CN117951473A - 一种特征驱动的可再生能源闭环预测优化方法 - Google Patents
一种特征驱动的可再生能源闭环预测优化方法 Download PDFInfo
- Publication number
- CN117951473A CN117951473A CN202410010459.3A CN202410010459A CN117951473A CN 117951473 A CN117951473 A CN 117951473A CN 202410010459 A CN202410010459 A CN 202410010459A CN 117951473 A CN117951473 A CN 117951473A
- Authority
- CN
- China
- Prior art keywords
- model
- renewable energy
- driven
- cost
- vector
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 239000013598 vector Substances 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 238000012886 linear function Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Abstract
本发明涉及一种特征驱动的可再生能源闭环预测优化方法,属于电力系统网络约束机组组合技术领域。主要分为两部分对特征驱动的闭环预测优化模型进行叙述,第一部分为成本导向预测模型的建立及训练模块,第二部分为闭环预测优化模块。其中,将神经网络算法嵌入模型中,基于该预测模型形成用于提升网络约束机组组合经济性的特征驱动的可再生能源闭环预测优化框架,提升了模型的预测精度及网络约束机组组合的经济性。
Description
技术领域
本发明属于电力系统网络约束机组组合技术领域,具体涉及一种特征驱动的可再生能源闭环预测优化方法。
背景技术
作为电力系统运行和电力市场清算中的一项重要应用,网络约束机组组合问题通常由独立系统运营商按预测-优化流程执行,其中上游预测(如可再生能源和负荷)和下游机组组合在队列中执行。然而,在网络约束机组组合经济性(即实际系统成本)方面,在开环预测-优化结构中,有偏差的预测可能优于以准确性为导向的预测。现已有学者提出一种特征驱动的闭环预测优化框架,利用面向精度的预测作为特征数据,为网络约束机组组合生成成本导向的可再生能源功率预测,然而,对于具有大规模网络约束条件的真实世界大型系统,如果直接求解基于混合整数线性规划的闭环预测优化模型,存在较大难度。
因此,现阶段需设计一种特征驱动的可再生能源闭环预测优化方法,来解决以上问题。
发明内容
本发明目的在于提供一种特征驱动的可再生能源闭环预测优化方法,用于解决上述现有技术中存在的技术问题,将神经网络算法嵌入模型中,基于该预测模型形成用于提升网络约束机组组合经济性的特征驱动的可再生能源闭环预测优化框架,提升了模型的预测精度及网络约束机组组合的经济性。
为实现上述目的,本发明的技术方案是:
一种特征驱动的可再生能源闭环预测优化方法,包括以下步骤:
分析原始网络约束机组组合模型;
利用特征数据和给定场景,形成基于SPO损失的成本导向经验风险最小化问题,用于训练成本导向RES预测模型;
闭环预测优化模块:将训练后的成本导向RES预测模型嵌入原始网络约束机组组合模型中,形成特征驱动的网络约束机组组合决策模型。
进一步的,
原始网络约束机组组合模型如式(1)所示:
s.t.Ax+By≤g
x=[x1,...,xM]∈{0,1}M (1)
其中x表示NCUC问题中二元变量的M维向量;y表示连续变量的向量;c和d表示成本向量;A,B和F表示常数矩阵;g是除可再生能源功率限制外的所有约束的右端向量;表示可再生能源功率极限,其中/>为可再生能源功率预测的向量。
进一步的,利用特征数据和给定场景,形成基于SPO损失的成本导向经验风险最小化问题具体如下:
定义SPO损失,用于量化由于不准确的可再生能源预测信息造成的系统运行成本损失;给定情景s的RES预测值和实际值/>SPO损失/>的定义如式(2)所示,其中/>和/>分别是由/>和/>得出的式(1)的最优目标值;
接着定义考虑的神经网络结构;神经网络由其全连接隐藏层的数量K定义,每层有Nk个神经元,k=1,...,K;输入向量用表示,输出向量用/>表示;每一层的输入量/>是上一层输出量的线性组合,即/>其中隐藏层中的每个神经元都包含一个激活函数,即/>对标量输入进行非线性变换;选取ReLU作为激活函数;ReLU是一个分段线性函数,定义为/>对于每个隐藏层,有:
其中z0=m,即输入向量,Wk是Nk+1×Nk的权重矩阵,bk是层k和k+1之间的Nk+1×1的偏置向量;向量的最大算子定义为/>其中n=1,...,Nk;输出向量如下:
n=WK+1zK+bK+1 (5)
利用和网络约束机组组合模型,即式(1),并嵌入神经网络结构,形成经验风险最小化问题,即式(6),从而训练出以成本为导向的预测模型Wk(k=1,...,K):
s.t.
z0=fs
其中S为训练场景集合,fs为给定场景s的特征数据,求解式(6)是一个训练过程,通过训练得到面向成本的预测模型
进一步的,
特征驱动的网络约束机组组合决策模型:
s.t.Ax+By≤g
z0=f
x=[x1,...,xM]∈{0,1}M (7)
由目标函数z(f)可知模型式(7)是由特征数据f驱动的,即式(7)是一个特征驱动的模型;求解式(7)能预测可再生能源功率同时给出相应的网络约束机组组合最佳决策x*和y*。
一种特征驱动的可再生能源闭环预测优化装置,包括模型分析模块、成本导向预测模型的建立及训练模块、闭环预测优化模块;
所述模型分析模块:分析原始网络约束机组组合模型;
所述成本导向预测模型的建立及训练模块:利用特征数据和给定场景,形成基于SPO损失的成本导向经验风险最小化问题,用于训练成本导向RES预测模型;
闭环预测优化模块:将训练后的成预测模型嵌入原始网络约束机组组合模型中,形成特征驱动的网络约束机组组合决策模型。
进一步的,原始网络约束机组组合模型如式(1)所示:
s.t.Ax+By≤g
x=[x1,...,xM]∈{0,1}M (1)
其中x表示NCUC问题中二元变量的M维向量;y表示连续变量的向量;c和d表示成本向量;A,B和F表示常数矩阵;g是除可再生能源功率限制外的所有约束的右端向量;表示可再生能源功率极限,其中/>为可再生能源功率预测的向量。
进一步的,所述成本导向预测模型的建立及训练模块中,定义SPO损失,用于量化由于不准确的可再生能源预测信息造成的系统运行成本损失;给定情景s的RES预测值和实际值/>SPO损失/>的定义如式(5)所示,其中/>和/>分别是由/>和/>得出的式(1)的最优目标值;
接着定义考虑的神经网络结构;神经网络由其全连接隐藏层的数量K定义,每层有Nk个神经元,k=1,...,K;输入向量用表示,输出向量用/>表示;每一层的输入量/>是上一层输出量的线性组合,即/>其中隐藏层中的每个神经元都包含一个激活函数,即/>对标量输入进行非线性变换;选取ReLU作为激活函数;ReLU是一个分段线性函数,定义为/>对于每个隐藏层,有:
其中z0=m,即输入向量,Wk是Nk+1×Nk的权重矩阵,bk是层k和k+1之间的Nk+1×1的偏置向量;向量的最大算子定义为/>其中n=1,...,Nk;输出向量如下:
n=WK+1zK+bK+1 (8)
利用和网络约束机组组合模型,即式(1),并嵌入神经网络结构,形成经验风险最小化问题,即式(9),从而训练出以成本为导向的预测模型Wk(k=1,...,K):
s.t.
z0=fs
其中S为训练场景集合,fs为给定场景s的特征数据,求解式(9)是一个训练过程,通过训练得到面向成本的预测模型
进一步的,特征驱动的网络约束机组组合决策模型:
s.t.Ax+By≤g
z0=f
x=[x1,...,xM]∈{0,1}M (10)
由目标函数z(f)可知模型式(10)是由特征数据f驱动的,即式(10)是一个特征驱动的模型;求解式(10)能预测可再生能源功率同时给出相应的网络约束机组组合最佳决策x*和y*。
一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被运行时执行如上述的一种特征驱动的可再生能源闭环预测优化方法。
一种电子设备,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于运行所述存储器存储的可执行指令时,实现上述的一种特征驱动的可再生能源闭环预测优化方法。
与现有技术相比,本发明所具有的有益效果为:
本方案其中一个有益效果在于,提出了一种成本导向的可再生能源预测模型,将神经网络算法嵌入模型中,基于该预测模型形成用于提升网络约束机组组合经济性的特征驱动的可再生能源闭环预测优化框架,提升了模型的预测精度及网络约束机组组合的经济性。
附图说明
图1为本发明的步骤流程示意图。
具体实施方式
为了使本发明的目的,技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。需要说明的是,术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
而且,术语“包括”,“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程,方法,物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程,方法,物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程,方法,物品或者设备中还存在另外的相同要素。
如图1所示,提出一种特征驱动的可再生能源闭环预测优化方法,包括以下步骤:
分析原始网络约束机组组合模型;
利用特征数据和给定场景,形成基于SPO损失的成本导向经验风险最小化问题,用于训练成本导向RES预测模型;
闭环预测优化模块:将训练后的成预测模型嵌入原始网络约束机组组合模型中,形成特征驱动的网络约束机组组合决策模型。
进一步的,
原始网络约束机组组合模型如式(1)所示:
s.t.Ax+By≤g
x=[x1,...,xM]∈{0,1}M (1)
其中x表示NCUC问题中二元变量的M维向量;y表示连续变量的向量;c和d表示成本向量;A,B和F表示常数矩阵;g是除可再生能源功率限制外的所有约束的右端向量;表示可再生能源功率极限,其中/>为可再生能源功率预测的向量。
进一步的,利用特征数据和给定场景,形成基于SPO损失的成本导向经验风险最小化问题具体如下:
定义SPO损失,用于量化由于不准确的可再生能源预测信息造成的系统运行成本损失;给定情景s的RES预测值和实际值/>SPO损失/>的定义如式(2)所示,其中/>和/>分别是由/>和/>得出的式(1)的最优目标值;
接着定义考虑的神经网络结构;神经网络由其全连接隐藏层的数量K定义,每层有Nk个神经元,k=1,...,K;输入向量用表示,输出向量用/>表示;每一层的输入量/>是上一层输出量的线性组合,即/>其中隐藏层中的每个神经元都包含一个激活函数,即/>对标量输入进行非线性变换;选取ReLU作为激活函数;ReLU是一个分段线性函数,定义为/>对于每个隐藏层,有:
其中z0=m,即输入向量,Wk是Nk+1×Nk的权重矩阵,bk是层k和k+1之间的Nk+1×1的偏置向量;向量的最大算子定义为/>其中n=1,...,Nk;输出向量如下:
n=WK+1zK+bK+1 (5)
利用和网络约束机组组合模型,即式(1),并嵌入神经网络结构,形成经验风险最小化问题,即式(6),从而训练出以成本为导向的预测模型Wk(k=1,...,K):
s.t.
z0=fs
其中S为训练场景集合,fs为给定场景s的特征数据,求解式(6)是一个训练过程,通过训练得到面向成本的预测模型
进一步的,
特征驱动的网络约束机组组合决策模型:
s.t.Ax+By≤g
z0=f
x=[x1,...,xM]∈{0,1}M (7)
由目标函数z(f)可知模型式(7)是由特征数据f驱动的,即式(7)是一个特征驱动的模型;求解式(7)能预测可再生能源功率同时给出相应的网络约束机组组合最佳决策x*和y*,因此式(7)是一个网络约束机组组合决策模型,可以执行预测即优化,而不是预测再优化。
一种特征驱动的可再生能源闭环预测优化装置,包括模型分析模块、成本导向预测模型的建立及训练模块、闭环预测优化模块;
所述模型分析模块:分析原始网络约束机组组合模型;
所述成本导向预测模型的建立及训练模块:利用特征数据和给定场景,形成基于SPO损失的成本导向经验风险最小化问题,用于训练成本导向RES预测模型;
闭环预测优化模块:将训练后的成预测模型嵌入原始网络约束机组组合模型中,形成特征驱动的网络约束机组组合决策模型。
进一步的,原始网络约束机组组合模型如式(1)所示:
s.t.Ax+By≤g
x=[x1,...,xM]∈{0,1}M (1)
其中x表示NCUC问题中二元变量的M维向量;y表示连续变量的向量;c和d表示成本向量;A,B和F表示常数矩阵;g是除可再生能源功率限制外的所有约束的右端向量;表示可再生能源功率极限,其中/>为可再生能源功率预测的向量。
进一步的,所述成本导向预测模型的建立及训练模块中,定义SPO损失,用于量化由于不准确的可再生能源预测信息造成的系统运行成本损失;给定情景s的RES预测值和实际值/>SPO损失/>的定义如式(5)所示,其中/>和/>分别是由/>和/>得出的式(1)的最优目标值;
接着定义考虑的神经网络结构;神经网络由其全连接隐藏层的数量K定义,每层有Nk个神经元,k=1,...,K;输入向量用表示,输出向量用/>表示;每一层的输入量/>是上一层输出量的线性组合,即/>其中隐藏层中的每个神经元都包含一个激活函数,即/>对标量输入进行非线性变换;选取ReLU作为激活函数;ReLU是一个分段线性函数,定义为/>对于每个隐藏层,有:
其中z0=m,即输入向量,Wk是Nk+1×Nk的权重矩阵,bk是层k和k+1之间的Nk+1×1的偏置向量;向量的最大算子定义为/>其中n=1,...,Nk;输出向量如下:
n=WK+1zK+bK+1 (8)
利用和网络约束机组组合模型,即式(1),并嵌入神经网络结构,形成经验风险最小化问题,即式(9),从而训练出以成本为导向的预测模型Wk(k=1,...,K):
s.t.
z0=fs
其中S为训练场景集合,fs为给定场景s的特征数据,求解式(9)是一个训练过程,通过训练得到面向成本的预测模型
进一步的,特征驱动的网络约束机组组合决策模型:
s.t.Ax+By≤g
z0=f
x=[x1,...,xM]∈{0,1}M (10)
由目标函数z(f)可知模型式(10)是由特征数据f驱动的,即式(10)是一个特征驱动的模型;求解式(10)能预测可再生能源功率同时给出相应的网络约束机组组合最佳决策x*和y*。
一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被运行时执行如上述的一种特征驱动的可再生能源闭环预测优化方法。
一种电子设备,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于运行所述存储器存储的可执行指令时,实现上述的一种特征驱动的可再生能源闭环预测优化方法。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (10)
1.一种特征驱动的可再生能源闭环预测优化方法,其特征在于,包括以下步骤:
分析原始网络约束机组组合模型;
利用特征数据和给定场景,形成基于SPO损失的成本导向经验风险最小化问题,用于训练成本导向RES预测模型;
将训练后的成本导向RES预测模型嵌入原始网络约束机组组合模型中,形成特征驱动的网络约束机组组合决策模型。
2.根据权利要求1所述的一种特征驱动的可再生能源闭环预测优化方法,其特征在于,
原始网络约束机组组合模型如式(1)所示:
s.t.Ax+By≤g
x=[x1,...,xM]∈{0,1}M (1)
其中x表示NCUC问题中二元变量的M维向量;y表示连续变量的向量;c和d表示成本向量;A,B和F表示常数矩阵;g是除可再生能源功率限制外的所有约束的右端向量;表示可再生能源功率极限,其中/>为可再生能源功率预测的向量。
3.根据权利要求2所述的一种特征驱动的可再生能源闭环预测优化方法,其特征在于,利用特征数据和给定场景,形成基于SPO损失的成本导向经验风险最小化问题具体如下:
定义SPO损失,用于量化由于不准确的可再生能源预测信息造成的系统运行成本损失;给定情景s的RES预测值和实际值/>SPO损失/>的定义如式(2)所示,其中和/>分别是由/>和/>得出的式(1)的最优目标值;
接着定义考虑的神经网络结构;神经网络由其全连接隐藏层的数量K定义,每层有Nk个神经元,k=1,...,K;输入向量用表示,输出向量用/>表示;每一层的输入量是上一层输出量的线性组合,即/>其中隐藏层中的每个神经元都包含一个激活函数,即/>对标量输入进行非线性变换;选取ReLU作为激活函数;ReLU是一个分段线性函数,定义为/>对于每个隐藏层,有:
其中z0=m,即输入向量,Wk是Nk+1×Nk的权重矩阵,bk是层k和k+1之间的Nk+1×1的偏置向量;向量的最大算子定义为/>其中n=1,...,Nk;输出向量如下:
n=WK+1zK+bK+1 (5)
利用和网络约束机组组合模型,即式(1),并嵌入神经网络结构,形成经验风险最小化问题,即式(6),从而训练出以成本为导向的预测模型Wk(k=1,...,K):
z0=fs
其中S为训练场景集合,fs为给定场景s的特征数据,求解式(6)是一个训练过程,通过训练得到面向成本的预测模型
4.根据权利要求3所述的一种特征驱动的可再生能源闭环预测优化方法,其特征在于,
特征驱动的网络约束机组组合决策模型:
s.t.Ax+By≤g
z0=f
x=[x1,...,xM]∈{0,1}M (7)
由目标函数z(f)可知模型式(7)是由特征数据f驱动的,即式(7)是一个特征驱动的模型;求解式(7)能预测可再生能源功率同时给出相应的网络约束机组组合最佳决策x*和y*。
5.一种特征驱动的可再生能源闭环预测优化装置,其特征在于,包括模型分析模块、成本导向预测模型的建立及训练模块、闭环预测优化模块;
所述模型分析模块:分析原始网络约束机组组合模型;
所述成本导向预测模型的建立及训练模块:利用特征数据和给定场景,形成基于SPO损失的成本导向经验风险最小化问题,用于训练成本导向RES预测模型;
闭环预测优化模块:将训练后的成预测模型嵌入原始网络约束机组组合模型中,形成特征驱动的网络约束机组组合决策模型。
6.根据权利要求5所述的一种特征驱动的可再生能源闭环预测优化装置,其特征在于,原始网络约束机组组合模型如式(1)所示:
s.t.Ax+By≤g
x=[x1,...,xM]∈{0,1}M (1)
其中x表示NCUC问题中二元变量的M维向量;y表示连续变量的向量;c和d表示成本向量;A,B和F表示常数矩阵;g是除可再生能源功率限制外的所有约束的右端向量;表示可再生能源功率极限,其中/>为可再生能源功率预测的向量。
7.根据权利要求6所述的一种特征驱动的可再生能源闭环预测优化装置,其特征在于,所述成本导向预测模型的建立及训练模块中,定义SPO损失,用于量化由于不准确的可再生能源预测信息造成的系统运行成本损失;给定情景s的RES预测值和实际值/>SPO损失的定义如式(5)所示,其中/>和/>分别是由/>和/>得出的式(1)的最优目标值;
接着定义考虑的神经网络结构;神经网络由其全连接隐藏层的数量K定义,每层有Nk个神经元,k=1,...,K;输入向量用表示,输出向量用/>表示;每一层的输入量是上一层输出量的线性组合,即/>其中隐藏层中的每个神经元都包含一个激活函数,即/>对标量输入进行非线性变换;选取ReLU作为激活函数;ReLU是一个分段线性函数,定义为/>对于每个隐藏层,有:
其中z0=m,即输入向量,Wk是Nk+1×Nk的权重矩阵,bk是层k和k+1之间的Nk+1×1的偏置向量;向量的最大算子定义为/>其中n=1,...,Nk;输出向量如下:
n=WK+1zK+bK+1 (8)
利用和网络约束机组组合模型,即式(1),并嵌入神经网络结构,形成经验风险最小化问题,即式(9),从而训练出以成本为导向的预测模型Wk(k=1,...,K):
z0=fs
其中S为训练场景集合,fs为给定场景s的特征数据,求解式(9)是一个训练过程,通过训练得到面向成本的预测模型
8.根据权利要求7所述的一种特征驱动的可再生能源闭环预测优化装置,其特征在于,特征驱动的网络约束机组组合决策模型:
s.t.Ax+By≤g
z0=f
x=[x1,...,xM]∈{0,1}M (10)
由目标函数z(f)可知模型式(10)是由特征数据f驱动的,即式(10)是一个特征驱动的模型;求解式(10)能预测可再生能源功率同时给出相应的网络约束机组组合最佳决策x*和y*。
9.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被运行时执行如权利要求1-4任一项所述的一种特征驱动的可再生能源闭环预测优化方法。
10.一种电子设备,其特征在于,所述电子设备包括:
存储器,用于存储可执行指令;
处理器,用于运行所述存储器存储的可执行指令时,实现权利要求1-4任一项所述的一种特征驱动的可再生能源闭环预测优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410010459.3A CN117951473A (zh) | 2024-01-03 | 2024-01-03 | 一种特征驱动的可再生能源闭环预测优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410010459.3A CN117951473A (zh) | 2024-01-03 | 2024-01-03 | 一种特征驱动的可再生能源闭环预测优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117951473A true CN117951473A (zh) | 2024-04-30 |
Family
ID=90793674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410010459.3A Pending CN117951473A (zh) | 2024-01-03 | 2024-01-03 | 一种特征驱动的可再生能源闭环预测优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117951473A (zh) |
-
2024
- 2024-01-03 CN CN202410010459.3A patent/CN117951473A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Hybrid krill herd algorithm with differential evolution for global numerical optimization | |
CN103164742B (zh) | 一种基于粒子群优化神经网络的服务器性能预测方法 | |
Liang et al. | Biased ReLU neural networks | |
CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
CN114757104B (zh) | 一种串联闸群调水工程水力实时调控模型的构建方法 | |
Li et al. | Expensive optimization via surrogate-assisted and model-free evolutionary optimization | |
Wei et al. | K-NN based neuro-fuzzy system for time series prediction | |
CN117668563B (zh) | 文本识别方法、装置、电子设备及可读存储介质 | |
Shu et al. | Multi-step-ahead monthly streamflow forecasting using convolutional neural networks | |
Liu et al. | Learning to learn evolutionary algorithm: A learnable differential evolution | |
Rao et al. | Multi-objective adaptive clonal selection algorithm for solving optimal power flow problem with load uncertainty | |
Pawar et al. | Wind power forecasting using support vector machine model in rstudio | |
Souquet et al. | Convolutional neural network architecture search based on fractal decomposition optimization algorithm | |
CN117951473A (zh) | 一种特征驱动的可再生能源闭环预测优化方法 | |
CN116266128A (zh) | 一种用于生态平台资源调度的方法及系统 | |
Rajkumar et al. | Weather forecasting using fuzzy neural network (FNN) and hierarchy particle swarm optimization algorithm (HPSO) | |
Su et al. | A combined model based on secondary decomposition technique and grey wolf optimizer for short-term wind power forecasting | |
Hayes et al. | Multi-objective coordination graphs for the expected scalarised returns with generative flow models | |
Im et al. | Computational complexity reduction of deep neural networks | |
Albelwi | A Robust Energy Consumption Forecasting Model using ResNet-LSTM with Huber Loss | |
Frejinger et al. | A language processing algorithm for predicting tactical solutions to an operational planning problem under uncertainty | |
Markolf et al. | Learning-based Optimal Control of Constrained Switched Linear Systems using Neural Networks. | |
CN112712202B (zh) | 一种短期风电功率预测方法、装置、电子设备和存储介质 | |
Al-Betar et al. | Equilibrium optimizer: a comprehensive survey | |
He | A Survey on Time Series Forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |