CN114330563A - 一种基于gan模型的电力调度计划生成方法、设备及介质 - Google Patents
一种基于gan模型的电力调度计划生成方法、设备及介质 Download PDFInfo
- Publication number
- CN114330563A CN114330563A CN202111655649.3A CN202111655649A CN114330563A CN 114330563 A CN114330563 A CN 114330563A CN 202111655649 A CN202111655649 A CN 202111655649A CN 114330563 A CN114330563 A CN 114330563A
- Authority
- CN
- China
- Prior art keywords
- plan
- operation data
- model
- data
- generating
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种基于GAN模型的电力调度计划生成方法、设备及介质,方法包括:采集电网运行数据;根据电网运行数据训练调度计划生成模型,其中,调度计划生成模型通过GAN模型训练得到;通过调度计划生成模型以及电网运行数据,实时生成电力调度计划;实时更新电网运行数据,得到更新后的电网运行数据,并通过更新后的电网运行数据对调度计划生成模型进行更新训练,得到更新后的调度计划生成模型。充分考虑电网的电网运行数据,以及综合考虑影响电厂运行的各类数据,设计相应的计划生成模型,并生成相应的计划,相比于人工生成的计划,具备更高的经济效益,以及具备更高的合理性。
Description
技术领域
本申请涉及电力调度技术领域,具体涉及一种基于GAN模型的电力调度计划生成方法、设备及介质。
背景技术
近年来,在全球能源转型的背景下,能源不断向安全化、可靠化、绿色化、高效化以及经济化的方向发展。在发电侧,光伏、风能等清洁能源的分布式发电设备的装机容量在不断提高;在用电侧,不断提倡能源的高效利用;在配电侧,随着分布式电源及储能设备接入到配电网中,电网的运行也日渐复杂。在电力技术的发展和市场需求的共同推动下,对电能进行协同优化运行和灵活市场交易,成为了能源产业发展的重要举措。
生成式对抗网络(Generative Adversarial Networks,GAN)模型是一种无监督式学习的一种方法,由生成网络和判别网络组成,是近年来针对复杂分布式无监督学习的重要方法,GAN模型技术已经广泛应用于计算机视觉、自然语言处理、语音生成等多个领域,并取得了不错的效果。
因此,如何高效利用GAN模型技术,并结合发电侧、用电侧以及配电侧的各方面需求,针对性生成效率最优的电力调度计划,是目前亟待解决的问题。
发明内容
为了解决上述问题,即为了解决如何高效利用GAN模型技术,并结合发电侧、用电侧以及配电侧的各方面需求,针对性生成效率最优的电力调度计划的问题,本申请提出了一种基于GAN模型的电力调度计划的生成方法、设备及介质,包括:
一方面,本申请提出了一种基于GAN模型的电力调度计划的生成方法,包括:采集电网运行数据,其中,所述电网运行数据至少包括以下一种:机组发电数据、交流联络线数据、直流联络线数据、柔性负荷数据、储能调度数据;根据所述电网运行数据训练调度计划生成模型,其中,所述调度计划生成模型至少包括以下一种:机组发电计划生成模型、交流联络线计划生成模型、直流联络线计划生成模型、柔性负荷计划生成模型、储能调度计划生成模型,所述调度计划生成模型通过GAN模型训练得到;通过所述调度计划生成模型以及所述电网运行数据,实时生成电力调度计划,其中,所述电力调度计划至少包括以下一种:机组发电计划、交流联络线计划、直流联络线计划、柔性负荷计划、储能调度计划;实时更新所述电网运行数据,得到更新后的电网运行数据,并通过所述更新后的电网运行数据对所述调度计划生成模型进行更新训练,得到更新后的调度计划生成模型。
在一个示例中,通过所述调度计划生成模型以及所述电网运行数据,实时生成电力调度计划之后,所述方法还包括:采集设备检修数据;根据所述设备检修数据、所述电力调度计划、所述电网运行数据,训练调整优化模型,其中,所述调整优化模型通过所述GAN模型训练得到;通过所述调整优化模型,实时生成与所述电力调度计划对应的优化后的电力调度计划,其中,所述优化后的电力调度计划至少包括以下一种:优化后的机组发电计划、优化后的交流联络线计划、优化后的直流联络线计划、优化后的柔性负荷计划、优化后的储能调度计划。
在一个示例中,实时更新所述电网运行数据,得到更新后的电网运行数据,并通过所述更新后的电网运行数据对所述调度计划进行更新训练,得到更新后的调度计划生成模型之后,所述方法还包括:通过所述更新后的调度计划生成模型,实时生成更新后的电力调度计划,其中,所述更新后的电力调度计划至少包括以下一种:更新后的机组发电计划、更新后的交流联络线计划、更新后的直流联络线计划、更新后的柔性负荷计划、更新后的储能调度计划;根据所述更新后的电力调度计划对所述调整优化模型进行更新训练,得到更新后的调整优化模型。
在一个示例中,根据所述电网运行数据训练调度生成模型,具体包括:获取机组发电数据,所述机组发电数据包括:机组发电初始计划、机组发电运行数据、机组发电历史计划;将所述机组发电初始计划以及所述机组发电运行数据输入至第一生成器中,以通过所述第一生成器模拟生成机组发电模拟计划;将所述机组发电初始计划、所述机组发电运行数据以及所述机组发电模拟计划或所述机组发电历史计划输入至第一判别器中,并确定所述第一判别器的输入量为所述机组发电初始计划、所述机组发电运行数据、所述机组发电模拟计划时,输出量判定为低电平,所述输入量为所述机组发电初始计划、所述机组发电运行数据以及所述机组发电历史计划时,所述输出量判定为高电平;固定所述第一判别器的参数,并通过梯度下降法训练所述第一生成器,直至所述第一判别器无法根据所述输入量做出判定;固定所述第一生成器的参数,并通过所述梯度下降法训练所述第一判别器,直至所述第一判别器能够根据所述输入量做出判定;生成机组发电计划生成模型。
