CN114897207A - 一种计及可控负荷参与电力现货市场的预测方法 - Google Patents

一种计及可控负荷参与电力现货市场的预测方法 Download PDF

Info

Publication number
CN114897207A
CN114897207A CN202210261066.0A CN202210261066A CN114897207A CN 114897207 A CN114897207 A CN 114897207A CN 202210261066 A CN202210261066 A CN 202210261066A CN 114897207 A CN114897207 A CN 114897207A
Authority
CN
China
Prior art keywords
controllable load
gate
input
data
output
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
CN202210261066.0A
Other languages
English (en)
Inventor
李典阳
唐俊刺
葛延峰
王顺江
刘刚
姜枫
贾依霖
李佳憶
苏禹泽
王钟辉
王淼
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.)
Anshan Power Supply Co Of State Grid Liaoning Electric Power Co
State Grid Corp of China SGCC
State Grid Liaoning Electric Power Co Ltd
Original Assignee
Anshan Power Supply Co Of State Grid Liaoning Electric Power Co
State Grid Corp of China SGCC
State Grid Liaoning 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 Anshan Power Supply Co Of State Grid Liaoning Electric Power Co, State Grid Corp of China SGCC, State Grid Liaoning Electric Power Co Ltd filed Critical Anshan Power Supply Co Of State Grid Liaoning Electric Power Co
Priority to CN202210261066.0A priority Critical patent/CN114897207A/zh
Publication of CN114897207A publication Critical patent/CN114897207A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种计及可控负荷参与电力现货市场的预测方法，通过对电力现货市场数据中的可控负荷劳历史数据进行经验模态分解，将可控负荷劳历史数据分解为高低频信号，并建立LSTM神经网络预测模型，计算分解数据得到预测值，最后通过误差项调整下一时刻的预测值。一种计及可控负荷参与电力现货市场的预测方法，对交易日的发电量有一个较高的预测精度，当交易日出现负荷波动时利用可控负荷改善电网调度的调节压力，预留足够的可控负荷容量应对交易日的发电量预测偏差，从而实现了高精度的可控负荷预测。

Description

一种计及可控负荷参与电力现货市场的预测方法
技术领域
本发明涉及电力系统预测技术领域，特别涉及一种计及可控负荷参与电力现货市场的 预测方法。
背景技术
随着电力的智能化，电网积累了海量数据，随着现如今计算能力的提升，可以将传统 预测方法中无法解决的海量数据进行智能化、高精度化处理。如何精准预测可控负荷为电 力现货市场提供可靠支持具有重大的研究意义。
发明内容
针对现有技术存在的问题及技术要求，本发明的目的是提供了一种计及可控负荷参与 电力现货市场的预测方法，通过对电力现货市场数据中的可控负荷劳历史数据进行经验模 态分解，并建立LSTM神经网络预测模型，计算分解数据得到预测值，最后通过误差项调 整下一时刻的预测值，进而改善电网调度的调节压力。
为了达到上述目的，本发明采用以下技术方案实现：
一种计及可控负荷参与电力现货市场的预测方法，其特征在于，包括以下步骤：
(S1)通过电力市场运营数据系统，采集电力现货市场数据；
(S2)通过经验模态分解对电力现货市场数据中的可控负荷劳历史数据进行信号分 解，将可控负荷劳历史数据分解为高频信号和低频信号；
(S3)建立LSTM神经网络预测模型；
(S4)将步骤(S2)信号分解后的数据代入步骤(S3)中，得到可控负荷预测值Ppredict；
(S5)通过均方误差公式，反向计算可控负荷的误差项MSE；
(S6)通过误差项MSE调整可控负荷预测值Ppredict，修改下一时刻的可控负荷预测值。
所述的步骤(S2)中的经验模态分解，包括以下步骤：
(S21)确定原始可控负荷历史数据xcl(t)的所有上极值和下极值；
(S22)利用三次样条函数对原始可控负荷历史数据xcl(t)的所有极大值和极小值进行 拟合，形成上极值包络线ecl1.max(t)和下极值包络线ecl1.min(t)；
(S23)计算上极值包络线ecl1.max(t)和下极值包络线ecl1.min(t)的均值ncl1(t)；
(S24)计算原始可控负荷历史数据xcl(t)与均值ncl1(t)的差值hcl1(t)，即：
hcl1(t)＝xcl(t)-ncl1(t)；
(S25)判断差值hcl1(t)是否满足IMF函数成立条件，是则令imfcl1(t)＝hcl1(t)，并跳转 至步骤(S26)，其中imfcl1(t)为分解得到的第一个IMF函数的分量，否则跳转至步骤(S22)；
(S26)将imfcl1(t)从原始可控负荷历史数据xcl(t)中扣除，得到剩余分量rcl1(t)，即：
rcl1(t)＝xcl(t)-imfcl1(t)；
(S27)将rcl1(t)作为新的可控负荷历史数据，重复步骤(S21)～步骤(26)，进行n次有限的循环，并将n次循环所得的n个IMF函数的分量imfcln(t)进行叠加，再与n次循 环所得的一个剩余分量rcln(t)相加，得到原始可控负荷历史数据xcl(t)，即：
Figure BDA0003549247750000021
所述的步骤(S3)建立LSTM神经网络预测模型，包括遗忘门、输入门、输出门；
遗忘门的LSTM前向传播包括以下过程：
ft＝σ(Wf·[ht-1，xt]+bf)
式中：ft为遗忘门输出，σ为sigmoid函数，Wf为遗忘门的权重矩阵，ht-1为t-1时刻的输出向量，xt为t时刻的输入向量，bf为遗忘门的偏置项；
输入门的LSTM前向传播包括以下过程：
it＝σ(Wi·[ht-1，xt]+bi)
式中：it为输入门输出，Wi为输入门的权重矩阵，bi为输入门的偏置项，
输入单元状态c′t，即c′t＝tanh(Wc·[ht-1,xt]+bc)
式中：Wc为输入门的输入单元状态的权重矩阵，bc为输入门的输入单元状态的偏置项，
t时刻单元状态ct，即
Figure BDA0003549247750000031
式中：ct-1为时刻单元状态，符号
Figure BDA0003549247750000032
为按元素相乘；
输出门的LSTM前向传播包括以下过程：
ot＝σ(Wo·[ht-1，xt]+bo)
式中：ot为输出门输出，Wo为输出门的权重矩阵，bo为输出门的偏置项，
LSTM预测模型的最终输出ht，即：
Figure BDA0003549247750000033
所述的步骤(S5)反向计算可控负荷的误差项MSE，即：
Figure BDA0003549247750000034
式中，m为数据长度，Preal为电力现货市场的负荷真实值。
与现有技术相比，本发明的有益效果是：
本发明一种计及可控负荷参与电力现货市场的预测方法，通过对电力现货市场数据中 的可控负荷劳历史数据进行经验模态分解，将可控负荷劳历史数据分解为高低频信号，并 建立LSTM神经网络预测模型，对交易日的发电量有一个较高的预测精度，当交易日出现 负荷波动时利用可控负荷改善电网调度的调节压力，预留足够的可控负荷容量应对交易日 的发电量预测偏差，从而实现了高精度的可控负荷预测。
上述说明仅是本发明技术方案的概述，为了能够更清楚地了解本发明的技术手段，从 而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够 更明显易懂，以下列举本发明的具体实施方法。
根据下文结合附图对本发明具体实施例的详细描述，本领域技术人员将会更加明了本 发明的上述及其他目的、特征和优点，但不作为对本发明的限定。
附图说明
图1为本发明的流程图；
图2为本发明的经验模态分解流程图；
图3为本发明的LSTM结构图。
具体实施方式
为了便于理解本发明，下面将对本发明进行更全面的描述。但是，本发明可以以许多 不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使 对本发明的公开内容的理解更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术 人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的 实施例的目的，不是旨在于限制本发明。
以下结合附图对本发明提供的具体实施方式进行详细说明。
如图1所示，一种计及可控负荷参与电力现货市场的预测方法的流程图，包括以下步 骤：
(S1)通过电力市场运营数据系统，采集电力现货市场数据；
(S2)通过经验模态分解对电力现货市场数据中的可控负荷劳历史数据进行信号分 解，将可控负荷劳历史数据分解为高频信号和低频信号；
(S3)建立LSTM神经网络预测模型；
(S4)将步骤(S2)信号分解后的数据代入步骤(S3)中，得到可控负荷预测值Ppredict；
(S5)通过均方误差公式，反向计算可控负荷的误差项MSE；
(S6)通过误差项MSE调整可控负荷预测值Ppredict，修改下一时刻的可控负荷预测值。
如图2所示，一种计及可控负荷参与电力现货市场的预测方法的经验模态分解流程图， 包括以下步骤：
(S21)确定原始可控负荷历史数据xcl(t)的所有上极值和下极值；
(S22)利用三次样条函数对原始可控负荷历史数据xcl(t)的所有极大值和极小值进行 拟合，形成上极值包络线ecl1.max(t)和下极值包络线ecl1.min(t)；
(S23)计算上极值包络线ecl1.max(t)和下极值包络线ecl1.min(t)的均值ncl1(t)；
(S24)计算原始可控负荷历史数据xcl(t)与均值ncl1(t)的差值hcl1(t)，即：
hcl1(t)＝xcl(t)-ncl1(t)；
(S25)判断差值hcl1(t)是否满足IMF函数成立条件，是则令imfcl1(t)＝hcl1(t)，并跳转 至步骤(S26)，其中imfcl1(t)为分解得到的第一个IMF函数的分量，否则跳转至步骤(S22)；
(S26)将imfcl1(t)从原始可控负荷历史数据xcl(t)中扣除，得到剩余分量rcl1(t)，即：
rcl1(t)＝xcl(t)-imfcl1(t)；
(S27)将rcl1(t)作为新的可控负荷历史数据，重复步骤(S21)～步骤(26)，进行n次有限的循环，并将n次循环所得的n个IMF函数的分量imfcln(t)进行叠加，再与n次循 环所得的一个剩余分量rcln(t)相加，得到原始可控负荷历史数据xcl(t)，即：
Figure BDA0003549247750000051
如图3所示，一种计及可控负荷参与电力现货市场的预测方法的LSTM结构图，步骤(S3)建立LSTM神经网络预测模型，包括遗忘门、输入门、输出门；
遗忘门的LSTM前向传播包括以下过程：
ft＝σ(Wf·[ht-1，xt]+bf)
式中：ft为遗忘门输出，σ为sigmoid函数，Wf为遗忘门的权重矩阵，ht-1为t-1时刻的输出向量，xt为t时刻的输入向量，bf为遗忘门的偏置项；
输入门的LSTM前向传播包括以下过程：
it＝σ(Wi·[ht-1，xt]+bi)
式中：it为输入门输出，Wi为输入门的权重矩阵，bi为输入门的偏置项，
输入单元状态c′t，即c′t＝tanh(Wc·[ht-1,xt]+bc)
式中：Wc为输入门的输入单元状态的权重矩阵，bc为输入门的输入单元状态的偏置项， t时刻单元状态ct，即
Figure BDA0003549247750000052
式中：ct-1为时刻单元状态，符号
Figure BDA0003549247750000055
为按元素相乘；
输出门的LSTM前向传播包括以下过程：
ot＝σ(Wo·[ht-1，xt]+bo)
式中：ot为输出门输出，Wo为输出门的权重矩阵，bo为输出门的偏置项，
LSTM预测模型的最终输出ht，即：
Figure BDA0003549247750000053
所述的步骤(S5)反向计算可控负荷的误差项MSE，即：
Figure BDA0003549247750000054
式中，m为数据长度，Preal为电力现货市场的负荷真实值。
以上所述实例的各技术特征可以进行任意组合，为使描述简洁，未对上述实例中的各 个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都 应当认为是本说明书记载的范围。
以上所述实例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此理 解为对本发明范围的限制。应当指出的是，对于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非实质性的改进，这些都属于本发明的保护范 围。因此，本发明的保护范围应以所附权利要求为准。

