发布日期：2024-11-03 23:19 点击次数：139
本文讹诈合成图谱处理海量的文献数据，从海量文献信息中生成共词矩阵，通过谱聚类镌汰矩阵维数，讹诈可视化工夫将共词矩阵可视化为共词汇集。基于寻径汇集算法或者最小生成树算法进行汇集简化，并以聚类模块值和轮廓值来评估图谱聚类效果，遴荐剪枝后聚类效果最好的汇集图谱。
基于文献汇集，从时候切片和关键词聚类进行图谱解读，强化图谱的可解读性。时候线图谱中，区分并提真金不怕火集群标签词，变成近十年演进旅途；关键词聚类方面，当图谱节点盛大、运动复杂时以节点的突现性、中介中心性看成识别关键节点，把合手系数这个词图谱最中枢部分，变成近五年中枢前沿。
1.1 共词汇齐集构的可视化共词分析的基得意趣是在覆没组文献中对一组词所出现的次数进行两两统计，通过这种共现次数来测度它们之间的亲疏关系。具体而言，从文献信息中基于共词分析将数据描摹成一个图表，凭证图表关系谋划不异度，生成共词的不异矩阵。
样本点i 和j 之间的不异度s(i，j)为
式中，d(i，j)为样本点i 和j 之间的距离；σ 为波折因子。
suzyq 足交谱聚类算法是基于图论的算法，适合共词汇集下以运动关系为主的应用场景。基于共现的关键词不异矩阵一般相比稀少，可接受奇异值解析进行特征值解析，谋划出不异矩阵的最小特征向量；特征解析后得回的特征向量进行聚类，讹诈不异矩阵的谱信息进行特征降维，将数据聚类到少数几个维度。终末，讹诈可视化工夫，将矩阵可视化为共词汇集。
1.2 汇集图谱的简化基于寻径汇集算法或者最小生成树算法进行汇集剪枝的遴荐，最大程度简化汇集，保留最紧迫的运动。其中，简化汇集的图谱聚类效果所以聚类模块值和轮廓值来评估。
聚类模块值（Modularity）是揣测汇齐集构强度的区分质料，最早由M.Newman[9]提议。模块值Q(i)为
式中，Eii 为集群i 内系数的边数占系数这个词汇集系数边数的比值；ai 为经过集群i 内系数节点的边数（包含一丝在集群i 内、一丝在集群i 外的边）占系数这个词汇集的系数边数的比值。Q(i)值在0～1 之间，其值越接近1，暗示区分汇齐集构的强度越高。
轮廓值（Silhouette）是评价聚类效果利害的一种花式，其最早由P.J.Rousseeuw 提议。它结合内聚度和分离度两种身分。
轮廓值S(i)的公式为
式中，a(i)为内聚度，即i 到同簇其他样本的平均距离；b(i)为分离度，即i 到其他类簇的系数样本的平均距离。S(i)越接近1，则诠释样本i 聚类合理轮廓越彰着。
1.3 图谱解读时候线图谱中，对区分的各聚类集群接受对数似然比算法，提真金不怕火最具代表性的词看成该集群的标签。聚类图谱中，以突现性以及中介中兴性看成节点权重揣测，反应出中枢关键部分。
1.3.1 集群标签词抽取
对数似然比算法是一种用于信息检索与勘测的加权聚类工夫，用以评估一个词对语料库的有计划程度，提真金不怕火出具有类别区分才气的标签词。
H1 暗示元素w1、w2 之间是互相稳固的；H2 暗示元素w1、w2 之间具有有计划性。H1 和H2 合适二项式分散，其似然值L(H1)、L(H2)分别为
式中，N 为系数元素出现的总次；c1、c2 和c12 分别为元素w1、w2 和w12 在语料库中出现的次数；p1、p2 和p12 分别为接受极大似然预计法谋划元素w1、w2 和w12 出现的概率；b(·) 为二项式分散。
H1 和H2 的相反度暗示为LLR，其中似然比λ对数值所以2 为底，具体公式为
对数似然比算法不会过分放大高频词的边界有计划性，通过推敲一个词对边界的正负面孝顺，大略相比准确地反应边界的本性，保证抽取终端的牢固性[10]。
1.3.2 节点权重谋划
