CN111487873B - 一种能源互联网能量分散协同控制方法 - Google Patents
一种能源互联网能量分散协同控制方法 Download PDFInfo
- Publication number
- CN111487873B CN111487873B CN202010535164.XA CN202010535164A CN111487873B CN 111487873 B CN111487873 B CN 111487873B CN 202010535164 A CN202010535164 A CN 202010535164A CN 111487873 B CN111487873 B CN 111487873B
- Authority
- CN
- China
- Prior art keywords
- energy
- symmetry
- value
- clustering
- attribute
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种能源互联网能量分散协同控制方法,所述方法包括:对能源互联网中的节点进行位置分区,以获得多个区域;分别统计所述多个区域中的每个区域内的能量生产和消费情况,然后基于分布式平均的能源互联网分布式能源共享算法确定为实现网络整体供需平衡所述多个区域中各个区域间需要传输或交换的能量大小;各个区域根据本区域的能量生产和消费情况,结合与相邻区域的能量交换大小,通过滑模超螺旋算法实现区域内未来一段时间的能量供需动态平衡。通过本发明的方法,可以实现网络的整体供需平衡,保证网络能量的鲁棒控制,实现网络的动态稳定。
Description
技术领域
本发明属于能源管理领域,尤其涉及一种应用于能源互联网电力生产和消费平衡目标中,基于自适应聚类、分布式平均和滑模控制,实现该场景下用户和网络的供用电动态平衡的控制方法。
背景技术
能源互联网是目前最先进的能源系统,基于泛在、高效的信息通信基础设施和开放、共享的互联网理念,结合物联网技术与信息物理融合系统,能源互联网能够实现源-网-荷-储的整体协调,并通过能源梯级利用和多能互补,最大化能源利用效率,大幅降低能源生产和消费成本,促进环境保护和降低废气排放,为社会和谐发展和人类幸福生活提供坚实的能源保障。
随着社会和经济的发展,能量消费需求越来越大,负荷设备种类和负荷容量快速增加;同时各类分布式能源生产占比逐渐加重;导致电力网络,特别是能源互联网运行时动态随机波动性大大增加,给网络平稳运行带来不利影响,甚至造成崩溃;为保证系统平稳运行,能源互联网系统的能量平衡要求也越来越严苛,既需要实时控制以实现网络动态瞬时平衡,也需要长期规划实现电网长期总体供需平衡。
发明内容
本发明的目的在于解决现有技术存在的上述不足中的至少一项。例如,本发明的目的之一在于提供一种既有利于实时控制以促进网络动态瞬时平衡,也有利于长期规划以促使电网长期总体供需平衡的方法。
为了实现上述目的,本发明提供了一种能源互联网能量分散协同控制方法,所述方法包括:步骤1、对能源互联网中的节点进行位置分区,以获得多个区域;步骤2、分别统计所述多个区域中的每个区域内的能量生产和消费情况,然后基于分布式平均的能源互联网分布式能源共享算法确定为实现网络整体供需平衡所述多个区域中各个区域间需要传输或交换的能量大小;步骤3、各个区域根据本区域的能量生产和消费情况,结合与相邻区域的能量交换大小,通过滑模超螺旋算法实现区域内未来一段时间的能量供需动态平衡。
与现有技术相比,本发明的有益效果包括以下内容中的至少一项:在对能源互联网进行分区的基础上,通过宏观的分布式平均控制和局域的滑模控制,能够保证一定时间内,整个网络的供需平衡,为网络鲁棒、平稳运行提供保证;能够根据能量平衡的具体要求自适应确定分区大小,从而带来控制算法时间和空间复杂度(基于并行计算)的改变。
附图说明
图1示出了本发明的能源互联网能量分散协同控制方法的一个示例性实施例的流程示意图。
图2示出了本发明的能源互联网能量分散协同控制方法的一个示例性实施例中实施的滑模控制示意图。
具体实施方式
在下文中,将结合附图和示例性实施例来详细说明本发明的能源互联网能量分散协同控制方法。
经研究,发明人表示:在空间维度,能源互联网系统的能量供需平衡分为两个层次,一是区域间的能量宏观平衡;二是区域内的能量微观平衡。在本发明的能源互联网能量分散协同控制方法中,前者可以以分布式平均的方式实现,后者则可以通过滑模控制算法实现,并且二者可以通过网络分区的方式调整各自的复杂度,实现协同控制。也就是说,本发明提出了一种基于区域分区、分布式平均和滑模控制的能源互联网能量平衡方法,既可以满足网络能量平衡的时间复杂度需求,也可以满足空间复杂度需求。
实施例1
图1示出了本发明的能源互联网能量分散协同控制方法的一个示例性实施例的流程示意图。
