CN111429038B - 一种基于强化学习的主动配电网实时随机优化调度方法 - Google Patents
一种基于强化学习的主动配电网实时随机优化调度方法 Download PDFInfo
- Publication number
- CN111429038B CN111429038B CN202010336141.6A CN202010336141A CN111429038B CN 111429038 B CN111429038 B CN 111429038B CN 202010336141 A CN202010336141 A CN 202010336141A CN 111429038 B CN111429038 B CN 111429038B
- Authority
- CN
- China
- Prior art keywords
- decision
- distribution network
- period
- active power
- power distribution
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 230000002787 reinforcement Effects 0.000 title claims abstract description 19
- 230000006870 function Effects 0.000 claims abstract description 106
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000013178 mathematical model Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000008901 benefit Effects 0.000 claims description 18
- 238000004146 energy storage Methods 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000005611 electricity Effects 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 9
- 239000000126 substance Substances 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 230000009194 climbing Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000004138 cluster model Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000035699 permeability Effects 0.000 claims description 3
- 238000012887 quadratic function Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 244000064864 Sorghum bicolor var. caffrorum Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000000919 ceramic Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000813 microbial effect Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001360 synchronised effect Effects 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
- G06Q10/06—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
-
- 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
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- 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
- H02J3/381—Dispersed generators
-
- 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)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出一种基于强化学习的主动配电网实时随机优化调度方法。所述方法包括以下步骤:建立主动配电网的数学模型;提出原问题的动态规划公式,根据主动配电网中电动汽车的特性构造表征当前决策对后续所有时段影响的值函数,并利用决策后状态值函数避免期望值的计算;训练值函数,得到近似值函数;利用训练好的近似值函数对主动配电网实时场景下的随机优化调度问题进行递推求解,得到各时段的近似最优决策。本发明在实时运行中时,一方面能更有效地提升调度收益,另一方面也起到“削峰填谷”的作用。当环境中的随机因素变化更加剧烈时,本发明依旧适用,能接近最优解,且实时调度过程中的计算时间并不受影响,具有较强的鲁棒性。
Description
技术领域
本发明涉及电力系统主动配电网优化调度领域,尤其涉及一种基于强化学习的主动配电网实时随机优化调度方法。
背景技术
