CN115528712A - 一种源网荷储备不同区储能容量平衡方法及系统 - Google Patents

一种源网荷储备不同区储能容量平衡方法及系统 Download PDF

Info

Publication number
CN115528712A
CN115528712A CN202211471262.7A CN202211471262A CN115528712A CN 115528712 A CN115528712 A CN 115528712A CN 202211471262 A CN202211471262 A CN 202211471262A CN 115528712 A CN115528712 A CN 115528712A
Authority
CN
China
Prior art keywords
energy storage
deep learning
storage capacity
capacity
application layer
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
Application number
CN202211471262.7A
Other languages
English (en)
Other versions
CN115528712B (zh
Inventor
刘书玉
徐晖
凌天晗
张金禄
迟福建
孙阔
刘兆阳
何玉龙
陈跃
胡益菲
刘浩宇
张可佳
王家兴
吕红星
王旌
万宝
刘志超
徐贵清
孙建刚
苗树国
于进汇
黄东来
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.)
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Binhai Power Supply Co of State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Binhai Power Supply Co of State Grid Tianjin 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 State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd, Binhai Power Supply Co of State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211471262.7A priority Critical patent/CN115528712B/zh
Publication of CN115528712A publication Critical patent/CN115528712A/zh
Application granted granted Critical
Publication of CN115528712B publication Critical patent/CN115528712B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • H02J3/28—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
    • 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
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given 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
    • 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
    • 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
    • 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
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于神经源网诊断技术领域，公开了一种源网荷储备不同区储能容量平衡方法及系统，该方法包括：对获取的储能容量与储热容量，经过训练的深度学习网络深度学习应用层进行深度学习网络的诊断；获取储能容量与储热容量是否存在平衡；基于确定的深度学习应用层的诊断，在储能容量与储热容量数据不平衡的状态下，通过深度学习应用层输出对储能容量与储热容量数据的分配，并进行模型调整；通过各不同区储能设备智能、动态地选择合适的路径进行传输，在保证自身容量的同时提升源网整体的容量；进行电量能源有序的平衡调控。本发明解决了现有技术导致无法准确有效地对储能容量与储热容量进行配置，进而导致新能源利用率低的问题。

Description

一种源网荷储备不同区储能容量平衡方法及系统
技术领域
本发明涉及电网储能技术领域，特别涉及一种源网荷储备不同区储能容量平衡方法及系统。
背景技术
风电、光伏发电因其零排放无污染的优点，在电力系统中的应用日益提高。然而，新能源出力具有波动性和随机性，对电力系统的运行产生影响。为了保证电力系统的稳定运行，储能与储热等调节性电源通过调节出力来平抑新能源的波动性和随机性产生的影响。
现有技术中通常采用典型日的方法选取风电、光伏发电的代表性日场景，以该日场景的出力代表整个风电、光伏发电全时段的出力进行储能容量与储热容量的优化。
光伏作为一种新型清洁能源，近些年广泛应用于电力系统中。我国光伏装机容量短期内迅猛增长，新能源代替传统能源已经成为未来能源的发展趋势。然而，由于光伏、风电等新能源出力具有波动性和随机性的特点，高比例新能源接入电网势必给电力系统优化调控带来巨大挑战。同时，随着高渗透率分布式光伏接入配电网，如何实现对配电网内部资源的主动管理与调控，保障配电网安全经济运行也成为了亟待解决的关键问题。
国内外针对智能电网框架下的主动配电网运行优化研究取得了突出进展，主要集中在多场景技术和区域协调控制方法。在多场景技术上，采用包含日前调控和实时调控的主动配电系统两步优化调控模型；在区域协调控制方法上，将主动配电网进行区域划分，并在每个区域中配置协调控制器进行区域自动控制，该调控方式为统一调控方式。然而，用户侧分布式电源市场逐步开放，配电网中大量的分布式电源由新能源供应商投资建设，形成了独立的调控单元。因此，上述研究工作均以配电网对分布式电源拥有绝对调控权为基础，无法实现分布式能源配电网云端和边端电能协同调控。
综上所述，现有技术存在的问题及缺陷为：现有技术采用典型日的方法对储能与储热进行优化具有局限性，不能反应长时间尺度下风电、光伏发电的实际情况，导致无法准确有效地对储能容量与储热容量进行配置，进而导致新能源利用率低。
发明内容
针对上述问题，本发明提供一种源网荷储备不同区储能容量平衡方法及系统。
本发明源网荷储备不同区储能容量平衡方法基于先前技术：获取历史数据、风电装机容量、光伏装机容量与光热装机容量；对所述历史数据进行时序生产模拟处理，确定风电出力时序序列、光伏出力时序序列与负荷时序序列；根据所述风电装机容量与光伏装机容量确定基准储能容量，根据所述光热装机容量确定基准储热容量；
基于所述风电出力时序序列、光伏出力时序序列与负荷时序序列，以经济性最优为目标函数，以功率平衡约束、新能源发电出力约束、光热电站约束与电化学储能电池约束为约束条件，构建时序生产模拟模型；
利用CPLEX求解器对所述时序生产模拟模型进行求解，根据求解结果、所述基准储能容量与所述基准储热容量确定储能容量与储热容量。
本发明进一步提出：所述源网荷储备不同区储能容量平衡方法还包括：
S101，对获取的储能容量与储热容量，经过训练的深度学习网络深度学习应用层进行深度学习网络的诊断；获取储能容量与储热容量是否存在平衡；
S102，基于深度学习应用层的诊断，在储能容量与储热容量数据不平衡的状态下，通过深度学习应用层输出对储能容量与储热容量数据的分配，并进行模型调整；
S103，通过各不同区储能设备智能、动态地选择合适的路径进行传输，在保证自身容量的同时提升源网整体的容量；进行电量能源有序的平衡调控。
在一个实施例中，在步骤S101中所述经过训练的深度学习网络深度学习应用层进行深度学习网络的诊断包括：
步骤201，逐层计算深度学习网络中的深度学习应用层中的单位信息量即深度学习信息公式以及整体信息量；
步骤202，针对深度学习网络中的深度学习应用层，逐层计算信息量与前一层的深度学习应用层的差值；
步骤203，进行差值阈值设置，并判断获取的深度学习应用层的信息量差值是否超出阈值，基于判断结果进行深度学习应用层是否具备提取作用。
在一个实施例中，步骤S201中所述计算深度学习网络中的深度学习应用层中的单位信息量，包括：
通过深度学习应用层经由激活函数后的输出概率，计算得到单位信息量Entropy，具体公式如下：
Figure 439425DEST_PATH_IMAGE001
；
其中，p(x>0)代表深度学习应用层经由激活函数后输出中大于0的概率，p(x=0)代表深度学习应用层经由激活函数后输出中等于0的概率，n代表深度学习应用层的长度；
所述整体信息量的计算公式如下：整体信息量=单位信息量×长度。
在一个实施例中，步骤203中，所述基于判断结果进行深度学习应用层是否具备提取作用包括：
若某一深度学习应用层的信息量差值超出阈值，则该深度学习应用层具备提取作用；且差值越大，提取作用越强；
所述基于确定的深度学习应用层的诊断，在储能容量与储热容量数据不平衡的状态下，通过深度学习应用层输出对储能容量与储热容量数据的分配，并进行模型调整包括：
根据模型结构是否合理输出对应的调整建议，分别进行模型调整；
所述根据模型结构是否合理输出对应的调整方案，分别进行模型调整包括：
（1）当无法确定模型是否存在充足的准确率上升空间，通过增大或者引入更多的提取层进行模型提取层调整，直至模型的准确率不再增加；
（2）为在两个相邻的提取层中间加入变换层，直至模型的准确率不再提升；
上述步骤（1）中，所述变换层和提取层的区分依据在于是否具备提取作用；
所述根据模型结构是否合理输出对应的调整建议，分别进行模型调整还包括：
当模型结构不合理时,调整方法如下：
1）关注深度学习应用层作用的主客观性，当模型设计者主观认定该层为提取层，同时源网诊断结果为变换层时，尝试删除该卷积层；
2）判断是否连续出现两个提取层，若是，则为两个提取层间添加充分数量的变换层；
3）判断模型中提取层的数量是否过多，若过多，则去除部分提取层；
上述步骤2）中，所述添加充分数量的变换层包括：通过是否能够进行提升准确率确定添加变换层的数量。
在一个实施例中，在步骤S103，所述通过各不同区储能设备智能、动态地选择合适 的路径进行传输，在保证自身容量的同时提升源网整体的容量；进行电量能源有序的平衡 调控包括：通过各不同区储能设备n分别获得到各自的路径状态信息，初始化smallcell中 的相关参数，第n个smallcell中的储能设备测量到不同区的下行正交路径的功率增益
Figure 2125DEST_PATH_IMAGE002
， 并反馈给不同区的储能设备n，其中
Figure 720551DEST_PATH_IMAGE003
，N为源网中不同区储能设备的数目，
Figure 126124DEST_PATH_IMAGE004
，K为源网中正交路径的数目，接着，各个不同区储能设备分别初始化所需参 数；
各个不同区储能设备根据周围的干扰情况，重复更新自己的迭代次数计数器以及策略计数器，不同区储能设备根据周围的干扰情况，更新自己的迭代次数计数器以及策略计数器；
所有不同区储能设备分别将各自的迭代次数计数器t置为t+1；
第n个不同区储能设备n根据自己在第t-1次迭代后的状态
Figure 971721DEST_PATH_IMAGE005
以及所选择的路径集合
Figure 638194DEST_PATH_IMAGE006
，计算此时选择路径集合
Figure 402888DEST_PATH_IMAGE007
的概率
Figure 171124DEST_PATH_IMAGE008
：
如果
Figure 804099DEST_PATH_IMAGE009
，
Figure 200446DEST_PATH_IMAGE010
；否则，如果
Figure 11407DEST_PATH_IMAGE011
，
Figure 516206DEST_PATH_IMAGE013
；
其中，
Figure 297081DEST_PATH_IMAGE014
Figure 954458DEST_PATH_IMAGE015
，表示集合
Figure 185588DEST_PATH_IMAGE016
中元素的个数，
Figure 787471DEST_PATH_IMAGE017
为一个大于0小于1的常 数，
Figure 778560DEST_PATH_IMAGE018
为一个大于N的常数；
第n个不同区储能设备
Figure 274133DEST_PATH_IMAGE019
根据概率分布
Figure 426896DEST_PATH_IMAGE020
，更新所选择的路径
Figure 516075DEST_PATH_IMAGE021
，并在路径上 发送数据，
Figure 294544DEST_PATH_IMAGE014
；
在一个实施例中，根据所选择的路径集合
Figure 660935DEST_PATH_IMAGE022
，第n个不同区储能设备
Figure 233867DEST_PATH_IMAGE019
测量所收 到的干扰
Figure 810342DEST_PATH_IMAGE023
，并将报告给不同区储能设备n，其中
Figure 877655DEST_PATH_IMAGE024
，不同区储能设备n计算所处于的 smallcell的容量
Figure 347820DEST_PATH_IMAGE025
Figure 763758DEST_PATH_IMAGE026
其中
Figure 952162DEST_PATH_IMAGE027
为每个路径的带宽，
Figure 947800DEST_PATH_IMAGE028
为不同区储能设备n在路径l上的发射功率，
Figure 23204DEST_PATH_IMAGE029
表示 不同区储能设备n在路径l上的功率增益，
Figure 203518DEST_PATH_IMAGE030
为噪声功率谱密度；
第n个不同区储能设备n更新自己此时的状态
Figure 489006DEST_PATH_IMAGE032
，
Figure 898122DEST_PATH_IMAGE034
；
当更新次数到达预设门限值，各个不同区储能设备选择最终使用的路径集合，各个不同区储能设备判断迭代次数计数器是否满足
Figure 342878DEST_PATH_IMAGE036
，即迭代次数小于门限值T；
第n个不同区储能设备
Figure 835039DEST_PATH_IMAGE019
根据自己的策略计数器
Figure 342244DEST_PATH_IMAGE037
，选择最终使用的路径集合
Figure 804318DEST_PATH_IMAGE038
，
Figure 119893DEST_PATH_IMAGE039
；
其中
Figure 986218DEST_PATH_IMAGE040
为集合
Figure 902090DEST_PATH_IMAGE041
在集合
Figure 387429DEST_PATH_IMAGE042
中的编号，
Figure 806778DEST_PATH_IMAGE043
表示策略计数器
Figure 109584DEST_PATH_IMAGE044
中第1行第
Figure 997905DEST_PATH_IMAGE040
列元素的值。
本发明的另一目的在于提供一种源网荷储备不同区储能容量平衡系统包括：
深度学习网络诊断模块，用于对获取的储能容量与储热容量，经过训练的深度学习网络深度学习应用层进行深度学习网络的诊断；获取储能容量与储热容量是否存在平衡；
调整模块，用于基于确定的深度学习应用层的诊断，在储能容量与储热容量数据不平衡的状态下，通过深度学习应用层输出对储能容量与储热容量数据的分配，并进行模型调整；
容量平衡模块，用于通过各不同区储能设备智能、动态地选择合适的路径进行传输，在保证自身容量的同时提升源网整体的容量；进行电量能源有序的平衡调控。
本发明的另一目的在于提供一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的源网荷储备不同区储能容量平衡方法。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述的源网荷储备不同区储能容量平衡方法。
本发明的另一目的在于提供一种所述的源网荷储备不同区储能容量平衡方法在风电、光伏发电全时段的出力进行储能容量与储热容量优化上的应用。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明能够为模型带来合理的调整建议，增加模型准确率的提升空间，并减少调整模型的过程中所产生的时间开销。本发明提供的整方法，通过对检测深度学习应用层的作用来判断它在模型中扮演的具体角色，由此确定具体的调整策略；能够大大的减少调整过程中的试错次数，同时能够辅助推断模型是否仍有准确率提升的空间。调整后模型的的准确率比之前提升了8.61%左右。
本发明解决了现有技术采用典型日的方法对储能与储热进行优化具有局限性，不 能反应长时间尺度下风电、光伏发电的实际情况，导致无法准确有效地对储能容量与储热 容量进行配置，进而导致新能源利用率低的问题。通过迭代次数计数器
Figure 536203DEST_PATH_IMAGE045
在采用不同迭代初 值或者不同迭代函数进行迭代时，利用计算机运算速度快，可以提高他们的收敛速度。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书以及附图中所指出的结构来实现和获得。
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一简单地介绍，显而易见地，下面描述中的附图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是本发明实施例提供的源网荷储备不同区储能容量平衡方法流程图；
图2是本发明实施例提供的确定深度学习应用层的作用流程图；
图3是本发明实施例提供的源网荷储备不同区储能容量平衡系统图。
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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，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。
针对现有技术存在的问题，本发明提供了源网荷储备不同区储能容量平衡方法、系统、设备及介质，下面结合附图对本发明作详细的描述。
一、解释说明实施例
实施例1
如图1所示，本发明实施例提供的源网荷储备不同区储能容量平衡方法包括：
S101，对获取的储能容量与储热容量，经过训练的深度学习网络深度学习应用层进行深度学习网络的诊断；获取储能容量与储热容量是否存在平衡；
S102，基于深度学习应用层的诊断，在储能容量与储热容量数据不平衡的状态下，通过深度学习应用层输出对储能容量与储热容量数据的分配，并进行模型调整；
S103，通过各不同区储能设备智能、动态地选择合适的路径进行传输，在保证自身容量的同时提升源网整体的容量；进行电量能源有序的平衡调控。
实施例2
如图2所示，在步骤S101中本发明实施例提供的经过训练的深度学习网络深度学习应用层进行深度学习网络的诊断包括：
S201，逐层计算深度学习网络中的深度学习应用层中的单位信息量即深度学习信息公式以及整体信息量；
S202，针对深度学习网络中的深度学习应用层，逐层计算信息量与前一层的深度学习应用层的差值；
S203，进行差值阈值设置，并判断获取的深度学习应用层的信息量差值是否超出阈值，基于判断结果进行深度学习应用层是否具备提取作用。
实施例3
在本发明一优选实施例中，步骤S201中所述计算深度学习网络中的深度学习应用层中的单位信息量，包括：
通过深度学习应用层经由激活函数后的输出概率，计算得到单位信息量Entropy，具体公式如下：
Figure 685425DEST_PATH_IMAGE001
；
其中，p(x>0)代表深度学习应用层经由激活函数后输出中大于0的概率，p(x=0)代表深度学习应用层经由激活函数后输出中等于0的概率，n代表深度学习应用层的长度；
所述整体信息量的计算公式如下：整体信息量=单位信息量×长度。
步骤S203中，所述基于判断结果进行深度学习应用层是否具备提取作用包括：
若某一深度学习应用层的信息量差值超出阈值，则该深度学习应用层具备提取作用；且差值越大，提取作用越强；
所述基于确定的深度学习应用层的诊断，在储能容量与储热容量数据不平衡的状态下，通过深度学习应用层输出对储能容量与储热容量数据的分配，并进行模型调整包括：
根据模型结构是否合理输出对应的调整建议，分别进行模型调整；
所述根据模型结构是否合理输出对应的调整方案，分别进行模型调整包括：
（1）当无法确定模型是否存在充足的准确率上升空间，通过增大或者引入更多的提取层进行模型提取层调整，直至模型的准确率不再增加；
（2）为在两个相邻的提取层中间加入变换层，直至模型的准确率不再提升；
上述步骤（1）中，所述变换层和提取层的区分依据在于是否具备提取作用；
所述根据模型结构是否合理输出对应的调整建议，分别进行模型调整还包括：
当模型结构不合理时,调整方法如下：
1）关注深度学习应用层作用的主客观性，当模型设计者主观认定该层为提取层，同时源网诊断结果为变换层时，尝试删除该卷积层；
2）判断是否连续出现两个提取层，若是，则为两个提取层间添加充分数量的变换层；
3）判断模型中提取层的数量是否过多，若过多，则去除部分提取层；
上述步骤2）中，所述添加充分数量的变换层包括：通过是否能够进行提升准确率确定添加变换层的数量。
在步骤S103中，所述通过各不同区储能设备智能、动态地选择合适的路径进行传 输，在保证自身容量的同时提升源网整体的容量；进行电量能源有序的平衡调控包括：通过 各不同区储能设备分别获得到各自的路径状态信息，初始化相关参数，第n个smallcell中 的不同区储能设备
Figure 300077DEST_PATH_IMAGE019
测量不同区储能设备n到自己的下行路径功率增益
Figure 659383DEST_PATH_IMAGE046
，并反馈给不同 区储能设备n，其中
Figure 752104DEST_PATH_IMAGE048
，N为源网中不同区储能设备的数目，
Figure 755832DEST_PATH_IMAGE050
，K为源网正交 路径的数目，接着，各个不同区储能设备分别初始化所需参数；
各个不同区储能设备根据周围的干扰情况，重复更新自己的迭代次数计数器以及策略计数器，不同区储能设备根据周围的干扰情况，更新自己的迭代次数计数器以及策略计数器；
所有不同区储能设备分别将各自的迭代次数计数器t置为t+1；
第n个不同区储能设备n根据自己在第t-1次迭代后的状态
Figure 525073DEST_PATH_IMAGE052
以及所选择的路径集合
Figure 122408DEST_PATH_IMAGE053
，计算此时选择路径集合
Figure 143454DEST_PATH_IMAGE054
的概率
Figure 126322DEST_PATH_IMAGE055
：
如果
Figure 348356DEST_PATH_IMAGE056
，
Figure 292041DEST_PATH_IMAGE057
；否则，如果
Figure 975832DEST_PATH_IMAGE058
，
Figure 829519DEST_PATH_IMAGE059
；
其中，
Figure 206142DEST_PATH_IMAGE060
，
Figure 637124DEST_PATH_IMAGE061
表示集合
Figure 875338DEST_PATH_IMAGE062
中元素的个数，
Figure 856236DEST_PATH_IMAGE063
为一个大于0小于1的常数，
Figure 279127DEST_PATH_IMAGE064
为一个大于N的常数；
第n个不同区储能设备n根据概率分布
Figure 338350DEST_PATH_IMAGE065
，更新所选择的路径
Figure 363944DEST_PATH_IMAGE066
，并在路径上发送数据，
Figure 51277DEST_PATH_IMAGE060
；
在一优选实施例中，根据所选择的路径集合
Figure 520436DEST_PATH_IMAGE067
，第n个不同区储能设备
Figure 50643DEST_PATH_IMAGE019
测量所 收到的干扰
Figure 755294DEST_PATH_IMAGE068
，并将报告给不同区储能设备n，其中
Figure 438079DEST_PATH_IMAGE069
，不同区储能设备n计算所处于 的smallcell的容量
Figure 327407DEST_PATH_IMAGE070
，
Figure 954697DEST_PATH_IMAGE048
；
其中
Figure 72826DEST_PATH_IMAGE071
为每个路径的带宽，
Figure 124964DEST_PATH_IMAGE073
为不同区储能设备
Figure 794980DEST_PATH_IMAGE074
在路径
Figure 50512DEST_PATH_IMAGE075
上的发射功率，
Figure 221599DEST_PATH_IMAGE077
表 示不同区储能设备
Figure 738031DEST_PATH_IMAGE078
在路径
Figure 719894DEST_PATH_IMAGE068
上的功率增益，
Figure 711989DEST_PATH_IMAGE079
为噪声功率谱密度；
第n个不同区储能设备n更新自己此时的状态
Figure 296554DEST_PATH_IMAGE081
，
Figure 808438DEST_PATH_IMAGE048
；
当更新次数到达预设门限值，各个不同区储能设备选择最终使用的路径集合，各个不同区储能设备判断迭代次数计数器是否满足
Figure 210470DEST_PATH_IMAGE082
，即迭代次数小于门限值T；
第n个不同区储能设备
Figure 175015DEST_PATH_IMAGE019
根据自己的策略计数器
Figure 563271DEST_PATH_IMAGE083
，选择最终使用的路径集合
Figure 178929DEST_PATH_IMAGE084
，
Figure 502594DEST_PATH_IMAGE048
；
其中
Figure 79068DEST_PATH_IMAGE085
为集合
Figure 395649DEST_PATH_IMAGE086
在集合
Figure 616546DEST_PATH_IMAGE087
中的编号，
Figure 501325DEST_PATH_IMAGE088
表示策略计数器
Figure 689730DEST_PATH_IMAGE089
中第1行第
Figure 295155DEST_PATH_IMAGE085
列元素的值。
各个不同区储能设备重复更新自己的迭代次数计数器以及策略计数器能够建立正交路径的流量与功耗，并基于距离感知研究smallcell休眠与负载均衡策略，当部分smallcell休眠关闭后，邻近活跃smallcell在对休眠区域的用户提供通信服务前，需评估活跃smallcell的负载情况，避免造成smallcell负载不均衡，导致降低网络的服务质量的情况发生，以达到很好的节能效果。
实施例4
如图3所示，本发明实施例提供一种源网荷储备不同区储能容量平衡系统包括：
深度学习网络诊断模块1，用于对获取的储能容量与储热容量，经过训练的深度学习网络深度学习应用层进行深度学习网络的诊断；获取储能容量与储热容量是否存在平衡；
调整模块2，用于基于确定的深度学习应用层的诊断，在储能容量与储热容量数据不平衡的状态下，通过深度学习应用层输出对储能容量与储热容量数据的分配，并进行模型调整；
容量平衡模块3，用于通过各不同区储能设备智能、动态地选择合适的路径进行传输，在保证自身容量的同时提升源网整体的容量；进行电量能源有序的平衡调控。
二、应用实施例：
本发明实施例还提供了一种计算机设备，该计算机设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时可实现上述各个方法实施例中的步骤。
本发明实施例还提供了一种信息数据处理终端，所述信息数据处理终端用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤，所述信息数据处理终端不限于手机、电脑、交换机。
本发明实施例还提供了一种服务器，所述服务器用于实现于电子装置上执行时，提供用户输入接口以实施如上述各方法实施例中的步骤。
本发明实施例提供了一种计算机程序产品，当计算机程序产品在电子设备上运行时，使得电子设备执行时可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（Read-OnlyMemory，ROM）、随机存取存储器（RandomAccessMemory，RAM）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
三、下面结合就深度学习应用层的提取作用和信息量之间的关系进行逻辑证明对本发明作进一步描述。
经过预训练的深度学习应用层能够一定程度的区分关键特征和无用特征，该现象在数值上中表现为，不对关键特征所对应的数值信息进行修改，同时将所有无用特征置为零。其中，提取作用与无用特征的比例相关，即无用特征的比例越高，提取作用越强。
根据信息量的计算公式，信息量的大小与信息中所包含的零值比例呈反比，因而信息量能够表达深度学习应用层所保留的关键特征比例。
从信息传递的角度来看，深度学习网络中深度学习应用层的排列顺序属于线型排列。在线型排列中，信息量一旦发生损耗，是无法恢复的。也就是说，深度学习应用层的信息量波动是不可逆的。而且，对于两个信息量相同的信息，一定能够找到一种变换方式实现两者间的转化。因而，信息量波动与提取作用的关系是一致且明确的，不存在信息量波动大，深度学习应用层提取作用小的情况，同样，也不会存在信息量波动小，深度学习应用层提取作用大的情况。所以信息量能够描述深度学习应用层的提取作用。在实验中，模型的准确率比之前提升了8.61%。
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)

1.一种源网荷储备不同区储能容量平衡方法，获取历史数据、风电装机容量、光伏装机容量与光热装机容量；对所述历史数据进行时序生产模拟处理，确定风电出力时序序列、光伏出力时序序列与负荷时序序列；根据所述风电装机容量与光伏装机容量确定基准储能容量，根据所述光热装机容量确定基准储热容量，其特征在于，所述方法包括：
对获取的储能容量与储热容量，经过训练的深度学习网络的深度学习应用层进行诊断，获取储能容量与储热容量是否存在平衡；
基于深度学习应用层的诊断，在储能容量与储热容量数据不平衡的状态下，通过深度学习应用层输出对储能容量与储热容量数据的分配，并进行模型调整；
通过各不同区储能设备智能、动态地选择合适的路径进行传输，在保证自身容量的同时提升源网整体的容量；进行电量能源有序的平衡调控。
2.根据权利要求1所述的储能容量平衡方法，其特征在于，
所述经过训练的深度学习网络的深度学习应用层进行诊断，包括：
逐层计算深度学习网络中的深度学习应用层中的单位信息量和整体信息量；
针对深度学习网络中的深度学习应用层，逐层计算信息量与前一层的深度学习应用层的整体信息量差值；
判断获取的深度学习应用层的整体信息量差值是否超出阈值，基于判断结果进行深度学习应用层是否具备提取作用。
3.根据权利要求2所述的储能容量平衡方法，其特征在于，
所述计算深度学习网络中的深度学习应用层中的单位信息量，包括：
通过深度学习应用层经由激活函数后的输出概率，计算得到单位信息量Entropy，具体公式如下：
Figure 518551DEST_PATH_IMAGE001
；
其中，p(x>0)代表深度学习应用层经由激活函数后输出中大于0的概率，p(x=0)代表深度学习应用层经由激活函数后输出中等于0的概率，n代表深度学习应用层的长度；
所述整体信息量的计算公式如下：整体信息量=单位信息量×长度。
4.根据权利要求2所述的储能容量平衡方法，其特征在于，
所述基于判断结果进行深度学习应用层是否具备提取作用，包括：
若某一深度学习应用层的整体信息量差值超出阈值，则该深度学习应用层具备提取作用，且差值越大，提取作用越强。
5.根据权利要求1所述的储能容量平衡方法，其特征在于，
所述在储能容量与储热容量数据不平衡的状态下，通过深度学习应用层输出对储能容量与储热容量数据的分配，并进行模型调整，包括：
当无法确定模型是否存在充足的准确率上升空间，通过增大或者引入更多的提取层进行模型提取层调整，直至模型的准确率不再增加；
为在两个相邻的提取层中间加入变换层，直至模型的准确率不再提升。
6.根据权利要求1所述的储能容量平衡方法，其特征在于，所述通过各不同区储能设备智能、动态地选择合适的路径进行传输，在保证自身容量的同时提升源网整体的容量；进行电量能源有序的平衡调控包括：
通过各不同区储能设备n分别获得到各自的路径状态信息，初始化smallcell中的相关 参数，第n个smallcell中的储能设备测量到不同区的下行正交路径的功率增益
Figure 107795DEST_PATH_IMAGE002
，并反馈 给不同区的储能设备n，其中
Figure 684270DEST_PATH_IMAGE003
，N为源网中不同区储能设备的数目，
Figure 851DEST_PATH_IMAGE004
，K为 源网中正交路径的数目，接着，各个不同区储能设备分别初始化所需参数；
各个不同区储能设备根据周围的干扰情况，重复更新自己的迭代次数计数器以及策略计数器，不同区储能设备根据周围的干扰情况，更新自己的迭代次数计数器以及策略计数器；
所有不同区储能设备分别将各自的迭代次数计数器t置为t+1；
第n个不同区储能设备n根据自己在第t-1次迭代后的状态
Figure 487327DEST_PATH_IMAGE005
以及所选择的路径集合
Figure 840948DEST_PATH_IMAGE006
，计算此时选择路径集合
Figure 865290DEST_PATH_IMAGE007
的概率
Figure 736294DEST_PATH_IMAGE008
：
如果
Figure 326544DEST_PATH_IMAGE010
，
Figure 851067DEST_PATH_IMAGE012
；否则，如果
Figure 277500DEST_PATH_IMAGE014
，
Figure 935883DEST_PATH_IMAGE016
；
其中，
Figure 256006DEST_PATH_IMAGE018
，
Figure 357954DEST_PATH_IMAGE019
表示集合
Figure 520951DEST_PATH_IMAGE021
中元素的个数，
Figure 327233DEST_PATH_IMAGE022
为一个大于0小于1的常数，
Figure 642808DEST_PATH_IMAGE023
为一个 大于N的常数；
第n个不同区储能设备
Figure 899346DEST_PATH_IMAGE024
根据概率分布
Figure 300371DEST_PATH_IMAGE025
，更新所选择的路径
Figure 910344DEST_PATH_IMAGE026
，并在路径上发送数 据，
Figure 329693DEST_PATH_IMAGE018
。
7.根据权利要求6所述的储能容量平衡方法，其特征在于，所述获得到各自的路径状态信息包括：
根据所选择的路径集合
Figure 773444DEST_PATH_IMAGE026
，第n个不同区储能设备
Figure 520820DEST_PATH_IMAGE027
测量所收到的干扰
Figure 324697DEST_PATH_IMAGE028
，并将报告给不同区储能设备n，其中
Figure 349285DEST_PATH_IMAGE029
，不同区储能设备n计算所处于的smallcell的容量Rn（t）：
Figure 822991DEST_PATH_IMAGE030
，
Figure 182298DEST_PATH_IMAGE031
；
其中
Figure 275018DEST_PATH_IMAGE032
为每个路径的带宽，
Figure 668960DEST_PATH_IMAGE033
为不同区储能设备n在路径l上的发射功率，
Figure 579147DEST_PATH_IMAGE034
表示不同 区储能设备n在路径l上的功率增益，
Figure 910902DEST_PATH_IMAGE035
为噪声功率谱密度；
第n个不同区储能设备n更新自己此时的状态
Figure 56581DEST_PATH_IMAGE036
，
Figure 914816DEST_PATH_IMAGE037
；
当更新次数到达预设门限值，各个不同区储能设备选择最终使用的路径集合，各个不 同区储能设备判断迭代次数计数器是否满足
Figure 871271DEST_PATH_IMAGE038
，即迭代次数小于门限值T；
第n个不同区储能设备
Figure 939590DEST_PATH_IMAGE024
根据自己的策略计数器
Figure 764326DEST_PATH_IMAGE039
，选择最终使用的路径集合
Figure 618013DEST_PATH_IMAGE040
，
Figure 729057DEST_PATH_IMAGE037
；
其中
Figure 300984DEST_PATH_IMAGE041
为集合
Figure 913100DEST_PATH_IMAGE042
在集合
Figure 136140DEST_PATH_IMAGE043
中的编号，
Figure 168818DEST_PATH_IMAGE044
表示策略计数器
Figure DEST_PATH_IMAGE045
中第1行第
Figure 8467DEST_PATH_IMAGE041
列元素的值。
8.一种源网荷储备不同区储能容量平衡系统，其特征在于，包括深度学习网络诊断模块、调整模块和容量平衡模块；
深度学习网络诊断模块，用于对获取的储能容量与储热容量，经过训练的深度学习网络深度学习应用层进行深度学习网络的诊断；获取储能容量与储热容量是否存在平衡；
调整模块，用于基于确定的深度学习应用层的诊断，根据储能容量与储热容量数据不平衡的状态下，通过深度学习应用层输出对储能容量与储热容量数据的分配，并进行模型调整；
容量平衡模块，用于通过各不同区储能设备智能、动态地选择合适的路径进行传输，在保证自身容量的同时提升源网整体的容量；进行电量能源有序的平衡调控。
9.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1-7任意一项所述的源网荷储备不同区储能容量平衡方法。
10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1-7任意一项所述的源网荷储备不同区储能容量平衡方法。
CN202211471262.7A 2022-11-23 2022-11-23 一种源网荷储备不同区储能容量平衡方法及系统 Active CN115528712B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211471262.7A CN115528712B (zh) 2022-11-23 2022-11-23 一种源网荷储备不同区储能容量平衡方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211471262.7A CN115528712B (zh) 2022-11-23 2022-11-23 一种源网荷储备不同区储能容量平衡方法及系统

Publications (2)

Publication Number Publication Date
CN115528712A true CN115528712A (zh) 2022-12-27
CN115528712B CN115528712B (zh) 2023-06-20

Family

ID=84704831

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211471262.7A Active CN115528712B (zh) 2022-11-23 2022-11-23 一种源网荷储备不同区储能容量平衡方法及系统

Country Status (1)

Country Link
CN (1) CN115528712B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056246A (zh) * 2016-05-30 2016-10-26 清华大学 一种冷热电多能流微电网考虑运行的储能容量优化方法
CN111725836A (zh) * 2020-06-18 2020-09-29 上海电器科学研究所（集团）有限公司 一种基于深度强化学习的需求响应控制方法
CN111884213A (zh) * 2020-07-27 2020-11-03 国网北京市电力公司 一种基于深度强化学习算法的配电网电压调节方法
CN113673906A (zh) * 2021-08-31 2021-11-19 重庆欣网逸通科技有限公司 一种基于深度学习与智能合约的数字储能系统
CN113869482A (zh) * 2021-07-19 2021-12-31 北京工业大学 一种基于深度强化学习的智慧路灯自适应节能控制方法及系统
CN114091879A (zh) * 2021-11-15 2022-02-25 浙江华云电力工程设计咨询有限公司 基于深度强化学习的多园区能源调度方法和系统
CN114219195A (zh) * 2021-09-22 2022-03-22 上海电机学院 一种区域综合能源容量优化控制方法
WO2022160705A1 (zh) * 2021-01-26 2022-08-04 中国电力科学研究院有限公司 综合能源系统调度模型构建方法、装置、介质及电子设备
CN114938008A (zh) * 2022-06-15 2022-08-23 国网河北省电力有限公司经济技术研究院 储能容量和储热容量配置方法、装置及终端设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106056246A (zh) * 2016-05-30 2016-10-26 清华大学 一种冷热电多能流微电网考虑运行的储能容量优化方法
CN111725836A (zh) * 2020-06-18 2020-09-29 上海电器科学研究所（集团）有限公司 一种基于深度强化学习的需求响应控制方法
CN111884213A (zh) * 2020-07-27 2020-11-03 国网北京市电力公司 一种基于深度强化学习算法的配电网电压调节方法
WO2022160705A1 (zh) * 2021-01-26 2022-08-04 中国电力科学研究院有限公司 综合能源系统调度模型构建方法、装置、介质及电子设备
CN113869482A (zh) * 2021-07-19 2021-12-31 北京工业大学 一种基于深度强化学习的智慧路灯自适应节能控制方法及系统
CN113673906A (zh) * 2021-08-31 2021-11-19 重庆欣网逸通科技有限公司 一种基于深度学习与智能合约的数字储能系统
CN114219195A (zh) * 2021-09-22 2022-03-22 上海电机学院 一种区域综合能源容量优化控制方法
CN114091879A (zh) * 2021-11-15 2022-02-25 浙江华云电力工程设计咨询有限公司 基于深度强化学习的多园区能源调度方法和系统
CN114938008A (zh) * 2022-06-15 2022-08-23 国网河北省电力有限公司经济技术研究院 储能容量和储热容量配置方法、装置及终端设备

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
DENIS SIDOROV等: "Energy balancing using charge/discharge storages control and load forecasts in a renewable-energy-based grids", 《2019 CHINESE CONTROL CONFERENCE (CCC)》 *
DENIS SIDOROV等: "Energy balancing using charge/discharge storages control and load forecasts in a renewable-energy-based grids", 《2019 CHINESE CONTROL CONFERENCE (CCC)》, 30 July 2019 (2019-07-30), pages 6865 - 6870, XP033632020, DOI: 10.23919/ChiCC.2019.8865777 *
史昭娣，等: "计及深度信念网络场景生成的风/光/储协同优化规划方法", 《电网技术》 *
史昭娣，等: "计及深度信念网络场景生成的风/光/储协同优化规划方法", 《电网技术》, 18 August 2022 (2022-08-18), pages 1 - 9 *
吕天光: "含多微网配电系统多元主体互动运行策略研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》 *
吕天光: "含多微网配电系统多元主体互动运行策略研究", 《中国博士学位论文全文数据库工程科技Ⅱ辑》, 15 January 2020 (2020-01-15), pages 042 - 185 *
席磊等: "基于深度强化学习的泛在电力物联网综合能源系统的自动发电控制", 《中国科学:技术科学》 *
席磊等: "基于深度强化学习的泛在电力物联网综合能源系统的自动发电控制", 《中国科学:技术科学》, no. 02, 20 February 2020 (2020-02-20), pages 103 - 116 *

Also Published As

Publication number Publication date
CN115528712B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
US20200191117A1 (en) Adaptive dynamic planning control method and system for energy storage station, and storage medium
CN106532778B (zh) 一种计算分布式光伏并网最大准入容量的方法
CN111092429B (zh) 一种柔性互联配电网的优化调度方法、存储介质及处理器
Yin et al. Distributed multi-objective grey wolf optimizer for distributed multi-objective economic dispatch of multi-area interconnected power systems
CN104299034B (zh) 基于bp神经网络的三芯电缆导体暂态温度计算方法
CN110225525B (zh) 一种基于认知无线电网络的频谱共享方法、装置及设备
CN110854891B (zh) 一种配电网灾前资源配置方法及系统
CN114585006B (zh) 基于深度学习的边缘计算任务卸载和资源分配方法
CN112329997A (zh) 电力需求负荷预测方法及系统、电子设备和存储介质
CN102185731A (zh) 网络健康度测试方法及系统
CN112072643A (zh) 一种基于深度确定性梯度策略的光-蓄系统在线调度方法
CN113629778B (zh) 一种分布式光伏配电网光储系统设计方法
CN114037209A (zh) 分布式光伏接入直流配电系统综合效益分析方法及装置
CN117239754A (zh) 一种考虑碳排放的风-光-火多电源协调运行方法及系统
CN105207255B (zh) 一种适用于风电出力的电力系统调峰计算方法
CN115528712A (zh) 一种源网荷储备不同区储能容量平衡方法及系统
CN113689031B (zh) 一种基于改进次梯度算法的配电网阻塞管理方法
CN113269420B (zh) 基于通信噪声的分布式事件驱动电力经济调度方法
CN115130842A (zh) 风光火一体化基地配置方法及装置
CN109816247B (zh) 关联改造措施与线路重载的电网投资决策建模方法及装置
CN113067329B (zh) 一种电力系统的可再生能源适应性优化方法及终端
CN117901703B (zh) 充电负荷调控方法、装置和电子设备
CN113793022B (zh) 基于分布式云储能的电网投资规划方案生成方法及系统
CN115528687B (zh) 一种有限成本约束下的电力系统柔性响应能力优化方法
CN117713176B (zh) 源网荷储低碳运行方法、装置、电子设备及存储介质

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