
简介
该用户还未填写简介
擅长的技术栈
可提供的服务
暂无可提供的服务
为解决风电出力间歇性、波动性导致的弃风率偏高、电网调峰压力大等问题,依托水电(抽水蓄能)的灵活调节优势,复现EI期刊中基于粒子群算法(PSO)的风电-水电(抽水蓄能)联合优化调度研究。本文首先梳理联合调度系统的核心特性与约束条件,构建以弃风率最小化、系统运行成本最低化、供电可靠性最高化为目标的多目标优化模型;随后优化粒子群算法参数,设计适配联合调度问题的求解流程,通过惩罚函数法处理多约束耦合问题;
电网调峰是保障新型电力系统安全稳定运行、推动新能源大规模高比例发展的关键举措,储能系统凭借响应速度快、部署灵活、环境友好等优势,已成为破解电网调峰难题的核心支撑技术。本文针对EI论文中参与调峰的储能系统配置方案及经济性分析进行完整复现,梳理原文研究框架、核心模型与验证流程,明确储能系统参与调峰的技术适配性、配置优化逻辑及经济性评价方法,修正复现过程中易出现的模型参数设定、约束条件遗漏、经济性指标计
建筑集成光储系统(Building Integrated Photovoltaic-Storage System, BIPV-ESS)作为实现建筑节能、碳减排的核心技术之一,其规划阶段的容量配置与运行阶段的能量调度是两大核心问题,直接决定系统的经济性、可靠性与环保性。
随着高比例光伏并网成为电力系统发展的主流趋势,光伏功率的间歇性、波动性与不确定性给电网调度优化、备用容量配置及安全稳定运行带来了严峻挑战。传统光伏功率点预测仅能提供单一预测值,无法量化出力波动的风险范围,难以满足电力系统精细化调度的实际需求。时空概率预测能够输出包含置信区间的全景化出力场景,清晰刻画光伏功率的不确定性特征,为电网运行决策提供更全面的技术支撑,已成为当前光伏功率预测领域的研究热点。
针对风电场输出功率具有强间歇性、波动性及多模式分布特征,导致传统短期功率预测方法精度不足、适应性差的问题,提出一种融合高斯混合模型(Gaussian Mixture Model, GMM)聚类与CNN-BiLSTM-attention深度学习模型的风电场短期功率预测方法。首先,通过GMM聚类算法对风电机组进行分组,将出力特性相似的机组归为同一集群,降低数据异质性,解决单一点位外推或单机建模带来的精
在当今复杂多变的世界中,时间序列预测在金融、气象、能源、交通等诸多领域扮演着举足轻重的角色。准确的时间序列预测不仅能为决策提供有力支持,更能有效规避风险,优化资源配置。然而,传统预测方法在面对非线性、非平稳、高噪声的时间序列数据时,往往表现出预测精度不足、泛化能力差等局限性。为了克服这些挑战,研究者们不断探索新的理论和技术,以期构建更加鲁棒、高效的预测模型。
在复杂系统建模和预测领域,时间序列分析扮演着至关重要的角色。尤其是在非线性、非平稳数据日益增多的背景下,如何有效地提取数据特征并进行精准预测,成为了学术界和工业界共同关注的焦点。传统的预测方法往往难以捕捉复杂时间序列中的多尺度特征和非线性动态。为了应对这一挑战,本文提出并详细阐述了一种融合完备集合经验模态分解(CEEMDAN)、变分模态分解(VMD)与门控循环单元(GRU)神经网络的预测模型(CE
在当今数据驱动的时代,时间序列预测在各个领域都扮演着至关重要的角色,从金融市场的股票价格预测到气象学中的天气预报,再到工业生产中的需求预测,准确的时间序列预测能够为决策者提供有价值的参考。然而,时间序列数据往往具有非线性、非平稳、多噪声等复杂特性,传统的时间序列模型,如自回归移动平均(ARIMA)模型,在处理这些复杂性时往往力不从心。为了克服这些限制,研究者们不断探索新的方法,将不同模型的优势结合
针对传统电力系统优化调度中碳排放成本内化不足、大规模系统集中式求解复杂度高、隐私保护能力弱等问题,本文提出一种融合分布式交替方向乘子法(ADMM)与碳排放交易机制的电力系统优化调度方案。以电力系统总运行成本(发电成本+碳排放交易成本)最小化为核心目标,兼顾系统功率平衡、机组运行约束、碳排放配额约束及网络安全约束,构建考虑碳排放交易的分布式优化调度模型。采用ADMM算法将全局优化问题分解为多个子区域
随着可再生能源的快速发展和电力系统对可靠性、效率和可持续性要求的提高,微电网作为一种集成分布式能源的有效解决方案受到广泛关注。特别是ACDC混合微电网,由于其兼顾交流和直流系统的优势,为各种类型分布式电源和负荷的接入提供了更大的灵活性。本文深入探讨了ACDC微电网的能源管理策略,该微电网仿真模型包含光伏发电机(PV)、燃料电池系统(FC)、超级电容器(SC)和直流侧电池储能系统(BES),并通过电







