CN107732945A - 一种基于模拟退火粒子群算法的储能单元优化方法 - Google Patents
一种基于模拟退火粒子群算法的储能单元优化方法 Download PDFInfo
- Publication number
- CN107732945A CN107732945A CN201711074681.6A CN201711074681A CN107732945A CN 107732945 A CN107732945 A CN 107732945A CN 201711074681 A CN201711074681 A CN 201711074681A CN 107732945 A CN107732945 A CN 107732945A
- Authority
- CN
- China
- Prior art keywords
- particle
- energy
- simulated annealing
- formula
- storage units
- 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.)
- Pending
Links
- 239000002245 particle Substances 0.000 title claims abstract description 76
- 238000004146 energy storage Methods 0.000 title claims abstract description 39
- 238000002922 simulated annealing Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000005611 electricity Effects 0.000 claims abstract description 29
- 238000010248 power generation Methods 0.000 claims abstract description 10
- 239000000178 monomer Substances 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 239000003990 capacitor Substances 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims 2
- 230000000295 complement effect Effects 0.000 claims 1
- 101150067055 minC gene Proteins 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 2
- 238000000137 annealing Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010355 oscillation 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
- 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
-
- H02J3/383—
-
- H02J3/386—
-
- 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]
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- 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
Abstract
本发明提供了一种基于模拟退火粒子群算法的储能单元优化方法,提高风光互补发电储能单元的效率并保证供电的稳定性。以每个问题的潜在解作为“粒子”。使储能系统的投入成本最少为优化目标函数,约束条件为发电利用率,对每个粒子进行模拟退火,扰动当前解使粒子产生新状态。在约束条件的限制下更新粒子位置得出最优解。在满足正常用电的前提下,该算法可以减少成本投入并提高可再生能源利用率。具有理论价值和现实意义。
Description
技术领域
本发明属于电网储能优化领域,尤其是指基于模拟退火粒子群算法的储能单元优化方法。
背景技术
模拟退火算法粒子群算法是由电气博士Eberhart和Kennedy博士于1995年提出的一种智能算法,它从随机解出发,通过迭代寻找最优解,通过适应度来评价解的品质。但是受到随机振荡的影响容易跳出最优解附近的某一邻域,导致精度下降。模拟退火算法从某一较高初温出发,伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解,即在局部最优解能概率性地跳出并最终趋于全局最优。将二者结合采用线性退温系数,使寻找最优解的初期速度加快,提高后期的搜索精度。随退火温度降低,根据各条件更新出粒子的最优解。
利用模拟退火粒子群算法来对电网中的储能部分进行优化以提高储能系统的经济性和能源的利用率,随着分布式电源的大规模接入,提高储能系统的经济性具有很高的需求和价值。将这些特性纳入到分析范围并应用于实际是本发明的主要研究方向。
发明内容
目前,在风力发电系统和光伏发电系统中,由于风力和光照的不确定性导致系统输出功率不稳定。对于这种不稳定能源需要储能技术才能稳定输出,储能系统在用电低谷期将富余电量存在储能介质中,在用电高峰期补给电网,起到削峰填谷的作用。
传统储能的介质以蓄电池为主,但是蓄电池有很多不足之处例如循环寿命短、维护成本高、环境污染等问题。超级电容器是一种新型储能装置,它具有功率密度高、充电时间短、使用寿命长、温度特性好、节约能源和绿色环保等特点。将二者结合使用可以提高储能系统的技术指标。目前看来,储能器件的成本很高,占整个发电系统成本的较大比例,因此在设计发电系统时应该使各个器件达到最大利用率,尽可能避免浪费,进而缓解储能器件成本过高的问题。
为了解决上述问题,本发明提出了一种基于模拟退火粒子群算法的储能单元优化方法,所述方法的具体步骤为。
步骤1,建立风光互补发电系统的数学模型。
步骤2,建立储能单元容量的数学模型。
步骤3,建立算法所需函数模型。
步骤4,设置模拟退火粒子群算法参数。
步骤5,利用模拟退火粒子群算对目标函数求解。
所述步骤1中的数学模型包括风机发电单元、光伏发电单元、蓄电池模型、超级电容器模型。
所述风机发电单元每个小型风机的月发电量。
式中,为本月发电量;为风速不同时风机的发电量;为当时的风速、为启动风速、为额定风速、为停机风速;为风机的额定功率;为本月风速达到的时间。
所述光伏发电单元的太阳能电池组件日平均发电量。
式中,为光伏组件的每天平均发电量;为太阳能电池组件的效率;为光伏组件的峰值功率;为日照时长。
所述步骤2中的数学模型包括蓄电池模型和超级电容器模型。
所述蓄电池模型。
式中,为蓄电池储电量,为蓄电池的参考电压;为充电电流;为充电时间;为放电时间。
所述混合储能单元中超级电容器模型。
由于单体超级电容器储能量有限需要串并联增超级电容器的储电能力,假设构成的超级电容器组由个串联组并联,则等效电容为式中为一个超级电容器的电容。
式中为的等效电容;为单体超级电容的最高电压 、为单体超级电容器的最低电压。
所述步骤3中的优化目标函数优化目标是为了在满足发电系统的正常性能指标下系统的运行成本最小即。
式中,为最小成本为储能单元的初次投资成本;为全年运行和维护成本;为蓄电池的单价;为蓄电池容量;为超级电容器的的单价;为蓄电池的运行成本和维护成本;为超级电容器所需的成本。
所述步骤3中的约束条件包括发电系统约束条件和环境约束条件。
所述发电系统的约束条件是由于储能系统的作用是当发电量大于耗电量时储存过剩电能,设一年中发电盈余量最大的月份风力发电量和光伏发电量分别为E1w、E2s;负荷电量为E3L,则。
式中、为蓄电池储电量和超级电容器组的储电量。
环境约束条件是由于风力发电系统和光伏发电系统受天气影响较大,在天气不利于风力发电机和光伏发电组件发电时,发电量小于需求量,需要通过储能装置补给电量。设一年中阴雨和无风天气的持续最长的一个月风力发电量和光伏发电量分别为、和则。
式中为蓄电池储电量和超级电容器组的储电量。
所述步骤4,在粒子群算法中采用速度-位置搜索模型。。
在该算法中,假设粒子群体由个粒子组成。最小运行成本所确定的适应值决定了每个粒子的性能,粒子在空间中搜索最优解。
在一个个粒子的粒子群在D维目标空间中搜索,第个粒子在维空间里的位置表示成矢量为。
。
飞行速度表示成矢量为。
。
通过目标函数运算每个粒子都有一个适应值,对于第个粒子经历的最好位置称为个体历史最好位置。
。
相应适应度值为个体历史最好适应度值。
粒子经过的最好位置成为全局历史最好位置记为,最好适应值记为。
。
对于第次迭代,每个粒子按下式进行变化。
式中,为迭代次数,之间的随机数;为学习因子;为惯性权重。
其中飞行时间采用图2所示粒子飞行时间变化趋势,相当于加快粒子飞行速度可提高粒子寻找最优解的能力,防止粒子陷入局部最优。
模拟退火算法采用了线性退温系数,目的是为了在寻优初期收敛速度更快,在寻优后期 使局部搜索更精确。
式中为温度更新函数;为最大迭代次数。
在模拟退火粒子群算法中。第个粒子的取值范围为。
式中为随机数,在区间服从均匀分布;和为测量区域的上边界和下边界。
附图说明
图1是本发明基于模拟退火粒子群算法的储能单元优化方法流程图。
图2是粒子飞行时间变化趋势图。
具体实施方案
本发明的核心思想是通过构建风光互补发电系统的数学模型,利用模拟退火粒子群算法寻优获得最优解,达到成本和利益的最优化配置。
参照图1算法流程图,本发明实现步骤如下。
1.构建数学模型。
1)发电系统发电量模型。
对于风力发电机发电量可用下式计算。
(1)。
对于光伏发电组件,发电量受到的外界因素影响,比如太阳能电池板的性能优劣、工作环境、表面清洁程度等。需要考虑到发电的效率问题,发电量可用下式计算。
(2)。
2)储能系统储电量模型。
由于单体超级电容器储能量有限需要串并联增超级电容器的储电能力,假设构成的超级电容器组由个串联组并联则等效电容为:。
(3)。
用和来表示超级电容器组的最高和最低电压,储电量可表示为下式:。
(4)。
蓄电池的储电量可表示为: 。
(5)。
3)构建成本模型。
储能系统中成本主要来源于蓄电池和超级电容器的采购费用和维护费用
采购成本可以表示为。
(6)。
维护成本可以表示为。
(7)。
2.构建优化目标函数:。
本发明中优化目标是在保证发电储能系统稳定运行的前提下使得投资成本降到最低。
为两个成本模型赋予权重系数,为优化优先程度,。
最小成本可以用函数表达为。
(8)。
3.模拟退火离子群算法:。
1)初始化粒子位置,在一个个粒子的粒子群在维目标空间中搜索,第个粒子在d维空间里的位置表示成矢量为。
(9)。
在模拟退火粒子群算法中。第i个粒子的取值范围为;。
(10)。
2)初始化粒子速度。
3) 根据目标函数(8)确定粒子适应值。
选定所求的相应适应度值为个体历史最好适应度值记为。
4)根据下式初始化粒子温度。
(11)。
通过目标函数运算每个粒子都有一个适应值,对于第个粒子经历的最好位置称为个体历史最好位置。
(12)。
相应适应度值为个体历史最好适应度值Ffitness(i)。
粒子经过的最好位置成为全局历史最好位置记为gbest,最好适应值记为Fg。
(13)。
对于第n+1次迭代,每个粒子按下式进行变化。
(14)。
(15)。
5)根据(10)产生一个新位置计算新旧位置增量。
如果小于0,粒子进入新位置,并根据(11)进行退温。
如果大于0,服从于的生成随机数如果粒子进入新位置执行退温。
根据下式对约束条件进行处理,并根据约束条件处理结果更新粒子。
(16)。
(17)。
根据(10)和(14)更新粒子位置与速度。
判断是否满足终止条件满足则输出最优解。
如不满足则返回3)直至符合条件为止。
Claims (7)
1.一种基于模拟退火粒子群算法的储能单元优化方法,其特征在于:为了能在满足风光互补发电系统的正常性能指标下系统的运行成本最小,将储能单元与发电单元按利益最大化配置,建立系统中的数学模型,运用模拟退火粒子群算法获取最小成本方案。
2.根据权利要求1所述的一种基于模拟退火粒子群算法的储能单元优化方法,其特征在于:具体步骤如下:
步骤1,建立风光互补发电系统的数学模型;
步骤2,建立储能单元容量的数学模型;
步骤3,建立算法所需函数模型;
步骤4,设置模拟退火粒子群算法参数;
步骤5,利用模拟退火粒子群算对目标函数求解。
3.根据权利要求2所述的一种基于模拟退火粒子群算法的储能单元优化方法,其特征在于:所述步骤1中,建立数学模型的过程如下
风机发电单元每个小型风机的月发电量
式中,E为本月发电量;E1E2为风速不同时风机的发电量;vi为当时的风速、vm为启动风速、vH为额定风速、vr为停机风速;PN为风机的额定功率;hi为本月风速达到vi的时间;
所述光伏发电单元的太阳能电池组件日平均发电量
式中,Es为光伏组件的每天平均发电量;η为太阳能电池组件的效率;W为光伏组件的峰值功率;tp为日照时长。
4.根据权利要求2所述的一种基于模拟退火粒子群算法的储能单元优化方法,其特征在于:所述步骤2中,建立数学模型的过程如下:
蓄电池模型
式中,Qb为蓄电池储电量,U为蓄电池的参考电压;Ic为充电电流;tc为充电时间;td为放电时间;
混合储能单元中超级电容器模型
由于单体超级电容器储能量有限需要串并联增超级电容器的储电能力,假设构成的超级电容器组由a个串联b组并联,则等效电容为式中Cf为一个超级电容器的电容,6. 则超级电容组的储电量可以表示为
式中C为的等效电容;Usmax为单体超级电容的最高电压 、Usmin为单体超级电容器的最低电压。
5.根据权利要求2所述的一种基于模拟退火粒子群算法的储能单元优化方法,其特征在于:所述步骤3中,建立函数模型如下:
优化目标函数优化目标是为了在满足发电系统的正常性能指标下系统的运行成本最小即
式中,minC为最小成本C1为储能单元的初次投资成本;C2为全年运行和维护成本;Mb为蓄电池的单价;Qb为蓄电池容量;Mu为超级电容器的的单价;Mom为蓄电池的运行成本和维护成本;Mnm为超级电容器所需的成本
约束条件是由于储能系统的作用是当发电量大于耗电量时储存过剩电能,设一年中发电盈余量最大的月份风力发电量和光伏发电量分别为E1w、E2s;负荷电量为E3L,则
式中Qb、Qu为蓄电池储电量和超级电容器组的储电量
环境约束条件是由于风力发电系统和光伏发电系统受天气影响较大,在天气不利于风力发电机和光伏发电组件发电时,发电量小于需求量,需要通过储能装置补给电量;
设一年中阴雨和无风天气的持续最长的一个月风力发电量和光伏发电量分别为E4w、E5s和E6L则
式中Qb、Qu为蓄电池储电量和超级电容器组的储电量。
6.根据权利要求2所述的一种基于模拟退火粒子群算法的储能单元优化方法,其特征在于:所述步骤4中,设置参数过程如下
在该算法中,假设粒子群体由m个粒子组成;
最小运行成本所确定的适应值决定了每个粒子的性能,粒子在空间中搜索最优解;
在一个m个粒子的粒子群在D维目标空间中搜索,第i个粒子在d维空间里的位置表示成矢量为
飞行速度表示成矢量为
通过目标函数运算每个粒子都有一个适应值,对于第i个粒子经历的最好位置称为个体历史最好位置Pbest(i)
相应适应度值为个体历史最好适应度值Ffitness(i)
粒子经过的最好位置成为全局历史最好位置记为gbest,最好适应值记为Fg
对于第n+1次迭代,每个粒子按下式进行变化
式中,n为迭代次数,n=1,2,3,…,N;rand1、rand2为[0,1]之间的随机数;c1c2为学习因子;wi为惯性权重;
其中飞行时间t采用图2所示粒子飞行时间变化趋势,相当于加快粒子飞行速度可提高粒子寻找最优解的能力,防止粒子陷入局部最优;
模拟退火算法采用了线性退温系数,目的是为了在寻优初期收敛速度更快,在寻优后期 使局部搜索更精确;
式中T为温度更新函数;MAXITER为最大迭代次数
在模拟退火粒子群算法中;
第i个粒子的取值范围为:
式中rand为随机数,在[0,1]区间服从均匀分布;a和b为测量区域的上边界和下边界。
7.根据权利要求2所述的一种基于模拟退火粒子群算法的储能单元优化方法,其特征在于:所述步骤5中,求解过程如下
根据权利要求6中的产生一个新位置计算新旧位置增量△
如果△小于0,粒子进入新位置,并根据进行退温
如果△大于0,服从于[0,1]的生成随机数如果粒子进入新位置执行退温
根据下式对约束条件进行处理,并根据约束条件处理结果更新粒子
根据和更新粒子位置与速度
判断是否满足终止条件满足则输出最优解。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711074681.6A CN107732945A (zh) | 2017-11-06 | 2017-11-06 | 一种基于模拟退火粒子群算法的储能单元优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711074681.6A CN107732945A (zh) | 2017-11-06 | 2017-11-06 | 一种基于模拟退火粒子群算法的储能单元优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107732945A true CN107732945A (zh) | 2018-02-23 |
Family
ID=61221504
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711074681.6A Pending CN107732945A (zh) | 2017-11-06 | 2017-11-06 | 一种基于模拟退火粒子群算法的储能单元优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107732945A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191026A (zh) * | 2018-11-09 | 2019-01-11 | 浙江大学 | 一种基于模拟退火算法的能量转换装置寿命统一管理方法 |
CN109829599A (zh) * | 2018-11-22 | 2019-05-31 | 合肥工业大学 | 基于高比例可再生能源的配电网的集群划分方法及装置 |
CN110429653A (zh) * | 2019-08-28 | 2019-11-08 | 国网河北省电力有限公司邢台供电分公司 | 考虑储能和dr的农网分布式光伏消纳方法及终端设备 |
CN113991742A (zh) * | 2021-11-19 | 2022-01-28 | 国网重庆市电力公司 | 一种配电网分布式光伏双层协同优化投资决策方法 |
CN116254575A (zh) * | 2023-05-10 | 2023-06-13 | 四川大学 | 一种基于模拟退火算法的制氢效率优化控制系统及方法 |
CN113991742B (zh) * | 2021-11-19 | 2024-04-16 | 国网重庆市电力公司 | 一种配电网分布式光伏双层协同优化投资决策方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104238368A (zh) * | 2014-10-12 | 2014-12-24 | 刘岩 | 一种基于模拟退火粒子群的空调能耗模型参数辨识方法 |
CN105203106A (zh) * | 2015-08-17 | 2015-12-30 | 湖北工业大学 | 一种基于模拟退火粒子群算法的wMPS网络布局优化方法 |
-
2017
- 2017-11-06 CN CN201711074681.6A patent/CN107732945A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104238368A (zh) * | 2014-10-12 | 2014-12-24 | 刘岩 | 一种基于模拟退火粒子群的空调能耗模型参数辨识方法 |
CN105203106A (zh) * | 2015-08-17 | 2015-12-30 | 湖北工业大学 | 一种基于模拟退火粒子群算法的wMPS网络布局优化方法 |
Non-Patent Citations (1)
Title |
---|
周天沛等: ""风光互补发电系统混合储能单元的容量优化设计"", 《太阳能学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109191026A (zh) * | 2018-11-09 | 2019-01-11 | 浙江大学 | 一种基于模拟退火算法的能量转换装置寿命统一管理方法 |
CN109191026B (zh) * | 2018-11-09 | 2022-03-25 | 浙江大学 | 一种基于模拟退火算法的能量转换装置寿命统一管理方法 |
CN109829599A (zh) * | 2018-11-22 | 2019-05-31 | 合肥工业大学 | 基于高比例可再生能源的配电网的集群划分方法及装置 |
CN109829599B (zh) * | 2018-11-22 | 2022-03-18 | 合肥工业大学 | 基于高比例可再生能源的配电网的集群划分方法及装置 |
CN110429653A (zh) * | 2019-08-28 | 2019-11-08 | 国网河北省电力有限公司邢台供电分公司 | 考虑储能和dr的农网分布式光伏消纳方法及终端设备 |
CN110429653B (zh) * | 2019-08-28 | 2020-11-17 | 国网河北省电力有限公司邢台供电分公司 | 考虑储能和dr的农网分布式光伏消纳方法及终端设备 |
CN113991742A (zh) * | 2021-11-19 | 2022-01-28 | 国网重庆市电力公司 | 一种配电网分布式光伏双层协同优化投资决策方法 |
CN113991742B (zh) * | 2021-11-19 | 2024-04-16 | 国网重庆市电力公司 | 一种配电网分布式光伏双层协同优化投资决策方法 |
CN116254575A (zh) * | 2023-05-10 | 2023-06-13 | 四川大学 | 一种基于模拟退火算法的制氢效率优化控制系统及方法 |
CN116254575B (zh) * | 2023-05-10 | 2023-07-28 | 四川大学 | 一种基于模拟退火算法的制氢效率优化控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103986190B (zh) | 基于发电功率曲线的风光储联合发电系统平滑控制方法 | |
CN103217900B (zh) | 基于实时电价的中压微网混沌pso最优潮流实现方法 | |
CN104242335B (zh) | 一种基于额定容量的风光储发电单元容量优化配置方法 | |
CN107994595A (zh) | 一种削峰填谷控制方法和系统以及应用该控制方法的系统 | |
CN107732945A (zh) | 一种基于模拟退火粒子群算法的储能单元优化方法 | |
CN109378856B (zh) | 基于滚动优化的风-储混合电站功率波动平抑方法 | |
Rouhani et al. | A comprehensive method for optimum sizing of hybrid energy systems using intelligence evolutionary algorithms | |
Wang et al. | An improved min-max power dispatching method for integration of variable renewable energy | |
WO2022156014A1 (zh) | 混联风光微电网快速频率响应分布式协调控制方法及系统 | |
CN115115130A (zh) | 一种基于模拟退火算法的风光储制氢系统日前调度方法 | |
Aiswariya et al. | Optimal microgrid battery scheduling using simulated annealing | |
CN107846007A (zh) | 基于混沌局部搜索的直流配网电源储能双层规划方法 | |
CN109873419B (zh) | 一种考虑相似度和经济收益的水光蓄系统运行优化方法 | |
CN117134409A (zh) | 考虑电-氢-热互补的微网系统及其多目标优化配置方法 | |
CN115940284B (zh) | 一种考虑分时电价的新能源制氢系统的运行控制策略 | |
CN112311017A (zh) | 一种虚拟电厂与主网最优协同调度方法 | |
Huang et al. | An optimal operation method for cascade hydro-photovoltaic-pumped storage hybrid generation system | |
CN105552894A (zh) | 一种微电网低碳化运行的优化控制方法 | |
CN114398777A (zh) | 一种基于巴什博弈理论的电力系统灵活性资源配置方法 | |
CN115764849A (zh) | 一种混合储能容量优化配置方法及其配置系统 | |
CN114977247A (zh) | 一种应用于能量路由管理的扩展时间轴的粒子群算法 | |
CN108022055A (zh) | 一种基于粒子群模型的微电网经济调度方法 | |
CN114722615A (zh) | 一种基于生产运营模拟的储能容量优化配置方法 | |
CN113555901A (zh) | 基于改进s型函数粒子群优化算法的混合储能容量优化方法 | |
Dai et al. | Capacity planning of battery energy storage system within wind farm |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180223 |