CN109844654A - 条件控制负载和双向分布式储能系统的随机的基于分组的功率管理系统和方法 - Google Patents

条件控制负载和双向分布式储能系统的随机的基于分组的功率管理系统和方法 Download PDF

Info

Publication number
CN109844654A
CN109844654A CN201780058348.8A CN201780058348A CN109844654A CN 109844654 A CN109844654 A CN 109844654A CN 201780058348 A CN201780058348 A CN 201780058348A CN 109844654 A CN109844654 A CN 109844654A
Authority
CN
China
Prior art keywords
node
request
state
probability
coordinator
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
CN201780058348.8A
Other languages
English (en)
Other versions
CN109844654B (zh
Inventor
杰夫·弗罗里克
保罗·海恩斯
马斯·阿尔马萨尔基
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.)
VERMONT (US), University of
Original Assignee
VERMONT (US), University of
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 VERMONT (US), University of filed Critical VERMONT (US), University of
Publication of CN109844654A publication Critical patent/CN109844654A/zh
Application granted granted Critical
Publication of CN109844654B publication Critical patent/CN109844654B/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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • 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
    • 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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • 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
    • H02J2310/00—The network for supplying or distributing electric power characterised by its spatial reach or by the load
    • H02J2310/10—The network having a local or delimited stationary reach
    • H02J2310/12—The local stationary network supplying a household or a building
    • 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
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Data Exchanges In Wide-Area Networks (AREA)

Abstract

本公开提供了电力系统需求响应的分布式且匿名的方法。该方法通过离散的能量分组将分布式能量资源(DER)的能耗和生产概念化，这些能量分组由网络计算实体协调，该网络计算实体许可或拒绝来自DER的能量分组请求。该方法利用了DER的条件，这对于(1)恒温控制负载、(2)非恒温条件控制负载、以及(3)双向分布式储能系统特别有用。在本方法的第一方面，每个DER独立地请求授权以接通持续固定的时间量(即分组持续时间)。协调器基于电网和/或能量或电力市场条件来确定是否许可或拒绝每个请求。在第二方面，双向DER(诸如分布式储能系统(DESS))还能够请求向电网供电。

Description

条件控制负载和双向分布式储能系统的随机的基于分组的功 率管理系统和方法
关于联邦资助的研究的声明
本发明在政府支持下并利用国家科学基金会授予的合同号为ECCS-1254549的资助金和能源部授予的DE-AR0001289-1509的资助金完成。政府对本发明具有一定的权利。
相关申请的交叉引用
本申请要求2016年9月21日提交并且现在未决的第62/397,393号美国临时申请的优先权，该美国临时申请的公开内容通过引用并入本文。
公开领域
本公开涉及分布式能量资源的管理。
公开的背景
快速斜坡发电机长期以来为电力系统提供了可靠的运行备用。然而，可再生能源渗透率高的电力系统对这种运行模式提出了挑战。在可再生能源渗透率较高的情况下，目前处理风力或太阳能发电的可变性的方法需要具有更快斜坡的传统发电机在线运行。然而，这导致更多的发电机空转，燃烧燃料，并且增加有害的空气排放，这些都与“绿色”能源未来的目标背道而驰。因此，有必要放弃使用这种技术来提供运行备用，并考虑灵活和可控的净负载能量资源的积极作用，例如插入式电动汽车(PEV)、恒温控制负载(TCL)、分布式储能系统(DESS)、和消费者层面的分布式发电。
迄今为止，需求侧的参与已在很大程度上被限于响应于在高峰时段降低需求的非频繁请求、开环二元控制、或间接的财务激励(诸如，临界峰值定价)的负载。但是，这些方法并没有释放分布式能源资产的全部灵活性、忽略了本地消费者的限制、和/或需要消费者付出不小的努力来实现。因此，最近的工作聚焦于开发通过定价和控制信号对灵活的分布式能量资源(DER)进行自主协调的反馈算法，有效地使人类消费者不用决策，并实现真正的响应和电网。
针对高度分布式净负载资源的协调策略通常采取下列两种形式之一：(1)以公用事业单位为中心或(2)以消费者为中心。在前一种形式下，公用事业单位使用例如平均场策略最大限度地减少对可用电网容量的使用，以满足系统目标(诸如，“低谷填充”)，该平均场策略被设置成使消费者延迟接入电网，这在消费者服务质量(QoS)方面可能是不可接受的。以消费者为中心的方法通常依赖于非集中式最优控制算法，这些非集中式最优控制算法是通过迭代方法(例如，双重上升法、乘数法)或一致性算法得出的，对于大组的灵活净负载，这两种算法都表现出缓慢的收敛性(即，每个时间步长需要几十次迭代)。收敛速度可能会导致主要问题的不可行性，从而影响QoS(例如，PEV未被充电到所需水平或TCL超过指定的局部死区限制)。
公开的简要概述
本公开提供了一种针对分布式能量资源且尤其是(1)恒温控制负载(例如热水器、空调等)；(2)非恒温条件控制负载(例如，电池、压缩机等)；和(3)双向分布式储能系统(例如，电池等)的分布式且匿名的(anonymous)需求响应方法，称为分组化能量管理(PEM)。在当前公开的PEM方法的第一方面，每个DER独立地请求授权来接通固定的时间量(即，控制时期的持续时间)。在如果总的聚合负载需要降低那么这些负载请求将被拒绝的这个意义上，负载被管理(与严格控制相反)。在第二方面，双向DER(诸如DESS)还能够请求向电网提供能量持续固定的时间量。
本公开引入了一种新颖的分布式的自下而上控制方法，而不是文献中提出的自上而下方法。为了克服隐私、收敛性和QoS问题，并实现可再生能源的大规模渗透，所公开的PEM负载协调框架调节了DER的总功耗。具体来说，使用多个“能量分组”或“分组化的能量”来完成向DER输送能量或从DER输送能量。方法的基于设备(或自下而上)的随机化方面关于向每个负载提供统计上相同的电网接入，提供了某些“公平”属性。
与以前的和其他的现有技术相比，PEM减少了协调层和负载层之间的必要信息：协调器只需要来自负载的匿名的和异步随机生成的接入请求，以及根据期望的基准实时测量总输出偏差。PEM的异步性质使得能够针对通信和控制分别定义时间间隔。此外，通过在局部控制层使用具有选择退出控制能力的概率自动机，随机化基于局部状态变量被注入到负载请求，这阻止了同步，保证了消费者QoS，并促进了对电网的公平接入。
附图描述
为了更全面地理解本公开的性质和目的，应当结合附图来参考下列详细描述，其中：
图1显示了DER协调方案。多个分布式能量资源(DER)聚集在一起，形成虚拟发电厂(VPP)。DER通过电力线与公用事业单位物理连接，公用事业单位提供它们的电源。通过协调器使用虚拟连接来管理DER。协调器使用来自公用事业单位或其他来源的信息(例如，可用的/预测的供电、定价信号等)来确定DER是否可以运行。
图2显示了根据分组化的能量管理(PEM)的示例性实施例管理的热水器。左图显示了一系列事件。在时间ta，当电网资源不受约束时，负载随机请求(R)或不请求(N)能量。在tb，系统接近一个供电受限的时期，在该时期，系统协调器大多拒绝请求(D)并缩短时期长度。结果，自动机转换到较低概率状态(例如，P1→P2)。在tc，温度达到QoS界限，并且负载从PEM中退出(X)，并迅速寻求将温度恢复到QoS界限内(这发生在td)。右图显示了基于对局部温度状态的响应来改变状态机的请求概率(Pi(T))和状态机的时期长度的状态机。自动机中还嵌入了在状态转换/发出请求之间的时期长度。
图3是实现PEM的示例性的网络—物理基础设施的示意图。
图4是说明局部温度对PEM下三态TCL的随机接入请求率(粗体)和平均请求时间(虚线)的影响的曲线图。仅出于图形化目的，平均请求时间已被缩短至40分钟。
图5是描述PEM闭环反馈系统的示意图，其中基准r(t)由电网运营商提供，以及由VPP测量的聚合的分组化的TCL输出响应y(t)。基准r(t)可以是电压读数、可用电源信号、能量定价信息等。
图6顶部显示了“充电”和“放电”自动机的请求概率曲线，其作为DESS的动态状态(例如，电池存储系统中的充电状态)的函数。在本发明的实施例中，当充电和放电自动机两者创建请求或不创建请求时，自然会产生“空闲”或“待机”状态概率曲线。只有当其中一个自动机产生请求时，请求才会被转发给VPP协调器。图6底部显示了关于“充电”和“放电”自动机的请求曲线的平均时间，它是DESS动态状态(例如，电池存储系统中的充电状态)的函数。
图7是取决于充电和放电阈值(分别为C阈值和D阈值)的状态流程图。
图8显示了模拟中的外部可变负载。
图9显示了针对图8的模拟的恒定60％基本+40％DESS的电源。
图10显示了针对图8的模拟每1000个代理随时间推移的充电状态(SOC)。
图11显示了针对图8模拟的公平性度量(SOC的平均值和标准偏差)。
图12显示了针对图8的模拟的每个时期的事务。
图13针对图8模拟的随着时间推移的总买入、卖出、和持有。
图14是显示了VPP在8小时(480分钟)内的独立和受管行为的曲线图，包括三种不同的负载类型：1000个电热水器、250个电动汽车充电器、和250个蓄电池存储系统。VPP将要跟踪的信号在160分钟时接通。VPP响应被显示为跟踪信号，并且负载使用分组化的能量管理方法来管理。
图15显示了两个VPP，它们用不同的DER集合来跟踪多模式基准信号。通过利用电池的双向能力，同时保持所有DER类型的QOS，不同的VPP(具有1000个TCL、250个PEV、和250个ESS电池)显著优于仅具有1000个TCL的VPP。由于大量的TCL进入退出(exit-ON)和选择退出PEM，因此仅有TCL的VPP无法跟踪。
图16A显示了图15的不同网络的分组化效果。
图16B显示了图15的均匀网络1500个电热水器的分组化效果。
图17是根据本公开的另一个实施例的系统的示意图，并且包括根据本公开的三个节点。
图18是根据本公开的另一方面的图。
公开的详细描述
在本公开的第一方面，提出了一种用于分布式能量资源(DER)的匿名的、异步的、且随机化的自下而上的控制方案，包括：(1)一种用于管理DER的新的分组化的能量管理(PEM)控制方案，其在不完全信息和消费者QoS约束下提供接近最优的跟踪性能；(2)使用基于模拟的分析来说明当前公开的PEM模式的性能。该分析展示了关于在电力系统中高度分布的自下而上负载协调的新框架。
图1中的系统示出了在可用于实现PEM的电力系统的实施例中的物理网络交互。将分别描述电网运营商(例如，公用事业单位)、协调器(例如，DER管理平台或虚拟发电厂)、和分组化的负载(例如，通过支持WiFi的网关)的功能。由于所公开的自下而上的方法，因此首先描述分组化的负载的概念。
A.分组化的负载
PEM曾被提议用于对插电式汽车(PEV)进行协调充电(参见第US 2015/038936 Al号公开，通过该引用被并入本文)。在这篇早期的著作中，PEV异步地请求授权以根据在概率自动机中PEV的状态而以特定的概率充电。例如，对于三态有限状态机，从状态i开始请求接入电网的概率是Pi，并且P1>P2>P3。如果电网中有容量，则PEV被授权充电，但只持续固定的持续时间(例如，15分钟)，这段时间被称为控制时期，并且发生状态转换：Pi→Pi-1，这减少了平均请求时间。与此对照的是，如果PEV被拒绝授权充电，则平均请求时间随着Pi→Pi+1的过渡而增加。
本公开提供了关于负载使用的PEM技术，该PEM技术的操作(包括请求概率)基于局部感测的情况而改变。例如，在下面本公开的一些实施例中，可以通过使用恒温控制负载(TCL)的局部温度驱动其请求的随机化，来管理TCL。在其他示例中，压力可用于压缩机操作，充电的电压和状态可用于电池存储系统等。应当注意，针对TCL的示例性实施例被提供以用于说明本公开，并且在没有明确限制的情况下，本公开的范围不限于TCL。
在一些实施例中，本公开可以实现为节点10，用于在通信时期向协调器90请求电力。节点10包括协调器接口12，其用于与协调器90通信。协调器接口12可以被配置用于无线通信、有线通信、或者无线和有线的组合。例如，在一些实施例中，协调器接口被配置用于与协调器进行电力线通信——即，使用通过电力线发送/接收的通信协议。通信时期是节点产生的请求之间的时间长度。在一些实施例中，通信时期是固定的和预定的。在其他实施例中，通信时期可以改变。例如，在一些实施例中，通信时期是从协调器发送到一个或更多个节点的。在这样的实施例中，节点10可以被配置成从协调器接收通信时期参数，以确定由节点产生的请求之间的时间长度。
在一些实施例中，节点10是与对应的DER处于同一地点的物理设备。例如，节点可以是靠近热水器(或者结合到热水加热器中——例如，其构成热水器的一部分)的设备。在其他实施例中，节点以软件(“软件代理”)的方式来实现。例如，节点可以在云中实现，并且远程管理DER。
节点10具有状态寄存器14，其用于记录节点(i)的状态。例如，节点可以处于第一状态(其具有第一请求概率(P1))或者处于第二状态(其具有请求概率(P2))。节点可以具有更多的状态，例如，具有第三请求概率(P3)的第三状态(或者多于三个的状态)。节点10也具有节点条件(T)。节点条件可以是例如温度、压力、转速、充电状态、基于时间的截止日期、或任何其他条件。节点可以有多于一个的条件，例如温度和充电状态。该节点可以包括一个或更多个传感器16，以测量相对应的节点条件。例如，该节点可以包括用于测量温度的温度传感器——例如，热水器节点可以包括用于测量在水箱中存储的热水温度的传感器。
节点10被配置成从节点寄存器14中检索节点状态。例如，在一些实施例中，节点可以包括处理器，并且节点寄存器可以在计算机存储器中实现。在这样的实施例中，处理器可以被编程为从节点寄存器中检索节点状态。如下文进一步讨论的，确定关于该时期的请求概率Pi(T)。请求概率可以是例如将要在通信时期发送请求的概率。在更具体的示例中，请求概率是对将被发送到协调器的能量分组的请求(充电请求)的充电请求概率。请求概率对应于检索到的节点状态和节点条件(下面进一步描述)。
在一些实施例中，当条件T达到下限阈值T下限时，请求概率接近1，而当T接近上限阈值T上限时，请求概率接近0。该节点可以被配置为当T到达T下限时选择退出请求能量分组。在其他实施例中，当T到达T上限时，请求概率接近1，而当T接近T下限时，请求概率接近0。该节点可以被配置为当T到达T上限时选择退出请求能量分组。
节点10还可以被配置成接收对请求的响应。例如，在一些实施例中，节点从协调器接收对能量分组的请求的批准。然后，节点可以基于响应来改变记录在状态寄存器中的节点状态。例如，根据批准的请求，节点状态可以从第一状态改变到第二状态。在另一个示例中，节点状态可以从第二状态改变到第一状态。对于具有多于两种的状态的节点，存在其他情况，并且根据本公开将是明显的。节点10还可以被配置成基于接收到的响应来接入电力。例如，在请求的能量分组得到批准时，节点可以接入电力持续分组持续时间(预定的时间长度)。
在另一个实施例中，本公开可以体现为用于在通信时期请求电力的方法100。方法100包括将节点状态确定103为具有第一请求概率的第一状态，或者具有第二请求概率的第二状态。确定106关于该时期的充电请求概率。所确定的106充电请求概率对应于检索103到的节点状态和节点条件(如上所述和下文进一步描述)。基于所确定106的充电请求概率发送109充电请求。
在一些实施例中，方法100可以在作为DESS的节点上执行。这样，方法100可以将充电状态用作节点条件。方法100还可以包括将放电节点状态确定112为具有第一放电概率的第一放电状态，或者具有第二放电概率的第二放电状态。对应于检索112到的放电节点状态和节点条件，确定115关于该时期的放电请求概率。基于放电请求概率，发送118放电请求。在一些实施例中，当充电状态降低到充电阈值C阈值时，充电请求概率接近1，并且当充电状态增加到放电阈值D阈值时，放电请求概率接近1，其中C阈值<D阈值。在一些实施例中，如果请求概率和放电请求概率将另外导致充电请求和放电请求都被发送，则不发送充电请求或放电请求。
1)传统的TCL控制
绝大多数现有的传统TCL以二进制(开/关)方式运行，并且已经根据简单的状态机(例如，基于温度阈值改变状态的恒温器)控制。局部地，第n个TCL被控制以将期望的条件(即，温度)设定点保持在温度死区内。这根据局部离散时间控制逻辑产生标准TCL滞后温度响应：
在上述完全分散控制逻辑下的总响应在本文中被称为“无控制”情况。所提出的PEM方案只需要用与协调器交互的更复杂的状态机来替换现有状态机(即，相当于固件升级)。
2)PEM对TCL的适应性
图2(右)示出了在PEM下用于加热目的的TCL自动机(例如，电炉或热水器)。当TCL的局部温度T在PEM操作的温度上限和下限之间时，TCL的请求时间可以根据例如指数分布来驱动，该指数分布的平均值与相对于上限的T成反比。也就是说，温度非常接近下限的TCL将几乎确定地(即，Pi(T→T低)≈1)发出请求，而温度接近上限的TCL将以低概率(即Pi(T→T高)≈0)发出请求。在发送请求时，如果电网中有容量，则TCL将被授权持续固定的控制时段长度δt(即，对于t∈(t0，t0+δi)，zn(t)＝1)接通，并且发生状态转换：Pi(T)→Pi-1(T)。如果请求被拒绝，则TCL有限状态机转换到平均请求时间较低的状态；Pi(T)→Pi+1(T)，但将立即继续请求温度相关概率。如果访问被反复拒绝，T到达T下限，这导致TCL退出(即，选择退出)PEM方案，以保证温度界限得到满足。图2(左)示出了分组化的热水器的示例性开/关循环。注意，如果节点是冷却节点(即，管理冷却DER(诸如，例如冷冻机等)的节点)，图中描绘的说明性循环将反转。
除了TCL接收对请求的“允许/拒绝”响应之外，TCL还可以接收更新的(全局的)控制时期长度δt，从而能够在总体上更紧密地跟踪，这在斜坡事件期间是有帮助的。当TCL接通时，其不发出请求。此外，δt≥△t。
由于所有TCL都以这种方式运行，授予或拒绝授权接通的DER协调器不需要对特定TCL的任何知识/跟踪。
此外，协调器甚至不跟踪哪个TCL正在发出特定的请求。由于每个TCL运行相同的自动机逻辑，并且其接通能力仅取决于实时系统容量，所以协调器将对在相同时间点发出请求的任何TCL进行相同的处理。因此，PEM方法固有地维护隐私，同时仍然对其消费者公平。PEM方法和由此产生的系统与正在被协调的TCL的类型或混合无关。也就是说，电热水器和空调可以在相同系统中管理。当设备情况脱离死区时，通过设备能够暂时“选择退出”PEM，从而保证为消费者提供的服务质量。
3)PEM的随机请求率
在PEM的离散时间实施方式中，自动机状态i中的具有局部温度Tn[k]的TCL n在时间步长k(时间间隔为△t)期间请求接入电网的概率是根据累积指数分布函数定义的：
其中，速率参数取决于局部温度和概率自动机的机器状态i。这种相关性是通过考虑以下边界条件建立的：
1.Pi(TCL n在k时请求接入)
2.Pi(TCL n在k时请求接入)
这导致PEM速率参数的以下自然设计：
其中Mi>0[1/秒]是一个设计参数，它取决于TCL的自动机状态i并描述平均请求时间。注意，(2)是说明性的，也可以使用其他函数(例如，线性的)。
如果的对称定义：和则的TCL n的平均请求时间精确地由1/Mi(单位为秒)来描述，这是有限状态机设计的一个有用参数。图4说明了三态自动机的TCL随机请求率，其中P1(Tn[k])>P2(Tn[k])>P3(Tn[k])分别由蓝色、红色和绿色粗线定义。此外，概率PiTn[k]相对于Tn[k]是可微的。
4)保证PEM下的最低服务质量
由于PEM下TCL的随机性质，扰动(例如热水抽取率大)完全有可能使Tn[k]低于因此，为了最大化对消费者的服务质量(即，避免冷水淋浴)，在本公开的一些实施例中，PEM下的TCL可以暂时退出(即，选择退出)PEM，并在传统的TCL控制下操作(例如，接通和保持接通)。这在图2(左侧)的事件tc和图2(右侧)的开/关自动机状态中进行了说明。也就是说，一旦PEM下的TCL超过温度界限，当PEM控制逻辑恢复时(即，TCL选择回到PEM)，传统的控制逻辑暂时用于使局部温度在PEM“恢复界限”内恢复界限有助于避免在最小/最大界限处过度退出/重新进入循环。虽然冷水淋浴是不可取的，但是过热的热水器对消费者来说可能是危险的，并且会损坏热水器。因此，PEM下的TCL可以被配置为如果则决不致动。
B.协调TCL与PEM：虚拟发电厂(VPP)
如图3的示例性实施例所示，消费者拥有的网关(例如，家庭Wi-Fi)可以实现分组化的负载和基于云的DER协调器(虚拟发电厂(VPP))之间的双向通信。VPP接收来自上游电网运营商的平衡命令，并协调灵活的能量资源以跟踪平衡命令。在所提出的PEM方案中，VPP根据在实际总输出y(t)和参考信号r(t):e(t):＝r(t)-y(t)之间的实时输出误差，通过用“是”或“否”通知以响应下游负载访问请求(即，ping)来跟踪平衡信号。这在图5中示出。如果e(t)>0，则“是”；否则为“否”。因此，VPP通过以下输入和输出来总结：
输入：平衡参考信号；
输出：是/否访问通知；控制时期长度。
C.为PEM提供电网级服务
传输(例如，ISO新英格兰)或分配公用事业系统运营商(例如，图3中的DSO控制室)能够测量或估计电网的状态，诸如电压、频率、和功率流。在可再生能源渗透率较高的情况下，电网运营商将发现平衡需求和供应变得越来越困难，且因此，寻求利用客户家中和工业/商业设施中灵活的分组化的DER。这是通过以接近实时的方式向电网中的VPP发送单独的平衡请求(类似于今天每4-5秒发送一次的自动发电机控制信号)来实现的。因此，电网运营商通过以下输入和输出总结：
输入：电网状态和净负载预测；
输出：平衡请求信号；
总之，通过经由从电网运营商接收电网或基于市场的平衡信号的VPP来管理对分组化的负载的匿名的、公平、和异步ping，PEM代表了一种已经在本文中适用于TCL的自下而上的分布式控制方案。
对双向资源的控制
在本公开的另一方面，使用两个不同的概率自动机来实现对DESS的双向控制。像DESS这样的双向资源提高了(通过放电)使VPP下降的能力。TCL的可控程度不同，因为它们只能被控制下降(即，通过拒绝)：
·VPP拒绝TCL分组请求→不上升，但不能在没有响应延迟的情况下控制下降速率。
·VPP接受TCL分组请求→上升，并且可以通过对每个请求说“是”来控制上升速率(假设有足够的请求进入)，从而控制上升速率和接受速率。
·VPP接受DESS放电请求→下降，并可以控制斜坡下降的速率和接受放电请求的速率
·VPP接受DESS充电请求→上升，并可以控制上升速率和接受充电请求的速率。
因此，能量存储提高了VPP的下降能力。因此，PEM实际上随着更多的异质负载而改进——在多种负载下蓬勃发展。在下面的示例性实施例中，考虑了蓄电池存储，然而，本公开的范围不限于蓄电池存储。本公开的实施例可以使用其他存储类型，诸如，例如机械存储(如，气动和液压泵存储)、电化学存储过程(例如，电解/燃料电池操作)等、以及不同存储类型的组合。类似地，贯穿本公开使用的语言仅出于方便的目的而使用电池存储系统的术语(例如，“充电状态”)，并且本公开不应该局限于仅使用电池存储系统的实施例。
第一自动机确定DESS向电网请求能量分组(即，“充电”)的概率——类似于上面公开的PEM方法。第二自动机确定DESS请求向电网提供能量分组(即，“放电”)的概率。概率根据DESS的充电状态(SOC)决定。为了确保保持最小SOC，可以设置充电阈值(C阈值)，低于该阈值时，第一自动机总是请求能量分组(即，概率被设置为“1”)。同样，为了允许多余的DESS能量被卖回电网，可能有放电阈值(D阈值)，高于这个阈值，第二自动机的概率被设置为“1”。在两个阈值之间，DESS可以在每个时期请求充电、放电、或待机(即，没有请求)。第一自动机和第二自动机独立运行，因此如果在同一时期同时需要充电请求和放电请求，则DESS将待机(即，两个请求都不发送)。
在一些实施例中，节点10是DESS(例如，管理DESS)，并且节点条件(T)可以是DESS的充电状态。请求概率是充电请求概率(即，节点将在通信时期请求充电的概率)。节点10还可以被配置为确定关于该时期的放电请求概率。当节点条件(充电状态)增加到放电阈值(D阈值)时，放电请求概率可以接近1。当节点条件降低到充电阈值(C阈值)时，充电请求概率可以接近1。充电阈值小于放电阈值(C阈值<D阈值)。节点10还可以被配置为基于充电请求概率和充电状态条件(节点条件)来创建充电请求。节点10还可以被配置为基于放电请求概率和充电状态条件来创建放电请求。在一些实施例中，当充电请求概率和放电请求概率使得充电请求和放电请求都将被发送时，节点可以被配置为既不发送充电请求也不发送放电请求。换句话说，该节点被配置成使得如果充电请求概率和放电请求概率以其他方式导致两者都将被创建，则既不创建充电请求也不创建放电请求。
在一些实施例中，节点10是DESS(例如，管理DESS)，并且节点条件是DESS的充电状态。该节点可以被配置为确定关于该时期的充电请求概率，其中当充电状态降低到充电阈值C阈值时，充电请求概率接近1，并且当充电状态增加到放电阈值D阈值时，放电请求概率接近1，其中，C阈值<D阈值。节点还可以被配置为基于充电状态条件以所确定的概率(充电请求概率)来创建充电请求，并且基于充电状态条件以不同的所确定的概率(放电请求概率)来创建放电请求。如果充电和放电自动机要么都创建请求，要么都不创建请求，则没有请求被转发给协调器。如果只有其中一个自动机创建请求，那么该请求(充电或放电)将被转发给协调器。
为了说明双向实施例，对1000个DESS在六天的模拟时间框架内进行模拟。在六天的过程中，系统看到了图8中所示的‘外部’可变负载。请注意，负载在其峰值处超过1.0，这表明需要来自DESS的能量来满足负载。第1、2、5和6天的负载曲线基于住宅数据。第3天和第4天的负载曲线被人为设置为低，以说明如何可以使用过量的电源来使DESS达到满SOC。假设基本外部电源恒定在1.0负载的60％(见图9)。
1000个DESS代理与被配置以确保至少保持0.4个SOC(见图10)的控制自动机一起使用。这是终端用户定义的、与他们期望的服务质量相关的参数。请注意，该阈值可以任意设置，且不需要在所有代理之间都相同。在模拟开始时，1000个DESS的SOC被随机分配(0至1)。
在每个时期，DESS代理充电(深灰色)、放电(中灰色)或保持(浅灰色)如图12中所示。买入/卖出/持有的总数如图13中所示，且它们的总和等于代理商的数量(1000)。
图9中的变化线显示了每个时期从DESS到系统的净供电。这与外部负载并不完全匹配，因为在低SOC下对DESS(即代理)充电时会有额外的负载。
负载中更多的动态性(图8)导致DESS代理的SOC中更多的动态性和差异(图10和11)。
自动机的运行如图6和图7中所示。如果代理的SOC低于最小值(C阈值；在本示例中是0.4)，则代理将以请求概率1来充电，而不会请求放电。如果代理的SOC高于0.4最小值，则它将请求概率1来充电——SOC和以SOC的概率(独立地)放电。如果两个动作都为“真”，则代理将“保持”(即，待机——不发出请求)。在本示例中，放电阈值设置为SOC＝1.0，有效禁用了该功能。
示例性案例研究：VPP在同构和异构负载下运行。
这个示例展示了在PEM下，单独的VPP是如何运行多样化的异构DER群体的。具体而言，以下案例研究说明了1500个异构的分组化的TCL(1000)、PEV(250)、和ESS(250)设备如何在单个VPP下进行协调，并同时跟踪基准信号(总体)和满足(本地)QoS约束。
每种负载类型的不可控背景需求描述了对局部动态状态的随机扰动。
·TCL：对于1000个家用电热水器来说，不可控的需求代表了家庭中热水的使用，诸如淋浴和运行洗衣机或洗碗机。对于这个数值示例，模型是基于文献中发现的电热水器能量使用模式的统计数据开发的。
·PEV：在250个插入式电动汽车电池的案例的背景需求代表了电池放电的驱动模式。PEV出行模式是从新英格兰的出行调查数据中随机抽取的，它提供了居民到达和离开时间的以及行驶里程的随机模型。从假设的150英里的电驱动范围和6.7英里/千瓦时的电驱动效率来看，在到家(充电)时计算SOC的总量降低。
·ESS：250节家用电池基于代表大型电池制造商的典型的大电池制造商住宅储能单元的规格，每节电池容量为13.5千瓦时，充电和放电效率约为95％(往返为92％)，且最大(连续)额定功率为5.0千瓦时。假设电池所有者基于高斯随机游走随机充电或放电，在任一方向上的最小功耗为1.5千瓦。这可能代表住宅太阳能PV生产过剩或不足，或代表短期孤岛状况。
然后将N＝1500个不同的DER设备分组，并且在8小时内(16：00到24：00)，VPP将与负载交互，且从18：40到24：00，VPP跟踪代表来自ISO的平衡信号的均值回复随机信号。如前所述，通过基于基准和聚合VPP功率输出之间的实时误差，拒绝或接受分组请求来实现跟踪。对于δ＝5分钟的分组时段，跟踪误差小于5％。图14示出了VPP的跟踪性能，并且QOS要求也得到满足。
考虑两个VPP：一个包括1000个TCL、250个PEV、和250个ESS电池(即，不同的VPP)，而另一个包含1500个TCL(即，仅有TCL的VPP)。图15示出了这两个VPP如何跟踪包括阶跃、周期、和斜坡变化的信号。很明显，不同的VPP比仅有TCL的VPP表现更好。事实上，不同的VPP的均方根跟踪误差比仅有TCL的VPP小四倍(54kW对比220kW)。此外，请注意，这种性能提升不会牺牲QoS，因为两个VPP中的TCL与温度设定点的平均绝对偏差几乎相同：2.4℃对比2.5℃(具有相似的标准偏差)。为了进一步说明不同资源组的值，图16A和图16B提供了相应的VPP中每个设备的开/关状态。对VPP的仔细比较表明，由于许多TCL选择退出(即转换到退出(exit-on))，如图16A和图16B中用于仅有TCL的VPP的非常长的连续接通周期所指示，仅有TCL的VPP无法跟踪基准信号的较低部分。也就是说，分布式能量资源的多样性不仅提高了跟踪能力，还提高了交付给最终消费者的服务质量。
尽管已经针对一个或更多个特定实施例描述了本公开，但是应当理解，在不脱离本公开的精神和范围的情况下，可以做出本公开的其他实施例。因此，本公开被认为仅受所附权利要求及其合理解释的限制。

Claims (37)

1.一种用于在通信时期期间向协调器请求电力的节点，包括：
协调器接口，所述协调器接口用于与所述协调器通信；
状态寄存器，所述状态寄存器用于记录节点状态；以及
其中，所述节点配置成：
从所述状态寄存器中检索节点状态；
确定关于所述时期的请求概率Pi(T)，其中，所述请求概率对应于所检索到的节点状态i和节点条件T；以及
根据所述请求概率向所述协调器请求能量分组。
2.根据权利要求1所述的节点，其中，所述节点条件T是在温度、压力、转速、充电状态、和基于时间的截止时间中的一个或更多个。
3.根据权利要求2所述的节点，其中，当所述条件T达到下限阈值T下限时，所述请求概率接近1，并且当所述条件T接近上限阈值T上限时，所述请求概率接近0。
4.根据权利要求3所述的节点，其中，所述节点被配置为当所述条件T达到所述下限阈值T下限时，选择退出请求能量分组。
5.根据权利要求2所述的节点，其中，当所述条件T达到上限阈值T上限时，所述请求概率接近1，并且当所述条件T接近下限阈值T下限时，所述请求概率接近0。
6.根据权利要求5所述的节点，其中，所述节点被配置为当所述条件T达到所述上限阈值T上限时，选择退出请求能量分组。
7.根据权利要求1所述的节点，其中，第一节点状态对应于第一状态请求概率P1，并且第二节点状态对应于第二状态请求概率P2，并且其中P1大于P2。
8.根据权利要求7所述的节点，其中，所述节点具有三个或更多个节点状态。
9.根据权利要求1所述的节点，其中，所述节点还被配置为：
接收对所述请求的响应；和
基于所接收的响应，改变在所述状态寄存器中记录的所述节点状态。
10.根据权利要求9所述的节点，其中，所述节点被配置为基于所接收的响应来接入电力。
11.根据权利要求1所述的节点，其中，所述节点被配置为从所述协调器接收通信时期参数，以确定请求之间的时间长度。
12.根据权利要求1所述的节点，其中，所述节点是分布式储能系统(DESS)，所述节点条件T是所述DESS的充电状态，并且所述请求概率是充电请求概率，并且其中，所述节点还被配置为：
确定关于所述时期的放电请求概率，其中，当所述充电状态降低到充电阈值C阈值时，所述充电请求概率接近1，并且当所述充电状态增加到放电阈值D阈值时，所述放电请求概率接近1，其中，C阈值<D阈值；以及
基于所述充电请求概率和所述充电状态条件，创建充电请求，并基于所述放电请求概率和所述充电状态条件，创建放电请求，其中，如果所述充电请求概率和所述放电请求概率将以其他方式导致两者都被创建，则既不创建充电请求也不创建放电请求。
13.根据权利要求1所述的节点，其中，所述节点是与分布式能量资源(DER)位于同一地点的物理设备。
14.根据权利要求1所述的节点，其中，所述节点是远程管理DER的软件代理。
15.根据权利要求1所述的节点，其中，所述协调器接口与所述协调器无线通信。
16.根据权利要求1所述的节点，其中，所述协调器接口与所述协调器有线通信。
17.根据权利要求16所述的节点，其中，所述协调器接口使用电力线通信(PLC)与所述协调器通信。
18.一种用于提供电力的系统，包括：
协调器，所述协调器与电源通信，所述协调器被配置成从所述电源提供电力，作为多个离散的能量分组，每个能量分组具有有限的持续时间；和
一个或更多个节点，所述一个或更多个节点与所述协调器通信，每个节点被配置为基于单独确定的概率而在时间间隔期间请求能量分组；
其中，所述协调器被配置成：
从所述一个或更多个节点接收请求；
基于所述电力的可用性，确定是许可还是拒绝每个请求；以及
根据相对应的请求确定，向每个节点提供能量分组；并且
其中，每个节点被配置成在所述时间间隔期间根据请求概率Pi(T)来请求能量分组，其中，所述请求概率对应于节点状态和节点条件。
19.根据权利要求18所述的系统，其中，所述协调器还基于一个或更多个市场条件来确定是许可还是拒绝每个请求。
20.根据权利要求18所述的系统，其中，所述一个或更多个节点中的至少一个节点本质上是恒温的，并且其中，所述至少一个节点的节点条件是温度T，并且当T达到下限阈值T下限时，所述请求概率接近1，并且当T接近上限阈值T上限时，所述请求概率接近0。
21.根据权利要求18所述的系统，其中，所述一个或更多个节点中的至少一个节点本质上是恒温的，并且其中，所述至少一个节点的节点条件是温度T，并且当T达到上限阈值T上限时，所述请求概率接近1，并且当T接近下限阈值T下限时，所述请求概率接近0。
22.根据权利要求18所述的系统，其中，所述一个或更多个节点中的至少一个节点具有第一状态和第二状态，所述第一状态具有第一状态请求概率P1，并且所述第二状态具有第二状态请求概率P2，其中P1>P2。
23.根据权利要求22所述的系统，其中，所述至少一个节点处于所述第一状态，并且被配置为基于被许可的请求而从所述第一状态改变到所述第二状态。
24.根据权利要求22所述的系统，其中，所述至少一个节点处于所述第一状态，并且被配置为基于许可的请求而保持处于所述第一状态。
25.根据权利要求22所述的系统，其中，所述至少一个节点处于所述第二状态，并且被配置为基于被拒绝的请求而保持处于所述第二状态。
26.根据权利要求22所述的系统，其中，所述至少一个节点处于所述第一状态，并且被配置为基于被拒绝的请求而从所述第一状态改变到所述第二状态。
27.根据权利要求22所述的系统，其中，所述一个或更多个节点中的所述至少一个节点还包括第三状态，所述第三状态具有比所述第二请求概率P2低的第三请求概率P3。
28.根据权利要求27所述的系统，其中，所述一个或更多个节点中的所述至少一个节点包括多于三个的状态。
29.根据权利要求18所述的系统，其中：
所述一个或更多个节点中的至少一个节点是分布式储能系统(DESS)，并且所述DESS的节点条件是所述DESS的充电状态，并且其中所述DESS还被配置为：
确定关于所述时期的充电请求概率，其中，当所述充电状态降低到充电阈值C阈值时，所述充电请求概率接近1，并且当所述充电状态增加到放电阈值D阈值时，所述放电请求概率接近1；
基于充电状态条件，创建具有所确定的概率的充电请求，并且基于充电状态条件，创建具有不同的所确定的概率的放电请求，其中，当充电和放电自动机都创建请求或者都不创建请求时，不创建充电请求，并且其中，当只有自动机之中的一个自动机创建请求时，将所述充电请求转发给所述协调器；和
其中，所述协调器还被配置成根据放电类型的相对应的单一请求从所述DESS接收能量分组。
30.根据权利要求18所述的系统，其中，所述协调器从电网运营商接收指示所述电力的可用性的可用性信号。
31.根据权利要求18所述的系统，其中，所述协调器从电网运营商接收指示一个或更多个市场条件的可用性信号。
32.根据权利要求18所述的系统，其中，所述协调器通过对所述电网的状态建模来确定电力的预测可用性。
33.一种用于在通信时期期间请求电力的方法，包括：
将节点状态确定为具有第一请求概率的第一状态，或者具有第二请求概率的第二状态；
确定关于所述时期的充电请求概率，其中，所述充电请求概率对应于所检索到的节点状态和节点条件；和
基于所述充电请求概率，发送充电请求。
34.根据权利要求33所述的方法，其中，所述节点条件是在温度、压力、转速、充电状态、和基于时间的截止时间中的一个或更多个。
35.根据权利要求33所述的方法，其中，所述节点状态是充电状态，还包括：
将放电节点状态确定为具有第一放电概率的第一放电状态，或者具有第二放电概率的第二放电状态；
确定关于所述时期的放电请求概率，其中，所述放电请求概率对应于检索到的放电节点状态和所述节点条件；以及
基于所述放电请求概率，发送放电请求。
36.根据权利要求35所述的方法，其中，当所述充电状态降低到充电阈值C阈值时，所述充电请求概率接近1，并且当所述充电状态增加到放电阈值D阈值时，所述放电请求概率接近1，其中，C阈值<D阈值。
37.根据权利要求36所述的方法，其中，如果所述请求概率和放电请求概率将以其他方式导致充电请求和放电请求都被发送，则不发送充电请求或放电请求。
CN201780058348.8A 2016-09-21 2017-09-21 条件控制负载和双向分布式储能系统的随机的基于分组的功率管理系统和方法 Active CN109844654B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US201662397393P 2016-09-21 2016-09-21
US62/397,393 2016-09-21
PCT/US2017/052828 WO2018057818A1 (en) 2016-09-21 2017-09-21 Systems and methods for randomized, packet-based power management of conditionally-controlled loads and bi-directional distributed energy storage systems

Publications (2)

Publication Number Publication Date
CN109844654A true CN109844654A (zh) 2019-06-04
CN109844654B CN109844654B (zh) 2023-04-28

Family

ID=61620455

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780058348.8A Active CN109844654B (zh) 2016-09-21 2017-09-21 条件控制负载和双向分布式储能系统的随机的基于分组的功率管理系统和方法

Country Status (8)

Country Link
US (2) US11210747B2 (zh)
EP (1) EP3510451A4 (zh)
JP (1) JP7153936B2 (zh)
CN (1) CN109844654B (zh)
AU (1) AU2017330374C1 (zh)
CA (1) CA3037927A1 (zh)
MX (1) MX2019003210A (zh)
WO (1) WO2018057818A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11150618B2 (en) 2016-09-21 2021-10-19 University Of Vermont And State Agricultural College Packetized energy management control systems and methods of using the same
US11223206B2 (en) 2017-12-01 2022-01-11 Massachusetts Institute Of Technology Methods and systems for secure scheduling and dispatching synthetic regulation reserve from distributed energy resources
EP3751536B1 (en) * 2019-06-12 2024-03-27 Volkswagen AG Method for determining a high-density platooning driving maneuver, apparatus, vehicle and computer program
CN110416998B (zh) * 2019-07-01 2021-01-08 华北电力大学 一种基于虚拟发电厂的地区复杂配网调度控制管理系统
JP7184716B2 (ja) * 2019-08-30 2022-12-06 株式会社日立製作所 分散リソースの調整力管理装置および調整力管理方法
US11990750B2 (en) 2021-07-08 2024-05-21 University Of Vermont And State Agricultural College Decentralized frequency control with packet-based energy management
WO2023192777A1 (en) * 2022-03-28 2023-10-05 Qualcomm Incorporated Charging probability sharing and charging user equipment (ue) behavior
WO2023225040A1 (en) * 2022-05-18 2023-11-23 The Research Foundation For The State University Of New York Resilient distributed microgrid control

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1444789A (zh) * 2000-07-28 2003-09-24 金属能源公司 电力管理系统与方法
CN102170134A (zh) * 2011-05-05 2011-08-31 许继集团有限公司 微电网并网到离网控制方法及无缝切换方法
US20120074909A1 (en) * 2010-09-28 2012-03-29 Kabushiki Kaisha Toshiba Storage battery management system
CN103959322A (zh) * 2011-12-09 2014-07-30 株式会社日立制作所 基于不同主体间协作的资源融通方式
US20150077056A1 (en) * 2006-08-10 2015-03-19 Gridpoint, Inc. Power aggregation system for distributed electric resources
US20150380936A1 (en) * 2013-03-04 2015-12-31 University Of Vermont And State Agricultural College Systems and methods for random-access power management using packetization
WO2016077813A1 (en) * 2014-11-16 2016-05-19 Marvin Motsenbocker Dc power grid and equipment

Family Cites Families (40)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5577028A (en) 1990-08-31 1996-11-19 Fujitsu Limited Routing system using a neural network
KR20030051705A (ko) * 2000-10-10 2003-06-25 아메리칸 일렉트릭 파워 컴퍼니, 인코퍼레이티드 전력 출력 균등화 시스템 및 패킷 전력 저장 장치
US7373222B1 (en) 2003-09-29 2008-05-13 Rockwell Automation Technologies, Inc. Decentralized energy demand management
US8626946B2 (en) 2006-08-03 2014-01-07 Citrix Systems, Inc. Systems and methods for hierarchical global load balancing
MX2009006239A (es) * 2006-12-11 2010-02-11 V2Green Inc Localizador de conexion en un sistema de agregacion de potencia para recursos electricos distribuidos.
WO2009076626A2 (en) 2007-12-12 2009-06-18 Enernoc, Inc. Presence-based real time communication for distributed energy management network
CA2647578A1 (en) 2007-12-20 2009-06-20 Tollgrade Communications, Inc. Power distribution monitoring system and method
US8286006B2 (en) 2008-01-29 2012-10-09 At&T Intellectual Property I, Lp Packetized power
US8068937B2 (en) * 2008-02-09 2011-11-29 Stephen Spencer Eaves Power distribution system with fault protection using energy packet confirmation
EP2292051B1 (en) * 2008-06-23 2011-12-28 Greenpeak Technologies N.V. End node and network coordinator using a csma based protocol
US8058609B2 (en) 2008-09-30 2011-11-15 The Invention Science Fund I, Llc Beam power with multipoint broadcast
JP5379529B2 (ja) 2009-03-25 2013-12-25 アズビル株式会社 無線通信システムおよび親ノード探索方法
US20110047552A1 (en) 2009-05-11 2011-02-24 Raytheon Bbn Technologies Corp. Energy-aware process environment scheduler
US8044539B2 (en) 2009-09-14 2011-10-25 Yang Pan Intelligent solar energy collection system
JP5628820B2 (ja) 2009-10-05 2014-11-19 日本碍子株式会社 制御装置、制御装置網及び制御方法
US20110093127A1 (en) * 2009-10-16 2011-04-21 David L. Kaplan Distributed energy resources manager
US8401709B2 (en) * 2009-11-03 2013-03-19 Spirae, Inc. Dynamic distributed power grid control system
JP2011135748A (ja) 2009-12-25 2011-07-07 Sony Corp 電力供給装置、電力受電装置及び電力供給方法
WO2011136508A2 (en) 2010-04-27 2011-11-03 Ajou University Industry-Academic Cooperation Foundation Random access method and apparatus in wireless communication system
AU2011279543B2 (en) 2010-07-16 2014-04-03 Atb Automatisierungstecnik Gmbh & Co Kg Method for planning and/or controlling an energy output to a consumer and/or an energy supply to an energy distribution network
EP2427022B1 (en) * 2010-09-06 2016-11-09 ABB Research Ltd. Method for reassigning the role of a wireless node in a wireless network
US20120179596A1 (en) 2011-01-11 2012-07-12 Kenji Mitsumoto Power reserve margin trading system and power reserve margin trading method
US9063525B2 (en) * 2011-01-28 2015-06-23 Sunverge Energy, Inc. Distributed energy services management system
US8957634B2 (en) 2011-03-15 2015-02-17 Siemens Aktiengesellschaft Network as automation platform for collaborative E-car charging at the residential premises
US9718371B2 (en) 2011-06-30 2017-08-01 International Business Machines Corporation Recharging of battery electric vehicles on a smart electrical grid system
KR101420583B1 (ko) 2011-07-13 2014-07-16 닛토덴코 가부시키가이샤 온디맨드형 전력 제어 시스템, 온디맨드형 전력 제어 시스템 프로그램 및 그 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체
US8751036B2 (en) * 2011-09-28 2014-06-10 Causam Energy, Inc. Systems and methods for microgrid power generation management with selective disconnect
JP6128856B2 (ja) * 2012-01-17 2017-05-17 学校法人慶應義塾 電力ネットワークシステム
JP5880147B2 (ja) 2012-03-06 2016-03-08 ソニー株式会社 配電異常検出装置、送受電制御装置及び電力供給制御装置
US8849715B2 (en) 2012-10-24 2014-09-30 Causam Energy, Inc. System, method, and apparatus for settlement for participation in an electric power grid
US9056552B2 (en) 2012-10-31 2015-06-16 GM Global Technology Operations LLC Method and system for charging a plug-in electric vehicle
US9778629B2 (en) 2012-11-28 2017-10-03 Clemson University Situational awareness / situational intelligence system and method for analyzing, monitoring, predicting and controlling electric power systems
CN105103398B (zh) 2013-01-30 2018-12-18 澳大利亚国家Ict有限公司 控制电网中功耗设备的操作
US9563218B2 (en) * 2013-03-15 2017-02-07 Dominion Resources, Inc. Electric power system control with measurement of energy demand and energy efficiency using t-distributions
US10169833B2 (en) 2013-05-14 2019-01-01 University Of Florida Research Foundation, Incorporated Using customer premises to provide ancillary services for a power grid
US10230240B2 (en) 2013-10-22 2019-03-12 University Of Florida Research Foundation, Incorporated Low-frequency ancillary power grid services
US9577428B2 (en) * 2013-11-19 2017-02-21 New Jersey Institute Of Technology Packeted energy delivery system and methods
US9817409B2 (en) * 2014-05-27 2017-11-14 Nishihara Energy, Inc. Method and apparatus for distributed control of thermostatic electric loads using high-granularity energy usage data
EP2978122A1 (en) * 2014-07-22 2016-01-27 ABB Technology AG Model predictive control of a modular multilevel converter
EP3320592A4 (en) 2015-07-01 2019-01-16 University of Florida Research Foundation, Inc. USE OF LOADS WITH DISCREETS FINAL POWER STATES FOR PROVIDING ADDITIONAL SERVICES FOR A CURRENT NETWORK

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1444789A (zh) * 2000-07-28 2003-09-24 金属能源公司 电力管理系统与方法
US20150077056A1 (en) * 2006-08-10 2015-03-19 Gridpoint, Inc. Power aggregation system for distributed electric resources
US20120074909A1 (en) * 2010-09-28 2012-03-29 Kabushiki Kaisha Toshiba Storage battery management system
CN102170134A (zh) * 2011-05-05 2011-08-31 许继集团有限公司 微电网并网到离网控制方法及无缝切换方法
CN103959322A (zh) * 2011-12-09 2014-07-30 株式会社日立制作所 基于不同主体间协作的资源融通方式
US20150380936A1 (en) * 2013-03-04 2015-12-31 University Of Vermont And State Agricultural College Systems and methods for random-access power management using packetization
WO2016077813A1 (en) * 2014-11-16 2016-05-19 Marvin Motsenbocker Dc power grid and equipment

Also Published As

Publication number Publication date
US11972496B2 (en) 2024-04-30
US20220237711A1 (en) 2022-07-28
CA3037927A1 (en) 2018-03-29
AU2017330374A1 (en) 2019-05-02
EP3510451A1 (en) 2019-07-17
MX2019003210A (es) 2019-09-18
CN109844654B (zh) 2023-04-28
US20180082385A1 (en) 2018-03-22
JP2019535230A (ja) 2019-12-05
US11210747B2 (en) 2021-12-28
JP7153936B2 (ja) 2022-10-17
WO2018057818A1 (en) 2018-03-29
AU2017330374B2 (en) 2022-04-21
AU2017330374C1 (en) 2022-10-27
EP3510451A4 (en) 2020-03-25

Similar Documents

Publication Publication Date Title
CN109844654A (zh) 条件控制负载和双向分布式储能系统的随机的基于分组的功率管理系统和方法
Xiao et al. Transactive energy based aggregation of prosumers as a retailer
Luo et al. Hierarchical energy management system for home microgrids
Ravichandran et al. A chance-constraints-based control strategy for microgrids with energy storage and integrated electric vehicles
KR20210042898A (ko) 분배된 에너지 저장 공급원의 로컬 멀티-애셋 가요성을 기계 학습, 최적화 및 관리하기 위한 시스템
Petrucci et al. Modelling of a multi-stage energy management control routine for energy demand forecasting, flexibility, and optimization of smart communities using a Recurrent Neural Network
Tushar et al. Distributed real-time electricity allocation mechanism for large residential microgrid
Das et al. Real-time multi-objective optimisation for electric vehicle charging management
Sadat‐Mohammadi et al. Intelligent approach for residential load scheduling
Tao et al. A data-driven management strategy of electric vehicles and thermostatically controlled loads based on modified generative adversarial network
Si et al. Deep reinforcement learning based home energy management system with devices operational dependencies
Meng et al. A bilevel optimization approach to demand response management for the smart grid
Vedullapalli et al. Optimal demand response in a building by battery and HVAC scheduling using model predictive control
Saber et al. A user-friendly transactive coordination model for residential prosumers considering voltage unbalance in distribution networks
Chatterjee et al. Multi-objective energy management of a smart home in real time environment
Shang et al. A centralized vehicle‐to‐grid scheme with distributed computing capacity engaging internet of smart charging points: case study
Hwang et al. Retail electricity pricing strategy via an artificial neural network-based demand response model of an energy storage system
Wang et al. Coordinated residential energy resource scheduling with human thermal comfort modelling and renewable uncertainties
Leopold et al. Simulation-based methodology for optimizing energy community controllers
Bolurian et al. Bi-level energy management model for the smart grid considering customer behavior in the wireless sensor network platform
Lu et al. Two-stage robust scheduling and real-time load control of community microgrid with multiple uncertainties
Zhang et al. Load Forecasting-Based Learning System for Energy Management With Battery Degradation Estimation: A Deep Reinforcement Learning Approach
Saber et al. Distributed transactive coordination of residential communities aiming at fulfilling households’ preferences
Yavuz et al. Optimization of a Cluster-Based Energy Management System using Deep Reinforcement Learning without Affecting Prosumer Comfort: V2X Technologies and Peer-to-Peer Energy Trading
Rajabi et al. Hierarchical and multi‐level demand response programme considering the flexibility of loads

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