CN108932573A - 一种分布式能源系统稳定性评估方法及装置 - Google Patents

一种分布式能源系统稳定性评估方法及装置 Download PDF

Info

Publication number
CN108932573A
CN108932573A CN201710380852.1A CN201710380852A CN108932573A CN 108932573 A CN108932573 A CN 108932573A CN 201710380852 A CN201710380852 A CN 201710380852A CN 108932573 A CN108932573 A CN 108932573A
Authority
CN
China
Prior art keywords
energy
record data
objective function
electric energy
resource system
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
Application number
CN201710380852.1A
Other languages
English (en)
Other versions
CN108932573B (zh
Inventor
杨烨
周友
张丁
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.)
Shenhua Group Corp Ltd
National Institute of Clean and Low Carbon Energy
Original Assignee
Shenhua Group Corp Ltd
National Institute of Clean and Low Carbon Energy
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 Shenhua Group Corp Ltd, National Institute of Clean and Low Carbon Energy filed Critical Shenhua Group Corp Ltd
Priority to CN201710380852.1A priority Critical patent/CN108932573B/zh
Publication of CN108932573A publication Critical patent/CN108932573A/zh
Application granted granted Critical
Publication of CN108932573B publication Critical patent/CN108932573B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种分布式能源系统稳定性评估方法及装置。该方法包括：获取分布式能源系统中与所述分布式能源系统的稳定性相关的目标功能模块的电能的记录数据；根据所获取的记录数据确定所述目标功能模块中电能的概率分布；根据所述概率分布确定所述目标功能模块的能源熵值，以通过所述能源熵值对所述分布式能源系统的稳定性进行评估。采用该方法，即使分布式能源系统中发电和储电方式具有多样性、系统自身结构高复杂性以及负载功率具有不确定性等，可以通过电能的记录数据最终计算出对应的能源熵值，从而对分布式能源系统的稳定性进行评估，为布式能源系统的改进奠定了基础，因此解决了现有技术中的问题。

Description

一种分布式能源系统稳定性评估方法及装置
技术领域
本申请涉及能源技术领域，尤其涉及一种分布式能源系统稳定性评估方法及装置。
背景技术
为了因应电力供应的需求，比如，人们通常要求电压稳定并且持续供应的电力等，通常需要对提供电能的分布式能源系统(Distributed energy system，DES)进行改进，从而提高其稳定性。在对分布式能源系统进行改进来提高其稳定性时，通常需要先对它的稳定性进行评估，从而通过这种评估来提供改进的方向。
目前的分布式能源系统通常由多个功能模块组成，这些功能模块可以包括发电模块、储电模块以及负载模块等。在对分布式能源系统的稳定性进行评估时，由于分布式能源系统中发电和储电方式的多样性、系统自身结构的高复杂性以及负载功率的不确定性等，使得对分布式能源系统稳定性的评估十分困难，并最终影响分布式能源系统的改进。因此，如何对分布式能源系统的稳定性进行评估是本申请需要解决的问题。
发明内容
本申请实施例提供一种分布式能源系统稳定性评估方法及装置，用于解决现有技术中的问题。
本申请实施例提供了一种分布式能源系统稳定性评估方法，该方法包括：
获取分布式能源系统中与所述分布式能源系统的稳定性相关的目标功能模块的电能的记录数据；
根据所获取的记录数据确定所述目标功能模块中电能的概率分布；
根据所述概率分布确定所述目标功能模块的能源熵值，以通过所述能源熵值对所述分布式能源系统的稳定性进行评估。
优选地，根据所获取的记录数据确定所述目标功能模块中电能的概率分布，具体包括：
根据所述记录数据计算所述目标功能模块的电能的平均值以及方差；
根据所述平均值以及方差确定对应的正态分布函数以作为所述概率分布。
优选地，所述方法还包括：
根据信息反馈确定控制量和预测算法，所述信息反馈反应目标功能模块的当前状态，所述预测算法用于对所述记录数据进行处理，确定离散程度低于所述记录数据的新记录数据，所述控制量用于调整所述记录数据的平均值；
根据所述记录数据计算所述目标功能模块的电能的平均值以及方差，具体包括：
计算所述记录数据的平均值，并根据所述控制量对所述记录数据的平均值进行调整，将调整后的平均值作为所述目标功能模块的电能的平均值；
根据所述预测算法和所述记录数据确定新记录数据，并计算所述新记录数据的方差，作为所述目标功能模块的电能的方差。
优选地，根据所述概率分布确定所述目标功能模块的能源熵值，具体为通过如下公式计算所述能源熵值：
其中，自变量P为用于表示电能的电功率，f(P)为电功率的概率密度函数，(Pmin，Pmax)为电功率的取值区间，Pmin为所述取值区间的最小值，Pmax为所述取值区间的最大值，H为能源熵值。
优选地，所述目标功能模块具体包括：发电模块、储电模块以及负载模块；
获取分布式能源系统中与所述分布式能源系统的稳定性相关的目标功能模块的电能的记录数据，具体包括：
获取分布式能源系统中的发电模块、储电模块以及负载模块的电能的记录数据；
根据所获取的记录数据确定所述目标功能模块中电能的概率分布，具体包括：根据所获取的记录数据分别确定发电模块、储电模块以及负载模块中电能的概率分布；
根据所述概率分布确定所述目标功能模块的能源熵值，以通过所述能源熵值对所述分布式能源系统的稳定性进行评估，具体包括：根据各所述概率分布分别确定发电模块、储电模块以及负载模块的能源熵值，以通过各所述能源熵值对所述分布式能源系统的稳定性进行评估。
优选地，通过各所述能源熵值对所述分布式能源系统的稳定性进行评估，具体包括：
通过将各能源熵值进行归一化确定该分布式能源系统的总体能源熵值；
根据所述总体能源熵值对所述分布式能源系统的稳定性进行评估。
优选地，在根据所获取的记录数据确定所述目标功能模块中电能的概率分布之前，所述方法还包括：
当判断获取所述电能的记录数据失败时，确定所述目标功能模块的最大电能和最小电能，并直接将所述最大电能和所述最小电能之差的倒数作为所述目标功能模块中电功率的概率分布；
当判断获取所述电能的记录数据成功时，执行根据所获取的记录数据确定所述目标功能模块中电能的概率分布的步骤。
本申请实施例还提供了一种分布式能源系统稳定性评估装置，该装置包括：获取单元、概率分布确定单元以及能源熵值确定单元，其中：
获取单元，用于获取分布式能源系统中与所述分布式能源系统的稳定性相关的目标功能模块的电能的记录数据；
概率分布确定单元，用于根据所获取的记录数据确定所述目标功能模块中电能的概率分布；
能源熵值确定单元，用于根据所述概率分布确定所述目标功能模块的能源熵值，以通过所述能源熵值对所述分布式能源系统的稳定性进行评估。
优选地，根据所获取的记录数据确定所述目标功能模块中电能的概率分布，具体包括：
根据所述记录数据计算所述目标功能模块的电能的平均值以及方差；
根据所述平均值以及方差确定对应的正态分布函数以作为所述概率分布。
优选地，所述装置还包括：第三确定单元，用于根据信息反馈确定控制量和预测算法，所述信息反馈反应目标功能模块的当前状态，所述预测算法用于对所述记录数据进行处理，确定离散程度低于所述记录数据的新记录数据，所述控制量用于调整所述记录数据的平均值；
概率分布确定单元，用于计算所述记录数据的平均值，并根据所述控制量对所述记录数据的平均值进行调整，将调整后的平均值作为所述目标功能模块的电能的平均值；根据所述预测算法和所述记录数据确定新记录数据，并计算所述新记录数据的方差，作为所述目标功能模块的电能的方差；根据目标功能模块的电能的平均值以及方差，确定对应的正态分布函数以作为所述概率分布。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
采用本申请实施例所提供的方法，该方法通过目标功能模块的电能的记录数据来确定出电能的概率分布，并根据该概率分布来确定出目标功能模块的源熵值，从而根据该能源熵值来对分布式能源系统的稳定性进行评估。即使分布式能源系统中发电和储电方式具有多样性、系统自身结构高复杂性以及负载功率具有不确定性等，可以通过分布式能源系统中各个功能模块的电能的记录数据最终计算出对应的能源熵值，从而对分布式能源系统的稳定性进行评估，为布式能源系统的改进奠定了基础，因此解决了现有技术中的问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1-1和图1-2为本申请实施例提供的分布式能源系统的结构示意图；
图2为本申请实施例提供的分布式能源系统的结构示意图；
图3为本申请实施例提供的分布式能源系统的场景示意图；
图4为本申请实施例提供的分布式能源系统稳定性评估方法的流程示意图；
图5为本申请实施例提供的一种计算电功率对应的概率的示意图；
图6为本申请实施例提供的另一种计算电功率对应的概率的示意图；
图7为本申请实施例提供的分布式能源系统稳定性评估装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
实施例1
实施例1提供了一种分布式能源系统稳定性评估方法，该方法能够用于评估分布式能源系统的稳定性。为了便于理解，这里可以先对所评估的分布式能源系统进行描述。通常分布式能源系统会包括发电模块、储电模块、负载模块等多个功能模块。
发电模块能够用于发电，根据发电方式的不同可以是太阳能发电模块(诸如光伏)，也可以是风能发电模块，也可以是热能发电模块(诸如发电机等)，当然也可以是其他形式的发电模块。发电模块可以直接电连接负载模块，通过这种电连接使得电能能够流通，从而直接向负载模块提供工作电能，也可以电连接储电模块，从而将所产生的电能进行储存，当然，发电模块也可以在电连接负载模块的同时，也储电模块。
储电模块能够用于储存电能，并在需要时向负载模块提供所存储电能，因此储电模块不仅电连接发电模块，也同时电连接负载模块。
负载模块可以是工业用电负载，也可以是居民用电负载等，负载模块可以直接电连接发电模块，从而直接使用发电模块所产生的电能，也可以电连接储电模块，从而使用储电模块中所存储的电能，也可以同时电连接发电模块和储电模块。如图1-1所示为一种分布式能源系统的结构示意图，该分布式能源系统中的发电模块、储电模块以及负载模块相互电连接；如图1-2所示为另一种分布式能源系统的结构示意图，该分布式能源系统中发电模块连接储电模块，储电模块连接负载模块。
此外，在分布式能源系统中通常还可以包括控制模块等，该控制模块能够用于控制整个分布式能源系统的正常工作。控制模块可以信号连接发电模块、储电模块以及负载模块，从而能够向这些功能模块发送控制信号。如图2所示为包括控制模块的分布式能源系统，在该分布式能源系统中，控制模块与发电模块、储电模块以及负载模块信号连接，并且发电模块电连接储电模块，储电模块电连接负载模块。
如图3所示为实际应用中的分布式能源系统的场景示意图，该分布式能源系统中包括控制模块、储电模块、负载模块、光伏、风能发电模块以及发电机等，其中，控制模块与其它的功能模块信号连接，从而能够向其它的功能模块发送控制信号。
本申请实施例1所提供的方法能够用来对上述的分布式能源系统进的稳定性进行评估。该方法的具体流程示意图如图4所示，包括下述步骤：
步骤S11：获取分布式能源系统中与所述分布式能源系统的稳定性相关的目标功能模块的电能的记录数据。
这里所说的目标功能模块与分布式能源系统的稳定性相关，在实际应用中可以是发电模块、储电模块、负载模块中的任意一个或多个，比如可以是发电模块，也可以是发电模块以及负载模块；当然，该目标功能模块也可以是分布式能源系统中发电模块、储电模块、负载模块之外的其他功能模块。
电能的记录数据通常可以是按时间顺序记录的，目标功能模块产生、存储或消耗的电能，该电能可以以电功率(比如瓦特，千瓦特等)形式来表示，也可以以电量(比如千瓦时、焦耳等)的形式来表示。具体到发电模块，可以是按时间顺序记录的该发电模块产生的电的电功率或者度数，比如，该电能的记录数据可以按一天各个时间点记录的，光伏所输出的电的电功率；具体到负载模块，该电能的记录数据可以是按时间顺序记录的该负载模块的负载功率，也可以是按时间顺序记录的该负载模块用电量，比如，一个月每天负载模块的负载功率；具体到储电模块，该电能的记录数据可以是按时间顺序记录的该储电模块中存储的电量，比如按一天各个时间点记录的该储电模块中的电量。
获取目标功能模块的电能的记录数据的方式可以有多种，可以是周期性地获取，比如获取周期为1小时或其它周期，也可以是在某个时间点(比如上午9点)定点来获取，也可以是其它的获取方式。此外，获取的方式还可以是主动获取，也可以是以被动的方式进行获取，即接收。
步骤S12：根据所获取的记录数据确定所述目标功能模块中电能的概率分布。
该概率分布通常可以以概率密度函数的形式来表示，也可以以图表等形式来表示，也可以以其他形式来表示。当概率分布以概率密度函数的形式来表示时，该概率密度函数的自变量为电能，因变量为概率，比如自变量为电功率，因变量为对应的概率。电能的某个值所对应的概率反应了目标功能模块以该值产生、存储或消耗电能的概率。比如，对于发电模块，概率密度函数中的电量值(横坐标的值)反应了以值对应的电能进行发电的概率(纵坐标的值)。
在实际应用中，根据电能的记录数据确定电功率的概率分布的方式可以有多种。比如，如果预先获知用来表示概率分布的概率密度函数的函数类型(也可以是，预先假设该概率密度函数的函数类型)，可以计算相应的参数以得到相应的概率密度函数，从而以该概率密度函数来表示概率分布。
通常电能的概率分布服从正态分布(也称高斯分布)，此时根据电能的记录数据确定电能的概率分布可以是，先根据该电能的记录数据计算目标功能模块的电能的平均值以及方差，然后根据该平均值以及方差确定对应的正态分布函数以作为电能的概率分布。比如，当以电功率来表示电能时，其正态分布如下所示：
其中，P为用于表示电能的电功率，f(P)为正态分布函数，μ为电功率的平均值，σ为电功率的方差。
当预先获知电能的概率密度函数的函数类型时，进一步确定具体的概率密度函数通常计算量较小。如果预先并未获知电能的概率密度函数的函数类型，在确定该概率密度函数时，可以根据步骤S121～步骤S122的方式来进行确定。
步骤S121：根据电能的记录数据确定目标功能模块中不同电能分别对应的概率。
这里的概率反应了目标功能模块中，产生、存储或消耗的该电能的可能性。
