CN116707019A - 一种日前电力市场的电量分配方法、系统及计算机设备 - Google Patents
一种日前电力市场的电量分配方法、系统及计算机设备 Download PDFInfo
- Publication number
- CN116707019A CN116707019A CN202310532359.2A CN202310532359A CN116707019A CN 116707019 A CN116707019 A CN 116707019A CN 202310532359 A CN202310532359 A CN 202310532359A CN 116707019 A CN116707019 A CN 116707019A
- Authority
- CN
- China
- Prior art keywords
- electric quantity
- day
- power
- distribution
- sequence
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 158
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000005611 electricity Effects 0.000 claims abstract description 35
- 238000010248 power generation Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000001351 cycling effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000003860 storage Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009897 systematic 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
- H02J3/38—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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- 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
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电量分配技术领域,解决了对于分布式光伏系统在日前电力市场中容易出现电量分配不均的技术问题,尤其涉及一种日前电力市场的电量分配方法、系统及计算机设备,该方法包括以下步骤:S1、获取若干个光伏发电网组的日前电量供给数据集合P,日前电量供给数据集合P由若干个日前电量Pn组成;S2、获取当前的电量需求集合M,电量需求集合M由若干个需求电量Mn组成。本发明能够根据用户的电量需求制定合理的电量分配方案,同时根据用户的需求制定发电量计划,不仅能够降低电力生产成本,而且还能够根据市场需求波动快速完成电量分配决策,能够合理规避电量过剩以及不足的现象发生。
Description
技术领域
本发明涉及电量分配技术领域,尤其涉及一种日前电力市场的电量分配方法、系统及计算机设备。
背景技术
随着电力零售的发展,许多小型发电企业诸如分布式电网和储能运营商以及许多小型电力用户纷纷加入了电力市场,使得电力市场内交易主体数量繁多且交易频繁,数据并发量大。而且,随着风电光伏等新能源并网,新能源的发电出力逆调峰和出力波动性大等问题,导致电网为维持电力平衡所需要调峰资源需求大幅增加,使得常规电源调峰能力已难以满足风电和光伏等新能源的消纳要求。对此,相关技术将储能和虚拟电厂等新型灵活性调节资源也逐渐加入日前电力现货市场。
特别是在光伏发电领域中,分布式光伏系统已成目前的主流形式,同样的分布式光伏系统在并网后进入日前电力市场同样存在一定的技术问题,就现阶段而言,每一个分布式光伏系统所产生的日前电量并不相同,因此在日前电力市场中如何就不同的电量需求所对应的购买方去分配不同的日前电量仍然存在缺陷,每一个日前电量所对应的需求量都是不等的,其中不乏存在较大差距,主要的原因与需求量的不唯一以及光伏系统的发电量所影响。
因此,在上述因素无法避免的前提下,日前电量与需求量的分配不均导致还需要进行二次供需以满足购买方的用电需求,而在二次供应期间容易造成大量的电量损耗,同时二次供应会大大提高电网出现故障而导致停网的现象发生,而且在日前电力市场中,需求量与日前电量的分配不均易引发电量过剩或不足的状况,这不仅为高峰期用电埋下隐患,而且还会大幅度提高电力成本。
发明内容
针对现有技术的不足,本发明提供了一种日前电力市场的电量分配方法、系统及计算机设备,解决了对于分布式光伏系统在日前电力市场中容易出现电量分配不均的技术问题。
为解决上述技术问题,本发明提供了如下技术方案:一种日前电力市场的电量分配方法,该方法包括以下步骤:
S1、获取若干个光伏发电网组的日前电量供给数据集合P,日前电量供给数据集合P由若干个日前电量Pn组成;
S2、获取当前的电量需求集合M,电量需求集合M由若干个需求电量Mn组成;
S3、对日前电量供给数据集合P和电量需求集合M预处理得到初次分配结果W、电量需求集合序列MPN以及日前电量供给数据集合序列PPN;
S4、将电量需求集合序列MPN和日前电量供给数据集合序列PPN输入至最优电量分配模型中得到与需求电量Mn相对应的最优分配方案;
S5、将最优分配方案和初次分配结果W合并得到电量分配表。
作为最优方案,在步骤S3中,对日前电量供给数据集合P和电量需求集合M预处理得到初次分配结果W,具体过程包括包括以下步骤:
S31、建立初次分配序列Y,初次分配序列Y为初次分配结果集合,Y(W1,W2,…,Wn),其中,Wn为第n个初次分配结果;
S32、分别在日前电量供给数据集合P和电量需求集合M中选出最小日前电量Pmin以及最小需求电量Mmin,并将最小日前电量Pmin以及最小需求电量Mmin分别存放在日前电量供给数据集合P和电量需求集合M中的起始位置;
S33、在剩余的日前电量供给数据集合P和电量需求集合M中再次选出最小日前电量Pmin-1以及最小需求电量Mmin-1,并将最小日前电量Pmin-1以及最小需求电量Mmin-1分别存放在剩余的日前电量供给数据集合P和电量需求集合M中的起始位置;
S34、重复步骤S33,直到剩余的日前电量供给数据集合P和电量需求集合M中的最小日前电量Pmin以及最小需求电量Mmmin全部选择完毕,得到日前电量供给数据集合序列P’以及电量需求集合序列M’;
S35、判断日前电量供给数据集合序列P’与电量需求集合序列M’中起始位置的日前电量Pn和需求电量Mn是否相同;
若Pn-Mn=0或Pn-Mn的差值在±[5,10]范围内,则将其归纳至初次分配序列Y中,Y(W1,W2,…,Wn),其中,Wn(Pn,Mn),Pn-Mn=0或Pn-Mn的差值在±[5,10]范围内;
若Pn-Mn≠0或Pn-Mn的差值在±[5,10]范围外,则自动跳过并进行下一组日前电量Pn和需求电量Mn的对比直到结束得到初次分配结果W;
S36、判断电量需求集合序列M’中的需求电量Mn是否全部分配;
若电量需求集合序列M,为空集序列,则结束并返回步骤S2;
若否,则对自动跳过的需求电量Mn和日前电量Pn整理得到电量需求集合序列MPN和日前电量供给数据集合序列PPN,随后进入步骤S4。
作为最优方案,在步骤S4中,将电量需求集合序列MPN和日前电量供给数据集合序列PPN输入至最优电量分配模型中得到与需求电量Mn相对应的最优分配方案,具体过程包括以下步骤:
S41、建立电量分配数据集,并将电量分配数据集按照7∶2∶1的比例划分为训练集、测试集和验证集;
S42、构建电量分配模型;
S43、确定电量分配模型的损失函数;
S44、采用训练集、测试集和验证集对电量分配模型进行训练、测试以及验证得到最优电量分配模型;
S45、将电量需求集合序列MPN和日前电量供给数据集合序列PPN输入至最优电量分配模型中得到最优分配方案。
作为最优方案,在步骤S42中,电量分配模型为以广义动态神经网络为基础,分别嵌入一个判断当前模糊规则是否满足需求电量Mn预设分配阈值条件的分配规则层,以及一个用于若干个日前电量Pn双向循环的电量分配模块。
作为最优方案,电量分配模块由两个LSTM单元组成,LSTM单元包括输入门、输出门、循环门和遗忘门。
作为最优方案,
输入门ot的表达式为:
ot=σ(Woxxt+Wohht-1+bo)
上式中,σ(·)表示Sigmoid变换激活函数,Wox表示对应的矩阵权重,xt表示t时刻的输入信息,Woh表示输入门权重,ht-1表示t-1时刻输出信息,bo表示输入门的偏置项;
输出门it的表达式为:
it=σ(Wixxt+Wihht-1+bi)
上式中,σ(·)表示Sigmoid变换激活函数,Wix表示对应的矩阵权重,xt表示t时刻的输入信息,Wih表示输出门权重,ht-1表示t-1时刻输出信息,bi表示输出门的偏置项;
循环门gt的表达式为:
上式中,表示tanh函数变换,Wgx表示对应的矩阵权重,xt表示t时刻的输入信息,Wgh表示输出门权重,ht-1表示t-1时刻输出信息,bg表示输出门的偏置项;
遗忘门ft的表达式为:
ft=σ(Wfxxt+Wfhht-1+bf)
上式中,σ(·)表示Sigmoid变换激活函数,Wfx表示对应的矩阵权重,xt表示t时刻的输入信息,Wfh表示输出门权重,ht-1表示t-1时刻输出信息,bf表示输出门的偏置项。
作为最优方案,在步骤S43中,损失函数l的表达式为:
上式中,λE,g、λE,f表示对应的权重系数,在本实施例中分别取值为1、0.5、0.8,t表示输入的电量需求集合序列MPN和日前电量供给数据集合序列PPN数据,Gt(I)表示广义动态神经网络生成的最优分配方案。
该技术方案还提出了一种用于实现上述电量分配方法的系统,包括:
所述第一获取模块用于获取若干个光伏发电网组的日前电量供给数据集合P,日前电量供给数据集合P由若干个日前电量Pn组成;所述第二获取模块用于获取当前的电量需求集合M,电量需求集合M由若干个需求电量Mn组成;所述初次分配模块用于对日前电量供给数据集合P和电量需求集合M预处理得到初次分配结果W、电量需求集合序列MPN以及日前电量供给数据集合序列PPN;所述最优分配方案生成模块用于将电量需求集合序列MPN和日前电量供给数据集合序列PPN输入至最优电量分配模型中得到与需求电量Mn相对应的最优分配方案;所述电量分配表生成模块用于将最优分配方案和初次分配结果W合并得到电量分配表。
该技术方案还提出了一种计算机设备,包括处理器和存储器,所述存储器用于存储计算机程序,所述计算机程序被所述处理器执行时实现所述的电量分配方法。
借由上述技术方案,本发明提供了一种日前电力市场的电量分配方法、系统及计算机设备,至少具备以下有益效果:
1、本发明所提供的电量分配方法,能够根据用户的电量需求制定合理的电量分配方案,其较为准确的电量分配可以协助日前电力市场参与者在充满竞争性以及不确定性环境中做出更加合理的决策,同时能够根据用户的需求制定发电量计划,不仅能够降低电力生产成本,而且还能够根据市场需求波动快速完成电量分配决策,能够合理规避电量过剩以及不足的现象发生。
2、本发明通过对需求电量与日前电量进行系统化定义并区分,初步完成需求电量与日前电量的初次分配,由此实现分布式光伏系统在日前电力市场中的电量分配,并在分配阈值的条件下寻找最优的分配方式,以达到在海量需求电量与日前电量的前提下进行判断实现初次分配,不仅能够有效降低分配基础数量,同时还能够以逐步筛选的方式提高匹配度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明电量分配方法的流程图;
图2为本发明电量分配模块的网络结构图;
图3为本发明电量分配系统的原理框图;
图4为本发明实施例中计算机设备的内部结构框图。
图中:10、第一获取模块;20、第二获取模块;30、初次分配模块;40、最优分配方案生成模块;50、电量分配表生成模块。
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,下面结合附图和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
请参照图1-图4,示出了本实施例的一种具体实施方式,本实施例能够在已知日前电量和需求电量的同时,并在分配阈值的限制下,各自相对应的集合序列中自动给出相应的最优分配方案,从而能够避免出现电量分配不均的现象发生,避免二次供应而引发的电量损耗以及易出现故障的现象,同时能够根据需求量分配匹配度最高的日前电量,不仅避免了电量过剩以及不足的现象,同时还降低了电力成本。
请参照图1,本实施例提出了一种日前电力市场的电量分配方法,该方法包括以下步骤:
S1、获取若干个光伏发电网组的日前电量供给数据集合P,日前电量供给数据集合P由若干个日前电量Pn组成,P(P1,P2,…,Pn),日前电量Pn为一个光伏发电网组在并网后的日前电量,在此处,光伏发电网组为与电网相连并向电网输送电力的光伏发电系统,该项数据为已知数据,光伏发电系统会将该项数据发送至日前电力市场管理系统中,并从中能够直接获取得到。
S2、获取当前的电量需求集合M,电量需求集合M由若干个需求电量Mn组成,M(M1,M2,…,Mn),需求电量Mn为日前电力市场中单个购买方对于电量的单次需求,该项数据为已知数据,能够直接从日前电力市场管理系统中获取得到。
S3、对日前电量供给数据集合P和电量需求集合M预处理得到初次分配结果W、电量需求集合序列MPN以及日前电量供给数据集合序列PPN。
在步骤S3中,为了对整个步骤S3清楚且完整的进行说明,本实施例对步骤S3的具体实现方法包括以下步骤:
S31、建立初次分配序列Y,初次分配序列Y为初次分配结果集合,Y(W1,W2,…,Wn),其中,Wn为第n个初次分配结果,在此处的初次分配序列Y可以理解为一个空白的集合,用来容纳若干个初次分配结果。
S32、分别在日前电量供给数据集合P和电量需求集合M中选出最小日前电量Pmin以及最小需求电量Mmin,并将最小日前电量Pmin以及最小需求电量Mmin分别存放在日前电量供给数据集合P和电量需求集合M中的起始位置。
S33、在剩余的日前电量供给数据集合P和电量需求集合M中再次选出最小日前电量Pmin-1以及最小需求电量Mmin-1,并将最小日前电量Pmin-1以及最小需求电量Mmin-1分别存放在剩余的日前电量供给数据集合P和电量需求集合M中的起始位置。
S34、重复步骤S33,直到剩余的日前电量供给数据集合P和电量需求集合M中的最小日前电量Pmin以及最小需求电量Mmin全部选择完毕,得到日前电量供给数据集合序列P’以及电量需求集合序列M’。
在步骤S32-步骤S34中,为了更清楚的对该过程进行说明,本实施例以示例进行说明,具体如下:
日前电量供给数据集合P和电量需求集合M中分别包含若干个日前电量P1,P2,…,Pn以及需求电量M1,M2,…,Mn,此时先从若干个日前电量P1,P2,…,Pn以及需求电量M1,M2,…,Mn中采用选择排序方法选出最小日前电量Pmin以及最小需求电量Mmin,并将其存放在集合的起始位置,例如从若干个日前电量P1,P2,…,Pn中选出的最小日前电量Pmin为P2,则形成日前电量供给数据集合P(P2,P1,…,Pn),相同道理,从若干个需求电量M1,M2,…,Mn中选出的最小求电量Mmin为M1,则形成电量需求集合M(M1,M2,…,Mn)。
而随后,日前电量供给数据集合P中在去除最小日前电量P2后,其表达式为P(P1,…,Pn),电量需求集合M的表达形式为M(M2,…,Mn),此时便为步骤S33中的剩余的日前电量供给数据集合P和电量需求集合M,然后在如同步骤S32相同的方法,采用选择排序方法再次选出最小日前电量Pmin-1以及最小需求电量Mmin-1,并将其分别存放在剩余的日前电量供给数据集合P和电量需求集合M中的起始位置,如此重复直到全部选择完毕得到日前电量供给数据集合序列P’以及电量需求集合序列M’。
S35、判断日前电量供给数据集合序列P’与电量需求集合序列M’中起始位置的日前电量Pn和需求电量Mn是否相同;
若Pn-Mn=0或Pn-Mn的差值在±[5,10]范围内,则将其归纳至初次分配序列Y中,Y(W1,W2,…,Wn),其中,Wn(Pn,Mn),Pn-Mn=0或Pn-Mn的差值在±[5,10]范围内;
若Pn-Mn≠0或Pn-Mn的差值在±[5,10]范围外,则自动跳过并进行下一组日前电量Pn和需求电量Mn的对比直到结束得到初次分配结果W。
S36、判断电量需求集合序列M’中的需求电量Mn是否全部分配;
若电量需求集合序列M,为空集序列,则结束并返回步骤S2,空集序列表示电量需求集合序列M’中的需求电量Mn已全部完成了初步分配,该种状态为最理想的状态;
若否,则对自动跳过的需求电量Mn和日前电量Pn整理得到电量需求集合序列MPN和日前电量供给数据集合序列PPN,随后进入步骤S4,其中·PN表示不符合分配条件的集合序列。
本实施例通过对需求电量与日前电量进行系统化定义并区分,初步完成需求电量与日前电量的初次分配,由此实现分布式光伏系统在日前电力市场中的电量分配,并在分配阈值的条件下寻找最优的分配方式,以达到在海量需求电量与日前电量的前提下进行判断实现初次分配,不仅能够有效降低分配基础数量,同时还能够以逐步筛选的方式提高匹配度。
在实际应用中,仅仅有少量的日前电量Pn和需求电量Mn符合分配条件Pn-Mn=0或Pn-Mn的差值在±[5,10]范围内,因此需要对不符合条件的电量需求集合序列MPN根据最优分配方案再次进行分配,具体过程如下:
S4、将电量需求集合序列MPN和日前电量供给数据集合序列PPN输入至最优电量分配模型中得到与需求电量Mn相对应的最优分配方案;
在步骤S4中,为了对整个步骤S4清楚且完整的进行说明,本实施例对步骤S4的具体实现方法包括以下步骤:
S41、建立电量分配数据集,并将电量分配数据集按照7∶2∶1的比例划分为训练集、测试集和验证集,电量分配数据集中包含至少1000份的电量分配数据,单项电量分配数据为符合预设分配阈值条件的日前电量Pn和需求电量Mn,较多的训练集能够对电量分配模型进行充分的训练学习,从而提高电量分配模型学习的充分性,并提高电量分配模型的精准性,在本实施例中,设分配阈值取值为0.3,具体的取值可根据当前需求调整电量分配规则进行预先设定,因此在此处不做详细赘述。
S42、构建电量分配模型;
电量分配模型为以广义动态神经网络为基础,分别嵌入一个判断当前模糊规则是否满足需求电量Mn预设分配阈值条件的分配规则层,以及一个用于若干个日前电量Pn双向循环的电量分配模块。
在分配规则层中,设新输入的需求电量Mn为(Xi,Pi),Pi是第i个期望Xi输出,分配规则的增减需要遵循一下原则:
当(Xi,Pi)不满足模糊规则的ε-完备性时,需要增加新规则。
模糊规则的ε-完备性定义为:在输入的一定值域范围内,至少存在一条模糊规则的匹配度不小于ε,则称输入(Xi,Pi)后的系统具有ε-完备性。
判断输入(Xi,Pi)后系统是否符合模糊规则的ε-完备性的方法为:设定判断参数md(j)为每个模糊规则的T范数表示的对角化马氏距离,判断参数md(j)的计算公式为:
上式中,T为范数,表示对角化马氏距离,Xi表示需求电量Mn的期望输出,Cj表示第j个模糊规则,j为常数,表示分配规则层的宽度。
而当mdmin=md(arg minmd(j))>id时,id为与ε有关的预设阈值,判断当前模糊规则不满足ε-完备性,需要增加规则,此时的id会根据输入的需求电量Mn的变化而改变,具体的改变规则如下述公式所示:
上式中,γ为衰减因子,i为学习次数,n为训练样本数,ε为匹配度。
当mdmin=md(arg minmd(j))<id时,则不需要对分配规则进行增减,只需要对现有规则参数进行训练调整。
令(Xi,Pi)的输出误差为ei,当ei>ie时,ie为系统误差,则需要考虑产生新规则,ei=||Pi-hi||,hi为电量分配模块的输出值,ie是根据期望精度预定义的阈值,ie的变化过程表达式为:
上式中,k表示误差出现次数,β为衰减因子,n为训练样本数。
而当第j个模糊规则的重要性ωj<Kerr时,第j个模糊规则被删除,其中有:
上式中,T为范数,表示对角化马氏距离,ρj表示对应第j个模糊规则的偏差减小率,n表示第n个偏差减小率。
这里定义偏差减小率矩阵E=(ρ1,ρ2,…,ρj),E的第j列ρj对应第j个模糊规则的(n+1)个偏差减小率,用gj(τ)表示第j个模糊规则的分配规则层的输出,计算公式为:
上式中,Xi表示需求电量Mn的期望输出,Cj表示第j个模糊规则,j为常数,表示分配规则层的宽度。
请参照图2,电量分配模块由两个LSTM单元组成,LSTM单元包括输入门、输出门、循环门和遗忘门。
输入门ot的表达式为:
ot=σ(Woxxt+Wohht-1+bo)
上式中,σ(·)表示Sigmoid变换激活函数,Wox表示对应的矩阵权重,xt表示t时刻的输入信息,Woh表示输入门权重,ht-1表示t-1时刻输出信息,bo表示输入门的偏置项。
输出门it的表达式为:
it=σ(Wixxt+Wihht-1+bi)
上式中,σ(·)表示Sigmoid变换激活函数,Wix表示对应的矩阵权重,xt表示t时刻的输入信息,Wih表示输出门权重,ht-1表示t-1时刻输出信息,bi表示输出门的偏置项。
循环门gt的表达式为:
上式中,表示tanh函数变换,Wgx表示对应的矩阵权重,xt表示t时刻的输入信息,Wgh表示输出门权重,ht-1表示t-1时刻输出信息,bg表示输出门的偏置项。
遗忘门ft的表达式为:
ft=σ(Wfxxt+Wfhht-1+bf)
上式中,σ(·)表示Sigmoid变换激活函数,Wfx表示对应的矩阵权重,xt表示t时刻的输入信息,Wfh表示输出门权重,ht-1表示t-1时刻输出信息,bf表示输出门的偏置项。
S43、确定电量分配模型的损失函数;
具体的,损失函数l的表达式为:
上式中,λE,g、λE,f表示对应的权重系数,在本实施例中分别取值为1、0.5、0.8,t表示输入的电量需求集合序列MPN和日前电量供给数据集合序列PPN数据,Gt(I)表示广义动态神经网络生成的最优分配方案。
S44、采用训练集、测试集和验证集对电量分配模型进行训练、测试以及验证得到最优电量分配模型,训练、测试以及验证的方式较为常规,因此在本实施例中不做详细赘述。
S45、将电量需求集合序列MPN和日前电量供给数据集合序列PPN输入至最优电量分配模型中得到最优分配方案。
S5、将最优分配方案和初次分配结果W合并得到电量分配表,在本实施例中,电量分配表以表格的形式进行展现,每一个需求电量Mn分别对应一个最优的日前电量Pn,由于经过初次分配得到部分的初次分配结果,随后在通过最优电量分配模型得到最优分配方案,两者得到的数据都是一个需求电量Mn对应一个日前电量Pn,因此将两部分数据合并在一起即可得到电量分配表。
本实施例以广义动态网络模型为基础通过构建一个最优电量分配模型,并此基础上分别嵌入一个分配规则层和电量分配模块,能够在已知日前电量和需求电量的同时,并在分配阈值的限制下,各自相对应的集合序列中自动给出相应的最优分配方案,从而能够避免出现电量分配不均的现象发生,避免二次供应而引发的电量损耗以及易出现故障的现象,同时能够根据需求量分配匹配度最高的日前电量,不仅避免了电量过剩以及不足的现象,同时还降低了电力成本。
本实施例所提供的电量分配方法,能够根据用户的电量需求制定合理的电量分配方案,其较为准确的电量分配可以协助日前电力市场参与者在充满竞争性以及不确定性环境中做出更加合理的决策,同时能够根据用户的需求制定发电量计划,不仅能够降低电力生产成本,而且还能够根据市场需求波动快速完成电量分配决策,能够合理规避电量过剩以及不足的现象发生。
与上述实施例提供的电量分配方法相对应,本实施例还提供电量分配方法的系统,由于本实施例提供的电量分配系统与上述实施例提供的电量分配方法相对应,因此前述电量分配方法的实施方式也适用于本实施例提供的电量分配系统,在本实施例中不再详细描述。
请参阅图3,其所示为本实施例提供的电量分配系统的结构框图,该电量分配系统包括:
第一获取模块10用于获取若干个光伏发电网组的日前电量供给数据集合P,日前电量供给数据集合P由若干个日前电量Pn组成;
第二获取模块20用于获取当前的电量需求集合M,电量需求集合M由若干个需求电量Mn组成;
初次分配模块30用于对日前电量供给数据集合P和电量需求集合M预处理得到初次分配结果W、电量需求集合序列MPN以及日前电量供给数据集合序列PPN;
最优分配方案生成模块40用于将电量需求集合序列MPN和日前电量供给数据集合序列PPN输入至最优电量分配模型中得到与需求电量Mn相对应的最优分配方案;
电量分配表生成模块50用于将最优分配方案和初次分配结果W合并得到电量分配表。
需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
本实施例还提供了一种计算机设备,图4为本申请一实施例中计算机设备的内部结构框图。如图4所示,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、输入装置和显示屏。其中,该计算机设备的处理器用于提供计算和控制能力。存储器包括存储介质和内存储器。存储介质可以是非易失性存储介质,也可以是易失性存储介质。存储介质存储有操作系统,还可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器实现电量分配方法。该内存储器为存储介质中的操作系统和计算机可读指令的运行提供环境。该内存储器中也可储存有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行电量分配方法。该计算机设备的网络接口用于与外部服务器通过网络连接通信。计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机可读指令(例如计算机程序),处理器执行计算机可读指令时实现上述实施例中电量分配方法的步骤,例如图1所示的步骤S1至步骤S5及该方法的其它扩展和相关步骤的延伸。或者,处理器执行计算机可读指令时实现上述实施例中电量分配系统的各模块/单元的功能,例如图3所示模块100至模块500的功能。为避免重复,这里不再赘述。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
以上实施方式对本发明进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种日前电力市场的电量分配方法,其特征在于,该方法包括以下步骤:
S1、获取若干个光伏发电网组的日前电量供给数据集合P,日前电量供给数据集合P由若干个日前电量Pn组成;
S2、获取当前的电量需求集合M,电量需求集合M由若干个需求电量Mn组成;
S3、对日前电量供给数据集合P和电量需求集合M预处理得到初次分配结果W、电量需求集合序列MPN以及日前电量供给数据集合序列PPN;
S4、将电量需求集合序列MPN和日前电量供给数据集合序列PPN输入至最优电量分配模型中得到与需求电量Mn相对应的最优分配方案;
S5、将最优分配方案和初次分配结果W合并得到电量分配表。
2.根据权利要求1所述的电量分配方法,其特征在于,在步骤S3中,对日前电量供给数据集合P和电量需求集合M预处理得到初次分配结果W,具体过程包括包括以下步骤:
S31、建立初次分配序列Y,初次分配序列Y为初次分配结果集合,Y(W1,W2,…,Wn),其中,Wn为第n个初次分配结果;
S32、分别在日前电量供给数据集合P和电量需求集合M中选出最小日前电量Pmin以及最小需求电量Mmin,并将最小日前电量Pmin以及最小需求电量Mmin分别存放在日前电量供给数据集合P和电量需求集合M中的起始位置;
S33、在剩余的日前电量供给数据集合P和电量需求集合M中再次选出最小日前电量Pmin-1以及最小需求电量Mmin-1,并将最小日前电量Pmin-1以及最小需求电量Mmin-1分别存放在剩余的日前电量供给数据集合P和电量需求集合M中的起始位置;
S34、重复步骤S33,直到剩余的日前电量供给数据集合P和电量需求集合M中的最小日前电量Pmin以及最小需求电量Mmin全部选择完毕,得到日前电量供给数据集合序列P’以及电量需求集合序列M’;
S35、判断日前电量供给数据集合序列P’与电量需求集合序列M’中起始位置的日前电量Pn和需求电量Mn是否相同;
若Pn-Mn=0或Pn-Mn的差值在±[5,10]范围内,则将其归纳至初次分配序列Y中,Y(W1,W2,…,Wn),其中,Wn(Pn,Mn),Pn-Mn=0或Pn-Mn的差值在±[5,10]范围内;
若Pn-Mn≠0或Pn-Mn的差值在±[5,10]范围外,则自动跳过并进行下一组日前电量Pn和需求电量Mn的对比直到结束得到初次分配结果W;
S36、判断电量需求集合序列M’中的需求电量Mn是否全部分配;
若电量需求集合序列M’为空集序列,则结束并返回步骤S2;
若否,则对自动跳过的需求电量Mn和日前电量Pn整理得到电量需求集合序列MPN和日前电量供给数据集合序列PPN,随后进入步骤S4。
3.根据权利要求1所述的电量分配方法,其特征在于,在步骤S4中,将电量需求集合序列MPN和日前电量供给数据集合序列PPN输入至最优电量分配模型中得到与需求电量Mn相对应的最优分配方案,具体过程包括以下步骤:
S41、建立电量分配数据集,并将电量分配数据集按照7∶2:1的比例划分为训练集、测试集和验证集;
S42、构建电量分配模型;
S43、确定电量分配模型的损失函数;
S44、采用训练集、测试集和验证集对电量分配模型进行训练、测试以及验证得到最优电量分配模型;
S45、将电量需求集合序列MPN和日前电量供给数据集合序列PPN输入至最优电量分配模型中得到最优分配方案。
4.根据权利要求3所述的电量分配方法,其特征在于,在步骤S42中,电量分配模型为以广义动态神经网络为基础,分别嵌入一个判断当前模糊规则是否满足需求电量Mn预设分配阈值条件的分配规则层,以及一个用于若干个日前电量Pn双向循环的电量分配模块。
5.根据权利要求4所述的电量分配方法,其特征在于,电量分配模块由两个LSTM单元组成,LSTM单元包括输入门、输出门、循环门和遗忘门。
6.根据权利要求5所述的电量分配方法,其特征在于,
输入门ot的表达式为:
ot=σ(Woxxt+Wohht-1+bo)
上式中,σ(·)表示Sigmoid变换激活函数,Wox表示对应的矩阵权重,xt表示t时刻的输入信息,Woh表示输入门权重,ht-1表示t-1时刻输出信息,bo表示输入门的偏置项;
输出门it的表达式为:
it=σ(Wixxt+Wihht-1+bi)
上式中,σ(·)表示Sigmoid变换激活函数,Wix表示对应的矩阵权重,xt表示t时刻的输入信息,Wih表示输出门权重,ht-1表示t-1时刻输出信息,bi表示输出门的偏置项;
循环门gt的表达式为:
上式中,表示tanh函数变换,Wgx表示对应的矩阵权重,xt表示t时刻的输入信息,Wgh表示输出门权重,ht-1表示t-1时刻输出信息,bg表示输出门的偏置项;
遗忘门ft的表达式为:
ft=σ(Wfxxt+Wfhht-1+bf)
上式中,σ(·)表示Sigmoid变换激活函数,Wfx表示对应的矩阵权重,xt表示t时刻的输入信息,Wfh表示输出门权重,ht-1表示t-1时刻输出信息,bf表示输出门的偏置项。
7.根据权利要求1所述的电量分配方法,其特征在于,在步骤S43中,损失函数l的表达式为:
上式中,λE,g、λE,f表示对应的权重系数,在本实施例中分别取值为1、0.5、0.8,t表示输入的电量需求集合序列MPN和日前电量供给数据集合序列PPN数据,Gt(I)表示广义动态神经网络生成的最优分配方案。
8.一种用于实现上述权利要求1-7任一项所述的电量分配方法的系统,其特征在于,包括:
第一获取模块(10),所述第一获取模块(10)用于获取若干个光伏发电网组的日前电量供给数据集合P,日前电量供给数据集合P由若干个日前电量Pn组成;
第二获取模块(20),所述第二获取模块(20)用于获取当前的电量需求集合M,电量需求集合M由若干个需求电量Mn组成;
初次分配模块(30),所述初次分配模块(30)用于对日前电量供给数据集合P和电量需求集合M预处理得到初次分配结果W、电量需求集合序列MPN以及日前电量供给数据集合序列PPN;
最优分配方案生成模块(40),所述最优分配方案生成模块(40)用于将电量需求集合序列MPN和日前电量供给数据集合序列PPN输入至最优电量分配模型中得到与需求电量Mn相对应的最优分配方案;
电量分配表生成模块(50),所述电量分配表生成模块(50)用于将最优分配方案和初次分配结果W合并得到电量分配表。
9.一种计算机设备,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程序,所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的电量分配方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310532359.2A CN116707019B (zh) | 2023-05-12 | 2023-05-12 | 一种日前电力市场的电量分配方法、系统及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310532359.2A CN116707019B (zh) | 2023-05-12 | 2023-05-12 | 一种日前电力市场的电量分配方法、系统及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116707019A true CN116707019A (zh) | 2023-09-05 |
CN116707019B CN116707019B (zh) | 2024-01-26 |
Family
ID=87833041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310532359.2A Active CN116707019B (zh) | 2023-05-12 | 2023-05-12 | 一种日前电力市场的电量分配方法、系统及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116707019B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106527568A (zh) * | 2016-12-15 | 2017-03-22 | 中国人民解放军后勤工程学院 | 基于广义动态模糊神经网络的最大功率跟踪器控制方法 |
CN111192161A (zh) * | 2019-12-19 | 2020-05-22 | 广东电网有限责任公司电力调度控制中心 | 电力市场交易对象推荐方法、装置 |
KR102136195B1 (ko) * | 2019-09-23 | 2020-07-21 | (주)아리네트웍스 | 복수의 수용가를 대상으로 전력을 효율적으로 공급하고 남는 전력을 매전할 수 있도록 하는 예측 시스템 및 방법 |
AU2020102245A4 (en) * | 2019-01-08 | 2020-10-29 | Nanjing Institute Of Technology | A grid hybrid rolling dispatching method considering congestion and energy storage tou price |
CN112103949A (zh) * | 2020-08-28 | 2020-12-18 | 清华大学 | 电网扰动稳定控制方法及装置、电子设备及存储介质 |
CN112290598A (zh) * | 2020-09-17 | 2021-01-29 | 河北电力交易中心有限公司 | 基于电力现货环境的分布式光伏发电管理及结算方法 |
CN113191682A (zh) * | 2021-05-24 | 2021-07-30 | 温州大学 | 一种适用于电动汽车移动充电设备充电的多能源分配管理方法 |
CN113469427A (zh) * | 2021-06-24 | 2021-10-01 | 国网山东省电力公司东营供电公司 | 基于卷积lstm的光伏电站日前发电量预测方法及系统 |
CN113837494A (zh) * | 2021-10-29 | 2021-12-24 | 国网江苏省电力有限公司电力科学研究院 | 一种多目标机组检修调度优化方法及装置 |
CN114266418A (zh) * | 2021-12-30 | 2022-04-01 | 中山大学 | 一种数据分配权重的预测方法、装置、设备及存储介质 |
CN115051415A (zh) * | 2022-08-15 | 2022-09-13 | 苏州思萃融合基建技术研究所有限公司 | 基于ai预测的光储直柔系统配电策略决策方法及装置 |
CN115775303A (zh) * | 2023-02-13 | 2023-03-10 | 南京航空航天大学 | 一种基于深度学习与光照模型的高反光物体三维重建方法 |
US20230080737A1 (en) * | 2020-05-27 | 2023-03-16 | North China Electric Power University | Federated Learning-Based Regional Photovoltaic Power Probabilistic Forecasting Method and Coordinated Control System |
CN115860186A (zh) * | 2022-11-11 | 2023-03-28 | 白高娃 | 一种基于区块链的计算机数据监管系统及方法 |
CN116094009A (zh) * | 2023-02-01 | 2023-05-09 | 国网北京市电力公司 | 储能电站的电量分配方法 |
-
2023
- 2023-05-12 CN CN202310532359.2A patent/CN116707019B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106527568A (zh) * | 2016-12-15 | 2017-03-22 | 中国人民解放军后勤工程学院 | 基于广义动态模糊神经网络的最大功率跟踪器控制方法 |
AU2020102245A4 (en) * | 2019-01-08 | 2020-10-29 | Nanjing Institute Of Technology | A grid hybrid rolling dispatching method considering congestion and energy storage tou price |
KR102136195B1 (ko) * | 2019-09-23 | 2020-07-21 | (주)아리네트웍스 | 복수의 수용가를 대상으로 전력을 효율적으로 공급하고 남는 전력을 매전할 수 있도록 하는 예측 시스템 및 방법 |
CN111192161A (zh) * | 2019-12-19 | 2020-05-22 | 广东电网有限责任公司电力调度控制中心 | 电力市场交易对象推荐方法、装置 |
US20230080737A1 (en) * | 2020-05-27 | 2023-03-16 | North China Electric Power University | Federated Learning-Based Regional Photovoltaic Power Probabilistic Forecasting Method and Coordinated Control System |
CN112103949A (zh) * | 2020-08-28 | 2020-12-18 | 清华大学 | 电网扰动稳定控制方法及装置、电子设备及存储介质 |
CN112290598A (zh) * | 2020-09-17 | 2021-01-29 | 河北电力交易中心有限公司 | 基于电力现货环境的分布式光伏发电管理及结算方法 |
CN113191682A (zh) * | 2021-05-24 | 2021-07-30 | 温州大学 | 一种适用于电动汽车移动充电设备充电的多能源分配管理方法 |
CN113469427A (zh) * | 2021-06-24 | 2021-10-01 | 国网山东省电力公司东营供电公司 | 基于卷积lstm的光伏电站日前发电量预测方法及系统 |
CN113837494A (zh) * | 2021-10-29 | 2021-12-24 | 国网江苏省电力有限公司电力科学研究院 | 一种多目标机组检修调度优化方法及装置 |
CN114266418A (zh) * | 2021-12-30 | 2022-04-01 | 中山大学 | 一种数据分配权重的预测方法、装置、设备及存储介质 |
CN115051415A (zh) * | 2022-08-15 | 2022-09-13 | 苏州思萃融合基建技术研究所有限公司 | 基于ai预测的光储直柔系统配电策略决策方法及装置 |
CN115860186A (zh) * | 2022-11-11 | 2023-03-28 | 白高娃 | 一种基于区块链的计算机数据监管系统及方法 |
CN116094009A (zh) * | 2023-02-01 | 2023-05-09 | 国网北京市电力公司 | 储能电站的电量分配方法 |
CN115775303A (zh) * | 2023-02-13 | 2023-03-10 | 南京航空航天大学 | 一种基于深度学习与光照模型的高反光物体三维重建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116707019B (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Distributed online optimal energy management for smart grids | |
Veit et al. | Simulating the dynamics in two-settlement electricity markets via an agent-based approach | |
US20230198258A1 (en) | Apparatus and method for optimizing carbon emissions in a power grid | |
CN107749638B (zh) | 多微电网组合的虚拟发电厂分布式随机非重叠抽样的无中心优化方法 | |
CN111415061A (zh) | 一种可再生能源电力系统的综合评价方法及装置 | |
CN112100564A (zh) | 一种用于社区多微网系统的主从博弈鲁棒能量管理方法 | |
CN111222787A (zh) | 受端电网规模化储能商业模式决策方法及系统 | |
CN111682536A (zh) | 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法 | |
Garg et al. | Iterative local voting for collective decision-making in continuous spaces | |
Balachandran et al. | An interactive model for the CPA firm audit staff planning problem with multiple objectives | |
He et al. | Biobjective Optimization‐Based Frequency Regulation of Power Grids with High‐Participated Renewable Energy and Energy Storage Systems | |
CN114626603A (zh) | 一种配电网需求响应调度运行方案的优化处理方法和装置 | |
Li et al. | Deep Reinforcement Learning-Based Explainable Pricing Policy for Virtual Storage Rental Service | |
Sharifinia et al. | Extended Kalman filter-based approach for nodal pricing in active distribution networks | |
Stephen et al. | Impact of storage dispatch assumptions on resource adequacy and capacity credit | |
Wang et al. | Decentralised voltage control with built‐in incentives for participants in distribution networks | |
CN116707019B (zh) | 一种日前电力市场的电量分配方法、系统及计算机设备 | |
CN105514988A (zh) | 一种计及动态时空特征的微电网电源规划方案优选方法 | |
Baldick et al. | Electricity tariffs under imperfect knowledge of participant benefits | |
Yang et al. | Analysis of offering behavior of generation-side integrated energy aggregator in electricity market: A Bayesian evolutionary approach | |
CN111310111A (zh) | 多微电网系统协同优化调度模型与动态链接行为分析方法 | |
CN116231667A (zh) | 一种基于pcam-gmm的农村配电网源-网-荷-储协调优化方法 | |
CN115549137A (zh) | 分布式电网调控系统及调控方法 | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
Ji et al. | Coordinating distribution system resources for co-optimized participation in energy and ancillary service transmission system markets |
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 |