CN113780683A - 一种基于bp神经网络的农村能源优化调度方法 - Google Patents
一种基于bp神经网络的农村能源优化调度方法 Download PDFInfo
- Publication number
- CN113780683A CN113780683A CN202111205154.0A CN202111205154A CN113780683A CN 113780683 A CN113780683 A CN 113780683A CN 202111205154 A CN202111205154 A CN 202111205154A CN 113780683 A CN113780683 A CN 113780683A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- energy
- rural
- methane tank
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000013461 design Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 68
- 238000003860 storage Methods 0.000 claims description 17
- 230000005611 electricity Effects 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 5
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/08—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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- 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)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于农村电能调度技术领域,提供了一种基于BP神经网络的农村能源优化调度方法,包括如下步骤:S1:初始化样板数据采集,根据农村能源的设计标准,建立样本特征数据;S2:初始化数据采集,在农村能源中采集原始数据;S3:构建BP神经网络训练模型,利用原始数据对特征数据对模型进行学习与训练;S4:采集的各级数据与通过训练后的BP神经网络模型进行特征匹配,并将数据进行标记;S5:将样本数据与进行特征匹配的数据,进行绝对值比较;S6:对比较后的数据进行放大,并定位,并上传至后台控制端;S7:后台控制端将统计数据从微电网处调整电力进入农村能源。上述的方法,以提高能源利用率,保证特定场景的农村能源利用率和稳定性。
Description
技术领域
本发明涉及农村电能调度技术领域,具体涉及一种基于BP神经网络的农村能源优化调度方法。
背景技术
农村的特色养殖过程中,一些特定的农作物或养殖动物对环境中要求较为严格,而农业养殖中,通常以电能作为支撑农业养殖场地的能源;因此需要稳定的能源;
但是在实际需求中,由于农村与供电地距离较远,送电过程中,容易受到外界影响,而导致波动,这样一来就容易造成,养殖场地的能源波动,不能形成持续且稳定的能源、这样就能通过减少电能,实现一定的经济效益。
发明内容
针对现有技术中的缺陷,本发明提供一种基于BP神经网络的农村能源优化调度方法,以提高能源利用率,保证特定场景的农村能源利用率和稳定性。
本发明提供的一种基于BP神经网络的农村能源优化调度方法,包括如下步骤:
步骤一:初始化样板数据采集,根据农村能源的设计标准,建立样本特征数据;
步骤二:初始化数据采集,在农村能源中采集原始数据;
步骤三:构建BP神经网络训练模型,利用原始数对特征数据对模型进行学习与训练;
步骤四:农村能源运用时,实时采集的各级数据通过训练后的BP神经网络模型进行输出调度数值,并将采集的数据进行标记定位;
步骤五:将样本数据与调度数值,进行绝对值比较;
步骤六:将差异较大的数据,并上传后台控制端;
步骤七:后台控制端通过数据从微电网处调整电力进入农村能源补偿电能。
进一步的,所述步骤2中初始化数据采集包括;蓄电池储电量、沼气储量、沼气池压力、沼气池温度、沼气池湿度、环境温度和微电网中从电网市网获取的瞬时功率,并将其做为神经网络的输入量。
进一步的,所述步骤2中初始化数据采集,在蓄电池储电量、沼气储量、沼气池压力、沼气池温度、沼气池湿度、微电网中从电网市网获取的瞬时功率的采集中,任意一处数据采集过程中,在一天内均不少于10次的数据输入。这样的话,一天不同时间的不同数据集不少于10组,一年数据集不少于3650组。这样就更能够保证输出的真实性。
进一步的,所述步骤4中数据中,采集数据分为环境数据与电量数据;其中:环境数据包括;沼气池压力、沼气池温度和沼气池湿度、环境温度;其中环境温度可以是大棚温度或者是养殖场内部温度。电量数据包括;蓄电池储电量和微电网中从电网市网获取的瞬时功率。
进一步的,所述环境数据为静态特征。
进一步的,所述电量数据为动态特征。
进一步的,所述步骤5中的将采集的数据进行标记定位,并上传后台控制端。实际运用中,通过数据采集中的时间为参考值,类似于坐标值一样,通过该数据产生的时间,确定当时的用电状况,如果是电量少,就可以通过后续对该一时间点进行补偿,也就充电,保证稳定性。
进一步的,所述步骤7中的微电网,是能够通过分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等组成的小型发配电系统。通过分布式电源的方式,进行供电。
由上述技术方案可知,本发明提供的一种基于BP神经网络的农村能源优化调度方法的有益效果:
(1)实际运用中,通过对原设计标准为样本特征,更能保证该调整电能更精准,就能够保证特定场所的电能供应,尤其是对养殖场地要求较高的区域。
(2)并在初始化数据的采集中,实时采集,保证了原始数据的准确性。
(3)同时,采用BP神经网络的计算方式,减少了误差产生;
(4)并将样本数据与进行特征匹配的数据,进行绝对值比较,且将比较后的数据进行放大,就能够获得该数据;
(5)同时,并对数据进行定位,就能够知道该数据产生的原因。
(6)最终从微电网中,调入电源进行定位补偿,就能够保证系统的持续稳定性,不会出现太多太大的电量波动。
附图说明
为了更清楚地说明本发明具体实施方式,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,各元件或部分并不一定按照实际的比例绘制。
图1为本发明中实施例1的流程示意图;
图2为本发明的示意图;
图3为本发明中实施例2的流程示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只作为示例,而不能以此来限制本发明的保护范围。
实施例基本如附图1-图2所示:
实施例1:
如图1所示,本实施例提供的一种基于BP神经网络的农村能源优化调度方法,能够保证农业用电的稳定性,减少能源波动,包括如下步骤:
步骤一:初始化样板数据采集,根据农村能源的设计标准,建立样本特征数据;
步骤二:初始化数据采集,在农村能源中采集原始数据;
步骤三:构建BP神经网络训练模型,利用原始数对特征数据对模型进行学习与训练;
步骤四:农村能源运用时,实时采集的各级数据通过训练后的BP神经网络模型进行输出调度数值,并将采集的数据进行标记定位;
步骤五:将样本数据与调度数值,进行绝对值比较;
步骤六:将差异较大的数据,并上传后台控制端;
步骤七:后台控制端通过数据从微电网处调整电力进入农村能源补偿电能。
实际运用中,通过对原设计标准为样本特征,更能保证该调整电能更精准,就能够保证特定场所的电能供应,尤其是对养殖场地要求较高的区域。并在初始化数据的采集中,实时采集,保证了原始数据的准确性。同时,采用BP神经网络的计算方式,减少了误差产生;并将样本数据与进行特征匹配的数据,进行绝对值比较,且将比较后的数据进行放大,就能够获得该数据;同时,并对数据进行定位,就能够知道该数据产生的原因。最终从微电网中,调入电源进行定位补偿,就能够保证系统的持续稳定性,不会出现太多太大的电量波动。
在本实施例中,所述步骤2中初始化数据采集包括;蓄电池储电量、沼气储量、沼气池压力、沼气池温度、沼气池湿度、环境温度和微电网中从电网市网获取的瞬时功率,并将其做为神经网络的输入量。实际运用中,通过该输入量,就能够建立BP神经网络计算模型,方便后续的校核。
在本实施例中,,所述步骤2中初始化数据采集,在蓄电池储电量、沼气储量、沼气池压力、沼气池温度、沼气池湿度、微电网中从电网市网获取的瞬时功率的采集中,任意一处数据采集过程中,在一天内均不少于10次的数据输入。这样的话,一天不同时间的不同数据集不少于10组,一年数据集不少于3650组。这样就更能够保证输出的真实性。
在本实施例中,所述步骤4中数据中,采集数据分为环境数据与电量数据;其中:环境数据包括;沼气池压力、沼气池温度和沼气池湿度、环境温度;其中环境温度可以是大棚温度或者是养殖场内部温度。电量数据包括;蓄电池储电量和微电网中从电网市网获取的瞬时功率。实际运用中,如此一来,就更能够保证计算的真实。其中,所述环境数据为静态特征,在BP神经计算中确定其值。同时,所述电量数据为动态特征。并区分动态与静态数据,实现计算的更加精准。
在本实施例中,所述步骤5中的将采集的数据进行标记定位,并上传后台控制端。实际运用中,通过数据采集中的时间为参考值,类似于坐标值一样,通过该数据产生的时间和静态数据,确定当时的用电状况,如果是电量少,就可以通过后续对该一时间点进行补偿,也就充电,保证稳定性;就更能够方便后续能源补偿工作。
在本实施例中,所述步骤7中的微电网,是能够通过分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等组成的小型发配电系统。其中,通过微电网,对农村能源进行补偿,尤其保证了特定养殖场所的农业用电的稳定性。
实施例2:
详情参考图2和图3所示,在本实施例中,提供了一种更贴合生产实际BP神经网络供电调度方法,该方法包括以下步骤:
步骤一:特定区域的农业用电数据统计;
步骤二:分别对特定区域中农业耗电中各个用电单元进行实时数据统计:
步骤三:构建BP神经网络训练模型,利用各个用电单元实时数据对模型进行学习与训练;
步骤四:输出调度值;
步骤五:将实时供电数据与输出调度值进行实时对比;
步骤六:将差异较大的上传后台控制端;
步骤七:后台控制端通过数据从微电网处调整电力进入农村能源补偿电能。
实际运用中,通过对特定区域的农业用电数据统计,就能够获得该区域的电源总量。
在本实施例中,所述步骤2中实时数据统计包括;蓄电池储电量、沼气储量、沼气池压力、沼气池温度、沼气池湿度、环境温度和微电网中从电网市网获取的瞬时功率,并将其做为神经网络的输入量。这样一来,就保证了用电统计的真实性。
在本实施例中,所述步骤2中实时数据统计时,是通过三个月以上的正常用电状况进行统计,这样就更能够贴合生产实际。就保证了,在实际的运用中,各个用电单元,例如大棚或养殖场,在实际用电量与设计电量不同时,也能够通过BP神经网络对电量进行一定的调度供能,保持农业用电的稳定性,也能够节省资金,为新农业发展赋能。
综上所述,该一种基于BP神经网络的农村能源优化调度方法,不仅能够节省能源,而且还能够对生产实际,进行实际调度,这样就可以通过BP神经网络,减少农业用电的波动,并通过其他分布式微电网,进行调度供电,这样一来就大大的减少了对市电需求,减少了成本。
本发明的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
Claims (8)
1.一种基于BP神经网络的农村能源优化调度方法,其特征在于,包括如下步骤:
步骤1:初始化样板数据采集,根据农村能源的设计标准,建立样本特征数据;
步骤2:初始化数据采集,在农村能源中采集原始数据;
步骤3:构建BP神经网络训练模型,利用原始数对特征数据对模型进行学习与训练;
步骤4:农村能源运用时,实时采集的各级数据通过训练后的BP神经网络模型进行输出调度数值,并将采集的数据进行标记定位;
步骤5:将样本数据与调度数值,进行绝对值比较;
步骤6:将差异的数据,并上传后台控制端;
步骤7:后台控制端通过数据从微电网处调整电力进入农村能源补偿电能。
2.根据权利要求1所述的一种基于BP神经网络的农村能源优化调度方法,其特征在于:所述步骤2中初始化数据采集包括;蓄电池储电量、沼气储量、沼气池压力、沼气池温度、沼气池湿度、环境温度和微电网中从电网市网获取的瞬时功率,并将其做为神经网络的输入量。
3.根据权利要求2所述的一种基于BP神经网络的农村能源优化调度方法,其特征在于:所述步骤2中初始化数据采集,在蓄电池储电量、沼气储量、沼气池压力、沼气池温度、沼气池湿度、微电网中从电网市网获取的瞬时功率的采集中,任意一处数据采集过程中,在一天内均不少于10次的数据输入。
4.根据权利要求3所述的一种基于BP神经网络的农村能源优化调度方法,其特征在于:所述步骤4中数据中,采集数据分为环境数据与电量数据;
其中:
环境数据包括;沼气池压力、沼气池温度和沼气池湿度、环境温度;
电量数据包括;蓄电池储电量和微电网中从电网市网获取的瞬时功率。
5.根据权利要求4所述一种基于BP神经网络的农村能源优化调度方法,其特征在于,所述环境数据为静态特征。
6.根据权利要求4所述一种基于BP神经网络的农村能源优化调度方法,其特征在于,所述电量数据为动态特征。
7.根据权利要求6所述的一种基于BP神经网络的农村能源优化调度方法,其特征在于,所述步骤4中的将采集的数据进行标记定位,并上传后台控制端。
8.根据权利要求1所述的一种基于BP神经网络的农村能源优化调度方法,其特征在于,所述步骤7中的微电网,是能够通过分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等组成的小型发配电系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205154.0A CN113780683A (zh) | 2021-10-15 | 2021-10-15 | 一种基于bp神经网络的农村能源优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111205154.0A CN113780683A (zh) | 2021-10-15 | 2021-10-15 | 一种基于bp神经网络的农村能源优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113780683A true CN113780683A (zh) | 2021-12-10 |
Family
ID=78873197
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111205154.0A Pending CN113780683A (zh) | 2021-10-15 | 2021-10-15 | 一种基于bp神经网络的农村能源优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780683A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102684199A (zh) * | 2012-06-05 | 2012-09-19 | 国电南瑞科技股份有限公司 | 一种微电网与配电网交换功率的多时间尺度控制方法 |
