CN110675042A - 基于K-Means聚类算法的工业用户储能建设研判方法 - Google Patents

基于K-Means聚类算法的工业用户储能建设研判方法 Download PDF

Info

Publication number
CN110675042A
CN110675042A CN201910874643.1A CN201910874643A CN110675042A CN 110675042 A CN110675042 A CN 110675042A CN 201910874643 A CN201910874643 A CN 201910874643A CN 110675042 A CN110675042 A CN 110675042A
Authority
CN
China
Prior art keywords
energy storage
peak
user
power
load
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
CN201910874643.1A
Other languages
English (en)
Other versions
CN110675042B (zh
Inventor
赵杨阳
邓博雅
陈辉
张华鲁
石杰
徐政伟
朱星阳
韩光洁
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.)
State Grid (suzhou) Urban Energy Research Institute Co Ltd
State Grid Corp of China SGCC
NARI Group Corp
Nari Information and Communication Technology Co
Original Assignee
State Grid (suzhou) Urban Energy Research Institute Co Ltd
State Grid Corp of China SGCC
NARI Group Corp
Nari Information and Communication Technology Co
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 State Grid (suzhou) Urban Energy Research Institute Co Ltd, State Grid Corp of China SGCC, NARI Group Corp, Nari Information and Communication Technology Co filed Critical State Grid (suzhou) Urban Energy Research Institute Co Ltd
Priority to CN201910874643.1A priority Critical patent/CN110675042B/zh
Publication of CN110675042A publication Critical patent/CN110675042A/zh
Application granted granted Critical
Publication of CN110675042B publication Critical patent/CN110675042B/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
    • G06Q10/06—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Educational Administration (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于K‑Means聚类算法的工业用户储能建设研判方法，包括如下步骤：构建基于K‑Means聚类算法的工业用户用电负荷类型判定模型；针对用户的典型负荷曲线，计算所需储能容量；计算用户的潜力值，并结合变压器额定容量，用电负荷，储能容量对用户是否适合进行储能建设进行综合分析。本文发明采用的工业用户类型判定模型，可以通过用户的历史用电数据，得到用户的典型负荷曲线；通过对典型负荷曲线的分析，得到用户的用电类型(一充一放，一充两放，两充两放等)；并结合变压器容量，峰谷差等因素对用户是否适合安装处储能设备，以及所需的储能容量进行快速分析计算，从而帮助工业用户决策，降低成本。

Description

基于K-Means聚类算法的工业用户储能建设研判方法
技术领域
本发明属于电力存储技术应用领域，具体涉及一种基于K-Means聚类算法的工业用户储能建设研判方法。
背景技术：
储能是指通过某种方法实现对能量的存储，并在需要时进行释放的一系列相关技术。储能技术在削峰填谷、提高设备利用效率、延缓建设投资、增强系统安全性等方面发挥着巨大的作用。储能技术应用于电力系统，可以改变电能生产、输送与消费必须同步完成的传统模式，其应用范围贯穿整个发电、输电、配电、用电系统。通过对用户侧储能技术的研究，明确用户储能建设中存在的问题，对推动能源行业整体发展，实现能源结构转变和电力生产消费方式变革具有重大的意义。所以对于大工业用户来说，合理的运用储能技术，在用电低谷时将多余电能储存起来，在用电高峰时再将存储的电能以合理的方式释放出来，从而达到削峰填谷的目的。这样不仅能够合理地降低城市大峰谷差给电网造成的压力，同时也能起到科学的节能减排效果。
现有的模型基本都是针对某一类型的特定情况下的特定用户用电规划，缺少普适性。大多数基于用户侧电力调整的策略，为了降低高峰负荷，会额外的增加用户的成本，不利于进行推广；大多数方案仅考虑如时域电价，性能等主要因素，对于用户已有的客观条件，如已安装的变压器额定容量，安装区域，用户信用等级缺乏考虑，所以实用价值有限。
发明内容
本发明的目的在于提供一种基于K-Means聚类算法的工业用户储能建设研判方法，以解决现有技术中导致的模型成本高，缺乏普遍性的缺陷。
基于K-Means聚类算法的工业用户储能建设研判方法，所述方法包括如下步骤：
获取用电数据，得到负荷类型和负荷曲线；
根据负荷类型及负荷曲线计算得到用电峰谷差和储能容量；
根据峰谷差得到潜力值；
将峰谷差、储能容量、电压额定容量和潜力值输入到构建好的模型中进行储能建设研判。
进一步的，所述峰谷差的计算方法包括如下步骤：
通过算法对历史数据进行聚类得到样本数据；
根据样本数据中数目最多的簇的质心得到用电负荷；
根据用电负荷曲线得到用电的峰值与谷值；
将用电的峰值与谷值相减得到峰谷差值。
进一步的，所述负荷类型包括一充一放型、一充两放型和两充两放型中的一种或多种。
进一步的，所述负荷曲线的获取方法包括如下步骤：
通过算法将用电数据样本集D划分为k个不相交的簇
{Cf|f＝1,2,...,k}；
其中
Figure BDA0002203935970000031
f'≠f，且有
Figure BDA0002203935970000032
提取样本数目最多的簇的质心绘制成负荷曲线，上式中C为使用算法进行聚类得到的簇；f为簇的编号；Cf为具体的簇；簇中包含样本数目；Cf中包含样本也就是元素数目最多的簇的质心，即所求的用电负荷曲线。
进一步的，所述储能容量的计算方法包括如下步骤：
根据负荷曲线，计算高峰负荷时段的平均用电功率Ph_a；
通过用电功率Ph_a以及全天的平均功率Paverage计算系统功率等级PES＝Ph_a-Paverage；
结合高峰负荷时段持续时间计算得出储能容量。
进一步的，所述潜力值的计算方法包括如下步骤：
对峰谷差进行归一化；
根据归一化的数据以及负荷波动计算得到潜力值，可由下式得到：
Figure BDA0002203935970000033
上式中
Figure BDA0002203935970000035
表示潜力值；ξ代表工业用户的典型负荷曲线中总共的用电量；Phigh与Plow分别为峰值功率与谷值功率；hhigh与hlow分别为用户用电在峰值与谷值时持续的时间。
进一步的，所述储能建设研判的方法包括如下步骤：
计算高负荷时段(峰值时刻)平均用电功率Ph_a：
Figure BDA0002203935970000034
其中Pi是高负荷时段中对应的采样点的瞬时功率；nhigh是高负荷时段中采样点的个数；同理，可以得到典型负荷曲线的整体平均功率Paverage；
通过公式PES＝Ph_a-Paverage，可以计算出储能系统功率等级，所以储能系统容量为：
其中Th为高负荷时段持续时间(单位为h)，Th可以通过高负荷时段中采样点的数目得到：Th＝4×nhigh；
根据负荷曲线得到最大需量Ppeak；
将最大需量Ppeak与变压器额定容量ω进行比较，可得：
(1)Ppeak>40％ω；
(2)(Ppeak-Ph_a)÷Paverage>20％；
(3)EES÷0.2+Pl_a>Ppeak；
当满足上述三个条件则说明适合安装储能设备，反之，不满足其中的一条或者几条时，则说明不适合安装储能设备。
进一步的，所述模型的构建方法包括如下步骤：
获取历史用电数据中若干时刻下的具体用电数值；
将具体用电数值以天为单位进行分组，得到样本模型。
进一步的，历史用电数据中若干时刻下的具体用电数值的获取包括如下步骤：
从每天的零点时刻开始，间隔5-20分钟进行用电数值的采集。
本发明的优点在于：
(1)用户的普适性较高，适合任何类型的大工业用户使用；
(2)通过对峰谷差，电压器额定容量等多方面进行分析，能够帮助用户快速进行决策，减少用户不必要的开销；
(3)综合考虑了用户在节假日，工作日，产能调整以及特殊情况的用电负荷。
附图说明
图1为本发明中整个用户储能判定方法的总体示意图。
图2为本发明中基于用户典型用户负荷曲线分析的流程示意图。
图3为本发明中一充一放用电负荷类型示意图。
图4为本发明中一充两放用电负荷类型示意图。
图5为本发明中两充两放用电负荷类型示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
如图1至图5所示，基于K-Means聚类算法的工业用户储能建设研判方法，所述方法包括如下步骤：
步骤一：用户用电负荷类型判断模型：收集工业用户的历史用电数据，使用K-Means聚类算法得到用户的典型负荷曲线以及对应的用电负荷类型；
步骤二：用户储能容量预算：通过对用户典型用电负荷的峰谷差值，以及持续时间进行计算，得到用户所需的储能容量；
步骤三：用户潜力值计算：通过峰谷差以及负荷波动计算用户的潜力值，潜力值越高，说明用户越适合进行储能建设；
步骤四：储能判定：结合用户的峰谷差、储能容量、电压额定容量等因素判定用户是否适合安装储能设备。
该模型主要使用K-Means聚类算法对工业用户的历史数据进行分析。样本集D＝{x1,x2,...,xm}代表一个工业用户在m天的用电情况，其中xi，i≤m，是一个样本，它代表该工业用户在一天内的用电量负荷变化。每个样本xi＝(xi1,xi2,...,xin)是一个n维的特征向量。这里设定电厂每隔十五分钟对工业用户电表进行一次数据采集，一天共采集96点。为了方便理解和计算，用一个包含97个集合(s0,s1,...,s95,s96)来表示，这里的s96并不是同一天的采集数据，而是第二天零点的采集数据，与第二天的s0相等。令xin＝(Sn-Sn-1)×θ÷0.25(单位：KW)，其中θ为补偿系数。xin为工业用户在某一天内15分钟的平均功率，1≤n≤96。这样可以用96个离散点近似的表示工业用户一天内的工厂的电功率的变化情况。
如图2所示为基于K-Means聚类算法的工业用户储能建设判定的具体流程图，通过用户的历史用电数据提炼出用户的典型负荷曲线并进行分析。
基于K-Means聚类算法的工业用户储能建设研判方法中，通过K-Means算法将工业用户的历史用电量样本集D划分为k个不相交的簇{Cf|f＝1,2,...,k}，其中
Figure BDA0002203935970000061
f'≠f，且有
Figure BDA0002203935970000062
基于K-Means聚类算法的工业用户储能建设研判方法中，典型负荷曲线为包含样本数目最多的簇的质心。
工业用户储能容量预算的具体步骤为：
(2-1)根据用户的典型负荷曲线，计算工业用户典型负荷曲线的高峰负荷时段的平均用电功率Ph_a；
(2-2)通过工业用户的高峰负荷的时段的平均用电功率Ph_a以及全天的平均功率Paverage计算用户的系统功率等级PES＝Ph_a-P平均负荷；
(2-3)结合高负荷时段持续时间计算工业用户的需要的储能容量。
储能容量：该步骤的储能容量是一个预计值，不是必须值，是否有必要进行储能建设还要继续进行分析。
用户的潜力值计算为：计算工业用户峰谷差，对峰谷差进行归一化，以此计算用户的潜力值。
所述工业户类型分析是基于对用户典型负荷曲线的分析进行综合考虑的，具体来说用户要考虑以下三分方面：
(4-1)工业用户的典型负荷曲线中的最大功率为用户的最大需量。如果工业用户的最大需量kW大于变压器额定容量kVA的40％，则用户在可以安装储能设备；
(4-2)如果工业用户满足(最大需量-高峰时段月平均负荷)/月平均负荷大于百分之二十，即(Ppeak-Ph_a)÷Paverage>20％，则该工业用户适合安装储能来降低最大需量；
(4-3)设充放电倍率取一般值0.2C，即一次完全充电时间为5小时，则充电期间增加用户负荷为EES/5。如果
Figure BDA0002203935970000071
低谷平均负荷>用户最大需量,则该工业用户不适合储能建设。
如图3至图5为所述的工业用户典型负荷曲线的类型，依次为：一充一放(用电期间有一段高峰期和一段低谷期)，一充两放(两段连续的高峰和一段低谷)，两充两放(两段不连续的高峰和两段低谷期)。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims (9)

1.基于K-Means聚类算法的工业用户储能建设研判方法，其特征在于，所述方法包括如下步骤：
获取用电数据，得到负荷类型和负荷曲线；
根据负荷类型及负荷曲线计算得到用电峰谷差和储能容量；
根据峰谷差得到潜力值；
将峰谷差、储能容量、电压额定容量和潜力值输入到构建好的模型中进行储能建设研判。
2.根据权利要求1所述的基于K-Means聚类算法的工业用户储能建设研判方法，其特征在于：所述峰谷差的计算方法包括如下步骤：
通过算法对历史数据进行聚类得到样本数据；
根据样本数据中数目最多的簇的质心得到用电负荷；
根据用电负荷曲线得到用电的峰值与谷值；
将用电的峰值与谷值相减得到峰谷差值。
3.根据权利要求1所述的基于K-Means聚类算法的工业用户储能建设研判方法，其特征在于：所述负荷类型包括一充一放型、一充两放型和两充两放型中的一种或多种。
4.根据权利要求1所述的基于K-Means聚类算法的工业用户储能建设研判方法，其特征在于：所述负荷曲线的获取方法包括如下步骤：
通过算法将用电数据样本集D划分为k个不相交的簇
{Cf|f＝1,2,...,k}；其中
Figure FDA0002203935960000021
f'≠f，且有
Figure FDA0002203935960000022
上式中C为使用算法进行聚类得到的簇；f为簇的编号；Cf为具体的簇，簇中包含样本数目；
提取样本数目最多的簇的质心绘制成负荷曲线；
Cf中包含样本也就是元素数目最多的簇的质心，即所求的用电负荷曲线。
5.根据权利要求1所述的基于K-Means聚类算法的工业用户储能建设研判方法，其特征在于：所述储能容量的计算方法包括如下步骤：
根据负荷曲线，计算高峰负荷时段的平均用电功率Ph_a；
通过用电功率Ph_a以及全天的平均功率Paverage计算系统功率等级PES＝Ph_a-Paverage；
结合高峰负荷时段持续时间计算得出储能容量。
6.根据权利要求1所述的基于K-Means聚类算法的工业用户储能建设研判方法，其特征在于：所述潜力值的计算方法包括如下步骤：
对峰谷差进行归一化；
根据归一化的数据以及负荷波动计算得到潜力值，可由下式得到：
Figure FDA0002203935960000023
上式中θ表示潜力值；ξ代表工业用户的典型负荷曲线中总共的用电量；Phigh与Plow分别为峰值功率与谷值功率；hhigh与hlow分别为用户用电在峰值与谷值时持续的时间。
7.根据权利要求1所述的基于K-Means聚类算法的工业用户储能建设研判方法，其特征在于：所述储能建设研判的方法包括如下步骤：
计算高负荷时段(峰值时刻)平均用电功率Ph_a：
Figure FDA0002203935960000031
其中Pi是高负荷时段中对应的采样点的瞬时功率；nhigh是高负荷时段中采样点的个数；同理，可以得到典型负荷曲线的整体平均功率Paverage；
通过公式PES＝Ph_a-Paverage，可以计算出储能系统功率等级，所以储能系统容量为：
Figure FDA0002203935960000032
其中Th为高负荷时段持续时间(单位为h)，Th可以通过高负荷时段中采样点的数目得到：Th＝4×nhigh；
根据负荷曲线得到最大需量Ppeak；
将最大需量Ppeak与变压器额定容量ω进行比较，可得：
(1)Ppeak>40％ω；
(2)(Ppeak-Ph_a)÷Paverage>20％；
(3)EES÷0.2+Pl_a>Ppeak；
当满足上述三个条件则说明适合安装储能设备，反之，不满足其中的一条或者几条时，则说明不适合安装储能设备。
8.根据权利要求1所述的基于K-Means聚类算法的工业用户储能建设研判方法，其特征在于：所述模型的构建方法包括如下步骤：
获取历史用电数据中若干时刻下的具体用电数值；
将具体用电数值以天为单位进行分组，得到样本模型。
9.根据权利要求8所述的基于K-Means聚类算法的工业用户储能建设研判方法，其特征在于：历史用电数据中若干时刻下的具体用电数值的获取方法包括如下步骤：
从每天的零点时刻开始，间隔5-20分钟进行用电数值的采集。
CN201910874643.1A 2019-09-17 2019-09-17 基于K-Means聚类算法的工业用户储能建设研判方法 Active CN110675042B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910874643.1A CN110675042B (zh) 2019-09-17 2019-09-17 基于K-Means聚类算法的工业用户储能建设研判方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910874643.1A CN110675042B (zh) 2019-09-17 2019-09-17 基于K-Means聚类算法的工业用户储能建设研判方法

Publications (2)

Publication Number Publication Date
CN110675042A true CN110675042A (zh) 2020-01-10
CN110675042B CN110675042B (zh) 2022-07-01

Family

ID=69078366

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910874643.1A Active CN110675042B (zh) 2019-09-17 2019-09-17 基于K-Means聚类算法的工业用户储能建设研判方法

Country Status (1)

Country Link
CN (1) CN110675042B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111525601A (zh) * 2020-05-27 2020-08-11 远景智能国际私人投资有限公司 用户侧储能设备的充放电控制方法、装置及存储介质
CN111817294A (zh) * 2020-07-07 2020-10-23 郑州工程技术学院 基于数学模型的电网供电控制系统、方法及设备
CN112002121A (zh) * 2020-08-24 2020-11-27 上海能辉科技股份有限公司 储能微电网dlt-645非接触式智能抄表系统
CN113326303A (zh) * 2021-05-31 2021-08-31 广东电网有限责任公司 一种用户用电行为分析方法及相关装置
CN113592271A (zh) * 2021-07-22 2021-11-02 佳源科技股份有限公司 分布式储能用户挖掘方法、装置、计算机设备及存储介质
CN116683499A (zh) * 2023-08-04 2023-09-01 国网山西电力勘测设计研究院有限公司 一种用户侧储能装置功率的计算方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146252A (zh) * 2018-07-25 2019-01-04 国家电网有限公司 基于调节潜力指标的用户用电行为聚类分析方法和系统
CN110210914A (zh) * 2019-06-17 2019-09-06 华北电力大学 基于智能推荐的居民用电需求响应方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109146252A (zh) * 2018-07-25 2019-01-04 国家电网有限公司 基于调节潜力指标的用户用电行为聚类分析方法和系统
CN110210914A (zh) * 2019-06-17 2019-09-06 华北电力大学 基于智能推荐的居民用电需求响应方法

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111525601A (zh) * 2020-05-27 2020-08-11 远景智能国际私人投资有限公司 用户侧储能设备的充放电控制方法、装置及存储介质
CN111525601B (zh) * 2020-05-27 2023-09-12 远景智能国际私人投资有限公司 用户侧储能设备的充放电控制方法、装置及存储介质
CN111817294A (zh) * 2020-07-07 2020-10-23 郑州工程技术学院 基于数学模型的电网供电控制系统、方法及设备
CN111817294B (zh) * 2020-07-07 2022-02-11 郑州工程技术学院 基于数学模型的电网供电控制系统、方法及设备
CN112002121A (zh) * 2020-08-24 2020-11-27 上海能辉科技股份有限公司 储能微电网dlt-645非接触式智能抄表系统
CN113326303A (zh) * 2021-05-31 2021-08-31 广东电网有限责任公司 一种用户用电行为分析方法及相关装置
CN113592271A (zh) * 2021-07-22 2021-11-02 佳源科技股份有限公司 分布式储能用户挖掘方法、装置、计算机设备及存储介质
CN116683499A (zh) * 2023-08-04 2023-09-01 国网山西电力勘测设计研究院有限公司 一种用户侧储能装置功率的计算方法
CN116683499B (zh) * 2023-08-04 2023-12-08 国网山西电力勘测设计研究院有限公司 一种用户侧储能装置功率的计算方法

Also Published As

Publication number Publication date
CN110675042B (zh) 2022-07-01

Similar Documents

Publication Publication Date Title
CN110675042B (zh) 基于K-Means聚类算法的工业用户储能建设研判方法
Purvins et al. Application of battery-based storage systems in household-demand smoothening in electricity-distribution grids
CN112103946B (zh) 一种基于粒子群算法的微电网储能优化配置方法
CN109980742B (zh) 计及动力电池梯次利用基于mmc结构的充电站优化方法
CN108470231B (zh) 考虑储能系统量化特征的配电网分布式储能选址定容方法
CN106228462B (zh) 一种基于遗传算法的多储能系统优化调度方法
CN105046584A (zh) 一种基于k-means算法的理想线损率的计算方法
CN104852399A (zh) 光储微网系统的储能容量动态优化方法
CN104699959A (zh) 一种基于k-means算法的线损同类划分方法
CN113824111A (zh) 一种光储能场景中储能容量配置和调度方法
CN114611842B (zh) 一种整县屋顶分布式光伏功率预测方法
CN112086980A (zh) 考虑充电桩接入的公用配电变压器定容选型方法与系统
CN112288130B (zh) 一种基于两阶段多目标优化的新能源消纳计算方法
Klabunde et al. Use of energy storage systems in low voltage networks with high photovoltaic system penetration
CN115099489B (zh) 一种基于最优经济测算的工商业储能系统容量配置方法
Yang et al. An optimum design of hybrid energy storage for PV power fluctuation smoothing based on frequency analysis
CN114741943A (zh) 一种基于粒子群算法的储能容量配置优化方法
CN115276001A (zh) 基于分时电价和发用电预测数据的经济运行能量管理方法
CN113013909A (zh) 一种基于平抑牵引的储能容量改进方法
Hettiarachchi et al. Determination of hybrid energy storage system capacity based on empirical mode decomposition for a high PV penetrated standalone microgrid
CN111313478A (zh) 一种基于功率平滑的可再生能源储能优化配置方法
Tao et al. Distributed Energy Storage Cluster Control Method for DC Microgrid Considering Flexibility
CN112700069B (zh) 一种含储能的区域配电网短期负荷预测方法
Zeng et al. Optimal configuration of new energy grid connected energy storage capacity from the perspective of dual carbon
Su et al. Economic analysis for demand-side hybrid photovoltaic and battery energy storage system

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