CN115065078A - 微网环境下储能容量配置方法及系统 - Google Patents
微网环境下储能容量配置方法及系统 Download PDFInfo
- Publication number
- CN115065078A CN115065078A CN202210487370.7A CN202210487370A CN115065078A CN 115065078 A CN115065078 A CN 115065078A CN 202210487370 A CN202210487370 A CN 202210487370A CN 115065078 A CN115065078 A CN 115065078A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- energy storage
- representing
- power
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 64
- 238000009826 distribution Methods 0.000 claims abstract description 47
- 238000010248 power generation Methods 0.000 claims abstract description 44
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 238000010276 construction Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims description 38
- 239000007789 gas Substances 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 26
- 238000013528 artificial neural network Methods 0.000 claims description 25
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 24
- 238000007781 pre-processing Methods 0.000 claims description 17
- 238000012423 maintenance Methods 0.000 claims description 13
- 239000003345 natural gas Substances 0.000 claims description 12
- 238000012546 transfer Methods 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000013501 data transformation Methods 0.000 claims description 6
- 238000005286 illumination Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 101150067055 minC gene Proteins 0.000 claims description 6
- 230000003068 static effect Effects 0.000 description 9
- 230000002123 temporal effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005315 distribution function Methods 0.000 description 2
- 210000000352 storage cell Anatomy 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000005653 Brownian motion process Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供一种微网环境下储能容量配置方法及系统，涉及储能容量配置技术领域。本发明获取光伏发电相关的时间序列数据并进行预处理后，利用Time GAN神经网络模型进行数据增强；并基于增强后的时间序列数据利用分布鲁棒优化模型对储能容量进行配置。本发明使用Time GAN神经网络模型对新建微网所能获取的有限数据进行数据增强，使得新建微网在数据量严重不足的情况下仍然能够较好的利用分布鲁棒优化模型对储能容量进行准确的配置，提高了数据的利用效率和微网建设效率。
Description
技术领域
本发明涉及储能容量配置技术领域，具体涉及一种微网环境下储能容量配置方法及系统。
背景技术
储能系统因为其单位容量造价较高，投资成本和运维费用高等问题，限制了其在微电网中的推广运用，所以需要采取有效的方法对储能系统进行容量配置优化。储能设备的容量配置作为一个典型的优化问题，在求解过程中需要相应的历史数据作为支撑，然而微网在建设初期是要求配置好配备的储能容量的，但此时微网的数据量少，在此限制条件下，如何处理光伏发电地不确定性，并且做好储能容量配置具有极其重要的意义。
目前，针对光伏发电功率不确定性问题的处理主要有随机优化、鲁棒优化以及分布鲁棒优化三种方法。随机优化一般假设光伏发电功率服从给定的概率分布，以实现不确定性因素建模；鲁棒优化采用不确定性集合表示其变化范围，并寻求对不确定性因素的所有实现都有良好性能的解；分布鲁棒优化将随机优化和鲁棒优化二者优点相结合，基于概率分布函数中的不确定性，寻求最恶劣场景下的光伏出力场景概率分布，以刻画光伏出力不确定性。
