CN110097235B - 一种联合发电的调度优化方法、装置和介质 - Google Patents

一种联合发电的调度优化方法、装置和介质 Download PDF

Info

Publication number
CN110097235B
CN110097235B CN201910398846.8A CN201910398846A CN110097235B CN 110097235 B CN110097235 B CN 110097235B CN 201910398846 A CN201910398846 A CN 201910398846A CN 110097235 B CN110097235 B CN 110097235B
Authority
CN
China
Prior art keywords
generator set
cost
representing
power generation
power
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
Application number
CN201910398846.8A
Other languages
English (en)
Other versions
CN110097235A (zh
Inventor
王彬
郭文鑫
李世明
赵瑞锋
卢建刚
李波
郑文杰
徐展强
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.)
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd
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 Guangdong Power Grid Co Ltd, Electric Power Dispatch Control Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201910398846.8A priority Critical patent/CN110097235B/zh
Publication of CN110097235A publication Critical patent/CN110097235A/zh
Application granted granted Critical
Publication of CN110097235B publication Critical patent/CN110097235B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明实施例公开了一种联合发电的调度优化方法、装置和计算机可读存储介质，获取各机组的参数信息；根据地理位置信息和区域信息，将各机组进行分组，得到多个机组群；通过分组处理，提高了计算效率、改善了优化结果。以各机组群的成本最小为优化目标，构建各机组群所对应的适应度函数和约束条件；初始化各机组群的发电功率和发热量；依据各机组群所对应的适应度函数，利用合作型协同进化算法并行对各机组群的发电功率和发热量进行迭代更新，直至满足收敛条件，则输出调度优化结果。合作型协同进化算法可以实现对多个机组群的并行处理，具有收敛速度更快，全局收敛性更强等特点，从而使各个机组群的发电、发热计划制定地更为合理。

Description

一种联合发电的调度优化方法、装置和介质
技术领域
本发明涉及经济调度优化技术领域，特别是涉及一种联合发电的调度优化方法、装置和计算机可读存储介质。
背景技术
随着化石燃料的消耗以及日趋严重的全球变暖形势，可再生能源和高效能源实用技术正引起广泛关注。为解决当前能源短缺、环境恶化问题，世界众多国家都开始调整能源布局，寻找新的能源发展方式。
在转变能源发展方式、调整能源结构上，人们开始更多的关注以风力发电和光伏发电为代表的可再生能源发电方式。这种分布式发电方式具有投资小、占地少、节能环保等优点。传统方式中没有考虑风力发电、光伏发电产生的成本，在分析计算中均将风电、光电等效成只发电却不产生成本的发电机。这种处理方式并没有考虑风电、光电的随机性、波动性对电力系统装机容量提出的额外要求，这势必会对经济调度分析结果的客观性产生影响，导致经济调度分析结果不够合理。
可见，如何提升联合发电的调度分析结果的合理性，是本领域技术人员亟待解决的问题。
发明内容
本发明实施例的目的是提供一种联合发电的调度优化方法、装置和计算机可读存储介质，可以提升联合发电的调度分析结果的合理性。
为解决上述技术问题，本发明实施例提供一种联合发电的调度优化方法，包括：
获取各机组的参数信息；
根据地理位置信息和区域信息，将各机组进行分组，得到多个机组群；
以各机组群的成本最小为优化目标，构建各机组群所对应的适应度函数和约束条件；
初始化各机组群的发电功率和发热量；
依据各机组群所对应的适应度函数，利用合作型协同进化算法并行对各机组群的发电功率和发热量进行迭代更新，直至满足收敛条件，则输出调度优化结果。
可选的，所述参数信息包括：纯发电机组参数、风力发电机组参数、光伏发电机组参数、热电联产机组参数和纯发热机组参数。
可选的，所述以各机组群的成本最小为优化目标，构建各机组群所对应的适应度函数和约束条件包括：
将各机组群所对应的发电成本函数和供热成本函数进行加权处理，得到各机组群所对应的适应度函数；
根据预先设定的参数值以及规范条件，确定各机组群所对应的约束条件。
可选的，所述发电成本函数和供热成本函数包括纯发电机组成本函数、风力发电机组成本函数、光伏发电机组成本函数、热电联产机组成本函数、纯发热机组成本函数；
相应的，所述约束条件包括纯发电机组的运行约束、风力发电机组的运行约束、光伏发电机组的运行约束、热电联产机组的运行约束、纯发热机组的运行约束。
可选的，所述依据各机组群所对应的适应度函数，利用合作型协同进化算法并行对各机组群的发电功率和发热量进行迭代更新，直至满足收敛条件，则输出调度优化结果包括：
利用合作型协同进化算法和各适应度函数，计算各机组群的发电功率和发热量的适应度；
根据各所述适应度确定合作型协同进化算法的搜索方向，更新各机组群的发电功率和发热量；
判断是否达到最大迭代次数；
若否，则返回所述根据协同进化的更新机制确定合作型协同进化算法的搜索方向，更新各机组群的发电功率和发热量的步骤；
若是，则输出包含各机组群的发电功率和发热量的调度优化结果。
本发明实施例还提供了一种联合发电的调度优化装置，包括获取单元、分组单元、构建单元、初始化单元和优化单元；
所述获取单元，用于获取各机组的参数信息；
所述分组单元，用于根据地理位置信息和区域信息，将各机组进行分组，得到多个机组群；
所述构建单元，用于以各机组群的成本最小为优化目标，构建各机组群所对应的适应度函数和约束条件；
所述初始化单元，用于初始化各机组群的发电功率和发热量；
所述优化单元，用于依据各机组群所对应的适应度函数，利用合作型协同进化算法并行对各机组群的发电功率和发热量进行迭代更新，直至满足收敛条件，则输出调度优化结果。
可选的，所述参数信息包括：纯发电机组参数、风力发电机组参数、光伏发电机组参数、热电联产机组参数和纯发热机组参数。
可选的，所述构建单元包括函数确定子单元和约束条件确定子单元；
所述函数确定子单元，用于将各机组群所对应的发电成本函数和供热成本函数进行加权处理，得到各机组群所对应的适应度函数；
所述约束条件确定子单元，用于根据预先设定的参数值以及规范条件，确定各机组群所对应的约束条件。
可选的，所述发电成本函数和供热成本函数包括纯发电机组成本函数、风力发电机组成本函数、光伏发电机组成本函数、热电联产机组成本函数、纯发热机组成本函数；
相应的，所述约束条件包括纯发电机组的运行约束、风力发电机组的运行约束、光伏发电机组的运行约束、热电联产机组的运行约束、纯发热机组的运行约束。
可选的，所述优化单元包括计算子单元、更新子单元、判断子单元和输出子单元；
所述计算子单元，用于利用合作型协同进化算法和各适应度函数，计算各机组群的发电功率和发热量的适应度；
所述更新子单元，用于根据各所述适应度确定合作型协同进化算法的搜索方向，更新各机组群的发电功率和发热量；
所述判断子单元，用于判断是否达到最大迭代次数；若否，则触发所述更新子单元；若是，则触发所述输出子单元；
所述输出子单元，用于输出包含各机组群的发电功率和发热量的调度优化结果。
本发明实施例还提供了一种联合发电的调度优化装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如上述联合发电的调度优化方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述联合发电的调度优化方法的步骤。
由上述技术方案可以看出，获取各机组的参数信息；根据地理位置信息和区域信息，将各机组进行分组，得到多个机组群；通过分组处理，解决了以单台机组为优化单位的弊端，提高了计算效率、改善了优化结果。以各机组群的成本最小为优化目标，构建各机组群所对应的适应度函数和约束条件；初始化各机组群的发电功率和发热量；依据各机组群所对应的适应度函数，利用合作型协同进化算法并行对各机组群的发电功率和发热量进行迭代更新，直至满足收敛条件，则输出调度优化结果。合作型协同进化算法可以实现对多个机组群的并行处理，具有收敛速度更快，全局收敛性更强等特点，从而使各个机组群的发电、发热计划制定地更为合理。
附图说明
为了更清楚地说明本发明实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种联合发电的调度优化方法的流程图；
图2为本发明实施例提供的一种联合发电的调度优化装置的结构示意图；
图3为本发明实施例提供的一种联合发电的调度优化装置的硬件结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部实施例。基于本发明中的实施例，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，都属于本发明保护范围。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。
接下来，详细介绍本发明实施例所提供的一种联合发电的调度优化方法。图1为本发明实施例提供的一种联合发电的调度优化方法的流程图，该方法包括：
S101：获取各机组的参数信息。
其中，参数信息包括纯发电机组参数、风力发电机组参数、光伏发电机组参数、热电联产机组参数和纯发热机组参数。
纯发电机组参数包括纯发电机组的耗量特性方程。
风力发电机组参数包括风力发电机组的额定功率、容量、形状参数、尺度参数、风速等。在具体实现中，风力发电机组的容量分别为130MW、94MW和94MW。风力发电机组形状参数k为2，尺度参数c为15。切入风速为15m/s，额定风速为5m/s，切出风速为45m/s。
光伏发电机组参数包括光伏发电机组的额定功率、光伏列阵总面积、光电转换效率、最大光照强度、形状参数、尺度参数等。在具体实现中，可以取光伏电站的光伏列阵总面积为80000m2，光电转换效率为14％，最大光照强度为700W/m2。光伏发电机组形状参数为0.95，尺度参数为0.95。
热电联产机组参数包括热电联产机组的成本系数。纯发热机组参数包括纯发热机组的成本系数。
S102：根据地理位置信息和区域信息，将各机组进行分组，得到多个机组群。
考虑到大规模电力系统的情况，将大规模发电机组和产热机组按照地理位置信息和区域信息进行分组，提高了计算效率、改善了优化结果。
S103：以各机组群的成本最小为优化目标，构建各机组群所对应的适应度函数和约束条件。
在本发明实施例中，可以将各机组群所对应的发电成本函数和供热成本函数进行加权处理，得到各机组群所对应的适应度函数；根据预先设定的参数值以及规范条件，确定各机组群所对应的约束条件。
联合发电系统的供给侧主要有燃气发电厂、风力发电场、光伏发电厂、热电联产装置和供热厂构成，它们产生的电和热分别通过线路和管道进行传输到达需求侧。相应的，发电成本函数和供热成本函数包括纯发电机组成本函数、风力发电机组成本函数、光伏发电机组成本函数、热电联产机组成本函数、纯发热机组成本函数。
初始状态下，各机组群所对应的适应度函数公式如下：
Figure BDA0002059077050000061
其中，i＝1,2,...,NP，NP表示纯发电机组的数量；j＝1,2,...,Nc，Nc表示热电联产机组的数量；k＝1,2,...,Nk，Nk表示纯发热机组的数量l＝1,2,...,Nl，Nl表示风力发电机组的数量；m＝1,2,...,Nm，Nm表示光伏发电机组的数量。Ci(Pi p)表示纯发电机组的发电成本；
Figure BDA0002059077050000071
表示热电联产机组的成本；/>
Figure BDA0002059077050000072
表示纯发热机组的成本；Cwt,l(Pl)表示风力发电机组的成本；Cpv,m(Pm)表示光伏发电机组的成本。
纯发电机组的发电成本，实际上需要在原来二次函数的基础上，再叠加一个正弦函数，这将增加非光滑和非凸的特性，公式如下：
Figure BDA0002059077050000073
其中，Pi p表示第i台纯发电机组的发电功率，ai、bi和ci分别为发电机组的成本系数，di和ei为考虑了阀点效应的成本系数，
Figure BDA0002059077050000074
表示第i台纯发电机组的发电功率的下限值。/>
热电联产机组的成本函数如下：
Figure BDA0002059077050000075
其中，
Figure BDA0002059077050000076
表示第j台热电联产机组的发电功率，/>
Figure BDA0002059077050000077
表示第j台热电联产机组的发热量，aj、bj、cj、dj、ej、fj分别为热电联产机组的成本系数。
纯发热机组的成本函数如下：
Figure BDA0002059077050000078
其中，
Figure BDA0002059077050000079
为第k台纯发热机组的供热成本，/>
Figure BDA00020590770500000710
为第k台纯发热机组的发热量，ak、bk和ck为纯发热机组的成本系数。
针对于风力发电机组，购买风力的直接成本公式如下：
Cd,wt,l(Pl)＝dwt,lPwt,l；
其中，dwt,l为第l台风力发电机组的直接成本系数，Pwt,l为第l台风力发电机组的发电功率。
对于风力发电机组，其低估的风电出力而导致的惩罚成本公式如下：
Figure BDA0002059077050000081
其中，Kue,wt,l为第l台风力发电机组的低估系数，pwt,rate,l第l台风力发电机组的额定功率，Pwt,l表示第l台风力发电机组的计划输出功率，pwt表示风力发电机组的发电功率。
对于风力发电机组，其高估的风电出力而产生的辅助服务成本公式如下：
Figure BDA0002059077050000082
其中，Koe,wt,l为风力发电机组的高估系数。
总的风力发电机组的成本函数如下：
Cwt,l(Pl)＝Cd,wt,l(Pl)+Cue,wt,l(Pl)+Coe,wt,l(Pl)。
光伏发电机组的成本函数类似于风力发电机组的成本函数，也是由三部分构成，公式如下：
Cd,pv,m(Pl)＝dpv,mPpv,m；
Figure BDA0002059077050000083
Figure BDA0002059077050000084
其中，dpv,m为光伏发电机组的直接成本系数，Kue,pv,m为光伏发电机组的低估系数，Koe,wt,m为光伏发电机组的高估系数。
总的光伏发电机组的成本函数如下：
Cpv,m(Pm)＝Cd,pv,m(Pm)+Cue,pv,m(Pm)+Coe,pv,m(Pm)。
与各函数对应的约束条件包括纯发电机组的运行约束、风力发电机组的运行约束、光伏发电机组的运行约束、热电联产机组的运行约束、纯发热机组的运行约束。
其中，纯发电机组的运行约束
Figure BDA0002059077050000091
其中，/>
Figure BDA0002059077050000092
表示第i台纯发电机组的发电功率的下限值，Pi p表示第i台纯发电机组的发电功率，/>
Figure BDA0002059077050000093
表示第i台纯发电机组的发电功率的上限值。
风力发电机组的运行约束0≤Pwt,l≤Pwt,rate。
光伏发电机组的运行约束0≤Ppv,m≤Ppv,rate。
热电联产机组的运行约束包括
Figure BDA0002059077050000094
和/>
Figure BDA0002059077050000095
其中，/>
Figure BDA0002059077050000096
表示第j台热电联产机组的发电功率的下限值，/>
Figure BDA0002059077050000097
表示第j台热电联产机组的发电功率，/>
Figure BDA0002059077050000098
表示第j台热电联产机组的发电功率的上限值，/>
Figure BDA0002059077050000099
表示第j台热电联产机组的发热量的下限值，/>
Figure BDA00020590770500000910
表示第j台热电联产机组的发热量，/>
Figure BDA00020590770500000911
表示第j台热电联产机组的发热量的上限值。
纯发热机组的运行约束
Figure BDA00020590770500000912
其中，/>
Figure BDA00020590770500000913
表示第k台纯发热机组的发热量的下限值，/>
Figure BDA00020590770500000914
表示第k台纯发热机组的发热量，/>
Figure BDA00020590770500000915
表示第k台纯发热机组的发热量的上限值。
S104：初始化各机组群的发电功率和发热量。
初始化各机组群即对适应度函数进行求解，得到的解即为各机组群的发电功率和发热量。结合上述约束条件，发电功率包括Pi p、Pwt,l、Ppv,m和
Figure BDA00020590770500000916
发热量包括/>
Figure BDA00020590770500000917
和
Figure BDA00020590770500000918
在本发明实施例中，将待求解的问题映射为相互作用的各物种组成的生态系统，以生态系统的进化来达到问题求解的目的。初始化各机组群的发电功率和发热量即随机生成各机组群的发电功率和发热量。
S105：依据各机组群所对应的适应度函数，利用合作型协同进化算法并行对各机组群的发电功率和发热量进行迭代更新，直至满足收敛条件，则输出调度优化结果。
步骤S102划分的每一个机组群代表风光热电联合调度问题的子问题，对每个机组群进行编码，在机组群内部独立进行选择、交叉、变异操作，生成新的个体。从剩余的机组群中各选出适应度最好的个体，与新生成的个体组成一组解，计算新的适应度值。其他机组群依此轮流进行上面的遗传操作。在该搜索模式下，机组群内各个体将朝最优解方向靠拢，生成新的变量，并最终收敛到最优解。
具体的，利用合作型协同进化算法和各适应度函数，计算各机组群的发电功率和发热量的适应度；根据各适应度确定合作型协同进化算法的搜索方向，从而更新各机组群的发电功率和发热量；判断是否达到最大迭代次数；每更新一次机组群的发电功率和发热量即为一次迭代，当前迭代次数未达到最大迭代次数时，则可以返回根据协同进化的更新机制确定合作型协同进化算法的搜索方向，更新各机组群的发电功率和发热量的步骤。当前迭代次数达到最大迭代次数时，则可以输出包含各机组群的发电功率和发热量的调度优化结果。
合作型协同进化算法是一种优秀的群搜索智能算法，相比于经典的遗传算法、粒子群算法等，具有收敛速度更快，全局收敛性更强等特点，从而使各个机组计划制定地更为合理。
由上述技术方案可以看出，获取各机组的参数信息；根据地理位置信息和区域信息，将各机组进行分组，得到多个机组群；通过分组处理，解决了以单台机组为优化单位的弊端，提高了计算效率、改善了优化结果。以各机组群的成本最小为优化目标，构建各机组群所对应的适应度函数和约束条件；初始化各机组群的发电功率和发热量；依据各机组群所对应的适应度函数，利用合作型协同进化算法并行对各机组群的发电功率和发热量进行迭代更新，直至满足收敛条件，则输出调度优化结果。合作型协同进化算法可以实现对多个机组群的并行处理，具有收敛速度更快，全局收敛性更强等特点，从而使各个机组群的发电、发热计划制定地更为合理。
图2为本发明实施例提供的一种联合发电的调度优化装置的结构示意图，包括获取单元21、分组单元22、构建单元23、初始化单元24和优化单元25；
获取单元21，用于获取各机组的参数信息；
分组单元22，用于根据地理位置信息和区域信息，将各机组进行分组，得到多个机组群；
构建单元23，用于以各机组群的成本最小为优化目标，构建各机组群所对应的适应度函数和约束条件；
初始化单元24，用于初始化各机组群的发电功率和发热量；
优化单元25，用于依据各机组群所对应的适应度函数，利用合作型协同进化算法并行对各机组群的发电功率和发热量进行迭代更新，直至满足收敛条件，则输出调度优化结果。
可选的，参数信息包括：纯发电机组参数、风力发电机组参数、光伏发电机组参数、热电联产机组参数和纯发热机组参数。
可选的，构建单元包括函数确定子单元和约束条件确定子单元；
函数确定子单元，用于将各机组群所对应的发电成本函数和供热成本函数进行加权处理，得到各机组群所对应的适应度函数；
约束条件确定子单元，用于根据预先设定的参数值以及规范条件，确定各机组群所对应的约束条件。
可选的，发电成本函数和供热成本函数包括纯发电机组成本函数、风力发电机组成本函数、光伏发电机组成本函数、热电联产机组成本函数、纯发热机组成本函数；
相应的，约束条件包括纯发电机组的运行约束、风力发电机组的运行约束、光伏发电机组的运行约束、热电联产机组的运行约束、纯发热机组的运行约束。
可选的，优化单元包括计算子单元、更新子单元、判断子单元和输出子单元；
计算子单元，用于利用合作型协同进化算法和各适应度函数，计算各机组群的发电功率和发热量的适应度；
更新子单元，用于根据各适应度确定合作型协同进化算法的搜索方向，更新各机组群的发电功率和发热量；
判断子单元，用于判断是否达到最大迭代次数；若否，则触发更新子单元；若是，则触发输出子单元；
输出子单元，用于输出包含各机组群的发电功率和发热量的调度优化结果。
图2所对应实施例中特征的说明可以参见图1所对应实施例的相关说明，这里不再一一赘述。
由上述技术方案可以看出，获取各机组的参数信息；根据地理位置信息和区域信息，将各机组进行分组，得到多个机组群；通过分组处理，解决了以单台机组为优化单位的弊端，提高了计算效率、改善了优化结果。以各机组群的成本最小为优化目标，构建各机组群所对应的适应度函数和约束条件；初始化各机组群的发电功率和发热量；依据各机组群所对应的适应度函数，利用合作型协同进化算法并行对各机组群的发电功率和发热量进行迭代更新，直至满足收敛条件，则输出调度优化结果。合作型协同进化算法可以实现对多个机组群的并行处理，具有收敛速度更快，全局收敛性更强等特点，从而使各个机组群的发电、发热计划制定地更为合理。
图3为本发明实施例提供的一种联合发电的调度优化装置30的硬件结构示意图，包括：
存储器31，用于存储计算机程序；
处理器32，用于执行计算机程序以实现如上述联合发电的调度优化方法的步骤。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现如上述联合发电的调度优化方法的步骤。
以上对本发明实施例所提供的一种联合发电的调度优化方法、装置和计算机可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。

Claims (10)

1.一种联合发电的调度优化方法，其特征在于，包括：
获取各机组的参数信息；
根据地理位置信息和区域信息，将各机组进行分组，得到多个机组群；
以各机组群的成本最小为优化目标，构建各机组群所对应的适应度函数和约束条件；
初始化各机组群的发电功率和发热量；
依据各机组群所对应的适应度函数，利用合作型协同进化算法并行对各机组群的发电功率和发热量进行迭代更新，直至满足收敛条件，则输出调度优化结果；
初始状态下，各机组群所对应的适应度函数公式如下：
Figure FDA0004148504740000011
其中，i＝1,2,...,NP，NP表示纯发电机组的数量；j＝1,2,...,Nc，Nc表示热电联产机组的数量；k＝1,2,...,Nk，Nk表示纯发热机组的数量；l＝1,2,...,Nl，Nl表示风力发电机组的数量；m＝1,2,...,Nm，Nm表示光伏发电机组的数量，Ctotal表示各机组群所对应的成本，Ci(Pi p)表示纯发电机组的发电成本，Pi p中的上标p表示纯发电机组；
Figure FDA0004148504740000012
表示热电联产机组的成本；/>
Figure FDA0004148504740000013
表示第j台热电联产机组的发电功率，/>
Figure FDA0004148504740000014
表示第j台热电联产机组的发热量；/>
Figure FDA0004148504740000015
和/>
Figure FDA0004148504740000016
中的上标c表示热电联产机组；/>
Figure FDA0004148504740000017
表示纯发热机组的成本；/>
Figure FDA0004148504740000018
为第k台纯发热机组的发热量；/>
Figure FDA0004148504740000019
中的上标h表示纯发热机组；Cwt,l(Pl)表示风力发电机组的成本，wt表示风力发电机组；Cpv,m(Pm)表示光伏发电机组的成本，pv表示光伏发电机组；
纯发电机组的发电成本函数如下：
Figure FDA00041485047400000110
其中，Pi p表示第i台纯发电机组的发电功率，ai、bi和ci分别为发电机组的成本系数，di和ei为阀点效应的成本系数，
Figure FDA00041485047400000111
表示第i台纯发电机组的发电功率的下限值；
纯发电机组的运行约束
Figure FDA00041485047400000112
Figure FDA00041485047400000113
表示第i台纯发电机组的发电功率的下限值，/>
Figure FDA00041485047400000114
表示第i台纯发电机组的发电功率的上限值；
风力发电机组的成本函数如下：
Cwt,l(Pl)＝Cd,wt,l(Pl)+Cue,wt,l(Pl)+Coe,wt,l(Pl)；
针对于风力发电机组，购买风力的直接成本公式如下：
Cd,wt,l(Pl)＝dwt,lPwt,l；
其中，Cd,wt,l(Pl)表示风力发电机组购买风力的直接成本，Pl表示第l台风力发电机组的发电功率，dwt,l表示第l台风力发电机组的直接成本系数，Pwt,l表示第l台风力发电机组的发电功率；
对于风力发电机组，其低估的风电出力而导致的惩罚成本公式如下：
Figure FDA0004148504740000021
其中，Cue,wt,l(Pl)表示风力发电机组低估的风电出力而导致的惩罚成本，Kue,wt,l表示第l台风力发电机组的低估系数，Pwt,rate,l表示第l台风力发电机组的额定功率，Pwt,l表示第l台风力发电机组的计划输出功率，Pwt表示风力发电机组的发电功率；
Figure FDA0004148504740000022
表示计算风电出力而导致的惩罚成本的函数，/>
Figure FDA0004148504740000023
表示在Pwt,l和Pwt,rate,l范围内风电出力而导致的惩罚成本；
风力发电机组的运行约束0≤Pwt,l≤Pwt,rate；Pwt,rate为风力发电机组的额定功率；
对于风力发电机组，其高估的风电出力而产生的辅助服务成本公式如下：
Figure FDA0004148504740000024
其中，Coe,wt,l(Pl)表示风力发电机组高估的风电出力而产生的辅助服务成本，Koe,wt,l为风力发电机组的高估系数；
Figure FDA0004148504740000025
表示计算风电出力而产生的辅助服务成本的函数，
Figure FDA0004148504740000026
表示在0和Pwt,l范围内风电出力而产生的辅助服务成本；
光伏发电机组的成本函数如下：
Cpv,m(Pm)＝Cd,pv,m(Pm)+Cue,pv,m(Pm)+Coe,pv,m(Pm)；
其中，
Cd,pv,m(Pm)＝dpv,mPpv,m；
Figure FDA0004148504740000027
Figure FDA0004148504740000028
Cd,pv,m(Pm)表示光伏发电机组的直接成本，Cue,pv,m(Pm)表示光伏发电机组低估的光电出力而导致的惩罚成本，Coe,pv,m(Pm)表示光伏发电机组高估的光电出力而产生的辅助服务成本，Pm表示第m台光伏发电机组的发电功率，dpv,m为光伏发电机组的直接成本系数，Ppv,m表示第m台光伏发电机组的计划输出功率，Ppv表示光伏发电机组的发电功率，
Figure FDA0004148504740000029
表示在Ppv,m和Ppv,rate,m范围内光伏出力而导致的惩罚成本，Kue,pv,m为光伏发电机组的低估系数，Ppv,rate,m表示第m台光伏发电机组的额定功率，Koe,wt,m为光伏发电机组的高估系数，/>
Figure FDA0004148504740000031
表示计算光伏发电而产生的辅助服务成本的函数，
Figure FDA0004148504740000032
表示在0和Ppv,m范围内光伏发电而产生的辅助服务成本；光伏发电机组的运行约束0≤Ppv,m≤Ppv,rate，Ppv,rate表示光伏发电机组的额定功率。
2.根据权利要求1所述的方法，其特征在于，所述参数信息包括：纯发电机组参数、风力发电机组参数、光伏发电机组参数、热电联产机组参数和纯发热机组参数。
3.根据权利要求1所述的方法，其特征在于，所述以各机组群的成本最小为优化目标，构建各机组群所对应的适应度函数和约束条件包括：
将各机组群所对应的发电成本函数和供热成本函数进行加权处理，得到各机组群所对应的适应度函数；
根据预先设定的参数值以及规范条件，确定各机组群所对应的约束条件。
4.根据权利要求3所述的方法，其特征在于，所述发电成本函数和供热成本函数包括纯发电机组成本函数、风力发电机组成本函数、光伏发电机组成本函数、热电联产机组成本函数、纯发热机组成本函数；
相应的，所述约束条件包括纯发电机组的运行约束、风力发电机组的运行约束、光伏发电机组的运行约束、热电联产机组的运行约束、纯发热机组的运行约束。
5.根据权利要求1-4任意一项所述的方法，其特征在于，所述依据各机组群所对应的适应度函数，利用合作型协同进化算法并行对各机组群的发电功率和发热量进行迭代更新，直至满足收敛条件，则输出调度优化结果包括：
利用合作型协同进化算法和各适应度函数，计算各机组群的发电功率和发热量的适应度；
根据各所述适应度确定合作型协同进化算法的搜索方向，更新各机组群的发电功率和发热量；
判断是否达到最大迭代次数；
若否，则返回所述根据协同进化的更新机制确定合作型协同进化算法的搜索方向，更新各机组群的发电功率和发热量的步骤；
若是，则输出包含各机组群的发电功率和发热量的调度优化结果。
6.一种联合发电的调度优化装置，其特征在于，包括获取单元、分组单元、构建单元、初始化单元和优化单元；
所述获取单元，用于获取各机组的参数信息；
所述分组单元，用于根据地理位置信息和区域信息，将各机组进行分组，得到多个机组群；
所述构建单元，用于以各机组群的成本最小为优化目标，构建各机组群所对应的适应度函数和约束条件；
所述初始化单元，用于初始化各机组群的发电功率和发热量；
所述优化单元，用于依据各机组群所对应的适应度函数，利用合作型协同进化算法并行对各机组群的发电功率和发热量进行迭代更新，直至满足收敛条件，则输出调度优化结果；
初始状态下，各机组群所对应的适应度函数公式如下：
Figure FDA0004148504740000041
其中，i＝1,2,...,NP，NP表示纯发电机组的数量；j＝1,2,...,Nc，Nc表示热电联产机组的数量；k＝1,2,...,Nk，Nk表示纯发热机组的数量；l＝1,2,...,Nl，Nl表示风力发电机组的数量；m＝1,2,...,Nm，Nm表示光伏发电机组的数量，Ctotal表示各机组群所对应的成本，Ci(Pi p)表示纯发电机组的发电成本，Pi p中的上标p表示纯发电机组；
Figure FDA0004148504740000042
表示热电联产机组的成本；/>
Figure FDA0004148504740000043
表示第j台热电联产机组的发电功率，/>
Figure FDA0004148504740000044
表示第j台热电联产机组的发热量；/>
Figure FDA0004148504740000045
和/>
Figure FDA0004148504740000046
中的上标c表示热电联产机组；/>
Figure FDA0004148504740000047
表示纯发热机组的成本；/>
Figure FDA0004148504740000048
为第k台纯发热机组的发热量；/>
Figure FDA0004148504740000049
中的上标h表示纯发热机组；Cwt,l(Pl)表示风力发电机组的成本，wt表示风力发电机组；Cpv,m(Pm)表示光伏发电机组的成本，pv表示光伏发电机组；
纯发电机组的发电成本函数如下：
Figure FDA00041485047400000410
/>
其中，Pi p表示第i台纯发电机组的发电功率，ai、bi和ci分别为发电机组的成本系数，di和ei为阀点效应的成本系数，
Figure FDA00041485047400000411
表示第i台纯发电机组的发电功率的下限值；
纯发电机组的运行约束
Figure FDA00041485047400000412
Figure FDA00041485047400000413
表示第i台纯发电机组的发电功率的下限值，/>
Figure FDA00041485047400000414
表示第i台纯发电机组的发电功率的上限值；
风力发电机组的成本函数如下：
Cwt,l(Pl)＝Cd,wt,l(Pl)+Cue,wt,l(Pl)+Coe,wt,l(Pl)；
针对于风力发电机组，购买风力的直接成本公式如下：
Cd,wt,l(Pl)＝dwt,lPwt,l；
其中，Cd,wt,l(Pl)表示风力发电机组购买风力的直接成本，Pl表示第l台风力发电机组的发电功率，dwt,l表示第l台风力发电机组的直接成本系数，Pwt,l表示第l台风力发电机组的发电功率；
对于风力发电机组，其低估的风电出力而导致的惩罚成本公式如下：
Figure FDA0004148504740000051
其中，Cue,wt,l(Pl)表示风力发电机组低估的风电出力而导致的惩罚成本，Kue,wt,l表示第l台风力发电机组的低估系数，Pwt,rate,l表示第l台风力发电机组的额定功率，Pwt,l表示第l台风力发电机组的计划输出功率，Pwt表示风力发电机组的发电功率；
Figure FDA0004148504740000052
表示计算风电出力而导致的惩罚成本的函数，/>
Figure FDA0004148504740000053
表示在Pwt,l和Pwt,rate,l范围内风电出力而导致的惩罚成本；
风力发电机组的运行约束0≤Pwt,l≤Pwt,rate；Pwt,rate为风力发电机组的额定功率；
对于风力发电机组，其高估的风电出力而产生的辅助服务成本公式如下：
Figure FDA0004148504740000054
其中，Coe,wt,l(Pl)表示风力发电机组高估的风电出力而产生的辅助服务成本，Koe,wt,l为风力发电机组的高估系数；
Figure FDA0004148504740000055
表示计算风电出力而产生的辅助服务成本的函数，
Figure FDA0004148504740000056
表示在0和Pwt,l范围内风电出力而产生的辅助服务成本；
光伏发电机组的成本函数如下：
Cpv,m(Pm)＝Cd,pv,m(Pm)+Cue,pv,m(Pm)+Coe,pv,m(Pm)；
其中，
Cd,pv,m(Pm)＝dpv,mPpv,m；
Figure FDA0004148504740000057
Figure FDA0004148504740000058
Cd,pv,m(Pm)表示光伏发电机组的直接成本，Cue,pv,m(Pm)表示光伏发电机组低估的光电出力而导致的惩罚成本，Coe,pv,m(Pm)表示光伏发电机组高估的光电出力而产生的辅助服务成本，Pm表示第m台光伏发电机组的发电功率，dpv,m为光伏发电机组的直接成本系数，Ppv,m表示第m台光伏发电机组的计划输出功率，Ppv表示光伏发电机组的发电功率，
Figure FDA0004148504740000061
表示在Ppv,m和Ppv,rate,m范围内光伏出力而导致的惩罚成本，Kue,pv,m为光伏发电机组的低估系数，Ppv,rate,m表示第m台光伏发电机组的额定功率，Koe,wt,m为光伏发电机组的高估系数，/>
Figure FDA0004148504740000062
表示计算光伏发电而产生的辅助服务成本的函数，
Figure FDA0004148504740000063
表示在0和Ppv,m范围内光伏发电而产生的辅助服务成本；光伏发电机组的运行约束0≤Ppv,m≤Ppv,rate，Ppv,rate表示光伏发电机组的额定功率。
7.根据权利要求6所述的装置，其特征在于，所述参数信息包括：纯发电机组参数、风力发电机组参数、光伏发电机组参数、热电联产机组参数和纯发热机组参数。
8.根据权利要求6所述的装置，其特征在于，所述构建单元包括函数确定子单元和约束条件确定子单元；
所述函数确定子单元，用于将各机组群所对应的发电成本函数和供热成本函数进行加权处理，得到各机组群所对应的适应度函数；
所述约束条件确定子单元，用于根据预先设定的参数值以及规范条件，确定各机组群所对应的约束条件。
9.一种联合发电的调度优化装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如权利要求1至5任意一项所述联合发电的调度优化方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述联合发电的调度优化方法的步骤。
CN201910398846.8A 2019-05-14 2019-05-14 一种联合发电的调度优化方法、装置和介质 Active CN110097235B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910398846.8A CN110097235B (zh) 2019-05-14 2019-05-14 一种联合发电的调度优化方法、装置和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910398846.8A CN110097235B (zh) 2019-05-14 2019-05-14 一种联合发电的调度优化方法、装置和介质

Publications (2)

Publication Number Publication Date
CN110097235A CN110097235A (zh) 2019-08-06
CN110097235B true CN110097235B (zh) 2023-05-26

Family

ID=67447952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910398846.8A Active CN110097235B (zh) 2019-05-14 2019-05-14 一种联合发电的调度优化方法、装置和介质

Country Status (1)

Country Link
CN (1) CN110097235B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110707689B (zh) * 2019-09-24 2021-05-14 南方电网科学研究院有限责任公司 适用于全清洁能源发电电网的稳定性的分析方法及装置
CN111404204A (zh) * 2020-04-14 2020-07-10 三峡大学 一种利用改进狼群算法的含风电场电力系统优化调度方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006072796A (ja) * 2004-09-03 2006-03-16 Toho Gas Co Ltd コジェネレーションシステムの最適化方法および設備提案システム
CN103426032A (zh) * 2013-07-25 2013-12-04 广东电网公司电力科学研究院 一种热电联产机组的经济优化调度方法
CN103903073A (zh) * 2014-04-23 2014-07-02 河海大学 一种含分布式电源及储能的微电网优化规划方法及系统
CN104392334A (zh) * 2014-12-12 2015-03-04 冶金自动化研究设计院 钢铁企业自备电厂多类型发电机组联合优化调度方法
CN106339817A (zh) * 2016-08-29 2017-01-18 广东工业大学 一种多区域动态经济调度方法及系统
CN109345045A (zh) * 2018-11-29 2019-02-15 东北大学 基于双乘子迭代算法的电热综合能源系统经济调度方法
CN109376943A (zh) * 2018-11-12 2019-02-22 中国南方电网有限责任公司电网技术研究中心 一种基于机会约束的风电场-储能联合规划方法
CN109657885A (zh) * 2019-02-25 2019-04-19 华南理工大学 一种基于多搜索器算法的电-热网协调运行优化方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006072796A (ja) * 2004-09-03 2006-03-16 Toho Gas Co Ltd コジェネレーションシステムの最適化方法および設備提案システム
CN103426032A (zh) * 2013-07-25 2013-12-04 广东电网公司电力科学研究院 一种热电联产机组的经济优化调度方法
CN103903073A (zh) * 2014-04-23 2014-07-02 河海大学 一种含分布式电源及储能的微电网优化规划方法及系统
CN104392334A (zh) * 2014-12-12 2015-03-04 冶金自动化研究设计院 钢铁企业自备电厂多类型发电机组联合优化调度方法
CN106339817A (zh) * 2016-08-29 2017-01-18 广东工业大学 一种多区域动态经济调度方法及系统
CN109376943A (zh) * 2018-11-12 2019-02-22 中国南方电网有限责任公司电网技术研究中心 一种基于机会约束的风电场-储能联合规划方法
CN109345045A (zh) * 2018-11-29 2019-02-15 东北大学 基于双乘子迭代算法的电热综合能源系统经济调度方法
CN109657885A (zh) * 2019-02-25 2019-04-19 华南理工大学 一种基于多搜索器算法的电-热网协调运行优化方法

Also Published As

Publication number Publication date
CN110097235A (zh) 2019-08-06

Similar Documents

Publication Publication Date Title
Khan et al. Techno economic feasibility analysis of different combinations of PV-Wind-Diesel-Battery hybrid system for telecommunication applications in different cities of Punjab, India
Xu et al. Data-driven configuration optimization of an off-grid wind/PV/hydrogen system based on modified NSGA-II and CRITIC-TOPSIS
Sawle et al. PV-wind hybrid system: A review with case study
Maleki et al. Two heuristic approaches for the optimization of grid-connected hybrid solar–hydrogen systems to supply residential thermal and electrical loads
Abolhosseini et al. A review of renewable energy supply and energy efficiency technologies
Basu et al. Planned scheduling for economic power sharing in a CHP-based micro-grid
CN109103926A (zh) 基于多辐照特性年气象场景的光伏发电接纳能力计算方法
Okinda et al. A review of techniques in optimal sizing of hybrid renewable energy systems
Ferrari et al. Influence of actual component characteristics on the optimal energy mix of a photovoltaic-wind-diesel hybrid system for a remote off-grid application
CN106099993A (zh) 一种适应新能源大规模接入的电源规划方法
Graabak et al. CO2 emissions in different scenarios of electricity generation in Europe
Okinda et al. Modeling, simulation and optimal sizing of a hybrid wind, solar PV power system in Northern Kenya
CN110097235B (zh) 一种联合发电的调度优化方法、装置和介质
Saberi et al. Optimal sizing of hybrid PV and wind energy system with backup of redox flow battery to postpone grid expansion investments
Aurangzeb et al. Towards electricity cost alleviation by integrating RERs in a smart community: A case study
König et al. Spatially-resolved analysis of the challenges and opportunities of Power-to-Gas (PtG) in Baden-Württemberg until 2040
Soria et al. The role of CSP in Brazil: A multi-model analysis
Coma et al. ‘Buildings as Power Stations’: an energy simulation tool for housing
Imam et al. Reducing levelized cost of energy using gas generator in off-grid wind-PV hybrid system
Curto et al. Flexibility Services in a Mediterranean Small Island to Minimize Costs and Emissions Related to Electricity Production from Fossil Fuels
Singh et al. Application of renewable energy system with fuzzy logic
Okundamiya et al. Optimisation models for hybrid energy systems–a review
Miettinen et al. Impact of longer stochastic forecast horizon on the operational cost of a power system
Abdul-Razak et al. A simulation methodology on grid displaced photovoltaic (PV) prospective for existing terrace house supply in Malaysian peninsular.
Naoi et al. Demand and supply simulations considering detailed forecast, scheduling and control functions for Japanese Power System with a massive integration of renewable energy sources

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