CN115347556A - 一种促进新能源消纳的储能电站容量配置方法 - Google Patents
一种促进新能源消纳的储能电站容量配置方法 Download PDFInfo
- Publication number
- CN115347556A CN115347556A CN202210965808.8A CN202210965808A CN115347556A CN 115347556 A CN115347556 A CN 115347556A CN 202210965808 A CN202210965808 A CN 202210965808A CN 115347556 A CN115347556 A CN 115347556A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- parameter
- power station
- node
- sparrow
- 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.)
- Withdrawn
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 195
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000005265 energy consumption Methods 0.000 title claims abstract description 16
- 230000001737 promoting effect Effects 0.000 title claims abstract description 15
- 241000287127 Passeridae Species 0.000 claims abstract description 107
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 74
- 239000013598 vector Substances 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 23
- 238000007599 discharging Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000012886 linear function Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 230000035945 sensitivity Effects 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 9
- 230000003993 interaction Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 229910052799 carbon Inorganic materials 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000009194 climbing Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010238 partial least squares regression Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- ZRHANBBTXQZFSP-UHFFFAOYSA-M potassium;4-amino-3,5,6-trichloropyridine-2-carboxylate Chemical compound [K+].NC1=C(Cl)C(Cl)=NC(C([O-])=O)=C1Cl ZRHANBBTXQZFSP-UHFFFAOYSA-M 0.000 claims description 2
- 241000894007 species Species 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000010224 classification analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009466 transformation Effects 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
-
- 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
- H02J3/381—Dispersed generators
-
- 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
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种促进新能源消纳的储能电站容量配置方法,具体方法包括:通过不确定集、连续变量、离散变量、弃电量参数模型参数构建弃电量参数模型,利用参数线性化率定方法,确定全年新能源弃电量;将储能电站容量配置影响参数进行分类,并构建储能电站容量配置模型,利用优秀子集回归法,分析各类参数对储能电站容量配置的影响,并根据分析结果优化储能电站容量配置模型;以全年新能源弃电量作为最大储能容量,利用改进麻雀算法,对优化的储能电站容量配置模型进行优化求解,得到优化的储能电站容量配置模型的最优变量输入。本发明储能电站容量配置方法提高了配置的精确性和计算速度。
Description
技术领域
本发明涉及储能容量优化配置技术领域,尤其涉及一种促进新能源消纳的储能电站容量配置方法。
背景技术
近年来,中国新能源消纳矛盾日益突出,2021年前三季度,全国弃风电量147.8亿千瓦时,弃光电量50.2亿度,虽然与2020年相比均有一定的降低,但从绝对量的角度上看依然是巨大的。
储能作为一种柔性电力调节资源,在全球新能源替代化石能源低碳转型进程中,具备正向的,不可替代的社会价值,在新能源消纳、提升电网系统灵活性稳定性的技术必要性已得到充分验证。随着近年来储能技术的进步和成本的下降,依托储能促进清洁能源消纳成为了可能。现有的储能配置方法过程过于繁琐,储能配置容量和功率偏差较大。因此,需要一种消纳效果更为优异的储能优化配置方法。
发明内容
针对现有技术中存在问题,本发明提出了一种促进新能源消纳的储能电站容量配置方法,能够提高储能电站容量配置的精确性和计算速度。
为实现上述目的,本发明采用的技术方案是:一种促进新能源消纳的储能电站容量配置方法,包括以下步骤:
步骤1:通过不确定集、连续变量、离散变量、弃电量参数模型参数构建弃电量参数模型,利用参数线性化率定方法,确定全年新能源弃电量;
步骤2:将储能电站容量配置影响参数进行分类,并构建储能电站容量配置模型,利用优秀子集回归法,分析各类参数对储能电站容量配置的影响,并根据分析结果优化储能电站容量配置模型;
步骤3:以全年新能源弃电量作为最大储能容量,利用改进的麻雀算法,对优化的储能电站容量配置模型进行优化求解,得到优化的储能电站容量配置模型的最优变量输入。
进一步地,所述连续变量包括:发电机输出功率、储能电池充放电功率、调度功率、负荷功率、爬坡率、传输线路容量;所述离散变量为风电机组台数;所述不确定集为取决于天气状况的不确定参数集合;所述弃电量参数模型参数包括:储能电池最大功率、荷电状态上限。
进一步地,步骤1中弃电量参数模型为:
s.t.Ax+By+Cξ-Δξ≤b+Fθ
Aξ≥0
其中,1T为T维的全一向量,θ为弃电量参数模型参数,ξ为不确定参数,Ξ为不确定集,Δξ为弃电量,x为连续变量,y为离散变量,A为x的常系数,B为y的常系数,C为ξ的常系数,b为常数,F为θ的常系数。
进一步地,步骤1包括如下子步骤:
步骤101、通过不确定集、连续变量、离散变量、弃电量参数模型参数构建弃电量参数模型,将弃电量参数模型对弃电量参数模型参数θ进行一阶泰勒级数展开,得到弃电量Δξ(θ,x)与弃电量参数模型参数θ的之间的线性函数,并构建参数灵敏度矩阵S,将参数灵敏度矩阵代入线性函数中,得到简化的线性函数:
Δξ(θj+1,x)=Δξ(θj,x)+S(θj+1-θj)+e
其中,e为弃电量参数模型的误差,θj为第j次迭代下的弃电量参数模型参数,θj+1为第j+1次迭代下的弃电量参数模型参数;
步骤102、根据电网测量的实际情况给定一组连续变量x和弃电量参数模型参数初值θ0;
步骤103、通过最小二乘法求解简化的线性函数,得到新的弃电量参数模型参数θj+1和
参数寻找方向Δθ:
θj+1=θj+(STS)-1ST(Δξ(θj+1,x)-Δξ(θj,x))
Δθ=θj+1-θj=(STS)-1ST(Δξ(θj+1,x)-Δξ(θj,x))
所述弃电量误差平方和最小的表达式为:
步骤105、重复步骤103-104,直至最优弃电量参数模型参数与上一次迭代的最优弃电量参数模型参数之差小于给定的迭代步长收敛容差ε,将最优弃电量参数模型参数代入弃电量参数模型中,得到全年新能源弃电量。
进一步地,所述参数灵敏度矩阵S为:
其中,n为弃电量参数模型参数的数目,L连续变量的数目。
进一步地,步骤2包括以下子步骤:
步骤201、将储能电站容量配置影响参数进行分类,分为成本型参数、运行型参数,构建储能电站容量配置模型,分别对成本型参数、运行型参数进行随机采样,得到成本型参数子集和运行型参数子集;
步骤202、分别统计成本型参数子集和运行型参数子集中每个变量出现次数,并进行归一化处理,得到第一类信息向量;
步骤203、分别计算成本型参数子集和运行型参数子集中每个变量在每个子集中的偏最小二乘回归系数的绝对值,并进行归一化处理,分别对成本型参数子集和运行型参数子集中每个变量在不同组变量组合中的归一化回归系数绝对值求和,得到第二类信息向量;
步骤204、根据第一类信息向量和第二类信息向量的RMSECV分别设置第一类信息向量权重ω1和第二类信息向量的权重ω2:
其中,RMSECV1为第一类信息向量的交互检验均方根误差,RMSECV2为第二类信息向量的交互检验均方根误差;
步骤205、根据第一类信息向量权重ω1和第二类信息向量的权重ω2,计算出成本型参数子集和运行型参数子集中每个变量的贡献值:
步骤206、通过每个变量的贡献值对成本型参数子集和运行型参数子集中的每个变量进行赋权,形成新成本型参数子集和新运行型参数子集,并回归到各自的储能电站容量配置模型中,得到优化的储能电站容量配置模型。
进一步地,所述储能电站容量配置模型包括:由成本型参数建立的储能电站容量配置模型和由运行型参数建立的储能电站容量配置模型;
所述成本型参数建立的储能电站容量配置模型考虑节点功率平衡约束、节点电压约束与储能约束,所述成本型参数建立的以最小成本为目标函数的储能电站容量配置模型f2为:
f2=min{Fess+Floss+Fgrid}
