CN117745435A - 一种基于人工智能的交易投资决策系统及方法 - Google Patents
一种基于人工智能的交易投资决策系统及方法 Download PDFInfo
- Publication number
- CN117745435A CN117745435A CN202410190090.9A CN202410190090A CN117745435A CN 117745435 A CN117745435 A CN 117745435A CN 202410190090 A CN202410190090 A CN 202410190090A CN 117745435 A CN117745435 A CN 117745435A
- Authority
- CN
- China
- Prior art keywords
- investment
- layer
- representing
- information
- decision
- 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 38
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 26
- 238000012512 characterization method Methods 0.000 claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 17
- 239000010410 layer Substances 0.000 claims description 91
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 6
- 239000011229 interlayer Substances 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及投资决策技术领域，公开了一种基于人工智能的交易投资决策系统及方法，其中一种基于人工智能的交易投资决策方法包括：获取投资目标的规划数据；根据投资目标的规划数据来获取投资目标所并入的配电台区的信息；根据投资目标所在的配电台区的信息来生成图层；根据配电台区的互联性信息来为配电台区对应的图层来生成图层表征特征；将图层的节点表征特征和图层表征特征输入投资决策模型，输出表示投资目标的投资收益率的值；本发明通过投资目标的关联的配电台区的信息以及配电台区的互联性信息来进行信息融合，并将生命周期作为参考信息来计算投资目标的投资收益率，降低了误差，降低了产生错误的投资决策的可能性。
Description
技术领域
本发明涉及投资决策技术领域，更具体地说，它涉及一种基于人工智能的交易投资决策系统及方法。
背景技术
随着分布式能源的发展，分布式能源上网参与市场交易也在逐步的进行推广，分布式能源参与电力交易之后伴随市场交易机制产生投资性的建设，但分布式能源的投资决策涉及电网侧的复杂关系，其成本和收益难以核算。
公开号为CN109583786A的发明公开了一种分布式电源并网工程经济评估方法，通过计算效益收入和费用支出来计算收益率，作为项目投资评估的依据；效益收入＝年余电上网收入+自发自用节省的电费收入+年补贴收入+其他收入，费用支出＝项目总投资+总成本费用+税金，项目总投资＝固定资产投资+流动资金，总成本费用＝经营成本+折旧费+摊销费+财务费用，经营成本＝燃料费+用水费+维护修理费+工资及福利费+材料费+保险费+其他费用+线损费。
前述的发明需要对项目全生命周期内的成本费用进行核算，由于项目并未实际运行，因此只能通过折旧以及人工成本等相对固定的使用成本进行计算，但是分布式能源的运行成本受到电网侧的影响，例如光伏和风电类型的分布式电源的多余电能受到电网侧的影响，影响储能的电量，而储能的运行维护成本是较高的；另外一方面全寿命周期内的效能并非是固定不变的，尤其是光伏和风电类型的分布式能源，需要考虑随时间变化的效能降低；这些因素会导致前述的发明的计算方法存在较大的误差；
分布式电源项目具有低投资和低收益率的特点，因此收益率计算上的误差容易产生错误的投资决策。
发明内容
本发明提供一种基于人工智能的交易投资决策系统及方法，解决相关技术中分布式电源项目的投资收益计算的误差容易产生错误的投资决策的技术问题。
本发明提供了一种基于人工智能的交易投资决策方法，包括以下步骤：
步骤101，获取投资目标的规划数据；
步骤102，根据投资目标的规划数据来获取投资目标所并入的配电台区的信息；
步骤103，根据投资目标所在的配电台区的信息来生成图层，每个图层包括多个节点，一个图层的节点对应表示一个配电台区内部的电源或负载，并且为存在供需电关系的节点之间构建边；基于节点所表示的电源或负载的信息来为节点生成节点表征特征；
步骤104，根据配电台区的互联性信息来为配电台区对应的图层来生成图层表征特征；
步骤105，将图层的节点表征特征和图层表征特征输入投资决策模型，输出表示投资目标的投资收益率的值。
