CN103489131B - 一种基于光柴储供电系统的运行调度方法 - Google Patents
一种基于光柴储供电系统的运行调度方法 Download PDFInfo
- Publication number
- CN103489131B CN103489131B CN201310384411.0A CN201310384411A CN103489131B CN 103489131 B CN103489131 B CN 103489131B CN 201310384411 A CN201310384411 A CN 201310384411A CN 103489131 B CN103489131 B CN 103489131B
- Authority
- CN
- China
- Prior art keywords
- energy
- power
- load
- electric power
- diesel
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 239000002245 particle Substances 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000004146 energy storage Methods 0.000 claims description 47
- 238000011109 contamination Methods 0.000 claims description 9
- 230000009885 systemic effect Effects 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 7
- 239000002283 diesel fuel Substances 0.000 claims description 6
- 239000003344 environmental pollutant Substances 0.000 claims description 5
- 231100000719 pollutant Toxicity 0.000 claims description 5
- 230000009897 systematic effect Effects 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 240000002853 Nelumbo nucifera Species 0.000 claims 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims 1
- 206010039792 Seborrhoea Diseases 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 5
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000005611 electricity Effects 0.000 description 6
- 239000000446 fuel Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical compound O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- UCKMPCXJQFINFW-UHFFFAOYSA-N Sulphide Chemical compound [S-2] UCKMPCXJQFINFW-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种基于光柴储供电系统的运行调度方法,其技术特点是:包括以下步骤:确定系统负荷,明确负荷的实时功率数据;确定可选供电设备,对各设备前一时刻的运行状态进行统计;确定系统运行目标,形成目标函数;确定系统约束条件,形成系统约束等式;运用粒子群优化算法进行系统优化调度计算,确定系统的优化调度方案,明确各设备启停运行状态,从而实现对光柴储供电系统的调度控制功能。本发明以供电系统的可靠性、运行经济性、环保效应等目标,运用粒子群算法进行多变量分析,实现了对包含多种分布式电源的复杂供电系统的优化调度功能,其调度方法更科学合理,能够有效地控制系统的发电成本,增加系统的供电可靠性,降低系统的弃能量。
Description
技术领域
本发明属于发电技术领域,尤其是一种基于光柴储供电系统的运行调度方法。
