CN110474370B - 一种空调可控负荷、光伏储能系统的协同控制系统及方法 - Google Patents

一种空调可控负荷、光伏储能系统的协同控制系统及方法 Download PDF

Info

Publication number
CN110474370B
CN110474370B CN201910810430.2A CN201910810430A CN110474370B CN 110474370 B CN110474370 B CN 110474370B CN 201910810430 A CN201910810430 A CN 201910810430A CN 110474370 B CN110474370 B CN 110474370B
Authority
CN
China
Prior art keywords
load
energy storage
data
air conditioner
time
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
CN201910810430.2A
Other languages
English (en)
Other versions
CN110474370A (zh
Inventor
吴润基
王冬骁
李学聪
赖来利
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 University of Technology
Original Assignee
Guangdong University of Technology
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 University of Technology filed Critical Guangdong University of Technology
Priority to CN201910810430.2A priority Critical patent/CN110474370B/zh
Publication of CN110474370A publication Critical patent/CN110474370A/zh
Application granted granted Critical
Publication of CN110474370B publication Critical patent/CN110474370B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • 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
    • 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
    • Y04S20/242—Home appliances
    • Y04S20/244—Home appliances the home appliances being or involving heating ventilating and air conditioning [HVAC] units

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种空调可控负荷、光伏储能系统的协同控制系统及方法，所述协同控制系统包括光伏储能系统、可控负荷及基础负荷聚合模块、微电网控制中心；所述方法包括：S1：构建空调可控负荷、光伏储能系统协同控制系统模型；S2：对空调可控负荷、光伏储能系统协同控制系统模型中的二维热工参数模型线性化，将空调可控负荷、光伏储能系统协同控制系统模型的优化转化为基于MILP的系统模型；S3：输入日前数据，产生日前调度数据；S4：输入实时数据，采用滚动时域优化算法制定控制策略，得出实时调度数据；S5：计算出整个调度期间的总用电费用。本发明充分考虑到预测的误差，有效的提高了系统的控制精度。

Description

一种空调可控负荷、光伏储能系统的协同控制系统及方法
技术领域
本发明涉及智能电网技术领域，更具体地，涉及一种空调可控负荷、光伏储能系统的协同控制系统及方法。
背景技术
大规模温控负荷在需求侧管理中的价值——随着人类社会的发展，人们对电力的需求越来越大，同时也对电力系统功能和性能的要求也越来越高。与此同时，新能源发电技术、网络通信技术、检测计量技术、自动控制技术、储能技术等各领域技术的发展进步，让智能电网的实现成为可能。而需求侧管理技术作为智能电网技术的重要组成部分，也成为科研人员的研究热点。需求侧管理是智能电网进行能源管理的重要途径，需求侧管理允许用户根据某些价格信号或激励方案来主动调整自己的能源使用情况，从而实现对用户的能源需求进行控制和调整，最终减少电网的高峰负荷，重塑需求状况，避免在电力系统基础设施建设上过多地投入。需求侧管理中的重要的一方面涉及到负荷控制和管理，能通过电价、用电情况等对负荷进行管理或转移。于是，需求侧的负荷得以具备参与电力系统运行管理的能力。可控负荷通过集中式，本地式或者分布式的控制方式，直接或间接来参与配电网系统的电能运行管理。
随着人们生活水平的提高，在用户侧负荷中，温控负荷，如空调负荷、热水器负荷、冰箱负荷等，占据了总电能消耗中的大部分。尤其是空调负荷，其在夏季降温和冬季取暖过程中消耗了用户侧的大量电力。而如今，越来越多的家庭住户都配置了家用空调，中央空调系统基本上是现代商业中心、学校等建筑必备的组成部分。于是，配电网中的空调负荷(Air-Conditioning Loads,ACLs)，是温控负荷的主要组成部分，其在建筑物电能需求中所占的比例不断增加，配电网中的ACLs规模也越来越大。根据澳大利亚电网(Ausgrid)的相关研究，在夏季，澳大利亚国内空调负荷在其部分变电站内消耗了超过一半的负荷。另外，根据国内相关学者的统计结果可知，国内空调负荷在夏季高峰期所占尖峰负荷的比例已达到30％-40％，并且该数值还在不断攀升中。配电网中大规模ACLs的集中使用，会造成短期而尖锐的电力需求高峰，导致用电峰谷差距加大，于是被迫要对电力系统基础设施进行升级改造。
而实际上，装备了空调的房屋具有热存储特性。空调在打开的时候，将电能转化成为房屋内部的热能，用于室内的制冷或制热，当空调被关闭的时候，房屋内部的冷空气或热空气(夏季为冷空气，冬季为热空气)，其温度并不会迅速就恢复到原来的水平，因为热能的交换是一个较为缓慢的过程。也就是说，空调负荷的开闭时间在一定范围内是可以进行调整和控制的，而同时还可保证满足用户的使用需求。温控负荷的这一特点，使其具有巨大的潜力来参与到需求侧管理中。而配电网中的温控负荷数量较大，当大规模的温控负荷集中参与到需求侧管理中时，由于其具有不同的物理参数，因此需要制定有效的策略来对大规模温控负荷进行有效的控制和调度。
提高间歇性可再生能源利用率的需求——由于全球化石燃料的过度开采和使用导致了温室气体的大量排放，造成全球生态环境日益恶化。于是，许多国家对碳排放逐渐加大控制力度，这直接导致发电企业逐渐减少使用化石燃料发电的发电方式。与此同时开始大力进行可再生能源的开发与利用。作为面对未来能源危机的有效措施，可再生能源在当代电力系统中扮演着越来越重要的角色。根据国际能源署2017年可再生能源报告，2016年全球可再生能源负荷增长量超过150GW，并预测可再生能源发电量在2022年将超过920GW。而这其中，中国占据了40％的可再生能源增长量，占据了可再生能源增长量的很大比重。作为可再生能源增长量大国，中国在2017年已经超前完成了第十三个五年规划(2015-2020)太阳能发电量增长的目标，并预计于2019年完成风能发电量增长的目标。
可再生能源来源于不断补充的自然过程，其具有可持续性，同时其清洁性能够有效减少对生态环境的破坏，使得分布式可再生能源发电在配电网中的应用越来越多。传统电力系统由发电侧来调节用电的供需平衡任务，通过对发电侧发电量进行动态调节来满足用户对电力的需求。如今，随着可再生能源在电力系统中承担着日益重要的角色，配电网从电能单向流动的传统配电网变为了具有双向流动特性的主动配电网(ActiveDistribution Network)，这种改变给电力系统的安全运行带来了很多的挑战。可再生能源在配电网内的广泛应用会显著地影响网络潮流。而有些可再生能源(特别是太阳能、风能等)同时还具有的可变性和随机性，这将加大对电能质量产生的消极影响(如产生谐波，降低电能质量等)，增加电网调度的难度。很多时候为了满足电力系统运行的稳定性需要，被迫需要减少间歇性可再生能源的发电量，而这就降低了间歇性可再生能源的利用率和其在电网中渗透率，这成为了进一步发展可再生能源的阻碍。因此，解决这一问题对于可再生能源的发展前景来说是十分关键的。广大研究人员正努力提出很多方案来减少可再生能源可变性和间歇性对电网的负面影响，以进一步提高其利用率及其在电网中的渗透率。
现有的很多技术方案都集中在以下几个方面：1.通过单独采用直接负荷控制技术来对温控负荷进行控制调度，并实现对负荷的削减及运行的优化；2.通过提出需求响应计划或调度方法来对用于间歇性可再生能源发电的能量储存系统进行优化配置；3.通过制定控制策略方法或利用传统储能系统、智能电气设备如智能变压器，来减少间歇性可再生能源对电网的负面影响，从而提高间歇性可再生能源在电网中的渗透水平。
但是，很少有技术方案试图对具备温控负荷的建筑进行精确建模，所以现有模型很难适应间歇性可再生能源，特别是日益增长的社区组层面小型光伏发电组或现代智能化商业楼宇所配备的一定规模的光伏发电组的情况下，现有技术方案未充分考虑到预测的误差，导致对系统的控制不够精准。
发明内容
本发明为克服上述现有技术所述的未充分考虑到预测的误差，导致对系统的控制不够精准的缺陷，提供一种空调可控负荷、光伏储能系统的协同控制系统及方法。
所述协同控制系统包括光伏储能系统、可控负荷及基础负荷聚合模块、微电网控制中心、母线、通信总线；
光伏储能系统包括：光伏发电组、电池储能装置、微电源控制器；
可控负荷及基础负荷聚合模块包括：空调负荷、负荷控制器、其他负荷；
光伏发电组与电池储能装置电连接，电池储能装置与微电源控制器电连接，微电源控制器与母线连接，母线与主电网电连接，空调负荷、其他负荷分别与负荷控制器电连接，负荷控制器与母线连接；
微电源控制器、负荷控制器、微电网控制中心三者之间通信连接。
优选地，所述协同控制系统中的光伏储能系统含有N个，所述可控负荷及基础负荷聚合模块M个，其中N和M为正整数。
优选地，所述光伏储能系统还包括交直流转换器；交直流转换器的直流输入端与电池储能装置电连接，交直流转换器的交流输出端与微电源控制器电连接；交直流转换器负责将电池储能装置的直流电转换为交流电，并输出至微电源控制器。
优选地，所述协同控制系统还包括分布式管理系统；分布式管理系统和微电网控制中心通信连接。
本发明所述方法基于所述的空调可控负荷、光伏储能系统协同控制系统，所述方法包括：
S1：构建空调可控负荷、光伏储能系统协同控制系统模型；所述模型里包括：空调负荷模型、光伏发电模型、电池储能系统模型等；
其中，空调负荷模型包括二维参数模型、空调组热舒适性约束；
二维热工参数模型是一种用来描述建筑物热交换过程的模型，有了这个模型才能精确描述空调负荷的情况；
S2：对二维热工参数模型线性化，将空调可控负荷、光伏储能系统协同控制系统模型的优化转化为基于MILP(Mixed Integer Linear Programming,MILP，混合整数线性规划问题)的系统模型；
因为模型中存在非线性的情况，如二维热工参数模型是微积分模型，需要线性化。MILP的数学问题类似解决线性规划问题一样，它的目标函数和约束条件需是线性的，所以建模后，需再进行线性化，才能采用MILP问题，然后才能进行进一步的求解。
S3：对S2转换后的基于MILP的系统模型输入日前数据，利用日前优化调度策略进行优化计算，产生日前调度数据；
S4：对S2转换后的基于MILP的系统模型输入实时数据，以日前调度数据作为实时数据的起点，采用滚动时域优化算法制定控制策略，得出实时调度数据；
上述步骤S3和S4为对基于MILP的系统模型的求解过程，求解的过程中，需要对模型进行数据的输入(包括电价、气温、太阳辐射数据等)，而输入数据分为两种，一种是日前数据，日前数据就是相当于提前24小时做一次预测，给接下来24h的天气数据，这个数据只有一组，称为日前数据。第二种是实时数据，实时数据就是相当于在接下来的24小时里，每一个时段做一次预测，然后对接下来的24h的数据，称为实时数据。
由于求解的数据不同，采用日前数据的策略就只需要做一次优化计算，这种称为“日前调度”，根据一组日前数据来计算得到一整天的调度数据。
采用实时数据的策略需要间隔一定时间就做运算，这种称为“实时调度”，根据一天内多组实时数据来计算得到调度数据，但是该策略是比较特殊，也就本发明所述的“滚动时域优化”。
S5：根据实时调度数据，计算出整个调度期间的总用电费用。
优选地，S1中二维热工参数模型为：
Figure SMS_1
Figure SMS_2
Figure SMS_3
Figure SMS_4
Figure SMS_5
Figure SMS_6
其中，Tr(t)是在t时刻的室内空气温度，单位为℃；Tw(t)是在t时刻的房屋墙体的温度，单位为℃；Cpa和Cpw分别是空气和墙体的热容量，单位为J/kg·℃；Qgain_a是室外环境向室内空气传递的热量，单位为J；Qgain_w是室外环境向房屋墙体传递的热量，单位为J；Qex_w_r是室内空气和墙壁内表面之间交换的热量，单位为J；Qac是空调的制冷量或制热量，单位为J；Ma和Mw分别是室内空气和墙体的质量，单位为kg；Tamb(t)是t时刻的室外环境温度，单位为℃；Req是房屋墙体的等效热阻；Rwr是房屋墙体内表面与房屋内部空气之间的等效热阻；COP是空调系统的性能系数，单位为1；Pac是空调的额定功率，单位为kW；Rwa是房屋墙体外表面与外部环境空气之间的等效热阻。
公式(2.1)和(2.2)分别是表示室内空气温度和墙体温度的变化速率，公式(2.3)-(2.6)分别表示外部环境向室内空气传递热量的速率、室内空气与墙体之间热量交换的速率、空调制冷或制热的速率、以及外部环境向墙壁传递热量的速率。
优选地，S2中构建目标函数并表示为：
Figure SMS_7
其中，Pg_buyi(t)和Pg_selli(t)分别代表了在时刻t，节点i上，配电网从主电网买电的功率及配电网向主电网卖电的功率，单位为kW；Cbuyi(t)和Cselli(t)分别代表了在时刻t，节点i上，买电和卖电的价格，单位为元；τ定义为时间步长，并在每个时间步长内，所有参数都假定为常量。
优选地，目标函数还包括以下约束条件：
(1)热平衡约束：
Puncontro_load(t)+Pac×Sac(t)＝Pbat(t)+Pg_buy(t) (3.2)
Figure SMS_8
0≤Pg_buy(t)≤Pgmax (3.4)
其中，Puncontro_load(t)是时刻t下的不可控负荷，单位为kW；Pbat(t)是时刻t下，蓄能电池向用户供电的功率，单位为kW；Pg_buy(t)是时刻t下，配电网从主电网上买电的功率，单位为kW；Pg_sell(t)是时刻t下，配电网向主电网卖电的功率，单位为kW；
Figure SMS_9
是蓄能电池的最大放电功率，单位为kW；Pgmax是配电网的最大功率容量，单位为kW。
(2)太阳能光伏发电约束：
Figure SMS_10
其中，需要指出，此处忽略了光伏电池板的温度，方程中，G是太阳辐射值，单位为W/m2；Gstd是标准环境状况下的太阳辐射值；Rc是一个特定的辐射值点，而PSr是光伏电池板的等效发电输出功率。
(3)电池组约束：
0≤SoC(t)≤1 (3.7)
Figure SMS_11
其中，SoC(t)是时刻t下的电池电量状态，用百分比％表示；neffi是在充电或放电状态下的电池使用效率；τ是时刻t和时刻t+1之间的时间间隔，单位为h；EBESS是电池容量，单位为kW·h。为了简化计算，在充电和放电期间，电池的使用效率neffi都假定是恒定值0.95。
(4)空调组热舒适性约束：
Figure SMS_12
Figure SMS_13
Figure SMS_14
其中，
Figure SMS_15
和/>
Figure SMS_16
分别为室内空气温度的上限和下限，单位为℃；/>
Figure SMS_17
和/>
Figure SMS_18
分别是墙壁温度的上限和下限，单位为℃。
优选地，S4包括以下步骤：
S4.1：基于MILP的系统模型将一个运行周期分成若干个时间段；
在第一个时间段开始前，根据提前一天的预测数据，包括气温、太阳辐射值、电价，计算并生成一组控制数据，但只取第一个时间段的数据进行第一个时间段的控制；
S4.2：在下一个时间段开始前，系统获取一组新的输入数据，同时根据上一个时间段的数据，如室内温度Tr等；再一次进行基于MILP的优化计算，得到下一个时间段的控制数据；
S4.3：依次提取各时间段内数据进行控制，重复S4.1-S4.2，直到完成最后运行周期内最后一个时间段控制数据的计算为止。
与现有技术相比，本发明技术方案的有益效果是：本发明可充分利用大规模空调可控负荷建筑群的热储存特性，通过直接负荷控制技术对其进行控制和调度，以缓冲太阳能光伏发电的间歇性，从而提高分布式可再生能源发电在配电网中的渗透率。与此同时，最大程度地降低系统的总运营成本，并且保证控制空调可控负荷的过程中，不影响用户的热舒适性要求。本发明所采用的滚动时域优化控制策略可减少模型预测中多方面因素所带来的预测误差，更新实时数据信息，实现准实时控制，减少预测数据带来的控制误差，实现更加精准的控制。
附图说明
图1为实施例1所述空调可控负荷、光伏储能系统协同控制系统示意图。
图2为实施例2所述空调可控负荷、光伏储能系统协同控制方法流程图。
图3为二维热工参数模型示意图。
图4为系统微网结构简图。
图5为辐射式配电网络结构图。
图6为RHO策略控制过程示意图。
图7为基于MILP的RHO控制方案流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1：
本实施例提供一种空调可控负荷、光伏储能系统协同控制系统。如图1所示，所述协同控制系统包括光伏储能系统、可控负荷及基础负荷聚合模块、微电网控制中心、母线、通信总线；
光伏储能系统包括：光伏发电组、电池储能装置、微电源控制器；
可控负荷及基础负荷聚合模块包括：空调负荷、负荷控制器、其他负荷；
光伏发电组与电池储能装置电连接，电池储能装置与微电源控制器电连接，微电源控制器与母线连接，母线与主电网电连接，空调负荷、其他负荷分别与负荷控制器电连接，负荷控制器与母线连接；
微电源控制器、负荷控制器、微电网控制中心三者之间通信连接。
所述协同控制系统中的光伏储能系统含有N个，所述可控负荷及基础负荷聚合模块M个，其中N和M为正整数。
所述协同控制系统还包括隔热建筑，所述空调负荷、其他负荷都设于隔热建筑内。
所述光伏储能系统还包括交直流转换器；交直流转换器的直流输入端与电池储能装置电连接，交直流转换器的交流输出端与微电源控制器电连接；交直流转换器负责将电池储能装置的直流电转换为交流电，并输出至微电源控制器。
所述协同控制系统还包括分布式管理系统；分布式管理系统和微电网控制中心通信连接。
实施例2：
本实施例提供一种空调可控负荷、光伏储能系统协同控制的方法，所述方法应用于实施例1所述的系统，如图2所示，所述方法包括：
S1：构建空调可控负荷、光伏储能系统协同控制系统模型；所述模型里包括：空调负荷模型、光伏发电模型、电池储能系统模型等；其中，空调负荷模型包括二维参数模型、空调组热舒适性约束。
建立一个精确的ACLs模型来适应间歇性可再生能源，同时不影响用户的热舒适性要求，需要对配备空调的房屋的热力学过程进行充分的了解。建筑物内部热量的交换(散失或获得)与建筑物内部和外部环境的温差，以及建筑物所采用的隔热材料的等效热阻、内部空气与墙体、外部空气与墙体之间的热容效应有关。二维热工参数模型如图2所示，本实施例采用通过计算公式(2.5)中所示的空调系统性能系数(air Conditioner Coefficientof Performance,COP，定义为空调制冷或制热的功率与空调消耗的电功率的比值)来提高模型的性能。最终得到的动态二维热工参数模型可用以下公式表示：
Figure SMS_19
Figure SMS_20
Figure SMS_21
Figure SMS_22
Figure SMS_23
Figure SMS_24
其中，Tr(t)是在t时刻的室内空气温度，单位为℃；Tw(t)是在t时刻的房屋墙体的温度，单位为℃；Cpa和Cpw分别是空气和墙体的热容量，单位为J/kg·℃；Qgain_a是室外环境向室内空气传递的热量，单位为J；Qgain_w是室外环境向房屋墙体传递的热量，单位为J；Qex_w_r是室内空气和墙壁内表面之间交换的热量，单位为J；Qac是空调的制冷量或制热量，单位为J；Ma和Mw分别是室内空气和墙体的质量，单位为kg；Tamb(t)是t时刻的室外环境温度，单位为℃；Req是房屋墙体的等效热阻；Rwr是房屋墙体内表面与房屋内部空气之间的等效热阻；COP是空调系统的性能系数，单位为1；Pac是空调的额定功率，单位为kW；Rwa是房屋墙体外表面与外部环境空气之间的等效热阻。
公式(2.1)和(2.2)分别是表示室内空气温度和墙体温度的变化速率。公式(2.3)-(2.6)分别表示外部环境向室内空气传递热量的速率、室内空气与墙体之间热量交换的速率、空调制冷或制热的速率、以及外部环境向墙壁传递热量的速率。
以上参数的数值可以很容易地根据建筑物的物理参数估算出来。或者可以通过一些检测技术来获得具体的数值。
S2：对二维热工参数模型线性化，将二维热工参数模型的优化转化为基于MILP(Mixed Integer Linear Programming,MILP，混合整数线性规划问题)的系统模型；
(1)模型的基本设定
在分布式系统中，当终端用户参与到需求侧响应计划中后，系统可以有效地去适应一体化的可再生能源发电群体。一般居住用房或商业建筑中的负荷可以分为两大类：不可控负荷(例如照明、动力等，该类负载需要根据用户的使用习惯来确定，无法参与到直接负荷控制中)、可控负荷(例如空调、热水器等，该类负载具有一定的热能储存特性，可参与到直接负荷控制中)。在本实施例中，我们主要考虑制冷模式下的空调负荷作为可控负荷。本实施例主要研究通过直接负荷控制技术来实现对聚合ACLs的控制，以实现一定的电网级目标(调压等)，同时确保建筑内的温度保持在用户的舒适温度范围内。
本实施例研究的网络配置如图4所示。在这个网络中，太阳能光伏发电的净上网电价低于电力零售价格。因此，尽可能地利用当地电网中的可再生能源在经济上对本系统才是有利的。考虑到太阳能光伏发电的间歇性和随机性，需要在各光伏发电组上接入电池储能系统(Battery Energy Storage System,BESS)，太阳能光伏发电板产生的电能直接为BESS充电，并通过BESS实现电力的平滑输出，供终端用户使用。当系统的光伏发电电能无法满足用户使用需求时，系统将自动从电网上购买电能以满足用户的使用需求。本实施例假设主电网不会直接向电池组充电，也即无功率从主电网流向电池组。当系统的太阳能光伏发电供用户使用后有剩余时，系统将向电网出售剩余的电能。
本实施例描述的系统使用交流微电网来连接各太阳能光伏发电组和BESS组，太阳能光伏发电组和BESS由微电源控制器(Micro Source Controller,MC)进行控制；ACLs组由可控负荷控制器(Controllable Load Controller,LC)进行控制；系统中的所有MC和LC则由微电网控制中心(Micro Grid Control Center,MGCC)进一步集中控制。为了更好地描述系统中设备间的功率流向，本示意图省略了MC和LC。
针对辐射式配电网络，如图5所示，每条线路中的建筑群均有空调可控负荷(其余的负荷为不可控负荷)，且系统配置有光伏发电板组以及储能锂电池组。光伏发电板组和储能锂电池组由微电源控制器(Micro Source Controller,MC)聚合起来，集中进行控制；同时，每个聚合建筑群中的所有空调可控负荷也聚合起来，由可控负荷控制器(ControllableLoad Controller,LC)集中进行控制；本系统中所有聚合建筑群的MC和LC则连接到微电网控制中心(Micro Grid Control Center,MGCC)并进一步集中控制。
(2)模型的目标及目标函数：
尽可能地利用本地太阳能光伏发电的电能，才能提高太阳能光伏发电的利用率。而提高太阳能利用率的同时，将直接减少配电网向主电网买入的电能，一定程度上也将减轻主电网的负担。由于电价信息间接反映了电网负荷变化情况，所以在考虑到一天中电价的变化的情况下，将本系统的目标设定为最小化系统的总运营成本。该配电网的净成本取决于配电网需求侧与主电网之间的实时电能传输量(买入和卖出)，以及上网实时电力零售价格。在此目标下，可间接地实现负荷转移、提高可再生能源利用率。因此，在该情况下，制定了目标函数并表示为公式(3.1)，其目的是为了使配电网中的所有节点和系统运行的整个时间周期内的总运营成本最小化。
Figure SMS_25
/>
其中，Pg_buyi(t)和Pg_selli(t)分别代表了在时刻t，节点i上，配电网从主电网买电的功率及配电网向主电网卖电的功率，单位为kW；Cbuyi(t)和Cselli(t)分别代表了在时刻t，节点i上，买电和卖电的价格，单位为元；τ定义为时间步长，并在每个时间步长内，所有参数都假定为常量。
应该指出，方程(3.1)中的决策变量是Pg_buyi(t)和Pg_selli(t)。这些变量是随着时间变化的，并且决定了整个时间周期内该配电网的净成本。
(3)模型的约束条件：
在确定了模型的目标函数后，要达成系统目标，还需受到系统中各约束项的约束，才能同时满足系统的其他要求，例如满足电网的功率平衡，不影响用户热舒适性等。本节对模型的各项约束条件进行详细的描述并对其进行公式化，包括热平衡约束、功率平衡约束、太阳能光伏发电约束、电池组约束、空调组热舒适性约束。
(4)热平衡约束：
根据前一章建筑热模型及其参数设定可知，热工模型线性化后的模型表达式即做为系统的热平衡约束，故热平衡约束表达式即为方程(2.7)-(2.10)。
(5)功率平衡约束：
配电网和主电网之间的功率潮流需每时每刻与配电网中的本地负荷平衡。也即，不可控负荷和可控负荷的总和需等于BESS放电功率和主电网购买的功率之和。与此同时，从电网购买的电量不能超过该配电网的最大容量限制。并且，卖给电网的电量不能超过储能电池组的最大容量。以上约束项进行公式化后表达如下(3.2)-(3.4)：
Puncontro_load(t)+Pac×Sac(t)＝Pbat(t)+Pg_buy(t) (3.2)
Figure SMS_26
0≤Pg_buy(t)≤Pgmax (3.4)
其中，Puncontro_load(t)是时刻t下的不可控负荷，单位为kW；Pbat(t)是时刻t下，蓄能电池向用户供电的功率，单位为kW；Pg_buy(t)是时刻t下，配电网从主电网上买电的功率，单位为kW；Pg_sell(t)是时刻t下，配电网向主电网卖电的功率，单位为kW；
Figure SMS_27
是蓄能电池的最大放电功率，单位为kW；Pgmax是配电网的最大功率容量，单位为kW。
(6)太阳能光伏发电约束：
所述控制系统根据气象部门提供的太阳辐射预测数据来计算预测光伏发电功率，太阳能光伏发电过程中，太阳能转换为电能是通过太阳辐射值与电能输出功率的计算关系得到的。其中，太阳辐射值在一个特定的辐射值范围内的时候，输出电能的功率与太阳辐射值的平方成正比；当太阳辐射值超过该特定的辐射值时，输出电能的功率与太阳辐射值成正比。输出电能的功率与太阳辐射值之间的关系可由下列方程(3.5)表示：
Figure SMS_28
其中，需要指出，此处忽略了光伏电池板的温度。方程中，G是太阳辐射值，单位为W/m2；Gstd是标准环境状况下的太阳辐射值，设定为1000W/m2；Rc是一个特定的辐射值点，设定为150W/m2；而PSr是光伏电池板的等效发电输出功率。
(7)电池组约束：
BESS的充电状态(SOC)限制和额定功率限制均需考虑，其公式化后表达为(3.7)-(3.8)：
0≤SoC(t)≤1 (3.7)
Figure SMS_29
其中，SoC(t)是时刻t下的电池电量状态，用百分比％表示；neffi是在充电或放电状态下的电池使用效率；τ是时刻t和时刻t+1之间的时间间隔，单位为h；EBESS是电池容量，单位为kW·h。为了简化计算，在充电和放电期间，电池的使用效率neffi都假定是恒定值0.95。
(8)空调组热舒适性约束：
在将空调可控负荷通过直接控制技术加入到DSM计划中时，需要保证不影响用户的使用，需满足用户的热舒适性需求。方程(3.9)就描述了用户的热舒适性约束条件，热舒适度通过用户要求温度范围表示。另外，墙壁温度的上下限通过方程(3.10)表示，其上下限温度等于室内温度上下限。同时，本实施例假设空调一旦处于打开的状态，即处于额定工作状态，以额定功率运行。空调的工作状态由二进制函数表示：当空调机开启时，Sac＝1，当空调关闭时，Sac＝0。如方程(3.11)所示。
Figure SMS_30
Figure SMS_31
Figure SMS_32
其中，
Figure SMS_33
和/>
Figure SMS_34
分别为室内空气温度的上限和下限，单位为℃；/>
Figure SMS_35
和/>
Figure SMS_36
分别是墙壁温度的上限和下限，单位为℃。
(9)混合整数线性规划问题：
根据上述内容，对系统进行建模后，得到了系统模型的目标函数(公式(3.1))和模型的约束条件(公式(3.2)-(3.11))。可以看到，目标函数及约束条件方程均为线性，且模型的决策变量中，部分决策变量取值为实数(如Tr，Tw等)，部分决策变量取值为整数(如Sac)。因此，进行建模之后得到的系统模型的优化转化为一个混合整数线性规划问题(MixedInteger Linear Programming,MILP)。
S3：对S2转换后的基于MILP的系统模型输入日前数据，利用日前优化调度策略进行优化计算，产生日前调度数据。
日前控制(Day ahead control)即是通过向系统输入前一天的预测数据，包括气温数据、太阳辐射值数据、电价、不可控负荷数据，并计算得到新的一天的控制数据。在实际应用场合中，需要通过气象部门获得相应的日前气象数据。根据当地的电价政策，按需要向电力公司获取日前买卖电价。而不可控负荷则需要根据本地配电网的用电情况对除参与负荷控制之外的电力负荷(即不可控负荷)进行负荷预测并得到不可控负荷的数据。本实施例将通过日前控制来检验模型的控制效果，包括空调运行的状态、房屋温度变化情况、电能使用情况等。由于日前控制只采用了一组预测数据，并且数据来自前一天的预测，存在着较大的误差，特别是在时间上越靠后的数据误差一般越大，故计算出来的控制数据相应存在着较大的误差。
S4：对S2转换后的基于MILP的系统模型输入实时数据，以日前调度数据的最后时段的数据为实时数据的起点，采用滚动时域优化算法制定控制策略，得出实时调度数据；
S4.1：基于MILP的系统模型将一个运行周期分成若干个时间段(以15分钟为一个时间段步长，24小时为一个运行周期)；
本实施例以以15分钟为一个时间段步长，24小时为一个运行周期；24个小时则含有96个时段步长。
在第一个时间段开始前，根据提前一天的预测数据，包括气温、太阳辐射值、电价，计算并生成一组控制数据，但只取第一个时间段的数据进行第一个时间段的控制；
S4.2：在下一个时间段开始前，系统获取一组新的输入数据，同时根据上一个时间段的数据(如室内温度Tr等)，再一次进行基于MILP的优化计算，得到下一个时间段的控制数据；
S4.3：依次提取各时间段内数据进行控制，重复S4.1-S4.2，直到完成最后运行周期内最后一个时间段控制数据的计算为止；
S5：计算出整个调度期间的总用电费用。
本实施例所述方法中，S4称之为15分钟控制，所谓的15分钟控制(15-minuteahead control)即是使用滚动时域优化算法后得到的控制方式，即原本的日前控制的计算周期为24小时，此时将此计算周期缩短为15分钟，以下详细介绍其原理。
考虑到系统输入预测数据，包括气温、电价、太阳辐射值和不可控负荷等存在着不确定性后，本实施例采用了滚动时域优化(Rolling Horizon Optimization,RHO)算法来制定新的控制策略。在采用RHO的控制策略中，系统的输入数据在每个时间段进行更新。通过这个操作，可以较大限度地减轻预测误差的影响。本控制模型是以24小时为一个运行周期，并将每个计算的时间段步长定为15分钟
滚动时域优化控制策略详细如图6所示。本实施例中，设定每15分钟给出一组新的预测控制数据。图7给出了基于MILP的滚动时域优化控制方案的具体流程。可见，相比日前控制方式，15分钟控制在每一个时间段前都需要从气象部门和电力公司获得更新的数据，并在每一个时间段开始前计算得到控制数据并输出。所以，15分钟控制可以说是一种准实时的控制，而当条件允许的情况下(气象部门和电力公司能够按要求及时提供数据，并且本地MGCC的计算速度满足要求)，系统的时间段可以进一步地缩短，使其更接近于实时控制。由于每15分钟即获得一次新的预测数据，故15分钟控制方法获得的输入数据，其预测误差要比日前控制要小很多，特别是在时间轴上更加靠后的数据点。因此，在输入数据预测误差更小的情况下，15分钟控制方法能够得到更小的控制误差，于是在满足系统各项约束条件方面会表现得更好(特别是用户热舒适度要求方面)。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (4)

1.一种空调可控负荷、光伏储能系统协同控制系统的控制方法，其特征在于，所述协同控制系统包括光伏储能系统、可控负荷及基础负荷聚合模块、微电网控制中心、母线通信总线；
光伏储能系统包括：光伏发电组、电池储能装置和微电源控制器；
可控负荷及基础负荷聚合模块包括：空调负荷、负荷控制器和其他负荷；
光伏发电组与电池储能装置电连接，电池储能装置与微电源控制器电连接，微电源控制器与母线连接，母线与主电网电连接，空调负荷、其他负荷分别与负荷控制器电连接，负荷控制器与母线连接；
微电源控制器、负荷控制器、微电网控制中心三者之间通信连接；
所述协同控制系统中的光伏储能系统含有N个，所述可控负荷及基础负荷聚合模块M个，其中N和M为正整数；
所述协同控制系统还包括分布式管理系统；分布式管理系统和微电网控制中心通信连接；
所述方法包括：
S1：构建空调可控负荷、光伏储能系统协同控制系统模型；所述模型里包括：空调负荷模型、光伏发电模型和电池储能系统模型；
其中，空调负荷模型包括二维参数模型和空调组热舒适性约束；
S2：对二维热工参数模型线性化，将空调可控负荷、光伏储能系统协同控制系统模型的优化转化为基于MILP的系统模型；
S3：对S2转换后的基于MILP的系统模型输入日前数据，利用日前优化调度策略进行优化计算，产生日前调度数据；
S4：对S2转换后的基于MILP的系统模型输入实时数据，以日前调度数据作为实时数据的起点，采用滚动时域优化算法制定控制策略，得出实时调度数据；
S5：根据实时调度数据，计算出整个调度期间的总用电费用。
2.根据权利要求1所述的控制方法，其特征在于，S1中二维热工参数模型为：
Figure FDA0004179562490000021
Figure FDA0004179562490000022
Figure FDA0004179562490000023
Figure FDA0004179562490000024
Figure FDA0004179562490000025
Figure FDA0004179562490000026
/>
其中，Tr(t)是在t时刻的室内空气温度，单位为℃；Tw(t)是在t时刻的房屋墙体的温度，单位为℃；Cpa和Cpw分别是空气和墙体的热容量，单位为J/kg·℃；Qgain_a(t)是室外环境向室内空气传递的热量，单位为J；Qgain_w(t)是室外环境向房屋墙体传递的热量，单位为J；Qex_w_r(t)是室内空气和墙壁内表面之间交换的热量，单位为J；Qac(t)是空调的制冷量或制热量，单位为J；Ma和Mw分别是室内空气和墙体的质量，单位为kg；Tamb(t)是t时刻的室外环境温度，单位为℃；Req是房屋墙体的等效热阻；Rwr是房屋墙体内表面与房屋内部空气之间的等效热阻；COP是空调系统的性能系数，单位为1；Pac是空调的额定功率，单位为kW；Rwa是房屋墙体外表面与外部环境空气之间的等效热阻；
公式(2.1)和(2.2)分别是表示室内空气温度和墙体温度的变化速率，公式(2.3)-(2.6)分别表示外部环境向室内空气传递热量的速率、室内空气与墙体之间热量交换的速率、空调制冷或制热的速率、以及外部环境向墙壁传递热量的速率。
3.根据权利要求2所述的控制方法，其特征在于，S2中构建目标函数并表示为：
Figure FDA0004179562490000031
其中，Pg_buyi(t)和Pg_selli(t)分别代表了在时刻t，节点i上，配电网从主电网买电的功率及配电网向主电网卖电的功率，单位为kW；Cbuyi(t)和Cselli(t)分别代表了在时刻t，节点i上，买电和卖电的价格，单位为元；τ定义为时间步长，并在每个时间步长内，所有参数都假定为常量。
4.根据权利要求1-3任一项所述的控制方法，其特征在于，S4包括以下步骤：
S4.1：基于MILP的系统模型将一个运行周期分成若干个时间段；
在第一个时间段开始前，根据提前一天的预测数据，包括气温、太阳辐射值、电价，计算并生成一组控制数据，但只取第一个时间段的数据进行第一个时间段的控制；
S4.2：在下一个时间段开始前，系统获取一组新的输入数据，同时根据上一个时间段的数据，再一次进行基于MILP的优化计算，得到下一个时间段的控制数据；
S4.3：依次提取各时间段内数据进行控制，重复S4.1-S4.2，直到完成最后运行周期内最后一个时间段控制数据的计算为止。
CN201910810430.2A 2019-08-29 2019-08-29 一种空调可控负荷、光伏储能系统的协同控制系统及方法 Active CN110474370B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910810430.2A CN110474370B (zh) 2019-08-29 2019-08-29 一种空调可控负荷、光伏储能系统的协同控制系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910810430.2A CN110474370B (zh) 2019-08-29 2019-08-29 一种空调可控负荷、光伏储能系统的协同控制系统及方法

Publications (2)

Publication Number Publication Date
CN110474370A CN110474370A (zh) 2019-11-19
CN110474370B true CN110474370B (zh) 2023-05-23

Family

ID=68514235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910810430.2A Active CN110474370B (zh) 2019-08-29 2019-08-29 一种空调可控负荷、光伏储能系统的协同控制系统及方法

Country Status (1)

Country Link
CN (1) CN110474370B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111339689B (zh) * 2020-03-30 2023-02-07 广东工业大学 建筑综合能源调度方法、系统、存储介质及计算机设备
CN112859956B (zh) * 2021-01-22 2022-07-15 阳光新能源开发股份有限公司 温度调节设备的控制方法和装置
CN113849015A (zh) * 2021-10-08 2021-12-28 润泰新能源集团有限公司 能源智慧温室及控制方法
CN114221364B (zh) * 2021-12-09 2024-04-12 国网上海市电力公司 一种低压配电网光伏-储能-负荷协调运行方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103595138A (zh) * 2013-11-21 2014-02-19 国网上海市电力公司 一种智能微电网系统
CN204668981U (zh) * 2015-04-15 2015-09-23 深圳市科瑞达新能源科技有限公司 交直流变频变压光伏智能发电系统
CN109004686A (zh) * 2018-08-29 2018-12-14 三峡大学 一种考虑冰蓄冷空调多模式的冷热电联供型微网系统
CN109510247A (zh) * 2018-11-16 2019-03-22 国网辽宁省电力有限公司葫芦岛供电公司 一种可控负荷与清洁能源发电技术协同优化控制方法
CN109583012A (zh) * 2018-10-18 2019-04-05 国网安徽省电力有限公司 先进绝热压缩空气储能与风电协同运行调度方法与装置
CN110084394A (zh) * 2019-06-11 2019-08-02 天津大学 一种考虑温控设备和电动汽车的工业用户智能用电优化方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180046160A1 (en) * 2016-08-12 2018-02-15 Robert Bosch Llc Methods and systems for providing photovoltaic plant power feed-in

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103595138A (zh) * 2013-11-21 2014-02-19 国网上海市电力公司 一种智能微电网系统
CN204668981U (zh) * 2015-04-15 2015-09-23 深圳市科瑞达新能源科技有限公司 交直流变频变压光伏智能发电系统
CN109004686A (zh) * 2018-08-29 2018-12-14 三峡大学 一种考虑冰蓄冷空调多模式的冷热电联供型微网系统
CN109583012A (zh) * 2018-10-18 2019-04-05 国网安徽省电力有限公司 先进绝热压缩空气储能与风电协同运行调度方法与装置
CN109510247A (zh) * 2018-11-16 2019-03-22 国网辽宁省电力有限公司葫芦岛供电公司 一种可控负荷与清洁能源发电技术协同优化控制方法
CN110084394A (zh) * 2019-06-11 2019-08-02 天津大学 一种考虑温控设备和电动汽车的工业用户智能用电优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Parameter identification and model based predictive control of temperature inside a house";Radu B˘alan et al.;《Energy and Buildings》;20110331;第43卷;第748-758页 *
"分布式光伏/储能系统多运行模式协调控制策略";杨子龙等;《中国电机工程学报》;20190420;第39卷(第8期);第2213-2220、S4页 *

Also Published As

Publication number Publication date
CN110474370A (zh) 2019-11-19

Similar Documents

Publication Publication Date Title
Baniasadi et al. Optimal sizing design and operation of electrical and thermal energy storage systems in smart buildings
Lv et al. Model predictive control based robust scheduling of community integrated energy system with operational flexibility
Nan et al. Optimal residential community demand response scheduling in smart grid
Merdanoğlu et al. Finding optimal schedules in a home energy management system
CN110474370B (zh) 一种空调可控负荷、光伏储能系统的协同控制系统及方法
Anvari-Moghaddam et al. Cost-effective and comfort-aware residential energy management under different pricing schemes and weather conditions
Hakimi et al. Optimal planning of a smart microgrid including demand response and intermittent renewable energy resources
CN105207205B (zh) 一种融合需求侧响应的分布式能源系统能量优化调控方法
CN105931136A (zh) 一种融合需求侧虚拟储能系统的楼宇微网优化调度方法
McLarty et al. Micro-grid energy dispatch optimization and predictive control algorithms; A UC Irvine case study
Li et al. Reinforcement learning of room temperature set-point of thermal storage air-conditioning system with demand response
Zeng et al. A regional power grid operation and planning method considering renewable energy generation and load control
CN110729726A (zh) 一种智慧社区能量优化调度方法和系统
Ma et al. Two-stage stochastic robust optimization model of microgrid day-ahead dispatching considering controllable air conditioning load
Pinzon et al. An MILP model for optimal management of energy consumption and comfort in smart buildings
Wang et al. Smart coordination of virtual energy storage systems for distribution network management
Wang et al. Event-triggered online energy flow control strategy for regional integrated energy system using Lyapunov optimization
Huang et al. Optimization model for home energy management system of rural dwellings
Zhang et al. Research on scheduling control strategy of large-scale air conditioners based on electric spring
Xiong et al. A simplified improved transactive control of air-conditioning demand response for determining room set-point temperature: Experimental studies
Lu et al. Two-stage robust scheduling and real-time load control of community microgrid with multiple uncertainties
CN113131519A (zh) 一种基于混合整数线性规划的家庭能量管理优化方法
Juyal et al. Optimized Cost of Energy by a Home Energy Management System Employing Dynamic Power Import Limit Strategy: A Case study Approach
Abou Houran et al. Energy management of microgrid in smart building considering air temperature impact
CN113036751A (zh) 一种考虑虚拟储能的可再生能源微电网优化调度方法

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
GR01 Patent grant
GR01 Patent grant