CN111027757A - 一种基于皮亚诺曲线降维的用户侧储能优化配置方法 - Google Patents
一种基于皮亚诺曲线降维的用户侧储能优化配置方法 Download PDFInfo
- Publication number
- CN111027757A CN111027757A CN201911175551.0A CN201911175551A CN111027757A CN 111027757 A CN111027757 A CN 111027757A CN 201911175551 A CN201911175551 A CN 201911175551A CN 111027757 A CN111027757 A CN 111027757A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- user
- dimensionality reduction
- optimal
- energy
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000005611 electricity Effects 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000007599 discharging Methods 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012423 maintenance Methods 0.000 claims description 9
- 238000011084 recovery Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- HCHKCACWOHOZIP-UHFFFAOYSA-N Zinc Chemical compound [Zn] HCHKCACWOHOZIP-UHFFFAOYSA-N 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 19
- 230000000694 effects Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012983 electrochemical energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
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
- G06Q10/04—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
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于皮亚诺曲线降维的用户侧储能优化配置方法,所述方法包括:采集需要配置储能的用户负荷、实时电价、单位容量储能价格的数据;根据所采集的数据,确定用户侧储能的优化配置模型;基于皮亚诺降维的算法,求解所述用户侧储能的优化配置模型,得到高维空间的最优决策变量;输出所述高维空间的最优决策变量,得到用户侧储能的优化配置结果。在本发明实施中,所述方法优化了配置用户侧储能,具有全面性、灵活性和实用性,且算法效率更高,运算速度更快,易于推广。
Description
技术领域
本发明涉及一种储能优化配置技术领域,尤其涉及一种基于皮亚诺曲线降维的用户侧储能优化配置方法。
背景技术
近年来,在能源革命背景下,以电为中心、以新能源大规模开发利用为特征的新一轮能源变革正蓬勃兴起,能源互联网成为解决能源问题的前沿方向。储能作为能源互联网中电源发电不确定性和负荷使用无序性间的“缓冲器”,是其关键支撑技术。区别于电源侧和电网侧的大规模集中式储能,分布式储能通常安装在用户侧或微电网中,用于应对新能源接入的电力调峰、储存可再生能源过剩电能或者修正用户负荷曲线从而降低用电费。
发明内容
本发明的目的在于克服现有技术的不足,本发明提供了一种基于皮亚诺曲线降维的用户侧储能优化配置方法,可以高效准确地配置用户侧储能。
为了解决上述技术问题,本发明实施例提供了一种基于皮亚诺曲线降维的用户侧储能优化配置方法,所述方法包括:
采集需要配置储能的用户负荷、实时电价、单位容量储能价格的数据;
根据所采集的数据,确定用户侧储能的优化配置模型;
基于皮亚诺降维的算法,求解所述用户侧储能的优化配置模型,得到高维空间的最优决策变量;
输出所述高维空间的最优决策变量,得到用户侧储能的优化配置结果。
可选的,所述用户负荷的数据包括用户全年的负荷数据,数据采集间隔最小15分钟。
可选的,所述实时电价采用国家统一的峰谷平三时电价,需量电价收费周期为1个月。
可选的,所述根据所采集的数据,确定用户侧储能的优化配置模型包括:
根据所采集的数据,分析用户安装储能的经济收益和损失,以及分析储能运行的物理过程;
基于所述用户安装储能的经济收益和损失,以用户安装储能后的收益最大为优化目标,建立优化模型的目标函数;
基于所述储能运行的物理过程,以储能运行过程中的充放电限制为约束条件,建立优化模型的最大投资成本约束条件、储能削峰约束条件、储能充放电约束条件和储能荷电状态约束条件;
根据优化模型的最大投资成本约束条件、储能削峰约束条件、储能充放电约束条件和储能荷电状态约束条件,确定用户侧储能的优化配置模型。
可选的,所述优化模型的目标函数如下:
max F=Cinc+Crec-Cinv-Cope;
其中,F为目标函数;Cinc为用户安装储能后的电价高充低放收益和负荷削峰填谷收益之和;Crec为用户储能的回收收益;Cinv为用户储能的投资成本;Cope为用户储能的运行维护成本;
所述用户安装储能后的电价高充低放收益和负荷削峰填谷收益之和的计算公式如下:
所述用户储能的回收利益的计算公式如下:
Crec=γCinv;
所述用户储能的投资成本的计算公式如下:
Cinv=ceEmax+cePmax;
所述用户储能的运行维护成本的计算公式如下:
其中,Cinc1为用户安装储能后的电价高充低放收益;Cinc2为用户安装储能后的负荷削峰填谷收益;Cele,t,d为储能第t年d天的价格套利;Cbas,t,y为储能第t年y月基本电费减少值;t为储能运行的第t年;D为年运行天数;Y为年运行月数;T为电池寿命;ir为通货膨胀率;dr为贴现率;i为时间段;Δti为i段持续时间,即15min;nD为一个调度周期时间段总数;Pdis(i)、Pch(i)分别为储能放电、充电功率;Cele为储能的峰谷套利收益;d(i)为峰谷时的电价;Cbas为需量电费;a为需量电价;δm表示削峰率;Ppeak,m为削峰前的负荷峰值;Cinv为安装成本;γ为回收系数;Emax和Pmax分别为储能额定容量和额定充电或放电功率;Ce和Cp分别为储能单位容量和单位充电或放电功率造价;Cop为储能电池单位充电或放电功率的年运行维护成本。
可选的,所述最大投资成本约束条件需满足:
所述储能削峰约束条件需满足:
Pload(i)-Pdis(i)+Pch(i)≤(1-δm)Ppeak,m;
所述储能充放电约束条件需满足:
所述储能荷电状态约束条件需满足:
其中,为投资成本限值;Bdis(i)、Bch(i)为0-1变量且满足任意时刻Bdis(i)+Bdis(i)≤1;Pload(i)为负荷功率的大小;ηch、ηdis分别为储能充电、放电时的能量转化效率;SOC(i)、SOC(i-1)、SOC(0)、SOC(nD)、SOCmin、SOCmax分别表示第i时刻、第i-1时刻、第0时刻、第nd时刻、最小时刻和最大时刻的储能的荷电状态。
可选的,所述基于皮亚诺降维的算法,求解所述用户侧储能的优化配置模型,得到高维空间的最优决策变量包括:
基于皮亚诺降维的算法,确定皮亚诺降维的近似参数;
基于所述皮亚诺降维的近似参数,输入高维的优化目标函数Ψ(y)并建立皮亚诺曲线的映射关系,得到降维后的函数;
基于所述降维后的函数上迭代求解出符合精度要求的最优点,并确定最优目标值;
利用所述降维后的符合精度要求的最优点反映射到高维空间中,得到高维空间的最优决策变量。
可选的,所述输入高维的优化目标函数Ψ(y)需满足李普希兹条件:
在本发明实施例中,利用皮亚诺曲线降维的方法从用户角度分析了投资储能的支出和收益,并对用户侧储能配置进行优化,保证用户配置储能后的经济利益,为用户合理配置储能设备提供理论和决策依据,有效地推广了储能在用户侧的应用;同时,提高了优化算法的效率和精确度,具有较强的使用价值和经济价值。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见的,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是本发明实施例中的基于皮亚诺曲线降维的用户侧储能优化配置方法的流程示意图;
图2是本发明实施例中的皮亚诺降维的近似参数=3,4,5下皮亚诺降维的比较图。
具体实施方式
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,所描述的实施例仅仅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作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。
实施例
本实施例中,以某工业园区几个用户12个月的典型日负荷曲线为研究算例进行仿真,变压器负载率为0.75,功率因数为0.85,寿命为20年,通货膨胀率为2%,贴现率为10%,基本容量电费40元/(kW·月)。
请参阅图1,图1是本发明实施例中的基于皮亚诺曲线降维的用户侧储能优化配置方法的流程示意图。
如图1所示,一种基于皮亚诺曲线降维的用户侧储能优化配置方法,所述方法包括:
S11:采集需要配置储能的用户负荷、实时电价、单位容量储能价格的数据;
在本发明具体实施过程中,所述用户负荷的数据包括用户全年的负荷数据,数据采集间隔最小15分钟。
在本发明具体实施过程中,所述实时电价采用国家统一的峰谷平三时电价,需量电价收费周期为1个月。
S12:根据所采集的数据,确定用户侧储能的优化配置模型;
在本发明具体实施过程中,所述根据所采集的数据,确定用户侧储能的优化配置模型包括:根据所采集的数据,分析用户安装储能的经济收益和损失,以及分析储能运行的物理过程;基于所述用户安装储能的经济收益和损失,以用户安装储能后的收益最大为优化目标,建立优化模型的目标函数;基于所述储能运行的物理过程,以储能运行过程中的充放电限制为约束条件,建立优化模型的最大投资成本约束条件、储能削峰约束条件、储能充放电约束条件和储能荷电状态约束条件;根据优化模型的最大投资成本约束条件、储能削峰约束条件、储能充放电约束条件和储能荷电状态约束条件,确定用户侧储能的优化配置模型。
具体的,所述优化模型的目标函数如下:
max F=Cinc+Crec-Cinv-Cope;
其中,F为目标函数;Cinc为用户安装储能后的电价高充低放收益和负荷削峰填谷收益之和;Crec为用户储能的回收收益;Cinv为用户储能的投资成本;Cope为用户储能的运行维护成本;
所述用户安装储能后的电价高充低放收益和负荷削峰填谷收益之和的计算公式如下:
所述用户储能的回收利益的计算公式如下:
Crec=γCinv;
所述用户储能的投资成本的计算公式如下:
Cinv=ceEmax+cPPmax;
所述用户储能的运行维护成本的计算公式如下:
其中,Cinc1为用户安装储能后的电价高充低放收益;Cinc2为用户安装储能后的负荷削峰填谷收益;Cele,t,d为储能第t年d天的价格套利;Cbas,t,y为储能第t年y月基本电费减少值;t为储能运行的第t年;D为年运行天数;Y为年运行月数;T为电池寿命;ir为通货膨胀率;dr为贴现率;i为时间段;Δti为i段持续时间,即15min;nD为一个调度周期时间段总数;Pdis(i)、Pch(i)分别为储能放电、充电功率;Cele为储能的峰谷套利收益;d(i)为峰谷时的电价;Cbas为需量电费;a为需量电价;δm表示削峰率;Ppeak,m为削峰前的负荷峰值;Cinv为安装成本;γ为回收系数;Emax和Pmax分别为储能额定容量和额定充电或放电功率;Ce和Cp分别为储能单位容量和单位充电或放电功率造价;Cop为储能电池单位充电或放电功率的年运行维护成本。
具体的,所述最大投资成本约束条件需满足:
所述储能削峰约束条件需满足:
Pload(i)-Pdis(i)+Pch(i)≤(1-δm)Ppeak,m;
所述储能充放电约束条件需满足:
所述储能荷电状态约束条件需满足:
其中,为投资成本限值;Bdis(i)、Bch(i)为0-1变量且满足任意时刻Bdis(i)+Bdis(i)≤1;Pload(i)为负荷功率的大小;ηch、ηdis分别为储能充电、放电时的能量转化效率;SOC(i)、SOC(i-1)、SOC(0)、SOC(nD)、SOCmin、SOCmax分别表示第i时刻、第i-1时刻、第0时刻、第nd时刻、最小时刻和最大时刻的储能的荷电状态。
需要说明的是,最大投资成本约束即储能投资不可过高;储能削峰约束即调峰后电网侧负荷不可过高;储能充放电约束即储能充放电过程中不可超过额定参数;储能荷电状态约束即储能运行过程中不可过度充放电。
S13:基于皮亚诺降维的算法,求解所述用户侧储能的优化配置模型,得到高维空间的最优决策变量;
在本发明具体实施过程中,所述基于皮亚诺降维的算法,求解所述用户侧储能的优化配置模型,得到高维空间的最优决策变量包括:基于皮亚诺降维的算法,确定皮亚诺降维的近似参数;基于所述皮亚诺降维的近似参数,输入高维的优化目标函数Ψ(y)并建立皮亚诺曲线的映射关系,得到降维后的函数;基于所述降维后的函数上迭代求解出符合精度要求的最优点,并确定最优目标值;利用所述降维后的符合精度要求的最优点反映射到高维空间中,得到高维空间的最优决策变量。
具体的,结合附图2所示,图2示出本发明实施例中的皮亚诺降维的近似参数=3,4,5下皮亚诺降维的比较图;皮亚诺降维的近似参数值越大,皮亚诺降维的近似效果越好,但是运算量越大;因此,一般取皮亚诺降维的近似参数为5即可达到满意的近似效果。
具体的,所述基于所述皮亚诺降维的近似参数,输入高维的优化目标函数Ψ(y)并建立皮亚诺曲线的映射关系,得到降维后的函数包括:
输入高维的优化目标函数Ψ(y)即原问题,原问题需满足李普希兹条件:
将原问题映射到区间X∈(0,1)上,转换为:
具体的,所述基于所述降维后的函数上迭代求解出符合精度要求的最优点,并确定最优目标值包括:
将映射后的集合X中的点重新编号:
0=x0<x1<…<xk<xk+1=1;
编号后的点集:
Xk=[x1,…xk]∪{0}∪{1};
设f(x)=Ψ(y(x))计算集合X中的每个点的函数值:
