CN110826781B - 一种基于服务质量的多智能电网资源协同管理方法 - Google Patents
一种基于服务质量的多智能电网资源协同管理方法 Download PDFInfo
- Publication number
- CN110826781B CN110826781B CN201911020520.8A CN201911020520A CN110826781B CN 110826781 B CN110826781 B CN 110826781B CN 201911020520 A CN201911020520 A CN 201911020520A CN 110826781 B CN110826781 B CN 110826781B
- Authority
- CN
- China
- Prior art keywords
- power
- time slot
- energy storage
- grid
- storage device
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 10
- 238000004146 energy storage Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 230000005611 electricity Effects 0.000 claims description 21
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims description 14
- 238000009825 accumulation Methods 0.000 claims description 10
- 238000010248 power generation Methods 0.000 claims description 8
- 238000010438 heat treatment Methods 0.000 claims description 7
- 239000003345 natural gas Substances 0.000 claims description 7
- 230000009191 jumping Effects 0.000 claims description 6
- 238000009423 ventilation Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 abstract 1
- 230000007774 longterm Effects 0.000 abstract 1
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000009827 uniform distribution Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
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
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于服务质量(QoS)的多智能电网资源协同管理方法。该方法将QoS量化为用户电力中断概率，并综合考虑了具有能量存储装置、热电联产系统以及分布式可再生能源的多智能电网系统。该系统基于李雅普诺夫(Lyapunov)优化技术，在满足电力与热力需求前提下，最小化系统长期平均运营成本并保证QoS。主要包括一下步骤：在每个时隙获取系统输入信息，包括电力市场价格、用户需求信息等；判断能量存储装置充放电操作以及用户电力中断或供应操作；求解优化问题并选择最优策略；更新能量存储装置电力水平以及用户电力中断累计值。本方法通过多智能电网协同调度资源，具有高能源利用率、高经济效益以及高可扩展性。
Description
技术领域
本发明涉及一种以电网成本最小为目的的多智能电网资源调度、分布式电力存储装置控制算法，具体涉及在基于服务质量(Quality of Service，QoS)的多智能电网资源管理方法，属于智能电网技术领域。
背景技术
随着物联网技术的发展，建设智慧城市的推广，作为城市基础设施的传统电网也不断朝着新一代智能电网(Smart Grid)发展演进。因而智能化、网络化、实时化的资源管理越来越多的受到关注。这个话题不仅在学术上得到了广泛的研究，在工业领域也颇受重视。有效利用现有资源在保证服务质量的基础上进一步提高能源的利用效率和经济效益是一个亟待解决的重要课题。
一方面，单个电网的资源管理方法受到本身资源总量限制，在用电高峰时段难以保证所有用户的服务质量需求，或是在保证服务质量的前提下大幅度提高本身的运营成本。另一方面，在用电低谷时段，电网的发电量大于需求量从而导致多余的电力资源被有效利用，能源利用率进一步降低。针对多智能电网的资源协同管理算法可以提高用户满意度，降低总体运营成本，提高能源利用率。
发明内容
本发明的目的是：提供一种方法来解决多智能电网的协同控制问题，并保证各种用户的服务质量。
为了达到上述目的，本发明的技术方案是提供了一种基于服务质量的多智能电网资源协同管理方法，其特征在于，包括以下步骤：
S1、系统初始化参数：
确定智能电网数量M、用户数量N、每个电网建设的分布式能量存储装置数量K；第k个能量存储装置的电量水平充放电系数η，k＝1,2,…,K；第k个能量存储装置所安装的热电联产系统单位发电成本μ，热转化效率ξm，相邻时隙最大跳变量系数r，天然气站单位供热成本ζ；第n个用户允许的电力中断概率δn，n＝1,2,3…,N；第m个智能电网给第n个用户供电的单位传输成本/>清空所有用户电力中断累计队列Zn(0)＝0；
S2、选择性能权重参数V，V有选择范围0<V<Vmax， 式中，/>和/>分别为第m个电网中第k个能量存储装置的容量上下限；/>和/>分别为单位时隙最大充放电量；为配备的热电联产系统单位时隙最大发电量；/>和/>分别为第m个智能电网所处电力市场最高买入价格和最低卖出价格；
S3、在第t个时隙，获取当前时隙系统参数，包括：第n个用户在第t个时隙的供电需求αn(t)，电力中断累计队列长度Zn(t)；第m个智能电网所处地区的电力市场买卖价格分别为Cm(t)和Wm(t)，暖通系统热力需求Hm(t)以及其包含的第k个能量存储装置电量水平
S4、选择所有智能电网电力市场的买卖操作：
设第m个智能电网向电力市场购买和卖出的电力分别为Qm(t)和Sm(t)，由于同一个时隙中智能电网不能同时进行买卖操作，则有Qm(t)·Sm(t)＝0；通过设定Qm(t)＝0或Sm(t)＝0确定智能电网的买卖操作，并更新m1为所有进行买电操作的电网集合，m2为所有进行卖电操作的电网集合；
S5、判断能量存储装置的充放电操作：
设在第t个时隙能量存储装置通过电网的充电量为放电量为/>热电联产系统对电网进行充电的发电量为/>设当前时隙第m个智能电网进行买电操作，若则进行放电操作，即/> 若则进行放电操作，即/> 设当前时隙第m个智能电网进行卖电操作，若/>则进行放电操作，即若/>则进行放电操作，即
S6、计算用户的电力供应量范围：
设第m个智能电网给第n个用户的供电量为若则/> 若则/>
S7、求解优化问题：
具有以下约束条件：
S8、将优化结果与目标函数值缓存在系统介质中，若所有的智能电网的买卖操作都已经选择完毕，则比较所有的结果并选择目标函数值最小的解作为当前时隙的控制策略，系统根据此策略对所有智能电网进行控制与调度；若没有选择完毕，则跳转至步骤S3；
S9、更新所有能量存储装置的电量水平，公式如下：
S10、更新所有用户的电力中断累计队列，公式如下：
式中，为第t个时隙无法满足第n个用户的电力中断值；
S11、进入下一个时隙后，跳转至步骤S3。
本发明综合考虑了一种具有多智能电网以及多用户的网络系统，且每一个智能电网由分布式能量存储装置、热电联产系统、可再生能源和外部电力市场供电，并由热电联产系统在发电时产生的热能以及外部天然气站对暖通系统(HVAC)进行供能。本发明具有很强的可扩展性和实现性，综合考虑了各种分布式电源以及能量存储装置，能被广泛应用到具有时变网络拓扑结构的智能电网中，并实现多智能电网的协同控制与电力调度。
与现有技术相比，本发明具有如下的有益效果：
(1)本发明综合考虑了具有能量存储装置、热电联产系统、可再生能源等分布式电源的多智能电网系统，并且适用于各种时变的智能电网网络拓扑结构，具有良好的扩展性。
(2)本发明在不依赖与未来时隙统计信息的前提下，依然能够保证用户的电力中断概率不超过设定值，满足用户QoS，同时提高系统的能源利用效率以及降低运营成本，具有良好的可实现性。
(3)本发明可根据实际电网环境通过调整权重参数V来实现系统在降低能量存储装置容量、降低用户QoS以及降低成本之间的性能权衡，具有良好的可操作性。
附图说明
图1为具有能量存储装置、热电联产系统以及天然气站的多智能电网系统框图；
图2(a)及图2(b)为用户QoS以及能量存储装置的电量水平随时间变化曲线；
图3(a)及图3(b)为平均智能电网成本随时时间的变化曲线以及与性能权重V的关系。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明提供了一种基于服务质量的多智能电网资源协同管理方法包括以下步骤：
S1、系统初始化参数。确定智能电网数量M，用户数量N，每个电网建设的分布式能量存储装置数量K；第k个能量存储装置的电量水平充放电系数η；第k个能量存储装置所安装的热电联产系统单位发电成本μ，热转化效率ξm，相邻时隙最大跳变量系数r，天然气站单位供热成本ζ；第n个用户允许的电力中断概率δn，第m个智能电网给第n个用户供电的单位传输成本/>最后，清空所有用户电力中断累计队列Zn(0)＝0。
S2、选择性能权重参数V。V影响了系统在降低成本、降低用户终端概率、降低能量存储装置容量之间的优化性能权重。V越大，成本越低，用户电力中断概率越高，能量存储装置要求容量越大。并且，V有选择范围0<V<Vmax。其中，并且/>和分别为第m个电网中第k个能量存储装置的容量上下限，/>和/>别为单位时隙最大充放电量，/>为其配备的热电联产系统单位时隙最大发电量，/>和/>分别为第m个电网所处电力市场最高买入价格和最低卖出价格。
S3、在第t个时隙，获取当前时隙系统参数，包括：第n个用户在第t个时隙的供电需求αn(t)，电力中断累计队列长度Zn(t)；第m个智能电网所处地区的电力市场买卖价格分别为Cm(t)和Wm(t)，暖通系统热力需求Hm(t)以及其包含的第k个能量存储装置电量水平
S4、选择所有智能电网电力市场的买卖操作。设第m个智能电网向电力市场购买和卖出的电力分别为Qm(t)和Sm(t)。由于同一个时隙中智能电网不能同时进行买卖操作，则有Qm(t)·Sm(t)＝0。通过设定Qm(t)＝0或Sm(t)＝0确定智能电网的买卖操作，并更新m1为所有进行买电操作的电网集合，m2为所有进行卖电操作的电网集合。
S5、判断能量存储装置的充放电操作。设在第t个时隙能量存储装置通过电网的充电量为放电量为/>热电联产系统对其进行充电的发电量为/>设当前时隙第m个智能电网进行买电操作，若/>则进行放电操作，即若/>则进行放电操作，即设当前时隙第m个智能电网进行卖电操作，若则进行放电操作，即/> 若则进行放电操作，即/>
S6、计算用户的电力供应量范围。设第m个电网给第n个用户的供电量为若则/>(1-δn)αn(t)；若则/>
S7、求解优化问题：
具有以下约束条件：
其中，公式(1)表示热电联产系统的输出有最大最小值限制；公式(2)表示热电联产系统相邻两个时隙的发电量无法跳变；公式(3)和公式(4)表示能量存储装置的充电量与放电量有最大最小值限制；公式(5)表示智能电网的供电量不能超过需求量；公式(6)表示每个智能电网中的所有分布式电源以及能量存储装置的输出等于实际供电量，Pm(t)为第t个时隙所有分布在第m个智能电网的可再生能源总电力输出；公式(7)表示每个时隙的热力供应量等于需求量，Gm(t)为天然气站的热力供应量。
S8、将优化结果与目标函数值缓存在系统介质中。若所有的智能电网的买卖操作都已经选择完毕，则比较所有的结果并选择目标函数值最小的解作为当前时隙的控制策略。系统根据此策略对所有智能电网进行控制与调度；若没有选择完毕，则跳转至步骤S3。
S9、更新所有能量存储装置的电量水平，公式如下：
S10、更新所有用户的电力中断累计队列，公式如下
Zn(t+1)＝max{Zn(t)-δn·αn(t),0}+In(t)
其中，为第t个时隙无法满足第n个用户的电力中断值。
S11、进入下一个时隙后，跳转至步骤S3。
更为具体地，在实验中系统具有4个智能电网与250个用户。每个智能电网建设有75个能量存储装置与热电联产系统。每个用户的电力需求服从0到15千瓦时(kWh)的均匀分布，每个智能电网的热力需求服从8到13色姆(therm)的均匀分布。电力市场和可再生能源采用当前时隙的实际价格数据。另外，
具体实现步骤包括下列几步：
第一步，初始化系统参数，根据实际网络参数选择性能权重V；
第二步，获取当前时隙所有系统输入参数，并判断每个用户的供电或是中断操作以及每个能量存储装置的充放电操作；
第三步，按照本发明方法求解优化问题并选择最优策略对系统进行控制调度；
第四步，更新每个电网中能量存储装置电力水平以及用户电力中断累计队列；
第五步，在每个时隙结束时记录如下数据：
(1)每个时隙用户的电力中断量
(2)每个时隙能量存储装置的充放电量
(3)每个时隙电网买卖电量以及成本。
使用独立控制算法作为基准算法来对比实验得到的结果，我们得到了图2以及图3。
图2(a)为应用本发明的用户QoS随时间变化曲线。可见，本发明采用的方法可以满足QoS并且进一步加快收敛速度以及降低用户中断概率。图2(b)为能量存储装置的电量水平随时间的变化曲线。可见，本发明可以保证能量存储装置在容量限制范围内进行充放电操作。
图3(a)为电网平均成本在时隙上与基准算法的对比。可见，本发明可以大幅度减少系统成本。图3(b)为在不同权重情况下系统平均成本与能量存储装置容量间的关系。可见，随着V不断增大，成本将进一步降低，而能量存储装置的容量也会增加。
Claims (1)
1.一种基于服务质量的多智能电网资源协同管理方法，其特征在于，包括以下步骤：
S1、系统初始化参数：
确定智能电网数量M、用户数量N、每个电网建设的分布式能量存储装置数量K；第k个能量存储装置的电量水平充放电系数η，k＝1，2，...，K；第k个能量存储装置所安装的热电联产系统单位发电成本μ，热转化效率ξm，相邻时隙最大跳变量系数r，天然气站单位供热成本ζ；第n个用户允许的电力中断概率δn，n＝1，2，3...，N；第m个智能电网给第n个用户供电的单位传输成本/>清空所有用户电力中断累计队列Zn(0)＝0；
S2、选择性能权重参数V，V有选择范围0＜V＜Vmax， 式中，/>和/>分别为第m个电网中第k个能量存储装置的容量上下限；/>和/>分别为单位时隙最大充放电量；/>为配备的热电联产系统单位时隙最大发电量；/>和/>分别为第m个智能电网所处电力市场最高买入价格和最低卖出价格；
S3、在第t个时隙，获取当前时隙系统参数，包括：第n个用户在第t个时隙的供电需求αn(t)，电力中断累计队列长度Zn(t)；第m个智能电网所处地区的电力市场买卖价格分别为Cm(t)和Wm(t)，暖通系统热力需求Hm(t)以及其包含的第k个能量存储装置电量水平
S4、选择所有智能电网电力市场的买卖操作：
设第m个智能电网向电力市场购买和卖出的电力分别为Qm(t)和Sm(t)，由于同一个时隙中智能电网不能同时进行买卖操作，则有Qm(t)·Sm(t)＝0；通过设定Qm(t)＝0或Sm(t)＝0确定智能电网的买卖操作，并更新m1为所有进行买电操作的电网集合，m2为所有进行卖电操作的电网集合；
S5、判断能量存储装置的充放电操作：
设在第t个时隙能量存储装置通过电网的充电量为放电量为/>热电联产系统对电网进行充电的发电量为/>设当前时隙第m个智能电网进行买电操作，若则进行放电操作，即/> 若则进行放电操作，即/> 设当前时隙第m个智能电网进行卖电操作，若/>则进行放电操作，即若/>则进行放电操作，即
S6、计算用户的电力供应量范围：
设第m个智能电网给第n个用户的供电量为若则/> 若则/>
S7、求解优化问题：
具有以下约束条件：
Gm(t)为天然气站的热力供应量，表示每个时隙的热力供应量等于需求量；
S8、将优化结果与目标函数值缓存在系统介质中，若所有的智能电网的买卖操作都已经选择完毕，则比较所有的结果并选择目标函数值最小的解作为当前时隙的控制策略，系统根据此策略对所有智能电网进行控制与调度；若没有选择完毕，则跳转至步骤S3；
S9、更新所有能量存储装置的电量水平，公式如下：
S10、更新所有用户的电力中断累计队列，公式如下：
Zn(t+1)＝max{Zn(t)-δn·αn(t)，0}+In(t)
式中，为第t个时隙无法满足第n个用户的电力中断值；
S11、进入下一个时隙后，跳转至步骤S3。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911020520.8A CN110826781B (zh) | 2019-10-25 | 2019-10-25 | 一种基于服务质量的多智能电网资源协同管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911020520.8A CN110826781B (zh) | 2019-10-25 | 2019-10-25 | 一种基于服务质量的多智能电网资源协同管理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110826781A CN110826781A (zh) | 2020-02-21 |
| CN110826781B true CN110826781B (zh) | 2023-10-03 |
Family
ID=69550702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911020520.8A Active CN110826781B (zh) | 2019-10-25 | 2019-10-25 | 一种基于服务质量的多智能电网资源协同管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110826781B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107453407A (zh) * | 2017-07-03 | 2017-12-08 | 东华大学 | 一种智能微电网分布式能源调度方法 |
| CN108400585A (zh) * | 2018-02-08 | 2018-08-14 | 东华大学 | 多辆电动汽车在微电网系统中的分布式实时能量分配方法 |
| US10997106B1 (en) * | 2020-09-22 | 2021-05-04 | Pensando Sytems Inc. | Inter-smartNIC virtual-link for control and datapath connectivity |
| CN113077101A (zh) * | 2021-04-16 | 2021-07-06 | 华北电力大学 | 面向能源互联网调配管理的数字化系统及方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090066287A1 (en) * | 2006-08-10 | 2009-03-12 | V2Green, Inc. | Business Methods in a Power Aggregation System for Distributed Electric Resources |
| US9134353B2 (en) * | 2009-02-26 | 2015-09-15 | Distributed Energy Management Inc. | Comfort-driven optimization of electric grid utilization |
-
2019
- 2019-10-25 CN CN201911020520.8A patent/CN110826781B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107453407A (zh) * | 2017-07-03 | 2017-12-08 | 东华大学 | 一种智能微电网分布式能源调度方法 |
| CN108400585A (zh) * | 2018-02-08 | 2018-08-14 | 东华大学 | 多辆电动汽车在微电网系统中的分布式实时能量分配方法 |
| US10997106B1 (en) * | 2020-09-22 | 2021-05-04 | Pensando Sytems Inc. | Inter-smartNIC virtual-link for control and datapath connectivity |
| CN113077101A (zh) * | 2021-04-16 | 2021-07-06 | 华北电力大学 | 面向能源互联网调配管理的数字化系统及方法 |
Non-Patent Citations (4)
| Title |
|---|
| guanglin zhang.Energy Management for Smart Base Stations with Heterogeneous Energy Harvesting Devices.2018 IEEE Global Communications Conference (GLOBECOM).2019,1-6. * |
| 李康毅 等.基于"多维分层协同管理"的智能电网调控支撑能力提升实践.企业管理.2016,(第S1期),186-187. * |
| 王璐瑶.多用户移动边缘计算迁移的能量管理研究.物联网学报.2019,第3卷(第1期),73-81. * |
| 邹璐珊 等.移动边缘计算中资源分配和定价方法综述.电信科学.2022,第38卷(第3期),113-132. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110826781A (zh) | 2020-02-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wei et al. | A bi-level scheduling model for virtual power plants with aggregated thermostatically controlled loads and renewable energy | |
| Bahrami et al. | Deep reinforcement learning for demand response in distribution networks | |
| CN109727158B (zh) | 一种基于改进弱鲁棒优化的电热综合能源系统调度方法 | |
| CN110188950A (zh) | 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法 | |
| Alzahrani et al. | Real-time energy optimization and scheduling of buildings integrated with renewable microgrid | |
| US11971185B2 (en) | Method for improving the performance of the energy management in a nearly zero energy building | |
| Alizadeh et al. | Grid integration of distributed renewables through coordinated demand response | |
| Zhu et al. | Credit-based distributed real-time energy storage sharing management | |
| Imamura et al. | Distributed demand scheduling method to reduce energy cost in smart grid | |
| Zhu et al. | Real-time pricing considering different type of smart home appliances based on Markov decision process | |
| Alrumayh et al. | Model predictive control based home energy management system in smart grid | |
| Wang et al. | A real time peer-to-peer energy trading for prosumers utilizing time-varying building virtual energy storage | |
| CN104794557B (zh) | 基于实时电价不确定下的终端用户系统的负载调度方法 | |
| Lu et al. | Two-stage robust scheduling and real-time load control of community microgrid with multiple uncertainties | |
| CN107609690B (zh) | 一种负荷主动管理决策优化的方法 | |
| WO2019158575A1 (en) | System and method for operating a combination of heterogeneous energy resources for fast grid services | |
| Tiwari et al. | Optimal scheduling of home appliances under automated demand response | |
| Singabhattu et al. | Distributed energy resources optimization for demand response using MILP | |
| CN110535143B (zh) | 面向智能住宅动态需求响应的能源管理方法和装置 | |
| CN110826781B (zh) | 一种基于服务质量的多智能电网资源协同管理方法 | |
| Huang et al. | Smooth scheduling for electricity distribution in the smart grid | |
| CN113555887B (zh) | 电网能源控制方法、装置、电子设备及存储介质 | |
| Li et al. | Real-time decision making model for thermostatically controlled load aggregators by natural aggregation algorithm | |
| Wang et al. | The impacts of energy customers demand response on real-time electricity market participants | |
| TWI762128B (zh) | 利用多目標強化學習之能源管理裝置及方法 |
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 |