CN107231001B - 一种基于改进灰色预测的楼宇微网在线能量管理方法 - Google Patents

一种基于改进灰色预测的楼宇微网在线能量管理方法 Download PDF

Info

Publication number
CN107231001B
CN107231001B CN201710618793.7A CN201710618793A CN107231001B CN 107231001 B CN107231001 B CN 107231001B CN 201710618793 A CN201710618793 A CN 201710618793A CN 107231001 B CN107231001 B CN 107231001B
Authority
CN
China
Prior art keywords
power
time
model
prediction
energy storage
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
Application number
CN201710618793.7A
Other languages
English (en)
Other versions
CN107231001A (zh
Inventor
杨军
王馨
刘源
朱旭
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201710618793.7A priority Critical patent/CN107231001B/zh
Publication of CN107231001A publication Critical patent/CN107231001A/zh
Application granted granted Critical
Publication of CN107231001B publication Critical patent/CN107231001B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • Y02B10/10—Photovoltaic [PV]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及微网能量管理技术，特别涉及一种基于改进灰色预测的楼宇微网在线能量管理方法，针对含储能系统、电动汽车、可控负荷以及与上级电网联络线存在交互的楼宇微网，基于实时电价、光伏出力和家庭负荷改进灰色预测数据，以楼宇微网最大盈利和平抑联络线功率波动为目标实现在线能量管理。该方法能够根据天气、环境和人为因素等方面的变化，利用已得到的实时数据对于预测值进行及时的校正，从而提高预测的精度，实现对楼宇微网的在线管理。综合考虑用户用电成本优化和联络线功率平抑的多目标优化，提高了楼宇微网稳定性控制。

Description

一种基于改进灰色预测的楼宇微网在线能量管理方法
技术领域
本发明属于微网能量管理技术领域，尤其涉及一种基于改进灰色预测的楼宇微网在线能量管理方法。
背景技术
近年来随着可再生能源利用技术的不断发展，越来越多的分布式供能系统在楼宇侧集成，形成了以楼宇为主体的微网系统。楼宇微网内一般有多个家庭住户，主要由分布式发电、储能单元、电动汽车和家庭负荷构成。要实现楼宇微网的高效稳定运行，需要采取相应的控制策略对各单元进行协调调度。
微网通常由能量管理系统进行智能控制和自动调度决策。微网能量管理系统通过智能电表、智能显示终端、智能插座等设备组成的网络能够支持分布式能源、电动汽车等系统或设备的接入和计量，可以实现与各单元的通信并控制单元之间的能量交换，从而实现能源优化管理的功能。
国内外关于微网能量管理系统已经有了大量的研究，但是没有提出合适的预测数据校正方法，无法分析预测误差对能量管理系统的影响，并且优化目标比较单一，没有考虑微网的稳定性控制。因此研究采用改进预测方法的楼宇微网多目标在线能量管理是很有必要的。
发明内容
本发明的目的是提供一种针对含储能系统、电动汽车、可控负荷以及与上级电网联络线存在交互的楼宇微网，基于实时电价、光伏系统发电量和不可控负荷用电量采用改进灰色预测数据，以楼宇微网最大盈利和平抑联络线功率波动为目标实现在线能量管理的方法。
为实现上述目的，本发明采用的技术方案是：一种基于改进灰色预测的楼宇微网在线能量管理方法，包括以下步骤：
步骤1、建立楼宇微网模型，包括建立储能装置模型、电动汽车模型、与电网联络线交互模型和可控负荷模型；确定楼宇微网模型中各单元的约束条件；
步骤2、建立改进灰色预测模型，对实时电价、光伏系统发电量和不可控负荷数据进行预测；
步骤3、利用步骤1得到的楼宇微网模型，以及步骤2所得到的预测数据，建立在线能量管理系统模型，采用分支定界法求解得到预测时域内的最优用电计划；
步骤4、按照步骤3得到的预测时域内的最优用电计划进行楼宇微网内各单元的调度，在下一时刻根据已获取的实时数据，采用改进灰色预测模型得到新的预测数据；然后更新在线能量管理系统模型的约束条件和目标函数，求解得到新的最优用电计划，并按照该最优用电计划进行下一时刻的楼宇微网调度，实现滚动优化的在线能量管理模式。
在上述的基于改进灰色预测的楼宇微网在线能量管理方法中，步骤1所述的建立楼宇微网模型，具体包括以下步骤：
步骤1.1.建立储能装置模型；
楼宇微网采用电池储能装置，储能装置的离散时间模型如下：
EBESS(k)＝EBESS(k-1)+ηBESSPBESS(k)Δt-αBESSΔt (1)
(1)式中k为离散采样时刻，Δt为采样时刻的间隔；EBESS(k)、EBESS(k-1)分别为k时刻、k-1时刻的储能装置容量，在初始时刻容量为EBESS0；ηBESS为储能装置的充放电效率，PBESS(k)为k时刻的充放电功率，充电时为正，放电时为负；αBESS为储能装置的自放电容量损耗，与储能装置的类型有关；
储能装置的约束条件为：
(2)式中EBESSmin、EBESSmax分别为储能装置的最小、最大容量限值，PBESSmin、PBESSmax分别为储能装置的最小充放电功率和最大充放电功率；f(PBESS(j))表示关于储能装置j时刻充放电功率的函数，k0为采样的初始时刻；
步骤1.2.建立电动汽车模型；
电动汽车在接入楼宇微网时，作为储能装置来参与楼宇微网的能量管理；
电动汽车的离散时间模型：
EEV(k)＝EEV(k-1)+ηEVPEV(k)Δt-αEVΔt (3)
(3)式中EEV(k)、EEV(k-1)分别为k时刻、k-1时刻的电动汽车电池容量，在初始时刻容量为EEV0；ηEV为电动汽车的充放电效率，PEV(k)为k时刻的充放电功率，充电时为正，放电时为负；αEV为电动汽车电池的自放电容量损耗；
电动汽车模型约束条件为：
(4)式中EEVmin、EEVmax分别为电动汽车电池的最小、最大容量限值，PEVmin、PEVmax分别为电动汽车的最小充放电功率和最大充放电功率；f(PEV(j))则表示关于电动汽车j时刻充放电功率的函数；
考虑到电动汽车的交通属性，引入整数变量μEV：
电动汽车的接入和离开时刻是由日前规划决定的，电动汽车处于离开或空闲状态时，电池的容量需要达到一定的要求以满足用户需求；
步骤1.3.建立与电网联络线交互模型；
当楼宇微网的可再生能源发电不足时从电网购电，发电量富余时向电网售电；
楼宇微网与电网联络线的交互模型为：
Pg(k)＝μg(k)Pbuy(k)+(1-μg(k))Psell(k) (6)
(6)式中Pg(k)为联络线的功率，Pbuy(k)为k时刻电网向楼宇微网的输电功率，Psell(k)为k时刻楼宇微网向电网的输电功率；μg(k)为一整数变量：
与电网联络线交互的约束条件为：
0≤Pbuy(k)≤Pgmax
Pgmin≤Psell(k)≤0 (8)
(8)式中Pgmax为电网向楼宇微网的输电功率限值，Pgmin为楼宇微网向电网的输电功率限值；
步骤1.4.建立可控负荷模型；
楼宇微网可控负荷包括各类温控负荷，将各类温控负荷的热储能特性作为虚拟储能；
楼宇微网中可控负荷模型为：
ECL(k)＝ECL(k-1)+μCLPCLΔt (9)
(9)式中ECL(k)、ECL(k-1)分别为k时刻、k-1时刻的虚拟储能容量，PCL为可控负荷的额定功率，μCL(k)为控制负荷开启和关闭个数的整数变量，开启时为正，关闭时为负，Δt为采样时刻的间隔；
可控负荷的约束条件：
(10)式中ECLmin、ECLmax分别为虚拟储能的最小、最大容量限值，μCLmax为可控负荷的最大可控个数。
在上述的基于改进灰色预测的楼宇微网在线能量管理方法中，步骤2所述的建立改进灰色预测模型包括：
步骤2.1.建立基本灰色预测模型：
(11)式中，为X(0)(k+1)的灰色预测值，X(0)(1)为原始数据的初始值；对于公式(11)，取k＝n，则可以得到当日t时刻的预测数据，记为对于原始灰色数据X(0)(i)i＝1,2,…,n，n为原始数据总个数，进行一次累加得到X(1)(k):
将原始数据序列[X(0)(1),X(0)(2),…,X(0)(n)记为序列X(0)，新序列[X(1)(1),X(1)(2),…,X(1)(n)]记为序列X(1)，对序列X(1)建立白化微分方程：
式中，a为发展灰度，它反映X(1)和X(0)的发展趋势；u为模型的调协系数，反映数据间变化关系；利用最小二乘法求解模型参数：
其中为待估量，而Yn＝[X(0)(2),X(0)(3),…,X(0)(n-1),X(0)(n)]T，求解得到模型参数a，u后，可得到模型的时间响应函数：
其中，为X(1)(k+1)的预测值；对该结果进行累减还原，可以得到原始数据的灰色预测模型为式(11)；
步骤2.2.对原始数据进行平滑处理，中间各数据点的滑动平均值为：
两端数据点的滑动平均值为：
采用滑动平均值代替原始数据序列，再进行灰色预测；
步骤2.3.将基本灰色预测看作纵向预测，在进行t时刻的预测时，假设已经得到t时刻之前，t-1时刻，t-2时刻，…的实际数据，求得各时刻预测值与真实值的残差，再采用基本灰色预测模型对残差进行横向预测得到t时刻的残差预测值，对t时刻的纵向预测值进行修正。
在上述的基于改进灰色预测的楼宇微网在线能量管理方法中，步骤3所述建立在线能量管理系统模型包括以下步骤：
步骤3.1控制目标包括：
步骤3.1.1确定用电成本目标函数；
楼宇微网在运行过程中要实现经济效益的最大化，其用电成本目标函数为：
(15)式中k0为采样的初始时刻，cDG为光伏系统运行与维护成本，cBESS为储能运行与维护成本，cEV为电动汽车电池运行与维护成本，cbuy(k)为k时刻的购电电价，csell(k)为k时刻的售电电价；cCL为控制可控负荷开关的损失费用，L为预测时域；Ps(k)为k时刻的光伏发电量预测值；亏损时成本为正，盈利时成本为负；
步骤3.1.2平抑联络线功率
(16)式中Pref为联络线功率的参考值；
步骤3.1.3确定综合目标；
综合考虑用户用电成本优化和平抑联络线功率，以两个目标函数的线性加权组合作为能量管理系统的综合优化目标：
min J＝W1J1+W2J2 (17)
(17)式中W1、W2为目标函数权重，考虑到目标函数单位不同的影响；
步骤3.2.确定在线能量管理系统模型的约束条件；
除了满足式(2)、(4)、(8)、(10)的楼宇微网各单元约束条件外，还要满足楼宇微网中的功率平衡约束；
当不考虑功率的损失时，楼宇微网内部的功率平衡满足：
Pg(k)+PS(k)＝PBESS(k)+PEV(k)+NCL(k)PCL+PL(k) (18)
(18)式中PL(k)为不可控负荷消耗功率，NCL(k)为k时刻开启的可控负荷总量：
(19)式中N0为初始时刻处于开启状态的可控负荷个数。
在上述的基于改进灰色预测的楼宇微网在线能量管理方法中，步骤3所述预测时域内的最优用电计划，包括储能装置充放电计划、电动汽车充放电计划、与电网联络线交互功率计划和可控负荷的调度计划。
本发明的有益效果是：通过对灰色预测进行改进，能够根据天气、环境和人为因素等方面的变化，利用已得到的实时数据对于预测值进行及时的校正，从而提高预测的精度，实现对楼宇微网的在线管理。综合考虑用户用电成本优化和联络线功率平抑的多目标优化，提高了楼宇微网稳定性控制。
附图说明
图1为本发明一个实施例在线能量管理系统原理图；
图2为本发明一个实施例在线能量管理系统中的改进灰色预测算法流程图；
图3为本发明一个实施例典型楼宇微网示意图。
具体实施方式
下面结合附图对本发明的实施方式进行详细描述。
本实施例是采用以下技术方案来实现的，一种基于改进灰色预测的楼宇微网在线能量管理方法，包括以下步骤：
步骤1、建立楼宇微网模型，包括建立储能装置模型、电动汽车模型、与电网联络线交互模型和可控负荷模型；确定楼宇微网模型中各单元的约束条件；
步骤2、建立改进灰色预测模型，对实时电价、光伏系统发电量和不可控负荷数据进行预测；
步骤3、利用步骤1得到的楼宇微网模型，以及步骤2所得到的预测数据，建立在线能量管理系统模型，采用分支定界法求解得到预测时域内的最优用电计划；
步骤4、按照步骤3得到的预测时域内的最优用电计划进行楼宇微网内各单元的调度，在下一时刻根据已获取的实时数据，采用改进灰色预测模型得到新的预测数据；然后更新在线能量管理系统模型的约束条件和目标函数，求解得到新的最优用电计划，并按照该最优用电计划进行下一时刻的楼宇微网调度，实现滚动优化的在线能量管理模式。
进一步，步骤1所述的建立楼宇微网模型，具体包括以下步骤：
步骤1.1.建立储能装置模型；
楼宇微网采用电池储能装置，储能装置的离散时间模型如下：
EBESS(k)＝EBESS(k-1)+ηBESSPBESS(k)Δt-αBESSΔt (1)
(1)式中k为离散采样时刻，Δt为采样时刻的间隔；EBESS(k)、EBESS(k-1)分别为k时刻、k-1时刻的储能装置容量，在初始时刻容量为EBESS0；ηBESS为储能装置的充放电效率，PBESS(k)为k时刻的充放电功率，充电时为正，放电时为负；αBESS为储能装置的自放电容量损耗，与储能装置的类型有关；
储能装置的约束条件为：
(2)式中EBESSmin、EBESSmax分别为储能装置的最小、最大容量限值，PBESSmin、PBESSmax分别为储能装置的最小充放电功率和最大充放电功率；f(PBESS(j))表示关于储能装置j时刻充放电功率的函数，k0为采样的初始时刻；
步骤1.2.建立电动汽车模型；
电动汽车在接入楼宇微网时，作为储能装置来参与楼宇微网的能量管理；
电动汽车的离散时间模型：
EEV(k)＝EEV(k-1)+ηEVPEV(k)Δt-αEVΔt (3)
(3)式中EEV(k)、EEV(k-1)分别为k时刻、k-1时刻的电动汽车电池容量，在初始时刻容量为EEV0；ηEV为电动汽车的充放电效率，PEV(k)为k时刻的充放电功率，充电时为正，放电时为负；αEV为电动汽车电池的自放电容量损耗；
电动汽车模型约束条件为：
(4)式中EEVmin、EEVmax分别为电动汽车电池的最小、最大容量限值，PEVmin、PEVmax分别为电动汽车的最小充放电功率和最大充放电功率；f(PEV(j))则表示关于电动汽车j时刻充放电功率的函数；
考虑到电动汽车的交通属性，引入整数变量μEV：
电动汽车的接入和离开时刻是由日前规划决定的，电动汽车处于离开或空闲状态时，电池的容量需要达到一定的要求以满足用户需求；
步骤1.3.建立与电网联络线交互模型；
当楼宇微网的可再生能源发电不足时从电网购电，发电量富余时向电网售电；
楼宇微网与电网联络线的交互模型为：
Pg(k)＝μg(k)Pbuy(k)+(1-μg(k))Psell(k) (6)
(6)式中Pg(k)为联络线的功率，Pbuy(k)为k时刻电网向楼宇微网的输电功率，Psell(k)为k时刻楼宇微网向电网的输电功率；μg(k)为一整数变量：
与电网联络线交互的约束条件为：
0≤Pbuy(k)≤Pgmax
Pgmin≤Psell(k)≤0 (8)
(8)式中Pgmax为电网向楼宇微网的输电功率限值，Pgmin为楼宇微网向电网的输电功率限值；
步骤1.4.建立可控负荷模型；
楼宇微网可控负荷包括各类温控负荷，将各类温控负荷的热储能特性作为虚拟储能；
楼宇微网中可控负荷模型为：
ECL(k)＝ECL(k-1)+μCLPCLΔt (9)
(9)式中ECL(k)、ECL(k-1)分别为k时刻、k-1时刻的虚拟储能容量，PCL为可控负荷的额定功率，μCL(k)为控制负荷开启和关闭个数的整数变量，开启时为正，关闭时为负，Δt为采样时刻的间隔；
可控负荷的约束条件：
(10)式中ECLmin、ECLmax分别为虚拟储能的最小、最大容量限值，μCLmax为可控负荷的最大可控个数。
进一步，步骤2所述的建立改进灰色预测模型包括：
步骤2.1.建立基本灰色预测模型：
(11)式中，为X(0)(k+1)的灰色预测值，X(0)(1)为原始数据的初始值；对于公式(11)，取k＝n，则可以得到当日t时刻的预测数据，记为对于原始灰色数据X(0)(i)i＝1,2,…,n，n为原始数据总个数，进行一次累加得到X(1)(k):
将原始数据序列[X(0)(1),X(0)(2),…,X(0)(n)记为序列X(0)，新序列[X(1)(1),X(1)(2),…,X(1)(n)]记为序列X(1)，对序列X(1)建立白化微分方程：
式中，a为发展灰度，它反映X(1)和X(0)的发展趋势；u为模型的调协系数，反映数据间变化关系；利用最小二乘法求解模型参数：
其中为待估量，而Yn＝[X(0)(2),X(0)(3),…,X(0)(n-1),X(0)(n)]T，求解得到模型参数a，u后，可得到模型的时间响应函数：
其中，为X(1)(k+1)的预测值；对该结果进行累减还原，可以得到原始数据的灰色预测模型为式(11)；
步骤2.2.对原始数据进行平滑处理，中间各数据点的滑动平均值为：
两端数据点的滑动平均值为：
采用滑动平均值代替原始数据序列，再进行灰色预测；
步骤2.3.将基本灰色预测看作纵向预测，在进行t时刻的预测时，假设已经得到t时刻之前，t-1时刻，t-2时刻，…的实际数据，求得各时刻预测值与真实值的残差，再采用基本灰色预测模型对残差进行横向预测得到t时刻的残差预测值，对t时刻的纵向预测值进行修正。
进一步，步骤3所述建立在线能量管理系统模型包括以下步骤：
步骤3.1控制目标包括：
步骤3.1.1确定用电成本目标函数；
楼宇微网在运行过程中要实现经济效益的最大化，其用电成本目标函数为：
(15)式中k0为采样的初始时刻，cDG为光伏系统运行与维护成本，cBESS为储能运行与维护成本，cEV为电动汽车电池运行与维护成本，cbuy(k)为k时刻的购电电价，csell(k)为k时刻的售电电价；cCL为控制可控负荷开关的损失费用，L为预测时域；Ps(k)为k时刻的光伏发电量预测值；亏损时成本为正，盈利时成本为负；
步骤3.1.2平抑联络线功率
(16)式中Pg为楼宇微网功率，Pref为联络线功率的参考值；
步骤3.1.3确定综合目标；
综合考虑用户用电成本优化和平抑联络线功率，以两个目标函数的线性加权组合作为能量管理系统的综合优化目标：
min J＝W1J1+W2J2 (17)
(17)式中W1、W2为目标函数权重，考虑到目标函数单位不同的影响；
步骤3.2.确定在线能量管理系统模型的约束条件；
除了满足式(2)、(4)、(8)、(10)的楼宇微网各单元约束条件外，还要满足楼宇微网中的功率平衡约束；
当不考虑功率的损失时，楼宇微网内部的功率平衡满足：
Pg(k)+PS(k)＝PBESS(k)+PEV(k)+NCL(k)PCL+PL(k) (18)
(18)式中PL(k)为不可控负荷消耗功率，NCL(k)为k时刻开启的可控负荷总量：
(19)式中N0为初始时刻处于开启状态的可控负荷个数。
更进一步，步骤3所述预测时域内的最优用电计划，包括储能装置充放电计划、电动汽车充放电计划、与电网联络线交互功率计划和可控负荷的调度计划。
具体实施时，如图1所示，一种适用于楼宇微网的在线能量管理方法，包括以下步骤：
1)根据已获取的历史实时电价、光伏系统发电量、不可控负荷用电量数据，假设k0为初始采样时刻，L为预测时域，采用改进灰色预测对k0至k0-1+L时域下的以上数据进行在线预测；
2)将预测得到的数据输入微网中心控制器，以用电成本优化和平抑联络线功率为多目标，在满足约束条件的情况下，根据所建立的非线性混合整数优化模型，求解得到k0至k0-1+L时域下的一组最优控制序列；
3)将得到的最优控制序列在k0时刻的控制量施加给楼宇微网各单元，从而调节各单元运行功率和状态；
4)获取k0时刻的实时电价、光伏系统发电量以及不可控负荷用电量实际值；
5)将预测时域向后平移一个采样间隔，即k0＝k0+1，重复以上步骤。
1、楼宇微网模型的建立包括：
1.1储能装置模型
由于楼宇微网中存在可再生能源发电系统，其间歇性、随机性和波动性对于微网的稳定性容易造成较大影响，因此楼宇微网中有必要配置储能装置来平抑可再生能源的出力波动。另外储能装置作为电能存储设备，可以在电价降低时进行充电，而在电价升高时通过放电来减少从电网购入的电量，不仅可以降低楼宇微网的用电成本，还可以起到参与电网削峰填谷的作用。
本实施例所建立的楼宇微网采用电池储能装置，储能装置的离散时间模型如下：
EBESS(k)＝EBESS(k-1)+ηBESSPBESS(k)Δt-αBESSΔt (1)’
式中k为离散采样时刻，Δt为采样时刻的间隔。EBESS(k)、EBESS(k-1)分别为k时刻、k-1时刻的储能装置容量，在初始时刻容量为EBESS0。ηBESS为储能装置的充放电效率，PBESS(k)为k时刻的充放电功率，充电时为正，放电时为负。αBESS为储能装置的自放电容量损耗，和储能装置的类型有关。
储能装置的约束条件为：
式中EBESSmin、EBESSmax分别为储能装置的最小、最大容量限值，PBESSmin、PBESSmax分别为储能装置的最小充放电功率和最大充放电功率。f(PBESS(j))表示关于储能装置j时刻充放电功率的函数，k0为采样的初始时刻。
1.2电动汽车模型
基于电动汽车入网(Vehicle-to-grid,V2G)技术的电动汽车在接入楼宇微网时，也可以作为储能装置来参与楼宇微网的能量管理。
电动汽车的离散时间模型与储能装置类似：
EEV(k)＝EEV(k-1)+ηEVPEV(k)Δt-αEVΔt (3)’
式中EEV(k)、EEV(k-1)分别为k时刻、k-1时刻的电动汽车电池容量，在初始时刻容量为EEV0。ηEV为电动汽车的充放电效率，PEV(k)为k时刻的充放电功率，同样规定充电时为正，放电时为负。αEV为电动汽车电池的自放电容量损耗。
电动汽车模型约束条件为：
式中EEVmin、EEVmax分别为电动汽车电池的最小、最大容量限值，PEVmin、PEVmax分别为电动汽车的最小充放电功率和最大充放电功率。f(PEV(j))则表示关于电动汽车j时刻充放电功率的函数。
考虑到电动汽车的交通属性，还需要引入整数变量μEV，μEV的值由电动汽车是否接入楼宇微网决定：
电动汽车的接入和离开时刻是由日前规划决定的，电动汽车处于离开或空闲状态时，电池的容量需要达到一定的要求以满足用户需求。
1.3与电网联络线交互模型
由于分布式可再生能源的接入，当楼宇微网的可再生能源发电不足时可以从电网购电，在发电量富余时向电网进行售电。楼宇微网与电网联络线的交互模型为：
Pg(k)＝μg(k)Pbuy(k)+(1-μg(k))Psell(k) (6)’
式中Pg(k)为联络线的功率，Pbuy(k)为k时刻电网向微网的输电功率，Psell(k)为k时刻微网向电网的输电功率。μg(k)为一整数变量：
与电网交互的约束条件为：
式中Pgmax为电网向微网的输电功率限值，Pgmin为微网向电网的输电功率限值。
1.4可控负荷
楼宇微网常见可控负荷包括各类温控负荷，如空调、热水器等，该类负荷具有良好的热储能特性，可视为一种“虚拟储能”。对温控负荷的控制是通过控制其开启和关闭以改变“虚拟储能”的荷电状态。由于不能对单个负荷的功率大小进行控制，“虚拟储能”设备的功率变化是不连续的。楼宇微网中可控负荷的模型为：
ECL(k)＝ECL(k-1)+μCLPCLΔt (9)’
式中ECL(k)、ECL(k-1)分别为k时刻、k-1时刻的“虚拟储能”容量，PCL为可控负荷的额定功率，μCL(k)为控制负荷开启和关闭个数的整数变量，开启时为正，关闭时为负，Δt为采样时刻的间隔。可控负荷的约束条件：
式中ECLmin、ECLmax分别为“虚拟储能”的最小、最大容量限值，μCLmax为可控负荷的最大可控个数。
2、改进灰色预测模型的步骤包括：
基本灰色预测模型为：
式中为X(0)(k+1)的灰色预测值，X(0)(1)为原始数据的初始值。对于公式(11)′,取k＝n，则可以得到当日t时刻的预测数据，记为对于原始灰色数据X(0)(i)i＝1,2,…,n，n为原始数据总个数，进行一次累加得到X(1)(k):
将原始数据序列[X(0)(1),X(0)(2),…,X(0)(n)记为序列X(0)，新序列[X(1)(1),X(1)(2),…,X(1)(n)]记为序列X(1)，对序列X(1)建立白化微分方程：
式中，a为发展灰度，它反映X(1)和X(0)的发展趋势；u为模型的调协系数，反映数据间变化关系；利用最小二乘法求解模型参数：
其中为待估量，而Yn＝[X(0)(2),X(0)(3),…,X(0)(n-1),X(0)(n)]T，求解得到模型参数a，u后，可得到模型的时间响应函数：
其中，为X(1)(k+1)的预测值；对该结果进行累减还原，可以得到原始数据的灰色预测模型为式(11)；
虽然利用基本灰色预测理论可以得到较为满意的预测结果，但是当数据受到随机干扰产生较大波动时，采用基本灰色预测理论容易产生较大的误差，因此还需要对该预测方法进行以下改进以提高预测精度。
1)对原始数据进行平滑处理以减少数据的随机性带来的影响。
中间各数据点的滑动平均值为：
两端数据点的滑动平均值为：
采用滑动平均值代替原始数据序列，再进行灰色预测。
2)基本灰色预测可以看作是纵向预测，在进行t时刻的预测时，假设已经得到t时刻之前(t-1时刻,t-2时刻,…)的实际数据，则可以求得各时刻预测值与真实值的残差，再采用基本灰色预测模型对残差进行横向预测得到t时刻的残差预测值，从而对t时刻的纵向预测值进行修正。
通过以上方法对于灰色预测进行改进，能够根据天气、环境和人为因素等方面的变化，利用已得到的实时数据对于预测值进行及时的校正，从而提高预测的精度，也能够实现对楼宇微网的在线管理。应用于在线能量管理系统的改进灰色预测算法流程如图2所示。
3、建立多目标在线能量管理系统
在线能量管理系统可以根据获取的实时信息，通过微网中心控制器(MGCC)产生针对楼宇微网各单元的控制计划，将优化指令传送给各基层控制器对功率等变量进行调整，实现优化调度。其核心是一个基于多目标非线性混合整数规划模型的最优控制系统。
3.1控制目标包括
1)用电成本
楼宇微网在运行过程中要实现经济效益的最大化，其用电成本目标函数为：
式中k0为采样的初始时刻，cDG为光伏系统运行与维护成本，cBESS为储能运行与维护成本，cEV为电动汽车电池运行与维护成本，cbuy(k)为k时刻的购电电价，csell(k)为k时刻的售电电价。cCL为控制可控负荷开关的损失费用，L为预测时域。Ps(k)为k时刻的光伏发电量预测值。亏损时成本为正，盈利时成本为负。
2)平抑联络线功率
在楼宇微网的优化控制中，若联络线的功率波动较大则容易引起微网和电网的频率和电压波动，降低微网运行的稳定性，因此在控制目标中有必要考虑平抑联络线功率：
式中Pref为联络线功率的参考值。
3)综合目标
综合考虑用户用电成本优化和联络线功率平抑，以两个目标函数的线性加权组合作为能量管理系统的综合优化目标：
min J＝W1J1+W2J2 (17)’
其中W1、W2为目标函数权重，考虑到目标函数单位不同的影响。
3.2约束条件
除了满足式(2)’、(4)’、(8)’、(10)’所列出的楼宇微网各单位约束外，还需要满足微网中的功率平衡约束。当不考虑功率的损失时，微网内部的功率平衡需要满足：
Pg(k)+PS(k)＝PBESS(k)+PEV(k)+NCL(k)PCL+PL(k) (18)’
式中PL(k)为不可控负荷消耗功率，NCL(k)为k时刻开启的可控负荷总量：
N0为初始时刻处于开启状态的可控负荷个数。
以下分别为模型建立过程和算法实现过程，本实施例建立了三个模型，一个是楼宇微网的模型，一个是对实时电价、光伏系统发电量和不可控负荷进行预测的改进灰色预测模型，最后一个是楼宇微网的在线能量管理系统模型，采用分支定界法求解每日最优用电计划。
1)如图3所示，为一典型的楼宇微网模型，由于可再生能源具有波动性和间歇性的特点，考虑到可再生能源对于楼宇微网能量管理的影响，同时楼宇微网受到自身容量的限制，需要配备储能装置以及与电网进行交互以满足功率平衡的条件。除了常规的电池储能系统以外，基于V2G技术的电动汽车也可以起到储能装置的作用，而具有良好储热性能的温控负荷可以作为“虚拟储能”设备来参与微网的能量管理。通过建立楼宇微网模型可以得到各单元的约束条件，楼宇微网中的光伏系统发电量、不可控负荷数据则采用预测的方式获取，考虑到预测误差带来的影响，需要采取更精确的预测算法来优化能量管理方案。
2)为了提高预测精度，实现动态预测过程，建立改进灰色预测模型，能够对光伏系统发电量、实时电价和不可控负荷数据进行预测。首先对于原始数据进行平滑处理，对于始末端数据和中间数据分别采用不同的处理公式以减小数据随机性的影响。然后采用基本灰色预测进行纵向预测，采用基于偏差修正的灰色预测进行横向预测，利用获取的实时数据对于预测时域内的预测值进行偏差校正。如图2所示，是在线能量管理系统中所采用的改进灰色预测算法流程图。
3)在获取光伏发电量、实时电价和不可控负荷的预测数据后，可以得到在线能量管理系统的功率平衡等式约束，与楼宇微网模型中各单元的约束一起作为在线能量管理系统模型的约束条件。目标函数为综合目标，其一为用户用电成本最小化，包含光伏成本、储能设施运行与维护成本、电动汽车运行与维护成本、从电网购电成本和向电网售电盈利、可控负荷开关损失成本；其二为抑制与电网联络线的交互功率，两个目标函数进行线性加权得到综合目标函数。由此可以建立在线能量管理系统模型，本质为一混合整数非线性优化模型。
4)通过分支定界法求解该混合整数非线性优化模型，得到预测时域内的最优用电计划，即储能装置充放电计划、电动汽车充放电计划、与电网联络线交互功率计划和可控负荷的调度计划。按照该时刻的用电计划进行楼宇微网内各单元的调度，在下一时刻根据已获取的实时数据，可以采用改进灰色预测模型得到新的预测数据。再更新能量管理模型的约束条件和目标函数，可以求解得到新的用电计划，并按照该用电计划进行下一时刻的楼宇微网调度，实现滚动优化的在线能量管理模式。
综上所述，本实施例针对含储能系统、电动汽车、可控负荷以及与上级电网联络线存在交互的楼宇微网，基于实时电价、光伏出力和家庭负荷改进灰色预测数据，以楼宇微网最大盈利和平抑联络线功率波动为目标实现在线能量管理。
应当理解的是，本说明书未详细阐述的部分均属于现有技术。
虽然以上结合附图描述了本发明的具体实施方式，但是本领域普通技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变形或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。

Claims (2)

1.一种基于改进灰色预测的楼宇微网在线能量管理方法，其特征是，包括以下步骤：
步骤1、建立楼宇微网模型，包括建立储能装置模型、电动汽车模型、与电网联络线交互模型和可控负荷模型；确定楼宇微网模型中各单元的约束条件；
步骤2、建立改进灰色预测模型，对实时电价、光伏系统发电量和不可控负荷数据进行预测；
步骤3、利用步骤1得到的楼宇微网模型，以及步骤2所得到的预测数据，建立在线能量管理系统模型，采用分支定界法求解得到预测时域内的最优用电计划；
步骤4、按照步骤3得到的预测时域内的最优用电计划进行楼宇微网内各单元的调度，在下一时刻根据已获取的实时数据，采用改进灰色预测模型得到新的预测数据；然后更新在线能量管理系统模型的约束条件和目标函数，求解得到新的最优用电计划，并按照该最优用电计划进行下一时刻的楼宇微网调度，实现滚动优化的在线能量管理模式；
步骤1所述的建立楼宇微网模型，具体包括以下步骤：
步骤1.1.建立储能装置模型；
楼宇微网采用电池储能装置，储能装置的离散时间模型如下：
EBESS(k)＝EBESS(k-1)+ηBESSPBESS(k)Δt-αBESSΔt (1)
(1)式中k为离散采样时刻，Δt为采样时刻的间隔；EBESS(k)、EBESS(k-1)分别为k时刻、k-1时刻的储能装置容量，在初始时刻容量为EBESS0；ηBESS为储能装置的充放电效率，PBESS(k)为k时刻的充放电功率，充电时为正，放电时为负；αBESS为储能装置的自放电容量损耗，与储能装置的类型有关；
储能装置的约束条件为：
(2)式中EBESSmin、EBESSmax分别为储能装置的最小、最大容量限值，PBESSmin、PBESSmax分别为储能装置的最小充放电功率和最大充放电功率；f(PBESS(j))表示关于储能装置j时刻充放电功率的函数，k0为采样的初始时刻；
步骤1.2.建立电动汽车模型；
电动汽车在接入楼宇微网时，作为储能装置来参与楼宇微网的能量管理；
电动汽车的离散时间模型：
EEV(k)＝EEV(k-1)+ηEVPEV(k)Δt-αEVΔt (3)
(3)式中EEV(k)、EEV(k-1)分别为k时刻、k-1时刻的电动汽车电池容量，在初始时刻容量为EEV0；ηEV为电动汽车的充放电效率，PEV(k)为k时刻的充放电功率，充电时为正，放电时为负；αEV为电动汽车电池的自放电容量损耗；
电动汽车模型约束条件为：
(4)式中EEVmin、EEVmax分别为电动汽车电池的最小、最大容量限值，PEVmin、PEVmax分别为电动汽车的最小充放电功率和最大充放电功率；f(PEV(j))则表示关于电动汽车j时刻充放电功率的函数；
考虑到电动汽车的交通属性，引入整数变量μEV：
电动汽车的接入和离开时刻是由日前规划决定的，电动汽车处于离开或空闲状态时，电池的容量需要达到一定的要求以满足用户需求；
步骤1.3.建立与电网联络线交互模型；
当楼宇微网的可再生能源发电不足时从电网购电，发电量富余时向电网售电；
楼宇微网与电网联络线的交互模型为：
Pg(k)＝μg(k)Pbuy(k)+(1-μg(k))Psell(k) (6)
(6)式中Pg(k)为联络线的功率，Pbuy(k)为k时刻电网向楼宇微网的输电功率，Psell(k)为k时刻楼宇微网向电网的输电功率；μg(k)为一整数变量：
与电网联络线交互的约束条件为：
(8)式中Pgmax为电网向楼宇微网的输电功率限值，Pgmin为楼宇微网向电网的输电功率限值；
步骤1.4.建立可控负荷模型；
楼宇微网可控负荷包括各类温控负荷，将各类温控负荷的热储能特性作为虚拟储能；
楼宇微网中可控负荷模型为：
ECL(k)＝ECL(k-1)+μCLPCLΔt (9)
(9)式中ECL(k)、ECL(k-1)分别为k时刻、k-1时刻的虚拟储能容量，PCL为可控负荷的额定功率，μCL(k)为控制负荷开启和关闭个数的整数变量，开启时为正，关闭时为负，Δt为采样时刻的间隔；
可控负荷的约束条件：
(10)式中ECLmin、ECLmax分别为虚拟储能的最小、最大容量限值，μCLmax为可控负荷的最大可控个数；
步骤2所述的建立改进灰色预测模型包括：
步骤2.1.建立基本灰色预测模型：
(11)式中，为X(0)(k+1)的灰色预测值，X(0)(1)为原始数据的初始值；对于公式(11)，取k＝n，则可以得到当日t时刻的预测数据，记为对于原始灰色数据X(0)(i)i＝1,2,…,n，n为原始数据总个数，进行一次累加得到X(1)(k):
将原始数据序列记为序列X(0)，新序列[X(1)(1),X(1)(2),…,X(1)(n)]记为序列X(1)，对序列X(1)建立白化微分方程：
式中，a为发展灰度，它反映X(1)和X(0)的发展趋势；u为模型的调协系数，反映数据间变化关系；利用最小二乘法求解模型参数：
其中为待估量，而
Yn＝[X(0)(2),X(0)(3),…,X(0)(n-1),X(0)(n)]T，求解得到模型参数a，u后，可得到模型的时间响应函数：
其中，为X(1)(k+1)的预测值；对该结果进行累减还原，可以得到原始数据的灰色预测模型为式(11)；
步骤2.2.对原始数据进行平滑处理，中间各数据点的滑动平均值为：
两端数据点的滑动平均值为：
采用滑动平均值代替原始数据序列，再进行灰色预测；
步骤2.3.将基本灰色预测看作纵向预测，在进行t时刻的预测时，假设已经得到t时刻之前，t-1时刻，t-2时刻，…的实际数据，求得各时刻预测值与真实值的残差，再采用基本灰色预测模型对残差进行横向预测得到t时刻的残差预测值，对t时刻的纵向预测值进行修正；
步骤3所述建立在线能量管理系统模型包括以下步骤：
步骤3.1控制目标包括：
步骤3.1.1确定用电成本目标函数；
楼宇微网在运行过程中要实现经济效益的最大化，其用电成本目标函数为：
(15)式中k0为采样的初始时刻，cDG为光伏系统运行与维护成本，cBESS为储能运行与维护成本，cEV为电动汽车电池运行与维护成本，cbuy(k)为k时刻的购电电价，csell(k)为k时刻的售电电价；cCL为控制可控负荷开关的损失费用，L为预测时域；Ps(k)为k时刻的光伏发电量预测值；亏损时成本为正，盈利时成本为负；
步骤3.1.2平抑联络线功率
(16)式中Pref为联络线功率的参考值；
步骤3.1.3确定综合目标；
综合考虑用户用电成本优化和平抑联络线功率，以两个目标函数的线性加权组合作为能量管理系统的综合优化目标：
min J＝W1J1+W2J2 (17)
(17)式中W1、W2为目标函数权重，考虑到目标函数单位不同的影响；
步骤3.2.确定在线能量管理系统模型的约束条件；
除了满足式(2)、(4)、(8)、(10)的楼宇微网各单元约束条件外，还要满足楼宇微网中的功率平衡约束；
当不考虑功率的损失时，楼宇微网内部的功率平衡满足：
Pg(k)+PS(k)＝PBESS(k)+PEV(k)+NCL(k)PCL+PL(k) (18)
(18)式中PL(k)为不可控负荷消耗功率，NCL(k)为k时刻开启的可控负荷总量：
(19)式中N0为初始时刻处于开启状态的可控负荷个数。
2.如权利要求1所述的基于改进灰色预测的楼宇微网在线能量管理方法，其特征是，步骤3所述预测时域内的最优用电计划，包括储能装置充放电计划、电动汽车充放电计划、与电网联络线交互功率计划和可控负荷的调度计划。
CN201710618793.7A 2017-07-26 2017-07-26 一种基于改进灰色预测的楼宇微网在线能量管理方法 Active CN107231001B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710618793.7A CN107231001B (zh) 2017-07-26 2017-07-26 一种基于改进灰色预测的楼宇微网在线能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710618793.7A CN107231001B (zh) 2017-07-26 2017-07-26 一种基于改进灰色预测的楼宇微网在线能量管理方法

Publications (2)

Publication Number Publication Date
CN107231001A CN107231001A (zh) 2017-10-03
CN107231001B true CN107231001B (zh) 2019-12-24

Family

ID=59957201

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710618793.7A Active CN107231001B (zh) 2017-07-26 2017-07-26 一种基于改进灰色预测的楼宇微网在线能量管理方法

Country Status (1)

Country Link
CN (1) CN107231001B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108407636B (zh) * 2018-02-08 2021-11-12 国电南瑞科技股份有限公司 一种电动汽车本地实时优化充电控制方法
CN110033124B (zh) * 2019-03-13 2021-11-02 华中科技大学 一种分布式交互的能源楼宇点对点能量分享方法及系统
CN110445161A (zh) * 2019-08-12 2019-11-12 国网天津市电力公司 基于优化调度楼宇微网注入功率平滑控制方法及装置
CN113255968B (zh) * 2021-04-30 2022-09-16 中国能源建设集团天津电力设计院有限公司 基于设备和行为信息的商业办公楼精细化负荷预测方法
CN114322321B (zh) * 2022-01-20 2023-05-16 中国石油大学(华东) 一种燃气热水器的灰色预测可拓恒温控制方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324752A (zh) * 2011-06-17 2012-01-18 辽宁省电力有限公司 结合风力发电的纯电动汽车有序充放电协调控制系统
CN105048457A (zh) * 2015-08-18 2015-11-11 济南大陆机电股份有限公司 一种智能微电网电能管理系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8892264B2 (en) * 2009-10-23 2014-11-18 Viridity Energy, Inc. Methods, apparatus and systems for managing energy assets

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324752A (zh) * 2011-06-17 2012-01-18 辽宁省电力有限公司 结合风力发电的纯电动汽车有序充放电协调控制系统
CN105048457A (zh) * 2015-08-18 2015-11-11 济南大陆机电股份有限公司 一种智能微电网电能管理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
光伏微电网的发电和负荷预测方法及调度策略研究;柳溪;《万方学位论文数据库》;20170517;正文第1-54页 *

Also Published As

Publication number Publication date
CN107231001A (zh) 2017-10-03

Similar Documents

Publication Publication Date Title
CN107231001B (zh) 一种基于改进灰色预测的楼宇微网在线能量管理方法
CN109599856B (zh) 一种微网多楼宇中电动汽车充放电管理优化方法及装置
Yang et al. Optimal energy flow control strategy for a residential energy local network combined with demand-side management and real-time pricing
Lee et al. Novel battery degradation cost formulation for optimal scheduling of battery energy storage systems
Wang et al. Transactive energy sharing in a microgrid via an enhanced distributed adaptive robust optimization approach
CN106846179B (zh) 一种基于非合作博弈的居民负荷双层调度优化方法
Ding et al. Optimal dispatching strategy for user-side integrated energy system considering multiservice of energy storage
CN111934360B (zh) 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法
Song et al. Multi-objective optimization strategy for home energy management system including PV and battery energy storage
Xia et al. Two‐stage robust optimisation of user‐side cloud energy storage configuration considering load fluctuation and energy storage loss
CN112633571A (zh) 源网荷互动环境下基于lstm的超短期负荷预测方法
CN111047097B (zh) 一种综合能源系统日中滚动优化方法
CN112508325B (zh) 一种家庭微电网多时间尺度电能调度方法
CN106097154A (zh) 一种工业园区能源中心的调度方法及系统
CN113869927B (zh) 一种促进社区微网内部多产消者能源共享的分时定价方法
CN112366704A (zh) 一种基于激励需求响应的综合能源系统联络线功率控制方法
Latifi et al. A distributed algorithm for demand-side management: Selling back to the grid
Dong et al. Optimal scheduling framework of electricity-gas-heat integrated energy system based on asynchronous advantage actor-critic algorithm
Arab et al. Suitable various-goal energy management system for smart home based on photovoltaic generator and electric vehicles
Park et al. Voltage management method of distribution system in P2P energy transaction environment
CN117578537A (zh) 基于碳交易和需求响应的微电网优化调度方法
CN114944661A (zh) 一种基于储能系统滚动优化的微电网三阶段优化控制方法
Kyriakou et al. Optimal frequency support method for urban microgrids of building prosumers
CN117791625A (zh) 电动汽车有序充放电规划方法、设备及介质
CN117477552A (zh) 一种配电侧含分布式储能的微电网层级协同优化调控方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant