CN116780658A - 考虑源-荷双侧不确定性的多能互补优化调度方法 - Google Patents

考虑源-荷双侧不确定性的多能互补优化调度方法 Download PDF

Info

Publication number
CN116780658A
CN116780658A CN202311039985.4A CN202311039985A CN116780658A CN 116780658 A CN116780658 A CN 116780658A CN 202311039985 A CN202311039985 A CN 202311039985A CN 116780658 A CN116780658 A CN 116780658A
Authority
CN
China
Prior art keywords
model
energy
data
load
uncertainty
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
CN202311039985.4A
Other languages
English (en)
Other versions
CN116780658B (zh
Inventor
侯健生
沃建栋
叶宏
李振华
王珂
杨剑
黄红辉
季克勤
李毓
贺燕
徐耀辉
秦威南
刘栋
王赢聪
张文杰
徐敏
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.)
Jinhua Bada Group Co ltd
Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Jinhua Bada Group Co ltd
Jinhua Power Supply Co of State Grid Zhejiang 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 Jinhua Bada Group Co ltd, Jinhua Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Jinhua Bada Group Co ltd
Priority to CN202311039985.4A priority Critical patent/CN116780658B/zh
Publication of CN116780658A publication Critical patent/CN116780658A/zh
Application granted granted Critical
Publication of CN116780658B publication Critical patent/CN116780658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • H02J3/28—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
    • 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]
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了考虑源‑荷双侧不确定性的多能互补优化调度方法，根据目标区域设备的运行机理，建立对应的能量转换模型；构建考虑源‑荷双侧不确定性的三层模型；设置优化目标，构建目标函数与约束条件，结合能量转换模型建立多能互补优化调度模型；利用优化求解器对多能互补优化调度模型进行求解，输出最优调度方案。本发明为避免使用历史数据导致的不确定性，实现更精确的能源调度，构建了三层模型，可以提高新能源消纳率，实现过剩新能源的经济消纳，对综合能源园区的复杂优化问题进行最优化决策，节约系统成本的同时满足工业园区的多种能源需求。

Description

考虑源-荷双侧不确定性的多能互补优化调度方法
技术领域
本发明涉及数据处理领域，特别涉及考虑源-荷双侧不确定性的多能互补优化调度方法。
背景技术
随着气候变化以及化石燃料的枯竭，传统电网显示出效率低、成本高以及无法满足不断增长的灵活电力需求的局限性。含有多种新能源接入以及多种用能方式互补的工业园区综合能源系统数量显着增长。工业园区在促进区域经济发展以及产业集聚等方面发挥了重要的载体和平台作用。工业园区综合能源系统呈现电/冷/热等多元化的用能需求，因此有必要优化日常运行并进行最优计划与调度。随着近年来越来越多的以风电、光伏为代表的新能源接入工业园区综合能源系统，新能源出力的不确定性带来的影响越发不可忽视，导致其利用率不高。因此，寻找一种合适的新能源预测方法，并在此基础上进行综合能源系统的协同优化调度，对于工业园区能源利用率以及园区整体经济效益的提高起到至关重要的作用。
现有技术中存在较多技术手段，多以神经网络作为预测和调度的核心技术，但电负荷作为一种兼具顺序性和趋势性的数据，历史数据中的意外信息将导致训练结果和预测结果的质量下降，而如果抑制这些信息的训练程度，则又会降低趋势性和季节性数据的预测能力。因此，在新能源预测和调度的方案中，如何在保持趋势预测的同时较好地处理历史数据中的意外行为，是目前急需解决的问题。
发明内容
针对现有技术在负荷预测及调度中无法兼顾预测能力和意外信息处理能力的问题，本发明提供了考虑源-荷双侧不确定性的多能互补优化调度方法，基于源-荷双侧数据构建对应的能量转换模型，并基于数据不确定性构建了三层模型，三层模型内部实现优势互补，分别进行趋势数据获取和两次拟合，可以遗忘无用的数据并记住有价值的数据，能够处理历史数据中的意外行为，并提高了未来趋势和季节性的预测能力，最后构建多能互补优化调度模型，使预测和调度结果准确可靠，以得到最优调度方案。
以下是本发明的技术方案。
考虑源-荷双侧不确定性的多能互补优化调度方法，包括以下步骤：
S1：根据目标区域的能量生产、转换、存储设备的运行机理，建立对应的能量转换模型；
S2：构建考虑源-荷双侧不确定性的三层模型，利用第一层趋势模型获取历史新能源出力以及负荷的周期性趋势，根据历史新能源出力以及负荷的周期性趋势构建第二层回归模型并进行拟合，并将拟合后的数据集通过第三层网络模型进行二次拟合，得到拟合结果；
S3：设置优化目标，构建目标函数与约束条件，结合能量转换模型建立考虑源-荷双侧不确定性的多能互补优化调度模型；
S4：基于已知综合能源数据及拟合结果，利用优化求解器对多能互补优化调度模型进行求解，输出最优调度方案，根据最优调度方案执行调度。
本发明为避免使用历史数据导致的不确定性，实现更精确的能源调度，构建考虑源-荷双侧不确定性的三层模型，依次进行趋势数据获取和两次拟合，可以提高新能源消纳率，实现过剩新能源的经济消纳，对综合能源园区的复杂优化问题进行最优化决策，节约系统成本的同时满足工业园区的多种能源需求。
作为优选，所述S1中，所述能量转换模型包括：光伏机组的运行模型、风电机组的运行模型、燃气轮机的运行模型、燃气锅炉的运行模型、吸收式制冷机的运行模型以及蓄电池的运行模型。
作为优选，所述S2中，利用第一层趋势模型获取历史新能源出力以及负荷的周期性趋势，包括：
预设数据采集间隔T0，设置第一起始时刻和第二起始时刻；
以第一起始时刻为起点，基于所述数据采集间隔T0对新能源出力数据进行采集，得到新能源出力初始值集合，并绘制第一走势曲线；
同时以第二起始时刻为起点，基于所述数据采集间隔T0对新能源出力数据进行采集，得到新能源出力校验值集合，将校验值标记在第一走势曲线的同坐标系中，遍历判断校验值与第一走势曲线的偏离比率是否大于阈值，如是则记录该校验值及相邻时间的初始值作为待验证组合，直至遍历完成，获得若干待验证组合，未被记录的校验值及初始值作为保留集合；
取第一走势曲线的所有极大值和极小值点，连接形成简化走势线，依次判断每个待验证组合中的校验值及初始值，保留更接近简化走势线的一方，加入保留集合；
将保留集合内的新能源出力数据作为最终的历史新能源出力；
以同样方式获取并处理负荷数据，将保留集合内的负荷数据生成最终的负荷的周期性趋势。
作为优选，所述S2中，根据历史新能源出力以及负荷的周期性趋势构建第二层回归模型并进行拟合，包括：
使用差分方法处理历史新能源出力以及负荷的周期性趋势，使数据传输到静止模式，将时间序列中同类前后数据的差值作为新的输入值，得到稳态数据；
构建季节性差分自回归移动平均模型，对生成的稳态数据执行季节性差分自回归移动平均，得到拟合后的数据集。
需要说明的是，第二层回归模型不仅限于季节性差分自回归移动平均模型，也可以是其他类似功能的模型，如向量自回归模型、Holt-Winters等。
作为优选，所述S2中，将拟合后的数据集通过第三层网络模型进行二次拟合，得到拟合结果，包括：
在季节性差分自回归移动平均模型构建的基础上融合长短期记忆神经网络模型，构建三层模型；
将拟合后的数据经过遗忘门，所述遗忘门利用sigmoid函数和检查模块的输入决定通过或拒绝的信息类型；
在下一阶段，分别由sigmoid和tanh函数完成新值的更新并创建新的信息向量以添加到单元状态，获得最终单元状态；
在最后阶段，根据计算的最终单元状态并使用sigmoid函数和-1到1之间的tanh再生值来确定模块的输出，完成二次拟合，得到拟合结果。
需要说明的是，第三层网络模型不仅限于长短期记忆神经网络，也可以是其他神经网络模型。
作为优选，所述S2还包括：使用平均绝对百分比误差和均方根误差来确定拟合优度，使用均方对数误差评估模型误差，调整模型参数，直至拟合优度及模型误差均满足预设值。
作为优选，所述S3中，设置优化目标，构建目标函数与约束条件，结合能量转换模型建立考虑源-荷双侧不确定性的多能互补优化调度模型，包括：
以目标区域经济性最优为优化目标，其中包括运行维护成本、购电成本、储能折旧成本、燃料成本；
以电母线的功率平衡约束、光伏机组约束、风电机组约束、燃气轮机约束、吸收式制冷机约束、燃气锅炉约束、蓄电池约束为约束条件，结合光伏机组的运行模型、风电机组的运行模型、燃气轮机的运行模型、燃气锅炉的运行模型、吸收式制冷机的运行模型以及蓄电池的运行模型，建立考虑源-荷双侧不确定性的多能互补优化调度模型。
作为优选，所述光伏机组的运行模型包括：
；
式中， 是t时段的光伏出力， />是所预测的光伏出力功率上限。
作为优选，所述风电机组的运行模型包括：
；
式中， 是t时段的风电出力， />是所投建风电机组出力功率上限。
作为优选，所述燃气轮机的运行模型包括：
燃气轮机是冷热电联供系统的核心设备，其产电功率与产热功率如下：
；
；
；
；
式中， 是t时段燃气轮机的燃气消耗速率； />为燃气轮机的产电功率(kW)；/>和/>为燃气轮机的最小和最大产电功率；/>和/>分别为燃气轮机的产电效率，余热锅炉的热回收率； />为t时段余热锅炉回收的热功率；/>和/>分别表示燃气内燃机爬坡上限和爬坡下限；/>为天然气热值。
作为优选，所述吸收式制冷机的运行模型包括：
吸收式制冷机以能源生产设备的余热作为热源，供应部分冷量，其制冷量与其热能输入量成正比：
；
；
式中， 为溴化锂吸收式制冷机的制冷功率； />为溴化锂吸收式制冷机的耗热功率；/>为溴化锂吸收式制冷机的最大耗热功率；/>为溴化锂吸收式制冷机的制冷能效比。
作为优选，所述蓄电池的运行模型包括：
；
式中， 是电池储能的自损耗系数；/>和/>分别表示电池储能的充电效率和放电效率；/>和/>分别表示电池储能的充电功率和放电功率； />是电池储能的容量； 为/>单位时段。
作为优选，所述遗忘门的输出由下式计算：
；
式中表示遗忘门，/>表示激活函数，/>和/>分别是偏差和权重，/>是上一模块的输出，/>是t时刻的输入。
本发明还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述的考虑源-荷双侧不确定性的多能互补优化调度方法的步骤。
本发明还提供一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现上述的考虑源-荷双侧不确定性的多能互补优化调度方法的步骤。
本发明的实质性效果包括：
本发明为避免使用历史数据导致的不确定性，实现更精确的能源调度，构建考虑源-荷双侧不确定性的三层模型，分别进行趋势数据获取和两次拟合。其中，第一层趋势模型能够准确对历史数据进行处理以得到历史新能源出力以及负荷的周期性趋势，第二层回归模型在此基础上进行自回归拟合，可以增强拟合能力，进一步在前一次拟合基础上由第三层网络模型进行深化的训练拟合，降低意外数据对训练拟合结果的影响。因此三层模型之间环环相扣，实现了一乘三而大于三的效果。
本发明的第一层趋势模型通过采用不同起始时刻采集两组数据，本质上是进行了时间序列的错位，而如果进行直接对比来判断异常，又会产生暂不清楚谁对谁错的问题，而如直接删除偏离的数据，则会导致数据样本缩减，不利于模型训练。为此，本发明以待验证组合的形式将部分没有偏离的数据也纳入判断范围。进一步的，基于正常数据远多于异常数据的前提，将第一走势曲线基于极值进行简化，以提取粗略的趋势，这一过程将使得异常数据对该趋势的影响大幅减少，进而跳出谁对谁错的问题，最后根据该简化趋势来判断待验证组合中哪个数据被保留，因此组合中的偏离的数据和没有偏离的数据均有被删除的可能。基于此，得到的保留集合的数据将符合整体趋势，作为最终的历史数据。相比于单纯进行对比后删除突兀的偏离数据，本发明的方案能够抓出隐藏在未偏离数据中的异常值。
本发明的第三层网络模型，如长短期记忆神经网络模型可以遗忘无用的数据并记住有价值的数据，能够处理历史数据中的意外行为，将第二层回归模型，如季节性差分自回归移动平均模型，其输出作为自变量输入第三层网络模型，可以进一步提高第三层网络模型能力，更好地了解数据的未来趋势和季节性。
本发明能够完成天气、节假日、季节趋势与能源消耗之间的异构数据融合，从而更高效地完成能源消耗预测的工作，对比单纯的时序序列模型预测效果得到显著提升。
附图说明
图1是本发明实施例的流程图。
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，下面将结合实施例，对本技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
下面以具体的实施例对本发明的技术方案进行详细说明。实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例：
如图1所示，是本实施例提供的考虑源-荷双侧不确定性的多能互补优化调度方法，包括S1-S4，具体为：
S1：根据目标区域的能量生产、转换、存储设备的运行机理，建立对应的能量转换模型。
具体的，在本实施例中，S1中的能量转换模型包括：光伏机组的运行模型、风电机组的运行模型、燃气轮机的运行模型、燃气锅炉的运行模型、吸收式制冷机的运行模型以及蓄电池的运行模型。
光伏机组的运行模型为：
将光伏预测出力曲线设定为在最大功率点跟踪模式下的最大出力曲线，光伏机组在该时段的实际消纳功率不能超过其预测的最大出力：
；
式中，是t时段的光伏出力， />是所预测的光伏出力功率上限。
风电机组的运行模型为：
；
式中， 是t时段的风电出力，/>是所投建风电机组出力功率上限。
燃气轮机的运行模型为：
燃气轮机是冷热电联供系统的核心设备，其产电功率与产热功率如下：
；
；
；
；
式中，是t时段燃气轮机的燃气消耗速率； />为燃气轮机的产电功率(kW)； />和 />为燃气轮机的最小和最大产电功率； />和 />分别为燃气轮机的产电效率，余热锅炉的热回收率；/>为t时段余热锅炉回收的热功率；/>和/>分别表示燃气内燃机爬坡上限和爬坡下限；/>为天然气热值。
吸收式制冷机的运行模型为：
吸收式制冷机以能源生产设备的余热作为热源，供应部分冷量，其制冷量与其热能输入量成正比：
；
；
式中， 为溴化锂吸收式制冷机的制冷功率； />为溴化锂吸收式制冷机的耗热功率； />为溴化锂吸收式制冷机的最大耗热功率；/>为溴化锂吸收式制冷机的制冷能效比。
燃气锅炉的运行模型为：
燃气锅炉是热能调峰设备，通过燃烧天然气输出热能；
；
式中，、/>分别为燃气锅炉的产热功率(kW)和产热效率，/>为t时段燃气锅炉燃气消耗速率；/>为天然气热值。
蓄电池的运行模型为：
；
式中， 是电池储能的自损耗系数；/>和/>分别表示电池储能的充电效率和放电效率；/>和/>分别表示电池储能的充电功率和放电功率；/>是电池储能的容量；/>为单位时段。
S2：构建考虑源-荷双侧不确定性的三层模型，利用第一层趋势模型获取历史新能源出力以及负荷的周期性趋势，根据历史新能源出力以及负荷的周期性趋势构建第二层回归模型并进行拟合，并将拟合后的数据集通过第三层网络模型进行二次拟合，得到拟合结果。
在本实施例中，S2的利用第一层趋势模型获取历史新能源出力以及负荷的周期性趋势，包括：
预设数据采集间隔T0，设置第一起始时刻和第二起始时刻；
以第一起始时刻为起点，基于所述数据采集间隔T0对新能源出力数据进行采集，得到新能源出力初始值集合，并绘制第一走势曲线；
同时以第二起始时刻为起点，基于所述数据采集间隔T0对新能源出力数据进行采集，得到新能源出力校验值集合，将校验值标记在第一走势曲线的同坐标系中，遍历判断校验值与第一走势曲线的偏离比率是否大于阈值，如是则记录该校验值及相邻时间的初始值作为待验证组合，直至遍历完成，获得若干待验证组合，未被记录的校验值及初始值作为保留集合；
取第一走势曲线的所有极大值和极小值点，连接形成简化走势线，依次判断每个待验证组合中的校验值及初始值，保留更接近简化走势线的一方，加入保留集合；
将保留集合内的新能源出力数据作为最终的历史新能源出力；
以同样方式获取并处理负荷数据，将保留集合内的负荷数据生成最终的负荷的周期性趋势。
在本实施例中，新能源出力数据和电负荷都是兼具顺序性和趋势性的数据，为了使得数据与三层模型更为适配，需要剔除明显不符合趋势性的部分，而如果直接对全部采集到的数据进行统一处理，由于缺少参照物，容易将异常数据也融入进趋势中，导致判断难度增加。
因此本申请第一层趋势模型采用不同起始时刻采集两组数据，本质上是进行了时间序列的错位，而如果进行直接对比来判断异常，又会产生暂不清楚谁对谁错的问题，而如直接删除偏离的数据，则会导致数据样本缩减，不利于模型训练。为此，本实施例将偏离的数据与相邻时间的数据记为待验证组合，即，将部分没有偏离的数据也纳入判断范围。进一步的，基于正常数据远多于异常数据的前提，将第一走势曲线基于极值进行简化，以提取粗略的趋势，这一过程将使得异常数据对该趋势的影响大幅减少，进而跳出谁对谁错的问题，最后根据该简化趋势来判断待验证组合中哪个数据被保留，因此组合中的偏离的数据和没有偏离的数据均有被删除的可能。基于此，得到的保留集合的数据将符合整体趋势，作为最终的历史数据。相比于单纯进行对比，删除突兀的偏离数据，本实施例的方案能够抓出隐藏在非突兀数据中的异常数据。
另外，在本实施例中，首先，由于输入数据是非平稳的，使用差分方法将其传输到静止模式。采用常用的一阶差分方法，将数据的前一项减去数据的后一项得到的值作为新的输入值。应用差分来转换顺序数据的次数由差值 表示。季节性自回归积分移动平均线是可用于时间序列预测的统计模型之一。在处理外源性因素的情况下，它被称为季节性差分自回归移动平均。本实施例以此作为第二层回归模型。由于变量的未来值是使用其过去值的移动平均值（来自历史数据）进行预测的，因此生成的时间序列预测模型将是线性的。
之后，对生成的稳态数据执行季节性差分自回归移动平均，如下式所示：
；
式中，是季节长度，/>是残余错误，/>是负责反向移动的滞后运算符，/>和分别是非季节性和季节性自回归运算符；/>和/>分别是非季节性和季节性移动平均函数，/>和/>分别是非季节性和季节性差异运算符。p、d和q是显示模型顺序的突出标签，其中p和P表示非季节性和季节性自回归项的数量，q和Q表示非季节性和季节性移动平均数，d和D表示非季节性和季节性差异的数量。
在完成季节性差分自回归移动平均模型构建的基础上融合作为第三层网络模型的长短期记忆神经网络模型，季节性差分自回归移动平均模型的输出作为自变量输入长短期记忆神经网络模型，实现最大程度的数据融合效益，以提高预测模型的性能。
其中，长短期记忆神经网络是简单递归神经网络的扩展版本，它使用线性依赖将其过去的内存连接到当前内存，这与简单递归神经网络使用先前隐藏层和当前层之间的非线性连接不同。
由于长短期记忆神经网络可以遗忘无用的数据并记住有价值的数据，能够处理历史数据中的意外行为。为了提高这种能力，将季节性差分自回归移动平均模型的输出作为自变量输入长短期记忆神经网络模型，以提高长短期记忆神经网络模型了解未来趋势和季节性的能力。因此，将季节性差分自回归移动平均模型的输出作为自变量输入长短期记忆神经网络模型，以提高预测模型的性能。
第一步先经过遗忘门，它使用sigmoid函数和检查模块的输入决定通过或拒绝的信息类型。遗忘门/>的输出由下式计算：
；
式中， 和/>分别是偏差和权重，/>是上一模块的输出， />是t时刻的输入。
在下一阶段，分别由sigmoid和tanh函数完成新值 的更新并创建新的信息向量以添加到单元状态，如下式所示：
；
；
最终单元状态为：
；
在最后阶段，根据计算的单元状态并使用sigmoid函数和-1到1之间的tanh再生值来确定模块的输出，
；
；
其中， 是作为输出传输的单元状态的一部分。
之后，为了消除电气负荷预测模型中具有不同值范围的自变量的维数，使用了最小-最大缩放器归一化方法进行预处理：
最后，为了评估预测模型的性能，使用平均绝对百分比误差（MAPE）和均方根误差（RMSE）来确定拟合优度。定义RMSE如下：
；
式中，是观测值，/>是预测值。
定义MAPE如下：
；
同时，由于某些荷载需求和风速值的最小值和最大值之间存在相当大的差异，使用均方对数误差（MSLE）评估模型误差。
；
上式为使用均方对数误差（MSLE）评估模型误差的公式。
需要说明的是，第二层回归模型不仅限于季节性差分自回归移动平均模型，也可以是其他类似功能的模型，如向量自回归模型、Holt-Winters等，同样的，第三层网络模型也不仅限于长短期记忆神经网络，可以是其他网络模型。
S3：设置优化目标，构建目标函数与约束条件，结合能量转换模型建立考虑源-荷双侧不确定性的多能互补优化调度模型。
在本实施例中，以工业园区经济性最优为目标，以功率平衡约束、能源生产设备约束、能源转换设备约束、能源存储设备约束等为约束条件，构建该优化调度问题的目标函数与约束条件，建立了考虑源-荷双侧不确定性的多能互补优化调度模型。
其中，目标函数为：
；
其中表示运行维护成本、/>表示购电成本、/>表示储能折旧成本、/>表示燃料成本；
其中，约束条件包括：
电母线的功率平衡约束：
；
式中，表示t时段该工业园区综合能源系统从外部电网购买的电功率；/>为该时段电力负荷。
园区光伏机组约束：
；
式中，是t时段的光伏出力，/>是所预测的光伏出力功率上限。
园区风电机组约束：
；
式中， 是t时段的风电出力，/>是所投建风电机组出力功率上限。
燃气轮机约束：
；
；
；
；
式中，是t时段燃气轮机的燃气消耗速率；/>为燃气轮机的产电功率(kW)；/>和/>为燃气轮机的最小和最大产电功率；/>和/>分别为燃气轮机的产电效率，余热锅炉的热回收率；/>为t时段余热锅炉回收的热功率； />和 />分别表示燃气内燃机爬坡上限和爬坡下限；/>为天然气热值。
吸收式制冷机约束：
；
；
式中，为溴化锂吸收式制冷机的制冷功率；/>为溴化锂吸收式制冷机的耗热功率；/>为溴化锂吸收式制冷机的最大耗热功率；/>为溴化锂吸收式制冷机的制冷能效比。
燃气锅炉约束：
；
；
式中，、/>分别为燃气锅炉的产热功率(kW)和产热效率，/>为t时段燃气锅炉燃气消耗速率；/>为天然气热值。
蓄电池约束：
；
式中，是电池储能的自损耗系数；/>和/>分别表示电池储能的充电效率和放电效率；/>和/>分别表示电池储能的充电功率和放电功率；/>是电池储能的容量；/>为单位时段。
S4：基于已知综合能源数据及拟合结果，利用优化求解器对多能互补优化调度模型进行求解，输出最优调度方案，根据最优调度方案执行调度。
在本实施例中，该模型通过Julia语言调用Gurobi优化求解器进行求解，输出求解优化问题得到的最优调度方案数据。
最后，本实施例还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述的考虑源-荷双侧不确定性的多能互补优化调度方法的步骤。
本实施例还提供一种存储介质，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现上述的考虑源-荷双侧不确定性的多能互补优化调度方法的步骤。
综上所述，本实施例的实质性效果包括：
本实施例为避免使用历史数据导致的不确定性，实现更精确的能源调度，构建考虑源-荷双侧不确定性的季节性差分自回归移动平均-长短期记忆神经网络三层模型，由于长短期记忆神经网络可以遗忘无用的数据并记住有价值的数据，能够处理历史数据中的意外行为，将季节性差分自回归移动平均模型的输出作为自变量输入长短期记忆神经网络模型，可以进一步提高这种能力，更好地了解数据的未来趋势和季节性。
本实施例通过采用不同起始时刻采集两组数据，本质上是进行了时间序列的错位，而如果进行直接对比来判断异常，又会产生暂不清楚谁对谁错的问题，而如直接删除偏离的数据，则会导致数据样本缩减，不利于模型训练。为此，本实施例以待验证组合的形式将部分没有偏离的数据也纳入判断范围。进一步的，基于正常数据远多于异常数据的前提，将第一走势曲线基于极值进行简化，以提取粗略的趋势，这一过程将使得异常数据对该趋势的影响大幅减少，进而跳出谁对谁错的问题，最后根据该简化趋势来判断待验证组合中哪个数据被保留，因此组合中的偏离的数据和没有偏离的数据均有被删除的可能。基于此，得到的保留集合的数据将符合整体趋势，作为最终的历史数据。相比于单纯进行对比后删除突兀的偏离数据，本实施例的方案能够抓出隐藏在未偏离数据中的异常值。
本实施例能够完成天气、节假日、季节趋势与能源消耗之间的异构数据融合从而更高效地完成能源消耗预测的工作，对比单纯的时序序列模型预测效果得到显著提升。
通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，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，即将具体装置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。
在本申请所提供的实施例中，应该理解到，所揭露的结构和方法，可以通过其它的方式实现。例如，以上所描述的关于结构的实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个结构，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，结构或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
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，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上内容，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (15)

1.考虑源-荷双侧不确定性的多能互补优化调度方法，其特征在于，包括以下步骤：
S1：根据目标区域的能量生产、转换、存储设备的运行机理，建立对应的能量转换模型；
S2：构建考虑源-荷双侧不确定性的三层模型，利用第一层趋势模型获取历史新能源出力以及负荷的周期性趋势，根据历史新能源出力以及负荷的周期性趋势构建第二层回归模型并进行拟合，并将拟合后的数据集通过第三层网络模型进行二次拟合，得到拟合结果；
S3：设置优化目标，构建目标函数与约束条件，结合能量转换模型建立考虑源-荷双侧不确定性的多能互补优化调度模型；
S4：基于已知综合能源数据及拟合结果，利用优化求解器对多能互补优化调度模型进行求解，输出最优调度方案，根据最优调度方案执行调度。
2.根据权利要求1所述的考虑源-荷双侧不确定性的多能互补优化调度方法，其特征在于，所述S1中，所述能量转换模型包括：光伏机组的运行模型、风电机组的运行模型、燃气轮机的运行模型、燃气锅炉的运行模型、吸收式制冷机的运行模型以及蓄电池的运行模型。
3.根据权利要求1所述的考虑源-荷双侧不确定性的多能互补优化调度方法，其特征在于，所述S2中，利用第一层趋势模型获取历史新能源出力以及负荷的周期性趋势，包括：
预设数据采集间隔T0，设置第一起始时刻和第二起始时刻；
以第一起始时刻为起点，基于所述数据采集间隔T0对新能源出力数据进行采集，得到新能源出力初始值集合，并绘制第一走势曲线；
同时以第二起始时刻为起点，基于所述数据采集间隔T0对新能源出力数据进行采集，得到新能源出力校验值集合，将校验值标记在第一走势曲线的同坐标系中，遍历判断校验值与第一走势曲线的偏离比率是否大于阈值，如是则记录该校验值及相邻时间的初始值作为待验证组合，直至遍历完成，获得若干待验证组合，未被记录的校验值及初始值作为保留集合；
取第一走势曲线的所有极大值和极小值点，连接形成简化走势线，依次判断每个待验证组合中的校验值及初始值，保留更接近简化走势线的一方，加入保留集合；
将保留集合内的新能源出力数据作为最终的历史新能源出力；
以同样方式获取并处理负荷数据，将保留集合内的负荷数据生成最终的负荷的周期性趋势。
4.根据权利要求3所述的考虑源-荷双侧不确定性的多能互补优化调度方法，其特征在于，所述S2中，根据历史新能源出力以及负荷的周期性趋势构建第二层回归模型并进行拟合，包括：
使用差分方法处理历史新能源出力以及负荷的周期性趋势，使数据传输到静止模式，将时间序列中同类前后数据的差值作为新的输入值，得到稳态数据；
构建季节性差分自回归移动平均模型，对生成的稳态数据执行季节性差分自回归移动平均，得到拟合后的数据集。
5.根据权利要求4所述的考虑源-荷双侧不确定性的多能互补优化调度方法，其特征在于，所述S2中，将拟合后的数据集通过第三层网络模型进行二次拟合，得到拟合结果，包括：
在季节性差分自回归移动平均模型构建的基础上融合长短期记忆神经网络模型，构建三层模型；
将拟合后的数据经过遗忘门，所述遗忘门利用sigmoid函数和检查模块的输入决定通过或拒绝的信息类型；
在下一阶段，分别由sigmoid和tanh函数完成新值的更新并创建新的信息向量以添加到单元状态，获得最终单元状态；
在最后阶段，根据计算的最终单元状态并使用sigmoid函数和-1到1之间的tanh再生值来确定模块的输出，完成二次拟合，得到拟合结果。
6.根据权利要求5所述的考虑源-荷双侧不确定性的多能互补优化调度方法，其特征在于，所述S2还包括：使用平均绝对百分比误差和均方根误差来确定拟合优度，使用均方对数误差评估模型误差，调整模型参数，直至拟合优度及模型误差均满足预设值。
7.根据权利要求2所述的考虑源-荷双侧不确定性的多能互补优化调度方法，其特征在于，所述S3中，设置优化目标，构建目标函数与约束条件，结合能量转换模型建立考虑源-荷双侧不确定性的多能互补优化调度模型，包括：
以目标区域经济性最优为优化目标，其中包括运行维护成本、购电成本、储能折旧成本、燃料成本；
以电母线的功率平衡约束、光伏机组约束、风电机组约束、燃气轮机约束、吸收式制冷机约束、燃气锅炉约束、蓄电池约束为约束条件，结合光伏机组的运行模型、风电机组的运行模型、燃气轮机的运行模型、燃气锅炉的运行模型、吸收式制冷机的运行模型以及蓄电池的运行模型，建立考虑源-荷双侧不确定性的多能互补优化调度模型。
8.根据权利要求2所述的考虑源-荷双侧不确定性的多能互补优化调度方法，其特征在于，所述光伏机组的运行模型包括：
；
式中，是t时段的光伏出力，/>是所预测的光伏出力功率上限。
9.根据权利要求2所述的考虑源-荷双侧不确定性的多能互补优化调度方法，其特征在于，所述风电机组的运行模型包括：
；
式中，是t时段的风电出力，/>是所投建风电机组出力功率上限。
10.根据权利要求2所述的考虑源-荷双侧不确定性的多能互补优化调度方法，其特征在于，所述燃气轮机的运行模型包括：
燃气轮机是冷热电联供系统的核心设备，其产电功率与产热功率如下：
；
；
；
；
式中，是t时段燃气轮机的燃气消耗速率；/>为燃气轮机的产电功率(kW)；/>和/>为燃气轮机的最小和最大产电功率；/>和/>分别为燃气轮机的产电效率，余热锅炉的热回收率；/>为t时段余热锅炉回收的热功率；/>和/>分别表示燃气内燃机爬坡上限和爬坡下限；/>为天然气热值。
11.根据权利要求2所述的考虑源-荷双侧不确定性的多能互补优化调度方法，其特征在于，所述吸收式制冷机的运行模型包括：
吸收式制冷机以能源生产设备的余热作为热源，供应部分冷量，其制冷量与其热能输入量成正比：
；
；
式中，为溴化锂吸收式制冷机的制冷功率；/>为溴化锂吸收式制冷机的耗热功率；/>为溴化锂吸收式制冷机的最大耗热功率；/>为溴化锂吸收式制冷机的制冷能效比。
12.根据权利要求2所述的考虑源-荷双侧不确定性的多能互补优化调度方法，其特征在于，所述蓄电池的运行模型包括：
；
式中，是电池储能的自损耗系数；/>和/>分别表示电池储能的充电效率和放电效率；/>和/>分别表示电池储能的充电功率和放电功率；是/>电池储能的容量；/>为单位时段。
13.根据权利要求5所述的考虑源-荷双侧不确定性的多能互补优化调度方法，其特征在于，所述遗忘门的输出由下式计算：
；
式中表示遗忘门，/>表示激活函数，/>和/>分别是偏差和权重，/>是上一模块的输出，/>是t时刻的输入。
14.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1至13中任意一项所述的考虑源-荷双侧不确定性的多能互补优化调度方法的步骤。
15.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至13中任意一项所述的考虑源-荷双侧不确定性的多能互补优化调度方法的步骤。
CN202311039985.4A 2023-08-17 2023-08-17 考虑源-荷双侧不确定性的多能互补优化调度方法 Active CN116780658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311039985.4A CN116780658B (zh) 2023-08-17 2023-08-17 考虑源-荷双侧不确定性的多能互补优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311039985.4A CN116780658B (zh) 2023-08-17 2023-08-17 考虑源-荷双侧不确定性的多能互补优化调度方法

Publications (2)

Publication Number Publication Date
CN116780658A true CN116780658A (zh) 2023-09-19
CN116780658B CN116780658B (zh) 2023-11-10

Family

ID=88008390

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311039985.4A Active CN116780658B (zh) 2023-08-17 2023-08-17 考虑源-荷双侧不确定性的多能互补优化调度方法

Country Status (1)

Country Link
CN (1) CN116780658B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109614576A (zh) * 2018-12-11 2019-04-12 福建工程学院 基于多维高斯分布与趋势分段的变压器异常检测方法
CN112923727A (zh) * 2021-02-03 2021-06-08 中南大学 一种基于温度趋势特征提取的焙烧炉实时炉况评估方法
CN112990556A (zh) * 2021-02-24 2021-06-18 江苏大学 一种基于Prophet-LSTM模型的用户用电能耗预测方法
WO2021147319A1 (zh) * 2020-01-23 2021-07-29 华为技术有限公司 一种数据处理方法、装置、设备及介质
CN113255992A (zh) * 2021-05-21 2021-08-13 南京南瑞继保电气有限公司 一种园区级多能互补系统优化调度方法及装置
CN113807951A (zh) * 2021-09-23 2021-12-17 中国建设银行股份有限公司 一种基于深度学习的交易数据趋势预测方法和系统
CN113852069A (zh) * 2021-06-21 2021-12-28 国网湖南省电力有限公司 一种含源荷不确定性的地区电网经济调度优化方法及系统
KR20220026098A (ko) * 2020-08-25 2022-03-04 (주)크래프트테크놀로지스 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램
CN114254828A (zh) * 2021-12-21 2022-03-29 云南电网有限责任公司电力科学研究院 一种基于混合卷积特征提取器和gru的电力负荷预测方法
CN114880925A (zh) * 2022-04-16 2022-08-09 天津工业大学 基于时间卷积网络和多层自注意力的装备寿命预测方法
CN114998048A (zh) * 2022-04-15 2022-09-02 南方电网数字电网研究院有限公司 电量变化因素分析方法、装置、计算机设备和存储介质
CN115187018A (zh) * 2022-06-28 2022-10-14 国网江苏省电力有限公司电力科学研究院 一种园区综合能源系统双层优化调度方法及装置
CN115238976A (zh) * 2022-07-13 2022-10-25 大连理工大学 一种含温度敏感负荷的夏季负荷预测分层模型
WO2023065552A1 (zh) * 2021-10-21 2023-04-27 国网浙江省电力有限公司台州供电公司 一种新能源耦合背景下的源网荷储协同调度方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109614576A (zh) * 2018-12-11 2019-04-12 福建工程学院 基于多维高斯分布与趋势分段的变压器异常检测方法
WO2021147319A1 (zh) * 2020-01-23 2021-07-29 华为技术有限公司 一种数据处理方法、装置、设备及介质
KR20220026098A (ko) * 2020-08-25 2022-03-04 (주)크래프트테크놀로지스 인공 지능에 기초하여 자산의 가격을 예측하는 장치, 방법 및 컴퓨터 프로그램
CN112923727A (zh) * 2021-02-03 2021-06-08 中南大学 一种基于温度趋势特征提取的焙烧炉实时炉况评估方法
CN112990556A (zh) * 2021-02-24 2021-06-18 江苏大学 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN113255992A (zh) * 2021-05-21 2021-08-13 南京南瑞继保电气有限公司 一种园区级多能互补系统优化调度方法及装置
CN113852069A (zh) * 2021-06-21 2021-12-28 国网湖南省电力有限公司 一种含源荷不确定性的地区电网经济调度优化方法及系统
CN113807951A (zh) * 2021-09-23 2021-12-17 中国建设银行股份有限公司 一种基于深度学习的交易数据趋势预测方法和系统
WO2023065552A1 (zh) * 2021-10-21 2023-04-27 国网浙江省电力有限公司台州供电公司 一种新能源耦合背景下的源网荷储协同调度方法
CN114254828A (zh) * 2021-12-21 2022-03-29 云南电网有限责任公司电力科学研究院 一种基于混合卷积特征提取器和gru的电力负荷预测方法
CN114998048A (zh) * 2022-04-15 2022-09-02 南方电网数字电网研究院有限公司 电量变化因素分析方法、装置、计算机设备和存储介质
CN114880925A (zh) * 2022-04-16 2022-08-09 天津工业大学 基于时间卷积网络和多层自注意力的装备寿命预测方法
CN115187018A (zh) * 2022-06-28 2022-10-14 国网江苏省电力有限公司电力科学研究院 一种园区综合能源系统双层优化调度方法及装置
CN115238976A (zh) * 2022-07-13 2022-10-25 大连理工大学 一种含温度敏感负荷的夏季负荷预测分层模型

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
夏耀杰: "最优组合预测方法在中长期电力负荷预测中的应用", 《电力需求侧管理》, vol. 18, no. 04, pages 18 - 23 *
张志伟 等: "回归拟合模型的神经网络方法", 《测绘科学》, vol. 35, pages 39 - 41 *

Also Published As

Publication number Publication date
CN116780658B (zh) 2023-11-10

Similar Documents

Publication Publication Date Title
CN113128781B (zh) 一种自动构建智能化模型与算法的分布式工业能源运行优化平台
Alabi et al. A review on the integrated optimization techniques and machine learning approaches for modeling, prediction, and decision making on integrated energy systems
Hafeez et al. Utilization of EV charging station in demand side management using deep learning method
CN111144728A (zh) 基于深度强化学习的热电联产系统经济调度方法
Kayakutlu et al. Intelligence in energy
CN110796307A (zh) 一种综合能源系统分布式负荷预测方法及系统
CN111181201B (zh) 基于双层强化学习的多能园区调度方法及系统
CN116167527B (zh) 纯数据驱动的电力系统静态安全运行风险在线评估方法
CN112580897A (zh) 基于鹦鹉算法的多能源电力系统优化调度的方法
Chen et al. Optimal dispatch of WT/PV/ES combined generation system based on cyber-physical-social integration
Liu et al. Design and evaluation of micro energy network considering P2G‐based storage system using two‐stage stochastic programming
Khan et al. Digital twin for advanced automation of future smart grid
Refaai et al. Energy Management Prediction in Hybrid PV‐Battery Systems Using Deep Learning Architecture
CN112670982B (zh) 一种基于奖励机制的微电网有功调度控制方法及系统
CN112510690B (zh) 考虑风火储联合和需求响应奖惩的优化调度方法及系统
CN113708418A (zh) 微电网优化调度方法
CN116780658B (zh) 考虑源-荷双侧不确定性的多能互补优化调度方法
CN112508241A (zh) 一种智能电网能量优化调度方法
Cheng et al. A step-wise feature selection scheme for a prognostics and health management system in autonomous ferry crossing operation
CN114372554B (zh) 一种基于生成对抗网络的柔性负荷场景生成和缩减方法
Han et al. Multi-scene Scheduling of Power System with Renewable Energy Based on DDPG
Guanoluisa-Pineda et al. Short-Term forecasting of photovoltaic power in an isolated area of Ecuador using deep learning techniques
Su et al. Combined-LSTM based user electricity consumption prediction in a smart grid system
Huang Intelligent maintenance scheduling system for maximum performance of solar-energy-generating system
Tsianikas Microgrid Expansion Planning Using Simulation-Based Optimization and Reinforcement Learning

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