CN117557067B - 分布式能源协同优化系统 - Google Patents
分布式能源协同优化系统 Download PDFInfo
- Publication number
- CN117557067B CN117557067B CN202410032009.4A CN202410032009A CN117557067B CN 117557067 B CN117557067 B CN 117557067B CN 202410032009 A CN202410032009 A CN 202410032009A CN 117557067 B CN117557067 B CN 117557067B
- Authority
- CN
- China
- Prior art keywords
- energy
- configuration
- unit
- optimal
- energy configuration
- 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 55
- 230000010355 oscillation Effects 0.000 claims abstract description 71
- 238000010276 construction Methods 0.000 claims abstract description 5
- 230000000737 periodic effect Effects 0.000 claims description 33
- 230000036962 time dependent Effects 0.000 claims description 21
- 230000006399 behavior Effects 0.000 claims description 13
- 238000013016 damping Methods 0.000 claims description 7
- 239000012467 final product Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000003044 adaptive effect Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 17
- 230000000694 effects Effects 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/101—Collaborative creation, e.g. joint development of products or services
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于能源控制技术领域,具体涉及分布式能源协同优化系统。所述系统包括:多个能源单元,每个能源单元配置有一个分布式优化装置;所述分布式优化装置包括:能源单元模型初始化单元、目标函数构建单元、协同优化单元、调整优化单元;所述能源单元模型初始化单元,用于为能源单元设置初始化模型;所述目标函数构建单元,用于构建一个目标函数;协同优化单元,用于遍历所有可能的能源配置,计算各个能源配置下,能源单元的性能评分;所述调整优化单元,用于通过加入振荡项来模拟系统中每个能源单元的周期性和动态变化,得到最终的最优能源配置。本发明通过动态调整和自适应性增强等技术,提高了能源配置的效率、可持续性和适应性。
Description
技术领域
本发明属于能源控制技术领域,具体涉及分布式能源协同优化系统。
背景技术
分布式能源系统在现代社会中扮演着越来越重要的角色,它们能够更有效地利用可再生能源,提高能源利用率,并减少对传统能源的依赖。然而,分布式能源系统的复杂性和动态性使其性能优化成为一项具有挑战性的任务。本背景技术将介绍已有的分布式能源优化技术以及其中存在的问题,并引入了一项新的发明专利技术来解决这些问题。
分布式能源系统是由多个能源单元组成的复杂网络,这些能源单元可以是太阳能电池、风力涡轮机、储能设备等。它们以分散的方式生产和储存能源,为电力网络提供可再生能源。然而,由于这些能源单元的不确定性和动态性,分布式能源系统的性能受到多种因素的影响,包括天气、负载变化、设备故障等。
现有技术往往无法满足系统动态性的要求。分布式能源系统面临诸多变化,如天气条件、能源需求和设备状态的变化。传统方法通常不能及时调整能源配置,以适应这些变化,导致系统性能下降。传统方法在性能最大化方面存在局限性。它们通常采用静态模型来优化能源配置,未能考虑到时间依赖性和周期性变化对性能的影响。这导致了未能实现系统性能的最大化。在分布式能源系统中,配置参数的优化是一个复杂的问题。不同的能源单元具有不同的配置参数和性能特征,因此找到最优配置参数是具有挑战性的。传统方法通常缺乏系统对环境和需求变化的适应性。能源系统需要能够灵活地调整配置以适应不断变化的条件,而现有技术未能提供足够的适应性。
发明内容
本发明的主要目的在于提供分布式能源协同优化系统,本发明通过动态调整和自适应性增强等技术,提高了能源配置的效率、可持续性和适应性。
为解决其技术问题,本发明所采用的技术方案为:
提供了一种分布式能源协同优化系统,所述系统包括:多个能源单元,每个能源单元配置有一个分布式优化装置;所述分布式优化装置包括:能源单元模型初始化单元、目标函数构建单元、协同优化单元、调整优化单元;所述能源单元模型初始化单元,用于为能源单元设置初始化模型,每个能源单元的初始化模型表征了该能源单元初始的能源配置;所述目标函数构建单元,用于构建一个目标函数,该目标函数根据能源单元的初始状态,计算能源单元的性能评分,将性能评分作为目标函数的目标;协同优化单元,用于遍历所有可能的能源配置,计算各个能源配置下,能源单元的性能评分,确定性能评分最优时,能源单元对应的能源配置,作为该能源单元的最优能源配置,并根据最优能源配置,调整当前的能源配置,减小每个当前的能源配置与最优能源配置的性能评分的差距,完成第一阶段优化;所述调整优化单元,用于引入时间依赖的动态行为,通过加入振荡项来模拟系统中每个能源单元的周期性和动态变化,得到动态结果,对动态结果执行随机搜索,计算找到新的最优能源配置,对新的最优能源配置使用螺旋模型进行调整,得到最终的最优能源配置,并将最优能源配置更新为最终的最优能源配置。
进一步的,能源配置为一个数据集合,包括多个不同类别的配置参数。
进一步的,所述能源单元的初始化模型使用如下公式进行表示:
;
其中,表示第/>个能源单元的初始化模型,表征了该能源单元初始的能源配置;/>为时间变量;/>表示该能源单元的能源配置的最小参数集合的加权值;/>表示该能源单元的能源配置的最大参数集合的加权值;每个能源单元的能源配置中对应的每个类别的参数均设置有一个与该能源单元匹配的加权系数;能源配置的最大参数集合的加权值/>等于能源配置的最大参数集合中的每个最大参数乘以其对应的加权系数后得到加权值,再与其他的所有最大参数对应的加权值加和后计算得到;能源配置的最小参数集合的加权值/>等于能源配置的最小参数集合中的每个最小参数乘以其对应的加权系数后得到加权值,再与其他的所有最小参数对应的加权值加和后计算得到;/>用于产生0到1之间的随机数,引入初始状态的随机性;/>代表了周期性因素的影响,/>为振幅,表示周期性因素的强度,/>为频率,/>为相位,确定周期性因素开始影响系统的时间点;/>代表非线性衰减项,用于模拟系统的热力学和机械性能变化,其中/>表示非线性衰减的初始强度;/>表示衰减的速率;/>和/>均为下标索引,/>为周期因素的总数,/>为非线性衰减项的总数。
进一步的,所述目标函数使用如下公式进行表示:
;
其中,表示第/>个能源单元的目标函数,其值为第/>个能源单元的性能评分;/>表示第/>个能源单元使用第/>种能源配置在时间/>时的能源输出量;/>为衰减因子;/> 表示惩罚函数,当/>的能源配置中任何一项配置参数不满足其对应的设定的阈值范围,则惩罚函数计算出配置参数与阈值范围的最小差值,然后计算最小差值与配置参数的比值;/>表示时间变换频率,表示阈值范围随时间变化。
进一步的,协同优化单元,采用如下公式,遍历所有可能的能源配置,计算各个能源配置下,能源单元的性能评分,确定性能评分最优时,能源单元对应的能源配置,作为该能源单元的最优能源配置:
;
其中,表示最优能源配置;/>表示第/>个阈值范围的权重;/>表示第/>个阈值范围的中点值;/>为阈值范围的数量,与能源配置中的配置参数的种类数量相等。
进一步的,协同优化单元,采用如下公式计算当前的能源配置与最优能源配置的性能评分的差距:
;
其中,表示第/>个能源配置与最优能源配置/>之间的性能评分的差距;/>为系统系数,取值范围为1到1.3;/>为二阶曼哈顿范数;/>为一阶曼哈顿范数;为第/>个阈值范围的目标值;通过调整当前的能源配置,减小每个当前的能源配置与最优能源配置的性能评分的差距,直到差距/>无法被减小,完成第一阶段优化。
进一步的,调整优化单元,使用如下公式,引入时间依赖的动态行为,通过加入振荡项来模拟系统中每个能源单元的周期性和动态变化,得到动态结果:
;
其中, 为控制步长的系统系数;/>为振荡的强度;/>为振荡的频率;/>为振荡的初始相位;/>为振荡的衰减系数。
进一步的,调整优化单元,使用如下公式,对中间结果执行随机搜索,计算找到新的最优能源配置:
;
其中,表示在/>和/>之间生成一个随机配置;/>为调整因子;/>为时间衰减系数;/>为时间频率。
进一步的,调整优化单元,使用如下公式,对新的最优能源配置使用螺旋模型进行调整,得到最终的最优能源配置,并将最优能源配置更新为最终的最优能源配置:
;
其中,为最终的最优能源配置;/>为当前的能源配置与最优能源配置/>的初始差距;/>为螺旋形状的扩展因子;/>表示螺旋路径的周期性部分;为螺旋路径的相位;/>为螺旋路径的长度;/>为螺旋路径的扩张速率。
本发明的分布式能源协同优化系统,具有以下有益效果:通过调整优化单元引入时间依赖的动态行为和螺旋模型,本发明实现了能源配置的动态调整。系统能够根据实时情况自动调整能源分配,以适应不断变化的环境和需求。这增强了系统的适应性,有助于提高系统的鲁棒性和可靠性。本发明的目标函数构建方法将时间依赖性和周期性变化纳入考虑,以实现性能的最大化。这意味着系统可以在不同时间段内优化性能,更好地适应系统的实际运行情况。性能最大化有助于提高能源系统的效率和可持续性。本发明引入了协同优化单元,能够让不同能源单元之间共同参与能源配置的决策,以实现性能的最大化。这一过程通过多次迭代来寻找最优能源配置,确保系统能够在各种条件下实现最佳性能。相比传统方法,这种协同优化的方法将显著提高分布式能源系统的效率和可持续性。
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,下面将对实施例或现有技术描述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,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的分布式能源协同优化系统的分布式优化装置的装置结构示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1:参考图1,分布式能源协同优化系统,所述系统包括:多个能源单元,每个能源单元配置有一个分布式优化装置;所述分布式优化装置包括:能源单元模型初始化单元、目标函数构建单元、协同优化单元、调整优化单元;所述能源单元模型初始化单元,用于为能源单元设置初始化模型,每个能源单元的初始化模型表征了该能源单元初始的能源配置;所述目标函数构建单元,用于构建一个目标函数,该目标函数根据能源单元的初始状态,计算能源单元的性能评分,将性能评分作为目标函数的目标;协同优化单元,用于遍历所有可能的能源配置,计算各个能源配置下,能源单元的性能评分,确定性能评分最优时,能源单元对应的能源配置,作为该能源单元的最优能源配置,并根据最优能源配置,调整当前的能源配置,减小每个当前的能源配置与最优能源配置的性能评分的差距,完成第一阶段优化;所述调整优化单元,用于引入时间依赖的动态行为,通过加入振荡项来模拟系统中每个能源单元的周期性和动态变化,得到动态结果,对动态结果执行随机搜索,计算找到新的最优能源配置,对新的最优能源配置使用螺旋模型进行调整,得到最终的最优能源配置,并将最优能源配置更新为最终的最优能源配置。
具体的,螺旋模型的核心思想是模拟能源单元的周期性和动态变化。在能源系统中,许多因素可能会导致能源需求或生产的变化,如天气、负载变化等。螺旋模型通过引入一个振荡项,使系统能够模拟这些周期性和动态变化。振荡项是一个数学项,它会周期性地增加或减小能源配置,以模拟实际系统中的波动。振荡项的设计可以基于已知的周期性因素,例如每天的太阳辐射变化或每小时的电力需求波动。螺旋模型的名称来源于它的运动方式。振荡项的引入使得能源配置在性能评分和目标函数中呈现螺旋形状的变化趋势,类似于螺旋线的运动。这种螺旋形状的变化使得系统更加灵活,能够在不同时间点适应不同的能源需求或生产情况。螺旋模型的引入使系统能够更好地适应时间依赖的变化。它增加了系统的鲁棒性,使其能够在面对不断变化的环境和需求时仍能够保持高效的能源配置。
螺旋模型的振荡项可以帮助系统探索潜在的优化空间。通过不断调整能源配置并观察性能评分的变化,系统可以更全面地了解不同配置之间的性能差异,从而更容易找到新的最优能源配置。螺旋模型的螺旋形状变化有助于减小每个当前的能源配置与最优能源配置之间的性能评分差距。这意味着系统更快速地趋向于最优配置,提高了系统的能源利用效率。
振荡项是一个数学项,它被添加到系统的能源配置中。这个振荡项的目的是模拟系统中每个能源单元的周期性和动态变化。它可以是一个周期性函数,如正弦波或余弦波,或者根据系统的具体需求而设计的数学项。通过引入振荡项,能源配置开始表现出周期性或动态的特征。这意味着系统中的能源单元将根据振荡项的变化而变化,导致动态结果的生成。这个动态结果是在模拟时间内系统的能源配置的一个快照。一旦获得了动态结果,系统可以执行随机搜索来寻找新的最优能源配置。随机搜索是一种优化方法,它通过随机选择不同的能源配置来评估其性能。这可以帮助系统在配置空间中进行广泛的探索,以找到潜在的最佳解决方案。随机搜索过程中,系统将评估每个随机生成的能源配置的性能,通常使用之前定义的目标函数。当找到一个性能评分较高的配置时,它被视为新的最优能源配置。这个过程不断迭代,以逐渐改进能源配置。通过引入振荡项,系统能够更好地模拟实际系统中的周期性和动态变化,例如天气变化或负载波动。这有助于系统更准确地反映实际环境的变化,从而更好地优化能源配置。随机搜索是一种用于发现新解决方案的强大工具。它允许系统在配置空间中进行广泛的探索,以寻找可能的最优能源配置。这对于应对复杂的能源系统和不确定性非常有用。通过不断执行随机搜索和计算新的最优配置,系统可以持续改进能源配置,以适应变化的需求和环境条件。这有助于提高系统的性能和能源利用效率。
实施例2:能源配置为一个数据集合,包括多个不同类别的配置参数。
具体的,首先将能源配置表示为一个数据集合。这个数据集合可以包括各种不同的能源配置,这些配置参数可以包括能源类型、能源生产量、能源存储容量、效率等各种指标。每个配置都被表示为数据集中的一个数据点。配置参数可以分为不同的类别,这些类别可能包括物理参数(如太阳能电池板的面积和朝向)、经济参数(如能源价格和成本)、环境参数(如气象数据和环境影响评估)等。这些不同类别的参数可以提供多方面的信息,用于能源配置的分析和优化。将不同类别的配置参数综合在一起,以获得更全面的能源配置信息。这有助于系统更好地理解和评估每个配置的性能、成本和环境影响等方面。能源配置数据集合可以用于数据分析和优化。通过对这些数据进行分析,可以识别出哪些配置在特定情况下表现最佳,哪些可能需要改进。优化算法可以利用这些数据来寻找最优的能源配置,以满足不同的目标,如最大化能源生产、降低成本或减少环境影响。
实施例3:所述能源单元的初始化模型使用如下公式进行表示:
;
其中,表示第/>个能源单元的初始化模型,表征了该能源单元初始的能源配置;/>为时间变量;/>表示该能源单元的能源配置的最小参数集合的加权值;/>表示该能源单元的能源配置的最大参数集合的加权值;每个能源单元的能源配置中对应的每个类别的参数均设置有一个与该能源单元匹配的加权系数;能源配置的最大参数集合的加权值/>等于能源配置的最大参数集合中的每个最大参数乘以其对应的加权系数后得到加权值,再与其他的所有最大参数对应的加权值加和后计算得到;能源配置的最小参数集合的加权值/>等于能源配置的最小参数集合中的每个最小参数乘以其对应的加权系数后得到加权值,再与其他的所有最小参数对应的加权值加和后计算得到;/>用于产生0到1之间的随机数,引入初始状态的随机性;/>代表了周期性因素的影响,/>为振幅,表示周期性因素的强度,/>为频率,/>为相位,确定周期性因素开始影响系统的时间点;/>代表非线性衰减项,用于模拟系统的热力学和机械性能变化,其中/>表示非线性衰减的初始强度;/>表示衰减的速率;/>和/>均为下标索引,/>为周期因素的总数,/>为非线性衰减项的总数。
具体的,表示第/>个能源单元的初始化模型:这是一个关于时间/>的函数,表示能源单元在不同时间点的能源配置。初始化模型用于描述能源单元的初始状态,它是一个动态模型,可以随着时间的推移而变化。/>和/>:这些值代表了能源单元的能源配置的最小参数集合和最大参数集合的加权值。最小参数集合包含了能源配置的最小参数,而最大参数集合包含了最大参数。这些参数集合的加权值取决于与每个能源单元相关联的加权系数,反映了不同参数对于能源配置的重要性。随机项/>:这一项引入了随机性,通过生成一个在0到1之间的随机数,将其乘以最大参数集合和最小参数集合的差值,来引入初始状态的不确定性。随机性是为了模拟能源单元的初始状态可能具有的随机性和不可控性。/>:这一部分表示周期性因素的影响。包括/>个周期性因素,每个因素由振幅/>、频率/>和相位/>决定。这些因素模拟了系统中的周期性变化,例如太阳辐射的日变化。振幅决定了周期性因素的强度,频率决定了周期性变化的频率,相位决定了周期性变化的起始时间。/>:这一部分代表非线性衰减项,用于模拟系统的热力学和机械性能变化。包括/>个非线性衰减项,每个项由初始强度和衰减速率/>决定。这些项用于考虑系统在时间上可能发生的非线性变化,例如热损耗或设备劣化。
引入随机项,模拟能源单元的初始状态的随机性,因为在实际情况中,初始状态可能会有一定的不确定性。通过/>,模拟了周期性因素的影响,例如每天太阳辐射的变化。这有助于更准确地反映系统受到周期性变化的影响。通过/>,考虑了系统的非线性行为,例如设备的热损耗或劣化。这有助于更全面地考虑能源配置在时间上的变化。
公式中的表示了每个能源单元在不同时间点的初始状态,这对于能源系统的建模非常重要。初始状态包括了能源单元的初始能源配置,它可以影响系统的性能和效率。通过这个公式,可以建模和记录系统在时间上的初始状态。随机项/>引入了随机性,使每个能源单元的初始状态具有一定的随机性。这反映了实际系统中初始状态的不确定性和变化性。考虑不确定性有助于更现实地建模系统行为。公式中的部分用于模拟周期性因素的影响。这对于考虑太阳辐射等周期性因素的系统非常有用。振幅、频率和相位参数可以调整以模拟不同类型的周期性变化。公式中的/>部分代表非线性衰减项,用于模拟系统的热力学和机械性能变化。这可以帮助捕捉系统在时间上的非线性行为,例如设备的劣化或热损耗。这个公式综合了随机性、周期性因素和非线性衰减项,因此可以考虑多个因素对能源配置的影响。这有助于更全面地理解和描述能源单元的初始状态,以及如何在时间内变化。这个公式不仅可以用于模拟能源单元的初始状态,还可以作为优化和分析的起点。通过在此基础上引入优化算法或分析方法,可以进一步改进能源配置,以满足不同的性能目标,如最大化能源生产或降低成本。
实施例4:所述目标函数使用如下公式进行表示:
;
其中,表示第/>个能源单元的目标函数,其值为第/>个能源单元的性能评分;/>表示第/>个能源单元使用第/>种能源配置在时间/>时的能源输出量;/>为衰减因子;/> 表示惩罚函数,当/>的能源配置中任何一项配置参数不满足其对应的设定的阈值范围,则惩罚函数计算出配置参数与阈值范围的最小差值,然后计算最小差值与配置参数的比值;/>表示时间变换频率,表示阈值范围随时间变化。
具体的,表示目标函数:这个函数的值用于评估第/>个能源单元的性能评分。它是一个复杂的组合函数,综合考虑了多个因素来评估能源单元的性能。:这一项表示时间积分,用于考虑能源单元在不同时间点的能源输出。/>表示第/>个能源单元在时间/>时使用第/>种能源配置的能源输出量。指数项/>引入了衰减因子/>,用于考虑时间的权重。较早的时间点的能源输出对目标函数的影响较大,而随着时间的推移,影响逐渐减小。/>:这一项表示一系列时间点上的和,用于考虑配置参数是否满足阈值范围的惩罚。/>表示惩罚函数,当/>的能源配置中任何一项参数不满足其对应的设定的阈值范围时,它计算出配置参数与阈值范围的最小差值,然后计算最小差值与配置参数的比值。/>表示时间变换频率,表示阈值范围随时间变化。这可以用于考虑阈值范围在不同时间点上的变化情况。
时间积分项:考虑了能源单元在不同时间点的能源输出。指数项引入了衰减因子,以便考虑时间的权重,使较早的时间点对性能评分的影响更大。惩罚项:/>考虑了配置参数是否满足阈值范围的惩罚。如果任何参数不在阈值范围内,将计算相应的惩罚。这可以防止配置参数偏离设定的要求。这个目标函数的目的是为了找到一个能源配置,使得能源单元在不同时间点的能源输出最大化,并且配置参数尽可能满足阈值范围的要求。通过调整能源配置,可以尝试优化目标函数的值,以获得更高的性能评分。这个公式综合了时间、能源输出和配置参数的多个方面,以全面评估能源单元的性能。
实施例5:协同优化单元,采用如下公式,遍历所有可能的能源配置,计算各个能源配置下,能源单元的性能评分,确定性能评分最优时,能源单元对应的能源配置,作为该能源单元的最优能源配置:
;
其中,表示最优能源配置;/>表示第/>个阈值范围的权重;/>表示第/>个阈值范围的中点值;/>为阈值范围的数量,与能源配置中的配置参数的种类数量相等。
具体的,:这是一个优化问题,通过寻找参数/>的值,以最小化目标函数的值,从而确定最优能源配置。目标函数包括两部分:/>:这是前面提到的目标函数,用于评估能源单元的性能。这一部分的目的是最大化能源单元的性能。/>:这一部分用于考虑配置参数是否满足阈值范围的惩罚。/>表示第/>个阈值范围的权重,/>表示第/>个阈值范围的中点值。通过计算配置参数与阈值范围中点值的距离的3/2次方,然后乘以相应的权重,可以量化配置参数与阈值范围的偏差。/>:这是表示第/>个阈值范围的权重。权重用于确定配置参数与阈值范围的偏差对目标函数的影响程度。不同的阈值范围可能具有不同的重要性,因此可以通过权重来平衡它们的影响。/>:这是表示第/>个阈值范围的中点值。中点值通常用于表示阈值范围的目标值或期望值。目标函数中使用这些中点值来计算配置参数与阈值范围的偏差。
优化问题的目标是最小化目标函数,其中包括性能评分和阈值范围惩罚项。通过调整能源配置/>的值,可以寻找最优配置,使得性能评分最大化,同时配置参数尽可能满足阈值范围的要求。阈值范围的惩罚项用于量化配置参数与阈值范围的偏差,将不满足阈值范围的配置惩罚。这确保了最优配置不仅要优化性能评分,还要考虑配置参数的合法性。不同阈值范围的权重/>可以用于平衡不同约束条件的重要性。较高的权重表示该阈值范围的要求更为严格,对配置的影响更大。
实施例6:协同优化单元,采用如下公式计算当前的能源配置与最优能源配置的性能评分的差距:
;
其中,表示第/>个能源配置与最优能源配置/>之间的性能评分的差距;/>为系统系数,取值范围为1到1.3;/>为二阶曼哈顿范数;/>为一阶曼哈顿范数;为第/>个阈值范围的目标值;通过调整当前的能源配置,减小每个当前的能源配置与最优能源配置的性能评分的差距,直到差距/>无法被减小,完成第一阶段优化。
具体的,用于度量第/>个能源配置与最优能源配置/>之间性能评分的差距。这个差距是一个关键指标,用于衡量当前配置的性能相对于最优配置的表现。/>是一个系统系数,其取值范围在1到1.3之间。这个系数可以影响差距/>的计算结果,用于调整性能评分的权重。/>表示二阶曼哈顿范数,也称为欧几里德范数。它用于计算向量之间的二阶距离,是通过对各个元素差的平方求和再取平方根得到的。在这里,它用于度量性能评分向量的差距,即/>的差距。/>表示一阶曼哈顿范数,也称为曼哈顿距离。它用于计算向量之间的一阶距离,是通过对各个元素差的绝对值求和得到的。在这里,它用于度量配置参数向量与目标值向量/>的差距,考虑了配置参数是否满足阈值范围的要求。/>表示第/>个阈值范围的目标值或期望值。这是用于衡量配置参数是否满足阈值范围的参考值。
表示最优配置的性能评分与当前配置的性能评分之间的差距。通过欧几里德范数来度量这个差距,其中/>可以用于调整性能评分的权重。差距越小,表示当前配置越接近最优配置。/>考虑了配置参数是否满足阈值范围的要求。通过一阶曼哈顿范数来度量每个配置参数与目标值之间的差距,并乘以相应的权重/>。这一部分的目的是确保配置参数在阈值范围内。
实施例7:调整优化单元,使用如下公式,引入时间依赖的动态行为,通过加入振荡项来模拟系统中每个能源单元的周期性和动态变化,得到动态结果:
;
其中, 为控制步长的系统系数;/>为振荡的强度;/>为振荡的频率;/>为振荡的初始相位;/>为振荡的衰减系数。
具体的,是通过调整当前能源配置/>而得到的新的能源配置。这个新的配置考虑了振荡项的影响,以模拟能源单元的动态行为。/>为控制步长的系统系数:/>是一个系统系数,它用于控制调整的步长。较大的/>值表示更大的调整幅度,而较小的/>值表示较小的调整幅度。通过调整/>,可以控制调整的速度和幅度。/>表示振荡的强度参数。每个/>值用于控制不同频率的振荡的强度。较大的/>值表示更强的振荡。/>表示振荡的频率,即振荡的周期性。不同的/>值代表不同频率的振荡。较高的/>值表示振荡的周期更短。/>表示振荡的初始相位,它决定了振荡的起始位置。不同的/>值可以使不同振荡项在时间轴上错开,从而产生不同的效果。
为振荡的衰减系数:/>表示振荡的衰减系数,它控制了振荡的衰减速率。较大的/>值表示振荡衰减得更快。
部分表示调整项,它通过控制步长系数/>来降低当前能源配置/>与最优配置之间的性能评分差距/>。这个部分的目的是引导能源配置向性能更好的方向调整,减小性能评分的差距。/>表示多个振荡项的叠加。每个振荡项由振荡强度/>、振荡频率/>、初始相位/>和振荡衰减系数/>控制。这些振荡项模拟了系统中每个能源单元的周期性和动态变化。不同/>、/>、/>和/>的值可用于模拟不同频率、强度和衰减速率的振荡。这有助于适应系统中不断变化的需求和条件,以实现更好的性能和效率。
实施例8:调整优化单元,使用如下公式,对中间结果执行随机搜索,计算找到新的最优能源配置:
;
其中,表示在/>和/>之间生成一个随机配置;/>为调整因子;/>为时间衰减系数;/>为时间频率。
具体的,随机搜索是一种优化方法,通过在给定范围内生成随机配置来寻找最优解。这方法基于概率原理,通过在配置空间中随机采样,有望找到性能更好的配置。这是一种探索性方法,适用于复杂的非线性问题。时间依赖振荡是一种描述系统在时间上变化的现象。它在自然界和工程领域中普遍存在,如机械振动、电路中的信号振荡等。这些振荡通常受到振幅、频率、相位和衰减等因素的影响。能源配置的性能评价是一个多维配置空间中的问题,其中每个维度对应于一个配置参数。寻找最优配置相当于在这个多维空间中寻找性能最佳点,但空间可能非常复杂。
公式首先进行随机搜索,通过在配置空间内生成随机配置,引入了探索性,以期找到一个潜在的、不同于当前配置的最优解。然后,公式引入时间依赖振荡的因素,这些振荡因素可能影响配置的性能。不同的振荡参数(振幅、频率、相位、衰减)代表了不同类型的时间依赖行为,这些行为可能源自系统内部的动态变化。通过调整时间依赖振荡的参数,公式可以模拟系统内部的动态行为,这可以帮助系统在不断变化的环境中自适应。时间依赖振荡的强度、频率和衰减率等参数,控制了这些振荡如何影响新的能源配置。最终,随机搜索与时间依赖振荡相结合,以寻找新的最优能源配置。这个过程是在随机性和动态性的影响下进行的,有助于在复杂的配置空间中找到性能更好的配置,适应系统的不断变化。
实施例9:调整优化单元,使用如下公式,对新的最优能源配置使用螺旋模型进行调整,得到最终的最优能源配置,并将最优能源配置更新为最终的最优能源配置:
;
其中,为最终的最优能源配置;/>为当前的能源配置与最优能源配置/>的初始差距;/>为螺旋形状的扩展因子;/>表示螺旋路径的周期性部分;为螺旋路径的相位;/>为螺旋路径的长度;/>为螺旋路径的扩张速率。
具体的,是通过应用螺旋模型来调整新的最优能源配置/>而得到的最终配置。这个最终配置是通过多个因素的组合来构建的,包括螺旋形状、周期性部分和时间依赖的振荡项。/>表示当前能源配置与最优能源配置/>之间的初始性能评分差距。这个差距用于调整最终配置的性能,以逐渐减小与最优配置之间的差距。/>表示螺旋形状的扩展因子,它用于控制螺旋路径的扩张速率。较大的/>值表示螺旋路径扩展得更快,而较小的值表示扩展速度较慢。/>表示螺旋路径的周期性部分,它以周期性的方式影响能源配置的变化。/>为螺旋路径的相位,控制了周期性部分的起始位置。/>表示螺旋路径的长度,它决定了螺旋形状的整体尺寸。较大的/>值表示更长的螺旋路径。/>是螺旋路径的扩张速率参数,它决定了螺旋路径的形状和扩张速度。/>表示时间依赖的振荡项:这一部分包括多个时间依赖的振荡项的叠加,每个振荡项由振荡强度/>和衰减系数/>控制。这些振荡项模拟了时间依赖性对能源配置的影响。表示多个时间依赖的振荡项的叠加:这部分包括多个时间依赖的振荡项的叠加,每个振荡项由振幅/>和频率/>控制。这些振荡项模拟了时间依赖性对能源配置的影响。/>部分表示初始性能评分差距,用于控制最终配置的性能。初始差距越大,调整幅度越大,以快速减小性能差距。/>用于控制螺旋路径的扩张速率。螺旋路径的扩展可以调整配置的整体形状,以适应不同的需求。/>部分引入了螺旋路径的周期性,这可以模拟周期性变化对能源配置的影响。时间依赖的振荡项(和/>)模拟了时间依赖性对配置的动态影响。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和系统的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (6)
1.分布式能源协同优化系统,其特征在于,所述系统包括:多个能源单元,每个能源单元配置有一个分布式优化装置;所述分布式优化装置包括:能源单元模型初始化单元、目标函数构建单元、协同优化单元、调整优化单元;所述能源单元模型初始化单元,用于为能源单元设置初始化模型,每个能源单元的初始化模型表征了该能源单元初始的能源配置;所述目标函数构建单元,用于构建一个目标函数,该目标函数根据能源单元的初始状态,计算能源单元的性能评分,将性能评分作为目标函数的目标;协同优化单元,用于遍历所有可能的能源配置,计算各个能源配置下,能源单元的性能评分,确定性能评分最优时,能源单元对应的能源配置,作为该能源单元的最优能源配置,并根据最优能源配置,调整当前的能源配置,减小每个当前的能源配置与最优能源配置的性能评分的差距,完成第一阶段优化;所述调整优化单元,用于引入时间依赖的动态行为,通过加入振荡项来模拟系统中每个能源单元的周期性和动态变化,得到动态结果,对动态结果执行随机搜索,计算找到新的最优能源配置,对新的最优能源配置使用螺旋模型进行调整,得到最终的最优能源配置,并将最优能源配置更新为最终的最优能源配置;
调整优化单元,使用如下公式,引入时间依赖的动态行为,通过加入振荡项来模拟系统中每个能源单元的周期性和动态变化,得到动态结果:
;
其中,为控制步长的系统系数;/>为振荡的强度;/>为振荡的频率;/>为振荡的初始相位;/>为振荡的衰减系数;
调整优化单元,使用如下公式,对中间结果执行随机搜索,计算找到新的最优能源配置:
;
其中,表示在/>和/>之间生成一个随机配置;为调整因子;/>为时间衰减系数;/>为时间频率;
调整优化单元,使用如下公式,对新的最优能源配置使用螺旋模型进行调整,得到最终的最优能源配置,并将最优能源配置更新为最终的最优能源配置:
;
其中,为最终的最优能源配置;/>为当前的能源配置与最优能源配置/>的初始差距;/>为螺旋形状的扩展因子;/>表示螺旋路径的周期性部分;/>为螺旋路径的相位;/>为螺旋路径的长度;/>为螺旋路径的扩张速率。
2.如权利要求1所述的分布式能源协同优化系统,其特征在于,能源配置为一个数据集合,包括多个不同类别的配置参数。
3.如权利要求2所述的分布式能源协同优化系统,其特征在于,所述能源单元的初始化模型使用如下公式进行表示:
;
其中,表示第/>个能源单元的初始化模型,表征了该能源单元初始的能源配置;为时间变量;/>表示该能源单元的能源配置的最小参数集合的加权值;/>表示该能源单元的能源配置的最大参数集合的加权值;每个能源单元的能源配置中对应的每个类别的参数均设置有一个与该能源单元匹配的加权系数;能源配置的最大参数集合的加权值/>等于能源配置的最大参数集合中的每个最大参数乘以其对应的加权系数后得到加权值,再与其他的所有最大参数对应的加权值加和后计算得到;能源配置的最小参数集合的加权值/>等于能源配置的最小参数集合中的每个最小参数乘以其对应的加权系数后得到加权值,再与其他的所有最小参数对应的加权值加和后计算得到;用于产生0到1之间的随机数,引入初始状态的随机性;代表了周期性因素的影响,/>为振幅,表示周期性因素的强度,/>为频率,/>为相位,确定周期性因素开始影响系统的时间点;代表非线性衰减项,用于模拟系统的热力学和机械性能变化,其中表示非线性衰减的初始强度;/>表示衰减的速率;/>和/>均为下标索引,/>为周期因素的总数,/>为非线性衰减项的总数。
4.如权利要求3所述的分布式能源协同优化系统,其特征在于,所述目标函数使用如下公式进行表示:
;
其中,表示第/>个能源单元的目标函数,其值为第/>个能源单元的性能评分;/>表示第/>个能源单元使用第/>种能源配置在时间/>时的能源输出量;为衰减因子;/>表示惩罚函数,当/>的能源配置中任何一项配置参数不满足其对应的设定的阈值范围,则惩罚函数计算出配置参数与阈值范围的最小差值,然后计算最小差值与配置参数的比值;/>表示时间变换频率,表示阈值范围随时间变化。
5.如权利要求4所述的分布式能源协同优化系统,其特征在于,协同优化单元,采用如下公式,遍历所有可能的能源配置,计算各个能源配置下,能源单元的性能评分,确定性能评分最优时,能源单元对应的能源配置,作为该能源单元的最优能源配置:
;
其中,表示最优能源配置;/>表示第/>个阈值范围的权重;/>表示第个阈值范围的中点值;/>为阈值范围的数量,与能源配置中的配置参数的种类数量相等。
6.如权利要求5所述的分布式能源协同优化系统,其特征在于,协同优化单元,采用如下公式计算当前的能源配置与最优能源配置的性能评分的差距:
;
其中,表示第/>个能源配置与最优能源配置/>之间的性能评分的差距;/>为系统系数,取值范围为1到1.3;/>为二阶曼哈顿范数;/>为一阶曼哈顿范数;为第/>个阈值范围的目标值;通过调整当前的能源配置,减小每个当前的能源配置与最优能源配置的性能评分的差距,直到差距/>无法被减小,完成第一阶段优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410032009.4A CN117557067B (zh) | 2024-01-10 | 2024-01-10 | 分布式能源协同优化系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410032009.4A CN117557067B (zh) | 2024-01-10 | 2024-01-10 | 分布式能源协同优化系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117557067A CN117557067A (zh) | 2024-02-13 |
CN117557067B true CN117557067B (zh) | 2024-04-02 |
Family
ID=89823455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410032009.4A Active CN117557067B (zh) | 2024-01-10 | 2024-01-10 | 分布式能源协同优化系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557067B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881713A (zh) * | 2015-05-22 | 2015-09-02 | 中冶南方工程技术有限公司 | 实现优化算法与钢铁企业能源综合调度问题解耦的方法 |
CN110084410A (zh) * | 2019-05-31 | 2019-08-02 | 华北电力大学 | 一种污水再利用型综合能源系统运行优化方法 |
CN112653188A (zh) * | 2021-01-04 | 2021-04-13 | 中国化学工程第六建设有限公司 | 一种分布式能源系统及能源调度方法 |
US11487273B1 (en) * | 2021-04-30 | 2022-11-01 | Dalian University Of Technology | Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms |
CN115441494A (zh) * | 2022-09-21 | 2022-12-06 | 国网山东省电力公司电力科学研究院 | 基于柔性直流互联系统的换流站容量优化配置方法和装置 |
CN115600809A (zh) * | 2022-10-14 | 2023-01-13 | 国网山西省电力公司太原供电公司(Cn) | 一种综合能源系统的优化调度装置及方法 |
CN116667325A (zh) * | 2023-05-29 | 2023-08-29 | 江苏师范大学 | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 |
CN117013522A (zh) * | 2023-07-05 | 2023-11-07 | 国网浙江省电力有限公司嘉兴供电公司 | 考虑分布式电源和气电协同的综合能源系统调度优化方法 |
CN117371755A (zh) * | 2023-11-14 | 2024-01-09 | 国网江苏省电力有限公司电力科学研究院 | 多微网综合能源系统分布式优化方法、装置、设备及介质 |
CN117371738A (zh) * | 2023-10-25 | 2024-01-09 | 国网浙江省电力有限公司丽水供电公司 | 一种乡镇综合能源系统多能源协同运行控制方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9373960B2 (en) * | 2013-03-13 | 2016-06-21 | Oracle International Corporation | Computerized system and method for distributed energy resource scheduling |
CN103474991B (zh) * | 2013-09-18 | 2015-11-18 | 国电南瑞科技股份有限公司 | 基于时间尺度的配电网全局优化调度方法 |
-
2024
- 2024-01-10 CN CN202410032009.4A patent/CN117557067B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881713A (zh) * | 2015-05-22 | 2015-09-02 | 中冶南方工程技术有限公司 | 实现优化算法与钢铁企业能源综合调度问题解耦的方法 |
CN110084410A (zh) * | 2019-05-31 | 2019-08-02 | 华北电力大学 | 一种污水再利用型综合能源系统运行优化方法 |
CN112653188A (zh) * | 2021-01-04 | 2021-04-13 | 中国化学工程第六建设有限公司 | 一种分布式能源系统及能源调度方法 |
US11487273B1 (en) * | 2021-04-30 | 2022-11-01 | Dalian University Of Technology | Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms |
CN115441494A (zh) * | 2022-09-21 | 2022-12-06 | 国网山东省电力公司电力科学研究院 | 基于柔性直流互联系统的换流站容量优化配置方法和装置 |
CN115600809A (zh) * | 2022-10-14 | 2023-01-13 | 国网山西省电力公司太原供电公司(Cn) | 一种综合能源系统的优化调度装置及方法 |
CN116667325A (zh) * | 2023-05-29 | 2023-08-29 | 江苏师范大学 | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 |
CN117013522A (zh) * | 2023-07-05 | 2023-11-07 | 国网浙江省电力有限公司嘉兴供电公司 | 考虑分布式电源和气电协同的综合能源系统调度优化方法 |
CN117371738A (zh) * | 2023-10-25 | 2024-01-09 | 国网浙江省电力有限公司丽水供电公司 | 一种乡镇综合能源系统多能源协同运行控制方法及系统 |
CN117371755A (zh) * | 2023-11-14 | 2024-01-09 | 国网江苏省电力有限公司电力科学研究院 | 多微网综合能源系统分布式优化方法、装置、设备及介质 |
Non-Patent Citations (1)
Title |
---|
考虑环境因素的分布式能源多目标优化配置;万欣;石孝文;冯俊;;西南师范大学学报(自然科学版);20130520(05);第98-103页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117557067A (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dai et al. | A hybrid load forecasting model based on support vector machine with intelligent methods for feature selection and parameter optimization | |
Ding et al. | Forecasting China's electricity consumption using a new grey prediction model | |
US8489247B1 (en) | Agent-based chaotic control of wind turbines | |
CN109659933B (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
Wang et al. | Wind speed forecasting based on multi-objective grey wolf optimisation algorithm, weighted information criterion, and wind energy conversion system: A case study in Eastern China | |
Davoodi et al. | A GSO-based algorithm for combined heat and power dispatch problem with modified scrounger and ranger operators | |
CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
CN104376214A (zh) | 基于数据驱动的脉动风速模拟方法 | |
Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
Zou et al. | Wind turbine power curve modeling using an asymmetric error characteristic-based loss function and a hybrid intelligent optimizer | |
Zhang et al. | A novel power‐driven grey model with whale optimization algorithm and its application in forecasting the residential energy consumption in China | |
Zhang et al. | Short-term load forecasting using recurrent neural networks with input attention mechanism and hidden connection mechanism | |
CN105719101A (zh) | 光伏系统发电功率预测方法 | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
Xu et al. | Multi-cluster based equilibrium optimizer algorithm with compact approach for power system network | |
Ruan et al. | On vulnerability of renewable energy forecasting: Adversarial learning attacks | |
Xu et al. | Short-term wind speed prediction based on GRU | |
Li et al. | Improved shuffled frog leaping algorithm on system reliability analysis | |
Tapia et al. | Selection of energy storage technologies under neutrosophic decision environment | |
CN117557067B (zh) | 分布式能源协同优化系统 | |
CN117407802A (zh) | 一种基于改进深度森林模型径流预测方法 | |
Wei et al. | An instance based multi-source transfer learning strategy for building’s short-term electricity loads prediction under sparse data scenarios | |
CN117252288A (zh) | 一种区域资源有功支撑能力预测方法及系统 | |
Dai et al. | A novel long-term prediction model for hemispherical resonator gyroscope's drift data | |
Li et al. | Adaptive Weighted Combination Approach for Wind Power Forecast Based on Deep Deterministic Policy Gradient Method |
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 |