Zi=f(xi),1≤i≤k;
计算参数:
其中,r>1是设定好的参数值,且
Δi=(xi-xi-1)1/N;
计算每个区间(xi-1,xi)的特性R(i):
找出具有最大特性R(i)的区间(xt-1,xt):
R(t)=max[R(i):1≤i≤k+1];
在具有最大特性R(i)的区间(xt-1,xt)内,以下是计算新点xk+1:
人为取定∈>0为收敛条件,Δt<∈时认为已经达到要求的精度,算法退出,否则继续二分(xt-1,xt)继续迭代。
需要说明的是,在本发明实施例中,经储能优化调度后,负荷峰值下降30%左右,大幅降低了用户需量电费的支出,且储能在低电价时段充电,在高电价时段放电,使用低电价的电能替代了高电价的电能,进一步降低了用户的用电支出。
S14:输出所述高维空间的最优决策变量,得到用户侧储能的优化配置结果。
具体的,本发明实施例中除了通过降低需量、优化充放电操作等方法降低用户电费支出,还根据储能价格信息最小化了储能配置的投资。储能价格和充放电参数见下表1,表1示出储能价格和充放电参数;优化配置后的储能参数见下表2,表2示出储能优化配置结果。
表1储能价格和充放电参数
储能类型 | 电化学储能 |
单位功率费用(元/kW) | 1500 |
单位容量费用(元/kWh) | 1000 |
运行损耗费用(元/kW) | 0.05 |
充放电效率 | 0.85 |
荷电状态范围 | (0.2,0.8) |
表2储能优化配置结果
在本发明实施例中,利用皮亚诺曲线降维的方法从用户角度分析了投资储能的支出和收益,并对用户侧储能配置进行优化,保证用户配置储能后的经济利益,为用户合理配置储能设备提供理论和决策依据,有效地推广了储能在用户侧的应用;同时,提高了优化算法的效率和精确度,具有较强的使用价值和经济价值。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、磁盘或光盘等。
另外,以上对本发明实施例所提供的一种基于皮亚诺曲线降维的用户侧储能优化配置方法进行了详细介绍,本文中应采用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于皮亚诺曲线降维的用户侧储能优化配置方法,其特征在于,所述方法包括:
采集需要配置储能的用户负荷、实时电价、单位容量储能价格的数据;
根据所采集的数据,确定用户侧储能的优化配置模型;
基于皮亚诺降维的算法,求解所述用户侧储能的优化配置模型,得到高维空间的最优决策变量;
输出所述高维空间的最优决策变量,得到用户侧储能的优化配置结果。
2.根据权利要求1所述的一种基于皮亚诺曲线降维的用户侧储能优化配置方法,其特征在于,所述用户负荷的数据包括用户全年的负荷数据,数据采集间隔最小15分钟。
3.根据权利要求1所述的一种基于皮亚诺曲线降维的用户侧储能优化配置方法,其特征在于,所述实时电价采用国家统一的峰谷平三时电价,需量电价收费周期为1个月。
4.根据权利要求1所述的一种基于皮亚诺曲线降维的用户侧储能优化配置方法,其特征在于,所述根据所采集的数据,确定用户侧储能的优化配置模型包括:
根据所采集的数据,分析用户安装储能的经济收益和损失,以及分析储能运行的物理过程;
基于所述用户安装储能的经济收益和损失,以用户安装储能后的收益最大为优化目标,建立优化模型的目标函数;
基于所述储能运行的物理过程,以储能运行过程中的充放电限制为约束条件,建立优化模型的最大投资成本约束条件、储能削峰约束条件、储能充放电约束条件和储能荷电状态约束条件;
根据优化模型的最大投资成本约束条件、储能削峰约束条件、储能充放电约束条件和储能荷电状态约束条件,确定用户侧储能的优化配置模型。
5.根据权利要求4所述的一种基于皮亚诺曲线降维的用户侧储能优化配置方法,其特征在于,所述优化模型的目标函数如下:
max F=Cinc+Crec—Cinv-Cope;
其中,F为目标函数;Cinc为用户安装储能后的电价高充低放收益和负荷削峰填谷收益之和;Crec为用户储能的回收收益;Cinv为用户储能的投资成本;Cope为用户储能的运行维护成本;
所述用户安装储能后的电价高充低放收益和负荷削峰填谷收益之和的计算公式如下:
所述用户储能的回收利益的计算公式如下:
Crec=γCinv;
所述用户储能的投资成本的计算公式如下:
Cinv=ceEmax+cePmax;
所述用户储能的运行维护成本的计算公式如下:
其中,Cinc1为用户安装储能后的电价高充低放收益;Cinc2为用户安装储能后的负荷削峰填谷收益;Cele,t,d为储能第t年d天的价格套利;Cbas,t,y为储能第t年y月基本电费减少值;t为储能运行的第t年;D为年运行天数;Y为年运行月数;T为电池寿命;ir为通货膨胀率;dr为贴现率;i为时间段;Δti为i段持续时间,即15min;nD为一个调度周期时间段总数;Pdis(i)、Pch(i)分别为储能放电、充电功率;Cele为储能的峰谷套利收益;d(i)为峰谷时的电价;Cbas为需量电费;a为需量电价;δm表示削峰率;Ppeak,m为削峰前的负荷峰值;Cinv为安装成本;γ为回收系数;Emax和Pmax分别为储能额定容量和额定充电或放电功率;Ce和Cp分别为储能单位容量和单位充电或放电功率造价;Cop为储能电池单位充电或放电功率的年运行维护成本。
6.根据权利要求4所述的一种基于皮亚诺曲线降维的用户侧储能优化配置方法,其特征在于,所述最大投资成本约束条件需满足:
所述储能削峰约束条件需满足:
Pload(i)-Pdis(i)+Pch(i)≤(1-δm)Ppeak,m;
所述储能充放电约束条件需满足:
所述储能荷电状态约束条件需满足:
7.根据权力要求1所述的一种基于皮亚诺曲线降维的用户侧储能优化配置方法,其特征在于,所述基于皮亚诺降维的算法,求解所述用户侧储能的优化配置模型,得到高维空间的最优决策变量包括:
基于皮亚诺降维的算法,确定皮亚诺降维的近似参数;
基于所述皮亚诺降维的近似参数,输入高维的优化目标函数Ψ(y)并建立皮亚诺曲线的映射关系,得到降维后的函数;
基于所述降维后的函数上迭代求解出符合精度要求的最优点,并确定最优目标值;
利用所述降维后的符合精度要求的最优点反映射到高维空间中,得到高维空间的最优决策变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911175551.0A CN111027757A (zh) | 2019-11-26 | 2019-11-26 | 一种基于皮亚诺曲线降维的用户侧储能优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911175551.0A CN111027757A (zh) | 2019-11-26 | 2019-11-26 | 一种基于皮亚诺曲线降维的用户侧储能优化配置方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111027757A true CN111027757A (zh) | 2020-04-17 |
Family
ID=70202417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911175551.0A Pending CN111027757A (zh) | 2019-11-26 | 2019-11-26 | 一种基于皮亚诺曲线降维的用户侧储能优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027757A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113629705A (zh) * | 2021-08-06 | 2021-11-09 | 河海大学 | 一种用户侧储能优化配置方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809531A (zh) * | 2015-05-18 | 2015-07-29 | 国家电网公司 | 一种储能系统配置方法及系统 |
CN105226691A (zh) * | 2015-11-11 | 2016-01-06 | 重庆大学 | 一种孤立微电网混合储能优化配置方法 |
CN105896582A (zh) * | 2016-06-16 | 2016-08-24 | 南京工程学院 | 一种微网储能容量优化配置方法 |
CN107403256A (zh) * | 2017-07-01 | 2017-11-28 | 华中科技大学 | 一种考虑需求响应不确定性的光伏微网电池储能配置方法 |
CN108429288A (zh) * | 2018-04-12 | 2018-08-21 | 荆州市荆力工程设计咨询有限责任公司 | 一种考虑需求响应的离网型微电网储能优化配置方法 |
CN109193720A (zh) * | 2018-09-12 | 2019-01-11 | 华南理工大学 | 基于企业用户典型日负荷曲线的用户侧储能容量配置方法 |
CN109787261A (zh) * | 2019-03-14 | 2019-05-21 | 国网江苏省电力有限公司镇江供电分公司 | 电网侧及用户侧储能系统容量优化配置方法 |
CN109995063A (zh) * | 2019-04-02 | 2019-07-09 | 常州大学 | 一种用户侧储能控制策略 |
-
2019
- 2019-11-26 CN CN201911175551.0A patent/CN111027757A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104809531A (zh) * | 2015-05-18 | 2015-07-29 | 国家电网公司 | 一种储能系统配置方法及系统 |
CN105226691A (zh) * | 2015-11-11 | 2016-01-06 | 重庆大学 | 一种孤立微电网混合储能优化配置方法 |
CN105896582A (zh) * | 2016-06-16 | 2016-08-24 | 南京工程学院 | 一种微网储能容量优化配置方法 |
CN107403256A (zh) * | 2017-07-01 | 2017-11-28 | 华中科技大学 | 一种考虑需求响应不确定性的光伏微网电池储能配置方法 |
CN108429288A (zh) * | 2018-04-12 | 2018-08-21 | 荆州市荆力工程设计咨询有限责任公司 | 一种考虑需求响应的离网型微电网储能优化配置方法 |
CN109193720A (zh) * | 2018-09-12 | 2019-01-11 | 华南理工大学 | 基于企业用户典型日负荷曲线的用户侧储能容量配置方法 |
CN109787261A (zh) * | 2019-03-14 | 2019-05-21 | 国网江苏省电力有限公司镇江供电分公司 | 电网侧及用户侧储能系统容量优化配置方法 |
CN109995063A (zh) * | 2019-04-02 | 2019-07-09 | 常州大学 | 一种用户侧储能控制策略 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113629705A (zh) * | 2021-08-06 | 2021-11-09 | 河海大学 | 一种用户侧储能优化配置方法 |
CN113629705B (zh) * | 2021-08-06 | 2023-08-01 | 河海大学 | 一种用户侧储能优化配置方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112103946B (zh) | 一种基于粒子群算法的微电网储能优化配置方法 | |
CN107370170B (zh) | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 | |
CN111241463A (zh) | 一种基于双层优化模型的用户侧储能装置容量配置方法 | |
CN112072655A (zh) | 一种并网风储发电系统混合储能优化配置方法 | |
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 | |
CN111900746B (zh) | 一种基于双层模型的储能参与调峰的容量配置方法 | |
CN111244985B (zh) | 基于节点综合灵敏度系数的分布式储能序次优化配置方法 | |
CN110245794B (zh) | 考虑灵活性的多能源汇集中心火储容量双层优化方法 | |
CN112103941B (zh) | 考虑电网灵活性的储能配置双层优化方法 | |
CN112564152A (zh) | 一种面向充电站运营商的储能优化配置方法 | |
CN111428970A (zh) | 一种大规模水电站群跨省外送能力分析模型及求解方法 | |
CN112508287A (zh) | 基于用户侧bess全寿命周期的储能优化配置方法 | |
CN116308880A (zh) | 一种用户侧电化学储能电站运行维护利益最大化的方法 | |
CN114358378A (zh) | 一种用于考虑需量管理的用户侧储能优化配置系统及方法 | |
CN113488995B (zh) | 基于储能成本的共享储能容量优化配置方法和装置 | |
CN112307603B (zh) | 考虑大规模风电接入的混合储能容量优化配置方法及系统 | |
CN111027757A (zh) | 一种基于皮亚诺曲线降维的用户侧储能优化配置方法 | |
CN112288130B (zh) | 一种基于两阶段多目标优化的新能源消纳计算方法 | |
CN110932296B (zh) | 一种储能控制方法、装置及虚拟电厂 | |
CN111817329A (zh) | 光伏电站优化运行方法及装置 | |
CN111340315A (zh) | 一种电网侧储能优化方法及系统 | |
CN116961052A (zh) | 一种分布式储能系统的选址定容方法及系统 | |
CN114498690A (zh) | 支持大规模可再生能源消纳的多元复合储能优化配置方法 | |
CN114725961A (zh) | 平抑风电波动的制氢系统容量分层优化配置方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200417 |
|
RJ01 | Rejection of invention patent application after publication |