CN110707737B - 一种基于云计算的高渗透新能源电网电池容量配置方法 - Google Patents
一种基于云计算的高渗透新能源电网电池容量配置方法 Download PDFInfo
- Publication number
- CN110707737B CN110707737B CN201911190463.8A CN201911190463A CN110707737B CN 110707737 B CN110707737 B CN 110707737B CN 201911190463 A CN201911190463 A CN 201911190463A CN 110707737 B CN110707737 B CN 110707737B
- Authority
- CN
- China
- Prior art keywords
- power
- new energy
- coefficient
- energy storage
- environment
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000004146 energy storage Methods 0.000 claims description 56
- 230000007613 environmental effect Effects 0.000 claims description 31
- 238000010248 power generation Methods 0.000 claims description 30
- 230000001537 neural effect Effects 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000007599 discharging Methods 0.000 claims description 7
- 238000005265 energy consumption Methods 0.000 claims description 5
- 230000001105 regulatory effect Effects 0.000 claims description 4
- 238000010408 sweeping Methods 0.000 claims description 4
- 210000000352 storage cell Anatomy 0.000 claims description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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
- Y02E40/10—Flexible AC transmission systems [FACTS]
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Biodiversity & Conservation Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于云计算的高渗透新能源电网电池容量配置方法,属于新能源优化配置技术领域,该方法首先通过云端神经网络计算所采集的各环境影响因素的环境影响系数,再分析不同环境系数下的储能电池的容量与实际需要的误差量,并通过火电机组等常规机组的出力情况及负荷预测来确定电网所能接收的新能源消纳电量,结合对新能源出力的预测值,计算需要用电池储能系统调节的功率,最后通过误差调节,得到需配置的电池储能系统容量。本发明的配置方法通过云端数据的分析计算,最大程度的确保新能源电池的最优配置。
Description
技术领域
本发明涉及新能源优化配置技术领域,尤其涉及一种基于云计算的高渗透新能源电网电池容量配置方法。
背景技术
近年来,以风电、光伏为代表的新能源得到广泛青睐和普遍关注,新能源的装机和发电量在电网中的占比也在逐年攀升,我国高渗透新能源电池储能占比在20%-30%左右。而随着新能源装机的不断发展,受网源规划不协调、就地消纳空间有限、新能源发电不稳定等多重因素影响,各地区出现不同程度的弃风弃光问题。利用储能系统在电网对新能源接纳能力不足时存储受限新能源电量,在电网接纳能力充裕时释放存储电量,可有效提高新能源的接纳能力,从而减小新能源的弃电率。
电池储能是目前运用最为广泛的一种储能形式,但其规划设计要注重考虑容量配置问题,容量配置的大小不仅影响系统投资的经济性,还对系统内新能源能量利用率和负荷供电可靠性有较大影响。目前常见的电池储能容量配置方案主要针对出力、负荷波动与经济调度,但因各地区环境不同对储能电池容量也会产生不同的影响。而且因为环境的不同,对电池储能系统容量的计算也会出现较大误差。本发明利用云计算的自助服务、广泛的网络接入、虚拟资源池化、可计量的服务等特点,通过对各地区各时段新能源发电和用电量的分析,考虑环境的影响因素,为不同环境的地区安排最优电池储能容量配置。
发明内容
针对上述现有技术的不足,本发明提供一种基于云计算的高渗透新能源电网电池容量配置方法。
为解决上述技术问题,本发明所采取的技术方案是:一种基于云计算的高渗透新能源电网电池容量配置方法,其流程如图1所示,包括如下步骤:
步骤1:对新能源电网所在环境的影响因素数据进行采集;
步骤2:设置云端神经网络,将采集到的影响因素数据输入云端神经网络中进行计算,得到各环境影响因素的影响系数;
步骤2.1:设置的云端神经网络结构如图2所示,包括输入层、隐层和输出层,所述输入层由m个输入神经单元构成,输出层由n个输出神经单元构成,隐层由c个隐层神经单元构成,隐层神经单元个数c由输入层神经单元个数m及输出层神经单元个数n决定,其计算公式如下:
步骤2.3:根据迭代结果计算各环境影响因素的影响系数:
步骤3.1:运用云计算平台,根据步骤2得到的风能发电环境系数γ预测当前环境系数下的风电输出功率:
其中,γ为风能发电环境系数,Pfeng.e为风机装机容量,vh为风机叶片高度风速,hhai为风机所在海拔高度,v为风速效率,Af为叶轮扫风面积;
步骤3.2:运用云计算平台,根据步骤2得到的光伏发电环境系数S预测当前环境系数下的光伏输出功率:
其中,S为光伏发电环境系数,Pguang.e为光伏的装机容量,B为组成光伏板的光伏组件个数,Ag为光伏板面积,W为光伏温度系数,T为光伏板表面温度;
步骤3.3:拟合计算出当前负荷曲线下的新能源发电机组的输出功率之和,即新能源出力预测值Pi.xin:
Pi.xin=Pfeng+Pguang
步骤3.4:通过多次对光伏与风电的总体功率的求解再运用加权平均的方法求出更为准确的预测:
其中,Pzong.xin为新能源发电精确预测值,εl(ε1+ε2+...εm=1)为多次计算出功率的权重,Pl为预测出的某时刻新能源发电功率,K为总的预测次数;
其中,β0为直流分量,Pu为u时刻的历史负荷功率,ωu为u时刻的角频率,K为时刻的总个数;
步骤3.6:通过负荷的需求量减去火电机组等常规机组的发电量,计算新能源电网可以消纳的新能源功率Pw.xin:
Pw.xin(t)=Pchu(t)-Pzj
其中,Pw,xin(t)为电网接受新能源最大功率,Pchu(t)为负荷消耗功率值,Pzj为火电机组等常规机组出力之和。
步骤4:通过步骤2得出的电池储能系统环境系数θ分析在该环境下放置储能电池的容量与实际使用时的误差量,结合电网所能接收的新能源消纳范围及预测的新能源出力,计算需配置的电池储能系统的容量。
步骤4.1:计算需要用电池储能系统调节的功率Pdb.xin:
Pdb.xin=Pzong.xin-Pw.xin
步骤4.2:计算在环境系数θ下放置储能电池的容量与实际使用时的误差量;
步骤4.2.1:计算在环境系数θ下电池充放电的最大功率:
充电时最大功率计算公式如下:
放电时最大功率计算公式如下:
其中,Pdis,max(t)、Pch,max(t)分别为储能电池考虑外部环境下的充电和放电最大功率,Pdian.e为储能电池额定功率,SOC(t)为储能电池在t时刻的电荷状态,η为充放电效率,Ij为充放电最大电流,为期望状态最大电流,SB为储能电池的状态,SB=0表示不工作,SB=1表示充电状态,SB=-1表示放电状态,k(k=1,2,...c)为历史数据个数;
步骤4.2.2:在环境系数θ下放置储能电池的容量与实际需要的误差量δ:
步骤4.3:需配置的电池储能系统容量Prd:
Prd=Pdb.xin×[1+δ]
其中,δ为储能电池的容量与实际需要的误差量。
采用上述技术方案所产生的有益效果在于:
1、本发明可以通过云计算分析负荷与环境之间的关系,优化配置保证了电池储能系统与用户的用电规模相匹配;
2、本发明通过云计算得出装机容量与环境之间的关系差异,保证电池储能在投入运行后,可实现最佳的效益,不出现容量、功率的缺配、超配情况。
3、本发明计算出的电池储能系统能更好的匹配电网多出的功率,减少了能源浪费、降低了电网能源成本。
附图说明
图1为本发明一种基于云计算的高渗透新能源电网电池容量配置方法流程图;
图2为本发明云端神经网络结构图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本实施例以某地区新能源电网为例,该电网风电与光伏的装机容量分别为400MW和200MW,风机扫风面积约10.36m2,光伏温度系数0.41,单个光伏板需要11个光伏组件,单个光伏板面积18.7W/m2,单个光伏板表面温度59.6°。火电机组装机容量为1300MW,电池储能系统充放电效率按90%。根据当地气象部门的气象预报:风机叶片高度风速为4m/s,风机所在海拔高度为3.3m,日照强度0-865W/m2,环境温度-2度至36度,空气密度1.243kg/m3至1.376kg/m3,相对湿度为5%至32%。
如图1所示,本实施例的方法如下所述。
步骤1:对新能源电网所在环境的影响因素数据进行采集:
步骤2:设置云端神经网络,将采集到的影响因素数据输入云端神经网络中进行计算,得到各环境影响因素的影响系数;
步骤2.1:设置的云端神经网络结构如图2所示,包括输入层、隐层和输出层,所述输入层由m=554个输入神经单元构成,输出层由n=489个输出神经单元构成,隐层由c个隐层神经单元构成,隐层神经单元个数c由输入层神经单元个数m及输出层神经单元个数n决定,其计算公式如下:
步骤2.2:将环境的影响因素数据作为输入,记为x=[x1,x2,x3,x4,x5]=[21,0.3,365,1.275,4],运用神经网络时间迭代法对输入信号进行迭代,环境温度λ的迭代公式如下:
步骤2.3:根据迭代结果计算各环境影响因素的影响系数:
本实施例中计算得到的影响系数为y=[y1,y2,y3,y4]=[0.53,0.568,0.85,0.63]
步骤3.1:运用云计算平台,根据步骤2得到的风能发电环境系数γ=0.568,预测当前环境系数下的风电输出功率:
其中,风机装机容量为Pfeng.e=400MW,风机叶片高度风速为vh=4m/s,风机所在海拔高度为hhai=3.3m,叶轮扫风面积为Af=10.36m2,v为风速效率;
步骤3.2:运用云计算平台,根据步骤2得到的光伏发电环境系数S=0.85,预测当前环境系数下的光伏输出功率:
其中,光伏的装机容量为Pguang.e=200MW,组成光伏板的光伏组件个数为B=11,光伏板面积为Ag=17.7W/m2,光伏温度系数为W=0.41,光伏板表面温度为T=59.6°;
步骤3.3:拟合计算出当前负荷曲线下的新能源发电机组的输出功率之和,即新能源出力预测值Pi.xin:
Pi.xin=Pfeng+Pguang
步骤3.4:通过536次对光伏与风电的总体功率的求解再运用加权平均的方法求出更为准确的预测:
其中,Pzong.xin为新能源发电精确预测值,εl(ε1+ε2+...εm=1)为多次计算出功率的权重,Pl为预测出的某时刻新能源发电功率,K=536为总的预测次数;
步骤3.5:运用云计算平台,根据步骤2得到的负荷环境系数θ预测负荷消耗的功率:
其中,β0为直流分量,Pu为u时刻的历史负荷功率,ωu为u时刻的角频率,K为时刻的总个数;
步骤3.6:通过负荷的需求量减去火电机组等常规机组的发电量,计算新能源电网可以消纳的新能源功率Pw.xin:
Pw.xin(t)=Pchu(t)-Pzj=1493.526-1025.687=467.839MW
其中,Pw,xin(t)为电网接受新能源最大功率,Pchu(t)为负荷消耗功率值,火电机组等常规机组出力之和为Pzj=1025.687MW。
步骤4:通过步骤2得出的电池储能系统环境系数θ分析在该环境下放置储能电池的容量与实际使用时的误差量,结合电网所能接收的新能源消纳范围及预测的新能源出力,计算需配置的电池储能系统的容量。
步骤4.1:计算需要用电池储能系统调节的功率Pdb.xin:
Pdb.xin=Pzong.xin-Pw.xin=43.481MW
步骤4.2:计算在环境系数θ下放置储能电池的容量与实际使用时的误差量;
步骤4.2.1:计算在环境系数θ=0.53下电池充放电的最大功率,由于步骤4.1已计算出需要调节的功率,此处选取50MW电池进行计算:
充电时最大功率计算公式如下:
放电时最大功率计算公式如下:
其中,Pdis,max(t)、Pch,max(t)分别为储能电池考虑外部环境下的充电和放电最大功率,储能电池额定功率为Pdian.e=50MW,SOC(t)为储能电池在t时刻的电荷状态,充放电效率为η=90%,Ij为充放电最大电流,为期望状态最大电流,SB为储能电池的状态,SB=0表示不工作,SB=1表示充电状态,SB=-1表示放电状态,本实施案例在{0、1、-1}中随机选取536个数据作为历史运行数据,k(k=1,2,...c)为历史数据个数;
步骤4.2.2:在环境系数θ下放置储能电池的充能容量与实际需要消耗功率的误差量δ:
步骤4.3:需配置的电池储能系统容量Prd:
Prd=Pdb.xin×[1+δ]=47.69MW
其中,δ为储能电池的容量与实际需要的误差量。
根据上面算法可基本上确定电池储能系统的容量,具体数据整理为下表所示:
项目 | 无储能 | 本发明储能方案 |
储能配置方案 | 0 | 50MW |
弃风率/% | 4.32 | 2.75 |
弃光率/% | 18.69 | 15.81 |
Claims (2)
1.一种基于云计算的高渗透新能源电网电池容量配置方法,其特征在于包括如下步骤:
步骤1:对新能源电网所在环境的影响因素数据进行采集;
步骤2:设置云端神经网络,将采集到的影响因素数据输入云端神经网络中进行计算,得到各环境影响因素的影响系数;
步骤3:通过步骤2得出的风能发电环境系数γ、光伏发电环境系数S、负荷环境系数θ,对新能源出力和负荷进行预测,并通过火电机组出力情况及负荷预测值来确定电网所能接受的新能源消纳电量范围,过程如下;
步骤3.1:运用云计算平台,根据步骤2得到的风能发电环境系数γ预测当前环境系数下的风电输出功率:
其中,γ为风能发电环境系数,Pfeng.e为风机装机容量,vh为风机叶片高度风速,hhai为风机所在海拔高度,v为风速效率,Af为叶轮扫风面积;
步骤3.2:运用云计算平台,根据步骤2得到的光伏发电环境系数S预测当前环境系数下的光伏输出功率:
其中,S为光伏发电环境系数,Pguang.e为光伏的装机容量,B为组成光伏板的光伏组件个数,Ag为光伏板面积,W为光伏温度系数,T为光伏板表面温度;
步骤3.3:拟合计算出当前负荷曲线下的新能源发电机组的输出功率之和,即新能源出力预测值Pi.xin:
Pi.xin=Pfeng+Pguang
步骤3.4:通过多次对光伏与风电的总体功率的求解再运用加权平均的方法求出更为准确的预测:
其中,Pzong.xin为新能源发电精确预测值,εl为多次计算出功率的权重,ε1+ε2+...εm=1,Pl为预测出的某时刻新能源发电功率,K为总的预测次数;
其中,β0为直流分量,Pu为u时刻的历史负荷功率,ωu为u时刻的角频率,K为时刻的总个数;
步骤3.6:通过负荷的需求量减去常规机组的发电量,计算新能源电网可以消纳的新能源功率Pw.xin:
Pw.xin(t)=Pchu(t)-Pzj
其中,Pw,xin(t)为电网接受新能源最大功率,Pchu(t)为负荷消耗功率值,Pzj为常规机组出力之和;
步骤4:通过步骤2得出的电池储能系统环境系数θ分析在该环境下放置储能电池的容量与实际使用时的误差量,结合电网所能接收的新能源消纳电量范围及预测的新能源出力,计算需配置的电池储能系统的容量,过程如下:
步骤4.1:计算需要用电池储能系统调节的功率Pdb.xin:
Pdb.xin=Pzong.xin-Pw.xin
步骤4.2:计算在环境系数θ下放置储能电池的容量与实际使用时的误差量;
步骤4.2.1:计算在环境系数θ下电池充放电的最大功率:
充电时最大功率计算公式如下:
放电时最大功率计算公式如下:
其中,Pdis,max(t)、Pch,max(t)分别为储能电池考虑外部环境下的充电和放电最大功率,Pdian.e为储能电池额定功率,SOC(t)为储能电池在t时刻的电荷状态,η为充放电效率,Ij为充放电最大电流,为期望状态最大电流,SB为储能电池的状态,SB=0表示不工作,SB=1表示充电状态,SB=-1表示放电状态,k为历史数据个数,k=1,2,...m;
步骤4.2.2:在环境系数θ下放置储能电池的容量与实际需要的误差量δ:
步骤4.3:计算需配置的电池储能系统容量Prd:
Prd=Pdb.xin×[1+δ]
其中,δ为储能电池的容量与实际需要的误差量。
2.根据权利要求1所述的一种基于云计算的高渗透新能源电网电池容量配置方法,其特征在于所述步骤2的过程如下:
步骤2.1:设置的云端神经网络包括输入层、隐层和输出层,所述输入层由m个输入神经单元构成,输出层由n个输出神经单元构成,隐层由c个隐层神经单元构成,隐层神经单元个数c由输入层神经单元个数m及输出层神经单元个数n决定,其计算公式如下:
步骤2.3:根据迭代结果计算各环境影响因素的影响系数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911190463.8A CN110707737B (zh) | 2019-11-28 | 2019-11-28 | 一种基于云计算的高渗透新能源电网电池容量配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911190463.8A CN110707737B (zh) | 2019-11-28 | 2019-11-28 | 一种基于云计算的高渗透新能源电网电池容量配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110707737A CN110707737A (zh) | 2020-01-17 |
CN110707737B true CN110707737B (zh) | 2021-09-28 |
Family
ID=69207972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911190463.8A Active CN110707737B (zh) | 2019-11-28 | 2019-11-28 | 一种基于云计算的高渗透新能源电网电池容量配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110707737B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288130B (zh) * | 2020-09-24 | 2023-09-05 | 国网内蒙古东部电力有限公司 | 一种基于两阶段多目标优化的新能源消纳计算方法 |
CN112583038B (zh) * | 2020-12-22 | 2023-06-02 | 国网甘肃省电力公司陇南供电公司 | 一种基于分布式光伏集中消纳的储能蓄电池容量配置方法 |
CN112953000B (zh) * | 2021-01-22 | 2022-07-05 | 中程数智信息技术南京有限公司 | 一种智慧社区微电网和新能源相结合的节能供电方法 |
CN115459307B (zh) * | 2022-07-22 | 2024-08-23 | 国网浙江省电力有限公司金华供电公司 | 一种基于移动储能设备的新能源消纳方法 |
CN115333162B (zh) * | 2022-10-17 | 2023-01-31 | 国网浙江省电力有限公司宁波供电公司 | 一种综合能源配电系统的控制方法以及配电系统 |
CN117134502B (zh) * | 2023-10-23 | 2023-12-22 | 国网四川雅安电力(集团)股份有限公司荥经县供电分公司 | 电力数据监控方法和监控系统 |
CN117117926B (zh) * | 2023-10-25 | 2024-04-09 | 国网江西省电力有限公司经济技术研究院 | 一种配电网储能配置方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103545832B (zh) * | 2013-09-22 | 2015-10-28 | 国家电网公司 | 一种基于发电预测误差的光伏系统储能容量配置方法 |
CN104734195B (zh) * | 2015-04-13 | 2017-05-17 | 杭州瑞亚教育科技有限公司 | 一种可并网运行的风光储一体微电网的监控方法 |
CN108009681B (zh) * | 2017-12-01 | 2021-11-23 | 国网辽宁省电力有限公司 | 一种基于电网负荷尖峰时段曲线提高风电消纳方法 |
CN110580538B (zh) * | 2018-06-11 | 2024-03-08 | 华北电力大学 | 一种电力系统备用需求的预测方法及装置 |
-
2019
- 2019-11-28 CN CN201911190463.8A patent/CN110707737B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110707737A (zh) | 2020-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110707737B (zh) | 一种基于云计算的高渗透新能源电网电池容量配置方法 | |
CN111738497B (zh) | 计及需求侧响应的虚拟电厂双层优化调度方法 | |
Ahadi et al. | A novel approach for optimal combinations of wind, PV, and energy storage system in diesel-free isolated communities | |
CN105048516B (zh) | 一种风光水火多源互补优化调度方法 | |
CN110365013B (zh) | 一种光热-光伏-风电联合发电系统的容量优化方法 | |
CN108133322B (zh) | 一种基于时序运行模拟的电力电量平衡指标计算方法 | |
CN111404206B (zh) | 考虑投资回报约束的风光储发电系统容量双层规划方法 | |
CN110633854A (zh) | 一种考虑储能电池多重分段服务全生命周期优化规划方法 | |
CN109103929A (zh) | 基于改进动态克里丝金模型的配电网经济优化调度方法 | |
CN112803499A (zh) | 电力/电量补偿协同的风光水多能互补容量优化配置方法 | |
CN113919717A (zh) | 面向多目标同步优化的虚拟电厂资源调度方法和装置 | |
CN114421530A (zh) | 一种光伏储能系统的调度方法及装置 | |
CN109842140A (zh) | 高压配网峰谷负荷平衡智能管控方法 | |
CN116187019A (zh) | 一种考虑阶梯碳价的含风光储的虚拟电厂经济调度方法 | |
CN117674292A (zh) | 一种虚拟电厂优化调度方法 | |
CN114977299A (zh) | 一种风光水火储多能互补发电系统选址定容的优化方法 | |
CN115912427A (zh) | 一种考虑弃风弃光上限的水风光储一体化容量配置方法 | |
CN115187018A (zh) | 一种园区综合能源系统双层优化调度方法及装置 | |
CN109038668B (zh) | 一种基于弃风利用的塔筒电梯供电方法及储能系统 | |
CN118174333A (zh) | 一种用于家庭光伏系统的储能容量优化方法及系统 | |
CN117526446A (zh) | 梯级水风光多能互补发电系统风光容量双层优化配置方法 | |
CN112288130A (zh) | 一种基于两阶段多目标优化的新能源消纳计算方法 | |
CN116681294A (zh) | 采用改进WCVaR的可调节风险偏好综合能源系统容量控制方法 | |
CN116362400A (zh) | 一种基于光储系统配置的大工业用户电费优化方法 | |
CN108493973A (zh) | 一种电动汽车充放电设施的容量配置方法 |
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 |