CN108009684A - 一种包含短期负荷预测的微电网并网状态能量管理方法 - Google Patents
一种包含短期负荷预测的微电网并网状态能量管理方法 Download PDFInfo
- Publication number
- CN108009684A CN108009684A CN201711259570.2A CN201711259570A CN108009684A CN 108009684 A CN108009684 A CN 108009684A CN 201711259570 A CN201711259570 A CN 201711259570A CN 108009684 A CN108009684 A CN 108009684A
- Authority
- CN
- China
- Prior art keywords
- mrow
- load
- msub
- sample
- micro
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 230000000694 effects Effects 0.000 claims abstract description 15
- 238000013178 mathematical model Methods 0.000 claims abstract description 10
- 230000005611 electricity Effects 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 21
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000000034 method Methods 0.000 claims description 11
- 238000011160 research Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000002245 particle Substances 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 9
- 239000000446 fuel Substances 0.000 claims description 7
- 238000005057 refrigeration Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 230000033001 locomotion Effects 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009833 condensation Methods 0.000 claims description 3
- 230000005494 condensation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims 2
- 230000008859 change Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 244000144992 flock Species 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种包含短期负荷预测的微电网并网状态能量管理方法,包括在线负荷预测步骤、实时电价预测步骤、建立经济调度数学模型步骤、参数优化步骤和预测效果评判步骤。本发明的包含短期负荷预测的微电网并网状态能量管理方法,利用实时气温信息和历史负荷数据,可实现微电网在线实时负荷预测与优化能量管理。
Description
技术领域
本发明涉及一种包含短期负荷预测的微电网并网状态能量管理方法。
背景技术
微网是指能实现自我控制、保护和管理,自制的微型电网系统,其既可并入大电网运行,又能脱离大电网独立运行。微电网将可再生能源和清洁能源系统接入,实现需求管理以及现有能源最大化利用。微电网将电子系统、储能系统及负荷相结合,通过相关控制装置的配合,向用户提供热能和电能,可适时有效支撑大电网,起到消峰填谷的作用。
微电网的研究和利用有很大的现实意义:充分利用可再生资源,从而降低能耗、减少环境污染;作为大电网的有力补充,提高电力系统的可靠性和灵活性,从根本上改变应对负荷增长的方式。然而,微电网的经济优化作为微电网技术的重要组成,制约着微电网的推广。研究微电网经济运行可以大幅提高微电网的发展和广泛应用,在实际微电网工程中也有重要的理论价值和实际价值。
微电网能量管理系统(Energy Management System,EMS)是一个基于计算机和先进电子设备的综合性自动化系统。与传统大电网能量管理系统有所不同,微电网的能量管理系统融合了先进的IT技术和先进的电力电子设备,能够对微电网内部的分布式电源、蓄电池、负荷等进行优化管理和合理配置,提高微电网的能源利用率。
传统的微电网能量管理系统,工作时,通过在线负荷预测与实时电价预测相结合,再根据目标函数和约束条件进行初步预测,然后进行参数优化,最后进行预测效果评判。
微电网的经济优化运行可以由微电网能量管理系统来完成。该系统使用当地资源,热、电、冷负荷、电能质量、主网等的要求,从而决定微电网内部分布式发电系统的配置运行以及配网所需提供的电能总量。同时,该系统汇总当地的环境、实时电价和电、热、冷负荷需求量等信息,对系统运行进行实时合理优化。
微网电力负荷的特点是随小时、日、周、年变化,具有较大的周期性和波动性。同时,负荷还随季节、气候、温度、经济发展水平等因素变化。一般微电网的供电范围较小,微网负荷波动更大,规律性差。同时,小范围内的天气预测一般不准确,因此负荷预测做到准确很难。
发明内容
本发明的目的是克服现有技术的缺陷,提供一种包含短期负荷预测的微电网并网状态能量管理方法,利用实时气温信息和历史负荷数据,可实现微电网在线实时负荷预测与优化能量管理。
实现上述目的的技术方案是:一种包含短期负荷预测的微电网并网状态能量管理方法,包括以下步骤:
S1,在线负荷预测步骤:结合实时气温信息和历史负荷数据,采用基于SVM的电力系统短期负荷预测算法进行在线负荷预测,先对负荷样本特征进行选取,确定负荷输入样本数据的十维输入向量,该十维输入向量包括前一天相同时刻的负荷、上周同一天同一时刻的负荷、上一周的平均负荷、时刻、一周的第几天、干球温度、水汽凝结的露点、是否节假日、实时负荷和实时气温;对负荷输入样本数据进行平滑和归一化处理,构成负荷预测所需的训练样本和测试样本的样本集;得到所有负荷预测所需的训练样本和测试样本后,对负荷输入样本数据进行归一化处理;
S2,实时电价预测步骤:结合实时气温信息和历史电价数据,采用基于SVM的短期电价预测算法进行实时电价预测,先对电价样本特征进行选取,确定电价输入样本数据的八维输入向量,该八维输入向量包括前一天相同时刻的电价、上周同一天同一时刻的电价、上一周的平均电价、时刻、一周的第几天、当天的预测负荷、实时电价和实时气温;对电价输入样本数据进行平滑和归一化处理,构成电价预测所需的训练样本和测试样本的样本集;得到所有电价预测所需的训练样本和测试样本后,对电价输入样本数据进行归一化处理;
S3,建立经济调度数学模型步骤:所述经济调度数学模型包括目标函数和约束条件,所述约束条件包括功率平衡约束条件和发电容量约束条件,
所述目标函数用于实现总的购电成本最小,计算公式如下:
公式(1)中,F(P)为目标函数,P(t)代表微电源i在时段t的输出功率,Ci(P(t))为微电源i的燃料成本函数,a代表燃料成本目标权重;OMi(P(t))为微电源i的运行维护成本函数,b代表运行维护成本目标权重;CEMi(P(t))为微电源i的气体排放治理成本函数,c代表气体排放治理成本目标权重;Cb(t)和Cs(t)一一对应地表示t时刻的购电价和售电价,为购买电量,为出售电量,d代表微网售电收益的目标权重;e代表微网制热制冷收益的目标权重,N为微电源的总数,T为优化周期总时段数;
所述功率平衡约束条件是指任意时刻各机组的发电电量与购/售电电量之和必须满足总的负荷需求,计算公式如下:
0=PL(t)-PWT(t)-PPV(t)-Pbatt(t)+Pb(t)-Ps(t) (2)
公式(2)中,PL(t)为t时刻负荷的总功率需求;PPV(t)为t时刻光伏的输出功率;PWT(t)为t时刻风机的输出功率;Pbatt(t)为t时刻蓄电池的输出功率;Pb(t)为t时刻购买电量;Ps(t)为t时刻售出电量;
所述发电容量约束条件是为保证微网实际运行中的稳定性,每个发电机组在任意时刻的实际发电功率有着严格的上下限约束,计算公式如下:
公式(3)中:为机组i的最小出力;为机组i的最大出力;
S4,参数优化步骤:将所述目标函数和约束条件代入标准粒子群算法,根据所述约束条件,通过选择合适的评价函数,在迭代过程中消除不满足约束条件的微粒,所述标准粒子群算法中的微粒对应所述目标函数中的各组参数;
S5,预测效果评判步骤,选取平均相对误差作为在线负荷预测效果和实时电价预测的评判依据。
上述的一种包含短期负荷预测的微电网并网状态能量管理方法,所述在线负荷预测步骤,具体包括:
S11,样本特征的选取步骤:设定预测负荷值为输出值,设定影响负荷预测的因素为输入向量,所述影响负荷的因素包括历史负荷序列、时间因素和气温信息;
S12,训练样本和测试样本的确定步骤:利用主成分分析方法对历史负荷数据进行分析后,选取负荷输入样本数据的十维输入向量,对负荷输入样本数据进行平滑和归一化处理,构成负荷预测所需的训练样本和测试样本的样本集;
S13,负荷数据的归一化处理步骤:在得到所有负荷预测所需的训练样本和测试样本样本集后,对该样本集的输入样本数据进行归一化处理,将输入样本数据的十维输入向量的每一维都归一化到[0,1]区间内,设当前维在所有样本上的最大值为maxvalue,最小值为minvalue,做如下线性变换:
公式(4)中,x为转换前的输入向量值;为转换后的输入向量值;
S14,核函数构造和参数优化步骤:选择RBF作为SVM的核函数,并通过网格搜索法和交叉验证法优化所述核函数中的宽度参数σ2和惩罚系数c;
S15,在线负荷预测效果评判步骤:选取平均相对误差作为在线负荷预测效果的评判依据,
公式(5)中,A(i)为实际负荷值;F(i)为预测负荷值;eMAPE为平均相对误差。
上述的一种包含短期负荷预测的微电网并网状态能量管理方法,所述核函数构造和参数优化步骤中,参数优化过程相当于在宽度参数σ2和惩罚系数c组成的二维均匀划分的网格上确定最优值。
上述的一种包含短期负荷预测的微电网并网状态能量管理方法,所述十维输入向量和八维输入向量中,所述时刻以小时或者半小时为单位。
上述的一种包含短期负荷预测的微电网并网状态能量管理方法,所述参数优化步骤中,所述标准粒子群算法具体包括以下步骤:
S41,初始化种群微粒,微粒的群体规模为m,每个微粒包括随机的位置和速度;
S42,评价每个微粒的适应度;
S43,对每个微粒,将它的适应值和它经历过的最好位置pbest的做比较,如果它的适应值较好,则将其作为当前的最好位置pbesti;
S44,对每个微粒,将它的适应值和全局所经历最好位置gbest的做比较,如果它的适应值较好,则将其设置为全局最好位置gbesti;
S45,根据以下方程计算微粒的速度和位置:
vi=w*vi+c1*rand()*(pbesti-presenti)+c2*rand()*(gbest-presenti) (6)
presenti+1=presenti+vi (7)
公式(6)和公式(7)中,vi是微粒的速度,w是惯性权重,presenti是当前微粒的位置,rand()是介于(0,1)之间的随机数,c1和c2是学习因子,通常c1=c2=2;
S46,如满足结束条件的话,就停止;如未满足结束条件,则回到步骤S42,所述结束条件为微粒达到足够好的适应值或达到一个预设最大代数Gmax。
本发明的包含短期负荷预测的微电网并网状态能量管理方法,通过实时负荷数据与历史负荷数据相结合,使用在线气象监测数据训练预测模型,实现微电网负荷的准确预测。本发明基于在线短期负荷预测,能量管理系统调用系统内部资源,来满足当地的热、电、冷负荷、电能质量、主网等的要求,从而决定其内部分布式发电系统的配置,同时根据当地的环境、实时电价和电、热、冷负荷需等信息,对内部网络进行合理优化。
附图说明
图1为本发明的包含短期负荷预测的微电网并网状态能量管理方法的流程图;
图2为在线负荷预测步骤的流程图;
图3为参数优化步骤中采用的标准粒子群算法的流程图;
图4为采用本发明的包含短期负荷预测的微电网并网状态能量管理方法的微网系统的原理图。
具体实施方式
为了使本技术领域的技术人员能更好地理解本发明的技术方案,下面结合附图对其具体实施方式进行详细地说明:
请参阅图1,本发明的实施例,一种包含短期负荷预测的微电网并网状态能量管理方法,包括以下步骤:
S1,在线负荷预测步骤:结合实时气温信息和历史负荷数据,采用基于SVM的电力系统短期负荷预测算法进行在线负荷预测,先对负荷样本特征进行选取,确定负荷输入样本数据的十维输入向量,十维输入向量包括:
(1)前一天相同时刻的负荷;
(2)上周同一天同一时刻的负荷;
(3)上一周的平均负荷;
(4)时刻(小时或者半小时为单位);
(5)一周的第几天;
(6)干球温度;
(7)水汽凝结的露点;
(8)是否节假日;
(9)实时负荷;
(10)实时气温;
负荷输入样本数据为十维的向量,对负荷输入样本数据进行平滑和归一化处理,构成负荷预测所需的训练样本和测试样本的样本集;得到所有负荷预测所需的训练样本和测试样本后,对负荷输入样本数据进行归一化处理;
S2,实时电价预测步骤:结合实时气温信息和历史电价数据,采用基于SVM的短期电价预测算法进行实时电价预测,先对电价样本特征进行选取,确定电价输入样本数据的八维输入向量,八维输入向量包括:
(1)前一天相同时刻的电价;
(2)上周同一天同一时刻的电价;
(3)上一周的平均电价;
(4)时刻(小时或者半小时为单位);
(5)一周的第几天;
(6)当天的预测负荷;
(7)实时电价;
(8)实时气温;
电价输入样本数据为八维的向量,对电价输入样本数据进行平滑和归一化处理,构成电价预测所需的训练样本和测试样本的样本集;得到所有电价预测所需的训练样本和测试样本后,对电价输入样本数据进行归一化处理;
S3,建立经济调度数学模型步骤:经济调度数学模型包括目标函数和约束条件两部分,经济调度数学模型的主要目标为:
(1)确保热、电负荷得到满足;
(2)使发电燃料成本和排放最小;
(3)使运行维护成本最少;
(4)使微网收益最大化。
目标(1)可作为约束条件,目标(2)、(3)、(4)则是经济调度的目标函数。在多目标优化过程中,各个目标有不同的重要程度,并且随着条件的变化各个目标的重要程度也应该改变。所以本发明将经济调度中的多目标赋予不同的权重系数,这些系数可以在不同时期随着环境的变化人为进行适当调整。
本发明中,经济调度数学模型包括目标函数和约束条件,约束条件包括功率平衡约束条件和发电容量约束条件,
目标函数用于实现总的购电成本最小,计算公式如下:
公式(1)中,F(P)为目标函数,P(t)代表微电源i在时段t的输出功率,Ci(P(t))为微电源i的燃料成本函数,a代表燃料成本目标权重;OMi(P(t))为微电源i的运行维护成本函数,b代表运行维护成本目标权重;CEMi(P(t))为微电源i的气体排放治理成本函数,c代表气体排放治理成本目标权重;Cb(t)和Cs(t)一一对应地表示t时刻的购电价和售电价,为购买电量,为出售电量,d代表微网售电收益的目标权重;e代表微网制热制冷收益的目标权重,N为微电源的总数,T为优化周期总时段数;
功率平衡约束条件是指任意时刻各机组的发电电量与购/售电电量之和必须满足总的负荷需求,计算公式如下:
0=PL(t)-PWT(t)-PPV(t)-Pbatt(t)+Pb(t)-Ps(t) (2)
公式(2)中,PL(t)为t时刻负荷的总功率需求;PPV(t)为t时刻光伏电池的输出功率;PWT(t)为t时刻风机的输出功率;Pbatt(t)为t时刻蓄电池的输出功率;Pb(t)为t时刻购买电量;Ps(t)为t时刻售出电量;
发电容量约束条件是为保证微网实际运行中的稳定性,每个发电机组在任意时刻的实际发电功率有着严格的上下限约束,计算公式如下:
公式(3)中:为机组i的最小出力;为机组i的最大出力;
S4,参数优化步骤:将目标函数和约束条件代入标准粒子群算法,根据约束条件,通过选择合适的评价函数,在迭代过程中消除不满足约束条件的微粒,标准粒子群算法中的微粒对应目标函数中的各组参数;
S5,预测效果评判步骤,选取平均相对误差作为在线负荷预测效果和实时电价预测的评判依据。
基于支持向量机负荷预测最终目的是寻找一个有良好推广能力的映射,可以反映影响负荷的因素。利用智能算法构造的负荷预测模型的性能从根本上取决于训练数据的数量和质量,作为机器学习方法的支持向量机需要先通过训练样本对其进行训练,然后才能用训练好的网络进行预测,而预测模型的精度和泛化能力极易受样本输入变量的影响,输入变量的选择问题成为负荷预测数据预处理的关键。
请参阅图2,S1在线负荷预测步骤,具体包括以下步骤:
S11,样本特征的选取步骤:设定预测负荷值为输出值,设定影响负荷预测的因素为输入向量,影响负荷的因素包括历史负荷序列、时间因素和气温信息;
S12,训练样本和测试样本的确定步骤:利用主成分分析方法对历史负荷数据进行分析后,选取负荷输入样本数据的十维输入向量,对负荷输入样本数据进行平滑和归一化处理,构成负荷预测所需的训练样本和测试样本的样本集;
S13,负荷数据的归一化处理步骤:在得到所有的负荷预测所需的训练样本和测试样本的样本集后,对该样本集的输入样本数据进行归一化处理,将输入样本数据的十维输入向量的每一维都归一化到[0,1]区间内,设当前维在所有样本上的最大值为maxvalue,最小值为minvalue,做如下线性变换:
公式(4)中,x为转换前的输入向量值;为转换后的输入向量值;这样就把x映射为[0,1]区间;
S14,核函数构造和参数优化步骤:核函数的选择对负荷预测的精度影响很大,本发明选择RBF(Radial Basis Function,径向基函数)作为SVM的核函数,通过大量实验研究发现,核函数中的宽度参数σ2和惩罚系数c,对SVM的性能表现起着非常重要的作用。对SVM的宽度参数σ2和惩罚系数c进行寻优,直接选择网格搜索(Grid-search)和交叉验证法((CrossValidation,CV))对核函数中的宽度参数σ2和惩罚系数c进行选择优化,参数优化过程相当于在宽度参数σ2和惩罚系数c组成的二维均匀划分的网格上确定最优值;
S15,在线负荷预测效果评判步骤:选取平均相对误差作为在线负荷预测效果的评判依据,
公式(5)中,A(i)为实际负荷值;F(i)为预测负荷值;eMAPE为平均相对误差。
请参阅图3,S4参数优化步骤中,标准粒子群算法具体包括以下步骤:
S41,初始化种群微粒,微粒的群体规模为m,每个微粒包括随机的位置和速度;
S42,评价每个微粒的适应度;
S43,对每个微粒,将它的适应值和它经历过的最好位置pbest的做比较,如果它的适应值较好,则将其作为当前的最好位置pbesti;
S44,对每个微粒,将它的适应值和全局所经历最好位置gbest的做比较,如果它的适应值较好,则将其设置为全局最好位置gbesti;
S45,根据以下方程计算微粒的速度和位置:
vi=w*vi+c1*rand()*(pbesti-presenti)+c2*rand()*(gbest-presenti) (6)
presenti+1=presenti+vi (7)
公式(6)和公式(7)中,vi是微粒的速度,w是惯性权重,presenti是当前微粒的位置,rand()是介于(0,1)之间的随机数,c1和c2是学习因子,通常c1=c2=2;
S46,如满足结束条件的话,就停止;如未满足结束条件,则回到步骤S42,所述结束条件为微粒达到足够好的适应值或达到一个预设最大代数Gmax。
微电网能量管理系统经济优化的问题即经济优化调度问题属于动态多维的多输入非线性函数优化问题。此类问题的求解有两个方面的要求,一个是寻求全局的最优解,另一个是有较高的收敛速度。在处理经济优化问题,有很多优化算法,例如:遗传算法、神经网络等,其有各自的优缺点,例如:遗传算法应用广泛,但是搜索能力差、会出现未成熟收敛和随机游走的现象;神经网络具有很好的学习能力,便于调度知识的提取,而且它的并行处理能力较好,能够满足实时调度问题的需求,但是需要大量的训练样本和较长的训练时间,另一方面,随着问题规模的不断增大,网络的规模会急剧的增大。相比之下,粒子群(ParticleSwarmOptimization,PSO)算法作为一种多代理算法,具有较多优点,如:对复杂非线性问题有很强的寻优能力、简单通用、易于实现、精度较高、收敛速度快、鲁棒性强,在解决实际问题中展现出很强的优越性。
PSO算法最初是为了图形化的模拟鸟群优美而不可预测的运动。而通过对动物社会行为的观察,发现在群体中对信息的社会共享提供一个演化的优势,并以此作为开发算法的基础。通过加入近邻的速度匹配、并考虑了多维搜索和根据距离的加速,形成了PSO的最初版本。之后引入了惯性权重w来更好的控制开发(exploitation)和探索(exploration),形成了标准版本。
请参阅图4,本发明的包含短期负荷预测的微电网并网状态能量管理方法的微网系统,包括配电网1、并网开关2、光伏电源3、风力电源4、储能5、重要负荷6、次要负荷7、能量管理模块8、在线负荷预测模块9、实时电价预测模块10以及天气信息模块11,配电网1通过并网开关2分别与光伏电源3、风力电源4、储能5、重要负荷6和次要负荷7相连,在线负荷预测模块9用于完成在线负荷预测步骤,实时电价预测模块10用于完成实时电价预测步骤、能量管理模块8模块用于根据建立的经济调度数学模型和参数优化步骤中的优化方法实现总的购电成本最小,为实现微网并网运行方式下的经济运行提供控制策略。天气信息模块11用于为在线负荷预测模块9和实时电价预测模块10提供所需的实时气温信息。
综上所述,本发明的包含短期负荷预测的微电网并网状态能量管理方法,通过实时在线负荷预测,大大提高了微电网能量管理系统的运行效率,为实现微网并网运行方式下的经济运行提供控制策略;利用实时气温信息和历史负荷数据,可实现微电网在线实时负荷预测与优化能量管理。
本技术领域中的普通技术人员应当认识到,以上的实施例仅是用来说明本发明,而并非用作为对本发明的限定,只要在本发明的实质精神范围内,对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。
Claims (5)
1.一种包含短期负荷预测的微电网并网状态能量管理方法,其特征在于,包括以下步骤:
S1,在线负荷预测步骤:结合实时气温信息和历史负荷数据,采用基于SVM的电力系统短期负荷预测算法进行在线负荷预测,先对负荷样本特征进行选取,确定负荷输入样本数据的十维输入向量,该十维输入向量包括前一天相同时刻的负荷、上周同一天同一时刻的负荷、上一周的平均负荷、时刻、一周的第几天、干球温度、水汽凝结的露点、是否节假日、实时负荷和实时气温;对负荷输入样本数据进行平滑和归一化处理,构成负荷预测所需的训练样本和测试样本的样本集;得到所有负荷预测所需的训练样本和测试样本后,对负荷输入样本数据进行归一化处理;
S2,实时电价预测步骤:结合实时气温信息和历史电价数据,采用基于SVM的短期电价预测算法进行实时电价预测,先对电价样本特征进行选取,确定电价输入样本数据的八维输入向量,该八维输入向量包括前一天相同时刻的电价、上周同一天同一时刻的电价、上一周的平均电价、时刻、一周的第几天、当天的预测负荷、实时电价和实时气温;对电价输入样本数据进行平滑和归一化处理,构成电价预测所需的训练样本和测试样本的样本集;得到所有电价预测所需的训练样本和测试样本后,对电价输入样本数据进行归一化处理;
S3,建立经济调度数学模型步骤:所述经济调度数学模型包括目标函数和约束条件,所述约束条件包括功率平衡约束条件和发电容量约束条件,
所述目标函数用于实现总的购电成本最小,计算公式如下:
<mrow>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<mfenced open = "(" close = ")">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>a</mi>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msub>
<mi>C</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>b</mi>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msub>
<mi>OM</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>c</mi>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msub>
<mi>C</mi>
<mrow>
<mi>E</mi>
<mi>M</mi>
<mi>i</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>+</mo>
<mi>d</mi>
<mo>&lsqb;</mo>
<msub>
<mi>C</mi>
<mi>b</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msub>
<mi>P</mi>
<mi>b</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>C</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<msub>
<mi>P</mi>
<mi>s</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>-</mo>
<mi>e</mi>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>s</mi>
<mi>h</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>C</mi>
<mrow>
<mi>s</mi>
<mi>c</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
公式(1)中,F(P)为目标函数,P(t)代表微电源i在时段t的输出功率,Ci(P(t))为微电源i的燃料成本函数,a代表燃料成本目标权重;OMi(P(t))为微电源i的运行维护成本函数,b代表运行维护成本目标权重;CEMi(P(t))为微电源i的气体排放治理成本函数,c代表气体排放治理成本目标权重;Cb(t)和Cs(t)一一对应地表示t时刻的购电价和售电价,为购买电量,为出售电量,d代表微网售电收益的目标权重;e代表微网制热制冷收益的目标权重,N为微电源的总数,T为优化周期总时段数;
所述功率平衡约束条件是指任意时刻各机组的发电电量与购/售电电量之和必须满足总的负荷需求,计算公式如下:
0=PL(t)-PWT(t)-PPV(t)-Pbatt(t)+Pb(t)-Ps(t) (2)
公式(2)中,PL(t)为t时刻负荷的总功率需求;PPV(t)为t时刻光伏的输出功率;PWT(t)为t时刻风机的输出功率;Pbatt(t)为t时刻蓄电池的输出功率;Pb(t)为t时刻购买电量;Ps(t)为t时刻售出电量;
所述发电容量约束条件是为保证微网实际运行中的稳定性,每个发电机组在任意时刻的实际发电功率有着严格的上下限约束,计算公式如下:
<mrow>
<msubsup>
<mi>P</mi>
<mi>i</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>P</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msubsup>
<mi>P</mi>
<mi>i</mi>
<mi>max</mi>
</msubsup>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>N</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
公式(3)中:为机组i的最小出力;为机组i的最大出力;
S4,参数优化步骤:将所述目标函数和约束条件代入标准粒子群算法,根据所述约束条件,通过选择合适的评价函数,在迭代过程中消除不满足约束条件的微粒,所述标准粒子群算法中的微粒对应所述目标函数中的各组参数;
S5,预测效果评判步骤,选取平均相对误差作为在线负荷预测效果和实时电价预测的评判依据。
2.根据权利要求1所述的一种包含短期负荷预测的微电网并网状态能量管理方法,其特征在于,所述在线负荷预测步骤,具体包括:
S11,样本特征的选取步骤:设定预测负荷值为输出值,设定影响负荷预测的因素为输入向量,所述影响负荷的因素包括历史负荷序列、时间因素和气温信息;
S12,训练样本和测试样本的确定步骤:利用主成分分析方法对历史负荷数据进行分析后,选取负荷输入样本数据的十维输入向量,对负荷输入样本数据进行平滑和归一化处理,构成负荷预测所需的训练样本和测试样本的样本集;
S13,负荷数据的归一化处理步骤:在得到所有负荷预测所需的训练样本和测试样本样本集后,对该样本集的输入样本数据进行归一化处理,将输入样本数据的十维输入向量的每一维都归一化到[0,1]区间内,设当前维在所有样本上的最大值为maxvalue,最小值为minvalue,做如下线性变换:
<mrow>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mi>min</mi>
<mi>v</mi>
<mi>a</mi>
<mi>l</mi>
<mi>u</mi>
<mi>e</mi>
</mrow>
<mrow>
<mi>max</mi>
<mi>v</mi>
<mi>a</mi>
<mi>l</mi>
<mi>u</mi>
<mi>e</mi>
<mo>-</mo>
<mi>min</mi>
<mi>v</mi>
<mi>a</mi>
<mi>l</mi>
<mi>u</mi>
<mi>e</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
公式(4)中,x为转换前的输入向量值;为转换后的输入向量值;
S14,核函数构造和参数优化步骤:选择RBF作为SVM的核函数,并通过网格搜索法和交叉验证法优化所述核函数中的宽度参数σ2和惩罚系数c;
S15,在线负荷预测效果评判步骤:选取平均相对误差作为在线负荷预测效果的评判依据,
<mrow>
<msub>
<mi>e</mi>
<mrow>
<mi>M</mi>
<mi>A</mi>
<mi>P</mi>
<mi>E</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mfrac>
<mrow>
<mo>|</mo>
<mi>A</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>F</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<mi>A</mi>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
公式(5)中,A(i)为实际负荷值;F(i)为预测负荷值;eMAPE为平均相对误差。
3.根据权利要求2所述的一种包含短期负荷预测的微电网并网状态能量管理方法,其特征在于,所述核函数构造和参数优化步骤中,参数优化过程相当于在宽度参数σ2和惩罚系数c组成的二维均匀划分的网格上确定最优值。
4.根据权利要求1所述的一种包含短期负荷预测的微电网并网状态能量管理方法,其特征在于,所述十维输入向量和八维输入向量中,所述时刻以小时或者半小时为单位。
5.根据权利要求1所述的一种包含短期负荷预测的微电网并网状态能量管理方法,其特征在于,所述参数优化步骤中,所述标准粒子群算法具体包括以下步骤:
S41,初始化种群微粒,微粒的群体规模为m,每个微粒包括随机的位置和速度;
S42,评价每个微粒的适应度;
S43,对每个微粒,将它的适应值和它经历过的最好位置pbest的做比较,如果它的适应值较好,则将其作为当前的最好位置pbesti;
S44,对每个微粒,将它的适应值和全局所经历最好位置gbest的做比较,如果它的适应值较好,则将其设置为全局最好位置gbesti;
S45,根据以下方程计算微粒的速度和位置:
vi=w*vi+c1*rand()*(pbesti-presenti)+c2*rand()*(gbest-presenti )(6)
presenti+1=presenti+vi (7)
公式(6)和公式(7)中,vi是微粒的速度,w是惯性权重,presenti是当前微粒的位置,rand()是介于(0,1)之间的随机数,c1和c2是学习因子,通常c1=c2=2;
S46,如满足结束条件的话,就停止;如未满足结束条件,则回到步骤S42,所述结束条件为微粒达到足够好的适应值或达到一个预设最大代数Gmax。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711259570.2A CN108009684A (zh) | 2017-12-04 | 2017-12-04 | 一种包含短期负荷预测的微电网并网状态能量管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711259570.2A CN108009684A (zh) | 2017-12-04 | 2017-12-04 | 一种包含短期负荷预测的微电网并网状态能量管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108009684A true CN108009684A (zh) | 2018-05-08 |
Family
ID=62056075
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711259570.2A Pending CN108009684A (zh) | 2017-12-04 | 2017-12-04 | 一种包含短期负荷预测的微电网并网状态能量管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009684A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709109A (zh) * | 2020-04-28 | 2020-09-25 | 中国能源建设集团江苏省电力设计院有限公司 | 一种考虑源荷时序相关性的光伏消纳容量计算方法及装置 |
CN112270440A (zh) * | 2020-10-30 | 2021-01-26 | 国网安徽省电力有限公司合肥供电公司 | 一种基于胶囊神经网络的配电网负荷预测方法 |
CN114202229A (zh) * | 2021-12-20 | 2022-03-18 | 南方电网数字电网研究院有限公司 | 能量管理策略的确定方法、装置、计算机设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214262A (zh) * | 2010-04-02 | 2011-10-12 | 上海海洋大学 | 一种潮汐预报方法 |
CN103972929A (zh) * | 2014-05-20 | 2014-08-06 | 上海电气集团股份有限公司 | 一种微网功率分配优化控制方法 |
CN104008432A (zh) * | 2014-06-03 | 2014-08-27 | 华北电力大学 | 基于emd-kelm-ekf的微网短期负荷预测方法 |
CN105162113A (zh) * | 2015-08-26 | 2015-12-16 | 天津大学 | 一种基于灵敏度分析的微电网与配电网互动成本计算方法 |
CN105303262A (zh) * | 2015-11-12 | 2016-02-03 | 河海大学 | 一种基于核主成分分析和随机森林的短期负荷预测方法 |
CN105678404A (zh) * | 2015-12-30 | 2016-06-15 | 东北大学 | 基于网购电和动态关联因子的微电网负荷预测系统及方法 |
CN106372763A (zh) * | 2016-10-25 | 2017-02-01 | 国家电网公司 | 基于改进的支持向量机的电力负荷预测修正方法 |
-
2017
- 2017-12-04 CN CN201711259570.2A patent/CN108009684A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214262A (zh) * | 2010-04-02 | 2011-10-12 | 上海海洋大学 | 一种潮汐预报方法 |
CN103972929A (zh) * | 2014-05-20 | 2014-08-06 | 上海电气集团股份有限公司 | 一种微网功率分配优化控制方法 |
CN104008432A (zh) * | 2014-06-03 | 2014-08-27 | 华北电力大学 | 基于emd-kelm-ekf的微网短期负荷预测方法 |
CN105162113A (zh) * | 2015-08-26 | 2015-12-16 | 天津大学 | 一种基于灵敏度分析的微电网与配电网互动成本计算方法 |
CN105303262A (zh) * | 2015-11-12 | 2016-02-03 | 河海大学 | 一种基于核主成分分析和随机森林的短期负荷预测方法 |
CN105678404A (zh) * | 2015-12-30 | 2016-06-15 | 东北大学 | 基于网购电和动态关联因子的微电网负荷预测系统及方法 |
CN106372763A (zh) * | 2016-10-25 | 2017-02-01 | 国家电网公司 | 基于改进的支持向量机的电力负荷预测修正方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111709109A (zh) * | 2020-04-28 | 2020-09-25 | 中国能源建设集团江苏省电力设计院有限公司 | 一种考虑源荷时序相关性的光伏消纳容量计算方法及装置 |
CN111709109B (zh) * | 2020-04-28 | 2022-06-07 | 中国能源建设集团江苏省电力设计院有限公司 | 一种考虑源荷时序相关性的光伏消纳容量计算方法及装置 |
CN112270440A (zh) * | 2020-10-30 | 2021-01-26 | 国网安徽省电力有限公司合肥供电公司 | 一种基于胶囊神经网络的配电网负荷预测方法 |
CN112270440B (zh) * | 2020-10-30 | 2023-04-07 | 国网安徽省电力有限公司合肥供电公司 | 一种基于胶囊神经网络的配电网负荷预测方法 |
CN114202229A (zh) * | 2021-12-20 | 2022-03-18 | 南方电网数字电网研究院有限公司 | 能量管理策略的确定方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun | A multi-objective optimization model for fast electric vehicle charging stations with wind, PV power and energy storage | |
Wang et al. | Capacity planning and optimization of business park-level integrated energy system based on investment constraints | |
Thirunavukkarasu et al. | Role of optimization techniques in microgrid energy management systems—A review | |
Xia et al. | Application of a new information priority accumulated grey model with time power to predict short-term wind turbine capacity | |
Tan et al. | Optimal distributed renewable generation planning: A review of different approaches | |
CN109829604A (zh) | 一种电网侧储能电站运行效果综合评估方法 | |
CN104836259B (zh) | 一种多能源船舶微网实时能量优化调度方法 | |
CN111985702A (zh) | 一种计及电能替代效果的园区级综合能源系统优化方法 | |
Jain et al. | Planning and impact evaluation of distributed generators in Indian context using multi-objective particle swarm optimization | |
Tan et al. | Feasibility study on the construction of multi-energy complementary systems in rural areas—Eastern, central, and western parts of China are taken as examples | |
Suresh et al. | Microgrid energy management using metaheuristic optimization algorithms | |
CN108009684A (zh) | 一种包含短期负荷预测的微电网并网状态能量管理方法 | |
Reche-López et al. | Comparison of metaheuristic techniques to determine optimal placement of biomass power plants | |
CN114066315A (zh) | 一种适应多元源荷接入的配电网规划系统 | |
Yin et al. | Risk assessment of photovoltaic-Energy storage utilization project based on improved Cloud-TODIM in China | |
Zheng et al. | Meta-heuristic techniques in microgrid management: A survey | |
Peng et al. | Sequential coalition formation for wind-thermal combined bidding | |
CN114123294B (zh) | 考虑三相不平衡的多目标光伏单相并网容量规划方法 | |
Yuan et al. | Multi criteria decision-making for distributed energy system based on multi-source heterogeneous data | |
CN112446175B (zh) | 基于配电网概率潮流计算的分布式电源选址优化方法 | |
Gao et al. | Thermoelectric optimization of integrated energy system considering wind-photovoltaic uncertainty, two-stage power-to-gas and ladder-type carbon trading | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
Ding et al. | Long-term operation rules of a hydro–wind–photovoltaic hybrid system considering forecast information | |
Khan et al. | Optimal integration of electric vehicle charging stations and distributed generation in distribution network | |
CN115758763A (zh) | 一种计及源荷不确定性的多能流系统优化配置方法及系统 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180508 |
|
WD01 | Invention patent application deemed withdrawn after publication |