Key points are not available for this paper at this time.
Die steigende Durchdringung erneuerbarer Energien führt zu unlösbaren Unsicherheiten in Kaskadenwasserkraftsystemen, sodass übermäßig konservative Betriebsweisen und unnötige Einschränkungen sauberer Energien entstehen können. Um diesen Herausforderungen zu begegnen, wird ein koordinierter prädiktiver Steuerungsansatz auf Basis eines Quanten-Neuronalen Netzwerks (QNN) vorgeschlagen. Dieser steuert den koordinierten Einsatz mehrerer erneuerbarer Energiequellen, einschließlich Hydro-, Wind- und Solarenergie, nutzt QNN, um komplexe Mehrfachunsicherheiten zu überwinden und intraday prädiktive Steuerungsmuster zu erlernen, indem erneuerbare Energie, Last, Nachfrage-Reaktion (DR) und optimale Einspeiseverpflichtungen als Beobachtungen herangezogen werden. Dadurch können wir die Stabilität und die exponentielle Speicherkapazität von QNN nutzen, um vielfältige Einsatzstrategien auf zuverlässige Weise zu extrapolieren, was für traditionelle Lernalgorithmen schwer zu erreichen ist. Schließlich wird ein Closed-Loop-Warmstart-Framework präsentiert, um die Einsatzqualität zu verbessern, bei dem die Entscheidungen des QNN zur Initialisierung des Optimierers verwendet werden, und der Optimierer optimale Lösungen zurückgibt, um das QNN schnell weiterzuentwickeln. Ein realer Fall im ZD-Subnetz des Sichuan-Stromnetzes in China zeigt, dass die vorgeschlagene Methode ein günstiges Gleichgewicht zwischen Betriebskosten, Genauigkeit und Effizienz erzielt. Es realisiert eine Zeitspanne im Sekundenbereich für intraday prädiktive Steuerung.
Ye et al. (Sun) untersuchten diese Frage.