.根据权利要求1所述的一种适应综合能源系统规划运行的场景建模方法，其特征在于，步骤2具体方法如下：
1)将所获取的光伏出力、风电出力及负荷数据进行标幺化；
2)将所获得数据按S＝{PPV，PWT，LE，LG，LC，LH}i，i＝1，2，...，8760形式排列，其中PPV表示光伏出力，PWT表示风电出力，LE、LG、LC、LH分别表示电负荷、气负荷、冷负荷、热负荷，i表示时刻点数。
3.根据权利要求2所述的一种适应综合能源系统规划运行的场景建模方法，其特征在于，步骤3具体方法如下：
1)样本生成：
设通过抽样最终需要生成n个场景，待抽样变量X维度为D，记为X＝[X1，X2，...，XD]T，则第j个抽样样本为Xj＝[Xj1，Xj2，...，XjD]T，j＝1，2，...n；X的第w维即变量Xw的取值范围为[Xw，min，Xw，max]，w＝1，2，...，D，其分布函数为Fw(Xw)；对于第w维抽样步骤如下：
a.将Xw分布函数的值区间[Fw(Xw，min)，Fw(Xw，max)]平均分为n份；
b.生成[0，1]内均匀分布的任一随机数r，则对应第j个概率区间
Figure FDA0003175654690000021
内存在一个值qj＝(j-1+r)/n，令yjw＝Fw(Xw，min)+qj[Fw(Xw，min)，Fw(Xw，max)]；
c.逆变换即可得到变量Xw的第j个抽样值
Figure FDA0003175654690000022
d.得到样本矩阵Xn；
2)相关性控制：
LHS算法在处理多输入随机变量时，其模拟的精度不仅受到采样值的影响，还受到不同输入随机变量采样值的相关性影响；在得到具有一定相关性的排序矩阵后，将采样矩阵按照排序矩阵进行排列，即可得到具有相同相关性的采样矩阵；具体步骤如下：
a.根据输入变量的类型和线性相关系数矩阵CX得到经过Nataf变换后的标准正态变量的相关系数矩阵CZ，并对其进行Cholesky分解，得到下三角矩阵B；
b.对M个独立的标准正态变量进行抽样，得到样本矩阵WN×M；
c.根据Z＝WBT得到具有相关性矩阵为CZ的样本矩阵Z，再根据Z中元素在Z中每一列的排序得到顺序矩阵LS；
3)样本矩阵Xn按照LS进行排列得到最终的样本矩阵。
4.根据权利要求3所述的一种适应综合能源系统规划运行的场景建模方法，其特征在于，步骤4具体方法如下：
原始K-means算法最开始随机选取数据集中K个点作为聚类中心，而改进K-means算法按照如下的思想选取K个聚类中心：假设已经选取了m个初始聚类中心(0＜m＜K)，则在选取第m+1个聚类中心时，距离当前m个聚类中心越远的点会有更高的概率被选为第m+1个聚类中心；在选取第一个聚类中心(m＝1)时同样通过随机的方法；
1)在数据集中随机选取一个样本作为初始聚类中心c1；
2)计算每个样本与当前已有聚类中心之间的最短距离，用D(x)表示；
3)选择一个新的样本作为新的聚类中心，选择原则为：D(x)越大的点，被选取作为聚类中心的概率越大；
a.将数据集中每个点与其距离最近的聚类中心之间的距离相加，其和用sum(D(x))表示；
b.在0到sum(D(x))之间取一个随机值Random，然后令Random＝Random-D(x)，直到Random＜0，此时的点即为下一个聚类中心；
4)针对数据集中每一个样本xk，计算xk到K个聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；
5)针对每一个类别cz，重新计算它的聚类中心
Figure FDA0003175654690000031
即属于该类的所有样本的质心；
6)重复步骤4和步骤5，直至聚类中心的位置不再变化；
7)输出聚类结果S＝{PPV，PWT，LE，LG，LC，LH}i，i＝K。
CN202110831304.2A 2021-07-22 2021-07-22 一种适用综合能源系统规划运行的场景建模方法 Pending CN113553709A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110831304.2A CN113553709A (zh) 2021-07-22 2021-07-22 一种适用综合能源系统规划运行的场景建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110831304.2A CN113553709A (zh) 2021-07-22 2021-07-22 一种适用综合能源系统规划运行的场景建模方法

