CN105928292A - 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 - Google Patents
一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 Download PDFInfo
- Publication number
- CN105928292A CN105928292A CN201610245868.7A CN201610245868A CN105928292A CN 105928292 A CN105928292 A CN 105928292A CN 201610245868 A CN201610245868 A CN 201610245868A CN 105928292 A CN105928292 A CN 105928292A
- Authority
- CN
- China
- Prior art keywords
- freezer
- photovoltaic
- load
- photovoltaic generation
- refrigerator
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 5
- 230000007935 neutral effect Effects 0.000 claims description 24
- 238000005057 refrigeration Methods 0.000 claims description 22
- 239000010410 layer Substances 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 21
- 238000001816 cooling Methods 0.000 claims description 13
- 238000010348 incorporation Methods 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 239000011229 interlayer Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013486 operation strategy Methods 0.000 abstract 1
- 238000013461 design Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000003245 coal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 239000006200 vaporizer Substances 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D13/00—Stationary devices, e.g. cold-rooms
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F25—REFRIGERATION OR COOLING; COMBINED HEATING AND REFRIGERATION SYSTEMS; HEAT PUMP SYSTEMS; MANUFACTURE OR STORAGE OF ICE; LIQUEFACTION SOLIDIFICATION OF GASES
- F25D—REFRIGERATORS; COLD ROOMS; ICE-BOXES; COOLING OR FREEZING APPARATUS NOT OTHERWISE PROVIDED FOR
- F25D29/00—Arrangement or mounting of control or safety devices
- F25D29/005—Mounting of control devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- H02J3/383—
-
- 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
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
- 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
Abstract
本发明公开了一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统,市电电网与控制电路连接,光伏电池板通过控制电路与逆变电路连接,逆变电路与冷库连接,负荷预测模块用于根据气象局的气象数据,历史负荷信息,冷库储存量,贮存的货物种类,以及制冷温度建立冷库负荷预测模型,并对冷库未来的负荷进行预测;能源管理中心模块用于通过光伏发电功率与冷库预测负荷,以及光伏发电上网电价与市电价格的对比分析,制定运行策略并进行控制。本发明可实现光伏发电和冷库的有效结合,通过负荷预测,解决了光伏发电与冷库的匹配性问题,减少了光伏发电给电网带来的波动,既能满足用户的需求又能实现节能减排。
Description
技术领域
本发明涉及一种光伏冷库,尤其涉及一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统。
背景技术
随着人民生活水平的提高,人们对冷冻冷藏食品的依赖度越来越高,冷冻、冷藏食品产业呈现快速发展势头。据统计,2014年全国冷库总量达到3320万吨,折合8300万立方米,与去年2411万吨相比增长了36.9%。作为冷链物流的主要环节,其能耗的需求也逐年升高。大量的冷库消耗着巨大的电能,造成了城市用电紧张,给电网带来了巨大压力,这些电能同样消耗了大量的煤炭资源。
近年来,随着能源结构的调整,太阳能、风能等新能源在能源结构中所占的比重逐年提高。由于太阳电池具有安全可靠、无噪声、无污染等特点,许多国家加强了对新型太阳能光伏发电发展的支持。国内外光伏发电的研究都取得了丰硕的成果,各项新技术被大量应用在生活当中。目前国内外在冷库节能上主要考虑设计和运行两方面,在设计上主要着眼于冷库隔热材料的选择、空气幕的优化,在运行中主要考虑蒸发器融霜、冷库堆放形式的优化等。并且太阳能冰箱已有了很多应用,这就为太阳能与冷库的结合提供了可能。由于太阳能的间歇性影响,光伏组件的发电功率随气象参数动态变化,冷库所需功率也随着库存量的变化而发生变化,因此光伏与冷库的功率匹配性差。对于离网运行系统,通过采用蓄电池实现电力的储存,但蓄电池存在着充放电效率低、使用寿命短、投资成本高的弊端,而并网运行系统由于光伏发电功率的变化,对电网会产生波动,影响电网的正常运行。
发明内容
本发明的目的在于提供一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统,以解决光伏和冷库的匹配性问题,降低了系统蓄电池配置容量,降低了系统成本,尽可能减少光伏发电对电网产生的波动,并给出了用户最经济的运行策略。
为实现上述目的本发明采用以下技术方案:
一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统,包括市电电网、光伏电池板、控制电路、蓄电池、逆变电路、库体、制冷系统、控制系统、冷却系统、冷库,所述市电电网与控制电路连接,蓄电池与控制电路连接,所述光伏电池板通过控制电路与逆变电路连接,所述逆变电路与冷库连接,所述冷库包括库体、制冷系统、控制系统、冷却系统,所述库体、制冷系统、冷却系统依次相连,所述控制系统分别与库体、制冷系统、冷却系统相连。
该系统还包括负荷预测模块及能源管理中心模块,负荷预测模块用于根据气象局的气象数据,历史负荷信息,冷库储存量,贮存的货物种类,以及制冷温度建立冷库负荷预测模型,并对冷库未来的负荷进行预测;所述能源管理中心模块用于通过光伏发电功率与冷库预测负荷,以及光伏发电上网电价与市电价格的对比分析,以经济性最优为目标,做出需求响应,制定运行策略并进行控制。
所述负荷预测模块的负荷预测模型建立包括如下步骤:
(1)确定冷库负荷预测模型的输入量和输出量:
所述输入量包括室外温度、湿度、风速、历史负荷信息、冷库储存量、贮存的货物种类和制冷温度;
所述输出量选用预测日的所述预测模型的负荷为输出量。
(2)确定BP神经网络的结构及各层间的激励函数:
所述的BP神经网络的结构为三层BP神经网络,其输入层节点对应于所述预测模型的输入量,其输出层节点的个数对应于所述预测模型的输出量,其隐含层节点数的确定根据下述公式(1):
(1)
式中,为隐含层节点个数,为输入层节点个数;
BP神经网络激励函数采用双曲正切S型激活函数,其输出层采用线性激活函数。
(3)对样本数据进行归一化处理,如下述公式(2):
(2)
式中,为归一化后的目标,为输入数据,与分别为中的最大值和最小值。
(4)利用MATLAB神经网络工具箱建立BP神经网络,确定训练参数,开始训练,训练完毕后,得出预测结果;所述的训练参数包括训练函数、训练次数和训练目标。
所述能源管理中心模块的制定运行策略并进行控制的具体内容如下:当光伏发电上网电价大于冷库所接市电价格时,光伏发电全部并网,冷库接市电;当光伏发电上网电价小于冷库所接市电价格时,冷库优先使用光伏所发电量,不足时接市电,多余时供给蓄电池。
如下表所示:
当光伏发电上网电价大于市电价格时,无论光伏发电功率与冷库预测负荷关系如何,采用模式1,即光伏发电全部并网,冷库市电,经济性最好;当光伏发电上网电价小于市电价格时,如果光伏发电功率大于冷库预测负荷,则采用模式2,即光伏发电供给冷库,多余电能给蓄电池充电;如果光伏发电功率小于冷库预测负荷,则采用模式3,即冷库优先使用光伏发电与蓄电池的电能,不足时接市电。
本发明提供的有益效果是:本发明可实现光伏发电和冷库的有效结合,通过负荷预测,得到冷库的用电需求,考虑峰谷电价,并制定经济型最优的运行策略,解决了光伏发电与冷库的匹配性问题,减少了光伏发电给电网带来的波动,既能满足用户的需求又能实现节能减排。
附图说明
图1为本发明连接示意图;
图2为本发明系统原理示意图;
图中:1、市电电网; 2、光伏电池板; 3、控制电路; 4、蓄电池;
5、逆变电路; 6、库体 ; 7、制冷系统; 8、控制系统;9、冷却系统; 10、冷库。
具体实施方式
为使本发明的目的、技术方案更加清楚,下面结合附图和具体实施例对本发明作进一步地详细描述。
如图1所示,一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统,包括市电电网1、光伏电池板2、控制电路3、蓄电池4、逆变电路5、库体6、制冷系统7、控制系统8、冷却系统9、冷库10,所述市电电网1与控制电路3连接,蓄电池4与控制电路3连接,所述光伏电池板2通过控制电路3与逆变电路5连接,所述逆变电路5与冷库10连接,所述冷库10包括库体6、制冷系统7、控制系统8、冷却系统9,所述库体6、制冷系统7、冷却系统9依次相连,所述控制系统8分别与库体6、制冷系统7、冷却系统9相连。
如图2所示,该系统还包括负荷预测模块及能源管理中心模块,负荷预测模块用于根据气象局的气象数据,历史负荷信息,冷库储存量,贮存的货物种类,以及制冷温度建立冷库负荷预测模型,并对冷库未来的负荷进行预测;所述能源管理中心模块用于通过光伏发电功率与冷库预测负荷,以及光伏发电上网电价与市电价格的对比分析,以经济性最优为目标,做出需求响应,制定运行策略并进行控制。
所述负荷预测模块的负荷预测模型建立包括如下步骤::
(1)确定冷库负荷预测模型的输入量和输出量:
所述输入量包括室外温度、湿度、风速、历史负荷信息、冷库储存量、贮存的货物种类和制冷温度;
所述输出量选用预测日的所述预测模型的负荷为输出量。
(2)确定BP神经网络的结构及各层间的激励函数:
所述的BP神经网络的结构为三层BP神经网络,其输入层节点对应于所述预测模型的输入量,其输出层节点的个数对应于所述预测模型的输出量,其隐含层节点数的确定根据下述公式(1):
(1)
式中,为隐含层节点个数,为输入层节点个数;
BP神经网络激励函数采用双曲正切S型激活函数,其输出层采用线性激活函数。
(3)对样本数据进行归一化处理,如下述公式(2):
(2)
式中,为归一化后的目标,为输入数据,与分别为中的最大值和最小值。
(4)利用MATLAB神经网络工具箱建立BP神经网络,确定训练参数,开始训练,训练完毕后,得出预测结果;所述的训练参数包括训练函数、训练次数和训练目标。
所述能源管理中心模块的制定运行策略并进行控制的具体内容如下:当光伏发电上网电价大于冷库所接市电价格时,光伏发电全部并网,冷库接市电;当光伏发电上网电价小于冷库所接市电价格时,冷库优先使用光伏所发电量,不足时接市电,多余时供给蓄电池。
如下表所示:
当光伏发电上网电价大于市电价格时,无论光伏发电功率与冷库预测负荷关系如何,采用模式1,即光伏发电全部并网,冷库市电,经济性最好;当光伏发电上网电价小于市电价格时,如果光伏发电功率大于冷库预测负荷,则采用模式2,即光伏发电供给冷库,多余电能给蓄电池充电;如果光伏发电功率小于冷库预测负荷,则采用模式3,即冷库优先使用光伏发电与蓄电池的电能,不足时接市电。
以上的描述和记载仅仅是距离而不是为了限制本发明的公开内容、应用和使用。虽然已经在实例中描述过并且在附图中描述了实施例,但本发明不限制由附图示例和在实施例中描述的作为目前认为最佳模式以实施本发明的教导的特定例子,本发明的范围将包括落入前面的说明书和所附的权利要求的任何实施例。
Claims (4)
1.一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统,其特征在于,包括市电电网、光伏电池板、控制电路、蓄电池、逆变电路、库体、制冷系统、控制系统、冷却系统、冷库,所述市电电网与控制电路连接,蓄电池与控制电路连接,所述光伏电池板通过控制电路与逆变电路连接,所述逆变电路与冷库连接,所述冷库包括库体、制冷系统、控制系统、冷却系统,所述库体、制冷系统、冷却系统依次相连,所述控制系统分别与库体、制冷系统、冷却系统相连。
2.根据权利要求1所述的一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统,其特征在于,还包括负荷预测模块及能源管理中心模块,负荷预测模块用于根据气象局的气象数据,历史负荷信息,冷库储存量,贮存的货物种类,以及制冷温度建立冷库负荷预测模型,并对冷库未来的负荷进行预测;所述能源管理中心模块用于通过光伏发电功率与冷库预测负荷,以及光伏发电上网电价与市电价格的对比分析,以经济性最优为目标,做出需求响应,制定运行策略并进行控制。
3.根据权利要求2所述的一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统,其特征在于,所述负荷预测模块的负荷预测模型建立包括如下步骤:
(1)确定冷库负荷预测模型的输入量和输出量:
所述输入量包括室外温度、湿度、风速、历史负荷信息、冷库储存量、贮存的货物种类和制冷温度;
所述输出量选用预测日的所述预测模型的负荷为输出量;
(2)确定BP神经网络的结构及各层间的激励函数:
所述的BP神经网络的结构为三层BP神经网络,其输入层节点对应于所述预测模型的输入量,其输出层节点的个数对应于所述预测模型的输出量,其隐含层节点数的确定根据下述公式(1):
(1)
式中,为隐含层节点个数,为输入层节点个数;
BP神经网络激励函数采用双曲正切S型激活函数,其输出层采用线性激活函数;
(3)对样本数据进行归一化处理,如下述公式(2):
(2)
式中,为归一化后的目标,为输入数据,与分别为中的最大值和最小值;
(4)利用MATLAB神经网络工具箱建立BP神经网络,确定训练参数,开始训练,训练完毕后,得出预测结果;所述的训练参数包括训练函数、训练次数和训练目标。
4.根据权利要求2所述的一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统,其特征在于,所述能源管理中心模块的制定运行策略并进行控制的具体内容如下:当光伏发电上网电价大于冷库所接市电价格时,光伏发电全部并网,冷库接市电;当光伏发电上网电价小于冷库所接市电价格时,冷库优先使用光伏所发电量,不足时接市电,多余时供给蓄电池。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610245868.7A CN105928292B (zh) | 2016-04-20 | 2016-04-20 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610245868.7A CN105928292B (zh) | 2016-04-20 | 2016-04-20 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105928292A true CN105928292A (zh) | 2016-09-07 |
CN105928292B CN105928292B (zh) | 2018-05-22 |
Family
ID=56839510
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610245868.7A Active CN105928292B (zh) | 2016-04-20 | 2016-04-20 | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105928292B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106655250A (zh) * | 2016-10-31 | 2017-05-10 | 国家电网公司 | 一种大型光伏电站直流系统过电压风险指数预测方法 |
CN107844053A (zh) * | 2017-10-30 | 2018-03-27 | 湖北工业大学 | 一种楼宇级冷热电联供系统主动能源供应方法 |
CN108168170A (zh) * | 2017-12-30 | 2018-06-15 | 北京工业大学 | 一种基于在线辨识的冷库制冷系统智能控制方法 |
CN108224893A (zh) * | 2017-12-30 | 2018-06-29 | 北京工业大学 | 一种基于模型的冷库制冷系统智能控制方法 |
CN108736515A (zh) * | 2018-05-30 | 2018-11-02 | 国网电力科学研究院(武汉)能效测评有限公司 | 基于神经网络的风电消纳相变储热站负荷预测系统和方法 |
CN110309972A (zh) * | 2019-06-28 | 2019-10-08 | 天津大学 | 一种基于室内人员行为的可再生能源系统及其负荷预测方法 |
CN110311371A (zh) * | 2019-06-28 | 2019-10-08 | 天津大学 | 一种基于虚拟储能的光伏冷库系统及其负荷主动调控方法 |
CN111027894A (zh) * | 2020-01-10 | 2020-04-17 | 秒针信息技术有限公司 | 基于知识图谱的冷库贮藏物品品质评估方法及装置 |
CN113346556A (zh) * | 2021-06-08 | 2021-09-03 | 云南电网有限责任公司电力科学研究院 | 一种面向冷库的光伏储能容量配置方法及系统 |
WO2021249461A1 (zh) * | 2020-06-10 | 2021-12-16 | 中兴通讯股份有限公司 | 制冷设备控制方法、装置、计算机设备和计算机可读介质 |
CN114087827A (zh) * | 2021-11-17 | 2022-02-25 | 西安交通大学 | 一种冷库耦合光伏储能的综合能源系统及其运行方法 |
CN115388586A (zh) * | 2022-08-24 | 2022-11-25 | 南栖仙策(南京)高新技术有限公司 | 一种制冷控制模型、装置、电子设备及存储介质 |
CN116379678A (zh) * | 2023-04-06 | 2023-07-04 | 中国建筑第四工程局有限公司 | 一种应用光伏储能的综合冷库系统 |
CN116629728A (zh) * | 2023-04-10 | 2023-08-22 | 江苏福思克环境科技有限公司 | 一种基于光伏和风力一体供电的冷库运行管理系统 |
CN117213143A (zh) * | 2023-11-09 | 2023-12-12 | 江苏新讯智造科技有限公司 | 一种基于ai智能调节的冷库节能及评估系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102742120A (zh) * | 2010-02-05 | 2012-10-17 | 松下电器产业株式会社 | 能量供需控制系统 |
CN103218674A (zh) * | 2013-04-07 | 2013-07-24 | 国家电网公司 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
CN103453727A (zh) * | 2013-09-13 | 2013-12-18 | 柳州职业技术学院 | 一种面向仓储冷库的分布式制冷控制系统及其控制方法 |
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的光伏发电系统功率预测方法 |
CN105225020A (zh) * | 2015-11-11 | 2016-01-06 | 国家电网公司 | 一种基于bp神经网络算法的运行状态预测方法和系统 |
-
2016
- 2016-04-20 CN CN201610245868.7A patent/CN105928292B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102742120A (zh) * | 2010-02-05 | 2012-10-17 | 松下电器产业株式会社 | 能量供需控制系统 |
CN103218674A (zh) * | 2013-04-07 | 2013-07-24 | 国家电网公司 | 基于bp神经网络模型的光伏发电系统输出功率预测方法 |
CN103453727A (zh) * | 2013-09-13 | 2013-12-18 | 柳州职业技术学院 | 一种面向仓储冷库的分布式制冷控制系统及其控制方法 |
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的光伏发电系统功率预测方法 |
CN105225020A (zh) * | 2015-11-11 | 2016-01-06 | 国家电网公司 | 一种基于bp神经网络算法的运行状态预测方法和系统 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106655250A (zh) * | 2016-10-31 | 2017-05-10 | 国家电网公司 | 一种大型光伏电站直流系统过电压风险指数预测方法 |
CN107844053A (zh) * | 2017-10-30 | 2018-03-27 | 湖北工业大学 | 一种楼宇级冷热电联供系统主动能源供应方法 |
CN108168170A (zh) * | 2017-12-30 | 2018-06-15 | 北京工业大学 | 一种基于在线辨识的冷库制冷系统智能控制方法 |
CN108224893A (zh) * | 2017-12-30 | 2018-06-29 | 北京工业大学 | 一种基于模型的冷库制冷系统智能控制方法 |
CN108736515A (zh) * | 2018-05-30 | 2018-11-02 | 国网电力科学研究院(武汉)能效测评有限公司 | 基于神经网络的风电消纳相变储热站负荷预测系统和方法 |
CN110309972A (zh) * | 2019-06-28 | 2019-10-08 | 天津大学 | 一种基于室内人员行为的可再生能源系统及其负荷预测方法 |
CN110311371A (zh) * | 2019-06-28 | 2019-10-08 | 天津大学 | 一种基于虚拟储能的光伏冷库系统及其负荷主动调控方法 |
CN111027894A (zh) * | 2020-01-10 | 2020-04-17 | 秒针信息技术有限公司 | 基于知识图谱的冷库贮藏物品品质评估方法及装置 |
WO2021249461A1 (zh) * | 2020-06-10 | 2021-12-16 | 中兴通讯股份有限公司 | 制冷设备控制方法、装置、计算机设备和计算机可读介质 |
CN113346556A (zh) * | 2021-06-08 | 2021-09-03 | 云南电网有限责任公司电力科学研究院 | 一种面向冷库的光伏储能容量配置方法及系统 |
CN113346556B (zh) * | 2021-06-08 | 2023-05-26 | 云南电网有限责任公司电力科学研究院 | 一种面向冷库的光伏储能容量配置方法及系统 |
CN114087827A (zh) * | 2021-11-17 | 2022-02-25 | 西安交通大学 | 一种冷库耦合光伏储能的综合能源系统及其运行方法 |
CN114087827B (zh) * | 2021-11-17 | 2022-08-09 | 西安交通大学 | 一种冷库耦合光伏储能的综合能源系统及其运行方法 |
CN115388586A (zh) * | 2022-08-24 | 2022-11-25 | 南栖仙策(南京)高新技术有限公司 | 一种制冷控制模型、装置、电子设备及存储介质 |
CN116379678A (zh) * | 2023-04-06 | 2023-07-04 | 中国建筑第四工程局有限公司 | 一种应用光伏储能的综合冷库系统 |
CN116629728A (zh) * | 2023-04-10 | 2023-08-22 | 江苏福思克环境科技有限公司 | 一种基于光伏和风力一体供电的冷库运行管理系统 |
CN116629728B (zh) * | 2023-04-10 | 2023-10-24 | 江苏福思克环境科技有限公司 | 一种基于光伏和风力一体供电的冷库运行管理系统 |
CN117213143A (zh) * | 2023-11-09 | 2023-12-12 | 江苏新讯智造科技有限公司 | 一种基于ai智能调节的冷库节能及评估系统 |
CN117213143B (zh) * | 2023-11-09 | 2024-01-30 | 江苏新讯智造科技有限公司 | 一种基于ai智能调节的冷库节能及评估系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105928292B (zh) | 2018-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105928292A (zh) | 一种基于神经网络的负荷预测与需求响应控制的光伏冷库系统 | |
Chatzivasileiadi et al. | Characteristics of electrical energy storage technologies and their applications in buildings | |
CN106444562B (zh) | 基于风光-电热气转换模块的多储能装置协调系统及方法 | |
CN109696891B (zh) | 包含空气源热泵和储能的微能源网系统及其运行控制方法 | |
CN105931136A (zh) | 一种融合需求侧虚拟储能系统的楼宇微网优化调度方法 | |
CN108258729A (zh) | 通信基站供电保障及电费优化控制系统及方法 | |
CN109919480B (zh) | 一种三层目标的能源互联网规划方法及设备 | |
Cole et al. | Use of model predictive control to enhance the flexibility of thermal energy storage cooling systems | |
CN102252454B (zh) | 复合式可再生建筑能源供应系统 | |
CN111144707A (zh) | 基于能源枢纽的多能源系统协同规划建模方法 | |
CN110311371A (zh) | 一种基于虚拟储能的光伏冷库系统及其负荷主动调控方法 | |
CN112862154B (zh) | 一种考虑需求响应的区域能源系统双层规划优化方法 | |
CN108599138A (zh) | 计及微电网分布式能源不确定性的储能系统容量配置方法 | |
CN107294212B (zh) | 考虑不同空调负荷特性的微网双层优化调度方法及系统 | |
Li et al. | Study on matching characteristics of photovoltaic disturbance and refrigeration compressor in solar photovoltaic direct-drive air conditioning system | |
CN111737884A (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
Li et al. | Study of the application potential of photovoltaic direct-driven air conditioners in different climate zones | |
Du et al. | Dynamic energy efficiency characteristics analysis of a distributed solar photovoltaic direct-drive solar cold storage | |
CN208337178U (zh) | 通信基站供电保障及电费优化控制系统 | |
CN109299823A (zh) | 一种考虑热法海水淡化的微能源网多目标规划方法 | |
Duhirwe et al. | A novel deep learning‐based integrated photovoltaic, energy storage system and electric heat pump system: Optimising energy usage and costs | |
CN113346556A (zh) | 一种面向冷库的光伏储能容量配置方法及系统 | |
CN106300425B (zh) | 一种基于用户舒适度的分布式能源管理方法 | |
CN115081700A (zh) | 基于综合储能技术的数据中心多能协同优化方法及系统 | |
CN210921858U (zh) | 一种数据中心多能综合利用系统 |
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 |