CN117878932B - 用于多区域电力系统的可用输电能力评估方法及装置 - Google Patents
用于多区域电力系统的可用输电能力评估方法及装置 Download PDFInfo
- Publication number
- CN117878932B CN117878932B CN202410281521.2A CN202410281521A CN117878932B CN 117878932 B CN117878932 B CN 117878932B CN 202410281521 A CN202410281521 A CN 202410281521A CN 117878932 B CN117878932 B CN 117878932B
- Authority
- CN
- China
- Prior art keywords
- power
- power system
- limit
- node
- load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 106
- 230000005540 biological transmission Effects 0.000 title claims abstract description 76
- 238000013210 evaluation model Methods 0.000 claims abstract description 37
- 238000010248 power generation Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000009194 climbing Effects 0.000 claims description 8
- 238000002347 injection Methods 0.000 claims description 8
- 239000007924 injection Substances 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000005265 energy consumption Methods 0.000 abstract description 5
- 238000012549 training Methods 0.000 description 19
- 238000005457 optimization Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005283 ground state Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种用于多区域电力系统的可用输电能力评估方法及装置,属于新能源并网技术领域。方法包括步骤:考虑新能源出力与负荷需求的多维不确定性,基于条件生成对抗网络法确定典型日源荷场景集;根据所述典型日源荷场景集构建初始运行点集合,确定所述多区域电力系统的极限运行点;根据所述的初始运行点集合和极限运行点,基于多区域电网运行的安全性指标构建ATC评估模型;根据所述的ATC评估模型和典型日源荷场景集,确定所述多区域电力系统的可用输电能力概率分布。本发明改善了目前在线ATC计算结果过于保守的问题,有助于提高新能源消纳能力,对于在维持系统安全稳定运行的前提下提高新能源消纳能力具有重要意义。
Description
技术领域
本发明涉及一种用于多区域电力系统的可用输电能力评估方法及装置,属于新能源并网技术领域。
背景技术
电力市场环境下,如何在保证系统安全约束的前提下实现经济最优运行,已成为电网管理者与电力市场各参与方亟待解决的问题。可用输电能力(Available TransferCapability, ATC)表征在保障电力系统安全稳定运行前提下的剩余功率传输容量,其近似衡量了电网当前运行点的安全稳定裕度。因此,ATC不仅电力市场参与各方进行输电权交易的重要依据,而且是电力系统扩展规划的边界条件。在此背景下,提出统筹安全性与经济性的ATC评估方法,对于满足电力市场合理运行、提升电网利用效率具有重要意义。
在早期的研究中,国内外学者针对确定性源、荷参数的ATC评估问题提出了线性分布因子法、连续潮流法、重复潮流法和最优潮流法(Optimal Power Flow, OPF)等多种计算方法。其中,OPF法将ATC计算建模为以区域间通道传输功率最大化为目标函数、以电网潮流平衡和安全稳定判据为约束条件的数学优化问题。通过求解OPF优化问题,可以得到系统确定运行状态下的ATC。以新能源为主体的新型电力系统具有新能源渗透率高、负荷构成复杂的特点。因此,大规模风电场、光伏电站出力的不确定性,以及负荷的不确定性使不同区域间的传输功率也具有不确定性,增加了ATC评估的难度。针对新能源与负荷的不确定性,国内外学者提出了基于鲁棒优化、区间优化、以及包含机会约束的优化等方法。
受新能源与负荷的时序不确定性的影响,新型电力系统的ATC实际上具有时序概率分布特征。因此,ATC评估的关键难点问题在于源-荷随机场景的生成与ATC优化模型的构建。传统的基于鲁棒优化或区间优化的方法计算量较小,但仅给出了随机变量的分布范围,未能全面刻画ATC的概率分布。另一方面,大型电力系统的新能源、负荷不确定性具有高维不确定性特征,基于传统的蒙特卡洛仿真的方法虽然可以生成大量随机场景,但计算量大,也难以对场景缺乏有效的归类与筛选,对ATC的概率分布评估带来了一定困难。因此,如何全面刻画ATC的概率分布,是本领域技术人员亟待解决的技术问题。
发明内容
为了解决上述问题,本发明提出了一种用于多区域电力系统的可用输电能力评估方法及装置,能够准确、高效地在线计算新能源送出断面的ATC,有助于提高新能源消纳能力。
本发明解决其技术问题采取的技术方案是:
第一方面,本发明实施例提供的一种用于多区域电力系统的可用输电能力评估方法,其特征在于,包括以下步骤:
考虑新能源出力与负荷需求的多维不确定性,基于条件生成对抗网络法确定典型日源荷场景集;
根据所述典型日源荷场景集构建初始运行点集合,确定所述多区域电力系统的极限运行点;
根据所述的初始运行点集合和极限运行点,基于多区域电网运行的安全性指标构建ATC评估模型;
根据所述的ATC评估模型和典型日源荷场景集,确定所述多区域电力系统的可用输电能力概率分布。
作为本实施例一种可能的实现方式,所述基于条件生成对抗网络法确定典型日源荷场景集,包括:
基于条件生成对抗网络法,利用深度神经网络模型表征非线性关系生成器以及分类信号判别器,并将条件信息作为输入层输送给所述分类信号判别器和非线性关系生成器,所述条件信息包括:具有时间属性的历史气象数据,电力系统的空间特征,风电厂出力及负荷需求特征;
根据新能源出力与负荷需求的历史数据,构建典型日源荷场景集S 0:
,
,
,
式中:表示接入节点i的风电场出力,S W表示系统中/>的集合,/>表示接入节点i的风电场出力,S D表示系统中/>的集合,W表示系统中风电场节点集合,D表示系统中负荷节点集合。
作为本实施例一种可能的实现方式,所述根据所述典型日源荷场景集构建初始运行点集合,确定所述多区域电力系统的极限运行点,包括:
根据初始运行点集合并基于多区域电力系统运行的安全性指标,通过调整发电和负荷功率不断增加多区域电力系统间的交换功率,获取所述多区域电力系统在极限运行条件下的极限运行点。
作为本实施例一种可能的实现方式,所述根据所述的初始运行点集合和极限运行点,基于多区域电网运行的安全性指标构建ATC评估模型,包括:
根据电力系统最小总体生成成本和最大化不同区域之间的ATC建立目标函数:
,
式中,和/>分别为节点i上火力发电机的极限状态下有功出力及其在初始运行点下的值;G为送端待调整发电节点集合;c i为机组i的单位发电费用,α、β分别为多目标优化的权重系数;
构建电力系统基准运行状态模型,所述电力系统基准运行状态模型包括网架结构、开机方式、负荷功率、功率增长模式的运行参数以及安全约束条件;
通过调整发电和负荷功率不断增加电网区域间的交换功率,直至有安全约束条件越限,得到电网的极限运行点,构建ATC评估模型。
作为本实施例一种可能的实现方式,所述安全约束条件包括:
(1)电力系统基准运行状态下节点有功、无功功率平衡约束分别为:
,
,
式中,、/>分别为节点i在t时刻的有功、无功注入功率,/>、/>为节点i的火力发电机组在t时刻的有功、无功出力,/>为节点i的风电场在t时刻的有功出力;/>、/>为节点i在t时刻的有功、无功负荷,λ i为无功负荷与有功负荷的比值;
电网基准运行状态下的线性化潮流约束为:
,
通过线性方程可同时求解节点电压的幅值与相角,潮流方程的等效导纳与/>如下所示:
,
电网基准运行状态下的线路的容量约束为:
,
电网基准运行状态下的节点电压约束为:
,
电网基准运行状态下的电机组出力约束为:
,
其中,上式表示在t时刻下第n台发电机有功出力需在其上下限之间;
下式分别表示发电机组单位时间内增加或者减少的出力:
,
式中,、/>为节点i在t时刻电压的相角与幅值;/>、/>为线路(i,j)的电阻与电抗;/>为线路(i,j)的容量上限;/>、/>为各个PQ节点电压的上、下限;/>和/>分别代表每个机组的发电量上限和下限,r是爬坡率上限;
(2)电网在极限运行状态下节点有功、无功功率平衡约束分别为:
,
电网在极限运行状态下的线性化潮流约束为:
,
电网基在极限运行状态下的线路的容量约束为:
,
电网在极限运行状态下的节点电压约束为:
,
,
,
电网在极限运行状态下的电机组出力约束为:
,
,
式中,、/>分别为节点i在t时刻的有功、无功注入功率,/>、/>为节点i的火力发电机组在t时刻的有功、无功出力,/>为节点i的风电场在t时刻的有功出力;/>、/>为节点i在t时刻的有功、无功负荷,/>、/>为节点i在t时刻电压的相角与幅值;r ij、x ij为线路(i,j)的电阻与电抗;/>为线路(i,j)的容量上限;V max、V min为各个PQ节点电压的上、下限;/>和/>分别代表每个机组的发电量上限和下限,r是爬坡率上限;SR表示系统中送端区域,SK表示系统中受端区域。
作为本实施例一种可能的实现方式,所述根据所述的ATC评估模型和典型日源荷场景集,确定所述多区域电力系统的可用输电能力概率分布,包括:
非线性关系生成器接收所述多区域电力系统的随机噪声和条件值作为输入,分类信号判别器接收风电出力曲线或负荷曲线与条件值作为输入,并将每个厂站的风电出力数据或负荷数据分解为矩阵形式;
将所述多区域电力系统的噪声、条件值以及真实数据分别输入到所述分类信号判别器和非线性关系生成器中,并将非线性关系生成器生成的假样本数据与真实数据一同输入到分类信号判别器中进行判别,分类信号判别器输出Wasserstein距离作为判别结果,来确定所述多区域电力系统的可用输电能力概率分布。
作为本实施例一种可能的实现方式,所述多区域电力系统的可用输电能力概率分布的均值为:
,
式中,ATC s为电力系统在典型日场景s下的日内可用输电能力,t为每日时段,T为每日时段的集合,ATC t,s为系统在典型日场景s于t时刻的可用输电能力。
第二方面,本发明实施例提供的一种用于多区域电力系统的可用输电能力评估装置,包括:
源荷场景集确定模块,用于考虑新能源出力与负荷需求的多维不确定性,基于条件生成对抗网络法确定典型日源荷场景集;
极限运行点确定模块,用于根据所述典型日源荷场景集构建初始运行点集合,确定所述多区域电力系统的极限运行点;
评估模型构建模块,用于根据所述的初始运行点集合和极限运行点,基于多区域电网运行的安全性指标构建ATC评估模型;
可用输电能力评估模块,用于根据所述的ATC评估模型和典型日源荷场景集,确定所述多区域电力系统的可用输电能力概率分布。
第三方面,本发明实施例提供的一种电子设备,包括处理器、存储器及存储在存储器上并可在处理器运行的程序,当所述电子设备运行时,所述处理器执行所述程序时实现如上述任意用于多区域电力系统的可用输电能力评估方法的步骤。
第四方面,本发明实施例提供的一种存储介质,该存储介质上存储有程序,该程序被处理器运行时执行如上述任意用于多区域电力系统的可用输电能力评估方法的步骤。
本发明实施例的技术方案可以具有的有益效果如下:
本发明实施例的技术方案的一种用于多区域电力系统的可用输电能力评估方法及装置,包括以下步骤:考虑新能源出力与负荷需求的多维不确定性,基于条件生成对抗网络法确定典型日源荷场景集;根据所述典型日源荷场景集构建初始运行点集合,确定所述多区域电力系统的极限运行点;根据所述的初始运行点集合和极限运行点,基于多区域电网运行的安全性指标构建ATC评估模型;根据所述的ATC评估模型和典型日源荷场景集,确定所述多区域电力系统的可用输电能力概率分布。本发明准确、高效地在线计算新能源送出断面的ATC,对于在维持系统安全稳定运行的前提下提高新能源消纳能力具有重要意义;以最小化火电厂成本和联络线ATC之间差值为目标,改善了目前在线ATC计算结果过于保守的问题,有助于提高新能源消纳能力。
本发明基于大规模新能源并网引起的新能源出力和负荷需求的多维不确定性提出了一种多区域电力系统可用输电能力评估方法;利用条件生成对抗网络建立的典型日源荷场景集可以涵盖各种可能的运行场景,真实地反映电力系统的运行情况,提高了多区域电力系统可用输电能力评估的准确性;同时,能够准确、高效地在线计算新能源送出断面的ATC可以维持系统安全稳定运行的前提下提高新能源消纳能力;ATC评估模型以最小化火电厂成本和联络线ATC之间差值为多目标函数,并在一组随机的可再生能源出力和负荷需求的场景下进行,在运行不确定性的情况下,可以充分评估连接线的输电裕度,克服了传统可用输电能力评估方法中过于保守的问题。
本发明实施例的技术方案的一种用于多区域电力系统的可用输电能力评估装置具备与本发明实施例的技术方案的一种用于多区域电力系统的可用输电能力评估方法同样的有益效果。
附图说明
图1是根据示例性实施例示出的一种用于多区域电力系统的可用输电能力评估方法的流程图;
图2是根据示例性实施例示出的一种用于多区域电力系统的可用输电能力评估装置的方框图;
图3是根据示例性实施例示出的一种条件对抗生成网络的结构示意图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明:
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示,本发明实施例提供了一种用于多区域电力系统的可用输电能力评估方法,包括以下步骤:
考虑新能源出力与负荷需求的多维不确定性,基于条件生成对抗网络法确定典型日源荷场景集;
根据所述典型日源荷场景集构建初始运行点集合,确定所述多区域电力系统的极限运行点;
根据所述的初始运行点集合和极限运行点,基于多区域电网运行的安全性指标构建ATC评估模型;
根据所述的ATC评估模型和典型日源荷场景集,确定所述多区域电力系统的可用输电能力概率分布。
作为本实施例一种可能的实现方式,所述基于条件生成对抗网络法确定典型日源荷场景集,包括:
基于条件生成对抗网络法,利用深度神经网络模型表征非线性关系生成器以及分类信号判别器,并将条件信息作为输入层输送给所述分类信号判别器和非线性关系生成器,所述条件信息包括:具有时间属性的历史气象数据,电力系统的空间特征,风电厂出力及负荷需求特征;
根据新能源出力与负荷需求的历史数据,构建典型日源荷场景集S 0:
,
,
,
式中:表示接入节点i的风电场出力,S W表示系统中/>的集合,/>表示接入节点i的风电场出力,S D表示系统中/>的集合,W表示系统中风电场节点集合,D表示系统中负荷节点集合。
作为本实施例一种可能的实现方式,所述根据所述典型日源荷场景集构建初始运行点集合,确定所述多区域电力系统的极限运行点,包括:
根据初始运行点集合并基于多区域电力系统运行的安全性指标,通过调整发电和负荷功率不断增加多区域电力系统间的交换功率,获取所述多区域电力系统在极限运行条件下的极限运行点。
作为本实施例一种可能的实现方式,所述根据所述的初始运行点集合和极限运行点,基于多区域电网运行的安全性指标构建ATC评估模型,包括:
根据电力系统最小总体生成成本和最大化不同区域之间的ATC建立目标函数:
,
式中,和/>分别为节点i上火力发电机的极限状态下有功出力及其在初始运行点下的值;G为送端待调整发电节点集合;c i为机组i的单位发电费用,α、β分别为多目标优化的权重系数;
构建电力系统基准运行状态模型,所述电力系统基准运行状态模型包括网架结构、开机方式、负荷功率、功率增长模式的运行参数以及安全约束条件;
通过调整发电和负荷功率不断增加电网区域间的交换功率,直至有安全约束条件越限,得到电网的极限运行点,构建ATC评估模型。
作为本实施例一种可能的实现方式,所述安全约束条件包括:
(1)电力系统基准运行状态下节点有功、无功功率平衡约束分别为:
,
,
式中,、/>分别为节点i在t时刻的有功、无功注入功率,/>、/>为节点i的火力发电机组在t时刻的有功、无功出力,/>为节点i的风电场在t时刻的有功出力;/>、/>为节点i在t时刻的有功、无功负荷,λ i为无功负荷与有功负荷的比值;
电网基准运行状态下的线性化潮流约束为:
,
通过线性方程可同时求解节点电压的幅值与相角,潮流方程的等效导纳与/>如下所示:
,
电网基准运行状态下的线路的容量约束为:
,
电网基准运行状态下的节点电压约束为:
,
电网基准运行状态下的电机组出力约束为:
,
其中,上式表示在t时刻下第n台发电机有功出力需在其上下限之间;
下式分别表示发电机组单位时间内增加或者减少的出力:
,
式中,、/>为节点i在t时刻电压的相角与幅值;/>、/>为线路(i,j)的电阻与电抗;/>为线路(i,j)的容量上限;/>、/>为各个PQ节点电压的上、下限;/>和/>分别代表每个机组的发电量上限和下限,r是爬坡率上限;
(2)电网在极限运行状态下节点有功、无功功率平衡约束分别为:
,
电网在极限运行状态下的线性化潮流约束为:
,
电网基在极限运行状态下的线路的容量约束为:
,
电网在极限运行状态下的节点电压约束为:
,
,
,
电网在极限运行状态下的电机组出力约束为:
,
,
式中,、/>分别为节点i在t时刻的有功、无功注入功率,/>、/>为节点i的火力发电机组在t时刻的有功、无功出力,/>为节点i的风电场在t时刻的有功出力;/>、/>为节点i在t时刻的有功、无功负荷,/>、/>为节点i在t时刻电压的相角与幅值;r ij、x ij为线路(i,j)的电阻与电抗;/>为线路(i,j)的容量上限;V max、V min为各个PQ节点电压的上、下限;/>和/>分别代表每个机组的发电量上限和下限,r是爬坡率上限;SR表示系统中送端区域,SK表示系统中受端区域。
作为本实施例一种可能的实现方式,所述根据所述的ATC评估模型和典型日源荷场景集,确定所述多区域电力系统的可用输电能力概率分布,包括:
非线性关系生成器接收所述多区域电力系统的随机噪声和条件值作为输入,分类信号判别器接收风电出力曲线或负荷曲线与条件值作为输入,并将每个厂站的风电出力数据或负荷数据分解为矩阵形式;
将所述多区域电力系统的噪声、条件值以及真实数据分别输入到所述分类信号判别器和非线性关系生成器中,并将非线性关系生成器生成的假样本数据与真实数据一同输入到分类信号判别器中进行判别,分类信号判别器输出Wasserstein距离作为判别结果,来确定所述多区域电力系统的可用输电能力概率分布。
作为本实施例一种可能的实现方式,所述多区域电力系统的可用输电能力概率分布的均值为:
,
式中,ATC s为电力系统在典型日场景s下的日内可用输电能力,t为每日时段,T为每日时段的集合,ATC t,s为系统在典型日场景s于t时刻的可用输电能力。
如图2所示,本发明实施例提供的一种用于多区域电力系统的可用输电能力评估装置,包括:
源荷场景集确定模块,用于考虑新能源出力与负荷需求的多维不确定性,基于条件生成对抗网络法确定典型日源荷场景集;
极限运行点确定模块,用于根据所述典型日源荷场景集构建初始运行点集合,确定所述多区域电力系统的极限运行点;
评估模型构建模块,用于根据所述的初始运行点集合和极限运行点,基于多区域电网运行的安全性指标构建ATC评估模型;
可用输电能力评估模块,用于根据所述的ATC评估模型和典型日源荷场景集,确定所述多区域电力系统的可用输电能力概率分布。
利用本发明进行多区域电力系统可用输电能力评估的具体过程如下。
步骤S1:根据新能源出力与负荷需求的多维不确定性,通过条件生成对抗网络法确定典型日源荷场景集;典型日源荷场景集为利用条件生成对抗网络模型来模拟新能源出力和负荷需求的多种因素,并对历史数据具有高度代表性的负荷和电力源出力的场景集合。
基于条件生成对抗网络法利用深度神经网络模型表征复杂的非线性关系确定生成器以及分类复杂的信号的判别器,并将条件信息将作为输入层输送给判别器和生成器。条件生成对抗网络中的生成器和判别器均为深度神经网络模型,其中,生成器中输入的随机噪声向量和条件信息,然后通过一系列的非线性变换和映射,生成符合条件的输出样本。生成器的目标是尽可能地生成逼真的数据样本,以欺骗判别器;判别器中输入历史真实数据样本和条件信息,通过一系列的非线性变换和分类操作,判断输入的数据样本是真实样本还是由生成器生成的假样本。判别器的目标是正确地区分真实样本和生成样本。条件信息主要是三类1)具有时间属性的历史气象数据;2)场站位置、地形和地貌等空间特征;3)风电厂出力及负荷需求特征。条件信息作为输入层输送给判别器和生成器。
电网的网架结构(包括元件参数、开断状态)和初始开机方式、负荷功率构成一个平衡的潮流解点,称为初始运行点。ATC模型的初始运行点是一系列参数的典型场景集。要想对ATC进行全面的评估,就要根据新能源出力与负荷的海量历史数据,构建新能源出力与负荷需求两方面的典型场景集。
根据新能源出力与负荷需求的历史数据,构建典型日源荷场景集,如下所示:
,
,
,
式中:表示接入节点i的风电场出力,S W表示系统中/>的集合,/>表示接入节点i的风电场出力,S D表示系统中/>的集合,W表示系统中风电场节点集合,D表示系统中负荷节点集合。
步骤S2:根据所述典型日源荷场景集构建初始运行点集合,确定电力系统的极限运行点。
初始运行点和极限运行点下电网区域间交换功率的差值即为ATC。根据初始运行点集合并基于多区域电力系统运行的安全性指标,通过调整发电和负荷功率不断增加多区域电力系统间的交换功率,获取电力系统的在极限运行条件下的极限运行点。
在本发明的一个具体实施例中,电力系统在极限运行状态下满足节点平衡约束、潮流约束、节点电压约束与火力机组出力约束。
具体地,电力系统基准运行状态下节点有功、无功功率平衡约束分别为:
,
,
式中,、/>分别为节点i在t时刻的有功、无功注入功率,/>、/>为节点i的火力发电机组在t时刻的有功、无功出力,/>为节点i的风电场在t时刻的有功出力;/>、/>为节点i在t时刻的有功、无功负荷,λ i为无功负荷与有功负荷的比值。
电网基准运行状态下的线性化潮流约束为:
,
通过线性方程可同时求解节点电压的幅值与相角,潮流方程的等效导纳与/>如下所示:
,
电网基准运行状态下的线路的容量约束为:
,
电网基准运行状态下的节点电压约束为:
,
电网基准运行状态下的电机组出力约束为:
,
其中,本式表示在t时刻下第n台发电机有功出力需在其上下限之间。下式分别表示发电机组单位时间内增加或者减少的出力:
,
式中,、/>为节点i在t时刻电压的相角与幅值;/>、/>为线路(i,j)的电阻与电抗;/>为线路(i,j)的容量上限;/>、/>为各个PQ节点电压的上、下限。/>和/>分别代表每个机组的发电量上限和下限,r是爬坡率上限。
电力系统在极限运行状态下仍满足节点平衡约束、潮流约束、节点电压约束与火力机组出力约束。
电网在极限运行状态下节点有功、无功功率平衡约束分别为:
,
电网在极限运行状态下的线性化潮流约束为:
,
电网基在极限运行状态下的线路的容量约束为:
,
电网在极限运行状态下的节点电压约束为:
,
,
,
电网在极限运行状态下的电机组出力约束为:
,
,
式中,、/>分别为节点i在t时刻的有功、无功注入功率,/>、/>为节点i的火力发电机组在t时刻的有功、无功出力,/>为节点i的风电场在t时刻的有功出力;/>、/>为节点i在t时刻的有功、无功负荷,λi为无功负荷与有功负荷的比值,/>、/>为节点i在t时刻电压的相角与幅值;r ij、x ij为线路(i,j)的电阻与电抗;/>为线路(i,j)的容量上限;V max、V min为各个PQ节点电压的上、下限。/>和/>分别代表每个机组的发电量上限和下限,r是爬坡率上限。SR表示系统中送端区域,SK表示系统中受端区域。电网在极限运行状态下的电机组出力约束公式表示基态与极限态下发电机、负荷的变化关系。由于ATC通常评估区域间的传输能力增加潜力,因此,假设极限运行点与基础运行点的发电出力增量完全由送端的火力机组提供,受端的火力机组出力则不变化。另一方面,极限运行点与基础运行点的负荷增量完全由受端负荷引起,而送端各个节点的负荷保持不变。
步骤S3:根据所述初始运行点集合和极限运行点,并基于多区域电网运行的安全性指标构建ATC评估模型。
步骤S31:根据电力系统最小总体生成成本和最大化不同区域之间的ATC建立目标函数;
所述在极限运行条件下的目标函数为:
,
式中,和/>分别为节点i上火力发电机的极限状态下有功出力及其在初始运行点下的值;G为送端待调整发电节点集合;c i为机组i的单位发电费用,α、β分别为多目标优化的权重系数。
步骤S32:构建电力系统基准运行状态模型,包括网架结构、开机方式、负荷功率、功率增长模式的运行参数以及安全约束条件。
步骤S33:通过调整发电和负荷功率不断增加电网区域间的交换功率,直至有安全约束条件越限,得到电网的极限运行点,构建ATC评估模型。
步骤S4:根据所述ATC评估模型和所述典型日源荷场景集,确定多区域电力系统可用输电能力概率分布。
根据典型日源荷场景集,多区域电力系统可用输电能力概率分布均值计算公式为:
,
式中,ATC s为电网在典型日场景s下的日内可用输电能力,t为每日时段,T为每日时段的集合,ATC t,s为系统在典型日场景s于t时刻的可用输电能力。
生成器接收多区域电力系统的随机噪声和条件值作为输入,而判别器则接收风电出力曲线或负荷曲线与条件值作为输入,并将每个厂站的风电出力数据或负荷数据分解为一个大小为N×T的矩阵。
使用one-hot编码将多区域电力系统中的离散数据转换为二进制向量,并将条件信息引入生成器和判别器的训练过程中,确保生成器和判别器在训练时均能获取条件信息,以使生成和判别样本数据。
将多区域电力系统的噪声、条件值以及真实数据分别输入到生成器和判别器中生成器生成的假样本数据与真实数据一同输入到判别器中进行判别,判别器输出Wasserstein距离的大小作为判别结果,以确定多区域电力系统可用输电能力概率分布。
如图3所示,本申请提供了基于条件生成对抗网络(Conditional GenerativeAdversarial Network,CGAN)的数据驱动场景可控生成方法。旨在利用生成器神经网络和判别器的神经网络之间设置极小极大定理下二人零和博弈。在每次的训练过程中,生成器不断更新其权重以生成“虚假”样本,试图“欺骗”判别器网络,而判别器则试图区分真实的历史样本和生成的样本。这种训练过程将持续进行,直至判别器无法判断生成器的输出结果是否真实。CGAN是在生成对抗网络的基础上,将额外的条件信息输送给判别模型和生成模型,作为输入层的一部分。
假设可再生能源在间t∈T的观测值(j = 1, ..., N)用于每个发电厂。真实的历史数据分布用/>表示,/>未知且不易建模求解。假设可以获得一组服从已知分布/>的噪声向量输入Z(可通过联合高斯法获取),记为/>。转换从/>中抽取的样本Z在使其服从(历史数据)分布,需要通过同时训练也就是同时训练生成器网络与判别器网络来实现。设G表示由/>参数化的生成函数,记为/>;设D表示由/>参数化的生成函数,我们将其写为/>。这里,/>和/>分别是两个神经网络的权重。
生成器:生成器通过不断训练成为获取一批随机变量Z输入后通过一系列上采样操作来输出真实场景。假设Z是一个服从分布的随机变量,那么/>就是一个新的随机变量,我们将其分布表示为/>。
判别器:判别器从真实的历史数据中获取样本,并通过使用另一个深度神经网络进行一系列下采样操作,它输出一个连续值,用于测量输入样本与/>的相似程度。判别器可以表示为:
,
式中:表示由/>参数化的生成函数;/>取自历史数据/>。判别器被不断训练用于判别区分/>以及/>,并最大化/>(真实数据)和/>(生成数据)之间的差异。
在定义了判别器和生成器后,需要为生成器和判别器制定损失函数(分别表示及/>)。其中,/>的值越小,说明从判别器的角度生成器生成样本越真实,而/>的值越小,则表示判别器判别生成的场景和历史场景区别的能力越强。/>和/>为:
,/>,
式中:表示数学期望。
为了在生成器和判别器之间设置博弈,博弈的极小、极大目标使用Wasserstein距离来描述。在CGAN中获取两个随机变量与/>并使他们彼此接近,Wasserstein距离定义为:
,
式中:y为不同类型的条件,为随机变量的/>期望值,/>为随机变量的/>期望值,类标签是根据用户定义的分类指标分配的。类标签只是发电数据分布所反映的样本事件的表示,CGAN应当能够学习条件分布并基于任何给定的有意义条件度量生成样本。
条件场景生成发的具体步骤如下:
生成器接受随机噪声和条件值作为输入,而判别器则接受风电出力曲线或负荷曲线与条件值作为输入。将每个厂站的风电出力数据或负荷数据分解为一个大小为N×T的矩阵。对于风电和负荷,分别选择5个数和3个数作为分类标签,并使用one-hot编码将这些离散的分类标签转换为二进制向量,这种方法可以有效地将条件信息引入生成器和判别器的训练过程中,确保生成器和判别器在训练时都能够获得条件信息,以便更好地生成和判别样本数据。
随后,将这些标签值水平拼接到历史数据矩阵中,以将真实数据和条件值作为训练集输入到判别器中进行训练。同样地,设定从正态分布中随机采样的高斯噪声也具有相同的维度,即N×T,将其与one-hot编码处理后标签值进行横向拼接,并将其作为输入送入生成器进行训练。在每次训练中,选择适量的批次包含噪声、条件值以及真实数据和条件值,并将它们分别输入到生成器和判别器中。生成器生成的假样本数据与真实数据一同输入到判别器中进行判别,判别器会输出Wasserstein距离的大小作为其判别结果。为了提高判别器网络的准确性并减少网络参数的更新次数,从而使训练过程更加稳定,我们选择在训练过程中每四次训练判别器后训练一次生成器。这种交替更新的方法能够平衡生成器和判别器的训练,并确保它们相互影响,以达到更好的训练效果。通过不断地迭代训练,Wasserstein距离会逐渐趋近于0,此时生成器就可以较为准确的生成在不同条件下的风电出力或是负荷场景。
本发明针新能源出力与负荷需求的多维不确定性,用条件生成对抗网络法生成和筛选典型日场景集,进而构建系统的初始运行点集合;提出考虑多区域电网运行的安全性指标的系统极限运行点计算方法,构建ATC评估模型;根据所生成的场景集,获得可用输电能力概率分布,为新型电力系统扩规划与电力市场交易机制提供重要依据。
本发明基于大规模新能源并网引起的新能源出力和负荷需求的多维不确定性提出了一种多区域电力系统可用输电能力评估方法;利用条件生成对抗网络建立的典型日源荷场景集可以涵盖各种可能的运行场景,真实地反映电力系统的运行情况,提高了多区域电力系统可用输电能力评估的准确性;同时,能够准确、高效地在线计算新能源送出断面的ATC可以维持系统安全稳定运行的前提下提高新能源消纳能力;ATC评估模型以最小化火电厂成本和联络线ATC之间差值为多目标函数,并在一组随机的可再生能源出力和负荷需求的场景下进行,在运行不确定性的情况下,可以充分评估连接线的输电裕度,克服了传统可用输电能力评估方法中过于保守的问题。
本发明实施例提供了一种电子设备,包括处理器、存储器及存储在存储器上并可在处理器运行的程序,当所述电子设备运行时,所述处理器执行所述程序时实现如上述任意用于多区域电力系统的可用输电能力评估方法的步骤。
具体地,上述存储器和处理器能够为通用的存储器和处理器,这里不做具体限定,当处理器运行存储器存储的计算机程序时,能够执行上述用于多区域电力系统的可用输电能力评估方法。
对应于上述应用程序的启动方法,本发明实施例还提供了一种存储介质,该存储介质上存储有程序,该程序被处理器运行时执行如上述任意用于多区域电力系统的可用输电能力评估方法的步骤。
本申请实施例所提供的应用程序的启动装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的系统、装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种用于多区域电力系统的可用输电能力评估方法,其特征在于,包括以下步骤:
考虑新能源出力与负荷需求的多维不确定性,基于条件生成对抗网络法确定典型日源荷场景集;
根据所述典型日源荷场景集构建初始运行点集合,确定所述多区域电力系统的极限运行点;
根据所述的初始运行点集合和极限运行点,基于多区域电网运行的安全性指标构建ATC评估模型;
根据所述的ATC评估模型和典型日源荷场景集,确定所述多区域电力系统的可用输电能力概率分布;
所述根据所述的初始运行点集合和极限运行点,基于多区域电网运行的安全性指标构建ATC评估模型,包括:
根据电力系统最小总体生成成本和最大化不同区域之间的ATC建立目标函数:
,
式中,和/>分别为节点i上火力发电机的极限状态下有功出力及其在初始运行点下的值;G为送端待调整发电节点集合;c i为机组i的单位发电费用,α、β分别为多目标优化的权重系数;
构建电力系统基准运行状态模型,所述电力系统基准运行状态模型包括网架结构、开机方式、负荷功率、功率增长模式的运行参数以及安全约束条件;
通过调整发电和负荷功率不断增加电网区域间的交换功率,直至有安全约束条件越限,得到电网的极限运行点,构建ATC评估模型;
所述根据所述的ATC评估模型和典型日源荷场景集,确定所述多区域电力系统的可用输电能力概率分布,包括:
非线性关系生成器接收所述多区域电力系统的随机噪声和条件值作为输入,分类信号判别器接收风电出力曲线或负荷曲线与条件值作为输入,并将每个厂站的风电出力数据或负荷数据分解为矩阵形式;
将所述多区域电力系统的噪声、条件值以及真实数据分别输入到所述分类信号判别器和非线性关系生成器中,并将非线性关系生成器生成的假样本数据与真实数据一同输入到分类信号判别器中进行判别,分类信号判别器输出Wasserstein距离作为判别结果,来确定所述多区域电力系统的可用输电能力概率分布。
2.根据权利要求1所述的用于多区域电力系统的可用输电能力评估方法,其特征在于,所述基于条件生成对抗网络法确定典型日源荷场景集,包括:
基于条件生成对抗网络法,利用深度神经网络模型表征非线性关系生成器以及分类信号判别器,并将条件信息作为输入层输送给所述分类信号判别器和非线性关系生成器,所述条件信息包括:具有时间属性的历史气象数据,电力系统的空间特征,风电厂出力及负荷需求特征;
根据新能源出力与负荷需求的历史数据,构建典型日源荷场景集S 0:
,
,
,
式中:表示接入节点i的风电场出力,S W表示系统中/>的集合,/>表示接入节点i的风电场出力,S D表示系统中/>的集合,W表示系统中风电场节点集合,D表示系统中负荷节点集合。
3.根据权利要求1所述的用于多区域电力系统的可用输电能力评估方法,其特征在于,所述根据所述典型日源荷场景集构建初始运行点集合,确定所述多区域电力系统的极限运行点,包括:
根据初始运行点集合并基于多区域电力系统运行的安全性指标,通过调整发电和负荷功率不断增加多区域电力系统间的交换功率,获取所述多区域电力系统在极限运行条件下的极限运行点。
4.根据权利要求1所述的用于多区域电力系统的可用输电能力评估方法,其特征在于,所述安全约束条件包括:
(1)电力系统基准运行状态下节点有功、无功功率平衡约束分别为:
,
,
式中,、/>分别为节点i在t时刻的有功、无功注入功率,/>、/>为节点i的火力发电机组在t时刻的有功、无功出力,/>为节点i的风电场在t时刻的有功出力;/>、/>为节点i在t时刻的有功、无功负荷,λ i为无功负荷与有功负荷的比值;
电网基准运行状态下的线性化潮流约束为:
,
通过线性方程可同时求解节点电压的幅值与相角,潮流方程的等效导纳与/>如下所示:
,
电网基准运行状态下的线路的容量约束为:
,
电网基准运行状态下的节点电压约束为:
,
电网基准运行状态下的电机组出力约束为:
,
其中,上式表示在t时刻下第n台发电机有功出力需在其上下限之间;
下式分别表示发电机组单位时间内增加或者减少的出力:
,
式中,、/>为节点i在t时刻电压的相角与幅值;/>、/>为线路(i,j)的电阻与电抗;为线路(i,j)的容量上限;/>、/>为各个PQ节点电压的上、下限;/>和/>分别代表每个机组的发电量上限和下限,r是爬坡率上限;
(2)电网在极限运行状态下节点有功、无功功率平衡约束分别为:
,
电网在极限运行状态下的线性化潮流约束为:
,
电网基在极限运行状态下的线路的容量约束为:
,
电网在极限运行状态下的节点电压约束为:
,
,
,
电网在极限运行状态下的电机组出力约束为:
,
,
式中,、/>分别为节点i在t时刻的有功、无功注入功率,/>、/>为节点i的火力发电机组在t时刻的有功、无功出力,/>为节点i的风电场在t时刻的有功出力;/>、/>为节点i在t时刻的有功、无功负荷,/>、/>为节点i在t时刻电压的相角与幅值;r ij、x ij为线路(i,j)的电阻与电抗;/>为线路(i,j)的容量上限;V max、V min为各个PQ节点电压的上、下限;和/>分别代表每个机组的发电量上限和下限,r是爬坡率上限;SR表示系统中送端区域,SK表示系统中受端区域。
5.根据权利要求1-4任意一项所述的用于多区域电力系统的可用输电能力评估方法,其特征在于,所述多区域电力系统的可用输电能力概率分布的均值为:
,
式中,ATC s为电力系统在典型日场景s下的日内可用输电能力,t为每日时段,T为每日时段的集合,ATC t,s为系统在典型日场景s于t时刻的可用输电能力。
6.一种用于多区域电力系统的可用输电能力评估装置,其特征在于,包括:
源荷场景集确定模块,用于考虑新能源出力与负荷需求的多维不确定性,基于条件生成对抗网络法确定典型日源荷场景集;
极限运行点确定模块,用于根据所述典型日源荷场景集构建初始运行点集合,确定所述多区域电力系统的极限运行点;
评估模型构建模块,用于根据所述的初始运行点集合和极限运行点,基于多区域电网运行的安全性指标构建ATC评估模型;
可用输电能力评估模块,用于根据所述的ATC评估模型和典型日源荷场景集,确定所述多区域电力系统的可用输电能力概率分布;
所述根据所述的初始运行点集合和极限运行点,基于多区域电网运行的安全性指标构建ATC评估模型,包括:
根据电力系统最小总体生成成本和最大化不同区域之间的ATC建立目标函数:
,
式中,和/>分别为节点i上火力发电机的极限状态下有功出力及其在初始运行点下的值;G为送端待调整发电节点集合;c i为机组i的单位发电费用,α、β分别为多目标优化的权重系数;
构建电力系统基准运行状态模型,所述电力系统基准运行状态模型包括网架结构、开机方式、负荷功率、功率增长模式的运行参数以及安全约束条件;
通过调整发电和负荷功率不断增加电网区域间的交换功率,直至有安全约束条件越限,得到电网的极限运行点,构建ATC评估模型;
所述根据所述的ATC评估模型和典型日源荷场景集,确定所述多区域电力系统的可用输电能力概率分布,包括:
非线性关系生成器接收所述多区域电力系统的随机噪声和条件值作为输入,分类信号判别器接收风电出力曲线或负荷曲线与条件值作为输入,并将每个厂站的风电出力数据或负荷数据分解为矩阵形式;
将所述多区域电力系统的噪声、条件值以及真实数据分别输入到所述分类信号判别器和非线性关系生成器中,并将非线性关系生成器生成的假样本数据与真实数据一同输入到分类信号判别器中进行判别,分类信号判别器输出Wasserstein距离作为判别结果,来确定所述多区域电力系统的可用输电能力概率分布。
7.一种电子设备,其特征在于,包括处理器、存储器及存储在存储器上并可在处理器运行的程序,当所述电子设备运行时,所述处理器执行所述程序时实现如权利要求1-5任一所述的用于多区域电力系统的可用输电能力评估方法的步骤。
8.一种存储介质,其特征在于,该存储介质上存储有程序,该程序被处理器运行时执行如权利要求1-5任一所述的用于多区域电力系统的可用输电能力评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410281521.2A CN117878932B (zh) | 2024-03-13 | 2024-03-13 | 用于多区域电力系统的可用输电能力评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410281521.2A CN117878932B (zh) | 2024-03-13 | 2024-03-13 | 用于多区域电力系统的可用输电能力评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117878932A CN117878932A (zh) | 2024-04-12 |
CN117878932B true CN117878932B (zh) | 2024-05-17 |
Family
ID=90583384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410281521.2A Active CN117878932B (zh) | 2024-03-13 | 2024-03-13 | 用于多区域电力系统的可用输电能力评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117878932B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020063144A1 (zh) * | 2018-09-30 | 2020-04-02 | 中国电力科学研究院有限公司 | 一种柔性直流电网的能源外送能力评估方法及系统 |
WO2023010760A1 (zh) * | 2021-08-04 | 2023-02-09 | 国网江苏省电力有限公司南通供电分公司 | 配售电竞争态势下区域配电网的供电能力评估方法 |
CN116054130A (zh) * | 2022-12-05 | 2023-05-02 | 东北电力大学 | 基于多项式混沌展开的电力系统可用输电能力控制方法 |
CN116307603A (zh) * | 2023-03-23 | 2023-06-23 | 华北电力大学 | 根据环境特征进行数据驱动的园区综合能源系统灵活性检测方法 |
CN116667435A (zh) * | 2023-05-17 | 2023-08-29 | 华北电力大学 | 一种考虑源荷双侧不确定性的可用输电能力概率评估方法 |
-
2024
- 2024-03-13 CN CN202410281521.2A patent/CN117878932B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020063144A1 (zh) * | 2018-09-30 | 2020-04-02 | 中国电力科学研究院有限公司 | 一种柔性直流电网的能源外送能力评估方法及系统 |
WO2023010760A1 (zh) * | 2021-08-04 | 2023-02-09 | 国网江苏省电力有限公司南通供电分公司 | 配售电竞争态势下区域配电网的供电能力评估方法 |
CN116054130A (zh) * | 2022-12-05 | 2023-05-02 | 东北电力大学 | 基于多项式混沌展开的电力系统可用输电能力控制方法 |
CN116307603A (zh) * | 2023-03-23 | 2023-06-23 | 华北电力大学 | 根据环境特征进行数据驱动的园区综合能源系统灵活性检测方法 |
CN116667435A (zh) * | 2023-05-17 | 2023-08-29 | 华北电力大学 | 一种考虑源荷双侧不确定性的可用输电能力概率评估方法 |
Non-Patent Citations (3)
Title |
---|
一种新的ATC计算方法及其在无功潮流优化中应用;吴巍;;水电能源科学;20110525(05);第168-171页 * |
考虑新能源出力不确定性的可用输电能力在线评估方法;鲍颜红;张金龙;江叶峰;徐伟;毕明德;杨君军;;电力自动化设备;20200430(04);第71-76页 * |
计及风电功率不确定性的电力系统输电可靠性裕度快速评估;李锴等;《电网技术》;20190930;第43卷(第9期);第3337-3343页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117878932A (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Privacy-preserving spatiotemporal scenario generation of renewable energies: A federated deep generative learning approach | |
Hu et al. | A new clustering approach for scenario reduction in multi-stochastic variable programming | |
Liang et al. | Sequence generative adversarial networks for wind power scenario generation | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
CN110889603A (zh) | 一种基于PCA-Copula理论考虑风电相关性的电力系统经济调度方法 | |
CN107133695A (zh) | 一种风电功率预测方法和系统 | |
Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
CN109902340A (zh) | 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 | |
CN111900713A (zh) | 网源协调下考虑负荷和风电随机性多场景输电网规划方法 | |
Hu et al. | Optimal operation of power systems with energy storage under uncertainty: A scenario-based method with strategic sampling | |
Qu et al. | Research on short‐term output power forecast model of wind farm based on neural network combination algorithm | |
CN112418504B (zh) | 一种基于混合变量选择优化深度信念网络风速预测方法 | |
Zhang et al. | Joint forecasting of regional wind and solar power based on attention neural network | |
CN117878932B (zh) | 用于多区域电力系统的可用输电能力评估方法及装置 | |
CN115544860A (zh) | 间歇性分布式电源在复杂运行场景下的出力建模方法 | |
CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
CN115600494A (zh) | 一种低压台区拓扑自动识别方法及装置 | |
Peng et al. | Stochastic scenario generation for wind power and photovoltaic system based on CGAN | |
Khodayar et al. | Deep generative graph learning for power grid synthesis | |
Iqbal et al. | Reinforcement Learning Based Optimal Energy Management of A Microgrid | |
Mahmudy et al. | Genetic algorithmised neuro fuzzy system for forecasting the online journal visitors | |
Fan et al. | Ultra-Short-Term Wind Power Forecasting Based on Fluctuation Pattern Clustering and Prediction | |
Mundotiya et al. | Comprehensive Review on Uncertainty in Wind Power Forecasting-Models and Challenges |
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 |