进一步地，配电台区的信息包括配电台区内的电源或负载的信息以及配电台区的互联性信息。
进一步地，配电台区的互联性分为以下的类型：
孤立台区、公共直流母线集中配置柔性互联系统、直流母线分段分散配置链式结构柔性互联系统和多端环状柔性互联系统；公共直流母线集中配置柔性互联系统、直流母线分段分散配置链式结构柔性互联系统和多端环状柔性互联系统均是包含两个以上的配电台区的柔性互联系统。
进一步地，投资决策模型包括节点特征融合层、层间信息融合层和输出层；
节点特征融合层的计算公式如下：
；
；
；
其中表示第k个图层的第i个节点的融合特征，/>和/>分别表示第k个图层的第i个和第j个节点的表征特征，/>和/>分别表示第一权重参数和第二权重参数，表示第k个图层中与第i个节点存在边的节点的集合，/>表示向量拼接；
层间信息融合层的计算公式如下：
；
；
其中和/>分别表示投资目标的节点在第k个和第h个图层的融合特征，M表示第一节点所在的图层的总数，/>表示第k个的图层的层表征特征，/>表示第三权重参数，/>表示向量拼接函数，拼接的对象是/>和/>，表示归一化指数函数函数，/>表示修正线性单元函数；
输出层，其计算公式如下：
；
；
其中表示收益比例，/>、/>和/>分别表示第四、第五和第六权重参数，/>和/>表示第二和第三偏置参数，/>表示投资目标的寿命周期，/>表示Sigmoid函数。
进一步地，根据投资目标的投资收益率和初始投资成本来计算投资目标的投资决策评分，投资决策评分与投资收益率成正比，与初始投资成本成反比。
进一步地，在选择投资目标时可以根据投资决策评分来对投资目标进行筛选，设置评分阈值，提供投资决策评分大于评分阈值的进行推荐。
进一步地，根据投资决策评分从大至小对投资目标进行排序，选择前N个投资目标进行推荐。
进一步地，投资决策评分计算的公式如下：
；
其中表示投资决策评分，/>表示投资目标的初始投资成本。
本发明提供一种存储介质，其存储了非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时，能够执行前述的一种基于人工智能的交易投资决策方法的步骤。
本发明提供一种基于人工智能的交易投资决策系统，其用于执行前述的一种基于人工智能的交易投资决策方法，包括：
规划数据获取模块，其用于获取投资目标的规划数据；
台区信息获取模块，其用于根据投资目标的规划数据来获取投资目标所并入的配电台区的信息；
图层生成模块，根据投资目标所在的配电台区的信息来生成图层，每个图层包括多个节点，一个图层的节点对应表示一个配电台区内部的电源或负载，并且为存在供需电关系的节点之间构建边；基于节点所表示的电源或负载的信息来为节点生成节点表征特征；
图层表征模块，根据配电台区的互联性信息来为配电台区对应的图层来生成图层表征特征；
收益计算模块，将图层的节点表征特征和图层表征特征输入投资决策模型，输出表示投资目标的投资收益率的值；
评价模块，其用于根据投资目标的投资收益率和初始投资成本来计算投资目标的投资决策评分；
决策模块，其用于根据投资决策评分从大至小对投资目标进行排序，选择前N个投资目标作为选定的投资目标。
本发明的有益效果在于：本发明通过投资目标的关联的配电台区的信息以及配电台区的互联性信息来进行信息融合，并将生命周期作为参考信息来计算投资目标的投资收益率，相对于通过折旧以及人工成本等相对固定的使用成本计算收益率的方法降低了误差，降低了产生错误的投资决策的可能性。
附图说明
图1是本发明的一种基于人工智能的交易投资决策方法的流程图；
图2是本发明的一种基于人工智能的交易投资决策系统的模块示意图。
图中：规划数据获取模块201，台区信息获取模块202，图层生成模块203，图层表征模块204，收益计算模块205，评价模块206，决策模块207。
具体实施方式
现在将参考示例实施方式讨论本文描述的主题。应该理解，讨论这些实施方式只是为了使得本领域技术人员能够更好地理解从而实现本文描述的主题，可以在不脱离本说明书内容的保护范围的情况下，对所讨论的元素的功能和排列进行改变。各个示例可以根据需要，省略、替代或者添加各种过程或组件。另外，相对一些示例所描述的特征在其他例子中也可以进行组合。
本发明的至少一个实施例中提供一种基于人工智能的交易投资决策方法，如图1所示，包括以下步骤：
步骤101，获取投资目标的规划数据；
在本发明的实施例中，投资目标特指分布式电源设施。
投资目标的规划数据包括分布式电源设施所包含的分布式电源的种类、分布式电源的并网规划等信息。
步骤102，根据投资目标的规划数据来获取投资目标所并入的配电台区的信息；
在这里投资目标并入一个以上的配电台区；
配电台区的信息包括配电台区内的电源或负载的信息以及配电台区的互联性信息；
配电台区的互联性分为以下的类型：
孤立台区、公共直流母线集中配置柔性互联系统、直流母线分段分散配置链式结构柔性互联系统和多端环状柔性互联系统；公共直流母线集中配置柔性互联系统、直流母线分段分散配置链式结构柔性互联系统和多端环状柔性互联系统均是包含两个以上的配电台区的柔性互联系统。
步骤103，根据投资目标所在的配电台区的信息来生成图层，每个图层包括多个节点，一个图层的节点对应表示一个配电台区内部的电源或负载，并且为存在供需电关系的节点之间构建边；基于节点所表示的电源或负载的信息来为节点生成节点表征特征；
电源或负载的信息可以包含其设计参数和运行参数，例如设计参数以文本形式来进行描述，则可以基于文本描述的设计参数来生成文本特征作为节点表征特征，具体的生成文本特征的方法可以是词袋模型、OneHot编码等。
步骤104，根据配电台区的互联性信息来为配电台区对应的图层来生成图层表征特征；
根据前述的内容，配电台区的互联性信息可以通过文本来描述，生成图层表征特征的方法可以参考节点表征特征的生成。
当然配电台区的互联性信息还可以通过拓扑图的形式来描述，对应的通过卷积处理等图像编码方式来生成图层表征特征。
步骤105，将图层的节点表征特征和图层表征特征输入投资决策模型，投资决策模型包括节点特征融合层、层间信息融合层和输出层；
节点特征融合层的计算公式如下：
其中表示第k个图层的第i个节点的融合特征，/>和/>分别表示第k个图层的第i个和第j个节点的表征特征，/>和/>分别表示第一权重参数和第二权重参数，表示第k个图层中与第i个节点存在边的节点的集合，/>表示向量拼接；
层间信息融合层的计算公式如下：
其中和/>分别表示投资目标的节点在第k个和第h个图层的融合特征，M表示第一节点所在的图层的总数，/>表示第k个的图层的层表征特征，/>表示第三权重参数，/>表示向量拼接函数，拼接的对象是/>和/>，表示归一化指数函数函数，/>表示修正线性单元函数；
输出层，其计算公式如下：
其中表示收益比例，/>、/>和/>分别表示第四、第五和第六权重参数，/>和/>表示第二和第三偏置参数，/>表示投资目标的寿命周期，/>表示Sigmoid函数。
需要说明的是，由于负收益比例与零收益比例的区分没有太大意义，都属于不需要进一步考虑投资的情况，另外根据经验投资目标的投资收益率基本不可能超过90%，因此的值域约束为/>。
根据投资目标的投资收益率和初始投资成本来计算投资目标的投资决策评分，投资决策评分与投资收益率成正比，与初始投资成本成反比。
在选择投资目标时可以根据投资决策评分来对投资目标进行筛选，设置评分阈值，提供投资决策评分大于评分阈值的进行推荐。
或者根据投资决策评分从大至小对投资目标进行排序，选择前N个投资目标进行推荐。
在本发明的一个实施例中，投资决策评分计算的公式如下：
其中表示投资决策评分，/>表示投资目标的初始投资成本；
初始投资成本包括设备购置、设施建设等能够在未投入运行时的可核算的较为固定的成本，而不包含运行时的维护成本等可变以及不可预估的成本。
需要说明的是，计算时初始投资成本的单位为10万，例如初始投资成本为100万时，C的值为10；
投资决策评分越高则表示该投资目标的投资项目的可选性越强。
本发明的至少一个实施例中提供一种存储介质，其存储了非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时，能够执行前述的一种基于人工智能的交易投资决策方法的步骤。
本发明的至少一个实施例中提供一种基于人工智能的交易投资决策系统，如图2所示，包括：
规划数据获取模块201，其用于获取投资目标的规划数据；
台区信息获取模块202，其用于根据投资目标的规划数据来获取投资目标所并入的配电台区的信息；
图层生成模块203，根据投资目标所在的配电台区的信息来生成图层，每个图层包括多个节点，一个图层的节点对应表示一个配电台区内部的电源或负载，并且为存在供需电关系的节点之间构建边；基于节点所表示的电源或负载的信息来为节点生成节点表征特征；
图层表征模块204，根据配电台区的互联性信息来为配电台区对应的图层来生成图层表征特征；
收益计算模块205，将图层的节点表征特征和图层表征特征输入投资决策模型，输出表示投资目标的投资收益率的值；
评价模块206，其用于根据投资目标的投资收益率和初始投资成本来计算投资目标的投资决策评分；
决策模块207，其用于根据投资决策评分从大至小对投资目标进行排序，选择前N个投资目标作为选定的投资目标。
上面对本实施例的实施例进行了描述，但是本实施例并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本实施例的启示下，还可做出很多形式，均属于本实施例的保护之内。
Claims (10)
1.一种基于人工智能的交易投资决策方法，其特征在于，包括以下步骤：
步骤101，获取投资目标的规划数据；
步骤102，根据投资目标的规划数据来获取投资目标所并入的配电台区的信息；
步骤103，根据投资目标所在的配电台区的信息来生成图层，每个图层包括多个节点，一个图层的节点对应表示一个配电台区内部的电源或负载，并且为存在供需电关系的节点之间构建边；基于节点所表示的电源或负载的信息来为节点生成节点表征特征；
步骤104，根据配电台区的互联性信息来为配电台区对应的图层来生成图层表征特征；
步骤105，将图层的节点表征特征和图层表征特征输入投资决策模型，输出表示投资目标的投资收益率的值。
2.根据权利要求1所述的一种基于人工智能的交易投资决策方法，其特征在于，配电台区的信息包括配电台区内的电源或负载的信息以及配电台区的互联性信息。
3.根据权利要求1所述的一种基于人工智能的交易投资决策方法，其特征在于，配电台区的互联性分为以下的类型：
孤立台区、公共直流母线集中配置柔性互联系统、直流母线分段分散配置链式结构柔性互联系统和多端环状柔性互联系统；公共直流母线集中配置柔性互联系统、直流母线分段分散配置链式结构柔性互联系统和多端环状柔性互联系统均是包含两个以上的配电台区的柔性互联系统。
4.根据权利要求1所述的一种基于人工智能的交易投资决策方法，其特征在于，投资决策模型包括节点特征融合层、层间信息融合层和输出层；
节点特征融合层的计算公式如下：
；
；
；
其中表示第k个图层的第i个节点的融合特征，/>和/>分别表示第k个图层的第i个和第j个节点的表征特征，/>和/>分别表示第一权重参数和第二权重参数，表示第k个图层中与第i个节点存在边的节点的集合，/>表示向量拼接；
层间信息融合层的计算公式如下：
；
；
其中和/>分别表示投资目标的节点在第k个和第h个图层的融合特征，M表示第一节点所在的图层的总数，/>表示第k个的图层的层表征特征，/>表示第三权重参数，/>表示向量拼接函数，拼接的对象是/>和/>，表示归一化指数函数函数，/>表示修正线性单元函数；
输出层，其计算公式如下：
；
；
其中表示收益比例，/>、/>和/>分别表示第四、第五和第六权重参数，/>和/>表示第二和第三偏置参数，/>表示投资目标的寿命周期，/>表示Sigmoid函数。
5.根据权利要求1所述的一种基于人工智能的交易投资决策方法，其特征在于，根据投资目标的投资收益率和初始投资成本来计算投资目标的投资决策评分，投资决策评分与投资收益率成正比，与初始投资成本成反比。
6.根据权利要求5所述的一种基于人工智能的交易投资决策方法，其特征在于，在选择投资目标时根据投资决策评分来对投资目标进行筛选，设置评分阈值，提供投资决策评分大于评分阈值的进行推荐。
7.根据权利要求5所述的一种基于人工智能的交易投资决策方法，其特征在于，根据投资决策评分从大至小对投资目标进行排序，选择前N个投资目标进行推荐。
8.根据权利要求5或6或7所述的一种基于人工智能的交易投资决策方法，其特征在于，投资决策评分计算的公式如下：
；
其中表示投资决策评分，/>表示投资目标的初始投资成本。
9.一种存储介质，其特征在于，其存储了非暂时性计算机可读指令，当非暂时性计算机可读指令由计算机执行时，能够执行如权利要求1-8任一所述的一种基于人工智能的交易投资决策方法的步骤。
10.一种基于人工智能的交易投资决策系统，其特征在于，其用于执行如权利要求1-8任一所述的一种基于人工智能的交易投资决策方法，包括：
规划数据获取模块，其用于获取投资目标的规划数据；
台区信息获取模块，其用于根据投资目标的规划数据来获取投资目标所并入的配电台区的信息；
图层生成模块，根据投资目标所在的配电台区的信息来生成图层，每个图层包括多个节点，一个图层的节点对应表示一个配电台区内部的电源或负载，并且为存在供需电关系的节点之间构建边；基于节点所表示的电源或负载的信息来为节点生成节点表征特征；
图层表征模块，根据配电台区的互联性信息来为配电台区对应的图层来生成图层表征特征；
收益计算模块，将图层的节点表征特征和图层表征特征输入投资决策模型，输出表示投资目标的投资收益率的值；
评价模块，其用于根据投资目标的投资收益率和初始投资成本来计算投资目标的投资决策评分；
决策模块，其用于根据投资决策评分从大至小对投资目标进行排序，选择前N个投资目标作为选定的投资目标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410190090.9A CN117745435A (zh) | 2024-02-21 | 2024-02-21 | 一种基于人工智能的交易投资决策系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410190090.9A CN117745435A (zh) | 2024-02-21 | 2024-02-21 | 一种基于人工智能的交易投资决策系统及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117745435A true CN117745435A (zh) | 2024-03-22 |
Family
ID=90261322
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410190090.9A Pending CN117745435A (zh) | 2024-02-21 | 2024-02-21 | 一种基于人工智能的交易投资决策系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117745435A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537601A (zh) * | 2021-07-20 | 2021-10-22 | 中国石油大学(华东) | 一种分布式光伏投资决策优化方法及系统 |