随着分布式电源(Distributed Generator,DG)、储能装置(Energy Storage,ES)和柔性负荷(Flexible Load,FL)广泛接入电网,传统配电网正逐渐向主动配电网(ActiveDistribution Network,ADN)转变。不同于传统配电网的能量单向流动,ADN中的“主动”二字体现在能量的双向流动,即不止主网能向配网传输功率,配网中的DG、ES、FL也可以反过来向主网传输功率。ADN的不断发展给电力系统的安全经济运行带来一系列的挑战。已有大量文献对ADN的调度方法进行了研究,提供了多种方法促进配电网中分布式资源的消纳,但是并未考虑随机性的影响(顾伟,任佳依,高君,高菲,宋晓辉,刘海波.含分布式电源和可调负荷的售电公司优化调度模型[J].电力系统自动化,2017,41(14):37-44.肖浩,裴玮,孔力.含大规模电动汽车接入的主动配电网多目标优化调度方法[J].电工技术学报,2017,32(S2):179-189.Hu J,Cong H,Jiang C.Coordinated scheduling model of power systemwith active distribution networks based on multi-agent system[J].Journal ofModern Power Systems and Clean Energy,2018,6(3):521-531.欧阳聪,刘明波,林舜江,冯汉中.采用同步型交替方向乘子法的微电网分散式动态经济调度算法[J].电工技术学报,2017,32(05):134-142.);针对考虑随机性的优化问题,鲁棒优化(梁俊文,林舜江,刘明波,宋雨浓,范官盛,何森,蒋浩.主动配电网分布式鲁棒优化调度方法[J].电网技术,2019,43(04):1336-1344.)、机会约束(周星球,郑凌蔚,杨兰,仇琦.考虑多重不确定性的综合能源系统日前优化调度[J/OL].电网技术:1-8[2020-04-13].https://doi.org/10.13335/j.1000-3673.pst.2019.2169.)等算法得到了广泛应用。但大部分文献是站在日前调度决策的角度考虑随机性的影响,仅仅依赖日前调度方案,并不能实现经济效益的最大化,当预测误差较大时甚至可能出现安全运行问题。
强化学习可以解决考虑随机性影响下的多时段决策问题,在电力系统优化运行领域得到广泛关注,针对含储能或抽水蓄能站的电网动态经济调度问题,提出存储器模型以处理随机性(SHUAI Hang,FANG Jiakun,AI Xiaomeng,et al.Stochastic optimizationof economic dispatch for microgrid based on approximate dynamic programming[J].IEEE Transactions on Smart Grid,2018(Early Access)简淦杨,刘明波,林舜江.随机动态经济调度问题的存储器建模及近似动态规划算法[J].中国电机工程学报,2014,34(25):4333-4340.)。但上述方法针对单个储能设备进行值函数的设计,并无法简单应用到数量巨大的电动汽车中去。在计算效率方面,利用逐次投影近似法更新值函数(刘翠平,林舜江,刘明波,简淦杨,陆文甜.应用近似动态规划算法求解安全约束随机动态经济调度问题[J].电力系统自动化,2016,40(22):34-42.SALAS D F,POWELL W B.Benchmarking ascalable approximate dynamic programming algorithm for stochastic control ofgrid-level energy storage[J].Informs Journal on Computing,2018,30(1):106-123.),并采用投影运算的方法保证斜率单调递减,从而恢复值函数的凹性,但该方法收敛速度较慢,且对于初始斜率的依赖性过高。
因此,迫切需要找到一种适应电动汽车等新能源出力特点下的主动配电网实时随机优化调度方法。
发明内容
本发明提出一种基于强化学习的主动配电网实时随机优化调度方法。建立主动配电网的数学模型,将主动配电网的实时调度描述成一个多阶段随机序贯决策问题;提出原问题的动态规划公式,根据主动配电网中电动汽车的特性构造表征当前决策对后续所有时段影响的值函数,并利用决策后状态值函数避免期望值的计算;在大量模拟场景下利用基于时序差分TD(1)的策略迭代算法训练值函数,得到近似值函数;利用训练好的近似值函数对主动配电网实时场景下的随机优化调度问题进行递推求解,得到各时段的近似最优决策。
本发明的目的至少通过如下技术方案之一实现。
一种基于强化学习的主动配电网实时随机优化调度方法,包括以下步骤:
S1、建立主动配电网的数学模型,将主动配电网的实时调度描述成一个多阶段随机序贯决策问题;
S2、提出原问题的动态规划公式,根据主动配电网中电动汽车的特性构造表征当前决策对后续所有时段影响的值函数,并利用决策后状态值函数避免期望值的计算;
S3、在大量模拟场景下利用基于时序差分TD(1)的策略迭代算法训练值函数,得到近似值函数;
S4、利用训练好的近似值函数对主动配电网实时场景下的随机优化调度问题进行递推求解,得到各时段的近似最优决策。
进一步地,步骤A1中,所述主动配电网的数学模型包括潮流约束、储能约束、电动汽车充电约束、分布式电源约束以及主动配电网实时调度的目标函数。
进一步地,所述潮流约束如下:
式中,i、j均为节点编号,Pij、Qij、rij和xij分别为节点ij间的有功传输功率、无功传输功率、电阻和电抗,Pi、Qi、Vi和δi分别为节点i的有功功率、无功功率、电压和相角,NB为支路数;Pij,max和-Pij,max分别为节点ij间的最大和最小有功传输功率;Vi,max和Vi,min分别为节点i的最大和最小电压;
除了与外部电网相连的节点,配电网内其它节点在t时段的功率如下:
式中,和分别为t时段节点i上的分布式电源的有功和无功出力;和分别为t时段节点i上的储能的有功和无功出力;和为t时段节点i上的常规有功负荷和无功负荷;和为t时段节点i上的电动汽车有功负荷和无功负荷;n为电动汽车编号,NEV为电动汽车数目;
所述储能约束如下:
Pa,t,min≤Pa,t≤Pa,t,max; (5)
Ea,t,min≤Ea,t≤Ea,t,max; (6)
式(4)中,a为储能编号,Ea,t为t时段初第a个储能的能量,Ea,t+1为t时段末、t+1时段初第a个储能的能量;Pa,t为t时段第a个储能的充/放电功率,大于0表示放电,小于0表示充电;式(5)和(6)分别为功率和能量的上下限约束,Pa,t,max和Pa,t,min分别为功率上下限,Ea,t,max和Ea,t,min分别为能量上下限;
所述分布式电源约束如下:
其中,d为分布式电源编号,为第d台分布式电源在t+1时段中发出的有功功率;vup,d和vdown,d分别为第d台分布式电源的向上爬坡速率限制和向下爬坡速率限制,和分别为第d台分布式电源输出功率的上限和下限;
所述单台电动汽车(EV)的充电约束如下:
式中,e为电动汽车编号,ee,t为t时段初第e台电动汽车电池的电量,η为充电效率,pe,k表示k时段第e台电动汽车的充电功率,ee,t,max、ee,t,min分别为t时刻电动汽车能量的上下边界;能量的上边界表示电动汽车接入电网后便以最大功率充电充至eexp这段时间内的电量变化曲线;能量的下边界表示接入后延迟充电直至离开的时刻恰好达到用户期望的电量值的电量变化曲线;eexp为用户希望离开时电池的电量,一般为电池的最大电量;pe,t,max、pe,t,min分别为t时段第e台电动汽车充电功率的上下限约束,pmax表示受充电桩和电动汽车本身性质影响的最大充电功率;Δt为每个时段的时长;tend表示结束时段;
当电动汽车的渗透率过高时,将每台电动汽车作为决策变量进行求解会产生“维数灾”的问题,可利用集群的思想,将一天分为T个时段,具有相同离开时段的电动汽车分为同一集群,将集群内单台电动汽车的充电模型叠加,可得到等效的集群模型:
式中,ec为电动汽车集群编号,Eec,t、Emax,ec,t、Emin,ec,t和Pec,t分别为t时段子集群ec的能量、能量上下界和子集群充电总功率;Pec,e,t为子集群ec内第e辆电动汽车t时段的充电功率;m为t时段子集群ec的电动汽车数量;
所述目标函数,为考虑各类资源包括电动汽车、分布式电源的随机性下,通过实时调度决策,使得调度周期内的总收益最大,即将主动配电网的实时调度描述成一个多阶段随机序贯决策问题:
其中,xt表示决策变量,Xt表示可行域,E()表示取期望值运算,Ft表示t时段的调度收益,为调度成本的相反数,具体如下:
进一步地,步骤S2中提出原问题的动态规划公式,即根据贝尔曼的最优性原理,可将多时段的优化决策问题转化成递推问题,将式(10)转化成:
其中,St为主动配电网系统t时段所处的状态,F(St,xt)为主动配电网系统在St状态时作了决策xt后产生的实时收益,Vt(St)为主动配电网系统在St状态的值函数,Vt+1(St+1|St,xt,Wt)为主动配电网系统在St状态的前提下,做出决策xt、接收外源信息Wt后t+1时刻的值函数,值函数的意义为后续状态对当前状态的影响;
所述主动配电网系统t时段所处的状态St为
其中,为t时段电动汽车子集群ec的可调资源量, 即t时段电动汽车子集群ec的可调资源量为t时段电动汽车子集群ec的能量上界与该集群ec此时的能量之差,电动汽车子集群ec在t时段的能量为电池电量总和;为t时段分布式电源的可调资源量,即t时段分布式电源的可调资源量为t时段分布式电源的最大发电功率与实际发电功率之差;RESSa,t为储能的可调容量,即剩余电量;Pi,t、Qi,t分别为t时段节点i的有功功率、无功功率;
决策变量xt为:
外源信息Wt为:
外源信息Wt表示t时段主动配电网系统更新的各随机变量的预测误差,其中表示因t时段电动汽车随机接入产生的误差,引起的变化包括各个电动汽车子集群内电动汽车的数量、集群能量轨迹上下边界、集群的充电功率极限;和分别表示t时段光伏出力的误差、风机出力的误差和电价的误差。
进一步地,步骤S2中根据主动配电网中电动汽车的特性构造表征当前决策对后续所有时段影响的值函数,并利用决策后状态值函数避免期望值的计算;
首先定义状态转移方程:
St=f(St-1,xt-1,Wt); (16)
表示t时段的主动配电网系统状态St由t-1的状态St-1、t-1时段所做的决策xt-1、t时段的外源信息Wt共同决定;
根据电动汽车特性进行设计,决策前每个电动汽车子集群的电池电量Eec,t不变,但观测到新的电动汽车的随机接入,即导致电动汽车集群的能量上下边界Eec,t,max、Eec,t,min发生变化,从而电动汽车子集群的可调资源量由变化至决策后,每个电动汽车集群的电池电量Eec,t根据所作的决策发生改变,可调资源量变成RXec,t,实现主动配电网系统状态的转移;
根据前述内容将主动配电网系统状态分成决策前与决策后状态,则式(12)可分成两部分,得到决策前状态值函数和决策后状态值函数注意到决策前状态值函数是确定性问题,因此只要解决决策后状态值函数的近似,即可通过解决确定性问题来获得最优解。
进一步地,步骤S3中,在大量模拟场景下利用基于时序差分TD(1)的策略迭代算法训练值函数,得到收敛的近似值函数,步骤如下:
S3.2、从t=1,…,T,进行前推计算;
S3.3、从t=T,…,1,进行回代计算;
S3.4、令g=g+1,返回步骤S2;当g>n时迭代停止,得到收敛的各分段线性凹函数的斜率。
进一步地,步骤S3.2的具体步骤如下:
S3.2.1、令t=1;
S3.2.4、计算每个可调容量施加正负扰动后的资源变化量:
S3.2.5、令t=t+1,若t≤T,返回步骤S2.2;若t>T,循环终止。
进一步地,步骤S3.3的具体步骤如下:
S3.3.1、令t=T;
S3.3.2、计算本次迭代过程中决策前各分段斜率的正负边际值,正边际值的计算:
负边际值的计算:
α为迭代步长,取值范围为0~1;
S3.3.4、令t=t-1,若t≥1,返回步骤S3.2;若t<1,循环终止。
进一步地,步骤S3.4中,利用分段线性函数法将决策后状态值函数用分段线性凹函数表示,通过不断迭代更新得到收敛的分段线性凹函数的斜率,从而得到近似的决策后值函数即近似值函数;
所述分段线性函数法将决策后状态值函数用分段线性凹函数表示步骤如下:将可调资源用断点R=[ρ,2ρ,…,βρ]表示,R表示断点集合,β代表段数,ρ为每段的长度,将分段线性凹函数的斜率向量用有限集合vt(Wt)=[vt(1,Wt),vt(2,Wt),…,vt(β,Wt)]表示,vt(Wt)表示斜率集合,vt(β,Wt)表示第β段的斜率,[vt(1,Wt)≥vt(2,Wt),≥…≥vt(β,Wt)],保证斜率单调递减;则式(12)可进一步转化为:
表示当决策xt使得上式取最大值时,即为最优决策;须满足:
其中,r表示第r段线性凹函数,ρ为每段线性凹函数的长度,ytr为每段线性凹函数的资源量,其中,假设所有的分段线性凹函数的长度都是均匀的。
进一步地,步骤S4中,利用训练好的近似值函数对主动配电网实时场景下的随机优化调度问题进行递推求解,得到各时段的近似最优决策,步骤如下:
S4.1、令t=1;
S4.2、更新当前时段的外源信息,包括新接入的电动汽车、光伏出力的误差、风机出力的误差以及电价的误差;
S4.3、利用步骤S3中训练好的近似值函数,根据式(17)计算出t时段最优决策;
S4.、令t=t+1,若t≤T,返回步骤S4.2;若t>T,循环终止,得到各时段的近似最优决策。
相比于现有技术,本发明具有以下优点:
本发明针对主动配电网中多元资源的实时随机优化调度问题,根据强化学习思想,提出了一种能满足主动配电网实时、快速响应的方法,适应多变的配电网调度需求,所提方法在模拟场景中训练过后能快速地收敛并逼近最优解,投入到实时运行中时,一方面能更有效地提升调度收益,另一方面也起到“削峰填谷”的作用。当环境中的随机因素变化更加剧烈时,本发明依旧适用,能接近最优解,且实时调度过程中的计算时间并不受影响,具有较强的鲁棒性。
附图说明
图1为本发明实施例中一种基于强化学习的主动配电网实时随机优化调度方法的步骤流程图。
图2为本发明实施例中决策前后的电动汽车子集群的状态变化图。
具体实施方式
有鉴于此,本发明实施例提供了一种基于强化学习的主动配电网实时随机优化调度方法,满足主动配电网实时、快速响应的方法,适应多变的配电网调度需求。
为了使本技术领域的人员更好地理解本发明的技术方案,下面将结合本发明实施例以及附图,对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明的一部分实施例,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他实施例,都属于本发明保护的范围。
实施例:
一种基于强化学习的主动配电网实时随机优化调度方法,如图1所示,包括以下步骤:
S1、建立主动配电网的数学模型,将主动配电网的实时调度描述成一个多阶段随机序贯决策问题;
所述主动配电网的数学模型包括潮流约束、储能约束、电动汽车充电约束、分布式电源约束以及主动配电网实时调度的目标函数。
所述潮流约束如下:
式中,i、j均为节点编号,Pij、Qij、rij和xij分别为节点ij间的有功传输功率、无功传输功率、电阻和电抗,Pi、Qi、Vi和δi分别为节点i的有功功率、无功功率、电压和相角,NB为支路数;Pij,max和-Pij,max分别为节点ij间的最大和最小有功传输功率;Vi,max和Vi,min分别为节点i的最大和最小电压;
除了与外部电网相连的节点,配电网内其它节点在t时段的功率如下:
所述储能约束如下:
Pa,t,min≤Pa,t≤Pa,t,max; (5)
Ea,t,min≤Ea,t≤Ea,t,max; (6)
式(4)中,a为储能编号,Ea,t为t时段初第a个储能的能量,Ea,t+1为t时段末、t+1时段初第a个储能的能量;Pa,t为t时段第a个储能的充/放电功率,大于0表示放电,小于0表示充电;式(5)和(6)分别为功率和能量的上下限约束,Pa,t,max和Pa,t,min分别为功率上下限,Ea,t,max和Ea,t,min分别为能量上下限;
所述分布式电源约束如下:
其中,d为分布式电源编号,为第d台分布式电源在t+1时段中发出的有功功率;vup,d和vdown,d分别为第d台分布式电源的向上爬坡速率限制和向下爬坡速率限制,和分别为第d台分布式电源输出功率的上限和下限;
所述单台电动汽车(EV)的充电约束如下:
式中,e为电动汽车编号,ee,t为t时段初第e台电动汽车电池的电量,η为充电效率,pe,k表示k时段第e台电动汽车的充电功率,ee,t,max、ee,t,min分别为t时刻电动汽车能量的上下边界;能量的上边界表示电动汽车接入电网后便以最大功率充电充至eexp这段时间内的电量变化曲线;能量的下边界表示接入后延迟充电直至离开的时刻恰好达到用户期望的电量值的电量变化曲线;eexp为用户希望离开时电池的电量,一般为电池的最大电量;pe,t,max、pe,t,min分别为t时段第e台电动汽车充电功率的上下限约束,pmax表示受充电桩和电动汽车本身性质影响的最大充电功率;Δt为每个时段的时长;tend表示结束时段;
当电动汽车的渗透率过高时,将每台电动汽车作为决策变量进行求解会产生“维数灾”的问题,可利用集群的思想,将一天分为T个时段,具有相同离开时段的电动汽车分为同一集群,将集群内单台电动汽车的充电模型叠加,可得到等效的集群模型:
式中,ec为电动汽车集群编号,Eec,t、Emax,ec,t、Emin,ec,t和Pec,t分别为t时段子集群ec的能量、能量上下界和子集群充电总功率;Pec,e,t为子集群ec内第e辆电动汽车t时段的充电功率;m为t时段子集群ec的电动汽车数量;
所述目标函数,为考虑各类资源包括电动汽车、分布式电源的随机性下,通过实时调度决策,使得调度周期内的总收益最大,即将主动配电网的实时调度描述成一个多阶段随机序贯决策问题:
其中,xt表示决策变量,χt表示可行域,E()表示取期望值运算,Ft表示t时段的调度收益,为调度成本的相反数,具体如下:
S2、提出原问题的动态规划公式,根据主动配电网中电动汽车的特性构造表征当前决策对后续所有时段影响的值函数,并利用决策后状态值函数避免期望值的计算;
提出原问题的动态规划公式,即根据贝尔曼的最优性原理,可将多时段的优化决策问题转化成递推问题,将式(10)转化成:
其中,St为主动配电网系统t时段所处的状态,F(St,xt)为主动配电网系统在St状态时作了决策xt后产生的实时收益,Vt(St)为主动配电网系统在St状态的值函数,Vt+1(St+1|St,xt,Wt)为主动配电网系统在St状态的前提下,做出决策xt、接收外源信息Wt后t+1时刻的值函数,值函数的意义为后续状态对当前状态的影响;
所述主动配电网系统t时段所处的状态St为
其中,为t时段电动汽车子集群ec的可调资源量, 即t时段电动汽车子集群ec的可调资源量为t时段电动汽车子集群ec的能量上界与该集群ec此时的能量之差,电动汽车子集群ec在t时段的能量为电池电量总和;为t时段分布式电源的可调资源量,即t时段分布式电源的可调资源量为t时段分布式电源的最大发电功率与实际发电功率之差;RESSa,t为储能的可调容量,即剩余电量;Pi,t、Qi,t分别为t时段节点i的有功功率、无功功率;
决策变量xt为:
外源信息Wt为:
外源信息Wt表示t时段主动配电网系统更新的各随机变量的预测误差,其中表示因t时段电动汽车随机接入产生的误差,引起的变化包括各个电动汽车子集群内电动汽车的数量、集群能量轨迹上下边界、集群的充电功率极限;和分别表示t时段光伏出力的误差、风机出力的误差和电价的误差。
根据主动配电网中电动汽车的特性构造表征当前决策对后续所有时段影响的值函数,并利用决策后状态值函数避免期望值的计算;
首先定义状态转移方程:
St=f(St-1,xt-1,Wt); (16)
表示t时段的主动配电网系统状态St由t-1的状态St-1、t-1时段所做的决策xt-1、t时段的外源信息Wt共同决定;
根据电动汽车特性进行设计,如图2所示,决策前每个电动汽车子集群的电池电量Eec,t(实线)不变,但观测到新的电动汽车的随机接入,即导致电动汽车集群的能量上下边界Eec,t,max、Eec,t,min发生变化,从而电动汽车子集群的可调资源量由变化至决策后,每个电动汽车集群的电池电量Eec,t根据所作的决策发生改变,可调资源量变成RXec,t,实现主动配电网系统状态的转移;
根据前述内容将主动配电网系统状态分成决策前与决策后状态,则式(12)可分成两部分,得到决策前状态值函数和决策后状态值函数注意到决策前状态值函数是确定性问题,因此只要解决决策后状态值函数的近似,即可通过解决确定性问题来获得最优解。
S3、在大量模拟场景下利用基于时序差分TD(1)的策略迭代算法训练值函数,得到近似值函数;,步骤如下:
S3.2、从t=1,…,T,进行前推计算;具体步骤如下:
S3.2.1、令t=1;
S3.2.4、计算每个可调容量施加正负扰动后的资源变化量:
S3.2.5、令t=t+1,若t≤T,返回步骤S2.2;若t>T,循环终止。
S3.3、从t=T,…,1,进行回代计算;具体步骤如下:
S3.3.1、令t=T;
S3.3.2、计算本次迭代过程中决策前各分段斜率的正负边际值,正边际值的计算:
负边际值的计算:
α为迭代步长,取值范围为0~1;
S3.3.4、令t=t-1,若t≥1,返回步骤S3.2;若t<1,循环终止。
S3.4、令g=g+1,返回步骤S2;当g>n时迭代停止,得到收敛的各分段线性凹函数的斜率;
其中,利用分段线性函数法将决策后状态值函数用分段线性凹函数表示,通过不断迭代更新得到收敛的分段线性凹函数的斜率,从而得到近似的决策后值函数即近似值函数;
所述分段线性函数法将决策后状态值函数用分段线性凹函数表示步骤如下:将可调资源用断点R=[ρ,2ρ,…,βρ]表示,R表示断点集合,β代表段数,ρ为每段的长度,将分段线性凹函数的斜率向量用有限集合vt(Wt)=[vt(1,Wt),vt(2,Wt),…,vt(β,Wt)]表示,vt(Wt)表示斜率集合,vt(β,Wt)表示第β段的斜率,[vt(1,Wt)≥vt(2,Wt),≥…≥vt(β,Wt)],保证斜率单调递减;则式(12)可进一步转化为:
表示当决策xt使得上式取最大值时,即为最优决策;须满足:
其中,r表示第r段线性凹函数,ρ为每段线性凹函数的长度,ytr为每段线性凹函数的资源量,其中,假设所有的分段线性凹函数的长度都是均匀的。
S4、利用训练好的近似值函数对主动配电网实时场景下的随机优化调度问题进行递推求解,得到各时段的近似最优决策;,步骤如下:
S4.1、令t=1;
S4.2、更新当前时段的外源信息,包括新接入的电动汽车、光伏出力的误差、风机出力的误差以及电价的误差;
S4.3、利用步骤S3中训练好的近似值函数,根据式(17)计算出t时段最优决策;
S4.、令t=t+1,若t≤T,返回步骤S4.2;若t>T,循环终止,得到各时段的近似最优决策。
本发明中,针对主动配电网中多元资源的实时随机优化调度问题,根据强化学习思想,提出了一种能满足主动配电网实时、快速响应的方法,适应多变的配电网调度需求,所述方法在模拟场景中训练过后能快速地收敛并逼近最优解,投入到实时运行中时,一方面能更有效地提升调度收益,另一方面也起到“削峰填谷”的作用。当环境中的随机因素变化更加剧烈时,本发明依旧适用,能接近最优解,且实时调度过程中的计算时间并不受影响,具有较强的鲁棒性。
Claims (8)
1.一种基于强化学习的主动配电网实时随机优化调度方法,其特征在于,包括以下步骤:
S1、建立主动配电网的数学模型,将主动配电网的实时调度描述成一个多阶段随机序贯决策问题;所述主动配电网的数学模型包括潮流约束、储能约束、电动汽车充电约束、分布式电源约束以及主动配电网实时调度的目标函数;所述潮流约束如下:
式中,i、j均为节点编号,Pij、Qij、rij和xij分别为节点ij间的有功传输功率、无功传输功率、电阻和电抗,Pi、Qi、Vi和δi分别为节点i的有功功率、无功功率、电压和相角,NB为支路数;Pij,max和-Pij,max分别为节点ij间的最大和最小有功传输功率;Vi,max和Vi,min分别为节点i的最大和最小电压;
除了与外部电网相连的节点,配电网内其它节点在t时段的功率如下:
式中,和分别为t时段节点i上的分布式电源的有功和无功出力;和分别为t时段节点i上的储能的有功和无功出力;和为t时段节点i上的常规有功负荷和无功负荷;和为t时段节点i上的电动汽车有功负荷和无功负荷;n为电动汽车编号,NEV为电动汽车数目;
所述储能约束如下:
Pa,t,min≤Pa,t≤Pa,t,max; (5)
Ea,t,min≤Ea,t≤Ea,t,max; (6)
式(4)中,a为储能编号,Ea,t为t时段初第a个储能的能量,Ea,t+1为t时段末、t+1时段初第a个储能的能量;Pa,t为t时段第a个储能的充/放电功率,大于0表示放电,小于0表示充电;;式(5)和(6)分别为功率和能量的上下限约束,Pa,t,max和Pa,t,min分别为功率上下限,Ea,t,max和Ea,t,min分别为能量上下限;
所述分布式电源约束如下:
其中,d为分布式电源编号,为第d台分布式电源在t+1时段中发出的有功功率;vup,d和vdown,d分别为第d台分布式电源的向上爬坡速率限制和向下爬坡速率限制,和分别为第d台分布式电源输出功率的上限和下限;
单台电动汽车(EV)的充电约束如下:
式中,e为电动汽车编号,ee,t为t时段初第e台电动汽车电池的电量,η为充电效率,pe,k表示k时段第e台电动汽车的充电功率,ee,t,max、ee,t,min分别为t时刻电动汽车能量的上下边界;能量的上边界表示电动汽车接入电网后便以最大功率充电充至eexp这段时间内的电量变化曲线;能量的下边界表示接入后延迟充电直至离开的时刻恰好达到用户期望的电量值的电量变化曲线;eexp为用户希望离开时电池的电量,一般为电池的最大电量;pe,t,max、pe,t,min分别为t时段第e台电动汽车充电功率的上下限约束,pmax表示受充电桩和电动汽车本身性质影响的最大充电功率;Δt为每个时段的时长;tend表示结束时段;
当电动汽车的渗透率过高时,将每台电动汽车作为决策变量进行求解会产生“维数灾”的问题,可利用集群的思想,将一天分为T个时段,具有相同离开时段的电动汽车分为同一集群,将集群内单台电动汽车的充电模型叠加,可得到等效的集群模型:
式中,ec为电动汽车集群编号,Eec,t、Emax,ec,t、Emin,ec,t和Pec,t分别为t时段子集群ec的能量、能量上下界和子集群充电总功率;Pec,e,t为子集群ec内第e辆电动汽车t时段的充电功率;m为t时段子集群ec的电动汽车数量;
所述目标函数,为考虑各类资源包括电动汽车、分布式电源的随机性下,通过实时调度决策,使得调度周期内的总收益最大,即将主动配电网的实时调度描述成一个多阶段随机序贯决策问题:
其中,xt表示决策变量,χt表示可行域,E()表示取期望值运算,Ft表示t时段的调度收益,为调度成本的相反数,具体如下:
S2、提出原问题的动态规划公式,根据主动配电网中电动汽车的特性构造表征当前决策对后续所有时段影响的值函数,并利用决策后状态值函数避免期望值的计算;
S3、在大量模拟场景下利用基于时序差分TD(1)的策略迭代算法训练值函数,得到近似值函数;
S4、利用训练好的近似值函数对主动配电网实时场景下的随机优化调度问题进行递推求解,得到各时段的近似最优决策。
2.根据权利要求1所述的一种基于强化学习的主动配电网实时随机优化调度方法,其特征在于,步骤S2中提出原问题的动态规划公式,即根据贝尔曼的最优性原理,可将多时段的优化决策问题转化成递推问题,将式(10)转化成:
其中,St为主动配电网系统t时段所处的状态,F(St,xt)为主动配电网系统在St状态时作了决策xt后产生的实时收益,Vt(St)为主动配电网系统在St状态的值函数,Vt+1(St+1|St,xt,Wt)为主动配电网系统在St状态的前提下,做出决策xt、接收外源信息Wt后t+1时刻的值函数,值函数的意义为后续状态对当前状态的影响;
所述主动配电网系统t时段所处的状态St为
其中,为t时段电动汽车子集群ec的可调资源量, 即t时段电动汽车子集群ec的可调资源量为t时段电动汽车子集群ec的能量上界与该集群ec此时的能量之差,电动汽车子集群ec在t时段的能量为电池电量总和;为t时段分布式电源的可调资源量,即t时段分布式电源的可调资源量为t时段分布式电源的最大发电功率与实际发电功率之差;为储能的可调容量,即剩余电量;Pi,t、Qi,t分别为t时段节点i的有功功率、无功功率;
决策变量xt为:
外源信息Wt为:
3.根据权利要求2所述的一种基于强化学习的主动配电网实时随机优化调度方法,其特征在于,步骤S2中根据主动配电网中电动汽车的特性构造表征当前决策对后续所有时段影响的值函数,并利用决策后状态值函数避免期望值的计算;
首先定义状态转移方程:
St=f(St-1,xt-1,Wt); (16)
表示t时段的主动配电网系统状态St由t-1的状态St-1、t-1时段所做的决策xt-1、t时段的外源信息Wt共同决定;
根据电动汽车特性进行设计,决策前每个电动汽车子集群的电池电量Eec,t不变,但观测到新的电动汽车的随机接入,即导致电动汽车集群的能量上下边界Eec,t,max、Eec,t,min发生变化,从而电动汽车子集群的可调资源量由变化至决策后,每个电动汽车集群的电池电量Eec,t根据所作的决策发生改变,可调资源量变成实现主动配电网系统状态的转移;
5.根据权利要求4所述的一种基于强化学习的主动配电网实时随机优化调度方法,其特征在于,步骤S3.2的具体步骤如下:
S3.2.1、令t=1;
S3.2.4、计算每个可调容量施加正负扰动后的资源变化量:
S3.2.5、令t=t+1,若t≤T,返回步骤S2.2;若t>T,循环终止。
7.根据权利要求4所述的一种基于强化学习的主动配电网实时随机优化调度方法,其特征在于,步骤S3.4中,利用分段线性函数法将决策后状态值函数用分段线性凹函数表示,通过不断迭代更新得到收敛的分段线性凹函数的斜率,从而得到近似的决策后值函数即近似值函数;
所述分段线性函数法将决策后状态值函数用分段线性凹函数表示步骤如下:将可调资源用断点R=[ρ,2ρ,…,βρ]表示,R表示断点集合,β代表段数,ρ为每段的长度,将分段线性凹函数的斜率向量用有限集合vt(Wt)=[vt(1,Wt),vt(2,Wt),…,vt(β,Wt)]表示,vt(Wt)表示斜率集合,vt(β,Wt)表示第β段的斜率,[vt(1,Wt)≥vt(2,Wt),≥…≥vt(β,Wt)],保证斜率单调递减;则式(12)可进一步转化为:
表示当决策xt使得上式取最大值时,即为最优决策;须满足:
其中,r表示第r段线性凹函数,ρ为每段线性凹函数的长度,ytr为每段线性凹函数的资源量,其中,假设所有的分段线性凹函数的长度都是均匀的。
8.根据权利要求1所述的一种基于强化学习的主动配电网实时随机优化调度方法,其特征在于,步骤S4中,利用训练好的近似值函数对主动配电网实时场景下的随机优化调度问题进行递推求解,得到各时段的近似最优决策,步骤如下:
S4.1、令t=1;
S4.2、更新当前时段的外源信息,包括新接入的电动汽车、光伏出力的误差、风机出力的误差以及电价的误差;
S4.3、利用步骤S3中训练好的近似值函数,根据式(17)计算出t时段最优决策;
S4.4、令t=t+1,若t≤T,返回步骤S4.2;若t>T,循环终止,得到各时段的近似最优决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010336141.6A CN111429038B (zh) | 2020-04-25 | 2020-04-25 | 一种基于强化学习的主动配电网实时随机优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010336141.6A CN111429038B (zh) | 2020-04-25 | 2020-04-25 | 一种基于强化学习的主动配电网实时随机优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111429038A CN111429038A (zh) | 2020-07-17 |
CN111429038B true CN111429038B (zh) | 2022-08-12 |
Family
ID=71558284
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010336141.6A Active CN111429038B (zh) | 2020-04-25 | 2020-04-25 | 一种基于强化学习的主动配电网实时随机优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111429038B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112381397A (zh) * | 2020-11-13 | 2021-02-19 | 深圳供电局有限公司 | 一种综合能源楼宇实时能量控制方法 |
CN112874369B (zh) * | 2021-01-12 | 2022-08-05 | 上海追日电气有限公司 | 一种充电管理系统的充电与供能优化方法及装置 |
CN113780622B (zh) * | 2021-08-04 | 2024-03-12 | 华南理工大学 | 基于多智能体强化学习的多微网配电系统分布式调度方法 |
CN115775081B (zh) * | 2022-12-16 | 2023-10-03 | 华南理工大学 | 一种电力系统随机经济调度方法、装置及介质 |
CN116739074B (zh) * | 2023-06-08 | 2023-11-17 | 河海大学 | 基于改进q学习的配电系统过程状态驱动的弹性策略方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765787A (zh) * | 2019-01-30 | 2019-05-17 | 南方电网科学研究院有限责任公司 | 一种基于日内-实时滚动控制的配电网源荷快速跟踪方法 |
CN110518580A (zh) * | 2019-08-15 | 2019-11-29 | 上海电力大学 | 一种考虑微网主动优化的主动配电网运行优化方法 |
CN110929948A (zh) * | 2019-11-29 | 2020-03-27 | 上海电力大学 | 基于深度强化学习的完全分布式智能电网经济调度方法 |
CN110929964A (zh) * | 2019-12-18 | 2020-03-27 | 国网福建省电力有限公司 | 一种基于近似动态规划算法的含储能配电网优化调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200119556A1 (en) * | 2018-10-11 | 2020-04-16 | Di Shi | Autonomous Voltage Control for Power System Using Deep Reinforcement Learning Considering N-1 Contingency |
-
2020
- 2020-04-25 CN CN202010336141.6A patent/CN111429038B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109765787A (zh) * | 2019-01-30 | 2019-05-17 | 南方电网科学研究院有限责任公司 | 一种基于日内-实时滚动控制的配电网源荷快速跟踪方法 |
CN110518580A (zh) * | 2019-08-15 | 2019-11-29 | 上海电力大学 | 一种考虑微网主动优化的主动配电网运行优化方法 |
CN110929948A (zh) * | 2019-11-29 | 2020-03-27 | 上海电力大学 | 基于深度强化学习的完全分布式智能电网经济调度方法 |
CN110929964A (zh) * | 2019-12-18 | 2020-03-27 | 国网福建省电力有限公司 | 一种基于近似动态规划算法的含储能配电网优化调度方法 |
Non-Patent Citations (4)
Title |
---|
Coordinated Energy Dispatching in Microgrid With Wind Power Generation and Plug-in Electric Vehicles;Ting Wu 等;《IEEE Transactions on Smart Grid》;20130807;全文 * |
Decentralized and Collaborative Scheduling Approach for Active Distribution Network with Multiple Virtual Power Plants;Li Xiangyu等;《ENERGIES》;20181130;全文 * |
基于时序动态约束的主动配电网滚动优化调度;李振坤 等;《电力系统自动化》;20190715;全文 * |
基于短期预测信息和长期值函数近似的大规模电动汽车实时随机优化调度算法;王彬等;《电力系统保护与控制》;20191231(第24期);摘要、第1-4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN111429038A (zh) | 2020-07-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111429038B (zh) | 一种基于强化学习的主动配电网实时随机优化调度方法 | |
CN114123166B (zh) | 一种新能源耦合背景下的源网荷储协同调度方法 | |
Liu et al. | Decentralized charging control of electric vehicles in residential distribution networks | |
Jabr et al. | Robust multi-period OPF with storage and renewables | |
Oh et al. | Reinforcement-learning-based energy storage system operation strategies to manage wind power forecast uncertainty | |
CN111709672A (zh) | 基于场景和深度强化学习的虚拟电厂经济调度方法 | |
Shi et al. | Enhancing the flexibility of storage integrated power system by multi-stage robust dispatch | |
Jeddi et al. | Differential dynamic programming based home energy management scheduler | |
Zhang et al. | Feasibility identification and computational efficiency improvement for two-stage RUC with multiple wind farms | |
Bucher et al. | Robust allocation of reserves considering different reserve types and the flexibility from HVDC | |
Sun et al. | Improving the restorability of bulk power systems with the implementation of a WF-BESS system | |
CN112381375A (zh) | 一种基于潮流分配矩阵的电网经济运行域快速生成方法 | |
Khaki et al. | Probabilistic electric vehicle load management in distribution grids | |
CN117674290A (zh) | 一种基于多场景的水电平抑分布鲁棒优化方法 | |
CN117371755A (zh) | 多微网综合能源系统分布式优化方法、装置、设备及介质 | |
CN116760103A (zh) | 虚拟电厂在线优化电力调度的自适应预测能量管理方法 | |
CN116093995A (zh) | 一种配电系统多目标网络重构方法及系统 | |
CN107425519B (zh) | 含分布式电源的三相配电网最大供电能力计算方法 | |
CN115659792A (zh) | 多时段多场景scuc解耦方法、系统、设备及存储介质 | |
CN115313519A (zh) | 一种配电网储能优化配置方法、装置、设备及存储介质 | |
CN115632393A (zh) | 一种考虑灵活性资源的多级电网协调鲁棒调度方法及装置 | |
CN115360768A (zh) | 基于muzero和深度强化学习的电力调度方法、装置及存储介质 | |
CN114186811A (zh) | 一种微电网系统实时调度模型的构建方法及应用 | |
Liu et al. | A novel photovoltaic power output forecasting method based on weather type clustering and wavelet support vector machines regression | |
KR102566824B1 (ko) | 장단기 메모리 네트워크 모델을 학습시키는 방법 및 학습된 장단기 메모리 네트워크 모델을 이용하여 에너지 비용을 최소화하는 방법 |
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 |