CN117094453B - 一种用于虚拟电厂的调度优化系统及其方法 - Google Patents
一种用于虚拟电厂的调度优化系统及其方法 Download PDFInfo
- Publication number
- CN117094453B CN117094453B CN202311363873.4A CN202311363873A CN117094453B CN 117094453 B CN117094453 B CN 117094453B CN 202311363873 A CN202311363873 A CN 202311363873A CN 117094453 B CN117094453 B CN 117094453B
- Authority
- CN
- China
- Prior art keywords
- power generation
- subsystem
- demand
- time sequence
- market
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010248 power generation Methods 0.000 claims abstract description 100
- 238000012546 transfer Methods 0.000 claims abstract description 85
- 230000004044 response Effects 0.000 claims abstract description 67
- 238000000605 extraction Methods 0.000 claims abstract description 33
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 8
- 230000005611 electricity Effects 0.000 claims description 67
- 239000013598 vector Substances 0.000 claims description 66
- 230000004043 responsiveness Effects 0.000 claims description 40
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 3
- 230000005684 electric field Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000004148 unit process Methods 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种用于虚拟电厂的调度优化系统及其方法。其首先获取虚拟电场系统中各个子系统在预定时间段内多个预定时间点的发电量数据,以及,多个预定时间点的市场用电需求量,接着,对所述多个预定时间点的市场用电需求量进行时序特征提取以得到市场用电需求量时序特征,然后,对所述各个子系统在预定时间段内多个预定时间点的发电量数据进行时序分析以得到多个子系统发电量时序特征,最后,基于计算所述多个子系统发电量时序特征相对于所述市场用电需求量时序特征的响应性转移关联特征得到的多个子系统发电‑需求响应性转移特征确定所述多个子系统的发电供应调度比例。这样,可以提高能源利用效率和经济性。
Description
技术领域
本申请涉及虚拟电厂领域,且更为具体地,涉及一种用于虚拟电厂的调度优化系统及其方法。
背景技术
虚拟电厂(Virtual Power Plant,VPP)是由多种分散式能源资源和能量存储设备组成的集成能源系统,其通过智能化管理和协调运行,将分散的能源资源整合为一个整体的电力系统,实现对能源的高效利用和灵活调度。虚拟电厂可以整合多种分散的能源资源,如风能和太阳能等,通过协调和优化这些能源资源的利用,可以提高能源的整体利用效率,并减少对传统能源的依赖。
在虚拟电厂中,风电子系统、光伏发电子系统和太阳能发电子系统是常见的能源子系统,它们通过不同的能源转换方式产生电能。但是,受到天气条件等因素的影响,这些能源子系统的发电量存在一定的波动性和不确定性。因此,需要对于虚拟电厂中的各个能源子系统的发电供应进行调度优化。
然而,传统的虚拟电厂调度系统的调度策略通常是基于静态的规则或预设的固定模型,无法灵活应对市场需求和能源供应的变化,这限制了虚拟电厂的响应速度和灵活性,无法实现实时的优化调度。
此外,传统的虚拟电厂调度优化系统通常只关注单一能源子系统或特定的优化目标的调度优化,而无法全面考虑虚拟电厂内多种能源资源的协调和综合利用,忽视了整个虚拟电厂系统的综合优化。这样,无法充分发挥虚拟电厂的协同效应,导致系统整体性能的提升有限。同时,也无法充分发挥虚拟电厂的优势来最大程度地提高能源利用效率,难以实现电力供需的平衡和经济性最大化。
因此,期望一种优化的用于虚拟电厂的调度优化系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种用于虚拟电厂的调度优化系统及其方法。其可以实现虚拟电厂内多种能源资源的协调和综合利用,从而确保供电的稳定性和可靠性,并提高能源利用效率和经济性,保证电力供需的平衡和经济性最大化。
根据本申请的一个方面,提供了一种用于虚拟电厂的调度优化系统,其包括:
发电量数据采集模块,用于获取虚拟电场系统中各个子系统在预定时间段内多个预定时间点的发电量数据,所述各个子系统包括风电子系统、光伏发电子系统和太阳能发电子系统;
用电需求量采集模块,用于获取所述多个预定时间点的市场用电需求量;
用电需求时序特征提取模块,用于对所述多个预定时间点的市场用电需求量进行时序特征提取以得到市场用电需求量时序特征;
发电量时序特征提取模块,用于对所述各个子系统在预定时间段内多个预定时间点的发电量数据进行时序分析以得到多个子系统发电量时序特征;
发电-需求响应性转移特征提取模块,用于计算所述多个子系统发电量时序特征相对于所述市场用电需求量时序特征的响应性转移关联特征以得到多个子系统发电-需求响应性转移特征;以及
发电供应调度比例生成模块,用于基于所述多个子系统发电-需求响应性转移特征,确定所述多个子系统的发电供应调度比例。
根据本申请的另一个方面,提供了一种用于虚拟电厂的调度优化方法,其包括:
获取虚拟电场系统中各个子系统在预定时间段内多个预定时间点的发电量数据,所述各个子系统包括风电子系统、光伏发电子系统和太阳能发电子系统;
获取所述多个预定时间点的市场用电需求量;
对所述多个预定时间点的市场用电需求量进行时序特征提取以得到市场用电需求量时序特征;
对所述各个子系统在预定时间段内多个预定时间点的发电量数据进行时序分析以得到多个子系统发电量时序特征;
计算所述多个子系统发电量时序特征相对于所述市场用电需求量时序特征的响应性转移关联特征以得到多个子系统发电-需求响应性转移特征;以及
基于所述多个子系统发电-需求响应性转移特征,确定所述多个子系统的发电供应调度比例。
与现有技术相比,本申请提供的用于虚拟电厂的调度优化系统及其方法,其首先获取虚拟电场系统中各个子系统在预定时间段内多个预定时间点的发电量数据,以及,多个预定时间点的市场用电需求量,接着,对所述多个预定时间点的市场用电需求量进行时序特征提取以得到市场用电需求量时序特征,然后,对所述各个子系统在预定时间段内多个预定时间点的发电量数据进行时序分析以得到多个子系统发电量时序特征,最后,基于计算所述多个子系统发电量时序特征相对于所述市场用电需求量时序特征的响应性转移关联特征得到的多个子系统发电-需求响应性转移特征确定所述多个子系统的发电供应调度比例。这样,可以提高能源利用效率和经济性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的用于虚拟电厂的调度优化系统的框图示意图。
图2为根据本申请实施例的用于虚拟电厂的调度优化系统中的所述发电量时序特征提取模块的框图示意图。
图3为根据本申请实施例的用于虚拟电厂的调度优化系统中的所述发电供应调度比例生成模块的框图示意图。
图4为根据本申请实施例的用于虚拟电厂的调度优化系统中的所述调度概率计算单元的框图示意图。
图5为根据本申请实施例的用于虚拟电厂的调度优化方法的流程图。
图6为根据本申请实施例的用于虚拟电厂的调度优化方法的系统架构的示意图。
图7为根据本申请实施例的用于虚拟电厂的调度优化系统的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
针对上述技术问题,本申请的技术构思为通过对于虚拟电厂系统中的各个子系统,例如风电子系统、光伏发电子系统和太阳能发电子系统的发电量数据,以及市场用电需求量进行采集,并在后端引入数据处理和分析算法来对于市场用电需求和各个能源子系统的发电量进行响应性关联分析,以此确定各个子系统的发电供应调度比例,以实现虚拟电厂内多种能源资源的协调和综合利用,从而确保供电的稳定性和可靠性,并提高能源利用效率和经济性,保证电力供需的平衡和经济性最大化。
图1为根据本申请实施例的用于虚拟电厂的调度优化系统的框图示意图。如图1所示,根据本申请实施例的用于虚拟电厂的调度优化系统100,包括:发电量数据采集模块110,用于获取虚拟电场系统中各个子系统在预定时间段内多个预定时间点的发电量数据,所述各个子系统包括风电子系统、光伏发电子系统和太阳能发电子系统;用电需求量采集模块120,用于获取所述多个预定时间点的市场用电需求量;用电需求时序特征提取模块130,用于对所述多个预定时间点的市场用电需求量进行时序特征提取以得到市场用电需求量时序特征;发电量时序特征提取模块140,用于对所述各个子系统在预定时间段内多个预定时间点的发电量数据进行时序分析以得到多个子系统发电量时序特征;发电-需求响应性转移特征提取模块150,用于计算所述多个子系统发电量时序特征相对于所述市场用电需求量时序特征的响应性转移关联特征以得到多个子系统发电-需求响应性转移特征;以及,发电供应调度比例生成模块160,用于基于所述多个子系统发电-需求响应性转移特征,确定所述多个子系统的发电供应调度比例。
具体地,在本申请的技术方案中,首先,获取虚拟电场系统中各个子系统在预定时间段内多个预定时间点的发电量数据,所述各个子系统包括风电子系统、光伏发电子系统和太阳能发电子系统,并且,获取所述多个预定时间点的市场用电需求量。接着,考虑到由于所述市场用电需求量在时间维度上具有着时序的动态变化规律,并且其在时序上存在着波动性和不确定性,导致所述市场用电需求量在不同的时间周期跨度下呈现出不同的时序变化模式特征。因此,在本申请的技术方案中,进一步将所述多个预定时间点的市场用电需求量按照时间维度排列为市场用电需求量时序输入向量后通过基于多尺度邻域特征提取模块的时序特征提取器中进行特征挖掘,以提取出所述市场用电需求量在时间维度上的不同时间跨度下的时序动态多尺度邻域关联特征信息,从而得到市场用电需求量时序特征向量。
相应地,所述用电需求时序特征提取模块130,用于:将所述多个预定时间点的市场用电需求量按照时间维度排列为市场用电需求量时序输入向量后通过基于多尺度邻域特征提取模块的时序特征提取器以得到市场用电需求量时序特征向量作为所述市场用电需求量时序特征。值得一提的是,多尺度邻域特征提取模块是一种用于从时序数据中提取特征的方法,它可以在不同的时间尺度上分析数据,并捕捉到不同时间尺度上的特征信息,该模块的作用是对市场用电需求量的时序数据进行特征提取,以获取市场用电需求量的时序特征向量。在该模块中,首先将多个预定时间点的市场用电需求量按照时间维度排列为市场用电需求量时序输入向量。然后,通过基于多尺度邻域特征提取模块的时序特征提取器,对时序输入向量进行处理,提取出市场用电需求量的时序特征向量。多尺度邻域特征提取模块的作用是通过在不同时间尺度上对数据进行分析,捕捉到不同时间尺度上的特征信息。这样可以提供更全面和丰富的时序特征,有助于揭示市场用电需求量的时间相关性、周期性等特征。通过提取时序特征向量,可以为后续的市场用电需求量分析和预测任务提供更有用的输入数据。
更具体地,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
对于所述虚拟电场系统中的各个子系统的发电量数据来说,考虑到所述各个子系统的发电量数据在时间维度上都具有着各自的时序动态变化规律,为了能够对于所述各个子系统的发电量时序变化规律和趋势进行分析和特征捕捉,需要将所述各个子系统在预定时间段内多个预定时间点的发电量数据分别按照时间维度排列为发电量时序输入向量以得到多个子系统发电量时序输入向量,以此来分别整合所述各个子系统的发电量数据的时序分布信息。
继而,再将所述多个子系统发电量时序输入向量通过基于一维卷积层的发电量时序特征提取器中进行特征挖掘,以分别提取出所述各个子系统的发电量数据在时间维度上的时序变化特征信息,从而得到多个子系统发电量时序特征向量。
相应地,如图2所示,所述发电量时序特征提取模块140,包括:发电量数据时序排列单元141,用于将所述各个子系统在预定时间段内多个预定时间点的发电量数据分别按照时间维度排列为发电量时序输入向量以得到多个子系统发电量时序输入向量;以及,子系统发电量数据时序编码单元142,用于将所述多个子系统发电量时序输入向量通过基于一维卷积层的发电量时序特征提取器以得到多个子系统发电量时序特征向量作为所述多个子系统发电量时序特征。值得一提的是,一维卷积层是深度学习中常用的一种神经网络层,用于处理具有时序结构的数据,与二维卷积层不同,一维卷积层在时间维度上进行卷积操作,可以有效地提取时序数据中的特征。一维卷积层的作用是通过对输入数据进行卷积操作,提取出不同时间尺度上的特征。它通过滑动一个固定大小的窗口(卷积核)在输入数据上进行卷积运算,将窗口内的数据与卷积核进行点乘操作,并将结果相加得到输出特征。一维卷积层可以学习到局部特征模式,例如时间序列中的趋势、周期性、突变等。在发电量时序特征提取模块中,子系统发电量数据时序编码单元使用基于一维卷积层的发电量时序特征提取器对多个子系统发电量时序输入向量进行处理。这意味着通过一维卷积层,可以从子系统发电量时序数据中提取出具有不同时间尺度的特征,例如子系统发电量的趋势、周期性等。这些特征向量可以用于后续的分析和建模任务,如子系统发电量的预测、异常检测等,一维卷积层的使用可以帮助模型更好地理解和利用发电量时序数据中的时序特征。
进一步地,计算所述各个子系统发电量时序特征向量相对于所述市场用电需求量时序特征向量的响应性估计以得到多个子系统发电-需求响应性转移矩阵,以此用于表示所述各个子系统的发电量时序变化特征分别于所述用电需求时序特征之间的响应性关联特征信息,以便于后续对于所述各个子系统的发电供应调度配比优化。
相应地,所述发电-需求响应性转移特征提取模块150,用于:计算所述各个子系统发电量时序特征向量相对于所述市场用电需求量时序特征向量的响应性估计以得到多个子系统发电-需求响应性转移矩阵作为所述多个子系统发电-需求响应性转移特征。值得一提的是,响应性估计是指衡量一个系统或变量对于外部刺激或输入的响应程度。在发电-需求响应性转移特征提取模块中,响应性估计用于计算各个子系统发电量时序特征向量相对于市场用电需求量时序特征向量的响应程度。通过计算子系统发电量时序特征向量与市场用电需求量时序特征向量之间的响应性,可以评估子系统在不同时间点上对市场用电需求变化的敏感程度。这种响应性估计可以帮助了解各个子系统在供需匹配方面的表现,并揭示子系统之间的相互作用和依赖关系。响应性估计的结果可以用于构建发电-需求响应性转移特征,即多个子系统发电-需求响应性转移矩阵。该特征矩阵提供了关于子系统在不同时间点上对市场用电需求变化的响应程度的信息。这些特征可以用于分析和预测子系统的发电-需求匹配能力,评估系统的稳定性和弹性,并为电力市场的运营和调度决策提供参考。
接着,将所述多个子系统发电-需求响应性转移矩阵分别通过分类器以得到多个概率值,也就是说,利用所述各个子系统的发电量时序特征于用电需求时序特征之间的响应性关联特征信息来进行分类处理,从而得到多个子系统的多个概率值。进而,再将所述多个概率值进行基于最大值的归一化处理以得到多个归一化概率值,其中,所述多个归一化概率值之和为1。这样,就能够将所述多个归一化概率值作为所述多个子系统的发电供应调度比例,以实现虚拟电厂内多种能源资源的协调和综合利用,从而确保供电的稳定性和可靠性,并提高能源利用效率和经济性。
相应地,如图3所示,所述发电供应调度比例生成模块160,包括:特征增益单元161,用于对所述多个子系统发电-需求响应性转移矩阵进行基于概率密度特征模仿范式的分布增益以得到多个增益后子系统发电-需求响应性转移矩阵;调度概率计算单元162,用于将所述多个增益后子系统发电-需求响应性转移矩阵分别通过分类器以得到多个概率值;概率值归一化单元163,用于将所述多个概率值进行基于最大值的归一化以得到多个归一化概率值,其中,所述多个归一化概率值之和为1;以及,发电供应调度比例确定单元164,用于将所述多个归一化概率值作为所述多个子系统的发电供应调度比例。应可以理解,在发电供应调度比例生成模块中,包含了特征增益单元161、调度概率计算单元162、概率值归一化单元163和发电供应调度比例确定单元164。特征增益单元161对多个子系统发电-需求响应性转移矩阵进行处理,采用基于概率密度特征模仿范式的分布增益方法,这种方法可以通过模仿概率密度特征的分布模式,对子系统发电-需求响应性转移矩阵进行增益,以提高特征的区分度和重要性,特征增益后,得到多个增益后子系统发电-需求响应性转移矩阵。调度概率计算单元162将多个增益后子系统发电-需求响应性转移矩阵分别输入到分类器中,通过分类器对每个子系统的发电-需求响应性转移特征进行分析和计算,得到多个概率值,这些概率值表示了每个子系统在发电供应调度中的潜在重要性或优先级。概率值归一化单元163对多个概率值进行归一化处理,采用基于最大值的归一化方法,归一化后的概率值可以使它们之间的比较更加合理和可解释,归一化后,多个归一化概率值之和为1,表示了每个子系统在总发电供应中所占的比例。发电供应调度比例确定单元164将多个归一化概率值作为输入,确定每个子系统的发电供应调度比例,根据归一化概率值,可以确定每个子系统在总发电供应中的相对重要性和分配比例,这些比例可以用于制定发电供应调度策略,指导实际的电力系统运营和调度决策。通过这些单元的组合和计算,发电供应调度比例生成模块能够根据子系统的发电-需求响应性转移特征,确定每个子系统在总发电供应中的比例,从而实现对电力系统的发电供应调度。
特别地,在本申请的技术方案中,所述子系统发电量时序特征向量和所述市场用电需求量时序特征向量分别表达所述子系统的发电量和所述市场用电需求量沿时序方向的局部关联特征,而在利用响应性估计来对所述子系统发电量时序特征向量和所述市场用电需求量时序特征向量进行融合时,如果将所述子系统发电量时序特征向量和所述市场用电需求量时序特征向量分别表达的局部关联特征作为前景对象特征,则在进行特征矩阵转移的响应性融合时,也会引入与所述子系统的发电量和所述市场用电需求量沿时序方向的局部关联特征的特征分布干涉相关的背景分布噪声,并且,所述子系统发电-需求响应性转移矩阵也进一步具有特征内关联和特征间关联的分级关联特征表达,由此,期望基于所子系统发电-需求响应性转移矩阵的分布特性来增强其表达效果。因此,本申请的申请人对所述子系统发电-需求响应性转移矩阵进行基于概率密度特征模仿范式的分布增益。
相应地,在一个示例中,所述特征增益单元161,用于:以如下优化公式对所述多个子系统发电-需求响应性转移矩阵进行基于概率密度特征模仿范式的分布增益以得到所述多个增益后子系统发电-需求响应性转移矩阵;其中,所述优化公式为:
,其中,/>是所述各个子系统发电-需求响应性转移矩阵,/>是所述各个子系统发电-需求响应性转移矩阵的第/>位置的特征值,/>是所述各个子系统发电-需求响应性转移矩阵的尺度,/>表示所述各个子系统发电-需求响应性转移矩阵的F范数的平方,且/>是加权超参数,/>表示指数运算,/>是所述各个增益后子系统发电-需求响应性转移矩阵的第/>位置的特征值。
这里,基于标准柯西分布对于自然高斯分布在概率密度上的特征模仿范式,所述基于概率密度特征模仿范式的分布增益可以将特征尺度作为模仿掩码,在高维特征空间内区分前景对象特征和背景分布噪声,从而基于高维特征的分级关联来对高维空间进行特征空间映射的关联语义认知的分布软匹配,来获得高维特征分布的无约束的分布增益,提升所述子系统发电-需求响应性转移矩阵基于特征分布特性的表达效果,也就提升了所述子系统发电-需求响应性转移矩阵通过分类器得到的分类结果的准确性。这样,能够基于市场用电需求和各个能源子系统的发电量来综合确定各个子系统的发电供应调度比例,以此来实现虚拟电厂内多种能源资源的协调和综合利用,从而确保供电的稳定性和可靠性,并提高能源利用效率和经济性,保证电力供需的平衡和经济性最大化。
进一步地,如图4所示,所述调度概率计算单元162,包括:矩阵展开子单元1621,用于将所述多个增益后子系统发电-需求响应性转移矩阵按照行向量或者列向量展开为分类特征向量;全连接编码子单元1622,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,分类子单元1623,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到所述分类结果。
应可以理解,分类器的作用是利用给定的类别、已知的训练数据来学习分类规则和分类器,然后对未知数据进行分类(或预测)。逻辑回归(logistics)、SVM等常用于解决二分类问题,对于多分类问题(multi-class classification),同样也可以用逻辑回归或SVM,只是需要多个二分类来组成多分类,但这样容易出错且效率不高,常用的多分类方法有Softmax分类函数。
综上,基于本申请实施例的用于虚拟电厂的调度优化系统100被阐明,其可以实现虚拟电厂内多种能源资源的协调和综合利用,从而确保供电的稳定性和可靠性,并提高能源利用效率和经济性,保证电力供需的平衡和经济性最大化。
如上所述,根据本申请实施例的基于本申请实施例的用于虚拟电厂的调度优化系统100可以实现在各种终端设备中,例如具有基于本申请实施例的用于虚拟电厂的调度优化算法的服务器等。在一个示例中,基于本申请实施例的用于虚拟电厂的调度优化系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于本申请实施例的用于虚拟电厂的调度优化系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于本申请实施例的用于虚拟电厂的调度优化系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于本申请实施例的用于虚拟电厂的调度优化系统100与该终端设备也可以是分立的设备,并且该用于虚拟电厂的调度优化系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的用于虚拟电厂的调度优化方法的流程图。图6为根据本申请实施例的用于虚拟电厂的调度优化方法的系统架构的示意图。如图5和图6所示,根据本申请实施例的用于虚拟电厂的调度优化方法,其包括:S110,获取虚拟电场系统中各个子系统在预定时间段内多个预定时间点的发电量数据,所述各个子系统包括风电子系统、光伏发电子系统和太阳能发电子系统;S120,获取所述多个预定时间点的市场用电需求量;S130,对所述多个预定时间点的市场用电需求量进行时序特征提取以得到市场用电需求量时序特征;S140,对所述各个子系统在预定时间段内多个预定时间点的发电量数据进行时序分析以得到多个子系统发电量时序特征;S150,计算所述多个子系统发电量时序特征相对于所述市场用电需求量时序特征的响应性转移关联特征以得到多个子系统发电-需求响应性转移特征;以及,S160,基于所述多个子系统发电-需求响应性转移特征,确定所述多个子系统的发电供应调度比例。
在一个具体示例中,在上述用于虚拟电厂的调度优化方法中,对所述多个预定时间点的市场用电需求量进行时序特征提取以得到市场用电需求量时序特征,包括:将所述多个预定时间点的市场用电需求量按照时间维度排列为市场用电需求量时序输入向量后通过基于多尺度邻域特征提取模块的时序特征提取器以得到市场用电需求量时序特征向量作为所述市场用电需求量时序特征。
这里,本领域技术人员可以理解,上述用于虚拟电厂的调度优化方法中的各个步骤的具体操作已经在上面参考图1到图4的用于虚拟电厂的调度优化系统100的描述中得到了详细介绍,并因此,将省略其重复描述。
图7为根据本申请实施例的用于虚拟电厂的调度优化系统的应用场景图。如图7所示,在该应用场景中,首先,获取虚拟电场系统中各个子系统在预定时间段内多个预定时间点的发电量数据(例如,图7中所示意的D1),以及,所述多个预定时间点的市场用电需求量(例如,图7中所示意的D2),其中,所述各个子系统包括风电子系统、光伏发电子系统和太阳能发电子系统,然后,将所述多个预定时间点的市场用电需求量和和所述各个子系统在预定时间段内多个预定时间点的发电量数据输入至部署有用于虚拟电厂的调度优化算法的服务器中(例如,图7中所示意的S),其中,所述服务器能够使用所述用于虚拟电厂的调度优化算法对所述多个预定时间点的市场用电需求量和和所述各个子系统在预定时间段内多个预定时间点的发电量数据进行处理以得到用于表示多个概率值的分类结果。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (7)
1.一种用于虚拟电厂的调度优化系统,其特征在于,包括:
发电量数据采集模块,用于获取虚拟电厂系统中各个子系统在预定时间段内多个预定时间点的发电量数据,所述各个子系统包括风电子系统、光伏发电子系统和太阳能发电子系统;
用电需求量采集模块,用于获取所述多个预定时间点的市场用电需求量;
用电需求时序特征提取模块,用于对所述多个预定时间点的市场用电需求量进行时序特征提取以得到市场用电需求量时序特征向量作为所述市场用电需求量时序特征;
发电量时序特征提取模块,用于对所述各个子系统在预定时间段内多个预定时间点的发电量数据进行时序分析以得到多个子系统发电量时序特征向量作为所述多个子系统发电量时序特征;
发电-需求响应性转移特征提取模块,用于计算所述多个子系统发电量时序特征相对于所述市场用电需求量时序特征的响应性转移关联特征以得到多个子系统发电-需求响应性转移特征;以及
发电供应调度比例生成模块,用于基于所述多个子系统发电-需求响应性转移特征,确定所述多个子系统的发电供应调度比例;
其中,所述发电-需求响应性转移特征提取模块,用于:
计算所述各个子系统发电量时序特征向量相对于所述市场用电需求量时序特征向量的响应性估计以得到多个子系统发电-需求响应性转移矩阵作为所述多个子系统发电-需求响应性转移特征,其中,所述响应性估计用于计算所述各个子系统发电量时序特征向量相对于所述市场用电需求量时序特征向量的响应程度;
其中,所述发电供应调度比例生成模块,包括:
特征增益单元,用于对所述多个子系统发电-需求响应性转移矩阵进行基于概率密度特征模仿范式的分布增益以得到多个增益后子系统发电-需求响应性转移矩阵;
调度概率计算单元,用于将所述多个增益后子系统发电-需求响应性转移矩阵分别通过分类器以得到多个概率值;
概率值归一化单元,用于将所述多个概率值进行基于最大值的归一化以得到多个归一化概率值,其中,所述多个归一化概率值之和为1;以及
发电供应调度比例确定单元,用于将所述多个归一化概率值作为所述多个子系统的发电供应调度比例;
其中,所述特征增益单元,用于:
以如下优化公式对所述多个子系统发电-需求响应性转移矩阵进行基于概率密度特征模仿范式的分布增益以得到所述多个增益后子系统发电-需求响应性转移矩阵;
其中,所述优化公式为:
,
其中,是所述各个子系统发电-需求响应性转移矩阵,/>是所述各个子系统发电-需求响应性转移矩阵的第/>位置的特征值,/>是所述各个子系统发电-需求响应性转移矩阵的尺度,/>表示所述各个子系统发电-需求响应性转移矩阵的F范数的平方,且/>是加权超参数,/>表示指数运算,/>是所述各个增益后子系统发电-需求响应性转移矩阵的第/>位置的特征值。
2.根据权利要求1所述的用于虚拟电厂的调度优化系统,其特征在于,所述用电需求时序特征提取模块,用于:
将所述多个预定时间点的市场用电需求量按照时间维度排列为市场用电需求量时序输入向量后通过基于多尺度邻域特征提取模块的时序特征提取器以得到市场用电需求量时序特征向量作为所述市场用电需求量时序特征。
3.根据权利要求2所述的用于虚拟电厂的调度优化系统,其特征在于,所述多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层,其中,所述第一卷积层和所述第二卷积层使用具有不同尺度的一维卷积核。
4.根据权利要求3所述的用于虚拟电厂的调度优化系统,其特征在于,所述发电量时序特征提取模块,包括:
发电量数据时序排列单元,用于将所述各个子系统在预定时间段内多个预定时间点的发电量数据分别按照时间维度排列为发电量时序输入向量以得到多个子系统发电量时序输入向量;以及
子系统发电量数据时序编码单元,用于将所述多个子系统发电量时序输入向量通过基于一维卷积层的发电量时序特征提取器以得到多个子系统发电量时序特征向量作为所述多个子系统发电量时序特征。
5.根据权利要求4所述的用于虚拟电厂的调度优化系统,其特征在于,所述调度概率计算单元,包括:
矩阵展开子单元,用于将所述多个增益后子系统发电-需求响应性转移矩阵按照行向量或者列向量展开为分类特征向量;
全连接编码子单元,用于使用所述分类器的全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及
分类子单元,用于将所述编码分类特征向量输入所述分类器的Softmax分类函数以得到分类结果。
6.一种用于虚拟电厂的调度优化方法,其特征在于,包括:
获取虚拟电厂系统中各个子系统在预定时间段内多个预定时间点的发电量数据,所述各个子系统包括风电子系统、光伏发电子系统和太阳能发电子系统;
获取所述多个预定时间点的市场用电需求量;
对所述多个预定时间点的市场用电需求量进行时序特征提取以得到市场用电需求量时序特征向量作为所述市场用电需求量时序特征;
对所述各个子系统在预定时间段内多个预定时间点的发电量数据进行时序分析以得到多个子系统发电量时序特征向量作为所述多个子系统发电量时序特征;
计算所述多个子系统发电量时序特征相对于所述市场用电需求量时序特征的响应性转移关联特征以得到多个子系统发电-需求响应性转移特征;以及
基于所述多个子系统发电-需求响应性转移特征,确定所述多个子系统的发电供应调度比例;
其中,计算所述多个子系统发电量时序特征相对于所述市场用电需求量时序特征的响应性转移关联特征以得到多个子系统发电-需求响应性转移特征,包括:
计算所述各个子系统发电量时序特征向量相对于所述市场用电需求量时序特征向量的响应性估计以得到多个子系统发电-需求响应性转移矩阵作为所述多个子系统发电-需求响应性转移特征,其中,所述响应性估计用于计算所述各个子系统发电量时序特征向量相对于所述市场用电需求量时序特征向量的响应程度;
其中,基于所述多个子系统发电-需求响应性转移特征,确定所述多个子系统的发电供应调度比例,包括:
对所述多个子系统发电-需求响应性转移矩阵进行基于概率密度特征模仿范式的分布增益以得到多个增益后子系统发电-需求响应性转移矩阵;
将所述多个增益后子系统发电-需求响应性转移矩阵分别通过分类器以得到多个概率值;
将所述多个概率值进行基于最大值的归一化以得到多个归一化概率值,其中,所述多个归一化概率值之和为1;以及
将所述多个归一化概率值作为所述多个子系统的发电供应调度比例;
其中,对所述多个子系统发电-需求响应性转移矩阵进行基于概率密度特征模仿范式的分布增益以得到多个增益后子系统发电-需求响应性转移矩阵,包括:
以如下优化公式对所述多个子系统发电-需求响应性转移矩阵进行基于概率密度特征模仿范式的分布增益以得到所述多个增益后子系统发电-需求响应性转移矩阵;
其中,所述优化公式为:
,
其中,是所述各个子系统发电-需求响应性转移矩阵,/>是所述各个子系统发电-需求响应性转移矩阵的第/>位置的特征值,/>是所述各个子系统发电-需求响应性转移矩阵的尺度,/>表示所述各个子系统发电-需求响应性转移矩阵的F范数的平方,且/>是加权超参数,/>表示指数运算,/>是所述各个增益后子系统发电-需求响应性转移矩阵的第/>位置的特征值。
7.根据权利要求6所述的用于虚拟电厂的调度优化方法,其特征在于,对所述多个预定时间点的市场用电需求量进行时序特征提取以得到市场用电需求量时序特征,包括:
将所述多个预定时间点的市场用电需求量按照时间维度排列为市场用电需求量时序输入向量后通过基于多尺度邻域特征提取模块的时序特征提取器以得到市场用电需求量时序特征向量作为所述市场用电需求量时序特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311363873.4A CN117094453B (zh) | 2023-10-20 | 2023-10-20 | 一种用于虚拟电厂的调度优化系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311363873.4A CN117094453B (zh) | 2023-10-20 | 2023-10-20 | 一种用于虚拟电厂的调度优化系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117094453A CN117094453A (zh) | 2023-11-21 |
CN117094453B true CN117094453B (zh) | 2024-01-30 |
Family
ID=88780254
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311363873.4A Active CN117094453B (zh) | 2023-10-20 | 2023-10-20 | 一种用于虚拟电厂的调度优化系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094453B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200001676A (ko) * | 2018-06-28 | 2020-01-07 | (주)누리텔레콤 | 가상 발전소 시스템 및 가상 발전소 시스템의 제어 방법 |
KR20200081114A (ko) * | 2018-12-27 | 2020-07-07 | 한국남동발전 주식회사 | 수요반응에 기반한 에너지 저장 시스템 충방전 제어 기능을 갖는 가상발전소 운영 시스템 및 그 운영 방법 |
CN113792953A (zh) * | 2021-07-06 | 2021-12-14 | 国电南瑞南京控制系统有限公司 | 一种虚拟电厂优化调度方法及系统 |
CN114708071A (zh) * | 2021-12-31 | 2022-07-05 | 国网上海市电力公司 | 考虑虚拟电厂对现货市场结算影响的双层竞价系统及方法 |
CN115169869A (zh) * | 2022-06-30 | 2022-10-11 | 浙江大学 | 多能互补混合储能调度系统及其调度方法 |
CN115456259A (zh) * | 2022-08-28 | 2022-12-09 | 华能新能源股份有限公司 | 基于中尺度数据的风电场选址优化系统及其方法 |
CN115577832A (zh) * | 2022-09-22 | 2023-01-06 | 清科优能(深圳)技术有限公司 | 基于数值优化的多尺度虚拟电厂优化调度方法及平台 |
CN115587741A (zh) * | 2022-11-10 | 2023-01-10 | 国网安徽省电力有限公司 | 一种考虑需求响应和容量持留机会的虚拟电厂优化调度方法 |
CN116090730A (zh) * | 2022-11-14 | 2023-05-09 | 合肥工业大学 | 基于激励需求响应的虚拟电厂负荷优化调度方法和系统 |
CN116579590A (zh) * | 2023-07-13 | 2023-08-11 | 北京圆声能源科技有限公司 | 一种虚拟电厂中的需求响应评估方法和系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220284619A1 (en) * | 2021-03-02 | 2022-09-08 | Lyft, Inc. | Offline optimization of sensor data for agent trajectories |
-
2023
- 2023-10-20 CN CN202311363873.4A patent/CN117094453B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200001676A (ko) * | 2018-06-28 | 2020-01-07 | (주)누리텔레콤 | 가상 발전소 시스템 및 가상 발전소 시스템의 제어 방법 |
KR20200081114A (ko) * | 2018-12-27 | 2020-07-07 | 한국남동발전 주식회사 | 수요반응에 기반한 에너지 저장 시스템 충방전 제어 기능을 갖는 가상발전소 운영 시스템 및 그 운영 방법 |
CN113792953A (zh) * | 2021-07-06 | 2021-12-14 | 国电南瑞南京控制系统有限公司 | 一种虚拟电厂优化调度方法及系统 |
CN114708071A (zh) * | 2021-12-31 | 2022-07-05 | 国网上海市电力公司 | 考虑虚拟电厂对现货市场结算影响的双层竞价系统及方法 |
CN115169869A (zh) * | 2022-06-30 | 2022-10-11 | 浙江大学 | 多能互补混合储能调度系统及其调度方法 |
CN115456259A (zh) * | 2022-08-28 | 2022-12-09 | 华能新能源股份有限公司 | 基于中尺度数据的风电场选址优化系统及其方法 |
CN115577832A (zh) * | 2022-09-22 | 2023-01-06 | 清科优能(深圳)技术有限公司 | 基于数值优化的多尺度虚拟电厂优化调度方法及平台 |
CN115587741A (zh) * | 2022-11-10 | 2023-01-10 | 国网安徽省电力有限公司 | 一种考虑需求响应和容量持留机会的虚拟电厂优化调度方法 |
CN116090730A (zh) * | 2022-11-14 | 2023-05-09 | 合肥工业大学 | 基于激励需求响应的虚拟电厂负荷优化调度方法和系统 |
CN116579590A (zh) * | 2023-07-13 | 2023-08-11 | 北京圆声能源科技有限公司 | 一种虚拟电厂中的需求响应评估方法和系统 |
Non-Patent Citations (2)
Title |
---|
Multi-objective Coordinated Optimal Scheduling of Virtual Power Plants Based on Demand Side Response;Mei Z等;2022 IEEE Asia-Pacific Conference on Image Processing, Electronics and Computers (IPEC);全文 * |
检索 virtual power plant (主题) AND chen lu (作者) and Preprint Citation Index (排除 – 数据库) 的结果 Optimal Bidding Strategy for Virtual Power Plant Using Information Gap Decision Theory Context Sensitive Links 1 / 1 Optimal Bidding Strategy for Virtual Power Plant Using Information Gap Decision Theory;chen lu等;2020 5TH ASIA CONFERENCE ON POWER AND ELECTRICAL ENGINEERING (ACPEE 2020);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117094453A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Farsi et al. | On short-term load forecasting using machine learning techniques and a novel parallel deep LSTM-CNN approach | |
Fan et al. | Deep learning-based feature engineering methods for improved building energy prediction | |
Yu et al. | Short term wind power prediction for regional wind farms based on spatial-temporal characteristic distribution | |
Heinermann et al. | Precise wind power prediction with SVM ensemble regression | |
CN110674636B (zh) | 一种用电行为分析方法 | |
CN116832588B (zh) | 酸再生烟气净化装置及其方法 | |
CN109325607A (zh) | 一种短期风电功率预测方法及系统 | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
CN117132135B (zh) | 基于数字孪生的城市信息化管理系统及方法 | |
Niu et al. | Optimization of support vector machine power load forecasting model based on data mining and Lyapunov exponents | |
CN114022311A (zh) | 基于时序条件生成对抗网络的综合能源系统数据补偿方法 | |
Li et al. | Deep spatio-temporal wind power forecasting | |
CN110766060A (zh) | 基于深度学习的时间序列相似度的计算方法、系统及介质 | |
CN115659254A (zh) | 一种双模态特征融合的配电网电能质量扰动分析方法 | |
CN111859283A (zh) | 一种考虑多能源荷时序性、相关性的场景生成方法 | |
Mandal et al. | Unsupervised non-redundant feature selection: a graph-theoretic approach | |
CN114240687A (zh) | 一种适用于综合能源系统的能源托管效率分析方法 | |
CN116957304B (zh) | 无人机群协同任务分配方法及系统 | |
CN117034123B (zh) | 健身器材的故障监控系统及其方法 | |
CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
CN117094453B (zh) | 一种用于虚拟电厂的调度优化系统及其方法 | |
CN115936062A (zh) | 基于场景生成与深度学习的光伏功率日前区间预测方法 | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
Kushwah et al. | Performance monitoring of wind turbines using advanced statistical methods | |
Woon et al. | Enhanced SVR ensembles for wind power prediction |
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 |