CN110889581A - 一种电动汽车参与的台区优化调度方法和系统 - Google Patents
一种电动汽车参与的台区优化调度方法和系统 Download PDFInfo
- Publication number
- CN110889581A CN110889581A CN201910906989.5A CN201910906989A CN110889581A CN 110889581 A CN110889581 A CN 110889581A CN 201910906989 A CN201910906989 A CN 201910906989A CN 110889581 A CN110889581 A CN 110889581A
- Authority
- CN
- China
- Prior art keywords
- power
- charging
- electric automobile
- transformer area
- area
- 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.)
- Pending
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
Abstract
本发明涉及一种电动汽车参与的台区优化调度方法和系统,包括:根据台区内除电动汽车充放电功率外的负荷需求预测值确定台区内电动汽车充放电电价;根据所述台区内电动汽车充放电电价确定台区内各功率设备的最优运行功率;调节台区内各功率设备的运行功率为所述台区内各功率设备的最优运行功率。本发明提供的技术方案,通过动态调整电动汽车的充放电电价实现对台区内电动汽车充放电功率的调整,进而增强台区电网消纳风力发电和光伏发电等间歇性可再生能源的能力;同时,分布式储能系统和电动汽车的结合使用,可以实现对台区电网削峰填谷的作用,进而减小电网调峰压力、提高电网运行效率、延缓和减少电源与电网建设,缓解高峰负荷供电需求。
Description
技术领域
本发明涉及能源互联网领域,具体涉及一种电动汽车参与的台区优化调度方法和系统。
背景技术
目前,许多电动汽车通过微电网实现充电,电动汽车接入微电网是未来微电网发展的一个趋势。
电动汽车负荷不断加入到微电网,大规模的电动汽车接入会对微电网运行产生不可忽视的影响,比如微电网不确定负荷增长,用户电能体验下降等,同时,电动汽车向电力系统反向送电技术的发展,使得电动汽车成为移动储能装置,电动汽车对微电网的影响日益增强,因此微电网必须将电动汽车充放电纳入到整个微网调度过程中,以提高微电网调度性能。
目前,如何制定电动汽车参与微电网的最优调度方案是我们有待解决的难题。
发明内容
针对现有技术的不足,本发明的目的是提供一种电动汽车参与的台区优化调度方法,该方法通过动态调整电动汽车的充放电电价实现对台区内电动汽车充放电功率的调整,进而增强台区电网消纳风力发电和光伏发电等间歇性可再生能源的能力;同时,分布式储能系统和电动汽车的结合使用,可以实现对台区电网削峰填谷的作用,进而减小电网调峰压力、提高电网运行效率、延缓和减少电源与电网建设,缓解高峰负荷供电需求。
本发明的目的是采用下述技术方案实现的:
本发明提供一种电动汽车参与的台区优化调度方法,其改进之处在于,所述方法包括:
根据台区内除电动汽车充放电功率外的负荷需求预测值确定台区内电动汽车充放电电价;
根据所述台区内电动汽车充放电电价确定台区内各功率设备的最优运行功率;
调节台区内各功率设备的运行功率为所述台区内各功率设备的最优运行功率。
优选的,所述根据台区内除电动汽车充放电功率外的负荷需求预测值确定台区内电动汽车充放电电价,包括:
按下式确定台区内t时刻电动汽车充电电价λch(t):
式中,α为电动汽车充电电价可变部分的权重,Pch(t)为台区内t时刻电动汽车充电功率,Pdis(t)为台区内t时刻电动汽车放电功率;PY(t)为台区内t时刻除电动汽车充放电功率外的负荷需求预测值,λch,base为电动汽车充电电价固定部分的价格常数;λch为电动汽车充电电价可变部分的价格常数;t∈(1~T),T为调度周期的时刻总数;
按下式确定台区内t时刻电动汽车放电电价λdis(t):
式中,β为电动汽车放电电价可变部分的权重,λdis为电动汽车放电电价可变部分的价格常数;λdis,base为电动汽车放电电价固定部分的价格常数。
优选的,所述根据所述台区内电动汽车充放电电价确定台区内各功率设备的最优运行功率,包括:
将所述台区内电动汽车充放电电价代入预先构建的台区优化调度模型中,利用遗传算法求解所述预先构建的台区优化调度模型,获取台区内各功率设备的最优运行功率;
其中,所述台区内功率设备包括:台区内光伏出力设备、风电出力设备、热电联产设备、储能设备和电动汽车设备。
进一步的,按下式确定所述预先构建的台区优化调度模型的目标函数:
式中,F为台区优化调度模型的目标值,λ1为分布式能源消纳量目标函数所占的权重, f1(t)为台区内t时刻分布式能源消纳量,λ2为用户充电方式满意度目标函数所占的权重, f2(t)为台区内t时刻用户充电方式满意度,λ3为碳排放量目标函数所占的权重,f3(t)为台区内t时刻碳排放量;
其中,按下式确定台区内t时刻分布式能源消纳量f1(t):
式中,PW(t)为台区内t时刻风力发电出力;PPV(t)为台区内t时刻光伏发电出力;Pch(t) 为台区内t时刻电动汽车充电功率,Pdis(t)为台区内t时刻电动汽车放电功率;PY(t)为台区内t时刻除电动汽车充放电功率外的负荷需求预测值,t∈(1~T),T为调度周期的时刻总数;
按下式确定台区内t时刻用户充电方式满意度f2(t):