Claims (4)

1.一种计及可控负荷参与电力现货市场的预测方法，其特征在于，包括以下步骤：
(S1)通过电力市场运营数据系统，采集电力现货市场数据；
(S2)通过经验模态分解对电力现货市场数据中的可控负荷劳历史数据进行信号分解，将可控负荷劳历史数据分解为高频信号和低频信号；
(S3)建立LSTM神经网络预测模型；
(S4)将步骤(S2)信号分解后的数据代入步骤(S3)中，得到可控负荷预测值Ppredict；
(S5)通过均方误差公式，反向计算可控负荷的误差项MSE；
(S6)通过误差项MSE调整可控负荷预测值Ppredict，修改下一时刻的可控负荷预测值。
2.根据权利要求1所述的一种计及可控负荷参与电力现货市场的预测方法，其特征在于，所述的步骤(S2)中的经验模态分解，包括以下步骤：
(S21)确定原始可控负荷历史数据xcl(t)的所有上极值和下极值；
(S22)利用三次样条函数对原始可控负荷历史数据xcl(t)的所有极大值和极小值进行拟合，形成上极值包络线ecl1.max(t)和下极值包络线ecl1.min(t)；
(S23)计算上极值包络线ecl1.max(t)和下极值包络线ecl1.min(t)的均值ncl1(t)；
(S24)计算原始可控负荷历史数据xcl(t)与均值ncl1(t)的差值hcl1(t)，即：
hcl1(t)＝xcl(t)-ncl1(t)；
(S25)判断差值hcl1(t)是否满足IMF函数成立条件，是则令imfcl1(t)＝hcl1(t)，并跳转至步骤(S26)，其中imfcl1(t)为分解得到的第一个IMF函数的分量，否则跳转至步骤(S22)；
(S26)将imfcl1(t)从原始可控负荷历史数据xcl(t)中扣除，得到剩余分量rcl1(t)，即：
rcl1(t)＝xcl(t)-imfcl1(t)；
(S27)将rcl1(t)作为新的可控负荷历史数据，重复步骤(S21)～步骤(26)，进行n次有限的循环，并将n次循环所得的n个IMF函数的分量imfcln(t)进行叠加，再与n次循环所得的一个剩余分量rcln(t)相加，得到原始可控负荷历史数据xcl(t)，即：
Figure FDA0003549247740000011
3.根据权利要求1所述的一种计及可控负荷参与电力现货市场的预测方法，其特征在于，所述的步骤(S3)建立LSTM神经网络预测模型，包括遗忘门、输入门、输出门；
遗忘门的LSTM前向传播包括以下过程：
ft＝σ(Wf·[ht-1，xt]+bf)
式中：ft为遗忘门输出，σ为sigmoid函数，Wf为遗忘门的权重矩阵，ht-1为t-1时刻的输出向量，xt为t时刻的输入向量，bf为遗忘门的偏置项；
输入门的LSTM前向传播包括以下过程：
it＝σ(Wi·[ht-1，xt]+bi)
式中：it为输入门输出，Wi为输入门的权重矩阵，bi为输入门的偏置项，
输入单元状态c′t，即c′t＝tanh(Wc·[ht-1,xt]+bc)
式中：Wc为输入门的输入单元状态的权重矩阵，bc为输入门的输入单元状态的偏置项，
t时刻单元状态ct，即
Figure FDA0003549247740000021
式中：ct-1为时刻单元状态，符号
Figure FDA0003549247740000022
为按元素相乘；
输出门的LSTM前向传播包括以下过程：
ot＝σ(Wo·[ht-1，xt]+bo)
式中：ot为输出门输出，Wo为输出门的权重矩阵，bo为输出门的偏置项，
LSTM预测模型的最终输出ht，即：
Figure FDA0003549247740000023
4.根据权利要求1所述的一种计及可控负荷参与电力现货市场的预测方法，其特征在于，所述的步骤(S5)反向计算可控负荷的误差项MSE，即：
Figure FDA0003549247740000024
式中，m为数据长度，Preal为电力现货市场的负荷真实值。
CN202210261066.0A 2022-03-16 2022-03-16 一种计及可控负荷参与电力现货市场的预测方法 Pending CN114897207A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210261066.0A CN114897207A (zh) 2022-03-16 2022-03-16 一种计及可控负荷参与电力现货市场的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210261066.0A CN114897207A (zh) 2022-03-16 2022-03-16 一种计及可控负荷参与电力现货市场的预测方法

