CN111160384A - 一种移动储能车调度优化方法、系统及装置 - Google Patents

一种移动储能车调度优化方法、系统及装置 Download PDF

Info

Publication number
CN111160384A
CN111160384A CN201911147789.2A CN201911147789A CN111160384A CN 111160384 A CN111160384 A CN 111160384A CN 201911147789 A CN201911147789 A CN 201911147789A CN 111160384 A CN111160384 A CN 111160384A
Authority
CN
China
Prior art keywords
energy storage
mobile energy
load
optimization
storage vehicle
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
CN201911147789.2A
Other languages
English (en)
Other versions
CN111160384B (zh
Inventor
李靖霞
纪陵
李应琪
左建勋
王紫东
王永
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.)
Nanjing SAC Automation Co Ltd
Original Assignee
Nanjing SAC Automation Co Ltd
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 Nanjing SAC Automation Co Ltd filed Critical Nanjing SAC Automation Co Ltd
Priority to CN201911147789.2A priority Critical patent/CN111160384B/zh
Publication of CN111160384A publication Critical patent/CN111160384A/zh
Application granted granted Critical
Publication of CN111160384B publication Critical patent/CN111160384B/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
    • G06Q10/04—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
    • 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
    • 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
    • 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
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • Software Systems (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)

Abstract

本发明公开一种移动储能车调度优化方法、系统及装置，包括如下步骤：获取负荷预测数据；根据负荷预测数据建立优化策略模型；求解优化策略模型得到优化参数；根据优化参数确定调度方案。本发明具有的有益效果：1、本发明能够考虑到预测的不确定性进行分析获得更为准确的预测结果，从而有助于指定更合理的调度方案。2、本发明采用整数实数混合遗传算法，通过合理设置参数的范围，大大提高了优化效率。

Description

一种移动储能车调度优化方法、系统及装置
技术领域
本发明属于电网侧储能应用优化调度技术领域，具体涉及一种移动储能车调度优化方法、系统及装置。
背景技术
随着储能技术的发展，储能作为电力系统中稀缺的灵活调节资源受到了越来越多的重视。相对于储能电站，移动储能车更加灵活；此外，与传统柴油应急电源车、移动飞轮移动储能车相比，新一代智能型移动储能系统(车)在技术先进性、运行模式、功能配置、安全保障等方面都具有明显优势，不仅可为地震、冰灾、矿难等突发事故应急抢修提供电源保障，还可以为大数据中心、医院、机场、通信等提供应急备用电源。
结合移动储能发展和充分利用移动储能参与电网服务，提升电力系统可靠性、灵活性，通过数据分析制定合理运行模式，优化移动储能运行调度，实现移动储能设备全生命周期内收益最大化势在必行。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种移动储能车调度优化方法、系统及装置，能够考虑到预测的不确定性进行分析获得更为准确的预测结果，从而有助于指定更合理的调度方案。
为解决现有技术问题，本发明公开了一种移动储能车调度优化方法，包括如下步骤：
获取负荷预测数据；
根据负荷预测数据建立优化策略模型；
求解优化策略模型得到优化参数；
根据优化参数确定调度方案。
进一步，
所述获取负荷预测数据的具体过程为：
建立模糊负荷模型；
采用聚类分析法对模糊负荷模型进行分析得到负荷预测数据。
进一步，
所述模糊负荷模型的表达式为：
Figure BDA0002282692520000011
其中，
Figure BDA0002282692520000021
为t时刻第i个台区变的模糊负荷值，t＝1,2,3....24；
Figure BDA0002282692520000022
为t时刻第i个台区变负荷的下界；
Figure BDA0002282692520000023
为t时刻第i个台区变负荷的最可能估计值；
Figure BDA0002282692520000024
为t时刻第i个台区变负荷的上界。
进一步，
所述采用聚类分析法对模糊负荷模型进行分析得到负荷预测数据的具体过程为：
根据负荷历史数据设定聚类个数，根据影响负荷的因素、利用k-means进行聚类寻找，得到聚类结果；
在进行负荷预测时，先将待预测日分到对应类中，再选取同一聚类中与待预测日时间相近的历史数据作为输入样本，采用神经网络进行训练，得到预测结果；
统计历史预测精度，确定预测模糊数，得到负荷预测数据。
进一步，
所述优化策略模型的表达式为：
Figure BDA0002282692520000025
约束条件为：
EQkt≥0；
TPit≤TPmax*80％；
Figure BDA0002282692520000026
其中：k为第k台移动储能车，m为移动储能车的个数，t为时刻，t＝1,2,3...24，EPt为从t时刻开始单位时段放电的电价，EQkt为第k台移动储能车从t时刻开始单位时段放电电量，DEQkt为第k台移动储能车从t时刻开始单位时段开始单位时段充电电量，DEPt为从t时刻开始单位时段充电的电价，TPit为第i个台区变t时刻的功率值，DPijt为接入第i个台区变的第j台移动储能车的放电功率，r为接入第i个台区变的移动储能车总数，
Figure BDA0002282692520000027
为第i个台区变t时刻的模糊负荷值，C为惩罚系数。
进一步，
所述优化参数包括：移动储能车所属台变区、所在台区变放电排序以及在不能满足减载电量，有电量缺额情况下，停止放电去其他台区变继续充电的时间点。
进一步，
所述根据优化参数确定调度方案的具体过程为：
根据移动储能车所属台变区、充电次序和充放电开始和结束时间，得到移动储能车的充放电时间安排表；
根据每辆移动储能车的充放电时间安排表，进行线路规划得到相应的移动储能车的调度方案。
本发明还提供了一种移动储能车调度优化系统，包括：
获取模块，用于获取负荷预测数据；
优化策略模型建立模块，用于根据负荷预测数据建立优化策略模型；
求解模块，用于求解优化策略模型得到优化参数；
确定模块，用于根据优化参数确定调度方案。
进一步，
所述获取模块还包括：
模糊负荷模型建立子模块，用于建立模糊负荷模型；
模糊分析模块，用于采用聚类分析法对模糊负荷模型进行分析得到负荷预测数据。
本发明还提供了一种移动储能车调度优化装置，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明具有的有益效果：
1、本发明能够考虑到预测的不确定性进行分析获得更为准确的预测结果，从而有助于指定更合理的调度方案。
2、本发明采用整数实数混合遗传算法，通过合理设置参数的范围，大大提高了优化效率。
附图说明
图1为本发明中调度优化方法的流程图；
图2为本发明中调度优化系统的结构框图；
图3为本发明中调度优化装置的结构框图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，本发明提供了一种移动储能车调度优化方法，包括如下步骤：
S1、获取负荷预测数据。具体通过如下过程实现：
S11、建立模糊负荷模型。具体地，第i个台区变的负荷以24小时为一周期，时间间隔1小时，每小时的负荷用三角模糊数表示为：
Figure BDA0002282692520000041
其中，
Figure BDA0002282692520000042
为t时刻第i个台区变的模糊负荷值，t＝1,2,3....24；
Figure BDA0002282692520000043
为t时刻第i个台区变负荷的下界；
Figure BDA0002282692520000044
为t时刻第i个台区变负荷的最可能估计值；
Figure BDA0002282692520000045
为t时刻第i个台区变负荷的上界。
S12、采用聚类分析法对模糊负荷模型进行分析得到负荷预测数据。具体地，根据负荷历史数据设定聚类个数k，根据影响负荷的因素如季节、温度、降雨量、辐照度及节假日等数据利用k-means进行聚类寻找，得到聚类结果。
在进行负荷预测时，先将待预测日分到对应类中，再选取同一聚类中与待预测日时间相近的历史数据作为输入样本，采用神经网络进行训练，得到预测结果，根据预测结果统计历史预测精度，确定预测模糊数，得到负荷预测数据。
S2、根据负荷预测数据建立优化策略模型。具体通过如下过程实现：
进行优化调度时，考虑经济性方面的因素。经济性为峰谷充放电电价差，因此优化策略模型的表达式为：
Figure BDA0002282692520000046
约束条件为：
EQkt≥0；
TPit≤TPmax*80％；
Figure BDA0002282692520000047
其中：k为第k台移动储能车，m为移动储能车的个数，t为时刻，t＝1,2,3...24，EPt为从t时刻开始单位时段放电的电价，EQkt为第k台移动储能车从t时刻开始单位时段放电电量，DEQkt为第k台移动储能车从t时刻开始单位时段开始单位时段充电电量，DEPt为从t时刻开始单位时段充电的电价，TPit为第i个台区变t时刻的功率值，DPijt为接入第i个台区变的第j台移动储能车的放电功率，r为接入第i个台区变的移动储能车总数，
Figure BDA0002282692520000048
为第i个台区变t时刻的模糊负荷值，C为惩罚系数。
S3、求解优化策略模型得到优化参数。具体通过如下过程实现：
移动储能车优化模型的约束条件是满足台区变减载要求。优化参数包括：移动储能车所属台变区、所在台区变放电排序以及在不能满足减载电量，有电量缺额情况下，停止放电去其他台区变继续充电的时间点。所属台区变为整型，范围为1至台区变个数；放电排序为整型，范围为1至移动储能车个数，停止放电时间点为实数，取0至1的实数，所以求解过程采用整数实数混合遗传算法。放电排序在计算时，按该变量的大小在台区变进行放电排序；停止放电时间点在计算转换时，将该参数与移动储能车的最大放电时段相乘，得到移动储能车的放电时间点。
S4、根据优化参数确定调度方案。具体通过如下过程实现：
通过遗传算法给出多种优化解供选择，根据移动储能车所属台变区、充电次序和充放电开始和结束时间，得到移动储能车的充放电时间安排表。
用户确定方案后，根据每辆移动储能车的充放电时间安排表，进行线路规划得到相应的移动储能车的调度方案。
具体地，对求解优化策略模型得到的优化参数进行编码用于生成初始群体，然后判断是否满足停止准则，若是则输出结果供用户确定移动储能车调度方案，否则计算个体适应度模糊函数值，然后根据适应度选择复制个体，将复制的个体添入新群体中，其次选择两个个体，进行交叉，形成新的个体，并放进新群体，再选择个体进行变异加入新群体，判断是否满足停止准则，例如达到一定的代数，满足则停止。
某城区移动储能车调度系统包括监控管理系统设备一套和移动储能电源设备两套，储能电源中100KW/220KWh和100KW/250KWh移动储能设备各一台，总容量200KW/470KWh。有一个最大负载为500KW的台区变需要在高峰期减载，需减载至最大负载的80％。
台区变的某日的确定预测负荷如表1所示，模糊负荷值以确定数为中心数，±5％为上下限。某台区变预测负荷情况如下表所示：
时刻 1 2 3 4 5 6 7 8 9 10 11 12
负荷(KW) 200 190 150 115 105 110 155 170 296 350 410 420
时刻 13 14 15 16 17 18 19 20 21 22 23 24
负荷(KW) 470 450 460 480 490 490 480 480 345 325 250 200
低谷期时段长，移动储能车在低谷期充电，在高峰期前已完成充电，且预设高峰期移动储能车到低负载率的台变区充电需要的时间为1.5小时。按照一般做法，高峰期开始后，两辆移动储能车依次给台区变放电，进行减载，前一辆车放至最低电量再由第二辆车继续放电，在第二辆移动储能车放电期间第一辆移动储能车前往其他台区变充电，在第二辆车放电结束后，接力第一辆车持续放电，此种放电方案，可提供610KWh的减载电量，不能满足全部的放电需求；采用混合遗传算法，编码为两台充电移动储能车的充电顺序和放电结束时间，充电顺序为整型，放电结束时间为实数，适应函数取式
Figure BDA0002282692520000061
中的带罚函数的经济效益最大目标函数，变异率取0.15，最大代数为1000代，人口数取50，经过遗传算法计算后，可知将第一辆车首先放电，且在放电至15点时，停止放电，前往其他台变区充电，第二辆车继续放电，结束时，充电后的第一辆移动储能车继续放电，总减载电量为633KWh，可完成台变区的高峰期的全部减载任务。同时，利用混合优化遗传算法可以给出优化方案，便于调度人员实行优化调度。
如图2所示，一种移动储能车调度优化系统，包括：获取模块，优化策略模型建立模块，求解模块和确定模块。
获取模块用于获取负荷预测数据；优化策略模型建立模块用于根据负荷预测数据建立优化策略模型；求解模块用于求解优化策略模型得到优化参数；确定模块用于根据优化参数确定调度方案。获取模块还包括模糊负荷模型建立子模块和模糊分析模块。模糊负荷模型建立子模块用于建立模糊负荷模型；模糊分析模块用于采用聚类分析法对模糊负荷模型进行分析得到负荷预测数据。
如图3所示，本发明还提供了一种移动储能车调度优化装置，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述方法的步骤。
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。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种移动储能车调度优化方法，其特征在于：包括如下步骤：
获取负荷预测数据；
根据负荷预测数据建立优化策略模型；
求解优化策略模型得到优化参数；
根据优化参数确定调度方案。
2.根据权利要求1所述的一种移动储能车调度优化方法，其特征在于：
所述获取负荷预测数据的具体过程为：
建立模糊负荷模型；
采用聚类分析法对模糊负荷模型进行分析得到负荷预测数据。
3.根据权利要求2所述的一种移动储能车调度优化方法，其特征在于：
所述模糊负荷模型的表达式为：
Figure FDA0002282692510000011
其中，
Figure FDA0002282692510000012
为t时刻第i个台区变的模糊负荷值，t＝1,2,3....24；
Figure FDA0002282692510000013
为t时刻第i个台区变负荷的下界；
Figure FDA0002282692510000014
为t时刻第i个台区变负荷的最可能估计值；
Figure FDA0002282692510000015
为t时刻第i个台区变负荷的上界。
4.根据权利要求3所述的一种移动储能车调度优化方法，其特征在于：
所述采用聚类分析法对模糊负荷模型进行分析得到负荷预测数据的具体过程为：
根据负荷历史数据设定聚类个数，根据影响负荷的因素、利用k-means进行聚类寻找，得到聚类结果；
在进行负荷预测时，先将待预测日分到对应类中，再选取同一聚类中与待预测日时间相近的历史数据作为输入样本，采用神经网络进行训练，得到预测结果；
统计历史预测精度，确定预测模糊数，得到负荷预测数据。
5.根据权利要求1所述的一种移动储能车调度优化方法，其特征在于：
所述优化策略模型的表达式为：
Figure FDA0002282692510000016
约束条件为：
EQkt≥0；
TPit≤TPmax*80％；
Figure FDA0002282692510000021
其中：k为第k台移动储能车，m为移动储能车的个数，t为时刻，t＝1,2,3...24，EPt为从t时刻开始单位时段放电的电价，EQkt为第k台移动储能车从t时刻开始单位时段放电电量，DEQkt为第k台移动储能车从t时刻开始单位时段开始单位时段充电电量，DEPt为从t时刻开始单位时段充电的电价，TPit为第i个台区变t时刻的功率值，DPijt为接入第i个台区变的第j台移动储能车的放电功率，r为接入第i个台区变的移动储能车总数，
Figure FDA0002282692510000022
为第i个台区变t时刻的模糊负荷值，C为惩罚系数。
6.根据权利要求5所述的一种移动储能车调度优化方法，其特征在于：
所述优化参数包括：移动储能车所属台变区、所在台区变放电排序以及在不能满足减载电量，有电量缺额情况下，停止放电去其他台区变继续充电的时间点。
7.根据权利要求6所述的一种移动储能车调度优化方法，其特征在于：
所述根据优化参数确定调度方案的具体过程为：
根据移动储能车所属台变区、充电次序和充放电开始和结束时间，得到移动储能车的充放电时间安排表；
根据每辆移动储能车的充放电时间安排表，进行线路规划得到相应的移动储能车的调度方案。
8.一种移动储能车调度优化系统，其特征在于：包括：
获取模块，用于获取负荷预测数据；
优化策略模型建立模块，用于根据负荷预测数据建立优化策略模型；
求解模块，用于求解优化策略模型得到优化参数；
确定模块，用于根据优化参数确定调度方案。
9.根据权利要求8所述的一种移动储能车调度优化系统，其特征在于，
所述获取模块还包括：
模糊负荷模型建立子模块，用于建立模糊负荷模型；
模糊分析模块，用于采用聚类分析法对模糊负荷模型进行分析得到负荷预测数据。
10.一种移动储能车调度优化装置，其特征在于，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
CN201911147789.2A 2019-11-21 2019-11-21 一种移动储能车调度优化方法、系统及装置 Active CN111160384B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911147789.2A CN111160384B (zh) 2019-11-21 2019-11-21 一种移动储能车调度优化方法、系统及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911147789.2A CN111160384B (zh) 2019-11-21 2019-11-21 一种移动储能车调度优化方法、系统及装置

Publications (2)

Publication Number Publication Date
CN111160384A true CN111160384A (zh) 2020-05-15
CN111160384B CN111160384B (zh) 2023-03-24

Family

ID=70556002

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911147789.2A Active CN111160384B (zh) 2019-11-21 2019-11-21 一种移动储能车调度优化方法、系统及装置

Country Status (1)

Country Link
CN (1) CN111160384B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016746A (zh) * 2020-08-26 2020-12-01 广东电网有限责任公司广州供电局 发电车调度方法、装置、计算机设备和存储介质
CN115619441A (zh) * 2022-12-20 2023-01-17 合肥华思系统有限公司 一种储能电站参与日前电力交易的申报方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110138006A (zh) * 2019-05-22 2019-08-16 南京邮电大学 考虑含有新能源电动汽车的多微电网协调优化调度方法
CN110263823A (zh) * 2019-05-29 2019-09-20 广东工业大学 一种基于模糊聚类的短期负荷预测方法
CN110391663A (zh) * 2019-06-06 2019-10-29 中国电力科学研究院有限公司 一种用于对移动式储能装置进行调用的方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110138006A (zh) * 2019-05-22 2019-08-16 南京邮电大学 考虑含有新能源电动汽车的多微电网协调优化调度方法
CN110263823A (zh) * 2019-05-29 2019-09-20 广东工业大学 一种基于模糊聚类的短期负荷预测方法
CN110391663A (zh) * 2019-06-06 2019-10-29 中国电力科学研究院有限公司 一种用于对移动式储能装置进行调用的方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112016746A (zh) * 2020-08-26 2020-12-01 广东电网有限责任公司广州供电局 发电车调度方法、装置、计算机设备和存储介质
CN112016746B (zh) * 2020-08-26 2021-12-17 广东电网有限责任公司广州供电局 发电车调度方法、装置、计算机设备和存储介质
CN115619441A (zh) * 2022-12-20 2023-01-17 合肥华思系统有限公司 一种储能电站参与日前电力交易的申报方法及系统

Also Published As

Publication number Publication date
CN111160384B (zh) 2023-03-24

Similar Documents

Publication Publication Date Title
CN110649641B (zh) 基于源网荷储协同服务的电动汽车快充站储能系统及其方法
CN103241130B (zh) 一种电动公交车充换电站的能量管理方法及系统
CN109523087B (zh) 基于深度学习的电动汽车快充站储能监测系统及其方法
CN113269372B (zh) 一种考虑用户意愿的集群电动汽车可调度容量预测评估方法
CN110829446B (zh) 一种基于柔性负荷动态特性的台区弹性调度方法与装置
CN113326467B (zh) 基于多重不确定性的多站融合综合能源系统多目标优化方法、存储介质及优化系统
CN111626527A (zh) 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法
CN113036793B (zh) 基于人工智能充电桩的负荷响应调度方法及系统
CN105680464A (zh) 一种考虑电池损耗的削峰填谷电池储能系统调度方法
CN113022361A (zh) 电力需求响应条件下基于充电桩的有序充电方法
CN111160384B (zh) 一种移动储能车调度优化方法、系统及装置
CN111833205B (zh) 一种大数据场景下的移动充电桩群体智能调度方法
CN116307087A (zh) 考虑电动汽车充放电的微电网系统储能优化配置方法
CN113799640A (zh) 适用于含电动汽车充电桩微电网的能量管理方法
CN110707711A (zh) 一种用户侧综合能源系统分级调控方法及系统
CN116811628A (zh) 一种含电动汽车充电的综合能源系统及有序充电方法
CN113872228A (zh) 一种应用于电网调峰调频的电动汽车调度方法和装置
CN110861508B (zh) 居民区直流充电机共享充电控制方法、系统及存储介质
CN112993985A (zh) 一种考虑不确定性的微电网多目标规划方法
CN117353346A (zh) 通信基站与电力系统的需求响应方法和装置
CN110334903B (zh) 基于背包算法的电动汽车充电调度方法
CN114707704A (zh) 一种电动车充电站微电网能量管理方法、系统及平台
CN114723278A (zh) 一种考虑光伏储能的社区微电网调度方法及系统
CN114142479A (zh) 计及多类型可调节负荷资源的用户侧能量调度方法及系统
Orozco et al. Day-ahead Multistage Stochastic Optimization of a Group of Electric Vehicle Charging Stations

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