CN112258039B - 一种基于强化学习的电力***缺陷物资智能调度方法 - Google Patents
一种基于强化学习的电力***缺陷物资智能调度方法 Download PDFInfo
- Publication number
- CN112258039B CN112258039B CN202011144804.0A CN202011144804A CN112258039B CN 112258039 B CN112258039 B CN 112258039B CN 202011144804 A CN202011144804 A CN 202011144804A CN 112258039 B CN112258039 B CN 112258039B
- Authority
- CN
- China
- Prior art keywords
- materials
- reinforcement learning
- scheduling
- power system
- steps
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000000463 material Substances 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000002787 reinforcement Effects 0.000 title claims abstract description 33
- 230000002950 deficient Effects 0.000 title claims abstract description 29
- 230000009471 action Effects 0.000 claims abstract description 17
- 238000003860 storage Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 8
- 238000012546 transfer Methods 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000007704 transition Effects 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 4
- 239000002994 raw material Substances 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims 1
- 230000007547 defect Effects 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011232 storage material Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000010193 shuanglong Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于强化学习的电力***缺陷物资智能调度方法，包括，定义强化学习中的状态、决策、转移方程、奖励函数及物资仓储动态调度问题中的需求和目标；利用马尔科夫决策过程解决所述物资仓储动态调度问题；罗列针对电网缺陷物资的Bellman方程并选择求解策略；将所述Bellman方程修改为数据驱动在线更新的形式，基于ε贪婪策略确定调度行动。本发明提出了基于马尔科夫随机过程和强化学习求解电力***应急物资的联合控制和调度问题，且“端到端”算法不预测需求，直接做出库存控制和调度决策；同时在真实数据集上得到了验证，有很好的收敛性和增益，证明了方法的可用性与实践价值。
Description
技术领域
本发明涉及电网、人工智能调度的技术领域，尤其涉及一种基于强化学习的电力***缺陷物资智能调度方法。
背景技术
统计优化法：根据统计规律，建模各种紧急需求的分布，通过中心化的数学建模，计算出统计上平均最优的仓储分布。
数据预测法：基于每个区域内的数据分析和挖掘的思想，利用人工智能与机器学习方法，将每个区域的不同需求构建时间序列模型(sequence-to-sequence model),从而进行时间序列的预测；然后在预测的基础上，中心化的对于仓储***和调度进行布局与优化。
对于统计优化法，该方法对于区域内所有的需求分布需要有完备的统计，同时每次发生状态转移，紧急事件，都需要重新计算最优分布，计算资源消耗大，响应较慢，具有一定的局限性；对于数据预测法，传统的特征选取通常基于特征排序法，根据计算出的各个特征的重要性与相关性，并取前k个特征作为需求预测的输入，这种方法最大的缺点在于选取k个重要性与相关性最大的特征并不能很好的代表***的全局信息，从而就不能为预测***提供最丰富的信息；同时，由于预测的结果并非最终的结果，根据预测结果我们将进行二次计算，得出调度与控制方案，多步骤的框架会使得错误累计，导致最终结果的偏差。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于强化学习的电力***缺陷物资智能调度方法，能够解决电力***应急物资的联合控制和调度问题。
为解决上述技术问题，本发明提供如下技术方案：包括，定义强化学习中的状态、决策、转移方程、奖励函数及物资仓储动态调度问题中的需求和目标；利用马尔科夫决策过程解决所述物资仓储动态调度问题；罗列针对电网缺陷物资的Bellman方程并选择求解策略；将所述Bellman方程修改为数据驱动在线更新的形式，基于ε贪婪策略确定调度行动。
作为本发明所述的基于强化学习的电力***缺陷物资智能调度方法的一种优选方案，其中：包括，定义当前时刻的状态，则每个仓库所储存的物资St＝Z∈Rn×m；其中，Zi,j表示当前时刻仓库i中物资j的数量。
作为本发明所述的基于强化学习的电力***缺陷物资智能调度方法的一种优选方案，其中：包括，根据所述当前时刻状态St∈Rn×m和需求Q∈Rn×m，仓储***决定该时刻的调度方案X和采购方案B，其中，Xi,j和Bi,j分别表示当前时刻仓库i中物资j的出库数量和购买数量。
作为本发明所述的基于强化学习的电力***缺陷物资智能调度方法的一种优选方案，其中：包括，当所述仓储***决定调度和采购方案之后，在下一时刻，仓储状态随机发生状态转移，则转移方程表示为：
St+1＝Z-X+B
其中，由于仓储物资物理上无法为负数，同时仓储空间总是有限的，因此有效决策(X,B)必须满足以下不等式：
作为本发明所述的基于强化学习的电力***缺陷物资智能调度方法的一种优选方案，其中：包括，所述仓储***主要目标为满足地区内和地区间的紧急物资需求问题，则所述奖励函数为当前时刻的损失收益减去购买物资花费，如下：
其中，符号(x)-为：
作为本发明所述的基于强化学习的电力***缺陷物资智能调度方法的一种优选方案，其中：包括，
其中，γ∈[0,1)为衰减因子(Discount Factor)。
作为本发明所述的基于强化学习的电力***缺陷物资智能调度方法的一种优选方案，其中：包括，将所述Bellman方程改为数据驱动在线更新的形式，如下：
V(St)←(1-αt)V(St)+αt[rt+γV(St+1)]
其中，αt为时刻t的学习率。
作为本发明所述的基于强化学习的电力***缺陷物资智能调度方法的一种优选方案，其中：采取所述ε贪婪策略确定Action，仓库在1-ε的概率下采取当前最佳动作将V(St)最大化。
作为本发明所述的基于强化学习的电力***缺陷物资智能调度方法的一种优选方案，其中：还包括，在ε的概率下，随机选择动作，如下：
其中，所述随机动作能够自带探索，通过探索产生各种各样好的或坏的数据学到知识，从而改进当前的策略。
本发明的有益效果：本发明提出了基于马尔科夫随机过程和强化学习求解电力***应急物资的联合控制和调度问题，且“端到端”算法不预测需求，直接做出库存控制和调度决策；所提出的算法是“在线”算法，即库存控制和调度决策仅依赖于对过去事件的观察；所提出的算法也是“无模型”算法，不依赖于任何假定的不确定事件随机模型；同时在真实数据集上得到了验证，有很好的收敛性和增益，证明了方法的可用性与实践价值。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的基于强化学习的电力***缺陷物资智能调度方法的流程示意图；
图2为本发明第一个实施例所述的基于强化学习的电力***缺陷物资智能调度方法的缺陷物资调度示意图；
图3为本发明第一个实施例所述的基于强化学习的电力***缺陷物资智能调度方法的电力***的缺陷物资强化学习调度示意图；
图4为本发明第二个实施例所述的基于强化学习的电力***缺陷物资智能调度方法的仓储***在不同仓储容量下的收益对比示意图；
图5为本发明第二个实施例所述的基于强化学习的电力***缺陷物资智能调度方法的仓储***在不同仓储容量(C)和衰减系数(Y)下的收益对比示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1、图2和图3，为本发明的第一个实施例，提供了一种基于强化学习的电力***缺陷物资智能调度方法，包括：
S1：定义强化学习中的状态、决策、转移方程、奖励函数及物资仓储动态调度问题中的需求和目标。其中需要说明的是，
定义针对电力***缺陷物资调度的强化学习算法中的状态、决策、转移方程、奖励函数及物资仓储动态调度问题中的需求和目标；
其中状态为时刻t的仓储状态、物资缺陷状态，决策为该时刻采取的调度方式以及采购方式，转移方程即为前后的变化方程；
定义当前时刻的状态，则每个仓库所储存的物资St＝Z∈Rn×m；
其中，Zi,j表示当前时刻仓库i中物资j的数量；
根据当前时刻状态St∈Rn×m和需求Q∈Rn×m，仓储***决定该时刻的调度方案X和采购方案B，其中，Xi,j和Bi,j分别表示当前时刻仓库i中物资j的出库数量和购买数量。
S2：利用马尔科夫决策过程解决物资仓储动态调度问题。本步骤需要说明的是，
当仓储***决定调度和采购方案之后，在下一时刻，仓储状态随机发生状态转移，则转移方程表示为：
St+1＝Z-X+B
其中，由于仓储物资物理上无法为负数，同时仓储空间总是有限的，因此有效决策(X,B)必须满足以下不等式：
S3：罗列针对电网缺陷物资的Bellman方程并选择求解策略。其中还需要说明的是：
仓储***主要目标为满足地区内和地区间的紧急物资需求问题，则奖励函数为当前时刻的损失收益减去购买物资花费，如下：
其中，符号(x)-为：
求解MDP问题，则如下：
其中，γ∈[0,1)为衰减因子(Discount Factor)。
S4：将Bellman方程修改为数据驱动在线更新的形式，基于ε贪婪策略确定调度行动。本步骤还需要说明的是：
将Bellman方程改为数据驱动在线更新的形式，如下：
V(St)←(1-αt)V(St)+αt[rt+γV(St+1)]
其中，αt为时刻t的学习率；
采取ε贪婪策略确定Action，仓库在1-ε的概率下采取当前最佳动作将V(St)最大化；
在ε的概率下，随机选择动作，如下：
其中，随机动作能够自带探索，通过探索产生各种各样好的或坏的数据学到知识，从而改进当前的策略。
较佳的，本实施例还需要说明的是，设计针对电网缺陷物资的Bellman方程并选择求解策略，其中Bellman方程即为调度问题的数学形式，选择策略则是为了更快的得到最优的调度结果；将Bellman方程修改为数据驱动在线更新的形式，即物资需求的数据、在线仓储的数据等所需数据均可以实时的进行接入，然后Bellman方程可以适应更新后的状态，以更好的适应本发明要解决的电网缺陷物资的动态仓储和调度问题，基于ε贪婪策略确定调度行动。
实施例2
参照图4和图5，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于强化学习的电力***缺陷物资智能调度方法的真实性验证，包括：
为了更好的对本发明方法中采用的技术效果加以验证说明，本实施例选择以传统的基于贪婪算法的智能调度方法与采用本发明方法进行对比测试，以科学论证的手段对比试验结果，验证本发明方法所具有的真实效果。
传统的基于贪婪算法的智能调度方法收敛性和增益性较低，为验证本发明方法相对于传统方法具有较高的增益性和收敛性，本实施例中将采用传统的基于贪婪算法的智能调度方法与本发明方法进行实时测量对比。
测试条件：(1)收集贵州省贵阳市管辖或者周边的15个地区：白云、城北、花溪、惠水、金阳、开阳、龙里、南明、清镇、双龙、乌当、息烽、小河、修文、云岩的应急物资需求，且是每个月的缺陷物资的需求；
(2)本发明针对具体的问题进行了状态转移方程的改造，以适应本实施例中所描述的应用场景；
(3)开启自动化测试设备，利用MATLB进行仿真并输出曲线示意图。
参照图4，实线为本发明方法输出的曲线，虚线为传统方法输出的曲线，随着仓库仓储容量的增加，两条曲线的平均收益曲线均在增加，但是通过图4能够直观的看出实线相较于虚线的走势更为突出，且实线一直保持在虚线的上方，由此，说明了本发明方法相较于传统方法具有较高的增益性。
参照图5，随着衰减系数γ的和仓库仓储容量的增加，能够看到本发明方法一直呈上升趋势，但是，在衰减系数γ＝0.95时的收益最低，在衰减系数γ＝0.8时的收益最高，基于此，验证了本发明方法的优越性。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种基于强化学习的电力***缺陷物资智能调度方法，其特征在于：包括，
定义强化学习中的状态、决策、转移方程、奖励函数及物资仓储动态调度问题中的需求和目标；
利用马尔科夫决策过程解决所述物资仓储动态调度问题；
罗列针对电网缺陷物资的Bellman方程并选择求解策略；
将所述Bellman方程修改为数据驱动在线更新的形式，基于ε贪婪策略确定调度行动；
包括，
其中，γ∈[0,1)为衰减因子；
仓储***的目标为满足地区内和地区间的紧急物资需求问题，则所述奖励函数为当前时刻的损失收益减去购买物资花费，如下：
其中，符号(x)-为：
其中，定义当前时刻的状态，St表示每个仓库所储存的物资，Zi,j表示当前时刻仓库i中物资j的数量，Xi,j和Bi,j分别表示当前时刻仓库i中物资j的出库数量和购买数量，St+1表示转移方程，X、B分别表示仓储***决定该时刻的调度方案、采购方案，当前时刻状态St∈Rn×m和需求Q∈Rn×m。
2.根据权利要求1所述的基于强化学习的电力***缺陷物资智能调度方法，其特征在于：包括，
当所述仓储***决定调度和采购方案之后，在下一时刻，仓储状态随机发生状态转移，则转移方程表示为：
St+1＝Z-X+B。
3.根据权利要求2所述的基于强化学习的电力***缺陷物资智能调度方法，其特征在于：包括，
将所述Bellman方程改为数据驱动在线更新的形式，如下：
V(St)←(1-αt)V(St)+αt[rt+γV(St+1)]
其中，αt为时刻t的学习率。
4.根据权利要求3所述的基于强化学习的电力***缺陷物资智能调度方法，其特征在于：采取所述ε贪婪策略确定Action，仓库在1-ε的概率下采取当前最佳动作将V(St)最大化。
5.根据权利要求4所述的基于强化学习的电力***缺陷物资智能调度方法，其特征在于：还包括，
在ε的概率下，随机选择动作，如下：
其中，所述随机选择动作能够自带探索，通过探索产生各种各样好的或坏的数据学到知识，从而改进当前的策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011144804.0A CN112258039B (zh) | 2020-10-23 | 2020-10-23 | 一种基于强化学习的电力***缺陷物资智能调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011144804.0A CN112258039B (zh) | 2020-10-23 | 2020-10-23 | 一种基于强化学习的电力***缺陷物资智能调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112258039A CN112258039A (zh) | 2021-01-22 |
| CN112258039B true CN112258039B (zh) | 2022-07-22 |
Family
ID=74264872
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011144804.0A Active CN112258039B (zh) | 2020-10-23 | 2020-10-23 | 一种基于强化学习的电力***缺陷物资智能调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112258039B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113657757A (zh) * | 2021-08-17 | 2021-11-16 | 厦门汇银通达数字科技有限公司 | 一种基于机器学习的化工仓储调度优化方法、介质及设备 |
| CN117665572B (zh) * | 2024-01-31 | 2024-04-12 | 深圳市双合电气股份有限公司 | 一种同步电机转子导条状态评估方法及*** |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5552009B2 (ja) * | 2010-09-22 | 2014-07-16 | インターナショナル・ビジネス・マシーンズ・コーポレーション | リスクを考慮した最適なアクションを決定するための方法、プログラム、および装置 |
| CN110365057B (zh) * | 2019-08-14 | 2022-12-06 | 南方电网科学研究院有限责任公司 | 基于强化学习的分布式能源参与配电网调峰调度优化方法 |
| CN110517002B (zh) * | 2019-08-29 | 2022-11-15 | 烟台大学 | 基于强化学习的生产控制方法 |
| CN111258734B (zh) * | 2020-01-16 | 2022-09-23 | 中国人民解放军国防科技大学 | 一种基于强化学习的深度学习任务调度方法 |
| CN111382359B (zh) * | 2020-03-09 | 2024-01-12 | 北京京东振世信息技术有限公司 | 基于强化学习的服务策略推荐方法、装置、电子设备 |
| CN111639815B (zh) * | 2020-06-02 | 2023-09-05 | 贵州电网有限责任公司 | 一种多模型融合预测电网缺陷物资的方法及*** |
-
2020
- 2020-10-23 CN CN202011144804.0A patent/CN112258039B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112258039A (zh) | 2021-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112258039B (zh) | 一种基于强化学习的电力***缺陷物资智能调度方法 | |
| Li et al. | Solving multi-area environmental/economic dispatch by Pareto-based chemical-reaction optimization algorithm | |
| CN106849097A (zh) | 一种主动配电网潮流计算方法 | |
| CN112668129B (zh) | 基于空间负荷聚类的配电网多级网格智能划分方法 | |
| CN116207739B (zh) | 配电网优化调度方法、装置、计算机设备和存储介质 | |
| CN113162090A (zh) | 一种计及电池模块容量的储能***容量配置优化方法 | |
| CN115374692B (zh) | 一种用于区域综合能源***的双层优化调度决策方法 | |
| CN113241759A (zh) | 一种配电网与多微网鲁棒调度方法、电子设备及存储介质 | |
| Ebell et al. | Reinforcement learning control algorithm for a pv-battery-system providing frequency containment reserve power | |
| CN109615139A (zh) | 一种基于文化遗传算法的居民中长期用电量预测方法 | |
| CN115693652A (zh) | 基于电力平衡和性能成本的配电网网架优化方法及装置 | |
| CN117557009B (zh) | 一种电源效率监测方法及*** | |
| CN114462854A (zh) | 含新能源和电动汽车并网的分层调度方法及其*** | |
| CN113988567A (zh) | 一种储能共享控制方法及其控制*** | |
| CN110298456A (zh) | 集群***中设备维护排程方法及装置 | |
| CN115622056A (zh) | 一种基于线性加权和选解法的储能优化配置方法及*** | |
| CN113052630B (zh) | 利用模型进行电力设备配置的方法和电力设备配置方法 | |
| CN108805323A (zh) | 数据预测方法和装置 | |
| JP2022090423A (ja) | 電力予測装置、及び電力予測方法 | |
| CN112200366A (zh) | 负荷预测方法、装置、电子设备及可读存储介质 | |
| CN113705067B (zh) | 一种微网优化运行策略生成方法、***、设备及存储介质 | |
| CN117556969B (zh) | 一种基于概率场景驱动的柔性配电网分布式无功优化方法 | |
| CN112507603B (zh) | 基于dnn算法的电力***鲁棒优化极端场景的识别方法 | |
| Šantaras | A review of voltage and reactive power control algorithms in medium voltage distribution networks | |
| Firoozjaee et al. | A two‐stage simulation‐based framework for optimal resilient generation and transmission expansion planning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |