CN105762917A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN105762917A CN105762917A CN201610224735.1A CN201610224735A CN105762917A CN 105762917 A CN105762917 A CN 105762917A CN 201610224735 A CN201610224735 A CN 201610224735A CN 105762917 A CN105762917 A CN 105762917A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- accumulator battery
- power consumption
- forecast
- accumulator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 5
- 230000005611 electricity Effects 0.000 claims abstract description 39
- 230000007935 neutral effect Effects 0.000 claims description 16
- 238000007689 inspection Methods 0.000 claims description 6
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 3
- 230000003203 everyday effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 239000002243 precursor Substances 0.000 claims 1
- 230000006870 function Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000001105 regulatory effect 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
-
- H02J3/383—
-
- 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
- H02S40/30—Electrical components
- H02S40/32—Electrical components comprising DC/AC inverter means associated with the PV module itself, e.g. AC modules
-
- 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
- H02J2207/00—Indexing scheme relating to details of circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J2207/20—Charging or discharging characterised by the power electronics converter
-
- 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
Abstract
本发明提供了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,其中:光伏充电控制器,对光伏阵列的输出电压进行控制使之符合蓄电池充电要求,同时进行最大功率点追踪以提高光伏阵列的发电效率;多个蓄电池组通过蓄电池的串联实现对不同额定电压的直流电器供电,同时利用逆变器实现对交流电器的供电;智能网关,记录各蓄电池组的耗电量与充电量并保存,并根据耗电量与充电量信息进行电量预报;同时基于预报信息以及当前各蓄电池组的状态指导继电器开关进行合理的电量分配,在保证蓄电池组的成本和效率的同时满足供电需求。本发明旨在提高光伏系统对交直流混合系统供电时的效率。
Description
技术领域
本发明涉及一种高效的基于神经网络用电量预报的智能离网光伏系统和方法,属于光伏离网发电技术领域。
背景技术
随着太阳能、风能、潮汐能等可再生能源的技术进步,交直流电器共用将成为未来发展方向。交流电器要使用以上可再生能源,就必须使用直流-交流逆变系统,而逆变系统的工作会消耗一部分电能,这就会降低整个系统的效率。另一方面,直流电器在工作性能上超越了交流电器,比如直流空调无论在运行寿命还是在工作效率和调节性能方面都远胜于交流空调,故直流家用电器在发达国家(如日本、德国)属于研究热点。
然而,不同于交流电器,直流电器的标准还不完善,如直流电视就有以12V、24V、48V等作为额定电压的,这就对光伏供电系统提出了额外的要求。一种常用的解决方式是引入直流-直流转换器(如降压器)。但类似逆变器,这样的转换器也会降低整个系统的效率,譬如,当前的降压器效率多在80%~95%。
另一种思路是利用多组输出电压不同的蓄电池组为对应额定电压的电器进行供电。但这种方法在总发电量富余不多的情况下很可能出现某蓄电池组电能耗尽而无法满足供电需求。若是通过提高光伏阵列容量来解决此问题,一方面会增加系统成本,另一方面也降低了整个系统的效率。
经过对现有的技术文献检索后发现,太原理工大学的刘佳易2014年在硕士学位论文“交直流混合微电网中双向AC/DC功率变换器控制策略研究”中提出了使用双向AC/DC功率变换器以满足同时交直流电器的供电需求。然而该控制策略在直流电压或交流频率发生变化时只能将其稳定在控制阈值附近,而不能维持在额定值附近。
发明内容
针对以上问题,本发明提供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,多个蓄电池组通过蓄电池的串联实现对不同额定电压的直流电器供电,同时利用逆变器实现对交流电器的供电,旨在提高光伏系统对交直流混合系统供电时的效率。
为实现上述目的,本发明采用以下技术方案:
本发明提供一种基于神经网络用电量预报的智能离网光伏系统,该系统包括光伏阵列、光伏充电控制器、继电器开关、逆变器、多组蓄电池以及智能网关,所述光伏阵列、光伏充电控制器、继电器开关、逆变器、多组蓄电池共同组成分布式光伏并网发电系统;其中:
光伏充电控制器,对光伏阵列的输出电压进行控制使之符合蓄电池充电要求,同时进行最大功率点追踪以提高光伏阵列的发电效率;
多组蓄电池,通过蓄电池的串联实现对不同额定电压的直流电器供电;
逆变器,使得蓄电池在提供直流电的同时,也能为交流电器供电;
智能网关,记录各蓄电池组的耗电量与充电量并保存,并根据耗电量与充电量信息进行电量预报;同时基于预报信息以及当前各蓄电池组的状态指导继电器开关进行合理的电量分配,在保证蓄电池组的成本和效率的同时满足供电需求;
继电器开关,根据智能网关的指令进行电路的通断,以实现对特定的蓄电池组的充电控制。
优选地,每组蓄电池对应一个光伏充电控制器,光伏充电控制器的主要功能是在实现安全充电的同时进行最高功率点追踪以提高光伏阵列的发电效率。
优选地,智能网关依据预测用电量以及蓄电池组电量状态信息控制对应的继电器开关实现光伏发电量对各蓄电池组的合理分配。
优选地,网关与分布式光伏并网发电系统、蓄电池以及光伏充电控制器采用电力载波通信方式。
优选地,所述智能网关,实时采集各蓄电池组的供电量以及从光伏充电控制器得到的电量,从而得到蓄电池组的蓄电量;同时智能网关获得当前的天气信息,天气信息包括气温、降水、时刻、节假日信息、季节信息、星期信息,并将天气信息与蓄电池组的用电信息存储,根据这些历史数据,智能网关对其进行多元线性回归,利用F检验法得到与用电量相关的解释变量,然后以这些解释变量作为学习数据建立神经网络模型,得到最后的用电量预测模型,用于电量预报。
本发明还提供一种基于神经网络用电量预报的智能离网光伏系统的实现方法,包括:
将每组蓄电池连接一个光伏充电控制器,光伏充电控制器在智能网关的控制下对蓄电池组进行充电,光伏充电控制器在实现安全充电的同时进行最高功率点追踪以提高光伏阵列的发电效率;其中:多个蓄电池组通过蓄电池的串联实现对不同额定电压的直流电器供电,同时利用逆变器实现对交流电器的供电;
采用智能网关记录各蓄电池组的耗电量与充电量并保存,并根据耗电量与充电量信息进行电量预报;同时基于预报信息以及当前各蓄电池组的状态指导继电器开关进行合理的电量分配,在保证蓄电池组的成本和效率的同时满足供电需求。
所述电量预报包括如下步骤:
(1)通过智能网关采集每天各蓄电池组的耗电量,将该数据与对应的天气信息(包括气温、降水、时刻、节假日信息、季节信息、星期信息)一并保存于数据库中作为历史数据;
(2)以天气信息为解释变量,一周的历史数据为学习数据进行线性回归;
(3)利用F检验法排除无关的解释变量;
(4)以有效的解释变量为输入进行神经网络学习,得到用电量预测模型;
(5)根据当前天气信息,利用上步得到的用电量模型对各蓄电池组进行下一小时的用电量预测。
所述电量分配包括如下步骤:
(1)根据预测用电量,得到各蓄电池组的理想蓄电量占总电量的百分比;
(2)根据计算得到的各蓄电池组的电量百分比得到各蓄电池组的理想蓄电量;
(3)若当前时刻某蓄电池组的蓄电量大于其理想蓄电量,则智能网关下达指令关闭对应的继电器开关停止对该蓄电池组的充电;
(4)若当前时刻某蓄电池组的蓄电量小于其理想蓄电量,则保持或开启对应的继电器开关对该蓄电池组进行充电,直至达到理想蓄电量;
(5)若所有蓄电池组均达到理想蓄电量,则按各蓄电池组的耗电百分比进行电量分配。
与现有技术相比,本发明具有以下有益效果:
本发明旨在提高光伏系统对交直流混合系统供电时的效率,多个蓄电池组通过蓄电池的串联实现对不同额定电压的直流电器供电,同时利用逆变器实现对交流电器的供电;通过光伏充电控制器在实现安全充电的同时进行最高功率点追踪以提高光伏阵列的发电效率;智能网关实现电量预报和电量分配,在保证蓄电池组的成本和效率的同时满足供电需求。
本发明实现了在保证成本的同时提高分布式光伏离网发电系统对交直流混合系统的供电效率。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明离网光伏系统示意图;
图2为本发明智能网关用电量预测流程图;
图3为本发明智能网关电量分配流程图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进。这些都属于本发明的保护范围。
如图1所示,一种基于神经网络用电量预报的智能离网光伏系统,该系统包括光伏阵列、光伏充电控制器、继电器开关、逆变器、多组蓄电池以及智能网关,所述光伏阵列、光伏充电控制器、继电器开关、逆变器、多组蓄电池共同组成分布式光伏并网发电系统;其中:
光伏充电控制器一方面对光伏阵列的输出电压进行控制使之符合蓄电池充电要求,另一方面进行最大功率点追踪以提高光伏阵列的发电效率;
通过不同的并联组合而得的多组蓄电池能够提供当前市场上主流的12V、24V以及48V直流电压;
逆变器使得蓄电池在提供直流电的同时也能为交流电器供电;
智能网关则有三大功能:功能一是记录各蓄电池组的耗电量与充电量并保存于数据库中;功能二则是根据数据库中的信息进行电量预报;功能三是基于预报信息以及当前各蓄电池组的状态指导光伏充电控制器以及继电器开关进行合理的电量分配,在保证蓄电池组的成本和效率的同时满足供电需求。
继电器开关则根据智能网关的指令进行电路的通断,以实现对特定的蓄电池组的充电控制。
在一实施例中,智能离网光伏系统为分布式光伏离网发电系统规模为3KW(实际规模可以根据用电量预测得到),由12块功率为250W的光伏电池板并联组成,每块光伏电池板接一光伏充电控制器,光伏充电控制器协同在智能网关的控制下的继电器开关对蓄电池组进行充电。
图1为整个系统示意图,光伏电池的输出接光伏充电控制器,光伏充电控制器在控制蓄电池组充电的同时进行最大功率点追踪以提高光伏阵列发电效率。智能网关结合预测用电量以及各蓄电池组的当前蓄电量做出充电决策,控制继电器开关对相应蓄电池组进行充电。
在一实施例中,智能网关通过电力载波通信方式实时采集各蓄电池组的供电量以及从光伏充电控制器得到的电量,从而得到蓄电池组的蓄电量。同时智能网关通过万维网获得当前的天气信息(包括气温、降水、时刻、节假日信息、季节信息、星期信息),并将其与蓄电池组的用电信息存储,数据保存时间为四周,当然具体保存时间也可以实际需要设定。根据这些历史数据,智能网关对其进行多元线性回归,利用F检验法得到与用电量相关的解释变量,然后以这些解释变量作为学习数据建立神经网络模型,得到最后的用电量预测模型。
进一步的,以下描述上述基于神经网络用电量预报的智能离网光伏系统的具体实现方法。
如图2所示,为一实施例中的智能网关用电量预测流程图,包括如下步骤:
(1)通过智能网关采集每天各蓄电池组的耗电量,将该数据与对应的天气信息(包括气温、降水、时刻、节假日信息、季节信息、星期信息)一并保存于数据库中作为历史数据;
(2)以天气信息为解释变量,一周的历史数据为学习数据进行线性回归;
(3)利用F检验法排除无关的解释变量;
(4)以有效的解释变量为输入进行神经网络学习,得到用电量预测模型。
(5)根据当前天气信息,利用上步得到的用电量模型对各蓄电池组进行下一小时的用电量预测。
如图3所示,为一实施例中的智能网关的电量分配流程图,包括如下步骤:
(1)根据预测用电量,得到各蓄电池组的理想蓄电量占总电量的百分比;
(2)根据计算得到的各蓄电池组的电量百分比得到各蓄电池组的理想蓄电量;
(3)若当前时刻某蓄电池组的蓄电量大于其理想蓄电量,则智能网关下达指令关闭对应的继电器开关对该蓄电池组停止充电;
(4)若当前时刻某蓄电池组的蓄电量小于其理想蓄电量,则保持或开启继电器开关对该蓄电池组进行充电,直至达到理想蓄电量;
(5)若所有蓄电池组均达到理想蓄电量,则按各蓄电池组的耗电百分比进行电量分配。
具体的,根据得到的蓄电池组i对应的预测用电量为对应的理想蓄电百分比即为令当前时刻光伏阵列的功率为P,各蓄电池组当前蓄电量为Ei(k),不考虑损耗一小时后整个系统的总能量为E(k+1)=P·3600+Ei(k),故而蓄电池组i的理想蓄电量即为Ei(k+1)=E(k+1)·ηi。智能网关时刻计算各蓄电池组的蓄电量,当某蓄电池组的蓄电量Ei(k)超过理想蓄电量Ei(k+1),智能网关便将该蓄电池组对应的继电器开关关断,直至其他蓄电池组的蓄电量都超过理想蓄电量。
本发明实现了在保证成本的同时提高分布式光伏离网发电系统对交直流混合系统的供电效率。多个蓄电池组通过蓄电池的串联实现对不同额定电压的直流电器供电,同时利用逆变器实现对交流电器的供电,旨在提高光伏系统对交直流混合系统供电时的效率。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (9)
1.一种基于神经网络用电量预报的智能离网光伏系统,其特征在于,该系统包括光伏阵列、光伏充电控制器、继电器开关、逆变器、多组蓄电池以及智能网关,所述光伏阵列、光伏充电控制器、继电器开关、逆变器、多组蓄电池共同组成分布式光伏并网发电系统;其中:
光伏充电控制器,对光伏阵列的输出电压进行控制使之符合蓄电池充电要求,同时进行最大功率点追踪以提高光伏阵列的发电效率;
多组蓄电池,通过蓄电池的串联实现对不同额定电压的直流电器供电;
逆变器,使得蓄电池在提供直流电的同时,也能为交流电器供电;
智能网关,记录各蓄电池组的耗电量与充电量并保存,并根据耗电量与充电量信息进行电量预报;同时基于预报信息以及当前各蓄电池组的状态指导继电器开关进行合理的电量分配,在保证蓄电池组的成本和效率的同时满足供电需求;
继电器开关,根据智能网关的指令进行电路的通断,以实现对特定的蓄电池组的充电控制。
2.根据权利要求1所述的一种基于神经网络用电量预报的智能离网光伏系统,其特征在于,每组蓄电池对应一个光伏充电控制器,光伏充电控制器在实现安全充电的同时进行最高功率点追踪以提高光伏阵列的发电效率。
3.根据权利要求2所述的一种基于神经网络用电量预报的智能离网光伏系统,其特征在于,智能网关依据电量预报消息以及蓄电池组电量状态信息控制继电器开关实现光伏发电量对各蓄电池组的合理分配。
4.根据权利要求3所述的一种基于神经网络用电量预报的智能离网光伏系统,其特征在于,网关与分布式光伏并网发电系统、蓄电池以及光伏充电控制器采用电力载波通信方式。
5.根据权利要求1-4任一项所述的一种基于神经网络用电量预报的智能离网光伏系统,其特征在于,所述智能网关,实时采集各蓄电池组的供电量以及从光伏充电控制器得到的电量,从而得到蓄电池组的蓄电量;同时智能网关获得当前的天气信息,天气信息包括气温、降水、时刻、节假日信息、季节信息、星期信息,并将天气信息与蓄电池组的用电信息存储,根据这些历史数据,智能网关对其进行多元线性回归,利用F检验法得到与用电量相关的解释变量,然后以这些解释变量作为学习数据建立神经网络模型,得到最后的用电量预测模型,用于电量预报。
6.根据权利要求5所述的一种基于神经网络用电量预报的智能离网光伏系统,其特征在于,所述智能网关时刻计算各蓄电池组的蓄电量,当某蓄电池组的蓄电量超过理想蓄电量,智能网关便将该蓄电池组对应的继电器开关关断,直至其他蓄电池组的蓄电量都超过理想蓄电量。
7.一种基于神经网络用电量预报的智能离网光伏系统的实现方法,其特征在于:
将每组蓄电池连接一个光伏充电控制器,光伏充电控制器协同在智能网关的控制下的继电器开关对蓄电池组进行充电,光伏充电控制器在实现安全充电的同时进行最高功率点追踪以提高光伏阵列的发电效率;其中:多个蓄电池组通过蓄电池的串联实现对不同额定电压的直流电器供电,同时利用逆变器实现对交流电器的供电;
采用智能网关记录各蓄电池组的耗电量与充电量并保存,并根据耗电量与充电量信息进行电量预报;同时基于预报信息以及当前各蓄电池组的状态指导继电器开关进行合理的电量分配,在保证蓄电池组的成本和效率的同时满足供电需求。
8.根据权利要求7所述的一种基于神经网络用电量预报的智能离网光伏系统的实现方法,其特征在于,所述电量预报,包括如下步骤:
(1)通过智能网关采集每天各蓄电池组的耗电量,将采集的数据与对应的天气信息,一并保存于数据库中作为历史数据;
(2)以天气信息为解释变量,四周的历史数据为学习数据进行线性回归;
(3)利用F检验法排除无关的解释变量;
(4)以有效的解释变量为输入进行神经网络学习,得到用电量预测模型;
(5)根据当前天气信息,利用上步得到的用电量预测模型对各蓄电池组进行下一小时的用电量预测。
9.根据权利要求7或8所述的一种基于神经网络用电量预报的智能离网光伏系统的实现方法,其特征在于,所述电量分配,包括如下步骤:
(1)根据预测用电量,得到各蓄电池组的理想蓄电量占总电量的百分比;
(2)根据计算得到的各蓄电池组的电量百分比得到各蓄电池组的理想蓄电量;
(3)若当前时刻某蓄电池组的蓄电量大于其理想蓄电量,则智能网关下达指令关闭对应的继电器开关以停止对该蓄电池组充电;
(4)若当前时刻某蓄电池组的蓄电量小于其理想蓄电量,则保持或开启对应的继电器开关对该蓄电池组进行充电,直至达到理想蓄电量;
(5)若所有蓄电池组均达到理想蓄电量,则按各蓄电池组的耗电百分比进行电量分配。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610224735.1A CN105762917B (zh) | 2016-04-12 | 2016-04-12 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610224735.1A CN105762917B (zh) | 2016-04-12 | 2016-04-12 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105762917A true CN105762917A (zh) | 2016-07-13 |
CN105762917B CN105762917B (zh) | 2018-11-02 |
Family
ID=56333803
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610224735.1A Expired - Fee Related CN105762917B (zh) | 2016-04-12 | 2016-04-12 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105762917B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947060A (zh) * | 2019-03-14 | 2019-06-28 | 东旭新能源投资有限公司 | 光伏及智能家居控制管理系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120021863A (ko) * | 2010-08-19 | 2012-03-09 | 강원일 | 신경망 알고리즘을 이용한 하이브리드 지능형 솔라 드라이브 회로 |
CN103270665A (zh) * | 2010-12-24 | 2013-08-28 | 日本电气株式会社 | 电力控制系统及其电力控制方法以及电力网关装置及其电力控制方法 |
CN104484700A (zh) * | 2014-11-07 | 2015-04-01 | 西安文理学院 | 一种基于bp网络模型的负荷预测的模型输入变量优化方法 |
CN104485727A (zh) * | 2014-12-26 | 2015-04-01 | 广州市香港科大霍英东研究院 | 一种离网光伏发电储能系统及其能量调度方法 |
-
2016
- 2016-04-12 CN CN201610224735.1A patent/CN105762917B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20120021863A (ko) * | 2010-08-19 | 2012-03-09 | 강원일 | 신경망 알고리즘을 이용한 하이브리드 지능형 솔라 드라이브 회로 |
CN103270665A (zh) * | 2010-12-24 | 2013-08-28 | 日本电气株式会社 | 电力控制系统及其电力控制方法以及电力网关装置及其电力控制方法 |
CN104484700A (zh) * | 2014-11-07 | 2015-04-01 | 西安文理学院 | 一种基于bp网络模型的负荷预测的模型输入变量优化方法 |
CN104485727A (zh) * | 2014-12-26 | 2015-04-01 | 广州市香港科大霍英东研究院 | 一种离网光伏发电储能系统及其能量调度方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109947060A (zh) * | 2019-03-14 | 2019-06-28 | 东旭新能源投资有限公司 | 光伏及智能家居控制管理系统 |
CN109947060B (zh) * | 2019-03-14 | 2021-01-08 | 东旭新能源投资有限公司 | 光伏及智能家居控制管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105762917B (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103236718B (zh) | 一种智能微网的源-网-荷自动控制系统及控制方法 | |
CN108832646B (zh) | 一种适用于可动态重构电池储能系统的管理系统及其方法 | |
CN109217290B (zh) | 计及电动汽车充放电的微网能量优化管理方法 | |
Zhao et al. | An intelligent solar powered battery buffered EV charging station with solar electricity forecasting and EV charging load projection functions | |
CN109066750B (zh) | 基于需求侧响应的光伏-电池微电网混合能量调度管理方法 | |
CN206041652U (zh) | 一种基于虚拟电厂的分布式光伏发电储能管理控制系统 | |
CN104767224A (zh) | 一种含多类储能的并网型风光储微电网的能量管理方法 | |
CN106130052A (zh) | 基于分布式光伏发电和储能系统的家庭能效管理系统 | |
CN111384719A (zh) | 一种光伏并网时的分布式储能电站削峰填谷优化调度方法 | |
Lee et al. | Scheduling fuel cell electric vehicles as power plants in a community microgrid | |
Goswami et al. | Stochastic firefly algorithm enabled fast charging of solar hybrid electric vehicles | |
Haque et al. | Energy management strategy for grid connected solar powered electric vehicle charging station | |
CN102709930B (zh) | 一种储能系统 | |
CN215419614U (zh) | 一种基于需求侧负荷的家用太阳能分布光伏并网发电系统 | |
CN102931676B (zh) | 一种太阳能电力并网自用多功能系统的构造 | |
CN105762917A (zh) | 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 | |
CN107591794A (zh) | 基于负荷分类的主动配电网源‑储容量优化配置方法 | |
CN206834764U (zh) | 光伏发电系统 | |
CN116345629A (zh) | 一种光伏储能设备的储能管理系统 | |
CN115864475A (zh) | 一种风光储容量优化配置方法及系统 | |
Skander-Mustapha et al. | Energy Management of Rooftop PV System including Battery Storage: Case Study of ENIT building | |
Prasad et al. | A Comprehensive Review on Photovoltaic Charging Station for Electric Vehicles | |
CN107359636A (zh) | 一种充电系统 | |
CN112736948A (zh) | 一种充电站中储能系统的功率调节方法及装置 | |
CN110929908B (zh) | 多微网系统容量配置与经济调度的协同优化方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181102 Termination date: 20200412 |
|
CF01 | Termination of patent right due to non-payment of annual fee |