CN109784533A - 一种区域能源互联网优化配置方法及系统 - Google Patents
一种区域能源互联网优化配置方法及系统 Download PDFInfo
- Publication number
- CN109784533A CN109784533A CN201811522620.6A CN201811522620A CN109784533A CN 109784533 A CN109784533 A CN 109784533A CN 201811522620 A CN201811522620 A CN 201811522620A CN 109784533 A CN109784533 A CN 109784533A
- Authority
- CN
- China
- Prior art keywords
- dvielement
- source
- charging pile
- electric automobile
- automobile charging
- 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
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000003860 storage Methods 0.000 claims abstract description 94
- 240000002853 Nelumbo nucifera Species 0.000 claims abstract description 59
- 235000006508 Nelumbo nucifera Nutrition 0.000 claims abstract description 59
- 235000006510 Nelumbo pentapetala Nutrition 0.000 claims abstract description 59
- 230000008901 benefit Effects 0.000 claims abstract description 43
- 239000002245 particle Substances 0.000 claims description 62
- 230000005611 electricity Effects 0.000 claims description 42
- 238000005457 optimization Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000005286 illumination Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims 3
- 230000006855 networking Effects 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 claims 1
- 230000000630 rising effect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 27
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000019771 cognition Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及一种区域能源互联网优化配置方法及系统,获取区域能源互联网中源、储类元素的功率值以及荷类元素中电动汽车充电桩的负荷值;将所述源、储类元素的功率值以及电动汽车充电桩的负荷值代入预先构建的优化配置模型,计算源、储类元素以及电动汽车充电桩的最优配置解;基于源、储类元素以及电动汽车充电桩的最优配置解,对区域能源互联网中源、储类元素以及电动汽车充电桩的数量进行配置;优化配置模型包括以年经济效益最大化为目标构建的目标函数以及区域能源互联网的网侧能量波动率约束条件。使用本发明可在满足区域能源互联网网侧能量波动率约束的前提下,计算得到源荷储各类元素的最优配置方案,实现区域能源互联网的经济效益最大化。
Description
技术领域
本发明涉及用电服务领域,具体涉及一种区域能源互联网优化配置方法及系统。
背景技术
随着分布式电源、分布式储能、电动汽车等新型元件大量接入电网,未来配电系统的架构及格局将发生重大变化,其主要特征为:大电网和微电网相辅相成、协调发展;多个电压等级构成多层次环状网络结构;交直流混合运行方式;物理配电网与信息系统高度融合;配电网末端对用户供给呈现多源能源融合、供需互动的趋势。为了促进能源利用和能源互联网的建设,有单位发布了一系列举措,鼓励有条件的企业、科研单位对自身的源网荷储进行统筹管理,先行建设区域能源互联网。
作为能源发展利用方式的演变趋势之一,区域能源互联网可合理整合源网荷储各类元素,并有效促进能源的合理消耗以及在消费端的优化利用,从而促进能源的高效使用。然而,优化配置问题是区域能源互联网建设需要首先解决的问题。目前,不同的配置方案将会影响区域能源互联网的经济效益,不合理的配置方案不仅会使区域能源互联网的经济效益不能达到预期,还有可能造成较大的网侧能量波动率,影响并网装置的安全稳定运行。因此,区域能源互联网的优化配置问题十分重要。
发明内容
为解决上述不同的配置方案将会影响区域能源互联网的经济效益,不合理的配置方案不仅会使区域能源互联网的经济效益不能达到预期,还有可能造成较大的网侧能量波动率,影响并网装置的安全稳定运行的问题,本发明的目的是提供一种区域能源互联网优化配置方法及系统。
本发明的目的是采用下述技术方案实现的:
本发明提供一种区域能源互联网优化配置方法,其改进之处在于,包括:
获取区域能源互联网中源、储类元素的功率值以及荷类元素中电动汽车充电桩的负荷值;
将所述源、储类元素的功率值以及电动汽车充电桩的负荷值代入预先构建的优化配置模型,计算源、储类元素以及电动汽车充电桩的最优配置解;
基于所述源、储类元素以及电动汽车充电桩的最优配置解,对区域能源互联网中源、储类元素以及电动汽车充电桩的数量进行配置;
所述优化配置模型包括以年经济效益最大化为目标构建的目标函数以及区域能源互联网的网侧能量波动率约束条件。