在一个示例中,根据所述电网运行数据训练调度生成模型,具体包括:获取交流联络线数据,所述交流联络线数据包括:交流联络线初始计划、交流联络线运行数据、交流联络线历史计划;将所述交流联络线初始计划以及所述交流联络线运行数据输入至第二生成器中,以通过所述第二生成器模拟生成交流联络线模拟计划;将所述交流联络线初始计划、所述交流联络线运行数据以及所述交流联络线模拟计划或所述交流联络线历史计划输入至第二判别器中,并确定所述第二判别器的输入量为所述交流联络线初始计划、所述交流联络线运行数据、所述交流联络线模拟计划时,输出量判定为低电平,所述输入量为所述交流联络线初始计划、所述交流联络线运行数据以及所述交流联络线历史计划时,所述输出量判定为高电平;固定所述第二判别器的参数,并通过梯度下降法训练所述第二生成器,直至所述第二判别器无法根据所述输入量做出判定;固定所述第二生成器的参数,并通过所述梯度下降法训练所述第二判别器,直至所述第二判别器能够根据所述输入量做出判定;生成交流联络线计划生成模型。
在一个示例中,根据所述电网运行数据训练调度生成模型,具体包括:获取直流联络线数据,所述直流联络线数据包括:直流联络线初始计划、直流联络线运行数据、直流联络线历史计划;将所述直流联络线初始计划以及所述直流联络线运行数据输入至第三生成器中,以通过所述第三生成器模拟生成直流联络线模拟计划;将所述直流联络线初始计划、所述直流联络线运行数据以及所述直流联络线模拟计划或所述直流联络线历史计划输入至第三判别器中,并确定所述第三判别器的输入量为所述直流联络线初始计划、所述直流联络线运行数据、所述直流联络线模拟计划时,输出量判定为低电平,所述输入量为所述直流联络线初始计划、所述直流联络线运行数据以及所述直流联络线历史计划时,所述输出量判定为高电平;固定所述第三判别器的参数,并通过梯度下降法训练所述第三生成器,直至所述第三判别器无法根据所述输入量做出判定;固定所述第三生成器的参数,并通过所述梯度下降法训练所述第三判别器,直至所述第三判别器能够根据所述输入量做出判定;生成直流联络线计划生成模型。
在一个示例中,根据所述电网运行数据训练调度生成模型,具体包括:获取柔性负荷数据,所述柔性负荷数据包括:柔性负荷初始计划、柔性负荷运行数据、柔性负荷历史计划;将所述柔性负荷初始计划以及所述柔性负荷运行数据输入至第四生成器中,以通过所述第四生成器模拟生成柔性负荷模拟计划;将所述柔性负荷初始计划、所述运行数据以及所述柔性负荷模拟计划或所述柔性负荷历史计划输入至第四判别器中,并确定所述第四判别器的输入量为所述柔性负荷初始计划、所述柔性负荷运行数据、所述柔性负荷模拟计划时,输出量判定为低电平,所述输入量为所述柔性负荷初始计划、所述柔性负荷运行数据以及所述柔性负荷历史计划时,所述输出量判定为高电平;固定所述第四判别器的参数,并通过梯度下降法训练所述第四生成器,直至所述第四判别器无法根据所述输入量做出判定;固定所述第四生成器的参数,并通过所述梯度下降法训练所述第四判别器,直至所述第四判别器能够根据所述输入量做出判定;生成柔性负荷计划生成模型。
在一个示例中,根据所述电网运行数据训练调度生成模型,具体包括:获取储能调度数据,所述储能调度数据包括:储能调度初始计划、储能调度运行数据、储能调度历史计划;将所述储能调度初始计划以及所述储能调度运行数据输入至第五生成器中,以通过所述第五生成器模拟生成储能调度模拟计划;将所述储能调度初始计划、所述储能调度运行数据以及所述储能调度模拟计划或所述储能调度历史计划输入至第五判别器中,并确定所述第五判别器的输入量为所述储能调度初始计划、所述储能调度运行数据、所述储能调度模拟计划时,输出量判定为低电平,所述输入量为所述储能调度初始计划、所述储能调度运行数据以及所述储能调度历史计划时,所述输出量判定为高电平;固定所述第五判别器的参数,并通过梯度下降法训练所述第五生成器,直至所述第五判别器无法根据所述输入量做出判定;固定所述第五生成器的参数,并通过所述梯度下降法训练所述第五判别器,直至所述第五判别器能够根据所述输入量做出判定;生成储能调度计划生成模型。
另一方面,本申请提出了一种基于GAN模型的电力调度计划的生成设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如下指令:采集电网运行数据,其中,所述电网运行数据至少包括以下一种:机组发电数据、交流联络线数据、直流联络线数据、柔性负荷数据、储能调度数据;根据所述电网运行数据训练调度计划生成模型,其中,所述调度计划生成模型至少包括以下一种:机组发电计划生成模型、交流联络线计划生成模型、直流联络线计划生成模型、柔性负荷计划生成模型、储能调度计划生成模型,所述调度计划生成模型通过GAN模型训练得到;通过所述调度计划生成模型以及所述电网运行数据,实时生成电力调度计划,其中,所述电力调度计划至少包括以下一种:机组发电计划、交流联络线计划、直流联络线计划、柔性负荷计划、储能调度计划;实时更新所述电网运行数据,得到更新后的电网运行数据,并通过所述更新后的电网运行数据对所述调度计划生成模型进行更新训练,得到更新后的调度计划生成模型。
另一方面,本申请提出了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:采集电网运行数据,其中,所述电网运行数据至少包括以下一种:机组发电数据、交流联络线数据、直流联络线数据、柔性负荷数据、储能调度数据;根据所述电网运行数据训练调度计划生成模型,其中,所述调度计划生成模型至少包括以下一种:机组发电计划生成模型、交流联络线计划生成模型、直流联络线计划生成模型、柔性负荷计划生成模型、储能调度计划生成模型,所述调度计划生成模型通过GAN模型训练得到;通过所述调度计划生成模型以及所述电网运行数据,实时生成电力调度计划,其中,所述电力调度计划至少包括以下一种:机组发电计划、交流联络线计划、直流联络线计划、柔性负荷计划、储能调度计划;实时更新所述电网运行数据,得到更新后的电网运行数据,并通过所述更新后的电网运行数据对所述调度计划生成模型进行更新训练,得到更新后的调度计划生成模型。
通过本申请提出的一种基于GAN模型的电力调度计划的生成方法、设备及介质能够带来如下有益效果:充分考虑电网的电网运行数据,以及综合考虑影响电厂运行的各类数据,设计相应的计划生成模型,并生成相应的计划,相比于人工生成的计划,具备更高的经济效益,以及具备更高的合理性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例中一种基于GAN模型的电力调度计划的生成方法的流程示意图;
图2为本申请实施例中一种基于GAN模型的电力调度计划的生成设备的示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
