深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习深度学习
技术开发的迭代推进和技术应用的规模化积累，在推进数字技术不断取得新突破的同时，也使数字技术变得更加成熟和可靠。数字技术的先进性、复杂性、集成性与数字化系统覆盖面更广、界面更直观、操作更简单同步发展。人们能够随时随地访问功能越来越强大的数字化系统。
从260年前的第一次工业革命，到以人工智能、大数据、物联网为代表的数字技术驱动的第四次工业革命，人类社会经历了蒸汽时代、电气时代、信息时代，并正在处于智能时代之中。每一次的跨越式的进步，都是由技术变革带来生产力的大幅提升，并催生出全新的行业，全新的生态，推动着时代不断向前。
中服云方案库，涵盖大数据、AI、物联网、数字化、智能制造、智能家居、智能楼宇、智能建筑、智慧城市、智慧场景、安防、5G+、模型算法、技术软件、行业展望、行业报告等各行各业相关方案资源。
为实现XX公司数字化转型智慧企业的战略目标，确保智慧水电以解决现场问题为导向，促进项目落地，先后调研瀑布沟水电、彭水电站等单位，并深入那兰、金平水电现场考察，开展了水电站智慧化应用成果和建设经验交流参观学习了其他单位智慧水电建设成果，并针对流域水电智慧化应用进行了充分地交流学习。
随着能源交易的逐步市场化，含电-气-热的多微网系统中微网服务商的零售价定价策略将影响到系统的运行和所有参与者的利益。为研究微网服务商的定价策略，首先详细描述了电-气-热多微网系统内部交易过程并建立了系统模型。随后这一定价问题被描述为斯塔克尔伯格博弈，并证明了该博弈存在唯一的均衡解。为保护各主体隐私，提出了一种基于强化学习的求解方法以求解存在时间耦合的斯塔克尔伯格博弈。算例研究表明，该方法准确有效地解决了所提出的定价策略问题，微网服务商和各微网均采取了有效策略以保证自身利益。同时，该方法有效保护了市场参与者的隐私并展现了良好的计算性能。
安全约束机组组合（security constrained unit commitment，SCUC）是电网出清场景中最为广泛使用的一类模型。建立了一种针对超大规模SCUC现货市场出清问题的求解框架，首先提出了SCUC问题的时间解耦求解方法，通过缩小问题的规模来加快求解速度；其次针对时间解耦后模型的子问题提出了拉格朗日松弛求解技术，在不影响求解准确度的情况下，有效降低了关键困难约束的求解难度。数值实验证明，所提出的框架极大地提升了求解效率，且十分稳定。
电力市场改革的深化对电网运行风险管控提出了新的要求。通过总结PJM（Pennsylvania-New Jersey-Maryland）电力市场的风险管控策略，从两个方面分析其电力系统物理运行风险管控策略：包含长期、短期和实时的风险事故发生前措施，执行紧急中断与恢复的风险事故发生后措施；从日前的可靠性机组组合、与电能量市场联合优化的辅助服务市场、中长期的容量市场和输电权市场四个方面分析其基于电力市场的风险管控策略。并将其与南方电网现有风险管控措施相对比，提出了进行多时段风险评估、采取调度-市场相结合的管控风险手段、建设完备的市场体系、成立风险委员会等多方面建议。
1)本文引入信息间隙决策理论和鲁棒博弈方法构建信息不对称下基于主从博弈与需求弹性的综合能源系统运营商(integrated energy operator，lE0)与能源用户(energy user,EU)的动态博弈模型，并建立信息不对称程度对IE0最优定价策略的定量分析框架。2)本文所提考虑信息不对称度的IE0鲁棒定价策略揭示了IE0可以利用信息优势谋取过高定价，政府监管部门应提高对IE0的信息公开和信息披露要求，增加市场的透明度，提升EU对能源价格和能源成本的认知。
扫码咨询
或
客服咨询
用手机扫二维码
复制当前地址
