CN109149644B - 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 - Google Patents
一种基于大数据分析的光储一体在线策略匹配和协同优化方法 Download PDFInfo
- Publication number
- CN109149644B CN109149644B CN201811148548.5A CN201811148548A CN109149644B CN 109149644 B CN109149644 B CN 109149644B CN 201811148548 A CN201811148548 A CN 201811148548A CN 109149644 B CN109149644 B CN 109149644B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- peak
- night
- summer
- big data
- 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
Links
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000007405 data analysis Methods 0.000 title claims abstract description 11
- 238000004146 energy storage Methods 0.000 claims abstract description 43
- 230000005611 electricity Effects 0.000 claims abstract description 31
- 238000007599 discharging Methods 0.000 claims abstract description 25
- 238000011217 control strategy Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 abstract description 5
- 238000010248 power generation Methods 0.000 abstract description 4
- 239000011159 matrix material Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于大数据分析的光储一体在线策略匹配和协同优化方法,从光储协同优化的实际应用出发,综合考虑季节、天气、负荷情况并结合峰谷电价政策,合理调节储能的充放电工作状态,充分发挥储能时效性高、充放电速度快的特点。通过对历史负荷大数据的分析和聚类,制定出五种控制预案,并结合在线实时匹配策略,对不符合实际情况的预案进行实时调整。本发明既缓解了光伏发电随机性和不确定性导致的负面影响,又提高了光储系统的协同水平,兼顾系统的稳定性和经济性,为研究光储协同优化提供了更加可靠的方法。
Description
技术领域
本发明涉及一种基于大数据分析的光储一体在线策略匹配和协同优化方法,属于光储协同优化技术。
背景技术
随着光伏发电成本的日益降低,光伏系统大规模接入电网成为一种发展潮流。但光伏发电的随机性和不确定性使光伏系统在并网运行过程中极易产生瞬时的功率大幅度波动,对供电的可靠性、稳定性以及电能质量造成负面影响。而储能设备具有能量高、安装灵活、充放电速度快的特点,在系统中可以发挥电压和频率调节、电网故障恢复以及电能质量改善的作用,可兼顾系统的稳定性和经济性,成为提高光伏系统效能的得力助手。
现阶段,关于储能配合可再生能源的配置策略,国内外已有很多相关研究,但多以大规模可再生能源接入为背景,且以储能容量的优化配置为研究核心。对于一个没有光伏出力预测的微网光储系统,天气、负荷情况以及峰谷电价政策等几个因素都直接影响着储能的工作状态,因此仅靠优化储能的容量配置来实现光储系统的最佳协同优化是不可行的。
发明内容
发明目的:为了克服现有技术中存在的不足,本发明提供一种基于大数据分析的光储一体在线策略匹配和协同优化方法,能够在没有光伏出力预测的条件下,最大程度的利用峰谷电价政策,合理调节储能的充放电状态实现光储协同优化,提高经济效益。
技术方案:为实现上述目的,本发明采用的技术方案为:
一种基于大数据分析的光储一体在线策略匹配和协同优化方法,包括如下步骤:
S1、分析历史负荷大数据,以天气、工作日和节假日作为属性向量,按照模糊C均值聚类算法对年度历史负荷大数据进行聚类;
S2、根据聚类结果对各属性向量值进行分类;
S3、将季节、天气、工作日/节假日、地方峰谷电价为因素,考虑不同因素的取值情况,以储能日收益最大为目标,筛选出五组因素取值组合作为预案;
S4、将各预案与聚类后的分类进行初步匹配,形成每个预案的初始控制策略;
S5、将实际季节(分为春季、夏季、秋季和冬季)、天气(分为晴天、多云和阴雨)、工作日(分为白天区间和夜间区间,其中白天区间又分为上午区间和下午区间)、节假日(分为白天区间和夜间区间)和地方峰谷电价(分为夏季下午尖峰时段电价、早高峰时段电价、晚高峰时段电价、其他时段电价)情况与各预案进行相似性对比:若该实际情况与最相似的预案的相似度小于设定阈值,则采用在线实时匹配控制策略进行调度;否则,采用最相似的预案对应的初始控制策略进行调度。
具体的,所述步骤S5中,在线实时匹配控制策略包括如下步骤:
a.夜间区间,储能充电至饱和;
b.判断早高峰时段光伏是否有余电上网:若有,则储能早高峰时段不放电;否则,储能早高峰时段放电;
c.预测有无晚高峰时段:若有,则储能晚高峰时段放电;否则,储能下午区间不充电;
d.判断早高峰时段储能是否放电:若放电,则储能下午区间充电;否则,储能下午区间不充电。
具体的,所述步骤S3中,预案至少包括以下五种不考虑地方峰谷电价的情况:①夏季、晴天、工作日;②夏季、阴雨、工作日;③节假日;④非夏季、晴天、工作日;⑤非夏季、阴雨、工作日;各预案对应的初始控制策略为:
①夏季、晴天、工作日:储能夜间区间充电,储能晚高峰时段放电,光伏多余电量上网;
②夏季、阴雨、工作日:储能夜间区间充电,储能下午非尖峰时段充电,储能早高峰时段、晚高峰时段、尖峰时段放电;
③节假日:储能夜间区间充电,储能晚高峰时段放电,光伏多余电量上网;
④非夏季、晴天、工作日:储能夜间区间充电,储能早高峰时段、晚高峰时段放电,光伏多余电量上网;
⑤非夏季、阴雨、工作日:储能下午区间、夜间区间充电,储能早高峰时段、晚高峰时段放电。
本发明从光储协同优化的实际应用出发,综合考虑季节、天气、负荷情况并结合峰谷电价政策,合理调节储能的充放电工作状态,充分发挥储能时效性高、充放电速度快的特点。通过对历史负荷大数据的分析和聚类,制定出五种控制预案,并结合在线实时匹配策略,对不符合实际情况的预案进行实时调整。本发明既缓解了光伏发电随机性和不确定性导致的负面影响,又提高了光储系统的协同水平,兼顾系统的稳定性和经济性,为研究光储协同优化提供了更加可靠的方法。
有益效果:本发明提供的基于大数据分析的光储一体在线策略匹配和协同优化方法,能够在没有光伏出力预测的条件下,最大程度的利用峰谷电价政策,合理调节储能的充放电状态实现光储协同优化,提高经济效益。
附图说明
图1为本发明的实施流程图;
图2为江苏地区夏季用电单价及时段分布图;
图3为江苏地区非夏季用电单价及时段分布图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示为一种基于大数据分析的光储一体在线策略匹配和协同优化方法,具体包括如下步骤:
S1、分析历史负荷大数据,以天气、工作日和节假日作为属性向量,按照模糊C均值聚类算法对年度历史负荷大数据进行聚类;
S2、根据聚类结果对各属性向量值进行分类;
S3、将季节、天气、工作日/节假日、地方峰谷电价为因素,考虑不同因素的取值情况,以储能日收益最大为目标,筛选出五组以上因素取值组合作为预案;
S4、将各预案与聚类后的分类进行初步匹配,形成每个预案的初始控制策略;
S5、将实际季节(分为春季、夏季、秋季和冬季)、天气(分为晴天、多云和阴雨)、工作日(分为白天区间和夜间区间,其中白天区间又分为上午区间和下午区间)、节假日(分为白天区间和夜间区间)和地方峰谷电价(分为夏季下午尖峰时段电价、早高峰时段电价、晚高峰时段电价、其他时段电价)情况与各预案进行相似性对比:若该实际情况与最相似的预案的相似度小于设定阈值,则采用在线实时匹配控制策略进行调度;否则,采用最相似的预案对应的初始控制策略进行调度。
所述步骤S5中,在线实时匹配控制策略包括如下步骤:
a.夜间区间,储能充电至饱和;
b.判断早高峰时段光伏是否有余电上网:若有,则储能早高峰时段不放电;否则,储能早高峰时段放电;
c.预测有无晚高峰时段:若有,则储能晚高峰时段放电;否则,储能下午区间不充电;
d.判断早高峰时段储能是否放电:若放电,则储能下午区间充电;否则,储能下午区间不充电。
具体的,所述步骤S3中,预案至少包括以下五种不考虑地方峰谷电价的情况:①夏季、晴天、工作日;②夏季、阴雨、工作日;③节假日;④非夏季、晴天、工作日;⑤非夏季、阴雨、工作日;各预案对应的初始控制策略为:
①夏季、晴天、工作日:储能夜间区间充电,储能晚高峰时段放电,光伏多余电量上网;
②夏季、阴雨、工作日:储能夜间区间充电,储能下午非尖峰时段充电,储能早高峰时段、晚高峰时段、尖峰时段放电;
③节假日:储能夜间区间充电,储能晚高峰时段放电,光伏多余电量上网;
④非夏季、晴天、工作日:储能夜间区间充电,储能早高峰时段、晚高峰时段放电,光伏多余电量上网;
⑤非夏季、阴雨、工作日:储能下午区间、夜间区间充电,储能早高峰时段、晚高峰时段放电。
为了更清楚的说明本发明,下面将对相关内容进行展开说明。
(一)步骤S3中,以季节、天气、工作日、节假日和江苏省峰谷电价为依据所制定的五个预案具体如下:
表1针对预案的初始控制策略
其中,储能的充放电工作状态根据江苏省物价局文件《苏价工[2017]124号》公布的电力价格制定,具体为:储能夜间充电时间为0点至8点;储能下午充电时间夏季为12点至14点、15点至17点,非夏季为12点至17点;储能早高峰放电时间为8点至12点;储能晚高峰放电时间为17点至21点;夏季储能下午尖峰放电时间为14点至15点。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。
(二)模糊C均值聚类算法
聚类分析是多元统计分析的一种,也是无监督模式识别的一个重要分支,在模式分类图像处理和模糊规则处理等众多领域中获得最广泛的应用。它把一个没有类别标记的样本按照某种准则划分为若干子集,使相似的样本尽可能归于一类,而把不相似的样本划分到不同的类中。硬聚类把每个待识别的对象严格的划分某类中,具有非此即彼的性质,而模糊聚类建立了样本对类别的不确定描述,更能客观的反应客观世界,从而成为聚类分析的主流。
模糊聚类算法是一种基于函数最优方法的聚类算法,使用微积分计算技术求最优代价函数,在基于概率算法的聚类方法中将使用概率密度函数,为此要假定合适的模型,模糊聚类算法的向量可以同时属于多个聚类,从而摆脱上述问题。
模糊C均值聚类算法是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法。模糊C均值(Fuzzy C-means,简称为FCM)把n个向量xj(j=1,2,…,n)分为c个模糊组,并求每组的聚类中心,使得非相似性指标的价值函数达到最小。FCM用模糊划分,使得每个给定数据点用值在0~1间的隶属度来确定其属于各个组的程度。与引入模糊划分相适应,隶属矩阵U允许有取值为0~1之间的元素。不过,加上归一化规定,一个数据集的隶属度的和总等于1:
那么,FCM的价值函数(或目标函数)如下所示:
这里uij介于0~1之间;ci为第i个聚类的聚类中心,dij=||ci-xj||为第i个聚类中心与第j个数据点间的欧几里德距离;且m∈[1,∞)是一个加权指数。
构造如下新的目标函数,可求得使(2)式达到最小值的必要条件:
这里,j=1,2,…,n是式(1)的n个约束式的拉格朗日乘子。对所有输入参量求导,使式(2)达到最小的必要条件为:
由上述两个必要条件,模糊C均值聚类算法是一个简单的迭代过程。在批处理方式运行时,FCM用下列步骤确定聚类中心ci和隶属矩阵U:
步骤1:用值在0~1间的随机数初始化隶属矩阵U,使其满足式(1)中的约束条件;
步骤2:用式(4)计算c个聚类中心ci,i=1,2,…,c。
步骤3:根据式(2)计算价值函数:如果它小于某个确定的阀值,或它相对上次价值函数值的改变量小于某个阀值,则算法停止;
步骤4:用(5)计算新的U矩阵,返回步骤2。
模糊C均值聚类算法通过优化目标函数得到每个样本点对所有类中心的隶属度,从而决定样本点的类属以达到自动对样本数据进行分类的目的。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (3)
1.一种基于大数据分析的光储一体在线策略匹配和协同优化方法,其特征在于:包括如下步骤:
S1、分析历史负荷大数据,以天气、工作日和节假日作为属性向量,按照模糊C均值聚类算法对年度历史负荷大数据进行聚类;
S2、根据聚类结果对各属性向量值进行分类;
S3、将季节、天气、工作日/节假日、地方峰谷电价为因素,考虑不同因素的取值情况,以储能日收益最大为目标,筛选出五组以上因素取值组合作为预案;
S4、将各预案与聚类后的分类进行初步匹配,形成每个预案的初始控制策略;
S5、将实际季节、天气、工作日、节假日和地方峰谷电价情况与各预案进行相似性对比:若该实际情况与最相似的预案的相似度小于设定阈值,则采用在线实时匹配控制策略进行调度;否则,采用最相似的预案对应的初始控制策略进行调度;在线实时匹配控制策略包括如下步骤:
a.夜间区间,储能充电至饱和;
b.判断早高峰时段光伏是否有余电上网:若有,则储能早高峰时段不放电;否则,储能早高峰时段放电;
c.预测有无晚高峰时段:若有,则储能晚高峰时段放电;否则,储能下午区间不充电;
d.判断早高峰时段储能是否放电:若放电,则储能下午区间充电;否则,储能下午区间不充电。
2.根据权利要求1所述的基于大数据分析的光储一体在线策略匹配和协同优化方法,其特征在于:所述步骤S3中,预案至少包括以下五种不考虑地方峰谷电价的情况:①夏季、晴天、工作日;②夏季、阴雨、工作日;③节假日;④非夏季、晴天、工作日;⑤非夏季、阴雨、工作日。
3.根据权利要求2所述的基于大数据分析的光储一体在线策略匹配和协同优化方法,其特征在于:各预案对应的初始控制策略为:
①夏季、晴天、工作日:储能夜间区间充电,储能晚高峰时段放电,光伏多余电量上网;
②夏季、阴雨、工作日:储能夜间区间充电,储能下午非尖峰时段充电,储能早高峰时段、晚高峰时段、尖峰时段放电;
③节假日:储能夜间区间充电,储能晚高峰时段放电,光伏多余电量上网;
④非夏季、晴天、工作日:储能夜间区间充电,储能早高峰时段、晚高峰时段放电,光伏多余电量上网;
⑤非夏季、阴雨、工作日:储能下午区间、夜间区间充电,储能早高峰时段、晚高峰时段放电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811148548.5A CN109149644B (zh) | 2018-09-29 | 2018-09-29 | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811148548.5A CN109149644B (zh) | 2018-09-29 | 2018-09-29 | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109149644A CN109149644A (zh) | 2019-01-04 |
CN109149644B true CN109149644B (zh) | 2020-06-09 |
Family
ID=64813600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811148548.5A Active CN109149644B (zh) | 2018-09-29 | 2018-09-29 | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109149644B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113507113B (zh) * | 2021-06-28 | 2022-09-30 | 东北电力大学 | 一种基于电价驱动的光储系统控制策略 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015105213A1 (ko) * | 2014-01-10 | 2015-07-16 | 건국대학교 산학협력단 | 최대전력을 고려한 수용가 측면 에너지 저장시스템 및 그 제어방법 |
CN105956151A (zh) * | 2016-05-13 | 2016-09-21 | 中国有色金属长沙勘察设计研究院有限公司 | 基于预案的辅助决策方法、尾矿库监测方法及系统 |
CN105989420A (zh) * | 2015-02-12 | 2016-10-05 | 西门子公司 | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 |
CN106055918A (zh) * | 2016-07-26 | 2016-10-26 | 天津大学 | 一种电力系统负荷数据辨识及修复方法 |
CN106779253A (zh) * | 2017-02-17 | 2017-05-31 | 广东电网有限责任公司电力科学研究院 | 一种计及光伏的配电网短期负荷预测方法及装置 |
CN107093007A (zh) * | 2017-03-31 | 2017-08-25 | 华南理工大学 | 一种考虑光储持续带载能力的配电网可靠性评估方法 |
-
2018
- 2018-09-29 CN CN201811148548.5A patent/CN109149644B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015105213A1 (ko) * | 2014-01-10 | 2015-07-16 | 건국대학교 산학협력단 | 최대전력을 고려한 수용가 측면 에너지 저장시스템 및 그 제어방법 |
CN105989420A (zh) * | 2015-02-12 | 2016-10-05 | 西门子公司 | 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置 |
CN105956151A (zh) * | 2016-05-13 | 2016-09-21 | 中国有色金属长沙勘察设计研究院有限公司 | 基于预案的辅助决策方法、尾矿库监测方法及系统 |
CN106055918A (zh) * | 2016-07-26 | 2016-10-26 | 天津大学 | 一种电力系统负荷数据辨识及修复方法 |
CN106779253A (zh) * | 2017-02-17 | 2017-05-31 | 广东电网有限责任公司电力科学研究院 | 一种计及光伏的配电网短期负荷预测方法及装置 |
CN107093007A (zh) * | 2017-03-31 | 2017-08-25 | 华南理工大学 | 一种考虑光储持续带载能力的配电网可靠性评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109149644A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200161867A1 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
CN107423852A (zh) | 一种计及典型场景的光储联合电站优化运营方法 | |
WO2022193794A1 (zh) | 考虑退役电池的智能社区微网超多目标能量管理方法 | |
CN110111003A (zh) | 一种基于改进fcm聚类算法的新能源典型场景构建方法 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN107528350B (zh) | 一种适应中长期电源规划的风电出力典型场景生成方法 | |
CN113452033B (zh) | 分区自治的含高比例光伏配电网电压控制方法及存储介质 | |
CN113783224A (zh) | 一种考虑多种分布式能源运行的配电网双层优化规划方法 | |
CN116436008A (zh) | 一种用于光储充电站的电力调度方法及终端 | |
CN112418496B (zh) | 一种基于深度学习的配电台区储能配置方法 | |
CN116388245A (zh) | 光储充一体化电站储能容量配置方法及相关设备 | |
CN110264004A (zh) | 一种基于PSO-BP与Markov链相结合的空调冷负荷动态预测方法 | |
CN114498690B (zh) | 支持大规模可再生能源消纳的多元复合储能优化配置方法 | |
CN113555908B (zh) | 一种智能配电网储能优化配置方法 | |
CN114638124A (zh) | 一种电力系统优化方法、系统及计算机可读存储介质 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
CN110570091A (zh) | 基于改进F-score特征选择及粒子群BP神经网络的负荷辨识方法 | |
CN109149644B (zh) | 一种基于大数据分析的光储一体在线策略匹配和协同优化方法 | |
Budin et al. | Day-ahead multiple households load forecasting using deep learning and unsupervised clustering | |
CN117332963A (zh) | 一种源网荷储协同的虚拟电厂动态优化调度方法及系统 | |
CN112801343A (zh) | 一种计及多气象场景适应成本的储能系统容量规划方法 | |
CN117172486A (zh) | 一种基于强化学习的虚拟电厂光储资源聚合调控方法 | |
CN109586309B (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
CN116914847A (zh) | 一种虚拟电厂内多台发电机组聚合互补及优化调度方法 | |
CN117407758A (zh) | 一种云边协同的负荷库自学习方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
EE01 | Entry into force of recordation of patent licensing contract | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20190104 Assignee: NR ELECTRIC POWER ELECTRONICS Co.,Ltd. Assignor: NANJING INSTITUTE OF TECHNOLOGY Contract record no.: X2022980007322 Denomination of invention: An online strategy matching and collaborative optimization method for optical storage integration based on big data analysis Granted publication date: 20200609 License type: Common License Record date: 20220609 |