如图1所示,在本发明的一个示例性实施例中,能源互联网能量分散协同控制方法可通过以下的步骤1至3来实现。
步骤1、对能源互联网中的节点进行位置分区,以获得多个区域。
例如,可通过基于区域对称性的能源互联网聚类方法来实现所述步骤1。然而,本发明不限于此,例如,还可采用其它合适的节点聚类算法。
在步骤1中,能源互联网内的节点可包括能量产生节点、能量消费节点和能量转换节点,以及前三种类型节点的组合(可称为复合型节点)。
所述步骤1还可包括在进行位置分区并获得多个区域后,在每个区域中确定一个代理节点,该代理节点可用于区域间的能量交互控制和区域内的能量管理。
此外,为了更好的实现步骤1,可预先获得当前能源互联网网络拓扑和拓扑相关电力数据(连接矩阵、发电和负载功率、线路功率容量或线路传输效率等)以及拓扑范围内相关节点一定时间范围内的能源生产和消费数据(及对该类数据未来一段时间的预测值)。根据网络拓扑和拓扑相关电力数据,对能源互联网进行位置聚类,将其分为若干相互连接但互不交叉的区域,统计各个区域总的能源生产能力和消费需求。
步骤2、分别统计各个区域中的每个区域内的能量生产和消费情况,然后基于分布式平均的能源互联网分布式能源共享算法,确定为实现网络整体供需平衡,各个区域彼此之间需要传输或交换的能量大小(或称区域边界能量传输条件)。
这里,基于分布式平均的能源互联网分布式能源共享算法属于发明人团队于2018年11月3日发表的名称为Distributed Energy Sharing in Energy Internet ThroughDistributed Averaging的文章中的内容。
基于分布式平均的能源互联网分布式能源共享算法如下:
步骤2-1,对于每个区域,可以以其中的单个设备或一定大小的设备区域为节点,统计每个节点的能源需求数据和能源生产数据,计算相应节点的能源冗余度,所述能源冗余度为节点能源生产值-节点能源需求值。
步骤2-2,基于分布式平均算法,计算网络能源冗余度的整体平均值。
步骤2-3,根据网络能源冗余度平均值的大小和符号,修改指定节点的能源生产值(对应的能源冗余度)。
步骤2-4,对能源冗余度重新进行分布式平均,重复步骤2-2和2-3,直到网络平均能源冗余度达到0。
基于步骤2-2,分布式平均算法可采用快速gossip算法,在网络中随机选择一个节点,确定其一跳邻居内与其差值最大的节点并在二者之间实现平均,同时记录节点间为实现平均需要传输的数据大小和方向(并在迭代结束时进行累加统计)。不断迭代直到实现全网节点达到一致状态,即实现每个节点达到全网均值。
基于步骤2-3,当初次计算的网络能源冗余度整体平均值小于0时,需要从系统外(主干电网)引入额外的能源。
基于步骤2-3,指定节点为初始能源冗余度大于0的节点,修改的能源生产值不应大于能源生产值的上限,能源改变的值的符号应与能源冗余度的值的符号相反。
步骤3、各个区域根据本区域的能量生产和消费情况,结合与相邻区域的能量交换大小,通过滑模超螺旋算法(或称滑模控制)实现区域内未来一段时间的能量供需动态平衡。
基于步骤3,所用滑模超螺旋算法如下:
对于所述多个区域中的一个确定的区域而言,该区域内各个节点需要交换的能量大小与实际交换能量的差定为s,s作为滑模面,采用高阶滑模超螺旋算法,是二阶滑模控制方法中唯一连续和唯一适用于系统对滑模面相对阶为1的系统的方法,控制过程中只需要滑模面的信息,就可以实现滑模面及其导数同时到达零点,其定义如下面的式(1):
此算法可以使得各个节点的s在有限时间到零,即实际交换能量与需要交换能量大小一致。该算法具有快速性和鲁棒性。
图2示出了本发明的能源互联网能量分散协同控制方法的一个示例性实施例中实施的滑模控制示意图。 图2中,x1表示滑模面s,x2表示滑模面s的导数。图2示意性地显示了步骤3中的滑模控制的一个轨迹示意图,根据算法,轨迹最终趋近于0值,表示达到稳定状态。
此外,对于本示例性实施例而言,所述能源互联网能量分散协同控制方法还可基于步骤1、2和3,定期进行迭代。此外,所述方法还可以根据复杂度要求对步骤1中分区所得到的区域的大小进行选取。
此外,在本示例性实施例的方法中,位置分区可集中控制,分布式平均既可以进行集中控制也可以分布式控制,滑模算法在每个区域中独立集中控制,并在区域间实现并行运行。
实施例2
在本发明的另一个示例性实施例中,能源互联网能量分散协同控制方法可采用与上述示例性实施例基本相同的方法进行,不同之处在于,通过基于区域对称性的能源互联网聚类方法来实现所述步骤1。
这里,基于区域对称性的能源互联网聚类方法可包括以下步骤:
步骤A:获取待聚类能源互联网对象,设定聚类数范围。
具体来讲,获得具有二维属性的待聚类能源互联网对象。待聚类能源互联网对象可以为能源互联网的能源生产节点和/或消费节点、以及管理节点等等。对具有属性维度超过二维的待聚类能源互联网对象而言,可通过对其进行主成分分析的方式进行降维,以将其降至具有二维属性。例如,本实施例的方法,可以假定聚类对象位于一个二维平面中,即基于对象的二维属性值进行聚类。对于多维属性的对象而言,聚类处理前可以通过主成分分析方法降低维度,从而本实施例的方法可以很容易的扩展到多维属性聚类处理中。
随后针对待聚类对象,设置聚类数范围。例如,可以将聚类数设置为2到N,N属于大于2的自然数。对于聚类数范围的设定可人为设定,也可根据对相关系统实际性能要求估计而设定。
步骤B:预聚类,以得到多个聚类结果。
以步骤1中的聚类数范围中的每个聚类数分别对待聚类能源互联网对象进行预聚类,从而得到相对应的多个聚类结果。例如,预聚类的过程可包括初始位置选取、中心位置计算和聚类范围计算相迭代的过程,当迭代收敛或达到预定次数时,获得聚类结果。例如,预聚类可以为k均值(k-means)聚类、模糊(fuzzy)聚类等。
步骤C:考量区域对称性,确定目标聚类数。
对于步骤B所获得的多个聚类结果而言,每个聚类结果均对应一个已知的聚类数和一个待确定的区域对称性(例如,整体对称性指标)。针对每个聚类结果,均可通过计算确定区域对称。具体来讲,对于每个聚类结果而言,可以用该聚类结果的一维度属性的平均值与该维度属性的中位值的归一化距离作为第一维度属性对称性指标;并以该聚类结果的另一维度属性的平均值与该另一维度属性的中位值的归一化距离作为第二维度属性对称性指标;通过选取最大值、加和、乘积或比值等方式联合考虑第一维度属性对称性指标和第二维度对称性指标,从而确定整体对称性指标,并以所述整体对称性指标来表示该聚类结果的区域对称性。
例如,对于每个聚类结果而言,其整体对称性指标可通过以下方式获得:
第一维度属性对称性指标和第二维度属性对称性指标分别通过式(2)和式(3)得到。
随后,整体对称性指标可通过式(4)得到,且整体对称性指标越小,则区域对称性越好。也就是说,可用具有最小的整体对称性指标的聚类结果对应的聚类数作为所述目标聚类数。其中,式(4)可从以下三式中任意选择一个:
随后,从每个聚类结果所对应的整体对称性指标构成的集合中,选择出最优的整体对称性指标对应的聚类结果,以这个聚类结果的聚类数作为目标聚类数。
步骤D:通过目标聚类数确定最终聚类结果,以所述最终聚类结果进行分区,获得所述多个区域。
以步骤C确定的目标聚类数和该目标聚类数下的聚类结果作为最终聚类结果,从而针对能源互联网的诸如能源生产节点、消费节点和/或管理节点等等待聚类能源互联网对象,在考虑区域对称性的情况下,获得聚类性能更优的聚类结果,进而为后续的分析和策略生成奠定基础,也能进一步提升客户服务质量、提高产品营销效率和保证系统鲁棒、平稳运行,充分体现能源互联网的优越性。
实施例3
在本发明的另一个示例性实施例中,能源互联网能量分散协同控制方法可采用与实施例2基本相同的方法进行,不同之处在于,所述基于区域对称性的能源互联网聚类方法可采用实施例2的步骤A和步骤B,获得多个聚类结果;然后通过以下步骤C′和步骤D′实现基于区域对称性的能源互联网聚类。
步骤C′:综合考量区域对称性和其它判断属性,以确定目标聚类数。
对于步骤B所获得的多个聚类结果而言,每个聚类结果均对应一个已知的聚类数和一个待确定的区域对称性(例如,整体对称性指标)。针对每个聚类结果,均可通过计算确定区域对称。具体来讲,对于每个聚类结果而言,可以用该聚类结果的一维度属性的平均值与该维度属性的中位值的归一化距离作为第一维度属性对称性指标;并以该聚类结果的另一维度属性的平均值与该另一维度属性的中位值的归一化距离作为第二维度属性对称性指标;通过选取最大值、加和、乘积或比值等方式联合考虑第一维度属性对称性指标和第二维度对称性指标,从而确定整体对称性指标,并以所述整体对称性指标来表示该聚类结果的区域对称性。
例如,对于每个聚类结果而言,其整体对称性指标可通过以下方式获得:
第一维度属性对称性指标和第二维度属性对称性指标分别通过上面的式(2)和式(3)得到。随后,整体对称性指标可通过上面的式(4)或上面的式(5)得到。对于式(4)而言,整体对称性指标越小,则区域对称性越好。对于式(5)而言,在不等于零的情况下,整体对称性指标越接近1,则区域对称性越好。
然后,用加权和的形式综合考虑整体对称性指标和除区域对称性外的其它判断属性,以得出每个聚类结果的加权判定指标。权系数可根据对称性指标和所采用的除区域对称性外的其它判断属性的重要性程度进行设定。
随后,从每个聚类结果所对应的加权判定指标构成的集合中,选择出最优的加权判定指标对应的聚类结果,以这个聚类结果的聚类数作为目标聚类数。
步骤D′:通过目标聚类数确定最终聚类结果,以所述最终聚类结果进行分区,获得所述多个区域。
以步骤C′确定的目标聚类数和该目标聚类数下的聚类结果作为最终聚类结果,从而针对能源互联网的诸如能源生产节点、消费节点和/或管理节点等等待聚类能源互联网对象,在综合考虑区域对称性和除区域对称性外的其它判断属性的情况下,获得聚类性能更优的聚类结果,进而为后续的分析和策略生成奠定基础,也能进一步提升客户服务质量、提高产品营销效率和保证系统鲁棒、平稳运行,充分体现能源互联网的优越性。
实施例4
在本示例性实施例中,能源互联网能量分散协同控制方法可采用与实施例2基本相同的方法进行,不同之处在于,基于区域对称性的能源互联网聚类方法可假定聚类对象位于一个二维平面中,即基于对象的二维属性值进行聚类;对于多维属性的对象而言,聚类处理前可以通过主成分分析方法降低维度,从而本实施例的方法可以很容易的扩展到多维属性聚类处理中。
然后,可根据系统实际性能要求估计,设定聚类数范围,如2到N。
接下来,以k-means聚类算法对每个聚类数进行预聚类。k-means聚类过程可包括初始位置选取、中心位置计算和聚类范围计算相迭代等过程,当迭代收敛或达到一定次数时,获得最终聚类结果。
随后,以上述式(2)、式(3)和式(4)或者以式(2)、式(3)和式(5)计算每种聚类数目聚类结果的区域对称性,根据对称性选择最佳的聚类数。
然后,以对称性最佳的聚类数和该聚类数目下的最佳聚类结果为最终聚类结果,以所述最终聚类结果进行分区,获得所述多个区域。
实施例5
在本发明的另一个示例性实施例中,能源互联网能量分散协同控制方法可采用与实施例2基本相同的方法进行,不同之处在于,基于区域对称性的能源互联网聚类方法的步骤B、C和D存在以下不同:
在步骤B中,对于每个聚类数,对待聚类能源互联网对象进行多次(例如,3多次以上)随机的预聚类,例如,每次预聚类的初始位置的选取采用随机性采样的方式,这样对于每个聚类数则会得到一组(例如,每组3个以上)聚类结果;
在步骤C中,从每个聚类数对应的各组聚类结果中,以上述式(2)、式(3)和式(4)或者以式(2)、式(3)和式(5),得出所有聚类结果的整体对称性指标,并以这些整体对称性指标来相应表示各个聚类结果的区域对称性。随后,以所有聚类结果中区域对称性最好的聚类结果对应的聚类数作为目标聚类数。
在步骤D中,以目标聚类数和所有聚类结果中区域对称性最好的聚类结果作为最后的聚类结果,以所述最终聚类结果进行分区,获得所述多个区域。
综上所示,本发明的方法能够基于电力网络节点之间的电力相关性,对能源互联网网络节点进行位置聚类,形成若干能量控制区域;在统计各个区域内相关电力特性之后(区域能源提供能力和能源消费要求),对所有区域进行分布式平均迭代算法,得到为实现供需平衡各个区域之间需要相互传递的能量大小和传输方向;在各个区域内,考虑区域自身各个节点的能量和负荷分布,结合区域间的能量传输大小,通过滑模算法,实现各个区域的稳定性动态能量控制。通过本发明的方法,可以实现网络的整体供需平衡,保证网络能量的鲁棒控制,实现网络的动态稳定。
尽管上面已经结合示例性实施例及附图描述了本发明,但是本领域普通技术人员应该清楚,在不脱离权利要求的精神和范围的情况下,可以对上述实施例进行各种修改。
Claims (9)
1.一种能源互联网能量分散协同控制方法,其特征在于,所述方法包括:
步骤1、对能源互联网中的节点进行位置分区,以获得多个区域;
步骤2、分别统计所述多个区域中的每个区域内的能量生产和消费情况,然后基于分布式平均的能源互联网分布式能源共享算法确定为实现网络整体供需平衡所述多个区域中各个区域间需要传输或交换的能量大小;
步骤3、各个区域根据本区域的能量生产和消费情况,结合与相邻区域的能量交换大小,通过滑模超螺旋算法实现区域内未来一段时间的能量供需动态平衡,其中,
所述步骤2中的基于分布式平均的能源互联网分布式能源共享算法为:步骤2-1,对于每个区域,以其中的单个设备或预定大小的设备区域为节点,统计每个节点的能源需求数据和能源生产数据,计算相应节点的能源冗余度,所述能源冗余度为节点能源生产值-节点能源需求值;步骤2-2,基于分布式平均算法,计算网络能源冗余度的整体平均值;步骤2-3,根据网络能源冗余度平均值的大小和符号,修改指定节点的能源生产值;步骤2-4,对能源冗余度重新进行分布式平均,重复步骤2-2和2-3,直到网络平均能源冗余度达到0;
所述步骤3中的滑模超螺旋算法通过式1能够使得各个节点的s在有限时间到零,从而实现实际交换能量与需要交换能量大小一致,所述式1为:
2.根据权利要求1所述的能源互联网能量分散协同控制方法,其特征在于,所述方法通过基于区域对称性的能源互联网聚类方法来实现所述步骤1,所述能源互联网聚类方法包括以下步骤:
获得具有二维属性的待聚类能源互联网对象,设定聚类数范围;
以聚类数范围中的每个聚类数分别对所述待聚类能源互联网对象进行预聚类,对应得到多个聚类结果;
计算所述多个聚类结果对应的区域对称性,并根据区域对称性确定目标聚类数;
以目标聚类数和该目标聚类数下的聚类结果作为最终聚类结果,以所述最终聚类结果进行分区,获得所述多个区域。
3.根据权利要求2所述的能源互联网能量分散协同控制方法,其特征在于,所述计算多个聚类结果对应的区域对称性的步骤包括:对所述多个聚类结果中的每个聚类结果,以该聚类结果的一维度属性的平均值与中位值的归一化距离作为第一维度属性对称性指标,并以该聚类结果的另一维度属性的平均值与中位值的归一化距离作为第二维度属性对称性指标,联合考虑第一维度属性对称性指标和第二维度对称性指标确定整体对称性指标,以所述整体对称性指标来表示该聚类结果的区域对称性。
4.根据权利要求3所述的能源互联网能量分散协同控制方法,其特征在于,所述根据区域对称性确定目标聚类数的步骤以具有最优的整体对称性指标的聚类结果的聚类数作为所述目标聚类数。
5.根据权利要求3所述的能源互联网能量分散协同控制方法,其特征在于,所述根据区域对称性确定目标聚类数的步骤以加权和的形式综合考虑整体对称性指标和除区域对称性外的其它判断属性,以确定所述目标聚类数。
6.根据权利要求3~5中任意一项所述的能源互联网能量分散协同控制方法,其特征在于,所述第一维度属性对称性指标和第二维度属性对称性指标分别通过式2和式3得到,
所述式2为:
symvalue(x)=|meanvalue(x)-medianvalue(x)|/abs(range(x)/count(x)),
symvalue(x)为第一维度属性对称性指标,x为第一维度属性,meanvalue(x)为第一维度属性的平均值,medianvalue(x)为第一维度属性的中值,range(x)函数为第一维度属性的取值范围总体长度,count(x)为第一维度属性值的数目;
所述式3为:
symvalue(y)=|meanvalue(y)-medianvalue(y)|/abs(range(y)/count(y)),
symvalue(y)为第二维度属性对称性指标,y为第二维度属性,meanvalue(y)为第二维度属性的平均值,medianvalue(y)为第二维度属性的中值,range(y)函数为第二维度属性的取值范围总体长度,count(y)为第二维度属性值的数目。
7.根据权利要求6所述的能源互联网能量分散协同控制方法,其特征在于,所述整体对称性指标通过式4得到,且整体对称性指标越小,则区域对称性越好,其中,式4从以下三式中选择一个:
symattribute=max(symvalue(x),symvalue(y))
symattribute=symvalue(x)+symvalue(y)
symattribute=symvalue(x)*symvalue(y),
其中,symattribute为整体对称性指标。
8.根据权利要求6所述的能源互联网能量分散协同控制方法,其特征在于,所述整体对称性指标通过式5得到,且整体对称性指标越接近1,则区域对称性越好,其中,所述式5为:
symattribute=symvalue(x)/symvalue(y),
其中,symattribute为整体对称性指标。
9.根据权利要求2所述的能源互联网能量分散协同控制方法,其特征在于,所述获得具有二维属性的待聚类能源互联网对象的步骤包括:对具有不少于三维属性的待聚类能源互联网对象进行主成分分析以将其降至具有二维属性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010535164.XA CN111487873B (zh) | 2020-06-12 | 2020-06-12 | 一种能源互联网能量分散协同控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010535164.XA CN111487873B (zh) | 2020-06-12 | 2020-06-12 | 一种能源互联网能量分散协同控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111487873A CN111487873A (zh) | 2020-08-04 |
CN111487873B true CN111487873B (zh) | 2020-09-25 |
Family
ID=71795779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010535164.XA Active CN111487873B (zh) | 2020-06-12 | 2020-06-12 | 一种能源互联网能量分散协同控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111487873B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112068439B (zh) * | 2020-09-18 | 2022-10-21 | 上海电力大学 | 一种基于可再生能源共享模型的家庭能源管理优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447122A (zh) * | 2016-10-12 | 2017-02-22 | 国网上海市电力公司 | 一种区域型能源互联网及其一体化优化规划方法 |