| CN114123291A (zh) * | 2021-02-09 | 2022-03-01 | 上海交通大学 | 一种信息-物理-价值三流融合的信息物理能源路由方法 |
| CN114358520A (zh) * | 2021-12-15 | 2022-04-15 | 华南理工大学 | 一种电力系统经济调度决策的方法、系统、装置及介质 |
| CN115765014A (zh) * | 2022-11-29 | 2023-03-07 | 东南大学 | 一种计及信息物理耦合的配电网储能与数据中心规划方法 |
| CN116264403A (zh) * | 2022-12-28 | 2023-06-16 | 国网浙江省电力有限公司桐乡市供电公司 | 一种大规模分布式光伏接入的低压配电网综合治理方法 |
| CN116341183A (zh) * | 2022-12-12 | 2023-06-27 | 国网湖南省电力有限公司 | 交直流配电网优化设计方法及系统 |
| KR20230123338A (ko) * | 2022-02-16 | 2023-08-23 | 콴텍 주식회사 | 개인화된 자산 포트폴리오 제공 시스템, 방법 및 컴퓨터로 판독 가능한 기록 매체 |
-
2024
- 2024-02-21 CN CN202410190090.9A patent/CN117745435A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114123291A (zh) * | 2021-02-09 | 2022-03-01 | 上海交通大学 | 一种信息-物理-价值三流融合的信息物理能源路由方法 |
| CN113537601A (zh) * | 2021-07-20 | 2021-10-22 | 中国石油大学(华东) | 一种分布式光伏投资决策优化方法及系统 |
| CN114358520A (zh) * | 2021-12-15 | 2022-04-15 | 华南理工大学 | 一种电力系统经济调度决策的方法、系统、装置及介质 |
| KR20230123338A (ko) * | 2022-02-16 | 2023-08-23 | 콴텍 주식회사 | 개인화된 자산 포트폴리오 제공 시스템, 방법 및 컴퓨터로 판독 가능한 기록 매체 |
| CN115765014A (zh) * | 2022-11-29 | 2023-03-07 | 东南大学 | 一种计及信息物理耦合的配电网储能与数据中心规划方法 |
| CN116341183A (zh) * | 2022-12-12 | 2023-06-27 | 国网湖南省电力有限公司 | 交直流配电网优化设计方法及系统 |
| CN116264403A (zh) * | 2022-12-28 | 2023-06-16 | 国网浙江省电力有限公司桐乡市供电公司 | 一种大规模分布式光伏接入的低压配电网综合治理方法 |
Non-Patent Citations (1)
| Title |
|---|
| 朱倩: "基于复杂网络的中压配电网综合评估指标体系研究", 《中国优秀硕士学位论文全文数据库（电子期刊）工程科技Ⅱ辑》, no. 1, 15 January 2022 (2022-01-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Oree et al. | Generation expansion planning optimisation with renewable energy integration: A review | |
| Siddaiah et al. | A review on planning, configurations, modeling and optimization techniques of hybrid renewable energy systems for off grid applications | |
| Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
| Meza et al. | A multiobjective evolutionary programming algorithm and its applications to power generation expansion planning | |
| CN109272243A (zh) | 碳资产管理方法及系统 | |
| Musbah et al. | Energy management using multi-criteria decision making and machine learning classification algorithms for intelligent system | |
| Stojiljković | Bi-level multi-objective fuzzy design optimization of energy supply systems aided by problem-specific heuristics | |
| Guo et al. | Evaluating effects of battery storage on day-ahead generation scheduling of large hydro–wind–photovoltaic complementary systems | |
| CN111062514A (zh) | 一种电力系统规划方法及系统 | |
| CN105046354A (zh) | 基于多代理的配电网规划场景模拟生成方法及其系统 | |
| Khanjarpanah et al. | Sustainable wind plant location optimization using fuzzy cross-efficiency data envelopment analysis | |
| Li et al. | Optimal planning of Electricity–Hydrogen hybrid energy storage system considering demand response in active distribution network | |
| Graça Gomes et al. | Optimal operation scheduling of a pump hydro storage system coupled with a wind farm | |
| CN111682536A (zh) | 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法 | |
| Iweh et al. | Control and optimization of a hybrid solar PV–Hydro power system for off-grid applications using particle swarm optimization (PSO) and differential evolution (DE) | |
| CN109615246B (zh) | 一种主动配电网经济运行状态确定方法 | |
| Anwar et al. | Proximal policy optimization based reinforcement learning for joint bidding in energy and frequency regulation markets | |
| Bhuvanesh et al. | Application of differential evolution algorithm and its variants for solving energy storage technologies integrated generation expansion planning | |
| Han et al. | Dynamic game optimization control for shared energy storage in multiple application scenarios considering energy storage economy | |
| Chakraborty et al. | Multi-objective operational cost management with minimum net emission of a smart microgrid | |
| Xu et al. | Two-stage scheduling of integrated energy systems based on a two-step DCGAN-based scenario prediction approach | |
| CN116862068A (zh) | 一种计及激励型响应不确定性的变电站规划分布鲁棒优化方法及系统 | |
| CN117745435A (zh) | 一种基于人工智能的交易投资决策系统及方法 | |
| Pourmoosavi et al. | Low‐carbon generation expansion planning considering flexibility requirements for hosting wind energy | |
| CN115392709A (zh) | 一种多能园区规划方法、系统、计算机设备和存储介质 |
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 |