L'application à grande échelle de la technologie de production d'énergie renouvelable pose de nouveaux défis au fonctionnement des réseaux électriques traditionnels et à la gestion de l'énergie côté charge. Le microgrid peut résoudre efficacement ce problème en utilisant sa régulation et sa flexibilité, et est considéré comme une plate-forme idéale. La méthode traditionnelle de calcul de la capacité de transfert totale est difficile en raison de l'intégration centrale des parcs éoliens. En conséquence, la machine d'apprentissage extrême à évolution différentielle est proposée comme une approche d'exploration de données pour extraire les règles de fonctionnement pour la capacité de transfert totale des lignes de raccordement dans les systèmes d'alimentation intégrés au vent. Le regroupement des K-médoïdes dans l'espace de caractéristiques bidimensionnel « consommation de charge éolienne » est utilisé pour définir initialement des scénarios opérationnels représentatifs. Ensuite, à l'aide d'un échantillonnage stochastique et d'un flux de puissance répétitif, une base de connaissances pour l'exploration des règles de fonctionnement de la capacité de transfert totale est créée. Ensuite, une nouvelle méthode est utilisée pour filtrer les caractéristiques redondantes et trouver des caractéristiques étroitement associées à la capacité de transfert totale afin de réduire la dimensionnalité ultra-élevée des caractéristiques opérationnelles. Enfin, en introduisant les données d'entraînement dans l'algorithme proposé, le transfert total les règles de fonctionnement des capacités sont dérivées de la base de connaissances. On peut voir que l'algorithme proposé peut optimiser les performances du système avec une bonne précision et une bonne généralité, en fonction des données numériques.

La aplicación a gran escala de la tecnología de generación de energía renovable trae nuevos desafíos a la operación de las redes eléctricas tradicionales y la gestión de la energía en el lado de la carga. La microrred puede resolver eficazmente este problema mediante el uso de su regulación y flexibilidad, y se considera una plataforma ideal. El método tradicional de cálculo de la capacidad de transferencia total es difícil debido a la integración central de los parques eólicos. Como resultado, la máquina de aprendizaje extremo de evolución diferencial se ofrece como un enfoque de minería de datos para extraer reglas de operación para la capacidad de transferencia total de líneas de unión en sistemas de energía integrados por viento. El agrupamiento de K-medoides bajo el espacio de características bidimensionales de "consumo de carga de energía eólica" se utiliza inicialmente para definir escenarios operativos representativos. Luego, utilizando muestreo estocástico y flujo de energía repetitivo, se crea una base de conocimientos para la minería de reglas operativas de capacidad de transferencia total. Luego, se utiliza un método novedoso para filtrar características redundantes y encontrar características que están estrechamente asociadas con la capacidad de transferencia total para disminuir la dimensionalidad ultraalta de las características operativas. Finalmente, al alimentar los datos de entrenamiento en el algoritmo propuesto, la transferencia total las reglas de operación de la capacidad se derivan de la base de conocimientos. Se puede ver que el algoritmo propuesto puede optimizar el rendimiento del sistema con buena precisión y generalidad, de acuerdo con los datos numéricos.

The large-scale application of renewable energy power generation technology brings new challenges to the operation of traditional power grids and energy management on the load side.Microgrid can effectively solve this problem by using its regulation and flexibility, and is considered to be an ideal platform.The traditional method of computing total transfer capability is difficult due to the central integration of wind farms.As a result, the differential evolution extreme learning machine is offered as a data mining approach for extracting operating rules for the total transfer capability of tie-lines in wind-integrated power systems.K-medoids clustering under the two-dimensional "wind powerload consumption" feature space is used to define representative operational scenarios initially.Then, using stochastic sampling and repetitive power flow, a knowledge base for total transfer capability operating rule mining is created.Then, a novel method is used to filter redundant characteristics and find features that are closely associated to the total transfer capability in order to decrease the ultra-high dimensionality of operational features.Finally, by feeding the training data into the proposed algorithm, the total transfer capability operation rules are derived from the knowledge base.It can be seen that, the proposed algorithm can optimize the system performance with good accuracy and generality, according to numerical data.

يجلب التطبيق الواسع النطاق لتكنولوجيا توليد الطاقة المتجددة تحديات جديدة لتشغيل شبكات الطاقة التقليدية وإدارة الطاقة على جانب الحمل. يمكن للشبكة الصغيرة حل هذه المشكلة بفعالية باستخدام تنظيمها ومرونتها، وتعتبر منصة مثالية. تعتبر الطريقة التقليدية لحساب إجمالي قدرة النقل صعبة بسبب التكامل المركزي لمزارع الرياح. ونتيجة لذلك، يتم تقديم آلة التعلم المتطرفة للتطور التفاضلي كنهج لاستخراج البيانات لاستخراج قواعد التشغيل لإجمالي قدرة نقل خطوط الربط في أنظمة الطاقة المتكاملة للرياح. يتم استخدام مساحة ميزة K - medoids المجمعة تحت "استهلاك طاقة الرياح" ثنائية الأبعاد لتحديد السيناريوهات التشغيلية التمثيلية في البداية. ثم، باستخدام أخذ العينات العشوائية وتدفق الطاقة المتكرر، يتم إنشاء قاعدة معرفية لاستخراج قاعدة تشغيل قدرة النقل الإجمالية. ثم، يتم استخدام طريقة جديدة لتصفية الخصائص الزائدة والعثور على الميزات المرتبطة ارتباطًا وثيقًا بإجمالي قدرة النقل من أجل تقليل الأبعاد الفائقة للميزات التشغيلية. أخيرًا، من خلال تغذية بيانات التدريب في الخوارزمية المقترحة، إجمالي النقل قواعد تشغيل القدرة مستمدة من قاعدة المعرفة. يمكن ملاحظة أن الخوارزمية المقترحة يمكن أن تحسن أداء النظام بدقة وعمومية جيدتين، وفقًا للبيانات العددية.