CN105071396A - 光伏楼宇中能量调节的方法及系统 - Google Patents

光伏楼宇中能量调节的方法及系统 Download PDF

Info

Publication number
CN105071396A
CN105071396A CN201510505855.4A CN201510505855A CN105071396A CN 105071396 A CN105071396 A CN 105071396A CN 201510505855 A CN201510505855 A CN 201510505855A CN 105071396 A CN105071396 A CN 105071396A
Authority
CN
China
Prior art keywords
translation
training sample
payload
photovoltaic
current
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
Application number
CN201510505855.4A
Other languages
English (en)
Other versions
CN105071396B (zh
Inventor
李鹏
郭晓斌
许爱东
雷金勇
于力
马溪原
魏文潇
刘念
邹福强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China South Power Grid International Co ltd
North China Electric Power University
Original Assignee
China South Power Grid International Co ltd
North China Electric Power University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China South Power Grid International Co ltd, North China Electric Power University filed Critical China South Power Grid International Co ltd
Priority to CN201510505855.4A priority Critical patent/CN105071396B/zh
Publication of CN105071396A publication Critical patent/CN105071396A/zh
Application granted granted Critical
Publication of CN105071396B publication Critical patent/CN105071396B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种光伏楼宇中能量调节的方法和系统。所述方法包括：根据历史运行数据得到训练样本优化数据库；判断当前时间是否处于高电价时段，若是，从所述训练样本优化数据库中确定优选训练样本，结合光伏楼宇当前的光伏功率和基础负荷信息，得到当前优选的可平移负荷大小；若否，计算光伏楼宇当前的光伏功率和基础负荷的能量差值，得到当前的优选的可平移负荷大小；根据当前优选的可平移负荷大小调节光伏楼宇中的可平移负荷，以调节当前运行能量。通过本发明，能够有效提高光伏楼宇系统的光伏自消纳率，减少从电网的购电开销，提高光伏楼宇运行的经济性。

Description

光伏楼宇中能量调节的方法及系统
技术领域
本发明涉及电力系统领域，特别是涉及一种光伏楼宇中能量调节的方法及系统。
背景技术
光伏(PV or photovoltaic)，是太阳能光伏发电系统的简称，是一种利用太阳电池半导体材料的光伏效应，将太阳光辐射能直接转换为电能的一种新型发电系统，有独立运行和并网运行两种方式。随着光伏可再生能源的不断发展，以及相关研究的不断深入，光伏电池作为分布式电源为智能楼宇供电也备受关注。
在光伏楼宇环境中，有光伏系统作为分布式电源，负荷包括基础负荷以及可平移负荷。所谓的基础负荷为工作时间、功耗较为固定的负荷，例如照明设备、空调等；可平移负荷是相对于基础负荷而言，为工作时间、功耗不确定的负荷，例如微波炉、洗衣机、消毒柜、扫描仪等。
一般的光伏楼宇中，负荷用电曲线与光伏功率曲线并不完全匹配，因此不能充分利用光伏系统的资源，光伏楼宇中光伏自消纳率不高；另外，由于可平移负荷的使用不合理，导致系统能量购销分配不合理，存在不必要的电网购电开销，经济性有待提高。
发明内容
基于此，本发明提供一种光伏楼宇中能量调节的方法及系统，能够有效提高光伏楼宇系统的光伏自消纳率，减少从电网的购电开销，提高光伏楼宇运行的经济性。
本发明采用以下技术方案：
本发明一方面提供一种光伏楼宇中能量调节的方法，包括：
获取所述光伏楼宇的历史运行数据，根据所述历史运行数据得到训练样本优化数据库；
判断当前时间是否处于预设的高电价时段，若是，执行A，若否，执行B；
A、从所述训练样本优化数据库中确定与当前运行环境相适应的优选训练样本，结合所述光伏楼宇当前的光伏功率和基础负荷信息，得到当前优选的可平移负荷大小；
B、计算所述光伏楼宇当前的光伏功率和基础负荷的能量差值，根据所述能量差值得到当前的优选的可平移负荷大小；
根据A或B得到的当前优选的可平移负荷大小调节所述光伏楼宇中的可平移负荷，以调节所述光伏楼宇当前运行能量。
其中，所述根据A或B得到的当前优选的可平移负荷大小调节所述光伏楼宇中的可平移负荷，包括：
对A或B得到的当前优选的可平移负荷大小进行修正，得到实际可平移负荷大小；
调节所述光伏楼宇中可平移负荷的大小为所述实际可平移负荷大小。
其中，所述对A或B得到的当前优选的可平移负荷大小进行修正，得到实际可平移负荷大小，具体为：
自由组合所述光伏楼宇中所有可用的可平移负荷，计算每种组合对应的负荷大小；
将各组合对应的负荷大小与当前优选的可平移负荷大小进行比对，找出两者差值绝对值最小、并且差值小于0的组合，将该组合对应的负荷大小确定为实际可平移负荷大小。
其中，所述根据所述历史运行数据得到训练样本优化数据库，包括：
根据所述历史运行数据建立一离线优化数学模型；所述离线优化数学模型以所述光伏楼宇的运行收益最大化为目标函数，以所述历史运行数据中可平移负荷的开始工作时间为决策变量，以所述可平移负荷开始工作的时间范围为约束条件；其中，所述运行收益为P＝Psell+Psub-Pbuy；
Psell为剩余光伏售出收益，Psub为光伏发电政府补贴，Pbuy为电网购电开销；
采用粒子群优化算法求解所述离线优化数学模型，得到训练样本优化数据库，所述训练样本优化数据库中包含运行环境、光伏功率、基础负荷以及总负荷信息。
其中，所述从所述训练样本优化数据库中确定与当前运行环境相适应的优选训练样本包括：
确定当天的时间属性，所述时间属性包括工作日和休息日；
查找所述训练样本优化数据库，得到时间属性与当前运行环境一致的第一训练样本集合；
获取当天的日温度均值，将所述第一训练样本集合中各训练样本对应的日温度均值与当前日温度均值进行比对，确定出日温度均值与当天的日温度均值的差值小于设定温差的第二训练样本集合；
获取当天的日光照强度均值，将所述第二训练样本集合中各训练样本对应的日光照强度均值与当天的日光照强度均值进行比对，确定出日光照强度均值与当天的日光照强度均值的差值小于设定光强差的优选训练样本；
所述结合当前光伏功率和基础负荷信息，得到当前优选的可平移负荷大小，包括：
将当前光伏功率和基础负荷信息作为所述优选训练样本的输入，通过核函数学习算法得到当前优选的可平移负荷大小。
本发明另一方面提供一种光伏楼宇中能量调节的系统，包括：离线优化模块、在线决策模块以及负荷调节模块，
所述离线优化模块，用于获取所述光伏楼宇的历史运行数据，根据所述历史运行数据得到训练样本优化数据库；
所述在线决策模块，用于判断当前时间是否处于预设的高电价时段，若是，从所述训练样本优化数据库中确定与当前运行环境相适应的优选训练样本，结合所述光伏楼宇当前的光伏功率和基础负荷信息，得到当前优选的可平移负荷大小；若否，计算所述光伏楼宇当前的光伏功率和基础负荷的能量差值，根据所述能量差值得到当前的优选的可平移负荷大小；
所述负荷调节模块，用于根据所述在线决策模块得到的当前优选的可平移负荷大小调节所述光伏楼宇中的可平移负荷，以调节所述光伏楼宇当前运行能量。
其中，所述负荷调节模块包括：修正单元和调节单元，
所述修正单元，用于对所述在线决策模块得到的当前优选的可平移负荷大小进行修正，得到实际可平移负荷大小；
所述调节单元，调节所述光伏楼宇中可平移负荷的大小为所述实际可平移负荷大小。
其中，所述修正单元包括：负荷组合子单元和负荷比较子单元，
所述负荷组合子单元，用于自由组合所述光伏楼宇中所有可用的可平移负荷，计算每种组合对应的负荷大小并存储；
所述负荷比较子单元，用于将所述负荷组合子单元得到的各组合对应的负荷大小与当前优选的可平移负荷大小进行比对，找出两者差值绝对值最小、并且差值小于0的组合，将该组合对应的负荷大小确定为实际可平移负荷大小。
其中，所述离线优化模块包括：建模单元和求解单元，
所述建模单元，用于根据所述历史运行数据建立一离线优化数学模型；所述离线优化数学模型以所述光伏楼宇的运行收益最大化为目标函数，以所述历史运行数据中可平移负荷的开始工作时间为决策变量，以所述可平移负荷开始工作的时间范围为约束条件；其中，所述运行收益为P＝Psell+Psub-Pbuy；
Psell为剩余光伏售出收益，Psub为光伏发电政府补贴，Pbuy为电网购电开销；
所述求解单元，用于采用粒子群优化算法求解所述离线优化数学模型，得到训练样本优化数据库，所述训练样本优化数据库中包含运行环境、光伏功率、基础负荷以及总负荷信息。
其中，所述在线决策模块包括：判断单元、第一决策单元以及第二决策单元，
所述判断单元，用于判断当前时间是否处于预设的高电价时段，若是，启动第一决策单元，若否，启动第二决策单元；
所述第一决策单元，用于从所述训练样本优化数据库中确定与当前运行环境相适应的优选训练样本，结合所述光伏楼宇当前的光伏功率和基础负荷信息，得到当前优选的可平移负荷大小；
所述第二决策单元，用于计算所述光伏楼宇当前的光伏功率和基础负荷的能量差值，根据所述能量差值得到当前的优选的可平移负荷大小；
其中，所述第一决策单元具体包括：属性比较设备、温度比较设备和光强比较设备，
所述属性比较设备，用于确定当天的时间属性，所述时间属性包括工作日和休息日；查找所述训练样本优化数据库，得到时间属性与当前运行环境一致的第一训练样本集合；
所述温度比较设备，用于获取当天的日温度均值，将所述第一训练样本集合中各训练样本对应的日温度均值与当前日温度均值进行比对，确定出日温度均值与当天的日温度均值的差值小于设定温差的第二训练样本集合；
所述光强比较设备，用于获取当天的日光照强度均值，将所述第二训练样本集合中各训练样本对应的日光照强度均值与当天的日光照强度均值进行比对，确定出日光照强度均值与当天的日光照强度均值的差值小于设定光强差的优选训练样本。
实施本发明的上述技术方案的有益效果包括：利用历史运行数据，通过离线优化得到训练样本优化数据库；之后在线决策阶段，基于分时电价，如果当前时间为低电价时段，则可从训练样本优化数据库中确定出优选训练样本，通过学习算法进一步得到当前优选的可平移负荷大小；如果当前时间为高电价阶段，则根据光伏功率与基础负荷的能量差值计算当前优选的可平移负荷大小，根据当前优选的可平移负荷大小调节所述光伏楼宇中的可平移负荷，可有效提高光伏楼宇的光伏自消纳率，减少从电网的购电开销，提高光伏楼宇运行的经济性。
附图说明
图1为本发明实施例光伏楼宇中能量调节的方法的示意性流程图；
图2为光伏楼宇的结构示意图。
图3为本发明实施例光伏楼宇中能量调节的方法的逻辑框架图。
图4为离线优化算法的流程伪代码图。
图5为在线决策算法的流程伪代码图。
图6为本发明实施例光伏楼宇中能量调节的系统的示意性结构图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而非全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种光伏楼宇中能量调节的方法，适用于各种含有光伏系统与可平移负荷的智能楼宇，如图1所示，所述智能楼宇中至少包括可平移负荷；并且还适用于光伏系统与具有可平移负荷系统的各种组合应用场景。本发明实施例还提供相应的光伏楼宇中能量调节的系统。以下分别进行详细说明。
图2为本发明实施例光伏楼宇中能量调节的方法的示意性流程图，图3为本发明实施例光伏楼宇中能量调节的方法整体逻辑框图；参考如图2、图3，下面对所述光伏楼宇中能量调节的方法的实现过程详细说明:
步骤S100，获取光伏楼宇的历史运行数据，根据所述历史运行数据得到训练样本优化数据库；
其中，光伏楼宇的历史运行数据可以为指定时间段的运行数据，例如2013年第一季度的运行数据、2013年第三季度的运行数据等；也可以当前时间为基准，前推设定时间段内的运行数据，例如当前时间为2015年2月，将该时间前6个月或者3个月的数据作为历史运行数据，这种方式便于对历史运行数据进行动态更新，始终以最新的历史运行数据作为学习基础，提高优化的准确度。
需要说明的是，本实施例中光伏楼宇的所述历史运行数据中包括运行环境(时间、温度、光强等)、光伏功率、基础负荷、可平移负荷以及总负荷等运行信息，还包括运行收入及开销等信息。
作为一优选实施方式，本实施例离线优化历史运行数据的方式可为：
首先，根据所述历史运行数据建立一离线优化数学模型；所述离线优化数学模型以所述光伏楼宇的运行收益最大化为目标函数，以所述历史运行数据中可平移负荷的开始工作时间为决策变量，以所述可平移负荷开始工作的时间范围为约束条件；
优选地，所述运行收益＝光伏发电政府补贴+剩余光伏售出收益-电网购电开销；
然后，采用粒子群优化算法求解所述离线优化数学模型，得到训练样本优化数据库；所述训练样本优化数据库中包含运行环境、光伏功率、基础负荷以及总负荷等信息。
粒子群优化算法(Particle Swarm Optimization，PSO)，也称粒子群算法，属于进化算法的一种，和遗传算法相似，它也是从随机解出发，通过迭代寻找最优解，它也是通过适应度来评价解的品质，但它比遗传算法规则更为简单，它没有遗传算法的“交叉”(Crossover)和“变异”(Mutation)操作，它通过追随当前搜索到的最优值来寻找全局最优。PSO初始化为一群随机粒子(随机解)，然后通叠代找到最优解，在每一次叠代中，粒子通过跟踪两个"极值"来更新自己，第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest，另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest，另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值，在找到这两个最优值时，粒子根据这两个最优值更新自己的速度和新的位置。这种算法具有实现容易、精度高、收敛快的优点。
步骤S200，判断当前时间是否处于预设的高电价时段，若是，执行步骤S300，若否，执行步骤S400；
一般情况下不同时段会有不同的电价(即分时电价标准)，例如低电价时间段为20:00点至08:00点，高电价时间段为08:00点至20:00；或者是冬夏两个季度为低电价时间段，春秋两个季度为高电价时间段；还可以结合季节与时钟的方式设定高/低电价时间段，因此关于高/低电价时段的划分可根据实际情况调整，本发明对此不作限定。
基于分时电价，光伏楼宇运行时若有需要从电网购电，则低电价时间段购电的成本会低于高电价时的成本。由于光伏楼宇中可平移负荷的工作时间是可调整的，因此对可平移负荷进行合理调整，可减小从电网的购电的成本。
步骤S300、从所述训练样本优化数据库中确定与当前运行环境相适应的优选训练样本，结合当前光伏功率和基础负荷信息，得到当前优选的可平移负荷大小；
若当前时间处于高电价时段，优选的方案是尽量多向外输出电，尽量少向电网购电，因此可平移负荷工作情况对光伏楼宇的运行收益有较大的影响。
作为一优选实施方式，从所述训练样本优化数据库中确定与当前运行环境相适应的优选训练样本的原理为：首先根据当前的时间属性(工作日以及休息日属性)选出数据库中时间属性相同的数据，其次判断平均温度差值的百分比，选出小于规定值的数据，最后判断平均光照强度差值的百分比，选出小于规定值的数据。具体方式包括如下：
首先，确定当天的时间属性，所述时间属性包括工作日和休息日；
所述训练样本优化数据库的各训练样本也有对应的工作日和休息日时间属性。
其次，查找所述训练样本优化数据库，得到时间属性与当前运行环境的时间属性一致的第一训练样本集合；
例如，若当天的时间属性为工作日，则找出所述训练样本优化数据库时间属性同样为工作日的所有训练样本。
然后，获取当天的日温度均值信息，将所述第一训练样本集合中各训练样本对应的日温度均值与当天的日温度均值进行比对，确定出与当天的日温度均值的差值小于设定温差的第二训练样本集合；
需要说明的是，当天的日温度均值可为预报的日温度均值，可通过网络获取，也可为对当前时间点之前当天温度求平均得出的平均值；日温度均值的确定还可根据实际情况进行调整。
其中，所述设定温差的大小可根据实际情况进行设定，其值越小，得到的第二训练样本集合中训练样本数越少，反之，得到的第二训练样本集合中训练样本数越多。
最后，获取当天的日光照强度均值信息，将所述第二训练样本集合中各训练样本对应的日光照强度均值与当天的日光照强度均值进行比对，确定出与当天的日光照强度均值的差值小于设定光强差的优选训练样本；
需要说明的是，当天的日光照强度均值的确定可参考上述当天的日温度均值的确定方式。
其中，所述设定光强差的大小可根据实际情况进行设定，其值越小，得到的优选训练样本越准确，反之，得到的优选训练样本偏差越大。
其中，基于上述相同原理，可互换上述日温度均值与日光照强度均值两个比对步骤的执行先后。
步骤S400、计算当前光伏功率和基础负荷的能量差值，根据所述能量差值得到当前优选的可平移负荷大小；
作为另一情形，若当前时间处于低电价时段，此时的优选能量方案是尽量少向外输出电，提高智能楼宇的光伏自消纳率。
步骤S500、根据步骤S300或步骤S400得到的当前优选的可平移负荷大小调节所述光伏楼宇中的可平移负荷，以调节所述光伏楼宇当前运行能量。
例如，如果当前光伏楼宇中的可平移负荷的实际大小小于计算出的当前优选的可平移负荷大小，则需要适应性的将可平移负荷调大，以提高智能楼宇的光伏自消纳率；如果当前所述光伏楼宇中的可平移负荷的实际大小大于当前优选的可平移负荷大小，则需要适应性的将可平移负荷调小，以减小当前从电网的购电量。
由于单个可平移负荷的负荷特性是阶跃变化的，因此可平移负荷大小的变化是不连续的，通过在线学习得到的优选的可平移负荷大小不一定与实际负荷完全匹配。基于此，作为一优选实施方式，上述根据步骤S300或步骤S400得到的当前优选的可平移负荷大小调节所述光伏楼宇中可平移负荷的具体方式可包括：
步骤S51，对计算出的当前优选的可平移负荷大小进行修正，得到当前优选的实际可平移负荷大小；
优选地，可根据单个可平移负荷的阶跃变化特性，对计算出的当前优选的可平移负荷大小进行修正。其原理为：由于单个可平移负荷的负荷特性是阶跃变化的，因此调节可平移负荷其大小变化是不连续的，不一定能与计算出的当前优选的可平移负荷大小完全一致，需要根据可平移负荷的实际负荷进行修正。作为一优选实施方式，修正方法可为：
先自由组合所述光伏楼宇中所有可平移负荷，计算每种组合对应的负荷大小；然后将各组合对应的负荷大小与当前优选的可平移负荷大小进行比对，找出两者的差值绝对值最小、并且差值小于0(即负荷大小小于当前优选的可平移负荷大小)的组合，将该组合对应的负荷大小确定为当前优选的实际可平移负荷大小。
步骤S52，按照所述实际可平移负荷大小调节所述光伏楼宇中的可平移负荷，以调节所述光伏楼宇当前运行能量。
根据本发明的上述实施例，利用历史运行数据，通过离线优化得到训练样本优化数据库；之后在线决策阶段，基于分时电价，如果当前时间为低电价时段，则可从训练样本优化数据库中确定出优选训练样本，通过学习算法进一步得到当前优选的可平移负荷大小；如果当前时间为高电价阶段，则根据光伏功率与基础负荷的能量差值计算当前优选的可平移负荷大小，根据当前优选的可平移负荷大小调节所述光伏楼宇中的可平移负荷，可有效提高光伏楼宇的光伏自消纳率，减少从电网的购电开销，提高光伏楼宇运行的经济性；并且上述实施例不需额外的投资，通过现有的能量管理中央控制器与各个负荷控制器通信，交换相关信息，并且向各个负荷控制器发出负荷控制的指令，简便易行。
基于上述描述的光伏楼宇中能量调节的方法实施例，继续参考图2示例的整体逻辑框图，下面以具体实现方式为例进一步对本发明的光伏楼宇中能量调节的方法的实现进行说明。
本发明的光伏楼宇中能量调节的方法的实现包括两个部分，第一部分为离线优化阶段，第二部分为在线决策阶段，下面分别进行说明。
第一部分：离线优化阶段
本阶段需收集历史运行数据，离线优化得到优选的运行方式，以得到训练样本优化数据库，作为在第二阶段线决策时学习使用的基础。
以历史运行数据建立离线优化数学模型，该数学模型是以光伏楼宇的运行收益最大化为目标函数，即：Max(P)；
以历史运行数据中可平移负荷的开始工作时间为决策变量，以可平移负荷开始工作的时间范围为约束条件：
式中，为第i个可平移负荷的开始工作时间，分别为可平移负荷开始工作时间的调节范围的上下限。
本发明实施例中，可平移负荷最终的时间分布与其开始工作的时间相关：
式中，为根据开始工作时间转换后的可平移负荷在t时刻的负荷大小；Δti为第i个可平移负荷的持续工作时间。
每个可平移负荷的大小确定之后，在t时刻总的可平移负荷大小为：
式中，m为t时刻工作的可平移负荷的数量，此时系统总负荷为：
Eload(t)＝Eshift(t)+Ebase(t)；
式中，Ebase(t)代表基础负荷。
优选地，本发明实施例中光伏楼宇的运行收益由三个部分组成：
P＝Psell+Psub-Pbuy
各部分含义如下：
(1)Psell是光伏楼宇将剩余的电量卖给电网所获收益。如果光伏功率大于光伏楼宇的负荷能耗，额外的光伏卖给电网，产生的收益如下：
式中，EPV(t)为t时刻光伏系统的光功率；为光伏卖给电网的单位电价(RMB/kWh)。
(2)Psub为从政府获得的光伏分布式电源财政补贴，具体如下：
式中，为政府补贴分布式光伏的单位电价(RMB/kWh)。
(3)实际运行中可能会出现光伏系统的光伏出力小于光伏楼宇总负荷需求，难以满足光伏楼宇负荷需求的情况，因此光伏楼宇还可能从电网购电，购电的费用计算如下：
式中，为光伏楼宇从电网购电的单位电价(RMB/kWh)。
采用PSO优化算法求解上述离线优化数学模型，图4示例了一具体离线优化算法的流程伪代码，将离线优化得到的光伏功率、基础负荷以及总负荷、运行收益等存入训练样本优化数据库。
第二部分：在线决策阶段
基于离线优化得到的训练样本优化数据库，光伏楼宇运行时，可根据当前运行环境确定出当前优选的可平移负荷大小，以使光伏楼宇的能量管理最优化，图5是本发明在线决策阶段计算当前优选的实际可平移负荷大小的伪代码图。结合图5，下面对第二阶段进行说明。
光伏楼宇运行时，基于分时电价，需先判断当前时间是否处于高电价时段，如果处于高电价时段，则根据当天的时间属性、日温度均值、日光照强度均值等信息从训练样本优化数据库确定出优选训练样本，基于该优选训练样本确定当前优选的可平移负荷大小；
具体地，采用光照强度和温度来代表当前运行环境的天气状况；另外把当前运行日期的时间属性划分为工作日和休息日，不同时间属性代表楼宇不同的负荷特性；基于此提出了特征参数Parpro，
式中，M1代表当天的日光照强度均值的集合；M2代表当天的日温度均值的集合；M3代表当天的时间属性(即当天是休息日还是工作日)。
首先，根据工作日以及休息日的时间属性选出训练样本优选数据库中时间属性相同的数据(第一训练样本集合)：
Par(A).M3＝Par(B).M3；
其中，A、B表示不同的对象，例如Par(A).M3表示对象第一训练样本集合中训练样本的时间属性，Par(B).M3表示对象为当前运行环境的时间属性。
其次，判断与第一训练样本集合中训练样本的日温度均值差值的百分比，选出小于规定值(设定温差)的数据(第二训练样本集合)：
|Par(A).M1-Par(B).M1|/Par(A).M1<KM1
然后，判断与第二训练样本集合中训练样本的日光照强度均值差值的百分比，选出小于规定值(设定光强差)的数据(优选训练样本)：
|Par(A).M2-Par(B).M2|/Par(A).M2<KM2
式中，KM1和KM2为根据不同的光伏楼宇运行条件设置的温差、光强差参数。
确定出当前运行环境对应的优选训练样本之后，以当前时刻光伏楼宇系统中光伏功率和基础负荷信息作为输入，输出当前优选的总负荷：
Eload(t)＝ELMK(KBt,EPV(t),Ebase(t))
通过核函数学习方法计算当前优选的可平移负荷大小：
根据模式识别理论，低维空间线性不可分的模式通过非线性映射到高维特征空间则可能实现线性可分，但是如果直接采用这种技术在高维空间进行分类或回归，则存在确定非线性映射函数的形式和参数、特征空间维数等问题，而最大的障碍则是在高维特征空间运算时存在的"维数灾难"。采用核函数技术可以有效地解决这样问题。
由于可平移负荷的大小调节不是随时间连续变化的，而是呈阶梯状，因此需根据单个可平移负荷的大小调节特性，修正当前优选的可平移负荷大小，计算出当前最优的实际可平移负荷大小；
优选地，对当前优选的可平移负荷大小进行如下调整：
其中：
在线决策阶段的另一情形为，基于分时电价，如果当前时间处于低电价时段，则可直接通过计算当前时刻光伏功率与基础负荷的能量差值，进而得到当前优选的可平移负荷大小为：
根据上述修正原理，修正当前优选的可平移负荷大小进行可得到当前最优的实际可平移负荷大小：
其中：
在第二部分，得出当前最优的实际可平移负荷大小之后，则调节光伏楼宇中的可平移负荷的大小等于所述实际可平移负荷大小，以优化光伏楼宇的能量，提高智能楼宇的光伏自消纳率，减少从电网的购电开销，提高光伏楼宇运行收益。
需要说明的是，对于前述方法实施例，为了简便描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定都是本发明所必须的。
以下对可用于执行上述光伏楼宇中能量调节的方法的本发明实施例的光伏楼宇中能量调节的系统进行说明。图6为本发明实施例光伏楼宇中能量调节的系统的示意性结构图，为了便于说明，图中仅仅示出了与本发明实施例相关的部分，本领域技术人员可以理解，图中示出的系统结构并不构成对系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
图6示例的光伏楼宇中能量调节的系统包含：离线优化模块610、在线决策模块620、以及负荷调节模块630，其中，
所述离线优化模块610，用于获取所述光伏楼宇的历史运行数据，根据所述历史运行数据得到训练样本优化数据库；
所述在线决策模块620，用于判断当前时间是否处于预设的高电价时段，若是，从所述训练样本优化数据库中确定与当前运行环境相适应的优选训练样本，结合所述光伏楼宇当前的光伏功率和基础负荷信息，得到当前优选的可平移负荷大小；若否，计算所述光伏楼宇当前的光伏功率和基础负荷的能量差值，根据所述能量差值得到当前的优选的可平移负荷大小；
所述负荷调节模块630，用于根据所述在线决策模块620得到的当前优选的可平移负荷大小调节所述光伏楼宇中的可平移负荷，以调节所述光伏楼宇当前运行能量。
优选地，所述在线决策模块620可包括判断单元621、第一决策单元622和第二决策单元623，
其中，判断单元621用于判断当前时间是否处于预设的高电价时段？若是，启动第一决策单元622，若否，启动第二决策单元623；
所述第一决策单元622用于从所述训练样本优化数据库中确定与当前运行环境相适应的优选训练样本，结合所述光伏楼宇当前的光伏功率和基础负荷信息，得到当前优选的可平移负荷大小；
所述第二决策单元623用于计算所述光伏楼宇当前的光伏功率和基础负荷的能量差值，根据所述能量差值得到当前的优选的可平移负荷大小。
优选地，所述结合当前光伏功率和基础负荷信息，得到当前优选的可平移负荷大小，包括：
将当前光伏功率和基础负荷信息作为所述优选训练样本的输入，通过核函数学习算法得到当前优选的可平移负荷大小。
作为一优选实施方式，本实施例上述第一决策单元622具体包括：属性比较设备、温度比较设备和光强比较设备，其中，所述属性比较设备，用于确定当天的时间属性，所述时间属性包括工作日和休息日；查找所述训练样本优化数据库，得到时间属性与当前运行环境一致的第一训练样本集合；所述温度比较设备，用于获取当天的日温度均值，将所述第一训练样本集合中各训练样本对应的日温度均值与当前日温度均值进行比对，确定出日温度均值与当天的日温度均值的差值小于设定温差的第二训练样本集合；所述光强比较设备，用于获取当天的日光照强度均值，将所述第二训练样本集合中各训练样本对应的日光照强度均值与当天的日光照强度均值进行比对，确定出日光照强度均值与当天的日光照强度均值的差值小于设定光强差的优选训练样本。
由于单个可平移负荷的负荷特性是阶跃变化的，因此可平移负荷大小的变化是不连续的，通过在线学习得到的优选的可平移负荷大小不一定与实际负荷完全匹配。基于此，作为一优选实施方式，所述负荷调节模块630具体包括：修正单元631以及调节单元632，其中，
所述修正单元631，用于对所述在线决策模块620得到的当前优选的可平移负荷大小进行修正，得到实际可平移负荷大小；
优选地，所述修正单元631包括：负荷组合子单元和负荷比较子单元，其中，所述负荷组合子单元，用于自由组合所述光伏楼宇中所有可用的可平移负荷，计算每种组合对应的负荷大小并存储；所述负荷比较子单元，用于将所述组合子单元得到的各组合对应的负荷大小与当前优选的可平移负荷大小进行比对，找出两者差值绝对值最小、并且差值小于0的组合，将该组合对应的负荷大小确定为实际可平移负荷大小。
所述调节单元632，调节所述光伏楼宇中可平移负荷的大小为所述实际可平移负荷大小。
作为另一优选实施方式，所述离线优化模块610具体包括：建模单元611和求解单元612，其中，
所述建模单元611，用于根据所述历史运行数据建立一离线优化数学模型；所述离线优化数学模型以所述光伏楼宇的运行收益最大化为目标函数，以所述历史运行数据中可平移负荷的开始工作时间为决策变量，以所述可平移负荷开始工作的时间范围为约束条件；其中，所述运行收益＝光伏发电政府补贴+剩余光伏售出收益-电网购电开销；
所述求解单元612，用于采用粒子群优化算法求解所述离线优化数学模型，得到训练样本优化数据库，所述训练样本优化数据库中包含运行环境、光伏功率、基础负荷以及总负荷信息。
根据在上述图6示例的光伏楼宇中能量调节的系统实施例，可利用历史运行数据，通过离线优化得到训练样本优化数据库；之后在线决策阶段，基于分时电价，如果当前时间为低电价时段，则可从训练样本优化数据库中确定出优选训练样本，通过学习算法进一步得到当前优选的可平移负荷大小；如果当前时间为高电价阶段，则根据光伏功率与基础负荷的能量差值计算当前优选的可平移负荷大小，根据当前优选的可平移负荷大小调节所述光伏楼宇中的可平移负荷，可有效提高光伏楼宇的光伏自消纳率，减少从电网的购电开销，提高光伏楼宇运行的经济性。
需要说明的是，上述实施例中各模块/单元之间的信息交互、执行过程等内容，由于与本发明前述方法实施例基于同一构思，其带来的技术效果与本发明前述方法实施例相同，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。
此外，上述光伏楼宇中能量调节的系统的实施方式中，各功能模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的功能模块完成，即将所述光伏楼宇中能量调节的系统的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。
另外，在本发明前述各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。本领域普通技术人员可以理解本发明的任意实施例指定的方法的全部或部分步骤是可以通过程序来指令相关的硬件(个人计算机、服务器、或者网络设备等)来完成。该程序可以存储于一计算机可读存储介质中。该程序在执行时，可执行上述任意实施例指定的方法的全部或部分步骤。前述存储介质可以包括任何可以存储程序代码的介质，例如只读存储器(Read-Only Memory，ROM)、随机存取器(Random AccessMemory，RAM)、磁盘或光盘等。
以上为对本发明所提供的光伏楼宇中能量调节的方法及系统的描述，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种光伏楼宇中能量调节的方法，其特征在于，包括：
获取所述光伏楼宇的历史运行数据，根据所述历史运行数据得到训练样本优化数据库；
判断当前时间是否处于预设的高电价时段，若是，执行A，若否，执行B；
A、从所述训练样本优化数据库中确定与当前运行环境相适应的优选训练样本，结合所述光伏楼宇当前的光伏功率和基础负荷信息，得到当前优选的可平移负荷大小；
B、计算所述光伏楼宇当前的光伏功率和基础负荷的能量差值，根据所述能量差值得到当前的优选的可平移负荷大小；
根据A或B得到的当前优选的可平移负荷大小调节所述光伏楼宇中的可平移负荷，以调节所述光伏楼宇当前运行能量。
2.如权利要求1所述光伏楼宇中能量调节的方法，其特征在于，所述根据A或B得到的当前优选的可平移负荷大小调节所述光伏楼宇中的可平移负荷，包括：
对A或B得到的当前优选的可平移负荷大小进行修正，得到实际可平移负荷大小；
调节所述光伏楼宇中可平移负荷的大小为所述实际可平移负荷大小。
3.如权利要求2所述光伏楼宇中能量调节的方法，其特征在于，所述对A或B得到的当前优选的可平移负荷大小进行修正，得到实际可平移负荷大小，具体为：
自由组合所述光伏楼宇中所有可用的可平移负荷，计算每种组合对应的负荷大小；
将各组合对应的负荷大小与当前优选的可平移负荷大小进行比对，找出两者差值绝对值最小、并且差值小于0的组合，将该组合对应的负荷大小确定为实际可平移负荷大小。
4.如权利要求1所述光伏楼宇中能量调节的方法，其特征在于，所述根据所述历史运行数据得到训练样本优化数据库，包括：
根据所述历史运行数据建立一离线优化数学模型；所述离线优化数学模型以所述光伏楼宇的运行收益最大化为目标函数，以所述历史运行数据中可平移负荷的开始工作时间为决策变量，以所述可平移负荷开始工作的时间范围为约束条件；其中，所述运行收益为P＝Psell+Psub-Pbuy；
Psell为剩余光伏售出收益，Psub为光伏发电政府补贴，Pbuy为电网购电开销；
采用粒子群优化算法求解所述离线优化数学模型，得到训练样本优化数据库，所述训练样本优化数据库中包含运行环境、光伏功率、基础负荷以及总负荷信息。
5.如权利要求1所述光伏楼宇中能量调节的方法，其特征在于，所述从所述训练样本优化数据库中确定与当前运行环境相适应的优选训练样本包括：
确定当天的时间属性，所述时间属性包括工作日和休息日；
查找所述训练样本优化数据库，得到时间属性与当前运行环境一致的第一训练样本集合；
获取当天的日温度均值，将所述第一训练样本集合中各训练样本对应的日温度均值与当前日温度均值进行比对，确定出日温度均值与当天的日温度均值的差值小于设定温差的第二训练样本集合；
获取当天的日光照强度均值，将所述第二训练样本集合中各训练样本对应的日光照强度均值与当天的日光照强度均值进行比对，确定出日光照强度均值与当天的日光照强度均值的差值小于设定光强差的优选训练样本；
所述结合当前光伏功率和基础负荷信息，得到当前优选的可平移负荷大小，包括：
将当前光伏功率和基础负荷信息作为所述优选训练样本的输入，通过核函数学习算法得到当前优选的可平移负荷大小。
6.一种光伏楼宇中能量调节的系统，其特征在于，包括：离线优化模块、在线决策模块以及负荷调节模块，
所述离线优化模块，用于获取所述光伏楼宇的历史运行数据，根据所述历史运行数据得到训练样本优化数据库；
所述在线决策模块，用于判断当前时间是否处于预设的高电价时段，若是，从所述训练样本优化数据库中确定与当前运行环境相适应的优选训练样本，结合所述光伏楼宇当前的光伏功率和基础负荷信息，得到当前优选的可平移负荷大小；若否，计算所述光伏楼宇当前的光伏功率和基础负荷的能量差值，根据所述能量差值得到当前的优选的可平移负荷大小；
所述负荷调节模块，用于根据所述在线决策模块得到的当前优选的可平移负荷大小调节所述光伏楼宇中的可平移负荷，以调节所述光伏楼宇当前运行能量。
7.如权利要求6所述光伏楼宇中能量调节的系统，其特征在于，所述负荷调节模块包括：修正单元和调节单元，
所述修正单元，用于对所述在线决策模块得到的当前优选的可平移负荷大小进行修正，得到实际可平移负荷大小；
所述调节单元，调节所述光伏楼宇中可平移负荷的大小为所述实际可平移负荷大小。
8.如权利要求7所述光伏楼宇中能量调节的系统，其特征在于，所述修正单元包括：负荷组合子单元和负荷比较子单元，
所述负荷组合子单元，用于自由组合所述光伏楼宇中所有可用的可平移负荷，计算每种组合对应的负荷大小并存储；
所述负荷比较子单元，用于将所述负荷组合子单元得到的各组合对应的负荷大小与当前优选的可平移负荷大小进行比对，找出两者差值绝对值最小、并且差值小于0的组合，将该组合对应的负荷大小确定为实际可平移负荷大小。
9.如权利要求6所述光伏楼宇中能量调节的系统，其特征在于，所述离线优化模块包括：建模单元和求解单元，
所述建模单元，用于根据所述历史运行数据建立一离线优化数学模型；所述离线优化数学模型以所述光伏楼宇的运行收益最大化为目标函数，以所述历史运行数据中可平移负荷的开始工作时间为决策变量，以所述可平移负荷开始工作的时间范围为约束条件；其中，所述运行收益为P＝Psell+Psub-Pbuy；
Psell为剩余光伏售出收益，Psub为光伏发电政府补贴，Pbuy为电网购电开销；
所述求解单元，用于采用粒子群优化算法求解所述离线优化数学模型，得到训练样本优化数据库，所述训练样本优化数据库中包含运行环境、光伏功率、基础负荷以及总负荷信息。
10.如权利要求6所述光伏楼宇中能量调节的系统，其特征在于，所述在线决策模块包括：判断单元、第一决策单元以及第二决策单元，
所述判断单元，用于判断当前时间是否处于预设的高电价时段，若是，启动第一决策单元，若否，启动第二决策单元；
所述第一决策单元，用于从所述训练样本优化数据库中确定与当前运行环境相适应的优选训练样本，结合所述光伏楼宇当前的光伏功率和基础负荷信息，得到当前优选的可平移负荷大小；
所述第二决策单元，用于计算所述光伏楼宇当前的光伏功率和基础负荷的能量差值，根据所述能量差值得到当前的优选的可平移负荷大小；
其中，所述第一决策单元具体包括：属性比较设备、温度比较设备和光强比较设备，
所述属性比较设备，用于确定当天的时间属性，所述时间属性包括工作日和休息日；查找所述训练样本优化数据库，得到时间属性与当前运行环境一致的第一训练样本集合；
所述温度比较设备，用于获取当天的日温度均值，将所述第一训练样本集合中各训练样本对应的日温度均值与当前日温度均值进行比对，确定出日温度均值与当天的日温度均值的差值小于设定温差的第二训练样本集合；
所述光强比较设备，用于获取当天的日光照强度均值，将所述第二训练样本集合中各训练样本对应的日光照强度均值与当天的日光照强度均值进行比对，确定出日光照强度均值与当天的日光照强度均值的差值小于设定光强差的优选训练样本。
CN201510505855.4A 2015-08-17 2015-08-17 光伏楼宇中能量调节的方法及系统 Active CN105071396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510505855.4A CN105071396B (zh) 2015-08-17 2015-08-17 光伏楼宇中能量调节的方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510505855.4A CN105071396B (zh) 2015-08-17 2015-08-17 光伏楼宇中能量调节的方法及系统

Publications (2)

Publication Number Publication Date
CN105071396A true CN105071396A (zh) 2015-11-18
CN105071396B CN105071396B (zh) 2017-11-03

Family

ID=54500709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510505855.4A Active CN105071396B (zh) 2015-08-17 2015-08-17 光伏楼宇中能量调节的方法及系统

Country Status (1)

Country Link
CN (1) CN105071396B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461091A (zh) * 2018-05-25 2019-03-12 中国农业大学 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统
CN115443592A (zh) * 2020-02-24 2022-12-06 领先电力解决方案有限公司 用于动态调度发电机电力的技术

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103700028A (zh) * 2013-12-13 2014-04-02 广东电网公司电力科学研究院 一种用电控制方法和装置
CN104182809A (zh) * 2014-08-29 2014-12-03 国家电网公司 一种家庭智能用电系统的优化方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103700028A (zh) * 2013-12-13 2014-04-02 广东电网公司电力科学研究院 一种用电控制方法和装置
CN104182809A (zh) * 2014-08-29 2014-12-03 国家电网公司 一种家庭智能用电系统的优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘方等: "不同时间尺度下基于混合储能调度的微网能量优化", 《电网技术》 *
唐二雷: "基于智能用电系统的家庭用电策略研究", 《中国优秀硕士学位论文全文数据库（电子期刊）》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109461091A (zh) * 2018-05-25 2019-03-12 中国农业大学 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统
CN109461091B (zh) * 2018-05-25 2020-08-28 中国农业大学 考虑光伏和冷负荷相关性的用电负荷计算方法及信息系统
CN115443592A (zh) * 2020-02-24 2022-12-06 领先电力解决方案有限公司 用于动态调度发电机电力的技术

Also Published As

Publication number Publication date
CN105071396B (zh) 2017-11-03

Similar Documents

Publication Publication Date Title
Perera et al. Redefining energy system flexibility for distributed energy system design
Machlev et al. A review of optimal control methods for energy storage systems-energy trading, energy balancing and electric vehicles
CN107301472A (zh) 基于场景分析法和电压调节策略的分布式光伏规划方法
Luo et al. Bi-level multi-objective optimization of design and subsidies for standalone hybrid renewable energy systems: A novel approach based on artificial neural network
Aghamolaei et al. Feasibility analysis of community-based PV systems for residential districts: A comparison of on-site centralized and distributed PV installations
Lu et al. Configuration optimization of an off-grid multi-energy microgrid based on modified NSGA-II and order relation-TODIM considering uncertainties of renewable energy and load
Li et al. Zero energy potential of photovoltaic direct-driven air conditioners with considering the load flexibility of air conditioners
Ghatak et al. Optimal allocation of DG using exponentential PSO with reduced search space
CN108346009B (zh) 一种基于用户模型自学习的电力生产配置方法和装置
CN115689146A (zh) 一种多能源智能楼宇负荷调度方法及系统
Zhao et al. Day-ahead robust optimal dispatch of integrated energy station considering battery exchange service
Pakere et al. Solar power or solar heat: What will upraise the efficiency of district heating? Multi-criteria analyses approach
Nasiri et al. Data analytics and information technologies for smart energy storage systems: A state-of-the-art review
CN116937601A (zh) 一种基于在线安全分析的多元可控负荷协同调度策略校核方法
Kurte et al. Comparative analysis of model-free and model-based HVAC control for residential demand response
Carreras et al. An iterative linear programming approach to optimize costs in distributed energy systems by considering nonlinear battery inverter efficiencies
CN114757388A (zh) 一种基于改进nsga-iii的区域综合能源系统设备容量优化方法
CN105071396A (zh) 光伏楼宇中能量调节的方法及系统
CN106300343A (zh) 一种基于市场均衡机制的微网能量优化方法
Ran et al. A bi-level optimization method for regional integrated energy system considering uncertainty and load prediction under climate change
CN113609778B (zh) 一种综合能源系统多目标优化方法及系统
Devriese et al. Volt/VAr optimization with energy savings for distribution system using intelligent control
CN116054240A (zh) 一种基于功率预测的风电并网运行控制优化方法及系统
CN114781274A (zh) 仿真与决策交替学习的综合能源系统控制优化方法与系统
Danti et al. Performance analysis of an optimization management algorithm on a multi-generation small size power plant

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