CN111311436A - 一种基于多变量控制的复杂可再生能源综合用能分析管理的系统和方法 - Google Patents

一种基于多变量控制的复杂可再生能源综合用能分析管理的系统和方法 Download PDF

Info

Publication number
CN111311436A
CN111311436A CN202010186889.2A CN202010186889A CN111311436A CN 111311436 A CN111311436 A CN 111311436A CN 202010186889 A CN202010186889 A CN 202010186889A CN 111311436 A CN111311436 A CN 111311436A
Authority
CN
China
Prior art keywords
hour
energy
energy storage
storage device
power generation
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
Application number
CN202010186889.2A
Other languages
English (en)
Inventor
周浩
顾一峰
胡炳谦
韩俊
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.)
Shanghai Ieslab Energy Technology Co ltd
Original Assignee
Shanghai Ieslab Energy Technology 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 Shanghai Ieslab Energy Technology Co ltd filed Critical Shanghai Ieslab Energy Technology Co ltd
Priority to CN202010186889.2A priority Critical patent/CN111311436A/zh
Publication of CN111311436A publication Critical patent/CN111311436A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • G06Q10/30—Administration of product recycling or disposal
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor
    • 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
    • Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
    • Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

随时变化的天气导致可再生能源具有波动性，间接性，随机性的特点，这些不稳定的特性限制了可再生能源在生产活动中的推广使用，本发明提出一种利用多种预测模型准确预测的光伏发电以及风力发电的发电量预测数据结合多变量控制最优解方程的综合用能分析管理系统来科学高效的实时管理光伏发电和风力发电两种可再生能源的使用比例分析分配，并且在特殊天气情况下，辅以传统化石能源发电量的补充，达到灵活选择风力发电或光伏发电产出量，最大限度使用可再生能源，最小化用能成本为目标，建立了考虑波动变化的可再生能源发电量与储能容量优化等多方面的综合模型以提高用电对象对可再生能源的利用效率，实现绿色用能，经济用能的目标。

Description

一种基于多变量控制的复杂可再生能源综合用能分析管理的 系统和方法
技术领域
本发明涉及预测控制领域，具体涉及一种基于多变量控制的复杂可再生能源综合用能分析管理的系统和方法。
背景技术
为了应对越来越紧张的能源供应和化石能源导致的气候影响，世界各国都十分重视可再生能源的开发和利用。风能以及太阳能作为最具代表性的，并且被市场广泛接受的清洁能源对于以传统化石能源为主的电力市场是一个非常重要的补充。但是可再生能源目前在大规模的并网运行上仍然存在折一些问题，由于其波动性和随机性的特点与电力系统的发电，输电，用电需要实时保持平衡的要求互相矛盾，如何利用有效的预测和合理的分配管理来化解这个矛盾成为了解决合理利用可再生能源问题的关键。准确的对于可再生能源发电系统输出的预测和科学的储能分析管理系统是解决这个问题的方法。
通过各种预测方式可以有效的预测可再生能源发电系统的输出。预测结果越准确就越能使电力系统运行效率和稳定性极大的增加，准确的预测结果可以保障对于未来一定时间内的可再生能源发电量的合理分配。目前，有很多的预测方法可以准确预测可再生能源的发电输出。例如发明“一种基于梯度提升算法预测短期电力负荷的系统模型” （专利申请号： 202010115241.6）提出了一种利用梯度提升算法(Gradient Boosting)来预测风力发电输出预测的方法。发明“一种基于递归神经网络的长短期记忆模型来预测风力发电的系统模型”（专利申请号：202010108778.X）提出了一种结合递归神经网络和LSM长短记忆模型的方法来预测风力发电量。例如发明“一种基于线性回归和神经网络的光伏发电预测模型和方法”（专利申请号： 202010025373.X）提出了一种结合多元线性回归，分步线性回归及人工神经网络以预测光伏发电系统输出的复杂模型和方法，可以准确的预测指定区域内一个时间段的光伏发电量。
这些新的方法可以准确预测指定区域在某些时间段内的可再生能源的发电量。可再生能源的大规模并网，造成电网安全稳定运行和有效消纳问题仍然非常突出，仍然需要一套有效的优化管理系统提高风力发电的消纳能力，合理分配电网电量的补充。为了应对可再生能源发电的间隙性问题，电力系统在运行中必须保留足够的备用电源和调峰容量，以保证风力发电和太阳能发电出力不足时能够正常向用户供电，这必然会造成系统的备用容量增大；而在可再生发电出力大，而负荷不足时，又必须采取压低火力电机组出力的方式来保证平衡。可再生受制于其对于天气情况的依赖，由于其多变性及其不可预测性可能会无法在与现有电网进行并网操作时保持协同的可靠和稳定，这就要求在利用风力发电能源时，充分考虑到其不稳定性，利用预测模型的结果以及多变量控制的系统有效，合理的分配风力发电量与综合电网的用量，以做到最大程度的利用清洁能源能源。
本发明提出一种基于多个变量控制的可再生能源发电综合用能分析管理的系统和方法，其特点为提出一种分配光伏发电量，风力发电量与传统化石能源补充的线性优化方程数学模型，利用储能设备，以最大化利用可再生能源使用为目标，同时考虑最小化用能成本。数学模型在实际应用中也引入了储能成本，储能设备寿命，储能设备充放电次数，用能负荷需求等多个限制变量，从而更符合实际运行情景。本发明以达到高效利用可再生能源发电，有效保障电网运行安全为目的，引入光伏发电量，风力发电量以及用能负荷等模型预测结果在储能设备的分配模拟上，在保障可再生能源有效并网的前提下，合理配置储能设备和电网购电，对合理化分配可再生能源利用率有一定的实践意义，达到清洁用能的目标。
发明内容
本发明提出了一种基于多个变量控制的可再生能源综合用能分析管理的系统和方法,其主要的应用在于应用模型预测的，光伏发电量，风力发电量及用能负荷结果，在给定相应的储能系统限制条件的情况下，运用优化模型，合理分配储能设备的充放电量，保障最优化利用电能。整个系统流程包括了预测光伏发电量，预测风力发电量，预测用能对象电力用能负荷，设定储能设备限制条件，运行实时多变量控制优化模型求解，输出用能对象电网购电量，输出储能系统充放电时间及充放电量等几个步骤，流程如图1所示。
附图说明
图1是本发明实施中基于多个变量控制的可再生能源发电综合用能分析管理的系统流程图。
具体实施方式
步骤一、 根据用能对象的储能设备相关特性确定储能设备限制值，其中包括：
Figure DEST_PATH_IMAGE001
: 储能设备充电最大值限制 (MW/hour)
Figure 349601DEST_PATH_IMAGE002
: 储能设备放电最大值限制 (MW/hour)
Figure DEST_PATH_IMAGE003
: 储能设备在小时 0存储电量, MW, ( 初始状态 )
Figure 582130DEST_PATH_IMAGE004
: 储能设备, 存储电量的最大额度 (MW)
Figure DEST_PATH_IMAGE005
: 储能设备, 存储电量的最小额度 (MW)
Figure 9176DEST_PATH_IMAGE006
: 储能设备一天充电次数。
步骤二、依据上海积成能源科技有限公司公开专利“一种基于梯度提升算法预测 短期电力负荷的系统模型” （专利申请号：202010115241.6 ）及“一种基于递归神经网络的 长短期记忆模型来预测风力发电的系统模型”（专利申请号：202010108778.X）所述方法，取 两种方法预测的风力发电系统的发电量
Figure DEST_PATH_IMAGE007
的平均值。（风力发电系统在小时i的发电量预测 值 (MW)）。
步骤三、依据上海积成能源科技有限公司公开专利“一种基于线性回归和神经网络的光伏发电预测模型和方法”（专利申请号： 202010025373.X） 所述方法，预测光伏发电系统的发电量g_i。（光伏发电系统在小时i的发电量预测值 (MW)）。
步骤四、依据上海积成能源科技有限公司公开专利“一种电力短期负荷预测系统 及方法”（专利申请号： 201710989849.X）所述方法，预测用能对象短期用能负荷预测值
Figure 174709DEST_PATH_IMAGE008
（用能对象在小时i的实际用能负荷预测值 (MW)）。
步骤五、 根据前三步骤所确定的储能优化模型输入值，求解储能优化相关配置输出值，其中包括：
Figure DEST_PATH_IMAGE009
: 用户在小时i实际的购电量, MW
Figure 195886DEST_PATH_IMAGE010
: 储能设备在小时i实际的放电量, MW
Figure DEST_PATH_IMAGE011
: 储能设备在小时i实际的充电量, MW,
Figure 449799DEST_PATH_IMAGE012
: 储能设备在小时i实际的储电量, MW,
Figure DEST_PATH_IMAGE013
:储能设备在小时i 的充电状态, 状态0或1
Figure 949045DEST_PATH_IMAGE014
:储能设备在小时i的放电状态, 状态0或1
运行储能优化模型，模型具体包括：
目标函数：
Min
Figure 93718DEST_PATH_IMAGE015
函数目的为最小化用户的电网购电费用。最大化利用可再生能源发电量；
函数运算限制条件：
1)整体用电量与电能供给量必须保持平衡，方程表示如下：
Figure 610763DEST_PATH_IMAGE016
：
等式左边表示，用户在小时i 整体用电量 ( 自身实际的用电量和储能设备的充电量)。等式右边表示, 用户在小时i 整体用电量的供给量 (实时购电电量和储能设备的放电量，以及光伏发电系统发电量，风力发电系统发电量 )；
2)光伏发电与风力发电总量需要大于等于零以确保利用可再生能源：
Figure 208098DEST_PATH_IMAGE017
3)储能设备在小时i实际的充电量必须小于储能设备充电最大值限制，方程表示如下：
Figure 573351DEST_PATH_IMAGE018
4)储能设备在小时i实际的放电量必须小于储能设备放电最大值限制，方程表示如下：
Figure 306952DEST_PATH_IMAGE019
5)储能设备在小时i只能有一个状态, 要么是充电，要么是放电，方程表示如下：
Figure 732248DEST_PATH_IMAGE020
6)储能设备在小时1 的储电量等于, 在小时0的储电量(初始状态)加上小时1的充电量减去小时1的放电量。方程表示如下：
Figure 816879DEST_PATH_IMAGE021
7)储能设备在小时i 的储电量等于, 在前一个小时的储电量加上小时i的充电量减去小时i的放电量。方程表示如下：
Figure 508192DEST_PATH_IMAGE022
8)储能设备上下限需保持在储能设备物理限制范围内。 方程表示如下：
Figure 96300DEST_PATH_IMAGE023
等式表示: 储能设备在小时i 的储电量等于, 在前一个小时的储电量加上小时i的充电量减去小时i的放电量；
9)储能设备在一天时间内的充放电次数限制。方程表示如下：
Figure 426918DEST_PATH_IMAGE024
10)储能初始状态 (小时0)与结束状态 (小时24)必须保持一定的平衡。方程表示如下：
Figure 467686DEST_PATH_IMAGE025
：
依据上述九项限制条件，运用所述线性优化模型，求解目标函数（最小化电网购电费 用），计算上述计算输出值,包括：
Figure 440321DEST_PATH_IMAGE009
: 用户在小时i实际的购电量, MW，
Figure 411164DEST_PATH_IMAGE026
: 储能设备在 小时i实际的放电量, MW，
Figure 912684DEST_PATH_IMAGE011
: 储能设备在小时i实际的充电量, MW,
Figure 706327DEST_PATH_IMAGE027
: 储能设备在小时i 实际的储电量, MW,
Figure 482653DEST_PATH_IMAGE013
:储能设备在小时i 的充电状态, 状态0或1,
Figure 779774DEST_PATH_IMAGE014
:储能设备在小时i 的放电状态, 状态0或1。
步骤六、根据步骤四运算结果，记录小时i需要从电网购买的电量。记录风力发电 量
Figure 248932DEST_PATH_IMAGE007
和光伏发电量
Figure 267222DEST_PATH_IMAGE028
。
步骤七、根据步骤四运算结果，记录
Figure 847239DEST_PATH_IMAGE029
:储能设备在小时i实际的放电量, MW，
Figure 530025DEST_PATH_IMAGE030
: 储能设备在小时i实际的充电量, MW,
Figure DEST_PATH_IMAGE031
:储能设备在小时i实际的储电量, MW,
Figure 576609DEST_PATH_IMAGE032
:储能 设备在小时i 的充电状态, 状态0或1，
Figure DEST_PATH_IMAGE033
:储能设备在小时i的放电状态, 状态0或1，步 骤五及步骤六的输出值将作为电力负荷预测的输入值输入到短期电力负荷预测模型中去 计算电力负荷预测值。
本发明通过应用线性优化模型，提出一套复杂可再生能源用能优化分析管理的系统和方法，并考虑了多个实际应用中的限制变量控制条件，其特点在于在给定相应的储能系统限制条件，结合多种模型预测结果（光伏发电预测，风力发电预测及用能负荷预测），运用多变量线性优化方程模型，合理分配使用可再生能源和电网购电量，保障最大化利用可再生能源，最大化发挥储能系统的作用，达到满足用能负荷需求，保障用电安全，清洁用能的目的，可以有效的合理利用可再生能源，降低用的成本。

Claims (1)

1.一种基于多变量控制的复杂可再生能源综合用能分析管理的系统和方法，其特征在于，包括：
步骤一、 根据用能对象的储能设备相关特性确定储能设备限制值，其中包括：
Figure 468960DEST_PATH_IMAGE001
: 储能设备充电最大值限制 (MW/hour)
Figure 932303DEST_PATH_IMAGE002
: 储能设备放电最大值限制 (MW/hour)
Figure 339013DEST_PATH_IMAGE003
: 储能设备在小时 0存储电量, MW, ( 初始状态 )
Figure 292450DEST_PATH_IMAGE004
: 储能设备, 存储电量的最大额度 (MW)
Figure 1780DEST_PATH_IMAGE005
: 储能设备, 存储电量的最小额度 (MW)
Figure 342632DEST_PATH_IMAGE006
: 储能设备一天充电次数；
步骤二、依据上海积成能源科技有限公司公开专利“一种基于梯度提升算法预测短期 电力负荷的系统模型” （专利申请号：202010115241.6 ）及“一种基于递归神经网络的长短 期记忆模型来预测风力发电的系统模型”（专利申请号：202010108778.X）所述方法，取两种 方法预测的风力发电系统的发电量
Figure 818613DEST_PATH_IMAGE007
的平均值，（风力发电系统在小时i的发电量预测值 (MW)）；
步骤三、依据上海积成能源科技有限公司公开专利“一种基于线性回归和神经网络的光伏发电预测模型和方法”（专利申请号： 202010025373.X） 所述方法，预测光伏发电系统的发电量g_i，（光伏发电系统在小时i的发电量预测值 (MW)）；
步骤四、依据上海积成能源科技有限公司公开专利“一种电力短期负荷预测系统及方 法”（专利申请号： 201710989849.X）所述方法，预测用能对象短期用能负荷预测值
Figure 295730DEST_PATH_IMAGE008
（用 能对象在小时i的实际用能负荷预测值 (MW)）；
步骤五、 根据前三步骤所确定的储能优化模型输入值，求解储能优化相关配置输出值，其中包括：
Figure 682019DEST_PATH_IMAGE009
: 用户在小时i实际的购电量, MW
Figure 323216DEST_PATH_IMAGE010
: 储能设备在小时i实际的放电量, MW
Figure 196363DEST_PATH_IMAGE011
: 储能设备在小时i实际的充电量, MW,
Figure 996829DEST_PATH_IMAGE012
: 储能设备在小时i实际的储电量, MW,
Figure 313541DEST_PATH_IMAGE013
:储能设备在小时i 的充电状态, 状态0或1
Figure 628985DEST_PATH_IMAGE014
:储能设备在小时i的放电状态, 状态0或1
运行储能优化模型，模型具体包括：
目标函数：
Min
Figure 715277DEST_PATH_IMAGE015
函数目的为最小化用户的电网购电费用，最大化利用可再生能源发电量；
函数运算限制条件：
1)整体用电量与电能供给量必须保持平衡，方程表示如下：
Figure 635828DEST_PATH_IMAGE016
：
等式左边表示，用户在小时i 整体用电量(自身实际的用电量和储能设备的充电量 )，
等式右边表示, 用户在小时i 整体用电量的供给量 (实时购电电量和储能设备的放电量，以及光伏发电系统发电量，风力发电系统发电量 )；
2)光伏发电与风力发电总量需要大于等于零以确保利用可再生能源：
Figure 903867DEST_PATH_IMAGE017
3)储能设备在小时i实际的充电量必须小于储能设备充电最大值限制，方程表示如下：
Figure 644290DEST_PATH_IMAGE018
4)储能设备在小时i实际的放电量必须小于储能设备放电最大值限制，方程表示如下：
Figure 609972DEST_PATH_IMAGE019
