CN112488474B - 一种能源互联网综合能耗模型及参数辨识方法 - Google Patents
一种能源互联网综合能耗模型及参数辨识方法 Download PDFInfo
- Publication number
- CN112488474B CN112488474B CN202011308129.0A CN202011308129A CN112488474B CN 112488474 B CN112488474 B CN 112488474B CN 202011308129 A CN202011308129 A CN 202011308129A CN 112488474 B CN112488474 B CN 112488474B
- Authority
- CN
- China
- Prior art keywords
- energy consumption
- energy
- individuals
- model
- parameter identification
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002068 genetic effect Effects 0.000 claims abstract description 22
- 230000006978 adaptation Effects 0.000 claims description 12
- 230000009191 jumping Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005338 heat storage Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Evolutionary Computation (AREA)
- Educational Administration (AREA)
- Molecular Biology (AREA)
- Genetics & Genomics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种能源互联网综合能耗模型及参数辨识方法,包括,通过调度运行***的设备的能量输入与输出产量的历史记录数据,建立用能***能源消耗模型;根据所述用能***能源消耗模型建立模型参数辨识目标函数;利用遗传算法求解所述目标函数,进而获得能耗参数,完成参数辨识。本发明能够为***的优化调度控制提供模型参数基础。
Description
技术领域
本发明涉及能源互联网的技术领域,尤其涉及一种能源互联网综合能耗模型及参数辨识方法。
背景技术
能源互联网是以电能为核心,集成热、冷、燃气等能源,综合利用互联网等技术,深度融合能源***与信息通信***,协调多种能源的生产、传输、分配、转换、消费及交易,具有高效、清洁、低碳、安全特征的开放式能源互联网络;通过对能源的产生、传输与分配(能源网络)、转换、存储、消费等环节进行有机协调与优化后,形成的能源产供销一体化***。它主要由供能网络(如供电、供气、供冷/热等网络)、能源交换环节(如CCHP机组、发电机组、锅炉、空调、热泵等)、能源存储环节(储电、储气、储热、储冷等)、终端综合能源供用单元(如微网)和大量终端用户共同构成。
能耗曲线是指生产过程中用能设备的输出量与能量消耗同延伸系数之间的关系,是优化控制的基础数据,已有的基础模型由于没有能耗曲线参数,导致能源互联网的***控制无法开展。
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,本发明提供了一种能源互联网综合能耗模型及参数辨识方法,能够满足***对控制变量,状态变量及变量函数的物理限制和运行限制,解决了现有模型中没有能耗曲线参数的问题。
为解决上述技术问题,本发明提供如下技术方案:包括,通过调度运行***的设备的能量输入与输出产量的历史记录数据,建立用能***能源消耗模型;根据所述用能***能源消耗模型建立模型参数辨识目标函数;利用遗传算法求解所述目标函数,进而获得能耗参数,完成参数辨识。
作为本发明所述的能源互联网综合能耗模型及参数辨识方法的一种优选方案,其中:所述用能***能源消耗模型包括,基于一元二次函数,建立所述用能***能源消耗模型L:
L=ax2+bx+c+dT
其中,x为用能单元输出产量,a、b、c、d为对应的所述能耗参数,T为气温。
作为本发明所述的能源互联网综合能耗模型及参数辨识方法的一种优选方案,其中:所述模型参数辨识目标函数包括,
其中,Li为用能设备的能源消耗,xi为设备i的输出产量,f(xi)用于描述设备i的输出产量与用能设备的能源消耗的关系,minf(x)为拟合误差最小的目标函数。
作为本发明所述的能源互联网综合能耗模型及参数辨识方法的一种优选方案,其中:所述历史记录数据包括,以15分钟时间间隔,抽取各用能单元的日记录断面数据。
作为本发明所述的能源互联网综合能耗模型及参数辨识方法的一种优选方案,其中:所述用能***能源消耗模型还包括,所述用能设备与温度无关时,所述能耗参数d=0。
作为本发明所述的能源互联网综合能耗模型及参数辨识方法的一种优选方案,其中:所述遗传算法包括,通过二进制编码随机生成初始种群P(G);定义适应函数和适应值;确定遗传算子,并对其进行复制、交叉和变异操作;设置终止条件。
作为本发明所述的能源互联网综合能耗模型及参数辨识方法的一种优选方案,其中:所述适应函数和适应值包括,
其中,kmax为最大适应值,kavg为平均适应值,k`为交叉的个体中较大的适应值,k为变异个体的适应值,Pm`=0.7,Pn`=0.25。
作为本发明所述的能源互联网综合能耗模型及参数辨识方法的一种优选方案,其中:所述终止条件包括,迭代次数下限为1,上限为96。
本发明的有益效果:通过设备的能量输入与输出产量的历史记录数据,选择能耗曲线模型类型,辨识能耗曲线参数,为***的优化调度控制提供模型参数基础。
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能源互联网综合能耗模型及参数辨识方法的流程示意图。
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,为本发明的第一个实施例,该实施例提供了一种能源互联网综合能耗模型及参数辨识方法,包括:
S1:通过调度运行***的设备的能量输入与输出产量的历史记录数据,建立用能***能源消耗模型。
以15分钟时间间隔,抽取各用能单元的日记录断面数据。
基于一元二次函数,通过调度日记录断面数据,建立用能***能源消耗模型L:
L=ax2+bx+c+dT
其中,x为用能单元输出产量,a、b、c、d为对应的能耗参数,T为气温,对于用能设备与温度无关时,能耗参数d=0。
S2:根据用能***能源消耗模型建立模型参数辨识目标函数。
模型参数辨识目标函数包括,
其中,Li为用能设备的能源消耗,xi为设备i的输出产量,f(xi)用于描述设备i的输出产量与用能设备的能源消耗的关系,minf(x)为拟合误差最小的目标函数;需要说明的是,对于一个用能单元,xi=0,1,……,96;Li=0,1,……96。
S3:利用遗传算法求解目标函数,进而获得能耗参数,完成参数辨识。
其中需要说明的是,遗传算法是在模拟生物在自然环境中的遗传和进化而形成的一种自适应全局优化方法搜索算法,这种算法是建立在自然选择和进化进程概念基础上的一种非导效的随机优化方法。
遗传算法包括初始种群的产生、适应度函数的确定、遗传算子(选择、交叉、变异)的确定以及终止条件。
具体的:
(1)初始种群的产生:在产生初始种群之前,要确定决策变量需要的基
因数,通过下式进行确定:
2lj-1<(bj-aj)×105≤2lj-1
其中,bj和aj分别为决策变量取值的上界和下界,lj为决策变量的基因数。
在基因数目确定了之后,即可产生初始种群P(G)。
(2)定义适应函数和适应值:
适应函数如下式:
其中,kmax为最大适应值,kavg为平均适应值,k`为交叉的个体中较大的适应值,k为变异个体的适应值,Pm`=0.7,Pn`=0.25。
(3)确定遗传算子:
①对群体中的个体按其适应度的高低按降序排列;
②如果当前的进化代数n<3/4*总进化代数N,则跳转到第③步;否则跳
转到第④步;
③对排好序的个体按5%、90%、%5分成3份,并用前5%的优良个体直
接代替后5%的最差个体;
④对排好序的个体按15%、70%、%15分成3份;并用前15%的优良个体直接代替后15%的最差个体。
(4)设置终止条件:迭代次数下限为1,上限为96,当算法运行到指定的最大代数时,程序停止,输出耗能参数。
实施例2
为验证本方法的有效性,本实施例以一用能单元为例,采用本方法建立能耗模型并辨识能耗曲线参数,其中,此用能单元输出产品为压缩空气。
对于该用能单元读取的历史记录为:
①单元产量(出口流量,单位为:m3/s)
xi={170.00,182.00,194.00,206.00,157.00,169.00,211.00,223.00,127.00,139.00,194.00,206.00,504.00,516.00,409.00,421.00,349.00,361.00,170.00,182.00,194.00,206.00,157.00,169.00,170.00,182.00,194.00,206.00,157.00,169.00,211.00,223.00,127.00,139.00,194.00,206.00,504.00,516.00,409.00,421.00,349.00,361.00,170.00,182.00,194.00,206.00,157.00,169.00,170.00,182.00,194.00,206.00,157.00,169.00,211.00,223.00,127.00,139.00,194.00,206.00,504.00,516.00,409.00,421.00,349.00,361.00,170.00,182.00,194.00,206.00,157.00,169.00,170.00,182.00,194.00,206.00,157.00,169.00,211.00,223.00,127.00,139.00,194.00,206.00,504.00,516.00,409.00,421.00,349.00,361.00,170.00,182.00,194.00,206.00,157.00,169.00,182.00};
②电能用量(这里选择输入功率,单位为W)
Li={185.00,197.00,227.00,239.00,170.00,182.00,194.00,206.00,157.00,169.00,227.00,239.00,211.00,223.00,127.00,139.00,194.00,206.00,185.00,197.00,227.00,239.00,170.00,182.00,185.00,197.00,227.00,239.00,170.00,182.00,194.00,206.00,157.00,169.00,227.00,239.00,211.00,223.00,127.00,139.00,194.00,206.00,185.00,197.00,227.00,239.00,170.00,182.00,185.00,197.00,227.00,239.00,170.00,182.00,194.00,206.00,157.00,169.00,227.00,239.00,211.00,223.00,127.00,139.00,194.00,206.00,185.00,197.00,227.00,239.00,170.00,182.00,185.00,197.00,227.00,239.00,170.00,182.00,194.00,206.00,157.00,169.00,227.00,239.00,211.00,223.00,127.00,139.00,194.00,206.00,185.00,197.00,227.00,239.00,170.00,182.00,197.00};
输入目标函数:
通过本方法计算出参数a=1.00;b=31.40;c=-1.18;d=0。
因此该用能***能源消耗模型为:
L=1.00x2+31.40x-1.18。
基本遗传算法的全局搜索能力和收敛速度较差,为验证本方法相对基本遗传算法具有较高的收敛速度,本实施例中将采用传统基本遗传算法和本方法分别对上述用能***能源消耗模型的寻优效果进行对比。
测试条件:①初始群体规模为30个个体,分成5组子群体;
②进化代数为50代;
③搜索域限制在方形区[3,3]×[3,3]中。
测试结果如下表所示。
表1:基本遗传算法与本方法搜索模型收敛参数结果对比表。
由表1可以看出,在测试过程中,基本遗传算法在2、4、6次测试中搜索失败,而本方法的搜索失败率为0,验证了本方法在收敛速度和全局搜索能力方面明显优于基本遗传算法。
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 (1)
1.一种能源互联网综合能耗模型及参数辨识方法,其特征在于:包括,
通过调度运行***的设备的能量输入与输出产量的历史记录数据,建立用能***能源消耗模型;
根据所述用能***能源消耗模型建立模型参数辨识目标函数;
利用遗传算法求解所述目标函数,进而获得能耗参数,完成参数辨识;
其中,以15分钟时间间隔,抽取各用能单元的日记录断面数据;基于一元二次函数,通过调度日记录断面数据,建立用能***能源消耗模型L:
L=ax2+bx+c+dT
式中,x为用能单元输出产量,a、b、c、d为对应的能耗参数,T为气温,对于用能设备与温度无关时,能耗参数d=0;
模型参数辨识目标函数为:
其中,Li为用能设备的能源消耗,xi为设备i的输出产量,f(xi)用于描述设备i的输出产量与用能设备的能源消耗的关系,minf(x)为拟合误差最小的目标函数;需要说明的是,对于一个用能单元,xi=0,1,……,96;Li=0,1,……96;
所述遗传算法包括初始种群的产生、适应度函数的确定、遗传算子的确定以及终止条件;遗传算子包括选择、交叉、变异算子;
具体的:
(1)初始种群的产生:在产生初始种群之前,要确定决策变量需要的基因数,而后产生初始种群P(G),其中,决策变量需要的基因数通过下式进行确定:
2lj-1<(bj-aj)×105≤2lj-1
其中,bj和aj分别为决策变量取值的上界和下界,lj为决策变量的基因数;
(2)定义适应函数和适应值:
适应函数如下式:
其中,kmax为最大适应值,kavg为平均适应值,k`为交叉的个体中较大的适应值,k为变异个体的适应值,Pm`=0.7,Pn`=0.25;
(3)确定遗传算子:
第一步:对初始种群中的个体按其适应度的高低按降序排列;
第二步:若当前的进化代数n<3/4*总进化代数N,则跳转到第三步;否则跳转到第四步;
第三步:对排好序的个体按5%、90%、%5分成3份,并用前5%的优良个体直接代替后5%的最差个体;
第四步:对排好序的个体按15%、70%、%15分成3份;并用前15%的优良个体直接代替后15%的最差个体;
(4)设置终止条件:迭代次数下限为1,上限为96,当遗传算法运行到指定的最大代数时,程序停止,输出耗能参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011308129.0A CN112488474B (zh) | 2020-11-19 | 2020-11-19 | 一种能源互联网综合能耗模型及参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011308129.0A CN112488474B (zh) | 2020-11-19 | 2020-11-19 | 一种能源互联网综合能耗模型及参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112488474A CN112488474A (zh) | 2021-03-12 |
CN112488474B true CN112488474B (zh) | 2022-05-20 |
Family
ID=74932249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011308129.0A Active CN112488474B (zh) | 2020-11-19 | 2020-11-19 | 一种能源互联网综合能耗模型及参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112488474B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101672510A (zh) * | 2009-09-28 | 2010-03-17 | 沈阳建筑大学 | 空调***优化运行模拟及监控方法 |
CN102904519A (zh) * | 2012-09-27 | 2013-01-30 | 华北电力大学 | 一种基于指数型目标函数的抗差励磁***参数辨识方法 |
CN103066591A (zh) * | 2012-12-13 | 2013-04-24 | 广东电网公司东莞供电局 | 一种基于实时测量的电网参数偏差识别方法 |
CN103633739A (zh) * | 2013-11-28 | 2014-03-12 | 中国科学院广州能源研究所 | 一种微电网能量管理***和方法 |
CN105975709A (zh) * | 2016-05-16 | 2016-09-28 | 中国石油大学(华东) | 一种多工况参数辨识优化的变压器热点温度预测方法 |
CN105975710A (zh) * | 2016-05-17 | 2016-09-28 | 国网浙江省电力公司电力科学研究院 | 用于同步发电机在线参数辨识的坏数据集检测和识别方法 |
CN106055918A (zh) * | 2016-07-26 | 2016-10-26 | 天津大学 | 一种电力***负荷数据辨识及修复方法 |
CN108664671A (zh) * | 2017-03-28 | 2018-10-16 | 中国电力科学研究院 | 一种风电场多机聚合模型参数辨识方法及装置 |
CN108806021A (zh) * | 2018-06-12 | 2018-11-13 | 重庆大学 | 基于物理模型和道路特征参数的电动汽车目标路段能耗预测方法 |
CN110126841A (zh) * | 2019-05-09 | 2019-08-16 | 吉林大学 | 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102981408B (zh) * | 2012-12-10 | 2015-05-27 | 华东交通大学 | 一种动车组运行过程建模与自适应控制方法 |
CN104238368A (zh) * | 2014-10-12 | 2014-12-24 | 刘岩 | 一种基于模拟退火粒子群的空调能耗模型参数辨识方法 |
-
2020
- 2020-11-19 CN CN202011308129.0A patent/CN112488474B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101672510A (zh) * | 2009-09-28 | 2010-03-17 | 沈阳建筑大学 | 空调***优化运行模拟及监控方法 |
CN102904519A (zh) * | 2012-09-27 | 2013-01-30 | 华北电力大学 | 一种基于指数型目标函数的抗差励磁***参数辨识方法 |
CN103066591A (zh) * | 2012-12-13 | 2013-04-24 | 广东电网公司东莞供电局 | 一种基于实时测量的电网参数偏差识别方法 |
CN103633739A (zh) * | 2013-11-28 | 2014-03-12 | 中国科学院广州能源研究所 | 一种微电网能量管理***和方法 |
CN105975709A (zh) * | 2016-05-16 | 2016-09-28 | 中国石油大学(华东) | 一种多工况参数辨识优化的变压器热点温度预测方法 |
CN105975710A (zh) * | 2016-05-17 | 2016-09-28 | 国网浙江省电力公司电力科学研究院 | 用于同步发电机在线参数辨识的坏数据集检测和识别方法 |
CN106055918A (zh) * | 2016-07-26 | 2016-10-26 | 天津大学 | 一种电力***负荷数据辨识及修复方法 |
CN108664671A (zh) * | 2017-03-28 | 2018-10-16 | 中国电力科学研究院 | 一种风电场多机聚合模型参数辨识方法及装置 |
CN108806021A (zh) * | 2018-06-12 | 2018-11-13 | 重庆大学 | 基于物理模型和道路特征参数的电动汽车目标路段能耗预测方法 |
CN110126841A (zh) * | 2019-05-09 | 2019-08-16 | 吉林大学 | 基于道路信息和驾驶风格的纯电动汽车能耗模型预测方法 |
Non-Patent Citations (1)
Title |
---|
基于网络模型的综合能源***参数辨识与效率识别;范珊珊等;《电力建设》;20190601(第06期);37-44 * |
Also Published As
Publication number | Publication date |
---|---|
CN112488474A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Evolutionary programming based economic dispatch for units with non-smooth fuel cost functions | |
CN106487005A (zh) | 一种考虑输配电价的电网规划方法 | |
CN112508221A (zh) | 一种有限储能下考虑源-荷不确定性的日前调度决策方法 | |
CN108964146A (zh) | 基于风、火、水、核协调的多电源优化调度方法和装置 | |
CN112952807B (zh) | 考虑风电不确定性与需求响应的多目标优化调度方法 | |
CN112994099B (zh) | 一种高比例分布式光伏并网消纳能力分析方法 | |
CN112700094A (zh) | 一种基于mpc及loddlc的综合能源***多时间尺度优化调度方法 | |
CN106503814B (zh) | 一种计及可靠性的配电变压器组年度检修计划生成方法 | |
Xing et al. | Genetic algorithm based unit commitment with energy contracts | |
CN115663922A (zh) | 一种分布式电源多自由度优化配置方法及*** | |
CN112488474B (zh) | 一种能源互联网综合能耗模型及参数辨识方法 | |
CN112671045B (zh) | 一种基于改进遗传算法的分布式电源优化配置方法 | |
CN108734349A (zh) | 基于改进遗传算法的分布式电源选址定容优化方法及*** | |
Su et al. | Optimal placement and capacity sizing of energy storage systems via NSGA-II in active distribution network | |
CN112001639A (zh) | 综合能源***能源需求的可调能力评估方法及存储介质 | |
CN116993205A (zh) | 一种面向城市综合能源***日内运行的调节能力评估方法 | |
CN112036654B (zh) | 基于协同进化的光伏电站与电动汽车充电网络规划方法 | |
CN113283205B (zh) | 一种基于机会约束的配变最大运行寿命估算方法及装置 | |
CN112036655B (zh) | 基于机会约束的光伏电站与电动汽车充电网络规划方法 | |
Wang et al. | An improved NSGA-III approach to many-objective optimal power flow problems | |
CN109345411B (zh) | 一种应用于配电网供电能力提升的量化控制方法 | |
CN110111215B (zh) | 计及离散出力特征的火电机群固有运行灵活性评价方法 | |
CN111932115B (zh) | 计及源荷互动的电力***区间扩展规划方法 | |
CN117955133B (zh) | 一种配电网储能优化配置方法及*** | |
CN117574786B (zh) | 有源中压架空配电网络分段优化方法、***及存储介质 |
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 |