排序方式: 共有15条查询结果,搜索用时 78 毫秒
11.
12.
以海上风电场风向和风速较稳定,尾流效应对风电场功率影响明显为背景,综合协调机组间偏航角、有功功率,改善机组间气动耦合,提高各机组有功功率之和。给出了考虑偏航的尾流模型,克服了经典尾流模型边界处不连续导致风电场功率优化困难的问题。然后建立以机组偏航角和诱导因子为调节手段的风电场有功功率优化模型。继而,基于尾流传播路径,对机组进行分群,将风电场整场优化问题转化为各群内部优化问题,减少优化对象数,降低问题规模。重点结合在线仿真和机器学习技术,提出各群内部功率优化问题求解方法。最后将优化结果整定为机组参考有功功率和参考偏航角,各机组据此运行。该方案计算开销小,无需额外增加风电场控制系统计算资源,对通信环境无特殊要求,同时,仿真结果表明,提出的方案能有效提升海上风电场有功功率,提高风电场经济效益。 相似文献
13.
14.
电-气区域综合能源系统电、气相互影响,一方面使得模型驱动的单一能源系统可靠性评估方法不再适用;另一方面由于天然气的引入,导致其短期可靠性评估计算开销大。为综合解决这两个问题,提出用机理模型结果训练最小二乘支持向量机(LSSVM),由LSSVM在线评估短期可靠性的方法。首先,建立元件可靠性模型,提出基于系统等效节点模型的故障后果分析方法。在此基础上,构建基于蒙特卡洛模拟的模型驱动短期可靠性评估方法,获得训练样本。然后,构建LSSVM回归模型,通过离线训练,得到系统状态与短期可靠性指标间映射的LSSVM模型,实现系统短期可靠性实时评估。最后,电-气区域综合能源算例系统测试验证了所提方法的准确性和快速性。 相似文献
15.
家庭能源系统需求响应(demand response,DR)能够有效促进节能减排。家庭能源系统具有强不确定性,要求DR优化策略具备自动、快速调适能力。该文研究知识与强化学习融合的DR优化方法。首先,建立两者融合的优化框架,形成知识与强化学习互补机制;然后,对家庭设备建模并建立其DR优化知识规则集;进而,以知识转化为学习样本为核心,设计了知识融入强化学习的模型,重点研究知识样本作用概率动态调节、多样化知识、随机探索概率动态调节等问题,并设计知识与DQN融合的算法和网络。算例表明:该文方法能够自动适应家庭的不确定性,用能成本比知识规则法降低11.1%;与标准DQN相比,在同等的收敛标准下,该文方法能源成本低3.3%,且收敛时间仅需标准DQN的1/6。 相似文献