CN116565915A - 一种考虑源荷关联不确定性的配电网光储配置优化方法 - Google Patents
一种考虑源荷关联不确定性的配电网光储配置优化方法 Download PDFInfo
- Publication number
- CN116565915A CN116565915A CN202310645440.1A CN202310645440A CN116565915A CN 116565915 A CN116565915 A CN 116565915A CN 202310645440 A CN202310645440 A CN 202310645440A CN 116565915 A CN116565915 A CN 116565915A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- planning
- target
- model
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 167
- 238000005457 optimization Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 35
- 230000003287 optical effect Effects 0.000 title claims abstract description 30
- 239000002245 particle Substances 0.000 claims abstract description 79
- 238000004146 energy storage Methods 0.000 claims abstract description 59
- 230000008878 coupling Effects 0.000 claims abstract description 58
- 238000010168 coupling process Methods 0.000 claims abstract description 58
- 238000005859 coupling reaction Methods 0.000 claims abstract description 58
- 238000009792 diffusion process Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 230000006870 function Effects 0.000 claims abstract description 30
- 230000007613 environmental effect Effects 0.000 claims abstract description 19
- 229910052799 carbon Inorganic materials 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 16
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 15
- 230000009467 reduction Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 description 12
- 238000010276 construction Methods 0.000 description 9
- 238000010248 power generation Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000003763 carbonization Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种考虑源荷关联不确定性的配电网光储配置优化方法，涉及计算机技术领域，包括：基于去噪扩散概率模型构建用于描述环境影响因素与负荷特性及光伏出力不确定性之间的关联耦合关系的生成模型；利用生成模型生成用于表征光伏出力不确定性的源荷耦合运行场景数据集；构建包含多目标函数的配电网规划模型得到目标配电网规划模型；利用改进后的多目标粒子群优化算法和源荷耦合运行场景数据集求解目标配电网规划模型得到关于规划光伏系统和储能系统在配电网中的接入位置和容量配置的目标规划结果集。本申请通过改进后的多目标粒子群优化算法求解目标配电网规划模型，实现了光伏系统和储能系统的最佳接入位置和容量配置的规划。
Description
技术领域
本发明涉及计算机技术领域，特别涉及一种考虑源荷关联不确定性的配电网光储配置优化方法。
背景技术
随着温室效应的加剧和全球能源供应问题的突出，建设以可再生能源为基础的新型低碳能源体系已逐渐成为共识。
近年来，随着可再生能源发电的快速发展，光伏在分布式配电网中所占的比例不断增加，但是光伏的输出功率会受到天气、环境、温度、光强度等因素的影响而出现的不确定性会使得光伏和负载的输出曲线难以匹配，从而导致网络损耗增加，供电质量下降，频率稳定性降低，然而储能系统作为分布式配电网的关键技术，具有功率响应快、调整精度高、配置位置灵活等优点，可以有效减轻光伏输出波动对分布式配电网的影响，保持频率稳定性，提高供电质量，而且由于光伏和储能的接入极大地改变了传统DNs(即配电网)的结构和运行状态，接入位置和配置容量的选择将对分布式配电网的稳定运行产生广泛的影响。
鉴于此，提供一种如何规划光伏系统和储能系统的最佳接入位置和容量配置的方案，已经是本领域技术人员所亟需关注的。
发明内容
有鉴于此，本发明的目的在于提供一种考虑源荷关联不确定性的配电网光储配置优化方法，能够规划光伏系统和储能系统的最佳接入位置和容量配置。其具体方案如下：
第一方面，本申请公开了一种考虑源荷关联不确定性的配电网光储配置优化方法，包括：
基于去噪扩散概率模型构建用于描述环境影响因素与负荷特性及光伏出力不确定性之间的关联耦合关系的生成模型；
利用所述生成模型生成用于表征所述光伏出力不确定性的源荷耦合运行场景数据集；
构建包含多目标函数的目标配电网规划模型；所述目标配电网规划模型为用于规划在配电网中加装光伏系统和储能系统时的接入位置以及容量配置的模型；
利用改进后的多目标粒子群优化算法和所述源荷耦合运行场景数据集求解所述目标配电网规划模型得到关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标规划结果集。
可选的，所述基于去噪扩散概率模型构建用于描述环境影响因素与负荷特性及光伏出力不确定性之间的关联耦合关系的生成模型，包括：
通过前向扩散和后向扩散的训练方式，利用与环境影响因素和负荷特性关联影响因素相关的数据对基于去噪扩散概率模型构建的初始生成模型进行训练得到用于描述所述环境影响因素和所述负荷特性关联影响因素及光伏出力不确定性之间的关联耦合关系的生成模型。
可选的，所述利用所述生成模型生成用于表征所述光伏出力不确定性的源荷耦合运行场景数据集，包括：
将预设高斯噪声输入至所述生成模型得到所述生成模型输出的用于表征所述光伏出力不确定性的源荷耦合运行场景数据集。
可选的，所述构建包含多目标函数的目标配电网规划模型，包括：
构建包含与系统经济总成本、系统碳减排量以及系统供电可靠性相关的多目标函数的目标配电网规划模型。
可选的，所述利用改进后的多目标粒子群优化算法和所述源荷耦合运行场景数据集求解所述目标配电网规划模型得到关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标规划结果集之前，还包括：
基于反向学习策略对多目标粒子群优化算法进行改进得到改进后的多目标粒子群优化算法。
可选的，所述利用改进后的多目标粒子群优化算法和所述源荷耦合运行场景数据集求解所述目标配电网规划模型得到关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标规划结果集，包括：
利用配网相关数据和所述源荷耦合运行场景数据集对所述目标配电网规划模型进行初始化得到初始化后的目标配电网规划模型；
随机生成包含多个粒子的种群；所述粒子表示用于求解所述初始化后的目标配电网规划模型的解；
将所述种群中的各所述粒子输入至所述初始化后的目标配电网规划模型得到与所述种群对应的规划结果集；
迭代更新所述种群和所述规划结果集直至达到预设迭代次数，并将达到所述预设迭代次数时所对应的规划结果集确定为关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标结果集。
可选的，所述迭代更新所述种群和所述规划结果集直至达到预设迭代次数，并将达到所述预设迭代次数时所对应的规划结果集确定为关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标结果集，包括：
判断当前统计到的所述种群的迭代更新次数是否达到预设迭代次数；
如果当前统计到的所述种群的所述迭代更新次数未达到所述预设迭代次数，则利用公式一和公式二更新所述种群中所述粒子的速度和位置得到更新后种群；
根据公式三和公式四生成相应的目标种群，并将所述目标种群添加至所述更新后种群中得到混合种群；
基于所述混合种群重新执行所述将所述种群中的各所述粒子输入至所述初始化后的目标配电网规划模型得到与所述种群对应的规划结果集的步骤，并利用所述混合种群对应的规划结果集更新上一种群所对应的规划结果集；
如果当前统计到的所述种群的所述迭代更新次数达到所述预设迭代次数，则将达到所述预设迭代次数时所对应的规划结果集确定为关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标结果集；
其中，所述公式一为：
所述公式二为：
xi(k+1)＝xi(k)+vi(k+1)；
所述公式三为：
所述公式四为：
其中，vi(k)和xi(k)分别表示第i个粒子在第k次迭代中的速度和位置，vi(k+1)和xi(k+1)分别表示第i个粒子在第k+1次迭代中的速度和位置w表示权重系数；c1和c2表示学习系数；rand1和rand2表示从0到1之间的随机数，表示第i个粒子在第k次迭代中的历史最佳位置，xgbest(k)表示所有粒子在第k次迭代中的全局最优位置；/>表示在第i个粒子中的mth维决策变量的值，/>和/>分别表示/>的最大和最小值，/>和/>分别表示/>的相反和准相反的值。
第二方面，本申请公开了一种考虑源荷关联不确定性的配电网光储配置优化装置，包括：
生成模型构建模块，用于基于去噪扩散概率模型构建用于描述环境影响因素与负荷特性及光伏出力不确定性之间的关联耦合关系的生成模型；
数据集生成模块，用于利用所述生成模型生成用于表征所述光伏出力不确定性的源荷耦合运行场景数据集；
规划模型构建模块，用于构建包含多目标函数的目标配电网规划模型；所述目标配电网规划模型为用于规划在配电网中加装光伏系统和储能系统时的接入位置以及容量配置的模型；
模型求解模块，用于利用改进后的多目标粒子群优化算法和所述源荷耦合运行场景数据集求解所述目标配电网规划模型得到关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标规划结果集。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述公开的考虑源荷关联不确定性的配电网光储配置优化方法的步骤。
第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的考虑源荷关联不确定性的配电网光储配置优化方法的步骤。
可见，本申请提供了一种考虑源荷关联不确定性的配电网光储配置优化方法，包括：基于去噪扩散概率模型构建用于描述环境影响因素与负荷特性及光伏出力不确定性之间的关联耦合关系的生成模型；利用所述生成模型生成用于表征所述光伏出力不确定性的源荷耦合运行场景数据集；构建包含多目标函数的目标配电网规划模型；所述目标配电网规划模型为用于规划在配电网中加装光伏系统和储能系统时的接入位置以及容量配置的模型；利用改进后的多目标粒子群优化算法和所述源荷耦合运行场景数据集求解所述目标配电网规划模型得到关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标规划结果集。由此可见，本申请通过去噪扩散概率模型来描述气象条件与本地负荷及光伏出力特性之间关联耦合关系，从而生成配电网源荷耦合运行场景数据集，然后利用改进后的多目标粒子群优化算法和源荷耦合运行场景数据集求解包含多目标函数的目标配电网规划模型，即该目标规划模型综合考虑了多个优化目标，得到关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标规划结果集，从而能够实现光伏系统和储能系统的最佳接入位置和容量配置的规划。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种考虑源荷关联不确定性的配电网光储配置优化方法流程图；
图2为本申请公开的一种具体的基于DDPM的源荷耦合场景生成模型示意图；
图3为本申请公开的一种基于改进后的MOPSO算法求解模型流程图；
图4为本申请公开的一种具体的考虑源荷关联不确定性的配电网光储配置优化方法流程图；
图5为本申请公开的一种在配电网中增加光伏和储能系统的最佳接入位置示意图；
图6为本申请公开的一种考虑源荷关联不确定性的配电网光储配置优化装置结构示意图；
图7为本申请公开的一种电子设备结构图。
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做出创造性劳动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。
当前，由于光伏和储能的接入极大地改变了传统DNs(即配电网)的结构和运行状态，接入位置和配置容量的选择将对分布式配电网的稳定运行产生广泛的影响。为此，本申请提供了一种考虑源荷关联不确定性的配电网光储配置优化方法，能够规划光伏系统和储能系统的最佳接入位置和容量配置。
本发明实施例公开了一种考虑源荷关联不确定性的配电网光储配置优化方法，参见图1所示，该方法包括：
步骤S11：基于去噪扩散概率模型构建用于描述环境影响因素与负荷特性及光伏出力不确定性之间的关联耦合关系的生成模型。
需要指出的是，DDPM(Denoising Diffusion Probabilistic Models，去噪扩散概率模型)定义了一个参数化的马尔科夫链，它使用变分推断进行训练，以在有限时间后生成与数据匹配的样本。学习该马尔科夫链的转换以反转扩散过程，该扩散过程是一个马尔可夫链，它以与采样相反的方向逐渐向数据添加噪声，直到信号变成所设定的高斯噪声，然后学习逆扩散过程，从噪声中构建所需的数据样本，DDPM是用固定的程序学习的，因此隐变量具有与原始数据相同的高维度信息，有利于学习并表征训练数据中隐含的耦合关系。
可以理解的是，光伏发电和负荷的耦合关系尚未得到充分考虑，现有大多只使用历史气象数据通过物理模型的方法来描述光伏出力特性，导致光伏发电分布精度较低，而且无法考虑负荷特性与光伏出力特性间的耦合关系，所以本实施例考虑光伏发电和负荷的不确定性质，为了保证优化过程中区域配电网供需关系的准确性，采用基于去噪扩散概率模型对配电网中光伏出力特性的关联不确定性模式进行建模得到用于描述环境影响因素与负荷特性及光伏出力不确定性之间的关联耦合关系的生成模型，也即采用基于去噪扩散概率模型的生成模型来表征光伏和负荷的不确定性。具体的，通过前向扩散和后向扩散的训练方式，利用与环境影响因素和负荷特性关联影响因素相关的数据对基于去噪扩散概率模型构建的初始生成模型进行训练得到用于描述所述环境影响因素和所述负荷特性关联影响因素及光伏出力不确定性之间的关联耦合关系的生成模型。也就是说，本实施例构建的是基于DDPM的生成模型，模型的输入是关联影响因素，如图2所示，模型训练的输入数据，即历史运行数据，其中，所述历史运行数据可以由其他含可再生能源的区域配电网提供，并且表征光伏发电特性时，生成模型的输入包含两部分，一是环境影响因素，如太阳辐射强度、环境温度、环境湿度等，二是负荷特性关联因素，即对应条件下归一化后的负荷出力数据作为输入，通过前向扩散和后向扩散训练，可生成包含光伏发电特性与对应负荷特性及环境要素之间映射关系的场景集合，即生成模型的输出为与输入所对应的场景模式数据。
其中，DDPM的前向扩散是指对原始数据样本添加噪声从而让它逐渐失去可辨别的特征并成为所设定的高斯分布的随机噪声样本，给出真实样本分布中取样所得的数据点x0～q(x)，定义一个前向扩散的过程，在该过程中，以T步逐渐对样本添加少量的高斯噪声，以产生对应的噪声样本序列x0，...，xT，每一步所添加的高斯噪声方差由序列来控制，每一步扩散的过程以及扩散T步后所得到的噪声样本如下公式所示：
数据样本x0随着扩散的进程逐渐加深，其可辨别的特征也会逐渐失去，最终当T→∞时，xT便相当于一个各向同性的高斯分布。对于任意的时间步骤t可利用重参数化实现对xt的快速采样。令αt＝1-βt， 则xt以及每一步扩散的过程的定义如下公式所示：
将上述扩散过程反转，也就是从q(xt-1|xt)中不断进行马尔科夫链过程采样，即可从输入的高斯噪声中生成真实样本。但是实际上，q(xt-1|xt)是很难获取的，因此需要通过训练模型来最大化近似在每一步前向扩散中所得到的条件概率，以便运行反向扩散生成过程。定义反向扩散训练目标函数为：
其中，∈θ为用于从xt中预测∈的训练网络，C为常数项集合。
因此，DDPM模型的总体目标函数为：
通过梯度下降法对后向扩散进行训练至收敛后，便可获得能够生成可有效表征光伏出力不确定性的源荷耦合运行场景数据的生成模型。
步骤S12：利用所述生成模型生成用于表征所述光伏出力不确定性的源荷耦合运行场景数据集。
可以理解的是，基于DDPM的生成模型可以更深入地学习各关联分布的随机变量中隐含的概率特征，从而使所生成的场景数据与原有场景概率分布相似，并在此基础上合理扩充隐含的不确定性模式。利用去噪扩散概率模型来描述气象条件与本地负荷及光伏资源禀赋之间关联耦合关系，从而实现对区域配电网负荷条件已知的条件下光伏出力不确定性的表征，得到耦合情况下的区域配电网源荷耦合运行的场景模式集合。具体的，将预设高斯噪声输入至所述生成模型得到所述生成模型输出的用于表征所述光伏出力不确定性的源荷耦合运行场景数据集。也就是说，基于训练好的模型，通过输入所设定的高斯噪声，逐步逆采样获得所需的场景数据集合。
步骤S13：构建包含多目标函数的目标配电网规划模型；所述目标配电网规划模型为用于规划在配电网中加装光伏系统和储能系统时的接入位置以及容量配置的模型。
可以理解的是，在配网规划中很少考虑碳排放因素，现有大多只关注经济因素和系统的可靠性，这并不能满足当前形势下配电网规划的需要，所以通过增加分布式光伏和储能实现配电网低碳化规划改造，构建出规划配电网中光伏和储能的最优位置和容量分配的模型，该模型综合考虑多个优化目标，并综合考虑了多重约束条件，即构建包含多目标函数的用于规划在配电网中加装光伏系统和储能系统时的接入位置以及容量配置的目标配电网规划模型，具体的，构建包含与系统经济总成本、系统碳减排量以及系统供电可靠性相关的多目标函数的目标配电网规划模型。也就是说，综合考虑经济性、低碳性、可靠性等多个优化目标，利用所得的源荷耦合运行场景为代表场景，以系统经济总成本最低、碳减排最大、系统供电可靠性最高为目标函数，构建目标配电网规划模型。
在配电网络中光伏和电池的生命周期主要包括三个阶段，分别为建设，运行和维护以及回收利用，在配电网规划中，需要充分考虑建设和运行这两方面，因此，所述系统经济成本对应的目标函数可以为：
min Costsum＝Cinvestment+Copera-main+Cgrid-buy+Cline；
其中，Costsum表示总经济成本，Cinvestment表示投资成本，Copera-main表示运行和维护费用，Cgrid-buy表示从主电网获得的购电成本，Cline表示输电线路的建设成本；n表示总规划年数，N是配网络中的节点总数，表示折现率，/>和/>分别表示光伏和储能的单位投资成本，/>和/>分别表示光伏和储能是否在节点j连接，/>和/>分别表示节点j处光伏和储能的实际接入容量；/>和/>分别表示光伏和储能的机组年运维成本；cgrid(t)表示电网在时间t的实时电价，/>和/>分别指在第ith年的t时的第j个节点的负载功率和光伏功率，/>和/>表示ESS的充电和放电功率；表示输电线路的单位投资成本，dline表示表示要建设的输电线路的总长度；
碳减排代表了原配电网与光伏发电和储能系统改进的配电网之间的碳排放差异，与系统碳减排对应的目标函数可以为：
其中，表示规划期内配电网(DNs)的碳减排总量，τCO2表示热发电的碳排放系数，/>表示第ith年的t时的第j个节点的负载功率；
并且，与系统供电可靠性对应的目标函数可以表示为：
其中，Creliable表示配电网(DNs)的供电可靠性，和/>表示在第ith年的t时的第j个节点负荷功率、光伏功率、购买功率；
本实施例中，所述目标配电网规划模型还综合考虑了多重约束条件，主要考虑的是潮流约束、投资约束、光伏和ESS的运行约束。
其中，关于潮流约束的相关公式如下：
其中，Pi(t)和Qi(t)分别表示t时刻节点i的有功和无功功率，Ui(t)和Uj(t)分别表示t时刻节点i和节点j的电压，Gij(t)和Bij(t)分别表示t时刻节点i和节点j之间的磁化率和电导率，θij(t)表示t时刻节点i和节点j之间电压的相位角。
关于投资约束的相关公式如下：
其中，和/>分别表示PV(PhotoVoltaic，光伏)和ESS(EnergyStorage System，储能系统)在配电网络(DNs)中的最大投资极限；
关于光伏运行约束的相关公式如下：
其中，PPV_max表示光伏发电的最大输出功率；
关于储能系统(ESS)运行约束的相关公式如下：
其中，ΨESS_max和ΨESS_min分别表示储能系统(ESS)容量的上限和下限，PESS_max和PESS_min表示储能系统(ESS)充放电功率的上下限，SOCESS_max和SOCESS_min表示储能系统(ESS)电荷状态的上、下限。
步骤S14：利用改进后的多目标粒子群优化算法和所述源荷耦合运行场景数据集求解所述目标配电网规划模型得到关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标规划结果集。
需要指出的是，对多个目标函数同时求最优解的问题要用MOPSO(MultipleObjective Particle Swarm Optimization，多目标粒子群优化)算法。例如，对于个体A和个体B，假如有三个目标函数，带入个体A和B计算得A＝[1.00 0.50 0.33]，B＝[0.61 0.370.21]，如果每一个目标函数上A都大于B，那么可得A>B。但是当A＝[0.61 0.50 0.33],B＝[1.00 0.37 0.21]时，A在第一个目标函数上比B小，其余比B大，此时无法比较A和B。MOPSO算法要解决的问题就是在多目标问题中如何选择最优解。
可以理解的是，传统的MOPSO算法处理高维问题时可能存在很多缺陷，如粒子聚集过快等问题，这将会导致粒子种群缺乏多样性。因此，基于反向学习策略对多目标粒子群优化算法进行改进得到改进后的多目标粒子群优化算法。也即，在粒子的生成和更新过程中引入了一种基于QOBL(Opposition-based Learning，反向学习)策略，将得到的拟相反种群纳入初始种群，形成混合种群，然后根据粒子的优势关系和拥挤距离，选择高适应度的个体输入下一次迭代。改进后的多目标粒子群优化算法参数设置简单，收敛速度更快，求解质量更高，所以利用改进的MOPSO算法来求解规划模型。
具体的，利用配网相关数据和所述源荷耦合运行场景数据集对所述目标配电网规划模型进行初始化得到初始化后的目标配电网规划模型；随机生成包含多个粒子的种群；所述粒子表示用于求解所述初始化后的目标配电网规划模型的解；将所述种群中的各所述粒子输入至所述初始化后的目标配电网规划模型得到与所述种群对应的规划结果集；迭代更新所述种群和所述规划结果集直至达到预设迭代次数，并将达到所述预设迭代次数时所对应的规划结果集确定为关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标结果集。
本实施例中，所述迭代更新所述种群和所述规划结果集直至达到预设迭代次数，并将达到所述预设迭代次数时所对应的规划结果集确定为关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标结果集，具体可以包括：判断当前统计到的所述种群的迭代更新次数是否达到预设迭代次数；如果当前统计到的所述种群的所述迭代更新次数未达到所述预设迭代次数，则利用公式一和公式二更新所述种群中所述粒子的速度和位置得到更新后种群；根据公式三和公式四生成相应的目标种群，并将所述目标种群添加至所述更新后种群中得到混合种群；基于所述混合种群重新执行所述将所述种群中的各所述粒子输入至所述初始化后的目标配电网规划模型得到与所述种群对应的规划结果集的步骤，并利用所述混合种群对应的规划结果集更新上一种群所对应的规划结果集；如果当前统计到的所述种群的所述迭代更新次数达到所述预设迭代次数，则将所达到所述预设迭代次数时所对应的规划结果集确定为关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标结果集。
其中，所述公式一为：
所述公式二为：
xi(k+1)＝xi(k)+vi(k+1)；
所述公式三为：
所述公式四为：
其中，vi(k)和xi(k)分别表示第i个粒子在第k次迭代中的速度和位置，vi(k+1)和xi(k+1)分别表示第i个粒子在第k+1次迭代中的速度和位置w表示权重系数；c1和c2表示学习系数；rand1和rand2表示从0到1之间的随机数，表示第i个粒子在第k次迭代中的历史最佳位置，xgbest(k)表示所有粒子在第k次迭代中的全局最优位置；/>表示在第i个粒子中的mth维决策变量的值，/>和/>分别表示/>的最大和最小值，/>和/>分别表示/>的相反和准相反的值。
例如，基于改进的MOPSO算法的模型求解参见图3所示，输入配网相关数据，并设置MOPSO算法的参数，如学习系数c1和c2，权重系数w，种群数N，最大迭代次数K，粒子的最大运动速度vmax等，输入基于DDPM的生成模型生成的源荷耦合运行场景数据集，以实现对所述目标配电网规划模型的初始化，输入初始种群，并记录每个粒子的速度和位置，计算每个粒子的适应度，并记录其自己的最优位置和所有粒子的全局最优位置，然后根据上述公式一和上述公式二来更新粒子的速度和位置，并根据上述公式三和上述公式四生成一个相反的种群，并将其加入到初始种群中形成一个混合种群，更新帕累托解决方案集X；判断当前迭代次数是否达到最大迭代次数K。如果是，则输出最优帕累托解集，如果否，则基于混合种群重新执行计算每个粒子的适应度及其后续步骤，直至当前迭代次数达到最大迭代次数以输出最优帕累托解集。
可见，本申请实施例中，通过去噪扩散概率模型来描述气象条件与本地负荷及光伏出力特性之间关联耦合关系，从而生成配电网源荷耦合运行场景数据集，然后利用改进后的多目标粒子群优化算法和源荷耦合运行场景数据集求解包含多目标函数的目标配电网规划模型，即该目标规划模型综合考虑了多个优化目标，得到关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标规划结果集，从而能够实现光伏系统和储能系统的最佳接入位置和容量配置的规划。
本申请实施例中，通过增加分布式光伏和储能实现配电网低碳化规划改造，并针对配电网新增分布式电源无法描述有效的源荷关联不确定性问题，对加装的光伏系统和储能系统的接入位置和配置容量进行规划，采用改进后的MOPSO算法对综合考虑了经济性、低碳性、可靠性等多个优化目标，以及综合考虑了多重约束条件的目标配电网规划模型进行求解，具体的，参见图4所示，通过去噪扩散概率模型来描述气象条件与本地负荷及光伏出力特性之间关联耦合关系，经过训练后，利用基于DDPM模型的生成模型生成有效表征光伏发电不确定特性的场景数据集，即源荷耦合运行场景数据集，实现对区域配电网负荷条件已知的条件下光伏出力不确定性的表征以及实现耦合情况下的区域配电网源荷耦合运行场景模式的表征及描述，然后构建用于规划在配电网中加装光伏系统和储能系统时的接入位置以及容量配置的目标配电网规划模型中，该模型综合考虑了经济性、低碳性、可靠性等多个优化目标，以及综合考虑了多重约束条件，最后，针对配电网低碳规划多目标优化问题，引入了基于反向学习策略改进的多目标粒子群算法，从而实现对多目标优化模型的快速求解，即通过改进后的多目标粒子群优化算法和表征所述光伏出力不确定性的源荷耦合运行场景数据集求解目标配电网规划模型，得到关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标规划结果集，求解后的光伏和储能接入位置参见图5所示，并且各节点对应光伏及储能容量如表1所示：
表1
其中，依据本申请的配电网规划技术方案，对配电网增配了光伏及储能后，系统各项经济指标、碳排放指标和供电稳定性指数如表2所示：
表2
相应的，本申请实施例还公开了一种考虑源荷关联不确定性的配电网光储配置优化装置，参见图6所示，该装置包括：
生成模型构建模块11，用于基于去噪扩散概率模型构建用于描述环境影响因素与负荷特性及光伏出力不确定性之间的关联耦合关系的生成模型；
数据集生成模块12，用于利用所述生成模型生成用于表征所述光伏出力不确定性的源荷耦合运行场景数据集；
规划模型构建模块13，用于构建包含多目标函数的目标配电网规划模型；所述目标配电网规划模型为用于规划在配电网中加装光伏系统和储能系统时的接入位置以及容量配置的模型；
模型求解模块14，用于利用改进后的多目标粒子群优化算法和所述源荷耦合运行场景数据集求解所述目标配电网规划模型得到关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标规划结果集。
由上可见，本申请实施例中，通过去噪扩散概率模型来描述气象条件与本地负荷及光伏出力特性之间关联耦合关系，从而生成配电网源荷耦合运行场景数据集，然后利用改进后的多目标粒子群优化算法和源荷耦合运行场景数据集求解包含多目标函数的目标配电网规划模型，即该目标规划模型综合考虑了多个优化目标，得到关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标规划结果集，从而能够实现光伏系统和储能系统的最佳接入位置和容量配置的规划。
在一些具体的实施例中，所述生成模型构建模块11，具体可以包括：
模型训练模块，用于通过前向扩散和后向扩散的训练方式，利用与环境影响因素和负荷特性关联影响因素相关的数据对基于去噪扩散概率模型构建的初始生成模型进行训练得到用于描述所述环境影响因素和所述负荷特性关联影响因素及光伏出力不确定性之间的关联耦合关系的生成模型。
在一些具体的实施例中，所述数据集生成模块12，具体可以包括：
数据集生成单元，用于将预设高斯噪声输入至所述生成模型得到所述生成模型输出的用于表征所述光伏出力不确定性的源荷耦合运行场景数据集。
在一些具体的实施例中，所述规划模型构建模块13，具体可以包括：
模型优化单元，用于构建包含与系统经济总成本、系统碳减排量以及系统供电可靠性相关的多目标函数的目标配电网规划模型。
在一些具体的实施例中，所述考虑源荷关联不确定性的配电网光储配置优化装置，具体还可以包括：
算法改进模块，用于基于反向学习策略对多目标粒子群优化算法进行改进得到改进后的多目标粒子群优化算法。
在一些具体的实施例中，所述模型求解模块14，具体可以包括：
模型初始化模块，用于利用配网相关数据和所述源荷耦合运行场景数据集对所述目标配电网规划模型进行初始化得到初始化后的目标配电网规划模型；
种群生成模块，用于随机生成包含多个粒子的种群；所述粒子表示用于求解所述初始化后的目标配电网规划模型的解；
粒子输入模块，用于将所述种群中的各所述粒子输入至所述初始化后的目标配电网规划模型得到与所述种群对应的规划结果集；
更新模块，用于迭代更新所述种群和所述规划结果集直至达到预设迭代次数，并将达到所述预设迭代次数时所对应的规划结果集确定为关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标结果集。
在一些具体的实施例中，所述更新模块，具体可以包括：
迭代次数判断单元，用于判断当前统计到的所述种群的迭代更新次数是否达到预设迭代次数；
种群更新单元，用于如果当前统计到的所述种群的所述迭代更新次数未达到所述预设迭代次数，则利用公式一和公式二更新所述种群中所述粒子的速度和位置得到更新后种群；
种群构建单元，用于根据公式三和公式四生成相应的目标种群，并将所述目标种群添加至所述更新后种群中得到混合种群；
结果集更新单元，用于基于所述混合种群重新执行所述将所述种群中的各所述粒子输入至所述初始化后的目标配电网规划模型得到与所述种群对应的规划结果集的步骤，并利用所述混合种群对应的规划结果集更新上一种群所对应的规划结果集；
目标结果集确定模块，用于如果当前统计到的所述种群的所述迭代更新次数达到所述预设迭代次数，则将达到所述预设迭代次数时所对应的规划结果集确定为关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标结果集；
其中，所述公式一为：
所述公式二为：
xi(k+1)＝xi(k)+vi(k+1)；
所述公式三为：
所述公式四为：
其中，vi(k)和xi(k)分别表示第i个粒子在第k次迭代中的速度和位置，vi(k+1)和xi(k+1)分别表示第i个粒子在第k+1次迭代中的速度和位置w表示权重系数；c1和c2表示学习系数；rand1和rand2表示从0到1之间的随机数，表示第i个粒子在第k次迭代中的历史最佳位置，xgbest(k)表示所有粒子在第k次迭代中的全局最优位置；/>表示在第i个粒子中的mth维决策变量的值，/>和/>分别表示/>的最大和最小值，/>和/>分别表示/>的相反和准相反的值。
进一步的，本申请实施例还提供了一种电子设备。图7是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图7为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的考虑源荷关联不确定性的配电网光储配置优化方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的考虑源荷关联不确定性的配电网光储配置优化方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器加载并执行时，实现前述任一实施例公开的考虑源荷关联不确定性的配电网光储配置优化方法步骤。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
最后，还需要说明的是，在本文中，诸如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。
以上对本发明所提供的一种考虑源荷关联不确定性的配电网光储配置优化方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种考虑源荷关联不确定性的配电网光储配置优化方法，其特征在于，包括：
基于去噪扩散概率模型构建用于描述环境影响因素与负荷特性及光伏出力不确定性之间的关联耦合关系的生成模型；
利用所述生成模型生成用于表征所述光伏出力不确定性的源荷耦合运行场景数据集；
构建包含多目标函数的目标配电网规划模型；所述目标配电网规划模型为用于规划在配电网中加装光伏系统和储能系统时的接入位置以及容量配置的模型；
利用改进后的多目标粒子群优化算法和所述源荷耦合运行场景数据集求解所述目标配电网规划模型得到关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标规划结果集。
2.根据权利要求1所述的考虑源荷关联不确定性的配电网光储配置优化方法，其特征在于，所述基于去噪扩散概率模型构建用于描述环境影响因素与负荷特性及光伏出力不确定性之间的关联耦合关系的生成模型，包括：
通过前向扩散和后向扩散的训练方式，利用与环境影响因素和负荷特性关联影响因素相关的数据对基于去噪扩散概率模型构建的初始生成模型进行训练得到用于描述所述环境影响因素和所述负荷特性关联影响因素及光伏出力不确定性之间的关联耦合关系的生成模型。
3.根据权利要求1所述的考虑源荷关联不确定性的配电网光储配置优化方法，其特征在于，所述利用所述生成模型生成用于表征所述光伏出力不确定性的源荷耦合运行场景数据集，包括：
将预设高斯噪声输入至所述生成模型得到所述生成模型输出的用于表征所述光伏出力不确定性的源荷耦合运行场景数据集。
4.根据权利要求1所述的考虑源荷关联不确定性的配电网光储配置优化方法，其特征在于，所述构建包含多目标函数的目标配电网规划模型，包括：
构建包含与系统经济总成本、系统碳减排量以及系统供电可靠性相关的多目标函数的目标配电网规划模型。
5.根据权利要求1所述的考虑源荷关联不确定性的配电网光储配置优化方法，其特征在于，所述利用改进后的多目标粒子群优化算法和所述源荷耦合运行场景数据集求解所述目标配电网规划模型得到关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标规划结果集之前，还包括：
基于反向学习策略对多目标粒子群优化算法进行改进得到改进后的多目标粒子群优化算法。
6.根据权利要求1至5任一项所述的考虑源荷关联不确定性的配电网光储配置优化方法，其特征在于，所述利用改进后的多目标粒子群优化算法和所述源荷耦合运行场景数据集求解所述目标配电网规划模型得到关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标规划结果集，包括：
利用配网相关数据和所述源荷耦合运行场景数据集对所述目标配电网规划模型进行初始化得到初始化后的目标配电网规划模型；
随机生成包含多个粒子的种群；所述粒子表示用于求解所述初始化后的目标配电网规划模型的解；
将所述种群中的各所述粒子输入至所述初始化后的目标配电网规划模型得到与所述种群对应的规划结果集；
迭代更新所述种群和所述规划结果集直至达到预设迭代次数，并将达到所述预设迭代次数时所对应的规划结果集确定为关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标结果集。
7.根据权利要求6所述的考虑源荷关联不确定性的配电网光储配置优化方法，其特征在于，所述迭代更新所述种群和所述规划结果集直至达到预设迭代次数，并将达到所述预设迭代次数时所对应的规划结果集确定为关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标结果集，包括：
判断当前统计到的所述种群的迭代更新次数是否达到预设迭代次数；
如果当前统计到的所述种群的所述迭代更新次数未达到所述预设迭代次数，则利用公式一和公式二更新所述种群中所述粒子的速度和位置得到更新后种群；
根据公式三和公式四生成相应的目标种群，并将所述目标种群添加至所述更新后种群中得到混合种群；
基于所述混合种群重新执行所述将所述种群中的各所述粒子输入至所述初始化后的目标配电网规划模型得到与所述种群对应的规划结果集的步骤，并利用所述混合种群对应的规划结果集更新上一种群所对应的规划结果集；
如果当前统计到的所述种群的所述迭代更新次数达到所述预设迭代次数，则将达到所述预设迭代次数时所对应的规划结果集确定为关于规划所述光伏系统和所述储能系统在所述配电网中的所述接入位置和所述容量配置的目标结果集；
其中，所述公式一为：
所述公式二为：
xi(k+1)＝xi(k)+vi(k+1)；
所述公式三为：
所述公式四为：
其中，vi(k)和xi(k)分别表示第i个粒子在第k次迭代中的速度和位置，vi(k+1)和xi(k+1)分别表示第i个粒子在第k+1次迭代中的速度和位置w表示权重系数；c1和c2表示学习系数；rand1和rand2表示从0到1之间的随机数，表示第i个粒子在第k次迭代中的历史最佳位置，xgbest(k)表示所有粒子在第k次迭代中的全局最优位置；/>表示在第i个粒子中的mth维决策变量的值，/>和/>分别表示/>的最大和最小值，/>和/>分别表示/>的相反和准相反的值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310645440.1A CN116565915A (zh) | 2023-06-02 | 2023-06-02 | 一种考虑源荷关联不确定性的配电网光储配置优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310645440.1A CN116565915A (zh) | 2023-06-02 | 2023-06-02 | 一种考虑源荷关联不确定性的配电网光储配置优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116565915A true CN116565915A (zh) | 2023-08-08 |
Family
ID=87498235
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310645440.1A Pending CN116565915A (zh) | 2023-06-02 | 2023-06-02 | 一种考虑源荷关联不确定性的配电网光储配置优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116565915A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118232424A (zh) * | 2024-05-20 | 2024-06-21 | 国网山东省电力公司东营供电公司 | 多目标优化的源荷储容量配置方法、装置 |
-
2023
- 2023-06-02 CN CN202310645440.1A patent/CN116565915A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118232424A (zh) * | 2024-05-20 | 2024-06-21 | 国网山东省电力公司东营供电公司 | 多目标优化的源荷储容量配置方法、装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kabir et al. | Joint estimation of behind-the-meter solar generation in a community | |
| Sun et al. | Flexible expansion planning of distribution system integrating multiple renewable energy sources: An approximate dynamic programming approach | |
| Niu et al. | Uncertainty modeling for chaotic time series based on optimal multi-input multi-output architecture: Application to offshore wind speed | |
| Kim et al. | Short-term electric load prediction using multiple linear regression method | |
| CN115099511A (zh) | 基于优化copula的光伏功率概率估计方法及系统 | |
| CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| Serttas et al. | Short term solar power generation forecasting: A novel approach | |
| Wang et al. | Robust multi-objective load dispatch in microgrid involving unstable renewable generation | |
| Xiao et al. | A comparative study of deep neural network and meta-model techniques in behavior learning of microgrids | |
| Li et al. | States prediction for solar power and wind speed using BBA‐SVM | |
| Xing et al. | Real-time optimal scheduling for active distribution networks: A graph reinforcement learning method | |
| CN114696351A (zh) | 一种电池储能系统动态优化方法、装置、电子设备和存储介质 | |
| Bento et al. | Short-term load forecasting using optimized LSTM networks via improved bat algorithm | |
| CN116565915A (zh) | 一种考虑源荷关联不确定性的配电网光储配置优化方法 | |
| Liu et al. | Dual particle swarm optimization based data-driven state of health estimation method for lithium-ion battery | |
| CN117175595B (zh) | 一种基于多级数据的电网调控方法及系统 | |
| CN118536755A (zh) | 一种新能源基地直流外送电力系统典型规划场景生成方法 | |
| Huang et al. | Short‐term power forecasting method for 5G photovoltaic base stations on non‐sunny days based on SDN‐integrated INGO‐BP and RGAN | |
| CN117810987A (zh) | 一种住宅净负荷区间的预测方法、装置、终端和存储介质 | |
| CN117172486A (zh) | 一种基于强化学习的虚拟电厂光储资源聚合调控方法 | |
| Nath et al. | Short-term Electric Vehicle Charging Load forecasting using Transfer and Meta-learning | |
| Lyu et al. | Multivariate-aided Power-consumption Prediction Based on LSTM-Kalman Filter | |
| Zandi et al. | An automatic learning framework for smart residential communities | |
| CN114372418A (zh) | 一种风电功率时空态势描述模型建立方法 | |
| Balaji et al. | Comparative Study of Various Machine Learning and Deep Learning Techniques for Energy Prediction and Consumption Using IoT Modules |
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 |