.png){kind=icon}
返回
Data-driven industrial park microgrids robust optimization method
.png){kind=icon}
OA
AI
DOI：10.3389/fenrg.2025.1535211.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
为了准确描述可再生能源输出功率的波动性和随机性对工业园区微网运行的影响，提出了一种面向工业园区微网的数据驱动鲁棒优化方法。首先，基于传统区间集，采用多面集对可再生能源输出的不确定参数进行建模。然后，利用可再生能源输出的历史数据建立椭球不确定性集。通过连接高维椭球顶点，建立数据驱动的凸包多面集。接着，通过缩放凸包集更好地包络不确定参数。进一步建立了面向工业园区微网的数据驱动鲁棒优化模型，并采用列与约束（C&CG）生成算法求解该模型。最后，通过实例进行仿真比较，结果表明，数据驱动的工业园区微网鲁棒优化方法能够降低保守性并提升优化结果的鲁棒性，验证了所提方法的有效性。
Keyword:
renewable energy
microgrid
robust optimization
uncertainty modeling
data-driven method
期刊
IF:
2.4
论文数:
1.0K
被引数:
1.4W
机构
引用论文
Wind power prediction based on deep learning models: The case of Adama wind farm基于深度学习模型的风力发电预测：Adama风电场的案例.png)
Heliyon
OAAI
HeliyonIF0
OAAI分享收藏An integrated policy approach for sustainable decarbonization pathways of energy system in a city under climate change scenariosENERGY POLICY
ENERGY POLICYIF9.2
PREAI
分享收藏分享收藏Application of superconducting magnetic energy storage in electrical power and energy systems: a review超导磁储能在电力和能源系统中的应用: 综述OAAI
OAAI分享收藏Ultra-short-term wind power forecasting in complex terrain: a physics-based approach. Energies 17 (21), 5493复杂地形下的超短期风电功率预测：基于物理的方法。Energies 17 (21), 5493
IF0
PREAI
分享收藏
查看更多内容