CN116992242B - 一种火电-储能联合检修优化方法、系统及电子设备 - Google Patents

一种火电-储能联合检修优化方法、系统及电子设备 Download PDF

Info

Publication number
CN116992242B
CN116992242B CN202311243073.9A CN202311243073A CN116992242B CN 116992242 B CN116992242 B CN 116992242B CN 202311243073 A CN202311243073 A CN 202311243073A CN 116992242 B CN116992242 B CN 116992242B
Authority
CN
China
Prior art keywords
representing
energy storage
variable
month
thermal power
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
Application number
CN202311243073.9A
Other languages
English (en)
Other versions
CN116992242A (zh
Inventor
刘念
陈昱冰
蒋凯
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202311243073.9A priority Critical patent/CN116992242B/zh
Publication of CN116992242A publication Critical patent/CN116992242A/zh
Application granted granted Critical
Publication of CN116992242B publication Critical patent/CN116992242B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/20—Administration of product repair or maintenance

Abstract

本发明公开的火电‑储能联合检修优化方法、系统及电子设备，涉及设备检修优化领域。本发明考虑火电与储能协同的检修模式，构建得到火电‑储能联合检修运行的分布式鲁棒优化模型。本发明在检修计划中对于不确定性的考虑不只关注了外部环境的不确定性，也考虑检修计划的执行对于机组故障率的影响，采用威布尔分布对储能故障率与健康状态进行拟合，进一步提高火电‑储能联合检修的全面性和精确性，准确描述模型中的随机变量。而且，本发明基于核密度估计方法拟合风/光/负荷出力与储能故障率分布，基于威瑟斯坦距离构建模糊集，能够克服用理论分布来假设未知分布的主观缺陷，充分利用现有数据来构造更加紧凑客观的不确定集，有效降低了保守性。

Description

一种火电-储能联合检修优化方法、系统及电子设备
技术领域
本发明涉及设备检修优化技术领域，特别是涉及一种火电-储能联合检修优化方法、系统及电子设备。
背景技术
在能源转型的背景下，可再生能源大规模接入电网，由于其出力具有波动性、间歇性和随机性等特征，使得火电机组与储能系统将持续承担主要的系统能源供应与灵活性调节任务。与此同时，伴随着机组的持续运行与老化效应，其故障率也将持续上升，这可能会导致机组非计划停运、系统静态失稳以及大规模的经济损失。
随着可再生能源装机在电力系统中占比的提升，储能系统成为重要的调节资源。在检修模式下，火电一直是电网调度传统检修的主体，但由于没有考虑储能系统在外界不确定因素下可能发生的故障，传统的调度方法随时可能失效。
现有技术中，针对机组联合检修方法，并未考虑火电与储能协同的检修模式；检修计划中对于不确定因素的考虑也只关注了外部环境带来的不确定性，并未考虑检修计划的执行对于机组故障率的影响；此外，在构造不确定模糊集时，通常面临计算复杂度与模糊集的紧凑型问题，难以准确描述模型中的随机变量。
发明内容
为解决现有技术存在的上述问题，本发明提供了一种火电-储能联合检修优化方法、系统及电子设备。
为实现上述目的，本发明提供了如下方案。
一种火电-储能联合检修优化方法，包括：构建电池循环寿命模型，并基于所述电池循环寿命模型确定储能容量损失。
利用威布尔分布对储能故障率和所述储能容量损失进行拟合得到储能故障率分布。
采用核密度估计方法得到风/光/负荷预测误差分布，并基于威瑟斯坦距离联合储能故障率分布中的储能故障率构建不确定性变量的模糊集。
基于所述不确定性变量的模糊集，构建风险抵抗的火电-储能联合检修运行的分布式鲁棒优化模型。
采用强对偶定理对所述分布式鲁棒优化模型进行重构求解得到火电-储能月度检修计划与运行策略。
可选地，所述分布式鲁棒优化模型的优化目标如下所示。
。
。
。
式中，表示机组是否进行了检修，当/>时，表示机组/>在第/>个月的第/>天进行了检修，当/>时，表示机组/>在第/>个月的第/>天没有进行检修；/>表示所有火电机组的集合；/>表示所有火电机组的运行检修成本；/>表示机组在第/>个月的第/>天的/>时刻的火力发电成本；/>表示所有储能的集合；/>表示所有储能的运行检修成本；/>表示机组/>在第/>个月的第/>天的/>时刻的储能系统的套利收入，/>表示储能系统在第/>个月的第/>天的/>时刻的买入电价，/>表示储能系统在第/>个月的第/>天的/>时刻的卖出电价；/>表示机组/>在第/>个月的第/>天的时刻的发电功率，/>表示机组/>在第/>个月的第/>天的/>时刻的放电功率，/>表示机组/>在第/>个月的第/>天的/>时刻的充电功率，/>表示不确定性变量最差分布下的最小切负荷/切风光风险值，/>表示考虑不确定性后的切负荷/切风光风险，/>表示在不确定性变量的模糊集/>最差分布下的目标函数，/>表示概率向量集，/>表示不确定性变量的模糊集，/>表示风险决策阶段优化变量，/>表示概率向量集的随机变量，/>表示月内检修运行成本，/>表示第m月的天数，/>表示天内的24h，/>表示单日检修运行成本，/>表示取最小值，/>表示火电发电成本参数，/>表示火电发电成本参数，/>表示火电发电成本参数，/>表示机组i每天检修成本。
可选地，所述电池循环寿命模型为：
。
。
式中，表示机组/>在第/>个月的容量损耗，/>表示前指数因子，/>表示充放电比，/>表示气体常数，/>表示循环过程的环境温度，/>表示机组/>在第/>个月的第/>天的/>时刻的放电功率，/>表示机组/>在第/>个月的第/>天的/>时刻的充电功率，/>表示第/>个月的充放电量，/>表示第/>个月的充放电量，/>表示机组是否进行了检修，当/>时，表示机组/>在第/>个月的第/>天进行了检修，当/>时，表示机组/>在第/>个月的第/>天没有进行检修。
可选地，所述储能故障率为：
。
。
式中，表示储能故障率，/>表示故障率曲线的比例参数，/>表示故障率曲线的形状参数，/>表示损耗系数，/>表示检修恢复系数，/>表示机组/>的额定容量，/>表示第/>个月是否处于检修状态变量，/>表示第/>个月是否处于检修状态变量，表示/>月的最后一天。
可选地，不确定性变量的模糊集为：。
。
式中，表示不确定性变量的模糊集，/>表示在概率向量集/>中随机变量的经验分布集合/>与概率向量集/>之间的Wasserstein距离小于等于/>，/>表示经验分布集合，/>表示Wasserstein距离保守度控制半径，/>表示经验分布集合与随机变量的随机变量的经验分布集合集合/>之间的Wasserstein距离，表示将概率向量集/>转换成经验分布集合/>之间最短路径的最大值，表示满足/>联合分布下样本/>与/>之间距离的积分，/>表示/>与/>的联合分布，/>表示概率向量集/>的随机变量，/>表示经验分布集合/>和概率向量集/>组合起来的所有可能的联合分布的集合，/>表示概率向量集/>的随机变量。
可选地，重构后的分布式鲁棒优化模型的优化目标如下所示。
。
式中，表示系数矩阵的转置，/>表示变量集合，/>表示概率向量集，/>表示不确定性变量的模糊集，/>表示取最小值，/>表示不确定性变量最差分布下的最小切负荷/切风光风险值，/>表示不确定变量满足/>分布下的切负荷/切风光风险，/>表示切负荷/切风光风险，/>表示随机变量集合，/>为陡度系数，/>表示Wasserstein距离保守度控制半径，/>表示不确定变量样本总数，/>表示不确定变量观测样本值，/>表示条件，/>表示不确定变量取上界时的切负荷/切风光风险，/>表示不确定变量取下界时的切负荷/切风光风险，/>表示不确定变量样本，/>表示不确定变量上界，/>表示不确定变量下界，/>表示隐变量不等式系数，/>表示隐变量集合，/>表示隐变量不等式常量，/>表示不确定变量为样本值时的切负荷/切风光风险，/>表示显式变量不等式系数，/>表示显式变量不等式常量，/>表示二元一次不等式显式变量系数，表示二元一次不等式常量，/>表示二元一次不等式隐变量系数，/>表示松弛变量参数，表示松弛变量合集，/>表示陡度系数大于0时的最短路径的最大值，/>表示历史样本数，不确定变量观测样本数与历史样本数相同。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明考虑火电与储能协同的检修模式，构建得到火电-储能联合检修运行的分布式鲁棒优化模型。本发明在检修计划中对于不确定性的考虑不只关注了外部环境的不确定性，也考虑检修计划的执行对于机组故障率的影响，采用威布尔分布对储能故障率与健康状态进行拟合，进一步提高火电-储能联合检修的全面性和精确性，准确描述模型中的随机变量。而且，本发明基于核密度估计方法拟合风/光/负荷出力与储能故障率分布，基于威瑟斯坦距离构建模糊集，能够克服用理论分布来假设未知分布的主观缺陷，充分利用现有数据来构造更加紧凑客观的不确定集，有效降低了保守性。
进一步，本发明还提供了一种火电-储能联合检修优化系统，以用于应用上述提供的火电-储能联合检修优化方法；所述系统包括：第一模型构建模块、故障率确定模块、模糊集构建模块、第二模型构建模块和重构求解模块。
第一模型构建模块，用于构建电池循环寿命模型，并基于所述电池循环寿命模型确定储能容量损失。
故障率确定模块，用于利用威布尔分布对储能故障率和所述储能容量损失进行拟合得到储能故障率分布。
模糊集构建模块，用于采用核密度估计方法得到风/光/负荷预测误差分布，并基于威瑟斯坦距离联合储能故障率分布中的储能故障率构建不确定性变量的模糊集。
第二模型构建模块，用于基于所述不确定性变量的模糊集，构建风险抵抗的火电-储能联合检修运行的分布式鲁棒优化模型。
重构求解模块，用于采用强对偶定理对所述分布式鲁棒优化模型进行重构求解得到火电-储能月度检修计划与运行策略。
一种电子设备，包括：存储器和处理器。
存储器，用于存储计算机程序。
处理器，与所述存储器连接，用于调取并执行所述计算机程序，以实施上述提供的火电-储能联合检修优化方法。
因本发明提供的两种结构实现的技术效果与本发明上述提供的火电-储能联合检修优化方法实现的效果相同，故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的火电-储能联合检修优化方法的流程图。
图2为本发明实施例提供的火电-储能联合检修优化方法实现流程图。
图3为本发明实施例提供的中国检修运行模式的具体流程图。
图4为本发明实施例提供的火电-储能联合的检修计划分布式鲁棒优化框架图。
图5为本发明实施例提供的KDE下概率密度分布与任意分布Wasserstein距离示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、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。
本发明提供的火电-储能联合检修优化方法、系统及电子设备，考虑了火电与储能协同的检修模式，且在检修计划中对于不确定因素的考虑不单单关注了外部环境带来的不确定性，也考虑检修计划的执行对于机组故障率的影响，能够进一步提高火电-储能联合检修的全面性和精确性。此外，本发明还能够准确描述模型中的随机变量。
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。
如图1所示，本发明提供的火电-储能联合检修优化方法，包括：步骤100：构建电池循环寿命模型，并基于电池循环寿命模型确定储能容量损失。
步骤101：利用威布尔分布对储能故障率和储能容量损失进行拟合得到储能故障率分布。
步骤102：采用核密度估计方法得到风/光/负荷预测误差分布，并基于威瑟斯坦距离联合储能故障率分布中的储能故障率构建不确定性变量的模糊集。
步骤103：基于不确定性变量的模糊集，构建风险抵抗的火电-储能联合检修运行的分布式鲁棒优化模型。
步骤104：采用强对偶定理对分布式鲁棒优化模型进行重构求解得到火电-储能月度检修计划与运行策略。
下面提供一个实施例，对本发明上述提供的火电-储能联合检修优化方法的具体实现过程进行说明。
该实施例中，首先构建检修运行计划与计划内外不确定性的风险评估分布式鲁棒优化框架（即上述步骤100中构建的火电-储能联合检修运行的分布式鲁棒优化模型），其次考虑储能故障率内生不确定性，采用Weibull分布对储能故障率进行拟合，从而构基于Wasserstein距离的内外生不确定变量模糊集进行检修运行策略下的风险评估，最后通过强对偶定理对所提出的双层优化模型进行重构与求解，得到考虑内外生不确定性风险后的火电、储能检修计划与运行策略。基于此，如图2所示，该实施例的具体实现步骤包括：步骤1：构建一种分布式鲁棒优化方法下火电-储能联合的风险抵抗下检修计划双层优化框架。
中国的维护计划采用计划维护模式，根据预防原则经验性组织维护。检修内容和时间根据机组老化状态和系统运行状况预先确定。在计划检修模式下，检修窗口期由电网调度根据负荷和可再生能源的预测结果形成，考虑电网安全、电力平衡、供电可靠性以及清洁能源消纳率，并下达给各发电企业。在检修窗口期内，发电企业向电网调度上报其发电机组的检修持续时间和意愿检修时间窗口期。然后，电网调度根据发电企业上报的检修持续时间和意愿检修时间窗口期优化初步检修计划，形成检修预计划并进行安全校核，基于发电能力评估、负荷供应充裕度、N-2及以上停电风险、检修计划执行情况进行当前预计划的风险评估。当安全校核通过后，将考虑机组技术参数约束、潮流越限约束、电力备用约束以及检修约束形成最终的检修计划，告知发电企业按时执行检修计划。当安全校核失败后，发电企业必须上报一个新的检修窗口期。
基于如图3所示的计划型窗口期的检修模式，本实施例提出一种分布式鲁棒优化方法下火电-储能联合的风险抵抗下检修计划双层优化框架，框架支撑整体双层模型，框架图如图4所示。在模型上层，忽略不确定性，形成火电-储能月度检修运行计划。在模型下层考虑多源不确定性，计算得到上层策略下的切负荷/切风光风险。
基于上述描述，建立风险抵抗的火电-储能联合检修运行的双层优化模型，其中这一双层模型的优化目标如公式（1）-公式（3）所示。
（2）。
（3）。
式中，表示机组是否进行了检修，当/>时，表示机组/>在第/>个月的第/>天进行了检修，当/>时，表示机组/>在第/>个月的第/>天没有进行检修；/>表示所有火电机组的集合；/>表示所有火电机组的运行检修成本；/>表示所有储能的集合；/>表示所有储能的运行检修成本；/>表示机组/>在第/>个月的第/>天的/>时刻的火力发电成本；/>表示机组/>在第/>个月的第/>天的/>时刻的储能系统的套利收入，/>表示储能系统在第/>个月的第/>天的/>时刻的买入电价，/>表示储能系统在第/>个月的第/>天的/>时刻的卖出电价；/>表示机组/>在第/>个月的第/>天的时刻的发电功率，/>表示机组/>在第/>个月的第/>天的/>时刻的放电功率，/>表示机组/>在第/>个月的第/>天的/>时刻的充电功率，/>表示不确定性变量最差分布下的最小切负荷/切风光风险值，/>表示考虑不确定性后的切负荷/切风光风险，/>表示在不确定性变量的模糊集/>最差分布下的目标函数，/>表示概率向量集，/>表示不确定性变量的模糊集，/>表示风险决策阶段优化变量，/>表示概率向量集的随机变量，/>表示月内检修运行成本，/>表示第m月的天数，/>表示单日检修运行成本，/>表示取最小值，/>表示天内的24h，/>表示火电发电成本参数，表示火电发电成本参数，/>表示火电发电成本参数，/>表示机组i每天检修成本。
其中，在不确定性变量的模糊集最差分布下的目标函数/>可表示为如公式（4）所示。
（4）。
式中，是遵循/>分布的随机变量，它包含在包含所有可能的随机变量概率分布的不确定性变量的模糊集/>中。/>、/>、/>分别为负荷/风电/光伏的削减能量。/>、/>、/>分别为负荷/风电/光伏的单位削减成本。
检修计划需满足的约束条件如公式（5）-公式（7）所示。
（5）。
（6）。
（7）。
式中，表示月的数量。
其中，约束条件[即公式（5）]限制了检修计划应以发电企业上报的检修计划为准，/>分别为火电机组与储能机组集合。约束条件[即公式（6）]限制了同时检修的机组数量，/>是一个月内同时检修机组数量的上限。约束条件[即公式（7）]限制连续检修，其中/>为求和的第一天，/>为m月的最后一天，/>为第i台机组的检修持续时间，为第i台机组处于开始检修状态的二进制变量。
系统运行需满足的约束条件如公式（8）-公式（15）所示。
（8）。
（9）。
(10)。
（11）。
（12）。
（13）。
（14）。
（15）。
其中，约束条件[即公式（8）]为火电机组出力限制。约束条件[即公式（9）]约束储能系统不能同时充放电。约束[即公式（10）-公式（13）]表示储能系统的容量限制和每日充放电平衡约束，其中为机组/>在第/>个月的第/>天的/>时刻的储能容量，/>与/>为储能充放电效率，/>与/>为机组/>最大最小容量限制。约束条件[即公式（14）]描述了最坏情况下的能量平衡，其中/>、/>、/>分别为风电、光伏和负荷需求的实际出力。/>、/>、/>分别为风电、光伏输出和负荷需求的预测误差，/>为储能故障率。约束条件[即公式（15）]）中，/>、/>、/>、/>、分别为火电机组、风电机组、光伏、储能系统和负荷向线路/>的功率传输分配系数，/>为线路/>的输送容量上限，/>表示发电功率的最小值，/>表示发电功率的最大值。
步骤2：提出基于阿伦尼斯公式下的储能容量损失模型，通过Weibull分布对储能故障率与储能容量损失进行拟合。
电池的性能退化与其工作环境温度有关。在不同的温度下运行，电池的性能衰减速率不同，且作为其性能水平重要表现的容量损失率与温度存在一定的数量关系。基于阿伦尼斯公式，反映高温对电池容量衰减的加速效应，得到的电池循环寿命模型如公式（16）和公式（17）所示。
（16）。
（17）。
式中，式中，表示机组/>在第/>个月的容量损耗，/>表示前指数因子，/>表示充放电比，/>表示气体常数，/>表示循环过程的环境温度，/>表示机组/>在第/>个月的第/>天的/>时刻的放电功率，/>表示机组/>在第/>个月的第/>天的/>时刻的充电功率，表示第/>个月的充放电量，/>表示第/>-1个月的充放电量。
储能系统的故障率（即储能故障率）是内生不确定性的来源。大多数电气设备的故障率随时间变化呈典型的浴缸曲线。Weibull分布的形式参数在数据拟合中具有很好的弹性，可以很好地表示浴缸曲线的各个阶段。因此，本实施例将利用Weibull分布拟合储能故障率的曲线。由于一般认为电池容量衰减到额定容量的80%时为电池寿命终止时间点，因此本实施例采用储能容量来量化储能寿命，并定量分析其容量与故障率之间的关系，以为步骤3内外生不确定集的形成提供模型支撑。根据蓄电池的循环寿命模型，储能故障率如公式（18）和公式（19）所示。
（18）。
（19）。
式中，表示储能故障率，/>表示故障率曲线的比例参数，/>表示故障率曲线的形状参数，/>表示损耗系数，/>表示检修恢复系数，/>表示机组/>的额定容量，/>表示第/>个月是否处于检修状态变量，/>表示第/>个月是否处于检修状态变量，/>表示/>月的最后一天。
步骤3：基于非参数估计之核密度估计（kernel density estimation，KDE）方法估计风/光/负荷出力与储能故障率分布，基于Wasserstein距离构建不确定性变量的模糊集，以为步骤1双层模型中下层风险评估提供边界场景支撑。其中，KDE下概率密度分布与任意分布Wasserstein距离如图5所示。
根据决策变量是否改变不确定性的分布，不确定性可分为外生不确定性和内生不确定性。本实施例假定外生不确定性来自于风电/光伏和负荷预测误差的不确定性。为简化模型表述，外生不确定性由风电、光伏和负荷的预测误差以总预测误差导出，总预测误差表示为公式（20）。
（20）。/>
式中，表示总预测误差，/>、/>、/>分别表示风电、光伏、负荷预测误差。
非参数KDE方法不需要事先假设随机变量遵循特定的分布，而是直接用已知的历史样本估计随机变量的概率密度分布。假设历史运行数据中有R个历史样本。KDE的一般形式为公式（21）。
（21）。
式中，为总预测误差/>的概率分布函数，/>是样本数，/>是带宽。/>为核函数，核函数有高斯函数、三角函数、叶波内尼科夫函数等几种类型，本实施例采用高斯核函数，/>为第/>个历史样本。
则随机变量的累计分布函数表示为对概率密度函数进行积分，为公式（22）。
（22）。
式中，表示随机变量的累计分布函数。
由于随机变量的经验分布集合收敛较快的性质，故采用Wasserstein距离来评估不同分布与KDE获得的概率密度分布之间的相似程度。在Wasserstein距离下，所有与距离小于/>的概率向量集/>定义得到的模糊集为公式（23）和公式（24）。
（23）。
（24）。
式中，和/>分别服从随机变量的经验分布集合/>和概率向量集/>的分布；是满足/>和/>在/>可行域内的联合概率分布；/>表示将/>转换成/>之间最短路径的最大值，/>表示/>与/>的联合分布。
Wasserstein球的半径为可用于调整模型鲁棒性的参数，其计算过程如公式（25）和公式（26）所示。
（25）。
（26）。
式中，是Wasserstein球半径的置信度。/>是一个常数，/>是所有样本的平均值。/>
步骤4：采用强对偶定理对步骤1中的分布式鲁棒优化方法下火电-储能联合的风险抵抗下检修计划的双层优化模型进行重构求解，得到考虑了内外生不确定风险后的火电、储能月度检修计划与运行策略。
由于基于Wasserstein距离的模糊集以积分形式表示，传统的两阶段维护运行模型难以求解，问题的对偶形式难以得到，所以利用强对偶性结果对模型进行重新表述，以减小模型的求解难度。根据期望项的定义，Wasserstein距离可以重写为公式（27）。
式中，是/>的概率，/>是/>时/>的条件分布。
根据公式（27），样本集中每个样本的概率为：。
在公式（27）中简化了Wasserstein距离后，模型下层的目标函数可以写成公式（28）-公式（29）。
其中，式（28）是的条件概率分布属性，式（29）根据Wasserstein距离的定义求得。
根据强对偶定理，原问题的目标可表述为公式（30）-公式（32）。
（30）。
（31）。
（32）。
式中，为陡度系数。引入满足式（32）的松弛变量/>，以实现从式（30）到式（31）的转换。
从而，最坏分布下的期望值重新表达为如下公式（33）的形式。
进而，原问题转化为如下的公式形式。
式中，表示系数矩阵的转置，/>表示变量集合，/>表示不确定变量满足/>分布下的切负荷/切风光风险，/>表示切负荷/切风光风险，/>表示随机变量集合，/>表示不确定变量观测样本值，/>表示条件，/>表示不确定变量取上界时的切负荷/切风光风险，/>表示不确定变量取下界时的切负荷/切风光风险，/>表示不确定变量样本，/>表示不确定变量上界，/>表示不确定变量下界，/>表示隐变量不等式系数，/>表示隐变量集合，/>表示隐变量不等式常量，/>表示不确定变量为样本值时的切负荷/切风光风险，/>表示显式变量不等式系数，/>表示显式变量不等式常量，/>表示二元一次不等式显式变量系数，/>表示二元一次不等式常量，/>表示二元一次不等式隐变量系数，/>表示松弛变量参数，/>表示松弛变量合集。
基于上述描述，相较于现有技术，本发明具有以下优点：
（1）本发明基于分布式鲁棒优化方法构建火电-储能风险抵抗下的检修计划分布式鲁棒优化框架，其中上层形成火电-储能最优检修运行策略，下层考虑多源不确定性，评估上层最优策略下的系统切负荷/切风光风险，从而同时保证策略的经济性与鲁棒性，适于应对多种不确定，降低由于切负荷和切风光对电力系统带来的风险与损失。
（2）本发明构建了一种火电-储能联合检修计划优化方法，考虑火电企业的主要盈利方式与煤价强相关，储能通过日内峰谷电价套利的特性，将火电机组与储能系统的经济运行考虑到优化目标之中，保证两种主体的利益以及避免由于其检修时间的冲突导致的电网不安全运行。
（3）本发明考虑到电力系统的多源不确定性，基于非参数核密度估计方法拟合风/光/负荷出力与储能故障率分布，并基于Wasserstein距离构建不确定性模糊集。该方法克服了用理论分布来假设未知分布的主观缺陷，充分利用现有数据的值来构造更加紧凑客观的不确定性集，有效地降低了保守性。
（4）DRO是不确定性最坏分布的期望值。在构造模糊集时，通常有矩信息、Kullback-Leibler (K-L)散度和距离度量等方法。力矩信息不足以准确描述模糊集。K-L发散需要假设概率是离散的，计算复杂度增加。KDE和Wasserstein度量的结合产生了一个更紧凑和可靠的模糊集。鉴于此，本发明建立了基于核密度估计和Wasserstein度量的分布式鲁棒优化模型，改进了基于Wasserstein度量的一般分布式鲁棒优化模型的保守性。
进一步，本发明还提供了一种火电-储能联合检修优化系统，以用于应用上述提供的火电-储能联合检修优化方法。系统包括：模型构建模块、容量确定模块、曲线拟合模块、模糊集构建模块和重构优化模块。
第一模型构建模块，用于构建电池循环寿命模型，并基于所述电池循环寿命模型确定储能容量损失。
故障率确定模块，用于利用威布尔分布对储能故障率和所述储能容量损失进行拟合得到储能故障率分布。
模糊集构建模块，用于采用核密度估计方法得到风/光/负荷预测误差分布，并基于威瑟斯坦距离联合储能故障率分布中的储能故障率构建不确定性变量的模糊集。
第二模型构建模块，用于基于所述不确定性变量的模糊集，构建风险抵抗的火电-储能联合检修运行的分布式鲁棒优化模型。
重构求解模块，用于采用强对偶定理对所述分布式鲁棒优化模型进行重构求解得到火电-储能月度检修计划与运行策略。
进一步，本发明还提供了一种电子设备，该电子设备包括：存储器和处理器。其中，处理器与存储器连接。存储器用于存储计算机程序。处理器用于调取并执行计算机程序，以实施上述提供的火电-储能联合检修优化方法。
此外，上述的存储器中的计算机程序通过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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明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一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器或者网络设备等）执行本发明各个实施例所述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、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
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 (6)

1.一种火电-储能联合检修优化方法，其特征在于，包括：
构建电池循环寿命模型，并基于所述电池循环寿命模型确定储能容量损失；
利用威布尔分布对储能故障率和所述储能容量损失进行拟合得到储能故障率分布；
采用核密度估计方法得到风/光/负荷预测误差分布，并基于威瑟斯坦距离联合储能故障率分布中的储能故障率构建不确定性变量的模糊集；
基于所述不确定性变量的模糊集，构建风险抵抗的火电-储能联合检修运行的分布式鲁棒优化模型；
采用强对偶定理对所述分布式鲁棒优化模型进行重构求解得到火电-储能月度检修计划与运行策略；
其中，构建的风险抵抗的火电-储能联合检修运行的分布式鲁棒优化模型，为：
式中，zm,d,i表示机组是否进行了检修，当zm,d,i＝1时，表示机组i在第m个月的第d天进行了检修，当am,d,i＝0时，表示机组i在第m个月的第d天没有进行检修；表示所有火电机组的集合；/>表示所有火电机组的运行检修成本；/>表示所有储能的集合；/>表示所有储能的运行检修成本；/>表示机组i在第m个月的第d天的t时刻的火力发电成本；/>表示机组i在第m个月的第d天的t时刻的储能系统的套利收入，/>表示储能系统在第m个月的第d天的t时刻的买入电价，/>表示储能系统在第m个月的第d天的t时刻的卖出电价；/>表示机组i在第m个月的第d天的t时刻的发电功率，/>表示机组i在第m个月的第d天的t时刻的放电功率，/>表示机组i在第m个月的第d天的t时刻的充电功率，/>表示不确定性变量最差分布下的最小切负荷/切风光风险值，表示考虑不确定性后的切负荷/切风光风险，/>表示在不确定性变量的模糊集/>最差分布下的目标函数，/>表示概率向量集，/>表示不确定性变量的模糊集，x表示风险决策阶段优化变量，/>表示概率向量集/>的随机变量，/>表示月内检修运行成本，Dm表示第m月的天数，[ ]表示单日检修运行成本，min表示取最小值，t表示天内的24h，/>表示火电发电成本参数，/>表示火电发电成本参数，/>表示火电发电成本参数，/>表示机组i每天检修成本；
采用强对偶定理对所述分布式鲁棒优化模型进行重构求解，得到重构后的分布式鲁棒优化模型的优化目标为：
式中，cT表示系数矩阵的转置，x表示变量集合，表示概率向量集，/>表示不确定性变量最差分布下的最小切负荷/切风光风险值，/>表示不确定变量满足/>分布下的切负荷/切风光风险，/>表示切负荷/切风光风险，/>表示随机变量集合，α为陡度系数，θ表示Wasserstein距离保守度控制半径，N表示不确定变量样本总数，μr表示不确定变量观测样本值，s.t.表示条件，/>表示不确定变量取上界时的切负荷/切风光风险，Φ(x,ω)表示不确定变量取下界时的切负荷/切风光风险，ωr表示不确定变量样本，/>表示不确定变量上界，ω表示不确定变量下界，B表示隐变量不等式系数，y表示隐变量集合，k表示隐变量不等式常量，Φ(x,ωr)表示不确定变量为样本值时的切负荷/切风光风险，A表示显式变量不等式系数，d表示显式变量不等式常量，G表示二元一次不等式显式变量系数，h表示二元一次不等式常量，E表示二元一次不等式隐变量系数，M表示松弛变量参数，u表示松弛变量合集，/>表示陡度系数大于0时的最短路径的最大值，R表示历史样本数，不确定变量观测样本数与历史样本数相同。
2.根据权利要求1所述的火电-储能联合检修优化方法，其特征在于，所述电池循环寿命模型为：
式中，表示机组i在第m个月的容量损耗，B表示前指数因子，C表示充放电比，R表示气体常数，T表示循环过程的环境温度，/>表示机组i在第m个月的第d天的t时刻的放电功率，/>表示机组i在第m个月的第d天的t时刻的充电功率，/>表示第m个月的充放电量，/>表示第m-1个月的充放电量，zm,d,i表示机组是否进行了检修，当zm,d,i＝1时，表示机组i在第m个月的第d天进行了检修，当zm,d,i＝0时，表示机组i在第m个月的第d天没有进行检修。
3.根据权利要求2所述的火电-储能联合检修优化方法，其特征在于，所述储能故障率为：
式中，表示储能故障率，μ表示故障率曲线的比例参数，η表示故障率曲线的形状参数，β表示损耗系数，β0表示检修恢复系数，/>表示机组i的额定容量，/>表示第m0个月是否处于检修状态变量，/>表示第m1个月是否处于检修状态变量，/>表示m月的最后一天。
4.根据权利要求1所述的火电-储能联合检修优化方法，其特征在于，不确定性变量的模糊集为：
式中，表示不确定性变量的模糊集，/> 表示在概率向量集/>中随机变量的经验分布集合/>与概率向量集/>之间的Wasserstein距离小于等于θ，/>表示经验分布集合，θ表示Wasserstein距离保守度控制半径，/>表示经验分布集合/>与概率向量集/>之间的Wasserstein距离，/>表示将概率向量集/>转换成经验分布集合/>之间最短路径的最大值，/>表示满足π联合分布下样本ω与/>之间距离的积分，/>表示ω与/>的联合分布，ω表示经验分布集合/>的随机变量，表示经验分布集合/>和概率向量集/>组合起来的所有可能的联合分布的集合，/>表示概率向量集/>的随机变量。
5.一种火电-储能联合检修优化系统，其特征在于，用于应用如权利要求1-4任意一项所述的火电-储能联合检修优化方法；所述系统包括：
第一模型构建模块，用于构建电池循环寿命模型，并基于所述电池循环寿命模型确定储能容量损失；
故障率确定模块，用于利用威布尔分布对储能故障率和所述储能容量损失进行拟合得到储能故障率分布；
模糊集构建模块，用于采用核密度估计方法得到风/光/负荷预测误差分布，并基于威瑟斯坦距离联合储能故障率分布中的储能故障率构建不确定性变量的模糊集；
第二模型构建模块，用于基于所述不确定性变量的模糊集，构建风险抵抗的火电-储能联合检修运行的分布式鲁棒优化模型；
重构求解模块，用于采用强对偶定理对所述分布式鲁棒优化模型进行重构求解得到火电-储能月度检修计划与运行策略；
其中，构建的风险抵抗的火电-储能联合检修运行的分布式鲁棒优化模型，为：
式中，zm,d,i表示机组是否进行了检修，当zm,d,i＝1时，表示机组i在第m个月的第d天进行了检修，当zm,d,i＝0时，表示机组i在第m个月的第d天没有进行检修；表示所有火电机组的集合；/>表示所有火电机组的运行检修成本；/>表示所有储能的集合；/>表示所有储能的运行检修成本；/>表示机组i在第m个月的第d天的t时刻的火力发电成本；/>表示机组i在第m个月的第d天的t时刻的储能系统的套利收入，/>表示储能系统在第m个月的第d天的t时刻的买入电价，/>表示储能系统在第m个月的第d天的t时刻的卖出电价；/>表示机组i在第m个月的第d天的t时刻的发电功率，/>表示机组i在第m个月的第d天的t时刻的放电功率，/>表示机组i在第m个月的第d天的t时刻的充电功率，/>表示不确定性变量最差分布下的最小切负荷/切风光风险值，表示考虑不确定性后的切负荷/切风光风险，/>表示在不确定性变量的模糊集/>最差分布下的目标函数，/>表示概率向量集，/>表示不确定性变量的模糊集，x表示风险决策阶段优化变量，/>表示概率向量集/>的随机变量，/>表示月内检修运行成本，Dm表示第m月的天数，[ ]表示单日检修运行成本，min表示取最小值，t表示天内的24h，/>表示火电发电成本参数，/>表示火电发电成本参数，/>表示火电发电成本参数，/>表示机组i每天检修成本；
采用强对偶定理对所述分布式鲁棒优化模型进行重构求解，得到重构后的分布式鲁棒优化模型的优化目标为：
式中，cT表示系数矩阵的转置，x表示变量集合，表示概率向量集，/>表示不确定性变量最差分布下的最小切负荷/切风光风险值，/>表示不确定变量满足/>分布下的切负荷/切风光风险，/>表示切负荷/切风光风险，/>表示随机变量集合，α为陡度系数，θ表示Wasserstein距离保守度控制半径，N表示不确定变量样本总数，μr表示不确定变量观测样本值，s.t.表示条件，/>表示不确定变量取上界时的切负荷/切风光风险，Φ(x,ω)表示不确定变量取下界时的切负荷/切风光风险，ωr表示不确定变量样本，/>表示不确定变量上界，ω表示不确定变量下界，B表示隐变量不等式系数，y表示隐变量集合，k表示隐变量不等式常量，Φ(x,ωr)表示不确定变量为样本值时的切负荷/切风光风险，A表示显式变量不等式系数，d表示显式变量不等式常量，G表示二元一次不等式显式变量系数，h表示二元一次不等式常量，E表示二元一次不等式隐变量系数，M表示松弛变量参数，u表示松弛变量合集，/>表示陡度系数大于0时的最短路径的最大值，R表示历史样本数，不确定变量观测样本数与历史样本数相同。
6.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，与所述存储器连接，用于调取并执行所述计算机程序，以实施如权利要求1-4任意一项所述的火电-储能联合检修优化方法。
CN202311243073.9A 2023-09-26 2023-09-26 一种火电-储能联合检修优化方法、系统及电子设备 Active CN116992242B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311243073.9A CN116992242B (zh) 2023-09-26 2023-09-26 一种火电-储能联合检修优化方法、系统及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311243073.9A CN116992242B (zh) 2023-09-26 2023-09-26 一种火电-储能联合检修优化方法、系统及电子设备

Publications (2)

Publication Number Publication Date
CN116992242A CN116992242A (zh) 2023-11-03
CN116992242B true CN116992242B (zh) 2023-12-22

Family

ID=88534131

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311243073.9A Active CN116992242B (zh) 2023-09-26 2023-09-26 一种火电-储能联合检修优化方法、系统及电子设备

Country Status (1)

Country Link
CN (1) CN116992242B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008289262A (ja) * 2007-05-16 2008-11-27 Chugoku Electric Power Co Inc:The 配電設備計画作成支援システム、方法及びプログラム
CN109193636A (zh) * 2018-10-08 2019-01-11 华东交通大学 一种基于分类不确定集的电力系统环境经济鲁棒调度方法
CN110797919A (zh) * 2019-12-05 2020-02-14 国网四川省电力公司经济技术研究院 基于Wasserstein距离和分布鲁棒优化的清洁能源电源规划方法
CN111523249A (zh) * 2020-05-27 2020-08-11 福州大学 一种考虑源荷不确定性的数据驱动鲁棒优化调度方法
CN112183967A (zh) * 2020-09-14 2021-01-05 南方电网能源发展研究院有限责任公司 一种基于运营模型的燃气机组控制方法及装置
CN112446145A (zh) * 2020-11-20 2021-03-05 国网山西省电力公司经济技术研究院 一种基于kl散度的储能电站分布鲁棒规划方法
CN112671035A (zh) * 2020-12-21 2021-04-16 北京华能新锐控制技术有限公司 一种基于风电预测的虚拟电厂储能容量配置方法
CN113177323A (zh) * 2021-05-14 2021-07-27 华北电力大学 基于矩不确定分布式鲁棒的电热综合系统优化调度方法
CN114243683A (zh) * 2021-11-23 2022-03-25 周口师范学院 基于Wasserstein度量和核密度估计的分布鲁棒优化方法
CN114529075A (zh) * 2022-02-14 2022-05-24 中建安装集团有限公司 考虑风光预测误差的综合能源系统分布鲁棒优化调度方法
CN114638433A (zh) * 2022-03-28 2022-06-17 国网湖北省电力有限公司电力科学研究院 一种考虑风电不确定性的负荷恢复分布鲁棒优化方法
CN114865631A (zh) * 2022-07-05 2022-08-05 华东交通大学 源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法
CN115173453A (zh) * 2022-08-02 2022-10-11 华北电力大学（保定） 一种储能辅助电网调峰的优化配置方法
CN115544871A (zh) * 2022-09-27 2022-12-30 南京理工大学 考虑可再生电源空间相关性的分布鲁棒型储能规划方法
CN116191493A (zh) * 2022-12-28 2023-05-30 河海大学 一种火电机组深度调峰和复合储能协同规划方法与装置
CN116316713A (zh) * 2022-11-30 2023-06-23 中国电力科学研究院有限公司 一种含风光和光伏的电网储能配置方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010004587A2 (en) * 2008-07-11 2010-01-14 Gorur Narayana Srinivasa Prasa A computer implemented decision support method and system
US20110307230A1 (en) * 2009-03-05 2011-12-15 Lee Li-Bong W Optimizing Reservoir Performance Under Uncertainty
DE102013226145A1 (de) * 2013-12-17 2015-06-18 Robert Bosch Gmbh Vorrichtung und Verfahren zur Überwachung eines Energiespeichers sowie Energiespeicher mit der Vorrichtung
JP7059583B2 (ja) * 2017-11-20 2022-04-26 株式会社Ihi エネルギーマネジメントシステム、電力需給計画最適化方法、および電力需給計画最適化プログラム

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008289262A (ja) * 2007-05-16 2008-11-27 Chugoku Electric Power Co Inc:The 配電設備計画作成支援システム、方法及びプログラム
CN109193636A (zh) * 2018-10-08 2019-01-11 华东交通大学 一种基于分类不确定集的电力系统环境经济鲁棒调度方法
CN110797919A (zh) * 2019-12-05 2020-02-14 国网四川省电力公司经济技术研究院 基于Wasserstein距离和分布鲁棒优化的清洁能源电源规划方法
CN111523249A (zh) * 2020-05-27 2020-08-11 福州大学 一种考虑源荷不确定性的数据驱动鲁棒优化调度方法
CN112183967A (zh) * 2020-09-14 2021-01-05 南方电网能源发展研究院有限责任公司 一种基于运营模型的燃气机组控制方法及装置
CN112446145A (zh) * 2020-11-20 2021-03-05 国网山西省电力公司经济技术研究院 一种基于kl散度的储能电站分布鲁棒规划方法
CN112671035A (zh) * 2020-12-21 2021-04-16 北京华能新锐控制技术有限公司 一种基于风电预测的虚拟电厂储能容量配置方法
CN113177323A (zh) * 2021-05-14 2021-07-27 华北电力大学 基于矩不确定分布式鲁棒的电热综合系统优化调度方法
CN114243683A (zh) * 2021-11-23 2022-03-25 周口师范学院 基于Wasserstein度量和核密度估计的分布鲁棒优化方法
CN114529075A (zh) * 2022-02-14 2022-05-24 中建安装集团有限公司 考虑风光预测误差的综合能源系统分布鲁棒优化调度方法
CN114638433A (zh) * 2022-03-28 2022-06-17 国网湖北省电力有限公司电力科学研究院 一种考虑风电不确定性的负荷恢复分布鲁棒优化方法
CN114865631A (zh) * 2022-07-05 2022-08-05 华东交通大学 源荷协同降碳的综合能源系统最优分布鲁棒经济调度方法
CN115173453A (zh) * 2022-08-02 2022-10-11 华北电力大学（保定） 一种储能辅助电网调峰的优化配置方法
CN115544871A (zh) * 2022-09-27 2022-12-30 南京理工大学 考虑可再生电源空间相关性的分布鲁棒型储能规划方法
CN116316713A (zh) * 2022-11-30 2023-06-23 中国电力科学研究院有限公司 一种含风光和光伏的电网储能配置方法及装置
CN116191493A (zh) * 2022-12-28 2023-05-30 河海大学 一种火电机组深度调峰和复合储能协同规划方法与装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Risk-Based Distributionally RobustOptimal Gas-Power Flow With Wasserstein Distance;Cheng Wang等;IEEE TRANSACTIONS ONPOWER SYSTEMS;全文 *
基于改进Benders分解的储能、分布式电源与配电网多阶段规划;吴志等;中国电机工程学报;全文 *
考虑供需互动和分布式电源运行特性的主动配电网网架规划;张光亚等;电网规划;全文 *

Also Published As

Publication number Publication date
CN116992242A (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
Qiu et al. Safe reinforcement learning for real-time automatic control in a smart energy-hub
Fan et al. Fuzzy day‐ahead scheduling of virtual power plant with optimal confidence level
US20200234202A1 (en) Learning power grid characteristics to anticipate load
CN108053048A (zh) 一种单步渐进式光伏电站超短期功率预测方法及系统
CN111181201B (zh) 基于双层强化学习的多能园区调度方法及系统
Liu et al. Deep reinforcement learning based energy storage management strategy considering prediction intervals of wind power
Bui et al. Forecasting energy output of a solar power plant in curtailment condition based on LSTM using P/GHI coefficient and validation in training process, a case study in Vietnam
CN114784882A (zh) 机组组合优化处理方法及装置
Lubing et al. An opportunistic maintenance strategy for offshore wind turbine based on accessibility evaluation
CN115423153A (zh) 基于概率预测的光伏储能系统能量管理方法
CN112072643A (zh) 一种基于深度确定性梯度策略的光-蓄系统在线调度方法
CN116502771B (zh) 一种基于电力物资预测的配电方法及系统
CN116992242B (zh) 一种火电-储能联合检修优化方法、系统及电子设备
CN110705738B (zh) 基于人工智能的智能用电激励需求响应方法和系统
CN117114776A (zh) 一种面向省间日前现货交易的量价申报方法
Cai et al. An improved sequential importance sampling method for reliability assessment of renewable power systems with energy storage
Wu et al. A novel fractional discrete nonlinear grey Bernoulli model for forecasting the wind turbine capacity of China
CN115693787A (zh) 考虑源荷随机性的光储配电网新能源接纳能力分析方法
CN115713252A (zh) 一种水风光储多能互补系统综合效益评估方案寻优方法
CN112865101B (zh) 一种考虑可再生能源出力不确定性的线性化交易方法
Wang et al. An electricity load forecasting model based on multilayer dilated LSTM network and attention mechanism
CN114371416A (zh) 一种燃料电池的寿命预测方法
Wang et al. Source-load scenario generation based on weakly su-pervised adversarial learning and its data-driven appli-cation in energy storage capacity sizing
CN113381400B (zh) 储能消纳新能源能力评估方法和装置
Sun et al. Two-level optimal scheduling strategy of demand response-based microgrids based on renewable energy forecasting

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