Publications (1)

Publication Number Publication Date
CN114897207A true CN114897207A (zh) 2022-08-12

Family

ID=82716141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210261066.0A Pending CN114897207A (zh) 2022-03-16 2022-03-16 一种计及可控负荷参与电力现货市场的预测方法

Country Status (1)

Country Link
CN (1) CN114897207A (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256697A (zh) * 2018-03-26 2018-07-06 电子科技大学 一种用于电力系统短期负荷的预测方法
CN108830487A (zh) * 2018-06-21 2018-11-16 王芊霖 基于长短时神经网络的电力负荷预测方法
CN112488415A (zh) * 2020-12-14 2021-03-12 国网江苏省电力有限公司经济技术研究院 基于经验模态分解和长短时记忆网络的电力负荷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108256697A (zh) * 2018-03-26 2018-07-06 电子科技大学 一种用于电力系统短期负荷的预测方法
CN108830487A (zh) * 2018-06-21 2018-11-16 王芊霖 基于长短时神经网络的电力负荷预测方法
CN112488415A (zh) * 2020-12-14 2021-03-12 国网江苏省电力有限公司经济技术研究院 基于经验模态分解和长短时记忆网络的电力负荷预测方法

Similar Documents

Publication Publication Date Title
CN105680474B (zh) 一种储能抑制光伏电站快速功率变化的控制方法
CN106712035B (zh) 一种电力系统经济调度方法
CN112636331B (zh) 智能电网的动态经济调度分布式优化方法及系统
CN112103980A (zh) 一种联合火电机组agc调频的混合储能系统能量管理方法
CN116760060A (zh) 一种火-多储系统调频功率双层优化方法
CN112213945B (zh) 电动汽车参与微网群调频的改进鲁棒预测控制方法和系统
CN111555347A (zh) 基于风功率预测的风储联合运行控制方法
CN115714382A (zh) 一种基于安全强化学习的主动配电网实时调度方法及装置
CN114725969B (zh) 一种基于风电曲线连续追踪的电动汽车负荷聚合方法
CN116050461A (zh) 运用卷积神经网络确定模糊控制理论隶属度函数的改进法
Bagheri et al. Impacts of renewable energy sources by battery forecasting on smart power systems
Wang et al. A novel consensus-based optimal control strategy for multi-microgrid systems with battery degradation consideration
CN113344283B (zh) 基于边缘智能的能源互联网新能源消纳能力评估方法
CN114172180A (zh) 考虑退化成本的电池储能参与调峰双层滚动优化控制方法
CN114897207A (zh) 一种计及可控负荷参与电力现货市场的预测方法
CN108551177A (zh) 基于灵敏度分析的直流受端系统暂态切负荷控制优化方法
CN110011424B (zh) 一种智能微电网分布式云储能系统安全稳定控制方法
CN117394404A (zh) 考虑碳效益和辅助调频的风电场储能容量配置方法
CN116502747A (zh) 一种基于概率预测的计及新能源多时间尺度不确定性的电力系统备用量化方法
CN116227664A (zh) 一种数据驱动的电网灵活性裕度量化方法及系统
CN106786503B (zh) 考虑电压稳定性及事故综合代价的直流受端系统紧急负荷控制方法
CN114759616A (zh) 一种考虑电力电子器件特性的微电网鲁棒优化调度方法
CN110943452B (zh) 一种电力系统优化调度的方法
Maree et al. Low-complexity Risk-averse MPC for EMS
Suratgar et al. Distributed Optimization and Its Application in Electricity Grids, Including Electrical Vehicles

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