比如，对于发电模块，电能A所对应的概率反应了以该电能A进行发电的可能性，比如以电功率为A进行发电；对于负载模块，电能B所对应的概率反应了负载为该电能B的可能性；对于储电模块，电能C所对应的概率反应了储电模块中所存储的电能为C的可能性。
电能的记录数据通常是以电功率(或者千瓦时)对时间的变化进行记录，也即该电能的记录数据的横坐标为时间点，纵坐标为该时间点的电功率(或者千瓦时)。此时，计算某个电能(电功率)的概率时，可以将该电功率对应的时长在整个时间区间中的占比作为该电功率的概率，通常可以将一天、一周、一月或者一年等作为时间区间。比如，计算负载模块某一天各个电功率分别对应的概率，其中负载功率为W1的时长为T1，则可以将W1所对应的时长T1在一天(24小时)中的占比，作为该负载功率为W1的概率；比如，计算发电模块某个月各个发电功率分别对应的概率，其中以电功率W2进行发电的时长为T2，则T2在该余月中的占比为负载功率W2所对应的概率。
在实际应用中，根据电能的记录数据的不同，对应的有多种确定电功率对应的时长的方式，从而可以在确定电功率对应的时长之后，来根据该时长在时间区间中的占比确定电功率对应的概率。
一种电能的记录数据为根据时间连续记录的电功率，由于发电模块发电时，通常并不会以固定电量进行发电，也就是说输出的电功率随时间变化，负载模块的负载功率通常也并不固定，并且储电模块中所存储的电量也会随时间变化。因此，这种电能的记录数据在二维数轴中通常呈现连续函数的形式，如图3所示为一天24小时记录的电功率变化情况。此时，根据电能的记录数据确定电功率的时长时，可以先将整个电功率的取值范围划分多个连续的区间，每一个区间可以用W±W’来表示，其中W为该区间的中心，W’为误差，通常为了增加精确度W’远小于W，即将W周围较小范围近似的作为W对应的时长。在确定W对应的时长时，将区间W-W’至W+W’的时长(在图5中为t)作为中心W的时长，并将t在24小时中的占比作为W的概率。
通常为了便于对数据进行记录和减少数据量，也可能会每隔一段时间记录一次电功率，并将该电功率作为这段时间的电功率。通常将前一次记录电功率的时间和后一次记录电功率的时间称之为时间梯度，比如，每隔5分钟记录一次电功率，则时间梯度为5分钟，将所记录的这一次电功率作为这5分钟的电功率。当然，为了便于实际应用，该时间梯度还可以为其它，比如，1天、1小时等。如图4所示为这种通过时间梯度记录的电能的记录数据，其中时间梯度为1小时。此时，在计算某个电功率的时长时，也可以将整个电功率的取值范围由小到大划分为多个区间，将该区间内的电功率的时长作为区间中心的电功率对应的时长，比如在图6中电功率70千瓦(区间中心)对应的时长为T为2小时，则70千瓦的概率为2小时在一天24小时中的占比。
步骤S122：根据各所述电能以及分别所对应的概率确定所述目标功能模块的电能的概率分布。
在确定各个电能(可以是以电功率来表示)所对应的概率之后，可以根据所确定的电能以及它们各自对应的概率来确定目标功能模块中，电能的概率密度函数，并通过该概率密度函数表示概率分布。
这种确定概率密度函数的方式由于需要计算电功率以及对应的概率，并且还需要进行模拟计算，因此运算量加大，但是结果更加准确。
步骤S13：根据所述概率分布确定所述目标功能模块的能源熵值。
由于可以通过多种形式来表示电能，对应的也有多种计算能源熵值的方式，比如，当以电功率来表示电能时，根据概率分布确定目标功能模块的能源熵值，可以具体为通过如下公式计算该能源熵值：
其中，自变量P为用于表示电能的电功率，f(P)为电功率的概率密度函数(此时概率分布以概率密度函数表示)，(Pmin，Pmax)为电功率的取值区间，Pmin为所述取值区间的最小值，Pmax为所述取值区间的最大值，H为能源熵值。
该电功率的取值区间(Pmin，Pmax)通常为目标功能模块正常工作时，
电功率的取值范围，其中，Pmin为该区间的最小值，Pmax为该区间的最大值。比如，对于发电模块，该电功率的取值区间通常为输出的电功率的取值范围，该取值范围的最小值通常为0，最大值为发电模块所能输出的最大电功率；对于负载模块，该电功率区间通常为负载功率的取值范围，最小值为0，最大值为最大负载功率。
需要说明的是，在通过上述公式计算能源熵H时，由于电功率P的取值在Pmin和Pmax之间，可以将Pmin和Pmax之间的每一个整数值分别代入计算公式中，从而计算得到H，这种方式综合考虑的计算数据较多，计算结果较为准确。
在通过上述公式计算能源熵H时，也可以在Pmin和Pmax之间挑选部分数据代入计算公式中，从而计算得到H，这种方式计算量较小，特别是当Pmin和Pmax的值相差较大时，能够大大减少计算量；在Pmin和Pmax之间挑选部分数据的方式可以是，先确定Pmin和Pmax之间的最小数(可以是最小的整数，也可以是Pmin)，然后将该最小数增加一个功率梯度(比如，1000瓦特)，从而确定一个值，之后将该值再增加一个相同功率梯度，从而确定下一个值，并依此类推，直至确定最后一个值，其中该最后一个值继续增加一个功率梯度时大于Pmax；当然在Pmin和Pmax之间挑选部分数据的方式可以是，先确定Pmin和Pmax之间的最大数(可以是最大的整数，也可以是Pmax)，然后将该最大数依次减少一个功率梯度(比如，1000瓦特)，从而确定其它值，这些值也均在Pmin和Pmax之间。
功率梯度的大小可以根据Pmin和Pmax之间的差值来确定，当Pmin和Pmax之间相差较大时，为了减少运算量，功率梯度可以相对较大，当Pmin和Pmax之间相差较小时，功率梯度可以相对较小。通常功率梯度可以为1000瓦特，当然也可以为其它值。
步骤S14：通过所述能源熵值对所述分布式能源系统的稳定性进行评估。
采用本申请实施例1所提供的方法，该方法通过目标功能模块的电能的记录数据来确定出电能的概率分布，并根据该概率分布来确定出目标功能模块的能源熵值，从而根据该能源熵值来对分布式能源系统的稳定性进行评估。即使分布式能源系统中发电和储电方式具有多样性、系统自身结构高复杂性以及负载功率具有不确定性等，可以通过各个功能模块的电能的记录数据来最终计算出对应的能源熵值，从而对分布式能源系统的稳定性进行评估，为布式能源系统的改进奠定了基础，因此解决了现有技术中的问题。
在实际应用中，步骤S11获取电能的记录数据时，通常会出现获取失败的情况，在获取失败时需要通过其他方式来确定电能的概率分布，因此在步骤S12之前，该方法还可以包括判断获取是否成功，当判断获取电能的记录数据失败时，可以先确定目标功能模块电能的最大值和最小值(分别称之为最大电能和最小电能)，并直接根据该最大电能和最小电能确定目标功能模块的电能的概率分布，然后执行步骤S13和步骤S14；当判断获取电能的记录数据成功时，执行步骤S12根据所获取的记录数据确定目标功能模块中电能的概率分布，然后执行步骤S13和步骤S14。
根据最大电能和最小电能确定目标功能模块的电能的概率分布时，可以先计算最大电能(Pmax)和最小电能(Pmin)的差值，然后将该差值的倒数作为目标功能模块的电能的概率分布，此时该概率分布服从平均分布，相应的概率分布函数如下所示：
其中，f(P)为概率分布函数，Pmax为最大电能，Pmin为最小电能。
需要进一步说明的是，在实际应用中，电能的概率分布通常为正态分布，因此根据电能的记录数据计算其概率分布函数时，可以直接计算电能的平均值以及方差，用来确定相应的正态分布函数作为电能的概率分布。在实际应用中，通常可以以电功率来表示电能，电功率的大小通常会受到当前的环境状态的影响，该环境状态包括海拔高度、环境温度、湿度、日照、温度等。比如，对于光伏等发电模块而言，不同的环境温度和日照会有不同的发电功率。因此，可以通过环境状态对电能的平均值以及方差进行修正，从而使得评估结果更加准确。
通常可以先根据信息反馈(information，I)确定控制量(Control，C)和预测算法(Prediction method，PM)，其中，信息反馈反应目标功能模块的当前状态，该当前状态既可以是目标功能模块当前所处的环境状态，比如，该目标功能模块为光伏时，信息反馈可以是光伏当前的日照强度、温度、当前时间、所处地理位置等；该目标功能模块为风能发电模块时，信息反馈可以是风速、温度、当前时间、所处地理位置等；该目标功能模块为负载模块时，信息反馈可以是当前时间等。当然，该当前状态既也可以是目标功能模块自身当前的状态，比如，该目标功能模块为发电机时，信息反馈可以是发电机的两端的电压或流过的电流等；该目标功能模块为储能模块时，信息反馈可以是储能模块的两端的电压或流过的电流等。
根据信息反馈调所确定的预测算法，该预测算法能够用于对记录数据进行处理，从而确定离散程度低于该记录数据的新记录数据。通常衡量记录数据离散程度可以通过方差、标准差等方式，也就是说新记录数据的方差(标准差)小于记录数据的方差(标准差)。
根据信息反馈调所确定的控制量，该控制量能够用于调整记录数据的平均值，调整后的平均值相对于调整前的平均值可以是增大，也可以是减小，具体的调整方式可以根据实际情况来确定。比如，对于光伏来说，如果日照强度较高，说明当前光伏发电效率较高，所确定的控制量可以将平均值向减小的方向调整；对于风能发电模块而言，如果风速较小，说明风能发电模块当前发电效率较低，所确定的控制量可以将平均值向增大的方向调整。
在根据信息反馈调确定控制量和预测算法之后，根据记录数据计算目标功能模块的电能的平均值，可以是先计算记录数据的平均值，然后根据控制量对记录数据的平均值进行调整，将调整后的平均值(称之为第二平均值)作为目标功能模块的电能的平均值。通常，该控制量可以是一个比例系数，根据控制量对记录数据的平均值进行调整的方式可以是，将记录数据的平均值乘以该比例系数，从而对其进行调整。
根据记录数据计算目标功能模块的电能的方差，可以是先根据预测算法对记录数据进行处理，从而确定新记录数据，然后计算新记录数据的方差(称之为第二方差)，并将第二方差作为目标功能模块的电能的方差。其中，根据预测算法对记录数据进行处理，从而得到离散程度较低的新记录数据，该预测算法可以有多种，比如，可以是删除记录数据中大于某个最大阈值的数据，和/或删除小于某个最小阈值的数据，这样得到的新记录数据离散程度降低；当然，该预测算法也可以是，将记录数据中的全部数据均乘以0至1之间的某个数，这样得到的新记录数据的离散程度也降低；该预测算法也可以是，对记录数据中的全部数据进行数据清洗，清除其中的异常数据，这样得到的新记录数据离散程度通常也会降低；这里并不对预测算法的具体形式进行限定，只需要能够对记录数据进行处理，从而降低其离散程度即可。
因此，根据目标功能模块的电能的平均值以及方差，确定对应的正态分布函数以作为概率分布，可以是根据第二平均值以及第二方差，确定对应的正态分布函数以作为概率分布，其中该正态分布函数如下所示：
其中，P为用于表示电能的电功率，f(P)为正态分布函数，μ{I，C}为电功率的平均值(第二平均值)，σ{I，PM}为电功率的方差(第二方差)。
通过结合信息反馈所确定出的正态分布函数，该正态分布函数中的平均值(第二平均值)以及方差(第二方差)反映了目标功能模块的当前状态，通常能够更加准确的对分布式能源系统的稳定性进行评估。
上述是对本申请实施例的具体说明，为了便于理解，下面可以将发电模块作为目标功能模块对本申请的方法进行进一步说明，在发电模块中以发电功率来表示电能，并且，发电功率的概率分布以概率密度函数的形式来表示，说明步骤如下所示。
步骤S21：获取分布式能源系统中发电模块的发电功率的记录数据。
步骤S22：根据该发电功率数据确定发电模块的发电功率的概率密度函数。
如果预先获知该发电功率服从正态分布，则可以计算该发电功率的平均值以及方差，通过该平均值以及方差来计算相应的正态分布函数。
步骤S23：根据该概率密度函数确定发电模块的能源熵值，以通过该能源熵值对所述分布式能源系统的稳定性进行评估。
此外，当该目标功能模块包括对个不同的功能模块时，还可以分别计算这些功能模块的能源熵值，并对计算得到的这些能源熵值进行归一化处理，从而得到该分布式能源系统总的能源熵值，并通过该总体能源熵值来评估分布式能源系统的稳定性。这种方式通过多个功能模块来对分布式能源系统的稳定性进行评估，通常评估的准确性较高。
比如当目标功能模块具体包括：发电模块、储电模块以及负载模块时，可以获取发电模块、储电模块以及负载模块的电能的记录数据，然后根据所获取的电能的记录数据分别确定发电模块、储电模块以及负载模块的电能的概率分布，并根据对应的概率分布分别确定发电模块、储电模块以及负载模块的能源熵值，通过将各能源熵值进行归一化确定该分布式能源系统的总体能源熵值，最后根据该总体能源熵值对所述分布式能源系统的稳定性进行评估。
其中将各能源熵值进行归一化的方式可以有多种，这里可以列举一种归一化的方式。可以将各能源熵值乘以对应的权重系数并求和，将求和结果确定为分布式能源系统的总体能源熵值。
能源熵对应的权重系数可以通过最大能源熵来确定，最大能源熵的值为：HMAX＝ln(Pmax-Pmin)，其中，HMAX为最大能源熵，Pmax为最大电能，Pmin为最小电能。
为了便于理解，下面可以举例计算实际应用中的一种分布式能源系统的总体能源熵。该分布式能源系统包括一个或多个光伏(PV)、一个或多个风能发电模块(Wind)、一个或多个热能发电模块(Gen.)、一个或多个储能模块(Storage)以及一个或多个负载模块(Load)。各个功能模块的能源熵值可以通过以下公式计算得到：
其中为全部光伏的总的能源熵值，为第i个光伏的能源熵值，共有n1个光伏。
其中为全部风能发电模块的总的能源熵值，为第i个风能发电模块的能源熵值，n2为风能发电模块的个数。
其中为全部热能发电模块的总的能源熵值，为第i个热能发电模块的能源熵值，n3为热能发电模块的个数。
其中为全部负载模块的总的能源熵值，为第i个负载模块的能源熵值，n4为负载模块的个数。
其中为全部储能模块的总的能源熵值，为第i个储能模块的能源熵值，n5为储能模块的个数。
分布式能源系统的总体能源熵进行归一化，并以此为基础计算出分布式能源系统的总体能源熵值
其中， 为全部光伏总的最大电能(最大发电功率)，为全部光伏总的最小电能(最小发电功率)； 为全部风能发电模块总的最大发电功率，为全部风能发电模块总的最小发电功率； 为全部热能发电模块总的最大发电功率，为全部热能发电模块总的最小发电功率； 为全部负载模块总的最大负载功率，为全部负载模块总的最小负载功率。
在计算出分布式能源系统的总体能源熵值之后，可以根据该总体能源熵值的大小评估分布式能源系统的稳定性。通常该总体能源熵值越小，说明分布式系统的架构越可靠稳定；能源熵值越大，表明分布式能源系统越无序,越不稳定。可以通过比较不同分布式能源系统的总体能源熵值的大小，来判断它们之间的优劣，在对分布式能源系统进行改进时，可以计算其总体能源熵值，从而为其改进指明方向。
另外，在实际应用中，本申请实施例所提供的分布式能源系统稳定性评估方法可以用于评估某个时间尺度内，分布式能源系统的稳定性。该时间尺度可以分为短期(比如，5分钟、10分钟或者其它)，中期(比如，30分钟、60分钟或者其它)和长期(比如，24小时、48小时或者其它)，此时信息反馈为该时间尺度内的信息反馈，比如5分钟内，光伏日照强度(可以是平均日照强度)，可以通过计算目标功能模块的能源熵值，评估分布式能源系统在相应时间尺度内的稳定性。
比如，当光伏的发电功率Psolar＝100KW，风能发电模块的发电功率Pwind＝100KW，负载模块的负载功率Pload＝100KW，储能模块的储能功率Pbattery＝0.5KW时，各个功能模块的能源熵值如表1所示。
表1
在表1中，光伏在时间尺度为10分钟时，信息反馈为10分钟内的日照强度、温度、当前时间、光伏所处的地理位置等，这样可以计算得到该时间尺度下的能源熵值为0.1397，预测误差为5％，也就是说有5％的可能性实际电功率并未落入(u{I，C}-3σ{I，PM}，u{I，C}+3σ{I，PM})之间。
各功能模块的预测误差与信息反馈有关，具体的信息反馈内容在表1中已经列出，可以通过记录数据获得在不同的时间尺度下，不同功能模块的电功率的预测误差，在不同的电功率预测误差下，可以计算得到功能模块相应的能源熵值。在时间尺度越长的情况下，每个功能模块的预测误差也就越大，从而每个功能模块的能源熵值也就越大。而对于储能来说，能源熵的值为负的。
需要说明的是，储能模块中储能功率的大小通常会对分布式能源系统总体能源熵造成影响，如表2所示为不同储能功率对于总体能源熵的调控作用。
表2
从表2中可以看出，通过调节储能模块的储能功率，可以调节分布式能源系统总体能源熵值，使其尽量小，从而保持分布式能源系统的稳定性。在不同的预测误差的情况下，总体能源熵值不同，误差越大，总体能源熵值越大。但是通过调节储能模块的储能功率，储能功率越大，总体能源熵值越小，说明分布式能源系统越有序稳定。对于分布式能源系统来说，储能模块是可控能量/负载的来源，通过增加储能功率可以提高分布式能源系统稳定性可预判性，进而实现总体能源熵值的减少。
实施例2
基于与实施例1相同的发明构思，本申请实施例2提供了一种分布式能源系统稳定性评估装置，能够用于解决现有技术中的问题，在该实施例2中对于各个术语的说明若有不清楚之处，可以参考实施例1。如图7所示为该装置20的示意图，该装置20包括：获取单元201、概率分布确定单元202以及能源熵值确定单元203，其中：
获取单元201，用于获取分布式能源系统中与所述分布式能源系统的稳定性相关的目标功能模块的电能的记录数据；
概率分布确定单元202，用于根据所获取的记录数据确定所述目标功能模块中电能的概率分布；
能源熵值确定单元203，用于根据所述概率分布确定所述目标功能模块的能源熵值，以通过所述能源熵值对所述分布式能源系统的稳定性进行评估。
采用本申请实施例2所提供的该装置20，由于该装置20采用与实施例1相同的发明构思，因此也能够解决现有技术中的问题，这里就不再赘述。
在实际应用中，概率分布确定单元202根据所获取的记录数据确定所述目标功能模块中电能的概率分布，可以具体为：先根据所述记录数据计算所述目标功能模块的电能的平均值以及方差，然后根据所述平均值以及方差确定对应的正态分布函数以作为所述概率分布。
另外，该装置20还可以包括：概率分布第二确定单元204，当判断出获取单元201获取电能的记录数据失败时，用于确定所述目标功能模块的最大电能和最小电能，并直接将所述最大电能和所述最小电能之差的倒数作为所述目标功能模块中电功率的概率分布。
所述装置20还可以包括：第三确定单元，用于根据信息反馈确定控制量和预测算法，所述信息反馈反应目标功能模块的当前状态，所述预测算法用于对所述记录数据进行处理，确定离散程度低于所述记录数据的新记录数据，所述控制量用于调整所述记录数据的平均值；相应的，概率分布确定单元202，用于计算所述记录数据的平均值，并根据所述控制量对所述记录数据的平均值进行调整，将调整后的平均值作为所述目标功能模块的电能的平均值；根据所述预测算法和所述记录数据确定新记录数据，并计算所述新记录数据的方差，作为所述目标功能模块的电能的方差；根据目标功能模块的电能的平均值以及方差，确定对应的正态分布函数以作为所述概率分布。
需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种分布式能源系统稳定性评估方法，其特征在于，包括：
获取分布式能源系统中与所述分布式能源系统的稳定性相关的目标功能模块的电能的记录数据；
根据所获取的记录数据确定所述目标功能模块中电能的概率分布；
根据所述概率分布确定所述目标功能模块的能源熵值，以通过所述能源熵值对所述分布式能源系统的稳定性进行评估。
2.如权利要求1所述的方法，其特征在于，根据所获取的记录数据确定所述目标功能模块中电能的概率分布，具体包括：
根据所述记录数据计算所述目标功能模块的电能的平均值以及方差；
根据所述平均值以及方差确定对应的正态分布函数以作为所述概率分布。
3.如权利要求2所述的方法，其特征在于，所述方法还包括：
根据信息反馈确定控制量和预测算法，所述信息反馈反应目标功能模块的当前状态，所述预测算法用于对所述记录数据进行处理，确定离散程度低于所述记录数据的新记录数据，所述控制量用于调整所述记录数据的平均值；
根据所述记录数据计算所述目标功能模块的电能的平均值以及方差，具体包括：
计算所述记录数据的平均值，并根据所述控制量对所述记录数据的平均值进行调整，将调整后的平均值作为所述目标功能模块的电能的平均值；
根据所述预测算法和所述记录数据确定新记录数据，并计算所述新记录数据的方差，作为所述目标功能模块的电能的方差。
4.如权利要求1所述的方法，其特征在于，根据所述概率分布确定所述目标功能模块的能源熵值，具体为通过如下公式计算所述能源熵值：
其中，自变量P为用于表示电能的电功率，f(P)为电功率的概率密度函数，(Pmin，Pmax)为电功率的取值区间，Pmin为所述取值区间的最小值，Pmax为所述取值区间的最大值，H为能源熵值。
5.如权利要求1-4任意一项所述的方法，其特征在于，所述目标功能模块具体包括：发电模块、储电模块以及负载模块；
获取分布式能源系统中与所述分布式能源系统的稳定性相关的目标功能模块的电能的记录数据，具体包括：
获取分布式能源系统中的发电模块、储电模块以及负载模块的电能的记录数据；
根据所获取的记录数据确定所述目标功能模块中电能的概率分布，具体包括：根据所获取的记录数据分别确定发电模块、储电模块以及负载模块中电能的概率分布；
根据所述概率分布确定所述目标功能模块的能源熵值，以通过所述能源熵值对所述分布式能源系统的稳定性进行评估，具体包括：根据各所述概率分布分别确定发电模块、储电模块以及负载模块的能源熵值，以通过各所述能源熵值对所述分布式能源系统的稳定性进行评估。
6.如权利要求5所述的方法，其特征在于，通过各所述能源熵值对所述分布式能源系统的稳定性进行评估，具体包括：
通过将各能源熵值进行归一化确定该分布式能源系统的总体能源熵值；
根据所述总体能源熵值对所述分布式能源系统的稳定性进行评估。
7.如权利要求1所述的方法，其特征在于，在根据所获取的记录数据确定所述目标功能模块中电能的概率分布之前，所述方法还包括：
当判断获取所述电能的记录数据失败时，确定所述目标功能模块的最大电能和最小电能，并直接将所述最大电能和所述最小电能之差的倒数作为所述目标功能模块中电功率的概率分布；
当判断获取所述电能的记录数据成功时，执行根据所获取的记录数据确定所述目标功能模块中电能的概率分布的步骤。
8.一种分布式能源系统稳定性评估装置，其特征在于，包括：获取单元、概率分布确定单元以及能源熵值确定单元，其中：
获取单元，用于获取分布式能源系统中与所述分布式能源系统的稳定性相关的目标功能模块的电能的记录数据；
概率分布确定单元，用于根据所获取的记录数据确定所述目标功能模块中电能的概率分布；
能源熵值确定单元，用于根据所述概率分布确定所述目标功能模块的能源熵值，以通过所述能源熵值对所述分布式能源系统的稳定性进行评估。
9.如权利要求8所述的装置，其特征在于，根据所获取的记录数据确定所述目标功能模块中电能的概率分布，具体包括：
根据所述记录数据计算所述目标功能模块的电能的平均值以及方差；
根据所述平均值以及方差确定对应的正态分布函数以作为所述概率分布。
10.如权利要求9所述的装置，其特征在于，所述装置还包括：第三确定单元，用于根据信息反馈确定控制量和预测算法，所述信息反馈反应目标功能模块的当前状态，所述预测算法用于对所述记录数据进行处理，确定离散程度低于所述记录数据的新记录数据，所述控制量用于调整所述记录数据的平均值；
概率分布确定单元，用于计算所述记录数据的平均值，并根据所述控制量对所述记录数据的平均值进行调整，将调整后的平均值作为所述目标功能模块的电能的平均值；根据所述预测算法和所述记录数据确定新记录数据，并计算所述新记录数据的方差，作为所述目标功能模块的电能的方差；根据目标功能模块的电能的平均值以及方差，确定对应的正态分布函数以作为所述概率分布。
CN201710380852.1A 2017-05-25 2017-05-25 一种分布式能源系统稳定性评估方法及装置 Active CN108932573B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710380852.1A CN108932573B (zh) 2017-05-25 2017-05-25 一种分布式能源系统稳定性评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710380852.1A CN108932573B (zh) 2017-05-25 2017-05-25 一种分布式能源系统稳定性评估方法及装置

Publications (2)

Publication Number Publication Date
CN108932573A true CN108932573A (zh) 2018-12-04
CN108932573B CN108932573B (zh) 2022-04-08

Family

ID=64450840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710380852.1A Active CN108932573B (zh) 2017-05-25 2017-05-25 一种分布式能源系统稳定性评估方法及装置

Country Status (1)

Country Link
CN (1) CN108932573B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130090935A1 (en) * 2011-10-07 2013-04-11 Lennox Industries Inc. Distributed renewable energy metering
CN103310388A (zh) * 2013-05-28 2013-09-18 清华大学 基于信源熵的电网运行综合指数计算方法
CN104376504A (zh) * 2014-11-06 2015-02-25 国家电网公司 一种基于解析法的配电系统概率可靠性评估方法
WO2015079554A1 (ja) * 2013-11-29 2015-06-04 株式会社日立製作所 電力系統の状態推定装置、その状態推定方法および電力系統制御システム
CN105046425A (zh) * 2015-07-03 2015-11-11 深圳供电局有限公司 一种分布式能源系统接入配电网能力评估的方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130090935A1 (en) * 2011-10-07 2013-04-11 Lennox Industries Inc. Distributed renewable energy metering
CN103310388A (zh) * 2013-05-28 2013-09-18 清华大学 基于信源熵的电网运行综合指数计算方法
WO2015079554A1 (ja) * 2013-11-29 2015-06-04 株式会社日立製作所 電力系統の状態推定装置、その状態推定方法および電力系統制御システム
CN104376504A (zh) * 2014-11-06 2015-02-25 国家电网公司 一种基于解析法的配电系统概率可靠性评估方法
CN105046425A (zh) * 2015-07-03 2015-11-11 深圳供电局有限公司 一种分布式能源系统接入配电网能力评估的方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何尚平 等: "基于样本熵的电网传输电能质量扰动信号分析", 《电网与清洁能源》 *

Also Published As

Publication number Publication date
CN108932573B (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
US20230231516A1 (en) Coordinated control of renewable electric generation resource and charge storage device
AU2014200830B2 (en) Photovoltaic power generation system, control method and control program for photovoltaic power generation system
JP5101675B2 (ja) 需給バランス制御装置
JP5520365B2 (ja) 系統安定化システム、電力供給システム、集中管理装置の制御方法および集中管理装置のプログラム
WO2018022134A1 (en) Electrical energy storage system with battery resistance estimation
EP2328259A1 (en) System and method for power management in a photovoltaic installation
WO2011118766A1 (ja) 電力供給システム、集中管理装置、系統安定化システム、集中管理装置の制御方法および集中管理装置の制御プログラム
WO2016074649A1 (zh) 最大电力点追踪装置及太阳能电池模块的评估方法
CN110060165B (zh) 光伏储能系统收益测算方法及能量管理控制方法
CN112785027B (zh) 风光储联合发电系统置信容量评估方法及系统
JP6196339B2 (ja) 電力管理システム
US10468888B2 (en) Control system for solar power plant
EP4071957A1 (en) Method and apparatus for controlling power supply system, and system
CN114421530A (zh) 一种光伏储能系统的调度方法及装置
JP2015065740A (ja) スマートハウスの最適制御法
CN111523204A (zh) 一种并网型综合能源网电-气储能系统优化配置求解方法
JP6584657B2 (ja) 電流電圧制御装置
JP6252148B2 (ja) 太陽電池のｉ−ｖカーブ計測装置、ｉ−ｖカーブ計測方法、太陽電池のパワーコンディショナ及び、太陽光発電システム
JP6071214B2 (ja) 二次電池の充電深度管理方法
CN108932573A (zh) 一种分布式能源系统稳定性评估方法及装置
CN108988370A (zh) 电力系统中储能装置的容量确定方法、设备及存储介质
JP7119664B2 (ja) 発電予備力測定装置及び発電予備力測定方法
CN109449918A (zh) 区域内综合能源系统的构建方法和规划装置
JP2020010478A (ja) 作成装置、作成方法及び情報処理システム
CN117335475A (zh) 一种新能源电源出力波动抑制成本变化指数预测方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100011 Beijing Dongcheng District, West Binhe Road, No. 22

Applicant after: National energy investment Refco Group Ltd

Applicant after: Beijing low carbon clean energy research institute

Address before: 100011 Beijing, Dongcheng District Anwai Binhe West Road No. 22 Shenhua building

Applicant before: Shenhua Group LLC

Applicant before: National Institute of Clean and Low Carbon Energy

GR01 Patent grant
GR01 Patent grant