1）突现性是指研究点已而爆发。接受突发性检测工夫，识别被引次数的已而变化，凭证发生的时候序列来建立一种突发检测模子——Kleinberg 景色机模子[11]，其公式为
式中，σ(i，rt， dt)为t 时刻景色产生的资本；st 为第t时刻的突发景色序列；dt 为整个的序列；rt 为有计划性的序列；pi 为有计划序列发生的守望。
在[t1，t2]时段，序列突现的强度Burst 界说为
突现节点每每揭示了有后劲的研究主题。在本文的汇集图谱中，突现性用红色援用环暗示。
2）中介中心性是指采集聚经过某点并运动这两点的最短旅途占这两点之间的最短旅途线总额之比，用以测度点在采集聚的紧迫性[12]，中介中心性CB(v)为
式中，σst(v)为节点s 到节点t 的最短旅途中经过节点v 的数目；σst 为节点s 到节点t 的最短旅途数目。
在图谱中具体阐扬可分为两类：第一类为才气域中高度联贯的环节节点；第二类为运动不同集群的波折点。一般而言，跨边界的研究会导致新兴趋势的出生，因此更倾向于心扉第二类波折点。在本文的汇集图谱中，中介中心性用紫色援用环暗示。这种节点权重谋划，可只研究采集聚少许的运动点，而不是系数这个词汇集，大大擢升了图谱的可解读性。
2 电力阛阓研究演进轨迹针对国内近十年1 495 篇、国际近十年5 106 篇电力阛阓的有计划研究，接受基于常识图谱的步伐进行系统化梳理，区分并提真金不怕火集群标签词，从而提真金不怕火出随时候发展的演进轨迹。
2.1 国内电力阛阓的演进轨迹本末节以“主题SU=（批发+零卖+中永恒+现货），文献开头：（SCI，EI 及北大中枢期刊），时候跨度=2011-2020”等组配索引式，基于中国知网CNKI 中电力阛阓有计划的整个1 495 篇著作，对国内电力阛阓的研究演进轨迹进行梳理。依据一年时候圮绝内的数据组成每个单独的时候切片汇集，整合这些稳固的汇集变成随时候推移的演变轨迹。单个时候切片的汇齐集构见表1。以2020 年的单个切片汇集为例，2020 年515 篇表征影响力的g-index 指数[13]为12 以上的代表性文献集聚，组成81 个节点、132 条连线的单年切片汇集。
整合单个的时候汇集变成国内近十年电力阛阓研究的关键词演化旅途。从时候维度暗示常识演进的视图，勾勒聚类之间的关系和某个聚类的历史跨度，展示了常识群体之间的更新和互相影响。其中，横轴为研究时候，纵轴为交替陈设区分后的常识集群。每个集群的变化轨迹通过包含时候线的演化旅途来炫耀。本末节得出了17 个聚类集群，并接受1.3 节说起的对数似然比算法，提真金不怕火群体的标签词，在集群序号之后加以炫耀。中式0～4 号进行展示，如附图1 所示。
常识图谱中，区分后的集群结构的特征量纲包括范畴、轮廓值、代表年份以及标签词。以集群范畴较大的0～8 号分析集群结构特征，如图2 所示。关键词集群内成员较多的，暗示集群范畴较大，相比具备代表性。聚类轮廓值接近于1，诠释聚类不异度高。从图2 中不错看出，集群的范畴跳跃20 个，集群具有代表性；仅有6 号集群轮廓值较低，其余集群轮廓值皆接近于1，标明覆没关键词集群的同质程度高，不异度高。
接下来，以1 集群（调峰扶直工作）为例对演化旅途的时候线进行解读，其演进轨迹如图3 所示。按年份对应到集群中的节点，交替递进解读节点。关键词节点中包含筛选后最有计划的文献数据，以此展现研究轨迹的演变。
应用场景：探索促进新动力消纳的阛阓机制，举例去中心化的阛阓机制可充分反应成员之间的良性竞争；泛在电力物联网下有更多的挑战[14]，举例“边缘-云”谋划架构[15]、区块链去中心化[16]等。
阛阓主体：参与主体由分散式动力振荡到多动力耦合。对于分散式动力的料理触及捏造电厂、微电网等多种主体的料理花式[17]，生意捏造电厂的运营机制[18]是咫尺的研究难点，可推敲其加入扶直工作等交游品种；电储热与风电场联动参与调峰扶直工作，促进消纳弃风；发展到现今推敲遗弃身分的交互动力机制[19]，从而达成系统动力互动，同期讹诈分散式调度弥补信息分歧称的劣势[20]。此外，调峰扶直工作阛阓应施展火电等传统发电商的深度调峰效益[21]，刺激具备纯真牢固性的阛阓成员主动参与调峰。
战略机制：生意模式节点同期运动1 号集群内阛阓机制、分散式动力、泛在电力物联网等多个节点，激动阛阓立异归根于生意模式的摸索[22]。举例范畴化分散式储能提供扶直工作的自盈利模式以及协同共赢的分享储能模式等；从北欧及好意思国阛阓机制斥地中吸取先进的教会[23]，动力转型的阶段结合国情因地制宜斥地中国特色电力阛阓的顶层想象[24]，同期调峰扶直工作亦然中国特色的交游品种。
2.2 国际电力阛阓的演进轨迹本末节以“主题：（electricity NEAR/5 market），文献类型：（Article），语种：（English），索引=SCI-EXPANDED，时候跨度=2011～2020”等组配索引式，基于Web of Science 检索电力阛阓有计划的5 106 篇著作，对国际电力阛阓的研究演进轨迹进行梳理。单个时候切片的汇集信息见表2，以2020 年的汇齐集构为例，2020 年558 篇g-index指数36 以上的代表性文献集聚，组成253 个节点、759 条连线的单年切片汇集。
整合单个的时候汇集变成的研究演进轨迹如附图2 所示，附图2 呈现了国际近十年电力阛阓研究演化旅途。基于对数似然比算法抽取汇集图谱的标签词，共区分了23 个集群标签。附录中炫耀聚类标签0～4 号。
以集群范畴较大的0～8 号分析集群结构特征，如图4 所示。0 号集群有44 个成员，范畴最大，是最具有代表性的集群之一。同期集群0～8 号的轮廓性均跳跃0.8，诠释集群内的各成员之间运动素雅。
接下来，以0 号集群（负荷瞻望）为例对演化旅途的时候线进行解读，其演进轨迹如图5 所示。
应用场景：单个阛阓撑持电力交游的难度大且风险较高，因此负荷瞻望的应用场景需要推敲阛阓之间的耦合，举例“动力+容量”、“动力+扶直工作”等。由图5 可知，2015 年纯动力阛阓引起等闲的参议，永恒而言纯动力阛阓促进转型低碳，但是可能出现动力短缺的风险，稀缺电价导致系统资本加多。因此容量阛阓受到投资者维持[25]，其发电才气可靠，供应安全牢固，同期需求响应和储能的加入可达成发电阔气性。近些年P2P(peer to peer)动力交游平台率先在瑞士落地实施[26]，去中心化的阛阓机制想象[27]是双边动力交游的基础。合股双向动力和扶直工作阛阓中交互式电网系统的协同优化[28]，对分散式动力与配电网运营商的经济性、纯真性以及可靠性进行评估[29]。
贬责步伐：跟着阛阓的振荡与发展，负荷瞻望已成为一个紧迫的研究边界，是电力阛阓运营和缠绵的关键任务。短期负荷瞻望常用长短期顾虑、回声景色汇集等模子，分散式学习算法对于瞻望复杂地舆分散的用户十分具有后劲。近些年接受不异日法揣测神志的影响身分[30]，最新的发展轨迹为机器学习模子[31]，用于瞻望工夫的发展，撑持后续投标策略和估算盈利。
3 电力阛阓的中枢前沿本节对国内近五年896 篇、国际近五年3 238篇电力阛阓的有计划研究，接受基于常识图谱的步伐动态追踪热门，呈现电力阛阓边界的中枢前沿。基于关键词出现频次进行研究热门的可视化；基于节点权重探伤中枢前沿，权重以突现性和中介中心性进行揣测，提真金不怕火出电力阛阓研究的关键中枢。
3.1 国内电力阛阓的中枢前沿本末节数据开头于中国知网CNKI 中近五年电力阛阓有计划的文献，共计896 篇。结合1.2 节说起的图谱剪枝人妖 telegram，对生成的单年汇集或概述汇集遴荐寻径汇集算法或者最小生成树算法进行剪辑简化，终端见表3。对比四种花式的概述聚类效果可知，接受寻径汇集算法剪辑单年汇集的效果最好。
3.1.1 关键词汇集图谱
图谱剪枝后，优化的关键词汇集图谱如图6 所示。节点叠加成的树环大小暗示每年的被引频次，出现频次较高的热门关键词有现货阛阓、扶直工作以及需求响应等。以现货阛阓节点为例加以诠释，梳理该节点过甚运动关系。
现货阛阓节点以及运动如图7 所示，从其运动关系中不错看出，咫尺现货阛阓中存在起义衡用度、与中永恒阛阓的衔尾以及串谋竞价等问题。这些问题归根结底在于阛阓机制的不熟谙，而阛阓机制中的紧迫神志之一是电价的机制想象。其浅近可分为两种想路：①接受新步伐的传统订价模式，如讹诈多智能体强化学习细则节点边缘电价[32]；②接受新的订价模式仍处于摸索阶段，如凸包订价模式[33]。此外，新兴的交游品种有金融输电权，金融居品的繁衍大略愈加回应电力的商品属性。
由此看来，在常识图谱中不错遴荐随便感酷好的节点并加以剖析，这种花式较为主不雅，当节点盛大、运动复杂时难以把合手系数这个词图谱最中枢的部分。接下来本节从节点的权重角度，探伤出图谱的关键中枢节点，以此捕捉电力阛阓有计划的中枢前沿。
3.1.2 关键中枢节点
结合1.3 节说起的节点权重谋划，以突现性和中介中心性看成揣测，探伤出关键节点，并在图谱中反应出关键节点。常识图谱中，突现性阐扬为节点中心的红色援用环，中介中心性阐扬为节点最外围的粉色援用环。
1）突现节点
以最小接续时候1 年，寻找到12 个突现词，终端见表5。玄色方块对适时候轴2016～2020 年中的突现年份。
由表5 可知，动力互联网与电力阛阓立异属于研究布景的突现。在此布景下，针对概述动力系统的动力阛阓的执行，工作商参与阛阓的行为决策以及多动力耦合的汇集拦截料理等问题仍在研究中。同期，电力阛阓立异突现的时候点与中央发布《进一步深化电力体制立异的（中发[2015]9 号）文献》的时候相吻合。此外，突现性还体咫尺阛阓主体、交游品种以及应用场景等。以扶直工作为代表的交游品种是近五年突现强度最高的关键词，其包含的交游品种调频与深度调峰接续突现3 年，这标明咫尺电力阛阓还在探索扶直工作有计划的研究。因此，以此节点为例，回溯至汇集图谱并加以默契，图谱如图8 所示。
从汇集图谱中扶直工作节点过甚运动关系不错看出，分散式电源凭借纯真改动的上风成为扶直工作阛阓的中枢成员，如何整合其纯真性挖掘潜在阛阓力仍需进一步探索。交游品种中等闲应用的是深度调峰，在此神志中需求响应的参与[34]越来越受到爱重，要加强需求响应主动参与阛阓，如讹诈强化学习等算法得出其最优决策[35]。
2）中介中心节点
从高到低陈设节点的中介中心性，中式前8 个中介中心性词，终端见表6。寻找的中介中心性词中，阛阓主体有计划的最多，研究对象因更多推敲的为主动配电网、电动汽车等。同期，应用场景中最新颖的是生意模式。主动配电网是中介中心性最高的关键词，接下来以此节点为例默契。
主动配电网节点过甚运动如图9 所示。率先，主动配电网会通了多个边界内的研究，举例可再生动力、电动汽车等，咫尺研究借助区块链的存储工夫优化交游策略[36]，以此看成智能合约的基础。其次，与鲁棒优化节点相运动，而鲁棒优化应用场景应试虑缠绵与开动相结合的优化建立[37]。同期，高比例可再生动力的电力阛阓，应更多地推敲以电动汽车为代表的产消者参与能量交游阛阓的生意模式。
3.2 国际电力阛阓的中枢前沿本末节数据开头于Web of science 检索3 238 篇有计划文献。生成关键词汇集图谱，并接管不同的优化算法进行图谱剪枝，终端见表7。对比聚类效果可知，概述聚类效果最好为0.877 9。
基于寻径汇集算法对概述汇集剪辑，聚类效果彰着优于单年汇集。这是由于文献数目加多，导致单年剪辑的汇集区分依稀，使得其聚类模块值较低，进而影响了合座的聚类效果。因此，遴荐对概述汇集剪辑，得回关键词的聚类图谱，如图10 所示。关键词汇集图谱中出现频次最高的有模子、优化、需求响应、可再生动力、电价以及不细则性等。完竣的图谱展示了沿途的信息，但由于数据过多使得图谱节点盛大、运动复杂，从而缺少可读性。因此，接下来依据节点的权重，提真金不怕火出关键节点，聚焦于局部图谱。
以最小接续时候为一年，寻找16 个突现关键词，终端见表9。
从表9 中可知，突现强度相比高的关键词有赶快过程、最优潮水以及电价瞻望。区别于中国的订价机制，国际在电价瞻望方面发展迅猛。在此边界中，机器学习算法仍具有研究价值。最新突现的关键词有能量环节、区块链，举例推敲信息勾鸿决策能量环节的料理仍需擢升其决策纯真性。赶快过程节点兼具突现性高以实时候最新的特色，以此节点为例展示其在汇集图谱中的具体运动，如图11 所示。从图中不错看出，赶快过程步伐，应用于不细则性身分的量化处理，或者计及发电侧经济性的最优开动策略。
从高到低陈设节点的中介中心性，中式前8 个中介中心性词，终端见表10。应用场景中最新颖的是能量交游。能量交游中，需求响应的环境效益[38]是一个相对较新的话题，碳排放交游是其中不能或缺的神志。通过追踪需求响应的碳排放量，灵验地指引排放交游决议。从表10 中不错看出，团员商是中介中心性最高的节点，接下来以此节点为例进行默契。
团员商节点过甚运动如图12 所示。常见的团员 商有捏造电厂、电动汽车团员商。捏造电厂的纯真开动缓解汇集堵塞，擢升其集成动力的附涨价值；电动汽车团员商的料理，需推敲驾驶模式、阛阓价钱的不细则性[39]。此外，电动汽车通过V2G(vehicleto-grid）提供电网扶直工作，擢升车网系统纯真性[41]。阛阓机制对于充分开发产消者的后劲短长常有必要的[42]，饱读舞腹地配电网内的发电和消耗，同期讹诈机器学习等算法为团员商提供决策撑持。
4 论断本文安身国表里电力阛阓有计划研究，追踪国表里在阛阓化程度中的研究效能，以十年为时候模范形容研究聚类集群中发展演变轨迹，详备而全面地展示各个集群里面随时候的演进过程；以五年为时候模范抓取研究热门词，变成关键词汇集图谱，接受中介中心性揣测关键节点以及紧迫运动，接受突现词挖掘集群中具有后劲的研究主题，达成专科边界的研究前沿追踪。所得具体论断如下：
1）国内的演进轨迹和中枢前沿：生意模式为研究轨迹中运动最多的节点，生意模式的探索举例范畴化分散式储能提供扶直工作的自盈利模式等。扶直工作为近五年突现强度最高的关键词，其交游品种中等闲应用的有深度调峰，在此神志加强以需求响应为代表的纯真性资源的主动参与阛阓。主动配电网是中介中心性最高的关键词，借助区块链的存储工夫优化交游策略；鲁棒优化等算法的应用场景应试虑缠绵与开动相结合的优化建立；高比例可再生动力的电力阛阓，应更多推敲以电动汽车为代表的产消者参与能量交游阛阓的生意模式。
2）国际的演进轨迹和中枢前沿：纯动力阛阓稀缺电价导致系统资本加多，容量阛阓成为热门；同期，去中心化的阛阓机制想象仍在实行与探索中。在电价瞻望方面发展迅猛，在此边界中，机器学习算法仍具有研究价值；团员商是中介中心性最高的关键词，以捏造电厂、电动汽车为代表的团员商，饱读舞其主动为电网提供纯真性。
3）针对电力阛阓边界的发展前沿，本文提供了一种基于常识图谱的可叠加、系统化步伐来形容研究边界的发展历程，可等闲应用于各个研究边界。可视化图谱从视觉分析角度呈现边界专科的进化阶段；讹诈视觉编码中赋予的节点权重-中介中心性、突现性可识别专科边界的关键中枢。
[1]曾鹏骁，孙瑜，季天瑶，等.金融输电权阛阓的收入充裕度问题研究过甚对我国的启示[J].电网工夫，2021，45(9):3367-3380.
Zeng Pengxiao，Sun Yu，Ji Tianyao，et al.Research on revenue adequacy of financial transmission rights market and its enlightenment to China[J].Power System Technology，2021，45(9):3367-3380.
[2]国度发展立异委对于完善风电上网电价战略的见知(发改价钱〔2019〕882 号)[EB/OL].北京:国度发展立异委，2019[2019-5-21]].
https://www.ndrc.gov.cn/xxgk/zcfb/tz/201905/ t20190524_962453.html
[3]樊宇琦，丁涛，孙瑜歌，等.国表里促进可再生动力消纳的电力现货阛阓发展综述与想考[J].中国电机工程学报，2021，41(5):1729-1752.
Fan Yuqi，Ding Tao，Sun Yuge，et al.Review and cogitation for worldwide spot market development to promote renewable energy accommodation[J].Proceedings of the CSEE，2021，41(5):1729-1752.
[4]丁一，谢开，庞博，等.中国特色、宇宙协调的电力阛阓关键问题研究（1）:国际阛阓启示、比对与建议[J].电网工夫，2020，44(7):2401-2410.
Ding Yi，Xie Kai，Pang Bo，et al.Research on key issues of a unified national power market with chinese characteristics (1):enlightenment，comparison and suggestions from foreign markets[J].Power System Technology，2020，44(7):2401-2410.
[5]宋永华，包铭磊，丁一，等.新电改下我国电力现货阛阓斥地关键重心综述及有计划建议[J].中国电机工程学报，2020，40(10):3172-3187.
Song Yonghua，Bao Minglei，Ding Yi，et al.Summary of the key points of my country's power spot market construction under the new electricity reform and relevant suggestions[J].Proceedings of the CSEE，2020，40(10):3172-3187.
[6]肖云鹏，王锡凡，王鲜艳，等.面向高比例可再生动力的电力阛阓研究综述[J].中国电机工程学报，2018，38(3):663-674.
Xiao Yunpeng，Wang Xifan，Wang Xiuli，et al.Summary of research on electricity market facing high proportion of renewable energy[J].Proceedings of the CSEE，2018，38(3):663-674.
[7]陈悦，陈超好意思，刘则渊，等.CiteSpace 常识图谱的步伐论功能[J].科学学研究，2015，33(2):242-253.
Chen Yue，Chen Chaomei，Liu Zeyuan，et al.Methodological function of CiteSpace knowledge graph[J].Studies in Science of Science，2015，33(2):242-253.
[8]侯海燕.基于常识图谱的科学计量学进展研究[D].大连:大连理工大学，2006.
[9]Newman M，Girvan M.Finding and evaluating community structure in networks[J].Physical Review E，2004，69(2):423-433.
[10]舒万里.汉文边界实质学习中见地和关系抽取的研究[D].重庆:重庆大学，2012.
[11]Kleinberg J.Bursty and hierarchical structure in streams[J].Data Mining and Knowledge Discovery，2003，7(4):91-101.
[12]李杰，陈超好意思.CiteSpace:科技文本挖掘及可视化[M].北京:皆门经济贸易大学出书社，2016.
[13]Egghe L.Theory and practise of the g-index[J].Scientometrics，2006，69(1):131-152.
[14]王宣元，刘敦楠，刘蓁，等.泛在电力物联网下捏造电厂运营机制及关键工夫[J].电网工夫，2019，43(9):3175-3183.
Wang Xuanyuan，Liu Dunnan，Liu Zhen，et al.Operation mechanism and key technologies of virtual power plant under ubiquitous internet of things[J].Power System Technology，2019，43(9):3175-3183.
[15]赵昊天，王彬，潘昭光，等.撑持云-群-端协同调度的多能园区捏造电厂：研发与应用[J].电力系统自动化，2021，45(5):111-121.
Zhao Tianhao，Wang Bin，Ban Shaoguang，et al.Research and application of park-level multi-energy virtual power plants supporting cloud-cluster-end multi-level synergetic dispatch[J].Automation of Electric Power Systems，2021，45(5):111-121.
[16]吉斌，朱敏健，张怀宇，等.基于区块链工夫的电力交游经由建模研究[J].电气工夫，2020，21(6):26-34.
Ji Bing，Zhu Minjian，Zhang Huaiyu，et al.Research on modeling of electric power transaction process based on blockchain technology[J].Electrical Engineering，2020，21(6):26-34.
[17]卫志农，余爽，孙国强，等.捏造电厂的见地与发展[J].电力系统自动化，2013，37(13):1-9.
Wei Zhinong，Yu Shuang，Sun Guoqiang，et al.Concept and development of virtual power plant[J].Automation of Electric Power Systems，2013，37 (13):1-9.
[18]刘浩文，刘东，陈张宇，等.多级协同捏造电厂环境下的无功扶直工作优化出清[J].电网工夫，2021，45(7):2533-2541.
Liu Haowen，Liu Dong，Chen Zhangyu，et al.Optimal reactive power service clearing based on multilevel cooperative VPP [J].Power System Technology，2021，45(7):2533-25415.
[19]胡俊杰，王坤宇，艾欣，等.交互动力:达成电力动力系统均衡的灵验机制[J].中国电机工程学报，2019，39(4):953-966.
Hu Junjie，Wang Kunyu，Ai Xin，et al.Transactive energy:An effective mechanism for balancing electric energy system[J].Proceedings of the CSEE，2019，39(4):953-966.
[20]陈新和，裴玮，邓卫.基于代理模子的分散式动力现货阛阓运营模式[J].电力自动化斥地，2020，40(10):107-116.
Chen Xinhe，Pei Wei，Deng Wei.Surrogate model based operation mode of distributed energy spot market[J].Electric Power Automation Equipment，2020，40(10):107-116.
[21]罗桓桓，王昊，葛维春，等.推敲报价监管的动态调峰扶直工作阛阓竞价机制想象[J].电工工夫学报，2021，36(9):1935-1947，1955.
Luo Huanhuan，Wang Hao，Ge Weichun，et al.Design of dynamic peak regulation ancillary service market bidding mechanism considering quotation supervision[J].Transactions of China Electrotechnical Society，2021，36(9):1935-1947，1955.
[22]丁一，惠红勋，林振智，等.面向电力需求侧主动响应的生意模式及阛阓框架想象[J].电力系统自动化，2017，41(14):2-9，189.
Ding Yi，Hui Hongxun，Lin Zhenzhi，et al.Design of business model and market framework oriented to active demand response of power demand side[J].Automation of Electric Power Systems，2017，41 (14):2-9，189.
[23]包铭磊，丁一，绍常政，等.北欧电力阛阓驳斥及对我国的教会模仿[J].中国电机工程学报，2017，37(17):4881-4892.
Bao Minglei，Ding Yi，Shao Changzheng，et al.Review of nordic electricity market and its suggestions for China[J].Proceedings of the CSEE，2017，37(17):4881-4892.
[24]陈国平，梁志峰，董昱.基于动力转型的中国特色电力阛阓斥地的分析与想考[J].中国电机工程学报，2020，40(2):369-379.
Chen Guoping，Liang Zhifeng，Dong Yu.Analysis and reflection on the marketization construction of electric power with chinese characteristics based on energy transformation[J].Proceedings of the CSEE，2020，40(2):369-379.
[25]Keles D，Bublitz A，Zimmermann F，et al.Analysis of design options for the electricity market:The German case[J].Applied Energy，2016，183(1):884-901.
[26]Ableitner L，Tiefenbeck V，Meeuw A，et al.User behavior in a real-world peer-to-peer electricity market[J].Applied Energy，2020，270(1):501-528.
[27]Morstyn T，Teytelboym A，McCulloch M D.Designing decentralized markets for distribution system flexibility[J].IEEE Transations on Power Systems，2019，34(3):2128-2139.
[28]Wu Yiwei，Shi Jian，Lim G J，et al.Optimal management of transactive distribution electricity markets with co-optimized bidirectional energy and ancillary service exchanges[J].IEEE Transactions on Smart Grid，2020，11(6):4650-4661.
[29]Xiao Yunpeng，Wang Xifan，Pinson P，et al.Transactive energy based aggregation of prosumers as a retailer[J].IEEE Transactions on Smart Grid，2020，11(4):3302-3312.
[30]Barman M，Choudhury N B D，Sutradhar S.A regional hybrid GOA-SVM model based on similar day approach for short-term load forecasting in Assam，India[J].Energy，2018，145(1):710-720.
[31]Bouktif S，Fiaz A，Ouni A，et al.Multi-sequence LSTM-RNN deep learning and metaheuristics for electric load forecasting[J].Energies，2020，13(2):391-414.
[32]唐成鹏，张粒子，刘方，等.基于多智能体强化学习的电力现货阛阓订价机制研究(一):不同订价机制下发电商报价双层优化模子[J].中国电机工程学报，2021，41(2):536-553.
Tang Chenpeng，Zhang Lizi，Liu Fang，et al.Research on pricing mechanism of electricity spot market based on multi-agent reinforcement learning (part I):bilevel optimization model for generators under different pricing mechanisms[J].Proceedings of the CSEE，2021，41(2):536-553.
[33]吴辰晔，孙健.凸包订价模式下的电力阛阓潜在阛阓力分析步伐[J].电力系统自动化，2021，45(6):101-108.
Wu Chenye，Sun Jiang.Analysis method for potential market power of electricity market in convex hull pricing mode[J].Automation of Electric Power Systems，2021，45(6):101-108l
[34]吴界辰，艾欣，胡俊杰.需求侧资源纯真性形容过甚在日前优化调度中的应用[J].电工工夫学报，2020，35(9):1973-1984.
Wu Jiechen人妖 telegram，Ai Xin，Hu Junjie.Methods for characterizing flexibilities from demand-side resources and their applications in the day-ahead optimal scheduling[J].Transactions of China Electrotechnical Society，2020，35(9):1973-1984.
[35]孙毅，刘迪，李彬，等.深度强化学习在需求响应中的应用[J].电力系统自动化，2019，43(5):183-191.
Sun Yi，Liu Di，Li Bin，et al.Application of deep reinforcement learning in demand response[J].Automation of Electric Power Systems，2019，43(5):183-191.
[36]叶畅，苗世洪，刘昊，等.定约链框架下主动配电网电力交游主体勾通演化策略[J].电工工夫学报，2020，35(8):1739-1753.
Ye Chang，Miao Shihong，Liu Hao，et al.Cooperative evolution strategy of power transaction entities in active distribution network under the framework of alliance chain[J].Transactions of China Electrotechnical Society，2020，35(8):1739-1753.
[37]孙玲玲，贾清泉，张弓，等.推敲运营交游的微电网优化建立步伐[J].中国电机工程学报，2020，40(7):2221-2233.
Sun Lingling，Jia Qingquan，Zhang Gong，et al.Optimal configuration method of microgrid considering operation transaction[J].Proceedings of the CSEE，2020，40(7):2221-2233.
[38]Wang Yunqi，Qiu Jing，Tao Yuechuan，et al.Carbon-Oriented operational planning in coupled electricity and emission trading markets[J].IEEE Transations on Power Systems，2020，35(4):3145-3157.
[39]Porras A，Fernandez-Blanco R，Morales J M，et al.An efficient robust approach to the day-ahead operation of an aggregator of electric vehicles[J].IEEE Transactions on Smart Grid，2020，11(6):4960-4970.
[40]贾雨龙，米增强，余洋，等.计及不细则性的柔性负荷团员商赶快-鲁棒投标决策模子[J].电工工夫学报，2019，34(19):4096-4107.
Jia Yulong，Mi Zengqiang，Yu Yang，et al.Fast and coordinated charging strategy of electric bus considering time-of-use price[J].Transactions of China Electrotechnical Society，2019，34(19):4096-4107.
[41]陈丽娟，秦萌，顾少平，等.计及电板损耗的电动公交车参与V2G 的优化调度策略[J].电力系统自动化，2020，44(11):52-60.
Chen Lijuan，Qin Meng，Gu Shaopin，et al.Optimal dispatching strategy of electric bus participating in vehicle-to-grid considering battery loss[J].Automation of Electric Power Systems，2020，44(11):52-60.
[42]吴界辰，艾欣.交互动力机制下的电力产消者优化开动[J].电力系统自动化，2020，44(19):1-18.
Wu Jiechen，Ai Xin.Optimal operation of prosumers based on transactive energy mechanism[J].Automation of Electric Power Systems，2020，44(19):1-18.
上一篇：色五月第一门户 海评面：追剧、听歌、看电影……异邦留学生“项目”学中文
下一篇：肛交 av 西瓜影音播放器电脑版下载2024最新