CN104485727A - 一种离网光伏发电储能系统及其能量调度方法 - Google Patents
一种离网光伏发电储能系统及其能量调度方法 Download PDFInfo
- Publication number
- CN104485727A CN104485727A CN201410836551.1A CN201410836551A CN104485727A CN 104485727 A CN104485727 A CN 104485727A CN 201410836551 A CN201410836551 A CN 201410836551A CN 104485727 A CN104485727 A CN 104485727A
- Authority
- CN
- China
- Prior art keywords
- load
- power
- cell module
- module
- charging cell
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000010248 power generation Methods 0.000 title abstract description 8
- 238000007599 discharging Methods 0.000 claims abstract description 15
- RQKYYWBMXHYBAP-UHFFFAOYSA-N 4-(chloromethyl)-2,2-dimethyl-1,3,2-dioxasilolane Chemical compound C[Si]1(C)OCC(CCl)O1 RQKYYWBMXHYBAP-UHFFFAOYSA-N 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 17
- 230000001537 neural effect Effects 0.000 claims description 16
- 230000007704 transition Effects 0.000 claims description 11
- 238000005286 illumination Methods 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 4
- 229910052744 lithium Inorganic materials 0.000 claims description 4
- 230000004044 response Effects 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
- H02J7/35—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering with light sensitive cells
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/70—Hybrid systems, e.g. uninterruptible or back-up power supplies integrating renewable energies
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/20—Climate change mitigation technologies for sector-wide applications using renewable energy
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种离网光伏发电储能系统及其能量调度方法,该系统包括光伏发电模块、光伏控制器、整流器、逆变模块、充电电池模块、电池管理系统、中央控制器、显示器及直流变换器,光伏发电模块通过光伏控制器及逆变模块与交流负载连接,光伏控制器与逆变模块的连接端通过直流变换器与充电电池模块连接,还通过整流器与供电电网连接,逆变模块与供电电网连接,电池管理系统与充电电池模块连接,中央控制器分别与光伏控制器、整流器、逆变模块、电池管理系统、直流变换器及显示器连接。本发明可根据负载情况及充电电池模块的具体参数进行充放电控制,达到最优的能量利用率,且响应速度快、控制效率高、准确度高,可广泛应用于光伏发电行业中。
Description
技术领域
本发明涉及光伏发电储能领域,特别是涉及一种离网光伏发电储能系统及其能量调度方法。
背景技术
能源短缺问题是21世纪非常重要的一个问题,解决这一问题的最佳方式之一是使用太阳能发电。太阳能具有分布广泛且近乎无穷无尽的特点,但是使用太阳能发电的光伏发电系统的一个问题在于光伏资源也具有间歇性和不确定的特点,很难为负载提供一个持续稳定的电力供应,目前,常用的方法是采用储能系统来存储或释放电能,从而降低天气对光伏发电系统的影响,为用户稳定供电,保证供电的可靠性和电能质量。为了进一步提高光伏发电系统的能量管理效率,一般会设置电池管理系统对其进行管理,但是这种方式只是简单地控制电池模块的充放电情况,随着光伏发电系统组件的增加、功能的扩展,这种控制方法越来越显出效率低下、响应慢、控制准确度差等缺陷,而且无法根据负载情况以及电池模块的参数进行充放电控制,能量利用效率低。
发明内容
为了解决上述的技术问题,本发明的目的是提供一种离网光伏发电储能系统。本发明的另一目的是提供一种离网光伏发电储能系统的能量调度方法。
本发明解决其技术问题所采用的技术方案是:
一种离网光伏发电储能系统,包括光伏发电模块、光伏控制器、整流器、逆变模块、充电电池模块、电池管理系统、中央控制器、显示器以及用于控制充电电池模块的充放电状态的直流变换器,所述光伏发电模块依次通过光伏控制器及逆变模块与交流负载连接,所述光伏控制器与逆变模块之间的连接端通过直流变换器与充电电池模块连接,该连接端还通过整流器与供电电网连接,所述逆变模块还直接与供电电网连接,所述电池管理系统与充电电池模块连接,所述中央控制器通过通信总线分别与光伏控制器、整流器、逆变模块、电池管理系统、直流变换器以及显示器连接;
所述逆变模块用于将供电电网的交流电直接输出到交流负载或者将充电电池模块提供的直流电逆变为交流电后输出到交流负载。
进一步,所述充电电池模块采用锂电池组,所述光伏发电模块采用太阳能电池串联或并联构成。
进一步,所述逆变模块包括第一滤波器、逆变器、切换开关及第二滤波器,所述光伏控制器、直流变换器及整流器之间的连接端与第一滤波器的输入端连接,所述第一滤波器的输出端通过逆变器与切换开关的第一输入端连接,所述供电电网与切换开关的第二输入端连接,所述逆变器及切换开关的控制端均与中央控制器连接,所述切换开关的输出端通过第二滤波器与交流负载连接。
进一步,所述中央控制器用于根据从光伏发电模块、充电电池模块采集的实时数据以及从交流负载采集的耗能数据,发出控制信号到电池管理系统、光伏控制器、整流器、逆变模块和直流变换器。
进一步,所述中央控制器根据采集的光伏发电模块的历史运行数据以及交流负载的历史耗能数据进行神经网络训练,建立神经网络模型,获得光伏发电模块的光伏发电预测信息以及交流负载的负载预测信息,进而结合光伏发电预测信息、负载预测信息以及充电电池模块的电池剩余容量信息后,采用混合整数规划算法,计算获得接下来的预设时间内,充电电池模块的最优充放电决策序列,从而根据计算出的最优充放电决策序列控制直流变换器、整流器、逆变模块的工作状态,对充电电池模块进行充放电控制。
本发明解决其技术问题所采用的另一技术方案是:
所述的一种离网光伏发电储能系统的能量调度方法,包括:
S1、中央控制器根据采集的光伏发电模块的历史运行数据对光伏发电输出预测的神经网络进行训练,建立光伏发电输出功率与时间值、光照强度和温度值之间的关系,同时根据交流负载的历史消耗功率数据对负载消耗预测的神经网络进行训练,建立负载消耗功率与时间之间的关系;
S2、采集获取调度起始时刻的时间值、光照强度和温度值,进而根据光伏发电输出预测的神经网络模型和负载消耗预测的神经网络模型,获得未来24小时内每隔1小时的预测的光伏发电输出功率PPV(k)和负载消耗功率Pload(k),其中k代表离散时间值,k为自然数且1≤k≤24;
S3、获取当前时刻充电电池模块的电池剩余容量SOC(k),结合预测的光伏发电输出功率PPV(k)和负载消耗功率Pload(k),采用混合整数规划算法,计算获得从供电电网的取电功率最优时充电电池模块的充放电决策序列;
S4、中央控制器根据充放电决策序列,计算获得接下来一小时从供电电网的取电功率后,控制直流变换器、逆变模块、整流器的工作状态,对充电电池模块进行能量调度。
进一步,所述步骤S4中所述对充电电池模块进行能量调度时采用如下的分层控制策略:
在充电电池模块的充电决策周期内,判断供电电网和整流器的工作状态,若供电电网可以供电,则按照充放电决策序列的充电目标,控制逆变器从供电电网取交流电后实时给交流负载供电,同时控制整流器从供电电网取电并通过直流变换器输出到充电电池模块处进行充电,直到达到充电目标;
在充电电池模块的放电决策周期内,实时地判断光伏发电系统的光伏发电功率是否小于交流负载的需求用电量,若是,则按照充放电决策序列的放电目标,则将光伏发电模块的光伏发电均通过逆变模块输出到交流负载,同时控制充电电池模块进行放电并将其释放的电量通过逆变模块输出到交流负载,直到达到放电目标。
进一步,所述步骤S4之后,还包括以下步骤:
S5、中央控制器判断是否接收到停止信号,若是,则结束能量调度过程,否则返回执行步骤S2。
进一步,所述步骤S3,其具体为:
获取当前时刻充电电池模块的电池剩余容量SOC(k),结合预测的光伏发电输出功率PPV(k)和负载消耗功率Pload(k),构建与充电电池模块相关的目标函数,并相应地建立混合整数规划算法模型,进而计算获得使得目标函数最小时的充放电功率序列作为充放电决策序列。
进一步,所述混合整数规划算法模型如下:
所述目标函数为:
所述系统状态为电池剩余容量SOC(k),且其约束条件为:SOCmin≤SOC(k)≤SOCmax;
所述决策变量为充电电池模块的充放电功率Pbat(k),其约束条件为:Pbatmin≤Pbat(k)≤Pbatmax;
所述状态转移方程为:SOC(k+1)=SOC(k)+(ηc-ηd)z(k)+ηdPbat(k);
所述状态转移方程的线性约束条件为:z(k)=δ(k)Pbat(k),z(k)同时满足以下条件:
所述功率平衡方程为:
所述功率平衡方程的线性约束条件为:w(k)=δ(k)Pload(k),w(k)同时满足以下条件:
δ(k)满足线性约束条件:
Pbatmin(1-δ(k))≤Pbat(k)≤(Pbatmax+ε)δ(k)-ε
上述各公式中,J表示目标函数值,Pgrid(k)表示系统从供电电网的取电功率,Δt表示充电电池模块的充放电时间,SOCmin、SOCmax分别表示电池剩余容量SOC(k)的最小值和最大值;Pbat(k)表示充电电池模块的充放电功率,Pbatmin、Pbatmax分别表示充放电功率Pbat(k)的最小值及最大值;Pload(k)表示预测的负载消耗功率,Ploadmin、Ploadmax分别表示预测的负载消耗功率Pload(k)的最小值及最大值,PPV(k)表示预测的光伏发电功率;δ(k)为二值变量,ε为一个大于0的无穷小量;ηg表示整流器将供电电网的交流电转换为直流电的效率,ηi表示逆变模块将直流电转换为交流电的效率,ηd表示充电电池模块的放电效率,ηc表示充电电池模块的充电效率。
本发明的有益效果是:本发明的一种离网光伏发电储能系统,包括光伏发电模块、光伏控制器、整流器、逆变模块、充电电池模块、电池管理系统、中央控制器、显示器以及用于控制充电电池模块的充放电状态的直流变换器,所述光伏发电模块依次通过光伏控制器及逆变模块与交流负载连接,所述光伏控制器与逆变模块之间的连接端通过直流变换器与充电电池模块连接,该连接端还通过整流器与供电电网连接,所述逆变模块还直接与供电电网连接,所述电池管理系统与充电电池模块连接,所述中央控制器通过通信总线分别与光伏控制器、整流器、逆变模块、电池管理系统、直流变换器以及显示器连接;逆变模块用于将供电电网的交流电直接输出到交流负载或者将充电电池模块提供的直流电逆变为交流电后输出到交流负载。本系统可以保护充电电池模块不处于过充过放状态,延长充电电池模块的寿命,同时增加系统安全性,还可以根据负载情况以及充电电池模块的具体参数进行充放电控制,达到最优的能量利用效率,而且控制效率高、响应速度快、控制准确度高。
本发明的另一有益效果是:本发明的一种离网光伏发电储能系统的能量调度方法,包括:中央控制器根据采集的光伏发电模块的历史运行数据对光伏发电输出预测的神经网络进行训练,建立光伏发电输出功率与时间值、光照强度和温度值之间的关系,同时根据交流负载的历史消耗功率数据对负载消耗预测的神经网络进行训练,建立负载消耗功率与时间之间的关系;采集获取调度起始时刻的时间值、光照强度和温度值,进而根据光伏发电输出预测的神经网络模型和负载消耗预测的神经网络模型,获得未来24小时内每隔1小时的预测的光伏发电输出功率和负载消耗功率;获取当前时刻充电电池模块的电池剩余容量,结合预测的光伏发电输出功率和负载消耗功率,采用混合整数规划算法,计算获得从供电电网的取电功率最优时充电电池模块的充放电决策序列;中央控制器根据充放电决策序列,计算获得接下来一小时从供电电网的取电功率后,控制直流变换器、逆变模块、整流器的工作状态,对充电电池模块进行能量调度。本方法可以保护充电电池模块不处于过充过放状态,延长充电电池模块的寿命,同时增加系统安全性,还可以根据负载情况以及充电电池模块的具体参数进行充放电控制,达到最优的能量利用效率,而且控制效率高、响应速度快、控制准确度高。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1是本发明的一种离网光伏发电储能系统的结构框图;
图2是图1中的逆变模块的结构框图;
图3是本发明的一种离网光伏发电储能系统的能量调度方法的流程示意图。
具体实施方式
参照图1,本发明提供了一种离网光伏发电储能系统,包括光伏发电模块1、光伏控制器、整流器、逆变模块、充电电池模块、电池管理系统、中央控制器、显示器以及用于控制充电电池模块的充放电状态的直流变换器,所述光伏发电模块1依次通过光伏控制器及逆变模块与交流负载连接,所述光伏控制器与逆变模块之间的连接端通过直流变换器与充电电池模块连接,该连接端还通过整流器与供电电网连接,所述逆变模块还直接与供电电网连接,所述电池管理系统与充电电池模块连接,所述中央控制器通过通信总线分别与光伏控制器、整流器、逆变模块、电池管理系统、直流变换器以及显示器连接;
所述逆变模块用于将供电电网的交流电直接输出到交流负载或者将充电电池模块提供的直流电逆变为交流电后输出到交流负载。
所述中央控制器通过控制逆变模块、直流变换器及整流器的工作状态从而控制储能系统直接将供电电网提供的交流电输出到交流负载或者将充电电池模块提供的直流电逆变转换成交流电后输出到交流负载。
进一步作为优选的实施方式,所述充电电池模块采用锂电池组,所述光伏发电模块1采用太阳能电池串联或并联构成。
进一步作为优选的实施方式,参照图2,所述逆变模块包括第一滤波器、逆变器、切换开关及第二滤波器,所述光伏控制器、直流变换器及整流器之间的连接端与第一滤波器的输入端连接,所述第一滤波器的输出端通过逆变器与切换开关的第一输入端连接,所述供电电网与切换开关的第二输入端连接,所述逆变器及切换开关的控制端均与中央控制器连接,所述切换开关的输出端通过第二滤波器与交流负载连接。
进一步作为优选的实施方式,所述中央控制器用于根据从光伏发电模块1、充电电池模块采集的实时数据以及从交流负载采集的耗能数据,发出控制信号到电池管理系统、光伏控制器、整流器、逆变模块和直流变换器。
进一步作为优选的实施方式,所述中央控制器根据采集的光伏发电模块1的历史运行数据以及交流负载的历史耗能数据进行神经网络训练,建立神经网络模型,获得光伏发电模块1的光伏发电预测信息以及交流负载的负载预测信息,进而结合光伏发电预测信息、负载预测信息以及充电电池模块的电池剩余容量信息后,采用混合整数规划算法,计算获得接下来的预设时间内,充电电池模块的最优充放电决策序列,从而根据计算出的最优充放电决策序列控制直流变换器、整流器、逆变模块的工作状态,对充电电池模块进行充放电控制。
参照图3,本发明还提供了一种离网光伏发电储能系统的能量调度方法,包括:
S1、中央控制器根据采集的光伏发电模块1的历史运行数据对光伏发电输出预测的神经网络进行训练,建立光伏发电输出功率与时间值、光照强度和温度值之间的关系,同时根据交流负载的历史消耗功率数据对负载消耗预测的神经网络进行训练,建立负载消耗功率与时间之间的关系;
S2、采集获取调度起始时刻的时间值、光照强度和温度值,进而根据光伏发电输出预测的神经网络模型和负载消耗预测的神经网络模型,获得未来24小时内每隔1小时的预测的光伏发电输出功率PPV(k)和负载消耗功率Pload(k),其中k代表离散时间值,k为自然数且1≤k≤24;
S3、获取当前时刻充电电池模块的电池剩余容量SOC(k),结合预测的光伏发电输出功率PPV(k)和负载消耗功率Pload(k),采用混合整数规划算法,计算获得从供电电网的取电功率最优时充电电池模块的充放电决策序列;
S4、中央控制器根据充放电决策序列,计算获得接下来一小时从供电电网的取电功率后,控制直流变换器、逆变模块、整流器的工作状态,对充电电池模块进行能量调度。
进一步作为优选的实施方式,所述步骤S4中所述对充电电池模块进行能量调度时采用如下的分层控制策略:
在充电电池模块的充电决策周期内,判断供电电网和整流器的工作状态,若供电电网可以供电,则按照充放电决策序列的充电目标,控制逆变器从供电电网取交流电后实时给交流负载供电,同时控制整流器从供电电网取电并通过直流变换器输出到充电电池模块处进行充电,直到达到充电目标;
在充电电池模块的放电决策周期内,实时地判断光伏发电系统的光伏发电功率是否小于交流负载的需求用电量,若是,则按照充放电决策序列的放电目标,则将光伏发电模块1的光伏发电均通过逆变模块输出到交流负载,同时控制充电电池模块进行放电并将其释放的电量通过逆变模块输出到交流负载,直到达到放电目标。
进一步作为优选的实施方式,所述步骤S4之后,还包括以下步骤:
S5、中央控制器判断是否接收到停止信号,若是,则结束能量调度过程,否则返回执行步骤S2。
进一步作为优选的实施方式,所述步骤S3,其具体为:
获取当前时刻充电电池模块的电池剩余容量SOC(k),结合预测的光伏发电输出功率PPV(k)和负载消耗功率Pload(k),构建与充电电池模块相关的目标函数,并相应地建立混合整数规划算法模型,进而计算获得使得目标函数最小时的充放电功率序列作为充放电决策序列。
进一步作为优选的实施方式,所述混合整数规划算法模型如下:
所述目标函数为:
所述系统状态为电池剩余容量SOC(k),且其约束条件为:SOCmin≤SOC(k)≤SOCmax;
所述决策变量为充电电池模块的充放电功率Pbat(k),其约束条件为:Pbatmin≤Pbat(k)≤Pbatmax;
所述状态转移方程为:SOC(k+1)=SOC(k)+(ηc-ηd)z(k)+ηdPbat(k);
所述状态转移方程的线性约束条件为:z(k)=δ(k)Pbat(k),z(k)同时满足以下条件:
所述功率平衡方程为:
所述功率平衡方程的线性约束条件为:w(k)=δ(k)Pload(k),w(k)同时满足以下条件:
δ(k)满足线性约束条件:
Pbatmin(1-δ(k))≤Pbat(k)≤(Pbatmax+ε)δ(k)-ε
上述各公式中,J表示目标函数值,Pgrid(k)表示系统从供电电网的取电功率,Δt表示充电电池模块的充放电时间,SOCmin、SOCmax分别表示电池剩余容量SOC(k)的最小值和最大值;Pbat(k)表示充电电池模块的充放电功率,Pbatmin、Pbatmax分别表示充放电功率Pbat(k)的最小值及最大值;Pload(k)表示预测的负载消耗功率,Ploadmin、Ploadmax分别表示预测的负载消耗功率Pload(k)的最小值及最大值,PPV(k)表示预测的光伏发电功率;δ(k)为二值变量,ε为一个大于0的无穷小量;ηg表示整流器将供电电网的交流电转换为直流电的效率,ηi表示逆变模块将直流电转换为交流电的效率,ηd表示充电电池模块的放电效率,ηc表示充电电池模块的充电效率。
下面结合具体实施例对本发明做进一步说明。
实施例一
参照图1,一种离网光伏发电储能系统,包括光伏发电模块1、光伏控制器、整流器、逆变模块、充电电池模块、电池管理系统、中央控制器、显示器以及用于控制充电电池模块的充放电状态的直流变换器,光伏发电模块1依次通过光伏控制器及逆变模块与交流负载连接,光伏控制器与逆变模块之间的连接端通过直流变换器与充电电池模块连接,该连接端还通过整流器与供电电网连接,逆变模块还直接与供电电网连接,电池管理系统与充电电池模块连接,中央控制器通过通信总线分别与光伏控制器、整流器、逆变模块、电池管理系统、直流变换器以及显示器连接;
逆变模块用于将供电电网的交流电直接输出到交流负载或者将充电电池模块提供的直流电逆变为交流电后输出到交流负载。
中央控制器通过控制逆变模块、直流变换器及整流器的工作状态从而控制储能系统直接将供电电网提供的交流电输出到交流负载或者将充电电池模块提供的直流电逆变转换成交流电后输出到交流负载。
直流变换器用于实现充电电池模块在直流线路中的充放电,通过控制直流变换器可以控制充电电池模块的充放电状态。电池管理系统用于对充电电池模块进行实时的监控管理,使得充电电池模块不处于过冲过放状态,可以延长充电电池模块的寿命,提高本光伏发电储能系统的安全性。显示器用于显示实时的电池剩余电量、调度信息等系统工作参数。光伏控制器用于对光伏发电模块11实现控制,控制其工作情况。
充电电池模块采用锂电池组,光伏发电模块11采用太阳能电池串联或并联构成。
参照图2,逆变模块包括第一滤波器、逆变器、切换开关及第二滤波器,光伏控制器、直流变换器及整流器之间的连接端与第一滤波器的输入端连接,第一滤波器的输出端通过逆变器与切换开关的第一输入端连接,供电电网与切换开关的第二输入端连接,逆变器及切换开关的控制端均与中央控制器连接,切换开关的输出端通过第二滤波器与交流负载连接。
中央控制器用于根据从光伏发电模块11、充电电池模块采集的实时数据以及从交流负载采集的耗能数据,发出控制信号到电池管理系统、光伏控制器、整流器、逆变模块和直流变换器。
中央控制器根据采集的光伏发电模块1的历史运行数据以及交流负载的历史耗能数据进行神经网络训练,建立神经网络模型,获得光伏发电模块1的光伏发电预测信息以及交流负载的负载预测信息,进而结合光伏发电预测信息、负载预测信息以及充电电池模块的电池剩余容量信息后,采用混合整数规划算法,计算获得接下来的预设时间内,充电电池模块的最优充放电决策序列,从而根据计算出的最优充放电决策序列控制直流变换器、整流器、逆变模块的工作状态,对充电电池模块进行充放电控制。
本实施例中,中央控制器根据采集的光伏发电模块1的历史运行数据以及交流负载的历史耗能数据进行神经网络训练,建立神经网络模型,获得光伏发电模块1的光伏发电预测信息以及交流负载的负载预测信息,进而结合光伏发电预测信息、负载预测信息以及充电电池模块的电池剩余容量信息后,采用混合整数规划算法,计算获得接下来的预设时间内,充电电池模块的最优充放电决策序列,从而根据计算出的最优充放电决策序列控制直流变换器、逆变模块、整流器的工作状态,对充电电池模块进行充放电控制。
实施例二
参照图3所示,实施例一的一种离网光伏发电储能系统的能量调度方法,包括:
S1、中央控制器根据采集的光伏发电模块1的历史运行数据对光伏发电输出预测的神经网络进行训练,建立光伏发电输出功率与时间值、光照强度和温度值之间的关系,同时根据交流负载的历史消耗功率数据对负载消耗预测的神经网络进行训练,建立负载消耗功率与时间之间的关系。
S2、采集获取调度起始时刻的时间值、光照强度和温度值,进而根据光伏发电输出预测的神经网络模型和负载消耗预测的神经网络模型,获得未来24小时内每隔1小时的预测的光伏发电输出功率PPV(k)和负载消耗功率Pload(k),其中k代表离散时间值,k为自然数且1≤k≤24。
S3、获取当前时刻充电电池模块的电池剩余容量SOC(k),结合预测的光伏发电输出功率PPV(k)和负载消耗功率Pload(k),采用混合整数规划算法,计算获得从供电电网的取电功率最优时充电电池模块的充放电决策序列。
S4、中央控制器根据充放电决策序列,计算获得接下来一小时从供电电网的取电功率后,控制直流变换器、逆变模块、整流器的工作状态,对充电电池模块进行能量调度。
S5、中央控制器判断是否接收到停止信号,若是,则结束能量调度过程,否则返回执行步骤S2。这里,返回再次执行步骤S3时,电池剩余容量SOC(k)已经更新为中央控制器进行能量调度后充电电池模块的实时的电池剩余容量SOC(k)。另外,返回执行步骤S2时,根据光伏发电输出预测的神经网络模型和负载消耗预测的神经网络模型,获得的未来24小时内每隔1小时的预测的光伏发电输出功率PPV(k)和负载消耗功率Pload(k)也会随之更新,从而本能量调度方法可根据系统的实时运行参数进行能量调度,通过能量调度实现最大的能量利用效率。
本实施例中,步骤S4中对充电电池模块进行能量调度时采用如下的分层控制策略:
在充电电池模块的充电决策周期内,判断供电电网和整流器的工作状态,若供电电网可以供电,则按照充放电决策序列的充电目标,控制逆变器从供电电网取交流电后实时给交流负载供电,同时控制整流器从供电电网取电并通过直流变换器输出到充电电池模块处进行充电,直到达到充电目标;
在充电电池模块的放电决策周期内,实时地判断光伏发电系统的光伏发电功率是否小于交流负载的需求用电量,若是,则按照充放电决策序列的放电目标,则将光伏发电模块1的光伏发电均通过逆变模块输出到交流负载,同时控制充电电池模块进行放电并将其释放的电量通过逆变模块输出到交流负载,直到达到放电目标。
步骤S3,其具体为:
获取当前时刻充电电池模块的电池剩余容量SOC(k),结合预测的光伏发电输出功率PPV(k)和负载消耗功率Pload(k),构建与充电电池模块相关的目标函数,并相应地建立混合整数规划算法模型,进而计算获得使得目标函数最小时的充放电功率序列作为充放电决策序列。
本实施例的混合整数规划算法模型如下:
所述目标函数为:
所述系统状态为电池剩余容量SOC(k),且其约束条件为:SOCmin≤SOC(k)≤SOCmax;
所述决策变量为充电电池模块的充放电功率Pbat(k),其约束条件为:Pbatmin≤Pbat(k)≤Pbatmax;
所述状态转移方程为:SOC(k+1)=SOC(k)+(ηc-ηd)z(k)+ηdPbat(k);
所述状态转移方程的线性约束条件为:z(k)=δ(k)Pbat(k),z(k)同时满足以下条件:
所述功率平衡方程为:
所述功率平衡方程的线性约束条件为:w(k)=δ(k)Pload(k),w(k)同时满足以下条件:
δ(k)满足线性约束条件:
Pbatmin(1-δ(k))≤Pbat(k)≤(Pbatmax+ε)δ(k)-ε
上述各公式中,J表示目标函数值,Pgrid(k)表示系统从供电电网的取电功率,Δt表示充电电池模块的充放电时间,SOCmin、SOCmax分别表示电池剩余容量SOC(k)的最小值和最大值;Pbat(k)表示充电电池模块的充放电功率,Pbatmin、Pbatmax分别表示充放电功率Pbat(k)的最小值及最大值;Pload(k)表示预测的负载消耗功率,Ploadmin、Ploadmax分别表示预测的负载消耗功率Pload(k)的最小值及最大值,PPV(k)表示预测的光伏发电功率;δ(k)为二值变量,ε为一个大于0的无穷小量;ηg表示整流器将供电电网的交流电转换为直流电的效率,ηi表示逆变模块将直流电转换为交流电的效率,ηd表示充电电池模块的放电效率,ηc表示充电电池模块的充电效率。
混合整数规划算法是求解目标函数最优值时常用的方法,关于其具体求解过程可参照各种现有技术文件或专利文件,本发明不再进行详细论述。
步骤S3中的混合整数规划算法求解过程是求得使得目标函数值最小时的未来24h内每间隔1小时的最优的充放电功率序列[Pbat(1),Pbat(2)...Pbat(24)],该序列即为本方法中的充放电决策序列,该序列的第一个值Pbat(1)即为当前中央控制器应该执行的充放电决策,中央控制器根据该值来控制直流变换器、逆变模块及整流器的工作状态从而实现充电电池模块的充放电。
由于光伏发电输出功率PPV(k)和负载消耗功率Pload(k)可能存在误差,因此预测值需要随着最新的天气情况和交流负载情况每隔一个小时进行一次更新,重新进行神经网络训练,得到新的光伏发电输出功率PPV(k)和负载消耗功率Pload(k)后,重新采用混合整数规划算法求解目标函数的最优值,获得最新的充放电功率序列[Pbat(1),Pbat(2)...Pbat(24)]后,中央控制器再次对充电电池模块进行充放电控制。这样可以始终以最可靠的预测值来获得最优的充放电决策序列。
本发明中提到的时间值24小时、1小时等只是较优的实施例,实际上,可以采用任意时长或任意时间间隔,在本发明的基础上,仅对具体时间值进行变换,也是落在本发明的保护范围内的。
本实施例中,混合整数规划算法模型的建立过程如下:
目标函数为:
所述系统状态为电池剩余容量SOC(k),且其约束条件为:SOCmin≤SOC(k)≤SOCmax;
所述决策变量为充电电池模块的充放电功率Pbat(k),其约束条件为:Pbatmin≤Pbat(k)≤Pbatmax;
充电电池模块的SOC的状态转移方程为:
若Pbat(k)>0,则SOC(k+1)=SOC(k)+ηc×Pbat(k);若Pbat(k)<0,则SOC(k+1)=SOC(k)+ηd×Pbat(k);令Pbat(k)>0等价于δ(k)=1,Pbat(k)≤0等价于δ(k)=0;令z(k)=δ(k)Pbat(k),则充电电池模块的SOC状态转移方程可统一表示为:SOC(k+1)=SOC(k)+(ηc-ηd)z(k)+ηdPbat(k);
δ(k)满足线性约束条件:
Pbatmin(1-δ(k))≤Pbat(k)≤(Pbatmax+ε)δ(k)-ε
功率平衡方程为:若采用逆变输出模式,光伏发电储能系统的功率平衡方程为 若采用交流直接输出模式,系统功率平衡方程为Pgrid1(k)=Pload(k)以及ηgPgrid2(k)+PPV(k)=Pbat(k),由于Pgrid2(k)+Pgrid2(k)=Pgrid(k),交流直接输出模式下系统功率平衡方程可统一表示为:PPV(k)+ηgPgrid(k)=Pbat(k)+ηgPload(k);对比两种功率平衡方程,可见交流直接输出模式下,功率转换效率更高,但是此时充电电池模块只能够充电,因此将充电决策下的工作模式优先选定为交流直接输出的工作模式,利用Pbat(k)>0等价于δ(k)=1,Pbat(k)≤0等价于δ(k)=0,令w(k)=δ(k)Pload(k),则可将上述逆变输出模式功率平衡方程和交流直接输出模式的功率平衡方程统一为如下一个方程: 其中,Pgrid1(k)表示在逆变器交流电直接输出的模式下,供电电网给交流负载提供的供电功率,Pgrid2(k)表示在逆变器交流电直接输出的模式下,供电电网通过整流器给充电电池模块提供的充电功率。
为采用混合整数规划算法求解上述优化问题,需要将逻辑约束条件转化为线性约束条件,转化方法如下:
状态转移方程的逻辑约束条件z(k)=δ(k)Pbat(k)等价于线性约束条件:z(k)≤Pbatmaxδ(k)且z(k)≥Pbatminδ(k)且z(k)≤Pbat(k)-Pbatmin(1-δ(k))且z(k)≥Pbat(k)-Pbatmax(1-δ(k)),即z(k)同时满足以下条件:
功率平衡方程的逻辑约束条件w(k)=δ(k)Pload(k)等价于线性约束条件:w(k)≤Ploadmaxδ(k)且w(k)≥Ploadminδ(k)且w(k)≤Pload(k)-Ploadmin(1-δ(k))且w(k)≥Pload(k)-Ploadmax(1-δ(k)),即w(k)同时满足以下条件:
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变型或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种离网光伏发电储能系统,其特征在于,包括光伏发电模块、光伏控制器、整流器、逆变模块、充电电池模块、电池管理系统、中央控制器、显示器以及用于控制充电电池模块的充放电状态的直流变换器,所述光伏发电模块依次通过光伏控制器及逆变模块与交流负载连接,所述光伏控制器与逆变模块之间的连接端通过直流变换器与充电电池模块连接,该连接端还通过整流器与供电电网连接,所述逆变模块还直接与供电电网连接,所述电池管理系统与充电电池模块连接,所述中央控制器通过通信总线分别与光伏控制器、整流器、逆变模块、电池管理系统、直流变换器以及显示器连接;
所述逆变模块用于将供电电网的交流电直接输出到交流负载或者将充电电池模块提供的直流电逆变为交流电后输出到交流负载。
2.根据权利要求1所述的一种离网光伏发电储能系统,其特征在于,所述充电电池模块采用锂电池组,所述光伏发电模块采用太阳能电池串联或并联构成。
3.根据权利要求1所述的一种离网光伏发电储能系统,其特征在于,所述逆变模块包括第一滤波器、逆变器、切换开关及第二滤波器,所述光伏控制器、直流变换器及整流器之间的连接端与第一滤波器的输入端连接,所述第一滤波器的输出端通过逆变器与切换开关的第一输入端连接,所述供电电网与切换开关的第二输入端连接,所述逆变器及切换开关的控制端均与中央控制器连接,所述切换开关的输出端通过第二滤波器与交流负载连接。
4.根据权利要求1所述的一种离网光伏发电储能系统,其特征在于,所述中央控制器用于根据从光伏发电模块、充电电池模块采集的实时数据以及从交流负载采集的耗能数据,发出控制信号到电池管理系统、光伏控制器、整流器、逆变模块和直流变换器。
5.根据权利要求1所述的一种离网光伏发电储能系统,其特征在于,所述中央控制器根据采集的光伏发电模块的历史运行数据以及交流负载的历史耗能数据进行神经网络训练,建立神经网络模型,获得光伏发电模块的光伏发电预测信息以及交流负载的负载预测信息,进而结合光伏发电预测信息、负载预测信息以及充电电池模块的电池剩余容量信息后,采用混合整数规划算法,计算获得接下来的预设时间内,充电电池模块的最优充放电决策序列,从而根据计算出的最优充放电决策序列控制直流变换器、整流器、逆变模块的工作状态,对充电电池模块进行充放电控制。
6.权利要求1的一种离网光伏发电储能系统的能量调度方法,其特征在于,包括:
S1、中央控制器根据采集的光伏发电模块的历史运行数据对光伏发电输出预测的神经网络进行训练,建立光伏发电输出功率与时间值、光照强度和温度值之间的关系,同时根据交流负载的历史消耗功率数据对负载消耗预测的神经网络进行训练,建立负载消耗功率与时间之间的关系;
S2、采集获取调度起始时刻的时间值、光照强度和温度值,进而根据光伏发电输出预测的神经网络模型和负载消耗预测的神经网络模型,获得未来24小时内每隔1小时的预测的光伏发电输出功率PPV(k)和负载消耗功率Pload(k),其中k代表离散时间值,k为自然数且1≤k≤24;
S3、获取当前时刻充电电池模块的电池剩余容量SOC(k),结合预测的光伏发电输出功率PPV(k)和负载消耗功率Pload(k),采用混合整数规划算法,计算获得从供电电网的取电功率最优时充电电池模块的充放电决策序列;
S4、中央控制器根据充放电决策序列,计算获得接下来一小时从供电电网的取电功率后,控制直流变换器、逆变模块、整流器的工作状态,对充电电池模块进行能量调度。
7.根据权利要求6所述的一种离网光伏发电储能系统的能量调度方法,其特征在于,所述步骤S4中所述对充电电池模块进行能量调度时采用如下的分层控制策略:
在充电电池模块的充电决策周期内,判断供电电网和整流器的工作状态,若供电电网可以供电,则按照充放电决策序列的充电目标,控制逆变器从供电电网取交流电后实时给交流负载供电,同时控制整流器从供电电网取电并通过直流变换器输出到充电电池模块处进行充电,直到达到充电目标;
在充电电池模块的放电决策周期内,实时地判断光伏发电系统的光伏发电功率是否小于交流负载的需求用电量,若是,则按照充放电决策序列的放电目标,则将光伏发电模块的光伏发电均通过逆变模块输出到交流负载,同时控制充电电池模块进行放电并将其释放的电量通过逆变模块输出到交流负载,直到达到放电目标。
8.根据权利要求6所述的一种离网光伏发电储能系统的能量调度方法,其特征在于,所述步骤S4之后,还包括以下步骤:
S5、中央控制器判断是否接收到停止信号,若是,则结束能量调度过程,否则返回执行步骤S2。
9.根据权利要求6所述的一种离网光伏发电储能系统的能量调度方法,其特征在于,所述步骤S3,其具体为:
获取当前时刻充电电池模块的电池剩余容量SOC(k),结合预测的光伏发电输出功率PPV(k)和负载消耗功率Pload(k),构建与充电电池模块相关的目标函数,并相应地建立混合整数规划算法模型,进而计算获得使得目标函数最小时的充放电功率序列作为充放电决策序列。
10.根据权利要求9所述的一种离网光伏发电储能系统的能量调度方法,其特征在于,所述混合整数规划算法模型如下:
所述目标函数为:
所述系统状态为电池剩余容量SOC(k),且其约束条件为:SOCmin≤SOC(k)≤SOCmax;
所述决策变量为充电电池模块的充放电功率Pbat(k),其约束条件为:Pbat min≤Pbat(k)≤Pbat max;
所述状态转移方程为:SOC(k+1)=SOC(k)+(ηc-ηd)z(k)+ηdPbat(k);
所述状态转移方程的线性约束条件为:z(k)=d(k)Pbat(k),z(k)同时满足以下条件:
所述功率平衡方程为:
所述功率平衡方程的线性约束条件为:w(k)=δ(k)Pload(k),w(k)同时满足以下条件:
δ(k)满足线性约束条件:
Pbatmin(1-δ(k))≤Pbat(k)≤(Pbatmax+ε)δ(k)-ε
上述各公式中,J表示目标函数值,Pgrid(k)表示系统从供电电网的取电功率,Δt表示充电电池模块的充放电时间,SOCmin、SOCmax分别表示电池剩余容量SOC(k)的最小值和最大值;Pbat(k)表示充电电池模块的充放电功率,Pbatmin、Pbatmax分别表示充放电功率Pbat(k)的最小值及最大值;Pload(k)表示预测的负载消耗功率,Ploadmin、Ploadmax分别表示预测的负载消耗功率Pload(k)的最小值及最大值,PPV(k)表示预测的光伏发电功率;δ(k)为二值变量,ε为一个大于0的无穷小量;ηg表示整流器将供电电网的交流电转换为直流电的效率,ηi表示逆变模块将直流电转换为交流电的效率,ηd表示充电电池模块的放电效率,ηc表示充电电池模块的充电效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410836551.1A CN104485727B (zh) | 2014-12-26 | 2014-12-26 | 一种离网光伏发电储能系统及其能量调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410836551.1A CN104485727B (zh) | 2014-12-26 | 2014-12-26 | 一种离网光伏发电储能系统及其能量调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104485727A true CN104485727A (zh) | 2015-04-01 |
CN104485727B CN104485727B (zh) | 2017-07-11 |
Family
ID=52760247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410836551.1A Active CN104485727B (zh) | 2014-12-26 | 2014-12-26 | 一种离网光伏发电储能系统及其能量调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104485727B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105119312A (zh) * | 2015-08-17 | 2015-12-02 | 广州市香港科大霍英东研究院 | 一种基于混合整数非线性规划的光伏储能调度方法 |
CN105762917A (zh) * | 2016-04-12 | 2016-07-13 | 上海紫竹新兴产业技术研究院 | 一种基于神经网络用电量预报的智能离网光伏系统和方法 |
CN106329568A (zh) * | 2016-08-31 | 2017-01-11 | 湖北大学 | 户商型光伏发电经济调度控制系统 |
CN106712156A (zh) * | 2016-10-19 | 2017-05-24 | 佛山市柏克新能科技股份有限公司 | 一种多能源转换的逆变装置及其控制方法 |
CN107645172A (zh) * | 2017-09-28 | 2018-01-30 | 北方民族大学 | 用于分布式发电系统中储能装置的dc/dc变换器的控制方法及装置 |
CN107800152A (zh) * | 2016-09-07 | 2018-03-13 | 施耐德电器工业公司 | 控制发电站的方法 |
CN107863815A (zh) * | 2017-09-30 | 2018-03-30 | 无锡昊瑜节能环保设备有限公司 | 一种电视机供电方法 |
CN107863814A (zh) * | 2017-09-30 | 2018-03-30 | 无锡昊瑜节能环保设备有限公司 | 一种电视机供电系统 |
CN109412250A (zh) * | 2018-10-16 | 2019-03-01 | 河海大学常州校区 | 一种离网发电系统储能电池最佳充电速率的确定方法 |
CN109713712A (zh) * | 2018-10-10 | 2019-05-03 | 北京天势新能源技术有限公司 | 光储荷智能化管理一体机及光储荷智能化管理方法 |
CN109756187A (zh) * | 2018-12-29 | 2019-05-14 | 北京汇能精电科技股份有限公司 | 一种太阳能发电设备的监测系统 |
CN110048462A (zh) * | 2019-05-17 | 2019-07-23 | 广东工业大学 | 一种并网型光伏储能系统的能量调度方法、装置及系统 |
WO2019148980A1 (zh) * | 2018-02-02 | 2019-08-08 | 珠海格力电器股份有限公司 | 能源互联网系统、能源路由转换设备和能量控制方法 |
CN111971895A (zh) * | 2018-03-05 | 2020-11-20 | 瓦锡兰北美有限公司 | 对发电厂系统进行控制的装置、设备和计算机实现的方法 |
CN112671039A (zh) * | 2020-12-30 | 2021-04-16 | 上海亿边科技有限公司 | 一种基于光伏预测的能量管理系统 |
CN113131520A (zh) * | 2021-04-30 | 2021-07-16 | 科华数据股份有限公司 | 光储系统及其控制方法、存储介质 |
CN113268527A (zh) * | 2021-05-27 | 2021-08-17 | 中清能绿洲科技股份有限公司 | 智能光伏储能调度分析方法、装置、服务器及存储介质 |
CN115864519A (zh) * | 2023-01-17 | 2023-03-28 | 大秦新能源科技(泰州)有限公司 | 一种家用发电储能系统及使用方法 |
CN117239893A (zh) * | 2023-09-20 | 2023-12-15 | 山东探越物联网技术有限公司 | 一种太阳能供电系统充放电控制方法 |
CN117578896A (zh) * | 2024-01-15 | 2024-02-20 | 南京志卓电子科技有限公司 | 一种特种车辆牵引模块的大功率电源系统 |
EP4287439A3 (en) * | 2018-06-22 | 2024-04-10 | Moixa Energy Holdings Limited | Systems for machine learning, optimising and managing local multi-asset flexibility of distributed energy storage resources |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202197142U (zh) * | 2011-08-20 | 2012-04-18 | 福建先行新能源科技有限公司 | 太阳能光伏发电与市电互为备用系统 |
CN103001289A (zh) * | 2012-11-23 | 2013-03-27 | 博科能源系统(深圳)有限公司 | 太阳能储能发电系统 |
JP2013236522A (ja) * | 2012-05-11 | 2013-11-21 | Nissan Motor Co Ltd | 電力制御装置 |
-
2014
- 2014-12-26 CN CN201410836551.1A patent/CN104485727B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202197142U (zh) * | 2011-08-20 | 2012-04-18 | 福建先行新能源科技有限公司 | 太阳能光伏发电与市电互为备用系统 |
JP2013236522A (ja) * | 2012-05-11 | 2013-11-21 | Nissan Motor Co Ltd | 電力制御装置 |
CN103001289A (zh) * | 2012-11-23 | 2013-03-27 | 博科能源系统(深圳)有限公司 | 太阳能储能发电系统 |
Non-Patent Citations (1)
Title |
---|
李云等: "基于多目标混合整数规划模型的光伏发电系统优化设计", 《硅谷》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105119312A (zh) * | 2015-08-17 | 2015-12-02 | 广州市香港科大霍英东研究院 | 一种基于混合整数非线性规划的光伏储能调度方法 |
CN105762917A (zh) * | 2016-04-12 | 2016-07-13 | 上海紫竹新兴产业技术研究院 | 一种基于神经网络用电量预报的智能离网光伏系统和方法 |
CN106329568B (zh) * | 2016-08-31 | 2018-10-02 | 湖北大学 | 户商型光伏发电经济调度控制系统 |
CN106329568A (zh) * | 2016-08-31 | 2017-01-11 | 湖北大学 | 户商型光伏发电经济调度控制系统 |
CN107800152A (zh) * | 2016-09-07 | 2018-03-13 | 施耐德电器工业公司 | 控制发电站的方法 |
CN107800152B (zh) * | 2016-09-07 | 2023-05-02 | 施耐德电器工业公司 | 控制发电站的方法 |
CN106712156A (zh) * | 2016-10-19 | 2017-05-24 | 佛山市柏克新能科技股份有限公司 | 一种多能源转换的逆变装置及其控制方法 |
CN107645172B (zh) * | 2017-09-28 | 2021-03-23 | 北方民族大学 | 用于分布式发电系统储能装置dc/dc变换器的控制方法及装置 |
CN107645172A (zh) * | 2017-09-28 | 2018-01-30 | 北方民族大学 | 用于分布式发电系统中储能装置的dc/dc变换器的控制方法及装置 |
CN107863814A (zh) * | 2017-09-30 | 2018-03-30 | 无锡昊瑜节能环保设备有限公司 | 一种电视机供电系统 |
CN107863815A (zh) * | 2017-09-30 | 2018-03-30 | 无锡昊瑜节能环保设备有限公司 | 一种电视机供电方法 |
WO2019148980A1 (zh) * | 2018-02-02 | 2019-08-08 | 珠海格力电器股份有限公司 | 能源互联网系统、能源路由转换设备和能量控制方法 |
US11936183B2 (en) | 2018-02-02 | 2024-03-19 | Gree Electric Appliances, Inc. Of Zhuhai | Energy-internet system, energy routing conversion device, and energy control method |
CN111971895B (zh) * | 2018-03-05 | 2023-10-20 | 瓦锡兰北美有限公司 | 对发电厂系统进行控制的装置、设备和计算机实现的方法 |
CN111971895A (zh) * | 2018-03-05 | 2020-11-20 | 瓦锡兰北美有限公司 | 对发电厂系统进行控制的装置、设备和计算机实现的方法 |
EP4287439A3 (en) * | 2018-06-22 | 2024-04-10 | Moixa Energy Holdings Limited | Systems for machine learning, optimising and managing local multi-asset flexibility of distributed energy storage resources |
CN109713712A (zh) * | 2018-10-10 | 2019-05-03 | 北京天势新能源技术有限公司 | 光储荷智能化管理一体机及光储荷智能化管理方法 |
CN109713712B (zh) * | 2018-10-10 | 2023-08-29 | 国电投天启(广东)智慧能源科技有限责任公司 | 光储荷智能化管理一体机及光储荷智能化管理方法 |
CN109412250A (zh) * | 2018-10-16 | 2019-03-01 | 河海大学常州校区 | 一种离网发电系统储能电池最佳充电速率的确定方法 |
CN109412250B (zh) * | 2018-10-16 | 2021-09-17 | 河海大学常州校区 | 一种离网发电系统储能电池最佳充电速率的确定方法 |
CN109756187A (zh) * | 2018-12-29 | 2019-05-14 | 北京汇能精电科技股份有限公司 | 一种太阳能发电设备的监测系统 |
CN110048462B (zh) * | 2019-05-17 | 2023-09-12 | 广东工业大学 | 一种并网型光伏储能系统的能量调度方法、装置及系统 |
CN110048462A (zh) * | 2019-05-17 | 2019-07-23 | 广东工业大学 | 一种并网型光伏储能系统的能量调度方法、装置及系统 |
CN112671039A (zh) * | 2020-12-30 | 2021-04-16 | 上海亿边科技有限公司 | 一种基于光伏预测的能量管理系统 |
CN113131520A (zh) * | 2021-04-30 | 2021-07-16 | 科华数据股份有限公司 | 光储系统及其控制方法、存储介质 |
CN113268527B (zh) * | 2021-05-27 | 2022-02-11 | 中清能绿洲科技股份有限公司 | 智能光伏储能调度分析方法、装置、服务器及存储介质 |
CN113268527A (zh) * | 2021-05-27 | 2021-08-17 | 中清能绿洲科技股份有限公司 | 智能光伏储能调度分析方法、装置、服务器及存储介质 |
CN115864519A (zh) * | 2023-01-17 | 2023-03-28 | 大秦新能源科技(泰州)有限公司 | 一种家用发电储能系统及使用方法 |
CN115864519B (zh) * | 2023-01-17 | 2024-01-26 | 大秦新能源科技(泰州)有限公司 | 一种家用发电储能系统及使用方法 |
CN117239893A (zh) * | 2023-09-20 | 2023-12-15 | 山东探越物联网技术有限公司 | 一种太阳能供电系统充放电控制方法 |
CN117239893B (zh) * | 2023-09-20 | 2024-04-09 | 山东探越物联网技术有限公司 | 一种太阳能供电系统充放电控制方法 |
CN117578896A (zh) * | 2024-01-15 | 2024-02-20 | 南京志卓电子科技有限公司 | 一种特种车辆牵引模块的大功率电源系统 |
CN117578896B (zh) * | 2024-01-15 | 2024-03-29 | 南京志卓电子科技有限公司 | 一种特种车辆牵引模块的大功率电源系统 |
Also Published As
Publication number | Publication date |
---|---|
CN104485727B (zh) | 2017-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104485727A (zh) | 一种离网光伏发电储能系统及其能量调度方法 | |
CN104538999B (zh) | 一种光伏发电储能系统及其能量调度方法 | |
CN102118049B (zh) | 一种风光水互补发电系统控制装置及方法 | |
CN105119312A (zh) | 一种基于混合整数非线性规划的光伏储能调度方法 | |
CN103236718B (zh) | 一种智能微网的源-网-荷自动控制系统及控制方法 | |
CN102324752B (zh) | 结合风力发电的纯电动汽车有序充放电协调控制系统 | |
CN105846418B (zh) | 一种孤岛型微电网实时调度能量管理系统 | |
CN104218875B (zh) | 独立式光伏发电铁路供电控制系统及其控制方法 | |
CN103107600B (zh) | 一种物联网智能充电供电系统及其调度方法 | |
CN104716693B (zh) | 一种分布式储能电池的能量管理方法及控制器、系统 | |
EP3993212A1 (en) | Machine learning -based method for increasing lifetime of a battery energy storage system | |
US11708005B2 (en) | Systems and methods for individual control of a plurality of battery cells | |
CN202134924U (zh) | 一种太阳能电力并网自用多功能系统的构造 | |
CN105337315A (zh) | 一种风光蓄互补独立微电网高维多目标优化配置方法 | |
CN109103939A (zh) | 一种降低光伏电站损耗的储能系统智能控制装置及方法 | |
Rossi et al. | Real-time optimization of the battery banks lifetime in hybrid residential electrical systems | |
CN102709930B (zh) | 一种储能系统 | |
CN104253475B (zh) | 一种离网光伏vrlab储能控制装置及其工作方法 | |
CN106712082B (zh) | 一种基于多智能体的分布式发电系统 | |
CN102263421A (zh) | 太阳能发电系统 | |
CN105811468A (zh) | 一种数据采集运算的分布式光伏发电智能控运系统 | |
CN102931676A (zh) | 一种太阳能电力并网自用多功能系统的构造与方法 | |
CN215681813U (zh) | 一种并联储能系统 | |
JP6041216B2 (ja) | 給電システム及び給電方法 | |
CN104767248A (zh) | 智能化能源高效管理系统 |
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 |