然而，在传统随机优化中，现有的概率分布函数难以准确刻画光伏发电功率的波动情况；而传统鲁棒优化根据不确定性集合中的最劣场景直接进行决策，其优化结果过于保守；分布鲁棒优化虽然结合了二者的优点，但其在求解时对于数据量要求较大，对于一些新建的微网来说，难以获取满足条件的数据量。由此可见，现有技术中暂不存在针对新建微网储能容量进行准确配置的有效方法。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种微网环境下储能容量配置方法及系统，解决了现有新建微网储能容量配置不精准的问题。
(二)技术方案
为实现以上目的，本发明通过以下技术方案予以实现：
第一方面，本发明首先提出了一种微网环境下储能容量配置方法，所述方法包括：
获取与光伏发电相关的时间序列数据并进行预处理；
利用预处理后的所述时间序列数据训练Time GAN神经网络模型进行数据增强；所述Time GAN神经网络模型包括嵌入网络和GAN神经网络；
基于增强后的所述时间序列数据，利用分布鲁棒优化模型对储能容量进行配置。
优选的，所述光伏发电相关的时间序列数据包括：光伏发电功率数据、光照强度数据、温度数据、湿度数据；所述预处理包括数据清理处理、数据集成处理、数据变换处理、数据归约处理以及数据标准处理。
优选的，所述利用预处理后的所述时间序列数据训练Time GAN神经网络模型进行数据增强，所述Time GAN神经网络模型包括嵌入网络和GAN神经网络，包括：
S21、利用所述时间序列数据训练所述嵌入网络；所述嵌入网络为在自编码器中嵌入一个用于所述时间序列数据降维的函数；
S22、利用所述时间序列数据训练对GAN神经网络中的生成器和判别器进行训练；
S23、通过所述嵌入网络和GAN神经网络的联合训练实现所述时间序列数据的数据增强。
优选的，所述分布鲁棒优化模型包括：
所述分布鲁棒优化模型的目标函数为:
minC＝C1+C2+C3
C′1＝Ccon+Cess
其中，C为储能投资总成本；C1表示储能日平均投资费用；C2表示日平均固定维护费用；C3表示期望日运行成本；C'1、Ccon和Cess分别表示储能系统的总投资费用、初始建设成本和容量购置成本；
和
分别表示储能系统单位电量容量成本和单位电力容量成本；P表示储能系统额定电力容量；
表示等日值系数，d为折现率，y为储能系统投资年限，
表示日固定维护成本系数；
表示储能系统累计能量转移；N表示额定循环次数；2×N×B表示寿命周期内预期的总体能量转移；
所述目标函数的约束条件包括：
a.储能设备运行约束：
式中，SOCt为t时刻的电池容量，
为电池的自放电率；η为电池充电效率，
为电池在t时刻的充电功率，
为电池在t时刻的放电效率，
和
分别表示电池的最小和最大充电功率，
和
表示电池最小和最大放电功率，Δt表示调度时间间隔；
b.燃气轮机运行约束：
式中，Vgt,t表示t时刻燃气轮机天然气进气量，ω表示燃气轮机的电效率，J表示天然气热值，Hgt,t表示t时刻燃气轮机输出的热功率，
和
分别表示燃气轮机电功率上下限；
c.功率平衡约束：
其中，Pgrid,t表示t时刻微网与大电网之间的功率传输，Ppv,t表示t时刻光伏发电的功率输出，Pc,t表示t时刻储能电池的充电功率，Pd,t表示t时刻电池的放电功率，Pload,t表示t时刻微网总电负荷需求；Hgt,t表示t时刻燃气轮机的热功率输出，Hload,t表示t时刻微网总热负荷需求；
所述分布鲁棒优化模型的不确定性度量的模糊集Mε为：
其中，
为光伏实际输出功率的概率分布；
表示光伏发电功率的经验分布；M(ξ)表示所有定义在Wasserstein距离dW下的概率分布空间；ε为模糊集W球的半径。
优选的，所述利用分布鲁棒优化模型对储能容量进行配置包括：
利用商业求解器求解所述分布鲁棒优化模型，基于求解结果对储能容量进行配置。
第二方面，本发明还提出了一种微网环境下储能容量配置系统，所述系统包括：
数据获取与预处理模块，用于获取与光伏发电相关的时间序列数据并进行预处理；
Time GAN光伏发电场景生成模块，用于利用预处理后的所述时间序列数据训练Time GAN神经网络模型进行数据增强；所述Time GAN神经网络模型包括嵌入网络和GAN神经网络；
储能容量优化与结果输出模块，用于基于增强后的所述时间序列数据，利用分布鲁棒优化模型对储能容量进行配置。
优选的，所述光伏发电相关的时间序列数据包括：光伏发电功率数据、光照强度数据、温度数据、湿度数据；所述预处理包括数据清理处理、数据集成处理、数据变换处理、数据归约处理以及数据标准处理。
优选的，所述Time GAN光伏发电场景生成模块利用预处理后的所述时间序列数据训练Time GAN神经网络模型进行数据增强，所述Time GAN神经网络模型包括嵌入网络和GAN神经网络，包括：
S21、利用所述时间序列数据训练所述嵌入网络；所述嵌入网络为在自编码器中嵌入一个用于所述时间序列数据降维的函数；
S22、利用所述时间序列数据训练对GAN神经网络中的生成器和判别器进行训练；
S23、通过所述嵌入网络和GAN神经网络的联合训练实现所述时间序列数据的数据增强。
优选的，所述分布鲁棒优化模型包括：
所述分布鲁棒优化模型的目标函数为:
minC＝C1+C2+C3
C′1＝Ccon+Cess
其中，C为储能投资总成本；C1表示储能日平均投资费用；C2表示日平均固定维护费用；C3表示期望日运行成本；C'1、Ccon和Cess分别表示储能系统的总投资费用、初始建设成本和容量购置成本；
和
分别表示储能系统单位电量容量成本和单位电力容量成本；P表示储能系统额定电力容量；
表示等日值系数，d为折现率，y为储能系统投资年限，
表示日固定维护成本系数；
表示储能系统累计能量转移；N表示额定循环次数；2×N×B表示寿命周期内预期的总体能量转移；
所述目标函数的约束条件包括：
a.储能设备运行约束：
式中，SOCt为t时刻的电池容量，
为电池的自放电率；η为电池充电效率，
为电池在t时刻的充电功率，
为电池在t时刻的放电效率，
和
分别表示电池的最小和最大充电功率，
和
表示电池最小和最大放电功率，Δt表示调度时间间隔；
b.燃气轮机运行约束：
式中，Vgt,t表示t时刻燃气轮机天然气进气量，ω表示燃气轮机的电效率，J表示天然气热值，Hgt,t表示t时刻燃气轮机输出的热功率，
和
分别表示燃气轮机电功率上下限；
c.功率平衡约束：
其中，Pgrid,t表示t时刻微网与大电网之间的功率传输，Ppv,t表示t时刻光伏发电的功率输出，Pc,t表示t时刻储能电池的充电功率，Pd,t表示t时刻电池的放电功率，Pload,t表示t时刻微网总电负荷需求；Hgt,t表示t时刻燃气轮机的热功率输出，Hload,t表示t时刻微网总热负荷需求；
所述分布鲁棒优化模型的不确定性度量的模糊集Mε为：
其中，
为光伏实际输出功率的概率分布；
表示光伏发电功率的经验分布；M(ξ)表示所有定义在Wasserstein距离dW下的概率分布空间；ε为模糊集W球的半径。
优选的，所述利用分布鲁棒优化模型对储能容量进行配置包括：
利用商业求解器求解所述分布鲁棒优化模型，基于求解结果对储能容量进行配置。
(三)有益效果
本发明提供了一种微网环境下储能容量配置方法及系统。与现有技术相比，具备以下有益效果：
1、本发明获取光伏发电相关的时间序列数据并进行预处理后，利用Time GAN神经网络模型进行数据增强；并基于增强后的时间序列数据利用分布鲁棒优化模型对储能容量进行配置。本发明使用Time GAN神经网络模型对新建微网所能获取的有限数据进行数据增强，使得新建微网在数据量严重不足的情况下仍然能够较好的利用分布鲁棒优化模型对储能容量进行准确的配置，提高了数据的利用效率和微网建设效率。
2、本发明利用Time GAN进行数据增强，相比于普通GAN，既考虑了时间序列数据的静态特征，也考虑了数据的时间特征。
3、本发明利用分布鲁棒优化模型对储能容量进行配置，考虑了光伏发电功率的不确定性，使得储能容量配置更加准确，降低了微网建设成本，提高了微网运行的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种微网环境下储能容量配置方法的流程图；
图2为本发明实施例中一种微网环境下储能容量配置系统的系统框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
本申请实施例通过提供一种微网环境下储能容量配置方法及系统，解决了现有新建微网储能容量配置不精准的问题，实现了在有限数据量情况下对新建微网储能设备容量进行配置的目的。
本申请实施例中的技术方案为解决上述技术问题，总体思路如下：
为了对数据量较少的新建微网的储能设备容量进行配置，本发明首先获取与光伏发电相关的时间序列数据并进行预处理；然后利用预处理后的时间序列数据训练Time GAN神经网络模型进行数据增强；最后基于增强后的时间序列数据利用分布鲁棒优化模型对储能容量进行配置。本发明可在新建微网数据量严重不足的情况下仍然能够较好的对其储能容量进行准确的配置，提高了数据的利用效率和微网建设效率。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
实施例1：
第一方面，本发明首先提出了一种微网环境下储能容量配置方法，参见图1，该方法包括：
S1、获取与光伏发电相关的时间序列数据并进行预处理；
S2、利用预处理后的所述时间序列数据训练Time GAN神经网络模型进行数据增强；所述Time GAN神经网络模型包括嵌入网络和GAN神经网络；
S3、基于增强后的所述时间序列数据，利用分布鲁棒优化模型对储能容量进行配置。
可见，本实施例获取光伏发电相关的时间序列数据并进行预处理后，利用TimeGAN神经网络模型进行数据增强；并基于增强后的时间序列数据利用分布鲁棒优化模型对储能容量进行配置。本发明使用Time GAN神经网络模型对新建微网所能获取的有限数据进行数据增强，使得新建微网在数据量严重不足的情况下仍然能够较好的利用分布鲁棒优化模型对储能容量进行准确的配置，提高了数据的利用效率和微网建设效率。
下面结合附图1，以及对S1-S3具体步骤的解释，来详细说明本发明一个实施例的实现过程。
S1、获取与光伏发电相关的时间序列数据并进行预处理。
按照一定采集频率在一段时间内通过传感器和光伏面板收集的光伏发电功率、光照强度、温度、湿度等环境数据，这些数据即为光伏发电相关的时间序列数据。然后将这些数据上传至数据收集模块并进行预处理，预处理过程包含数据清理、数据集成、数据变换、数据归约以及数据标准化五个环节。
S2、利用预处理后的所述时间序列数据训练Time GAN神经网络模型进行数据增强；所述Time GAN神经网络模型包括嵌入网络和GAN神经网络。
通过神经网络训练模块对Time GAN(Time Generative Adversarial Nets，TimeGAN)时间生成对抗网络进行训练。光伏发电相关的时间序列数据可以被看作是包含了静态特征s和时态特征x的样本空间，其分布为p(S,X1:T),其中，T为数据的长度。网络训练分为三个步骤：
第一步：对嵌入网络(即自编码器网络)训练。首先，通过在自编码器中嵌入函数将静态特征s映射到更低维度的hs，可以表示为hs＝eS(S)，再将时态特征x映射到更低维度的ht，不同的是时态特征会因静态特征hs与上一个时态特征ht-1有关，因此可以表示为：ht＝eX(hs,ht-1,xt)，通过将数据的维度降低可以使得自编码器网络更容易学习数据得特征。然后，再通过恢复函数将hs和ht逆映射为原始的静态特征和时态特征。静态特征和时态特征的逆映射函数分别为，
和
进而可以得知自编码器网络的损失函数为：
第二步：对GAN神经网络进行训练，具体为对GAN神经网络的生成器和判别器进行训练。自编码器网络训练完成后进入训练的第二个步骤，即对GAN的生成器和判别器训练。基于上述时间序列数据的静态特征s和时态特征x，生成器通过
和
两个函数分别生成静态特征向量
和时态向量
两者选择的噪声输入分别为高斯分布和维纳过程。判别器同样通过
和
两个函数判断由生成器生成的数据与真实数据的区别，简单来说判别器是一个二分类神经网络。因此在本阶段训练包含了两个损失函数，一个是用于反应生成器和判别器的对抗互动情况，其形式为：
另一个损失函数反映了生成器生成的数据与经过自编码器编码过的数据的逼近程度，其形式为：
第三步：通过对嵌入网络与GAN神经网络进行联合训练，最后输出大量与真实场景相似的光伏发电场景，从而对光伏发电相关的时间序列数据进行数据增强。
S3、基于增强后的所述时间序列数据，利用分布鲁棒优化模型对储能容量进行配置。
首先确定本阶段对微网储能容量进行配置时的优化目标函数，本实施例以项目期限内总成本最低为优化目标，目标函数具体形式如下：
minC＝C1+C2+C3 (4)
式中，C为储能投资总成本，C1表示储能日平均投资费用，C2表示日平均固定维护费用，C3表示期望日运行成本。其计算方法分别为：
C′1＝Ccon+Cess (6)
式中，C'1、Ccon和Cess分别表示储能系统的总投资费用、初始建设成本和容量购置成本；
和
分别表示储能系统单位电量容量成本和单位电力容量成本；P表示储能系统额定电力容量；
表示等日值系数，d为折现率，y为储能系统投资年限，
表示日固定维护成本系数；
表示储能系统累计能量转移；N表示额定循环次数；2×N×B表示寿命周期内预期的总体能量转移。
利用分布鲁棒方法刻画光伏发电功率不确定性的最坏场景，然后采用Wasserstein距离作为分布鲁棒不确定性度量的模糊集Mε，建立电储能运行的不确定性模型，如下式：
式中：
为光伏实际输出功率的概率分布；
表示光伏发电功率的经验分布；M(ξ)表示所有定义在Wasserstein距离dW下的概率分布空间；ε为模糊集W球的半径。
微网在运行过程中，各设备需要遵循各自约束条件，具体形式如下：
a.储能设备运行约束
式中，SOCt为t时刻的电池容量，
为电池的自放电率；η为电池充电效率，
为电池在t时刻的充电功率，
为电池在t时刻的放电效率，
和
分别表示电池的最小和最大充电功率，
和
表示电池最小和最大放电功率，Δt表示调度时间间隔。
b.燃气轮机运行约束
式中，Vgt,t表示t时刻燃气轮机天然气进气量，ω表示燃气轮机的电效率，J表示天然气热值，Hgt,t表示t时刻燃气轮机输出的热功率，
和
分别表示燃气轮机电功率(KW)上下限。
c.功率平衡约束
微网在运行时需要时刻满足电功率和热功率的平衡约束，具体形式为。
其中，Pgrid,t表示t时刻微网与大电网之间的功率传输，Ppv,t表示t时刻光伏发电的功率输出，Pc,t表示t时刻储能电池的充电功率，Pd,t表示t时刻电池的放电功率，Pload,t表示t时刻微网总电负荷需求；Hgt,t表示t时刻燃气轮机的热功率输出，Hload,t表示t时刻微网总热负荷需求。
综上，储能容量配置的分布鲁棒优化模型可以表示为：
利用成熟的商业求解器即可对上述储能容量配置的分布鲁棒优化模型进行求解，以获得微网环境下储能容量的配置策略，基于该策略即可实现对微网环境下储能容量进行配置。成熟的商业求解器，例如Gurobi和Cplex等。
至此，则完成了本发明一种微网环境下储能容量配置方法的全部过程。
实施例2：
第二方面，本发明还提供了一种微网环境下储能容量配置系统，参见图2，该系统包括：
数据获取与预处理模块，用于获取与光伏发电相关的时间序列数据并进行预处理；
Time GAN光伏发电场景生成模块，用于利用预处理后的所述时间序列数据训练Time GAN神经网络模型进行数据增强；所述Time GAN神经网络模型包括嵌入网络和GAN神经网络；
储能容量优化与结果输出模块，用于基于增强后的所述时间序列数据，利用分布鲁棒优化模型对储能容量进行配置。
可选的，所述光伏发电相关的时间序列数据包括：光伏发电功率数据、光照强度数据、温度数据、湿度数据；所述预处理包括数据清理处理、数据集成处理、数据变换处理、数据归约处理以及数据标准处理。
可选的，所述Time GAN光伏发电场景生成模块利用预处理后的所述时间序列数据训练Time GAN神经网络模型进行数据增强，所述Time GAN神经网络模型包括嵌入网络和GAN神经网络，包括：
S21、利用所述时间序列数据训练所述嵌入网络；所述嵌入网络为在自编码器中嵌入一个用于所述时间序列数据降维的函数；
S22、利用所述时间序列数据训练对GAN神经网络中的生成器和判别器进行训练；
S23、通过所述嵌入网络和GAN神经网络的联合训练实现所述时间序列数据的数据增强。
可选的，所述分布鲁棒优化模型包括：
所述分布鲁棒优化模型的目标函数为:
minC＝C1+C2+C3
C′1＝Ccon+Cess
其中，C为储能投资总成本；C1表示储能日平均投资费用；C2表示日平均固定维护费用；C3表示期望日运行成本；C'1、Ccon和Cess分别表示储能系统的总投资费用、初始建设成本和容量购置成本；
和
分别表示储能系统单位电量容量成本和单位电力容量成本；P表示储能系统额定电力容量；
表示等日值系数，d为折现率，y为储能系统投资年限，
表示日固定维护成本系数；
表示储能系统累计能量转移；N表示额定循环次数；2×N×B表示寿命周期内预期的总体能量转移；
所述目标函数的约束条件包括：
a.储能设备运行约束：
式中，SOCt为t时刻的电池容量，
为电池的自放电率；η为电池充电效率，
为电池在t时刻的充电功率，
为电池在t时刻的放电效率，
和
分别表示电池的最小和最大充电功率，
和
表示电池最小和最大放电功率，Δt表示调度时间间隔；
b.燃气轮机运行约束：
式中，Vgt,t表示t时刻燃气轮机天然气进气量，ω表示燃气轮机的电效率，J表示天然气热值，Hgt,t表示t时刻燃气轮机输出的热功率，
和
分别表示燃气轮机电功率上下限；
c.功率平衡约束：
其中，Pgrid,t表示t时刻微网与大电网之间的功率传输，Ppv,t表示t时刻光伏发电的功率输出，Pc,t表示t时刻储能电池的充电功率，Pd,t表示t时刻电池的放电功率，Pload,t表示t时刻微网总电负荷需求；Hgt,t表示t时刻燃气轮机的热功率输出，Hload,t表示t时刻微网总热负荷需求；
所述分布鲁棒优化模型的不确定性度量的模糊集Mε为：
其中，
为光伏实际输出功率的概率分布；
表示光伏发电功率的经验分布；M(ξ)表示所有定义在Wasserstein距离dW下的概率分布空间；ε为模糊集W球的半径。
可选的，所述利用分布鲁棒优化模型对储能容量进行配置包括：
利用商业求解器求解所述分布鲁棒优化模型，基于求解结果对储能容量进行配置。
可理解的是，本发明实施例提供的微网环境下储能容量配置系统与上述微网环境下储能容量配置方法相对应，其有关内容的解释、举例、有益效果等部分可以参照微网环境下储能容量配置方法中的相应内容，此处不再赘述。
综上所述，与现有技术相比，具备以下有益效果：
1、本发明获取光伏发电相关的时间序列数据并进行预处理后，利用Time GAN神经网络模型进行数据增强；并基于增强后的时间序列数据利用分布鲁棒优化模型对储能容量进行配置。本发明使用Time GAN神经网络模型对新建微网所能获取的有限数据进行数据增强，使得新建微网在数据量严重不足的情况下仍然能够较好的利用分布鲁棒优化模型对储能容量进行准确的配置，提高了数据的利用效率和微网建设效率。
2、本发明利用Time GAN进行数据增强，相比于普通GAN，既考虑了时间序列数据的静态特征，也考虑了数据的时间特征。
3、本发明利用分布鲁棒优化模型对储能容量进行配置，考虑了光伏发电功率的不确定性，使得储能容量配置更加准确，降低了微网建设成本，提高了微网运行的安全性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种微网环境下储能容量配置方法，其特征在于，所述方法包括：
获取与光伏发电相关的时间序列数据并进行预处理；
利用预处理后的所述时间序列数据训练Time GAN神经网络模型进行数据增强；所述Time GAN神经网络模型包括嵌入网络和GAN神经网络；
基于增强后的所述时间序列数据，利用分布鲁棒优化模型对储能容量进行配置。
2.如权利要求1所述的方法，其特征在于，所述光伏发电相关的时间序列数据包括：光伏发电功率数据、光照强度数据、温度数据、湿度数据；所述预处理包括数据清理处理、数据集成处理、数据变换处理、数据归约处理以及数据标准处理。
3.如权利要求2所述的方法，其特征在于，所述利用预处理后的所述时间序列数据训练Time GAN神经网络模型进行数据增强，所述Time GAN神经网络模型包括嵌入网络和GAN神经网络，包括：
S21、利用所述时间序列数据训练所述嵌入网络；所述嵌入网络为在自编码器中嵌入一个用于所述时间序列数据降维的函数；
S22、利用所述时间序列数据训练对GAN神经网络中的生成器和判别器进行训练；
S23、通过所述嵌入网络和GAN神经网络的联合训练实现所述时间序列数据的数据增强。
4.如权利要求1所述的方法，其特征在于，所述分布鲁棒优化模型包括：
所述分布鲁棒优化模型的目标函数为:
minC＝C1+C2+C3
C′1＝Ccon+Cess
其中，C为储能投资总成本；C1表示储能日平均投资费用；C2表示日平均固定维护费用；C3表示期望日运行成本；C'1、Ccon和Cess分别表示储能系统的总投资费用、初始建设成本和容量购置成本；
和
分别表示储能系统单位电量容量成本和单位电力容量成本；P表示储能系统额定电力容量；
表示等日值系数，d为折现率，y为储能系统投资年限，
表示日固定维护成本系数；
表示储能系统累计能量转移；N表示额定循环次数；2×N×B表示寿命周期内预期的总体能量转移；
所述目标函数的约束条件包括：
a.储能设备运行约束：
式中，SOCt为t时刻的电池容量，
为电池的自放电率；η为电池充电效率，
为电池在t时刻的充电功率，
为电池在t时刻的放电效率，
和
分别表示电池的最小和最大充电功率，
和
表示电池最小和最大放电功率，Δt表示调度时间间隔；
b.燃气轮机运行约束：
式中，Vgt,t表示t时刻燃气轮机天然气进气量，ω表示燃气轮机的电效率，J表示天然气热值，Hgt,t表示t时刻燃气轮机输出的热功率，
和
分别表示燃气轮机电功率上下限；
c.功率平衡约束：
其中，Pgrid,t表示t时刻微网与大电网之间的功率传输，Ppv,t表示t时刻光伏发电的功率输出，Pc,t表示t时刻储能电池的充电功率，Pd,t表示t时刻电池的放电功率，Pload,t表示t时刻微网总电负荷需求；Hgt,t表示t时刻燃气轮机的热功率输出，Hload,t表示t时刻微网总热负荷需求；
所述分布鲁棒优化模型的不确定性度量的模糊集Mε为：
其中，
为光伏实际输出功率的概率分布；
表示光伏发电功率的经验分布；M(ξ)表示所有定义在Wasserstein距离dW下的概率分布空间；ε为模糊集W球的半径。
5.如权利要求4所述的方法，其特征在于，所述利用分布鲁棒优化模型对储能容量进行配置包括：
利用商业求解器求解所述分布鲁棒优化模型，基于求解结果对储能容量进行配置。
6.一种微网环境下储能容量配置系统，其特征在于，所述系统包括：
数据获取与预处理模块，用于获取与光伏发电相关的时间序列数据并进行预处理；
Time GAN光伏发电场景生成模块，用于利用预处理后的所述时间序列数据训练TimeGAN神经网络模型进行数据增强；所述Time GAN神经网络模型包括嵌入网络和GAN神经网络；
储能容量优化与结果输出模块，用于基于增强后的所述时间序列数据，利用分布鲁棒优化模型对储能容量进行配置。
7.如权利要求6所述的系统，其特征在于，所述光伏发电相关的时间序列数据包括：光伏发电功率数据、光照强度数据、温度数据、湿度数据；所述预处理包括数据清理处理、数据集成处理、数据变换处理、数据归约处理以及数据标准处理。
8.如权利要求7所述的系统，其特征在于，所述Time GAN光伏发电场景生成模块利用预处理后的所述时间序列数据训练Time GAN神经网络模型进行数据增强，所述Time GAN神经网络模型包括嵌入网络和GAN神经网络，包括：
S21、利用所述时间序列数据训练所述嵌入网络；所述嵌入网络为在自编码器中嵌入一个用于所述时间序列数据降维的函数；
S22、利用所述时间序列数据训练对GAN神经网络中的生成器和判别器进行训练；
S23、通过所述嵌入网络和GAN神经网络的联合训练实现所述时间序列数据的数据增强。
9.如权利要求6所述的系统，其特征在于，所述分布鲁棒优化模型包括：
所述分布鲁棒优化模型的目标函数为:
minC＝C1+C2+C3
C′1＝Ccon+Cess
其中，C为储能投资总成本；C1表示储能日平均投资费用；C2表示日平均固定维护费用；C3表示期望日运行成本；C'1、Ccon和Cess分别表示储能系统的总投资费用、初始建设成本和容量购置成本；
和
分别表示储能系统单位电量容量成本和单位电力容量成本；P表示储能系统额定电力容量；
表示等日值系数，d为折现率，y为储能系统投资年限，
表示日固定维护成本系数；
表示储能系统累计能量转移；N表示额定循环次数；2×N×B表示寿命周期内预期的总体能量转移；
所述目标函数的约束条件包括：
a.储能设备运行约束：
式中，SOCt为t时刻的电池容量，
为电池的自放电率；η为电池充电效率，
为电池在t时刻的充电功率，
为电池在t时刻的放电效率，
和
分别表示电池的最小和最大充电功率，
和
表示电池最小和最大放电功率，Δt表示调度时间间隔；
b.燃气轮机运行约束：
式中，Vgt,t表示t时刻燃气轮机天然气进气量，ω表示燃气轮机的电效率，J表示天然气热值，Hgt,t表示t时刻燃气轮机输出的热功率，
和
分别表示燃气轮机电功率上下限；
c.功率平衡约束：
其中，Pgrid,t表示t时刻微网与大电网之间的功率传输，Ppv,t表示t时刻光伏发电的功率输出，Pc,t表示t时刻储能电池的充电功率，Pd,t表示t时刻电池的放电功率，Pload,t表示t时刻微网总电负荷需求；Hgt,t表示t时刻燃气轮机的热功率输出，Hload,t表示t时刻微网总热负荷需求；
所述分布鲁棒优化模型的不确定性度量的模糊集Mε为：
其中，
为光伏实际输出功率的概率分布；
表示光伏发电功率的经验分布；M(ξ)表示所有定义在Wasserstein距离dW下的概率分布空间；ε为模糊集W球的半径。
10.如权利要求9所述的系统，其特征在于，所述利用分布鲁棒优化模型对储能容量进行配置包括：
利用商业求解器求解所述分布鲁棒优化模型，基于求解结果对储能容量进行配置。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210487370.7A CN115065078B (zh) | 2022-05-06 | 2022-05-06 | 微网环境下储能容量配置方法及系统 |
| US17/866,977 US20220368131A1 (en) | 2022-05-06 | 2022-07-18 | Capacity configuration method and system of energy storage in microgrid |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210487370.7A CN115065078B (zh) | 2022-05-06 | 2022-05-06 | 微网环境下储能容量配置方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115065078A true CN115065078A (zh) | 2022-09-16 |
| CN115065078B CN115065078B (zh) | 2023-07-04 |
Family
ID=83196766
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210487370.7A Active CN115065078B (zh) | 2022-05-06 | 2022-05-06 | 微网环境下储能容量配置方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US20220368131A1 (zh) |
| CN (1) | CN115065078B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116436075A (zh) * | 2023-03-30 | 2023-07-14 | 武汉工程大学 | 一种配电网分布式光伏承载能力鲁棒评估方法及装置 |
| CN117175657B (zh) * | 2023-09-04 | 2024-02-06 | 广东永光新能源设计咨询有限公司 | 光伏储能系统的容量配置方法、装置、介质及设备 |
| CN117393921B (zh) * | 2023-10-17 | 2024-06-18 | 浙江博时新能源技术有限公司 | 分布式储能设备 |
| CN117439147B (zh) * | 2023-12-21 | 2024-03-26 | 深圳市健网科技有限公司 | 一种分布式储能系统实时优化方法及装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140052408A1 (en) * | 2012-08-17 | 2014-02-20 | International Business Machines Corporation | Data-driven distributionally robust optimization |
| CN108964103A (zh) * | 2018-07-27 | 2018-12-07 | 广州穗华能源科技有限公司 | 一种考虑微网系统可调度性的微网储能配置方法 |
| CN109510224A (zh) * | 2018-11-16 | 2019-03-22 | 上海交通大学 | 光伏储能与分布式能源联合的容量配置与运行优化方法 |
| CN109980685A (zh) * | 2019-04-02 | 2019-07-05 | 东南大学 | 一种考虑不确定性的主动配电网分布式优化运行方法 |
| CN110867852A (zh) * | 2019-11-25 | 2020-03-06 | 广州供电局有限公司 | 计及全寿命周期成本的微电网储能优化配置方法及装置 |
| CN111404193A (zh) * | 2019-12-05 | 2020-07-10 | 杭州电子科技大学 | 一种基于数据驱动的微电网随机鲁棒优化调度方法 |
| 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 |
| CN112257229A (zh) * | 2020-09-18 | 2021-01-22 | 西安理工大学 | 一种微网两阶段鲁棒调度方法 |
| CN112821465A (zh) * | 2021-01-08 | 2021-05-18 | 合肥工业大学 | 包含热电联产的工业微网负荷优化调度方法与系统 |
| US20210342703A1 (en) * | 2018-08-31 | 2021-11-04 | Siemens Aktiengesellschaft | Generative adversarial networks for time series |
| US20220077686A1 (en) * | 2020-09-10 | 2022-03-10 | Tianjin University | Optimal configuration method for hybrid energy storage of grid-connected wind storage power generation system |
| CN114298455A (zh) * | 2021-11-11 | 2022-04-08 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于gan技术的综合能源混合建模方法 |
-
2022
- 2022-05-06 CN CN202210487370.7A patent/CN115065078B/zh active Active
- 2022-07-18 US US17/866,977 patent/US20220368131A1/en active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140052408A1 (en) * | 2012-08-17 | 2014-02-20 | International Business Machines Corporation | Data-driven distributionally robust optimization |
| CN108964103A (zh) * | 2018-07-27 | 2018-12-07 | 广州穗华能源科技有限公司 | 一种考虑微网系统可调度性的微网储能配置方法 |
| US20210342703A1 (en) * | 2018-08-31 | 2021-11-04 | Siemens Aktiengesellschaft | Generative adversarial networks for time series |
| CN109510224A (zh) * | 2018-11-16 | 2019-03-22 | 上海交通大学 | 光伏储能与分布式能源联合的容量配置与运行优化方法 |
| CN109980685A (zh) * | 2019-04-02 | 2019-07-05 | 东南大学 | 一种考虑不确定性的主动配电网分布式优化运行方法 |
| CN110867852A (zh) * | 2019-11-25 | 2020-03-06 | 广州供电局有限公司 | 计及全寿命周期成本的微电网储能优化配置方法及装置 |
| CN111404193A (zh) * | 2019-12-05 | 2020-07-10 | 杭州电子科技大学 | 一种基于数据驱动的微电网随机鲁棒优化调度方法 |
| 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 |
| US20220077686A1 (en) * | 2020-09-10 | 2022-03-10 | Tianjin University | Optimal configuration method for hybrid energy storage of grid-connected wind storage power generation system |
| CN112257229A (zh) * | 2020-09-18 | 2021-01-22 | 西安理工大学 | 一种微网两阶段鲁棒调度方法 |
| CN112821465A (zh) * | 2021-01-08 | 2021-05-18 | 合肥工业大学 | 包含热电联产的工业微网负荷优化调度方法与系统 |
| CN114298455A (zh) * | 2021-11-11 | 2022-04-08 | 国网辽宁省电力有限公司经济技术研究院 | 一种基于gan技术的综合能源混合建模方法 |
Non-Patent Citations (10)
| Title |
|---|
| ARMAN ROOHI等: "ApGAN: Approximate GAN for Robust Low Energy Learning From Imprecise Components", 《IEEE TRANSACTIONS ON COMPUTERS》, pages 349 - 360 * |
| CHENG WANG等: "Risk-Based Distributionally Robust Optimal Gas-Power Flow With Wasserstein Distance", 《2017 4TH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTING AND COMMUNICATION SYSTEMS (ICACCS)》, pages 2190 - 2204 * |
| DEEPHUB: "使用TimeGAN建模和生成时间序列数据", pages 1 - 3, Retrieved from the Internet <URL:https://blog.csdn.net/deephub/article/details/120193943> * |
| YOON J等: "Time-series Generative Adversarial Networks", TIME-SERIES GENERATIVE, pages 1 - 11 * |
| 孙秋野;胡旌伟;杨凌霄;张化光;: "基于GAN技术的自能源混合建模与参数辨识方法", 自动化学报, no. 05, pages 901 - 914 * |
| 李康平;张展耀;王飞;姜利辉;张晶晶;俞伊丽;米增强;: "基于GAN场景模拟与条件风险价值的独立型微网容量随机优化配置模型", 电网技术, no. 05, pages 1717 - 1725 * |
| 梁俊杰;韦舰晶;蒋正锋;: "生成对抗网络GAN综述", 计算机科学与探索, no. 01, pages 1 - 17 * |
| 谢鹏;蔡泽祥;刘平;李晓华;张勇军;孙宇嫣;: "考虑多时间尺度不确定性耦合影响的风光储微电网系统储能容量协同优化", 中国电机工程学报, no. 24, pages 7126 - 7136 * |
| 陈晓东等: "基于数据驱动可调鲁棒的冷-热-电联供综合能源系统日前调度优化", 《电力建设》, vol. 42, no. 1, pages 28 - 40 * |
| 陈泽雄等: "分布式光伏电站接入配电网的分布鲁棒优化配置方法", 《电力系统保护与控制》, vol. 49, no. 13, pages 30 - 42 * |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220368131A1 (en) | 2022-11-17 |
| CN115065078B (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107688879B (zh) | 一种考虑源荷匹配度的主动配电网分布式电源规划方法 | |
| CN115065078A (zh) | 微网环境下储能容量配置方法及系统 | |
| CN117175694B (zh) | 一种基于新能源消纳的微电网优化调度方法及系统 | |
| CN113141008A (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
| Du et al. | Deep power forecasting model for building attached photovoltaic system | |
| CN116599151A (zh) | 基于多源数据的源网储荷安全管理方法 | |
| CN111680818B (zh) | 一种短期无功负荷预测方法和系统 | |
| Liu et al. | Energy-storage configuration for EV fast charging stations considering characteristics of charging load and wind-power fluctuation | |
| CN115965125A (zh) | 一种基于深度学习的电力负荷预测方法 | |
| CN115545429A (zh) | 基于cpss架构的多场景低压可再生资源负荷预测方法 | |
| CN108075471A (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
| CN114301089A (zh) | 一种风光联合发电系统储能容量配置优化方法 | |
| Wang et al. | Short-term wind power prediction based on DBSCAN clustering and support vector machine regression | |
| Kumar et al. | Optimal energy management and sizing of a community smart microgrid using demand side management with load uncertainty | |
| CN108846529A (zh) | 一种发电量预测系统 | |
| Shang et al. | Distributed V2G dispatching via LSTM network within cloud-edge collaboration framework | |
| CN112670982A (zh) | 一种基于奖励机制的微电网有功调度控制方法及系统 | |
| CN105207255B (zh) | 一种适用于风电出力的电力系统调峰计算方法 | |
| CN112003279A (zh) | 层次化微电网新能源消纳能力的评估方法 | |
| Singh et al. | Optimization of levelized cost of hybrid wind-solar-diesel-battery system using political optimizer | |
| CN110689248A (zh) | 一种基于云模型和可能度分析的一流城市配电网评估方法 | |
| CN116128154A (zh) | 一种农业园区综合能源系统的能源优化配置方法及装置 | |
| Khoury et al. | A predictive convolutional neural network model for source-load forecasting in smart grids | |
| CN112865101B (zh) | 一种考虑可再生能源出力不确定性的线性化交易方法 | |
| CN114204552A (zh) | 智慧园区综合能源能量调度方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |