CN114580298A - 一种基于rbf-isbo的微电网优化调度方法及*** - Google Patents

一种基于rbf-isbo的微电网优化调度方法及*** Download PDF

Info

Publication number
CN114580298A
CN114580298A CN202210240896.5A CN202210240896A CN114580298A CN 114580298 A CN114580298 A CN 114580298A CN 202210240896 A CN202210240896 A CN 202210240896A CN 114580298 A CN114580298 A CN 114580298A
Authority
CN
China
Prior art keywords
microgrid
equipment
power generation
grid
micro
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.)
Withdrawn
Application number
CN202210240896.5A
Other languages
English (en)
Inventor
于军琪
薛志璐
赵安军
虎群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Architecture and Technology
Original Assignee
Xian University of Architecture and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Architecture and Technology filed Critical Xian University of Architecture and Technology
Priority to CN202210240896.5A priority Critical patent/CN114580298A/zh
Publication of CN114580298A publication Critical patent/CN114580298A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
    • H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
    • 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
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • H02J2300/10—The dispersed energy generation being of fossil origin, e.g. diesel 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
    • 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
    • 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
    • H02J2300/28—The renewable source being wind energy
    • 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)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于RBF‑ISBO的微电网优化调度方法及***，以微电网经济效益和减碳为目标构建微电网***；采用RBF神经网络对微电网***中的可再生能源进行设备建模得到设备模型；以微电网发电成本最小为优化目标，在满足微电网风光发电、柴油发电机、储能设备的额定输出功率约束条件的前提下，利用改进的SBO算法对RBF神经网络建立的设备模型进行寻优，得到微电网设备的供电组合；根据微电网设备的供电组合，计算出对应的微电网发电成本，按发电成本的高低进行排序，找出最佳供电组合使得微电网设备发电成本最小，实现微电网优化调度。采用ISBO优化调度后微电网发电成本降低了16.7％～21.2％，具有更好的收敛性和鲁棒性。

Description

一种基于RBF-ISBO的微电网优化调度方法及***
技术领域
本发明属于微电网调度技术领域，具体涉及一种基于RBF-ISBO的微电网优化调度方法及***。
背景技术
近年来，随着电力需求的不断增加以及传统发电成本上升和可再生能源发电成本下降，可再生能源受到越来越广泛的关注，尤其是以微网为代表的新型电网。除考虑发电成本外，由于可再生能源发电的环境友好性以及微电网概念的迅速发展，使得微电网能源优化调度问题成为一项非常有价值的研究课题。
目前，微电网能源优化调度的基础是建立各设备的优化模型。常见的可再生资源设备模型有机理模型、参数辨识模型和机器学习模型。但机理模型具有对设备变量间内在物理规律依赖性较强且复杂的缺点，以至于不能很好地反映设备的实际运行状态。又可再生能源发电很大程度上受天气参数影响，具有显著的不确定性和间歇性特征，通过参数辨识建立的固定参数模型，存在明显的不适应性。相比之下，具有模型参数少，泛化能力强且易于使用的机器学习模型常被用于对可再生能源发电进行建模。同时，由于微电网调度本质的不确定性、动态市场报价和需求曲线的不确定性，如何优化微电网设备调度是实现微电网最佳经济的关键。而现有技术中采用的智能算法没有结合微电网设备模型的特点，且计算过程复杂耗时，难以实现微电网整体最优。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于RBF-ISBO的微电网优化调度方法及***，以解决微电网***运行中不确定性显著增加及设备模型难以随负荷需求和气象变化动态调节的问题，同时解决现有技术鲁棒性差、优化效果差的技术问题。
本发明采用以下技术方案：
一种基于RBF-ISBO的微电网优化调度方法，包括以下步骤：
S1、以微电网经济效益和减碳为目标，选择以风力涡轮机和光伏板为供电设备，采用光伏板、风力涡轮机、柴油发电机、配电网和储能设备构成微电网***；
S2、以温度、湿度、太阳辐射度、上一时刻发电功率、风速作为微电网光伏板的输入变量，以温度、湿度、气压、上一时刻发电功率、风速作为风力涡轮机的输入变量，采用RBF神经网络对步骤S1构建的微电网***中的可再生能源进行设备建模得到设备模型；
S3、以微电网发电成本最小为优化目标，在满足微电网风光发电、柴油发电机、储能设备的额定输出功率约束条件的前提下，利用改进的SBO算法对步骤S2中RBF神经网络建立的设备模型输出的发电功率进行优化，得到微电网设备的供电组合；
S4、根据步骤S3得到的微电网设备的供电组合，计算出对应的微电网发电成本，按发电成本的高低进行排序，找出最佳供电组合使得微电网设备发电成本最小，实现微电网优化调度。
具体的，步骤S2中，采用RBF神经网络对微电网***中的可再生能源设备进行建模具体为：
S201、对可再生能源设备的历史数据进行标准化处理；
S202、以设备发电相关性高的因素x作为RBF神经网络的输入，设备发电功率Y为RBF神经网络的输出；
S203、在RBF神经网络的隐含层引入高斯函数作为激活函数，将非线性函数转化为高维线性可分空间，并通过网格搜索法获得隐含层神经元的个数n；
S204、利用步骤S203得到的激活函数计算得到线性组合隐藏节点的输出，当网络参数趋于稳定和输出误差最小时，输出各供电设备的发电功率Y。
进一步的，步骤S203中，激活函数Φ(x,ρ)为：
Figure BDA0003541569190000031
其中，x为设备发电相关性高的因素向量；ρ为RBF神经元的中心；
Figure BDA0003541569190000032
为RBF神经元的传递函数；σ为传递函数的平滑度。
进一步的，步骤S204中，线性组合隐藏节点的输出Y计算如下：
Figure BDA0003541569190000033
其中，n为RBF神经网络隐含层的个数；w0为输出层中允许调整神经元灵敏度的偏置参数；wi为隐含层和输出层的连接权重，x为设备发电相关性高的因素向量；ρ为RBF神经元的中心。
具体的，步骤S3中，基于改进的SBO算法对步骤S2中RBF神经网络建立的设备模型进行寻优具体为：
S301、引入混沌序列方式对微电网各设备的出力值进行初始化；
S302、步骤S301初始化后，针对微电网调度优化中多变量的非线性问题，在缎蓝园丁鸟算法中引入速度概念，以更新和计算微电网设备的供电组合；
S303、采用惯性权重非线性递减更新策略更新引入的速度，通过对速度进行更新以不断更新巢穴的位置，找到最优值，完成寻优。
进一步的，步骤S301中，混沌机制采用立方映射如下：
Figure BDA0003541569190000034
其中，β为混沌因子，
Figure BDA0003541569190000035
为第t+1代第i个求偶亭的第k维分量，
Figure BDA0003541569190000036
为第t代第i个求偶亭的第k维分量。
更进一步的，第t+1次迭代第i个求偶亭的第k维分量速度
Figure BDA0003541569190000037
为：
Figure BDA0003541569190000038
其中，
Figure BDA0003541569190000039
为第t次迭代第i个求偶亭的第k维分量速度，ω为惯性权重，c1为学习因子，r1为[0,1]内随机数，
Figure BDA0003541569190000041
为第t代第i求偶亭的第k维分量，λk为步长因子，Xjk为第i个求偶亭搜索至第t代时历史最优位置,，Xelite,k为求偶亭中第k维分量的全局最优值。
进一步的，步骤S303中，更新引入的速度具体为：
w(t)＝(wmin+wmax)/2+(wmax-wmin)cos(tπ/T)
其中，wmax为初始惯性权重；wmin为迭代结束时的惯性权重；T为最大迭代次数。
具体的，步骤S4具体为：
S401、设置算法参数，初始化园丁鸟个体求偶亭的位置，生成一个N×K的矩阵；
S402、根据初始化后的求偶亭的位置及迭代更新后的求偶亭的位置计算对应微电网的发电成本；
S403、将步骤S402得到的微电网发电成本按高低进行排序，发电成本最低的求偶亭位置选定为最优求偶亭位置，并计算每个求偶亭位置被选中的概率Probi；
S404、根据速度v和非线性惯性权重w对应更新每个园丁鸟求偶亭的位置；
S405、计算步骤S404更新后每个求偶亭所处位置对应的发电成本，并更新最优求偶亭位置；
S406、如果随机数rand大于常量p，对求偶亭进行变异；
S407、重复步骤S403至步骤S406的迭代过程，如果达到设置的精度要求或规定的最大迭代次数，则终止，输出最佳供电组合对应的微电网设备最小发电成本。
本发明的另一个技术方案是，一种基于RBF-ISBO的微电网优化调度***，包括：
***模块，以微电网经济效益和减碳为目标，选择以风力涡轮机和光伏板为供电设备，采用光伏板、风力涡轮机、柴油发电机、配电网和储能设备构成微电网***；
建模模块，以温度、湿度、太阳辐射度、上一时刻发电功率、风速作为微电网光伏板的输入变量，以温度、湿度、气压、上一时刻发电功率、风速作为风力涡轮机的输入变量，采用RBF神经网络对***模块构建的微电网***中的可再生能源进行设备建模得到设备模型；
寻优模块，以微电网发电成本最小为优化目标，在满足微电网风光发电、柴油发电机、储能设备的额定输出功率约束条件的前提下，利用改进的SBO算法对建模模块中RBF神经网络建立的设备模型进行寻优，得到微电网设备的供电组合；
调度模块，根据寻优模块得到的微电网设备的供电组合，计算出对应的微电网发电成本，按发电成本的高低进行排序，找出最佳供电组合使得微电网设备发电成本最小，实现微电网优化调度。
与现有技术相比，本发明至少具有以下有益效果：
本发明一种基于RBF-ISBO的微电网优化调度方法，在微电网中，风力涡轮机和光伏板被作为主要的供电设备，实现微网RESs经济效益和减碳的目标。由于RESs输出的波动性，储能设备用于减轻RESs输出的不可预测性给微网带来的负面影响。配电网和柴油发电机满足微电网***中不可削减的负载需求，以确保微电网中持续和可靠的能量供应。由于气象参数的不可预测性和***不间断运行的影响，可再生能源设备的实际运行状态和额定特性间存在差异，因此选择影响较大的因素作为主要供电设备的输入变量。而且受可再生能源发电的随机性和波动性的影响，且其数据集大而冗余的特征，机理建模复杂且存在适应性不足的问题。由于RBF神经网络具有可操作性强、收敛速度快、良好的泛化能力和控制输入噪声的能力等优点，能够很好地依赖即时和在线学习建立非线性模型，因此利用RBF神经网络对可再生能源设备进行建模。然后在微电网设备额定特性的约束条件下，以微电网的发电成本最小为目标，提出一种改进的SBO算法对微电网能源调度进行优化。
进一步的，由于可再生能源发电的随机性和波动性的影响，且其数据集大而冗余的特征，机理建模复杂且存在适应性不足的问题。而RBF神经网络是一种基于生物神经元局部响应原理的前馈网络，其具有可操作性强、收敛速度快、良好的泛化能力和控制输入噪声的能力等优点，能够很好地依赖即时和在线学习建立非线性模型，因此利用RBF神经网络对可再生能源设备进行建模。
进一步的，微电网调度优化问题涉及多变量的非线性问题，因此在RBF神经网络的隐含层中引入高斯函数作为激活函数可将非线性函数转化为高维线性可分空间，使其具有很强的非线性逼近能力。
进一步的，由于微电网调度优化问题涉及多变量的非线性问题。而元启发式算法依赖高质量的可行解空间和有效地搜索能力，在求解此类问题时具有明显的优势。但传统的SBO算法在求解此优化问题存在明显的不足，主要表现在寻优的复杂耗时、易陷入局部最优的问题。同时，传统算法通常采用相对简单的随机方式初始种群，其生成高质量解的要求不能够很好地满足。因此通过对传统SBO算法在初始化方式、种群更新、惯性权重更新的策略方面进行改进，改进后的算法能够很好地解决传统SBO算法的缺陷，也能合理地提高可再生能源的利用率和降低环境成本，可以最大限度地提升微电网***的经济性。
进一步的，混沌序列方式是指在满足微电网风光发电、柴油发电机、储能设备的输出功率约束条件的前提下，先随机生成初始个体，然后利用混沌机制使种群个体在可行解空间中均匀分布，在迭代寻优过程中能够充分搜索整个空间，从而找到最优值。
进一步的，由于粒子群算法在解决非线性问题时，其“速度”属性有利于加强种群间的信息交流，有效地提高了算法的收敛性能。为更有效地实现求偶亭的信息交换，在传统方式雄鸟根据历史最佳巢穴实现种群更新基础上，引入“速度”的概念来更新求偶亭的位置。直至寻找到最佳求偶亭的位置，即最优解，根据求偶亭的位置求解对应的微电网设备供电组合及发电成本。
进一步的，为了解决微电网中多能源形式导致***能源利用率低且成本升高的问题，以及为了避免传统SBO算法存在的收敛速度慢等局限性问题，采用ISBO算法对RBF神经网络建立的设备模型进行寻优，实现微电网的调度优化。通过测试，结果表明，改进后的SBO算法得到的优化策略具有很好的经济性，在微电网调度中的收敛性效果更好。相比于优化前，利用改进缎蓝园丁鸟算法优化调度后，微电网发电成本降低了16.7％～21.2％，说明了改进缎蓝园丁鸟算法优化后的微电网运行有更好的经济潜力。相比于改进前缎蓝园丁鸟算法、粒子群算法，该算法有更好的收敛性和鲁棒性，从而在解决微电网***优化调度问题方面具有良好的适应性。
综上所述，本发明针对微电网中多能源形式导致***能源利用率低且成本升高的问题，引入一种改进的缎蓝园丁鸟算法求解微电网中风光发电-柴油发电机-配电网-储能设备的最优出力组合，并由于微电网中可再生设备的机理模型难以解决其随机波动性的问题，采用RBF神经网络建立其设备模型。然后以微电网发电成本最小为优化目标，利用混沌序列机制初始化各设备出力，并采用改进的非线性惯性权重提高算法的搜索性能；相比于其他算法，经ISBO优化调度后微电网发电成本降低了16.7％～21.2％，且具有更好的收敛性和鲁棒性。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为RBF神经网络结构图；
图2为ISBO算法流程图；
图3为光伏RBF建模结果对比图；
图4为风力涡轮机RBF建模结果对比图；
图5为微电网设备模型性能指标图；
图6为微电网调度优化结果图，其中，(a)为ISBO调度优化结果，(b)为SBO调度优化结果，(c)为PSO调度优化结果；
图7为微电网调度优化结果对比图；
图8为三种优化算法迭代情况图；
图9为三种算法鲁棒性对比箱线图。
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。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种基于RBF-ISBO的微电网优化调度方法，基于径向基函数神经网络的设备模型来解决设备模型难以随负荷需求和气象变化动态调节的问题，引入一种改进的缎蓝园丁鸟算法用来解决微电网中多能源形式导致***能源利用率低且成本升高的问题，以实现微电网发电成本最小的优化目标。
本发明一种基于RBF-ISBO的微电网优化调度方法，包括以下步骤：
S1、以微电网经济效益和减碳为目标，选择以风力涡轮机和光伏板为供电设备，采用光伏板、风力涡轮机、柴油发电机、配电网和储能设备构成微电网***；
S2、针对不断变化的负荷需求，以温度、湿度、太阳辐射度、上一时刻发电功率、风速作为微电网光伏设备板的输入变量，以温度、湿度、气压、上一时刻发电功率、风速作为风力涡轮机的输入变量，采用RBF神经网络对步骤S1构建的微电网***中的可再生能源进行设备建模得到设备模型，输出当前时刻的发电功率，用于验证设备模型的有效性；
以均方根误差和平均绝对百分比误差作为评价的性能指标。
RBF神经网络是一种基于生物神经元局部响应原理的前馈网络，其具有可操作性强、收敛速度快、良好的泛化能力和控制输入噪声的能力等优点，能够很好地依赖即时和在线学习建立非线性模型。
请参阅图1，给出RBF神经网络的结构图，采用RBF神经网络对可再生能源设备进行建模的过程，具体包括如下步骤：
S201、对可再生能源设备的历史数据进行标准化处理，其中，数据标准化公式如下所示：
Figure BDA0003541569190000101
其中，z*为原始可再生能源设备数据集归一化后数据，zmean为原始可再生能源设备数据集的均值，zstd为原始可再生能源设备数据集的标准差。
S202、以设备发电相关性高的因素x(x1,x2,x3,...xn)作为RBF神经网络输入，设备发电功率Y为其输出；
S203、隐含层引入高斯函数作为激活函数，将非线性函数转化为高维线性可分空间。并通过网格搜索法获得隐含层神经元的个数n，公式如下：
Figure BDA0003541569190000102
其中，x为设备发电相关性高的因素向量；ρ为RBF神经元的中心；
Figure BDA0003541569190000103
为RBF神经元的传递函数；σ为传递函数的平滑度。
S204、计算得到线性组合隐藏节点的输出，当网络参数趋于稳定和输出误差最小时，输出设备的发电功率Y。
线性组合隐藏节点的输出Y计算如下：
Figure BDA0003541569190000104
其中，n为RBF神经网络隐含层的个数；ω0为输出层中允许调整神经元灵敏度的偏置参数；ωi为隐含层和输出层的连接权重。
S3、以微电网发电成本最小为优化目标，在满足微电网风光发电、柴油发电机、储能设备的输出功率约束条件的前提下，提出一种改进的SBO算法对步骤S2中RBF神经网络建立的设备模型进行寻优，得到微电网设备的供电组合；
S301、引入混沌序列方式对微电网各设备的出力值进行初始化；
混沌序列方式是指在满足微电网风光发电、柴油发电机、储能设备的输出功率约束条件的前提下，先随机生成初始个体，然后利用混沌机制使种群个体在可行解空间中均匀分布。混沌机制采用立方映射如下所示：
Figure BDA0003541569190000111
其中，β为混沌因子，即[-1,1]的随机数。
S302、初始化后，针对微电网调度优化中多变量的非线性问题，在传统的缎蓝园丁鸟算法中引入“速度”的概念，以更新和计算微电网设备的供电组合。
粒子群算法在解决非线性问题时，其“速度”属性有利于加强种群间的信息交流，有效地提高了算法的收敛性能。在传统方式雄鸟根据历史最佳巢穴实现种群更新基础上，引入“速度”的概念来更新巢穴的位置：
Figure BDA0003541569190000112
Figure BDA0003541569190000113
其中，
Figure BDA0003541569190000114
为第t+1次迭代第i个求偶亭的第k维分量速度；
Figure BDA0003541569190000115
为第t次迭代第i个求偶亭的第k维分量速度：ω为惯性权重，决定前一时刻的速度对下次移动的影响；c1为学习因子，通常取2；r1为[0,1]内随机数，代表扰动因子。
S303、采用惯性权重非线性递减更新策略更新引入的“速度”。
传统惯性权重根据种群更新的不同阶段而线性变化，加强了算法在不同迭代阶段的搜索能力。但这种策略难以在算法的全局和局部搜索能力间找到平衡点，降低了算法寻优的性能。惯性权重随着种群的迭代而非线性递减，在搜索前期和后期不同程度上降低惯性权重递减的速度，在平衡了算法的全局和局部搜索能力的同时，很好地挖掘了算法的搜索潜力：
w(t)＝(wmin+wmax)/2+(wmax-wmin)cos(tπ/T)
其中，wmax为初始惯性权重；wmin为迭代结束时的惯性权重；T为最大迭代次数。
S4、根据步骤S3得到的微电网设备的供电组合，计算出对应的微电网发电成本，按发电成本的高低进行排序，找出最佳供电组合使得微电网设备发电成本最小，实现微电网优化调度。
请参阅图2，ISBO算法的整体优化过程如下：
S401、设置算法参数，初始化园丁鸟个体求偶亭的位置；
根据微电网设备的额定功率上下限，采用混沌序列初始化微电网设备出力值，生成一个N×K的矩阵。
S402、计算求偶亭位置对应的微电网设备供电组合；
S403、根据下式计算N个园丁鸟求偶亭位置对应的微电网发电成本(适应度值)yi；
min yi＝CSW+Cdg+CP-CIN
S404、确定求偶亭的最优解；
把步骤S403中得到的发电成本(适应度值)按高低进行排序，发电成本最低的求偶亭位置选定为最优求偶亭位置，并根据下式计算每个求偶亭位置被选中的概率Probi；
Figure BDA0003541569190000121
S405、求偶亭位置更新；
根据引入的速度v和非线性惯性权重w公式对应更新每个园丁鸟求偶亭的位置。
S406、计算发电成本(适应度值)；
计算更新后每个求偶亭所处位置对应的发电成本，并更新最优求偶亭位置。
S407、如果rand＜p，采用如下两式对求偶亭进行变异；
Figure BDA0003541569190000122
τ＝η*(varmax-varmin)
其中，p为常量；τ为标准差；η为缩放比例因子；varmax和varmin分别为变量的上限和下限。
S408、重复步骤S404至步骤S407的迭代过程，如果达到设置的精度要求或规定的最大迭代次数，则终止算法，输出最佳供电组合对应的微电网设备最小发电成本。
本发明再一个实施例中，提供一种基于RBF-ISBO的微电网优化调度***，该***能够用于实现上述基于RBF-ISBO的微电网优化调度方法，具体的，该基于RBF-ISBO的微电网优化调度***包括***模块、建模模块、寻优模块以及调度模块。
其中，***模块，以微电网经济效益和减碳为目标，选择以风力涡轮机和光伏板为供电设备，采用光伏板、风力涡轮机、柴油发电机、配电网和储能设备构成微电网***；
建模模块，以温度、湿度、太阳辐射度、上一时刻发电功率、风速作为微电网光伏板的输入变量，以温度、湿度、气压、上一时刻发电功率、风速作为风力涡轮机的输入变量，采用RBF神经网络对***模块构建的微电网***中的可再生能源进行设备建模得到设备模型；
寻优模块，以微电网发电成本最小为优化目标，在满足微电网风光发电、柴油发电机、储能设备的额定输出功率约束条件的前提下，利用改进的SBO算法对建模模块中RBF神经网络建立的设备模型进行寻优，得到微电网设备的供电组合；
调度模块，根据寻优模块得到的微电网设备的供电组合，计算出对应的微电网发电成本，按发电成本的高低进行排序，找出最佳供电组合使得微电网设备发电成本最小，实现微电网优化调度。
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
以某园区微电网为研究对象进行Matlab算法仿真，其主要设备包括3台柴油发电机、1台光伏发电装置和1台风力发电装置以及储能设备。
请参阅图3，图4和图5，通过采集光伏板的温度、湿度、太阳辐射度、上一时刻发电功率、风速，风力涡轮机的温度、湿度、气压、上一时刻发电功率、风速等数据作为输入变量，模型1采用RBF神经网络建立可再生能源设备模型，模型2是可再生能源设备建立的机理模型。同时，为了验证模型的有效性，以均方根误差和平均绝对百分比误差作为评价的性能指标。从图3-4中可以看出，RBF设备模型和实际的发电功率拟合度更高，其功率预测值与实际值二者的变化趋势相似度较高；从图5中可看出，RBF设备模型1综合预测效果明显优于模型2，预测的误差较小。整体风力和光伏设备RBF模型的RMSE接近0.925，MAPE在1.56左右的范围内波动，从而论证RBF模型的有效性，可以很好地解决光伏发电和风力发电的不确定性问题。
请参阅图6，给出三种算法的调度结果；通过选取此微电网***2020年8月6日运行时段内实际工况，分别采用ISBO、SBO、PSO算法进行优化，可以看出谷时段，主要通过风力发电满足负荷需求，由于电价最低，动态调度电网的电能，此时蓄电池处于充电状态；平时段，负荷需求逐渐上升，随着温度和光照强度的升高，光伏出力不断升高，与负荷需求的差值由电网出力；峰时段，风、光出力较大，考虑电网的单位发电成本较高，优先选择柴油发电机和蓄电池弥补可再生能源和负荷需求的差值。通过综合考虑电网单位发电成本的动态变化，可有效地降低运行费用，同时蓄电池谷峰时充电，在峰时段优先供电，充分发挥了其在用电高峰的经济作用。
请参阅图7，为了更好地分析所提ISBO算法的优化效果，对不同算法优化调度后的经济评价指标进行对比可以看出，ISBO调度优化后微电网的可再生能源利用率明显提升，其利用率分别提高了8.8％、13.5％。同时，等量CO2排放量虽有所上升，但采用ISBO优化后的最优运行工况，***发电成本分别降低了16.7％和21.2％。相较于其他算法，提高了可再生能源的利用率和降低环境成本，可以最大限度地提升微电网***的经济性。
为了全面的反映ISBO算法在应用中的效果，选取此***24小时的实际工况进行优化调度，分别从实际优化结果收敛性和鲁棒性两个方面对ISBO的优化性能进行评估，并与SBO和PSO进行对比。三种算法的迭代情况如图8所示。结果表明，ISBO算法优化调度模型的适应度值，即发电成本，总体呈平稳下降趋势。在经过17代左右的迭代使***趋于最优，且发电成本最小。因此，ISBO算法在实际应用中具有更好的收敛性。
根据微电网***2020年9月30日运行时段内实际工况，分别利用ISBO、SBO、PSO三种算法进行30次独立实验，得到的发电成本的最大值、最小值和平均值如图9所示。结果表明，ISBO得到的发电成本的最大值、最小值和平均值都优于SBO和PSO。同时，ISBO算法得到的最大值和最小值之间的差值是三者中最小的，因此，ISBO算法具有良好的鲁棒性。
综上所述，本发明一种基于RBF-ISBO的微电网优化调度方法及***，具有如下优点：
第一，针对可再生能源发电的随机性和波动性的影响，且其数据集大而冗余的特征，机理建模复杂且存在适应性不足的问题。提出一种基于生物神经元局部响应原理的前馈网络，即RBF神经网络，因其具有可操作性强、收敛速度快、良好的泛化能力和控制输入噪声的能力等优点，能够很好地依赖即时和在线学习建立非线性模型。可以很好地解决光伏发电和风力发电的不确定性问题。
第二，首先，采用混沌序列方式对种群中个体进行初始化，可提高可行解的均匀性，使种群向更高层次进化。其次，引入粒子群算法中的“速度”来更新巢穴的位置，以提高算法的搜索效率和收敛性能。最后，采用惯性权重非线性递减更新策略来更新种群，即惯性权重随着种群的迭代而非线性递减，在搜索前期和后期不同程度上降低惯性权重递减的速度，不仅平衡了算法的全局和局部搜索能力，也很好地挖掘了算法的搜索潜力，同时，弥补了传统惯性权重的不足。
第三，提出的改进缎蓝园丁鸟优化算法可以使优化后的整体发电成本最小，并解决了传统SBO算法应用于微电网调度优化问题易陷入局部最优及存在寻优过程复杂耗时的问题，该算法依赖高质量的可行解空间和有效地搜索能力在解决微电网调度优化问题涉及的多变量的非线性问题具有明显的优势。并具有很好的收敛性和鲁棒性，可以最大限度的提升微电网***的经济性。。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种基于RBF-ISBO的微电网优化调度方法，其特征在于，包括以下步骤：
S1、以微电网经济效益和减碳为目标，选择以风力涡轮机和光伏板为供电设备，采用光伏板、风力涡轮机、柴油发电机、配电网和储能设备构成微电网***；
S2、以温度、湿度、太阳辐射度、上一时刻发电功率、风速作为微电网光伏板的输入变量，以温度、湿度、气压、上一时刻发电功率、风速作为风力涡轮机的输入变量，采用RBF神经网络对步骤S1构建的微电网***中的可再生能源进行设备建模得到设备模型；
S3、以微电网发电成本最小为优化目标，在满足微电网风光发电、柴油发电机、储能设备的额定输出功率约束条件的前提下，利用改进的SBO算法对步骤S2中RBF神经网络建立的设备模型输出的发电功率进行优化，得到微电网设备的供电组合；
S4、根据步骤S3得到的微电网设备的供电组合，计算出对应的微电网发电成本，按发电成本的高低进行排序，找出最佳供电组合使得微电网设备发电成本最小，实现微电网优化调度。
2.根据权利要求1所述的基于RBF-ISBO的微电网优化调度方法，其特征在于，步骤S2中，采用RBF神经网络对微电网***中的可再生能源设备进行建模具体为：
S201、对可再生能源设备的历史数据进行标准化处理；
S202、以设备发电相关性高的因素x作为RBF神经网络的输入，设备发电功率Y为RBF神经网络的输出；
S203、在RBF神经网络的隐含层引入高斯函数作为激活函数，将非线性函数转化为高维线性可分空间，并通过网格搜索法获得隐含层神经元的个数n；
S204、利用步骤S203得到的激活函数计算得到线性组合隐藏节点的输出，当网络参数趋于稳定和输出误差最小时，输出各供电设备的发电功率Y。
3.根据权利要求2所述的基于RBF-ISBO的微电网优化调度方法，其特征在于，步骤S203中，激活函数Φ(x,ρ)为：
Figure FDA0003541569180000021
其中，x为设备发电相关性高的因素向量；ρ为RBF神经元的中心；
Figure FDA0003541569180000022
为RBF神经元的传递函数；σ为传递函数的平滑度。
4.根据权利要求2所述的基于RBF-ISBO的微电网优化调度方法，其特征在于，步骤S204中，线性组合隐藏节点的输出Y计算如下：
Figure FDA0003541569180000023
其中，n为RBF神经网络隐含层的个数；w0为输出层中允许调整神经元灵敏度的偏置参数；wi为隐含层和输出层的连接权重，x为设备发电相关性高的因素向量；ρ为RBF神经元的中心。
5.根据权利要求1所述的基于RBF-ISBO的微电网优化调度方法，其特征在于，步骤S3中，基于改进的SBO算法对步骤S2中RBF神经网络建立的设备模型进行寻优具体为：
S301、引入混沌序列方式对微电网各设备的出力值进行初始化；
S302、步骤S301初始化后，针对微电网调度优化中多变量的非线性问题，在缎蓝园丁鸟算法中引入速度概念，以更新和计算微电网设备的供电组合；
S303、采用惯性权重非线性递减更新策略更新引入的速度，通过对速度进行更新以不断更新巢穴的位置，找到最优值，完成寻优。
6.根据权利要求5所述的基于RBF-ISBO的微电网优化调度方法，其特征在于，步骤S301中，混沌机制采用立方映射如下：
Figure FDA0003541569180000024
其中，β为混沌因子，
Figure FDA0003541569180000025
为第t+1代第i个求偶亭的第k维分量，
Figure FDA0003541569180000026
为第t代第i个求偶亭的第k维分量。
7.根据权利要求6所述的基于RBF-ISBO的微电网优化调度方法，其特征在于，第t+1次迭代第i个求偶亭的第k维分量速度
Figure FDA0003541569180000031
为：
Figure FDA0003541569180000032
其中，
Figure FDA0003541569180000033
为第t次迭代第i个求偶亭的第k维分量速度，ω为惯性权重，c1为学习因子，r1为[0,1]内随机数，
Figure FDA0003541569180000034
为第t代第i求偶亭的第k维分量，λk为步长因子，Xjk为第i个求偶亭搜索至第t代时历史最优位置,，Xelite,k为求偶亭中第k维分量的全局最优值。
8.根据权利要求5所述的基于RBF-ISBO的微电网优化调度方法，其特征在于，步骤S303中，更新引入的速度具体为：
w(t)＝(wmin+wmax)/2+(wmax-wmin)cos(tπ/T)
其中，wmax为初始惯性权重；wmin为迭代结束时的惯性权重；T为最大迭代次数。
9.根据权利要求1所述的基于RBF-ISBO的微电网优化调度方法，其特征在于，步骤S4具体为：
S401、设置算法参数，初始化园丁鸟个体求偶亭的位置，生成一个N×K的矩阵；
S402、根据初始化后的求偶亭的位置及迭代更新后的求偶亭的位置计算对应微电网的发电成本；
S403、将步骤S402得到的微电网发电成本按高低进行排序，发电成本最低的求偶亭位置选定为最优求偶亭位置，并计算每个求偶亭位置被选中的概率Probi；
S404、根据速度v和非线性惯性权重w对应更新每个园丁鸟求偶亭的位置；
S405、计算步骤S404更新后每个求偶亭所处位置对应的发电成本，并更新最优求偶亭位置；
S406、如果随机数rand大于常量p，对求偶亭进行变异；
S407、重复步骤S403至步骤S406的迭代过程，如果达到设置的精度要求或规定的最大迭代次数，则终止，输出最佳供电组合对应的微电网设备最小发电成本。
10.一种基于RBF-ISBO的微电网优化调度***，其特征在于，包括：
***模块，以微电网经济效益和减碳为目标，选择以风力涡轮机和光伏板为供电设备，采用光伏板、风力涡轮机、柴油发电机、配电网和储能设备构成微电网***；
建模模块，以温度、湿度、太阳辐射度、上一时刻发电功率、风速作为微电网光伏板的输入变量，以温度、湿度、气压、上一时刻发电功率、风速作为风力涡轮机的输入变量，采用RBF神经网络对***模块构建的微电网***中的可再生能源进行设备建模得到设备模型；
寻优模块，以微电网发电成本最小为优化目标，在满足微电网风光发电、柴油发电机、储能设备的额定输出功率约束条件的前提下，利用改进的SBO算法对建模模块中RBF神经网络建立的设备模型输出的发电功率进行优化，得到微电网设备的供电组合；
调度模块，根据寻优模块得到的微电网设备的供电组合，计算出对应的微电网发电成本，按发电成本的高低进行排序，找出最佳供电组合使得微电网设备发电成本最小，实现微电网优化调度。
CN202210240896.5A 2022-03-10 2022-03-10 一种基于rbf-isbo的微电网优化调度方法及*** Withdrawn CN114580298A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210240896.5A CN114580298A (zh) 2022-03-10 2022-03-10 一种基于rbf-isbo的微电网优化调度方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210240896.5A CN114580298A (zh) 2022-03-10 2022-03-10 一种基于rbf-isbo的微电网优化调度方法及***

Publications (1)

Publication Number Publication Date
CN114580298A true CN114580298A (zh) 2022-06-03

Family

ID=81780957

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210240896.5A Withdrawn CN114580298A (zh) 2022-03-10 2022-03-10 一种基于rbf-isbo的微电网优化调度方法及***

Country Status (1)

Country Link
CN (1) CN114580298A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116544983A (zh) * 2023-07-06 2023-08-04 广州市虎头电池集团股份有限公司 风光发电储能***及其优化配置方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116544983A (zh) * 2023-07-06 2023-08-04 广州市虎头电池集团股份有限公司 风光发电储能***及其优化配置方法
CN116544983B (zh) * 2023-07-06 2024-02-27 广州市虎头电池集团股份有限公司 风光发电储能***及其优化配置方法

Similar Documents

Publication Publication Date Title
CN111709672B (zh) 基于场景和深度强化学习的虚拟电厂经济调度方法
Tan et al. Multi-objective energy management of multiple microgrids under random electric vehicle charging
Moghaddam et al. Multi-objective operation management of a renewable MG (micro-grid) with back-up micro-turbine/fuel cell/battery hybrid power source
CN109886473B (zh) 一种考虑下游生态的流域风光水***多目标优化调度方法
CN107732960A (zh) 微电网储能***容量优化配置方法
Wang et al. Short-term photovoltaic power generation forecasting based on environmental factors and GA-SVM
CN111144641B (zh) 一种基于改进粒子群算法的微电网优化调度方法
Squartini et al. Optimization algorithms for home energy resource scheduling in presence of data uncertainty
CN113783224A (zh) 一种考虑多种分布式能源运行的配电网双层优化规划方法
CN111934360A (zh) 基于模型预测控制的虚拟电厂-储能***能量协同优化调控方法
Chatziagorakis et al. Enhancement of hybrid renewable energy systems control with neural networks applied to weather forecasting: the case of Olvio
CN114580298A (zh) 一种基于rbf-isbo的微电网优化调度方法及***
Souabi et al. Data-driven prediction models of photovoltaic energy for smart grid applications
CN117674290A (zh) 一种基于多场景的水电平抑分布鲁棒优化方法
Fu et al. A spatial forecasting method for photovoltaic power generation combined of improved similar historical days and dynamic weights allocation
CN115021269B (zh) 基于数据驱动的两阶段最优潮流求解方法
Long et al. Short-term solar power interval prediction with interval width initilization approach
Chakraborty et al. Fuzzy quantum computation based thermal unit commitment strategy with solar-battery system injection
CN115995840A (zh) 基于风、光、储能协调的新能源***调峰优化方法和装置
Wang et al. Self-organizing maps for scenario reduction in long-term hydropower scheduling
Yang et al. Research on distributed photovoltaic power prediction based on spatiotemporal information ensemble method
CN113222216A (zh) 冷热电负荷预测方法、装置及***
CN111859780A (zh) 一种微电网运行优化方法和***
Berdonosov et al. Analysis and development potential of predictive models for energy flows of autonomous hybrid energy systems
Zhang et al. Capacity Optimization of Hybrid Energy Storage System Based on Improved Golden Eagle Optimization

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220603

WW01 Invention patent application withdrawn after publication