CN111245024A - 基于模型预测控制的综合能源系统鲁棒优化运行方法 - Google Patents
基于模型预测控制的综合能源系统鲁棒优化运行方法 Download PDFInfo
- Publication number
- CN111245024A CN111245024A CN202010037950.7A CN202010037950A CN111245024A CN 111245024 A CN111245024 A CN 111245024A CN 202010037950 A CN202010037950 A CN 202010037950A CN 111245024 A CN111245024 A CN 111245024A
- Authority
- CN
- China
- Prior art keywords
- prediction
- model
- rolling optimization
- robust
- source
- 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
Links
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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种基于模型预测控制的综合能源系统鲁棒优化运行方法,设置预测时域和滚动优化时域;更新源荷历史数据;考虑源‑荷随机性,采用高斯过程回归方法进行源‑荷预测,获得下一预测域内的预测值和误差范围;采用MIN‑MAX模型预测控制方法,建立鲁棒滚动优化模型,根据预测模型的预测数据和预测误差范围,进行未来滚动优化时域的设备出力的鲁棒滚动优化,得到未来滚动优化时域的运行指令。
Description
技术领域
本公开属于分布式综合能源系统优化运行技术领域,涉及一种基于模型预测控制的综合能源系统鲁棒优化运行方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
综合能源系统是综合区域内石油、天然气、电能、热能等多种能源实现多种能源的协调规划,优化运行和互补互济,在满足系统内多元化用能需求的同时,要有效地提升能源利用效率,促进能源可持续发展的新型一体化的能源系统。由于其高效的能源利用率使得综合能源系统在近几年越来越受重视,且逐步成为研究热点。
据发明人了解,现在的综合能源系统的优化运行中的缺陷:现阶段大部分综合能源系统的优化运行均采用日前优化的方法,由于新能源以及部分负荷的快速变化性,单一的日前优化调度并不能快速应对源、荷的变化,这就需要综合能源系统滚动优化,已有的滚动优化的文献是基于点预测的确定性预测值优化系统出力,未考虑源-荷预测的误差对系统运行的影响。
发明内容
本公开为了解决上述问题,提出了一种基于模型预测控制的综合能源系统鲁棒优化运行方法,本公开对园区综合能源系统进行优化调度,可减小负荷以及可再生能源出力预测误差的影响,经济可靠地满足系统用能需求。
根据一些实施例,本公开采用如下技术方案:
一种基于模型预测控制的综合能源系统鲁棒优化运行方法,包括以下步骤:
设置预测时域和滚动优化时域;
更新源荷历史数据;
考虑源-荷随机性,采用高斯过程回归方法进行源-荷预测,获得下一预测域内的预测值和误差范围;
采用MIN-MAX模型预测控制方法,建立鲁棒滚动优化模型,根据预测模型的预测数据和预测误差范围,进行未来滚动优化时域的设备出力的鲁棒滚动优化,得到未来滚动优化时域的运行指令。
作为可选择的实施方式,考虑源-荷随机性,采用高斯过程回归方法进行源-荷预测的过程包括:在预测时域内建立带有噪声的回归模型,通过历史数据得到观测值的先验分布,计算观测值与预测值的联合先验分布,进而计算预测值的后验分布。
作为可选择的实施方式,建立鲁棒滚动优化模型的具体过程包括:
表示综合能源系统在t时刻电能平衡关系、热能平衡关系和冷能平衡关系;
构建综合能源系统各设备在t+1的状态函数;
滚动优化阶段以在源-荷预测误差最大情况下系统运行成本最低为目标,构建目标函数。
作为可选择的实施方式,建立鲁棒滚动优化模型时,包括功率约束条件,即综合能源系统的发电机组、可再生能源发电、燃气锅炉、吸收式制冷机和电制冷机的功率约束。
作为可选择的实施方式,建立鲁棒滚动优化模型时,还包括储能装置的爬坡约束。
作为可选择的实施方式,建立鲁棒滚动优化模型时,还包括蓄电池和储热罐的最大容量约束。
作为可选择的实施方式,所述目标函数为:
Pgas、Pgrid(t)分别表示天然气价格和分时电价;GPGU(t)、Gb(t)、Egrid(t)分别表示发电机组,燃气锅炉用气量和电网购电量;u、w、M分别表示优化变量、源-荷预测误差和滚动优化时域。
一种基于模型预测控制的综合能源系统鲁棒优化运行系统,包括:
参数设置模块,被配置为设置预测时域和滚动优化时域;
更新模块,被配置为更新源荷历史数据;
源-荷预测模块,被配置为考虑源-荷随机性,采用高斯过程回归方法进行源-荷预测,获得下一预测域内的预测值和误差范围;
鲁棒滚动优化模块,被配置为采用MIN-MAX模型预测控制方法,建立鲁棒滚动优化模型,根据预测模型的预测数据和预测误差范围,进行未来滚动优化时域的设备出力的鲁棒滚动优化,得到未来滚动优化时域的运行指令。
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行所述的一种基于模型预测控制的综合能源系统鲁棒优化运行方法。
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行所述的一种基于模型预测控制的综合能源系统鲁棒优化运行方法。
与现有技术相比,本公开的有益效果为:
本公开在源-荷预测环节采用高斯过程回归预测,根据实时数据在线滚动预测,在给出预测值的同时给出预测误差范围,将源-荷随机性考虑在内。根据当前实时数据预测下一预测域内的预测值和误差范围,起到反馈校正的作用。
本公开在滚动优化阶段考虑源-荷预测误差采用MIN-MAX模型预测控制优化方法,在源-荷预测误差最大的情况下系统运行成本最低,提高系统的鲁棒性。
本公开的源-荷预测误差范围由高斯过程回归滚动预测给出,不同阶段的误差范围不同,在提高系统鲁棒性的同时降低系统的保守性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是综合能源系统结构框图;
图2是鲁棒滚动优化时间窗口示意图;
图3是系统优化流程图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本公开提出了一种基于模型预测控制的综合能源系统鲁棒优化运行策略。源-荷预测采用高斯过程回归方法,在给出预测值的同时给出预测值的误差范围,将预测随机误差考虑在内,滚动优化阶段采用MIN-MAX模型预测控制方法,目的是使系统在源-荷预测误差最大的情况下成本最低。源-荷预测值的范围通过滚动预测获得,使得系统具有较强鲁棒性的同时减小系统的保守型。系统结构图如图1所示。
源-荷预测采用高斯过程回归模型在线滚动预测,在预测时域P内给出预测值的同时给出预测值的误差范围,可以将源-荷随机性考虑在内。
滚动优化环节采用MIN-MAX模型预测控制方法以预测误差最大情况下系统运行成本最低为优化目标,保证系统的鲁棒性。根据预测模型的预测数据和预测误差范围优化未来M时长的设备出力并执行第一步的优化结果。滚动优化的时间窗口如图2所示。
基于鲁棒模型预测控制的优化运行过程如图3所示。具体包括:
1、源-荷预测
(1)在预测域P内建立带有噪声的回归模型:
Y=f(x)+ξ,ξ~N(0,σ2) (1)
其中f(x)表示潜函数,ξ为服从N(0,σ2)的噪声。
(2)通过历史数据得到观测值Y的先验分布:
Y~N(0,K(X,X)+σ2I) (2)
其中K(X,X)为对称的正定协方差矩阵,I为n维的单位矩阵。
(3)计算观测值Y与预测值y的联合先验分布:
其中K(Xi,Xj)是用核函数测量的Xi与Xj的相关性。X*表示测试集,X表示训练集。
(4)预测值y的后验分布为:
2、建立鲁棒滚动优化模型
滚动优化阶段以在源-荷预测误差最大情况下系统运行成本最低为目标,目标函数如式(5)所示:
Pgas、Pgrid(t)分别表示天然气价格和分时电价;GPGU(t)、Gb(t)、Egrid(t)分别表示发电机组,燃气锅炉用气量和电网购电量;u、w、M分别表示优化变量、源-荷预测误差和滚动优化时域。
综合能源系统在t时刻电能平衡可表示为式(6):
EPGU(t)+Egrid(t)+ESE(t)+Eren(t)+E2 err(t)=Eec(t)+EL(t)+E1 err(t) (6)
综合能源系统供t时刻热能平衡可表示为式(7):
Hext(t)+Hb(t)+HSH(t)=Hab(t)+HL(t)+Herr(t) (7)
其中Hext(t)、Hb(t)、HSH(t)、Hab(t)和HL(t)分别表示t时刻发电机组的余热回收的热量、燃气锅炉产生的热量、储热罐的供热量、吸收式制冷机输入的热量和用户的热负荷需求;Herr(t)表示t时刻热负荷的预测误差。
综合能源系统供t时刻冷能平衡可表示为式(8):
Cec(t)+Cab(t)=CL(t)+Cerr(t) (8)
Cab(t)、Cec(t)和CL(t)分别表示为:吸收式制冷机出力、电制冷机出力和用户的冷负荷需求;Cerr(t)表示t时刻冷负荷的预测误差。
蓄电池(t+1)时刻的状态xe(t+1)可表示为:
xe(t+1)=(1-τ)×xe(t)-ηba×ESE(t) (9)
其中τ为蓄电池的自放电系数,ηba为储放电效率。
储热罐(t+1)时刻的状态xh(t+1)可表示为:
xh(t+1)=(1-μ)×xh(t)-ηt×HSH(t) (10)
其中μ为储热罐的自放热系数,ηt为储放热效率。
由于储能设备的动态特性,考虑预测时域为P滚动优化时域为M时,蓄电池模型可写为:
其中a=1-τ,储热罐模型与此类似,此处不再赘述。
考虑到系统实际运行情况后,优化中除需满足能量平衡的等式约束外,还应加入如下不等式约束。
0≤EPGU(t)≤EPGUmax (12)
0≤Eren(t)≤Erenmax (13)
0≤Hb(t)≤Hbmax (14)
0≤Cab(t)≤Cabmax(t) (15)
0≤Cec(t)≤Cecmax(t) (16)
其中EPGU(t)、Eren(t)、Hb(t)、Cab(t)和Cec(t)分别表示t时刻发电机组、可再生能源发电、燃气锅炉、吸收式制冷机和电制冷机的功率,EPGUmax、Erenmax、Hbmax、Cabmax(t)和Cecmax(t)分别表示发电机组、可再生能源发电、燃气锅炉、吸收式制冷机和电制冷机的额定功率。表示储能装置的爬坡约束。和分别表示蓄电池和储热罐的最大容量。
通过建立以上基于源-荷高斯过程回归预测的综合能源系统鲁棒模型预测控制优化运行策略,考虑了可再生能源和负荷的随机性;MIN-MAX优化与模型预测控制相结合可以提高系统的鲁棒性。通过对MIN-MAX问题的转换,该优化问题可以由YALMIP编程J进行求解实现综合能源系统的鲁棒运行。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开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,本公开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。
本公开是参照根据本公开实施例的方法、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。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.一种基于模型预测控制的综合能源系统鲁棒优化运行方法,其特征是:包括以下步骤:
设置预测时域和滚动优化时域;
更新源荷历史数据;
考虑源-荷随机性,采用高斯过程回归方法进行源-荷预测,获得下一预测域内的预测值和误差范围;
采用MIN-MAX模型预测控制方法,建立鲁棒滚动优化模型,根据预测模型的预测数据和预测误差范围,进行未来滚动优化时域的设备出力的鲁棒滚动优化,得到未来滚动优化时域的运行指令。
2.如权利要求1所述的一种基于模型预测控制的综合能源系统鲁棒优化运行方法,其特征是:考虑源-荷随机性,采用高斯过程回归方法进行源-荷预测的过程包括:在预测时域内建立带有噪声的回归模型,通过历史数据得到观测值的先验分布,计算观测值与预测值的联合先验分布,进而计算预测值的后验分布。
3.如权利要求1所述的一种基于模型预测控制的综合能源系统鲁棒优化运行方法,其特征是:建立鲁棒滚动优化模型的具体过程包括:
表示综合能源系统在t时刻电能平衡关系、热能平衡关系和冷能平衡关系;
构建综合能源系统各设备在t+1的状态函数;
滚动优化阶段以在源-荷预测误差最大情况下系统运行成本最低为目标,构建目标函数。
5.如权利要求1所述的一种基于模型预测控制的综合能源系统鲁棒优化运行方法,其特征是:建立鲁棒滚动优化模型时,包括功率约束条件,即综合能源系统的发电机组、可再生能源发电、燃气锅炉、吸收式制冷机和电制冷机的功率约束。
6.如权利要求1所述的一种基于模型预测控制的综合能源系统鲁棒优化运行方法,其特征是:建立鲁棒滚动优化模型时,还包括储能装置的爬坡约束。
7.如权利要求1所述的一种基于模型预测控制的综合能源系统鲁棒优化运行方法,其特征是:建立鲁棒滚动优化模型时,还包括蓄电池和储热罐的最大容量约束。
8.一种基于模型预测控制的综合能源系统鲁棒优化运行系统,其特征是:包括:
参数设置模块,被配置为设置预测时域和滚动优化时域;
更新模块,被配置为更新源荷历史数据;
源-荷预测模块,被配置为考虑源-荷随机性,采用高斯过程回归方法进行源-荷预测,获得下一预测域内的预测值和误差范围;
鲁棒滚动优化模块,被配置为采用MIN-MAX模型预测控制方法,建立鲁棒滚动优化模型,根据预测模型的预测数据和预测误差范围,进行未来滚动优化时域的设备出力的鲁棒滚动优化,得到未来滚动优化时域的运行指令。
9.一种计算机可读存储介质,其特征是:其中存储有多条指令,所述指令适于由终端设备的处理器加载并执行权利要求1-7中任一项所述的一种基于模型预测控制的综合能源系统鲁棒优化运行方法。
10.一种终端设备,其特征是:包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行权利要求1-7中任一项所述的一种基于模型预测控制的综合能源系统鲁棒优化运行方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010037950.7A CN111245024B (zh) | 2020-01-14 | 2020-01-14 | 基于模型预测控制的综合能源系统鲁棒优化运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010037950.7A CN111245024B (zh) | 2020-01-14 | 2020-01-14 | 基于模型预测控制的综合能源系统鲁棒优化运行方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111245024A true CN111245024A (zh) | 2020-06-05 |
CN111245024B CN111245024B (zh) | 2021-04-16 |
Family
ID=70871034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010037950.7A Active CN111245024B (zh) | 2020-01-14 | 2020-01-14 | 基于模型预测控制的综合能源系统鲁棒优化运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111245024B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861002A (zh) * | 2020-07-22 | 2020-10-30 | 上海明华电力科技有限公司 | 基于数据驱动高斯学习技术的建筑物冷热负荷预测方法 |
CN111952965A (zh) * | 2020-08-05 | 2020-11-17 | 山东大学 | 一种基于预测控制与区间规划的cchp系统优化运行方法 |
CN112633575A (zh) * | 2020-12-22 | 2021-04-09 | 山东大学 | 基于鲁棒优化的多能互补综合能源系统容量配置方法及系统 |
CN112818559A (zh) * | 2021-02-23 | 2021-05-18 | 上海交通大学 | 基于随机微分方程的区域综合能源连续调度方法及其系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6498968B1 (en) * | 2001-11-27 | 2002-12-24 | Lockheed Martin Corporation | Optimistic distributed simulation for a UAV flight control system |
CN104471852A (zh) * | 2012-07-17 | 2015-03-25 | Abb研究有限公司 | 多端hvdc控制 |
CN108932560A (zh) * | 2018-06-13 | 2018-12-04 | 天津大学 | 基于模型预测控制的园区综合能源系统优化调度方法 |
CN109343352A (zh) * | 2018-12-17 | 2019-02-15 | 山东大学 | 一种基于时间最优控制的温度控制方法及系统 |
CN109507882A (zh) * | 2018-11-20 | 2019-03-22 | 中南大学 | 一种基于rbf-arx模型的快速鲁棒预测控制方法 |
-
2020
- 2020-01-14 CN CN202010037950.7A patent/CN111245024B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6498968B1 (en) * | 2001-11-27 | 2002-12-24 | Lockheed Martin Corporation | Optimistic distributed simulation for a UAV flight control system |
CN104471852A (zh) * | 2012-07-17 | 2015-03-25 | Abb研究有限公司 | 多端hvdc控制 |
CN108932560A (zh) * | 2018-06-13 | 2018-12-04 | 天津大学 | 基于模型预测控制的园区综合能源系统优化调度方法 |
CN109507882A (zh) * | 2018-11-20 | 2019-03-22 | 中南大学 | 一种基于rbf-arx模型的快速鲁棒预测控制方法 |
CN109343352A (zh) * | 2018-12-17 | 2019-02-15 | 山东大学 | 一种基于时间最优控制的温度控制方法及系统 |
Non-Patent Citations (7)
Title |
---|
FAN LI, BO SUN: "A hybrid optimization-based scheduling strategy for combined cooling, heating, and power system with thermal energy storage", 《ENERGY》 * |
MENGLU PEI, BO SUN: "Variable step size rolling optimization strategy for CCHP system considering renewable energy", 《PROCEEDINGS OF THE 38TH CHINESE CONTROL CONFERENCE》 * |
OUSSAMA LAIB: "A Gaussian Process Regression for Natural Gas Consumption Prediction Based on Time Series Data", 《2018 21ST INTERNATIONAL CONFERENCE ON INFORMATION FUSION (FUSION)》 * |
SU ZHONGPEI: "Optimal operation strategy of biomass and solar CCHP system", 《PROCEEDINGS OF THE 35TH CHINESE CONTROL CONFERENCE》 * |
张恒: "冷热电联供型微电网功率预测与经济运行研究", 《中国优秀硕士学位论文全文数据库》 * |
赵峰: "冷热电联供系统的三级协同整体优化设计方法", 《中国电机工程学报》 * |
陈柏翰: "冷热电联供系统多元储能及孤岛运行优化调度方法", 《电工技术学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111861002A (zh) * | 2020-07-22 | 2020-10-30 | 上海明华电力科技有限公司 | 基于数据驱动高斯学习技术的建筑物冷热负荷预测方法 |
CN111952965A (zh) * | 2020-08-05 | 2020-11-17 | 山东大学 | 一种基于预测控制与区间规划的cchp系统优化运行方法 |
CN111952965B (zh) * | 2020-08-05 | 2023-03-10 | 山东大学 | 一种基于预测控制与区间规划的cchp系统优化运行方法 |
CN112633575A (zh) * | 2020-12-22 | 2021-04-09 | 山东大学 | 基于鲁棒优化的多能互补综合能源系统容量配置方法及系统 |
CN112633575B (zh) * | 2020-12-22 | 2023-01-31 | 山东大学 | 基于鲁棒优化的多能互补综合能源系统容量配置方法及系统 |
CN112818559A (zh) * | 2021-02-23 | 2021-05-18 | 上海交通大学 | 基于随机微分方程的区域综合能源连续调度方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111245024B (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111245024B (zh) | 基于模型预测控制的综合能源系统鲁棒优化运行方法 | |
CN107895971B (zh) | 基于随机规划和模型预测控制的区域能源互联网调度方法 | |
Lu et al. | Optimal scheduling of buildings with energy generation and thermal energy storage under dynamic electricity pricing using mixed-integer nonlinear programming | |
CN109711080B (zh) | 一种冷热电联供系统多时间尺度优化运行方法 | |
CN109634119B (zh) | 一种基于日内滚动优化的能源互联网优化控制方法 | |
CN111555281B (zh) | 一种电力系统灵活性资源配置仿真方法及装置 | |
Liu et al. | Bi-level dispatch and control strategy based on model predictive control for community integrated energy system considering dynamic response performance | |
CN109298634B (zh) | 一种综合能源系统两阶段鲁棒优化调度方法 | |
CN111355265A (zh) | 一种微电网能量两阶段鲁棒优化方法及系统 | |
CN109472401A (zh) | 分布式供能运行策略的确定方法、装置、设备和存储介质 | |
CN111144620A (zh) | 一种考虑季节储氢的电氢综合能源系统及其鲁棒规划方法 | |
CN109636056A (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 | |
Li et al. | Model-based multi-objective predictive scheduling and real-time optimal control of energy systems in zero/low energy buildings using a game theory approach | |
CN111737884A (zh) | 一种含多种清洁能源微能源网多目标随机规划方法 | |
CN111952965B (zh) | 一种基于预测控制与区间规划的cchp系统优化运行方法 | |
CN112131712B (zh) | 客户侧多能源系统多目标优化方法和系统 | |
CN111293682A (zh) | 一种基于协同模型预测控制的多微网能量管理方法 | |
CN110889581A (zh) | 一种电动汽车参与的台区优化调度方法和系统 | |
CN111585279A (zh) | 一种基于新能源消纳的微电网优化调度方法 | |
CN111126675A (zh) | 多能互补微网系统优化方法 | |
CN112308411B (zh) | 基于动态碳交易模型的综合能源站随机规划方法及系统 | |
Lu et al. | Two-stage robust scheduling and real-time load control of community microgrid with multiple uncertainties | |
CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
Liang et al. | Real-time optimization of large-scale hydrogen production systems using off-grid renewable energy: Scheduling strategy based on deep reinforcement learning | |
Zhang et al. | Exploiting the operational flexibility of AA-CAES in energy and reserve optimization scheduling by a linear reserve model |
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 |