CN107464007A - 基于马尔科夫理论和比例分配原理的连续时段概率潮流预测方法 - Google Patents
基于马尔科夫理论和比例分配原理的连续时段概率潮流预测方法 Download PDFInfo
- Publication number
- CN107464007A CN107464007A CN201610384138.5A CN201610384138A CN107464007A CN 107464007 A CN107464007 A CN 107464007A CN 201610384138 A CN201610384138 A CN 201610384138A CN 107464007 A CN107464007 A CN 107464007A
- Authority
- CN
- China
- Prior art keywords
- mtd
- mrow
- wind
- power
- msup
- 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 18
- 230000005611 electricity Effects 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 239000013598 vector Substances 0.000 claims abstract description 15
- 230000007704 transition Effects 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012614 Monte-Carlo sampling Methods 0.000 claims abstract description 3
- 238000005070 sampling Methods 0.000 claims description 6
- 101100001674 Emericella variicolor andI gene Proteins 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 4
- 238000012546 transfer Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
Abstract
本发明提出一种基于马尔科夫理论和比例分配原理的连续时段概率潮流预测方法,首先设置预想进行潮流计算的连续时间段数,根据地区风电功率的历史数据建立马尔科夫链模型;然后根据当前时刻风电预测功率概率分布的状态向量和状态转移概率矩阵计算下一时刻的风电预测功率概率分布的状态向量,使用比例分配原理和蒙特卡洛抽样法对下一时刻风电预测功率变量进行抽样,建立风电预测功率变量的样本矩阵;最后根据风电预测功率变量的样本矩阵进行连续时段概率潮流计算。本发明将单一时刻的概率潮流计算推广到连续时间段内,并且可以根据初始的风电预测功率概率分布预测各个支路潮流在连续时段内各个时刻的分布情况以及发展的趋势。
Description
技术领域
本发明属于电力***分析技术领域,具体涉及一种基于比例分配原理的马尔科夫理论连续时段概率潮流预测方法。
背景技术
随着大规模新能源发电接入电网,对新能源发电进行预测可以预防新能源发电的随机性对电力***运行造成的不利影响。如果能够对连续时段内的电力***的潮流进行预测,既能预测每一时刻支路潮流的概率分布情况,又能得到连续时段内支路潮流分布的发展趋势,会更有利于规划电力***中新能源发电接入量的规划,对电力***的稳定运行具有重要的指导意义。如今在大规模新能源发电接入的情况下,对支路潮流进行连续时间段内的预测还未得到研究人员的普遍关注,因此需要研究一种可以预测连续时段内概率潮流的方法。
发明内容
本发明提出一种基于比例分配原理的马尔科夫理论连续时段概率潮流预测方法,可以根据初始风电预测功率概率分布预测支路潮流在连续时段内各个时刻的概率分布情况以及发展趋势。
为了解决上述技术问题,本发明提供一种基于马尔科夫理论和比例分配原理的连续时段概率潮流预测方法,其特征在于,步骤如下:
步骤一,设置预想进行潮流计算的连续时间段数,根据地区风电功率的历史数据建立风电功率马尔科夫链模型;
步骤二,根据所述风电功率马尔科夫链模型和初始时刻风电预测功率概率分布的状态向量计算下一时刻的风电预测功率概率分布的状态向量;利用比例分配原理计算下一时刻风电预测功率变量各状态区间的抽样次数;使用蒙特卡洛抽样法分别对风电预测功率变量各状态区间进行抽样得到对应的风电预测功率值;根据所述风电预测功率值建立风电预测功率变量的样本矩阵;
步骤三,将所述风电预测功率变量的样本矩阵作为确定性潮流计算模型的输入量进行概率潮流计算;进行循环计算时,每次循环选择风电预测功率变量的样本矩阵的列向量完成一个时刻的概率潮流计算,直到完成连续时段内每一个时刻的概率潮流计算;根据循环计算所得的连续时段内各个时刻输出变量的离散结果使用核密度估计拟合,得到输出变量的概率分布曲线。
进一步,所述步骤一中根据地区风电功率的历史数据建立风电功率马尔科夫链模型的方法为:根据地区风电功率的历史数据对风电功率划分状态区间,计算风电功率各状态间的转移概率值从而获得状态转移概率矩阵,根据状态转移概率矩阵建立风电功率的马尔科夫链模型;所述风电功率的马尔科夫链模型如(1)所示,
式(1)中:pk ij状态转移概率矩阵Pk的一个元素,表示风电功率从状态i向状态j演变的概率,且i,j=1,2,…m;m为将功率历史数据等间隔划分成的状态区间的个数,Nk ij为风电功率变量Xk从状态i向状态j演变的次数,k∈K,K为风电场的个数
本发明与现有技术相比,其显著优点在于,本发明将马尔科夫理论和比例分配原理与蒙特卡洛模拟法概率潮流计算相结合,将单一时刻的概率潮流计算推广到连续时间段内,并且可以根据初始风电预测功率概率分布预测支路潮流在连续时段内各个时刻的概率分布情况以及发展趋势。
附图说明
图1为本发明基于比例分配原理的马尔科夫理论连续时段概率潮流预测方法流程简图。
图2为本发明基于比例分配原理的马尔科夫理论连续时段概率潮流预测方法具体实现步骤流程图。
具体实施方式
容易理解,依据本发明的技术方案,在不变更本发明的实质精神的情况下,本领域的一般技术人员可以想象出本发明基于比例分配原理的马尔科夫理论连续时段概率潮流预测方法的多种实施方式。因此,以下具体实施方式和附图仅是对本发明的技术方案的示例性说明,而不应当视为本发明的全部或者视为对本发明技术方案的限制或限定。
结合图1和图,本发明基于比例分配原理的马尔科夫理论连续时段概率潮流预测方法,包括以下步骤:
步骤一,设置预想进行潮流计算的连续时间段数;根据地区风电功率的历史数据对风电功率划分状态区间,计算风电功率各状态间的转移概率值并获得状态转移概率矩阵,从而建立风电功率的马尔科夫链模型。
假设根据需求设置预想进行潮流计算的连续时间段数为T,该地区内有K个风电场,每个风电场的风电预测功率变量为X1,X2,…XK,将各个风电场连续时段内风电功率历史数据等间隔划分成m个状态区间,分别代表m个状态,状态区间段长为Δkx,风电功率历史数据波动范围为[xk min,xk max],则所分状态区间为Dk i=[xk min+(i-1)Δkx,xk min+iΔkx](i=1,2,…,m),式中:
判断风电功率变量Xk(k=1,2,…K)历史数据属于哪个状态区间,并找到所有属于状态区间Dk i的风电功率历史数据样本,然后在这些风电功率历史数据样本中找到其下一时刻属于状态区间Dk j的样本数目,即风电功率变量Xk从状态i向状态j演变的次数为Nk ij,得到风电功率变量的状态转移频数矩阵:
进而得到风电功率变量的状态转移概率矩阵,建立风电功率变量的马尔科夫链模型:
式中:pk ij是状态转移概率矩阵Pk的一个元素,称为状态转移概率,表示风电功率从状态i向状态j演变的概率。
步骤二,根据步骤一所建立的风电功率马尔科夫链模型和初始时刻风电预测功率概率分布的状态向量计算下一时刻的风电预测功率概率分布的状态向量;利用比例分配原理计算下一时刻风电预测功率变量各状态区间的抽样次数,进而利用蒙特卡洛抽样法分别对风电预测功率变量各状态区间进行抽样,建立风电预测功率变量的样本矩阵。
初始时刻时,根据风电功率变量Xk的预测概率分布得到风电功率变量当前时刻概率分布状态向量Xk(0);若在其他时刻时,则将上一时刻得到的风电功率变量状态概率向量作为当前时刻的风电功率变量状态概率向量:
将当前时刻风电功率变量状态概率向量Xk(0)与风电功率变量Xk的状态转移概率矩阵相乘得到下一时刻的风电功率变量状态概率向量:
设总的抽样次数为N,对于风电功率变量Xk(k=1,2,…K)利用比例分配原理计算各状态区间的抽样次数:
将状态区间Dk i进行Numk i等分,生成Numk i个子区间,子区间的间隔为然后在每个子区间[xk min+(i-1)Δkx+(j-1)·Δintervalk i,xk min+(i-1)Δkx+j·Δintervalk i](j=1,2,…Numk i)采样蒙特卡洛抽样得到的风电功率值作为子区间的样本点。对所有风电功率变量都按照上述方法抽样后生成初始样本矩阵后将每个风电功率变量的采样值进行随机排序,建立风电功率变量的样本矩阵XK×N。
步骤三,将步骤二所建立的风电预测功率变量的样本矩阵作为输入量进行概率潮流计算,将时段内全部时刻的潮流计算结果利用核密度估计进行拟合,得到输出变量的概率分布曲线。
将风电功率变量的样本矩阵XK×N作为确定性潮流计算模型的输入量进行循环计算,在循环中每次选择XK×N的一个列向量作为输入量,直到XK×N的所有列向量都参与过计算,即完成了一个时刻下的概率潮流计算。当连续时段内每个时刻的概率潮流计算都完成后,利用核密度估计将时段内全部时刻的潮流计算结果进行拟合得到输出变量的概率分布曲线。
Claims (2)
1.基于马尔科夫理论和比例分配原理的连续时段概率潮流预测方法,其特征在于,步骤如下:
步骤一,设置预想进行潮流计算的连续时间段数,根据地区风电功率的历史数据建立风电功率马尔科夫链模型;
步骤二,根据所述风电功率马尔科夫链模型和初始时刻风电预测功率概率分布的状态向量计算下一时刻的风电预测功率概率分布的状态向量;利用比例分配原理计算下一时刻风电预测功率变量各状态区间的抽样次数;使用蒙特卡洛抽样法分别对风电预测功率变量各状态区间进行抽样得到对应的风电预测功率值;根据所述风电预测功率值建立风电预测功率变量的样本矩阵;
步骤三,将所述风电预测功率变量的样本矩阵作为确定性潮流计算模型的输入量进行概率潮流计算;进行循环计算时,每次循环选择风电预测功率变量的样本矩阵的列向量完成一个时刻的概率潮流计算,直到完成连续时段内每一个时刻的概率潮流计算;根据循环计算所得的连续时段内各个时刻输出变量的离散结果使用核密度估计拟合,得到输出变量的概率分布曲线。
2.如权利要求1所述连续时段概率潮流预测方法,其特征在于,所述步骤一中根据地区风电功率的历史数据建立风电功率马尔科夫链模型的方法为:
根据地区风电功率的历史数据对风电功率划分状态区间,计算风电功率各状态间的转移概率值从而获得状态转移概率矩阵,根据状态转移概率矩阵建立风电功率的马尔科夫链模型;
所述风电功率的马尔科夫链模型如(1)所示,
<mrow>
<msup>
<mi>P</mi>
<mi>k</mi>
</msup>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<msup>
<mi>p</mi>
<mi>k</mi>
</msup>
<mn>11</mn>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<msup>
<mi>p</mi>
<mi>k</mi>
</msup>
<mn>12</mn>
</msub>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msub>
<msup>
<mi>p</mi>
<mi>k</mi>
</msup>
<mrow>
<mn>1</mn>
<mi>m</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<msup>
<mi>p</mi>
<mi>k</mi>
</msup>
<mn>21</mn>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<msup>
<mi>p</mi>
<mi>k</mi>
</msup>
<mn>22</mn>
</msub>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msub>
<msup>
<mi>p</mi>
<mi>k</mi>
</msup>
<mrow>
<mn>2</mn>
<mi>m</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
<mtd>
<mo>.</mo>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<msup>
<mi>p</mi>
<mi>k</mi>
</msup>
<mrow>
<mi>m</mi>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<msup>
<mi>p</mi>
<mi>k</mi>
</msup>
<mrow>
<mi>m</mi>
<mn>2</mn>
</mrow>
</msub>
</mrow>
</mtd>
<mtd>
<mn>...</mn>
</mtd>
<mtd>
<mrow>
<msub>
<msup>
<mi>p</mi>
<mi>k</mi>
</msup>
<mrow>
<mi>m</mi>
<mi>m</mi>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中:pk ij状态转移概率矩阵Pk的一个元素,表示风电功率从状态i向状态j演变的概率,且i,j=1,2,…m;m为将功率历史数据等间隔划分成的状态区间的个数,Nk ij为风电功率变量Xk从状态i向状态j演变的次数,k∈K,K为风电场的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610384138.5A CN107464007A (zh) | 2016-06-02 | 2016-06-02 | 基于马尔科夫理论和比例分配原理的连续时段概率潮流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610384138.5A CN107464007A (zh) | 2016-06-02 | 2016-06-02 | 基于马尔科夫理论和比例分配原理的连续时段概率潮流预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107464007A true CN107464007A (zh) | 2017-12-12 |
Family
ID=60544599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610384138.5A Pending CN107464007A (zh) | 2016-06-02 | 2016-06-02 | 基于马尔科夫理论和比例分配原理的连续时段概率潮流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107464007A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108336739A (zh) * | 2018-01-15 | 2018-07-27 | 重庆大学 | 一种基于rbf神经网络的概率潮流在线计算方法 |
CN108573322A (zh) * | 2018-03-13 | 2018-09-25 | 中联达通广(镇江)新能源科技有限公司 | 一种基于多车型共享换电站动态负荷预测方法 |
CN112748276A (zh) * | 2020-12-28 | 2021-05-04 | 国网冀北电力有限公司秦皇岛供电公司 | 一种谐波发射水平的预估方法以及装置 |
CN113076697A (zh) * | 2021-04-20 | 2021-07-06 | 潍柴动力股份有限公司 | 典型驾驶工况的构建方法、相关装置及计算机存储介质 |
CN113807019A (zh) * | 2021-09-24 | 2021-12-17 | 清华大学 | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140172329A1 (en) * | 2012-12-17 | 2014-06-19 | Junshan Zhang | System and method for wind generation forecasting |
CN103986156A (zh) * | 2014-05-14 | 2014-08-13 | 国家电网公司 | 一种考虑风电接入的动态概率潮流计算方法 |
CN103996084A (zh) * | 2014-06-06 | 2014-08-20 | 山东大学 | 基于纵向时刻Markov链模型的风功率概率预测方法 |
CN104463371A (zh) * | 2014-12-16 | 2015-03-25 | 山东大学 | 基于风电功率变化量的Markov链建模、预测方法 |
CN104537448A (zh) * | 2015-01-21 | 2015-04-22 | 山东大学 | 一种基于纵向时刻的风电功率Markov链模型状态划分改进方法 |
CN104682387A (zh) * | 2015-03-10 | 2015-06-03 | 东南大学 | 一种基于多区域交互迭代的概率潮流计算方法 |
CN104810826A (zh) * | 2015-05-07 | 2015-07-29 | 东南大学 | 结合拉丁超立方抽样的双向迭代并行概率潮流计算方法 |
CN105610192A (zh) * | 2016-01-26 | 2016-05-25 | 山东大学 | 考虑大规模风电接入的在线风险评估方法 |
-
2016
- 2016-06-02 CN CN201610384138.5A patent/CN107464007A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140172329A1 (en) * | 2012-12-17 | 2014-06-19 | Junshan Zhang | System and method for wind generation forecasting |
CN103986156A (zh) * | 2014-05-14 | 2014-08-13 | 国家电网公司 | 一种考虑风电接入的动态概率潮流计算方法 |
CN103996084A (zh) * | 2014-06-06 | 2014-08-20 | 山东大学 | 基于纵向时刻Markov链模型的风功率概率预测方法 |
CN104463371A (zh) * | 2014-12-16 | 2015-03-25 | 山东大学 | 基于风电功率变化量的Markov链建模、预测方法 |
CN104537448A (zh) * | 2015-01-21 | 2015-04-22 | 山东大学 | 一种基于纵向时刻的风电功率Markov链模型状态划分改进方法 |
CN104682387A (zh) * | 2015-03-10 | 2015-06-03 | 东南大学 | 一种基于多区域交互迭代的概率潮流计算方法 |
CN104810826A (zh) * | 2015-05-07 | 2015-07-29 | 东南大学 | 结合拉丁超立方抽样的双向迭代并行概率潮流计算方法 |
CN105610192A (zh) * | 2016-01-26 | 2016-05-25 | 山东大学 | 考虑大规模风电接入的在线风险评估方法 |
Non-Patent Citations (3)
Title |
---|
JIE YU 等: "Probabilistic load flow calculation with irregular distribution variables considering power grid receivability of wind power generation", 《2016 IEEE 8TH INTERNATIONAL POWER ELECTRONICS AND MOTION CONTROL CONFERENCE》 * |
周松林 等: "考虑风力发电随机性的微电网潮流预测", 《中国电机工程学报》 * |
茆美琴 等: "基于风光联合概率分布的微电网概率潮流预测", 《电工技术学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108336739A (zh) * | 2018-01-15 | 2018-07-27 | 重庆大学 | 一种基于rbf神经网络的概率潮流在线计算方法 |
CN108336739B (zh) * | 2018-01-15 | 2021-04-27 | 重庆大学 | 一种基于rbf神经网络的概率潮流在线计算方法 |
CN108573322A (zh) * | 2018-03-13 | 2018-09-25 | 中联达通广(镇江)新能源科技有限公司 | 一种基于多车型共享换电站动态负荷预测方法 |
CN112748276A (zh) * | 2020-12-28 | 2021-05-04 | 国网冀北电力有限公司秦皇岛供电公司 | 一种谐波发射水平的预估方法以及装置 |
CN113076697A (zh) * | 2021-04-20 | 2021-07-06 | 潍柴动力股份有限公司 | 典型驾驶工况的构建方法、相关装置及计算机存储介质 |
CN113807019A (zh) * | 2021-09-24 | 2021-12-17 | 清华大学 | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107464007A (zh) | 基于马尔科夫理论和比例分配原理的连续时段概率潮流预测方法 | |
CN107591844B (zh) | 考虑节点注入功率不确定性的主动配电网鲁棒重构方法 | |
Jung et al. | Prediction of building energy consumption using an improved real coded genetic algorithm based least squares support vector machine approach | |
CN109102155B (zh) | 一种超短期节点边际电价概率预测方法及*** | |
CN108365608A (zh) | 一种区域能源互联网不确定优化调度方法及*** | |
CN105447509A (zh) | 一种光伏发电***的短期功率预测方法 | |
CN109214708A (zh) | 基于交叉熵理论优化支持向量机的电力***风险评估方法 | |
CN102768701A (zh) | 基于量子遗传算法的高压开关柜绝缘子电场优化方法 | |
CN105809349A (zh) | 一种考虑来水相关性梯级水电站群的调度方法 | |
CN104091207A (zh) | 考虑有害气体排放量的含风电场多目标机组组合优化方法 | |
CN102509027A (zh) | 一种基于交叉熵理论的风电功率组合预测方法 | |
Domínguez et al. | Multi-chronological hierarchical clustering to solve capacity expansion problems with renewable sources | |
CN109523077A (zh) | 一种风电功率预测方法 | |
Tian et al. | A network traffic hybrid prediction model optimized by improved harmony search algorithm | |
Shirbhate et al. | Time-series energy prediction using hidden Markov model for smart solar system | |
CN106355980A (zh) | 一种基于限定记忆极限学习机的电网调节能力预测方法 | |
Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
CN104537233B (zh) | 一种基于核密度估计的配电网伪量测生成方法 | |
Lange et al. | Probabilistic day-ahead forecast of available thermal storage capacities in residential households | |
CN107358059A (zh) | 短期光伏能量预测方法和装置 | |
CN105449667A (zh) | 一种发输电***可靠性预测方法 | |
CN113363976B (zh) | 一种基于场景图的风光水互补发电***中期优化调度方法 | |
CN114662751A (zh) | 基于lstm的园区多能短期负荷预测及优化方法 | |
CN102750542A (zh) | 一种插值修匀优化的支持向量回归机风速组合预测方法 | |
CN108110756A (zh) | 考虑不确定性因素的工业园区配电网规划方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171212 |
|
RJ01 | Rejection of invention patent application after publication |