CN115081344A - 基于蚁群优化的超短期功率预测数据的修正方法及系统 - Google Patents
基于蚁群优化的超短期功率预测数据的修正方法及系统 Download PDFInfo
- Publication number
- CN115081344A CN115081344A CN202210892552.2A CN202210892552A CN115081344A CN 115081344 A CN115081344 A CN 115081344A CN 202210892552 A CN202210892552 A CN 202210892552A CN 115081344 A CN115081344 A CN 115081344A
- Authority
- CN
- China
- Prior art keywords
- ultra
- prediction data
- term power
- short
- power prediction
- 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
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出基于蚁群优化的超短期功率预测数据的修正方法及系统,其中,所述修正方法包括:获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型;利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数;将所述原始超短期功率预测数据、所述实发功率数据及所述修正系数代入所述超短期功率预测数据的修正模型中,并对所述超短期功率预测数据修正模型进行求解,得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。本申请提出的技术方案,利用蚁群优化算法确定修正系数,并基于所述修正系数对原始超短期功率预测数据进行修正,进而提高了超短期功率预测数据的精度。
Description
技术领域
本申请涉及超短期功率预测领域,尤其涉及基于蚁群优化的超短期功率预测数据的修正方法及系统。
背景技术
在“风储”场景下,风电场一般会采用超短期功率预测数据作为储能系统充放电控制的核心边界(即作为风电场实发功率),但是,由于风力的间隙性、随机性等自然属性,导致超短期功率预测精度普遍不高,进而影响到储能系统的充放电控制策略,间接影响到“风储”联合输出功率,最终影响风电场在现货市场中的收益。
现有技术中根据天气预报数据建立对应的算法模型来实现对风电超短期功率的预测,并以一天或一段时间的准确率作为评价指标,在小时、分钟等更细时间粒度上的精度较低,并且未对超短期功率的预测结果的精确度进行进一步的提升处理,使得超短期功率预测数据的精度较低。
发明内容
本申请提供的基于蚁群优化的超短期功率预测数据的修正方法及系统,以至少解决超短期功率预测数据的精度较低的技术问题。
本申请第一方面实施例提出一种基于蚁群优化的超短期功率预测数据的修正方法,所述修正方法包括:
获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型;
利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数;
将所述原始超短期功率预测数据、所述实发功率数据及所述修正系数代入所述超短期功率预测数据的修正模型中,并对所述超短期功率预测数据修正模型进行求解,得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。
优选的,所述超短期功率预测数据的修正模型的计算式如下:
Padjust,t=Ppredict,t+β(Preal,t-1-Ppredict,t-1)
式中,Padjust,t为第t个时刻修正后的超短期功率预测数据,Ppredict,t为第t个时刻的原始超短期功率预测数据,β∈[0,1],β为原始超短期功率预测数据对应的修正系数,Preal,t-1为第t-1个时刻的实发功率数据,Ppredict,t-1为第t-1个时刻的原始超短期功率预测数据。
优选的,所述利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数,包括:
获取所述预设时段内风电场对应的理想折扣率及投资回报率;
以所述预设时段内风电场对应的投资回报率与理想折扣率之和最大为目标,并利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数。
进一步的,所述预设时段内风电场对应的理想折扣率的计算式如下:
式中,IDR为预设时段内风电场对应的理想折扣率,Actual为基于原始超短期功率预测数据计算得到的预设时段的总收益,Ideal为基于实发功率数据计算得到的预设时段的总收益。
本申请第二方面实施例提出一种基于蚁群优化的超短期功率预测数据的修正系统,包括:
获取模块,用于获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型;
确定模块,用于利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数;
修正模块,用于将所述原始超短期功率预测数据、所述实发功率数据及所述修正系数代入所述超短期功率预测数据的修正模型中,并对所述超短期功率预测数据修正模型进行求解,得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。
优选的,所述超短期功率预测数据的修正模型的计算式如下:
Padjust,t=Ppredict,t+β(Preal,t-1-Ppredict,t-1)
式中,Padjust,t为第t个时刻修正后的超短期功率预测数据,Ppredict,t为第t个时刻的原始超短期功率预测数据,β∈[0,1],β为原始超短期功率预测数据对应的修正系数,Preal,t-1为第t-1个时刻的实发功率数据,Ppredict,t-1为第t-1个时刻的原始超短期功率预测数据。
优选的,所述确定模块,包括:
获取单元,用于获取所述预设时段内风电场对应的理想折扣率及投资回报率;
确定单元,用于以所述预设时段内风电场对应的投资回报率与理想折扣率之和最大为目标,并利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数。
进一步的,所述预设时段内风电场对应的理想折扣率的计算式如下:
式中,IDR为预设时段内风电场对应的理想折扣率,Actual为基于原始超短期功率预测数据计算得到的预设时段的总收益,Ideal为基于实发功率数据计算得到的预设时段的总收益。
本申请第三方面实施例提出一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如第一方面实施例所述的方法。
本申请第四方面实施例提出计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时,实现如第一方面实施例所述的方法。
本申请的实施例提供的技术方案至少带来以下有益效果:
本申请提出了基于蚁群优化的超短期功率预测数据的修正方法及系统,其中,所述方法包括:获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型;利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数;将所述原始超短期功率预测数据、所述实发功率数据及所述修正系数代入所述超短期功率预测数据的修正模型中,并对所述超短期功率预测数据修正模型进行求解,得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。本申请提出的技术方案,利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数,并基于所述修正系数对原始超短期功率预测数据进行修正,进而提高了超短期功率预测数据的精度。
本申请附加的方面以及优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请一个实施例提供的基于蚁群优化的超短期功率预测数据的修正方法的流程图;
图2为根据本申请一个实施例提供的基于蚁群优化的超短期功率预测数据的修正系统的结构图;
图3为根据本申请一个实施例提供的基于蚁群优化的超短期功率预测数据的修正系统中确定模块的结构图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
本申请提出的基于蚁群优化的超短期功率预测数据的修正方法及系统,其中,所述方法包括:获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型;利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数;将所述原始超短期功率预测数据、所述实发功率数据及所述修正系数代入所述超短期功率预测数据的修正模型中,并对所述超短期功率预测数据修正模型进行求解,得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。本申请提出的技术方案,利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数,并基于所述修正系数对原始超短期功率预测数据进行修正,进而提高了超短期功率预测数据的精度。
下面参考附图描述本申请实施例的基于蚁群优化的超短期功率预测数据的修正方法及系统。
实施例一
图1为根据本申请一个实施例提供的一种基于蚁群优化的超短期功率预测数据的修正方法的流程图,如图1所示,所述修正方法包括:
步骤1:获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型;
需要说明的是,使用相关性统计分析算法对风电场的原始超短期功率预测数据及实发功率数据进行系统地统计分析,获取与预设时段内各时刻的超短期功率预测值相关的原始超短期功率预测值与实发功率数据。
所述超短期功率预测数据的修正模型的计算式如下:
Padjust,t=Ppredict,t+β(Preal,t-1-Ppredict,t-1)
式中,Padjust,t为第t个时刻修正后的超短期功率预测数据,Ppredict,t为第t个时刻的原始超短期功率预测数据,β∈[0,1],β为原始超短期功率预测数据对应的修正系数,Preal,t-1为第t-1个时刻的实发功率数据,Ppredict,t-1为第t-1个时刻的原始超短期功率预测数据。
进一步的,所述超短期功率预测数据的修正模型的计算还可以为:
式中,βi为第i个时刻的原始超短期功率预测数据对应的修正系数,i∈[1-N],N为预设时段内的第t个时刻前的N个时刻的时刻总数,Preal,t-i为第t-i个时刻的实发功率数据,Ppredict,t-i为第t-i个时刻的原始超短期功率预测数据,N≤T-1,t∈T,T为预设时段内的时刻总数。
进一步的,所述超短期功率预测数据的修正模型的计算式还可以为:
Padjust,t=Ppredict,t+β1(Preal,t-1-Ppredict,t-1)+β2(Preal,t-2-Ppredict,t-2)
式中,Padjust,t为第t个时刻修正后的超短期功率预测数据,Ppredict,t为第t个时刻的原始超短期功率预测数据,β1、β2∈[0,1],β1为第t-1个时刻的原始超短期功率预测数据对应的修正系数,Preal,t-1为第t-1个时刻的实发功率数据,Ppredict,t-1为第t-1个时刻的原始超短期功率预测数据,β2为第t-2个时刻的原始超短期功率预测数据对应的修正系数,Preal,t-2为第t-2个时刻的实发功率数据,Ppredict,t-2为第t-2个时刻的原始超短期功率预测数据。
步骤2:利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数;
在本公开实施例中,所述步骤2具体包括:
步骤2-1:获取所述预设时段内风电场对应的理想折扣率及投资回报率;
其中,所述预设时段内风电场对应的理想折扣率的计算式如下:
式中,IDR为预设时段内风电场对应的理想折扣率,Actual为基于原始超短期功率预测数据计算得到的预设时段的总收益,Ideal为基于实发功率数据计算得到的预设时段的总收益。
其中,所述投资回报率的获取方法可以为:获取风电站在预设时段内的总收益及投资总成本,将所述总收益及投资总成本的比值作为所述预设时段内风电场对应的投资回报率;
需要说明的是,所述预设时段内的总收益的计算式可以为:其中,Benefit为预设时段内的总收益,benefitt为第t个时刻对应的收益,Pjishu,t为第t个时刻对应的基数电价,Qjishu,t为第t个时刻对应的基数电量,Pzhong,t为第t个时刻对应的中长期电价,Qzhong,t为第t个时刻对应的中长期电量,Priqian,t为第t个时刻对应的日前出清电价,Qriqian,t为第t个时刻对应的日前出清电量,Pshishi,t为第t个时刻对应的实时出清电价,Padjust,t为第t个时刻修正后的超短期功率预测数据。
所述预设时段内的投资总成本的计算式可以为:Cost=H1*S+H2*W+H3,其中,Cost为预设时段内的投资总成本,H1为储能系统的单位容量造价,S为储能系统的额定容量,H2为储能系统的单位功率造价,W为储能系统的额定功率,H3为储能系统的固定成本投资金额。
步骤2-2:以所述预设时段内风电场对应的投资回报率与理想折扣率之和最大为目标,并利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数。
进一步的所述步骤2-2包括:
步骤2-2-1:建立所述预设时段内风电场对应的投资回报率与理想折扣率之和最大为目标时对应的目标函数J=max(ROI+IDR),J为预设时段内风电场对应的投资回报率与理想折扣率之和的最大值,ROI为预设时段内风电场对应的投资回报率,IDR为预设时段内风电场对应的理想折扣率;
步骤2-2-2:蚁群参数的变量初始化,将N*m个蚂蚁(超短期功率预测数据的修正模型中的N个β值每个用m个蚂蚁)随机分配取N*n个β值(超短期功率预测数据的修正模型中的β值每个取n个),并将禁忌表(存放计算过的β参数)的第一组元素设置为当前取值;
步骤2-2-3:计算每一组蚂蚁所取所对应的目标函数取值;
步骤2-2-4:记录本次最好的目标函数值所对应的参数值,并采用该参数值更新禁忌表;
步骤2-2-5:判断循环是否满足预设的循环优化次数,若满足,则输出最优结果,若不满足,则返回步骤2-2-2,进行下一次循环。
步骤3:将所述原始超短期功率预测数据、所述实发功率数据及所述修正系数代入所述超短期功率预测数据的修正模型中,并对所述超短期功率预测数据修正模型进行求解,得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。
示例的,将所述原始超短期功率预测数据、所述实发功率数据及所述修正系数代入Padjust,t=Ppredict,t+β(Preal,t-1-Ppredict,t-1)中进行求解,得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。
综上所述,本实施例提出的基于蚁群优化的超短期功率预测数据的修正方法,利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数,并基于所述修正系数对原始超短期功率预测数据进行修正,进而提高了超短期功率预测数据的精度,同时提升储能系统灵活控制策略的准确性,且本申请不涉及大量建模计算,可直接应用到实际的工业生产当中,同时可根据不同风电场站的实际情况进行灵活的自主调整,具有较高的泛化能力。
实施例二
图2为根据本申请一个实施例提供的一种基于蚁群优化的超短期功率预测数据的修正系统,包括:
获取模块100,用于获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型;
确定模块200,用于利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数;
修正模块300,用于将所述原始超短期功率预测数据、所述实发功率数据及所述修正系数代入所述超短期功率预测数据的修正模型中,并对所述超短期功率预测数据修正模型进行求解,得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。
在本公开实施例中,所述超短期功率预测数据的修正模型的计算式如下:
Padjust,t=Ppredict,t+β(Preal,t-1-Ppredict,t-1)
式中,Padjust,t为第t个时刻修正后的超短期功率预测数据,Ppredict,t为第t个时刻的原始超短期功率预测数据,β∈[0,1],β为原始超短期功率预测数据对应的修正系数,Preal,t-1为第t-1个时刻的实发功率数据,Ppredict,t-1为第t-1个时刻的原始超短期功率预测数据。
在本公开实施例中,如图3所示,所述确定模块200,包括:
获取单元201,用于获取所述预设时段内风电场对应的理想折扣率及投资回报率;
确定单元202,用于以所述预设时段内风电场对应的投资回报率与理想折扣率之和最大为目标,并利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数。
其中,所述预设时段内风电场对应的理想折扣率的计算式如下:
式中,IDR为预设时段内风电场对应的理想折扣率,Actual为基于原始超短期功率预测数据计算得到的预设时段的总收益,Ideal为基于实发功率数据计算得到的预设时段的总收益。
综上所述,本实施例提出的基于蚁群优化的超短期功率预测数据的修正系统,利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数,并基于所述修正系数对原始超短期功率预测数据进行修正,进而提高了超短期功率预测数据的精度,同时提升储能系统灵活控制策略的准确性,且本申请不涉及大量建模计算,可直接应用到实际的工业生产当中,同时可根据不同风电场站的实际情况进行灵活的自主调整,具有较高的泛化能力。
实施例三
为了实现上述实施例,本公开还提出一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如实施例一所述的方法。
实施例四
为了实现上述实施例,本公开还提出一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时,实现如实施例一所述的方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于蚁群优化的超短期功率预测数据的修正方法,其特征在于,所述修正方法包括:
获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型;
利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数;
将所述原始超短期功率预测数据、所述实发功率数据及所述修正系数代入所述超短期功率预测数据的修正模型中,并对所述超短期功率预测数据修正模型进行求解,得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。
2.如权利要求1所述的修正方法,其特征在于,所述超短期功率预测数据的修正模型的计算式如下:
Padjust,t=Ppredict,t+β(Preal,t-1-Ppredict,t-1)
式中,Padjust,t为第t个时刻修正后的超短期功率预测数据,Ppredict,t为第t个时刻的原始超短期功率预测数据,β∈[0,1],β为原始超短期功率预测数据对应的修正系数,Preal,t-1为第t-1个时刻的实发功率数据,Ppredict,t-1为第t-1个时刻的原始超短期功率预测数据。
3.如权利要求2所述的修正方法,其特征在于,所述利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数,包括:
获取所述预设时段内风电场对应的理想折扣率及投资回报率;
以所述预设时段内风电场对应的投资回报率与理想折扣率之和最大为目标,并利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数。
5.一种基于蚁群优化的超短期功率预测数据的修正系统,其特征在于,包括:
获取模块,用于获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型;
确定模块,用于利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数;
修正模块,用于将所述原始超短期功率预测数据、所述实发功率数据及所述修正系数代入所述超短期功率预测数据的修正模型中,并对所述超短期功率预测数据修正模型进行求解,得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。
6.如权利要求5所述的修正系统,其特征在于,所述超短期功率预测数据的修正模型的计算式如下:
Padjust,t=Ppredict,t+β(Preal,t-1-Ppredict,t-1)
式中,Padjust,t为第t个时刻修正后的超短期功率预测数据,Ppredict,t为第t个时刻的原始超短期功率预测数据,β∈[0,1],β为原始超短期功率预测数据对应的修正系数,Preal,t-1为第t-1个时刻的实发功率数据,Ppredict,t-1为第t-1个时刻的原始超短期功率预测数据。
7.如权利要求6所述的修正系统,其特征在于,所述确定模块,包括:
获取单元,用于获取所述预设时段内风电场对应的理想折扣率及投资回报率;
确定单元,用于以所述预设时段内风电场对应的投资回报率与理想折扣率之和最大为目标,并利用蚁群优化算法确定所述超短期功率预测数据修正模型对应的修正系数。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1至4中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210892552.2A CN115081344A (zh) | 2022-07-27 | 2022-07-27 | 基于蚁群优化的超短期功率预测数据的修正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210892552.2A CN115081344A (zh) | 2022-07-27 | 2022-07-27 | 基于蚁群优化的超短期功率预测数据的修正方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115081344A true CN115081344A (zh) | 2022-09-20 |
Family
ID=83243562
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210892552.2A Pending CN115081344A (zh) | 2022-07-27 | 2022-07-27 | 基于蚁群优化的超短期功率预测数据的修正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081344A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115659595A (zh) * | 2022-09-26 | 2023-01-31 | 中国华能集团清洁能源技术研究院有限公司 | 基于人工智能的新能源场站的储能控制方法及装置 |
-
2022
- 2022-07-27 CN CN202210892552.2A patent/CN115081344A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115659595A (zh) * | 2022-09-26 | 2023-01-31 | 中国华能集团清洁能源技术研究院有限公司 | 基于人工智能的新能源场站的储能控制方法及装置 |
CN115659595B (zh) * | 2022-09-26 | 2024-02-06 | 中国华能集团清洁能源技术研究院有限公司 | 基于人工智能的新能源场站的储能控制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108429288B (zh) | 一种考虑需求响应的离网型微电网储能优化配置方法 | |
CN113688567B (zh) | 一种考虑冲击负荷的虚拟电厂两阶段优化调度方法 | |
CN113780776B (zh) | 基于需求侧的电力系统碳运行调度方法、装置及设备 | |
EP2608118B1 (en) | A method for computer-assisted determination of the usage of electrical energy produced by a power generation plant, particularly a renewable power generation plant | |
CN112465181A (zh) | 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法 | |
CN115081344A (zh) | 基于蚁群优化的超短期功率预测数据的修正方法及系统 | |
CN105207253A (zh) | 考虑风电及频率不确定性的agc随机动态优化调度方法 | |
CN112186802A (zh) | 一种动态经济调度的多时间尺度滚动调度方法及其系统 | |
CN115600793A (zh) | 面向源网荷储一体化园区的协同控制方法及系统 | |
CN109829624B (zh) | 一种风电合作博弈爬坡控制方法和装置 | |
CN107871157B (zh) | 基于bp和pso的数据预测方法、系统及相关装置 | |
Giannitrapani et al. | Bidding strategies for renewable energy generation with non stationary statistics | |
CN113888202A (zh) | 一种电价预测模型的训练方法及应用方法 | |
Guo et al. | A simulator for self-adaptive energy demand management | |
CN110838734B (zh) | 新能源电力调度出力的确定方法、装置和计算机设备 | |
CN115117886A (zh) | 一种风电场的储能控制方法、装置及存储介质 | |
CN111668851A (zh) | 一种电采暖负荷调节优化方法及装置 | |
CN115207913A (zh) | 风储联合运行的超短期功率预测数据的修正方法及系统 | |
CN113011923A (zh) | 一种基于自定义策略的分段报量报价方法 | |
CN115173451A (zh) | 一种风储联合运行的储能优化控制方法及系统 | |
CN115099067A (zh) | 基于蒙特卡洛法的超短期功率预测数据的修正方法及系统 | |
CN113935182A (zh) | 基于混合整数规划模型的量化电池寿命衰减预测方法 | |
CN115207950B (zh) | 一种基于随机扰动的储能系统控制方法及装置 | |
CN115224708A (zh) | 一种基于超短期功率预测数据的储能优化控制方法及系统 | |
CN110598925A (zh) | 一种基于双q学习算法的储能在交易市场决策优化方法 |
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 |