背景技术
随着国家政策的颁布,新能源发电设备必将代替传统的供电模式,成为新世纪发电供能的主力。现阶段由光伏、储能等新能源设备构成的发电系统暂无成熟的运行调度方案,在系统组建、运行维护过程中仍无法实现统一的定论。综合考虑系统供电可靠性、系统运行经济性、系统环保效应的因素是促进新能源发展、推进供电方式改革的最有效方式。
现有的技术主要为大电网的调度以及以经济性为目标的微网容量优化设计。大电网调度是指在电力调控中安装工业电视监控系统,其目的是为了在保证电力调度和电力供应的时间段中,提高对于突发事件的应急情况的解决速度,进一步来确保电力供应的安全运行水平。以经济性能为目标的微网容量优化设计中提出了基于某种特性模式下,微网各设备容量的配比方法。
大电网的调度技术已经较为成熟,但大电网中所涉及电能来源单一,供电结构简单。由光、柴、储构成的系统中,系统供电设备繁多,运行方式复杂,其优化调度侧重于各设备的启停、运行功率等内容,故此大电网调度方法并不完全适合于含光柴储供电系统的优化调度方法;微网容量优化设计立足于考虑设备容量的配备,系统调度采用固定的设备起停逻辑,运行环境考虑理想化不适用于复杂多变的实际场景。
发明内容
本发明的目的在于克服现有技术的不足,提供一种设计合理、能够有效控制发电成本、提高供电可靠性的基于光柴储供电系统的运行调度方法。
本发明解决现有的技术问题是采取以下技术方案实现的:
一种基于光柴储供电系统的运行调度方法,包括以下步骤:
步骤1:确定系统负荷,明确负荷的实时功率数据;
步骤2:确定可选供电设备,对各设备前一时刻的运行状态进行统计;
步骤3:确定系统运行目标,形成目标函数;
步骤4:确定系统约束条件,形成系统约束等式;
步骤5:运用粒子群优化算法进行系统优化调度计算,确定系统的优化调度方案,明确各设备启停运行状态,从而实现对光柴储供电系统的调度控制功能。
而且,所述步骤1确定系统负荷的方法为:通过对拟建系统的负荷进行统计分析,调研系统负荷的历史数据,确定可参考的系统历史负荷曲线。
而且,所述步骤2所述确定可选供电设备包括柴油发电机、光伏发电设备以及储能电池。
而且,所述步骤3的优化目标包括:综合供电可靠性、系统经济性能以及系统污染排放的因素,其优化目标函数分别为:
(1)供电可靠性目标函数为:
f1(X)=Ecs/Etot
其中:ECS为总的未满足容量,Etot为总的电负荷需求容量,Pload(i)为第i小时负荷需求,Pbat(i)为第i小时储能电池充放电功率,正为放电;PDG(i)为第i小时柴发发电量;Ppv(i)为第i小时光伏发电量;
(2)系统经济性目标函数为:
f2(X)=(Cbattery+Cdiesel+Cpv)/Pload
其中:Cbattery为仿真周期内储能电池放电费用,Cdiesel为仿真周期内柴发供电费用,Cpv为仿真周期内光伏系统供电费用,Pload为仿真周期内系统总负荷需求;
(3)系统污染排放目标函数为:
vfule(i)=PDG(i)*β
其中:σCO2、σCO、σHC、σNO、σS分别代表各污染物的排放系数[kg/L];vfule(k)代表第k小时柴油发电机的消耗量,单位是升;β为柴油功率与油耗系数。
而且,所述步骤4的约束条件分别为:
(1)为了保证储能设备寿命,需要满足储能设备不发生过充过放现象:
MinSOCbat<SOC<MaxSOCbat
MinSOCbat为储能电池允许工作的最小荷电状态,MaxSOCbat为储能电池允许工作的最大荷电状态;
(2)为了保证柴油发电机设备寿命,需要满足柴油发电机使用在其经济运行区间内,不能轻载运行也不能过载运行。
PDG,min≤Pgen≤PDG,max
其中,PDG,min表示柴油发电机最小有功功率,一般取值为30%P额;
PDG,max表示柴油发电机最大有功功率,一般取值为105%P额;
(3)为了保证储能电池的续航能力,储能电池的SOC值应该处于平衡状态:
SOC0=SOC24=0.8
其中:SOC0为储能电池在日工作最初状态的荷电状态,SOC24为储能电池在日工作最初状态的荷电状态,0.8为人为设定的储能状态。
而且,所述步骤5的具体处理步骤为:
(1)确定分布式电源的出力;
(2)计算系统净负荷;
(3)运用粒子群算法,模拟系统各种供电模式下的供电方案;
(4)通过对上一步骤供电方案进行反推,可以求解出在某一特定模式下系统最优的调度方法,从而实现对光柴储供电系统的调度控制功能。
而且,所述步骤(1)是通过风光等资源情况、分布式电源的出力特性,确定分布式电源的出力。
而且,所述步骤(2)是通过系统估算出的负荷值与上一步计算后的分布式电源出力,计算系统的净负荷;
而且,所述步骤(3)的具体处理过程为:
①初始化粒子群:在允许范围内随机设定各粒子的初始位置和初始速度,即确定各个设备的初始运行状态,对PDG(i)、Pbat(i)、Ppv(i)进行随机赋值;
②计算每个粒子的适应值,对各设备运行范围的确定,PDG(i)、Pbat(i)、Ppv(i)可变化范围的确定;
③更新个体极值:对每个粒子,比较它的适应度值和它经历过的最好位置Pid的适应度值,如果更好,更新Pid,即寻找局部最优解,通过对三个子目标的计算,求取局部的优化调度方法;
④更新全局极值:对每个粒子,比较它的适应度值和群体所经历最好位置Pgd的适应度值,如果更好,更新Pgd;
⑤更新速度和位置:根据以下两个式子更新粒子的速度和位置。
⑥检查终止条件:如果达到结束条件,则结束;否则回到步骤②。
本发明的优点和积极效果是:
本发明以供电系统的可靠性、运行经济性、环保效应等目标,以设备启停逻辑为变量,运用粒子群算法进行多变量分析,最终形成满足各个约束条件下系统可靠、经济、环保的优化调度结果,实现了对含光伏、柴油发电机、储能等多种包含多种分布式电源的复杂供电系统的优化调度功能,其综合考虑可靠性、运行经济性、环保效应等多个目标,调度方法更科学合理,能够有效地控制系统的发电成本,增加系统的供电可靠性,降低系统的弃能量。
附图说明
图1是本发明采用粒子群优化算法进行优化处理的流程图。
具体实施方式
以下结合附图对本发明实施例做进一步详述。
一种基于光柴储供电系统的运行调度方法运用在光伏、储能、柴油发电机、能量转换装置以及负荷组成的供电系统中,充分考虑系统供电可靠性、系统经济性、系统污染排放等目标,通过粒子群算法,获取最有效的调度方法。具体包括以下步骤:
步骤1:确定系统负荷,明确负荷的实时功率数据。
在本步骤中,通过对拟建系统的负荷进行统计分析,调研系统负荷的历史数据,确定可参考的系统历史负荷曲线。
步骤2:确定可选供电设备,对各设备前一时刻的运行状态进行统计。
本实施例以含光伏、柴油发电机、储能的供电系统为例,其中光伏设备可用容量存在一个理论上限,柴油发电机具有若干台、储能电池可用多串,各设备相互之间不存在冲突关系,可以自由启停,系统可以同时开启也可以单独运行。在确定系统可选供电设备的过程中,需要对系统上一时刻的运行情况进行记录,在使用前,柴油发电机、光伏发电设备以及储能电池均为放电,储能电池初始的荷电状态为SOC=0.8。
步骤3:确定系统运行目标,形成目标函数。
在本步骤中,优化调度的目标是综合供电可靠性、系统经济性能以及系统污染排放的因素。其优化目标函数为:
Minfi(X)i=1,2,3
(1)供电可靠性主要考虑光、柴、储供电系统的负荷容量缺失率进行表示。供电可靠性的目标函数为:
f1(X)=Ecs/Etot
其中:ECS为总的未满足容量,Etot为总的电负荷需求容量,Pload(i)为第i小时负荷需求,Pbat(i)为第i小时储能电池充放电功率,正为放电;PDG(i)为第i小时柴发发电量;Ppv(i)为第i小时光伏发电量。
(2)供电经济性,在满足同样负荷需求的前提下,系统中花费值越低,其经济性能越好。通过对系统经济性能的分析,在优化调度之时,系统已经完成其构建,故忽略系统在建设时的基本费用,影响整个系统经济性指标的因素仅考虑系统的运维费用,即:在计算周期内,系统储能设备放电成本、系统柴发出力成本、光伏供电的系统经济性目标函数为:
f2(X)=(Cbattery+Cdiesel+Cpv)/Pload
其中:Cbattery为仿真周期内储能电池放电费用,Cdiesel为仿真周期内柴发供电费用,Cpv为仿真周期内光伏系统供电费用,Pload为仿真周期内系统总负荷需求。
(3)系统污染排放,柴油发电机以柴油作为主要燃料,其污染物包括CO、CO2、燃料中未燃烧尽的碳氢化合物、硫化物和一氧化氮。污染物的排放量与燃料消耗量直接相关。系统日排放水平等于小时燃料消耗量乘以其气体排放系数。该系统污染排放目标函数为:
vfule(i)=PDG(i)*β
其中:σCO2、σCO、σHC、σNO、σS分别代表各污染物的排放系数[kg/L];vfule(k)代表第k小时柴油发电机的消耗量,单位是升;β为柴油功率与油耗系数。
步骤4:确定系统约束条件,形成系统约束等式。
在使用不同的调度方法时,均需要满足一些必要的约束条件:
(1)为了保证储能设备寿命,每种方案均需要满足储能设备不发生过充过放现象:
MinSOCbat<SOC<MaxSOCbat
MinSOCbat为储能电池允许工作的最小荷电状态,MaxSOCbat为储能电池允许工作的最大荷电状态。
(2)为了保证柴油发电机设备寿命,每种方案中均需要满足柴油发电机使用在其经济运行区间内,不能轻载运行也不能过载运行。
PDG,min≤Pgen≤PDG,max
其中,PDG,min表示柴油发电机最小有功功率,一般取值为30%P额。
PDG,max表示柴油发电机最大有功功率,一般取值为105%P额。
柴油发电机长时间工作在大于PDG,min发电效率较低,不属于经济运行,当其长时间工作于105%P额时具有损坏危险。
(3)为了保证储能电池的续航能力,日优化前后,储能电池的SOC值应该处于平衡状态。
SOC0=SOC24=0.8
其中:SOC0为储能电池在日工作最初状态的荷电状态,SOC24为储能电池在日工作最初状态的荷电状态。0.8为人为设定的储能状态。
步骤5:运用粒子群优化算法进行系统优化调度计算,确定系统的优化调度方案,明确各设备启停运行状态,从而实现对光柴储供电系统的调度控制功能。
优化变量就是优化方法的结果。本发明的优化变量如下:
(1)柴油发电机的放电时段及各时段的出力情况(以一天为例)。
即:PDG(i),i=1、2、3、……、24。
(2)储能电池的充放电时段及各时段的充放电功率情况
即:Pbat(i),i=1、2、3、……、24。
(3)光伏设备各时段的发电功率
即:Ppv(i),i=1、2、3、……、24。
在本步骤中,优化调度的方法为:
由光伏、柴油发电机、储能电池构成的供电系统对负荷进行供电,供电系统已知项为柴油发电机设备发电成本曲线、储能设备发电成本(需要通过储能的设备特性进行分析),分布式电源发电的资源情况等。具体包括以下步骤:
(1)确定分布式电源的出力
通过风光等资源情况、分布式电源的出力特性,计算分布式电源的出力。
(2)计算系统净负荷
通过系统估算出的负荷值与上一步计算后的分布式电源出力,计算系统的净负荷情况。
(3)运用粒子群算法,模拟系统各种供电模式下的供电方案
在本步骤中,通过粒子群算法对系统的供电方式进行模拟,计算每种模式下系统单位发电成本、系统供电可靠性、系统污染排放并进行比较。选取最优的供电方案。如图1所示,包括以下处理过程:
①初始化粒子群:在允许范围内随机设定各粒子的初始位置和初始速度,即确定各个设备的初始运行状态,对PDG(i)、Pbat(i)、Ppv(i)进行随机赋值。
②计算每个粒子的适应值,即对各设备运行范围的确定,PDG(i)、Pbat(i)、Ppv(i)可变化范围的确定。
③更新个体极值:对每个粒子,比较它的适应度值和它经历过的最好位置Pid的适应度值,如果更好,更新Pid,即寻找局部最优解,通过对三个子目标的计算,求取局部的优化调度方法。
④更新全局极值:对每个粒子,比较它的适应度值和群体所经历最好位置Pgd的适应度值,如果更好,更新Pgd
⑤更新速度和位置:根据以下两个式子更新粒子的速度和位置。
⑥检查终止条件:如果达到结束条件(足够好的位置或最大迭代次数),则结束;否则回到步骤②。
(4)反推系统供电模式,通过对上一步骤的反推,可以求解出在某一特定模式下(柴油价格、柴油污染排放系数、储能设备价格等)系统最优的调度方法,从而实现对光柴储供电系统的调度控制功能。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (3)
1.一种基于光柴储供电系统的运行调度方法,其特征在于:包括以下步骤:
步骤1:确定系统负荷,明确负荷的实时功率数据;
步骤2:确定可选供电设备,对各设备前一时刻的运行状态进行统计;
步骤3:确定系统运行目标,形成目标函数;
步骤4:确定系统约束条件,形成系统约束等式;
步骤5:运用粒子群优化算法进行系统优化调度计算,确定系统的优化调度方案,明确各设备启停运行状态,从而实现对光柴储供电系统的调度控制功能;
所述步骤1确定系统负荷的方法为:通过对拟建系统的负荷进行统计分析,调研系统负荷的历史数据,确定可参考的系统历史负荷曲线;
所述步骤2所述确定可选供电设备包括柴油发电机、光伏发电设备以及储能电池;
所述步骤3的优化目标包括:综合供电可靠性、系统经济性能以及系统污染排放的因素,其优化目标函数分别为:
(1)供电可靠性目标函数为:
f1(X)=Ecs/Etot
其中:ECS为总的未满足容量,Etot为总的电负荷需求容量,Pload(i)为第i小时负荷需求,Pbat(i)为第i小时储能电池充放电功率,正为放电;PDG(i)为第i小时柴发发电量;Ppv(i)为第i小时光伏发电量;
(2)系统经济性目标函数为:
f2(X)=(Cbattery+Cdiesel+Cpv)/Pload
其中:Cbattery为仿真周期内储能电池放电费用,Cdiesel为仿真周期内柴发供电费用,Cpv为仿真周期内光伏系统供电费用,Pload为仿真周期内系统总负荷需求;
(3)系统污染排放目标函数为:
vfule(i)=PDG(i)*β
其中:σCO2、σCO、σHC、σNO、σS分别代表各污染物的排放系数[kg/L];vfule(k)代表第k小时柴油发电机的消耗量,单位是升;β为柴油功率与油耗系数;
所述步骤4的约束条件分别为:
(1)为了保证储能设备寿命,需要满足储能设备不发生过充过放现象:
MinSOCbat<SOC<MaxSOCbat
MinSOCbat为储能电池允许工作的最小荷电状态,MaxSOCbat为储能电池允许工作的最大荷电状态;
(2)为了保证柴油发电机设备寿命,需要满足柴油发电机使用在其经济运行区间内,不能轻载运行也不能过载运行;
PDG,min≤Pgen≤PDG,max
其中,PDG,min表示柴油发电机最小有功功率,取值为30%P额;
PDG,max表示柴油发电机最大有功功率,取值为105%P额;
(3)为了保证储能电池的续航能力,储能电池的SOC值应该处于平衡状态:
SOC0=SOC24=0.8
其中:SOC0为储能电池在日工作最初状态的荷电状态,SOC24为储能电池在日工作最初状态的荷电状态,0.8为人为设定的储能状态;
所述步骤5的具体处理步骤为:
(1)确定分布式电源的出力;
(2)计算系统净负荷;
(3)运用粒子群算法,模拟系统各种供电模式下的供电方案;
(4)通过对上一步骤供电方案进行反推,可以求解出在某一特定模式下系统最优的调度方法,从而实现对光柴储供电系统的调度控制功能。
2.根据权利要求1所述一种基于光柴储供电系统的运行调度方法,其特征在于:所述步骤5的第(1)步是通过风光资源情况、分布式电源的出力特性,确定分布式电源的出力。
3.根据权利要求1所述一种基于光柴储供电系统的运行调度方法,其特征在于:所述步骤5的第(2)步是通过系统估算出的负荷值与上一步计算后的分布式电源出力,计算系统的净负荷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310384411.0A CN103489131B (zh) | 2013-08-29 | 2013-08-29 | 一种基于光柴储供电系统的运行调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310384411.0A CN103489131B (zh) | 2013-08-29 | 2013-08-29 | 一种基于光柴储供电系统的运行调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103489131A CN103489131A (zh) | 2014-01-01 |
CN103489131B true CN103489131B (zh) | 2017-03-01 |
Family
ID=49829333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310384411.0A Active CN103489131B (zh) | 2013-08-29 | 2013-08-29 | 一种基于光柴储供电系统的运行调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103489131B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104008425B (zh) * | 2014-05-12 | 2017-05-17 | 国家电网公司 | 基于引力搜索的水火电系统多目标调峰方法 |
CN104135025B (zh) * | 2014-05-30 | 2017-01-18 | 国家电网公司 | 基于模糊粒子群算法的微网并网经济优化方法 |
CN104022534B (zh) * | 2014-06-17 | 2016-02-24 | 华北电力大学 | 风光储发电单元多目标协调运行优化方法 |
CN106532681A (zh) * | 2015-09-15 | 2017-03-22 | 王佳伟 | 综合控制策略下混合能源微网系统的配置方法及系统 |
CN113872215B (zh) * | 2021-09-26 | 2024-01-09 | 国网电力科学研究院武汉能效测评有限公司 | 基于需求响应的家用电器负荷优化控制系统及控制方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102664423A (zh) * | 2012-05-30 | 2012-09-12 | 山东大学 | 基于粒子群算法的风电场储能容量控制方法 |
CN102779322A (zh) * | 2012-06-29 | 2012-11-14 | 西安理工大学 | 基于环境保护和经济效益的火电厂综合调度方法 |
-
2013
- 2013-08-29 CN CN201310384411.0A patent/CN103489131B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102664423A (zh) * | 2012-05-30 | 2012-09-12 | 山东大学 | 基于粒子群算法的风电场储能容量控制方法 |
CN102779322A (zh) * | 2012-06-29 | 2012-11-14 | 西安理工大学 | 基于环境保护和经济效益的火电厂综合调度方法 |
Non-Patent Citations (3)
Title |
---|
分布式发电机组经济效益评估模型;白峪豪 等;《能源工程》;20111220(第6期);第7-12页 * |
基于机会约束理论的微电网随机优化调度;张贞 等;《电气技术》;20130415(第4期);第16-20,24页 * |
考虑污染气体排放的热电联供型微电网多目标运行优化;顾伟 等;《电力系统自动化》;20120725;第36卷(第14期);第177-185页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103489131A (zh) | 2014-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105322559B (zh) | 一种基于v2g技术的电动汽车配电调度控制方法 | |
CN108520314B (zh) | 结合v2g技术的主动配电网调度方法 | |
Yiyun et al. | Research on vehicle-to-grid technology | |
CN103151798B (zh) | 独立微网系统的优化方法 | |
CN109217290B (zh) | 计及电动汽车充放电的微网能量优化管理方法 | |
CN102903186B (zh) | 一种电动汽车充电桩及其运行方法 | |
CN103489131B (zh) | 一种基于光柴储供电系统的运行调度方法 | |
CN104410089B (zh) | 基于电动汽车的风力发电微网功率平衡实时调度方法 | |
CN106485358A (zh) | 结合序列运算和粒子群算法的独立微电网优化配置方法 | |
CN103632205A (zh) | 一种考虑风电和负荷不确定性的含电动汽车优化调度方法 | |
CN106532764A (zh) | 一种就地消纳光伏发电的电动汽车充电负荷调控方法 | |
CN104852373A (zh) | 一种含间歇性能源独立微电网的动态经济调度优化方法 | |
CN107769235A (zh) | 一种基于混合储能与电动汽车的微网能量管理方法 | |
CN103187784B (zh) | 一种优化光伏充电站集成系统的方法及装置 | |
CN106026145A (zh) | 基于跟踪计划出力的储能配置优化方法 | |
CN104899691A (zh) | 一种确定规模化电动汽车可调度容量的方法 | |
CN112550047B (zh) | 一种充光储一体化充电站优化配置方法和装置 | |
CN109710882A (zh) | 一种基于优化运行的离网型微电网电动汽车有序充放电负荷建模及求解方法 | |
CN104156789A (zh) | 计及储能寿命损耗的孤立微电网最优经济运行方法 | |
CN110232219A (zh) | 一种基于数据挖掘的电动汽车可调度容量核定方法 | |
Xue et al. | Adaptive dynamic programming method for optimal battery management of battery electric vehicle | |
CN102555830B (zh) | 基于双储能单元的汽车供电系统和汽车供电控制方法 | |
CN103001259B (zh) | 一种基于退火算法的并网型微电网优化调度方法 | |
CN107732937A (zh) | 含风‑光‑储‑电动汽车的并网型微网的削峰填谷方法 | |
CN107482675A (zh) | 一种基于离网型微网的电动汽车消纳可再生能源的计算方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |