CN115471009A - 预测性优化的电力系统规划方法 - Google Patents

预测性优化的电力系统规划方法 Download PDF

Info

Publication number
CN115471009A
CN115471009A CN202211231748.3A CN202211231748A CN115471009A CN 115471009 A CN115471009 A CN 115471009A CN 202211231748 A CN202211231748 A CN 202211231748A CN 115471009 A CN115471009 A CN 115471009A
Authority
CN
China
Prior art keywords
model
prediction
training
asset
risk
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
CN202211231748.3A
Other languages
English (en)
Inventor
汪润中
严骏驰
杨小康
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.)
Shanghai Jiaotong University
Original Assignee
Shanghai Jiaotong University
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 Shanghai Jiaotong University filed Critical Shanghai Jiaotong University
Priority to CN202211231748.3A priority Critical patent/CN115471009A/zh
Publication of CN115471009A publication Critical patent/CN115471009A/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
    • G06N3/08—Learning methods
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • 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

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

Abstract

一种预测性优化的电力系统规划方法，通过初始化后构造机器学习预测模型并进行有监督训练后，在在线阶段，利用机器学习模型进行推理。本发明在机器学习模型的训练过程中同时考虑优化步骤，形成预测‑决策一体化的学习框架，将预测、决策步骤协同训练，能够减轻现有技术中决策步骤受到预测误差误导的问题。

Description

预测性优化的电力系统规划方法
技术领域
本发明涉及的是一种电力系统规划领域的技术，具体是一种预测性优化的电力系统规划方法。
背景技术
现有电力系统正在向多样化的清洁能源转型，其中如何合理配置和规划多种类能源的比例、优化投资组合，在高波动性的电力系统中具有现实意义。电力系统的规划通常被形式化成一个兼顾风险和收益的优化问题(即均值-方差优化问题)，通过求解该优化问题，得到预设风险、收益偏好对应的最佳组合。该优化模型中，风险、收益均由历史数据计算得到；但是，实际场景下，决策者更关心未来的电价收益和风险。因此，基于机器学习预测技术的规划方法应运而生。其中，机器学习模型通过综合考虑历史电价走势、天气气候、宏观经济形势等因素，预测每个候选资产在未来的价格；决策者基于未来的电价计算收益和风险，套用上述经典的均值-方差优化模型进行决策。在目前这种机器学习投资组合方法中，分别单独考虑预测与决策，即“先预测、后决策”方法。
现有的“先预测、后决策”的方法在一定程度上考虑未来电价的变化，更加符合决策者关注未来风险收益的需求；但是，由于太阳能、风能的发电量受天气等因素影响导致电价波动明显，任何预测模型都存在不可避免的误差，即预测得到的未来电价是不准确的。同时，“先预测、后决策”中的决策模型并未考虑预测模型的误差，只是求解对应优化问题的最优解。在“先预测、后决策”框架下，对未来的预测误差很可能会误导决策模型，进而导致获得低质量的决策结果。
发明内容
本发明针对现有技术不可避免的预测误差很可能误导决策步骤的不足，提出一种预测性优化的电力系统规划方法，在机器学习模型的训练过程中同时考虑优化步骤，形成预测-决策一体化的学习框架，将预测、决策步骤协同训练，能够减轻现有技术中决策步骤受到预测误差误导的问题。
本发明是通过以下技术方案实现的：
本发明涉及一种预测性优化的电力系统规划方法，包括：
步骤1、初始化：输入预测窗口宽度(例如未来五年)、候选资产列表(例如风电、水电、太阳能)，获取所有电价的历史数据后，将电价的历史数据划分为训练、验证和测试数据集，每个样本包含历史电价以及对未来电价预测的真值。
步骤2、构造机器学习预测模型并进行有监督训练，具体包括：
2.1构造机器学习预测模型：使用长短时记忆(LSTM)模型构造一个编码器，该编码器接收资产的历史电价、天气情况以及宏观指数以时间序列并输出长短时记忆模型的隐向量；使用长短时记忆(LSTM)模型根据预测窗口的长度构造解码器，该解码器接收编码器输出的隐向量并以时间序列的形式输出对未来电价的预测；根据未来电价的预测值计算收益和风险指标μ,Σ，基于该形式的均值-方差优化是一个二次规划问题，在前向计算中直接对二次规划问题进行求解，得到资产组合w。
所述的对二次规划问题进行求解是指：采用但不限于cvxpy软件求解二次规划问题
Figure BDA0003880836390000021
其中：优化目标函数J(w,μ,Σ)为用户期望的风险、收益偏好，w代表分配给每个电力资产的权重，向量μ代表平均电价对应的收益，矩阵Σ代表电价波动对应的风险。当二次规划问题具有基数约束，则基于编码器和解码器的隐向量，使用全连接网络输出选择某一项资产的概率，使用可微的Gumbel-Sinkhorn算法使得机器学习预测模型的输出满足基数约束，当设定最多持有k项资产，对应的均值-方差优化问题新增|w|0≤k约束，具体为：
Figure BDA0003880836390000022
所述的全连接网络的最后一层使用Sigmoid激活函数并预测选择每项资产的概率。
所述的Gumbel-Sinkhorn算法是指：采用全连接网络为每项资产预测被选择的概率x后，在向量x上添加Gumbel噪声得到
Figure BDA0003880836390000027
再将
Figure BDA0003880836390000028
中的元素分别与0、1计算距离，得到代价矩阵，将代价矩阵输入Sinkhorn算法，即可得到每项资产作为前k个资产被选中的概率，将被选中概率代入优化目标函数，进一步求得满足约束的资产组合w。
所述的用户期望的风险、收益偏好包括：风险、收益的加权J(w,μ,Σ)＝wTμ-λwTΣw、夏普比率
Figure BDA0003880836390000023
等，其中：λ为加权权重，rf为“无风险收益率”，例如国债收益率。
2.2有监督训练，具体为：基于训练数据预测窗口的电价真值，计算实际的收益和风险指标
Figure BDA0003880836390000024
基于模型预测的资产组合w和真值
Figure BDA0003880836390000025
计算目标函数
Figure BDA0003880836390000026
学习的目标即为通过梯度反传，最大化该目标函数；当添加多个Gumbel噪声进而计算得到多个目标函数，则将所有目标函数求平均作为监督信号；训练过程中遍历所有的训练集数据，使模型收敛，最后根据验证集的模型性能调整超参数。在测试集上评估模型的性能。
优选地，为获得足够数目的训练样本，训练集、验证集和测试集的输入样本可以在时间上重合；为测试集分布的独立性和公平性，训练集、验证集和测试集的预测窗口不能在时间上重合。
步骤3、在线阶段，利用机器学习模型进行推理，具体为：加载训练中最优的模型权重，输入历史数据和预测窗口长度，使用模型预测资产组合w；基于验证集/测试集数据预测窗口的电价真值，计算实际的收益和风险指标
Figure BDA0003880836390000031
根据模型预测的资产组合w和真值
Figure BDA0003880836390000032
计算目标函数
Figure BDA0003880836390000033
作为评估模型性能好坏的指标。此外，还可以单独计算真实的收益与风险值，作为性能评估指标。
当采用Gumbel-Sinkhorn方案，模型同时预测多个资产组合，则选择对应J(w,μ,Σ)值最大的权重输出(μ,Σ由模型预测得到)。
本发明涉及一种实现上述方法的系统，包括：用户输入单元、数据获取单元、模型训练单元、在线预测单元和信息输出单元，其中：用户输入单元根据用户输入的风险、收益偏好信息和历史数据窗口信息，对上述信息进行存储。数据获取单元根据存储的历史数据窗口信息，从数据库中拉取对应时间窗口下电价的历史数据，得到训练集、验证集、测试集。模型训练单元根据训练集信息，对模型进行有监督训练，根据验证集和测试集对模型性能进行评估，得到训练完毕的模型。在线预测单元根据训练完毕的模型，对在线数据进行预测，得到电力规划结果。信息输出单元根据其他单元输入的信息，通过计算机屏幕输出至用户。
技术效果
本发明通过预测-决策一体化框架，通过对决策优化求解过程进行可导处理，充分考虑预测误差对决策质量的影响，有效克服现有技术因在决策步骤中忽略预测误差而导致的决策质量低下，本发明引入Gumbel-Sinkhorn方案，使网络输出满足基数约束，从而在预测误差达到10％的情况下依然具备较好的优化效果。
附图说明
图1为本发明流程图；
图2为实施例模型示意图。
具体实施方式
如图1所示，为本实施例涉及一种预测性优化的电力系统规划方法，包括：
步骤1、初始化：接受用户输入，存储用户偏好的风险、收益偏好信息和历史数据窗口信息；从数据库中拉取对应实际窗口下电价的历史数据。
步骤2、构造机器学习预测模型并进行有监督训练：基于电价历史数据进行划分，得到训练集、验证集、测试集。构造长短时记忆(LSTM)模型编码器、解码器模型作为预测模型，根据未来电价的预测值计算收益和风险指标，在前向计算中直接对二次规划问题进行求解，得到资产组合。在验证集和测试集上测试模型性能，得到训练完毕的模型。
步骤3、在线阶段，利用机器学习模型进行推理：接受用户输入的历史数据和预测窗口，加载训练阶段的模型，对在线数据进行预测，得到电力规划结果。
经过具体实际实验，在120天历史数据窗口长度、120天预测窗口长度的具体环境设置下，以32维的LSTM编码器、解码器特征维度、学习率10-3、训练步数1万步的的方式运行上述方法，能够在预测误差达到10％的情况下依然具备较好的优化效果。
与现有技术相比，本发明在训练阶段即考虑预测误差对决策的影响，可以在预测误差达到10％的情况下依然具备较好的优化效果。在实际数据集测试中，“预测-决策一体化”的性能超过“先预测、后决策”的性能。
上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的方式对其进行局部调整，本发明的保护范围以权利要求书为准且不由上述具体实施所限，在其范围内的各个实现方案均受本发明之约束。

Claims (8)

1.一种预测性优化的电力系统规划方法，其特征在于，包括：
步骤1、初始化：输入预测窗口宽度、候选资产列表，获取所有电价的历史数据后，将电价的历史数据划分为训练、验证和测试数据集，每个样本包含历史电价以及对未来电价预测的真值；
步骤2、构造机器学习预测模型并进行有监督训练，具体包括：
2.1构造机器学习预测模型：使用长短时记忆模型构造一个编码器，该编码器接收资产的历史电价、天气情况以及宏观指数以时间序列并输出长短时记忆模型的隐向量；使用长短时记忆模型根据预测窗口的长度构造解码器，该解码器接收编码器输出的隐向量并以时间序列的形式输出对未来电价的预测；根据未来电价的预测值计算收益和风险指标μ,Σ，基于该形式的均值-方差优化是一个二次规划问题，在前向计算中直接对二次规划问题进行求解，得到资产组合w；
2.2有监督训练，具体为：基于训练数据预测窗口的电价真值，计算实际的收益和风险指标
Figure FDA0003880836380000011
基于模型预测的资产组合w和真值
Figure FDA0003880836380000012
计算目标函数
Figure FDA0003880836380000013
学习的目标即为通过梯度反传，最大化该目标函数；当添加多个Gumbel噪声进而计算得到多个目标函数，则将所有目标函数求平均作为监督信号；训练过程中遍历所有的训练集数据，使模型收敛，最后根据验证集的模型性能调整超参数；在测试集上评估模型的性能；
步骤3、在线阶段，利用机器学习模型进行推理，具体为：加载训练中最优的模型权重，输入历史数据和预测窗口长度，使用模型预测资产组合w；基于验证集/测试集数据预测窗口的电价真值，计算实际的收益和风险指标
Figure FDA0003880836380000014
根据模型预测的资产组合w和真值
Figure FDA0003880836380000015
计算目标函数
Figure FDA0003880836380000016
作为评估模型性能好坏的指标，并通过计算真实的收益与风险值，作为性能评估指标。
2.根据权利要求1所述的预测性优化的电力系统规划方法，其特征是，所述的对二次规划问题进行求解是指：采用但不限于cvxpy软件求解二次规划问题
Figure FDA0003880836380000017
s.t.w≥0,sum(w)＝1，其中：优化目标函数J(w,μ,Σ)为用户期望的风险、收益偏好，w代表分配给每个电力资产的权重，向量μ代表平均电价对应的收益，矩阵Σ代表电价波动对应的风险。当二次规划问题具有基数约束，则基于编码器和解码器的隐向量，使用全连接网络输出选择某一项资产的概率，使用可微的Gumbel-Sinkhorn算法使得机器学习预测模型的输出满足基数约束，当设定最多持有k项资产，对应的均值-方差优化问题新增|w|0≤k约束，具体为：
Figure FDA0003880836380000021
s.t.w≥0,sum(w)＝1,|w|0≤k。
3.根据权利要求2所述的预测性优化的电力系统规划方法，其特征是，所述的全连接网络的最后一层使用Sigmoid激活函数并预测选择每项资产的概率。
4.根据权利要求2所述的预测性优化的电力系统规划方法，其特征是，所述的Gumbel-Sinkhorn算法是指：采用全连接网络为每项资产预测被选择的概率x后，在向量x上添加Gumbel噪声得到
Figure FDA0003880836380000023
再将
Figure FDA0003880836380000024
中的元素分别与0、1计算距离，得到代价矩阵，将代价矩阵输入Sinkhorn算法，即可得到每项资产作为前k个资产被选中的概率，将被选中概率代入优化目标函数，进一步求得满足约束的资产组合w。
5.根据权利要求2所述的预测性优化的电力系统规划方法，其特征是，所述的用户期望的风险、收益偏好包括：风险、收益的加权J(w,μ,Σ)＝wTμ-λwTΣw、夏普比率J(w,μ,Σ)＝
Figure FDA0003880836380000022
其中：λ为加权权重，rf为无风险收益率。
6.根据权利要求1所述的预测性优化的电力系统规划方法，其特征是，为测试集分布的独立性和公平性，训练集、验证集和测试集的预测窗口不能在时间上重合。
7.根据权利要求2或4所述的预测性优化的电力系统规划方法，其特征是，当采用Gumbel-Sinkhorn方案，模型同时预测多个资产组合，则选择对应J(w,μ,Σ)值最大的权重输出，其中μ,Σ由模型预测得到。
8.一种实现权利要求1-7中任一所述预测性优化的电力系统规划方法的系统，其特征在于，包括：用户输入单元、数据获取单元、模型训练单元、在线预测单元和信息输出单元，其中：用户输入单元根据用户输入的风险、收益偏好信息和历史数据窗口信息，对上述信息进行存储；数据获取单元根据存储的历史数据窗口信息，从数据库中拉取对应时间窗口下电价的历史数据，得到训练集、验证集、测试集；模型训练单元根据训练集信息，对模型进行有监督训练，根据验证集和测试集对模型性能进行评估，得到训练完毕的模型；在线预测单元根据训练完毕的模型，对在线数据进行预测，得到电力规划结果；信息输出单元根据其他单元输入的信息，通过计算机屏幕输出至用户。
CN202211231748.3A 2022-09-30 2022-09-30 预测性优化的电力系统规划方法 Pending CN115471009A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211231748.3A CN115471009A (zh) 2022-09-30 2022-09-30 预测性优化的电力系统规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211231748.3A CN115471009A (zh) 2022-09-30 2022-09-30 预测性优化的电力系统规划方法