Publications (1)

Publication Number Publication Date
CN113553709A true CN113553709A (zh) 2021-10-26

Family

ID=78132502

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110831304.2A Pending CN113553709A (zh) 2021-07-22 2021-07-22 一种适用综合能源系统规划运行的场景建模方法

Country Status (1)

Country Link
CN (1) CN113553709A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114139964A (zh) * 2021-12-02 2022-03-04 国能生物发电集团有限公司 一种电气综合能源系统可靠性评估方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110336333A (zh) * 2019-07-31 2019-10-15 广东电网有限责任公司 一种区域综合能源系统的场景预测方法
CN111859283A (zh) * 2020-06-02 2020-10-30 天津大学 一种考虑多能源荷时序性、相关性的场景生成方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110336333A (zh) * 2019-07-31 2019-10-15 广东电网有限责任公司 一种区域综合能源系统的场景预测方法
CN111859283A (zh) * 2020-06-02 2020-10-30 天津大学 一种考虑多能源荷时序性、相关性的场景生成方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Stochastic Optimal Operation Model for a Distributed Integrated Energy System Based on Multiple-scenario Simulations", ENERGY, vol. 219, no. 2, pages 1 - 22 *
宋学伟等: "基于改进K-means聚类的风光发电场景划分", 发电技术, vol. 41, no. 6, pages 625 - 630 *
李泽: "考虑风电的超高压电网运行方式优化研究", 中国优秀硕士学位论文全文数据库 工程科技II辑, no. 01, pages 1 - 68 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114139964A (zh) * 2021-12-02 2022-03-04 国能生物发电集团有限公司 一种电气综合能源系统可靠性评估方法及装置

Similar Documents

Publication Publication Date Title
Ye et al. Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning
CN108717579B (zh) 一种短期风电功率区间预测方法
WO2023201552A1 (en) County-wide photovoltaic prediction method based on cluster division and data enhancement
CN110363354B (zh) 风场风功率预测方法、电子装置及存储介质
Cao et al. Complementarity assessment of wind‐solar energy sources in Shandong province based on NASA
CN108335010A (zh) 一种风电出力时间序列建模方法及系统
CN111859283B (zh) 一种考虑多能源荷时序性、相关性的场景生成方法
CN114119273A (zh) 一种园区综合能源系统非侵入式负荷分解方法及系统
CN115688982B (zh) 基于wgan和鲸鱼优化算法的楼宇光伏数据补全方法
Badi et al. Using Grey-TOPSIS approach for solar farm location selection in Libya
CN104978605A (zh) 基于深度学习网络的大规模风电功率预测系统及方法
CN111833224B (zh) 一种基于人口栅格数据的城市主副中心边界识别方法
CN115544871A (zh) 考虑可再生电源空间相关性的分布鲁棒型储能规划方法
Zeng et al. Comprehensive evaluation of renewable energy technical plans based on data envelopment analysis
CN117132132A (zh) 基于气象数据的光伏发电功率预测方法
Zhang et al. Joint forecasting of regional wind and solar power based on attention neural network
Sun et al. Load-forecasting method for IES based on LSTM and dynamic similar days with multi-features
CN108694475A (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN113553709A (zh) 一种适用综合能源系统规划运行的场景建模方法
CN110909779A (zh) 一种区域综合能源供应系统的供能模式分类方法
CN114004393B (zh) 配电网-天然气联合系统双层多时间尺度运行优化方法
CN113449466A (zh) 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统
CN113222216A (zh) 冷热电负荷预测方法、装置及系统
CN108959719B (zh) 交直流混合的分布式可再生能源系统测试场景模拟方法
CN106897481B (zh) 利用空间多点功率预测特征的风功率集成预测方法及装置

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