CN117977580A - 一种基于开源鸿蒙系统的电力线控制方法 - Google Patents
一种基于开源鸿蒙系统的电力线控制方法 Download PDFInfo
- Publication number
- CN117977580A CN117977580A CN202410366897.3A CN202410366897A CN117977580A CN 117977580 A CN117977580 A CN 117977580A CN 202410366897 A CN202410366897 A CN 202410366897A CN 117977580 A CN117977580 A CN 117977580A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- model
- charging
- energy storage
- 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 78
- 238000004146 energy storage Methods 0.000 claims abstract description 140
- 230000005611 electricity Effects 0.000 claims abstract description 103
- 238000010248 power generation Methods 0.000 claims abstract description 99
- 238000005457 optimization Methods 0.000 claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000007726 management method Methods 0.000 claims description 77
- 238000012549 training Methods 0.000 claims description 54
- 238000013528 artificial neural network Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 29
- 230000007704 transition Effects 0.000 claims description 25
- 238000012417 linear regression Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 13
- 238000002790 cross-validation Methods 0.000 claims description 13
- 230000001419 dependent effect Effects 0.000 claims description 13
- 238000011161 development Methods 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013439 planning Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000005381 potential energy Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 14
- 230000001976 improved effect Effects 0.000 description 14
- 238000012545 processing Methods 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 239000000306 component Substances 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000036961 partial effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000008093 supporting effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000010076 replication Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000005612 types of electricity Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种基于开源鸿蒙系统的电力线控制方法,涉及发电储能技术领域,包括:采集发电装置的电力数据;电力管理系统基于开源鸿蒙系统的智能算法平台,接收并处理传输的电力数据;利用基于开源鸿蒙系统的需求预测模型,计算发电装置的需求用电数据;根据得到的需求用电数据,通过基于开源鸿蒙系统的用电模型,计算剩余电力数据;根据得到的剩余电力数据,通过基于开源鸿蒙系统的充电优化模型,计算分配给储能装置进行充电的储能电力数据;根据计算得到的剩余电力数据和储能电力数据,通过基于开源鸿蒙系统的发电成本模型,计算上网销售的上网电力数据。针对现有技术中电力系统能源利用率低的问题,本申请提高了能源利用率。
Description
技术领域
本申请涉及发电储能技术领域,特别涉及一种基于开源鸿蒙系统的电力线控制方法。
背景技术
随着信息技术的发展和智能电网的建设,大数据、人工智能、物联网等新兴技术在电力系统中得到广泛应用。智能电表、电力物联网传感器等设备的部署,使得海量的电力数据得以采集和传输,为电力系统的智能化升级提供了数据基础。但是,如何有效利用这些数据,挖掘其中蕴含的价值,构建智能化的电力优化控制体系,仍然是一个亟待解决的问题。
在电力系统运行中,由于负荷预测偏差、新能源发电功率波动等因素,往往会出现电力供需不平衡的情况,导致电力系统能源利用效率低下。剩余电力得不到及时、合理的分配和利用,造成能源浪费。同时,由于缺乏智能化的充电策略,储能装置的充放电效率低,不能有效发挥其调峰填谷、提高能源利用效率的作用。
在相关技术中,比如中国专利文献CN111541256B中提供了一种能量控制方法和发电储能系统,该方法中在储能系统所处时段为充电时段时,控制发电系统的发电功率中的预设部分优先为自用电系统供电,并依据在预设部分为自用系统供电是否存在剩余功率来控制储能系统不充电或以该剩余功率为充电功率进行充电,以使该储能系统并不是以满额发电功率为基准进行充电,而是以该剩余功率为基准进行充电,进而在发电功率大幅下降时,能够以该发电功率中除了预设部分以外的其他部分作为缓冲,使该储能系统从电网吸取少量电量,甚至不从电网吸取电量,减少了发电储能系统的超额电量。但是该方案中储能系统的充电功率仅仅依赖于预设部分为自用系统供电后的剩余功率,当预设部分为自用系统供电后不存在剩余功率时,即使发电系统还有其他部分的发电功率,储能系统也不会进行充电,因此该方案的充电效率有待进一步提高。
发明内容
1.要解决的技术问题
针对现有技术中存在的电力系统能源利用率低的问题,本申请提供了一种基于开源鸿蒙系统的电力线控制方法,基于开源鸿蒙系统,通过剩余电力分配和储能充电策略优化等,提高了能源利用率。
2.技术方案
本申请的目的通过以下技术方案实现。
本说明书实施例提供一种基于开源鸿蒙系统的电力线控制方法,包括:采集发电装置的电力数据,并将电力数据传输给电力管理系统;电力管理系统基于开源鸿蒙系统的智能算法平台,接收并处理传输的电力数据;电力管理系统根据接收的电力数据,利用基于开源鸿蒙系统的需求预测模型,计算发电装置的需求用电数据,其中,需求预测模型采用LSTM神经网络构建;根据得到的需求用电数据,通过基于开源鸿蒙系统的用电模型,计算剩余电力数据,其中,用电模型采用LASSO回归算法构建;根据得到的剩余电力数据,通过基于开源鸿蒙系统的充电优化模型,计算分配给储能装置进行充电的储能电力数据;其中,基于贪心算法构建充电优化模型;根据计算得到的剩余电力数据和储能电力数据,通过基于开源鸿蒙系统的发电成本模型,计算上网销售的上网电力数据;其中,发电成本模型采用多元线性回归算法构建。
其中,发电装置是指用于将其他形式的能量转换为电能的设备或系统。常见的发电装置包括火力发电机组、水力发电机组、风力发电机组、光伏发电系统等。这些发电装置通过燃烧化石燃料、利用水流冲击、风力驱动或太阳能光照等方式,将化学能、机械能或光能转换为电能,并输送到电网中供电力用户使用。发电装置的运行状态和电力数据是电力系统管理和优化的重要依据。
其中,开源鸿蒙系统是由华为公司开发的一款基于微内核架构的分布式操作系统。它面向全场景、全连接、全智能时代,支持多种设备终端,提供了统一的开发框架和丰富的系统服务。开源鸿蒙系统采用组件化设计,具有高度可定制性和可扩展性,支持多语言开发和跨平台部署。同时,开源鸿蒙系统内置了丰富的人工智能框架和算法库,为智能应用开发提供了便利。在电力控制方案中,开源鸿蒙系统作为底层操作系统平台,为需求预测、用电分析、充电优化、发电成本计算等功能模块提供了统一的运行环境和开发接口。
其中,LASSO(Least Absolute Shrinkage and Selection Operator)回归是一种常用的线性回归算法,特别适用于处理高维度、多变量的数据。LASSO回归通过在损失函数中引入L1正则化项,实现了变量的自动筛选和稀疏化。它能够将部分回归系数压缩为零,从而选择出对目标变量影响最大的特征变量。与普通的最小二乘法相比,LASSO回归具有更强的特征选择能力和模型解释性。在电力控制方案中,LASSO回归被用于构建用电模型,通过筛选关键用电特征,实现对剩余电力的精准估计。
其中,贪心算法是一种常用的启发式优化算法,它遵循局部最优的策略,在每一步选择中都做出当前最优的决策,以期达到全局最优的目标。贪心算法通过逐步构建问题的解,每一步都选择当前状态下的最优解,最终得到整个问题的最优解。虽然贪心算法不能保证得到全局最优解,但在许多实际问题中,它能够以较低的时间复杂度得到接近最优的解。在电力控制方案中,贪心算法被用于构建充电优化模型,通过每次选择充电成本最低的剩余电力,实现储能装置的经济高效充电。
其中,上网电力数据:上网电力数据是指发电装置向电网销售的电力数据。发电装置产生的电力在满足本地用电需求后,剩余的电力可以通过电网销售给其他用户,实现电力资源的共享和交易。上网电力数据反映了发电装置的发电能力和经济效益,是电力系统运营和市场交易的重要指标。在电力控制方案中,上网电力数据根据剩余电力数据和储能电力数据,通过发电成本模型进行计算和优化,以期获得最大的经济收益。同时,上网电力数据也是电网调度和电力平衡的重要依据,对维护电网稳定和安全具有重要意义。
进一步的,采集发电装置的电力数据包括:采集发电装置的有功功率和无功功率;其中,有功功率指参与实际工作的势能与动能转换的功率,反映电网中电能的传输效率;无功功率指没有参与实际工作转换但在电网中消耗的功率,反映电网中无效功率损耗。
其中,有功功率是指在电力系统中,能够转化为其他形式能量(如机械能、热能、光能等)并做有用功的电能传输速率。它反映了电能实际完成工作的能力,是衡量电力系统实际输出和用电设备实际消耗的重要指标。在交流电路中,有功功率等于电压与电流的实部乘积,单位通常为瓦特(W)或千瓦(kW)。在发电装置的运行监测中,有功功率反映了发电机组的实际输出能力和效率。通过采集和分析有功功率数据,可以评估发电装置的运行状态、能量转换效率和经济性能,为发电优化和电力调度提供依据。
其中,无功功率是指在电力系统中,不能转化为其他形式能量、不做有用功,但在电路中往返传输的电能速率。它反映了电力系统中的无效电能消耗,是由电感性负载(如电动机、变压器等)和电容性负载(如电力电容器等)引起的。在交流电路中,无功功率等于电压与电流的虚部乘积,单位通常为乏(Var)或千乏(kVar)。无功功率虽然不直接参与电能的实际消耗,但它在电力系统中的传输和分配过程中会引起额外的功率损耗和电压降,影响电能质量和供电可靠性。过大的无功功率会加重输电线路和变压器的负荷,增加线路损耗,降低电网的传输效率和稳定性。在发电装置的运行监测中,无功功率反映了发电机组的无功出力和电网的无功平衡状态。通过采集和分析无功功率数据,可以评估发电装置的无功调节能力,优化电网的无功补偿和电压调节,提高电能质量和供电可靠性。
进一步的,获取需求用电数据,包括:构建LSTM神经网络,作为需求预测模型;将采集的有功功率和无功功率作为输入数据,输入到LSTM神经网络的输入层;将对应的需求用电数据作为样本标签,输入到LSTM神经网络的输出层;通过反向传播算法,最小化样本标签与LSTM神经网络输出之间的误差,对LSTM神经网络进行训练,得到训练后的需求预测模型;利用训练后的需求预测模型,预测需求用电数据。
其中,反向传播(Back propagation,简称BP)算法是一种用于训练人工神经网络的常用算法。它通过递归地计算损失函数对网络中各个参数的梯度,并利用梯度下降法更新参数,使得神经网络的输出与期望输出之间的误差最小化。反向传播算法是神经网络学习的核心算法,使得神经网络能够通过训练数据自动调整连接权重和阈值,实现对输入-输出映射关系的拟合和学习。
具体的,前向传播:将输入数据通过神经网络的各层计算,得到输出结果。误差计算:将网络输出与期望输出(样本标签)进行比较,计算误差(如均方误差、交叉熵等)。反向传播:从输出层开始,根据误差函数对各层参数的偏导数,递归地计算误差项在网络中的传播和累积。参数更新:利用计算得到的误差项,通过梯度下降法更新各层的连接权重和阈值,使得网络输出与期望输出的误差最小化。通过多次迭代上述过程,反向传播算法能够不断优化神经网络的参数,使其在训练数据上的拟合能力不断提高。反向传播算法的核心思想是利用链式法则和梯度下降,将误差从输出层反向传播到输入层,并根据误差调整网络参数,实现网络的自适应学习。在需求预测模型的训练中,反向传播算法用于调整LSTM神经网络的参数(如输入门、遗忘门、输出门的权重等),使得网络能够根据历史的有功功率和无功功率数据,准确预测未来的需求用电数据。通过最小化预测值与实际值(样本标签)之间的误差,反向传播算法使得LSTM网络具备了时序数据的建模和预测能力。
其中,样本标签(Sample Label)是指在监督学习任务中,与输入数据对应的真实输出或目标值。它表示了我们希望机器学习模型能够学习和拟合的正确答案。在训练数据集中,每个输入样本都有一个对应的标签,用于指导模型的学习和评估模型的性能。具体的,与输入数据一一对应:每个输入样本都有一个唯一的标签,表示该样本的真实输出或所属类别。提供学习目标:样本标签定义了机器学习模型需要学习和拟合的目标函数,即将输入映射到正确的输出。用于训练和评估:在模型训练阶段,样本标签与模型的预测输出进行比较,计算误差并指导模型的参数调整。在模型评估阶段,样本标签用于计算模型的性能指标,如准确率、精度、召回率等。在需求预测模型中,样本标签就是与输入的有功功率和无功功率数据对应的真实需求用电数据。通过将历史的需求用电数据作为样本标签,LSTM神经网络可以学习输入功率数据与需求用电量之间的关系,并在训练后对新的输入功率数据进行需求预测。样本标签的质量和数量直接影响了需求预测模型的性能和泛化能力。
进一步的,计算剩余电力数据,包括:将需求预测模型预测得到的需求用电数据作为自变量,将与自变量对应的历史时间段内的剩余电力数据作为应变量,构建LASSO回归模型;设置LASSO正则化参数λ的初始值;LASSO回归模型表达式如下:,其中是自变量,y是应变量,/>是回归系数;基于自变量和应变量训练构建的LASSO回归模型,通过L1正则化将对应变量预测贡献小于预设阈值的自变量的回归系数归零,得到训练后的LASSO回归模型;通过交叉验证方法,重复训练并调整正则化参数/>的值,选择预测误差最小的LASSO回归模型,作为用电模型;通过用电模型,根据输入的需求用电数据,计算剩余电力数据。
其中,L1正则化,也称为Lasso(Least Absolute Shrinkage and SelectionOperator)正则化,是一种常用的正则化方法,用于控制机器学习模型的复杂度和防止过拟合。它通过在损失函数中加入L1范数作为正则化项,对模型的参数(如回归系数)进行约束和稀疏化。具体来说,L1正则化在损失函数中引入了参数绝对值之和,即L1范数,作为惩罚项。优化目标变为最小化损失函数和L1正则化项的加权和,表达式如下:,其中,/>表示模型的损失函数,如均方误差等;/>表示参数绝对值之和;λ是正则化参数,控制正则化强度。在LASSO回归模型中,L1正则化用于控制模型的复杂度,通过调整正则化参数λ,可以平衡模型的拟合能力和稀疏性。较大的λ会导致更多的回归系数被压缩为0,得到更稀疏的模型;较小的λ会保留更多的特征,得到更复杂的模型。通过L1正则化,LASSO回归模型可以自动选择关键的需求用电特征,提高剩余电力预测的精度和鲁棒性。
其中,交叉验证(Cross-Validation)是一种常用的模型性能评估和选择方法,特别适用于数据量有限的情况。它通过将数据集划分为多个子集,并重复使用不同的子集进行训练和测试,来评估模型的泛化性能和选择最优的模型超参数。常见的交叉验证方法包括:留出法(Hold-out Method):将数据集随机划分为训练集和测试集,用训练集训练模型,用测试集评估模型性能。k折交叉验证(k-fold Cross-Validation):将数据集随机划分为k个大小相似的子集,每次选择其中一个子集作为测试集,其余k-1个子集作为训练集,重复k次验证过程,取k次性能的平均值作为模型的性能估计。留一法(Leave-one-out Cross-Validation):每次只留一个样本作为测试集,其余样本作为训练集,重复n次(n为样本数)验证过程,取n次性能的平均值作为模型的性能估计。在LASSO回归模型的训练中,交叉验证用于选择最优的正则化参数λ。通过重复划分数据集并训练模型,选择在验证集上预测误差最小的λ值,可以得到性能最优、泛化能力最强的LASSO回归模型。交叉验证确保了模型的稳健性和对未知数据的预测能力,提高了剩余电力预测的可靠性。