式中,PEV,i,MAX为台区内第i个电动汽车在用户满意度最大时的充电功率,PEV,i(t)为台区内第i个电动汽车在t时刻的充电功率,Δt为相邻两个时刻的时间间隔,i∈(1~N),N 为台区内电动汽车的总数;
按下式确定台区内t时刻碳排放量f3(t):
式中,Pj(t)为台区内第j个微源设备在t时刻的出力;kj为台区内第j个微源设备的碳排放系数,j∈(1~M),M为台区内微源设备的总数。
进一步的,按下式确定所述预先构建的台区优化调度模型的目标函数的约束条件:
按下式确定所述预先构建的台区优化调度模型的目标函数的用户收益约束条件:
c(i)≥cexp
式中,c(i)为调度周期内第i个电动汽车的充放电收益,cexp为调度周期内用户的期待收益;
其中,按下式确定调度周期内第i个电动汽车的充放电收益c(i):
式中,Pch,i(t)为台区内第i个电动汽车在t时刻的充电功率,Pdis,i(t)为台区内第i个电动汽车在t时刻的放电功率,λch(t)台区内t时刻的充电电价,λdis(t)为台区内t时刻的放电电价,Δt为相邻两个时刻的时间间隔,td(i)为台区内第i个电动汽车充放电结束时间;ta(i) 为台区内第i个电动汽车充放电开始时间;
按下式确定所述预先构建的台区优化调度模型的目标函数的功率平衡约束条件:
PCHPe(t)+PW(t)+PPV(t)+PGrid(t)=PY(t)+Pch(t)-Pdis(t)+δPESB(t)
式中,PCHPe(t)为台区内t时刻热电联产机组设备的发电功率,PW(t)为台区内t时刻风力发电出力,PPV(t)为台区内t时刻光伏发电出力,PGrid(t)为台区内t时刻向总电网购入的电功率,PY(t)为台区内t时刻除电动汽车充放电功率外的负荷需求预测值,Pch(t)为台区内t 时刻电动汽车充电功率,Pdis(t)为台区内t时刻电动汽车放电功率;δ为储能设备充放电系数,当δ=1时,储能设备充电,当δ=-1时,储能设备放电,PESB(t)为台区内t时刻储能设备的充放电功率;
按下式确定所述预先构建的台区优化调度模型的目标函数的微源出力约束条件:
Pjmin≤Pj(t)≤Pjmax
Pj(t)为台区内第j个微源设备在t时刻的出力;Pjmin为台区内第j个微源设备的出力最小值;Pjmax为台区内第j个微源设备的出力最大值;
按下式确定所述预先构建的台区优化调度模型的目标函数的电动汽车放电约束条件:
按下式确定所述预先构建的台区优化调度模型的目标函数的电动汽车充电约束条件:
按下式确定所述预先构建的台区优化调度模型的目标函数的储能电量约束条件:
Sk,min≤Sk(t)≤Sk,max
式中,Sk(t)为台区内第k个储能系统在t时刻的电量;Sk,min为台区内第k个储能系统的电量最小限值;Sk,max为台区内第k个储能系统的电量最大限值。
进一步的,所述利用遗传算法求解所述预先构建的台区优化调度模型,包括:
步骤1:初始化种群和遗传迭代次数ξ=1;
步骤2:确定种群中各个体的适应度;
步骤3:剔除种群中适应度低于阈值的个体;
步骤4:对种群中的个体进行交叉以产生基因重组;
步骤5:根据种群中个体的染色体的等效长度修正种群中个体的染色体的实际长度;
步骤7:判断当前迭代次数ξ=W是否成立,若是,输出种群中适应度最高的个体作为所述预先构建的台区优化调度模型的最优解;否则,返回步骤2;
其中,W为最大迭代次数,种群中各个体的适应度函数为f(ε)=1/F,F为台区优化调度模型的目标值,f(ε)为种群中第ε个个体的适应度值。
进一步的,所述步骤5,包括:
若种群中个体的染色体的等效长度在种群中个体进行交叉之后与之前相比未变化,且种群中个体的染色体的实际长度在种群中个体进行交叉之后与之前相比减小,则在种群中个体的染色体末尾补0,直至种群中个体的染色体的实际长度在种群中个体进行交叉之后与之前相比相同;
若种群中个体的染色体的等效长度在种群中个体进行交叉之后与之前相比未变化,且种群中个体的染色体的实际长度在种群中个体进行交叉之后与之前相比增加,则在种群中个体的染色体的交叉部分的前段随机删除0,直至种群中个体的染色体的实际长度在种群中个体进行交叉之后与之前相比相同。
本发明提供一种电动汽车参与的台区优化调度系统,其改进之处在于,所述系统包括:
第一确定模块,用于根据台区内除电动汽车充放电功率外的负荷需求预测值确定台区内电动汽车充放电电价;
第二确定模块,用于根据所述台区内电动汽车充放电电价确定台区内各功率设备的最优运行功率;
调节模块,用于调节台区内各功率设备的运行功率为所述台区内各功率设备的最优运行功率。
与最接近的现有技术相比,本发明具有的有益效果:
本发明提供的技术方案,根据台区内除电动汽车充放电功率外的负荷需求预测值确定台区内电动汽车充放电电价;根据所述台区内电动汽车充放电电价确定台区内各功率设备的最优运行功率;调节台区内各功率设备的运行功率为所述台区内各功率设备的最优运行功率;通过动态调整电动汽车的充放电电价实现对台区内电动汽车充放电功率的调整,进而增强台区电网消纳风力发电和光伏发电等间歇性可再生能源的能力;分布式储能系统和电动汽车的结合使用,可以实现对台区电网削峰填谷的作用,进而减小电网调峰压力、提高电网运行效率、延缓和减少电源与电网建设,缓解高峰负荷供电需求。
本发明提供的技术方案,利用改进的遗传算法求解预先构建的台区优化调度模型,使得计算收敛速度加快,效率得以进一步提高。
附图说明
图1是一种电动汽车参与的台区优化调度方法流程图;
图2是一种电动汽车参与的台区优化调度系统结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。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它实施例,都属于本发明保护的范围。
在本发明的最佳实施例中,以台区为研究对象(台区指的是一台变压器的供电区域),台区有分布式风力与光伏发电,热电联产系统提供电能与热能,有储能电池用于稳定台区内功率波动,有集控式智能充电站对电动汽车进行充放电;其中,充电站配有监测和控制系统可以检测和记录汽车的充电开始、结束时间和电池当前的荷电状态SOC。
本发明提供一种电动汽车参与的台区优化调度方法,如图1所示,所述方法包括:
步骤101.根据台区内除电动汽车充放电功率外的负荷需求预测值确定台区内电动汽车充放电电价;
在本发明的最佳实施例中,对于台区内负荷的不确定性,针对性的设置了动态电价调整模型,由上式可以看出,当台区内负荷需求高的时候电价也随之增高,而台区内的负荷需求等于除电动汽车充放电功率外的负荷需求、台区内的电动汽车充电功率与电动汽车放电功率之和构成,故可以引导用户在台区内负荷需求高的时候多放电少充电,在负荷需求低的时候少放电多充电,从而有序的控制电动汽车的充电行为,有效地平抑负荷波动并提高用户经济性,于此同时还可以实现对台区电网的削峰填谷的作用,有利于台区内光伏、风电等新能源的消纳,提高能源利用率。
步骤102.根据所述台区内电动汽车充放电电价确定台区内各功率设备的最优运行功率;
步骤103.调节台区内各功率设备的运行功率为所述台区内各功率设备的最优运行功率。
具体的,所述步骤101,包括:
按下式确定台区内t时刻电动汽车充电电价λch(t):
式中,α为电动汽车充电电价可变部分的权重,Pch(t)为台区内t时刻电动汽车充电功率,Pdis(t)为台区内t时刻电动汽车放电功率;PY(t)为台区内t时刻除电动汽车充放电功率外的负荷需求预测值,λch,base为电动汽车充电电价固定部分的价格常数;λch为电动汽车充电电价可变部分的价格常数;t∈(1~T),T为调度周期的时刻总数;
按下式确定台区内t时刻电动汽车放电电价λdis(t):
式中,β为电动汽车放电电价可变部分的权重,λdis为电动汽车放电电价可变部分的价格常数;λdis,base为电动汽车放电电价固定部分的价格常数。
在电动汽车用户自主响应台区波动电价制定充放电计划的机制下,若采用静态分时电价,高渗透率电动汽车的充放电行为将可能导致系统负荷产生新的高峰和低谷,影响配电系统的安全运行。
故而,本发明提出动态分时电价调整模型,该分时电价由两部分组成,即固定部分和可变部分。充电电价固定部分由发输配电成本、对电动汽车参与有序充电的补贴等因素决定。放电电价固定部分由充电成本、电动汽车电池损耗等因素决定。可变电价部分由负荷曲线决定。负荷越高的时段充放电电价越高,从而引导电动汽车在负荷高峰时段放电。负荷越低的时段充放电电价越低,从而引导电动汽车在负荷低谷时段充电。
配电系统控制中心根据本地电动汽车调度机构提交的新入网电动汽车的充放电计划实时修改负荷曲线,并以最新负荷曲线为基础按给定时段(如15min)更新系统分时电价,从而引导电动汽车用户按电力系统调度机构的期望制定充放电策略。
具体的,所述步骤102,包括:
将所述台区内电动汽车充放电电价代入预先构建的台区优化调度模型中,利用遗传算法求解所述预先构建的台区优化调度模型,获取台区内各功率设备的最优运行功率;
其中,所述台区内功率设备包括:台区内光伏出力设备、风电出力设备、热电联产设备、储能设备和电动汽车设备。
进一步的,按下式确定所述预先构建的台区优化调度模型的目标函数:
式中,F为台区优化调度模型的目标值,λ1为分布式能源消纳量目标函数所占的权重, f1(t)为台区内t时刻分布式能源消纳量,λ2为用户充电方式满意度目标函数所占的权重, f2(t)为台区内t时刻用户充电方式满意度,λ3为碳排放量目标函数所占的权重,f3(t)为台区内t时刻碳排放量;
在本发明的最佳实施例中,实际上目标函数有3个,分别为:台区内碳排放量最小目标函数,台区内电动汽车用户充电满意度最大目标函数和光伏、风电等新能源消纳率最大目标函数;根据实际工况,对每个目标函数分配权重,权重λ1+λ2+λ3=1。
其中,按下式确定台区内t时刻分布式能源消纳量f1(t):
式中,PW(t)为台区内t时刻风力发电出力;PPV(t)为台区内t时刻光伏发电出力;Pch(t) 为台区内t时刻电动汽车充电功率,Pdis(t)为台区内t时刻电动汽车放电功率;PY(t)为台区内t时刻除电动汽车充放电功率外的负荷需求预测值,t∈(1~T),T为调度周期的时刻总数;
按下式确定台区内t时刻用户充电方式满意度f2(t):
式中,PEV,i,MAX为台区内第i个电动汽车在用户满意度最大时的充电功率,PEV,i(t)为台区内第i个电动汽车在t时刻的充电功率,Δt为相邻两个时刻的时间间隔,i∈(1~N),N 为台区内电动汽车的总数;
在本发明的最佳实施例中,大规模电动汽车参与充电优化调度可以减少电网与用户的成本,增加台区的调峰能力,但可能会影响充电汽车用户的满意度。
本发明以电动汽车用户满意度最大为目标函数,考虑了用户充电方式满意度,使用户更积极参与台区的优化调度。
由于在电动汽车用户参与台区优化调度前,用户在车辆返回结束当日行程后立即进行充电,此时没有充电延时,故这种情况下用户的充电方式满意度最大。
而台区的不确定性波动电价,用户需要根据电网的电价引导改变开始充电时刻。这意味着车主可能会改变原来的充电习惯来参与电网的充电调度来换取经济利益,但这会影响用户的满意度。
台区下的综合能源系统具有能源多样性和不同能源转化过程的复杂性,在能源转化的过程中产生了碳排放,故而按下式确定台区内t时刻碳排放量f3(t):
式中,Pj(t)为台区内第j个微源设备在t时刻的出力;kj为台区内第j个微源设备的碳排放系数,j∈(1~M),M为台区内微源设备的总数。
进一步的,按下式确定所述预先构建的台区优化调度模型的目标函数的约束条件:
按下式确定所述预先构建的台区优化调度模型的目标函数的用户收益约束条件:
c(i)≥cexp
式中,c(i)为调度周期内第i个电动汽车的充放电收益,cexp为调度周期内用户的期待收益;
在本发明的最佳实施例中,电动汽车用户参与调度的目的是在满足基本充电需求的前提下最大化自身收益。在动态电价机制下,电动汽车用户通过响应动态电价,采用在低电价时段充电、高电价时段放电来最大化自身的经济利益。这里把用户的经济收益当做一个约束条件,使得用户的经济收益在用户期待的水平。(这个期待的水平是根据往年的用户收益得到)。
其中,按下式确定调度周期内第i个电动汽车的充放电收益c(i):
式中,Pch,i(t)为台区内第i个电动汽车在t时刻的充电功率,Pdis,i(t)为台区内第i个电动汽车在t时刻的放电功率,λch(t)台区内t时刻的充电电价,λdis(t)为台区内t时刻的放电电价,Δt为相邻两个时刻的时间间隔,td(i)为台区内第i个电动汽车充放电结束时间;ta(i) 为台区内第i个电动汽车充放电开始时间;
按下式确定所述预先构建的台区优化调度模型的目标函数的功率平衡约束条件:
PCHPe(t)+PW(t)+PPV(t)+PGrid(t)=PY(t)+Pch(t)-Pdis(t)+δPESB(t)
式中,PCHPe(t)为台区内t时刻热电联产机组设备的发电功率,PW(t)为台区内t时刻风力发电出力,PPV(t)为台区内t时刻光伏发电出力,PGrid(t)为台区内t时刻向总电网购入的电功率,PY(t)为台区内t时刻除电动汽车充放电功率外的负荷需求预测值,Pch(t)为台区内t 时刻电动汽车充电功率,Pdis(t)为台区内t时刻电动汽车放电功率;δ为储能设备充放电系数,当δ=1时,储能设备充电,当δ=-1时,储能设备放电,PESB(t)为台区内t时刻储能设备的充放电功率;
按下式确定所述预先构建的台区优化调度模型的目标函数的微源出力约束条件:
Pjmin≤Pj(t)≤Pjmax
Pj(t)为台区内第j个微源设备在t时刻的出力;Pjmin为台区内第j个微源设备的出力最小值;Pjmax为台区内第j个微源设备的出力最大值;
按下式确定所述预先构建的台区优化调度模型的目标函数的电动汽车放电约束条件:
按下式确定所述预先构建的台区优化调度模型的目标函数的电动汽车充电约束条件:
按下式确定所述预先构建的台区优化调度模型的目标函数的储能电量约束条件:
Sk,min≤Sk(t)≤Sk,max
式中,Sk(t)为台区内第k个储能系统在t时刻的电量;Sk,min为台区内第k个储能系统的电量最小限值;Sk,max为台区内第k个储能系统的电量最大限值。
在本发明的最佳实施例中,电池储能系统可以视为具有一系列连续的充电状态的系统。电池存储系统可以在任何时间充电或放电以收集或供应用于分布式电力系统的冗余电力,按下式确定台区内第k个储能系统在t时刻的电量Sk(t):
Sk(t)=(1-rs,d,k)Sk-1(t)-Δt·PESB(t)
式中,Sk-1(t)为台区内第k个储能系统在t-1时刻的电量;rs,d,k为台区内第k个储能系统的自放电率;
热电联产设备是一种通过输入天然气可同时产生热能和电能,并将其高效利用的技术,具有提高热电供应质量,节约能源等多种效益。热电联产设备的输出能力取决于气转电的效率与气转热的效率,故而按下式确定台区内t时刻热电联产机组设备的发电功率PCHPe(t):
PCHPe(t)=PCHP-in(t)·ηe
式中,ηe为热电联产机组设备的电转换效率;PCHP-in(t)为台区内t时刻热电联产机组设备的输入功率;
风力涡轮机系统的输出功率可受风速,叶片面积和空气密度的极大影响,故而按下式确定台区内t时刻风力发电出力PW(t):
式中,PW,g(t)为台区内第g个风力发电设备在t时刻的出力;g∈(1~M),M为台区内风力发电设备的总数;
按下式确定台区内第g个风力发电设备在t时刻的出力PW,g(t):
式中,vg(t)为台区内第g个风力发电设备在t时刻的实际风速;vo,g(t)为台区内第g个风力发电设备在t时刻的切出风速;vc,g(t)为台区内第g个风力发电设备在t时刻的切入风速;vr,g(t)为台区内第g个风力发电设备在t时刻的额定风速;ρ为空气密度;A为台区内第g个风力发电设备的叶片面积;Ag为风力发电设备的功率系数;
光伏发电具有无噪声、无污染的特点,并且光伏发电单元可以通过与建筑物相结合,形成光伏建筑一体化以节省大量空间。为了降低环境污染并减少占地面积,在本发明中,光伏发电单元被用来提供台区内的电负荷;由于光伏发电单元的出力受太阳辐射强度、环境温度等因素的影响,故光伏发电单元的功率输出一般以标准测试条件(STC)下的系统出力为标准进行修正;故而,按下式确定台区内t时刻光伏发电出力PPV(t):
式中,PPV,f(t)为台区内第f个光伏发电设备在t时刻的出力;f∈(1~S),S为台区内光伏出力设备的总数;
按下式确定台区内第f个光伏发电设备在t时刻的出力PPV,f(t):
式中,PSTC,f为台区内第f个光伏发电设备在标准测试环境下的最大输出功率;k为功率温度系数;为台区内第f个光伏发电设备在t时刻的太阳辐射强度;GSTC标准测试环境下的太阳辐射强度,为台区内第f个光伏发电设备的电池板在t时刻的实际温度,T0为参考环境温度。
具体的,所述利用遗传算法求解所述预先构建的台区优化调度模型,包括:
步骤1:初始化种群和遗传迭代次数ξ=1;
步骤2:确定种群中各个体的适应度;
步骤3:剔除种群中适应度低于阈值的个体;
步骤4:对种群中的个体进行交叉以产生基因重组;
步骤5:根据种群中个体的染色体的等效长度修正种群中个体的染色体的实际长度;
步骤7:判断当前迭代次数ξ=W是否成立,若是,输出种群中适应度最高的个体作为所述预先构建的台区优化调度模型的最优解;否则,返回步骤2;
其中,W为最大迭代次数,种群中各个体的适应度函数为f(ε)=1/F,F为台区优化调度模型的目标值,f(ε)为种群中第ε个个体的适应度值。
在本发明的最佳实施例中,变异概率从静态转化为与迭代次数的平方相关的动态,变异交叉概率随着迭代次数的变化而变化,经试验表明其优化结果比静态固定概率更加稳定,且优化效果更好。
具体的,所述步骤5,包括:
若种群中个体的染色体的等效长度在种群中个体进行交叉之后与之前相比未变化,且种群中个体的染色体的实际长度在种群中个体进行交叉之后与之前相比减小,则在种群中个体的染色体末尾补0,直至种群中个体的染色体的实际长度在种群中个体进行交叉之后与之前相比相同;
若种群中个体的染色体的等效长度在种群中个体进行交叉之后与之前相比未变化,且种群中个体的染色体的实际长度在种群中个体进行交叉之后与之前相比增加,则在种群中个体的染色体的交叉部分的前段随机删除0,直至种群中个体的染色体的实际长度在种群中个体进行交叉之后与之前相比相同。
在本发明的最佳实施例中,这步骤5的处理可以认为是交叉和变异同时进行。由概率论知识可知,同时发生这两件事件的概率很小,而一般系统中,联络线开关的数量往往都比支路线开关的数量少得多,这就导致了具有相同等效长度而实际长度却不相同的情况为少数,所以发生这种情况的概率也必然很小,这是符合生物进化理论的;这一步骤减少了在计算过程中产生的不可行解的数量,减少迭代次数,提高其计算效率。
本发明提供一种电动汽车参与的台区优化调度系统,如图2所示,所述系统包括:
第一确定模块,用于根据台区内除电动汽车充放电功率外的负荷需求预测值确定台区内电动汽车充放电电价;
第二确定模块,用于根据所述台区内电动汽车充放电电价确定台区内各功率设备的最优运行功率;
调节模块,用于调节台区内各功率设备的运行功率为所述台区内各功率设备的最优运行功率。
具体的,所述第一确定模块,用于:
按下式确定台区内t时刻电动汽车充电电价λch(t):
式中,α为电动汽车充电电价可变部分的权重,Pch(t)为台区内t时刻电动汽车充电功率,Pdis(t)为台区内t时刻电动汽车放电功率;PY(t)为台区内t时刻除电动汽车充放电功率外的负荷需求预测值,λch,base为电动汽车充电电价固定部分的价格常数;λch为电动汽车充电电价可变部分的价格常数;t∈(1~T),T为调度周期的时刻总数;
按下式确定台区内t时刻电动汽车放电电价λdis(t):
式中,β为电动汽车放电电价可变部分的权重,λdis为电动汽车放电电价可变部分的价格常数;λdis,base为电动汽车放电电价固定部分的价格常数。
具体的,所述第二确定模块,用于:
将所述台区内电动汽车充放电电价代入预先构建的台区优化调度模型中,利用遗传算法求解所述预先构建的台区优化调度模型,获取台区内各功率设备的最优运行功率;
其中,所述台区内功率设备包括:台区内光伏出力设备、风电出力设备、热电联产设备、储能设备和电动汽车设备。
进一步的,按下式确定所述预先构建的台区优化调度模型的目标函数:
式中,F为台区优化调度模型的目标值,λ1为分布式能源消纳量目标函数所占的权重, f1(t)为台区内t时刻分布式能源消纳量,λ2为用户充电方式满意度目标函数所占的权重, f2(t)为台区内t时刻用户充电方式满意度,λ3为碳排放量目标函数所占的权重,f3(t)为台区内t时刻碳排放量;
其中,按下式确定台区内t时刻分布式能源消纳量f1(t):
式中,PW(t)为台区内t时刻风力发电出力;PPV(t)为台区内t时刻光伏发电出力;Pch(t) 为台区内t时刻电动汽车充电功率,Pdis(t)为台区内t时刻电动汽车放电功率;PY(t)为台区内t时刻除电动汽车充放电功率外的负荷需求预测值,t∈(1~T),T为调度周期的时刻总数;
按下式确定台区内t时刻用户充电方式满意度f2(t):
式中,PEV,i,MAX为台区内第i个电动汽车在用户满意度最大时的充电功率,PEV,i(t)为台区内第i个电动汽车在t时刻的充电功率,Δt为相邻两个时刻的时间间隔,i∈(1~N),N 为台区内电动汽车的总数;
按下式确定台区内t时刻碳排放量f3(t):
式中,Pj(t)为台区内第j个微源设备在t时刻的出力;kj为台区内第j个微源设备的碳排放系数,j∈(1~M),M为台区内微源设备的总数。
进一步的,按下式确定所述预先构建的台区优化调度模型的目标函数的约束条件:
按下式确定所述预先构建的台区优化调度模型的目标函数的用户收益约束条件:
c(i)≥cexp
式中,c(i)为调度周期内第i个电动汽车的充放电收益,cexp为调度周期内用户的期待收益;
其中,按下式确定调度周期内第i个电动汽车的充放电收益c(i):
式中,Pch,i(t)为台区内第i个电动汽车在t时刻的充电功率,Pdis,i(t)为台区内第i个电动汽车在t时刻的放电功率,λch(t)台区内t时刻的充电电价,λdis(t)为台区内t时刻的放电电价,Δt为相邻两个时刻的时间间隔,td(i)为台区内第i个电动汽车充放电结束时间;ta(i) 为台区内第i个电动汽车充放电开始时间;
按下式确定所述预先构建的台区优化调度模型的目标函数的功率平衡约束条件:
PCHPe(t)+PW(t)+PPV(t)+PGrid(t)=PY(t)+Pch(t)-Pdis(t)+δPESB(t)
式中,PCHPe(t)为台区内t时刻热电联产机组设备的发电功率,PW(t)为台区内t时刻风力发电出力,PPV(t)为台区内t时刻光伏发电出力,PGrid(t)为台区内t时刻向总电网购入的电功率,PY(t)为台区内t时刻除电动汽车充放电功率外的负荷需求预测值,Pch(t)为台区内t 时刻电动汽车充电功率,Pdis(t)为台区内t时刻电动汽车放电功率;δ为储能设备充放电系数,当δ=1时,储能设备充电,当δ=-1时,储能设备放电,PESB(t)为台区内t时刻储能设备的充放电功率;
按下式确定所述预先构建的台区优化调度模型的目标函数的微源出力约束条件:
Pjmin≤Pj(t)≤Pjmax
Pj(t)为台区内第j个微源设备在t时刻的出力;Pjmin为台区内第j个微源设备的出力最小值;Pjmax为台区内第j个微源设备的出力最大值;
按下式确定所述预先构建的台区优化调度模型的目标函数的电动汽车放电约束条件:
按下式确定所述预先构建的台区优化调度模型的目标函数的电动汽车充电约束条件:
按下式确定所述预先构建的台区优化调度模型的目标函数的储能电量约束条件:
Sk,min≤Sk(t)≤Sk,max
式中,Sk(t)为台区内第k个储能系统在t时刻的电量;Sk,min为台区内第k个储能系统的电量最小限值;Sk,max为台区内第k个储能系统的电量最大限值。
具体的,所述利用遗传算法求解所述预先构建的台区优化调度模型,包括:
步骤1:初始化种群和遗传迭代次数ξ=1;
步骤2:确定种群中各个体的适应度;
步骤3:剔除种群中适应度低于阈值的个体;
步骤4:对种群中的个体进行交叉以产生基因重组;
步骤5:根据种群中个体的染色体的等效长度修正种群中个体的染色体的实际长度;
步骤7:判断当前迭代次数ξ=W是否成立,若是,输出种群中适应度最高的个体作为所述预先构建的台区优化调度模型的最优解;否则,返回步骤2;
其中,W为最大迭代次数,种群中各个体的适应度函数为f(ε)=1/F,F为台区优化调度模型的目标值,f(ε)为种群中第ε个个体的适应度值。
具体的,所述步骤5,包括:
若种群中个体的染色体的等效长度在种群中个体进行交叉之后与之前相比未变化,且种群中个体的染色体的实际长度在种群中个体进行交叉之后与之前相比减小,则在种群中个体的染色体末尾补0,直至种群中个体的染色体的实际长度在种群中个体进行交叉之后与之前相比相同;
若种群中个体的染色体的等效长度在种群中个体进行交叉之后与之前相比未变化,且种群中个体的染色体的实际长度在种群中个体进行交叉之后与之前相比增加,则在种群中个体的染色体的交叉部分的前段随机删除0,直至种群中个体的染色体的实际长度在种群中个体进行交叉之后与之前相比相同。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和 /或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和 /或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种电动汽车参与的台区优化调度方法,其特征在于,所述方法包括:
根据台区内除电动汽车充放电功率外的负荷需求预测值确定台区内电动汽车充放电电价;
根据所述台区内电动汽车充放电电价确定台区内各功率设备的最优运行功率;
调节台区内各功率设备的运行功率为所述台区内各功率设备的最优运行功率。
2.如权利要求1所述的方法,其特征在于,所述根据台区内除电动汽车充放电功率外的负荷需求预测值确定台区内电动汽车充放电电价,包括:
按下式确定台区内t时刻电动汽车充电电价λch(t):
式中,α为电动汽车充电电价可变部分的权重,Pch(t)为台区内t时刻电动汽车充电功率,Pdis(t)为台区内t时刻电动汽车放电功率;PY(t)为台区内t时刻除电动汽车充放电功率外的负荷需求预测值,λch,base为电动汽车充电电价固定部分的价格常数;λch为电动汽车充电电价可变部分的价格常数;t∈(1~T),T为调度周期的时刻总数;
按下式确定台区内t时刻电动汽车放电电价λdis(t):
式中,β为电动汽车放电电价可变部分的权重,λdis为电动汽车放电电价可变部分的价格常数;λdis,base为电动汽车放电电价固定部分的价格常数。
3.如权利要求1所述的方法,其特征在于,所述根据所述台区内电动汽车充放电电价确定台区内各功率设备的最优运行功率,包括:
将所述台区内电动汽车充放电电价代入预先构建的台区优化调度模型中,利用遗传算法求解所述预先构建的台区优化调度模型,获取台区内各功率设备的最优运行功率;
其中,所述台区内功率设备包括:台区内光伏出力设备、风电出力设备、热电联产设备、储能设备和电动汽车设备。
4.如权利要求3所述的方法,其特征在于,按下式确定所述预先构建的台区优化调度模型的目标函数:
式中,F为台区优化调度模型的目标值,λ1为分布式能源消纳量目标函数所占的权重,f1(t)为台区内t时刻分布式能源消纳量,λ2为用户充电方式满意度目标函数所占的权重,f2(t)为台区内t时刻用户充电方式满意度,λ3为碳排放量目标函数所占的权重,f3(t)为台区内t时刻碳排放量;
其中,按下式确定台区内t时刻分布式能源消纳量f1(t):
式中,PW(t)为台区内t时刻风力发电出力;PPV(t)为台区内t时刻光伏发电出力;Pch(t)为台区内t时刻电动汽车充电功率,Pdis(t)为台区内t时刻电动汽车放电功率;PY(t)为台区内t时刻除电动汽车充放电功率外的负荷需求预测值,t∈(1~T),T为调度周期的时刻总数;
按下式确定台区内t时刻用户充电方式满意度f2(t):
式中,PEV,i,MAX为台区内第i个电动汽车在用户满意度最大时的充电功率,PEV,i(t)为台区内第i个电动汽车在t时刻的充电功率,△t为相邻两个时刻的时间间隔,i∈(1~N),N为台区内电动汽车的总数;
按下式确定台区内t时刻碳排放量f3(t):
式中,Pj(t)为台区内第j个微源设备在t时刻的出力;kj为台区内第j个微源设备的碳排放系数,j∈(1~M),M为台区内微源设备的总数。
5.如权利要求3所述的方法,其特征在于,按下式确定所述预先构建的台区优化调度模型的目标函数的约束条件:
按下式确定所述预先构建的台区优化调度模型的目标函数的用户收益约束条件:
c(i)≥cexp
式中,c(i)为调度周期内第i个电动汽车的充放电收益,cexp为调度周期内用户的期待收益;
其中,按下式确定调度周期内第i个电动汽车的充放电收益c(i):
式中,Pch,i(t)为台区内第i个电动汽车在t时刻的充电功率,Pdis,i(t)为台区内第i个电动汽车在t时刻的放电功率,λch(t)台区内t时刻的充电电价,λdis(t)为台区内t时刻的放电电价,△t为相邻两个时刻的时间间隔,td(i)为台区内第i个电动汽车充放电结束时间;ta(i)为台区内第i个电动汽车充放电开始时间;
按下式确定所述预先构建的台区优化调度模型的目标函数的功率平衡约束条件:
PCHPe(t)+PW(t)+PPV(t)+PGrid(t)=PY(t)+Pch(t)-Pdis(t)+δPESB(t)
式中,PCHPe(t)为台区内t时刻热电联产机组设备的发电功率,PW(t)为台区内t时刻风力发电出力,PPV(t)为台区内t时刻光伏发电出力,PGrid(t)为台区内t时刻向总电网购入的电功率,PY(t)为台区内t时刻除电动汽车充放电功率外的负荷需求预测值,Pch(t)为台区内t时刻电动汽车充电功率,Pdis(t)为台区内t时刻电动汽车放电功率;δ为储能设备充放电系数,当δ=1时,储能设备充电,当δ=-1时,储能设备放电,PESB(t)为台区内t时刻储能设备的充放电功率;
按下式确定所述预先构建的台区优化调度模型的目标函数的微源出力约束条件:
Pjmin≤Pj(t)≤Pjmax
Pj(t)为台区内第j个微源设备在t时刻的出力;Pjmin为台区内第j个微源设备的出力最小值;Pjmax为台区内第j个微源设备的出力最大值;
按下式确定所述预先构建的台区优化调度模型的目标函数的电动汽车放电约束条件:
按下式确定所述预先构建的台区优化调度模型的目标函数的电动汽车充电约束条件:
按下式确定所述预先构建的台区优化调度模型的目标函数的储能电量约束条件:
Sk,min≤Sk(t)≤Sk,max
式中,Sk(t)为台区内第k个储能系统在t时刻的电量;Sk,min为台区内第k个储能系统的电量最小限值;Sk,max为台区内第k个储能系统的电量最大限值。
6.如权利要求3所述的方法,其特征在于,所述利用遗传算法求解所述预先构建的台区优化调度模型,包括:
步骤1:初始化种群和遗传迭代次数ξ=1;
步骤2:确定种群中各个体的适应度;
步骤3:剔除种群中适应度低于阈值的个体;
步骤4:对种群中的个体进行交叉以产生基因重组;
步骤5:根据种群中个体的染色体的等效长度修正种群中个体的染色体的实际长度;
步骤7:判断当前迭代次数ξ=W是否成立,若是,输出种群中适应度最高的个体作为所述预先构建的台区优化调度模型的最优解;否则,返回步骤2;
其中,W为最大迭代次数,种群中各个体的适应度函数为f(ε)=1/F,F为台区优化调度模型的目标值,f(ε)为种群中第ε个个体的适应度值。
7.如权利要求6所述的方法,其特征在于,所述步骤5,包括:
若种群中个体的染色体的等效长度在种群中个体进行交叉之后与之前相比未变化,且种群中个体的染色体的实际长度在种群中个体进行交叉之后与之前相比减小,则在种群中个体的染色体末尾补0,直至种群中个体的染色体的实际长度在种群中个体进行交叉之后与之前相比相同;
若种群中个体的染色体的等效长度在种群中个体进行交叉之后与之前相比未变化,且种群中个体的染色体的实际长度在种群中个体进行交叉之后与之前相比增加,则在种群中个体的染色体的交叉部分的前段随机删除0,直至种群中个体的染色体的实际长度在种群中个体进行交叉之后与之前相比相同。
8.一种电动汽车参与的台区优化调度系统,其特征在于,所述系统包括:
第一确定模块,用于根据台区内除电动汽车充放电功率外的负荷需求预测值确定台区内电动汽车充放电电价;
第二确定模块,用于根据所述台区内电动汽车充放电电价确定台区内各功率设备的最优运行功率;
调节模块,用于调节台区内各功率设备的运行功率为所述台区内各功率设备的最优运行功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910906989.5A CN110889581A (zh) | 2019-09-24 | 2019-09-24 | 一种电动汽车参与的台区优化调度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910906989.5A CN110889581A (zh) | 2019-09-24 | 2019-09-24 | 一种电动汽车参与的台区优化调度方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110889581A true CN110889581A (zh) | 2020-03-17 |
Family
ID=69745975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910906989.5A Pending CN110889581A (zh) | 2019-09-24 | 2019-09-24 | 一种电动汽车参与的台区优化调度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889581A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111762057A (zh) * | 2020-07-06 | 2020-10-13 | 上海电力大学 | 一种区域微网中v2g电动汽车智能充放电管理方法 |
CN113452055A (zh) * | 2021-07-02 | 2021-09-28 | 广东电网有限责任公司 | 一种电网调峰调频方法、系统及电动汽车充放电调度系统 |
CN114103711A (zh) * | 2021-12-01 | 2022-03-01 | 国网北京市电力公司 | 充电负荷有序充电的控制方法、系统、装置和存储介质 |
CN114148214A (zh) * | 2021-11-30 | 2022-03-08 | 西安理工大学 | 一种电动车充放电控制方法和系统 |
-
2019
- 2019-09-24 CN CN201910906989.5A patent/CN110889581A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111762057A (zh) * | 2020-07-06 | 2020-10-13 | 上海电力大学 | 一种区域微网中v2g电动汽车智能充放电管理方法 |
CN111762057B (zh) * | 2020-07-06 | 2022-02-22 | 上海电力大学 | 一种区域微网中v2g电动汽车智能充放电管理方法 |
CN113452055A (zh) * | 2021-07-02 | 2021-09-28 | 广东电网有限责任公司 | 一种电网调峰调频方法、系统及电动汽车充放电调度系统 |
CN113452055B (zh) * | 2021-07-02 | 2023-02-07 | 广东电网有限责任公司 | 一种电网调峰调频方法、系统及电动汽车充放电调度系统 |
CN114148214A (zh) * | 2021-11-30 | 2022-03-08 | 西安理工大学 | 一种电动车充放电控制方法和系统 |
CN114103711A (zh) * | 2021-12-01 | 2022-03-01 | 国网北京市电力公司 | 充电负荷有序充电的控制方法、系统、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111340274A (zh) | 一种基于虚拟电厂参与的综合能源系统优化方法和系统 | |
CN110889581A (zh) | 一种电动汽车参与的台区优化调度方法和系统 | |
CN109523065B (zh) | 一种基于改进量子粒子群算法的微能源网优化调度方法 | |
CN109636056B (zh) | 一种基于多智能体技术的多能源微网去中心化优化调度方法 | |
CN105225022A (zh) | 一种热电联产型微电网的经济性优化运行方法 | |
CN103151797A (zh) | 基于多目标调度模型的并网运行方式下微网能量控制方法 | |
CN112583017A (zh) | 考虑储能运行约束的混合微电网能量分配方法及系统 | |
CN111668878A (zh) | 一种可再生微能源网的优化配置方法和系统 | |
CN111293682A (zh) | 一种基于协同模型预测控制的多微网能量管理方法 | |
Angelim et al. | Energy management on university campus with photovoltaic generation and BESS using simulated annealing | |
CN110323768B (zh) | 一种电化学储能电站功率分配方法及系统 | |
CN113328432A (zh) | 一种家庭能量管理优化调度方法及系统 | |
CN111245024A (zh) | 基于模型预测控制的综合能源系统鲁棒优化运行方法 | |
CN111210079B (zh) | 一种分布式能源虚拟电厂运行优化方法及系统 | |
CN109787221A (zh) | 一种微电网电能安全经济调度方法和系统 | |
CN116402210A (zh) | 一种综合能源系统多目标优化方法、系统、设备和介质 | |
Pan et al. | Dual-layer optimal dispatching strategy for microgrid energy management systems considering demand response | |
CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
CN115940284B (zh) | 一种考虑分时电价的新能源制氢系统的运行控制策略 | |
Zhang et al. | Coordinated dispatch of the wind-thermal power system by optimizing electric vehicle charging | |
CN111319505A (zh) | 一种光储式电动汽车充电站能量优化方法和装置 | |
Fang et al. | Energy scheduling and decision learning of combined cooling, heating and power microgrid based on deep deterministic policy gradient | |
CN114723278A (zh) | 一种考虑光伏储能的社区微电网调度方法及系统 | |
CN111932401A (zh) | 一种基于区块链的多方信任的业务交互方法 | |
Trairat et al. | Optimal Dispatch of Cogeneration with Thermal and Battery Energy Storage for BEMS Subject to Load Demand Uncertainty |
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 |