5)储能设备在小时i只能有一个状态, 要么是充电，要么是放电，方程表示如下：
Figure 247014DEST_PATH_IMAGE020
6)储能设备在小时1 的储电量等于, 在小时0的储电量(初始状态)加上小时1的充电量减去小时1的放电量，
方程表示如下：
Figure 905529DEST_PATH_IMAGE021
7)储能设备在小时i 的储电量等于, 在前一个小时的储电量加上小时i的充电量减去小时i的放电量，
方程表示如下：
Figure 133248DEST_PATH_IMAGE022
8)储能设备上下限需保持在储能设备物理限制范围内，
方程表示如下：
Figure 151888DEST_PATH_IMAGE023
等式表示: 储能设备在小时i 的储电量等于, 在前一个小时的储电量加上小时i的充电量减去小时i的放电量；
9)储能设备在一天时间内的充放电次数限制，
方程表示如下：
Figure 391240DEST_PATH_IMAGE024
10)储能初始状态 (小时0)与结束状态 (小时24)必须保持一定的平衡，
方程表示如下：
Figure 469923DEST_PATH_IMAGE025
：
依据上述九项限制条件，运用所述线性优化模型，求解目标函数（最小化电网购电费 用），计算上述计算输出值,包括：
Figure 453447DEST_PATH_IMAGE009
: 用户在小时i实际的购电量, MW，
Figure 760932DEST_PATH_IMAGE026
: 储能设备在 小时i实际的放电量, MW，
Figure 510582DEST_PATH_IMAGE011
: 储能设备在小时i实际的充电量, MW,
Figure 760167DEST_PATH_IMAGE027
: 储能设备在小时i 实际的储电量, MW,
Figure 837844DEST_PATH_IMAGE013
:储能设备在小时i 的充电状态, 状态0或1,
Figure 339232DEST_PATH_IMAGE014
:储能设备在小时i 的放电状态, 状态0或1；
步骤六、根据步骤四运算结果，记录小时i需要从电网购买的电量，记录风力发电量
Figure 629592DEST_PATH_IMAGE007
和光伏发电量
Figure 800810DEST_PATH_IMAGE028
；
步骤七、根据步骤四运算结果，记录
Figure 490418DEST_PATH_IMAGE029
:储能设备在小时i实际的放电量, MW，
Figure 388973DEST_PATH_IMAGE030
: 储能 设备在小时i实际的充电量, MW,
Figure 723002DEST_PATH_IMAGE031
:储能设备在小时i实际的储电量, MW,
Figure 455335DEST_PATH_IMAGE032
:储能设备 在小时i 的充电状态, 状态0或1，
Figure 494222DEST_PATH_IMAGE033
:储能设备在小时i的放电状态, 状态0或1，步骤五 及步骤六的输出值将作为电力负荷预测的输入值输入到短期电力负荷预测模型中去计算 电力负荷预测值。
CN202010186889.2A 2020-03-17 2020-03-17 一种基于多变量控制的复杂可再生能源综合用能分析管理的系统和方法 Pending CN111311436A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010186889.2A CN111311436A (zh) 2020-03-17 2020-03-17 一种基于多变量控制的复杂可再生能源综合用能分析管理的系统和方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010186889.2A CN111311436A (zh) 2020-03-17 2020-03-17 一种基于多变量控制的复杂可再生能源综合用能分析管理的系统和方法

Publications (1)

Publication Number Publication Date
CN111311436A true CN111311436A (zh) 2020-06-19

Family

ID=71162245

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010186889.2A Pending CN111311436A (zh) 2020-03-17 2020-03-17 一种基于多变量控制的复杂可再生能源综合用能分析管理的系统和方法

Country Status (1)

Country Link
CN (1) CN111311436A (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107039975A (zh) * 2017-05-27 2017-08-11 上海电气分布式能源科技有限公司 一种分布式能源系统能量管理方法
CN107196294A (zh) * 2017-06-16 2017-09-22 国网江苏省电力公司电力科学研究院 源网荷互动模式下微电网多时间尺度自适应能量调度方法
CN109586325A (zh) * 2018-12-21 2019-04-05 徐树强 一种新能源储能优化配置方法
CN109634119A (zh) * 2018-12-24 2019-04-16 浙江工业大学 一种基于日内滚动优化的能源互联网优化控制方法
CN109842141A (zh) * 2019-03-04 2019-06-04 曹麾 低压台区峰谷负荷平衡智能管理方法
CN109919399A (zh) * 2019-04-15 2019-06-21 中国科学院电工研究所 一种综合能源系统日前经济调度方法及系统
CN110263866A (zh) * 2019-06-24 2019-09-20 苏州智睿新能信息科技有限公司 一种基于深度学习的电力用户负荷区间预测方法
CN110417006A (zh) * 2019-07-24 2019-11-05 三峡大学 考虑多能协同优化的综合能源系统多时间尺度能量调度方法
CN110443417A (zh) * 2019-07-05 2019-11-12 上海电力大学 基于小波变换的多模型集成负荷预测方法
CN110581571A (zh) * 2019-08-29 2019-12-17 昆明理工大学 一种主动配电网动态优化调度方法
CN110648011A (zh) * 2019-08-07 2020-01-03 广东工业大学 考虑光伏用户的馈线短期负荷预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107039975A (zh) * 2017-05-27 2017-08-11 上海电气分布式能源科技有限公司 一种分布式能源系统能量管理方法
CN107196294A (zh) * 2017-06-16 2017-09-22 国网江苏省电力公司电力科学研究院 源网荷互动模式下微电网多时间尺度自适应能量调度方法
CN109586325A (zh) * 2018-12-21 2019-04-05 徐树强 一种新能源储能优化配置方法
CN109634119A (zh) * 2018-12-24 2019-04-16 浙江工业大学 一种基于日内滚动优化的能源互联网优化控制方法
CN109842141A (zh) * 2019-03-04 2019-06-04 曹麾 低压台区峰谷负荷平衡智能管理方法
CN109919399A (zh) * 2019-04-15 2019-06-21 中国科学院电工研究所 一种综合能源系统日前经济调度方法及系统
CN110263866A (zh) * 2019-06-24 2019-09-20 苏州智睿新能信息科技有限公司 一种基于深度学习的电力用户负荷区间预测方法
CN110443417A (zh) * 2019-07-05 2019-11-12 上海电力大学 基于小波变换的多模型集成负荷预测方法
CN110417006A (zh) * 2019-07-24 2019-11-05 三峡大学 考虑多能协同优化的综合能源系统多时间尺度能量调度方法
CN110648011A (zh) * 2019-08-07 2020-01-03 广东工业大学 考虑光伏用户的馈线短期负荷预测方法
CN110581571A (zh) * 2019-08-29 2019-12-17 昆明理工大学 一种主动配电网动态优化调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘德旭等: ""基于可再生能源发电优先消纳的电力电量平衡模型研究"", 《电网与清洁能源》 *
卢美玲等: "面向能源互联网的家庭光伏发电系统经济效益优化调度模型", 《电力系统及其自动化学报》 *

Similar Documents

Publication Publication Date Title
CN114744687B (zh) 一种虚拟电厂的能源调控方法及系统
CN107453407B (zh) 一种智能微电网分布式能源调度方法
CN108551176B (zh) 一种结合储能均衡技术的储能电池系统容量配置方法
CN112036934A (zh) 考虑热电协调运行的负荷聚合商参与需求响应的报价方法
CN111146796A (zh) 一种基于多变量控制的光伏发电综合用能分析管理的系统和方法
CN111293682A (zh) 一种基于协同模型预测控制的多微网能量管理方法
CN115099725B (zh) 一种综合能源系统能量管理分配方法及系统
de la Hoz et al. Regulatory-framework-embedded energy management system for microgrids: The case study of the Spanish self-consumption scheme
Yoldas et al. Optimal control of microgrids with multi-stage mixed-integer nonlinear programming guided $ Q $-learning algorithm
Han et al. Multi-stage distributionally robust optimization for hybrid energy storage in regional integrated energy system considering robustness and nonanticipativity
Li et al. Optimization of dynamic dispatch for multiarea integrated energy system based on hierarchical learning method
CN108182487A (zh) 基于粒子群优化和本德尔分解的家庭能量数据优化方法
CN115408808A (zh) 一种计及碳排放的能源配网系统多时间尺度优化调度方法
Lu et al. Two-stage robust scheduling and real-time load control of community microgrid with multiple uncertainties
Belloni et al. A stochastic optimal control solution to the energy management of a microgrid with storage and renewables
CN111898801B (zh) 一种用于配置多能互补供电系统的方法及系统
Li et al. Optimization scheduling model based on source-load-energy storage coordination in power systems
CN116883064A (zh) 一种基于分部电价预测的储能交易运营管理方法及系统
CN115693797A (zh) 考虑v2g与需求响应的配电网调度方法、介质及系统
CN111311436A (zh) 一种基于多变量控制的复杂可再生能源综合用能分析管理的系统和方法
CN110943487B (zh) 一种园区能源系统能量优化的方法和装置
CN109119988B (zh) 基于动态批发市价的光伏-电池微电网能量调度管理方法
CN111105105A (zh) 一种基于多变量控制的风力发电综合用能分析管理的系统和方法
CN117879046B (zh) 一种用于风光氢储系统的低碳调控方法及装置
CN117592621B (zh) 一种虚拟电厂集群两阶段调度优化方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200619

WD01 Invention patent application deemed withdrawn after publication