CN109713699A (zh) * | 2018-12-28 | 2019-05-03 | 北京天势新能源技术有限公司 | 一种能源管理方法及智能光储装置 |
CN111027816A (zh) * | 2019-11-21 | 2020-04-17 | 浙江大学 | 一种基于数据包络分析的光伏发电效率计算方法 |
-
2021
- 2021-10-15 CN CN202111205154.0A patent/CN113780683A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102684199A (zh) * | 2012-06-05 | 2012-09-19 | 国电南瑞科技股份有限公司 | 一种微电网与配电网交换功率的多时间尺度控制方法 |
CN109713699A (zh) * | 2018-12-28 | 2019-05-03 | 北京天势新能源技术有限公司 | 一种能源管理方法及智能光储装置 |
CN111027816A (zh) * | 2019-11-21 | 2020-04-17 | 浙江大学 | 一种基于数据包络分析的光伏发电效率计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Machine learning for solar irradiance forecasting of photovoltaic system | |
US10873209B2 (en) | System and method for dynamic energy storage system control | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN102063563B (zh) | 网省地一体化的母线负荷预测方法 | |
CN107527116B (zh) | 基于支持向量回归的短期负荷预测方法 | |
CN103699944A (zh) | 一种多预测模式的风电光伏发电功率预测系统 | |
CN108711878B (zh) | 考虑出力特性的光伏电站多类型组件容量配置方法 | |
CN114021420A (zh) | 一种分布式光伏超短期发电功率预测方法及系统 | |
CN115912351A (zh) | 光伏日内日前模型预测方法、系统、设备及介质 | |
CN112418154A (zh) | 考虑不同覆盖度雨养、灌溉林的生态补水量空间展布方法 | |
CN114997508A (zh) | 基于多能互补的大棚用电优化方法及系统 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
CN113780683A (zh) | 一种基于bp神经网络的农村能源优化调度方法 | |
CN117039852A (zh) | 风光水互补电站的功率预测方法、装置、设备及存储介质 | |
CN112598175A (zh) | 一种流域型虚拟电厂调度方法 | |
El Hendouzi et al. | Forecasting of PV power application to PV power penetration in a microgrid | |
CN116562432A (zh) | 面向新型电力系统规划的源网荷储协同规划方法及系统 | |
CN110533216A (zh) | 基于调控云的超短期负荷预测修正技术 | |
Dimd et al. | Ultra-short-term photovoltaic output power forecasting using deep learning algorithms | |
CN116485004A (zh) | 一种基于功率热图和卷积神经网络的风电功率预测方法 | |
CN112734277B (zh) | 信息物理融合的需求侧响应资源多层级建模方法 | |
Li et al. | Agricultural load modeling based on crop evapotranspiration and light integration for economic operation of greenhouse power systems | |
CN108345996A (zh) | 一种降低风电功率考核电量的系统及方法 | |
CN115392016A (zh) | 一种基于遥感数据同化的青贮玉米生长发育预测方法 | |
CN113657735B (zh) | 考虑森林碳汇能力约束的碳中和场景下电源结构规划方法 |
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 |
Application publication date: 20211210 |