CN116316595A - 基于新能源预测的深度学习修正的区域优化调度方法 - Google Patents

基于新能源预测的深度学习修正的区域优化调度方法 Download PDF

Info

Publication number
CN116316595A
CN116316595A CN202310287785.4A CN202310287785A CN116316595A CN 116316595 A CN116316595 A CN 116316595A CN 202310287785 A CN202310287785 A CN 202310287785A CN 116316595 A CN116316595 A CN 116316595A
Authority
CN
China
Prior art keywords
power
new energy
climbing event
sdae
svm
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
CN202310287785.4A
Other languages
English (en)
Inventor
许新华
高刚
刘坤杰
徐永嘉
李晓江
陈志星
高玉文
王学飞
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.)
Huadian Ningxia Energy Co ltd
Original Assignee
Huadian Ningxia Energy 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 Huadian Ningxia Energy Co ltd filed Critical Huadian Ningxia Energy Co ltd
Priority to CN202310287785.4A priority Critical patent/CN116316595A/zh
Publication of CN116316595A publication Critical patent/CN116316595A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • H02J3/003—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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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]
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于新能源预测技术领域，具体为基于新能源预测的深度学习修正的区域优化调度方法，包括步骤1：功率不平衡计算；步骤2：基于SDAE的特征提取；步骤3：基于SDAE和SVM的分类模型，利用SDAE提取的各个隐层特征训练SVM，充分利用所有隐层提取的特征信息，将爬坡事件发生与否看作为二分类问题，通过SVM实现分类，输出为1和0分别表示是否发生爬坡事件；步骤4：爬坡事件预测流程，包括样本生成、特征选择以及训练和应用，其结构合理，能够实现考虑机组和联络线的调节能力，利用运行数据和部分预测数据快速判断是否发生爬坡事件，能够对爬坡事件进行有效辨识，可用于新能源爬坡事件的预警与安全防控，从而提高电力系统的安全运行水平。

Description

基于新能源预测的深度学习修正的区域优化调度方法
技术领域
本发明涉及新能源预测技术领域，具体为基于新能源预测的深度学习修正的区域优化调度方法。
背景技术
为应对气候变化，能源革命持续进行，风电、光伏等新能源接人电网的比例逐渐增大。2018年底我国风电和光伏累计装机容量分别达到221GW和174GW高比例新能源的接入，在带来巨大环境效益的同时，也给电网的安全稳定运行带来极大挑战。
受地形、温度和光照强度等因素的影响，新能源呈现出地区分布不均衡的现象，局部地区风能或光照资源丰富，风电场和光伏电站密集，呈现出大规模集中分布的特点，使得在一段时间内其出力表现出强相关性，可能会出现出力短时间内的大幅变化，如果此时电网备用和调节能力不足以平衡这种变化，电网可能因功率大幅缺额而出现频率降低，导致损失大量负荷的爬坡事件。美国德克萨斯州电网2008年发生了风电功率大规模下降的爬坡事件，因风电功率预测存在较大误差，使得调度中心出现误判，未能及时采取预防控制措施，造成频率下降至59.85Hz，最终1150MW负荷被切除，才使频率恢复至额定值，造成了较大的经济损失，因此，在新能源渗透率逐渐增大的背景下，深人研究爬坡事件的快速准确预测，对于及时采取应对措施，保证电网安全稳定运行具有重要意义。
基于上述问题，我们提出一种新型的基于新能源预测的深度学习修正的区域优化调度方法。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于现有技术中存在的问题，提出了本发明。
因此，本发明的目的是提供基于新能源预测的深度学习修正的区域优化调度方法，能够实现考虑机组和联络线的调节能力，利用运行数据和部分预测数据快速判断是否发生爬坡事件，能够对爬坡事件进行有效辨识，可用于新能源爬坡事件的预警与安全防控，从而提高电力系统的安全运行水平。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
基于新能源预测的深度学习修正的区域优化调度方法，其包括如下步骤：
步骤1：功率不平衡计算，设系统负荷功率、风电出力和光伏出力的预测值分别为P1、P2、P3，N台常规火电机组的出力分别为PN，抽水蓄能发电功率为PH，功率缺额为P，正常情况下，由于发电机的调节作用，P在一定范围内变化，当P超过阈值时，表示系统存在不可接受的功率缺额，即认为发生了爬坡事件；
步骤2：基于SDAE的特征提取，降噪自动编码器DAE是将随机噪声引人编码器，在训练时消除噪声干扰，能从受损的输人中获得更具鲁棒性的表达；
步骤3：基于SDAE和SVM的分类模型，利用SDAE提取的各个隐层特征训练SVM，充分利用所有隐层提取的特征信息，将爬坡事件发生与否看作为二分类问题，通过SVM实现分类，输出为1和0分别表示是否发生爬坡事件；
步骤4：爬坡事件预测流程，包括样本生成、特征选择以及训练和应用。
作为本发明所述的基于新能源预测的深度学习修正的区域优化调度方法的一种优选方案，其中：所述步骤1中，直流联络线还需要满足每个档位的调节范围，传输功率可调范围通常划分为几个离散区间。
作为本发明所述的基于新能源预测的深度学习修正的区域优化调度方法的一种优选方案，其中：所述步骤2中，将DAE栈式堆叠成深层结构，可以获得更抽象和细致的特征，利用贪婪无监督学习算法进行预训练，使输出尽可能逼近输入，实现层次特征提取功能。
作为本发明所述的基于新能源预测的深度学习修正的区域优化调度方法的一种优选方案，其中：所述步骤4中，样本生成的具体流程为，将所有选取时刻的负荷、风电和光伏出力的预测值进行随机组合，利用蒙特卡洛模拟法生成大量运行场景，将每一种运行场景利用时域仿真法进行计算，判断是否发生爬坡事件。
作为本发明所述的基于新能源预测的深度学习修正的区域优化调度方法的一种优选方案，其中：所述步骤4中，特征选择的具体流程为，将当前时刻的不平衡量和交直流联络线的功率作为输人特征，下一时刻的负荷、风电和光伏预测值与当前时刻的差也作为输人特征；首先，计算出当前时刻的功率不平衡量和交直流联络线的注入功率；然后，计算下一时刻的负荷、风电和光伏的预测值与当前时刻的差；最后，计算下一时刻常规机组、抽水蓄能电站和交直流联络线功率的可调量。
作为本发明所述的基于新能源预测的深度学习修正的区域优化调度方法的一种优选方案，其中：所述步骤4中，训练和应用的具体步骤包括：
(1)SDAE采用sigmoid函数作为激活函数，将步骤4所选特征作为初始特征输人，利用贪婪无监督学习算法进行预训练，得到每个隐藏层的特征；
(2)将上述中所有隐藏层的特征作为SVM的输人，SVM的核函数选用径向基函数，采用步骤4中的样本生成产生样本，用误差反向传播算法进行训练；
(3)运用训练好的SDAE和SVM组合模型，将当前时刻的运行数据和下一时刻的预测数据作为SDAE的输人，其输出为是否发生爬坡事件；针对预测为爬坡事件的运行场景，通过数值仿真具体计算出有功不平衡量，并生成相应的安全防控措施。
与现有技术相比，本发明的有益效果是：能够实现考虑机组和联络线的调节能力，利用运行数据和部分预测数据快速判断是否发生爬坡事件，能够对爬坡事件进行有效辨识，可用于新能源爬坡事件的预警与安全防控，从而提高电力系统的安全运行水平。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明步骤流程结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施方式的限制。
其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供如下技术方案：基于新能源预测的深度学习修正的区域优化调度方法，能够实现考虑机组和联络线的调节能力，利用运行数据和部分预测数据快速判断是否发生爬坡事件，能够对爬坡事件进行有效辨识，可用于新能源爬坡事件的预警与安全防控，从而提高电力系统的安全运行水平；
实施例1
基于新能源预测的深度学习修正的区域优化调度方法，其包括如下步骤：
步骤1：功率不平衡计算，设系统负荷功率、风电出力和光伏出力的预测值分别为P1、P2、P3，N台常规火电机组的出力分别为PN，抽水蓄能发电功率为PH，功率缺额为P，正常情况下，由于发电机的调节作用，P在一定范围内变化，当P超过阈值时，表示系统存在不可接受的功率缺额，即认为发生了爬坡事件；直流联络线还需要满足每个档位的调节范围，传输功率可调范围通常划分为几个离散区间。
步骤2：基于SDAE的特征提取，降噪自动编码器DAE是将随机噪声引人编码器，在训练时消除噪声干扰，能从受损的输人中获得更具鲁棒性的表达；将DAE栈式堆叠成深层结构，可以获得更抽象和细致的特征，利用贪婪无监督学习算法进行预训练，使输出尽可能逼近输入，实现层次特征提取功能。
步骤3：基于SDAE和SVM的分类模型，利用SDAE提取的各个隐层特征训练SVM，充分利用所有隐层提取的特征信息，将爬坡事件发生与否看作为二分类问题，通过SVM实现分类，输出为1和0分别表示是否发生爬坡事件；
步骤4：爬坡事件预测流程，包括样本生成、特征选择以及训练和应用；样本生成的具体流程为，将所有选取时刻的负荷、风电和光伏出力的预测值进行随机组合，利用蒙特卡洛模拟法生成大量运行场景，将每一种运行场景利用时域仿真法进行计算，判断是否发生爬坡事件；特征选择的具体流程为，将当前时刻的不平衡量和交直流联络线的功率作为输人特征，下一时刻的负荷、风电和光伏预测值与当前时刻的差也作为输人特征；首先，计算出当前时刻的功率不平衡量和交直流联络线的注入功率；然后，计算下一时刻的负荷、风电和光伏的预测值与当前时刻的差；最后，计算下一时刻常规机组、抽水蓄能电站和交直流联络线功率的可调量；所述步骤4中，训练和应用的具体步骤包括：
(1)SDAE采用sigmoid函数作为激活函数，将步骤4所选特征作为初始特征输人，利用贪婪无监督学习算法进行预训练，得到每个隐藏层的特征；
(2)将上述中所有隐藏层的特征作为SVM的输人，SVM的核函数选用径向基函数，采用步骤4中的样本生成产生样本，用误差反向传播算法进行训练；
(3)运用训练好的SDAE和SVM组合模型，将当前时刻的运行数据和下一时刻的预测数据作为SDAE的输人，其输出为是否发生爬坡事件；针对预测为爬坡事件的运行场景，通过数值仿真具体计算出有功不平衡量，并生成相应的安全防控措施。
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (6)

1.基于新能源预测的深度学习修正的区域优化调度方法，其特征在于：包括如下步骤：
步骤1：功率不平衡计算，设系统负荷功率、风电出力和光伏出力的预测值分别为P1、P2、P3，N台常规火电机组的出力分别为PN，抽水蓄能发电功率为PH，功率缺额为P，正常情况下，由于发电机的调节作用，P在一定范围内变化，当P超过阈值时，表示系统存在不可接受的功率缺额，即认为发生了爬坡事件；
步骤2：基于SDAE的特征提取，降噪自动编码器DAE是将随机噪声引人编码器，在训练时消除噪声干扰，能从受损的输人中获得更具鲁棒性的表达；
步骤3：基于SDAE和SVM的分类模型，利用SDAE提取的各个隐层特征训练SVM，充分利用所有隐层提取的特征信息，将爬坡事件发生与否看作为二分类问题，通过SVM实现分类，输出为1和0分别表示是否发生爬坡事件；
步骤4：爬坡事件预测流程，包括样本生成、特征选择以及训练和应用。
2.根据权利要求1所述的基于新能源预测的深度学习修正的区域优化调度方法，其特征在于：所述步骤1中，直流联络线还需要满足每个档位的调节范围，传输功率可调范围通常划分为几个离散区间。
3.根据权利要求1所述的基于新能源预测的深度学习修正的区域优化调度方法，其特征在于：所述步骤2中，将DAE栈式堆叠成深层结构，可以获得更抽象和细致的特征，利用贪婪无监督学习算法进行预训练，使输出尽可能逼近输入，实现层次特征提取功能。
4.根据权利要求1所述的基于新能源预测的深度学习修正的区域优化调度方法，其特征在于：所述步骤4中，样本生成的具体流程为，将所有选取时刻的负荷、风电和光伏出力的预测值进行随机组合，利用蒙特卡洛模拟法生成大量运行场景，将每一种运行场景利用时域仿真法进行计算，判断是否发生爬坡事件。
5.根据权利要求1所述的基于新能源预测的深度学习修正的区域优化调度方法，其特征在于：所述步骤4中，特征选择的具体流程为，将当前时刻的不平衡量和交直流联络线的功率作为输人特征，下一时刻的负荷、风电和光伏预测值与当前时刻的差也作为输人特征；首先，计算出当前时刻的功率不平衡量和交直流联络线的注入功率；然后，计算下一时刻的负荷、风电和光伏的预测值与当前时刻的差；最后，计算下一时刻常规机组、抽水蓄能电站和交直流联络线功率的可调量。
6.根据权利要求1所述的基于新能源预测的深度学习修正的区域优化调度方法，其特征在于：所述步骤4中，训练和应用的具体步骤包括：
(1)SDAE采用sigmoid函数作为激活函数，将步骤4所选特征作为初始特征输人，利用贪婪无监督学习算法进行预训练，得到每个隐藏层的特征；
(2)将上述中所有隐藏层的特征作为SVM的输人，SVM的核函数选用径向基函数，采用步骤4中的样本生成产生样本，用误差反向传播算法进行训练；
(3)运用训练好的SDAE和SVM组合模型，将当前时刻的运行数据和下一时刻的预测数据作为SDAE的输人，其输出为是否发生爬坡事件；针对预测为爬坡事件的运行场景，通过数值仿真具体计算出有功不平衡量，并生成相应的安全防控措施。
CN202310287785.4A 2023-03-23 2023-03-23 基于新能源预测的深度学习修正的区域优化调度方法 Pending CN116316595A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310287785.4A CN116316595A (zh) 2023-03-23 2023-03-23 基于新能源预测的深度学习修正的区域优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310287785.4A CN116316595A (zh) 2023-03-23 2023-03-23 基于新能源预测的深度学习修正的区域优化调度方法

Publications (1)

Publication Number Publication Date
CN116316595A true CN116316595A (zh) 2023-06-23

Family

ID=86792294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310287785.4A Pending CN116316595A (zh) 2023-03-23 2023-03-23 基于新能源预测的深度学习修正的区域优化调度方法

Country Status (1)

Country Link
CN (1) CN116316595A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117408535A (zh) * 2023-12-15 2024-01-16 国网山东省电力公司电力科学研究院 一种基于深度学习的新能源爬坡事件滚动预警方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117408535A (zh) * 2023-12-15 2024-01-16 国网山东省电力公司电力科学研究院 一种基于深度学习的新能源爬坡事件滚动预警方法及系统
CN117408535B (zh) * 2023-12-15 2024-04-12 国网山东省电力公司电力科学研究院 一种基于深度学习的新能源爬坡事件滚动预警方法及系统

Similar Documents

Publication Publication Date Title
CN107240933B (zh) 一种考虑风电功率特性的风火协调滚动调度方法
Ma et al. Feasibility study and economic analysis of pumped hydro storage and battery storage for a renewable energy powered island
CN103986190B (zh) 基于发电功率曲线的风光储联合发电系统平滑控制方法
CN112994115B (zh) 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法
CN110535132B (zh) 一种基于鲁棒优化的电力系统建设规划方法
CN110009141B (zh) 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统
CN104299173B (zh) 一种适用于多种能源接入的鲁棒优化日前调度方法
Kurbanov et al. An Appropriate Wind Model for The Reliability Assessment of Incorporated Wind Power in Power Generation System
CN112491043A (zh) 一种新能源富集电网电源规划方法及系统
CN106505633A (zh) 一种风光接入容量确定方法及装置
CN116316595A (zh) 基于新能源预测的深度学习修正的区域优化调度方法
CN106447218A (zh) 基于多风电场的抽水蓄能系统的可靠性评估方法
CN103226735A (zh) 一种基于风电分段的电力系统优化调度方法
CN104795828A (zh) 基于遗传算法的风储容量配置方法
CN116937623B (zh) 一种利用新能源预测的混合储能辅调频控制方法及系统
CN107834540B (zh) 一种基于概率约束的分布式光伏接入容量的确定方法
Gandhar et al. A critical review of wind energy based power generation systems
CN102624034B (zh) 适用于高压电网的风电场调度配合型无功运行方法
Bao et al. Genetic algorithm based optimal capacity allocation for an independent wind/pv/diesel/battery power generation system
CN112202202A (zh) 一种多层递阶结构下的风电场群协调控制方法
Li et al. Smoothing ramp events in wind farm based on dynamic programming in energy internet
Wang et al. Dynamic synthetic inertial control method of wind turbines considering fatigue load
CN105244921A (zh) 含风火水光气的电力系统调度中的备用容量优化分配方法
CN113364029B (zh) 一种微网动态划分方法、系统、存储介质及计算设备
CN112736894B (zh) 一种计及风电与电动汽车随机性的两阶段机组组合建模方法

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