进一步的,选择预测误差最小的LASSO回归模型,作为用电模型,包括:将历史数据中的剩余电力数据作为LASSO回归模型的训练集;设置不同的候选正则化参数的值,对于每个候选正则化参数/>的值,执行以下步骤:利用当前的候选正则化参数/>的值,训练得到对应的LASSO回归模型;利用训练后的LASSO回归模型对训练集进行预测,计算预测值与实际值之间的均方误差,作为训练误差;基于当前的LASSO回归模型的训练误差,计算对应的Akaike信息准则值AIC值;比较所有候选正则化参数/>对应的LASSO回归模型的AIC值,选择AIC值最小的LASSO回归模型作为用电模型。
其中,正则化参数(Regularization Parameter),通常用λ表示,是正则化方法中的关键参数,用于控制正则化的强度和影响模型的复杂度。它在损失函数中与正则化项相乘,决定了正则化项在整个优化目标中的权重。选择合适的正则化参数是正则化方法的关键。通常采用交叉验证、网格搜索等方法,在候选的λ值集合中选择模型性能最优的λ值。在LASSO回归模型中,λ值的选择直接影响了模型的稀疏性、泛化能力和预测性能。
其中,Akaike信息准则(Akaike Information Criterion,简称AIC)是一种用于比较和选择统计模型的标准。它衡量了模型的拟合优度和复杂度之间的平衡,选择AIC值最小的模型作为最优模型。AIC的计算公式如下:,其中,k是模型的参数个数,L是模型的最大似然函数值。在模型选择时,我们计算每个候选模型的AIC值,选择AIC值最小的模型作为最优模型。AIC能够在模型的拟合优度和复杂度之间取得平衡,选出在预测性能和泛化能力上都表现良好的模型。在LASSO回归模型的选择中,对于每个候选的正则化参数λ,我们训练对应的LASSO模型,计算其在训练集上的预测误差和AIC值。通过比较不同λ值下模型的AIC值,我们可以选择出最优的正则化参数和LASSO回归模型,作为最终的用电模型。这确保了用电模型在拟合训练数据和泛化预测能力之间达到了最佳平衡。
进一步的,计算储能电力数据,包括:构建充电优化模型;将用电模型计算得到的剩余电力数据作为充电优化模型的输入数据;获取储能装置的总容量和当前蓄电量作为充电优化模型的约束条件参数;遍历输入的剩余电力数据,计算每个剩余电力对应的充电成本/>,充电成本/>由剩余电力的电价和电量决定;根据计算得到的充电成本,对剩余电力数据按照充电成本从低到高的顺序进行排序,得到排序后的剩余电力数据;将排序后的剩余电力数据、充电成本、储能装置的总容量/>和当前蓄电量/>输入构建的充电优化模型中,采用贪心算法求解充电优化模型,得到最优充电策略;根据得到的最优充电策略,从排序后的剩余电力数据中依次选择最优充电策略中对应的剩余电力,将选择的剩余电力的电量/>累加到储能装置的当前蓄电量/>中,得到更新后的当前蓄电量,并将选择的剩余电力的电量作为优化后的储能电力数据。
其中,储能装置的总容量表示储能设备可以存储的最大电量,单位通常为千瓦时(kWh)或兆瓦时(MWh)。它反映了储能系统的规模和储电能力的上限。总容量是储能装置的重要参数,决定了储能系统可以吸纳和释放的电力的最大值。在充电优化模型中,总容量作为约束条件之一,限制了储能装置的充电量不能超过其最大储电容量。
其中,当前蓄电量表示储能装置在当前时刻已经存储的电量,单位与总容量一致。它反映了储能系统的实时储电状态和剩余可充电容量。当前蓄电量是动态变化的,会随着充电和放电过程而增加或减少。在充电优化模型中,当前蓄电量/>作为约束条件之一,限制了储能装置的可充电量不能超过其剩余容量/>。同时,当前蓄电量也是优化目标中累积充电量的起点。其中,充电成本/>表示将单位电量的剩余电力充入储能装置所需要的成本,通常与电价和充电效率相关。它反映了在不同时段或不同剩余电力条件下,为储能装置充电所付出的经济代价。充电成本可以是动态变化的,根据电网的电价政策、储能装置的充电效率等因素而有所不同。在充电优化模型中,充电成本/>作为优化目标的权重系数,引导模型选择充电成本较低的剩余电力进行优先充电,以实现经济性的最大化。
其中,剩余电力数据表示电网中在特定时间段内可以用于储能装置充电的多余电力数据,通常由用电模型根据需求预测和供电能力计算得出。它反映了电网在满足用电需求后的剩余电力供应情况,是储能装置进行能量管理和优化调度的重要输入数据。剩余电力数据可以是时间序列数据,包含了不同时刻的剩余电力量和相应的电价信息。在充电优化模型中,剩余电力数据作为备选的充电电源,经过成本排序和优化决策,被选择性地存储到储能装置中,实现能量的高效利用。
其中,充电策略是指储能装置在特定时间段内的最优充电决策,即在可用的剩余电力数据中,选择哪些时刻、哪些电量进行充电,以达到充电成本最小化或其他优化目标。它综合考虑了储能装置的容量约束、充电成本、剩余电力数据等因素,给出了一个详细的充电计划。在本方案中,充电策略由充电优化模型求解得到,采用了贪心算法,即在每个决策时刻,选择充电成本最低的剩余电力进行充电,直到达到储能装置的容量限制。最终得到的充电策略包含了一系列的充电决策,指示了每个时刻充电的电量和对应的剩余电力来源,以实现储能装置的最优运行。
其中,构建充电优化模型,包含:设置决策变量,/>表示是否选择第i个剩余电力进行充电,取值为0或1;设置目标函数,目标函数表示最小化总充电成本,目标函数为,其中,/>表示第i个剩余电力的充电成本;设置约束条件,包含:/>,表示选择的剩余电力总电量不超过储能装置的剩余容量;/>,表示决策变量取值为0或1;其中,/>表示第i个剩余电力的电量,/>表示储能装置的总容量,/>表示储能装置的当前蓄电量。
具体的,构建充电优化模型是储能电力优化中的关键步骤,它通过数学建模的方式,将实际的储能充电问题转化为一个优化问题,并给出求解优化问题的方法和算法。确定决策变量:定义决策变量xi,表示是否选择第i个剩余电力进行充电,xi取值为0或1。决策变量的下标i对应于剩余电力数据的编号或时间顺序。定义目标函数:目标函数表示最小化总充电成本,即在所有可选的剩余电力中,选择充电成本最小的方案。目标函数的数学表达式为:,其中/>表示第i个剩余电力的充电成本。目标函数通过决策变量xi的取值(0或1)来选择或不选择对应的剩余电力,并计算总充电成本。
设置约束条件:约束条件1:,表示选择的剩余电力总电量不超过储能装置的剩余容量。/>表示第i个剩余电力的电量。/>表示储能装置的总容量,/>表示储能装置的当前蓄电量。这个约束条件确保了充电决策不会超出储能装置的物理容量限制。约束条件2:/>,表示决策变量/>的取值只能是0或1,即二元变量。这个约束条件确保了每个剩余电力只能被选择一次或不被选择,不存在部分充电的情况。求解优化模型:将构建好的充电优化模型,包括决策变量、目标函数和约束条件,输入到优化求解器中。常用的优化求解器包括:线性规划、混合整数规划、动态规划等。
求解器通过搜索和优化算法,在满足约束条件的前提下,寻找目标函数的最优解,即最优的充电决策。从优化求解器的输出中提取最优解,即决策变量的取值。根据/>的取值,确定哪些剩余电力被选中进行充电,以及对应的充电电量。将优化结果转化为具体的充电策略和储能电力数据,用于指导实际的储能装置运行。
进一步的,计算剩余电力数据的充电成本,包括:遍历输入的剩余电力数据,获取每个剩余电力对应的发电成本,作为反映电力购买或生产成本的第一特征,其中,发电成本表示发电设备生产每单位电能的成本;对于每个剩余电力,计算对应的电压稳定性指标和谐波畸变率指标,作为反映电力质量属性的第二特征;获取储能装置的充电效率,作为反映储能效率的第三特征,其中,充电效率表示充电过程中,输入到储能装置的电能与实际存储在储能装置的电能之间的比值;构建收益预测模型,采用长短期记忆网络LSTM模型,以历史电价数据和历史用电量数据作为输入,预测未来一段时间内的电价和用电量,并根据预测的电价和用电量计算每个剩余电力的收益预测数据,作为第四特征;构建多元线性回归模型,以获取的第一特征、第二特征、第三特征和第四特征作为自变量,充电成本/>作为应变量,建立自变量和应变量之间的线性关系;对于每个剩余电力,将对应的发电成本、电压稳定性指标、谐波畸变率指标、充电效率和收益预测数据输入到构建的多元线性回归模型中,计算对应的充电成本/>。
其中,发电成本是指发电设备在生产每单位电能时所消耗的成本,通常以货币单位/千瓦时(如元/kWh)表示。它反映了不同类型发电设备的经济性和效率水平。发电成本包括燃料成本、运维成本、折旧成本等多个组成部分,不同类型的发电设备(如火电、水电、风电、光伏等)具有不同的发电成本特点。在剩余电力的充电成本计算中,发电成本作为第一特征,反映了电力购买或生产的直接成本,是影响充电经济性的重要因素。
其中,电压稳定性指标是衡量电力系统电压稳定性的一组指标,反映了电力系统在受到扰动后维持电压稳定的能力。常用的电压稳定性指标包括电压稳定裕度、电压敏感度、电压崩溃指数等。这些指标通过考虑电力系统的潮流分布、电压-无功关系、负荷特性等因素,量化评估系统的电压稳定性水平。在剩余电力的充电成本计算中,电压稳定性指标作为第二特征之一,反映了电力质量的重要属性,稳定的电压有助于保障储能装置的安全充电和高效运行。
其中,谐波畸变率指标是衡量电力系统中谐波污染程度的指标,反映了电压或电流波形偏离基波正弦波形的程度。常用的谐波畸变率指标包括总谐波畸变率(THD)、个别谐波畸变率等。谐波畸变率越高,意味着电力质量越差,可能对电力设备和用电器产生不利影响。在剩余电力的充电成本计算中,谐波畸变率指标作为第二特征之一,反映了电力质量的另一个重要属性,低谐波畸变率的电力更适合用于储能装置的充电,有助于延长储能装置的使用寿命。
其中,充电效率是指在充电过程中,输入到储能装置的电能与实际存储在储能装置内的电能之间的比值,通常以百分比表示。它反映了储能装置的能量转换和存储效率,是衡量储能系统性能的重要指标。充电效率受到储能装置类型、充电方式、环境温度等多个因素的影响。在剩余电力的充电成本计算中,充电效率作为第三特征,直接影响了储能装置的实际存储容量和充电经济性。高效率的充电过程可以减少能量损失,提高储能装置的利用率。
其中,收益预测数据是指通过构建收益预测模型,预测未来一段时间内每个剩余电力的潜在收益。它综合考虑了电价预测和用电量预测,反映了未来电力市场的供需关系和价格趋势。在本方案中,收益预测模型采用了长短期记忆网络(LSTM)模型,以历史电价数据和历史用电量数据为输入,预测未来的电价和用电量,并据此计算每个剩余电力的收益预测值。收益预测数据作为第四特征,体现了剩余电力的经济价值和市场前景,为充电决策提供了前瞻性的参考。
具体的,构建收益预测模型包括:对历史电价数据和历史用电量数据进行特征提取和选择。可以考虑提取时间相关的特征,如季节性、周期性、趋势性等。可以引入其他相关的外部因素,如天气、经济指标等,丰富特征表示。采用长短期记忆网络(LSTM)模型,构建收益预测模型。LSTM是一种特殊的循环神经网络(RNN),适用于处理时序数据和长期依赖关系。设计LSTM模型的架构,包括输入层、LSTM层、全连接层和输出层。根据任务需求,可以选择单变量或多变量预测,预测单个时间步或多个时间步。将准备好的训练数据输入到LSTM模型中,进行模型训练。采用适当的损失函数,如均方误差(MSE)或平均绝对误差(MAE),衡量预测值与真实值的差异。利用优化算法,如随机梯度下降(SGD)或自适应矩估计(Adam),更新模型的权重和偏置。通过多个训练迭代(epoch),不断优化模型,使其在训练数据上达到较好的拟合效果。使用验证集数据评估模型的性能,监控模型在训练过程中的泛化能力。采用适当的评估指标,如均方误差(MSE)、平均绝对误差(MAE)、平均绝对百分比误差(MAPE)等,衡量模型的预测精度。通过调整模型的超参数,如隐藏层数、隐藏单元数、学习率等,优化模型的性能。
在测试集上评估模型的最终性能,验证模型的实际预测能力。使用训练好的LSTM模型,对未来一段时间内的电价和用电量进行预测。将预测的电价和用电量作为输入,计算每个剩余电力的收益预测数据。收益预测数据可以考虑电价、用电量、充电成本、储能效率等因素,综合评估剩余电力的经济效益。对于每个剩余电力,将对应的收益预测数据作为第四特征,用于后续的充电成本计算和优化决策。
进一步的,将获取的第一特征、第二特征、第三特征和第四特征表示为向量形式,记为,向量维度为K;构建多元线性回归模型:/>,其中,Y为K×1维的充电成本向量,表示K个样本的预测充电成本;/>为K×1维的特征向量;/>为1×1维的常数项;/>至/>为1×1维的回归系数;采用最小二乘法,通过梯度下降调整/>至/>,得到最优多元线性回归模型。
其中,最小二乘法(Least Squares Method)是一种常用的参数估计方法,广泛应用于统计学、机器学习、数据拟合等领域。它的基本思想是通过最小化误差平方和来估计模型参数,使得模型的预测值与实际观测值之间的差异最小。梯度下降是一种迭代优化方法,通过不断调整回归系数的值,使得SSE逐步减小,最终收敛到最优解。梯度下降的基本步骤如下:随机初始化回归系数。计算当前回归系数下的SSE。计算SSE对每个回归系数的梯度(偏导数)。根据梯度的方向和学习率,更新回归系数的值。重复上述步骤,直到SSE收敛或达到最大迭代次数。梯度下降适用于样本数量较大、特征数量较多的情况,可以有效处理高维数据。在本申请中,采用梯度下降的方式来优化多元线性回归模型的参数。通过不断调整回归系数,使得预测充电成本与实际充电成本之间的误差平方和最小化,从而得到最优的多元线性回归模型。
进一步的,计算上网电力数据,包括:构建发电成本模型,用于根据充电成本和上网电价,采用动态规划算法计算上网电力数据;将得到的储能电力数据作为发电成本模型的输入数据;获取储能电力数据对应的充电成本,并获取电网的上网电价p,上网电价p表示电网购买电力的单位价格;将储能电力数据离散化为n个储能电力状态,每个储能电力状态表示一个时间段内的储能电力;将上网电价离散化为m个上网电价状态,上网电价状态表示一个时间段内的上网电价;将n个储能电力状态作为动态规划的阶段,将m个上网电价状态作为动态规划的状态;对于每个阶段和状态,计算从初始阶段到当前阶段的所有状态转移路径,状态转移表示当前阶段的储能电力以当前状态的上网电价售出;对于每个状态转移路径,计算对应的总收益,总收益表示售出电力的收益与储能电力的充电成本之差;选择总收益最大的状态转移路径,作为上网电力数据。
其中,上网电价是指电力生产者将电力售给电网的价格,通常以货币单位/千瓦时(如元/kWh)表示。上网电价反映了电网购买电力的成本,是电力市场中的重要参数。对于储能系统而言,上网电价决定了将储存的电力售出的收益水平。当上网电价较高时,储能系统可以通过将电力售给电网获得更多的收益;当上网电价较低时,储能系统可能选择继续储存电力,等待更有利的售电时机。上网电价的变化通常受到电力供需关系、政策法规、市场竞争等多种因素的影响,呈现出一定的动态性和不确定性。因此,在优化储能系统的运行策略时,需要充分考虑上网电价的变化规律和趋势,以最大化储能系统的经济效益。
具体的,将储能电力数据和上网电价离散化,将问题划分为多个阶段和状态,使用动态规划算法求解最优的上网电力数据。通过在每个阶段和状态下评估不同的决策(售电或继续储存),并选择总收益最大的状态转移路径,可以得到整个问题的最优解,即最佳的上网电力数据。状态转移路径是指在动态规划算法中,从初始阶段到当前阶段的一系列状态转移的序列。每个状态转移表示在特定阶段下,根据当前状态做出的决策,导致状态发生转移。状态转移路径反映了问题求解过程中的决策轨迹,体现了最优解的形成过程。在本方案中,状态转移表示在当前阶段,将储能电力以当前状态的上网电价售出,导致状态发生转移。对于每个阶段和状态,我们考虑所有可能的状态转移路径,计算对应的总收益(售电收益减去充电成本)。通过比较不同状态转移路径的总收益,选择总收益最大的路径作为最优解,即得到最佳的上网电力数据。状态转移路径的概念体现了动态规划算法的核心思想,即通过逐步构建子问题的最优解,最终得到原问题的最优解。通过追踪最优状态转移路径,我们可以得到问题的完整解决方案,了解最优决策的具体选择和顺序。
进一步的,电力管理系统采用前后端分离架构,后端基于开源鸿蒙微内核,运行电力数据采集模块、用电模型构建模块、充电优化模型构建模块和发电成本模型构建模块;前端采用react架构开发,从后端接口获取剩余电力数据、储能电力数据和上网电力数据,通过图像界面展示给用户。
其中,开源鸿蒙微内核是华为公司推出的一种面向物联网和智能设备的操作系统内核。它是鸿蒙操作系统的核心组件之一,采用微内核架构设计,具有高度的可裁剪性、实时性和安全性。在本方案中,电力管理系统的后端基于开源鸿蒙微内核进行开发,充分利用了其可裁剪性、实时性和安全性的特点。通过在鸿蒙微内核上运行电力数据采集、用电模型构建、充电优化模型构建和发电成本模型构建等模块,可以实现高效、可靠、安全的电力管理功能,满足物联网环境下的特定需求。其中,React是一个用于构建用户界面的JavaScript库,由Facebook开源并维护。它采用组件化的设计思想,将用户界面拆分为多个独立、可复用的组件,通过组件的组合和嵌套构建出完整的应用界面。在本方案中,电力管理系统的前端采用React架构进行开发,充分利用了其组件化、虚拟DOM、单向数据流等特性。通过将用户界面拆分为多个独立的组件,并通过组件的组合和嵌套构建出完整的电力管理系统界面,实现了界面的模块化和可复用性。同时,React的高效渲染机制和单向数据流设计,确保了前端界面的性能和数据的可控性。其中,前后端分离架构是一种现代Web应用开发的架构模式,将应用的前端和后端进行分离,使它们可以独立开发、测试和部署。前端负责用户界面的展示和交互,后端负责业务逻辑的处理和数据的存储。在本方案中,电力管理系统采用了前后端分离的架构设计。后端基于开源鸿蒙微内核进行开发,负责电力数据的采集、模型构建和业务逻辑的处理。前端采用React架构进行开发,负责用户界面的展示和交互。前端通过API接口与后端进行通信,获取剩余电力数据、储能电力数据和上网电力数据,并通过图形界面展示给用户。这种前后端分离的设计,提高了系统的开发效率、可维护性和可扩展性,同时也使得前后端可以根据各自的需求选择合适的技术栈。
3.有益效果
相比于现有技术,本申请的优点在于:
利用LSTM神经网络构建需求预测模型,通过对历史电力数据的深度挖掘和学习,能够准确捕捉电力需求的时序特征和变化规律,从而显著提升电力需求预测的精度。预测结果为后续的电力优化控制提供了可靠的数据支撑;
采用LASSO回归算法构建用电模型,通过L1正则化和交叉验证,有效地筛选出对剩余电力影响显著的关键特征,提高了剩余电力分配的针对性和有效性。同时,用电模型能够动态适应负荷变化,实现剩余电力的实时优化分配;
综合考虑储能装置的充电成本、充电效率等因素,构建充电优化模型,采用贪心算法求解最优充电策略。储能装置根据最优策略对剩余电力进行充电,在保证充电效率的同时,最小化充电成本,提高了储能装置的能量转换效率;
通过精准预测电力需求,合理分配剩余电力,优化储能装置充电策略,为新能源发电提供了更多的并网空间。储能装置能够有效缓解新能源发电的间歇性和波动性,平滑新能源发电功率曲线,从而显著提高电力系统对新能源的消纳能力;
利用动态规划算法构建发电成本模型,通过多场景、多约束的建模分析,精细化管理发电侧和用电侧资源,协同优化电力供需平衡。发电成本模型能够根据电价和充放电成本等因素,合理安排上网电量;
以开源鸿蒙系统为基础提供了灵活可扩展的系统架构。
附图说明
本说明书将以示例性实施例的方式进一步描述,这些示例性实施例将通过附图进行详细描述:
图1是根据本说明书一些实施例所示的一种基于开源鸿蒙系统的电力线控制方法的示例性流程图;
图2是根据本说明书一些实施例所示的计算需求用电数据的示例性流程图;
图3是根据本说明书一些实施例所示的计算剩余电力数据的示例性流程图;
图4是根据本说明书一些实施例所示的计算储能电力数据的示例性流程图;
图5是根据本说明书一些实施例所示的计算最优充电成本的示例性流程图。
具体实施方式
下面结合附图对本说明书实施例提供的方法和系统进行详细说明。
如图1所示,本实施例提供了一种基于开源鸿蒙系统的电力线控制方法,包括以下步骤:采集发电装置的电力数据,并将电力数据传输给电力管理系统;电力管理系统基于开源鸿蒙系统的智能算法平台,接收并处理传输的电力数据;电力管理系统根据接收的电力数据,利用基于开源鸿蒙系统的需求预测模型,计算发电装置的需求用电数据,其中,需求预测模型采用LSTM神经网络构建;根据得到的需求用电数据,通过基于开源鸿蒙系统的用电模型,计算剩余电力数据,其中,用电模型采用LASSO回归算法构建;根据得到的剩余电力数据,通过基于开源鸿蒙系统的充电优化模型,计算分配给储能装置进行充电的储能电力数据;其中,基于贪心算法构建充电优化模型;根据计算得到的剩余电力数据和储能电力数据,通过基于开源鸿蒙系统的发电成本模型,计算上网销售的上网电力数据;其中,发电成本模型采用多元线性回归算法构建。
采集发电装置的电力数据,包括有功功率和无功功率,并将电力数据传输给电力管理系统。电力管理系统基于开源鸿蒙系统的智能算法平台,接收并处理传输的电力数据。发电装置上安装有智能电表和电力传感器,用于实时采集发电装置的电力参数。其中,智能电表采集有功功率数据,电力传感器采集无功功率数据。有功功率表示发电装置产生的有效电能,无功功率表示发电装置产生的无效电能。智能电表和电力传感器采集的电力数据通过电力通信网络实时传输给电力管理系统。电力通信网络可以是专用的电力光纤网络,也可以是公用的无线通信网络,如4G/5G网络。电力管理系统基于开源鸿蒙系统搭建,利用其提供的智能算法平台和数据处理框架,对接收到的电力数据进行解析、校验和预处理。电力管理系统的数据接收模块负责接收智能电表和电力传感器传输的电力数据。数据接收模块与电力通信网络对接,通过标准的通信协议,如Modbus、DNP3等,实现数据的可靠传输和接收。数据接收模块将接收到的电力数据解析为标准化的数据格式,如JSON、XML等,方便后续的数据处理和分析。同时,数据接收模块对电力数据进行完整性校验和时间戳校对,确保数据的准确性和一致性。数据预处理模块对解析后的电力数据进行清洗、过滤和归一化处理。清洗过程去除异常值和无效数据,提高数据质量;过滤过程根据数据分析需求,筛选出相关的特征参数;归一化处理将不同量纲的数据映射到同一尺度,便于后续的数据分析和模型训练。预处理后的电力数据被存储到电力管理系统的实时数据库中,如Redis、Kafka等,用于支持实时的数据访问和分析。同时,电力数据也被持久化存储到历史数据库中,如MySQL、HBase等,用于支持历史数据的查询和挖掘。
图2是根据本说明书一些实施例所示的计算需求用电数据的示例性流程图,电力管理系统利用LSTM神经网络构建需求预测模型,并基于采集的有功功率和无功功率数据,预测未来一段时间内的需求用电数据。电力管理系统从历史数据库中获取一定时间范围内的有功功率、无功功率以及对应的需求用电数据,作为需求预测模型的训练数据集。其中,有功功率和无功功率作为模型的输入特征,需求用电数据作为模型的输出目标。对训练数据集进行预处理,包括数据清洗、缺失值填充、异常值处理等。同时,将数据集按照一定的时间步长(如1小时、15分钟等)进行切分,构建时序数据样本。每个样本包含若干个时间步长的输入特征和对应的输出目标。搭建LSTM神经网络模型,设计模型的网络结构和超参数。LSTM是一种循环神经网络,能够有效处理时序数据,捕捉数据的长期依赖关系。模型的输入层接收有功功率和无功功率数据,输出层预测未来一段时间内的需求用电数据。将预处理后的训练数据集送入LSTM模型,进行模型训练。通过前向传播和反向传播算法,不断调整模型的权重参数,最小化预测值与实际值之间的误差。常用的损失函数包括均方误差(MSE)、平均绝对误差(MAE)等。在训练过程中,采用交叉验证、早停等技巧,防止模型过拟合。同时,对模型进行超参数调优,如调整隐藏层数量、隐藏单元数、学习率等,以获得最优的模型性能。模型训练完成后,使用独立的测试数据集对模型进行评估,计算模型的预测精度、召回率、F1值等指标。根据评估结果,对模型进行进一步的优化和改进,直到达到预期的性能要求。将训练好的LSTM需求预测模型部署到电力管理系统中,用于实时的需求用电预测。电力管理系统实时采集发电装置的有功功率和无功功率数据,并将其输入到预测模型中。预测模型基于输入的有功功率和无功功率数据,通过前向传播算法,计算得到未来一段时间内的需求用电数据。预测的时间跨度可以根据实际需求进行设置,如未来1小时、未来24小时等。电力管理系统将预测得到的需求用电数据存储到实时数据库中,并将其显示在系统的监控界面上,供电力调度人员参考。同时,预测结果也被传输给其他功能模块,如剩余电力分配模块、储能充电优化模块等,作为优化控制的输入依据。
电力管理系统利用LSTM神经网络实现了对发电装置需求用电的精准预测。基于大数据分析和机器学习技术,系统能够充分挖掘历史电力数据中蕴含的规律和特征,提高预测的准确性和可靠性。同时,预测结果为电力调度和优化控制提供了重要的决策支持,有助于提高电力系统的能源利用效率和供电质量。
图3是根据本说明书一些实施例所示的计算剩余电力数据的示例性流程图,电力管理系统利用LASSO回归模型对剩余电力进行建模和预测,通过特征选择和参数调优,构建最优的用电模型。电力管理系统从历史数据库中获取一定时间范围内的需求用电数据和剩余电力数据,作为LASSO回归模型的训练数据集。其中,需求用电数据作为模型的自变量,剩余电力数据作为模型的应变量。对训练数据集进行预处理,包括数据清洗、缺失值填充、异常值处理等。同时,对自变量和应变量进行标准化处理,将数据缩放到相同的尺度范围内,提高模型的训练效率和泛化能力。构建LASSO回归模型,设置模型的目标函数和约束条件。LASSO回归通过L1正则化方法引入参数稀疏性,能够自动进行特征选择,剔除冗余和无关的自变量。目标函数包括最小化残差平方和和L1正则化项的加权和。通过交叉验证方法,将训练数据集分为若干个子集,依次将每个子集作为验证集,其余子集作为训练集,重复训练LASSO回归模型。在每次训练中,通过网格搜索或随机搜索等方法,调整LASSO回归模型的正则化参数,控制L1正则化的强度。对于每个正则化参数取值,评估交叉验证过程中的平均预测误差,如均方误差(MSE)、平均绝对误差(MAE)等。选择预测误差最小的正则化参数作为最优参数,对应的LASSO回归模型作为最终的用电模型。利用训练好的用电模型,根据实时采集的需求用电数据,计算当前时刻的剩余电力数据。具体而言,将需求用电数据输入到用电模型中,通过模型的系数和截距项,得到预测的剩余电力数据。电力管理系统将预测得到的剩余电力数据存储到实时数据库中,并将其显示在系统的监控界面上,供电力调度人员参考。同时,预测结果也被传输给其他功能模块,如储能充电优化模块、发电成本模块等,作为优化控制的输入依据。在实际运行过程中,电力管理系统定期对用电模型进行重训练和更新,以适应电力系统负荷特性的变化。通过不断引入新的历史数据,优化模型的参数和结构,提高剩余电力预测的精度和鲁棒性。
电力管理系统利用LASSO回归模型实现了对剩余电力的精准建模和预测。LASSO回归通过L1正则化和交叉验证方法,有效地筛选出影响剩余电力的关键特征,提高了模型的解释性和泛化能力。基于用电模型的预测结果,电力管理系统能够实时掌握剩余电力的分布情况,为优化电力资源配置、平衡电力供需关系提供决策支持,进而提升电力系统的整体效率和经济性。
图4是根据本说明书一些实施例所示的计算储能电力数据的示例性流程图,电力管理系统利用贪心算法构建充电优化模型,根据剩余电力的充电成本和储能装置的约束条件,求解最优充电策略,电力管理系统将用电模型计算得到的剩余电力数据作为输入,同时获取储能装置的总容量和当前蓄电量作为约束条件参数。总容量表示储能装置的最大蓄电能力,当前蓄电量表示储能装置当前已储存的电量。对于每个剩余电力数据,电力管理系统计算其对应的充电成本。充电成本由两部分组成:一是剩余电力的电价,二是剩余电力的电量。电价信息从外部数据源获取,如电网公司提供的实时电价数据。电量信息从剩余电力数据中提取。
电力管理系统根据计算得到的充电成本,对剩余电力数据进行排序。按照充电成本从低到高的顺序,将剩余电力数据重新排列,得到排序后的剩余电力数据。充电成本越低,表示充电经济性越高,优先考虑进行充电。将排序后的剩余电力数据、充电成本、储能装置的总容量和当前蓄电量作为输入,构建基于贪心算法的充电优化模型。贪心算法的基本思想是在每一步选择中,都采取当前状态下的最优解,从而得到全局最优解。在充电优化模型中,依次遍历排序后的剩余电力数据,对于每个剩余电力,判断将其电量累加到当前蓄电量中是否会超过储能装置的总容量。如果不超过总容量,则将该剩余电力选入最优充电策略,并更新当前蓄电量;如果超过总容量,则跳过该剩余电力,继续遍历下一个剩余电力。重复直到遍历完所有剩余电力数据,或者当前蓄电量达到储能装置的总容量。最终得到的最优充电策略包含多个被选择的剩余电力,这些剩余电力的电量之和不超过储能装置的总容量,且充电成本最低。
电力管理系统根据最优充电策略,从排序后的剩余电力数据中依次选择对应的剩余电力,将选择的剩余电力的电量累加到储能装置的当前蓄电量中,更新当前蓄电量。同时,将选择的剩余电力作为优化后的储能电力数据,存储到实时数据库中。电力管理系统将最优充电策略和优化后的储能电力数据显示在系统的监控界面上,供电力调度人员参考。同时,这些数据也被传输给其他功能模块,如发电成本模块、电力交易模块等,作为优化控制和决策支持的依据。
电力管理系统利用贪心算法实现了储能装置的最优充电策略。基于剩余电力的充电成本和储能装置的约束条件,系统能够自动选择经济性最高的剩余电力进行充电,最大化储能装置的利用效率和收益。同时,最优充电策略的生成也为电力系统的调峰填谷、平滑新能源功率波动等调度运行提供了有力支撑,提升了电力系统的灵活性和适应性。
图5是根据本说明书一些实施例所示的计算最优充电成本的示例性流程图,在计算剩余电力数据的充电成本时,电力管理系统综合考虑多个影响因素,构建了基于多元线性回归的充电成本计算模型。电力管理系统遍历剩余电力数据,对于每个剩余电力,获取其对应的发电成本作为第一特征。发电成本表示发电设备生产每单位电能的成本,通常与发电类型、燃料价格等因素相关。电力管理系统从外部数据源(如发电企业提供的成本数据)中获取发电成本数据。对于每个剩余电力,电力管理系统计算其对应的电压稳定性指标和谐波畸变率指标,作为反映电力质量属性的第二特征。电压稳定性指标衡量电压偏离额定值的程度,谐波畸变率指标衡量电流或电压波形畸变的程度。这两个指标根据电力系统的实时监测数据(如电压、电流、频率等)计算得到,反映了剩余电力的质量特性。
电力管理系统获取储能装置的充电效率,作为反映储能效率的第三特征。充电效率表示充电过程中,输入到储能装置的电能与实际存储在储能装置的电能之间的比值,是衡量储能装置性能的重要指标。充电效率数据从储能装置的参数信息中获取。电力管理系统构建基于LSTM神经网络的收益预测模型,以历史电价数据、历史用电量数据和天气数据作为输入,预测未来一段时间内的电价和用电量。LSTM神经网络能够有效捕捉时间序列数据的长期依赖关系,适用于电价和用电量的预测任务。通过训练收益预测模型,电力管理系统可以预测每个剩余电力在未来一段时间内的收益情况,作为第四特征。
电力管理系统将获取的四个特征(发电成本、电压稳定性指标、谐波畸变率指标、充电效率和收益预测数据)输入到基于多元线性回归算法构建的充电成本计算模型中。多元线性回归模型可以刻画多个自变量与因变量之间的线性关系,通过训练得到各个特征的权重系数和偏置项。利用训练好的充电成本计算模型,电力管理系统计算每个剩余电力的充电成本。充电成本由发电成本、电力质量、储能效率和收益预测等多个因素共同决定。通过多元线性回归模型,电力管理系统可以定量评估各个特征对充电成本的影响,得到综合考虑多个因素的充电成本数据。
电力管理系统将计算得到的充电成本数据存储到实时数据库中,并将其用于后续的充电优化模型和决策支持。充电成本数据可以作为衡量剩余电力经济性的重要依据,为制定最优充电策略提供参考。电力管理系统实现了对剩余电力充电成本的精细化计算。综合考虑发电成本、电力质量、储能效率和收益预测等多个影响因素,电力管理系统构建了基于多元线性回归的充电成本计算模型,能够定量评估各个因素对充电成本的影响,提高充电成本计算的准确性和全面性。
电力管理系统利用动态规划算法构建发电成本模型,根据储能电力数据、充电成本和上网电价,计算最优的上网电力数据,实现发电收益最大化。电力管理系统将充电优化模型得到的储能电力数据作为发电成本模型的输入数据。储能电力数据表示经过充电优化后的储能装置电量分布情况,反映了不同时间段内可用于上网售电的电力资源。电力管理系统获取储能电力数据对应的充电成本和电网的上网电价。充电成本表示储能装置在充电过程中的成本支出,上网电价表示电网购买电力的单位价格。充电成本数据从前面步骤的计算结果中获取,上网电价数据从外部数据源(如电网公司提供的价格信息)中获取。
电力管理系统将储能电力数据离散化为n个储能电力状态,每个状态表示一个时间段内的储能电力。例如,可以按照小时、15分钟等时间粒度将储能电力数据划分为不同的状态。电力管理系统将上网电价离散化为m个上网电价状态,每个状态表示一个时间段内的上网电价。与储能电力状态类似,上网电价状态也按照一定的时间粒度进行划分。电力管理系统将n个储能电力状态作为动态规划的阶段,将m个上网电价状态作为动态规划的状态。每个阶段表示一个时间段,每个状态表示该时间段内的上网电价。
对于每个阶段和状态,电力管理系统计算从初始阶段到当前阶段的所有可行状态转移路径。每个状态转移表示将当前阶段的储能电力以当前状态的上网电价售出。状态转移路径反映了不同时间段内储能电力的售出策略。对于每个可行状态转移路径,电力管理系统计算售出电力的收益与储能电力的充电成本之差,作为该路径的总收益。售出电力的收益根据售出电量和对应的上网电价计算得到,储能电力的充电成本从前面步骤的计算结果中获取。电力管理系统在所有状态转移路径中,选择总收益最大的路径,将该路径对应的售出电力作为最终的上网电力数据。最优路径表示在不同时间段内,以最优的上网电价售出储能电力,实现发电收益最大化。
电力管理系统将计算得到的上网电力数据存储到实时数据库中,并将其显示在系统的监控界面上,供电力调度人员参考。上网电力数据可以作为电力交易和电网调度的重要依据,为优化电力系统运行提供支持。电力管理系统利用动态规划算法实现了发电成本模型的构建和求解。综合考虑储能电力、充电成本和上网电价等因素,电力管理系统能够计算出最优的上网电力数据,实现发电收益最大化。动态规划算法通过将问题划分为多个阶段和状态,逐步求解子问题,最终得到全局最优解,适用于具有多阶段决策特性的优化问题。基于动态规划的发电成本模型为电力系统的经济调度、市场交易提供了有力的决策支持,有助于提高电力资源的利用效率和经济效益。
电力管理系统采用RESTful API实现前后端通信,后端提供标准化的HTTP接口,前端通过HTTP请求获取数据。电力管理系统部署在高可用集群环境中,采用负载均衡和主从备份保证系统的可靠性和稳定性。系统运行日志通过ELK平台收集和分析,实现故障诊断和性能优化。
后端架构:电力管理系统的后端基于开源鸿蒙微内核构建,提供了稳定、高效的运行环境。后端包含多个功能模块,包括电力数据采集模块、需求预测模块、用电分析模块、充电优化模块和发电成本模块。各个模块通过数据库进行数据交换和共享。电力数据采集模块将采集到的电力数据存储到数据库中,供其他模块读取和处理。需求预测模块从数据库读取电力数据,进行需求预测,并将预测结果写回数据库。用电分析模块从数据库读取需求预测结果,进行用电分析,并将分析结果写回数据库。充电优化模块从数据库读取用电分析结果,进行充电优化,并将优化结果写回数据库。发电成本模块从数据库读取充电优化结果,进行发电成本计算,并将计算结果写回数据库。
前端架构:电力管理系统的前端采用React框架开发,提供了现代化、交互式的用户界面。前端通过RESTful API与后端进行通信,从后端接口获取数据库中存储的剩余电力数据、储能电力数据和上网电力数据。前端通过图形界面展示获取到的数据,提供直观、易于理解的数据可视化和交互功能。前后端通信:电力管理系统采用RESTful API实现前后端通信。后端提供标准化的HTTP接口,接受前端的请求并返回相应的数据。前端通过发送HTTP请求(如GET、POST等)到后端接口,获取所需的数据。RESTful API提供了简洁、统一的数据访问方式,方便前后端的数据交互和解耦。
系统部署和运维:电力管理系统部署在高可用集群环境中,通过负载均衡和主从备份机制保证系统的可靠性和稳定性。负载均衡将用户请求分发到多个后端服务器,实现系统的横向扩展和高可用性。主从备份通过主从复制和故障转移,确保数据的完整性和系统的连续性。系统运行日志通过ELK平台(Elasticsearch、Logstash、Kibana)进行收集、存储和分析。ELK平台提供了强大的日志检索、可视化和报警功能,方便进行故障诊断、性能优化和系统监控。
Claims (10)
1.一种基于开源鸿蒙系统的电力线控制方法,包括:
采集发电装置的电力数据,并将电力数据传输给电力管理系统;电力管理系统基于开源鸿蒙系统的智能算法平台,接收并处理传输的电力数据;
电力管理系统根据接收的电力数据,利用基于开源鸿蒙系统的需求预测模型,计算发电装置的需求用电数据,其中,需求预测模型采用LSTM神经网络构建;
根据得到的需求用电数据,通过基于开源鸿蒙系统的用电模型,计算剩余电力数据,其中,用电模型采用LASSO回归算法构建;
根据得到的剩余电力数据,通过基于开源鸿蒙系统的充电优化模型,计算分配给储能装置进行充电的储能电力数据;其中,基于贪心算法构建充电优化模型;
根据计算得到的剩余电力数据和储能电力数据,通过基于开源鸿蒙系统的发电成本模型,计算上网销售的上网电力数据;其中,发电成本模型采用多元线性回归算法构建。
2.根据权利要求1所述的基于开源鸿蒙系统的电力线控制方法,其特征在于:
采集发电装置的电力数据包括:
采集发电装置的有功功率和无功功率;其中,有功功率指参与实际工作的势能与动能转换的功率,反映电网中电能的传输效率;无功功率指没有参与实际工作转换但在电网中消耗的功率,反映电网中无效功率损耗。
3.根据权利要求2所述的基于开源鸿蒙系统的电力线控制方法,其特征在于:
获取需求用电数据,包括:
构建LSTM神经网络,作为需求预测模型;
将采集的有功功率和无功功率作为输入数据,输入到LSTM神经网络的输入层;
将对应的需求用电数据作为样本标签,输入到LSTM神经网络的输出层;
通过反向传播算法,最小化样本标签与LSTM神经网络输出之间的误差,对LSTM神经网络进行训练,得到训练后的需求预测模型;
利用训练后的需求预测模型,预测需求用电数据。
4.根据权利要求3所述的基于开源鸿蒙系统的电力线控制方法,其特征在于:
计算剩余电力数据,包括:
将需求预测模型预测得到的需求用电数据作为自变量,将与自变量对应的历史时间段内的剩余电力数据作为应变量,构建LASSO回归模型;
设置LASSO正则化参数的初始值;
LASSO回归模型表达式如下:
;
其中是自变量,y是应变量,/>是回归系数;
基于自变量和应变量训练构建的LASSO回归模型,通过L1正则化将对应变量预测贡献小于预设阈值的自变量的回归系数归零,得到训练后的LASSO回归模型;
通过交叉验证方法,重复训练并调整正则化参数的值,选择预测误差最小的LASSO回归模型,作为用电模型;
通过用电模型,根据输入的需求用电数据,计算剩余电力数据。
5.根据权利要求4所述的基于开源鸿蒙系统的电力线控制方法,其特征在于:
选择预测误差最小的LASSO回归模型,作为用电模型,包括:
将历史数据中的剩余电力数据作为LASSO回归模型的训练集;
设置不同的候选正则化参数的值,对于每个候选正则化参数/>的值,执行以下步骤:
利用当前的候选正则化参数的值,训练得到对应的LASSO回归模型;
利用训练后的LASSO回归模型对训练集进行预测,计算预测值与实际值之间的均方误差,作为训练误差;
基于当前的LASSO回归模型的训练误差,计算对应的Akaike信息准则值AIC值;
比较所有候选正则化参数对应的LASSO回归模型的AIC值,选择AIC值最小的LASSO回归模型作为用电模型。
6.根据权利要求4所述的基于开源鸿蒙系统的电力线控制方法,其特征在于:
计算储能电力数据,包括:
构建充电优化模型;
将用电模型计算得到的剩余电力数据作为充电优化模型的输入数据;
获取储能装置的总容量和当前蓄电量/>作为充电优化模型的约束条件参数;
遍历输入的剩余电力数据,计算每个剩余电力对应的充电成本,充电成本/>由剩余电力的电价和电量决定;
根据计算得到的充电成本,对剩余电力数据按照充电成本从低到高的顺序进行排序,得到排序后的剩余电力数据;
将排序后的剩余电力数据、充电成本、储能装置的总容量和当前蓄电量/>输入构建的充电优化模型中,采用贪心算法求解充电优化模型,得到最优充电策略;
根据得到的最优充电策略,从排序后的剩余电力数据中依次选择最优充电策略中对应的剩余电力,将选择的剩余电力的电量累加到储能装置的当前蓄电量/>中,得到更新后的当前蓄电量,并将选择的剩余电力的电量作为优化后的储能电力数据;
其中,构建充电优化模型,包含:
设置决策变量,/>表示是否选择第i个剩余电力进行充电,取值为0或1;
设置目标函数,目标函数表示最小化总充电成本,目标函数为,其中,/>表示第i个剩余电力的充电成本;
设置约束条件,包含:
,表示选择的剩余电力总电量不超过储能装置的剩余容量;
,表示决策变量取值为0或1;
其中,表示第i个剩余电力的电量,/>表示储能装置的总容量,/>表示储能装置的当前蓄电量。
7.根据权利要求6所述的基于开源鸿蒙系统的电力线控制方法,其特征在于:
计算剩余电力数据的充电成本,包括:
遍历输入的剩余电力数据,获取每个剩余电力对应的发电成本,作为反映电力购买或生产成本的第一特征,其中,发电成本表示发电设备生产每单位电能的成本;
对于每个剩余电力,计算对应的电压稳定性指标和谐波畸变率指标,作为反映电力质量属性的第二特征;
获取储能装置的充电效率,作为反映储能效率的第三特征,其中,充电效率表示充电过程中,输入到储能装置的电能与实际存储在储能装置的电能之间的比值;
构建收益预测模型,采用长短期记忆网络LSTM模型,以历史电价数据和历史用电量数据作为输入,预测未来一段时间内的电价和用电量,并根据预测的电价和用电量计算每个剩余电力的收益预测数据,作为第四特征;
构建多元线性回归模型,以获取的第一特征、第二特征、第三特征和第四特征作为自变量,充电成本作为应变量,建立自变量和应变量之间的线性关系;
对于每个剩余电力,将对应的发电成本、电压稳定性指标、谐波畸变率指标、充电效率和收益预测数据输入到构建的多元线性回归模型中,计算对应的充电成本。
8.根据权利要求7所述的基于开源鸿蒙系统的电力线控制方法,其特征在于:
将获取的第一特征、第二特征、第三特征和第四特征表示为向量形式,记为,向量维度为K;
构建多元线性回归模型:
;
其中,Y为K×1维的充电成本向量,表示K个样本的预测充电成本;为K×1维的特征向量;/>为1×1维的常数项;/>至/>为1×1维的回归系数;
采用最小二乘法,通过梯度下降调整至/>,得到最优多元线性回归模型。
9.根据权利要求8所述的基于开源鸿蒙系统的电力线控制方法,其特征在于:
计算上网电力数据,包括:
构建发电成本模型,用于根据充电成本和上网电价,采用动态规划算法计算上网电力数据;
将得到的储能电力数据作为发电成本模型的输入数据;
获取储能电力数据对应的充电成本,并获取电网的上网电价p,上网电价p表示电网购买电力的单位价格;
将储能电力数据离散化为n个储能电力状态,每个储能电力状态表示一个时间段内的储能电力;将上网电价离散化为m个上网电价状态,上网电价状态表示一个时间段内的上网电价;
将n个储能电力状态作为动态规划的阶段,将m个上网电价状态作为动态规划的状态;
对于每个阶段和状态,计算从初始阶段到当前阶段的所有状态转移路径,状态转移表示当前阶段的储能电力以当前状态的上网电价售出;
对于每个状态转移路径,计算对应的总收益,总收益表示售出电力的收益与储能电力的充电成本之差;
选择总收益最大的状态转移路径,作为上网电力数据。
10.根据权利要求9所述的基于开源鸿蒙系统的电力线控制方法,其特征在于:
电力管理系统采用前后端分离架构,后端基于开源鸿蒙微内核,运行电力数据采集模块、用电模型构建模块、充电优化模型构建模块和发电成本模型构建模块;前端采用react架构开发,从后端接口获取剩余电力数据、储能电力数据和上网电力数据,通过图像界面展示给用户。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410366897.3A CN117977580A (zh) | 2024-03-28 | 2024-03-28 | 一种基于开源鸿蒙系统的电力线控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410366897.3A CN117977580A (zh) | 2024-03-28 | 2024-03-28 | 一种基于开源鸿蒙系统的电力线控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117977580A true CN117977580A (zh) | 2024-05-03 |
Family
ID=90853765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410366897.3A Pending CN117977580A (zh) | 2024-03-28 | 2024-03-28 | 一种基于开源鸿蒙系统的电力线控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117977580A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112290598A (zh) * | 2020-09-17 | 2021-01-29 | 河北电力交易中心有限公司 | 基于电力现货环境的分布式光伏发电管理及结算方法 |
CN115034129A (zh) * | 2022-05-17 | 2022-09-09 | 齐鲁工业大学 | 一种面向火电厂脱硝装置的NOx排放浓度软测量方法 |
CN115511276A (zh) * | 2022-09-16 | 2022-12-23 | 南瑞集团有限公司 | 一种智能能源交易管理系统及协调控制方法 |
CN116683508A (zh) * | 2023-05-23 | 2023-09-01 | 中国长江三峡集团有限公司 | 一种目标对象储能容量的确定方法、装置及电子设备 |
US20240005239A1 (en) * | 2022-07-01 | 2024-01-04 | Kabushiki Kaisha Toshiba | Information processing device, information processing method, non-transitory computer readable medium and information processing system |
-
2024
- 2024-03-28 CN CN202410366897.3A patent/CN117977580A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112290598A (zh) * | 2020-09-17 | 2021-01-29 | 河北电力交易中心有限公司 | 基于电力现货环境的分布式光伏发电管理及结算方法 |
CN115034129A (zh) * | 2022-05-17 | 2022-09-09 | 齐鲁工业大学 | 一种面向火电厂脱硝装置的NOx排放浓度软测量方法 |
US20240005239A1 (en) * | 2022-07-01 | 2024-01-04 | Kabushiki Kaisha Toshiba | Information processing device, information processing method, non-transitory computer readable medium and information processing system |
CN115511276A (zh) * | 2022-09-16 | 2022-12-23 | 南瑞集团有限公司 | 一种智能能源交易管理系统及协调控制方法 |
CN116683508A (zh) * | 2023-05-23 | 2023-09-01 | 中国长江三峡集团有限公司 | 一种目标对象储能容量的确定方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113128781B (zh) | 一种自动构建智能化模型与算法的分布式工业能源运行优化平台 | |
Ozcanli et al. | Deep learning methods and applications for electrical power systems: A comprehensive review | |
Shin et al. | Operational planning and optimal sizing of microgrid considering multi-scale wind uncertainty | |
Håberg | Fundamentals and recent developments in stochastic unit commitment | |
Qiu et al. | Safe reinforcement learning for real-time automatic control in a smart energy-hub | |
Liu et al. | A hybrid forecasting model with parameter optimization for short-term load forecasting of micro-grids | |
US11824360B2 (en) | Apparatus and method for optimizing carbon emissions in a power grid | |
Wang et al. | Automated machine learning for short-term electric load forecasting | |
Morteza et al. | Deep learning hyperparameter optimization: Application to electricity and heat demand prediction for buildings | |
Nazir et al. | Forecasting energy consumption demand of customers in smart grid using Temporal Fusion Transformer (TFT) | |
Nasiri et al. | Data analytics and information technologies for smart energy storage systems: A state-of-the-art review | |
Huo et al. | Integrating learning and explicit model predictive control for unit commitment in microgrids | |
Zheng et al. | Meta-heuristic techniques in microgrid management: A survey | |
Budin et al. | Day-ahead multiple households load forecasting using deep learning and unsupervised clustering | |
Eren et al. | A comprehensive review on deep learning approaches for short-term load forecasting | |
Flesca et al. | On forecasting non-renewable energy production with uncertainty quantification: A case study of the Italian energy market | |
Wang et al. | Multi‐stage stochastic wind‐thermal generation expansion planning with probabilistic reliability criteria | |
Liu et al. | Varying condition scopf optimization based on deep learning and knowledge graph | |
Khaloie et al. | Review of Machine Learning Techniques for Optimal Power Flow | |
CN117977580A (zh) | 一种基于开源鸿蒙系统的电力线控制方法 | |
Liu et al. | Deep reinforcement learning for real-time economic energy management of microgrid system considering uncertainties | |
Panda et al. | Prioritized experience replay based deep distributional reinforcement learning for battery operation in microgrids | |
Guven et al. | Predicting power deviation in the Turkish power market based on adaptive factor impacts | |
Randall et al. | IoT Based Load Forecasting for Reliable Integration of Renewable Energy Sources | |
Sharma et al. | A Study on Recent Trends for Load Forecasting with Artificial Intelligence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |