CN103208030A - 一种能够减小用电代价均值及其波动的电耗调度方法 - Google Patents
一种能够减小用电代价均值及其波动的电耗调度方法 Download PDFInfo
- Publication number
- CN103208030A CN103208030A CN2013100786077A CN201310078607A CN103208030A CN 103208030 A CN103208030 A CN 103208030A CN 2013100786077 A CN2013100786077 A CN 2013100786077A CN 201310078607 A CN201310078607 A CN 201310078607A CN 103208030 A CN103208030 A CN 103208030A
- Authority
- CN
- China
- Prior art keywords
- centerdot
- phi
- delta
- lambda
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种能够减小用电代价均值及其波动的电耗调度方法,包括以下步骤:i)进行系统建模。包括终端用户耗电的建模及可再生能源产生的建模;ii)根据系统建模,将减小终端用户的用电代价及其波动程度作为优化目标,建立优化问题;iii)使用一种基于粒子群优化的快速分层算法计算最优用户用电器电量消耗调度策略。本发明提供的电量消耗调度方法能够有效减小智能电网终端用户用电代价的平均值与其波动程度,其中,用于计算最优用户用电器电量消耗调度策略的基于粒子群优化的快速分层算法又具有较低的计算复杂度。
Description
技术领域
本发明涉及智能电网领域,尤其涉及的是一种能够减小用电代价均值及其波动的电耗调度方法。
背景技术
在绿色节能意识的驱动下,灵活的供需管理系统以及充分利用可再生能源这两方面必将成为未来智能电网发展及完善的重要技术。
在传统电网中,一直以来都是以提供过量的用电容量来保证电网的可靠性,因此随着用户需求的不断增加,电网将很难为未来的需求提供足够的用电容量。另外,低效率、浪费型供需管理系统是温室气体排放的主要排放源、化石燃料的主要消耗源,且这类系统并不适用于分布式可再生能源的利用。因此,本发明考虑了在引入分布式可再生能源前提下的终端用户的电量消耗调度问题。
对于智能电网终端用户电量消耗调度问题,已有不少研究都对能耗需求调度进行了很好的阐述,也提出了多种电量消耗管理系统,但是大多数研究都未考虑可再生能源的应用,而可在生能源在未来的智能电网中是不可或缺的一部分。
对于未来智能电网,其与传统电网不同的其中一个重要特性就是它更广泛的开发利用了可再生能源,这将大大地减小能源补给中的边际成本并且使其比传统电网更加环保。可再生能源最大的特点就是随机性,这将直接导致终端用户的用电代价自然也将具有随机性。也有部分研究提出了在引入分布式可再生能源情况下的终端用户电量消耗调度问题,但是所做的工作大多只是优化了用户端用电代价的平均值,并未考虑到用户端用电代价的波动特性。
发明内容
为了解决现有智能电网终端用户电量消耗调度问题中引入可再生能源而引起的用户端电量消耗需求存在不确定性的问题,本发明提供了一种终端用户电量消耗调度策略来减小用户的用电代价以及其波动程度,在保证各用电器的耗电需求的前提下,用电代价波动的减小将进一步提升用户的用电满意度,使得用户更好地把握家庭用电情况。
本发明解决其技术问题所采用的技术方案是:
一种能够减小用电代价均值及其波动的电耗调度方法,包括如下步骤:
步骤1,建模带有分布式可再生能源发电设备的终端用户耗电调度系统:
住宅区域智能电网系统中,一个供电站服务多个终端用户,每个终端用户都通过可靠的双向数据通信网络与电力公司进行信息交互,且每个用户都安装了分布式可再生能源发电设备;同时,每个终端用户都安装有一个智能电表,该智能电表包含一个电量消耗调度单元,可根据接收到的实时电价信息、可再生能源设备的实时电量输出信息以及用电器耗电特征信息等,计算出各用电器最优电量消耗调度策略,并将该调度策略通过局域网以指令的形式发送给各智能用电器,从而将该最优调度策略付诸实施;
用电器可以分为A、B两类,A类用电器为背景用电器,此类用电器在时间上没有调度灵活性,即其工作时间段是固定的且每个工作时间段的用电量是完全确定的,如电冰箱、照明电器等;因此,A类用电器的能耗约束为:
B类用电器称为可调度用电器,即此类用电器在每个工作时间段内的用电量具有灵活性,此类用电器在其所有有效工作时间段中的总能耗必须不低于某一定值,如:插电式混合动力车(PHEV)等,此类用电器能耗约束为:
此外,根据电网的物理特性,电网的负载量是有限的,每个用户所有用电器每个时段的总耗电量应限定在一定范围内,这样就保证了用户的耗电不会超过电网的最大负载量,从而有效的提高电网的安全性。下面给出对用户u的所有用电器在每个时段的总耗电量的约束为:
其中,Emax代表包括A,B两类在内的所有电器在时间段t内消耗电量的上限值。
建模分布式可再生能源发电设备的电量输出,由于可再生能源具有随机性,所以,利用可再生能源设备发电是一个随机过程,因此,对分布式可再生能源发电设备的电量输出进行建模为:
其中,为t时间段内基于经验的分布式可再生能源发电设备产电量的预测值,φt为t时间段内的预测估计误差,其范围为:φt∈[-δ,δ],通常情况下,该随机变量服从在[-δ,δ]区间上的均匀分布以及独立同分布;
步骤2,确定优化目标:
由于可再生能源的不确定性,用户端将产生以下两种情形:
其中,πt为电力公司给出的t时间段的实时电价,(α)+表示:当α≥0时,(α)+=α;当α<0时,(α)+=0;
当时,即可再生能源的产电量完全可以满足用户需求时,则用户无需额外购电,如果利用可再生能源产生电量还有剩余,则该部分过剩电量将被浪费且需要外置电机将其释放,由此产生的浪费代价为:
其中,θ>0是产电量过剩的惩罚系数;
至此,针对两种情况可建立优化目标问题为:
P1:
(7)
受限制于:限制条件(1)(2)(3)
决策变量:
其中,上述目标函数中第一、三部分分别表示用户购电代价的平均值以及可再生能源设备输出电量过剩而引起的浪费代价的平均值;第二、四部分分别表示用户购电代价的波动程度以及可再生能源设备输出电量过剩而引起的浪费代价的波动程度,且Ω1,Ω2,Ω3,Ω4分别表示为四个部分的权重系数;
步骤3,设计一种基于粒子群优化的快速分层算法计算出最优用电器电量消耗调度策略;本发明设计了一种基于粒子群优化的快速分层算法来计算得出最优用电器电量消耗调度策略,其中,该算法由顶层计算和底层计算两个部分组成,采用粒子群算法更新并最终获得目标优化函数的最优解,具体步骤如下:
3.1引入新压缩变量λt即用户所有用电器在t时间段的总耗电量,令 代入目标函数,可将问题P1转化为:
P2:
受限制于:限制条件(1)(2)(3)
决策变量:
综合上述三种情况,目标函数(8)的值为
受限制于: 以及条件(1)(2)(3);
3.4结合上述顶层计算和底层计算,采用粒子群算法更新(上标表示当前迭代次数),最终获得最优用电器电量消耗调度策略。其中,每个粒子的坐标代表一组用户电量消耗调度决策变量令J(·)为粒子群算法的适应度函数,该适应度函数是根据顶层计算得到的函数F(·)值以及底层计算得到的O*值综合考虑得到的,具体方法为:当O*≥0,则J(·)=F(·),而当O*<0,则J(·)=+∞。该粒子群算法具体步骤如下:
3.4.1:初始化;(a)随机初始化N个粒子坐标i=1,...,N以及粒子的加速度向量i=1,...,N。(b)将每个粒子的当前粒子位置设置为每个粒子的个体最优解(单个粒子本身所找到的最优解)即并且计算该个体最优解的适应度函数值设为相应的个体极值(单个粒子本身所找到的最优解的适应度函数值);(c)将N个粒子中最优的个体极值作为算法的全局极值(所有粒子中找到的最优解的适应度函数值),并将该拥有全局极值的粒子坐标记为全局最优解pg1;
3.4.2:更新粒子;更新每个粒子根据以下更新公式:
wk=(wmax-wmin)*(M-k)/M+wmin (11)
其中,M表示算法的最大迭代数,k表示当前迭代次数,H为粒子的维数,c1,c2为粒子群算法的学习因子,wk为粒子群算法的惯性权重,wmax,wmin分别为最大和最小惯性权重;
3.4.3:评价粒子。适应度函数J(·)计算每个更新粒子的适应度函数值,然后评价当前粒子:(a)若该粒子的适应度函数值优于当前的个体极值,则将该粒子的坐标设为个体最优解,并更新算法的个体极值;(b)若当前所有N个粒子中最优的个体极值优于当前的全局极值,则将拥有最优个体极值的粒子的坐标设为算法的全局最优解,并且更新算法的全局极值;
3.4.4:检验是否符合结束条件。如果当前的迭代次数达到了预先设定的最大次数M,则停止迭代,并输出最优解,否则跳回步骤二继续搜索。
本发明的技术构思为:本发明给出了带有分布式可再生能源发电设备的终端用户耗电调度系统模型,每个终端用户的用电器被分为两类:背景用电器和可调度用电器,背景用电器的工作时间段以及每个时间段的用电量都是固定不可调节的,而可调度用电器在每个工作时间段内所消耗的电量是可调节的;令可再生能源发电设备的电量输出为其中,为t时间段内基于经验的可再生能源发电设备的预测值,φt为t时间段可再生能源发电设备输出电量的预测估计误差,且其范围为:φt∈[-δ,δ],通常情况下,该随机变量为独立同分布且服从在[-δ,δ]区间上的均匀分布。根据系统模型,确定优化目标为:减小终端用户的用电代价与其波动程度,此处用电代价包括用户向电力公司购电引起的购电代价以及未能充分利用可再生能源而引起的浪费代价。由此,建立如下优化问题:
受限制于:
决策变量:
最后,设计与实现了一种基于粒子群优化的快速分层算法计算出一组使得目标函数最小化并且满足约束条件的最优终端用户电量消耗调度策略。
本发明的有益效果主要表现在:i)问题建模中同时考虑了终端用户的用电代价的平均值以及其波动程度,并且在满足用户基本电量消耗需求、用电器耗电特征、电网物理限制等约束条件下,找到了最优的用电器电量消耗调度策略来有效地减小智能电网终端用户用电代价的平均值与其波动程度,实现了系统的效益与稳定性之间的平衡;ii)对于解决本发明提出了的终端用户电量消耗调度问题,本发明又设计了一种基于粒子群优化的快速分层算法,通过该算法可快速得到最优用电器电量消耗调度策略。
附图说明
图1是系统模型图
图2是算法流程图
具体实施方式
下面结合附图1和2对本发明作进一步描述。
一种能够减小用电代价均值及其波动的电耗调度方法,包括如下步骤:
1建模带有分布式可再生能源发电设备的终端用户耗电调度系统:
参照图1,住宅区域智能电网系统中,一个供电站服务多个终端用户,每个终端用户都通过可靠的双向数据通信网络与电力公司进行信息交互,且每个用户都安装了分布式可再生能源发电设备。同时,每个终端用户都安装有一个智能电表,该智能电表包含一个电量消耗调度单元,可根据接收到的实时电价信息、可再生能源设备的实时电量输出信息以及用电器耗电特征信息等,计算出各用电器最优电量消耗调度策略,并将该调度策略通过局域网以指令的形式发送给各智能用电器,从而将该最优调度策略付诸实施。
用电器可以分为A、B两类,A类用电器为背景用电器,此类用电器在时间上没有调度灵活性,即其工作时间段是固定的且每个工作时间段的用电量是完全确定的,如电冰箱、照明电器等。因此,A类用电器的能耗约束为:
B类用电器称为可调度用电器,即此类用电器在每个工作时间段内的用电量具有灵活性,此类用电器在其所有有效工作时间段中的总能耗必须不低于某一定值,如:插电式混合动力车(PHEV)等,此类用电器能耗约束为:
此外,根据电网的物理特性,电网的负载量是有限的,每个用户所有用电器每个时段的总耗电量应限定在一定范围内,这样就保证了用户的耗电不会超过电网的最大负载量,从而有效的提高电网的安全性。下面给出对用户u的所有用电器在每个时段的总耗电量的约束为:
其中,Emax代表包括A,B两类在内的所有电器在时间段t内消耗电量的上限值。
建模分布式可再生能源发电设备的电量输出,由于可再生能源具有随机性,所以,利用可再生能源设备发电是一个随机过程,因此,对分布式可再生能源发电设备的电量输出进行建模为:
其中,为t时间段内基于经验的分布式可再生能源发电设备产电量的预测值,φt为t时间段内的预测估计误差,其范围为:φt∈[-δ,δ],通常情况下,该随机变量服从在[-δ,δ]区间上的均匀分布以及独立同分布。
2确定优化目标:
由于可再生能源的不确定性,用户端将产生以下两种情形:
其中,πt为电力公司给出的t时间段的实时电价,(α)+表示:当α≥0时,(α)+=α;
当α<0时,(α)+=0。
其中,θ>0是产电量过剩的惩罚系数。
至此,针对两种情况可建立优化目标问题为:
P1:
受限制于:限制条件(1)(2)(3)
决策变量:
其中,上述目标函数中第一、三部分分别表示用户购电代价的平均值以及可再生能源设备输出电量过剩而引起的浪费代价的平均值;第二、四部分分别表示用户购电代价的波动程度以及可再生能源设备输出电量过剩而引起的浪费代价的波动程度,且Ω1,Ω2,Ω3,Ω4分别表示为四个部分的权重系数。
3参照图2,设计一种基于粒子群优化的快速分层算法计算出最优用电器电量消耗调度策略。本发明设计了一种基于粒子群优化的快速分层算法来计算得出最优用电器电量消耗调度策略。其中,该算法由顶层计算和底层计算两个部分组成,采用粒子群算法更新并最终获得目标优化函数的最优解,具体步骤如下:
3.1引入新压缩变量λt即用户所有用电器在t时间段的总耗电量,令 代入目标函数,可将问题P1转化为:
P2:
受限制于:限制条件(1)(2)(3)
决策变量:
综合上述三种情况,目标函数(8)的值为
受限制于: 以及条件(1)(2)(3)。
3.4结合上述顶层计算和底层计算,采用粒子群算法更新(上标表示当前迭代次数),最终获得最优用电器电量消耗调度策略。其中,每个粒子的坐标代表一组用户电量消耗调度决策变量令J(·)为粒子群算法的适应度函数,该适应度函数是根据顶层计算得到的函数F(·)值以及底层计算得到的O*值综合考虑得到的,具体方法为:当O*≥0,则J(·)=F(·),而当O*<0,则J(·)=+∞。该粒子群算法具体步骤如下:
3.4.1:初始化。(a)随机初始化N个粒子坐标i=1,...,N以及粒子的加速度向量i=1,...,N。(b)将每个粒子的当前粒子位置设置为每个粒子的个体最优解(单个粒子本身所找到的最优解)即并且计算该个体最优解的适应度函数值设为相应的个体极值(单个粒子本身所找到的最优解的适应度函数值);(c)将N个粒子中最优的个体极值作为算法的全局极值(所有粒子中找到的最优解的适应度函数值),并将该拥有全局极值的粒子坐标记为全局最优解pg1。
3.4.2:更新粒子。更新每个粒子根据以下更新公式:
wk=(wmax-wmin)*(M-k)/M+wmin (11)
其中,M表示算法的最大迭代数,k表示当前迭代次数,H为粒子的维数,c1,c2为粒子群算法的学习因子,wk为粒子群算法的惯性权重,wmax,wmin分别为最大和最小惯性权重。
3.4.3:评价粒子。适应度函数J(·)计算每个更新粒子的适应度函数值,然后评价当前粒子:(a)若该粒子的适应度函数值优于当前的个体极值,则将该粒子的坐标设为个体最优解,并更新算法的个体极值;(b)若当前所有N个粒子中最优的个体极值优于当前的全局极值,则将拥有最优个体极值的粒子的坐标设为算法的全局最优解,并且更新算法的全局极值。
3.4.4:检验是否符合结束条件。如果当前的迭代次数达到了预先设定的最大次数M,则停止迭代,并输出最优解,否则跳回步骤二继续搜索。
Claims (1)
1.一种能够减小用电代价均值及其波动的电耗调度方法,包括如下步骤:
步骤1,建模带有分布式可再生能源发电设备的终端用户耗电调度系统:
住宅区域智能电网系统中,一个供电站服务多个终端用户,每个终端用户都通过可靠的双向数据通信网络与电力公司进行信息交互,且每个用户都安装了分布式可再生能源发电设备;同时,每个终端用户都安装有一个智能电表,该智能电表包含一个电量消耗调度单元,可根据接收到的实时电价信息、可再生能源设备的实时电量输出信息以及用电器耗电特征信息等,计算出各用电器最优电量消耗调度策略,并将该调度策略通过局域网以指令的形式发送给各智能用电器,从而将该最优调度策略付诸实施;
用电器可以分为A、B两类,A类用电器为背景用电器,此类用电器在时间上没有调度灵活性,即其工作时间段是固定的且每个工作时间段的用电量是完全确定的,如电冰箱、照明电器等;因此,A类用电器的能耗约束为:
其中,A是背景用电器集合,每台背景用电器a∈A都有固定的有效工作时间段Ta,且每个时间段上的耗电量是固定的,代表在t∈Ta时间段内用电器a的耗电量;
B类用电器称为可调度用电器,即此类用电器在每个工作时间段内的用电量具有灵活性,此类用电器在其所有有效工作时间段中的总能耗必须不低于某一定值,如:插电式混合动力车(PHEV)等,此类用电器能耗约束为:
此外,根据电网的物理特性,电网的负载量是有限的,每个用户所有用电器每个时段的总耗电量应限定在一定范围内,这样就保证了用户的耗电不会超过电网的最大负载量,从而有效的提高电网的安全性。下面给出对用户u的所有用电器在每个时段的总耗电量的约束为:
其中,Emax代表包括A,B两类在内的所有电器在时间段t内消耗电量的上限值。
建模分布式可再生能源发电设备的电量输出,由于可再生能源具有随机性,所以,利用可再生能源设备发电是一个随机过程,因此,对分布式可再生能源发电设备的电量输出进行建模为:
其中,为t时间段内基于经验的分布式可再生能源发电设备产电量的预测值,φt为t时间段内的预测估计误差,其范围为:φt∈[-δ,δ],通常情况下,该随机变量服从在[-δ,δ]区间上的均匀分布以及独立同分布;
步骤2,确定优化目标:
由于可再生能源的不确定性,用户端将产生以下两种情形:
当时,即分布式可再生能源发电设备的输出电量不能满足用户的用电需求,则除了将可再生能源产生的电量全部消耗之外,用户还需额外购得的电量,则用户购电引起的购电代价为:
其中,πt为电力公司给出的t时间段的实时电价,(α)+表示:当α≥0时,(α)+=α;当α<0时,(α)+=0;
其中,θ>0是产电量过剩的惩罚系数;
至此,针对两种情况可建立优化目标问题为:
P1:
受限制于:限制条件(1)(2)(3)
决策变量:
其中,上述目标函数中第一、三部分分别表示用户购电代价的平均值以及可再生能源设备输出电量过剩而引起的浪费代价的平均值;第二、四部分分别表示用户购电代价的波动程度以及可再生能源设备输出电量过剩而引起的浪费代价的波动程度,且Ω1,Ω2,Ω3,Ω4分别表示为四个部分的权重系数;
步骤3,设计一种基于粒子群优化的快速分层算法计算出最优用电器电量消耗调度策略;本发明设计了一种基于粒子群优化的快速分层算法来计算得出最优用电器电量消耗调度策略,其中,该算法由顶层计算和底层计算两个部分组成,采用粒子群算法更新并最终获得目标优化函数的最优解,具体步骤如下:
3.1引入新压缩变量λt即用户所有用电器在t时间段的总耗电量,令 代入目标函数,可将问题P1转化为:
P2:
受限制于:限制条件(1)(2)(3)
决策变量:
则目标函数(8)在时隙t∈H1时的值为:
目标函数(8)在时隙t∈H2时的值为:
目标函数(8)在时隙t∈H3时的值为:
综合上述三种情况,目标函数(8)的值为
受限制于: 以及条件(1)(2)(3);
3.4结合上述顶层计算和底层计算,采用粒子群算法更新(上标表示当前迭代次数),最终获得最优用电器电量消耗调度策略。其中,每个粒子的坐标代表一组用户电量消耗调度决策变量令J(·)为粒子群算法的适应度函数,该适应度函数是根据顶层计算得到的函数F(·)值以及底层计算得到的O*值综合考虑得到的,具体方法为:当O*≥0,则J(·)=F(·),而当O*<0,则J(·)=+∞。该粒子群算法具体步骤如下:
3.4.1:初始化;(a)随机初始化N个粒子坐标i=1,...,N以及粒子的加速度向量i=1,...,N。(b)将每个粒子的当前粒子位置设置为每个粒子的个体最优解(单个粒子本身所找到的最优解)即并且计算该个体最优解的适应度函数值设为相应的个体极值(单个粒子本身所找到的最优解的适应度函数值);(c)将N个粒子中最优的个体极值作为算法的全局极值(所有粒子中找到的最优解的适应度函数值),并将该拥有全局极值的粒子坐标记为全局最优解pg1;
3.4.2:更新粒子;更新每个粒子根据以下更新公式:
wk=(wmax-wmin)*(M-k)/M+wmin (11)
其中,M表示算法的最大迭代数,k表示当前迭代次数,H为粒子的维数,c1,c2为粒子群算法的学习因子,wk为粒子群算法的惯性权重,wmax,wmin分别为最大和最小惯性权重;
3.4.3:评价粒子。适应度函数J(·)计算每个更新粒子的适应度函数值,然后评价当前粒子:(a)若该粒子的适应度函数值优于当前的个体极值,则将该粒子的坐标设为个体最优解,并更新算法的个体极值;(b)若当前所有N个粒子中最优的个体极值优于当前的全局极值,则将拥有最优个体极值的粒子的坐标设为算法的全局最优解,并且更新算法的全局极值;
3.4.4:检验是否符合结束条件。如果当前的迭代次数达到了预先设定的最大次数M,则停止迭代,并输出最优解,否则跳回步骤二继续搜索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310078607.7A CN103208030B (zh) | 2013-03-11 | 2013-03-11 | 一种能够减小用电代价均值及其波动的电耗调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310078607.7A CN103208030B (zh) | 2013-03-11 | 2013-03-11 | 一种能够减小用电代价均值及其波动的电耗调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103208030A true CN103208030A (zh) | 2013-07-17 |
CN103208030B CN103208030B (zh) | 2016-04-13 |
Family
ID=48755247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310078607.7A Active CN103208030B (zh) | 2013-03-11 | 2013-03-11 | 一种能够减小用电代价均值及其波动的电耗调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103208030B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489077A (zh) * | 2013-09-30 | 2014-01-01 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 一种用电器任务调度方法和装置 |
CN103997125A (zh) * | 2014-05-22 | 2014-08-20 | 珠海许继电气有限公司 | 一种多源配电网节能优化调度系统 |
CN104239714A (zh) * | 2014-09-11 | 2014-12-24 | 浙江工业大学 | 一种智能电网中带有调度控制的用户耗电需求控制方法 |
CN104680339A (zh) * | 2015-03-26 | 2015-06-03 | 中国地质大学(武汉) | 一种基于实时电价的家用电器调度方法 |
CN105159072A (zh) * | 2015-08-17 | 2015-12-16 | 宁波伟吉电力科技有限公司 | 基于随机规划的非确定调度模型的调度方法 |
CN105528658A (zh) * | 2016-01-25 | 2016-04-27 | 东南大学 | 一种计及户用分布式电源的居民用户合作博弈用电安排方法 |
CN106292568A (zh) * | 2015-06-09 | 2017-01-04 | 河北工程大学 | 一种基于动态时隙的智能家居家庭器具优化调度方法 |
CN112766797A (zh) * | 2021-01-30 | 2021-05-07 | 广东新华建工程有限公司 | 光电一体化建筑供能方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010049659A (ja) * | 2008-08-25 | 2010-03-04 | Hitachi Chem Co Ltd | 原子力発電された電力に対する低炭素電力証明装置および証明方法 |
CN102842067A (zh) * | 2012-07-18 | 2012-12-26 | 浙江工商大学 | 一种融入粒子群优化思想的带约束铁路物流场站空间聚类方法 |
CN102930343A (zh) * | 2012-09-28 | 2013-02-13 | 南方电网科学研究院有限责任公司 | 一种分布式发电供能系统能量优化方法 |
-
2013
- 2013-03-11 CN CN201310078607.7A patent/CN103208030B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010049659A (ja) * | 2008-08-25 | 2010-03-04 | Hitachi Chem Co Ltd | 原子力発電された電力に対する低炭素電力証明装置および証明方法 |
CN102842067A (zh) * | 2012-07-18 | 2012-12-26 | 浙江工商大学 | 一种融入粒子群优化思想的带约束铁路物流场站空间聚类方法 |
CN102930343A (zh) * | 2012-09-28 | 2013-02-13 | 南方电网科学研究院有限责任公司 | 一种分布式发电供能系统能量优化方法 |
Non-Patent Citations (1)
Title |
---|
张勇军等: "电力系统动态无功优化调度的调节代价", 《电力系统动态无功优化调度的调节代价》, vol. 29, no. 2, 25 January 2005 (2005-01-25) * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489077A (zh) * | 2013-09-30 | 2014-01-01 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 一种用电器任务调度方法和装置 |
CN103489077B (zh) * | 2013-09-30 | 2017-02-08 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 一种用电器任务调度方法和装置 |
CN103997125B (zh) * | 2014-05-22 | 2016-05-18 | 珠海许继电气有限公司 | 一种多源配电网节能优化调度系统 |
CN103997125A (zh) * | 2014-05-22 | 2014-08-20 | 珠海许继电气有限公司 | 一种多源配电网节能优化调度系统 |
CN104239714A (zh) * | 2014-09-11 | 2014-12-24 | 浙江工业大学 | 一种智能电网中带有调度控制的用户耗电需求控制方法 |
CN104680339A (zh) * | 2015-03-26 | 2015-06-03 | 中国地质大学(武汉) | 一种基于实时电价的家用电器调度方法 |
CN104680339B (zh) * | 2015-03-26 | 2017-11-07 | 中国地质大学(武汉) | 一种基于实时电价的家用电器调度方法 |
CN106292568A (zh) * | 2015-06-09 | 2017-01-04 | 河北工程大学 | 一种基于动态时隙的智能家居家庭器具优化调度方法 |
CN106292568B (zh) * | 2015-06-09 | 2019-08-27 | 河北工程大学 | 一种基于动态时隙的智能家居家庭器具优化调度方法 |
CN105159072A (zh) * | 2015-08-17 | 2015-12-16 | 宁波伟吉电力科技有限公司 | 基于随机规划的非确定调度模型的调度方法 |
CN105528658A (zh) * | 2016-01-25 | 2016-04-27 | 东南大学 | 一种计及户用分布式电源的居民用户合作博弈用电安排方法 |
CN105528658B (zh) * | 2016-01-25 | 2020-02-18 | 东南大学 | 一种计及户用分布式电源的居民用户合作博弈用电安排方法 |
CN112766797A (zh) * | 2021-01-30 | 2021-05-07 | 广东新华建工程有限公司 | 光电一体化建筑供能方法及系统 |
CN112766797B (zh) * | 2021-01-30 | 2023-12-22 | 新华建集团(广东)建设有限公司 | 光电一体化建筑供能方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103208030B (zh) | 2016-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103208030B (zh) | 一种能够减小用电代价均值及其波动的电耗调度方法 | |
Jiang et al. | Coordinated operation of gas-electricity integrated distribution system with multi-CCHP and distributed renewable energy sources | |
CN109510224B (zh) | 光伏储能与分布式能源联合的容量配置与运行优化方法 | |
Tan et al. | Integration of electric vehicles in smart grid: A review on vehicle to grid technologies and optimization techniques | |
Emrani-Rahaghi et al. | Optimal scenario-based operation and scheduling of residential energy hubs including plug-in hybrid electric vehicle and heat storage system considering the uncertainties of electricity price and renewable distributed generations | |
Ju et al. | A two-stage optimal coordinated scheduling strategy for micro energy grid integrating intermittent renewable energy sources considering multi-energy flexible conversion | |
CN108154309B (zh) | 计及冷热电多负荷动态响应的能源互联网经济调度方法 | |
CN104734168B (zh) | 一种基于电热联合调度的微电网运行优化系统及方法 | |
CN105071389B (zh) | 计及源网荷互动的交直流混合微电网优化运行方法及装置 | |
CN109659927B (zh) | 一种考虑储能参与度的综合能源微网储能容量配置方法 | |
US9037307B2 (en) | Supply-and-demand control apparatus, supply-and-demand control method, and supply-and-demand control system | |
Qiu et al. | Multi-interval-uncertainty constrained robust dispatch for AC/DC hybrid microgrids with dynamic energy storage degradation | |
Mbungu et al. | Smart energy coordination of autonomous residential home | |
WO2014153946A1 (zh) | 独立微网系统的优化方法 | |
Guo et al. | Potential performance analysis and future trend prediction of electric vehicle with V2G/V2H/V2B capability. | |
CN105262129A (zh) | 一种含复合储能微电网的多目标优化系统及方法 | |
Osório et al. | New control strategy for the weekly scheduling of insular power systems with a battery energy storage system | |
Xu et al. | Real-time multi-energy demand response for high-renewable buildings | |
CN112668791A (zh) | 热电联供系统的优化方法 | |
Chen et al. | Day-ahead scheduling of large numbers of thermostatically controlled loads based on equivalent energy storage model | |
Zhang et al. | Optimal scheduling of spinning reserve and user cost in vehicle-to-grid (v2g) systems | |
Zhang et al. | Bi-layer economic scheduling for integrated energy system based on source-load coordinated carbon reduction | |
Wu et al. | Multi-objective optimization of integrated energy systems considering renewable energy uncertainty and electric vehicles | |
Wang et al. | Research on collaborative operation optimization of multi-energy stations in regional integrated energy system considering joint demand response | |
Yan et al. | Model predictive control based energy management of a household microgrid |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |