CN116544934B - 根据电力负荷预测的电力调度方法及系统 - Google Patents
根据电力负荷预测的电力调度方法及系统 Download PDFInfo
- Publication number
- CN116544934B CN116544934B CN202310819694.0A CN202310819694A CN116544934B CN 116544934 B CN116544934 B CN 116544934B CN 202310819694 A CN202310819694 A CN 202310819694A CN 116544934 B CN116544934 B CN 116544934B
- Authority
- CN
- China
- Prior art keywords
- fitness
- power supply
- load
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000005611 electricity Effects 0.000 claims abstract description 82
- 238000004519 manufacturing process Methods 0.000 claims abstract description 62
- 238000009826 distribution Methods 0.000 claims description 55
- 239000011159 matrix material Substances 0.000 claims description 13
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 11
- 229910052799 carbon Inorganic materials 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 7
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 239000000446 fuel Substances 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 34
- 230000008901 benefit Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000012512 characterization method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- 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
- G06Q10/06315—Needs-based resource requirements planning or 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
- 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
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力调度技术领域,提供了根据电力负荷预测的电力调度方法及系统,方法包括:获取生产特征信息和温度特征信息;获取用电预测负荷;获取预设时区的闲置供电源;生成M个供电方案;获取M个第一适应度;获取M个第二适应度;获取M个第三适应度;获取推荐供电方案进行电力调度,解决未针对电源的供电方案进行分析,无法还原区域的真实供电用电情况,进而导致供电调度控制精细化程度低技术问题,实现通过电力负荷预测,可以更好地预测电力需求的峰值和谷值,提高供电调度控制精细化程度,减少燃料消耗和环境影响,同时,通过准确的电力负荷预测和相应的供电方案调度,还原区域的真实供电用电情况,提升电网的稳定性和可靠性技术效果。
Description
技术领域
本发明涉及电力调度相关技术领域,具体涉及根据电力负荷预测的电力调度方法及系统。
背景技术
电力负荷预测的电力调度是指通过对电力负荷进行预测,并根据预测结果进行相应的调度安排,以满足电力系统的需求。在电力负荷预测的过程中,通过采集和分析历史的电力负荷数据,建立模型预测未来的电力负荷需求。
大多数的电力负荷预测模型都采用基于大数据的人工智能模型,能够在一定程度上模拟人类专家经验及推理过程,建立电力系统的变化和波动关系,但,由于通过模型预测某个区域的用电负荷,从而进行电力调度,未对电源的供电方案进行分析,无法还原区域的真实供电用电情况。
综上所述,现有技术中存在未针对电源的供电方案进行分析,无法还原区域的真实供电用电情况,进而导致供电调度控制精细化程度低的技术问题。
发明内容
本申请通过提供了根据电力负荷预测的电力调度方法及系统,旨在解决现有技术中的未针对电源的供电方案进行分析,无法还原区域的真实供电用电情况,进而导致供电调度控制精细化程度低的技术问题。
鉴于上述问题,本申请提供了根据电力负荷预测的电力调度方法及系统。
本申请公开的第一个方面,提供了根据电力负荷预测的电力调度方法,其中,所述方法包括:获取预设区域的预设时区的生产特征信息和温度特征信息;根据所述生产特征信息和所述温度特征信息进行用电预测,获取用电预测负荷;获取所述预设时区的闲置供电源,其中,所述闲置供电源包括闲置供电量和电源分布位置;根据所述闲置供电量和所述电源分布位置基于所述用电预测负荷进行枚举,生成M个供电方案;构建第一适应度函数,遍历所述M个供电方案,获取M个第一适应度;构建第二适应度函数,遍历所述M个供电方案,获取M个第二适应度;对所述M个第一适应度和所述M个第二适应度进行融合,获取M个第三适应度;基于所述M个第三适应度对所述M个供电方案寻优,获取推荐供电方案进行电力调度。
本申请公开的另一个方面,提供了根据电力负荷预测的电力调度系统,其中,所述系统包括:特征信息获取模块,用于获取预设区域的预设时区的生产特征信息和温度特征信息;用电预测模块,用于根据所述生产特征信息和所述温度特征信息进行用电预测,获取用电预测负荷;闲置供电源获取模块,用于获取所述预设时区的闲置供电源,其中,所述闲置供电源包括闲置供电量和电源分布位置;供电方案生成模块,用于根据所述闲置供电量和所述电源分布位置基于所述用电预测负荷进行枚举,生成M个供电方案;第一适应度获取模块,用于构建第一适应度函数,遍历所述M个供电方案,获取M个第一适应度;第二适应度获取模块,用于构建第二适应度函数,遍历所述M个供电方案,获取M个第二适应度;第三适应度获取模块,用于对所述M个第一适应度和所述M个第二适应度进行融合,获取M个第三适应度;电力调度模块,用于基于所述M个第三适应度对所述M个供电方案寻优,获取推荐供电方案进行电力调度。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了获取预设区域的预设时区的生产特征信息和温度特征信息;根据所述生产特征信息和所述温度特征信息进行用电预测,获取用电预测负荷;获取所述预设时区的闲置供电源,其中,所述闲置供电源包括闲置供电量和电源分布位置;根据所述闲置供电量和所述电源分布位置基于所述用电预测负荷进行枚举,生成M个供电方案;构建第一适应度函数,遍历所述M个供电方案,获取M个第一适应度;构建第二适应度函数,遍历所述M个供电方案,获取M个第二适应度;对所述M个第一适应度和所述M个第二适应度进行融合,获取M个第三适应度;基于所述M个第三适应度对所述M个供电方案寻优,获取推荐供电方案进行电力调度,实现了通过电力负荷预测,可以更好地预测电力需求的峰值和谷值,提高供电调度控制精细化程度,从而优化能源的利用,减少燃料消耗和环境影响,同时,通过准确的电力负荷预测和相应的供电方案调度,还原区域的真实供电用电情况,可以降低电网的负荷波动性,提升电网的稳定性和可靠性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了根据电力负荷预测的电力调度方法可能的流程示意图;
图2为本申请实施例提供了根据电力负荷预测的电力调度方法中获取用电预测负荷可能的流程示意图;
图3为本申请实施例提供了根据电力负荷预测的电力调度方法中构建负荷误差拟合层可能的流程示意图;
图4为本申请实施例提供了根据电力负荷预测的电力调度系统可能的结构示意图。
附图标记说明:特征信息获取模块100,用电预测模块200,闲置供电源获取模块300,供电方案生成模块400,第一适应度获取模块500,第二适应度获取模块600,第三适应度获取模块700,电力调度模块800。
具体实施方式
本申请实施例提供了根据电力负荷预测的电力调度方法及系统,解决了未针对电源的供电方案进行分析,无法还原区域的真实供电用电情况,进而导致供电调度控制精细化程度低的技术问题,实现了通过电力负荷预测,可以更好地预测电力需求的峰值和谷值,提高供电调度控制精细化程度,从而优化能源的利用,减少燃料消耗和环境影响,同时,通过准确的电力负荷预测和相应的供电方案调度,还原区域的真实供电用电情况,可以降低电网的负荷波动性,提升电网的稳定性和可靠性的技术效果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了根据电力负荷预测的电力调度方法,其中,所述方法包括:
S10:获取预设区域的预设时区的生产特征信息和温度特征信息;
S20:根据所述生产特征信息和所述温度特征信息进行用电预测,获取用电预测负荷;
如图2所示,步骤S20包括步骤:
S21:获取所述预设区域的第一类型负荷预测模块和第二类型负荷预测模块,其中,所述第一类型负荷预测模块用于预测生产用电负荷,所述第二类型负荷预测模块用于预测控温用电负荷;
S22:将所述生产特征信息输入所述第一类型负荷预测模块进行用电预测,获取生活用电预测负荷;
S23:将所述温度特征信息输入所述第二类型负荷预测模块进行用电预测,获取控温用电预测负荷;
S24:加和所述生活用电预测负荷和所述控温用电预测负荷,获取所述用电预测负荷。
具体而言,通过准确的负荷预测和灵活的电力调度,可以有效应对电力系统的变化和波动,提高电力系统的运行水平,所述生产特征信息是指预设区域的一年四季都需进行的用电活动,比如工业生产制造、商业和居民用电情况;所述温度特征信息是指预设区域中会随着季节性的温度变化的用电活动,比如空调供暖、空调制冷;获取预设区域的预设时区的生产特征信息和温度特征信息,用于预设区域中的用电负荷;
根据所述生产特征信息和所述温度特征信息进行用电预测,获取用电预测负荷。常规的,可以利用历史数据和模型算法对用电情况进行预测,得到未来时段内预设区域的用电预测负荷,用电负荷即指地区供电负荷减去线路和变压器中的损耗后的负荷。上述方式为传统的电力负荷预测的电力调度采用的方法,建立电力系统的变化和波动关系对应的电力负荷预测模型;
进一步的,根据所述生产特征信息和所述温度特征信息进行用电预测,获取用电预测负荷,包括,获取所述预设区域的第一类型负荷预测模块,所述第一类型负荷预测模块用于预测生产用电负荷,将所述生产特征信息作为输入数据,输入所述第一类型负荷预测模块进行用电预测,以获取生活用电预测负荷;
获取所述预设区域的第二类型负荷预测模块,所述第二类型负荷预测模块用于预测控温用电负荷,将所述温度特征信息作为输入数据,输入所述第二类型负荷预测模块进行用电预测,以获取控温用电预测负荷;
将所述生活用电预测负荷和所述控温用电预测负荷加和,计算得出所述用电预测负荷,所述用电预测负荷可以用于电力调度中的供电方案生成;相较于传统的电力负荷预测的电力调度采用的方法,对照使用的场景分别构建第一、二类型负荷预测模块,同时,可以帮助电力系统更有效地应对变化和波动,提高运行水平。
步骤S21包括步骤:
S211:获取所述预设区域的生产特征记录数据和生产用电负荷记录数据,训练生产用电负荷预测层;
S212:获取所述预设区域的温度特征记录数据和控温用电负荷记录数据,训练控温用电负荷预测层;
S213:构建负荷误差拟合层;
S214:将所述负荷误差拟合层的第一输入层与所述生产用电负荷预测层的输出层全连接,获取所述第一类型负荷预测模块;
S215:将所述负荷误差拟合层的第二输入层与所述控温用电负荷预测层的输出层全连接,获取所述第二类型负荷预测模块。
具体而言,根据所述生产特征信息和所述温度特征信息进行用电预测,获取用电预测负荷,包括,所述生产特征记录数据是指与所述预设区域的生产过程相关的各种特征或指标的记录数据,可以包括但不限于生产设备状态、生产工艺参数等;所述生产用电负荷记录数据是指所述预设区域的在一定时间段内的电力负荷数据记录,即该所述预设区域的实际用电情况;根据电力负荷预测的电力调度系统的数据存储单元,获取所述预设区域的生产特征记录数据和生产用电负荷记录数据;
以BP网络模型中的网络层为训练基础,将所述预设区域的生产特征记录数据和生产用电负荷记录数据作为构建数据,基于所述预设区域的生产特征记录数据和生产用电负荷记录数据以及对应的时序信息构造新的组合特征,将所述生活用电预测负荷作为标识结果,传入BP网络模型中的网络层进行收敛学习,训练得到生产用电负荷预测层;类似地,获取预设区域的温度特征记录数据和控温用电负荷记录数据,并训练得到控温用电负荷预测层;
构建负荷误差拟合层,所述负荷误差拟合层用于处理预测误差;而后,将负荷误差拟合层的第一输入层与所述生产用电负荷预测层的输出层进行全连接,得到第一类型负荷预测模块;类似地,将负荷误差拟合层的第二输入层与所述控温用电负荷预测层的输出层全连接,获取第二类型负荷预测模块,通过将生产用电负荷预测层和控温用电负荷预测层分开训练,能够更加精准地预测不同类型的负荷,进而提高电力系统的调度效率,同时,独立出构建负荷误差拟合层的步骤,能够对照实际场景进一步的优化和调整,从而提高负荷预测的稳定性和可靠性。
如图3所示,步骤S213包括步骤:
S213-1:构建负荷误差拟合规则,包括,获取所述预设区域的分布规模同比变化量,计算分布规模变化度;
S213-2:将所述分布规模变化度与负荷预测结果乘积计算,获取负荷变化量;
S213-3:根据所述负荷变化量对所述负荷预测结果进行误差拟合;
S213-4:根据所述负荷误差拟合规则,构建所述负荷误差拟合层。
具体而言,构建负荷误差拟合层,包括,负荷误差拟合层的内核为负荷误差拟合规则,构建负荷误差拟合规则,包括,通过历史负荷分布规模数据以及实时负荷分布规模数据,计算所述预设区域的负荷分布规模的同比变化量,即实时负荷分布规模数据与前一年同期的历史负荷分布规模数据相比的变化量,将其作为分布规模变化度;
将所述分布规模变化度与负荷预测结果乘积计算,乘积获得负荷变化量,所述负荷变化量用于表示负荷预测结果需要调整的量;根据所述负荷变化量对所述负荷预测结果进行误差拟合,将所述负荷变化量加减到实际的负荷预测结果中,得到调整后的负荷预测结果,简单来说就是对负荷预测误差的修正,以减小预测误差;将上述步骤整合成为所述负荷误差拟合规则,并将其应用于第一、二类型负荷预测模块中的负荷误差拟合层中,以实现对负荷预测结果的自动修正和优化。
S30:获取所述预设时区的闲置供电源,其中,所述闲置供电源包括闲置供电量和电源分布位置;
S40:根据所述闲置供电量和所述电源分布位置基于所述用电预测负荷进行枚举,生成M个供电方案;
具体而言,在预设区域的预设时区中,根据电力负荷预测的电力调度系统中已知的电源信息和供电设备的状态,确定哪些电源目前处于闲置状态;所述闲置供电源包括闲置供电量和电源分布位置,包括,需要量化闲置供电量:对于识别出的闲置供电源,可以基于电源的额定容量和当前状态进行估量,确定闲置供电源的可用供电量;记录电源分布位置:对于每个闲置供电源,记录其位置信息,以便后续的电力调度过程中能够考虑到电源的分布情况;
基于所述闲置供电量和所述电源分布位置基于所述用电预测负荷,考虑了每个闲置供电源的容量和位置等因素,以及一天中不同时间或不同季节的预期负载需求进行枚举,生成M个供电方案,所述M个供电方案可能包括不同的电源组合、不同的电源使用时间和不同的电源功率等因素,以满足预测负荷需求并优化电力分配。
S50:构建第一适应度函数,遍历所述M个供电方案,获取M个第一适应度;
步骤S50包括步骤:
S51:构建所述第一适应度函数:, ,其中,/>表征第一适应度,/>表征第k个供电方案,表征第k个供电方案中的J个供电源,/>表征第j个供电源与预设区域的供电距离;
S52:根据所述第一适应度函数,遍历所述M个供电方案,获取所述M个第一适应度。
具体而言,为了进行电力调度,需要先构建适应度函数来评估所述M个供电方案的优劣,基于此,构建第一适应度函数,所述第一适应度函数是用来评估每个供电方案的供电距离,使用所述第一适应度函数遍历所述M个供电方案,获取M个第一适应度,一般的,所述第一适应度越接近0,表示该供电方案对应的供电距离越近,同时,供电方案的输电成本越低,成本效益越高;
进一步的,构建第一适应度函数,遍历所述M个供电方案,获取M个第一适应度,包括,一般的,供电距离越远,由于输送电力过程存在电量损耗,输送的成本将成倍增加,基于此,构建所述第一适应度函数:, ,其中,/>表征第一适应度,/>表征第k个供电方案,表征第k个供电方案中的J个供电源,/>表征第j个供电源与预设区域的供电距离;根据所述第一适应度函数,遍历所述M个供电方案,获取所述M个第一适应度,为进行供电方案的成本效益评估提供支持。
S60:构建第二适应度函数,遍历所述M个供电方案,获取M个第二适应度;
步骤S60包括步骤:
S61:构建所述第二适应度函数:,,其中,/>表征第二适应度,/>表征第j个供电源的碳排放量;
S62:根据所述第二适应度函数遍历所述M个供电方案,获取所述M个第二适应度。
具体而言,为了进行电力调度,需要先构建适应度函数来评估所述M个供电方案的优劣,基于此,构建第二适应度函数,所述第二适应度函数是用来评估每个供电方案的碳排放量,使用所述第二适应度函数遍历所述M个供电方案,获取M个第二适应度,一般的,所述第二适应度越接近0,表示该供电方案所对应的碳排放量越低,有助于实现能源的可持续发展;
进一步的,构建第二适应度函数,遍历所述M个供电方案,获取M个第二适应度,包括,构建所述第二适应度函数:,/>,其中,/>表征第二适应度,/>表征第j个供电源的碳排放量,所述供电源的碳排放量是指在电力生产和分配过程中所产生的二氧化碳排放量,取决于供电源所使用的电源类型,例如化石燃料发电厂、风力发电、太阳能发电等,一般的,化石燃料发电厂通常会产生更高的碳排放量,而可再生能源发电通常会产生更少的碳排放量或者没有碳排放;根据所述第二适应度函数遍历所述M个供电方案,获取所述M个第二适应度,为进行供电方案的碳排放量评估提供支持。
S70:对所述M个第一适应度和所述M个第二适应度进行融合,获取M个第三适应度;
S80:基于所述M个第三适应度对所述M个供电方案寻优,获取推荐供电方案进行电力调度。
步骤S70包括步骤:
S71:遍历所述M个第一适应度和所述M个第二适应度进行正向化处理,获取M个第一正向化适应度和M个第二正向化适应度;
S72:以所述M个第一正向化适应度为第一列元素,以所述M个第二正向化适应度为第二列元素,构建适应度分布矩阵;
S73:基于所述适应度分布矩阵进行熵权法分析,获取第一适应度权重和第二适应度权重;
S74:根据所述第一适应度权重和所述第二适应度权重,对所述M个第一适应度和所述M个第二适应度进行融合,获取所述M个第三适应度。
具体而言,需要在所述M个供电方案中选出优选环境友好、成本可控的供电方案,基于此,综合考虑所述M个第一适应度和所述M个第二适应度,对所述M个第一适应度和所述M个第二适应度进行融合,获取M个第三适应度;将所述M个第三适应度、所述M个供电方案进行关联绑定,按照所述M个第三适应度从小至大的顺序排序,进而得到处于排序中第一次序的推荐供电方案,并使用推荐供电方案进行电力调度,对照供电方案的供电距离、碳排放量优化能源的利用,减少燃料消耗和环境影响;
进一步的,对所述M个第一适应度和所述M个第二适应度进行融合,获取M个第三适应度,包括,
对所述M个第一适应度和所述M个第二适应度进行正向化处理,得到正向化后的M个第一正向化适应度和M个第二正向化适应度,正向化处理是为了将适应度值投影到0~1之间的数值,便于后续处理和分析;将正向化后的以所述M个第一正向化适应度为第一列元素,以所述M个第二正向化适应度为第二列元素,构建适应度分布矩阵,所述适应度分布矩阵是一个M行2列的矩阵,每一行代表一个供电方案的适应度分布信息;
使用熵权法或其他客观赋权方法对所述适应度分布矩阵进行分析,得到第一适应度权重和第二适应度权重,所述熵权法是一种常用的多属性决策分析方法,可以计算不同属性的贡献权重;对所述第一适应度权重与所述M个第一适应度进行加权计算,对所述第二适应度权重与所述M个第二适应度进行加权计算,进而对所述M个第一适应度和所述M个第二适应度进行融合,计算得出所述M个第三适应度,通过正向化处理、矩阵构建、熵权法分析,可以将不同属性的适应度融合为可量化和可比较的形式,从而降低误差和不确定性,提高可靠性和稳定性;
同时,在进行适应度融合的过程中,熵权法是一种常用的分析方法,但也可以根据实际情况采用其他的权重分配方法。此外,适应度融合的结果可能受到正向化处理和权重分配的影响,因此需要根据实际情况进行调整和优化。
综上所述,本申请实施例所提供的根据电力负荷预测的电力调度方法及系统具有如下技术效果:
1.由于采用了获取预设区域的预设时区的生产特征信息和温度特征信息;根据所述生产特征信息和所述温度特征信息进行用电预测,获取用电预测负荷;获取所述预设时区的闲置供电源,其中,所述闲置供电源包括闲置供电量和电源分布位置;根据所述闲置供电量和所述电源分布位置基于所述用电预测负荷进行枚举,生成M个供电方案;构建第一适应度函数,遍历所述M个供电方案,获取M个第一适应度;构建第二适应度函数,遍历所述M个供电方案,获取M个第二适应度;对所述M个第一适应度和所述M个第二适应度进行融合,获取M个第三适应度;基于所述M个第三适应度对所述M个供电方案寻优,获取推荐供电方案进行电力调度,本申请通过提供了根据电力负荷预测的电力调度方法及系统,实现了通过电力负荷预测,可以更好地预测电力需求的峰值和谷值,提高供电调度控制精细化程度,从而优化能源的利用,减少燃料消耗和环境影响,同时,通过准确的电力负荷预测和相应的供电方案调度,还原区域的真实供电用电情况,可以降低电网的负荷波动性,提升电网的稳定性和可靠性的技术效果。
2.由于采用了构建负荷误差拟合规则,包括,获取预设区域的分布规模同比变化量,计算分布规模变化度;将分布规模变化度与负荷预测结果乘积计算,获取负荷变化量;根据负荷变化量对负荷预测结果进行误差拟合;根据负荷误差拟合规则,构建负荷误差拟合层。将上述步骤整合成为负荷误差拟合规则,并将其应用于第一、二类型负荷预测模块中的负荷误差拟合层中,以实现对负荷预测结果的自动修正和优化。
实施例二
基于与前述实施例中根据电力负荷预测的电力调度方法相同的发明构思,如图4所示,本申请实施例提供了根据电力负荷预测的电力调度系统,其中,所述系统包括:
特征信息获取模块100,用于获取预设区域的预设时区的生产特征信息和温度特征信息;
用电预测模块200,用于根据所述生产特征信息和所述温度特征信息进行用电预测,获取用电预测负荷;
闲置供电源获取模块300,用于获取所述预设时区的闲置供电源,其中,所述闲置供电源包括闲置供电量和电源分布位置;
供电方案生成模块400,用于根据所述闲置供电量和所述电源分布位置基于所述用电预测负荷进行枚举,生成M个供电方案;
第一适应度获取模块500,用于构建第一适应度函数,遍历所述M个供电方案,获取M个第一适应度;
第二适应度获取模块600,用于构建第二适应度函数,遍历所述M个供电方案,获取M个第二适应度;
第三适应度获取模块700,用于对所述M个第一适应度和所述M个第二适应度进行融合,获取M个第三适应度;
电力调度模块800,用于基于所述M个第三适应度对所述M个供电方案寻优,获取推荐供电方案进行电力调度。
用电预测模块200包括步骤:
获取所述预设区域的第一类型负荷预测模块和第二类型负荷预测模块,其中,所述第一类型负荷预测模块用于预测生产用电负荷,所述第二类型负荷预测模块用于预测控温用电负荷;
将所述生产特征信息输入所述第一类型负荷预测模块进行用电预测,获取生活用电预测负荷;
将所述温度特征信息输入所述第二类型负荷预测模块进行用电预测,获取控温用电预测负荷;
加和所述生活用电预测负荷和所述控温用电预测负荷,获取所述用电预测负荷。
用电预测模块200还包括步骤:
获取所述预设区域的生产特征记录数据和生产用电负荷记录数据,训练生产用电负荷预测层;
获取所述预设区域的温度特征记录数据和控温用电负荷记录数据,训练控温用电负荷预测层;
构建负荷误差拟合层;
将所述负荷误差拟合层的第一输入层与所述生产用电负荷预测层的输出层全连接,获取所述第一类型负荷预测模块;
将所述负荷误差拟合层的第二输入层与所述控温用电负荷预测层的输出层全连接,获取所述第二类型负荷预测模块。
用电预测模块200还包括步骤:
构建负荷误差拟合规则,包括,获取所述预设区域的分布规模同比变化量,计算分布规模变化度;
将所述分布规模变化度与负荷预测结果乘积计算,获取负荷变化量;
根据所述负荷变化量对所述负荷预测结果进行误差拟合;
根据所述负荷误差拟合规则,构建所述负荷误差拟合层。
第一适应度获取模块500包括步骤:
构建所述第一适应度函数:, ,其中,/>表征第一适应度,/>表征第k个供电方案,表征第k个供电方案中的J个供电源,/>表征第j个供电源与预设区域的供电距离;
根据所述第一适应度函数,遍历所述M个供电方案,获取所述M个第一适应度。
第二适应度获取模块600包括步骤:
构建所述第二适应度函数:,,其中,/>表征第二适应度,/>表征第j个供电源的碳排放量;
根据所述第二适应度函数遍历所述M个供电方案,获取所述M个第二适应度。
第三适应度获取模块700包括步骤:
遍历所述M个第一适应度和所述M个第二适应度进行正向化处理,获取M个第一正向化适应度和M个第二正向化适应度;
以所述M个第一正向化适应度为第一列元素,以所述M个第二正向化适应度为第二列元素,构建适应度分布矩阵;
基于所述适应度分布矩阵进行熵权法分析,获取第一适应度权重和第二适应度权重;
根据所述第一适应度权重和所述第二适应度权重,对所述M个第一适应度和所述M个第二适应度进行融合,获取所述M个第三适应度。
综上所述的方法的任意步骤都可作为计算机指令或者程序存储在不设限制的计算机存储器中,并可以被不设限制的计算机处理器调用识别用以实现本申请实施例中的任一项方法,在此不做多余限制。
进一步的,综上所述的第一或第二可能不止代表次序关系,也可能代表某项特指概念,和/或指的是多个元素之间可单独或全部选择。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (5)
1.根据电力负荷预测的电力调度方法,其特征在于,包括:
获取预设区域的预设时区的生产特征信息和温度特征信息;
根据所述生产特征信息和所述温度特征信息进行用电预测,获取用电预测负荷;
获取所述预设时区的闲置供电源,其中,所述闲置供电源包括闲置供电量和电源分布位置;
根据所述闲置供电量和所述电源分布位置基于所述用电预测负荷进行枚举,生成M个供电方案;
构建第一适应度函数,遍历所述M个供电方案,获取M个第一适应度;
构建第二适应度函数,遍历所述M个供电方案,获取M个第二适应度;
对所述M个第一适应度和所述M个第二适应度进行融合,获取M个第三适应度;
基于所述M个第三适应度对所述M个供电方案寻优,获取推荐供电方案进行电力调度;
其中所述构建第一适应度函数,遍历所述M个供电方案,获取M个第一适应度,包括:
构建所述第一适应度函数:
,
,
其中,表征第一适应度,/>表征第k个供电方案,/>表征第k个供电方案中的j个供电源,/>表征第j个供电源与预设区域的供电距离;
根据所述第一适应度函数,遍历所述M个供电方案,获取所述M个第一适应度;
所述构建第二适应度函数,遍历所述M个供电方案,获取M个第二适应度,包括:
构建所述第二适应度函数:
,
,
其中,表征第二适应度,/>表征第j个供电源的碳排放量;
根据所述第二适应度函数遍历所述M个供电方案,获取所述M个第二适应度;
所述对所述M个第一适应度和所述M个第二适应度进行融合,获取M个第三适应度,包括:
遍历所述M个第一适应度和所述M个第二适应度进行正向化处理,获取M个第一正向化适应度和M个第二正向化适应度;
以所述M个第一正向化适应度为第一列元素,以所述M个第二正向化适应度为第二列元素,构建适应度分布矩阵;
基于所述适应度分布矩阵进行熵权法分析,获取第一适应度权重和第二适应度权重;
根据所述第一适应度权重和所述第二适应度权重,对所述M个第一适应度和所述M个第二适应度进行融合,获取所述M个第三适应度。
2.如权利要求1所述的方法,其特征在于,根据所述生产特征信息和所述温度特征信息进行用电预测,获取用电预测负荷,包括:
获取所述预设区域的第一类型负荷预测模块和第二类型负荷预测模块,其中,所述第一类型负荷预测模块用于预测生产用电负荷,所述第二类型负荷预测模块用于预测控温用电负荷;
将所述生产特征信息输入所述第一类型负荷预测模块进行用电预测,获取生产用电预测负荷;
将所述温度特征信息输入所述第二类型负荷预测模块进行用电预测,获取控温用电预测负荷;
加和所述生产用电预测负荷和所述控温用电预测负荷,获取所述用电预测负荷。
3.如权利要求2所述的方法,其特征在于,获取所述预设区域的第一类型负荷预测模块和第二类型负荷预测模块,包括:
获取所述预设区域的生产特征记录数据和生产用电负荷记录数据,训练生产用电负荷预测层;
获取所述预设区域的温度特征记录数据和控温用电负荷记录数据,训练控温用电负荷预测层;
构建负荷误差拟合层;
将所述负荷误差拟合层的第一输入层与所述生产用电负荷预测层的输出层全连接,获取所述第一类型负荷预测模块;
将所述负荷误差拟合层的第二输入层与所述控温用电负荷预测层的输出层全连接,获取所述第二类型负荷预测模块。
4.如权利要求3所述的方法,其特征在于,构建负荷误差拟合层,包括:
构建负荷误差拟合规则,包括,
获取所述预设区域的分布规模同比变化量,计算分布规模变化度;
将所述分布规模变化度与负荷预测结果乘积计算,获取负荷变化量;
根据所述负荷变化量对所述负荷预测结果进行误差拟合;
根据所述负荷误差拟合规则,构建所述负荷误差拟合层。
5.根据电力负荷预测的电力调度系统,其特征在于,用于实施权利要求1-4任意一项所述的根据电力负荷预测的电力调度方法,包括:
特征信息获取模块,用于获取预设区域的预设时区的生产特征信息和温度特征信息;
用电预测模块,用于根据所述生产特征信息和所述温度特征信息进行用电预测,获取用电预测负荷;
闲置供电源获取模块,用于获取所述预设时区的闲置供电源,其中,所述闲置供电源包括闲置供电量和电源分布位置;
供电方案生成模块,用于根据所述闲置供电量和所述电源分布位置基于所述用电预测负荷进行枚举,生成M个供电方案;
第一适应度获取模块,用于构建第一适应度函数,遍历所述M个供电方案,获取M个第一适应度;
第二适应度获取模块,用于构建第二适应度函数,遍历所述M个供电方案,获取M个第二适应度;
第三适应度获取模块,用于对所述M个第一适应度和所述M个第二适应度进行融合,获取M个第三适应度;
电力调度模块,用于基于所述M个第三适应度对所述M个供电方案寻优,获取推荐供电方案进行电力调度;
其中,所述第一适应度获取模块包括步骤:
构建所述第一适应度函数:, ,其中,/>表征第一适应度,/>表征第k个供电方案,表征第k个供电方案中的j个供电源,/>表征第j个供电源与预设区域的供电距离;
根据所述第一适应度函数,遍历所述M个供电方案,获取所述M个第一适应度;
所述第二适应度获取模块包括步骤:
构建所述第二适应度函数:,/>,其中,/>表征第二适应度,/>表征第j个供电源的碳排放量;
根据所述第二适应度函数遍历所述M个供电方案,获取所述M个第二适应度;
所述第三适应度获取模块包括步骤:
遍历所述M个第一适应度和所述M个第二适应度进行正向化处理,获取M个第一正向化适应度和M个第二正向化适应度;
以所述M个第一正向化适应度为第一列元素,以所述M个第二正向化适应度为第二列元素,构建适应度分布矩阵;
基于所述适应度分布矩阵进行熵权法分析,获取第一适应度权重和第二适应度权重;
根据所述第一适应度权重和所述第二适应度权重,对所述M个第一适应度和所述M个第二适应度进行融合,获取所述M个第三适应度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310819694.0A CN116544934B (zh) | 2023-07-06 | 2023-07-06 | 根据电力负荷预测的电力调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310819694.0A CN116544934B (zh) | 2023-07-06 | 2023-07-06 | 根据电力负荷预测的电力调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116544934A CN116544934A (zh) | 2023-08-04 |
CN116544934B true CN116544934B (zh) | 2023-09-08 |
Family
ID=87449178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310819694.0A Active CN116544934B (zh) | 2023-07-06 | 2023-07-06 | 根据电力负荷预测的电力调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116544934B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117477565B (zh) * | 2023-12-28 | 2024-03-08 | 南京迅集科技有限公司 | 基于用户行为分析的能源分配调节方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105743094A (zh) * | 2016-04-22 | 2016-07-06 | 国网江苏省电力公司连云港供电公司 | 电网需求响应控制系统 |
CN108038581A (zh) * | 2018-01-10 | 2018-05-15 | 广东电网有限责任公司电力科学研究院 | 一种基于狼群算法的智能经济调度方法及装置 |
KR101899123B1 (ko) * | 2018-02-26 | 2018-10-31 | 주식회사 에코전력 | 국가 전력의 효율적 운용을 위한 국가 전력 통합 운용 시스템 |
US10230241B1 (en) * | 2015-09-30 | 2019-03-12 | The United States Of America, As Represented By The Secretary Of The Navy | Self-optimizing hybrid power system |
CN109462231A (zh) * | 2018-11-15 | 2019-03-12 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
CN110165665A (zh) * | 2019-05-29 | 2019-08-23 | 长沙理工大学 | 一种基于改进多目标粒子群算法的源-荷-储调度方法 |
CN110864414A (zh) * | 2019-10-30 | 2020-03-06 | 郑州电力高等专科学校 | 基于大数据分析的空调用电负荷智能控制调度方法 |
CN111654067A (zh) * | 2020-06-11 | 2020-09-11 | 国网江苏省电力有限公司扬州供电分公司 | 输配协同的配电系统调度新型控制方法及装置 |
CN112865114A (zh) * | 2019-11-28 | 2021-05-28 | 中车株洲电力机车研究所有限公司 | 一种基于分时电价的负荷用电管理控制方法 |
CN115983430A (zh) * | 2022-12-02 | 2023-04-18 | 成都市迈德物联网技术有限公司 | 一种综合能源系统管理优化的方法及系统 |
-
2023
- 2023-07-06 CN CN202310819694.0A patent/CN116544934B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10230241B1 (en) * | 2015-09-30 | 2019-03-12 | The United States Of America, As Represented By The Secretary Of The Navy | Self-optimizing hybrid power system |
CN105743094A (zh) * | 2016-04-22 | 2016-07-06 | 国网江苏省电力公司连云港供电公司 | 电网需求响应控制系统 |
CN108038581A (zh) * | 2018-01-10 | 2018-05-15 | 广东电网有限责任公司电力科学研究院 | 一种基于狼群算法的智能经济调度方法及装置 |
KR101899123B1 (ko) * | 2018-02-26 | 2018-10-31 | 주식회사 에코전력 | 국가 전력의 효율적 운용을 위한 국가 전력 통합 운용 시스템 |
CN109462231A (zh) * | 2018-11-15 | 2019-03-12 | 合肥工业大学 | 居民微电网的负荷优化调度方法、系统和存储介质 |
CN110165665A (zh) * | 2019-05-29 | 2019-08-23 | 长沙理工大学 | 一种基于改进多目标粒子群算法的源-荷-储调度方法 |
CN110864414A (zh) * | 2019-10-30 | 2020-03-06 | 郑州电力高等专科学校 | 基于大数据分析的空调用电负荷智能控制调度方法 |
CN112865114A (zh) * | 2019-11-28 | 2021-05-28 | 中车株洲电力机车研究所有限公司 | 一种基于分时电价的负荷用电管理控制方法 |
CN111654067A (zh) * | 2020-06-11 | 2020-09-11 | 国网江苏省电力有限公司扬州供电分公司 | 输配协同的配电系统调度新型控制方法及装置 |
CN115983430A (zh) * | 2022-12-02 | 2023-04-18 | 成都市迈德物联网技术有限公司 | 一种综合能源系统管理优化的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116544934A (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109508857B (zh) | 一种主动配电网多阶段规划方法 | |
US20200161867A1 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
Wojdyga | Predicting heat demand for a district heating systems | |
TWI540533B (zh) | 智慧型短期電力發電量預測方法 | |
CN116544934B (zh) | 根据电力负荷预测的电力调度方法及系统 | |
Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
CN110837915A (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
Zhang et al. | Research on AGC performance during wind power ramping based on deep reinforcement learning | |
CN117498400B (zh) | 一种分布式光伏与储能数据的处理方法及系统 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
CN115189416A (zh) | 基于日前电价分级预测模型的发电系统控制方法及系统 | |
CN109615246B (zh) | 一种主动配电网经济运行状态确定方法 | |
Zhu et al. | Wind power interval and point prediction model using neural network based multi-objective optimization | |
Nasiakou et al. | Power distribution network partitioning in big data environment using k-means and fuzzy logic | |
Yundra et al. | Hybrid Model Combined Fuzzy Multi-Objective Decision Making with Feed Forward Neural Network (F-MODM-FFNN) For Very Short-Term Load Forecasting Based on Weather Data. | |
Nematirad et al. | A Novel Statistical Framework for Optimal Sizing of Grid-Connected Photovoltaic-Battery Systems for Peak Demand Reduction to Flatten Daily Load Profiles | |
Her et al. | Artificial neural network based short term electrical load forecasting | |
CN114547821A (zh) | 基于灰色关联理论的可调度柔性资源辨识方法、存储介质 | |
Fang et al. | Energy scheduling and decision learning of combined cooling, heating and power microgrid based on deep deterministic policy gradient | |
Zhan et al. | Comparing model predictive control and reinforcement learning for the optimal operation of building-PV-battery systems | |
Chinnadurrai et al. | Energy Management of a Microgrid based on LSTM Deep Learning Prediction Model | |
Li et al. | An artificial intelligence-based fusion method for wind power prediction | |
Bugaje et al. | Influence of input parameters on artificial neural networks for off-grid solar photovoltaic power forecasting | |
Vasenin et al. | Long-term electrical energy forecasting of the residential sector using the lstm model: The italian use case | |
Yang | Development of intelligent energy management system using natural computing |
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 |