Publications (1)

Publication Number Publication Date
CN115471009A true CN115471009A (zh) 2022-12-13

Family

ID=84337505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211231748.3A Pending CN115471009A (zh) 2022-09-30 2022-09-30 预测性优化的电力系统规划方法

Country Status (1)

Country Link
CN (1) CN115471009A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341762A (zh) * 2023-05-23 2023-06-27 武汉中元华电科技股份有限公司 高海拔风电供电系统最优能流求解方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341762A (zh) * 2023-05-23 2023-06-27 武汉中元华电科技股份有限公司 高海拔风电供电系统最优能流求解方法及系统
CN116341762B (zh) * 2023-05-23 2023-07-25 武汉中元华电科技股份有限公司 高海拔风电供电系统最优能流求解方法及系统

Similar Documents

Publication Publication Date Title
Dong et al. Electrical load forecasting: A deep learning approach based on K-nearest neighbors
Dumas et al. A deep generative model for probabilistic energy forecasting in power systems: normalizing flows
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
Yin et al. A novel asexual-reproduction evolutionary neural network for wind power prediction based on generative adversarial networks
CN106022549A (zh) 基于神经网络和思维演化搜索的短期负荷预测方法
CN110766212A (zh) 用于历史数据缺失电场的超短期光伏功率预测方法
CN110837939A (zh) 一种电网多目标项目筛选方法和系统
CN113537539B (zh) 一种基于注意力机制的多时间步供热用气量预测模型
CN111144721A (zh) 电网项目需求评价模型的构建方法、装置和计算设备
CN112686693A (zh) 电力现货市场边际电价预测方法、系统、设备及存储介质
CN115759336A (zh) 一种面向短期电力负荷预测的预测方法及存储介质
CN111311001B (zh) 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法
Kosana et al. Hybrid wind speed prediction framework using data pre-processing strategy based autoencoder network
CN115471009A (zh) 预测性优化的电力系统规划方法
CN115017970A (zh) 一种基于迁移学习的用气行为异常检测方法及系统
Wasesa et al. Predicting electricity consumption in microgrid-based educational building using google trends, google mobility, and covid-19 data in the context of covid-19 pandemic
CN110807543A (zh) 一种基于群决策智能搜索的投资组合优化方法和装置
Zhu et al. Wind power interval and point prediction model using neural network based multi-objective optimization
CN117557375A (zh) 基于虚拟电厂的交易评估方法及相关装置
CN117217591A (zh) 一种用于预测光伏发电功率的方法及系统
CN115936791A (zh) 一种电力市场短中期价格预测方法
He et al. GA-based optimization of generative adversarial networks on stock price prediction
Courbariaux et al. Post-processing multiensemble temperature and precipitation forecasts through an exchangeable normal-gamma model and its Tobit extension
KR20230072219A (ko) 날씨 예측 데이터를 이용한 확률적 시나리오 기법의 최적 입찰량 결정 시스템
Shen et al. An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed

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