Loading...
机构名称:
¥ 1.0

面对间歇性可再生能源的挑战,当前的单位承诺实践步履蹒跚,敦促开发新型的短期生成调度技术,以增强微电网稳定性。本研究使用机器学习技术为可再生能源系统提出了一种自适应的健壮单位承诺方法,计算Calinski-Harabasz索引,以确定与间歇来源有关的预测不准确。随后使用空间聚类工具将不确定性分组在一起,并计算了K-均值分布的平均密度。通过非参数算法来解决空间中空间点的聚类,考虑到噪声,可再生能源的离散不确定性以及全面不确定性集中的异常值。实施建立的方法和框架的实施,结合基于密度的噪声应用程序的空间聚类,引入了一种用于vulnera comity clustering的创新方法。这种方法可以确保每个群集都与与可再生能源的漏洞有关的数据一致。通过对使用间歇性风能的修改IEEE 39-BUS和118个总线测试系统进行实验来展示建议的方法的性能。结果表明,与传统的鲁棒优化技术相比,提出的框架可能会降低鲁棒性成本8-48%。随机编程的结果表明,具有稳定经济组织的优化系统将更快地计算75%。

6G-增强新的智慧城市:调查

6G-增强新的智慧城市:调查PDF文件第1页

6G-增强新的智慧城市:调查PDF文件第2页

6G-增强新的智慧城市:调查PDF文件第3页

6G-增强新的智慧城市:调查PDF文件第4页

6G-增强新的智慧城市:调查PDF文件第5页

相关文件推荐

2024 年
¥1.0
2020 年
¥4.0
2020 年
¥3.0