首页期刊导航|重庆大学学报
期刊信息/Journal information
重庆大学学报
重庆大学
重庆大学学报

重庆大学

孙才新

月刊

1000-582X

cdxbz@cqu.edu.cn

023-65102302,65111217,65112126

400044

重庆市沙坪坝正街174号

重庆大学学报/Journal Journal of Chongqing University(Natural Science Edition)CSCD北大核心CSTPCDEI
查看更多>>本刊是教育部主管重庆大学主办的自然科学综合性学术刊物,编委会主任为校长李晓红教授(博导),主编为孙才新院士,主要刊发校内外教师、专职科院人员、博士和硕士研究生的论文,特别是国家“863”课题资助,国家自然科学基金资助的论文。
正式出版
收录年代

    考虑连续双向拍卖机制的楼宇群日前优化调度

    刘辉熊振宇黄立冬
    112-128页
    查看更多>>摘要:作为城市能耗的主体,智能楼宇低碳高效运行对实现"双碳"目标有着重要意义。为了增强楼宇经济性并提升楼宇能源共享和分布式能源消纳,提出了一种考虑楼宇特性、电能交易的楼宇群分布式优化调度模型。在楼宇优化层面,建立了以经济性和温度舒适性需求为目标的楼宇多目标运行优化模型;在楼宇群能源共享层面,建立了端对端(peer to peer,P2P)楼宇交易市场,并提出了结合楼宇优化结果和市场风险的新型连续双向拍卖交易机制。通过将市场交易结果反馈至各楼宇优化层面,实现楼宇运行的迭代优化和楼宇群内能源的互动共享,利用鲁棒优化检验该模型在各类不确定场景中的有效性。仿真结果表明,在多场景中,所提的楼宇群分布式优化调度模型均能在优化楼宇经济性的同时,提升楼宇群能源互补和分布式能源消纳的能力。

    能源共享连续双向拍卖交易迭代优化鲁棒优化

    基于TabNet-LSTNet的多特征短期负荷预测

    吴文辉何家峰蔡高琰骆德汉...
    129-140页
    查看更多>>摘要:为了挖掘负荷预测中不同输入特征的重要性,有效处理负荷数据中的线性成分和非线性成分,提高负荷预测的精度,提出一种基于TabNet和长期和短期时间序列网络(long and short-term temporal networks,LSTNet)的组合负荷预测模型。通过引入自监督预训练来提高TabNet的预测精度,通过训练得到输入特征的全局重要性和预测结果,然后把重要性高的特征输入到LSTNet训练得出预测结果,最后通过方差-协方差组合方法得出TabNet-LSTNet模型的预测结果。通过仿真分析,与传统的长短期记忆网络(long short-term memory,LSTM)、极端梯度提升机(extreme gradient boost,Xgboost)、轻量级梯度提升机(lignt gradient boosting machine,Lightgbm)和其他组合模型相比较,TabNet-LSTNet模型具有更高的精度。

    负荷预测特征重要性TabNet自监督预训练LSTNet

    《重庆大学学报》征稿简则

    封3页