首先需要说明的是,本申请记载的一种基于GAN模型的电力调度计划的生成方法可以以程序或算法的方式存储在系统或服务器中,并可以通过系统或服务器所在的硬件终端中的相应元件,例如处理器、存储器、通讯模块等实现对上述程序或算法的支持。在本申请实施例中,以系统为例进行解释说明,该系统可以通过其所在的终端硬件对上述程序或算法进行支持,也可以通过与远端服务器进行通讯,以信息交互的方式实现对程序或算法的支持。此外,系统可以存储在相应的硬件终端中,该硬件终端包括但不限于:手机、平板电脑、个人计算机以及其他具备相应算力的硬件设备。用户可以通过系统本身、APP或WEB网页等方式来登录该系统,以实现对其中的功能或参数进行调配、参考以及监督,进而实现基于GAN模型生成电力调度计划。
以下结合附图,详细说明本申请各实施例提供的技术方案。
如图1所示,本申请实施例提供方法,包括:
S101:采集电网运行数据,其中,所述电网运行数据至少包括以下一种:机组发电数据、交流联络线数据、直流联络线数据、柔性负荷数据、储能调度数据。
具体地,系统通过相应的采集模块采集电网运行数据,该采集模块可以与电网的数据库或监控设备进行数据互联,以实现采集上述电网运行数据。
其中,机组发电数据即在特定的区域中,根据该区域中的机组以及装机容量确定其在特定时间内的发电量。
交流联络线数据即,在上述特定区域中以及特定时间内,连接不同电压等级的交流线路或联络变压器的相关情况。
直流联络线数据即,在上述特定区域中以及特定时间内,连接不同电压等级的直流线路或联络变压器的相关情况。
柔性负荷数据即,在上述特定区域中以及特定时间内,能够主动与电网进行能量互动的负荷的相关数据。
储能调度数据即,在上述特定区域中以及特定时间内,储能系统对于电能的调度量等相关数据。
S102:根据所述电网运行数据训练调度计划生成模型,其中,所述调度计划生成模型至少包括以下一种:机组发电计划生成模型、交流联络线计划生成模型、直流联络线计划生成模型、柔性负荷计划生成模型、储能调度计划生成模型,所述调度计划生成模型通过GAN模型训练得到。
首先需要说明的是,生成式对抗网络(Generative Adversarial Networks,GAN)模型是一种无监督式学习的一种方法,由生成网络和判别网络组成,是近年来针对复杂分布式无监督学习的重要方法,GAN模型技术已经广泛应用于计算机视觉、自然语言处理、语音生成等多个领域,并取得了不错的效果。
具体地,系统通过采集海量电网运行数据,并基于历史数据,综合考虑各类影响因素,结合序列化数据建模LSTM模型和注意力机制,基于GAN模型生成调度计划生成模型。
其中,机组发电计划生成模型的训练过程包括:
系统获取机组发电数据,其中,机组发电数据包括:机组发电初始计划、机组发电运行数据、机组发电历史数据。
通过第一初始GAN模型进行训练,其中,第一初始GAN模型包括第一生成器与第一判别器。第一生成器可以根据输入量,输出模拟该输入量的相应输出量,第一判别器可以判定输入量是否相似。
具体地,将机组发电初始计划以及机组发电运行数据输入至第一生成器中,以通过第一生成器根据机组发电初始计划以及机组发电运行数据,模拟出与机组发电初始计划相似的机组发电模拟计划。
进而,系统将机组发电计划、机组发电运行数据以及机组发电模拟计划或机组发电历史计划输入至第一判别器中,并确定第一判别器的输入量为机组发电初始计划、机组发电运行数据、机组发电模拟计划时,输出量判定为低电平,输入量为机组发电初始计划、机组发电运行数据以及机组发电历史计划时,输出量判定为高电平。
进而,系统固定第一判别器的参数,并通过梯度下降法训练第一生成器,即通过梯度下降法对第一生成器的相关参数进行逐次调整,直至第一判别器无法根据输入量做出判定。
进而,系统固定第一生成器的参数,并通过梯度下降法训练第一判别器,即通过梯度下降法对第一判别器的相关参数进行逐次调整,直至第一判别器能够根据输入量做出判定。
通过上述方式对第一生成器和第一判别器进行交替训练,即可生成机组发电计划生成模型。
此时的机组发电计划生成模型即可根据机组发电数据模拟出对应的机组发电模拟计划,相比于机组发电初始计划,机组发电模拟计划更能够体现机组发电数据的底层规律,具有更高的合理性。
此外,交流联络线计划生成模型的训练过程包括:
系统获取交流联络线数据,其中,交流联络线数据包括:交流联络线初始计划、交流联络线运行数据、交流联络线历史计划。
通过第二初始GAN模型进行训练,其中,第二初始GAN模型包括第二生成器与第二判别器。第二生成器可以根据输入量,输出模拟该输入量的相应输出量,第一判别器可以判定输入量是否相似。
具体地,系统将交流联络线初始计划以及交流联络线运行数据输入至第二生成器中,以通过第二生成器根据交流联络线初始计划以及交流联络线运行数据,模拟出与交流联络线初始计划相似的交流联络线模拟计划。
进而,系统将交流联络线初始计划、交流联络线运行数据以及交流联络线模拟计划或交流联络线历史计划输入至第二判别器中,并确定第二判别器的输入量为交流联络线初始计划、交流联络线运行数据、交流联络线模拟计划时,输出量判定为低电平,输入量为交流联络线初始计划、交流联络线运行数据以及交流联络线历史计划时,输出量判定为高电平。
进而,系统固定第二判别器的参数,并通过梯度下降法训练第二生成器,即通过梯度下降法对第二生成器的相关参数进行逐次调整,直至第二判别器无法根据输入量做出判定。
进而,系统固定第二生成器的参数,并通过梯度下降法训练第二判别器,即通过梯度下降法对第二判别器的相关参数进行逐次调整,直至第二判别器能够根据输入量做出判定。
通过上述方式对第二生成器和第二判别器进行交替训练,即可生成交流联络线计划生成模型
此时的交流联络线计划生成模型即可根据交流联络线数据模拟出对应的交流联络线模拟计划,相比于交流联络线初始计划,交流联络线模拟计划更能够体现交流联络线数据的底层规律,具有更高的合理性。
此外,直流联络线计划生成模型的训练过程包括:
系统获取直流联络线数据,其中,直流联络线数据包括:直流联络线初始计划、直流联络线运行数据、直流联络线历史计划。
通过第三初始GAN模型进行训练,其中,第三初始GAN模型包括第三生成器与第三判别器。第三生成器可以根据输入量,输出模拟该输入量的相应输出量,第三判别器可以判定输入量是否相似。
具体地,将直流联络线初始计划以及直流联络线运行数据输入至第三生成器中,以通过第三生成器根据直流联络线初始计划以及直流联络线运行数据,模拟出与直流联络线初始计划相似的直流联络线模拟计划。
进而,系统将直流联络线计划、直流联络线运行数据以及直流联络线模拟计划或直流联络线历史计划输入至第三判别器中,并确定第三判别器的输入量为直流联络线初始计划、直流联络线运行数据、直流联络线模拟计划时,输出量判定为低电平,输入量为直流联络线初始计划、直流联络线运行数据以及直流联络线历史计划时,输出量判定为高电平。
进而,系统固定第三判别器的参数,并通过梯度下降法训练第三生成器,即通过梯度下降法对第三生成器的相关参数进行逐次调整,直至第三判别器无法根据输入量做出判定。
进而,系统固定第三生成器的参数,并通过梯度下降法训练第三判别器,即通过梯度下降法对第三判别器的相关参数进行逐次调整,直至第三判别器能够根据输入量做出判定。
通过上述方式对第三生成器和第三判别器进行交替训练,即可生成直流联络线计划生成模型。
此时的直流联络线计划生成模型即可根据直流联络线数据模拟出对应的直流联络线模拟计划,相比于直流联络线初始计划,直流联络线模拟计划更能够体现直流联络线数据的底层规律,具有更高的合理性。
此外,柔性负荷计划生成模型的训练过程包括:
系统获取柔性负荷数据,其中,柔性负荷数据包括:柔性负荷初始计划、柔性负荷运行数据、柔性负荷历史计划。
通过第四初始GAN模型进行训练,其中,第四初始GAN模型包括第四生成器与第四判别器。第四生成器可以根据输入量,输出模拟该输入量的相应输出量,第四判别器可以判定输入量是否相似。
具体地,将柔性负荷初始计划以及柔性负荷运行数据输入至第四生成器中,以通过第四生成器根据柔性负荷初始计划以及柔性负荷运行数据,模拟出与柔性负荷初始计划相似的柔性负荷模拟计划。
进而,系统将柔性负荷计划、柔性负荷运行数据以及柔性负荷模拟计划或柔性负荷历史计划输入至第四判别器中,并确定第四判别器的输入量为柔性负荷初始计划、柔性负荷运行数据、柔性负荷模拟计划时,输出量判定为低电平,输入量为柔性负荷初始计划、柔性负荷运行数据以及柔性负荷历史计划时,输出量判定为高电平。
进而,系统固定第四判别器的参数,并通过梯度下降法训练第四生成器,即通过梯度下降法对第四生成器的相关参数进行逐次调整,直至第四判别器无法根据输入量做出判定。
进而,系统固定第四生成器的参数,并通过梯度下降法训练四判别器,即通过梯度下降法对第四判别器的相关参数进行逐次调整,直至第四判别器能够根据输入量做出判定。
通过上述方式对第四生成器和第四判别器进行交替训练,即可生成柔性负荷计划生成模型。
此时的柔性负荷计划生成模型即可根据柔性负荷数据模拟出对应的柔性负荷模拟计划,相比于柔性负荷初始计划,柔性负荷模拟计划更能够体现柔性负荷数据的底层规律,具有更高的合理性。
此外,储能调度计划生成模型的训练过程包括:
系统获取储能调度数据,其中,储能调度数据包括:储能调度初始计划、储能调度运行数据、储能调度历史计划。
通过第五初始GAN模型进行训练,其中,第五初始GAN模型包括第五生成器与第五判别器。第五生成器可以根据输入量,输出模拟该输入量的相应输出量,第五判别器可以判定输入量是否相似。
具体地,将储能调度初始计划以及储能调度运行数据输入至第五生成器中,以通过第五生成器根据储能调度初始计划以及储能调度运行数据,模拟出与储能调度初始计划相似的储能调度模拟计划。
进而,系统将储能调度计划、储能调度运行数据以及储能调度模拟计划或储能调度历史计划输入至第五判别器中,并确定第五判别器的输入量为储能调度初始计划、储能调度运行数据、储能调度模拟计划时,输出量判定为低电平,输入量为储能调度初始计划、储能调度运行数据以及储能调度历史计划时,输出量判定为高电平。
进而,系统固定第五判别器的参数,并通过梯度下降法训练第五生成器,即通过梯度下降法对第五生成器的相关参数进行逐次调整,直至第五判别器无法根据输入量做出判定。
进而,系统固定第五生成器的参数,并通过梯度下降法训练五判别器,即通过梯度下降法对第五判别器的相关参数进行逐次调整,直至第五判别器能够根据输入量做出判定。
通过上述方式对第五生成器和第五判别器进行交替训练,即可生成储能调度计划生成模型。
此时的储能调度计划生成模型即可根据储能调度数据模拟出对应的储能调度模拟计划,相比于储能调度初始计划,储能调度模拟计划更能够体现储能调度数据的底层规律,具有更高的合理性。
通过上述训练得到的机组发电计划生成模型、交流联络线计划生成模型、直流联络线计划生成模型、柔性负荷计划生成模型、储能调度计划生成模型,即可整合得到调度计划生成模型。
此外,还需要说明的是,上述第一初始GAN模型、第二初始GAN模型、第三初始GAN模型、第四初始GAN模型、第五初始GAN模型,以及包含的生成器和判别器的构成方式都一致,均基于GAN模型得到。
S103:通过所述调度计划生成模型以及所述电网运行数据,实时生成电力调度计划,其中,所述电力调度计划至少包括以下一种:机组发电计划、交流联络线计划、直流联络线计划、柔性负荷计划、储能调度计划。
具体地,通过机组发电计划生成模型生成机组发电计划。
通过交流联络线计划生成模型生成交流联络线计划。
通过直流联络线计划生成模型生成直流联络线计划。
通过柔性负荷计划生成模型生成柔性负荷计划。
通过储能调度计划生成模型生成储能调度计划。
此外,系统在通过调度计划生成模型以及电网运行数据,实时生成电力调度计划之后,还包括:
系统采集上述特定区域以及特定时间内的设备检修数据。
进而,系统根据设备检修数据、电力调度计划、电网运行数据,训练调整优化模型,其中,调整优化模型通过GAN模型训练得到。
需要说明的是,此处的调整优化模型的训练过程与上述电力调度模型的训练方式一致,在此处不再赘述。
进而,系统通过调整优化模型,实时生成与电力调度计划对应的优化后的电力调度计划,其中,优化后的电力调度计划至少包括以下一种:优化后的机组发电计划、优化后的交流联络线计划、优化后的直流联络线计划、优化后的柔性负荷计划、优化后的储能调度计划。
通过该调整优化模型,可以针对电力调度计划生成对应的优化后的电力调度计划,基于GAN模型的特性,使得具体计划内容更具合理性。
S104:实时更新所述电网运行数据,得到更新后的电网运行数据,并通过所述更新后的电网运行数据对所述调度计划生成模型进行更新训练,得到更新后的调度计划生成模型。
具体地,电网运行数据是不断产生变化的,若调度计划生成模型一成不变,则无法根据电网运行数据进行合理的计划,因此,在本申请实施例中,还可以通过更新后的电网运行数据对调度计划生成模型进行更新训练。
需要说明的是,此处的更新训练,即将更新后的电网运行数据替代上述电网运行数据,并通过上述技术方案进行重新训练的过程,在此处不再赘述。
此外,通过更新后的电网运行数据对调度计划进行更新训练,得到更新后的调度计划生成模型之后,还包括:
系统通过更新后的调度计划生成模型,实时生成更新后的电力调度计划,其中,更新后的电力调度计划至少包括以下一种:更新后的机组发电计划、更新后的交流联络线计划、更新后的直流联络线计划、更新后的柔性负荷计划、更新后的储能调度计划。
也即,通过更新后的机组发电计划生成模型,生成更新后的机组发电计划。
通过更新后的交流联络线计划生成模型,生成更新后的交流联络线计划。
通过更新后的直流联络线计划生成模型,生成更新后的直流联络线计划。
通过更新后的柔性负荷计划生成模型,生成更新后的柔性负荷计划。
通过更新后的储能调度计划生成模型,生成更新后的储能调度计划。
进一步地,系统根据更新后的电力调度计划对调整优化模型进行更新训练,得到更新后的调整优化模型。
即,在电力调度计划根据更新后的电网运行数据进行实时更新后,调整优化模型也需要跟进进行更新,以保证生成的计划的合理性。
在一个实施例中,如图2所示,本申请还提供了一种基于GAN模型的电力调度计划的生成设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如下指令:
采集电网运行数据,其中,所述电网运行数据至少包括以下一种:机组发电数据、交流联络线数据、直流联络线数据、柔性负荷数据、储能调度数据;
根据所述电网运行数据训练调度计划生成模型,其中,所述调度计划生成模型至少包括以下一种:机组发电计划生成模型、交流联络线计划生成模型、直流联络线计划生成模型、柔性负荷计划生成模型、储能调度计划生成模型,所述调度计划生成模型通过GAN模型训练得到;
通过所述调度计划生成模型以及所述电网运行数据,实时生成电力调度计划,其中,所述电力调度计划至少包括以下一种:机组发电计划、交流联络线计划、直流联络线计划、柔性负荷计划、储能调度计划;
实时更新所述电网运行数据,得到更新后的电网运行数据,并通过所述更新后的电网运行数据对所述调度计划生成模型进行更新训练,得到更新后的调度计划生成模型。
在一个实施例中,本申请还提供了一种非易失性计算机存储介质,存储有计算机可执行指令,所述计算机可执行指令设置为:
采集电网运行数据,其中,所述电网运行数据至少包括以下一种:机组发电数据、交流联络线数据、直流联络线数据、柔性负荷数据、储能调度数据;
根据所述电网运行数据训练调度计划生成模型,其中,所述调度计划生成模型至少包括以下一种:机组发电计划生成模型、交流联络线计划生成模型、直流联络线计划生成模型、柔性负荷计划生成模型、储能调度计划生成模型,所述调度计划生成模型通过GAN模型训练得到;
通过所述调度计划生成模型以及所述电网运行数据,实时生成电力调度计划,其中,所述电力调度计划至少包括以下一种:机组发电计划、交流联络线计划、直流联络线计划、柔性负荷计划、储能调度计划;
实时更新所述电网运行数据,得到更新后的电网运行数据,并通过所述更新后的电网运行数据对所述调度计划生成模型进行更新训练,得到更新后的调度计划生成模型。
本申请中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于设备和介质实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请实施例提供的设备和介质与方法是一一对应的,因此,设备和介质也具有与其对应的方法类似的有益技术效果,由于上面已经对方法的有益技术效果进行了详细说明,因此,这里不再赘述设备和介质的有益技术效果。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种基于GAN模型的电力调度计划生成方法,其特征在于,包括:
采集电网运行数据,其中,所述电网运行数据至少包括以下一种:机组发电数据、交流联络线数据、直流联络线数据、柔性负荷数据、储能调度数据;
根据所述电网运行数据训练调度计划生成模型,其中,所述调度计划生成模型至少包括以下一种:机组发电计划生成模型、交流联络线计划生成模型、直流联络线计划生成模型、柔性负荷计划生成模型、储能调度计划生成模型,所述调度计划生成模型通过GAN模型训练得到;
通过所述调度计划生成模型以及所述电网运行数据,实时生成电力调度计划,其中,所述电力调度计划至少包括以下一种:机组发电计划、交流联络线计划、直流联络线计划、柔性负荷计划、储能调度计划;
实时更新所述电网运行数据,得到更新后的电网运行数据,并通过所述更新后的电网运行数据对所述调度计划生成模型进行更新训练,得到更新后的调度计划生成模型。
2.根据权利要求1所述的一种基于GAN模型的电力调度计划生成方法,其特征在于,通过所述调度计划生成模型以及所述电网运行数据,实时生成电力调度计划之后,所述方法还包括:
采集设备检修数据;
根据所述设备检修数据、所述电力调度计划、所述电网运行数据,训练调整优化模型,其中,所述调整优化模型通过所述GAN模型训练得到;
通过所述调整优化模型,实时生成与所述电力调度计划对应的优化后的电力调度计划,其中,所述优化后的电力调度计划至少包括以下一种:优化后的机组发电计划、优化后的交流联络线计划、优化后的直流联络线计划、优化后的柔性负荷计划、优化后的储能调度计划。
3.根据权利要求2所述的一种基于GAN模型的电力调度计划生成方法,其特征在于,实时更新所述电网运行数据,得到更新后的电网运行数据,并通过所述更新后的电网运行数据对所述调度计划进行更新训练,得到更新后的调度计划生成模型之后,所述方法还包括:
通过所述更新后的调度计划生成模型,实时生成更新后的电力调度计划,其中,所述更新后的电力调度计划至少包括以下一种:更新后的机组发电计划、更新后的交流联络线计划、更新后的直流联络线计划、更新后的柔性负荷计划、更新后的储能调度计划;
根据所述更新后的电力调度计划对所述调整优化模型进行更新训练,得到更新后的调整优化模型。
4.根据权利要求1所述的一种基于GAN模型的电力调度计划生成方法,其特征在于,根据所述电网运行数据训练调度生成模型,具体包括:
获取机组发电数据,所述机组发电数据包括:机组发电初始计划、机组发电运行数据、机组发电历史计划;
将所述机组发电初始计划以及所述机组发电运行数据输入至第一生成器中,以通过所述第一生成器模拟生成机组发电模拟计划;
将所述机组发电初始计划、所述机组发电运行数据以及所述机组发电模拟计划或所述机组发电历史计划输入至第一判别器中,并确定所述第一判别器的输入量为所述机组发电初始计划、所述机组发电运行数据、所述机组发电模拟计划时,输出量判定为低电平,所述输入量为所述机组发电初始计划、所述机组发电运行数据以及所述机组发电历史计划时,所述输出量判定为高电平;
固定所述第一判别器的参数,并通过梯度下降法训练所述第一生成器,直至所述第一判别器无法根据所述输入量做出判定;
固定所述第一生成器的参数,并通过所述梯度下降法训练所述第一判别器,直至所述第一判别器能够根据所述输入量做出判定;
生成机组发电计划生成模型。
5.根据权利要求1所述的一种基于GAN模型的电力调度计划生成方法,其特征在于,根据所述电网运行数据训练调度生成模型,具体包括:
获取交流联络线数据,所述交流联络线数据包括:交流联络线初始计划、交流联络线运行数据、交流联络线历史计划;
将所述交流联络线初始计划以及所述交流联络线运行数据输入至第二生成器中,以通过所述第二生成器模拟生成交流联络线模拟计划;
将所述交流联络线初始计划、所述交流联络线运行数据以及所述交流联络线模拟计划或所述交流联络线历史计划输入至第二判别器中,并确定所述第二判别器的输入量为所述交流联络线初始计划、所述交流联络线运行数据、所述交流联络线模拟计划时,输出量判定为低电平,所述输入量为所述交流联络线初始计划、所述交流联络线运行数据以及所述交流联络线历史计划时,所述输出量判定为高电平;
固定所述第二判别器的参数,并通过梯度下降法训练所述第二生成器,直至所述第二判别器无法根据所述输入量做出判定;
固定所述第二生成器的参数,并通过所述梯度下降法训练所述第二判别器,直至所述第二判别器能够根据所述输入量做出判定;
生成交流联络线计划生成模型。
6.根据权利要求1所述的一种基于GAN模型的电力调度计划生成方法,其特征在于,根据所述电网运行数据训练调度生成模型,具体包括:
获取直流联络线数据,所述直流联络线数据包括:直流联络线初始计划、直流联络线运行数据、直流联络线历史计划;
将所述直流联络线初始计划以及所述直流联络线运行数据输入至第三生成器中,以通过所述第三生成器模拟生成直流联络线模拟计划;
将所述直流联络线初始计划、所述直流联络线运行数据以及所述直流联络线模拟计划或所述直流联络线历史计划输入至第三判别器中,并确定所述第三判别器的输入量为所述直流联络线初始计划、所述直流联络线运行数据、所述直流联络线模拟计划时,输出量判定为低电平,所述输入量为所述直流联络线初始计划、所述直流联络线运行数据以及所述直流联络线历史计划时,所述输出量判定为高电平;
固定所述第三判别器的参数,并通过梯度下降法训练所述第三生成器,直至所述第三判别器无法根据所述输入量做出判定;
固定所述第三生成器的参数,并通过所述梯度下降法训练所述第三判别器,直至所述第三判别器能够根据所述输入量做出判定;
生成直流联络线计划生成模型。
7.根据权利要求1所述的一种基于GAN模型的电力调度计划生成方法,其特征在于,根据所述电网运行数据训练调度生成模型,具体包括:
获取柔性负荷数据,所述柔性负荷数据包括:柔性负荷初始计划、柔性负荷运行数据、柔性负荷历史计划;
将所述柔性负荷初始计划以及所述柔性负荷运行数据输入至第四生成器中,以通过所述第四生成器模拟生成柔性负荷模拟计划;
将所述柔性负荷初始计划、所述运行数据以及所述柔性负荷模拟计划或所述柔性负荷历史计划输入至第四判别器中,并确定所述第四判别器的输入量为所述柔性负荷初始计划、所述柔性负荷运行数据、所述柔性负荷模拟计划时,输出量判定为低电平,所述输入量为所述柔性负荷初始计划、所述柔性负荷运行数据以及所述柔性负荷历史计划时,所述输出量判定为高电平;
固定所述第四判别器的参数,并通过梯度下降法训练所述第四生成器,直至所述第四判别器无法根据所述输入量做出判定;
固定所述第四生成器的参数,并通过所述梯度下降法训练所述第四判别器,直至所述第四判别器能够根据所述输入量做出判定;
生成柔性负荷计划生成模型。
8.根据权利要求1所述的一种基于GAN模型的电力调度计划生成方法,其特征在于,根据所述电网运行数据训练调度生成模型,具体包括:
获取储能调度数据,所述储能调度数据包括:储能调度初始计划、储能调度运行数据、储能调度历史计划;
将所述储能调度初始计划以及所述储能调度运行数据输入至第五生成器中,以通过所述第五生成器模拟生成储能调度模拟计划;
将所述储能调度初始计划、所述储能调度运行数据以及所述储能调度模拟计划或所述储能调度历史计划输入至第五判别器中,并确定所述第五判别器的输入量为所述储能调度初始计划、所述储能调度运行数据、所述储能调度模拟计划时,输出量判定为低电平,所述输入量为所述储能调度初始计划、所述储能调度运行数据以及所述储能调度历史计划时,所述输出量判定为高电平;
固定所述第五判别器的参数,并通过梯度下降法训练所述第五生成器,直至所述第五判别器无法根据所述输入量做出判定;
固定所述第五生成器的参数,并通过所述梯度下降法训练所述第五判别器,直至所述第五判别器能够根据所述输入量做出判定;
生成储能调度计划生成模型。
9.一种基于GAN模型的电力调度计划的生成设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如下指令:
采集电网运行数据,其中,所述电网运行数据至少包括以下一种:机组发电数据、交流联络线数据、直流联络线数据、柔性负荷数据、储能调度数据;
根据所述电网运行数据训练调度计划生成模型,其中,所述调度计划生成模型至少包括以下一种:机组发电计划生成模型、交流联络线计划生成模型、直流联络线计划生成模型、柔性负荷计划生成模型、储能调度计划生成模型,所述调度计划生成模型通过GAN模型训练得到;
通过所述调度计划生成模型以及所述电网运行数据,实时生成电力调度计划,其中,所述电力调度计划至少包括以下一种:机组发电计划、交流联络线计划、直流联络线计划、柔性负荷计划、储能调度计划;
实时更新所述电网运行数据,得到更新后的电网运行数据,并通过所述更新后的电网运行数据对所述调度计划生成模型进行更新训练,得到更新后的调度计划生成模型。
10.一种非易失性计算机存储介质,存储有计算机可执行指令,其特征在于,所述计算机可执行指令设置为:
采集电网运行数据,其中,所述电网运行数据至少包括以下一种:机组发电数据、交流联络线数据、直流联络线数据、柔性负荷数据、储能调度数据;
根据所述电网运行数据训练调度计划生成模型,其中,所述调度计划生成模型至少包括以下一种:机组发电计划生成模型、交流联络线计划生成模型、直流联络线计划生成模型、柔性负荷计划生成模型、储能调度计划生成模型,所述调度计划生成模型通过GAN模型训练得到;
通过所述调度计划生成模型以及所述电网运行数据,实时生成电力调度计划,其中,所述电力调度计划至少包括以下一种:机组发电计划、交流联络线计划、直流联络线计划、柔性负荷计划、储能调度计划;
实时更新所述电网运行数据,得到更新后的电网运行数据,并通过所述更新后的电网运行数据对所述调度计划生成模型进行更新训练,得到更新后的调度计划生成模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111655649.3A CN114330563B (zh) | 2021-12-30 | 2021-12-30 | 一种基于gan模型的电力调度计划生成方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111655649.3A CN114330563B (zh) | 2021-12-30 | 2021-12-30 | 一种基于gan模型的电力调度计划生成方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114330563A true CN114330563A (zh) | 2022-04-12 |
CN114330563B CN114330563B (zh) | 2023-07-25 |
Family
ID=81018162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111655649.3A Active CN114330563B (zh) | 2021-12-30 | 2021-12-30 | 一种基于gan模型的电力调度计划生成方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330563B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779444A (zh) * | 2016-12-26 | 2017-05-31 | 国网山东省电力公司泰安供电公司 | 基于电网模型外扩的有功计划潮流调整方法和装置 |
CN108347048A (zh) * | 2017-01-22 | 2018-07-31 | 中国电力科学研究院 | 一种适应跨区跨国调度模式的计划编制方法 |
CN111340386A (zh) * | 2020-03-11 | 2020-06-26 | 国网上海市电力公司 | 一种交直流混合配电网调度方法 |
CN111523785A (zh) * | 2020-04-16 | 2020-08-11 | 三峡大学 | 一种基于生成对抗网络的电力系统动态安全评估方法 |
CN111786422A (zh) * | 2020-08-04 | 2020-10-16 | 太原理工大学 | 基于bp神经网络的微电网参与上层电网实时优化调度方法 |
US20210125075A1 (en) * | 2019-10-24 | 2021-04-29 | Lg Electronics Inc. | Training artificial neural network model based on generative adversarial network |
CN113361803A (zh) * | 2021-06-28 | 2021-09-07 | 嘉兴国电通新能源科技有限公司 | 基于生成对抗网络的超短期光伏功率预测方法 |
CN113708376A (zh) * | 2021-08-23 | 2021-11-26 | 中国电力科学研究院有限公司 | 电力系统概率最优潮流计算方法、系统、设备及存储介质 |
-
2021
- 2021-12-30 CN CN202111655649.3A patent/CN114330563B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779444A (zh) * | 2016-12-26 | 2017-05-31 | 国网山东省电力公司泰安供电公司 | 基于电网模型外扩的有功计划潮流调整方法和装置 |
CN108347048A (zh) * | 2017-01-22 | 2018-07-31 | 中国电力科学研究院 | 一种适应跨区跨国调度模式的计划编制方法 |
US20210125075A1 (en) * | 2019-10-24 | 2021-04-29 | Lg Electronics Inc. | Training artificial neural network model based on generative adversarial network |
CN111340386A (zh) * | 2020-03-11 | 2020-06-26 | 国网上海市电力公司 | 一种交直流混合配电网调度方法 |
CN111523785A (zh) * | 2020-04-16 | 2020-08-11 | 三峡大学 | 一种基于生成对抗网络的电力系统动态安全评估方法 |
CN111786422A (zh) * | 2020-08-04 | 2020-10-16 | 太原理工大学 | 基于bp神经网络的微电网参与上层电网实时优化调度方法 |
CN113361803A (zh) * | 2021-06-28 | 2021-09-07 | 嘉兴国电通新能源科技有限公司 | 基于生成对抗网络的超短期光伏功率预测方法 |
CN113708376A (zh) * | 2021-08-23 | 2021-11-26 | 中国电力科学研究院有限公司 | 电力系统概率最优潮流计算方法、系统、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
JI QIAO 等: "Renewable Scenario Generation Using Controllable Generative Adversarial Networks with Transparent Latent Space", 《CSEE JOURNAL OF POWER AND ENERGY SYSTEMS》, pages 1 - 12 * |
朱庆 等: "基于生成对抗网络的综合能源负荷场景生成方法", 《电力建设》, pages 1 - 8 * |
骆国铭 等: "智能电网环境下的电力调度安全运行监控方法研究", 《计算机测量与控制》, pages 108 - 113 * |
Also Published As
Publication number | Publication date |
---|---|
CN114330563B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Krishnan et al. | Co-optimization of electricity transmission and generation resources for planning and policy analysis: review of concepts and modeling approaches | |
Mazidi et al. | Robust day-ahead scheduling of smart distribution networks considering demand response programs | |
Xiong et al. | Optimal planning of storage in power systems integrated with wind power generation | |
Abrell et al. | Integrating intermittent renewable wind generation-a stochastic multi-market electricity model for the european electricity market | |
Hu et al. | Stochastic programming and market equilibrium analysis of microgrids energy management systems | |
Silva et al. | An integrated approach for distributed energy resource short-term scheduling in smart grids considering realistic power system simulation | |
Parisio et al. | Use of model predictive control for experimental microgrid optimization | |
Gao et al. | Dynamic load shedding for an islanded microgrid with limited generation resources | |
Feng et al. | Solution sensitivity-based scenario reduction for stochastic unit commitment | |
US20130190938A1 (en) | Power generation optimization in microgrid including renewable power source | |
Zhang et al. | Approximating trajectory constraints with machine learning–microgrid islanding with frequency constraints | |
Javad Kasaei et al. | Optimal operational scheduling of renewable energy sources using teaching–learning based optimization algorithm by virtual power plant | |
Habibi et al. | An enhanced contingency-based model for joint energy and reserve markets operation by considering wind and energy storage systems | |
KR20210100699A (ko) | 하이브리드 발전소 | |
Khare et al. | Design, control, reliability, economic and energy management of microgrid: A review | |
Miranda | Successful large-scale renewables integration in portugal: Technology and intelligent tools | |
KR102319625B1 (ko) | 대규모 전력계통 운영에 유연성을 제공할 수 있는 마이크로그리드 운영 방법 및 장치 | |
Hu et al. | Optimal operating strategies and management for smart microgrid systems | |
Sperstad et al. | Optimal power flow methods and their application to distribution systems with energy storage: a survey of available tools and methods | |
CN114330563B (zh) | 一种基于gan模型的电力调度计划生成方法、设备及介质 | |
Dallinger | Model-based Analysis and Design of an improved European Electricity Market with high shares of Renewable Generation Technologies | |
CN114357758A (zh) | 一种电氢制储注一体站选址定容方法及系统 | |
Hammerschmitt et al. | Complementary thermal energy generation associated with renewable energies using Artificial Intelligence | |
Salgado et al. | Energy and reserve co-optimization within the Short Term Hydrothermal Scheduling under uncertainty: A proposed model and decomposition strategy | |
Popov et al. | Stochastic model for microgrid load forecasting |
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 |