进一步地,所述以年经济效益最大化为目标构建的目标函数,如下式:
f=max EP=-A+B-C
式中:f为区域能源互联网的年经济效益的目标函数,A为区域能源互联网的年投资成本,B为区域能源互联网运营期间可获取的年收益,C为区域能源互联网与电网交互所产生的电费年交易额,EP为区域能源互联网的年经济效益。
进一步地于,所述区域能源互联网的年投资成本A,按下式计算:
式中,Cini-Si为i号源类元素的初始投资,Cini-C为荷类元素的初始投资,Cini-E为储类元素的初始投资,TSi为源类元素的使用年限,TC为荷类元素的使用年限,TE为储类元素的使用年限,Cope-Si为源类元素的年运维费用,Cope-C为荷类元素的年运维费用,Cope-E为储类元素的年运维费用,NSi为i号源类元素的配置数量,NE为储类元素的配置数量,NC为电动汽车充电桩的配置数量;
所述区域能源互联网运营期间可获取的年收益B,按下式计算:
B=MC∫tPC(t)dt+ML∫tPL(t)dt
式中,MC、ML分别为荷类元素中电动汽车充电桩充电的电价以及除充电桩以外其余荷类元素的电价,PC(t)为t时刻电动汽车充电桩的负荷值,PL(t)为预设的t时刻其余荷类元素的负荷值;
所述区域能源互联网与电网交互所产生的电费年交易额C,按下式计算:
式中,V为区域能源互联网与电网的交互电价;PE(t)为t时刻储类元素的功率值,PSi(t)为t时刻i号源类元素的功率值。
进一步地,所述源类元素的功率值,通过下式获取:
PSi(t)=-NSi×η(t)×Pmax(Si)
式中,η(t)为根据预设的t时刻风速、光照强度、发电单元受压值所求得的实际功率输出值占最大功率输出值的比例,Pmax(Si)为i号源类元素的最大功率输出值;
所述电动汽车充电桩的负荷值,通过下式获取:
PC(t)=NC×LC(t)
式中,NC为电动汽车充电桩的配置数量,LC(t)为预设的t时刻单个充电桩的负荷值;
所述储类元素的功率值,通过下式获取:
其中,若蓄电池组处于放电状态且满足下述条件,则PE(t)=0:
[NE×E0+∫tPE(t)dt]=0
若蓄电池组处于充电状态且满足下述条件,则PE(t)=0:
[NE×E0+∫tPE(t)dt]≥NE×Ebat×DOD
其中,E0为储类元素的初始电量,Ebat为储类元素的额定容量,DOD为储类元素的放电深度。
进一步地,所述区域能源互联网的网侧能量波动率约束条件包括网侧能量波动率的极值约束和方差约束;
所述网侧能量波动率的极值约束,如下式:
式中:PC(t)为t时刻电动汽车充电站的负荷值,PL(t)为预设的t时刻其余荷类元素的负荷值,PE(t)为t时刻储类元素的功率值,PSi(t)为t时刻i号源类元素的功率值,ΔPmax为区域能源互联网可向电网反馈的最大功率;ΔPmin为电网可向区域能源互联网传输的最大功率;
所述网侧能量波动率的方差约束,如下式:
式中:D为方差,Dmax为预设的方差极限值。
进一步地,所述将所述源、储类元素的功率值和电动汽车充电桩的负荷值代入预先构建的优化配置模型,计算源、储类元素以及电动汽车充电桩的最优配置解,包括:
将所述源、储类元素的功率值和电动汽车充电桩的负荷值代入预先构建的优化配置模型中,通过人工智能算法求解源、储类元素以及电动汽车充电桩的最优配置数量。
进一步地,所述人工智能算法采用粒子群优化算法;
通过粒子群优化算法求解源、储类元素以及电动汽车充电桩的最优配置数量,包括:
在粒子群搜索空间中进行搜索,生成的随机配置方案作为每个粒子的起始位置及其对应的速度;
以所述起始位置及其对应的速度为初始值,通过不断迭代更新每个粒子的位置及其速度,确定每个粒子的个体最优位置;
当达到预设的迭代次数时,将满足区域能源互联网的年经济效益最优和网侧能量波动率约束条件的个体最优位置,作为全局最优位置;
所述粒子群搜索空间以待优化的源、储类元素和电动汽车充电桩的配置数量作为维度构建而成;所述全局最优位置为源、储类元素和电动汽车充电桩的最优配置数量。
进一步地:所述粒子群搜索空间中每个粒子的位置表示为:
其中:表示一组粒子位置,即目标函数年经济效益的一个组解,NS1,NS2,…,NSn,NC,NE分别为1号源类元素、2号源类元素、......、n号源类元素的配置数量,NE为储类元素的配置数量;NC为电动汽车充电桩的配置数量。
本发明还提供一种区域能源互联网优化配置系统,其改进之处在于:
获取模块,用于获取区域能源互联网中源、储类元素的功率值以及荷类元素中电动汽车充电桩的负荷值;
计算模块,用于将所述源、储类元素的功率值以及电动汽车充电桩的负荷值代入预先构建的优化配置模型,计算源、储类元素以及电动汽车充电桩的最优配置解;
配置模块,用于基于所述源、储类元素以及电动汽车充电桩的最优配置解,对区域能源互联网中源、储类元素以及电动汽车充电桩的数量进行配置;
所述优化配置模型包括以年经济效益最大化为目标构建的目标函数以及区域能源互联网的网侧能量波动率约束条件。
进一步地:所述以年经济效益最大化为目标构建的目标函数,如下式:
f=max EP=-A+B-C
式中:f为区域能源互联网的年经济效益的目标函数,A为区域能源互联网的年投资成本,B为区域能源互联网运营期间可获取的年收益,C为区域能源互联网与电网交互所产生的电费年交易额,EP为区域能源互联网的年经济效益。
进一步地,所述区域能源互联网的年投资成本A,按下式计算:
式中,Cini-Si为i号源类元素的初始投资,Cini-C为荷类元素的初始投资,Cini-E为储类元素的初始投资,TSi为源类元素的使用年限,TC为荷类元素的使用年限,TE为储类元素的使用年限,Cope-Si为源类元素的年运维费用,Cope-C为荷类元素的年运维费用,Cope-E为储类元素的年运维费用,NSi为i号源类元素的配置数量,NE为储类元素的配置数量,NC为电动汽车充电桩的配置数量;
所述区域能源互联网运营期间可获取的年收益B,按下式计算:
B=MC∫tPC(t)dt+ML∫tPL(t)dt
式中,MC、ML分别为荷类元素中电动汽车充电桩充电的电价以及除充电桩以外其余荷类元素的电价,PC(t)为t时刻电动汽车充电桩的负荷值,PL(t)为预设的t时刻其余荷类元素的负荷值;
所述区域能源互联网与电网交互所产生的电费年交易额C,按下式计算:
式中,V为区域能源互联网与电网的交互电价;PE(t)为t时刻储类元素的功率值,PSi(t)为t时刻i号源类元素的功率值。
进一步地,所述获取模块,包括:
通过下式获取源类元素的功率值获取单元:
PSi(t)=-NSi×η(t)×Pmax(Si)
式中,η(t)为根据预设的t时刻风速、光照强度、发电单元受压值所求得的实际功率输出值占最大功率输出值的比例,Pmax(Si)为i号源类元素的最大功率输出值;
通过下式获取电动汽车充电桩的负荷值获取单元:
PC(t)=NC×LC(t)
式中,NC为电动汽车充电桩的配置数量,LC(t)为预设的t时刻单个充电桩的负荷值;
通过下式获取储类元素的功率值的获取单元:
其中,若蓄电池组处于放电状态且满足下述条件,则PE(t)=0:
[NE×E0+∫tPE(t)dt]=0
若蓄电池组处于充电状态且满足下述条件,则PE(t)=0:
[NE×E0+∫tPE(t)dt]≥NE×Ebat×DOD
其中,E0为储类元素的初始电量,Ebat为储类元素的额定容量,DOD为储类元素的放电深度。
进一步地:所述计算模块,还用于:
将所述源、储类元素的功率值和电动汽车充电桩的负荷值代入预先构建的优化配置模型中,通过人工智能算法求解源、储类元素以及电动汽车充电桩的最优配置数量。
进一步地:所述人工智能算法采用粒子群优化算法;
所述计算模块,包括:
搜索单元,用于粒子群搜索空间中进行搜索,生成的随机配置方案作为每个粒子的起始位置及其对应的速度;
确定单元,用于以所述起始位置及其对应的速度为初始值,通过不断迭代更新每个粒子的位置及其速度,确定每个粒子的个体最优位置;
迭代单元,用于当达到预设的迭代次数时,将满足区域能源互联网的年经济效益最优和网侧能量波动率约束条件的个体最优位置,作为全局最优位置;
所述粒子群搜索空间以待优化的源、储类元素和电动汽车充电桩的配置数量作为维度构建而成;所述全局最优位置为源、储类元素和电动汽车充电桩的最优配置数量。
与最接近的现有技术相比,本发明提供的技术方案具有的有益效果是:
本发明提供一种区域能源互联网优化配置方法,获取区域能源互联网中源、储类元素的功率值以及荷类元素中电动汽车充电桩的负荷值;将所述源、储类元素的功率值以及电动汽车充电桩的负荷值代入预先构建的优化配置模型,计算源、储类元素以及电动汽车充电桩的最优配置解;基于所述源、储类元素以及电动汽车充电桩的最优配置解,对区域能源互联网中源、储类元素以及电动汽车充电桩的数量进行配置;所述优化配置模型包括以年经济效益最大化为目标构建的目标函数以及区域能源互联网的网侧能量波动率约束条件。使用本发明提供的区域能源互联网优化配置方法可在满足区域能源互联网网侧能量波动率约束的前提下,计算得到源荷储各类元素的最优配置方案,实现区域能源互联网的经济效益最大化,促进能源的高效利用。
区域能源互联网优化配置方法层次结构清晰,考虑因素全面。
附图说明
图1是本发明提供的一种区域能源互联网优化配置方法的简易流程图;
图2是本发明提供的一种区域能源互联网优化配置方法的详细流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
以下描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的组件和功能是可选的,并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围,以及权利要求书的所有可获得的等同物。在本文中,本发明的这些实施方案可以被单独地或总地用术语“发明”来表示,这仅仅是为了方便,并且如果事实上公开了超过一个的发明,不是要自动地限制该应用的范围为任何单个发明或发明构思。
实施例一、
本发明提供的一种区域能源互联网优化配置方法,是一种以经济效益最优为目标,以网侧能量波动率为约束的区域能源互联网优化配置问题整体解决方法,有利于促进能源的高效利用。
图1是本发明提供的一种区域能源互联网优化配置方法的简易流程图。如图1所示,所述方法包括:
获取区域能源互联网中源、储类元素的功率值以及荷类元素中电动汽车充电桩的负荷值;
将所述源、储类元素的功率值以及电动汽车充电桩的负荷值代入预先构建的优化配置模型,计算源、储类元素以及电动汽车充电桩的最优配置解;
基于所述源、储类元素以及电动汽车充电桩的最优配置解,对区域能源互联网中源、储类元素以及电动汽车充电桩的数量进行配置;
所述优化配置模型包括以年经济效益最大化为目标构建的目标函数以及区域能源互联网的网侧能量波动率约束条件。
进一步地,所述以年经济效益最大化为目标构建的目标函数,如下式:
f=max EP=-A+B-C
式中:f为区域能源互联网的年经济效益的目标函数,A为区域能源互联网的年投资成本,B为区域能源互联网运营期间可获取的年收益,C为区域能源互联网与电网交互所产生的电费年交易额,EP为区域能源互联网的年经济效益。
进一步地于,所述区域能源互联网的年投资成本A,按下式计算:
式中,Cini-Si为i号源类元素的初始投资,Cini-C为荷类元素的初始投资,Cini-E为储类元素的初始投资,TSi为源类元素的使用年限,TC为荷类元素的使用年限,TE为储类元素的使用年限,Cope-Si为源类元素的年运维费用,Cope-C为荷类元素的年运维费用,Cope-E为储类元素的年运维费用,NSi为i号源类元素的配置数量,NE为储类元素的配置数量,NC为电动汽车充电桩的配置数量;
所述区域能源互联网运营期间可获取的年收益B,按下式计算:
B=MC∫tPC(t)dt+ML∫tPL(t)dt
式中,MC、ML分别为荷类元素中电动汽车充电桩充电的电价以及除充电桩以外其余荷类元素的电价,PC(t)为t时刻电动汽车充电桩的负荷值,PL(t)为预设的t时刻其余荷类元素的负荷值;
所述区域能源互联网与电网交互所产生的电费年交易额C,按下式计算:
式中,V为区域能源互联网与电网的交互电价;PE(t)为t时刻储类元素的功率值,PSi(t)为t时刻i号源类元素的功率值。
进一步地,所述源类元素的功率值,通过下式获取:
PSi(t)=-NSi×η(t)×Pmax(Si)
式中,η(t)为根据预设的t时刻风速、光照强度、发电单元受压值所求得的实际功率输出值占最大功率输出值的比例,Pmax(Si)为i号源类元素的最大功率输出值;
所述电动汽车充电桩的负荷值,通过下式获取:
PC(t)=NC×LC(t)
式中,NC为电动汽车充电桩的配置数量,LC(t)为预设的t时刻单个充电桩的负荷值;
所述储类元素的功率值,通过下式获取:
其中,若蓄电池组处于放电状态且满足下述条件,则PE(t)=0:
[NE×E0+∫tPE(t)dt]=0
若蓄电池组处于充电状态且满足下述条件,则PE(t)=0:
[NE×E0+∫tPE(t)dt]≥NE×Ebat×DOD
其中,E0为储类元素的初始电量,Ebat为储类元素的额定容量,DOD为储类元素的放电深度。
进一步地,所述区域能源互联网的网侧能量波动率约束条件包括网侧能量波动率的极值约束和方差约束;
所述网侧能量波动率的极值约束,如下式:
式中:PC(t)为t时刻电动汽车充电站的负荷值,PL(t)为预设的t时刻其余荷类元素的负荷值,PE(t)为t时刻储类元素的功率值,PSi(t)为t时刻i号源类元素的功率值,ΔPmax为区域能源互联网可向电网反馈的最大功率;ΔPmin为电网可向区域能源互联网传输的最大功率;
所述网侧能量波动率的方差约束,如下式:
式中:D为方差,Dmax为预设的方差极限值。
进一步地,所述将所述源、储类元素的功率值和电动汽车充电桩的负荷值代入预先构建的优化配置模型,计算源、储类元素以及电动汽车充电桩的最优配置解,包括:
将所述源、储类元素的功率值和电动汽车充电桩的负荷值代入预先构建的优化配置模型中,通过人工智能算法求解源、储类元素以及电动汽车充电桩的最优配置数量。
进一步地,所述人工智能算法采用粒子群优化算法;
通过粒子群优化算法求解源、储类元素以及电动汽车充电桩的最优配置数量,包括:
在粒子群搜索空间中进行搜索,生成的随机配置方案作为每个粒子的起始位置及其对应的速度;
以所述起始位置及其对应的速度为初始值,通过不断迭代更新每个粒子的位置及其速度,确定每个粒子的个体最优位置;
当达到预设的迭代次数时,将满足区域能源互联网的年经济效益最优和网侧能量波动率约束条件的个体最优位置,作为全局最优位置;
所述粒子群搜索空间以待优化的源、储类元素和电动汽车充电桩的配置数量作为维度构建而成;所述全局最优位置为源、储类元素和电动汽车充电桩的最优配置数量。
进一步地:所述粒子群搜索空间中每个粒子的位置表示为:
其中:表示一组粒子位置,即目标函数年经济效益的一个组解,NS1,NS2,…,NSn,NC,NE分别为1号源类元素、2号源类元素、......、n号源类元素的配置数量,NE为储类元素的配置数量;NC为电动汽车充电桩的配置数量。
通过下式更新每个粒子的速度:
其中:为粒子i在第t+1次迭代时的速度,为粒子i在第t次迭代时的速度,ω为惯性权重;pi_best(t)为第t次迭代时,粒子i的历史轨迹中优化目标函数f最大的位置;c1为跟踪自身最优位置的权重;c2为跟踪全局最优位置的权重;a和b为0到1区间内均匀分布的随机数;pg_best(t)为第t次迭代时,种群中所有粒子的历史轨迹中优化目标函数f最大的位置;
通过下式更新每个粒子的位置:
其中,r为位置更新约束因子,为粒子i在第t次迭代时的起始位置。
如图2所示,是本发明提供的一种区域能源互联网优化配置方法的详细流程图,具体的:
进一步的,所述的各元素功率数学模型包含区域能源互联网中的源荷储多类元素。
所述的源类元素至少为如下一种或多种:可为区域能源互联网中的分布式风力发电、分布式光伏发电、新型发电技术领域的压力健步道等发电单元。
所述荷类元素为电动汽车充电站,其他荷类元素包括照明、电机等元素。
所述的储类元素为蓄电池。
所述源类元素的功率数学模型为:
PSi(t)=-NSi×η(t)×Pmax(Si)
其中,NSi为i号源类元素的配置数量,PSi(t)为i号源类元素的t时刻功率输出量,Pmax(Si)为i号源类元素的最大功率输出量,η(t)为根据预计的t时刻风速、光照强度、健步道受压值所求得的实际功率输出占最大功率输出的比例。
所述的荷类元素的功率数学模型为:
PC(t)=NC×LC(t)
其中,NC为电动汽车充电站中充电桩的配置数量,PC(t)为充电站的t时刻负荷值,LC(t)为预计的t时刻单个充电桩负荷值。
所述的储类元素的功率模型为:
其中,若:
[NE×E0+∫tPE(t)dt]=0
且蓄电池组处于放电状态则PE(t)=0。
若:
[NE×E0+∫tPE(t)dt]≥NE×Ebat×DOD
且蓄电池组处于充电状态则PE(t)=0。
其中,NE为蓄电池的配置数量,E0为蓄电池的初始电量,PE(t)为蓄电池组的t时刻功率值,Ebat为蓄电池的额定容量,DOD为蓄电池的放电深度,PL(t)为预测的t时刻除电动汽车充电负荷外的负荷值。
进一步的,所述的系统评价体系包括目标函数与约束条件。
所述的目标函数为区域能源互联网的年经济效益表达式:
f=max EP=-A+B-C
A为区域能源互联网的年投资成本,其包含设备的年均初始投资、年运维费用:
其中,Cini-Si、Cini-C、Cini-E分别为源荷储元素的初始投资,TSi、TC、TE分别为源荷储元素的使用年限,Cope-Si、Cope-C、Cope-E分别为源荷储元素的年运维费用。
B为一年内区域能源互联网运营期间可获取的收益:
B=MC∫tPC(t)dt+ML∫tPL(t)dt
其中,MC、ML分别为区域能源互联网的电动汽车充电电价与普通负荷电价。
C为区域能源互联网与大电网交互所产生的电费交易额:
其中,V为区域能源互联网与大电网的交互电价。
所述的约束条件为区域能源互联网的网侧能量波动率约束,其分为网侧能量波动率的极值约束与方差约束。
网侧能量波动率的极值约束为:
其中,ΔPmax为区域能源互联网可向大电网反馈的最大功率;ΔPmin为大电网可向区域能源互联网传输的最大功率。
网侧能量波动率的方差约束为:
其中,Dmax为设定的方差极限值。
进一步的,所述的粒子群优化算法为不定维度的优化算法,其维度为源荷储的待优化元素总数量。
粒子群搜索空间中,搜索空间中每一个位置可表示为:
假设一个具有m粒子的种群在(n+2)维搜索空间中进行搜索。粒子i在第t次迭代时的起始位置为:
相应的速度为:
其中,各维速度分量均满足:
vmin≤vid(t)≤vmax
式中,vid(t)表示粒子i在第t次迭代时的第d维速度分量。
个体最优位置pi_best(t)为第t次迭代时,粒子i的历史轨迹中优化目标f最大的位置。全局最优位置pg_best(t)为第t次迭代时,种群中所有粒子的历史轨迹中优化目标f最大的位置。
粒子i在第t+1次迭代时的速度更新公式为:
其中,ω为惯性权重;c1为跟踪自身最优位置的权重,称为“自身认知”;c2为跟踪全局最优位置的权重,称为“社会认知”;a和b为0到1区间内均匀分布的随机数。
粒子i在第t+1次迭代时的位置更新公式为:
其中,r为位置更新约束因子。
根据经验,粒子群的粒子个数m可取为32,惯性权重ω可取为1,位置更新约束因子r可取为1,自身认知c1和社会认知c2均可取为2,随机数a和b由rand函数随机产生。
实施例二、
基于同样的发明构思,本发明还提供一种区域能源互联网优化配置系统,包括:
获取模块,用于获取区域能源互联网中源、储类元素的功率值以及荷类元素中电动汽车充电桩的负荷值;
计算模块,用于将所述源、储类元素的功率值以及电动汽车充电桩的负荷值代入预先构建的优化配置模型,计算源、储类元素以及电动汽车充电桩的最优配置解;
配置模块,用于基于所述源、储类元素以及电动汽车充电桩的最优配置解,对区域能源互联网中源、储类元素以及电动汽车充电桩的数量进行配置;
所述优化配置模型包括以年经济效益最大化为目标构建的目标函数以及区域能源互联网的网侧能量波动率约束条件。
进一步地:所述以年经济效益最大化为目标构建的目标函数,如下式:
f=max EP=-A+B-C
式中:f为区域能源互联网的年经济效益的目标函数,A为区域能源互联网的年投资成本,B为区域能源互联网运营期间可获取的年收益,C为区域能源互联网与电网交互所产生的电费年交易额,EP为区域能源互联网的年经济效益。
进一步地,所述区域能源互联网的年投资成本A,按下式计算:
式中,Cini-Si为i号源类元素的初始投资,Cini-C为荷类元素的初始投资,Cini-E为储类元素的初始投资,TSi为源类元素的使用年限,TC为荷类元素的使用年限,TE为储类元素的使用年限,Cope-Si为源类元素的年运维费用,Cope-C为荷类元素的年运维费用,Cope-E为储类元素的年运维费用,NSi为i号源类元素的配置数量,NE为储类元素的配置数量,NC为电动汽车充电桩的配置数量;
所述区域能源互联网运营期间可获取的年收益B,按下式计算:
B=MC∫tPC(t)dt+ML∫tPL(t)dt
式中,MC、ML分别为荷类元素中电动汽车充电桩充电的电价以及除充电桩以外其余荷类元素的电价,PC(t)为t时刻电动汽车充电桩的负荷值,PL(t)为预设的t时刻其余荷类元素的负荷值;
所述区域能源互联网与电网交互所产生的电费年交易额C,按下式计算:
式中,V为区域能源互联网与电网的交互电价;PE(t)为t时刻储类元素的功率值,PSi(t)为t时刻i号源类元素的功率值。
进一步地,所述获取模块,包括:
通过下式获取源类元素的功率值获取单元:
PSi(t)=-NSi×η(t)×Pmax(Si)
式中,η(t)为根据预设的t时刻风速、光照强度、健步道受压值所求得的实际功率输出值占最大功率输出值的比例,Pmax(Si)为i号源类元素的最大功率输出值;
通过下式获取电动汽车充电桩的负荷值获取单元:
PC(t)=NC×LC(t)
式中,NC为电动汽车充电桩的配置数量,LC(t)为预设的t时刻单个充电桩的负荷值;
通过下式获取储类元素的功率值的获取单元:
其中,若蓄电池组处于放电状态且满足下述条件,则PE(t)=0:
[NE×E0+∫tPE(t)dt]=0
若蓄电池组处于充电状态且满足下述条件,则PE(t)=0:
[NE×E0+∫tPE(t)dt]≥NE×Ebat×DOD
其中,E0为储类元素的初始电量,Ebat为储类元素的额定容量,DOD为储类元素的放电深度。
进一步地:所述计算模块,还用于:
将所述源、储类元素的功率值和电动汽车充电桩的负荷值代入预先构建的优化配置模型中,通过人工智能算法求解源、储类元素以及电动汽车充电桩的最优配置数量。
进一步地:所述人工智能算法采用粒子群优化算法;
所述计算模块,包括:
搜索单元,用于粒子群搜索空间中进行搜索,生成的随机配置方案作为每个粒子的起始位置及其对应的速度;
确定单元,用于以所述起始位置及其对应的速度为初始值,通过不断迭代更新每个粒子的位置及其速度,确定每个粒子的个体最优位置;
迭代单元,用于当达到预设的迭代次数时,将满足区域能源互联网的年经济效益最优和网侧能量波动率约束条件的个体最优位置,作为全局最优位置;
所述粒子群搜索空间以待优化的源、储类元素和电动汽车充电桩的配置数量作为维度构建而成;所述全局最优位置为源、储类元素和电动汽车充电桩的最优配置数量。
本发明提出一种区域能源互联网优化配置方法及系统,以粒子群算法为基础,以网侧能量波动率为约束,有助于最大化区域能源互联网的经济效益,促进能源的高效利用。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (14)
1.一种区域能源互联网优化配置方法,其特征在于,包括:
获取区域能源互联网中源、储类元素的功率值以及荷类元素中电动汽车充电桩的负荷值;
将所述源、储类元素的功率值以及电动汽车充电桩的负荷值代入预先构建的优化配置模型,计算源、储类元素以及电动汽车充电桩的最优配置解;
基于所述源、储类元素以及电动汽车充电桩的最优配置解,对区域能源互联网中源、储类元素以及电动汽车充电桩的数量进行配置;
所述优化配置模型包括以年经济效益最大化为目标构建的目标函数以及区域能源互联网的网侧能量波动率约束条件。
2.如权利要求1所述的方法,其特征在于,所述以年经济效益最大化为目标构建的目标函数,如下式:
f=max EP=-A+B-C
式中:f为区域能源互联网的年经济效益的目标函数,A为区域能源互联网的年投资成本,B为区域能源互联网运营期间可获取的年收益,C为区域能源互联网与电网交互所产生的电费年交易额,EP为区域能源互联网的年经济效益。
3.如权利要求2所述的方法,其特征在于,所述区域能源互联网的年投资成本A,按下式计算:
式中,Cini-Si为i号源类元素的初始投资,Cini-C为荷类元素的初始投资,Cini-E为储类元素的初始投资,TSi为源类元素的使用年限,TC为荷类元素的使用年限,TE为储类元素的使用年限,Cope-Si为源类元素的年运维费用,Cope-C为荷类元素的年运维费用,Cope-E为储类元素的年运维费用,NSi为i号源类元素的配置数量,NE为储类元素的配置数量,NC为电动汽车充电桩的配置数量;
所述区域能源互联网运营期间可获取的年收益B,按下式计算:
B=MC∫tPC(t)dt+ML∫tPL(t)dt
式中,MC、ML分别为荷类元素中电动汽车充电桩充电的电价以及除充电桩以外其余荷类元素的电价,PC(t)为t时刻电动汽车充电桩的负荷值,PL(t)为预设的t时刻其余荷类元素的负荷值;
所述区域能源互联网与电网交互所产生的电费年交易额C,按下式计算:
式中,V为区域能源互联网与电网的交互电价;PE(t)为t时刻储类元素的功率值,PSi(t)为t时刻i号源类元素的功率值。
4.如权利要求3所述的方法,其特征在于,所述源类元素的功率值,通过下式获取:
PSi(t)=-NSi×η(t)×Pmax(Si)
式中,η(t)为根据预设的t时刻风速、光照强度、发电单元受压值所求得的实际功率输出值占最大功率输出值的比例,Pmax(Si)为i号源类元素的最大功率输出值;
所述电动汽车充电桩的负荷值,通过下式获取:
PC(t)=NC×LC(t)
式中,NC为电动汽车充电桩的配置数量,LC(t)为预设的t时刻单个充电桩的负荷值;
所述储类元素的功率值,通过下式获取:
其中,若蓄电池组处于放电状态且满足下述条件,则PE(t)=0:
[NE×E0+∫tPE(t)dt]=0
若蓄电池组处于充电状态且满足下述条件,则PE(t)=0:
[NE×E0+∫tPE(t)dt]≥NE×Ebat×DOD
其中,E0为储类元素的初始电量,Ebat为储类元素的额定容量,DOD为储类元素的放电深度。
5.如权利要求1所述的方法,其特征在于,所述区域能源互联网的网侧能量波动率约束条件包括网侧能量波动率的极值约束和方差约束;
所述网侧能量波动率的极值约束,如下式:
式中:PC(t)为t时刻电动汽车充电站的负荷值,PL(t)为预设的t时刻其余荷类元素的负荷值,PE(t)为t时刻储类元素的功率值,PSi(t)为t时刻i号源类元素的功率值,ΔPmax为区域能源互联网可向电网反馈的最大功率;ΔPmin为电网可向区域能源互联网传输的最大功率;
所述网侧能量波动率的方差约束,如下式:
式中:D为方差,Dmax为预设的方差极限值。
6.如权利要求1所述的方法,其特征在于,所述将所述源、储类元素的功率值和电动汽车充电桩的负荷值代入预先构建的优化配置模型,计算源、储类元素以及电动汽车充电桩的最优配置解,包括:
将所述源、储类元素的功率值和电动汽车充电桩的负荷值代入预先构建的优化配置模型中,通过人工智能算法求解源、储类元素以及电动汽车充电桩的最优配置数量。
7.如权利要求6所述的方法,其特征在于,所述人工智能算法采用粒子群优化算法;
通过粒子群优化算法求解源、储类元素以及电动汽车充电桩的最优配置数量,包括:
在粒子群搜索空间中进行搜索,生成的随机配置方案作为每个粒子的起始位置及其对应的速度;
以所述起始位置及其对应的速度为初始值,通过不断迭代更新每个粒子的位置及其速度,确定每个粒子的个体最优位置;
当达到预设的迭代次数时,将满足区域能源互联网的年经济效益最优和网侧能量波动率约束条件的个体最优位置,作为全局最优位置;
所述粒子群搜索空间以待优化的源、储类元素和电动汽车充电桩的配置数量作为维度构建而成;所述全局最优位置为源、储类元素和电动汽车充电桩的最优配置数量。
8.如权利要求7所述的方法,其特征在于:所述粒子群搜索空间中每个粒子的位置表示为:
其中:表示一组粒子位置,即目标函数年经济效益的一个组解,NS1,NS2,…,NSn,NC,NE分别为1号源类元素、2号源类元素、......、n号源类元素的配置数量,NE为储类元素的配置数量;NC为电动汽车充电桩的配置数量。
9.一种区域能源互联网优化配置系统,其特征在于:
获取模块,用于获取区域能源互联网中源、储类元素的功率值以及荷类元素中电动汽车充电桩的负荷值;
计算模块,用于将所述源、储类元素的功率值以及电动汽车充电桩的负荷值代入预先构建的优化配置模型,计算源、储类元素以及电动汽车充电桩的最优配置解;
配置模块,用于基于所述源、储类元素以及电动汽车充电桩的最优配置解,对区域能源互联网中源、储类元素以及电动汽车充电桩的数量进行配置;
所述优化配置模型包括以年经济效益最大化为目标构建的目标函数以及区域能源互联网的网侧能量波动率约束条件。
10.如权利要求9所述的区域能源互联网优化配置系统,其特征在于:所述以年经济效益最大化为目标构建的目标函数,如下式:
f=max EP=-A+B-C
式中:f为区域能源互联网的年经济效益的目标函数,A为区域能源互联网的年投资成本,B为区域能源互联网运营期间可获取的年收益,C为区域能源互联网与电网交互所产生的电费年交易额,EP为区域能源互联网的年经济效益。
11.如权利要求10所述的系统,其特征在于,所述区域能源互联网的年投资成本A,按下式计算:
式中,Cini-Si为i号源类元素的初始投资,Cini-C为荷类元素的初始投资,Cini-E为储类元素的初始投资,TSi为源类元素的使用年限,TC为荷类元素的使用年限,TE为储类元素的使用年限,Cope-Si为源类元素的年运维费用,Cope-C为荷类元素的年运维费用,Cope-E为储类元素的年运维费用,NSi为i号源类元素的配置数量,NE为储类元素的配置数量,NC为电动汽车充电桩的配置数量;
所述区域能源互联网运营期间可获取的年收益B,按下式计算:
B=MC∫tPC(t)dt+ML∫tPL(t)dt
式中,MC、ML分别为荷类元素中电动汽车充电桩充电的电价以及除充电桩以外其余荷类元素的电价,PC(t)为t时刻电动汽车充电桩的负荷值,PL(t)为预设的t时刻其余荷类元素的负荷值;
所述区域能源互联网与电网交互所产生的电费年交易额C,按下式计算:
式中,V为区域能源互联网与电网的交互电价;PE(t)为t时刻储类元素的功率值,PSi(t)为t时刻i号源类元素的功率值。
12.如权利要求9所述的系统,其特征在于,所述获取模块,包括:
通过下式获取源类元素的功率值获取单元:
PSi(t)=-NSi×η(t)×Pmax(Si)
式中,η(t)为根据预设的t时刻风速、光照强度、发电单元受压值所求得的实际功率输出值占最大功率输出值的比例,Pmax(Si)为i号源类元素的最大功率输出值;
通过下式获取电动汽车充电桩的负荷值获取单元:
PC(t)=NC×LC(t)
式中,NC为电动汽车充电桩的配置数量,LC(t)为预设的t时刻单个充电桩的负荷值;
通过下式获取储类元素的功率值的获取单元:
其中,若蓄电池组处于放电状态且满足下述条件,则PE(t)=0:
[NE×E0+∫tPE(t)dt]=0
若蓄电池组处于充电状态且满足下述条件,则PE(t)=0:
[NE×E0+∫tPE(t)dt]≥NE×Ebat×DOD
其中,E0为储类元素的初始电量,Ebat为储类元素的额定容量,DOD为储类元素的放电深度。
13.如权利要求9所述的区域能源互联网优化配置系统,其特征在于:所述计算模块,还用于:
将所述源、储类元素的功率值和电动汽车充电桩的负荷值代入预先构建的优化配置模型中,通过人工智能算法求解源、储类元素以及电动汽车充电桩的最优配置数量。
14.如权利要求13所述的区域能源互联网优化配置系统,其特征在于:所述人工智能算法采用粒子群优化算法;
所述计算模块,包括:
搜索单元,用于粒子群搜索空间中进行搜索,生成的随机配置方案作为每个粒子的起始位置及其对应的速度;
确定单元,用于以所述起始位置及其对应的速度为初始值,通过不断迭代更新每个粒子的位置及其速度,确定每个粒子的个体最优位置;
迭代单元,用于当达到预设的迭代次数时,将满足区域能源互联网的年经济效益最优和网侧能量波动率约束条件的个体最优位置,作为全局最优位置;
所述粒子群搜索空间以待优化的源、储类元素和电动汽车充电桩的配置数量作为维度构建而成;所述全局最优位置为源、储类元素和电动汽车充电桩的最优配置数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811522620.6A CN109784533A (zh) | 2018-12-13 | 2018-12-13 | 一种区域能源互联网优化配置方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811522620.6A CN109784533A (zh) | 2018-12-13 | 2018-12-13 | 一种区域能源互联网优化配置方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109784533A true CN109784533A (zh) | 2019-05-21 |
Family
ID=66496752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811522620.6A Pending CN109784533A (zh) | 2018-12-13 | 2018-12-13 | 一种区域能源互联网优化配置方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109784533A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110245878A (zh) * | 2019-06-27 | 2019-09-17 | 华翔翔能电气股份有限公司 | 智能楼宇群体的分布式综合能源需求响应协同优化方法 |
CN111833595A (zh) * | 2019-06-21 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 共享汽车辅助车辆配置方法、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102810877A (zh) * | 2012-08-21 | 2012-12-05 | 湖南大学 | 一种微网调控一体化的方法 |
CN106447122A (zh) * | 2016-10-12 | 2017-02-22 | 国网上海市电力公司 | 一种区域型能源互联网及其一体化优化规划方法 |
CN106887841A (zh) * | 2017-03-23 | 2017-06-23 | 东北大学 | 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 |
CN108491977A (zh) * | 2018-03-29 | 2018-09-04 | 华南理工大学 | 一种微能源网的弱鲁棒优化调度方法 |
CN108876040A (zh) * | 2018-06-21 | 2018-11-23 | 广州供电局有限公司 | 园区能源互联网运营商的多类能源定价与能量管理方法 |
-
2018
- 2018-12-13 CN CN201811522620.6A patent/CN109784533A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102810877A (zh) * | 2012-08-21 | 2012-12-05 | 湖南大学 | 一种微网调控一体化的方法 |
CN106447122A (zh) * | 2016-10-12 | 2017-02-22 | 国网上海市电力公司 | 一种区域型能源互联网及其一体化优化规划方法 |
CN106887841A (zh) * | 2017-03-23 | 2017-06-23 | 东北大学 | 一种含电动汽车微电网容量配置的多种群遗传粒子群优化方法 |
CN108491977A (zh) * | 2018-03-29 | 2018-09-04 | 华南理工大学 | 一种微能源网的弱鲁棒优化调度方法 |
CN108876040A (zh) * | 2018-06-21 | 2018-11-23 | 广州供电局有限公司 | 园区能源互联网运营商的多类能源定价与能量管理方法 |
Non-Patent Citations (1)
Title |
---|
丁智华 等: "基于精细化模型的区域能源互联网运行优化研究", 可再生能源》, 30 September 2018 (2018-09-30), pages 1362 - 1367 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111833595A (zh) * | 2019-06-21 | 2020-10-27 | 北京嘀嘀无限科技发展有限公司 | 共享汽车辅助车辆配置方法、电子设备及存储介质 |
CN110245878A (zh) * | 2019-06-27 | 2019-09-17 | 华翔翔能电气股份有限公司 | 智能楼宇群体的分布式综合能源需求响应协同优化方法 |
CN110245878B (zh) * | 2019-06-27 | 2021-09-21 | 华翔翔能科技股份有限公司 | 智能楼宇群体的分布式综合能源需求响应协同优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Incentivizing prosumer coalitions with energy management using cooperative game theory | |
Koufakis et al. | Offline and online electric vehicle charging scheduling with V2V energy transfer | |
Dey et al. | Optimal scheduling of distributed energy resources in microgrid systems based on electricity market pricing strategies by a novel hybrid optimization technique | |
Reddy et al. | A new binary variant of sine–cosine algorithm: development and application to solve profit-based unit commitment problem | |
CN104734200B (zh) | 一种基于虚拟发电的主动配电网优化调度方法 | |
Moghaddam et al. | Multi-operation management of a typical micro-grids using Particle Swarm Optimization: A comparative study | |
Singh et al. | Modified african buffalo optimization for strategic integration of battery energy storage in distribution networks | |
Pan et al. | Stochastic transactive control for electric vehicle aggregators coordination: A decentralized approximate dynamic programming approach | |
AL-Dhaifallah et al. | An efficient short-term energy management system for a microgrid with renewable power generation and electric vehicles | |
Mahesh et al. | Optimal sizing of a grid-connected PV/wind/battery system using particle swarm optimization | |
Han et al. | Constructing prosumer coalitions for energy cost savings using cooperative game theory | |
US12015275B2 (en) | Hybrid power plant | |
Alfaverh et al. | Optimal vehicle-to-grid control for supplementary frequency regulation using deep reinforcement learning | |
CN113904380B (zh) | 一种考虑需求响应的虚拟电厂可调节资源精准控制方法 | |
Dey et al. | A novel hybrid algorithm for solving emerging electricity market pricing problem of microgrid | |
CN105391092B (zh) | 基于相关机会规划的虚拟电厂多目标竞价的调控优化方法 | |
US11789082B2 (en) | Systems and method for managing dispatch and lifecycle of energy storage systems on an electrical grid, including management of energy storage systems for provisioning of multiple services | |
CN104124724A (zh) | 充电控制装置和方法 | |
CN109038626A (zh) | 一种特高压受端电网调峰控制方法 | |
CN109066744A (zh) | 一种含储能配电网协调调度方法和系统 | |
CN109784533A (zh) | 一种区域能源互联网优化配置方法及系统 | |
Marasciuolo et al. | Chance-constrained calculation of the reserve service provided by EV charging station clusters in energy communities | |
CN107611968B (zh) | 分布式能源互动消纳的主动配电网经济运行方法 | |
CN114285075A (zh) | 一种基于分布式深度强化学习的微电网能量在线优化方法 | |
CN105391060B (zh) | 含微电网的配电网优化调度方法 |
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 |