CN116579877A - 一种基于amg聚类的综合能源系统场景生成方法和系统 - Google Patents
一种基于amg聚类的综合能源系统场景生成方法和系统 Download PDFInfo
- Publication number
- CN116579877A CN116579877A CN202310402306.9A CN202310402306A CN116579877A CN 116579877 A CN116579877 A CN 116579877A CN 202310402306 A CN202310402306 A CN 202310402306A CN 116579877 A CN116579877 A CN 116579877A
- Authority
- CN
- China
- Prior art keywords
- point
- points
- grid
- coarse
- comprehensive energy
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000001419 dependent effect Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000013439 planning Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000003912 environmental pollution Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Water Supply & Treatment (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于AMG聚类的综合能源系统场景生成方法和系统,属于综合能源系统领域。包括:获取综合能源系统历史运行数据集,将同一天所有时间粒度综合能源系统中各负荷运行功率和各能源出力场景作为一个操作点,得到操作点集;基于代数多重网格法粗网格点生成方式,将操作点集粗聚类为粗网格点集和细网格点集;计算每个细网格点与各粗网格点之间的代数多重网格插值权重,将该细网格点分配给具有最高插值权重的粗网格点,生成以粗网格点为代表的聚类簇。本发明通过代数多重网格聚类方法,融合各场景数据的精细化特征,得到区域综合能源系统中更具代表性的应用场景,有效避免传统预测方法不精确带来的运行方案不适用、可靠性不足等问题。
Description
技术领域
本发明属于综合能源系统领域,更具体地,涉及一种基于AMG聚类的综合能源系统场景生成方法和系统。
背景技术
随着当前社会对能源需求的日益增加,以及在能源危机与环境污染的双重压力下,如何减少环境污染、优化能源资源配置、实现能源可持续发展,是当今学术界和工业界共同关注的话题。区域综合能源系统的建设在世界范围内引起了广泛的关注。与传统冷、热、电分供系统相比,区域综合能源系统有较高的综合能源利用效率,各种形式的能源,如电、热、气、冷等,在生产、传输、消费等各个环节实现耦合和交互,从而提高整个系统的运行经济性。区域综合能源系统是能源互联网在能源协同、互济等方面的具体体现,是能源互联网的重要物理载体,具有重要的研究意义。
场景预测是区域综合能源系统建设规划与实际运行调度中的一项关键技术,关系到整个系统的可靠性、安全性以及方案的经济性。由于区域综合能源系统的能源产生侧具有很强的随机性,比如太阳能、风能等,并且整个系统同时包含电源、热源、冷源等多种能量源,以及各种能量源对应类型的多种用能负载,这使得整个区域综合能源系统的运行场景复杂多样,对于系统的规划设计和运行调度产生了巨大挑战。尽管目前已有一些研究开展了应用于综合能源系统规划设计的场景生成方法的研究,如专利CN115392101A采用自相关性与惯性权重粒子群算法,两次对于不确定性场景进行筛选得到最优生成场景,但是缺乏对较大规模数据集的聚类能力;专利CN111509768A将布式电源系统、气象敏感负荷系统和综合能源系统看作一个整体进行分析,彰显了多能流关联耦合的重要性,促进能源运营管理更加高效,但没有实现对多个不确定性能源与负荷的聚类分析与场景预测。
总体来看,目前的区域综合能源系统对应用场景的选择往往不具有足够的代表性,通常会按照简单的四季典型场景处理,或者通过经验进行不确定性的粗略描述,尤其对区域综合能源系统中各类源荷代表性以及不确定性的描述缺乏可靠性支撑,这会导致根据这类场景预测而规划设计与运行调度的方案无法未来使用过程中的实际情况,有可能需要对调度方案进行较大的修改才能满足需求,因此亟需更合理且具有代表性的区域综合能源系统不确定性场景生成方法。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种基于AMG聚类的综合能源系统场景生成方法和系统,旨在解决现有区域综合能源系统场景生成中多采用四季典型应用场景,导致对于未来的场景预测不具有代表性,不够精细化,适用性偏低的问题。
为实现上述目的,第一方面,本发明提供了一种基于AMG聚类的综合能源系统场景生成方法,该方法包括:
S1.获取综合能源系统历史运行数据集,将同一天所有时间粒度综合能源系统中各负荷运行功率和各能源出力场景作为一个操作点,得到操作点集;
S2.基于代数多重网格法粗网格点生成方式,将操作点集粗聚类为粗网格点集和细网格点集;
S3.计算每个细网格点与各粗网格点之间的代数多重网格插值权重,将该细网格点分配给具有最高插值权重的粗网格点,生成以粗网格点为代表的聚类簇;
S4.将粗网格点集中每个粗网格点作为一个代表性场景,以粗网格点为代表的聚类簇的点数量越多,表示对应场景越具代表性。
优选地,步骤S1中,所述历史运行数据集具体如下:
其中,N表示统计天数,H表示历史数据的小时数,De表示电负荷,Dh表示热负荷,W表示风能;
将统计得到的同一天H小时能源出力及负荷运行功率场景称作操作点,即将P1,P2,…,PN视为n个操作点。
优选地,步骤S2中,所述网格点生成时,操作点Pi强依赖于操作点Pj的评价标准如下:
|li,j|≥θ×maxk≠i{|li,k|},k=1,…,N
其中,li,j表示操作点连通矩阵L的第i行第h列元素,θ∈(0,1]表示自定义阈值,N表示统计天数,ai,j表示根据di,j生成的邻接矩阵A的第i行第j列元素,di,j表示操作点Pi与Pj之间的欧几里得距离,D表示设定阈值。
需要说明的是,本发明优选上述评价标准,建立有权拉普拉斯矩阵,充分挖掘与融合了数据集中的操作点历史数据信息,并选择适当的参数判定依赖性,筛选出具有强依赖性关系的操作点,是之后粗化聚类过程中的粗网格点生成步骤的必要准备工作。
优选地,所述欧几里得距离计算公式如下:
其中,H表示历史数据的小时数,De表示电负荷,Dh表示热负荷,W表示风能。
需要说明的是,本发明优选欧几里得距离,操作直观,易于实现,有效将操作点的所有数据信息进行了融合。
优选地,细网格点与粗网格点之间的代数多重网格插值权重计算公式如下:
其中,vi,j表示操作点i与操作点j之间的代数多重网格插值权重,li,j表示操作点连通矩阵L的第i行第j列元素,表示与操作点i强依赖的细网格点的集合,Ci表示与操作点i强依赖的粗网格点集合,/>表示与操作点i弱依赖的细网格点的集合,F表示细网格点集,C表示粗网格点集。
需要说明的是,本发明优选上述插值权重构建方式,综合考虑了每个f点与其强依赖的c点、强依赖的f点和弱依赖的f点之间的比重关系,清晰明了的表现出每个f点对所有c点的依赖程度,有助于下一步对f点进行科学合理的分配从而完成聚类工作,生成代表性场景。
优选地,Ci=i∩C,以及/>
其中,Si表示所有与操作点i强依赖的点的集合,Ni=-{i}表示去除操作点i后的细网格点的集合。
为实现上述目的,第二方面,本发明提供了一种基于AMG聚类的综合能源系统场景生成系统,包括:处理器和存储器;所述存储器,用于存储计算机执行指令;所述处理器,用于执行所述计算机执行指令,使得如第一方面所述的方法被执行。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,具有以下有益效果:
本发明提出一种基于AMG聚类的综合能源系统场景生成方法和系统,通过代数多重网格聚类方法,融合了各场景数据的精细化特征,得到区域综合能源系统中更具代表性的应用场景,有效避免传统预测方法不精确带来的运行方案不适用、可靠性不足等问题,从而为区域综合能源系统规划设计和运行调度提供决策支撑,提高系统整体的经济性。
附图说明
图1是本发明提供的一种基于AMG聚类的综合能源系统场景生成方法流程图。
图2是本发明提供的电力系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明提出的一种基于AMG(代数多重网格)聚类的综合能源系统场景生成方法包括:
(1)能源及负荷的出力功率统计与连通矩阵的生成。
(2)确定聚类过程中的依赖性评价标准与聚类点判定标准。
(3)基于代数多重网格法粗网格点生成方式,进行能源及负荷出力功率场景的粗化聚类。
(4)计算代数多重网格插值权重并进行f点分配。
所述步骤(1)能源及负荷的出力功率统计与连通矩阵的生成,主要包括逐时抽取如图2所示的电力系统中每条母线的电负荷、热负荷、冷负荷以及各类可再生能源的每小时历史数据的标准化集合,形成各时段分布在每一天的能源及负荷运行功率归一化数据集合,并由此建立代数多重网格的连通矩阵等步骤。
本发明的主要应用对象为区域综合能源系统。如图2所示,系统以电力系统为核心,以风力发电技术、太阳能发电技术、天然气分布式供能技术、空气及储能电池等技术为主要的供能手段,包含完善的能源输配网和储能设施,包含供电网、供热网、供冷网、供气网四个网络,能同时为负荷提供冷、热、电多种能源的供应。
步骤(1-1)逐时抽取电力系统中每条母线的电负荷、热负荷、冷负荷以及各类可再生能源的每小时历史数据的标准化集合,形成各时段分布在每一天的能源及负荷运行功率数据集合,并进行归一化处理便于后续计算。以包含电负荷、热负荷和风力发电的简单系统为例,归类方法如下:
其中,N表示统计天数,H表示历史数据的小时数,De表示电负荷,Dh表示热负荷,W表示风能。
步骤(1-2)建立代数多重网格的连通矩阵L来表示不同操作点之间的连接,L应为对称正定阵。
将统计得到的同一天H小时能源出力及负荷运行功率场景称作操作点,即将P1,P2,...,PN视为N个操作点。首先根据数据集计算任意两操作点之间的欧几里得距离,仍以上述包含电负荷、热负荷和风力发电的简单系统为例:
若欧氏距离大于设定阈值D,则i,j两点不被连接;若欧氏距离小于设定阈值,则将两点进行连接。本发明以距离均值矩阵作为距离阈值的基准,将对应点之间距离的倒数定义为每个连接的权重,用以提供相似性度量。距离阈值的作用为控制聚类图的稀疏性,应当选择适当的距离阈值使图形不会过于复杂而导致计算困难。
由此即可生成加权图的邻接矩阵A,其组成元素为:
然后由权重图的拉普拉斯矩阵L构成最终的连通矩阵,其组成元素为:
所述步骤(2)确定聚类过程中的依赖性评价标准与聚类点判定标准,主要包括分别构建操作点间依赖性质的评价标准和代数多重网格聚类过程中c点和f点的两个选择标准等步骤。
在形成连接矩阵之后,使用代数多重网格方法对数据进行聚类前需要确定聚类过程中的依赖性评价标准与聚类点选择标准。
步骤(2-1)构建依赖性质的评价标准。
若对给定的θ∈(0,1],点Pi与点Pj满足公式(5):
|li,j|≥θ×maxk≠i{|li,k|},k=1,…,N (5)
则称操作点Pi强依赖于操作点Pj。
然后确定一个适当的θ值用于本次聚类,并定义集合Si为所有与操作点i强依赖的点的集合,集合C为具有任意两c点均没有强依赖性质的所有点的最大子集,集合Ci=C∩Si。θ需要根据操作点的规模适当选取,值越大,依赖性的判断越严格,会导致更加分散的期望值度量。一般可以设置为0.9左右。
步骤(2-2)确定代数多重网格聚类过程中粗网格点c点和细网格点f点的两个选择标准。
标准1为对每一个i∈F,每个点j∈Si要么在C中,要么至少与Ci里的一个点强依赖。
标准2即为集合C的定义,它是具有任意两c点均没有强依赖性质的所有点的最大子集。
对于Ci中点的更强依赖点j∈Si,算法的结果是一个更精确的解。因此,标准1确保了每个f点至少依赖到一个c点,并且每个点j∈Si至少与Ci中一个点强依赖。该算法为粗网格中包含更多点的情况提供了更好的解决方案,但是需要对求解过程的效率进行权衡。标准2是在执行第一个标准的前提下限制c点的数量。在某些情况下,不能同时满足这两个标准,此时仅使用标准2作为指导,确保满足标准1。
所述步骤(3)能源及负荷出力功率场景的粗化聚类,主要包括进行能源及负荷出力功率场景的粗化聚类,完成对整个数据集对c点集和f点集的划分,获得代表性操作点等步骤。
粗化算法涉及整个数据集的扫描和c点选择,目的是对所有点完成标准1和标准2的执行。具体步骤如下:
步骤(3-1)输入归一化操作点及其各自的连通性矩阵L作为代数多重网格聚类的初始数据。
步骤(3-2)将c点的集合C和f点的集合F被初始化为空集,并对每个可能被选择为c点的操作点,计算其被选择的期望值度量λi。λi等于强依赖于点i的操作点数量,即λi=|Si|。
步骤(3-3)具有最大λ的操作点i被选为c点。令C=C∪{i},U=U-{i},其中U为所有未被分配的点的集合。
步骤(3-4)将Si∩U中所有强依赖于点i的操作点j选择为f点。令F=F∪{j},U=U-{j}。
步骤(3-5)对于新f点强依赖的操作点l∈Sj∩U,令它们的λ值加1完成升级,即λl=λl+1。
步骤(3-6)对于新c点强依赖的操作点j∈Si∩U,令它们的λ值减1完成降级,即λj=λj+1。
步骤(3-7)重复步骤(3-3)至(3-6),直到所有操作点都分配给c点集和f点集,为止。
上述算法从一个点开始运行遍历整个数据集,使用期望的度量λ测量每个点i的数值作为c点,有助于具有较少c点的集合满足标准1。最初,具有最多强依赖点的点被选为c点。随着聚类过程,被更多f点强依赖的点更可能被选择为c点,从而产生最大化c点选择而最小化强c-c依赖的结果,满足了标准2。同时结果还确保每个f点至少有一个与c点的强依赖,满足了标准1。
c点是整个数据集的代表性操作点,构成了综合能源系统扩展规划问题的代表性运行场景。代数多重网格聚类算法可以在多个级别上重复,以进一步减少c点的数量。
所述步骤(4)计算代数多重网格插值权重并进行f点分配,主要包括计算代数多重网格插值权重用以评判所有的f点,将它们分配给各自具有最强依赖的簇以完成聚类,得到代表性操作场景与场景的权重等步骤。具体步骤如下:
步骤(4-1)对每个在f点集中的点i,定义Ci=Si∩C,以及其中,Ci为与点i强依赖的c点集合,/>为与点i强依赖的f点的集合,/>为与点i弱依赖的f点的集合。
步骤(4-2)计算插值权重υi,j,表示i∈F依赖于j∈C的权重,公式如下:
步骤(4-3)形成内插权重矩阵以指示每个f点对不同c点的依赖强度根据与不同c点的权重来将f点分配到属于c点的聚类中。具体操作为,将每个f点分配给具有最高插值权重的c点,至此就得到了最终的代数多重网格聚类结果,即每个聚类都是由一个代表性操作点c点和若干f点组成的簇。将划分出的c点作为整个区域综合能源系统数据集的代表性场景,并且基于分配给每个聚类的f点数量来确定每个场景的权重。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于AMG聚类的综合能源系统场景生成方法,其特征在于,该方法包括:
S1.获取综合能源系统历史运行数据集,将同一天所有时间粒度综合能源系统中各负荷运行功率和各能源出力场景作为一个操作点,得到操作点集;
S2.基于代数多重网格法粗网格点生成方式,将操作点集粗聚类为粗网格点集和细网格点集;
S3.计算每个细网格点与各粗网格点之间的代数多重网格插值权重,将该细网格点分配给具有最高插值权重的粗网格点,生成以粗网格点为代表的聚类簇;
S4.将粗网格点集中每个粗网格点作为一个代表性场景,以粗网格点为代表的聚类簇的点数量越多,表示对应场景越具代表性。
2.如权利要求1所述的方法,其特征在于,步骤S1中,所述历史运行数据集具体如下:
其中,N表示统计天数,H表示历史数据的小时数,De表示电负荷,Dh表示热负荷,W表示风能;
将统计得到的同一天H小时能源出力及负荷运行功率场景称作操作点,即将P1,P2,...,PN视为N个操作点。
3.如权利要求1所述的方法,其特征在于,步骤S2中,所述网格点生成时,操作点Pi强依赖于操作点Pj的评价标准如下:
|li,j|≥θ×maxk≠i{|li,k|},k=1,...,N
其中,li,j表示操作点连通矩阵L的第i行第j列元素,θ∈(0,1]表示自定义阈值,N表示统计天数,ai,j表示根据di,j生成的邻接矩阵A的第i行第j列元素,di,j表示操作点Pi与Pj之间的欧几里得距离,D表示设定阈值。
4.如权利要求3所述的方法,其特征在于,所述欧几里得距离计算公式如下:
其中,H表示历史数据的小时数,De表示电负荷,Dh表示热负荷,W表示风能。
5.如权利要求1所述的方法,其特征在于,细网格点与粗网格点之间的代数多重网格插值权重计算公式如下:
其中,υi,j表示操作点i与操作点j之间的代数多重网格插值权重,li,j表示操作点连通矩阵L的第i行第j列元素,表示与操作点i强依赖的细网格点的集合,Ci表示与操作点i强依赖的粗网格点集合,/>表示与操作点i弱依赖的细网格点的集合,F表示细网格点集,C表示粗网格点集。
6.如权利要求5所述的方法,其特征在于,以及
其中,Si表示所有与操作点i强依赖的点的集合,Ni=F-{i}表示去除操作点i后的细网格点的集合。
7.一种基于AMG聚类的综合能源系统场景生成系统,其特征在于,包括:处理器和存储器;
所述存储器,用于存储计算机执行指令;
所述处理器,用于执行所述计算机执行指令,使得如权利要求1至6任一项所述的方法被执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310402306.9A CN116579877A (zh) | 2023-04-14 | 2023-04-14 | 一种基于amg聚类的综合能源系统场景生成方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310402306.9A CN116579877A (zh) | 2023-04-14 | 2023-04-14 | 一种基于amg聚类的综合能源系统场景生成方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116579877A true CN116579877A (zh) | 2023-08-11 |
Family
ID=87542218
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310402306.9A Pending CN116579877A (zh) | 2023-04-14 | 2023-04-14 | 一种基于amg聚类的综合能源系统场景生成方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116579877A (zh) |
-
2023
- 2023-04-14 CN CN202310402306.9A patent/CN116579877A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107528350B (zh) | 一种适应中长期电源规划的风电出力典型场景生成方法 | |
CN112803491B (zh) | 一种耦合弃电风险的风光水多能互补短期优化调度方法 | |
Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
Ye et al. | A data driven multi-state model for distribution system flexible planning utilizing hierarchical parallel computing | |
Huang et al. | Smart energy management system based on reconfigurable AI chip and electrical vehicles | |
Guo | A study of smart grid program optimization based on k-mean algorithm | |
CN108448611B (zh) | 一种适应大规模新能源外送的电网网架结构构建方法 | |
Sun et al. | Load-forecasting method for IES based on LSTM and dynamic similar days with multi-features | |
CN117650532A (zh) | 一种新能源接入的电网管理方法 | |
CN117748444A (zh) | 一种配电系统的运行模拟方法 | |
Ding et al. | A dynamic period partition method for time-of-use pricing with high-penetration renewable energy | |
CN116885840A (zh) | 一种基于实时数据的分布式新能源在线监测方法及系统 | |
Fu et al. | A spatial forecasting method for photovoltaic power generation combined of improved similar historical days and dynamic weights allocation | |
CN114004393B (zh) | 配电网-天然气联合系统双层多时间尺度运行优化方法 | |
CN116579877A (zh) | 一种基于amg聚类的综合能源系统场景生成方法和系统 | |
CN113537575B (zh) | 一种含分布式光伏和电动汽车并网的趋势负荷预测方法 | |
CN115313377A (zh) | 一种电力负荷预测方法及系统 | |
CN111768066B (zh) | 基于融合特征的园区电热负荷耦合关系分析方法及装置 | |
Chen et al. | Multi-source flexible grid disaster recovery smart plan optimization evaluation | |
CN111815022A (zh) | 一种基于延时坐标嵌入法的电力负荷预测方法 | |
Huang et al. | Optimizing battery energy storage prototypes for improved resilience in commercial buildings: Gaussian mixture modeling and hierarchical analysis of energy storage potential | |
CN117498467B (zh) | 一种基于多层级虚拟电厂的能量协调控制分配方法及系统 | |
CN114819319B (zh) | 一种含可再生能源的电力系统调度模型求解方法及系统 | |
Xiong et al. | Graph Convolutional Network based Electricity Demand Forecasting in Power Distribution Networks | |
CN114256840B (zh) | 一种新能源多场景预测结果的整合方法及系统 |
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 |