CN111492559B - 用于能量存储系统的最佳控制的系统和方法 - Google Patents

用于能量存储系统的最佳控制的系统和方法 Download PDF

Info

Publication number
CN111492559B
CN111492559B CN201880076507.1A CN201880076507A CN111492559B CN 111492559 B CN111492559 B CN 111492559B CN 201880076507 A CN201880076507 A CN 201880076507A CN 111492559 B CN111492559 B CN 111492559B
Authority
CN
China
Prior art keywords
data
computer system
energy storage
forecast
storage systems
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
Application number
CN201880076507.1A
Other languages
English (en)
Other versions
CN111492559A (zh
Inventor
T·多赫尔蒂
S·克兰
小熊祐司
M·费拉拉
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.)
Ishikawa Island America Group Terrasan Solutions Co.,Ltd.
Original Assignee
Ishikawa Meizhou Group 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 Ishikawa Meizhou Group Co ltd filed Critical Ishikawa Meizhou Group Co ltd
Priority to CN202210811938.6A priority Critical patent/CN115189349A/zh
Publication of CN111492559A publication Critical patent/CN111492559A/zh
Application granted granted Critical
Publication of CN111492559B publication Critical patent/CN111492559B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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
    • 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
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (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)
  • Feedback Control In General (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

提供了用于一个或多个能量存储系统的最佳控制的系统和方法。基于从一个或多个数据源接收到的实况数据、历史数据和/或预测数据，可以通过各种预测技术来计算与一个或多个能量存储系统的操作相关的一个或多个参数的一个或多个预测以及相关联的预测不确定性。使用一种或多种优化技术，可以基于预测来创建用于一个或多个能量存储系统的操作的最佳调度时间表。最佳调度时间表可以用于确定一个或多个能量存储系统参数，该一个或多个能量存储系统参数用于控制能量存储系统的操作。

Description

用于能量存储系统的最佳控制的系统和方法
相关申请的交叉引用
本申请要求于2017年11月27日提交的美国临时专利申请No.62/591,023和于2018年11月16日提交的美国专利申请No.16/193,332的优先权，这些申请的全部内容通过引用整体并入本文。
背景技术
通常认为，在电网上安装和使用能量存储系统(“ESS”)可以为电网参与者和/或利益相关者带来物质利益(运营、财务、环境等)，并且这样做可以为拥有或控制能量存储资产的实体带来物质经济回报。能量存储技术可以通过一系列潜在的能量存储应用(“ES应用”)来产生这些类型的好处，诸如(i)提供某些已建立了能源或容量市场机制的辅助服务(例如，频率调节、旋转储备、黑启动容量)；(ii)负荷转移或削峰；(iii)推迟或避免其它必要的输电或配电升级；(iv)缓解输电或配电瓶颈或其它限制；(v)间歇性可再生能源发电的整合，无论是通过平滑、斜坡服务、提供成形电力还是其它方式；(vi)混合发电资产以提高燃料效率或减少碳排放量；(vii)在孤岛操作期间提供备用电力或不间断电力系统(“UPS”)；(viii)为节省成本或套利目的而进行的能源采购和销售的时间转移；(ix)提供(或承诺提供的可用性)各种运营储备金；(x)提供可能否则由天然气峰值厂或其它发电来源提供的电力、能源或服务等。前述内容旨在作为ES应用的代表性清单，而不是详尽的清单。在许多情况下，安装在特定位置的单个ESS可以提供多个ES应用(有时称为应用的堆叠)。如本文所使用的，对单个ES应用的引用可以包括多个ES应用的组合或堆叠。
特定安装和使用ESS所产生的收益和/或相关经济回报的存在和程度，可能取决于广泛的因素。这些因素包括ESS的成本(通常以$/kW和/或$/kWh来计算)、ESS的功率与能源之比、ESS的尺寸(以kW或kWh为单位)、ESS的往返效率、ESS的循环寿命和/或使用寿命、资助ESS购置的方式、ESS的场地和安装成本、ESS的持续运营和维护成本。其它因素也可能与ESS安装的位置以及使用该安装的(一个或多个)ES应用相关。这些因素可能包括能源价格和其它市场状况、引起需要ES应用的特定电网状况、ES应用提供的产品或服务可用的定价/补偿/关税或其它激励措施、可用功率预测的可靠性，以及服务于包括ESS的地理区域(或与ESS电连接的集合)的发电资产混合。
当前存在许多可以用于控制ESS的精密模型。但是，这些模型的局限性在于它们仅反映了可能现实的抽象表示，并假设了完美的远见。在实践中，典型ESS在现场的运行状况通常是动态的，并且不同于这些抽象模型及其假设，并且基于这些模型的预测只能在有限的确定性和准确性范围内进行。因此，需要在建模方面以更高的确定性和准确性来提供技术解决方案的系统和方法。特别是在ESS操作控制领域，需要能够实现至少以下技术目标中的一个或多个或任何可能组合的技术解决方案：(1)在对影响ESS的配置和操作的ESS参数(诸如电量)的持续未来预测中最佳地执行；(2)量化预测的不确定性并提供适当的补救策略；以及(3)自适应地排程和调度ESS，以跟踪动态和演进的ESS参数，诸如电参数。
发明内容
所公开的主题的实施例可以涉及用于创建和执行用于控制一个或多个能量存储系统的操作的最佳调度时间表的一般方法。所公开的主题的实施例还可以涉及用于以下的技术：使用各种预测技术或算法来产生一个或多个预测，并且基于预测，计算用于控制一个或多个能量存储系统的操作的最佳调度时间表，并补偿时间表更新之间的实时预测不确定性，所有这些都是在滚动的基础上。所公开的主题的实施例还可以提供用于计算跨各种可能的预测场景的最佳经济调度并且确定用于控制一个或多个能量存储系统的操作的统计上最佳调度时间表的技术。所公开的主题的实施例还可以涉及用于在持续的基础上计算最佳ESS调度时间表并补偿预测不确定性的技术。所公开的主题的实施例还可以使用并行处理来加快用于预测和/或调度时间表的计算。所公开的主题的实施例还可以涉及提供能够实现以下技术目标中的一个或多个或任何可能的组合的技术解决方案的系统和方法：(1)最佳地执行对影响ESS的配置和操作的ESS参数(诸如电量)的持续未来预测；(2)量化预测的不确定性并提供适当的补救策略；以及(3)自适应地排程和调度ESS，以跟踪动态和演进的ESS参数，诸如电参数。其它实施例也在本发明的范围内。
本发明的至少一个实施例涉及一种用于控制一个或多个能量存储系统的操作的方法，所述方法包括以下步骤：(a)在包括至少一个计算机的计算机系统处，从一个或多个数据源接收与所述一个或多个能量存储系统的操作相关的实况数据、历史数据或预测数据；(b)由所述计算机系统基于接收到的实况数据、历史数据或预测数据，使用一种或多种预测技术来计算与所述一个或多个能量存储系统的操作相关的一个或多个参数的一个或多个预测以及相关联的预测不确定性；(c)由所述计算机系统基于所述一个或多个预测来确定用于所述一个或多个能量存储系统的操作的最佳调度时间表；(d)由所述计算机系统使用最佳调度时间表来确定一个或多个能量存储系统参数；以及(e)由所述计算机系统将所述一个或多个能量存储系统参数发送到所述一个或多个能量存储系统，以控制所述一个或多个能量存储系统的操作。
在另一个实施例中，所述一种或多种预测技术包括第三方预测直通技术、多个第三方预测聚合技术、历史平均预测技术、线性回归预测技术、具有历史平均残差的线性回归预测技术和神经网络预测技术中的至少一种。
在另一个实施例中，计算一个或多个预测的步骤(b)包括由所述计算机系统使用平均、加权平均、时变加权平均、条件变量加权平均或神经网络来聚合计算出的一个或多个预测。
在另一个实施例中，确定最佳调度时间表的步骤(c)包括：(i)由所述计算机系统使用单个预测直通技术、蒙特卡洛场景生成技术和机会约束的优化约束生成技术中的至少一种来生成一个或多个预测场景；(ii)由所述计算机系统选择一组或多组生成的一个或多个预测场景以进行优化；(iii)由所述计算机系统通过将一种或多种优化技术应用于所选择的一组或多组生成的一个或多个预测场景来生成一个或多个调度时间表，其中，所述一种或多种优化技术包括固定规则排程器、基于预测的规则排程器、非线性多个规则优化排程器、非线性经济优化排程器和神经网络排程器中的至少一种；以及(iv)由所述计算机系统使用平均、加权平均、时变加权平均、条件变量加权平均或神经网络来聚合所述一个或多个调度时间表，以产生最佳调度时间表。
在另一个实施例中，使用最佳调度时间表的步骤(d)包括由所述计算机系统基于最佳调度时间表和从所述一个或多个数据源接收到的实况数据来选择一个或多个模式以及一个或多个模式参数，其中，所述一个或多个模式包括待机模式、手动模式、负载均衡模式、削峰模式、填谷模式、充电状态(SOC)维护模式和斜坡率管理模式中的至少一个，并且所述一个或多个模式参数包括有功功率和无功功率、目标电网净有功功率、最大电网净有功功率、最小电网净有功功率、目标充电状态和最大电网净有功功率变化率中的至少一个。
在另一个实施例中，步骤(a)中的实况数据、历史数据或预测数据包括与实时市场的能源价格、日前市场的能源价格、实时市场的辅助服务价格、日前市场的辅助服务价格、天气、电力需求和发电机可用性相关的实况数据、历史数据或第三方预测数据；步骤(b)中的所述一种或多种预测技术包括神经网络预测技术；以及确定最佳调度时间表的步骤(c)包括：(i)由所述计算机系统使用蒙特卡洛场景生成技术来生成用于所述实时市场的能源价格、所述日前市场的能源价格、所述实时市场的辅助服务价格和所述日前市场的辅助服务价格的一个或多个预测场景；(ii)由所述计算机系统选择一组或多组彼此更相似、彼此更不同或跨所生成的一个或多个预测场景随机分布的生成的一个或多个预测场景；(iii)由所述计算机系统通过将非线性经济优化排程器应用于所选择的一组或多组生成的一个或多个预测场景来生成一个或多个调度时间表；以及(iv)由所述计算机系统对所生成的一个或多个调度时间表求平均，以产生最佳调度时间表。
在另一个实施例中，步骤(a)中的实况数据、历史数据或预测数据包括与净变电站负荷、太阳能发电和温度相关的实况数据、历史数据或第三方预测数据；计算一个或多个预测的步骤(b)包括由所述计算机系统通过同时使用具有历史平均残差的线性回归预测技术和神经网络预测技术来创建用于净变电站负荷的至少两个预测，并由所述计算机系统通过基于与所述至少两个预测中的每一个相关联的历史预期的不确定性选择所述至少两个预测中的一个或对所述至少两个预测求平均来产生所述一个或多个预测；以及确定最佳调度时间表的步骤(c)包括：(i)由所述计算机系统使用蒙特卡洛场景生成技术来生成用于净变电站负荷的预定数量的预测场景；(ii)由所述计算机系统基于系统配置、可用的计算时间和资源或所报告的预测不确定性来选择所生成的预定数量的预测场景的子集；(iii)由所述计算机系统通过使用非线性多个规则优化排程器来为所生成的预定数量的预测场景的所选择的子集的每个场景生成调度时间表，以最小化在所述一个或多个能量存储系统的操作之后的峰值净变电站负荷；以及(iv)由所述计算机系统对所生成的预定数量的预测场景的所选择的子集的所生成的调度时间表求平均，以产生最佳调度时间表。
在另一个实施例中，所述一个或多个能量存储系统包括电池系统，所述电池系统包括一个或多个逆变器和一个或多个电池管理控制器；步骤(a)中的实况数据、历史数据或预测数据包括与天气和负荷相关的实况数据、历史数据或第三方预测数据；计算一个或多个预测的步骤(b)包括由所述计算机系统通过基于接收到的与天气和负荷相关的实况数据、历史数据或第三方预测数据，使用神经网络预测技术计算在接下来的二十四小时的每个小时中出现系统峰值的概率来产生所述一个或多个预测；确定最佳调度时间表的步骤(c)包括由所述计算机系统使用基于预测的规则排程器，基于所述一个或多个预测来确定最佳调度时间表，以在峰值小时最小化客户负荷并最大化所述一个或多个能量存储系统的输出；以及使用最佳调度时间表确定一个或多个能量存储系统参数的步骤(d)包括由所述计算机系统基于最佳调度时间表和从所述一个或多个数据源接收到的实况数据来确定输入到与所述电池系统连接的电网或微电网或从中提取的有功功率和无功功率。
在另一个实施例中，步骤(b)中的所述一个或多个参数包括电网净负荷、可再生能源发电、不可再生能源发电、市场定价和客户负荷中的至少一个。
在另一个实施例中，计算一个或多个预测的步骤(b)包括由所述计算机系统在一旦有新的相关数据可用时，就以固定的时间表或根据需要手动控制的基础来生成新的预测。
在另一个实施例中，接收到的实况数据包括与天气状况、发电、第三方预测、电网负荷状况、能量存储状况、市场状况以及公用事业/独立系统运营商(ISO)信号中的至少一个相关的数据。
在另一个实施例中，接收到的历史数据包括与天气状况、发电、第三方预测、电网负荷状况、能量存储状况、市场状况以及公用事业/独立系统运营商(ISO)信号中的至少一个相关的数据。
在另一个实施例中，确定最佳调度时间表的步骤(c)包括由计算机系统在一旦有新的相关数据可用时，就以固定的时间表或根据需要手动控制的基础来生成新的最佳调度时间表。
在另一个实施例中，所述一个或多个能量存储系统参数包括有功功率或无功功率。
此外，本发明的至少一个实施例涉及一种用于控制一个或多个能量存储系统的操作的计算机系统，所述计算机系统包括：一个或多个处理器；以及一个或多个存储器，可操作地连接到所述一个或多个处理器并且在其上存储有指令，所述指令可由所述一个或多个处理器执行，以使所述计算机系统执行以下步骤：(a)在所述计算机系统处从一个或多个数据源接收与所述一个或多个能量存储系统的操作相关的实况数据、历史数据或预测数据；(b)由所述计算机系统基于接收到的实况数据、历史数据或预测数据，使用一种或多种预测技术来计算与所述一个或多个能量存储系统的操作相关的一个或多个参数的一个或多个预测以及相关联的预测不确定性；(c)由所述计算机系统基于所述一个或多个预测来确定用于所述一个或多个能量存储系统的操作的最佳调度时间表；(d)由所述计算机系统使用最佳调度时间表来确定一个或多个能量存储系统参数；以及(e)由所述计算机系统将所述一个或多个能量存储系统参数发送到所述一个或多个能量存储系统，以控制所述一个或多个能量存储系统的操作。
在另一个实施例中，所述一种或多种预测技术包括第三方预测直通技术、多个第三方预测聚合技术、历史平均预测技术、线性回归预测技术、具有历史平均残差的线性回归预测技术和神经网络预测技术中的至少一种。
在另一个实施例中，计算一个或多个预测的步骤(b)包括由所述计算机系统使用平均、加权平均、时变加权平均、条件变量加权平均或神经网络来聚合计算出的一个或多个预测。
在另一个实施例中，确定最佳调度时间表的步骤(c)包括：(i)由所述计算机系统使用单个预测直通技术、蒙特卡洛场景生成技术和机会约束的优化约束生成技术中的至少一种来生成一个或多个预测场景；(ii)由所述计算机系统选择一组或多组生成的一个或多个预测场景以进行优化；(iii)由所述计算机系统通过将一种或多种优化技术应用于所选择的一组或多组生成的一个或多个预测场景来生成一个或多个调度时间表，其中，所述一种或多种优化技术包括固定规则排程器、基于预测的规则排程器、非线性多个规则优化排程器、非线性经济优化排程器和神经网络排程器中的至少一种；以及(iv)由所述计算机系统使用平均、加权平均、时变加权平均、条件变量加权平均或神经网络来聚合所述一个或多个调度时间表，以产生最佳调度时间表。
在另一个实施例中，使用最佳调度时间表的步骤(d)包括由所述计算机系统基于最佳调度时间表和从所述一个或多个数据源接收到的实况数据来选择一个或多个模式以及一个或多个模式参数，其中，所述一个或多个模式包括待机模式、手动模式、负载均衡模式、削峰模式、填谷模式、充电状态(SOC)维护模式和斜坡率管理模式中的至少一个，并且所述一个或多个模式参数包括有功功率和无功功率、目标电网净有功功率、最大电网净有功功率、最小电网净有功功率、目标充电状态和最大电网净有功功率变化率中的至少一个。
在另一个实施例中，步骤(a)中的实况数据、历史数据或预测数据包括与实时市场的能源价格、日前市场的能源价格、实时市场的辅助服务价格、日前市场的辅助服务价格、天气、电力需求和发电机可用性相关的实况数据、历史数据或第三方预测数据；步骤(b)中的所述一种或多种预测技术包括神经网络预测技术；以及确定最佳调度时间表的步骤(c)包括：(i)由所述计算机系统使用蒙特卡洛场景生成技术来生成用于所述实时市场的能源价格、所述日前市场的能源价格、所述实时市场的辅助服务价格和所述日前市场的辅助服务价格的一个或多个预测场景；(ii)由所述计算机系统选择一组或多组彼此更相似、彼此更不同或跨所生成的一个或多个预测场景随机分布的生成的一个或多个预测场景；(iii)由所述计算机系统通过将非线性经济优化排程器应用于所选择的一组或多组生成的一个或多个预测场景来生成一个或多个调度时间表；以及(iv)由所述计算机系统对所生成的一个或多个调度时间表求平均，以产生最佳调度时间表。
在另一个实施例中，步骤(a)中的实况数据、历史数据或预测数据包括与净变电站负荷、太阳能发电和温度相关的实况数据、历史数据或第三方预测数据；计算一个或多个预测的步骤(b)包括由所述计算机系统通过同时使用具有历史平均残差的线性回归预测技术和神经网络预测技术来创建用于净变电站负荷的至少两个预测，并由所述计算机系统通过基于与所述至少两个预测中的每一个相关联的历史预期的不确定性选择至少两个预测的一个或对所述至少两个预测求平均，来产生所述一个或多个预测；以及确定最佳调度时间表的步骤(c)包括：(i)由所述计算机系统使用蒙特卡洛场景生成技术来生成用于净变电站负荷的预定数量的预测场景；(ii)由所述计算机系统基于系统配置、可用的计算时间和资源或所报告的预测不确定性来选择所生成的预定数量的预测场景的子集；(iii)由所述计算机系统通过使用非线性多个规则优化排程器来为所生成的预定数量的预测场景的所选择的子集中的每个场景生成调度时间表，以最小化在所述一个或多个能量存储系统的操作之后的峰值净变电站负荷；以及(iv)由所述计算机系统对所生成的预定数量的预测场景中的所选择的子集的所生成的调度时间表求平均，以产生最佳调度时间表。
在另一个实施例中，所述一个或多个能量存储系统包括电池系统，所述电池系统包括一个或多个逆变器和一个或多个电池管理控制器；步骤(a)中的实况数据、历史数据或预测数据包括与天气和负荷相关的实况数据、历史数据或第三方预测数据；计算一个或多个预测的步骤(b)包括由所述计算机系统通过基于接收到的与天气和负荷相关的实况数据、历史数据或第三方预测数据，使用神经网络预测技术计算在接下来的二十四小时的每个小时中出现系统峰值的概率，来产生所述一个或多个预测；确定最佳调度时间表的步骤(c)包括由所述计算机系统使用基于预测的规则排程器，基于所述一个或多个预测来确定最佳调度时间表，以在峰值小时最小化客户负荷并最大化所述一个或多个能量存储系统的输出；以及使用最佳调度时间表确定一个或多个能量存储系统参数的步骤(d)包括由所述计算机系统基于最佳调度时间表和从所述一个或多个数据源接收到的实况数据来确定输入到与所述电池系统连接的电网或微电网或从中提取的有功功率和无功功率。
在另一个实施例中，步骤(b)中的所述一个或多个参数包括电网净负荷、可再生能源发电、不可再生能源发电、市场定价和客户负荷中的至少一个。
在另一个实施例中，计算一个或多个预测的步骤(b)包括由所述计算机系统在一旦有新的相关数据可用时，就以固定的时间表或根据需要手动控制的基础来生成新的预测。
在另一个实施例中，接收到的实况数据包括与天气状况、发电、第三方预测、电网负荷状况、能量存储状况、市场状况以及公用事业/独立系统运营商(ISO)信号中的至少一个相关的数据。
在另一个实施例中，接收到的历史数据包括与天气状况、发电、第三方预测、电网负荷状况、能量存储状况、市场状况以及公用事业/独立系统运营商(ISO)信号中的至少一个相关的数据。
在另一个实施例中，确定最佳调度时间表的步骤(c)包括由所述计算机系统在一旦有新的相关数据可用时，就以固定的时间表或根据需要手动控制的基础来生成新的最佳调度时间表。
在另一个实施例中，所述一个或多个能量存储系统参数包括有功功率或无功功率。
在另一个实施例中，所述计算机系统还包括可操作地连接到所述一个或多个处理器和所述一个或多个存储器中的至少一个的数据输入接口，其中所述数据输入接口从所述一个或多个数据源接收实况数据、历史数据或预测数据。
在另一个实施例中，所述数据输入接口检测与接收到的实况数据、历史数据或预测数据相关联的丢失的元数据，并将丢失的元数据添加到接收到的实况数据、历史数据或预测数据。
在另一个实施例中，计算机系统还包括可操作地连接到所述一个或多个处理器和所述一个或多个存储器中的至少一个的用户可视化和控制界面。
在另一个实施例中，所述用户可视化和控制界面包括显示在显示设备上的基于网络的图形用户界面。
在另一个实施例中，所述计算机系统还包括数据历史记录器，所述数据历史记录器包括可操作地连接到所述一个或多个处理器和所述一个或多个存储器中的至少一个的一个或多个数据存储库，其中所述一个或多个数据存储库收集并存储由所述计算机系统接收到和生成的数据。
另外，本发明的至少一个实施例涉及一种非暂态计算机可读介质，其上存储有被配置为由包括至少一个计算机的计算机系统执行的程序代码，其中，所述程序代码在由所述计算机系统执行时，使所述计算机系统执行用于控制一个或多个能量存储系统的操作的方法，所述方法包括以下步骤：(a)在所述计算机系统处从一个或多个数据源接收与所述一个或多个能量存储系统的操作相关的实况数据、历史数据或预测数据；(b)由所述计算机系统基于接收到的实况数据、历史数据或预测数据，使用一种或多种预测技术来计算与所述一个或多个能量存储系统的操作相关的一个或多个参数的一个或多个预测以及相关联的预测不确定性；(c)由所述计算机系统基于所述一个或多个预测来确定用于所述一个或多个能量存储系统的操作的最佳调度时间表；(d)由所述计算机系统使用最佳调度时间表来确定一个或多个能量存储系统参数；以及(e)由所述计算机系统将所述一个或多个能量存储系统参数发送到所述一个或多个能量存储系统，以控制所述一个或多个能量存储系统的操作。
在另一个实施例中，所述一种或多种预测技术包括第三方预测直通技术、多个第三方预测聚合技术、历史平均预测技术、线性回归预测技术、具有历史平均残差的线性回归预测技术和神经网络预测技术中的至少一种。
在另一个实施例中，计算一个或多个预测的步骤(b)包括由所述计算机系统使用平均、加权平均、时变加权平均、条件变量加权平均或神经网络来聚合计算出的一个或多个预测。
在另一个实施例中，确定最佳调度时间表的步骤(c)包括：(i)由所述计算机系统使用单个预测直通技术、蒙特卡洛场景生成技术和机会约束的优化约束生成技术中的至少一种来生成一个或多个预测场景；(ii)由所述计算机系统选择一组或多组生成的一个或多个预测场景以进行优化；(iii)由所述计算机系统通过将一种或多种优化技术应用于所选择的一组或多组生成的一个或多个预测场景来生成一个或多个调度时间表，其中，所述一种或多种优化技术包括固定规则排程器、基于预测的规则排程器、非线性多个规则优化排程器、非线性经济优化排程器和神经网络排程器中的至少一种；以及(iv)由所述计算机系统使用平均、加权平均、时变加权平均、条件变量加权平均或神经网络来聚合所述一个或多个调度时间表，以产生最佳调度时间表。
在另一个实施例中，使用最佳调度时间表的步骤(d)包括由所述计算机系统基于最佳调度时间表和从所述一个或多个数据源接收到的实况数据来选择一个或多个模式以及一个或多个模式参数，其中，所述一个或多个模式包括待机模式、手动模式、负载均衡模式、削峰模式、填谷模式、充电状态(SOC)维护模式和斜坡率管理模式中的至少一个，并且所述一个或多个模式参数包括有功功率和无功功率、目标电网净有功功率、最大电网净有功功率、最小电网净有功功率、目标充电状态和最大电网净有功功率变化率中的至少一个。
在另一个实施例中，步骤(a)中的实况数据、历史数据或预测数据包括与实时市场的能源价格、日前市场的能源价格、实时市场的辅助服务价格、日前市场的辅助服务价格、天气、电力需求和发电机可用性相关的实况数据、历史数据或第三方预测数据；步骤(b)中的所述一种或多种预测技术包括神经网络预测技术；以及确定最佳调度时间表的步骤(c)包括：(i)由所述计算机系统使用蒙特卡洛场景生成技术来生成用于所述实时市场的能源价格、所述日前市场的能源价格、所述实时市场的辅助服务价格和所述日前市场的辅助服务价格的一个或多个预测场景；(ii)由所述计算机系统选择一组或多组彼此更相似、彼此更不同或跨所生成的一个或多个预测场景随机分布的生成的一个或多个预测场景；(iii)由所述计算机系统通过将非线性经济优化排程器应用于所选择的一组或多组生成的一个或多个预测场景来生成一个或多个调度时间表；以及(iv)由所述计算机系统对所生成的一个或多个调度时间表求平均，以产生最佳调度时间表。
在另一个实施例中，步骤(a)中的实况数据、历史数据或预测数据包括与净变电站负荷、太阳能发电和温度相关的实况数据、历史数据或第三方预测数据；计算一个或多个预测的步骤(b)包括由所述计算机系统通过同时使用具有历史平均残差的线性回归预测技术和神经网络预测技术来创建用于净变电站负荷的至少两个预测，并由所述计算机系统通过基于与所述至少两个预测中的每一个相关联的历史预期的不确定性选择所述至少两个预测的一个或对所述至少两个预测求平均，来产生所述一个或多个预测；以及确定最佳调度时间表的步骤(c)包括：(i)由所述计算机系统使用蒙特卡洛场景生成技术来生成用于净变电站负荷的预定数量的预测场景；(ii)由所述计算机系统基于系统配置、可用的计算时间和资源或所报告的预测不确定性来选择所生成的预定数量的预测场景的子集；(iii)由所述计算机系统通过使用非线性多个规则优化排程器来为所生成的预定数量的预测场景的所选择的子集的每个场景生成调度时间表，以最小化在所述一个或多个能量存储系统的操作之后的峰值净变电站负荷；以及(iv)由所述计算机系统对所生成的预定数量的预测场景的所选择的子集的所生成的调度时间表求平均，以产生最佳调度时间表。
在另一个实施例中，所述一个或多个能量存储系统包括电池系统，所述电池系统包括一个或多个逆变器和一个或多个电池管理控制器；步骤(a)中的实况数据、历史数据或预测数据包括与天气和负荷相关的实况数据、历史数据或第三方预测数据；计算一个或多个预测的步骤(b)包括由所述计算机系统通过基于接收到的与天气和负荷相关的实况数据、历史数据或第三方预测数据，使用神经网络预测技术计算在接下来的二十四小时的每个小时中出现系统峰值的概率来产生所述一个或多个预测；确定最佳调度时间表的步骤(c)包括由所述计算机系统使用基于预测的规则排程器，基于所述一个或多个预测来确定最佳调度时间表，以在峰值小时最小化客户负荷并最大化所述一个或多个能量存储系统的输出；以及使用最佳调度时间表确定一个或多个能量存储系统参数的步骤(d)包括由所述计算机系统基于最佳调度时间表和从所述一个或多个数据源接收到的实况数据来确定输入到与所述电池系统连接的电网或微电网或从中提取的有功功率和无功功率。
在另一个实施例中，步骤(b)中的所述一个或多个参数包括电网净负荷、可再生能源发电、不可再生能源发电、市场定价和客户负荷中的至少一个。
在另一个实施例中，计算一个或多个预测的步骤(b)包括由所述计算机系统在一旦有新的相关数据可用时，就以固定的时间表或根据需要手动控制的基础来生成新的预测。
在另一个实施例中，接收到的实况数据包括与天气状况、发电、第三方预测、电网负荷状况、能量存储状况、市场状况以及公用事业/独立系统运营商(ISO)信号中的至少一个相关的数据。
在另一个实施例中，接收到的历史数据包括与天气状况、发电、第三方预测、电网负荷状况、能量存储状况、市场状况以及公用事业/独立系统运营商(ISO)信号中的至少一个相关的数据。
在另一个实施例中，确定最佳调度时间表的步骤(c)包括由所述计算机系统在一旦有新的相关数据可用时，就以固定的时间表或根据需要手动控制的基础来生成新的最佳调度时间表。
在另一个实施例中，所述一个或多个能量存储系统参数包括有功功率或无功功率。
在阅读以下附图、详细描述和权利要求书之后，将更充分地理解所公开的主题的这些和其它能力以及本发明本身。
附图说明
将参考附图描述本发明的示例性实施例，其中：
图1是根据本发明的示例性实施例的用于为ESS生成优化的调度时间表的系统的示意图。
图2是根据本发明的示例性实施例的用于图1的系统的示例性数据源的示意图。
图3是根据本发明的示例性实施例的预测引擎的示意图。
图4是根据本发明的示例性实施例的排程和调度引擎的示意图。
图5是根据本发明的示例性实施例的ESS控制系统的示意图。
图6是根据本发明的示例性实施例的图1的系统的示例性实现方式的示意图。
图7是根据本发明的示例性实施例的在图6的系统中实现的示例性排程和调度引擎的示意图。
图8是根据本发明的示例性实施例的图1的系统的另一个示例性实现方式的示意图。
图9是根据本发明的示例性实施例的在图8的系统中实现的示例性预测引擎的示意图。
图10是根据本发明的示例性实施例的在图8的系统中实现的示例性排程和调度引擎的示意图。
图11是根据本发明的示例性实施例的图1的系统的另一个示例性实现方式的示意图。
图12是根据本发明的示例性实施例的在图11的系统中实现的示例性预测引擎以及示例性排程和调度引擎的示意图。
具体实施方式
所公开的主题的实施例可以提供用于使用各种预测技术或算法来产生一种或多种预测的技术，并且基于预测，计算并执行用于控制一个或多个能量存储系统的操作的最佳调度时间表，并补偿时间表更新之间的实时预测的不确定性，所有这些都是以滚动基础的。所公开的主题的实施例还可提供用于计算跨所有可能的未来的最佳经济调度并确定用于控制一个或多个ESS系统的操作的统计上最佳调度时间表的技术。所公开的主题的实施例还可以提供用于在持续的基础上计算和执行最佳ESS调度时间表并补偿预测不确定性的技术。所公开的主题的实施例还可以使用并行处理来加快用于预测和/或调度时间表的计算。所公开的主题的实施例还可以涉及提供能够实现以下技术目标中的一个或多个或任何可能的组合的技术解决方案的系统和方法：(1)最佳地执行对影响ESS的配置和操作的ESS参数(诸如电量)的持续未来预测；(2)量化预测的不确定性并提供适当的补救策略；以及(3)自适应地排程和调度ESS，以跟踪动态和演进的ESS参数，诸如电参数。其它实施例也在本发明的范围内。
如本文所使用，术语“调度”是指命令ESS控制系统进入闭环或开环模式并设置适当的模式参数。例如，模式可以是“充电”，并且模式参数可以是“100kW”。在另一个更复杂的示例中，模式可以是“削峰”，而模式参数可以是“在变电站X处测得的最大净负荷1.5MW”。
图1示出了根据本发明的示例性实施例的，用于为一个或多个能量存储系统(例如，多个ESS或ESS系统)生成优化调度时间表的系统100的一般组件。系统100的每个组件可以以软件和/或硬件的形式在一个或多个本地、云和/或混合服务器和/或一个或多个本地、云和/或混合数据存储库中实现。例如，数据存储可以包括由数据库管理系统管理的数据库和/或由文件系统管理的数据文件。可以使可以包括一个或多个数据存储库的多种数据源101可供系统100使用。它们可以包括历史数据、实况数据和/或预测数据，并且也可以包括用于数据完整性和清理目的的重复数据。由数据源101提供给系统100的数据可以包括可影响ESS的整体操作的可量化因素，诸如电气系统变量、市场数据、天气数据和预测等。
系统100可以通过数据输入接口102从数据源101接收并收集所有相关的数据。数据输入接口102可以在一个或多个本地、云和/或混合服务器和/或可通信地耦合到数据源101的专用通信接口硬件中实现。数据输入接口102被配置为将从数据源101接收到的数据馈送路由到系统100的可能需要这样的数据馈送的各个组件。数据输入接口102可以被配置为一旦其从数据源101变得可用，就连续扫描并收集新数据。可替代地，数据输入接口102可以被配置为周期性地、以非周期性的固定时间表或以根据需要为基础从数据源101扫描并收集新数据。
预测引擎103可以以软件和/或硬件的形式在一个或多个本地、云和/或混合服务器中实现，并且可以可通信地耦合到数据输入接口102和数据历史记录器107等，这将在下面进一步描述。预测引擎103可以包括一个或多个处理器，这些处理器使用从数据输入接口103和数据历史记录器107收集到的数据来生成由排程和调度引擎104所需的任何值的预测。由预测引擎103生成的预测可以包括任何可能的参数，诸如电网净负荷、可再生能源发电、不可再生能源发电、市场定价、客户负荷等。预测引擎103可以被配置为一旦有新的相关数据从数据源101可用并由数据输入接口102接收，就生成新的预测。在替代实施例中，预测引擎103可以被配置为周期性地、以固定的时间表或根据需要手动地控制的基础来生成新的预测。
排程和调度引擎104可以以软件和/或硬件的形式在一个或多个本地、云和/或混合服务器中实现，并且可以可通信地耦合到预测引擎103以及数据输入接口102。排程和调度引擎104被配置为采取从预测引擎103的各种可用预测。通过多种优化方法(下面将描述其中的一些)，排程和调度引擎104为ESS确定了调度时间表。由排程和调度引擎104生成的调度时间表可以被配置为实现一个或多个技术目标(例如，运营优化、财务优化、环境优化等)，一个或多个技术目标可以由排程和调度引擎104预设，或者在每次调度时间表的生成之前，由来自人工操作员的请求(例如，通过下面将描述的用户可视化和控制界面108输入)来手动设置。在实施例中，由排程和调度引擎104要实现的技术目标可以包括对一个或多个ES应用的优化，诸如(i)提供某些已建立的能源或容量市场机制的辅助服务(例如，频率调节、旋转储备、黑启动容量)；(ii)负荷转移或削峰；(iii)推迟或避免其它必要的输电或配电升级；(iv)缓解输电或配电瓶颈或其它限制；(v)间歇性可再生能源发电的整合，无论是通过平滑、斜坡服务、提供成形电力还是其它方式；(vi)混合发电资产以提高燃料效率或减少碳排放量；(vii)在孤岛操作期间提供备用电力或UPS；(viii)为节省成本或套利目的而进行的能源购买和销售的时间转移；(ix)提供(或承诺提供的可用性)各种操作储备金；(x)提供可能否则由天然气峰值厂或其它发电源提供的电力、能源或服务等。
在实施例中，由排程和调度引擎104进行的优化未必限于单个变量。排程和调度引擎104可以具有一组多个变量，这些变量可以全部组合以创建用于优化(例如，最小化)的总体成本函数。例如，成本函数可以包括每月或每年峰值负荷的成本、一天中不同时间的能源成本、来自不同源(电网、太阳能、风能等)的能源成本、循环ESS的成本、电网运营商可以用于某项任务(例如，斜坡率控制或需求响应)的成本(或收益)等。成本函数的成分可能因应用而有显著不同。排程和调度引擎104可以被配置为在成本函数的所有单个成分之间找到最佳折衷，以便将其作为整体来优化(例如，最小化)。
排程和调度引擎104被配置为将调度时间表作为命令发送到ESS控制系统105，以由ESS控制系统105进行执行来相应地控制ESS。排程和调度引擎104可以被配置为一旦新的相关数据变得可用(例如，来自预测引擎104的新预测和/或从数据源101可用并由数据输入接口102接收到的新实况数据)，就以固定的时间表或根据需要手动地控制的基础(例如，通过用户可视化和控制界面108控制)，为ESS生成新的调度时间表。
ESS控制系统105可以以软件和/或硬件的形式在一个或多个本地、云和/或混合服务器中实现，并且可以可通信地耦合到排程和调度引擎104和数据输入接口102。基于从排程和调度引擎104接收到的调度时间表，与从数据输入接口102接收到的实况数据馈送相组合，ESS控制系统105可以确定用于控制ESS 106的ESS系统参数，诸如有功功率和无功功率。例如，排程和调度引擎104可以以简单目标的形式(例如，将净电网负荷保持在一定阈值以下)向ESS控制系统105给出指示，该目标可以通过高速“闭环”控制来实现。在该示例性实施例中，ESS控制系统105可以被配置为一旦有任何新值(例如，净电网负荷的变化)可用，但没有任何来自排程和调度引擎104的新信息，就做出反应。在另一个示例中，ESS控制系统105可以在“开环”场景中操作，其中排程和调度引擎104命令ESS控制系统105输出固定功率并且忽略任何其它输入。取决于整体应用，可以使用这些“开环”和“闭环”模式中的任何一个或两个。
例如，基于从排程和调度引擎104接收到的调度时间表，与从数据输入接口102接收的实况数据馈送组合，ESS控制系统105可以确定ESS系统参数，诸如输入或从电网或微电网提取的有功功率和无功功率。可以将这些ESS系统参数发送到电池系统(例如，逆变器和电池管理控制器)，以便命令正从电网或微电网输入或提取多少有功功率和无功功率。
数据历史记录器107可以在存储在一个或多个本地、云和/或混合服务器中的一个或多个数据存储库中实现，并且如图1所示，可以可通信地耦合到数据输入接口102、预测引擎103、排程和调度引擎104和/或ESS控制系统105。数据历史记录器107可以被配置为收集、存储和管理从系统100的这些以及可能的其它组件接收的数据，并且还可以记录与其接收和存储的每条信息相关联的相关元数据(例如，时间记录)。数据历史记录器107还可以被配置为向系统100的各种组件提供历史数据集，系统100的各种组件诸如预测引擎103以及用户可视化和控制界面108(将在下面进一步描述)。在实施例中，数据历史记录器107可以被配置为收集和存储各种类型和形式的数据，包括受控变量和非受控变量、数字数据、文本数据、音频数据、图像数据、视频数据等。
在实施例中，数据输入接口102可以被配置为以与数据历史记录器107的需要和配置兼容的方式(例如，根据需要的基础)扫描和收集来自数据源101的新数据。以这种方式，可以将大型历史数据集下载并集成到数据历史记录器107中。
用户可视化和控制界面108可以以软件和/或硬件的形式在可通信地耦合到诸如液晶显示器、触摸屏、智能电话、平板电脑等的至少一个显示设备的一个或多个本地、云和/或混合服务器中实现。显示设备可以被配置为显示图形用户界面。如图1中所示，用户可视化和控制界面108可以可通信地耦合到数据输入接口102、预测引擎103、排程和调度引擎104、ESS控制系统105和/或数据历史记录器107。在实施例中，用户可视化和控制界面108可以被配置为允许操作人员监视系统100的一些或全部组件或整个系统100的当前和历史性能以及状态。在实施例中，用户可视化和控制界面108可以经由基于网络的工具来实现，例如显示在连接到互联网的显示设备上的图形用户界面，其被配置为提供对精心设计的数据集的容易访问，以及对存储在数据历史记录器107中的任何数据的更通用访问。在实施例中，用户可视化和控制界面108可以被配置为将手动控制发送到系统100的任何一个组件，以便控制诸如执行定时、决策覆盖等行为。
图2示出了根据本发明的示例性实施例的可以通过数据输入接口102对图1的系统100可用的数据源的示意图。可能的数据源包括实况数据流111、历史数据的批集合112等。实况数据流111可以包括任何可能的数据源，或者ESS内部、电网内部或微电网内部的数据源，或者可以经由互联网或其它公共数据馈送、专有的非公共第三方数据馈送等公开可用的数据源。在实施例中，这些数据馈送可以被配置为优先于自动数据集合和连接而自动或手动输入。在实施例中，这些数据馈送可以包括用于预测引擎103中的比较和聚合的第三方预测。数据输入接口102中用于收集实况数据流111的接口可以包括任何合适的协议或数据格式，诸如：平面文件、网络服务、REST api、MODBUS、DNP3、HTTP、FTP、XML、JSON等。
历史数据的批集合112涉及定位和收集一个或多个实况数据流的历史数据记录。这些可能来自专有或公共数据源，并且可能被复制以进行数据验证和清理。数据输入接口102中用于收集历史数据集的接口可以包括任何合适的协议或数据格式，诸如：平面文件、网络服务、REST api、MODBUS、DNP3、HTTP、FTP、XML、JSON等。
数据输入接口102可以被配置为从诸如实况数据流111和/或历史数据的批集合112之类的数据源收集传入数据。在实施例中，数据输入接口102还可以被配置为验证、清理和/或检测任何丢失的元数据并将其添加到传入数据，以确保接收到的数据是准确的并且以正确的格式传递给系统100中的任何后续组件。数据输入接口102可以被配置为在流数据变得可用时对其进行处理、以预设或可变时间间隔执行例程，或者被手动触发以处理传入数据。在实施例中，数据输入接口102还可以被配置为与系统100中先前传递的数据片段不再有效或已用较新的数据片段替换的下游组件通信。
在实施例中，诸如在图1和图2中所示的示例性实施例中，数据历史记录器107、预测引擎103、排程和调度引擎104和ESS控制系统105可以被配置为从数据输入接口102直接接收数据和数据流。在实施例中，可以以固定或可变频率或以来自组件的请求设置的频率将数据馈送发送到系统100的这些组件中的每个组件。
图3示出了图1的系统100中的预测引擎103的示例性实施例的示意图。在该示例性实施例中，预测引擎103被配置为从数据输入接口102接收最新的实况数据流，并且还向数据历史记录器107查询历史数据集。
预测引擎103可以使用各种可能的预测方法和算法。每种预测方法/算法可以用于基于输入数据来生成预测，并且还可以被配置为计算相关统计测量值，诸如预测置信度、预测不确定性度量等。在实施例中，预测引擎103可以被配置为单独地和/或组合地使用几种预测算法。图3示出了单独和/或组合地使用以下预测方法/算法的预测引擎103的一个这样的示例：第三方预测直通技术301、多个第三方预测聚合技术302、历史平均预测技术303、线性回归预测技术304、具有历史平均残差的线性回归预测技术305和神经网络预测技术306。
第三方预测直通技术301按原样使用从一个或多个外部源接收到的预测。
多个第三方预测聚合技术302收集从一个或多个外部源接收到的多个第三方预测，并将其聚合。该聚合可以通过加权平均、时间或条件变量加权平均、神经网络加权或其它合适的聚合方法来进行。
历史平均预测技术303在保持某些可变参数恒定的情况下，通过计算过去值的加权平均值来计算未来值。例如，历史平均预测技术303可以将未来负荷计算为相同类型日期(例如，工作日或假日)的相同小时期间的负荷的2周历史平均。在计算未来值期间保持恒定的可变参数可以包括时间范围、日期类型、温度范围、天气状况范围、日出后的时间范围和/或事件状况等。
线性回归预测技术304通过创建一个或多个输入参数或预测输入参数的单变量或多变量线性模型来计算未来值。例如，电网负荷可以是温度和其它天气状况的函数，并且可以通过基于那些天气状况的预测值计算线性模型来计算未来负荷。
具有历史平均残差预测的线性回归技术305至少部分地基于历史平均预测方法303和线性回归预测方法304的组合，因为它通过首先基于单变量或多变量线性模型对历史值进行标准化，然后利用历史平均方法来利用剩余信号相对于其它参数的周期性来计算未来值。然后，通过利用线性模型中使用的变量的预测，可以更准确地计算未来值。例如，可以创建作为温度函数的电网负荷数据的线性回归模型。当历史地应用时，该模型的残差可以是周期函数，历史平均预测可以应用于该周期函数以预测未来的残差。通过应用该线性回归模型，可以将历史电网负荷数据标准化为温度，并通过使用天小时和日期类型的温度标准化电网负荷的历史平均，用预测温度预测未来电网格负荷。
神经网络预测技术306通过采用输入变量的任何组合来计算未来值。由于预测问题是基于一组大型历史数据集的输入和输出两者的训练数据进行预测连续输出的监督的回归问题，因此在该方法中可以利用任何神经网络体系架构。该方法中使用的示例性神经网络体系架构可以包括但不限于前馈网络、递归网络、具有外部输入的递归网络、递归神经网络(RNN)，诸如长短期记忆(LSTM)网络、门控循环单元(GRU)、序列到序列学习等。例如，可以构建和训练递归神经网络，该递归神经网络将当前时间和15个先前的时间步长的电网负荷、温度、露点以及温度和露点的24小时预测作为输入。递归神经网络可以产生24小时的电网负荷的预测作为输出。
内部生成的预测中的一个或多个(例如，由第三方预测直通技术301、多个第三方预测聚合技术302、历史平均预测技术303、线性回归预测技术304、具有历史平均残差的线性回归预测技术305和/或神经网络预测技术306生成的)可以由预测聚合307使用平均、加权平均、时变加权平均、条件变量加权平均、神经网络或任何其它可能的聚合方法来聚合在一起，以提高最终预测准确性为目标。在实施例中，预测聚合307可以被配置为组合分别与聚合的预测相关联的预测不确定性，以便给出由预测引擎103生成的最终预测的准确性的最终估计。
然后，将由预测引擎103生成的预测和预测不确定性传递到排程和调度引擎104。也可以将预测和预测不确定性传递到数据历史记录器107以进行存储和分析。
图4示出了图1的系统100中的排程和调度引擎104的示例性实施例的示意图。在该示例性实施例中，对排程和调度引擎104的输入可以包括从预测引擎103提供的预测，以及从数据源101通过数据输入接口102提供的自从计算上一次的预测以来可能已经改变的任何相关实况数据。
排程和调度引擎104可以包括输入层420，该输入层420被配置为处理与从预测引擎103提供的预测相关联的预测不确定性。例如，输入层420可以包括各种技术/算法，诸如如图4中所示的单个预测直通技术401、蒙特卡洛场景生成技术402和机会约束的优化约束生成技术403。
单个预测直通技术401被配置为简单地将接收到的预测和预测不确定性传递给场景聚合器404(在下文中进一步描述)，而无需进一步的处理或计算。
蒙特卡洛场景生成技术402基于从预测引擎103接收的基本预测和预测不确定性来创建可配置数量的可能的未来场景。然后，将此大量的预测传递到场景聚合器404。
机会约束的优化约束生成技术403使用机会约束算法来创建随机系统约束(例如，充电状态或最大功率)，然后将该随机系统约束传递给场景聚合器404。例如，ESS调度可以是负荷与可再生能源发电之间的差异的函数。如果假设电负荷或可再生能源发电的预测可以达到90％的准确度，那么该假设意味着每个量的最佳预测可能会降低10％，而两者之间的差异的预测可能会降低20％。在该情况下，只能在+/-20％的窗口内来预测ESS的功率要求，并且必须分配适当的储备。在该示例中，机会约束算法可以用于严格计算统计上最佳的储备量。
排程和调度引擎104中的场景聚合器404可以采用由例如单个预测直通技术401、蒙特卡洛场景生成技术402和/或机会约束的优化约束生成技术403生成的一组或多组预测场景，并将其传递给优化块430。例如，场景聚合器404可以从单个预测直通技术401获取原始基本预测，并从蒙特卡罗场景生成器402获取蒙特卡罗场景的可配置子集，并将它们传递给优化块430。
优化块430可以使用许多不同的优化方法进行实际系统建模和优化。一些方法可能比其它方法更适合某些状况。例如，更简单的优化方法可能对预测不确定性更鲁棒，并且在存在高度不确定性的情况下可能执行得更好。另一方面，当将预测准确性估计为高时，更复杂的优化方法可能执行得更好。在实施例中，优化方法可以被配置为对ESS控制系统105的或多或少复杂版本(例如，参见图1)建模，以便利用可用的不同操作或功能模式。例如，如果ESS控制系统105仅能够进行简单的开环功率输出，那么排程和调度引擎104可能必须被配置为生成调度时间表(例如，在这种情况下，在特定时间步长处的功率输出或输入)，该调度时间表可以在给定了定时和准确性方面的该约束的情况下优化(例如，最小化)总体成本函数。另一方面，如果ESS控制系统105包括更先进的闭环操作模式，诸如削峰或调度时间表均衡模式(下面结合图5进一步讨论)，那么排程和调度引擎104可以能够通过设计调度时间表来取得更好的结果，该调度时间表规定了在各种时间步长处的电网负荷最大阈值(例如，ESS可能会根据需要通过放电尝试维持的目标最大净负荷)。这可以允许ESS非常有效地管理系统的输出功率。
例如，优化块430可以使用各种优化方法/算法来创建调度时间表，诸如固定规则排程器405、基于预测的规则排程器406、非线性多个规则优化排程器407、非线性经济优化排程器408和神经网络排程器409，如图4所示。固定规则排程器405不从接收到的预测场景中获取输入，并且基于固定的可配置参数创建调度时间表。例如，固定规则排程器405可以生成调度时间表，该调度时间表规定了下午3点至下午7点之间ESS的放电以及上午9点至下午1点之间ESS的充电。
基于预测的规则排程器406可以采用预测特征的有限子集，以便改进固定规则排程器405。例如，基于预测的规则排程器406可以使用预测的峰值小时来对放电窗口定时，以更准确地与峰值负荷对准。
非线性多个规则优化排程器407寻求最大化ESS资产所有者感兴趣的目标函数。例如，输电和配电电气公用事业公司感兴趣的目标函数可以是在一年中输电或配电节点处的最大电负荷。在此代表性应用中，ESS可以在给定ESS功率和能源容量的情况下最优地削减节点负荷。在实施例中，可以限制非线性多个规则优化排程器407违反已定义和可配置约束中的任何一个(例如，能量和功率限制，在该能量和功率限制内ESS资产可以根据制造商的规范安全地操作)。可以使用可能的预测场景集中的任何一个来执行此方法。在替代实施例中，非线性多个规则优化排程器407可以使用生成大量可能的调度时间表的多程蒙特卡洛场景生成技术402，或者使用随机约束来生成单个最佳调度时间表的单程机会约束的优化约束生成技术403。
非线性经济优化排程器408寻求最小化ESS资产所有者感兴趣的预定成本函数。例如，可再生能源电力生产商感兴趣的成本函数可以是所生成的能量与该能量所支付的市场价格的积分。在此代表性应用中，ESS可以将可再生能源从低价的时段及时移动到高价的时段。在实施例中，可以限制非线性经济优化排程器408违反已定义和可配置约束中的任何一个(例如，能量和功率限制，在该能量和功率限制内ESS资产可以根据制造商的规范安全地操作)。可以使用可能的预测场景集中的任何一个来执行此方法。在替代实施例中，非线性经济优化排程器408可以被配置为使用生成大量可能的调度时间表的多程蒙特卡洛场景生成技术402，或使用随机约束来生成单个最佳调度时间表的单程机会约束的优化约束生成技术403。
神经网络排程器409可以采用包括预测、预测不确定性和任何其它被认为有用的输入的可配置数量的输入，然后基于输入来生成调度时间表。例如，可以设计和训练神经网络以接受当前的预测、预测不确定性和系统状态(例如，ESS充电状态)，并输出接下来的24小时的最佳调度时间表。可以通过使用强化学习方法在历史数据上训练该神经网络，其目标是优化(例如，最小化)该特定示例性实施例所规定的成本函数。
可以通过时间表聚合410使用平均、加权平均、时变加权平均、条件变量加权平均、神经网络或任何其它可能的聚合方法，将在优化块430处内部生成的一个或多个调度时间表聚合在一起，以提高最终时间表最佳性为目标。然后将聚合的调度时间表转发到ESS调度411。
ESS调度411被配置为接收和存储当前调度时间表。在实施例中，ESS调度411还可以将具有正确定时信息的命令发送到一个或多个ESS控制系统105，以便正确地执行调度时间表。在命令多个ESS控制系统105的情况下，ESS调度411可以使用平均、加权平均或神经网络决策算法来确定到不同ESS控制系统的命令的分配。在实施例中，ESS调度411可以将命令发送到(一个或多个)ESS控制系统105和数据历史记录器107两者以进行性能分析和可视化。
图5示出了图1的系统100中的ESS控制系统105的示例性实施例的示意图。在该示例性实施例中，对ESS控制系统105的输入可以包括从排程和调度引擎104提供的输入调度时间表以及通过数据输入接口102从数据源101提供的实况数据馈送。
在实施例中，可以在ESS控制系统105中预编程一个或多个基于规则的模式。基于规则的模式各自基于配置的模式参数具有不同的行为。例如，“削峰模式”可以是闭环模式，其中ESS仅在需要时连续监视电网负荷并进行放电，以将该净负荷维持在称为“削峰阈值”的可配置参数以下。作为另一个示例，简单的“手动模式”可以是开环模式，其中ESS以参数“有功功率”和“无功功率”指定的功率水平进行充电或放电。
可以基于由ESS控制系统105执行的传入调度时间表，来选择不同的模式和不同的模式参数。在实施例中，可供ESS控制系统105选择的不同模式可以包括待机模式、手动模式、负载均衡模式、削峰模式、填谷模式、充电状态(SOC)维护模式和/或斜坡率管理模式等。在实施例中，可供ESS控制系统105选择的对应模式参数可以包括例如有功和无功功率、目标电网净有功功率、最大电网净有功功率、最小电网净有功功率、目标充电状态和/或最大电网净有功功率变化率等。
待机模式没有对应的模式参数。在该模式下，ESS不进行充电或放电。
手动模式的模式参数可以包括有功功率和无功功率。在手动模式下，ESS以有功功率和无功功率指示的功率水平来充电(或放电)。
负载均衡模式的模式参数可以包括目标负载。在负载均衡模式下，ESS监视净电网负荷并进行充电或放电，以便维持该值尽可能接近目标负载。
削峰模式的模式参数可以包括削峰阈值。在削峰模式中，ESS监视净电网负荷并根据需要进行放电，以便维持该值低于或等于削峰阈值。
填谷模式的模式参数可以包括填谷阈值。在填谷模式下，ESS监视净电网负荷并根据需要进行充电，以便维持该值大于或等于填谷阈值。
SOC维护模式的模式参数可以包括目标SOC和最大功率。在SOC维护模式下，ESS连续地监视当前能量存储的充电状态，并以小于或等于最大功率的功率水平进行充电或放电，以便尽可能保持接近目标SOC。
斜坡率管理模式的模式参数可以包括最大斜坡率。在斜坡率管理模式下，ESS连续地监视净电网负荷变化率(斜坡率)，并根据需要进行充电或放电，以便维持斜坡速率小于或等于最大斜坡率。
ESS控制系统105可以以开环或闭环配置执行传入调度时间表。在开环配置中，遵循调度时间表，而对其它反馈变量没有任何反应。反馈变量可以包括电网净负荷、电网净负荷变化率和/或当前ESS SOC等。在闭环配置中，当反馈变量例如以秒或亚秒的周期到达时，ESS控制系统105对它们作出反应。
在实施例中(图5中未示出)，其它闭环控制模式可能可供ESS控制系统105选择。这样的闭环控制模式可以包括导出限制模式、导出最大化模式、导出平滑模式、导入受限模式和/或电网支持模式等。
例如，在ESS与可变发电机(例如，太阳能发电机)配对，并且组合设施的功率输出受到与公用事业公司的协议或受到硬件功率限制的限制情况下，可以将ESS在导出限制模式下配置为仅在可变发电机的输出过高时才进行充电，从而将组合设施的净输出维持在最大值以下。
在另一个示例中，在ESS与可变发电机(例如，太阳能发电机)配对，并且组合设施的功率输出受到与公用事业公司的协议或受到硬件功率限制的限制情况下，可以将ESS在导出最大化模式下配置为仅在可变发电机的输出降至最大以下时才进行放电，从而维持组合设施的净输出尽可能接近最大。
在又一个示例中，在ESS与可变发电机(例如，太阳能发电机)配对，并且组合设施的功率输出受到与公用事业公司的协议或受到硬件功率限制的限制情况下，可以将ESS在导出平滑模式下配置为根据需要进行充电或放电，以便维持组合设施的净功率输出尽可能接近最大。
在又一个示例中，在ESS与可变发电机(例如，太阳能发电机)配对，并且要求ESS仅从源自该可变发电机而不是源自电网的能量进行充电的情况下，可以将ESS在导入受限模式下配置为监控该可变发电机的输出，并且仅以等于或小于可变发电机的瞬时功率输出的功率水平来充电。
在另一个示例中，如果变电站的净负荷必须保持在某个频带中(例如，总负荷的10％-80％)，那么可以将ESS在网支持模式下配置为自动充电或放电，以便人为地增加或减少变电站的净负荷，以免落在所需的频带之外。
响应于基于正在执行的调度时间表的模式和模式参数的选择，ESS控制系统105中的功率命令分发502可以将例如有功功率和无功功率命令发送到一个或多个ESS系统106(例如，逆变器、电池管理系统、电池等)。可以通过平均或加权平均方法在可用系统之间拆分由功率命令分发502所命令的总体有功功率和无功功率，并且可以寻求维持预定的目标，诸如跨所有命令的ESS系统维持均匀的充电状态。功率命令分发502可以利用任何合适的通信协议或数据格式，诸如MODBUS、DNP3、CAN、NMEA0183等。
可以将由ESS控制系统105生成的控制输出信号发送到(一个或多个)命令的ESS系统106中的每一个。来自ESS控制系统105的控制输出信号也可以被发送到数据历史记录器107以进行可视化和性能分析。
图1所示的用于为一个或多个ESS系统生成优化的调度时间表的系统100可以出于各种目的和目标以各种方式来实现和配置。图6是说明图1的系统100的示例性实施方式的示意图。
在该示例性实施例中，由数据源101提供给系统100的历史、实况数据和/或预测数据可以包括，例如，日前和实时市场的能源和辅助服务价格。数据源101中的历史、实况数据和/或预测数据还可以包括关于天气、电力需求和/或发电机可用性的信息等。
在该示例性实施例中，预测引擎103可以被配置为借助于例如神经网络将历史负荷、天气、发电机可用性和能源和辅助服务产品中的每一个的定价关联起来，并使用持续的天气预测和发电机可用性来解决负荷和价格预测以及预测不确定性。
对于期间执行成本优化功能(“滚动优化”)的每个时间段(其可以例如短至几分钟和长至几天)，预测引擎103可以被配置为计算几个市场价格，诸如每天每小时的日前市场价格和实时市场价格。在实施例中，日前市场价格是在实际交付的前一天中投入的为发电而支付的发电机价格。在实施例中，实时市场价格是为生成前一天未投入但实时需要的电力而支付发电机的价格。
在该示例性实施例中，排程和调度引擎104可以被配置为使用关于几个市场上几种产品的价格的未来预测以及对应的预测不确定性的信息，以持续地为ESS生成最佳调度时间表，如图7中进一步所描述的。
图7是图6的系统100中的排程和调度引擎104的示例性实现的示意图。在该示例性实施例中，排程和调度引擎104使用蒙特卡洛场景生成技术402来针对能量和辅助服务价格中的每一个以及日前和实时市场中的每一个产生在滚动优化期间延续的一个或多个可能的预测场景。
在从蒙特卡罗场景产生器402接收到预测场景后，场景聚合器404可以向下选择(down-select)能源和辅助服务价格中的每一个的一些场景。向下选择可以通过选择能源和辅助服务价格场景来发生，例如，这些场景彼此更相似、彼此更不同或者跨场景的总体随机分布。场景聚合器404还可以被配置为对价格场景中的每一个进行下采样以便考虑较少数量的代表性场景，并从而减少数据点的数量以及非常复杂的问题的维度，否则将需要昂贵的计算资源。
在该示例性实施例中，非线性经济优化排程器408可以用于考虑平均预测的日前和实时价格以及对应的不确定性，以在日前和实时市场中最佳地分配能量存储功率和能量资源的部分。例如，在日前市场中投入的能量存储资源可以与日前价格与实时价格的比率成正比，而与日前价格与实时不确定性的比率成反比。在实施例中，非线性经济优化排程器408还可以被配置为最佳地分配在日前和实时市场中的每一个中的资源，以便最大化针对该市场中可用的所有能源和辅助服务产品加权的价值函数(参见下面的示例)。例如，如果能源套利价值远远高于辅助服务价格的价值，那么日前市场中已排程的能量存储资源大部分可以分配给能源。价值函数的优化可以通过例如受能量存储资源约束的线性或非线性编程来实现。在实施例中，非线性经济优化排程器408可以被配置为跨能源和辅助服务的向下选择的和向下采样的蒙特卡洛价格场景的所有可能的组合执行这样的优化，使得几个蒙特卡洛生成的调度时间表为每个市场中的每个产品而产生。
在该示例性实施例中，调度聚合器410可以将每个市场中的每个产品的几个蒙特卡洛调度时间表平均为每个市场中每个产品的单个统计最佳调度时间表，这可以由ESS调度411来接收和存储。ESS调度411继而可以将用于执行最佳调度时间表的命令发送到(一个或多个)ESS控制系统105，并且还发送到数据库中历史记录器107以进行性能分析和可视化。
图8是根据本发明的示例性实施例的图1的系统的另一个示例性实现的示意图。该示例性实现涉及太阳能和存储应用。
在该示例性实施例中，诸如净负荷、太阳能发电、温度、温度预测之类的多种数据源101可以对数据输入接口102可用并由其读取。数据输入接口102可以被配置为在数据到达数据历史记录器107时，将其传递以进行存储和以后的检索，并且将最新数据传递给预测引擎103。
预测引擎103可以被配置为从数据输入接口102接收新数据，然后根据预测算法的需要向数据历史记录器107查询历史数据集(例如，净负荷、太阳能发电、温度等)。预测引擎103处理传入数据和历史数据，以产生用于例如排程和调度引擎104的净负荷和/或太阳能发电量的预测。
排程和调度引擎104可以从预测引擎103接收预测，并向数据历史记录器107查询最后已知的系统约束(例如，电池可用容量)。排程和调度引擎104处理预测和系统约束以生成调度时间表，围绕特定目标进行优化(例如，最小化峰值净负荷)，并且可以在内部以及在数据历史记录器107两者中存储调度时间表。然后，排程和调度引擎104可以根据调度时间表和时间规定，将适当的命令传递给ESS控制系统105以供执行。这些命令可以包括操作模式和操作模式参数。
在从排程和调度引擎104接收到命令后，ESS控制系统105可以将必要的ESS系统参数106(诸如有功功率、无功功率等)传达给低级控制器，以便执行调度时间表。
图9是根据本发明示例性实施例的在图8的系统100中用于太阳能和存储应用的预测引擎103的示例性实现的示意图。预测引擎103可以被配置为从数据输入接口102接收实况数据更新，并且从数据历史记录器107接收包括最近历史数据集(例如，从最近几个小时或几天开始)的必要追踪历史。在该示例性实施例中，预测引擎103可以同时并行运行两个预测算法，用于例如具有历史平均残差的线性回归预测305和神经网络预测306以创建两个预测。
具有历史平均残差的线性回归预测技术305创建线性回归模型，并将其与基于例如小时和天的类型的历史平均残留误差预测组合。通过利用第三方温度预测，该模型可以预测负荷。历史平均预测可以用于预测太阳能发电。这些负荷和太阳能发电预测可以被组合以生成净负荷预测。
神经网络预测306可以被配置为基于最近的历史数据集利用经训练的RNN来计算未来负荷。该神经网络可以离线地在适当的历史数据集上进行训练。例如，RNN体系架构使用要预测的参数的追踪历史(例如，负荷的最后6个小时)作为输入，并使用其来预测下一个时间步长。该算法中也可以使用其它参数，诸如最近6小时的温度和当前的预测温度。
预测聚合307可以被配置为接收由具有历史平均残差的线性回归预测技术305和神经网络预测技术306生成的两个净负荷预测。取决于每个预测中的历史上预期的不确定性，预测聚合307可以被配置为选择预测中的一个或对预测求平均，并且将结果的预测传递给排程和调度引擎104和数据历史记录器107。在实施例中，预测聚合307可以使用各种因素，诸如一天中的时间、一周中的天、季节、可用历史数据集的尺寸和/或自我报告的预测置信度/不确定性等，以确定使用哪个预测或哪个加权平均预测。
图10是图8的系统100中用于太阳能和存储应用的排程和调度引擎104的示例性实现的示意图。在该示例性实施例中，排程和调度引擎104可以被配置为从预测引擎103接收净负荷预测和预测不确定性以及从数据输入接口102接收当前系统约束。基于这些输入，可以使用蒙特卡洛场景生成技术402基于预测不确定性在当前预测上生成预定数量的排列。
场景聚合器404可以被配置为基于例如系统配置、可用的计算时间和资源和/或所报告的预测不确定性等来选择那些蒙特卡洛预测场景中的子集。
非线性多个规则优化排程器407在生成的蒙特卡洛预测场景中的每个场景上执行以寻求在满足所需约束(例如，电池的充电状态、系统电力等)的同时优化目标(例如，最小化ESS操作后的峰值净负荷)的ESS调度时间表。以这种方式，非线性多个规则优化排程器407为蒙特卡洛预测场景中的每个场景生成最佳调度时间表，并将它们传递给时间表聚合410。时间表聚合410可以对接收到的调度时间表求平均(例如，通过平均、加权平均、时变加权平均、条件变量加权平均、神经网络等)以创建最终的调度时间表。
ESS调度411从时间表聚合410接收并存储最终调度时间表。ESS调度411可以将最终调度时间表保存到数据历史记录器107，并在适当的时间将基于最终调度时间表的命令发送到ESS控制系统105。
图11是根据本发明的示例性实施例的图1的系统100的另一个示例性实现的示意图。该示例性实施例可以针对用于独立ESS系统运营商的需求充电减少应用来实现。
在该示例性实施例中，可以使多种数据源101可用于数据输入接口102并由其读取。可能的数据源101可能包括历史和预测的天气、独立系统运营商的ESS系统信息和/或其它变量，诸如历史负荷和电价。变量可能取决于独立系统运营商及其提供的数据。数据输入接口102可以被配置为收集与预测和调度时间表的生成相关的所有数据。然后，数据输入接口102将这些数据馈送路由到系统100中可能需要它们的各个块。
预测引擎103可以分别从数据输入接口102和数据历史记录器107收集新数据和历史数据。预测引擎103可以被配置为使用此数据来估计，例如，在接下来的24小时中的每一小时中系统峰值发生的概率。在实施例中，预测引擎103可以被配置为一旦新的相关数据可用就生成新的预测。
在该示例性实施例中，排程和调度引擎104可以采用由预测引擎103生成的预测，并通过多种方法，诸如上面结合图4和图7所描述的那些方法，确定被配置为例如在峰值小时最小化客户负荷的最佳调度时间表。然后将该调度时间表作为命令发送到ESS控制系统105以执行。在实施例中，排程和调度引擎104可以被配置为一旦有新的相关数据可用就生成新的调度时间表。
ESS控制系统105从排程和调度引擎104接收命令。基于接收到的命令、组合来自数据输入接口102的实况数据馈送，ESS控制系统105可以确定ESS系统参数106，诸如有功功率、无功功率等，这些ESS系统参数106确定了ESS控制系统105可以执行的动作，诸如从可以直接或间接连接到的电网或微电网输入或提取电力。在实施例中，ESS控制系统105可以将ESS系统参数106发送到电池系统(例如，逆变器、电池管理控制器等)，以便命令正从电网或微电网输入或提取多少有功功率和无功功率。
数据历史记录器107可以被配置为收集、存储和管理传递给它的所有数据。另外，数据历史记录器107还可以被配置为针对所存储和记录的每条信息记录时间和任何其它相关的元数据。在实施例中，数据历史记录器107可以被配置为将历史数据集提供给系统100中的各个块，诸如预测引擎103以及用户可视化和控制界面108。
用户可视化和控制界面108可以被配置为允许操作人员监视整个系统100的当前和历史性能以及状态。例如，用户可视化和控制界面108可以至少部分地经由基于网络的工具来实现，该工具可以轻松访问精心设计的数据集以及更普遍地访问存储在数据历史记录器107中的任何值。用户可视化和控制界面108还可以被配置为将手动控制发送到系统100中的块中的任何一个，以便控制诸如执行定时、决策覆盖等行为。
图12是根据本发明的示例性实施例的在图11的系统中用于按需供电减少应用的预测引擎103以及排程和调度引擎104的示例性实现的示意图。在该示例性实施例中，预测引擎103可以从数据输入接口102接收实况数据更新101，以及从数据历史记录器107接收包括最近历史数据集(例如，电网负荷的最后6小时)的必要追踪历史。预测引擎103可以基于输入数据使用神经网络预测技术306来确定例如在接下来的24小时中的每小时是系统峰值小时的概率。该系统峰值小时预测被传递到排程和调度引擎104。
在该示例性实施例中，排程和调度引擎104可以使用单个预测直通技术401来将接收到的预测传递给基于预测的规则排程器406，而无需进一步处理该预测并且无需通过场景聚合器404传递该预测。基于预测的规则排程器406可以被配置为基于接收到的预测和ESS的状态来生成最佳调度时间表，其目标例如是在峰值小时最大化ESS输出。然后将生成的调度时间表传递到ESS调度411，该ESS调度411确定系统调度并将其传递到ESS控制系统105上。在实施例中，由预测引擎103产生的预测以及由排程和调度引擎104生成的调度时间表也可以被发送到数据历史记录器107，以例如通知未来的预测并且在用户可视化和控制界面108(图12中未示出)中进行使用。
本文描述的主题可以以数字电子电路或计算机软件、固件或硬件来实现，包括在本说明书中公开的结构装置及其结构等同物，或以它们的组合。本文描述的主题可以被实现为一种或多种计算机程序产品，诸如有形地实施在非暂态信息载体中(例如，在机器可读存储设备中)或实施在传播信号中的一种或多种计算机程序产品，用于由数据处理装置(例如，可编程处理器、计算机、多个计算机等)执行或控制数据处理装置的操作。本文描述的主题可以在一个或多个本地、云和/或混合服务器和/或一个或多个本地、云和/或混合数据存储库中来实现。计算机程序(也称为程序、软件、软件应用或代码)可以以任何形式的编程语言来编写，编程语言包括编译或解释语言，并且它可以以任何形式来部署，包括作为独立的程序或作为模块、组件、子例程或其它适用于计算环境的单元。计算机程序不一定与文件对应。程序可以存储在包含其它程序或数据的文件的一部分中，存储在专用于所讨论程序的单个文件中或存储在多个协调文件中(例如，存储一个或多个模块、子程序或部分代码的文件)。可以将计算机程序部署为在一个站点上的一个计算机或多个计算机或跨多个站点分布并通过通信网络互连的多个计算机上执行。
本说明书中描述的处理和逻辑流程，包括本文描述主题的方法步骤，可以由执行一个或多个计算机程序以通过对输入数据进行操作并生成输出来执行本文描述主题的功能的一个或多个可编程处理器来执行。处理和逻辑流程还可以由专用逻辑电路执行，并且可以将本文描述的主题的装置实现为专用逻辑电路，例如，FPGA(现场可编程门阵列)或ASIC(专用集成电路)等。
例如，适合于执行计算机程序的处理器包括通用和专用微处理器，以及任何种类的数字计算机的任何一个或多个处理器。一般而言，处理器将从只读存储器或随机存取存储器或两者接收指令和数据。计算机的基本元件是用于执行指令的处理器和用于存储指令和数据的一个或多个存储设备。一般而言，计算机还将包括用于存储数据的一个或多个大容量存储设备，例如，磁盘、磁光盘或光盘，或者可操作地耦合以从一个或多个大容量存储设备接收数据，或者将数据传送到一个或多个大容量存储设备，或者两者。适合于实施计算机程序指令和数据的信息载体包括所有形式的非易失性存储器，例如包括半导体存储设备(例如，可擦可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)和闪存设备)；磁盘(例如，内部硬盘或可移动磁盘)；磁光盘；以及光盘(例如，紧凑碟(CD)和数字多功能光碟(DVD))。处理器和存储器可以由专用逻辑电路补充或并入专用逻辑电路中。
为了提供与用户的交互，本文描述的主题可以在具有显示设备的计算机上实现，该显示设备例如是CRT(阴极射线管)或LCD(液晶显示器)监视器，用于向用户显示信息以及键盘和指示设备(例如，鼠标或轨迹球)或触摸屏，用户可以通过这些设备向计算机提供输入。也可以使用其它类型的设备(例如，智能电话、平板电脑等)来提供与用户的交互。例如，提供给用户的反馈可以是任何形式的感觉反馈(例如，视觉反馈、听觉反馈或触觉反馈得报等)，并且可以以任何形式接收来自用户的输入，包括声学、语音或触觉输入。
本文描述的主题可以在包括后端组件(例如，数据服务器)、中间件组件(例如，应用服务器)、或前端组件(例如，具有图形用户界面或网络浏览器的客户端计算机，用户可通过该客户端计算机与本文描述主题的实现进行交互)或这样的后端组件、中间件组件和前端组件的任何组合的计算系统中实现。系统的组件可以通过数字数据通信的任何形式或介质(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)和广域网(“WAN”)，例如互联网。
前面已经对本发明的说明性实施例进行了详细描述。在不脱离本发明的精神和范围的情况下，可以进行各种修改和添加。上面所描述的各种实施例中的每一个可以与其它描述的实施例组合以提供多个特征。此外，虽然上文描述了本发明的方法和工具的许多单独的实施例，但是本文中已经描述的仅是本发明原理的应用的说明。例如，本文所描述的组件的外观、特征、输入和输出以及数学算法可以改变以适合特定的应用。因此，该描述仅是示例性的，并不以其它方式限制本发明的范围。
就某些功能或组件分别“可以”或“可能”执行或包括的程度而言，所标识的功能或组件并不一定在所有实施例中都是必需的，并且可以从本发明的某些实施例中省略。
在前述描述涉及“发明”或“本发明”的程度上，本公开可以包括不止一项发明。

Claims (54)

1.一种用于控制一个或多个能量存储系统的操作的方法，所述方法包括以下步骤：
a在包括至少一个计算机的计算机系统处，从一个或多个数据源接收与所述一个或多个能量存储系统的操作相关的实况数据、历史数据或预测数据；
b由所述计算机系统基于接收到的实况数据、历史数据或预测数据，使用一种或多种预测技术来计算与所述一个或多个能量存储系统的操作相关的一个或多个参数的一个或多个预测以及相关联的预测不确定性；
c由所述计算机系统基于所述一个或多个预测来确定用于所述一个或多个能量存储系统的操作的最佳调度时间表，其中确定最佳调度时间表包括：
i由所述计算机系统使用单个预测直通技术、蒙特卡洛场景生成技术和机会约束的优化约束生成技术中的至少一种来生成多个预测场景；
ii由所述计算机系统从生成的多个预测场景中选择预测场景的子组以进行优化；
iii由所述计算机系统通过将一种或多种优化技术应用于所选择的多个预测场景来生成多个调度时间表，其中，所述一种或多种优化技术包括固定规则排程器、基于预测的规则排程器、非线性多个规则优化排程器、非线性经济优化排程器和神经网络排程器中的至少一种；以及
iv由所述计算机系统使用平均、加权平均、时变加权平均、条件变量加权平均或神经网络来聚合所述多个调度时间表，以产生最佳调度时间表；
d由所述计算机系统使用最佳调度时间表来确定一个或多个能量存储系统参数；以及
e由所述计算机系统将所述一个或多个能量存储系统参数发送到所述一个或多个能量存储系统，以控制所述一个或多个能量存储系统的操作。
2.如权利要求1所述的方法，其中，所述一种或多种预测技术包括第三方预测直通技术、多个第三方预测聚合技术、历史平均预测技术、线性回归预测技术、具有历史平均残差的线性回归预测技术和神经网络预测技术中的至少一种。
3.如权利要求1所述的方法，其中，计算一个或多个预测的步骤b包括由所述计算机系统使用平均、加权平均、时变加权平均、条件变量加权平均或神经网络来聚合计算出的一个或多个预测。
4.如权利要求1所述的方法，其中所述一个或多个能量存储系统参数包括有功功率或无功功率。
5.如权利要求1所述的方法，其中，使用最佳调度时间表的步骤d包括由所述计算机系统基于最佳调度时间表和从所述一个或多个数据源接收到的实况数据来选择一个或多个模式以及一个或多个模式参数，其中，所述模式包括待机模式、手动模式、负载均衡模式、削峰模式、填谷模式、充电状态SOC维护模式和斜坡率管理模式中的至少一个，并且所述模式参数包括有功功率和无功功率、目标电网净有功功率、最大电网净有功功率、最小电网净有功功率、目标充电状态和最大电网净有功功率变化率中的至少一个。
6.如权利要求1所述的方法，其中：
步骤a中的实况数据、历史数据或预测数据包括与实时市场的能源价格、日前市场的能源价格、实时市场的辅助服务价格、日前市场的辅助服务价格、天气、电力需求和发电机可用性相关的实况数据、历史数据或第三方预测数据。
7.如权利要求1所述的方法，其中：
步骤a中的实况数据、历史数据或预测数据包括与净变电站负荷、太阳能发电和温度相关的实况数据、历史数据或第三方预测数据。
8.如权利要求1所述的方法，其中：
所述一个或多个能量存储系统包括电池系统，所述电池系统包括一个或多个逆变器和一个或多个电池管理控制器。
9.如权利要求1所述的方法，其中，步骤b中的所述一个或多个参数包括电网净负荷、可再生能源发电、不可再生能源发电、市场定价和客户负荷中的至少一个。
10.如权利要求1所述的方法，其中，计算一个或多个预测的步骤b包括由所述计算机系统在一旦有新的相关数据可用时，就以固定的时间表或根据需要手动控制的基础来生成新的预测。
11.如权利要求1所述的方法，其中，实况数据包括与天气状况、发电、第三方预测、电网负荷状况、能量存储状况、市场状况以及公用事业/独立系统运营商ISO信号中的至少一个相关的数据。
12.如权利要求1所述的方法，其中，历史数据包括与天气状况、发电、第三方预测、电网负荷状况、能量存储状况、市场状况以及公用事业/独立系统运营商ISO信号中的至少一个相关的数据。
13.如权利要求1所述的方法，其中，确定最佳调度时间表的步骤c包括由计算机系统在一旦有新的相关数据可用时，就以固定的时间表或根据需要手动控制的基础来生成新的最佳调度时间表。
14.一种用于控制一个或多个能量存储系统的操作的计算机系统，所述计算机系统包括：
一个或多个处理器；以及
一个或多个存储器，可操作地连接到所述一个或多个处理器并且在其上存储有指令，所述指令可由所述一个或多个处理器执行，以使所述计算机系统执行以下步骤：
a在所述计算机系统处从一个或多个数据源接收与所述一个或多个能量存储系统的操作相关的实况数据、历史数据或预测数据；
b由所述计算机系统基于接收到的实况数据、历史数据或预测数据，使用一种或多种预测技术来计算与所述一个或多个能量存储系统的操作相关的一个或多个参数的一个或多个预测以及相关联的预测不确定性；
c由所述计算机系统基于所述一个或多个预测来确定用于所述一个或多个能量存储系统的操作的最佳调度时间表，其中确定最佳调度时间表包括：
i由所述计算机系统使用单个预测直通技术、蒙特卡洛场景生成技术和机会约束的优化约束生成技术中的至少一种来生成多个预测场景；
ii由所述计算机系统从生成的多个预测场景中选择预测场景的子组以进行优化；
iii由所述计算机系统通过将一种或多种优化技术应用于所选择的多个预测场景来生成多个调度时间表，其中，所述一种或多种优化技术包括固定规则排程器、基于预测的规则排程器、非线性多个规则优化排程器、非线性经济优化排程器和神经网络排程器中的至少一种；以及
iv由所述计算机系统使用平均、加权平均、时变加权平均、条件变量加权平均或神经网络来聚合所述多个调度时间表，以产生最佳调度时间表；
d由所述计算机系统使用最佳调度时间表来确定一个或多个能量存储系统参数；以及
e由所述计算机系统将所述一个或多个能量存储系统参数发送到所述一个或多个能量存储系统，以控制所述一个或多个能量存储系统的操作。
15.如权利要求14所述的计算机系统，还包括数据历史记录器，所述数据历史记录器包括可操作地连接到所述一个或多个处理器和所述一个或多个存储器中的至少一个的一个或多个数据存储库，其中所述一个或多个数据存储库被配置为收集并存储由所述计算机系统接收到和生成的数据。
16.如权利要求14所述的计算机系统，其中，所述一种或多种预测技术包括第三方预测直通技术、多个第三方预测聚合技术、历史平均预测技术、线性回归预测技术、具有历史平均残差的线性回归预测技术和神经网络预测技术中的至少一种。
17.如权利要求14所述的计算机系统，其中，计算一个或多个预测的步骤b包括由所述计算机系统使用平均、加权平均、时变加权平均、条件变量加权平均或神经网络来聚合计算出的一个或多个预测。
18.如权利要求14所述的计算机系统，其中所述一个或多个能量存储系统参数包括有功功率或无功功率。
19.如权利要求14所述的计算机系统，其中，使用最佳调度时间表的步骤d包括由所述计算机系统基于最佳调度时间表和从所述一个或多个数据源接收到的实况数据来选择一个或多个模式以及一个或多个模式参数，其中，所述模式包括待机模式、手动模式、负载均衡模式、削峰模式、填谷模式、充电状态SOC维护模式和斜坡率管理模式中的至少一个，并且所述模式参数包括有功功率和无功功率、目标电网净有功功率、最大电网净有功功率、最小电网净有功功率、目标充电状态和最大电网净有功功率变化率中的至少一个。
20.如权利要求14所述的计算机系统，其中：
步骤a中的实况数据、历史数据或预测数据包括与实时市场的能源价格、日前市场的能源价格、实时市场的辅助服务价格、日前市场的辅助服务价格、天气、电力需求和发电机可用性相关的实况数据、历史数据或第三方预测数据。
21.如权利要求14所述的计算机系统，其中：
步骤a中的实况数据、历史数据或预测数据包括与净变电站负荷、太阳能发电和温度相关的实况数据、历史数据或第三方预测数据。
22.如权利要求14所述的计算机系统，其中：
所述一个或多个能量存储系统包括电池系统，所述电池系统包括一个或多个逆变器和一个或多个电池管理控制器。
23.如权利要求14所述的计算机系统，其中，步骤b中的所述一个或多个参数包括电网净负荷、可再生能源发电、不可再生能源发电、市场定价和客户负荷中的至少一个。
24.如权利要求14所述的计算机系统，其中，计算一个或多个预测的步骤b包括由所述计算机系统在一旦有新的相关数据可用时，就以固定的时间表或根据需要手动控制的基础来生成新的预测。
25.如权利要求14所述的计算机系统，其中，实况数据包括与天气状况、发电、第三方预测、电网负荷状况、能量存储状况、市场状况以及公用事业/独立系统运营商ISO信号中的至少一个相关的数据。
26.如权利要求14所述的计算机系统，其中，历史数据包括与天气状况、发电、第三方预测、电网负荷状况、能量存储状况、市场状况以及公用事业/独立系统运营商ISO信号中的至少一个相关的数据。
27.如权利要求14所述的计算机系统，其中，确定最佳调度时间表的步骤c包括由所述计算机系统在一旦有新的相关数据可用时，就以固定的时间表或根据需要手动控制的基础来生成新的最佳调度时间表。
28.如权利要求14所述的计算机系统，还包括可操作地连接到所述一个或多个处理器和所述一个或多个存储器中的至少一个的数据输入接口，其中所述数据输入接口被配置为从所述一个或多个数据源接收实况数据、历史数据或预测数据。
29.如权利要求28所述的计算机系统，其中，所述数据输入接口被配置为检测与接收到的实况数据、历史数据或预测数据相关联的丢失的元数据，并将丢失的元数据添加到接收到的实况数据、历史数据或预测数据。
30.如权利要求14所述的计算机系统，还包括可操作地连接到所述一个或多个处理器和所述一个或多个存储器中的至少一个的用户可视化和控制界面。
31.如权利要求30所述的计算机系统，其中，所述用户可视化和控制界面包括显示在显示设备上的基于网络的图形用户界面。
32.一种非暂态计算机可读介质，其上存储有被配置为由包括至少一个计算机的计算机系统执行的程序代码，其中，所述程序代码在由所述计算机系统执行时，使所述计算机系统执行用于控制一个或多个能量存储系统的操作的方法，所述方法包括以下步骤：
a在所述计算机系统处从一个或多个数据源接收与所述一个或多个能量存储系统的操作相关的实况数据、历史数据或预测数据；
b由所述计算机系统基于接收到的实况数据、历史数据或预测数据，使用一种或多种预测技术来计算与所述一个或多个能量存储系统的操作相关的一个或多个参数的一个或多个预测以及相关联的预测不确定性；
c由所述计算机系统基于所述一个或多个预测来确定用于所述一个或多个能量存储系统的操作的最佳调度时间表，其中确定最佳调度时间表包括：
i由所述计算机系统使用单个预测直通技术、蒙特卡洛场景生成技术和机会约束的优化约束生成技术中的至少一种来生成多个预测场景；
ii由所述计算机系统从生成的多个预测场景中选择预测场景的子组以进行优化；
iii由所述计算机系统通过将一种或多种优化技术应用于所选择的多个预测场景来生成多个调度时间表，其中，所述一种或多种优化技术包括固定规则排程器、基于预测的规则排程器、非线性多个规则优化排程器、非线性经济优化排程器和神经网络排程器中的至少一种；以及
iv由所述计算机系统使用平均、加权平均、时变加权平均、条件变量加权平均或神经网络来聚合所述多个调度时间表，以产生最佳调度时间表；
d由所述计算机系统使用最佳调度时间表来确定一个或多个能量存储系统参数；以及
e由所述计算机系统将所述一个或多个能量存储系统参数发送到所述一个或多个能量存储系统，以控制所述一个或多个能量存储系统的操作。
33.如权利要求32所述的计算机可读介质，其中所述一个或多个能量存储系统参数包括有功功率或无功功率。
34.如权利要求32所述的计算机可读介质，其中确定最佳调度时间表的步骤c包括一旦有新的相关数据可用时，就以固定的时间表或根据需要手动控制的基础来生成新的最佳调度时间表。
35.如权利要求32所述的计算机可读介质，其中，所述一种或多种预测技术包括第三方预测直通技术、多个第三方预测聚合技术、历史平均预测技术、线性回归预测技术、具有历史平均残差的线性回归预测技术和神经网络预测技术中的至少一种。
36.如权利要求32所述的计算机可读介质，其中，计算一个或多个预测的步骤b包括由所述计算机系统使用平均、加权平均、时变加权平均、条件变量加权平均或神经网络来聚合计算出的一个或多个预测。
37.如权利要求32所述的计算机可读介质，其中生成一个或多个预测场景包括使用单个预测直通技术、蒙特卡洛场景生成技术和机会约束的优化约束生成技术中的至少一种。
38.如权利要求32所述的计算机可读介质，其中，使用最佳调度时间表的步骤d包括由所述计算机系统基于最佳调度时间表和从所述一个或多个数据源接收到的实况数据来选择一个或多个模式以及一个或多个模式参数，其中，所述一个或多个模式包括待机模式、手动模式、负载均衡模式、削峰模式、填谷模式、充电状态SOC维护模式和斜坡率管理模式中的至少一个，并且所述一个或多个模式参数包括有功功率和无功功率、目标电网净有功功率、最大电网净有功功率、最小电网净有功功率、目标充电状态和最大电网净有功功率变化率中的至少一个。
39.如权利要求32所述的计算机可读介质，其中：
步骤a中的实况数据、历史数据或预测数据包括与实时市场的能源价格、日前市场的能源价格、实时市场的辅助服务价格、日前市场的辅助服务价格、天气、电力需求和发电机可用性相关的实况数据、历史数据或第三方预测数据。
40.如权利要求32所述的计算机可读介质，其中：
步骤a中的实况数据、历史数据或预测数据包括与净变电站负荷、太阳能发电和温度相关的实况数据、历史数据或第三方预测数据。
41.如权利要求32所述的计算机可读介质，其中：
所述一个或多个能量存储系统包括电池系统，所述电池系统包括一个或多个逆变器和一个或多个电池管理控制器。
42.如权利要求32所述的计算机可读介质，其中，步骤b中的所述一个或多个参数包括电网净负荷、可再生能源发电、不可再生能源发电、市场定价和客户负荷中的至少一个。
43.如权利要求32所述的计算机可读介质，其中，计算一个或多个预测的步骤b包括由所述计算机系统在一旦有新的相关数据可用时，就以固定的时间表或根据需要手动控制的基础来生成新的预测。
44.如权利要求32所述的计算机可读介质，其中，接收到的实况数据包括与天气状况、发电、第三方预测、电网负荷状况、能量存储状况、市场状况以及公用事业/独立系统运营商ISO信号中的至少一个相关的数据。
45.如权利要求32所述的计算机可读介质，其中，接收到的历史数据包括与天气状况、发电、第三方预测、电网负荷状况、能量存储状况、市场状况以及公用事业/独立系统运营商ISO信号中的至少一个相关的数据。
46.一种用于控制一个或多个能量存储系统的操作的方法，所述方法包括以下步骤：
a在包括至少一个计算机的计算机系统处，从一个或多个数据源接收与所述一个或多个能量存储系统的操作相关的实况数据、历史数据或预测数据，所述实况数据、历史数据或预测数据包括与实时市场的能源价格、日前市场的能源价格、实时市场的辅助服务价格、日前市场的辅助服务价格、天气、电力需求和发电机可用性相关的实况数据、历史数据或第三方预测数据；
b由所述计算机系统基于接收到的实况数据、历史数据或预测数据，使用一种或多种预测技术来计算与所述一个或多个能量存储系统的操作相关的一个或多个参数的一个或多个预测以及相关联的预测不确定性，所述一种或多种预测技术包括神经网络预测技术；
c由所述计算机系统基于所述一个或多个预测来确定用于所述一个或多个能量存储系统的操作的最佳调度时间表，其中确定最佳调度时间表包括：
i由所述计算机系统使用蒙特卡洛场景生成技术生成用于实时市场的能源价格、日前市场的能源价格、实时市场的辅助服务价格、日前市场的辅助服务价格的多个预测场景；
ii由所述计算机系统选择彼此更相似、彼此更不同或跨所生成的多个预测场景随机分布的预测场景的子组；
iii由所述计算机系统通过将非线性经济优化排程器应用于所选择多个预测场景来生成多个调度时间表；以及
iii由所述计算机系统对所生成的多个调度时间表求平均，以产生最佳调度时间表；
d由所述计算机系统使用最佳调度时间表来确定一个或多个能量存储系统参数；以及
e由所述计算机系统将所述一个或多个能量存储系统参数发送到所述一个或多个能量存储系统，以控制所述一个或多个能量存储系统的操作。
47.一种用于控制一个或多个能量存储系统的操作的方法，所述方法包括以下步骤：
a在包括至少一个计算机的计算机系统处，从一个或多个数据源接收与所述一个或多个能量存储系统的操作相关的实况数据、历史数据或预测数据，实况数据、历史数据或预测数据包括与净变电站负荷、太阳能发电和温度相关的实况数据、历史数据或第三方预测数据；
b由所述计算机系统基于接收到的实况数据、历史数据或预测数据，使用一种或多种预测技术来计算与所述一个或多个能量存储系统的操作相关的一个或多个参数的一个或多个预测以及相关联的预测不确定性，其中计算所述一个或多个预测包括：
由所述计算机系统通过同时使用具有历史平均残差的线性回归预测技术和神经网络预测技术来创建用于净变电站负荷的至少两个预测，以及
由所述计算机系统通过基于与所述至少两个预测中的每一个相关联的历史预期的不确定性选择所述至少两个预测中的一个或对所述至少两个预测求平均来产生用于净变电站负荷的预测；
c由所述计算机系统基于所述一个或多个预测来确定用于所述一个或多个能量存储系统的操作的最佳调度时间表，其中确定最佳调度时间表包括：
i由所述计算机系统使用蒙特卡洛场景生成技术来生成用于净变电站负荷的预定数量的多个预测场景；
ii由所述计算机系统基于系统配置、可用的计算时间和资源或所报告的预测不确定性来选择所生成的预定数量的多个预测场景的子集；
iii由所述计算机系统通过使用非线性多个规则优化排程器来为所生成的预定数量的预测场景的所选择的子集的每个场景生成调度时间表，以最小化在所述一个或多个能量存储系统的操作之后的峰值净变电站负荷；以及
iv由所述计算机系统对所生成的预定数量的多个预测场景的所选择的子集的每个场景的所生成的调度时间表求平均，以产生最佳调度时间表；
d由所述计算机系统使用最佳调度时间表来确定一个或多个能量存储系统参数；以及
e由所述计算机系统将所述一个或多个能量存储系统参数发送到所述一个或多个能量存储系统，以控制所述一个或多个能量存储系统的操作。
48.一种用于控制一个或多个能量存储系统的操作的方法，所述一个或多个能量存储系统包括电池系统，所述电池系统具有一个或多个逆变器和一个或多个电池管理控制器，所述方法包括以下步骤：
a在包括至少一个计算机的计算机系统处，从一个或多个数据源接收与所述一个或多个能量存储系统的操作相关的实况数据、历史数据或预测数据，实况数据、历史数据或预测数据包括与天气和负荷相关的实况数据、历史数据或第三方预测数据；
b由所述计算机系统基于接收到的实况数据、历史数据或预测数据，使用一种或多种预测技术来计算与所述一个或多个能量存储系统的操作相关的一个或多个参数的一个或多个预测以及相关联的预测不确定性，其中计算所述一个或多个预测包括由所述计算机系统通过基于接收到的与天气和负荷相关的实况数据、历史数据或第三方预测数据，使用神经网络预测技术计算在接下来的二十四小时的每个小时中出现系统峰值的概率来产生所述一个或多个预测；
c由所述计算机系统基于所述一个或多个预测来确定用于所述一个或多个能量存储系统的操作的最佳调度时间表，其中确定最佳调度时间表包括：
由所述计算机系统使用基于预测的规则排程器，基于所述一个或多个预测来确定最佳调度时间表，以在峰值小时期间最小化客户负荷并最大化所述一个或多个能量存储系统的输出；
d由所述计算机系统使用最佳调度时间表来确定一个或多个能量存储系统参数，其中使用最佳调度时间表来确定一个或多个能量存储系统参数包括：
由所述计算机系统基于最佳调度时间表和从所述一个或多个数据源接收到的实况数据来确定输入到与所述电池系统连接的电网或微电网或从中提取的有功功率和无功功率；以及
e由所述计算机系统将所述一个或多个能量存储系统参数发送到所述一个或多个能量存储系统，以控制所述一个或多个能量存储系统的操作。
49.一种用于控制一个或多个能量存储系统的操作的计算机系统，所述计算机系统包括：
一个或多个处理器；以及
一个或多个存储器，可操作地连接到所述一个或多个处理器并且在其上存储有指令，所述指令可由所述一个或多个处理器执行，以使所述计算机系统执行以下步骤：
a在计算机系统处，从一个或多个数据源接收与所述一个或多个能量存储系统的操作相关的实况数据、历史数据或预测数据，实况数据、历史数据或预测数据包括与实时市场的能源价格、日前市场的能源价格、实时市场的辅助服务价格、日前市场的辅助服务价格、天气、电力需求和发电机可用性相关的实况数据、历史数据或第三方预测数据；
b由所述计算机系统基于接收到的实况数据、历史数据或预测数据，使用一种或多种预测技术来计算与所述一个或多个能量存储系统的操作相关的一个或多个参数的一个或多个预测以及相关联的预测不确定性，所述一种或多种预测技术包括神经网络预测技术；
c由所述计算机系统基于所述一个或多个预测来确定用于所述一个或多个能量存储系统的操作的最佳调度时间表，其中确定最佳调度时间表包括：
i由所述计算机系统使用蒙特卡洛场景生成技术生成用于实时市场的能源价格、日前市场的能源价格、实时市场的辅助服务价格、日前市场的辅助服务价格的多个预测场景；
ii由所述计算机系统选择彼此更相似、彼此更不同或跨所生成的多个预测场景随机分布的预测场景的子组；
iii由所述计算机系统通过将非线性经济优化排程器应用于所选择的多个预测场景来生成多个调度时间表；以及
iv由所述计算机系统对所生成的多个调度时间表求平均，以产生最佳调度时间表；
d由所述计算机系统使用最佳调度时间表来确定一个或多个能量存储系统参数；以及
e由所述计算机系统将所述一个或多个能量存储系统参数发送到所述一个或多个能量存储系统，以控制所述一个或多个能量存储系统的操作。
50.一种用于控制一个或多个能量存储系统的操作的计算机系统，所述计算机系统包括：
一个或多个处理器；以及
一个或多个存储器，可操作地连接到所述一个或多个处理器并且在其上存储有指令，所述指令可由所述一个或多个处理器执行，以使所述计算机系统执行以下步骤：
a在计算机系统处，从一个或多个数据源接收与所述一个或多个能量存储系统的操作相关的实况数据、历史数据或预测数据，实况数据、历史数据或预测数据包括与净变电站负荷、太阳能发电和温度相关的实况数据、历史数据或第三方预测数据；
b由所述计算机系统基于接收到的实况数据、历史数据或预测数据，使用一种或多种预测技术来计算与所述一个或多个能量存储系统的操作相关的一个或多个参数的一个或多个预测以及相关联的预测不确定性，其中计算所述一个或多个预测包括：
由所述计算机系统通过同时使用具有历史平均残差的线性回归预测技术和神经网络预测技术来创建用于净变电站负荷的至少两个预测，以及
由所述计算机系统通过基于与所述至少两个预测中的每一个相关联的历史预期的不确定性选择所述至少两个预测中的一个或对所述至少两个预测求平均来产生用于净变电站负荷的预测；
c由所述计算机系统基于所述一个或多个预测来确定用于所述一个或多个能量存储系统的操作的最佳调度时间表，其中确定最佳调度时间表包括：
i由所述计算机系统使用蒙特卡洛场景生成技术来生成用于净变电站负荷的预定数量的多个预测场景；
ii由所述计算机系统基于系统配置、可用的计算时间和资源或所报告的预测不确定性来选择所生成的预定数量的多个预测场景的子集；
iii由所述计算机系统通过使用非线性多个规则优化排程器来为所生成的预定数量的多个预测场景的所选择的子集的每个场景生成调度时间表，以最小化在所述一个或多个能量存储系统的操作之后的峰值净变电站负荷；以及
iv由所述计算机系统对所生成的预定数量的多个预测场景的所选择的子集的每个场景的所生成的调度时间表求平均，以产生最佳调度时间表；
d由所述计算机系统使用最佳调度时间表来确定一个或多个能量存储系统参数；以及
e由所述计算机系统将所述一个或多个能量存储系统参数发送到所述一个或多个能量存储系统，以控制所述一个或多个能量存储系统的操作。
51.一种用于控制一个或多个能量存储系统的操作的计算机系统，所述计算机系统包括：
一个或多个处理器；以及
一个或多个存储器，可操作地连接到所述一个或多个处理器并且在其上存储有指令，所述指令可由所述一个或多个处理器执行，以使所述计算机系统执行以下步骤：
a在计算机系统处，从一个或多个数据源接收与所述一个或多个能量存储系统的操作相关的实况数据、历史数据或预测数据，实况数据、历史数据或预测数据包括与天气和负荷相关的实况数据、历史数据或第三方预测数据；
b由所述计算机系统基于接收到的实况数据、历史数据或预测数据，使用一种或多种预测技术来计算与所述一个或多个能量存储系统的操作相关的一个或多个参数的一个或多个预测以及相关联的预测不确定性，其中计算所述一个或多个预测包括由所述计算机系统通过基于接收到的与天气和负荷相关的实况数据、历史数据或第三方预测数据，使用神经网络预测技术计算在接下来的二十四小时的每个小时中出现系统峰值的概率来产生所述一个或多个预测；
c由所述计算机系统基于所述一个或多个预测来确定用于所述一个或多个能量存储系统的操作的最佳调度时间表，其中确定最佳调度时间表包括：
由所述计算机系统使用基于预测的规则排程器，基于所述一个或多个预测来确定最佳调度时间表，以在峰值小时期间最小化客户负荷并最大化所述一个或多个能量存储系统的输出；
d由所述计算机系统使用最佳调度时间表来确定一个或多个能量存储系统参数，其中使用最佳调度时间表来确定一个或多个能量存储系统参数包括：
由所述计算机系统基于最佳调度时间表和从所述一个或多个数据源接收到的实况数据来确定输入到与电池系统连接的电网或微电网或从中提取的有功功率和无功功率；以及
e由所述计算机系统将所述一个或多个能量存储系统参数发送到所述一个或多个能量存储系统，以控制所述一个或多个能量存储系统的操作。
52.一种非暂态计算机可读介质，其上存储有被配置为由包括至少一个计算机的计算机系统执行的程序代码，其中，所述程序代码在由所述计算机系统执行时，使所述计算机系统执行用于控制一个或多个能量存储系统的操作的方法，所述方法包括以下步骤：
a在计算机系统处，从一个或多个数据源接收与所述一个或多个能量存储系统的操作相关的实况数据、历史数据或预测数据，实况数据、历史数据或预测数据包括与实时市场的能源价格、日前市场的能源价格、实时市场的辅助服务价格、日前市场的辅助服务价格、天气、电力需求和发电机可用性相关的实况数据、历史数据或第三方预测数据；
b由所述计算机系统基于接收到的实况数据、历史数据或预测数据，使用一种或多种预测技术来计算与所述一个或多个能量存储系统的操作相关的一个或多个参数的一个或多个预测以及相关联的预测不确定性，所述一种或多种预测技术包括神经网络预测技术；
c由所述计算机系统基于所述一个或多个预测来确定用于所述一个或多个能量存储系统的操作的最佳调度时间表，其中确定最佳调度时间表包括：
i由所述计算机系统使用蒙特卡洛场景生成技术生成用于实时市场的能源价格、日前市场的能源价格、实时市场的辅助服务价格、日前市场的辅助服务价格的多个预测场景；
ii由所述计算机系统选择彼此更相似、彼此更不同或跨所生成的一个或多个预测场景随机分布的预测场景的子组；
iii由所述计算机系统通过将非线性经济优化排程器应用于所选择的多个预测场景来生成多个调度时间表；以及
iv由所述计算机系统对所生成的多个调度时间表求平均，以产生最佳调度时间表；
d由所述计算机系统使用最佳调度时间表来确定一个或多个能量存储系统参数；以及
e由所述计算机系统将所述一个或多个能量存储系统参数发送到所述一个或多个能量存储系统，以控制所述一个或多个能量存储系统的操作。
53.一种非暂态计算机可读介质，其上存储有被配置为由包括至少一个计算机的计算机系统执行的程序代码，其中，所述程序代码在由所述计算机系统执行时，使所述计算机系统执行用于控制一个或多个能量存储系统的操作的方法，所述方法包括以下步骤：
a在计算机系统处，从一个或多个数据源接收与所述一个或多个能量存储系统的操作相关的实况数据、历史数据或预测数据，实况数据、历史数据或预测数据包括与净变电站负荷、太阳能发电和温度相关的实况数据、历史数据或第三方预测数据；
b由所述计算机系统基于接收到的实况数据、历史数据或预测数据，使用一种或多种预测技术来计算与所述一个或多个能量存储系统的操作相关的一个或多个参数的一个或多个预测以及相关联的预测不确定性，其中计算所述一个或多个预测包括：
由所述计算机系统通过同时使用具有历史平均残差的线性回归预测技术和神经网络预测技术来创建用于净变电站负荷的至少两个预测，以及
由所述计算机系统通过基于与所述至少两个预测中的每一个相关联的历史预期的不确定性选择所述用于净变电站负荷的至少两个预测中的一个或对所述至少两个预测求平均来产生用于净变电站负荷的预测；
c由所述计算机系统基于所述一个或多个预测来确定用于所述一个或多个能量存储系统的操作的最佳调度时间表，其中确定最佳调度时间表包括：
i由所述计算机系统使用蒙特卡洛场景生成技术来生成用于净变电站负荷的预定数量的多个预测场景；
ii由所述计算机系统基于系统配置、可用的计算时间和资源或所报告的预测不确定性来选择所生成的预定数量的多个预测场景的子集；
iii由所述计算机系统通过使用非线性多个规则优化排程器来为所生成的预定数量的多个预测场景的所选择的子集的每个场景生成调度时间表，以最小化在所述一个或多个能量存储系统的操作之后的峰值净变电站负荷；以及
iv由所述计算机系统对所生成的预定数量的多个预测场景的所选择的子集的每个场景的所生成的调度时间表求平均，以产生最佳调度时间表；
d由所述计算机系统使用最佳调度时间表来确定一个或多个能量存储系统参数；以及
e由所述计算机系统将所述一个或多个能量存储系统参数发送到所述一个或多个能量存储系统，以控制所述一个或多个能量存储系统的操作。
54.一种非暂态计算机可读介质，其上存储有被配置为由包括至少一个计算机的计算机系统执行的程序代码，其中，所述程序代码在由所述计算机系统执行时，使所述计算机系统执行用于控制一个或多个能量存储系统的操作的方法，所述一个或多个能量存储系统包括电池系统，所述电池系统具有一个或多个逆变器和一个或多个电池管理控制器，所述方法包括以下步骤：
a在计算机系统处，从一个或多个数据源接收与所述一个或多个能量存储系统的操作相关的实况数据、历史数据或预测数据，实况数据、历史数据或预测数据包括与天气和负荷相关的实况数据、历史数据或第三方预测数据；
b由所述计算机系统基于接收到的实况数据、历史数据或预测数据，使用一种或多种预测技术来计算与所述一个或多个能量存储系统的操作相关的一个或多个参数的一个或多个预测以及相关联的预测不确定性，其中计算所述一个或多个预测包括由所述计算机系统通过基于接收到的与天气和负荷相关的实况数据、历史数据或第三方预测数据，使用神经网络预测技术计算在接下来的二十四小时的每个小时中出现系统峰值的概率来产生所述一个或多个预测；
c由所述计算机系统基于所述一个或多个预测来确定用于所述一个或多个能量存储系统的操作的最佳调度时间表，其中确定最佳调度时间表包括：
由所述计算机系统使用基于预测的规则排程器，基于所述一个或多个预测来确定最佳调度时间表，以在峰值小时期间最小化客户负荷并最大化所述一个或多个能量存储系统的输出；
d由所述计算机系统使用最佳调度时间表来确定一个或多个能量存储系统参数，其中使用最佳调度时间表来确定一个或多个能量存储系统参数包括：
由所述计算机系统基于最佳调度时间表和从所述一个或多个数据源接收到的实况数据来确定输入到与所述电池系统连接的电网或微电网或从中提取的有功功率和无功功率；以及
e由所述计算机系统将所述一个或多个能量存储系统参数发送到所述一个或多个能量存储系统，以控制所述一个或多个能量存储系统的操作。
CN201880076507.1A 2017-11-27 2018-11-19 用于能量存储系统的最佳控制的系统和方法 Active CN111492559B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210811938.6A CN115189349A (zh) 2017-11-27 2018-11-19 用于能量存储系统的最佳控制的系统和方法

Applications Claiming Priority (5)

Application Number Priority Date Filing Date Title
US201762591023P 2017-11-27 2017-11-27
US62/591,023 2017-11-27
US16/193,332 US10734811B2 (en) 2017-11-27 2018-11-16 System and method for optimal control of energy storage system
US16/193,332 2018-11-16
PCT/US2018/061763 WO2019103961A1 (en) 2017-11-27 2018-11-19 System and method for optimal control of energy storage system

Related Child Applications (1)

Application Number Title Priority Date Filing Date
CN202210811938.6A Division CN115189349A (zh) 2017-11-27 2018-11-19 用于能量存储系统的最佳控制的系统和方法

Publications (2)

Publication Number Publication Date
CN111492559A CN111492559A (zh) 2020-08-04
CN111492559B true CN111492559B (zh) 2022-08-02

Family

ID=66631704

Family Applications (2)

Application Number Title Priority Date Filing Date
CN201880076507.1A Active CN111492559B (zh) 2017-11-27 2018-11-19 用于能量存储系统的最佳控制的系统和方法
CN202210811938.6A Pending CN115189349A (zh) 2017-11-27 2018-11-19 用于能量存储系统的最佳控制的系统和方法

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202210811938.6A Pending CN115189349A (zh) 2017-11-27 2018-11-19 用于能量存储系统的最佳控制的系统和方法

Country Status (8)

Country Link
US (2) US10734811B2 (zh)
EP (2) EP4345704A3 (zh)
JP (2) JP7320503B2 (zh)
KR (2) KR102749895B1 (zh)
CN (2) CN111492559B (zh)
AU (2) AU2018372847A1 (zh)
CA (1) CA3081764A1 (zh)
WO (1) WO2019103961A1 (zh)

Families Citing this family (62)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9509176B2 (en) 2012-04-04 2016-11-29 Ihi Inc. Energy storage modeling and control
US10734811B2 (en) 2017-11-27 2020-08-04 Ihi Inc. System and method for optimal control of energy storage system
US10937112B2 (en) * 2018-08-17 2021-03-02 Kabushiki Kaisha Toshiba System, method and device for creating a power generation plan in a power generation system
CN109754112B (zh) * 2018-11-27 2022-08-23 国网江苏省电力有限公司南京供电分公司 一种考虑配电网削峰填谷的光储充电塔随机优化调度方法
WO2020219078A1 (en) * 2019-04-26 2020-10-29 Pason Power, Inc. Intelligent energy management system for distributed energy resources and energy storage systems using machine learning
US11338692B2 (en) * 2019-04-29 2022-05-24 Matthew David Press Electric vehicle charging optimization
US10862302B1 (en) * 2019-07-01 2020-12-08 Oracle International Corporation Intelligent data preprocessing technique to facilitate loadshape forecasting for a utility system
CN110298138B (zh) * 2019-07-09 2024-01-05 南方电网科学研究院有限责任公司 一种综合能源系统优化方法、装置、设备及可读存储介质
CN110311423B (zh) * 2019-07-26 2023-01-20 内蒙古大学 基于超限惩罚的独立微电网动态回馈修正优化调度方法
CN110490386B (zh) * 2019-08-26 2022-12-06 苏州树森信息科技有限公司 一种综合能源调度方法和综合能源调度系统
EP3800759A1 (en) * 2019-10-02 2021-04-07 Fronius International GmbH System and method for operating an inverter
US11532943B1 (en) * 2019-10-27 2022-12-20 Thomas Zauli Energy storage device manger, management system, and methods of use
CN111064210B (zh) * 2019-12-12 2021-09-14 国网浙江省电力有限公司台州供电公司 增加新能源发电波动的海岛电网储能系统分层控制方法
CN111178734A (zh) * 2019-12-24 2020-05-19 东软集团股份有限公司 负载均衡的方法、装置、存储介质和电子设备
EP3848865A1 (en) * 2020-01-13 2021-07-14 Siemens Gamesa Renewable Energy Innovation & Technology, S.L. Power management of a hybrid power plant
DE102020104390A1 (de) 2020-02-19 2021-08-19 RWE Supply & Trading GmbH Versorgung einer Industrieanlage mit elektrischer Energie
CN111695736B (zh) * 2020-06-15 2023-04-21 河北锐景能源科技有限公司 一种基于多模型融合的光伏发电短期功率预测方法
CN113872180A (zh) * 2020-06-30 2021-12-31 华为技术有限公司 设备供电的方法、系统及相关设备
SG10202006372SA (en) * 2020-07-01 2021-10-28 Grabtaxi Holdings Pte Ltd Communications apparatus and method for estimating potential demand for improved forecasting and resource management
CN111740435B (zh) * 2020-07-29 2022-01-04 杭州电力设备制造有限公司 一种新能源发电系统的储能配置方法及相关装置
CN112101651B (zh) * 2020-09-08 2023-11-14 中电科蓝天科技股份有限公司 电能源网络协调控制方法、系统及信息数据处理终端
US12040650B2 (en) * 2020-09-30 2024-07-16 BluWave Inc. Systems and methods for efficient charging of energy storage systems
CN112636334B (zh) * 2020-12-10 2021-11-19 中腾微网（北京）科技有限公司 一种基于太阳能的微电网系统
CN112580872B (zh) * 2020-12-18 2023-09-26 郑州大学 基于机会约束规划的水光联合系统短期优化调度方法
KR102518629B1 (ko) * 2020-12-31 2023-04-05 계명대학교 산학협력단 Cnn을 이용한 전력수요 예측 방법, 이를 수행하기 위한 기록 매체 및 장치
CN112949903A (zh) * 2021-01-26 2021-06-11 华北水利水电大学 一种含电转气和储能的区域综合能源系统日前优化调度方法
CN112865088B (zh) * 2021-01-29 2023-04-28 杭州市电力设计院有限公司余杭分公司 一种配电网双层优化调度方法
US11843266B2 (en) 2021-02-02 2023-12-12 Honeywell International, Inc. Dynamic non-linear optimization of a battery energy storage system
KR102261736B1 (ko) * 2021-02-02 2021-06-04 아주대학교산학협력단 위성 시스템의 배터리 노화 억제를 위한 실시간 스케줄링 장치 및 방법
CN112947084B (zh) * 2021-02-08 2022-09-23 重庆大学 一种基于强化学习的模型未知多智能体一致性控制方法
KR20220118862A (ko) * 2021-02-19 2022-08-26 주식회사 엘지에너지솔루션 배터리 분석 장치 및 방법
KR102324325B1 (ko) * 2021-03-17 2021-11-11 주식회사 트위니 에너지저장시스템 계층형 관리시스템
CN113162060B (zh) * 2021-03-17 2022-10-04 武汉工程大学 一种基于机会约束优化的主动配电网两阶段无功调节方法
WO2022214878A1 (en) * 2021-04-09 2022-10-13 Zubieta Luis Eduardo Energy allocation and management system
CN113204583B (zh) * 2021-04-14 2022-11-01 武汉大学 水库群调度决策行为挖掘方法和水库调度自动控制装置
CN113298298B (zh) * 2021-05-10 2023-12-29 国核电力规划设计研究院有限公司 一种充电桩短期负荷预测方法及其系统
KR102537669B1 (ko) * 2021-06-03 2023-05-31 한국전력공사 신재생 에너지를 저장하는 에너지 저장 시스템의 제어장치 및 그 방법
CN113327065B (zh) * 2021-06-30 2023-08-22 中国人民解放军国防科技大学 针对发电侧的用户复杂用电情况的能源管理方法及系统
US20230074995A1 (en) * 2021-09-09 2023-03-09 Siemens Aktiengesellschaft System and method for controlling power distribution systems using graph-based reinforcement learning
CN113867291B (zh) * 2021-10-08 2023-11-03 润泰新能源集团有限公司 一种储能换热优化调度方法
CN114066013B (zh) * 2021-10-21 2024-08-09 国网浙江省电力有限公司台州供电公司 一种用于新能源电力市场的净负荷预测方法及装置
CN114004098B (zh) * 2021-11-04 2022-07-12 东南大学 一种考虑机会约束的电气耦合系统最大供能能力评估方法
US20230155387A1 (en) * 2021-11-17 2023-05-18 BluWave Inc. Systems and methods for dynamic tuning of controller in power grids
CN114254880A (zh) * 2021-12-03 2022-03-29 南方电网数字电网研究院有限公司 交通工具的调度方法、装置、计算机设备和存储介质
CN114460844B (zh) * 2022-01-12 2023-06-23 山东科技大学 一种自适应神经网络边界减振控制方法
US20230261518A1 (en) * 2022-02-15 2023-08-17 Eaton Intelligent Power Limited Engine System and Methods for Dispatching and Controlling Distributed Energy Resources
CN114825385B (zh) * 2022-03-07 2025-04-25 上海电气集团输配电装备有限公司 一种考虑soc自均衡的储能电站黑启动调度控制的方法
US20240212070A1 (en) * 2022-12-22 2024-06-27 Itron, Inc. Electric grid load forecasts with distributed photovoltaic generation
WO2024173725A1 (en) * 2023-02-17 2024-08-22 Enel X North America, Inc. Peak prediction for global adjustment of electrical systems, and related systems, apparatuses, and methods
CN116151594B (zh) * 2023-04-19 2023-07-07 国网浙江省电力有限公司金华供电公司 电气热协同的综合能源系统低碳调度方法
CN116599160B (zh) * 2023-07-17 2023-12-05 电力规划总院有限公司 新能源场站集群主动感知方法、系统和新能源场站
CN116629458B (zh) * 2023-07-24 2024-01-12 深圳康普盾科技股份有限公司 一种基于数据分析的储能设备运行优化方法及系统
CN116961188B (zh) * 2023-07-26 2024-05-10 中国铁塔股份有限公司 基站电源的调度方法、装置、电子设备和可读存储介质
KR20250024646A (ko) * 2023-08-11 2025-02-19 에스케이텔레콤 주식회사 제약 조건을 고려한 강화학습 기반의 에너지 저장 장치의 충방전 방법 및 이를 지원하는 전력 제어 장치
CN117293923B (zh) * 2023-09-25 2024-07-16 南栖仙策(南京)高新技术有限公司 电网的日前调度计划生成方法、装置、设备及存储介质
US20250125630A1 (en) * 2023-10-17 2025-04-17 Caterpillar Inc. Systems and methods for microgrid asset dispatch
CN117621898B (zh) * 2023-12-08 2024-05-24 杭州育恩科技有限公司 考虑电网电价的智慧停车场充电桩充电控制方法及系统
CN118040712B (zh) * 2023-12-25 2024-12-03 中国长江三峡集团有限公司 一种压缩空气储能系统日内在线调度方法
CN117639052B (zh) * 2024-01-25 2024-03-29 北京智源新能电气科技有限公司 一种基于协同运行的储能变流器功率分配方法和系统
CN118174278B (zh) * 2024-02-22 2024-08-09 国网甘肃省电力公司临夏供电公司 一种基于碳排放的电网调度方法
CN118195231A (zh) * 2024-03-25 2024-06-14 深圳市灰山石能源管理有限公司 一种基于ipso-lstm的充电场站能量管理策略
CN119539451B (zh) * 2025-01-23 2025-04-18 嵊州市光宇实业有限公司 基于动态调控的光伏发电系统储能管理方法及计算机设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106911148A (zh) * 2017-04-28 2017-06-30 北京天诚同创电气有限公司 孤立微电网的能量管理方法和系统
CN107370170A (zh) * 2017-06-23 2017-11-21 浙江大学 一种考虑容量电价和负荷预测误差的储能系统容量配置方法

Family Cites Families (83)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005048105A1 (en) 2003-11-04 2005-05-26 Neptune Technology Group, Inc. Method for error detection and flow direction determination in a measuring meter
US7274975B2 (en) 2005-06-06 2007-09-25 Gridpoint, Inc. Optimized energy management system
US8145362B2 (en) 2006-08-04 2012-03-27 Eestor, Inc. Utility grid power averaging and conditioning
US20090040029A1 (en) * 2006-08-10 2009-02-12 V2Green, Inc. Transceiver and charging component for a power aggregation system
US7698233B1 (en) 2007-01-23 2010-04-13 Southern Company Services, Inc. System and method for determining expected unserved energy to quantify generation reliability risks
WO2008141246A2 (en) * 2007-05-09 2008-11-20 Gridpoint, Inc. Method and system for scheduling the discharge of distributed power storage devices and for levelizing dispatch participation
JP5178242B2 (ja) * 2008-02-29 2013-04-10 株式会社東芝 エネルギー貯蔵装置の運転計画作成方法および運転計画作成装置
US9002761B2 (en) 2008-10-08 2015-04-07 Rey Montalvo Method and system for automatically adapting end user power usage
US8706650B2 (en) 2009-01-14 2014-04-22 Integral Analytics, Inc. Optimization of microgrid energy use and distribution
WO2010083334A1 (en) 2009-01-14 2010-07-22 Integral Analytics, Inc. Optimization of microgrid energy use and distribution
US9134353B2 (en) * 2009-02-26 2015-09-15 Distributed Energy Management Inc. Comfort-driven optimization of electric grid utilization
GB2528216B (en) 2009-05-11 2016-03-09 Mahindra Reva Electric Vehicles Pvt Ltd Enhancing residual performance in an energy storage system
US8095245B1 (en) * 2009-07-29 2012-01-10 Lockheed Martin Corporation Thermal energy dispatch system
US9159108B2 (en) * 2009-10-23 2015-10-13 Viridity Energy, Inc. Facilitating revenue generation from wholesale electricity markets
US8892264B2 (en) * 2009-10-23 2014-11-18 Viridity Energy, Inc. Methods, apparatus and systems for managing energy assets
US8457802B1 (en) 2009-10-23 2013-06-04 Viridity Energy, Inc. System and method for energy management
US8538593B2 (en) 2010-07-02 2013-09-17 Alstom Grid Inc. Method for integrating individual load forecasts into a composite load forecast to present a comprehensive synchronized and harmonized load forecast
US9335748B2 (en) 2010-07-09 2016-05-10 Emerson Process Management Power & Water Solutions, Inc. Energy management system
US8566266B2 (en) 2010-08-27 2013-10-22 Mitsubishi Electric Research Laboratories, Inc. Method for scheduling the operation of power generators using factored Markov decision process
US8688281B2 (en) 2010-08-31 2014-04-01 Vestas Wind Systems A/S Optimization of energy storage device usage in wind energy applications
US8831789B2 (en) 2010-09-29 2014-09-09 Rockwell Automation Technologies, Inc. Goal-based load management
EP2458704A1 (en) 2010-11-30 2012-05-30 Restore N.V. Method and system for charging a fleet of batteries
KR101251554B1 (ko) 2010-12-17 2013-04-08 주식회사 케이티 실시간 요금에 따른 스마트 그리드 환경에서 태양광 발전 장치를 위한 전기 충전／방전 시스템，전기 충전／방전 시스템의 양방향 컨버터，및 전기 충전／방전 방법
US8816531B2 (en) * 2011-01-27 2014-08-26 General Electric Company Systems, methods, and apparatus for integrated volt/VAR control in power distribution networks
JP5672371B2 (ja) 2011-03-18 2015-02-18 富士通株式会社 運転計画作成方法、運転計画作成装置及び運転計画作成プログラム
WO2012129675A1 (en) * 2011-03-31 2012-10-04 Energent Incorporated A computer implemented electrical energy hub management system and method
US8839303B2 (en) 2011-05-13 2014-09-16 Google Inc. System and method for enhancing user search results by determining a television program currently being displayed in proximity to an electronic device
AU2012286588B2 (en) * 2011-07-26 2014-09-25 Powerstream Australia Pty Ltd Power apparatus
US10250520B2 (en) * 2011-08-30 2019-04-02 Samsung Electronics Co., Ltd. Customer engagement platform and portal having multi-media capabilities
US9225173B2 (en) * 2011-09-28 2015-12-29 Causam Energy, Inc. Systems and methods for microgrid power generation and management
US9625532B2 (en) 2011-10-10 2017-04-18 Battelle Energy Alliance, Llc Method, system, and computer-readable medium for determining performance characteristics of an object undergoing one or more arbitrary aging conditions
US9514428B2 (en) * 2011-10-28 2016-12-06 Viridity Energy, Inc. Managing energy assets associated with transport operations
TW201321230A (zh) * 2011-11-16 2013-06-01 Ind Tech Res Inst 充電系統以及電動車管理方法
JP5834832B2 (ja) 2011-11-29 2015-12-24 富士通株式会社 電力制御支援プログラム、電力制御支援装置および電力制御支援方法
KR101504170B1 (ko) 2011-12-15 2015-03-23 주식회사 케이티 에너지 저장 클러스터 제어 시스템 및 이를 이용한 에너지 분배 방법
WO2013093794A2 (en) * 2011-12-23 2013-06-27 International Business Machines Corporation Energy allocation system
KR101500304B1 (ko) 2011-12-26 2015-03-11 주식회사 케이티 에너지 저장장치의 충방전 제어 방법 및 시스템
US9026259B2 (en) * 2012-01-25 2015-05-05 General Electric Company Power generation optimization in microgrid including renewable power source
US8886362B2 (en) 2012-03-30 2014-11-11 General Electric Company Integrated distribution system optimization
US9509176B2 (en) * 2012-04-04 2016-11-29 Ihi Inc. Energy storage modeling and control
US9153965B2 (en) * 2012-04-13 2015-10-06 Sharp Laboratories Of America, Inc. System and method for energy storage management
BR112014031139A2 (pt) * 2012-06-13 2017-08-08 S & C Electric Co método para integrar uma pluralidade de fontes de energia renovável, e, sistema
US8849715B2 (en) * 2012-10-24 2014-09-30 Causam Energy, Inc. System, method, and apparatus for settlement for participation in an electric power grid
US9513648B2 (en) * 2012-07-31 2016-12-06 Causam Energy, Inc. System, method, and apparatus for electric power grid and network management of grid elements
US8983669B2 (en) * 2012-07-31 2015-03-17 Causam Energy, Inc. System, method, and data packets for messaging for electric power grid elements over a secure internet protocol network
US20140350743A1 (en) 2012-08-27 2014-11-27 Nec Laboratories America, Inc. Tiered power management system for microgrids
US10140670B2 (en) 2012-08-31 2018-11-27 Engie Storage Services Na Llc Energy management methods and systems based on financial impact
US9489701B2 (en) * 2012-11-06 2016-11-08 Ali Emadi Adaptive energy management system
KR20140066055A (ko) 2012-11-22 2014-05-30 삼성에스디아이 주식회사 최대 전력점 추종 컨버터 및 그 방법
US9865024B2 (en) * 2013-03-15 2018-01-09 Open Access Technology International, Inc. Systems and methods of determining optimal scheduling and dispatch of power resources
WO2014208059A1 (ja) * 2013-06-27 2014-12-31 パナソニック株式会社 電力調整装置、電力調整方法、電力調整システム、蓄電装置、サーバ、プログラム
US20160043548A1 (en) * 2013-08-15 2016-02-11 Nec Laboratories America, Inc. Rolling stochastic optimization based operation of distributed energy systems with energy storage systems and renewable energy resources
WO2015033461A1 (ja) * 2013-09-09 2015-03-12 富士通株式会社 運転計画生成装置、運転計画生成方法、運転計画生成プログラムおよび蓄電池システム
US9722426B2 (en) * 2013-09-26 2017-08-01 Wellhead Electric Company, Inc. Hybrid energy system and method
CN106796672A (zh) 2014-07-31 2017-05-31 发展能源实验室公司 利用自适应自动化控制软件预测及优化能量存储寿命周期性能
WO2016036806A1 (en) 2014-09-02 2016-03-10 Vega Rolando E Method and system for hours-ahead and day-ahead forecasting of solar energy
WO2016040774A1 (en) * 2014-09-11 2016-03-17 Sheble Gerald B Resource control by probability tree convolution production cost valuation by iterative equivalent demand duration curve expansion (aka. tree convolution)
JP2016062191A (ja) 2014-09-16 2016-04-25 株式会社東芝 電力取引支援装置、電力取引支援システム、制御方法及びプログラム
US9798343B2 (en) 2014-11-25 2017-10-24 Rockwell Automation Technologies, Inc. Quantifying operating strategy energy usage
US9960637B2 (en) * 2015-07-04 2018-05-01 Sunverge Energy, Inc. Renewable energy integrated storage and generation systems, apparatus, and methods with cloud distributed energy management services
US20170060113A1 (en) 2015-08-24 2017-03-02 Robert A. Kaucic Controlling a dispatch operation of an energy storage system
US10509374B2 (en) 2015-10-07 2019-12-17 University Of Utah Research Foundation Systems and methods for managing power generation and storage resources
CN108292860B (zh) 2015-12-10 2022-04-08 三菱电机株式会社 电力控制装置、运转计划制定方法以及记录介质
US9652828B1 (en) 2015-12-29 2017-05-16 Motorola Solutions, Inc. Method and apparatus for imaging a scene
US10263462B2 (en) * 2016-04-27 2019-04-16 Demand Energy Networks, Inc. Electrical system control using simulation-based setpoint determination, and related systems, apparatuses, and methods
US10488878B2 (en) * 2016-05-03 2019-11-26 Enel X North America, Inc. Apparatus and method for energy management of multiple facilities as a function of estimated occupancy
US10540690B2 (en) * 2016-05-03 2020-01-21 Enel X North America, Inc. Apparatus and method for focused marketing messaging based on estimated building occupancy
US10203673B2 (en) * 2016-05-03 2019-02-12 Enel X North America, Inc. Apparatus and method for occupancy based energy consumption management
US10324435B2 (en) * 2016-05-03 2019-06-18 Enel X North America, Inc. Apparatus and method for occupancy based demand response dispatch prioritization
US20170323208A1 (en) * 2016-05-03 2017-11-09 Enernoc, Inc. Apparatus and method for forecasting occupancy based on energy consumption
US20170323207A1 (en) * 2016-05-03 2017-11-09 Enernoc, Inc. Apparatus and method for occupancy determination
US10552869B2 (en) * 2016-05-03 2020-02-04 Enel X North America, Inc. Apparatus and method for targeted marketing based on estimated building occupancy
WO2018102905A1 (en) 2016-12-08 2018-06-14 Argentum Electronics, Inc. Power combiner systems and methods
CN106777487B (zh) * 2016-11-18 2019-11-05 清华大学 一种含有储能系统的光伏电站可信容量计算方法及系统
US9645596B1 (en) 2016-11-23 2017-05-09 Advanced Microgrid Solutions, Inc. Method and apparatus for facilitating the operation of an on-site energy storage system to co-optimize battery dispatch
US10949777B2 (en) * 2017-06-07 2021-03-16 Johnson Controls Technology Company Building energy optimization system with economic load demand response (ELDR) optimization
WO2018131174A1 (en) 2017-01-13 2018-07-19 Nec Corporation Microgrid power management system and method of managing
US10732584B2 (en) * 2017-06-07 2020-08-04 Johnson Controls Technology Company Building energy optimization system with automated and dynamic economic load demand response (ELDR) optimization
US10809705B2 (en) * 2017-09-01 2020-10-20 Johnson Controls Technology Company Central plant control system with automatic optimization formulation
US10734811B2 (en) 2017-11-27 2020-08-04 Ihi Inc. System and method for optimal control of energy storage system
US11789082B2 (en) 2019-04-10 2023-10-17 Jupiter Power, Llc Systems and method for managing dispatch and lifecycle of energy storage systems on an electrical grid, including management of energy storage systems for provisioning of multiple services
US11320893B2 (en) 2019-06-25 2022-05-03 University Of Tennessee Research Foundation Systems and methods for solar energy-based computation
US11038352B1 (en) 2019-11-26 2021-06-15 Schweitzer Engineering Laboratories, Inc. Control system with load selection strategy that minimizes load overshed

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106911148A (zh) * 2017-04-28 2017-06-30 北京天诚同创电气有限公司 孤立微电网的能量管理方法和系统
CN107370170A (zh) * 2017-06-23 2017-11-21 浙江大学 一种考虑容量电价和负荷预测误差的储能系统容量配置方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
考虑大规模风电接入系统的发电优化调度模型及方法研究;李丰;《中国博士学位论文全文数据库（电子期刊）》;20141215;C042-74 *

Also Published As

Publication number Publication date
AU2018372847A1 (en) 2020-05-14
EP4345704A2 (en) 2024-04-03
WO2019103961A1 (en) 2019-05-31
KR102749895B1 (ko) 2025-01-07
US20190165580A1 (en) 2019-05-30
KR20250010106A (ko) 2025-01-20
US11876374B2 (en) 2024-01-16
EP3718194A4 (en) 2021-09-01
JP2023129546A (ja) 2023-09-14
CN111492559A (zh) 2020-08-04
JP2021505103A (ja) 2021-02-15
KR20200100626A (ko) 2020-08-26
CN115189349A (zh) 2022-10-14
EP3718194A1 (en) 2020-10-07
JP7320503B2 (ja) 2023-08-03
EP4345704A3 (en) 2024-06-26
CA3081764A1 (en) 2019-05-31
US10734811B2 (en) 2020-08-04
US20200350766A1 (en) 2020-11-05
AU2023219861A1 (en) 2023-09-14

Similar Documents

Publication Publication Date Title
CN111492559B (zh) 用于能量存储系统的最佳控制的系统和方法
JP7482167B2 (ja) 動的エネルギーストレージシステム制御のためのシステムおよび方法
US20240313545A1 (en) Systems and methods to aggregate distributed energy resources
US12015275B2 (en) Hybrid power plant
WO2018200861A1 (en) Building energy system with stochastic model predictive control
US12057703B2 (en) Systems and apparatuses to aggregate distributed energy resources
JP7601859B2 (ja) 電気エネルギー供給網の安定化のための方法
Qi et al. Energyboost: Learning-based control of home batteries
Anderson et al. Co-optimizing the value of storage in energy and regulation service markets
CA3189090A1 (en) Engine system and methods for dispatching and controlling distributed energy resources
US20240372369A1 (en) Systems and methods for co-optimization of hydrogen production and electricity market participation for renewable energy generators
Wang et al. Systematic evaluation of stochastic methods in power system scheduling and dispatch with renewable energy
CN119692511A (zh) 一种基于分布式能源的虚拟电厂协同优化运行方法
CN119783997A (zh) 一种虚拟电厂调峰优化调度方法、系统、电子设备及介质
CN119675090A (zh) 数据处理方法及装置、存储介质和电子设备
CN119726706A (zh) 新能源电力系统的能源管理方法、装置及存储介质

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
TR01 Transfer of patent right

Effective date of registration: 20220831

Address after: Illinois

Patentee after: Ishikawa Island America Group Terrasan Solutions Co.,Ltd.

Address before: USA New York

Patentee before: Ishikawa Meizhou Group Co.,Ltd.

TR01 Transfer of patent right