CN117650626A - 一种基于双lstm网络的直流微电网大信号稳定性预测与控制方法 - Google Patents
一种基于双lstm网络的直流微电网大信号稳定性预测与控制方法 Download PDFInfo
- Publication number
- CN117650626A CN117650626A CN202311612416.4A CN202311612416A CN117650626A CN 117650626 A CN117650626 A CN 117650626A CN 202311612416 A CN202311612416 A CN 202311612416A CN 117650626 A CN117650626 A CN 117650626A
- Authority
- CN
- China
- Prior art keywords
- model
- stability
- control
- current micro
- direct
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000004088 simulation Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 3
- 238000012360 testing method Methods 0.000 claims description 25
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007665 sagging Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000000368 destabilizing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于分布式电力网络运行控制技术领域,具体涉及一种基于双LSTM网络的直流微电网大信号稳定性预测与控制方法,包括如下步骤:S1、确定一个带有一次控制和二次控制的直流微电网的仿真模型;S2、采集训练稳定性预测与控制模型的数据集,并对数据集进行划分与预处理;S3、构造稳定性预测与控制模型的网络结构;S4、将训练好的模型导入到仿真平台上,仿真运行后进行评估。本发明基于大信号扰动对直流微电网系统稳定性的影响,设计出了稳定性预测与控制模型为直流微电网稳定运行提供保障。实现了直流微电网的稳定性预测与控制同步进行的目的。
Description
技术领域
本发明属于分布式电力网络运行控制技术领域,具体涉及一种基于双LSTM网络的直流微电网大信号稳定性预测与控制方法。
背景技术
直流微电网是一种将分散的可再生能源、储能设备和负载连接在一起形成的小型电网系统。与传统的交流电网不同,直流微电网具有更高的效率、可靠性和灵活性。然而,由于直流微电网存在诸多不确定性因素,如多源输入、变化的负载需求等,可能会导致系统的大信号波动和不稳定性,进而影响电网的可靠性和安全性。
为了解决直流微电网的大信号稳定性问题,现有技术主要依靠非线性方法来分析带恒功率负载直流微电网的稳定性。然而,这些方法往往难以应对复杂的系统动力学和非线性特性,而且对于不确定性因素的处理效果有限。为此,基于双LSTM(长短期记忆网络)的直流微电网大信号稳定性预测与控制技术被提出。LSTM是一种基于循环神经网络(RNN)的模型,它能够处理序列数据并充分利用长期的时序信息。基于双LSTM的直流微电网大信号稳定性预测与控制技术的核心思想是通过训练LSTM网络来建立系统状态与未来发展趋势之间的映射关系,并根据预测结果进行相应的控制策略调整,从而实现对直流微电网的大信号稳定性的预测和控制。
与现有技术方法相比,基于双LSTM的直流微电网大信号稳定性预测与控制技术具有更好的适应性和预测能力。它可以自动地捕捉和学习系统中的非线性动态特性和时序信息,减少人工干预的需求,提高系统的响应速度和稳定性。此外,该技术还可以适用于不同规模和复杂度的直流微电网系统,具有良好的扩展性和普适性。
因此,基于双LSTM网络的直流微电网大信号稳定性预测与控制为直流微电网系统提供了一种高效、准确和可靠的大信号稳定性预测与控制方法,对于实现直流微电网系统的可靠运行和优化管理具有重要意义。
发明内容
本发明的目的在于克服传统技术中存在的上述问题,提供一种基于双LSTM网络的直流微电网大信号稳定性预测与控制方法。
为实现上述技术目的,达到上述技术效果,本发明是通过以下技术方案实现:
本发明提供一种基于双LSTM网络的直流微电网大信号稳定性预测与控制方法,包括如下步骤:
S1、确定一个带有一次控制和二次控制的直流微电网的仿真模型;
S2、采集训练稳定性预测与控制模型的数据集,并对数据集进行划分与预处理;
S3、构造稳定性预测与控制模型的网络结构;
S4、将训练好的模型导入到仿真平台上,仿真运行后进行评估。
进一步地,步骤S1中,直流微电网仿真模型是在MATLAB/Simulink中搭建的,包含两个分布式电源及其一次、二次控制和恒功率负载。
进一步地,步骤S2中,在一定范围内选取不同的一次、二次控制参数与负载大小,然后运行系统,查看系统是否稳定运行,如果稳定运行的话记作1,否则记作0,多次重复此步骤;收集不同情况下的一次、二次控制的12个PI控制器参数、负载大小和稳定情况,将此数据集命名为数据集I;将数据集I的90%划分为训练集I,剩余的10%为测试集I,并将它们分别写入到元胞数组中。
进一步地,选取不同的负载大小,然后在一定范围内调试一次、二次控制参数,使系统运行在稳定状态,多次重复此步骤;收集不同情况下的一次、二次控制的12个PI控制器参数和负载功率大小,将此数据集命名为数据集II;将数据集II的90%划分为训练集II,剩余的10%为测试集II,并对它们进行归一化处理;具体归一化函数表达式如下:
其中x为归一化前的数据,xmin和xmax分别为x所属特性的最小值和最大值,x*为归一化后的数据。
进一步地,步骤S3中,对于稳定性预测模型结构使用序列到标签分类的LSTM网络,具体结构包括序列输入层、LSTM层、全连接层、softmax层和分类输出层,经过分析与调试后确定具体参数。
进一步地,导入训练集I对稳定性预测模型进行训练,将测试集I输入到训练好的模型,并根据稳定性预测模型输出结果与实际观察值进行对比,以准确率为评判标准,对模型进行参数调整,最后保存模型,记作LSTM1-pLSTM。
进一步地,对于稳定性控制模型结构使用序列到序列回归的LSTM网络,具体结构包括序列输入层、LSTM层、全连接层、回归输出层,经过分析与调试后确定具体参数。
进一步地,导入训练集II对稳定性控制模型进行训练,将测试集II输入到训练好的模型,并根据稳定性控制模型输出结果与实际观察值进行对比,以均方根误差为评判标准,对模型进行参数调整,最后保存模型,记作LSTM2-cLSTM;均方根误差表达式如下:
其中Vr为真实值,Vp为预测值,n表示测试时序向量数据的长度,Vr,i表示i时刻Vr的真实值,Vp,i表示i时刻Vp的测试值。
进一步地,步骤S4中,将稳定性预测与控制模型添加到仿真平台上后,仿真运行系统,查看直流微电网母线电压在负载跳变后是否处于稳定状态,以此来评判稳定性预测与控制模型的优劣。
本发明的有益效果是:
本发明基于负载跳变这一大信号扰动对直流微电网系统稳定性的影响,设计出了稳定性预测与控制模型为直流微电网稳定运行提供保障,当直流微电网负载跳变后,先对其稳定性进行预测,再根据预测结果,决定是否对系统控制参数进行修改,最后使其工作在稳定状态,实现了直流微电网的稳定性预测与控制同步进行的目的。
当然,实施本发明的任一产品并不一定需要同时达到以上的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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为本发明中直流微电网的结构示意图;
图2为本发明所提及的直流微电网包含一次、二次控制框图;
图3为本发明基于双LSTM网络的稳定性预测与控制框图;
图4为稳定性预测模型测试集的预测值与实际值的比较图;
图5为稳定性控制模型测试集的预测值与实际值的比较图;
图6为未加入稳定性预测与控制模型时负载跳变前后直流母线电压示意图;
图7为未加入稳定性预测与控制模型时负载跳变前后变换器输出电流示意图;
图8为加入稳定性预测与控制模型时负载跳变前后直流母线电压示意图;
图9为加入稳定性预测与控制模型时负载跳变前后变换器输出电流示意图。
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本实施例提供一种基于双LSTM网络的直流微电网大信号稳定性预测与控制方法,包括以下步骤:
S1、首先在MATLAB/Simulink上构建一个直流微电网的仿真平台:
其中直流微电网的具体结构包括两个带有一次、二次控制的分布式电源和一个恒功率负载。一次控制包含下垂控制和内环控制,内环控制调节电压和电流保持系统的稳定性,下垂控制减小各变换器线路阻抗的不同产生的环流,但是会降低母线电压使其产生偏差;二次控制的构造则是基于一致性算法,引入二次控制的目的是补偿由下垂控制产生的电压偏差,使母线输出电压达到理想值。
S2、收集训练稳定性预测模型的数据集并进行数据处理:
在一定范围内选取不同的一次、二次控制参数与负载大小,然后运行系统,查看系统是否稳定运行,如果稳定运行的话记作1,否则记作0,多次重复此步骤。收集不同情况下两个分布式电源的一次、二次控制共12个PI控制参数、负载功率大小和系统稳定情况,将此数据集命名为数据集I;将收集的数据集I中的90%作为训练集I,剩余10%作为测试集I,将训练集I与测试集I写入到元胞数组中。
收集训练稳定性控制模型的数据集并进行数据处理:
选取不同的负载大小,然后在一定范围内调试一次、二次控制参数,使系统运行在稳定状态,多次重复此步骤。收集不同情况下两个分布式电源的一次、二次控制共12个控制参数和负载大小,将此数据集命名为数据集II;将收集的数据集II中的90%作为训练集II,剩余10%作为测试集II,对训练集II和测试集II进行归一化处理。具体归一化函数表达式如下:
其中x为归一化前的数据,xmin和xmax分别为x所属特性的最小值和最大值,x*为归一化后的数据。
S3、构造稳定性预测LSTM网络的结构:
其中稳定性预测模型结构使用序列到标签分类的LSTM网络,具体结构包括序列输入层、LSTM层、全连接层、softmax层和分类输出层。
基于上述的网络结构,导入步骤S3中处理好的训练集I对稳定性预测模型进行训练,将测试集I输入到训练好的模型,并根据稳定性预测模型输出结果与实际观察值进行对比,以准确率为评判标准,对模型进行参数调整。
经过分析与调试后确定具体参数:序列输入层的大小设置为输入数据的特征数目13,全连接层的大小设置为类数2,即稳定(用1表示)和不稳定(用0表示),对于LSTM层,指定隐藏单元数100,和输出模式‘last’,分块尺寸为48,最大训练周期为100。最后保存模型,记作LSTM1-pLSTM;
构造稳定性控制LSTM网络的结构:
稳定性控制模型结构使用序列到序列回归的LSTM网络,具体结构包括序列输入层、LSTM层、全连接层、回归输出层。
基于上述的网络结构,导入训练集II对稳定性控制模型进行训练,将测试集II输入到训练好的模型,并根据稳定性控制模型输出结果与实际观察值进行对比,以均方根误差为评判标准,对模型进行参数调整。均方根误差表达式如下:
其中Vr为真实值,Vp为预测值,n表示测试时序向量数据的长度,Vr,i表示i时刻Vr的真实值,Vp,i表示i时刻Vp的测试值。
经过分析与调试后确定具体参数:序列输入层的大小设置为输入数据的特征数目1,全连接层的大小设置为输出特征数12,对于LSTM层,指定隐藏单元数100,和输出模式‘sequence’,分块尺寸为48,最大训练周期为1000。最后保存模型,记作LSTM2-cLSTM。
S4、进行稳定性预测与控制模型的评估:
在不添加稳定性预测与控制模型(LSTM1-pLSTM和LSTM2-cLSTM)时,一开始使系统运行在稳定状态,随后进行负载跳变使系统运行在失稳状态。
为了评估稳定性预测与控制模型,基于上述情况,将训练好的稳定性预测与控制模型导入到建立好的直流微电网仿真模型内,然后运行仿真,进行负载跳变,观察稳定性预测与控制模型是否使负载跳变后失稳的系统运行在稳定状态。
图1为所述直流微电网系统的典型拓扑,各单元通过变换器与直流母线连接,母线电压额定值选定为48V。
图2为直流微电网分层控制算法框图,一次控制分为内环控制与下垂控制。内环控制调节变换器本身电压和电流,确保其稳定性;下垂控制是在内环的顶部添加一个虚拟阻抗回路,主要用于实现多个并联运行组网变换器的自主均流,同时可减小各变换器线路阻抗的不同产生的环流。二次控制用来补偿由下垂控制产生的电压偏差,使母线输出电压达到理想值。
图3为本发明稳定性预测与控制方案流程图。首先收集数据集进行网络的离线训练,再将训练好的网络添加到仿真平台内。如图3(a)所示,其中LSTM1-pLSTM是稳定性预测模型,输出0(不稳定)或1(稳定),判断负载跳变后系统是否能继续稳定运行,而LSTM2-cLSTM是稳定性控制模型,在LSTM1-pLSTM预测系统不能稳定运行时,输出新的控制参数使系统在负载跳变后能工作在稳定状态。DTM是一个封装模块当接收的信号数值为1时将会根据接收到LSTM2-cLSTM的数值动态修改控制环路的控制参数。
图3(b)是LSTM细胞的结构图,ct是细胞状态,xt和ht分别是LSTM单元的输入与输出。LSTM层的状态空间模型为:
st=F(st-1,xt,Wf,i,c,o,bf,i,c,o)
ht=G(st,xt,Wf,i,c,o,bf,i,c,o)
其中st被认为是状态变量。W矩阵和b矩阵是由基于离散时间序列的网络训练而成的。
直流微电网系统的状态空间模型为:
y=g(xmg,u,p)
其中xmg被定义为状态变量。u,y和p分别表示为输入向量,输出向量和系统参数。
通过对LSTM细胞与直流微电网微分方程进行比较,LSTM的神经网络可以用来拟合直流微电网的微分代数方程。
图4和图5分别为LSTM1-pLSTM和LSTM2-cLSTM模型在测试集下输出值与真实值比较图,图4横坐标代表测试样本,纵坐标代表运行状态稳定(1)和不稳定(0),表现了LSTM1-pLSTM预测状态与实际状态的比较,图5横坐标代表测试样本,纵坐标代表各控制参数,表现了LSTM2-cLSTM的输出值与收集值的比较。
图6和图7分别为未加入稳定性预测与控制模型时负载跳变前后母线电压与其中一个变换器的输出电流,从图6看出因为负载跳变后系统超过了其稳定裕度,所以母线电压开始振荡从而系统失去稳定,结合图7得到由于母线电压失去稳定随即变换器输出电流也会随着失去稳定,其稳定状态与母线电压是同步的。
图8和图9分别为加入稳定性预测与控制模型时负载跳变前后母线电压与其中一个变换器的输出电流,图8看到当负载跳变时由于加入了稳定性预测与控制模型,及时改变了系统的控制参数从而使系统运行在稳定状态,由于此时负载功率增加,而母线电压保持在48V稳定状态不变,由图9知变换器输出电流也随着增加,以此保证用电设备的需求。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (9)
1.一种基于双LSTM网络的直流微电网大信号稳定性预测与控制方法,其特征在于,包括如下步骤:
S1、确定一个带有一次控制和二次控制的直流微电网的仿真模型;
S2、采集训练稳定性预测与控制模型的数据集,并对数据集进行划分与预处理;
S3、构造稳定性预测与控制模型的网络结构;
S4、将训练好的模型导入到仿真平台上,仿真运行后进行评估。
2.根据权利要求1所述的基于双LSTM网络的直流微电网大信号稳定性预测与控制方法,其特征在于,步骤S1中,直流微电网仿真模型是在MATLAB/Simulink中搭建的,包含两个分布式电源及其一次、二次控制和恒功率负载。
3.根据权利要求2所述的基于双LSTM网络的直流微电网大信号稳定性预测与控制方法,其特征在于,步骤S2中,在一定范围内选取不同的一次、二次控制参数与负载大小,然后运行系统,查看系统是否稳定运行,如果稳定运行的话记作1,否则记作0,多次重复此步骤;收集不同情况下一次、二次控制的12个PI控制器参数、负载大小和稳定情况,将此数据集命名为数据集I;将数据集I的90%划分为训练集I,剩余的10%为测试集I,并将它们分别写入到元胞数组中。
4.根据权利要求3所述的基于双LSTM网络的直流微电网大信号稳定性预测与控制方法,其特征在于,选取不同的负载大小,然后在一定范围内调试一次、二次控制参数,使系统运行在稳定状态,多次重复此步骤;收集不同情况下一次、二次控制的12个PI控制器参数和负载功率大小,将此数据集命名为数据集II;将数据集II的90%划分为训练集II,剩余的10%为测试集II,并对它们进行归一化处理;具体归一化函数表达式如下:
其中x为归一化前的数据,xmin和xmax分别为x所属特性的最小值和最大值,x*为归一化后的数据。
5.根据权利要求4所述的基于双LSTM网络的直流微电网大信号稳定性预测与控制方法,其特征在于,步骤S3中,对于稳定性预测模型结构使用序列到标签分类的LSTM网络,具体结构包括序列输入层、LSTM层、全连接层、softmax层和分类输出层,经过分析与调试后确定具体参数。
6.根据权利要求5所述的基于双LSTM网络的直流微电网大信号稳定性预测与控制方法,其特征在于,导入训练集I对稳定性预测模型进行训练,将测试集I输入到训练好的模型,并根据稳定性预测模型输出结果与实际观察值进行对比,以准确率为评判标准,对模型进行参数调整,最后保存模型,记作LSTM1-pLSTM。
7.根据权利要求6所述的基于双LSTM网络的直流微电网大信号稳定性预测与控制方法,其特征在于,对于稳定性控制模型结构使用序列到序列回归的LSTM网络,具体结构包括序列输入层、LSTM层、全连接层、回归输出层,经过分析与调试后确定具体参数。
8.根据权利要求7所述的基于双LSTM网络的直流微电网大信号稳定性预测与控制方法,其特征在于,导入训练集II对稳定性控制模型进行训练,将测试集II输入到训练好的模型,并根据稳定性控制模型输出结果与实际观察值进行对比,以均方根误差为评判标准,对模型进行参数调整,最后保存模型,记作LSTM2-cLSTM;均方根误差表达式如下:
其中Vr为真实值,Vp为预测值,n表示测试时序向量数据的长度,Vr,i表示i时刻Vr的真实值,Vp,i表示i时刻Vp的测试值。
9.根据权利要求8所述的基于双LSTM网络的直流微电网大信号稳定性预测与控制方法,其特征在于,步骤S4中,将稳定性预测与控制模型添加到仿真平台上后,仿真运行系统,查看直流微电网母线电压在负载跳变后是否处于稳定状态,以此来评判稳定性预测与控制模型的优劣。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311612416.4A CN117650626A (zh) | 2023-11-29 | 2023-11-29 | 一种基于双lstm网络的直流微电网大信号稳定性预测与控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311612416.4A CN117650626A (zh) | 2023-11-29 | 2023-11-29 | 一种基于双lstm网络的直流微电网大信号稳定性预测与控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117650626A true CN117650626A (zh) | 2024-03-05 |
Family
ID=90048924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311612416.4A Pending CN117650626A (zh) | 2023-11-29 | 2023-11-29 | 一种基于双lstm网络的直流微电网大信号稳定性预测与控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117650626A (zh) |
-
2023
- 2023-11-29 CN CN202311612416.4A patent/CN117650626A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alavi et al. | Forecast-based consensus control for DC microgrids using distributed long short-term memory deep learning models | |
CN110738344B (zh) | 电力系统负荷预测的分布式无功优化方法及装置 | |
Li et al. | An intelligent transient stability assessment framework with continual learning ability | |
CN114430165A (zh) | 基于深度模型预测的微网群智能协调控制方法和装置 | |
Le et al. | Network equivalents and expert system application for voltage and VAR control in large-scale power systems | |
CN113363998A (zh) | 一种基于多智能体深度强化学习的配电网电压控制方法 | |
CN112418496B (zh) | 一种基于深度学习的配电台区储能配置方法 | |
Badar et al. | An autonomous hybrid DC microgrid with ANN-fuzzy and adaptive terminal sliding mode multi-level control structure | |
CN113078645A (zh) | 一种考虑延时与拓扑切换的微电网参数自适应控制方法 | |
CN109995095B (zh) | 一种基于数据驱动的配用电系统智能运行控制方法 | |
Izzatillaev et al. | Short-term load forecasting in grid-connected microgrid | |
Yin et al. | Expandable deep width learning for voltage control of three-state energy model based smart grids containing flexible energy sources | |
Dinavahi et al. | ANN based voltage stability margin prediction | |
Lin et al. | A two-layer frequency control method for large-scale distributed energy storage clusters | |
Irmak et al. | Event‐triggered distributed secondary control for enhancing efficiency, reliability and communication in island mode DC microgrids | |
Liu et al. | Function controller design in tertiary level for DC microgrid clusters | |
Xia et al. | Optimal secondary control of islanded AC microgrids with communication time-delay based on multi-agent deep reinforcement learning | |
Ye et al. | A novel Thévenin equivalent model considering the correlation of source-grid-load in power systems | |
CN117650626A (zh) | 一种基于双lstm网络的直流微电网大信号稳定性预测与控制方法 | |
CN114400675B (zh) | 基于权重均值深度双q网络的主动配电网电压控制方法 | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制系统、方法和介质 | |
CN114336704A (zh) | 一种区域能源互联网多智能体分布式控制及效率评测方法 | |
Song et al. | Cooperative grid frequency control under asymmetric V2G capacity via switched integral reinforcement learning | |
CN113240072A (zh) | 一种用于直流微电网集群的基于深度学习的预测方法 | |
Madhu et al. | Grid Integration using ANFIS for Hybrid DG and Storage Units to Control and Manage Power |
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 |