其中,Fess为ESS容量投资与运行维护成本,为ESS投资年费用折算系数,ress为ESS贴现率,hess为ESS使用寿命,为单位容量ESS投资成本,为ESS单位容量年运行维护成本,T为运行周期总小时数,N为储能电站容量模型的节点总数,Floss为网损成本,δloss为网损电价,Uia,t为支路ia在t时刻的电压,ria为支路ia的电阻,c(i)为所有以i为首端节点的末端节点集合,Fgrid为主网购电成本,ηt为分时电价,Pgrid,t为根节点在t时刻输入的有功功率,C_essi为节点i上的额定储能容量;
所述节点功率平衡约束为:
所述节点电压约束为:
所述储能约束为:
其中,Pess,i,t为节点i上t时刻的储能充放电功率,Pwind,i,t为节点i上t时刻风电出力,Pload,i,t为节点i上t时刻的负荷,Ui,t为节点i上t时刻的电压幅值,Ua,t为节点a上t时刻的电压幅值,为节点i上最小电压幅值,为节点i上最大电压幅值,θia,t为节点i与a在t时刻的电压相角差,gia为节点i到a的电导,bia为节点i到a的电纳,λi为0-1变量系数,值为1表示节点i处连有ESS,值为0时表示节点未连有储能系统;为节点i上辅助储能系统t时刻电量,为节点i上辅助储能系统t时充放电功率,socmin为储能系统荷电状态下限,socmax为储能系统荷电状态上限,Pess,i,t为节点i上储能系统t时充放电功率,为储能系统的充电功率上限,为储能系统的放电功率上限;
所述由运行型参数建立的以最小储能容量为目标函数的储能电站容量配置模型满足:
进一步地,所述成本型参数子集中的变量包括:ESS投资年费用折算系数、ESS贴现率、ESS使用寿命、单位容量ESS投资成本、ESS单位容量年运行维护成本、储能电站容量模型的节点总数、运行周期总小时数、网损成本、网损电价、支路电压、支路的电阻、主网购电成本、分时电价、根节点的有功功率、额定储能容量、储能充放电功率、风电出力、根节点输入的有功功率、节点负荷、节点电压幅值、节点间的电压相角差、节点间的电导、节点间的电纳、变量系数、辅助储能系统电量、辅助储能系统充放电功率、储能系统充放电功率。
进一步地,所述运行型参数子集中的变量包括:辅助储能系统的容量、风电实际出力、风电预测出力、不确定性约束参数、辅助储能系统充放电功率、辅助储能系统电量、不确定性约束参数。
进一步地,步骤3包括如下子步骤:
步骤301、以全年新能源弃电量作为最大储能容量,输入优化的储能电站容量配置模型中,以优化的储能电站容量配置模型的类别作为麻雀种群,以赋权的变量作为麻雀种群对应的麻雀个体,以优化的储能电站容量配置模型的目标函数作为适应度,设置麻雀个体的数量M和最大迭代次数H;
步骤302、将每种种群中M个麻雀个体均匀分成三组,随机选取其中一组作为第一组,利用非线性惯性权重进行麻雀个体位置更新;
所述非线性惯性权重v为:
所述第一组麻雀个体位置更新过程为:
步骤303、在剩下的两组中随机选取一组作为第二组,利用基于余弦变化的惯性权重因子p进行麻雀个体位置进行更新;
所述基于余弦变化的惯性权重因子p为:
所述第二组麻雀个体位置更新过程为:
其中,pmax为初始时基于余弦变化的惯性权重因子,pmin为结束时基于余弦变化的惯性权重因子,为第h次迭代中适应度最差的麻雀个体位置,表示第h+1次迭代中适应度最佳的麻雀个体位置,A为一维矩阵,其中元素随机赋值1或-1;L为一维矩阵,元素全为1;
步骤304、剩下一组作为第三组,第三组的位置更新过程如下:
其中,为第h次迭代中全局最优位置,β为控制步长,服从均值为0、方差为1的正态分布,k为-1到1之间的随机数,ε设置为调整常数,fi表示当前麻雀个体的适应度值,fg表示目前全局麻雀个体中的最小适应度,fw表示目前全局麻雀个体中的最大适应度;
步骤305、将整个麻雀种群中的麻雀个体按照适应度从小到大的顺序排列,将适应度前20%的麻雀个体作为发现者角色,适应度后20%的麻雀个体作为警戒者角色,剩下的麻雀个体作为跟随者角色;
步骤306、利用Levy飞行游走的形式对发现者角色对应的麻雀个体的位置进行更新;
所述Levy飞行行走的路径f(L)为:
所述发现者角色对应的麻雀个体的位置更新过程为:
其中,u、v均为正态分布随机数,服从标准正态分布,θ为[0,2]区间内随机数;
步骤307、将警戒者角色中适应度最大的麻雀个体用步骤306更新位置的发现者角色和跟随者中的适应度最小的麻雀个体进行替换,形成新的警戒者角色,计算麻雀种群中所有麻雀个体的适应度;
步骤308、将进行位置更新的所有麻雀个体重复步骤302-307,直至达到最大迭代次数,选出适应度最小的麻雀个体作为优化的储能电站容量配置模型的最佳输入。
与现有技术相比,本发明具有如下有益效果:本发明促进新能源消纳的储能电站容量配置方法通过参数线性化率定方法将弃电量参数模型线性化,来确定全年新能源弃电量,通过对弃电量参数模型以参数作为自变量求导,再通过导函数差分线性化,并对线性化的参数用误差平方和目标函数进行率定,然后逐步逼近非线性参数的最优值,具有收敛、率定速度快、减小了配置过程的计算量的特点;将储能影响因素进行分类分析,更加直观表现各类参数对储能电站容量配置的影响,并利用优秀子集回归法,分析各类参数对储能电站容量配置的影响,可以更好地反映储能电站系统中各部分的运行规划对储能电站容量配置的影响,优秀子集回归法多考虑了优秀子集中偏最小二乘回归系数对变量重要性判断的影响,提高了赋权的准确性与稳定性;本发明利用改进麻雀算法对优化的储能电站容量配置进行优化,寻优过程中,不断将发现者和跟随者中最优位置的麻雀替换到警戒者中,保证了迭代过程中麻雀的多样性,利用Levy飞行路径使麻雀种群能更好地跳出局部最优解,提高了寻优效率。
附图说明
图1为本发明促进新能源消纳的储能电站容量配置方法的流程图;
图2为本发明中优秀子集回归法流程图;
图3为本发明中麻雀算法流程图。
具体实施方式
下面结合附图对本发明作进一步描述,以下具体实施方式仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1为本发明促进新能源消纳的储能电站容量配置方法的流程图,该储能电站容量配置方法包括以下步骤:
步骤1:通过不确定集、连续变量、离散变量、弃电量参数模型参数构建弃电量参数模型,利用参数线性化率定方法,确定全年新能源弃电量,利用参数线性化率定方法对弃电量参数模型以参数作为自变量求导,再通过导函数差分线性化,并对线性化的参数用误差平方和目标函数进行率定,然后逐步逼近弃电量的最优值,具有收敛、率定速度快,计算量小等优点;本发明中连续变量包括:发电机输出功率、储能电池充放电功率、调度功率、负荷功率、爬坡率、传输线路容量;离散变量为风电机组台数;不确定集为取决于天气状况的不确定参数集合;弃电量参数模型参数包括:储能电池最大功率、荷电状态上限。
具体地,步骤1包括如下子步骤:
步骤101、通过不确定集、连续变量、离散变量、弃电量参数模型参数构建弃电量参数模型:其中,1T为T维的全一向量,θ为弃电量参数模型参数,ξ为不确定参数,Ξ为不确定集,Δξ为弃电量,x为连续变量,y为离散变量,A为x的常系数,B为y的常系数,C为ξ的常系数,b为常数,F为θ的常系数。
将弃电量参数模型对弃电量参数模型参数θ进行一阶泰勒级数展开,得到弃电量Δξ(θ,x)与弃电量参数模型参数θ的之间的线性函数:
并构建参数灵敏度矩阵S,参数灵敏度矩阵S反映了参数改变引起计算弃电量的改变程度,将参数灵敏度矩阵代入线性函数中,得到简化的线性函数:
Δξ(θj+1,x)=Δξ(θj,x)+S(θj+1-θj)+e
其中,e为弃电量参数模型的误差,θj为第j次迭代下的弃电量参数模型参数,θj+1为第j+1次迭代下的弃电量参数模型参数;
本发明中参数灵敏度矩阵S为:
其中,n为弃电量参数模型参数的数目,L连续变量的数目。
步骤102、根据电网测量的实际情况给定一组连续变量x和弃电量参数模型参数初值θ0;
步骤103、通过最小二乘法求解简化的线性函数,得到新的弃电量参数模型参数θj+1和参数寻找方向Δθ:
θj+1=θj+(STS)-1ST(Δξ(θj+1,x)-Δξ(θj,x))
Δθ=θj+1-θj=(STS)-1ST(Δξ(θj+1,x)-Δξ(θj,x))
步骤104、以弃电量误差平方和最小为目标确定参数寻找方向Δθ上的最优步长比例系数b,得出参数寻找方向上的最优弃电量参数模型参数对线性化的参数用误差平方和目标函数在参数寻找方向上进行率定,然后逐步逼近弃电量的最优值,解决了以误差平方和为目标函数求解非线性函数参数增加不相关的局部优值的问题。
本发明中弃电量误差平方和最小的表达式为:
步骤105、重复步骤103-104,直至最优弃电量参数模型参数与上一次迭代的最优弃电量参数模型参数之差小于给定的迭代步长收敛容差ε,将最优弃电量参数模型参数代入弃电量参数模型中,得到全年新能源弃电量。
步骤2:将储能电站容量配置影响参数进行分类,并构建储能电站容量配置模型,利用优秀子集回归法,分析各类参数对储能电站容量配置的影响,并根据分析结果优化储能电站容量配置模型,将参数按特性进行分类分析可以更好地反映电力系统中各部分的运行规划对储能配置的影响,优秀子集回归法多考虑了优秀子集中偏最小二乘回归系数对变量重要性判断的影响,提高了赋权的准确性与稳定性;如图2,具体包括以下子步骤:
步骤201、将储能电站容量配置影响参数进行分类,分为成本型参数、运行型参数,构建储能电站容量配置模型,分别对成本型参数、运行型参数进行随机采样,得到成本型参数子集和运行型参数子集;
步骤202、分别统计成本型参数子集和运行型参数子集中每个变量出现次数,并进行归一化处理,变量出现频率的大小与变量重要性成正比,进而得到变量重要性判据,得到第一类信息向量;
步骤203、分别计算成本型参数子集和运行型参数子集中每个变量在每个子集中的偏最小二乘回归系数的绝对值,并进行归一化处理,分别对成本型参数子集和运行型参数子集中每个变量在不同组变量组合中的归一化回归系数绝对值求和,变量归一化回归系数绝对值之和与变量的重要性成正比,进而得到又一个变量重要性的判据,得到第二类信息向量;
步骤204、根据第一类信息向量和第二类信息向量的RMSECV分别设置第一类信息向量权重ω1和第二类信息向量的权重ω2:
其中,RMSECV1为第一类信息向量的交互检验均方根误差,RMSECV2为第二类信息向量的交互检验均方根误差;
步骤205、根据第一类信息向量权重ω1和第二类信息向量的权重ω2,计算出成本型参数子集和运行型参数子集中每个变量的贡献值:
步骤206、通过每个变量的贡献值对成本型参数子集和运行型参数子集中的每个变量进行赋权,形成新成本型参数子集和新运行型参数子集,并回归到各自的储能电站容量配置模型中,得到优化的储能电站容量配置模型,将储能配置影响因素按贡献值进行赋权,更加准确的量化了系统中各类参数对储能配置的影响,将赋权后的变量重新回归到配置模型中,提高了模型的精确性。
本发明中储能电站容量配置模型包括:由成本型参数建立的储能电站容量配置模型和由运行型参数建立的储能电站容量配置模型;
成本型参数建立的储能电站容量配置模型考虑节点功率平衡约束、节点电压约束与储能约束,成本型参数建立的以成本最小为目标函数的储能电站容量配置模型f2为:
f2=min{Fess+Floss+Fgrid}
其中,Fess为ESS容量投资与运行维护成本,为ESS投资年费用折算系数,ress为ESS贴现率,hess为ESS使用寿命,为单位容量ESS投资成本,为ESS单位容量年运行维护成本,T为运行周期总小时数,N为储能电站容量模型的节点总数,Floss为网损成本,δloss为网损电价,Uia,t为支路ia在t时刻的电压,ria为支路ia的电阻,c(i)为所有以i为首端节点的末端节点集合,Fgrid为主网购电成本,ηt为分时电价,Pgrid,t为根节点在t时刻输入的有功功率,C_essi为节点i上的额定储能容量;
节点功率平衡约束为:
节点电压约束为:
储能约束为:
其中,Pess,i,t为节点i上t时刻的储能充放电功率,Pwind,i,t为节点i上t时刻风电出力,Pload,i,t为节点i上t时刻的负荷,Ui,t为节点i上t时刻的电压幅值,Ua,t为节点a上t时刻的电压幅值,为节点i上最小电压幅值,为节点i上最大电压幅值,θia,t为节点i与a在t时刻的电压相角差,gia为节点i到a的电导,bia为节点i到a的电纳,λi为0-1变量系数,值为1表示节点i处连有ESS,值为0时表示节点未连有储能系统;为节点i上辅助储能系统t时刻电量,为节点i上辅助储能系统t时充放电功率,socmin为储能系统荷电状态下限,socmax为储能系统荷电状态上限,Pess,i,t为节点i上储能系统t时充放电功率,为储能系统的充电功率上限,为储能系统的放电功率上限;
由运行型参数建立的以最小储能容量为目标函数的储能电站容量配置模型满足:
本发明中成本型参数子集中的变量包括:ESS投资年费用折算系数、ESS贴现率、ESS使用寿命、单位容量ESS投资成本、ESS单位容量年运行维护成本、储能电站容量模型的节点总数、运行周期总小时数、网损成本、网损电价、支路电压、支路的电阻、主网购电成本、分时电价、根节点的有功功率、额定储能容量、储能充放电功率、风电出力、根节点输入的有功功率、节点负荷、节点电压幅值、节点间的电压相角差、节点间的电导、节点间的电纳、变量系数、辅助储能系统电量、辅助储能系统充放电功率、储能系统充放电功率。
本发明中运行型参数子集中的变量包括:辅助储能系统的容量、风电实际出力、风电预测出力、不确定性约束参数、辅助储能系统充放电功率、辅助储能系统电量、不确定性约束参数。
新能源电站并不是总是会产生新能源弃电量,甚至有时新能源电站的产能量低于耗能量,因此,储能装置的储能容量并非需等于新能源弃电量,同时,综合考虑经济、场地和技术等因素,储能容量并非只有一种方案,因此全年新能源弃电功率,生成当前初始储能容量并非只有一种解,在考虑全年新能源弃电量这一条件下,当前的初始储能容量可以在一定范围内进行调整。
步骤3:以全年新能源弃电量作为最大储能容量,利用改进麻雀算法,对优化的储能电站容量配置模型进行优化求解,得到优化的储能电站容量配置模型的最优变量输入,利用改进麻雀算法进行寻优的过程中,不断将发现者和跟随者中最优位置的麻雀替换到警戒者中,保证了迭代过程中麻雀的多样性,利用Levy飞行路径使麻雀种群能更好地跳出局部最优解,提高了寻优效率。如图3,具体包括如下子步骤:
步骤301、以全年新能源弃电量作为最大储能容量,输入优化的储能电站容量配置模型中,以优化的储能电站容量配置模型的类别作为麻雀种群,以赋权的变量作为麻雀种群对应的麻雀个体,以优化的储能电站容量配置模型的目标函数作为适应度,设置麻雀个体的数量M和最大迭代次数H;
步骤302、为了提高寻优效率,使麻雀种群跳出局部最优解,保持迭代后期种群的多样性,将每种种群中M个麻雀个体均匀分成三组,随机选取其中一组作为第一组,利用非线性惯性权重进行麻雀个体位置更新,引入非线性惯性权重ν控制了麻雀搜索范围和收敛速度,解决了原麻雀算法中难以有效控制全局探索和局部开发进程,从而陷入局部最优的问题;
非线性惯性权重v为:
第一组麻雀个体位置更新过程为:
步骤303、在剩下的两组中随机选取一组作为第二组,利用基于余弦变化的惯性权重因子p进行麻雀个体位置进行更新,局部搜索和全局搜索是麻雀算法中的两个主要性能指标,为了更好的平衡二者之间的关系,引入基于余弦变化的惯性权重因子来更新麻雀的位置,避免陷入局部最优;
基于余弦变化的惯性权重因子p为:
第二组麻雀个体位置更新过程为:
其中,pmax为初始时基于余弦变化的惯性权重因子,pmin为结束时基于余弦变化的惯性权重因子,为第h次迭代中适应度最差的麻雀个体位置,表示第h+1次迭代中适应度最佳的麻雀个体位置,A为一维矩阵,其中元素随机赋值1或-1;L为一维矩阵,元素全为1;
步骤304、剩下一组作为第三组,第三组的位置更新过程如下:
其中,为第h次迭代中全局最优位置,β为控制步长,服从均值为0、方差为1的正态分布,k为-1到1之间的随机数,ε设置为调整常数,用以避免分母为1,fi表示当前麻雀个体的适应度值,fg表示目前全局麻雀个体中的最小适应度,fw表示目前全局麻雀个体中的最大适应度;该种更新模式结构简单、易于实现,且控制参数较少,局部搜索能力较强;
步骤305、将整个麻雀种群中的麻雀个体按照适应度从小到大的顺序排列,将适应度前20%的麻雀个体作为发现者角色,适应度后20%的麻雀个体作为警戒者角色,剩下的麻雀个体作为跟随者角色;
步骤306、利用Levy飞行游走的形式对发现者角色对应的麻雀个体的位置进行更新,使麻雀种群能更好地跳出局部最优解,避免停滞,提高了寻优效率;
Levy飞行行走的路径f(L)为:
发现者角色对应的麻雀个体的位置更新过程为:
其中,u、v均为正态分布随机数,服从标准正态分布,θ为[0,2]区间内随机数,这里取1.5;
步骤307、将警戒者角色中适应度最大的麻雀个体用步骤306更新位置的发现者角色和跟随者中的适应度最小的麻雀个体进行替换,形成新的警戒者角色,保持数据总数不变,提高了警戒者数据质量;计算麻雀种群中所有麻雀个体的适应度;
步骤308、将进行位置更新的所有麻雀个体重复步骤302-307,直至达到最大迭代次数,选出适应度最小的麻雀个体作为优化的储能电站容量配置模型的最优变量输入。
本发明促进新能源消纳的储能电站容量配置方法通过参数线性化率定方法将弃电量参数模型线性化,来确定全年新能源弃电量,参数线性化率定方法对弃电量参数模型以参数作为自变量求导,再通过导函数差分线性化,并对线性化的参数用误差平方和目标函数进行率定,然后逐步逼近非线性参数的最优值。此方法收敛、率定速度快,减小了配置过程的计算量;将储能影响因素进行分类分析,更加直观表现各类参数对储能电站容量配置的影响,并利用优秀子集回归法,分析各类参数对储能电站容量配置的影响,将参数按特性进行分类分析可以更好地反映电力系统中各部分的运行规划对储能配置的影响,优秀子集回归法多考虑了优秀子集中偏最小二乘回归系数对变量重要性判断的影响,提高了赋权的准确性与稳定性;本发明利用改进麻雀算法对优化的储能电站容量配置进行优化,寻优过程中,不断将发现者和跟随者中最优位置的麻雀替换到警戒者中,保证了迭代过程中麻雀的多样性,利用Levy飞行路径使麻雀种群能更好地跳出局部最优解,提高了寻优效率。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (10)
1.一种促进新能源消纳的储能电站容量配置方法,其特征在于,包括以下步骤:
步骤1:通过不确定集、连续变量、离散变量、弃电量参数模型参数构建弃电量参数模型,利用参数线性化率定方法,确定全年新能源弃电量;
步骤2:将储能电站容量配置影响参数进行分类,并构建储能电站容量配置模型,利用优秀子集回归法,分析各类参数对储能电站容量配置的影响,并根据分析结果优化储能电站容量配置模型;
步骤3:以全年新能源弃电量作为最大储能容量,利用改进的麻雀算法,对优化的储能电站容量配置模型进行优化求解,得到优化的储能电站容量配置模型的最优变量输入。
2.根据权利要求1所述的一种促进新能源消纳的储能电站容量配置方法,其特征在于,所述连续变量包括:发电机输出功率、储能电池充放电功率、调度功率、负荷功率、爬坡率、传输线路容量;所述离散变量为风电机组台数;所述不确定集为取决于天气状况的不确定参数集合;所述弃电量参数模型参数包括:储能电池最大功率、荷电状态上限。
4.根据权利要求1所述的一种促进新能源消纳的储能电站容量配置方法,其特征在于,步骤1包括如下子步骤:
步骤101、通过不确定集、连续变量、离散变量、弃电量参数模型参数构建弃电量参数模型,将弃电量参数模型对弃电量参数模型参数θ进行一阶泰勒级数展开,得到弃电量Δξ(θ,x)与弃电量参数模型参数θ的之间的线性函数,并构建参数灵敏度矩阵S,将参数灵敏度矩阵代入线性函数中,得到简化的线性函数:
Δξ(θj+1,x)=Δξ(θj,x)+S(θj+1-θj)+e
其中,e为弃电量参数模型的误差,θj为第j次迭代下的弃电量参数模型参数,θj+1为第j+1次迭代下的弃电量参数模型参数;
步骤102、根据电网测量的实际情况给定一组连续变量x和弃电量参数模型参数初值θ0;
步骤103、通过最小二乘法求解简化的线性函数,得到新的弃电量参数模型参数θj+1和参数寻找方向Δθ:
θj+1=θj+(STS)-1ST(Δξ(θj+1,x)-Δξ(θj,x))
Δθ=θj+1-θj=(STS)-1ST(Δξ(θj+1,x)-Δξ(θj,x))
所述弃电量误差平方和最小的表达式为:
6.根据权利要求1所述的一种促进新能源消纳的储能电站容量配置方法,其特征在于,步骤2包括以下子步骤:
步骤201、将储能电站容量配置影响参数进行分类,分为成本型参数、运行型参数,构建储能电站容量配置模型,分别对成本型参数、运行型参数进行随机采样,得到成本型参数子集和运行型参数子集;
步骤202、分别统计成本型参数子集和运行型参数子集中每个变量出现次数,并进行归一化处理,得到第一类信息向量;
步骤203、分别计算成本型参数子集和运行型参数子集中每个变量在每个子集中的偏最小二乘回归系数的绝对值,并进行归一化处理,分别对成本型参数子集和运行型参数子集中每个变量在不同组变量组合中的归一化回归系数绝对值求和,得到第二类信息向量;
步骤204、根据第一类信息向量和第二类信息向量的RMSECV分别设置第一类信息向量权重ω1和第二类信息向量的权重ω2:
其中,RMSECV1为第一类信息向量的交互检验均方根误差,RMSECV2为第二类信息向量的交互检验均方根误差;
步骤205、根据第一类信息向量权重ω1和第二类信息向量的权重ω2,计算出成本型参数子集和运行型参数子集中每个变量的贡献值:
步骤206、通过每个变量的贡献值对成本型参数子集和运行型参数子集中的每个变量进行赋权,形成新成本型参数子集和新运行型参数子集,并回归到各自的储能电站容量配置模型中,得到优化的储能电站容量配置模型。
7.根据权利要求6所述的一种促进新能源消纳的储能电站容量配置方法,其特征在于,所述储能电站容量配置模型包括:由成本型参数建立的储能电站容量配置模型和由运行型参数建立的储能电站容量配置模型;
所述成本型参数建立的储能电站容量配置模型考虑节点功率平衡约束、节点电压约束与储能约束,所述成本型参数建立的以最小成本为目标函数的储能电站容量配置模型f2为:
f2=min{Fess+Floss+Fgrid}
其中,Fess为ESS容量投资与运行维护成本,为ESS投资年费用折算系数,ress为ESS贴现率,hess为ESS使用寿命,为单位容量ESS投资成本,为ESS单位容量年运行维护成本,T为运行周期总小时数,N为储能电站容量模型的节点总数,Floss为网损成本,δloss为网损电价,Uia,t为支路ia在t时刻的电压,ria为支路ia的电阻,c(i)为所有以i为首端节点的末端节点集合,Fgrid为主网购电成本,ηt为分时电价,Pgrid,t为根节点在t时刻输入的有功功率,C_essi为节点i上的额定储能容量;
所述节点功率平衡约束为:
所述节点电压约束为:
所述储能约束为:
其中,Pess,i,t为节点i上t时刻的储能充放电功率,Pwind,i,t为节点i上t时刻风电出力,Pload,i,t为节点i上t时刻的负荷,Ui,t为节点i上t时刻的电压幅值,Ua,t为节点a上t时刻的电压幅值,为节点i上最小电压幅值,为节点i上最大电压幅值,θia,t为节点i与a在t时刻的电压相角差,gia为节点i到a的电导,bia为节点i到a的电纳,λi为0-1变量系数,值为1表示节点i处连有ESS,值为0时表示节点未连有储能系统;为节点i上辅助储能系统t时刻电量,为节点i上辅助储能系统t时充放电功率,socmin为储能系统荷电状态下限,socmax为储能系统荷电状态上限,Pess,i,t为节点i上储能系统t时充放电功率,为储能系统的充电功率上限,为储能系统的放电功率上限;
所述由运行型参数建立的以最小储能容量为目标函数的储能电站容量配置模型满足:
minf1:
8.根据权利要求6所述的一种促进新能源消纳的储能电站容量配置方法,其特征在于,所述成本型参数子集中的变量包括:ESS投资年费用折算系数、ESS贴现率、ESS使用寿命、单位容量ESS投资成本、ESS单位容量年运行维护成本、储能电站容量模型的节点总数、运行周期总小时数、网损成本、网损电价、支路电压、支路的电阻、主网购电成本、分时电价、根节点的有功功率、额定储能容量、储能充放电功率、风电出力、根节点输入的有功功率、节点负荷、节点电压幅值、节点间的电压相角差、节点间的电导、节点间的电纳、变量系数、辅助储能系统电量、辅助储能系统充放电功率、储能系统充放电功率。
9.根据权利要求6所述的一种促进新能源消纳的储能电站容量配置方法,其特征在于,所述运行型参数子集中的变量包括:辅助储能系统的容量、风电实际出力、风电预测出力、不确定性约束参数、辅助储能系统充放电功率、辅助储能系统电量、不确定性约束参数。
10.根据权利要求1所述的一种促进新能源消纳的储能电站容量配置方法,其特征在于,步骤3包括如下子步骤:
步骤301、以全年新能源弃电量作为最大储能容量,输入优化的储能电站容量配置模型中,以优化的储能电站容量配置模型的类别作为麻雀种群,以赋权的变量作为麻雀种群对应的麻雀个体,以优化的储能电站容量配置模型的目标函数作为适应度,设置麻雀个体的数量M和最大迭代次数H;
步骤302、将每种种群中M个麻雀个体均匀分成三组,随机选取其中一组作为第一组,利用非线性惯性权重进行麻雀个体位置更新;
所述非线性惯性权重v为:
所述第一组麻雀个体位置更新过程为:
步骤303、在剩下的两组中随机选取一组作为第二组,利用基于余弦变化的惯性权重因子p进行麻雀个体位置进行更新;
所述基于余弦变化的惯性权重因子p为:
所述第二组麻雀个体位置更新过程为:
其中,pmax为初始时基于余弦变化的惯性权重因子,pmin为结束时基于余弦变化的惯性权重因子,为第h次迭代中适应度最差的麻雀个体位置,表示第h+1次迭代中适应度最佳的麻雀个体位置,A为一维矩阵,其中元素随机赋值1或-1;L为一维矩阵,元素全为1;
步骤304、剩下一组作为第三组,第三组的位置更新过程如下:
其中,为第h次迭代中全局最优位置,β为控制步长,服从均值为0、方差为1的正态分布,k为-1到1之间的随机数,ε设置为调整常数,fi表示当前麻雀个体的适应度值,fg表示目前全局麻雀个体中的最小适应度,fw表示目前全局麻雀个体中的最大适应度;
步骤305、将整个麻雀种群中的麻雀个体按照适应度从小到大的顺序排列,将适应度前20%的麻雀个体作为发现者角色,适应度后20%的麻雀个体作为警戒者角色,剩下的麻雀个体作为跟随者角色;
步骤306、利用Levy飞行游走的形式对发现者角色对应的麻雀个体的位置进行更新;
所述Levy飞行行走的路径f(L)为:
所述发现者角色对应的麻雀个体的位置更新过程为:
其中,u、v均为正态分布随机数,服从标准正态分布,θ为[0,2]区间内随机数;
步骤307、将警戒者角色中适应度最大的麻雀个体用步骤306更新位置的发现者角色和跟随者中的适应度最小的麻雀个体进行替换,形成新的警戒者角色,计算麻雀种群中所有麻雀个体的适应度;
步骤308、将进行位置更新的所有麻雀个体重复步骤302-307,直至达到最大迭代次数,选出适应度最小的麻雀个体作为优化的储能电站容量配置模型的最佳输入。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210965808.8A CN115347556A (zh) | 2022-08-12 | 2022-08-12 | 一种促进新能源消纳的储能电站容量配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210965808.8A CN115347556A (zh) | 2022-08-12 | 2022-08-12 | 一种促进新能源消纳的储能电站容量配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115347556A true CN115347556A (zh) | 2022-11-15 |
Family
ID=83952954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210965808.8A Withdrawn CN115347556A (zh) | 2022-08-12 | 2022-08-12 | 一种促进新能源消纳的储能电站容量配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115347556A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115800275A (zh) * | 2023-02-08 | 2023-03-14 | 国网浙江省电力有限公司宁波供电公司 | 电力平衡调控配电方法、系统、设备及存储介质 |
-
2022
- 2022-08-12 CN CN202210965808.8A patent/CN115347556A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115800275A (zh) * | 2023-02-08 | 2023-03-14 | 国网浙江省电力有限公司宁波供电公司 | 电力平衡调控配电方法、系统、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711620B (zh) | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 | |
CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和系统 | |
CN110752626B (zh) | 一种主动配电网滚动优化调度方法 | |
CN113919545A (zh) | 一种多数据模型融合的光伏发电功率预测方法和系统 | |
CN112418496B (zh) | 一种基于深度学习的配电台区储能配置方法 | |
Sodsong et al. | Short-term solar PV forecasting using gated recurrent unit with a cascade model | |
CN106503861B (zh) | 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN114784823A (zh) | 基于深度确定性策略梯度的微电网频率控制方法及系统 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
CN116742678A (zh) | 主从控架构的综合能源能量管理系统及预测控制方法 | |
CN114429248A (zh) | 一种变压器视在功率预测方法 | |
CN115347556A (zh) | 一种促进新能源消纳的储能电站容量配置方法 | |
CN117057491A (zh) | 基于mpc与储能系统结合的农村地区电力供应优化管理方法 | |
Sun et al. | Wind power prediction based on Elman neural network model optimized by improved genetic algorithm | |
Tao et al. | On comparing six optimization algorithms for network-based wind speed forecasting | |
CN116865343B (zh) | 分布式光伏配电网的无模型自适应控制方法、装置及介质 | |
Ding et al. | A statistical upscaling approach of region wind power forecasting based on combination model | |
CN107453366B (zh) | 计及风电决策风险的含upfc多目标最优潮流计算方法 | |
CN113034018B (zh) | 基于功率矩分析的电网供需平衡调节方法 | |
Li et al. | A wind power prediction model based on optimized N-BEATS network with multivariate inputs | |
CN110729759B (zh) | 一种微电网中分布式电源配置方案的确定方法及装置 | |
Hu et al. | A short-term wind speed forecasting model based on improved QPSO optimizing LSSVM | |
Barbosa et al. | Cuckoo search optimization for short term wind energy forecasting | |
CN112036672A (zh) | 一种基于迭代订正的新能源发电超短期功率预测方法及系统 |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20221115 |