CN106602555A (zh) * | 2016-12-27 | 2017-04-26 | 上海中兴电力建设发展有限公司 | 具有分层分布式结构的能源互联网能量管理系统 |
CN106786753A (zh) * | 2016-12-29 | 2017-05-31 | 上海博翎能源科技有限公司 | 多用户的区域能源互联网的系统及其调节方法 |
CN107016467A (zh) * | 2017-04-13 | 2017-08-04 | 华北电力大学(保定) | 一种区域能源互联网全自动站网布局优化方法 |
CN109655718A (zh) * | 2019-02-25 | 2019-04-19 | 广东工业大学 | 一种配电网故障定位方法 |
CN110829484A (zh) * | 2019-10-10 | 2020-02-21 | 东北电力大学 | 一种基于时空分解的全球能源互联电力平衡优化方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6847854B2 (en) * | 2001-08-10 | 2005-01-25 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
CN101916093B (zh) * | 2010-07-26 | 2012-10-10 | 秦毅 | 一种能效管理终端及其组成的智能用电暨能效管理系统 |
EP3460940B1 (en) * | 2017-09-20 | 2022-06-08 | Hepu Technology Development (Beijing) Co. Ltd. | Power trading system |
-
2020
- 2020-06-12 CN CN202010535164.XA patent/CN111487873B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106447122A (zh) * | 2016-10-12 | 2017-02-22 | 国网上海市电力公司 | 一种区域型能源互联网及其一体化优化规划方法 |
CN106602555A (zh) * | 2016-12-27 | 2017-04-26 | 上海中兴电力建设发展有限公司 | 具有分层分布式结构的能源互联网能量管理系统 |
CN106786753A (zh) * | 2016-12-29 | 2017-05-31 | 上海博翎能源科技有限公司 | 多用户的区域能源互联网的系统及其调节方法 |
CN107016467A (zh) * | 2017-04-13 | 2017-08-04 | 华北电力大学(保定) | 一种区域能源互联网全自动站网布局优化方法 |
CN109655718A (zh) * | 2019-02-25 | 2019-04-19 | 广东工业大学 | 一种配电网故障定位方法 |
CN110829484A (zh) * | 2019-10-10 | 2020-02-21 | 东北电力大学 | 一种基于时空分解的全球能源互联电力平衡优化方法 |
Non-Patent Citations (4)
Title |
---|
5.13 Smart Grid Energy Management;KonarkSharma等;《Comprehensive Energy Systems》;20181231;第5卷;第474-536页 * |
Adaptive Terminal Sliding Mode Control for Hybrid Energy Storage Systems of Fuel Cell, Battery and Supercapacitor;Dezhi Xu,等;《IEEE Access》;20190201;第6卷;第29295-29303页 * |
Distributed Energy Sharing in Energy Internet Through Distributed Averaging;Yangyang Ming,等;《Chunxiao Xing Tsinghua Science and Technology》;20180603;第23卷(第3期);第233-242页 * |
面向用户需求的区域能源互联网价值形态研究;郭健,等;《电网技术》;20200228;第44卷(第2期);第493-504页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111487873A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | A kind of effective data aggregating method based on compressive sensing for wireless sensor network | |
CN113938488B (zh) | 一种基于动静态加权轮询的负载均衡方法 | |
CN113285831B (zh) | 网络行为知识智能学习方法、装置、计算机设备及存储介质 | |
CN117201410B (zh) | 用于物联网的流量管理方法及系统 | |
Min et al. | Optimal super-peer selection for large-scale p2p system | |
CN111487873B (zh) | 一种能源互联网能量分散协同控制方法 | |
CN112329997A (zh) | 电力需求负荷预测方法及系统、电子设备和存储介质 | |
CN109685279B (zh) | 一种基于拓扑降解的复杂配电网pqm优化方法 | |
CN110310014B (zh) | 基于过渡矩阵的泛在电力物联网分布式经济调度方法 | |
Guo et al. | WCL: Client selection in federated learning with a combination of model weight divergence and client training loss for Internet traffic classification | |
El Gaily et al. | Constrained quantum optimization for resource distribution management | |
Zhou et al. | Binary quantum elite particle swarm optimization algorithm for spectrum allocation in cognitive wireless medical sensor network | |
CN111429045B (zh) | 一种基于区域对称性的能源互联网聚类方法 | |
CN109685101B (zh) | 一种多维数据自适应采集方法及系统 | |
Liu et al. | Performance analysis of peer-to-peer networks based on two-phase service queuing theory | |
Shen et al. | Locality-aware randomized load balancing algorithms for DHT networks | |
Li | Efficiency optimization for communication service based on qos technology | |
Makikawa et al. | Balance and proximity-aware Skip Graph construction | |
Xu et al. | SDN Multi Controller Deployment Strategy Based on Improved Spectral Clustering Algorithm | |
Lan | Analysis and research of several network traffic prediction models | |
Wang et al. | 2D-THA-ADMM: Communication efficient distributed ADMM algorithm framework based on two-dimensional torus hierarchical AllReduce | |
Maoa et al. | Two-way Delayed Updates with Model Similarity in Communication-Efficient Federated Learning | |
Ramirez et al. | Gradient Tracking for Coalitional Aggregation of Wind Power | |
CN113590335B (zh) | 树形边缘网络中基于分组和延迟估计的任务负载均衡方法 | |
CN114385359B (zh) | 一种物联网云边端任务时序协同方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |