CN111525626A - 一种基于云边协同计算的微电网实时调度方法及系统 - Google Patents

一种基于云边协同计算的微电网实时调度方法及系统 Download PDF

Info

Publication number
CN111525626A
CN111525626A CN202010286532.1A CN202010286532A CN111525626A CN 111525626 A CN111525626 A CN 111525626A CN 202010286532 A CN202010286532 A CN 202010286532A CN 111525626 A CN111525626 A CN 111525626A
Authority
CN
China
Prior art keywords
time
real
power
microgrid
representing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010286532.1A
Other languages
English (en)
Inventor
吴文传
王思远
孙宏斌
郭庆来
王彬
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202010286532.1A priority Critical patent/CN111525626A/zh
Publication of CN111525626A publication Critical patent/CN111525626A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于云边协同计算的微电网实时调度方法及系统，所述调度方法包括以下步骤：S1：预测微电网的供需能力；S2：基于所述供需能力，构建所述微电网的多参数规划实时调度模型；S3：获取所述微电网实时参数信息；S4：基于所述微电网实时参数信息和所述多参数实时调度模型，获得所述微电网的实时控制策略。本发明所述的基于云边协同计算的微电网实时调度方法及系统，去掉了微电网中的集中式能量管理系统，可以比传统方法更快地计算出动态实时调度安排，而且具有很高的可靠性。

Description

一种基于云边协同计算的微电网实时调度方法及系统
技术领域
本发明属于电力系统的运行控制技术领域，特别涉及一种基于云边协同计算的微电网实时调度方法及系统。
背景技术
微电网是一种近年来新兴的网络结构，微电网组合了微电源、负荷和储能设备，实现小范围内的电力供应。为了保证微电网在调度过程中满足安全、经济等要求，使得微电网以成本较低的方式运行，需要对微电网进行实时调度。由于微电网中存在着波动性较强的可再生能源设备，因此在实时调度过程中需要解决相关接入的分布式可再生能源的波形性较大、预测准确度低的问题。当前的微电网实时调度一般采用集中模式实现，能量管理系统负责进行在线的实时调度优化计算。这种集中模式存在单点失效问题，特别是偏远地区，由于缺乏运维人员，能量管理系统故障后得到不及时维护，进而影响系统运行。
发明内容
针对上述问题，本发明提供了一种基于云边协同计算的微电网实时调度方法及系统。
一种基于云边协同计算的微电网实时调度方法，包括以下步骤：
S1：预测微电网的供需能力；
S2：基于预测的所述微电网的供需能力，构建微电网的多参数规划实时调度模型；
S3：获取微电网实时参数信息；
S4：基于微电网实时参数信息和微电网的多参数实时调度模型，获得微电网的实时控制策略。
优选的，所述步骤S4包括以下步骤：
S41：判断所述微电网的实时参数是否在预设范围内，
若是，执行步骤S42，
若否，执行步骤S43；
S42：更新微电网的预测供需能力，执行步骤S2；
S43：判断微电网中的逆变器是否故障，
若是，执行步骤S44,
若否，执行步骤S45；
S44：更新微电网的拓扑结构，执行步骤S2；
S45：计算微电网的实时控制策略。
优选的，所述微电网中的逆变器包括主逆变器和备用逆变器，
所述主逆变器，用于获取微电网实时参数信息，还用于基于微电网实时参数信息和微电网的多参数实时调度模型，获得微电网的实时控制策略；
所述备用逆变器，用于确认主逆变器是否发生故障，还用于主逆变器发生故障时，承担主逆变器的任务。
优选的，所述微电网的供需能力包括分布式发电设备的输出功率和微电网的负荷需求功率。
优选的，所述步骤S2包括以下步骤：
构建时刻t的决策变量矢量Pt，所述决策变量矢量Pt包括t时刻的各个所述分布式发电设备的有功功率和分布式储能设备的充电、放电功率；
基于时刻t到当天结束时刻T的决策变量矢量，构建微电网多参数二次规划模型的决策变量矢量模型Xt
Xt＝[Pt；Pt+1；…；PT]；
基于微电网多参数二次规划模型的决策变量矢量Xt、最优潮流控制的目标函数与约束条件，构建微电网最优发电成本的多参数二次规划模型：
Figure BDA0002448723470000021
gi(Xt,θt)＝0，
hj(Xt,θt)≤0，
其中，minf(Xt，θt)为以Xt为变量、含有参数θt的最优发电成本函数模型，gi(Xt,θt)为等式约束条件模型，hj(Xt,θt)为不等式约束条件模型，θt为微电网供需能力的参数矢量；所述Q为二次成本常数矩阵，b为一次成本常数矢量，c为常量常数矢量；
基于所述微电网最优发电成本的多参数二次规划模型，完成模型求解，获得实时参数对应的所述微电网调度的最优解的集合模型
Pt(θt)k＝Wkθt+wk，
Figure BDA0002448723470000031
其中，K表示线性分区的总数；Pt(θt)k表示在时刻t以θt为参数，第k个分区中，对应的决策变量取值；Wk与wk表示线性函数的一次常数矩阵与常数矢量。
优选的，各个所述线性分区的约束条件满足：
Figure BDA0002448723470000032
其中，Φt表示第k个分区的一次约束常数矩阵；
Figure BDA0002448723470000033
表示第k个分区的约束常数矢量。
优选的，所述微电网供需能力的参数矢量θt包括时刻t由节点负荷功率构成的参数矢量
Figure BDA0002448723470000034
时刻t由风力发电设备输出功率构成的参数矢量
Figure BDA0002448723470000035
及时刻t由光伏发电设备输出功率构成的参数矢量
Figure BDA0002448723470000036
其中，
Figure BDA0002448723470000037
优选的，所述等式约束条件包括：储能设备的能量值等式约束条件和微电网的有功功率等式约束条件，其中，
所述储能设备的能量值等式约束条件满足：
Figure BDA0002448723470000038
其中，
Figure BDA0002448723470000041
和
Figure BDA0002448723470000042
分别表示第i个分布式储能设备在时刻τ的充电功率和放电功率，
Figure BDA0002448723470000043
和
Figure BDA0002448723470000044
分别表示第i个分布式储能设备的充电效率和放电效率，μi,BS表示第i个分布式储能设备的自放电因数，
Figure BDA0002448723470000045
表示第i个分布式储能设备的初始能量；
所述微电网的有功功率等式约束条件满足：
Figure BDA0002448723470000046
其中，Nd表示所述微电网中的节点，
Figure BDA0002448723470000047
表示微电电网各个节点注入有功功率之和，
Figure BDA0002448723470000048
表示微电网各支路损耗有功功率之和。
优选的，所述储能设备的能量值约束条件还满足：
Figure BDA0002448723470000049
其中，
Figure BDA00024487234700000410
和
Figure BDA00024487234700000411
分别表示第i个分布式储能设备在时刻t的充电功率和放电功率。
优选的，所述目标函数minf(Xt，θt)为以Xt为变量、含有参数θt的最优发电成本函数模型，包括：
Figure BDA00024487234700000412
其中，所述C表示此微电网的总运行成本，T表示一天中总的时间段数量，n表示微电网可控分布式电源设备的总数量，
Figure BDA00024487234700000413
表示位于第i个分布式发电设备在时间段t的输出功率，函数
Figure BDA00024487234700000414
表示位于第i个分布式发电设备在时间段t的成本，
Figure BDA00024487234700000415
表示位于第i个储能设备在时间段t的充电功率，
Figure BDA00024487234700000416
表示位于第i个储能设备在时间段t的放电功率；函数
Figure BDA00024487234700000417
表示位于第i个储能设备在时间段t的成本。
优选的，所述第i个分布式发电设备在时间段t的成本
Figure BDA00024487234700000418
为
Figure BDA0002448723470000051
其中，ai、bi和ci分别表示第i个分布式发电设备的二次成本常数、一次一次成本常数和常量常数；Δt表示时间间隔的长度。
优选的，所述第i个储能设备在时间段t的成本
Figure BDA0002448723470000052
为
Figure BDA0002448723470000053
其中，di表示第i个储能设备的运行成本常数；ε表示用于松弛所述储能设备的能量值约束条件
Figure BDA0002448723470000054
的任意一个正数。
优选的，所述非等式约束条件包括：负荷功率的不等式约束条件，分布式发电设备输出功率的不等式约束条件，储能设备的不等式约束条件及线路功率的不等式约束条件，
所述负荷功率的不等式约束条件满足：
Figure BDA0002448723470000055
其中，
Figure BDA0002448723470000056
表示时刻t节点i负荷功率的参数，
Figure BDA0002448723470000057
表示时刻t节点i负荷的预测功率，
Figure BDA0002448723470000058
表示时刻t节点i负荷的实际功率；
所述分布式发电设备输出功率的不等式约束条件满足：
Figure BDA0002448723470000059
Figure BDA00024487234700000510
其中，
Figure BDA00024487234700000511
表示第i个分布式发电设备在时刻t的实际输出功率，
Figure BDA00024487234700000512
表示第i个分布式发电设备在时刻t-1的实际输出功率，
Figure BDA00024487234700000513
和
Figure BDA00024487234700000514
分别表示第i个分布式发电设备的最小和最大输出功率，ri表示第i个分布式发电设备的爬坡约束常数；
所述储能设备的不等式约束条件满足：
Figure BDA00024487234700000515
Figure BDA0002448723470000061
Figure BDA0002448723470000062
其中，1≤t≤T，所述
Figure BDA0002448723470000063
和
Figure BDA0002448723470000064
分别表示第i个分布式储能设备的放电与充电最大功率，
Figure BDA0002448723470000065
和
Figure BDA0002448723470000066
分别表示第i个分布式储能设备的初始能量、最小和最大能量，
Figure BDA0002448723470000067
和
Figure BDA0002448723470000068
分别表示第i个分布式储能设备在时刻τ的充电功率和放电功率，
Figure BDA0002448723470000069
和
Figure BDA00024487234700000610
分别表示第i个分布式储能设备的充电效率和放电效率，μi,BS表示第i个分布式储能设备的自放电因数；
所述线路功率的不等式约束条件满足：
Figure BDA00024487234700000611
其中，所述
Figure BDA00024487234700000612
表示表示时刻t节点i与节点j之间的线路ij流过的有功功率；
Figure BDA00024487234700000613
表示允许线路ij流过的有功功率最大值。
优选的，所述分布式发电设备包括分布式光伏发电设备和分布式风力发电设备，
所述分布式光伏发电设备的输出功率不等式约束条件还满足：
Figure BDA00024487234700000614
其中，
Figure BDA00024487234700000615
表示时刻t第i个分布式光伏发电设备的参数，
Figure BDA00024487234700000616
表示时刻t第i个分布式光伏发电设备的预测功率，
Figure BDA00024487234700000617
表示时刻t第i个分布式光伏发电设备的实际功率；
所述分布式风力发电设备的输出功率不等式约束条件还满足：
Figure BDA00024487234700000618
其中，
Figure BDA00024487234700000619
表示时刻t第i个分布式风力发电设备的参数，
Figure BDA00024487234700000620
表示时刻t第i个分布式风力发电设备的预测功率，
Figure BDA00024487234700000621
表示时刻t第i个分布式风力发电设备的实际功率。
一种基于云边协同计算的微电网实时调度系统，包括云计算模块和逆变器控制模块，
所述云计算模块，用于预测微电网的供需能力；还用于基于预测的所述微电网的供需能力，构建微电网的多参数规划实时调度模型；
所述逆变器控制模块，用于获取微电网实时参数信息；还用于基于微电网实时参数信息和微电网的多参数实时调度模型，获得微电网的实时控制策略。
优选的，所述基于云边协同计算的微电网实时调度系统，其特征在于，还包括通信模块，
所述通信模块，用于所述云计算模块和所述逆变器控制模块、所述逆变器控制模块与所述逆变器控制模块进行信息交互。
优选的，所述逆变器控制模块包括主逆变器和备用逆变器，
所述主逆变器，用于获取微电网实时参数信息，还用于基于微电网实时参数信息和微电网的多参数实时调度模型，获得微电网的实时控制策略；
所述备用逆变器，用于确认主逆变器是否发生故障，还用于主逆变器发生故障时，承担主逆变器的任务。
本发明所述的基于云边协同计算的微电网实时调度方法及系统，去掉了微电网中的集中式能量管理系统，可以比传统方法更快地计算出动态实时调度安排，而且具有很高的可靠性，在实际应用中具有较大价值。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所述的基于云边协同计算的微电网实时调度系统的示意图；
图2为本发明所述的基于云边协同计算的微电网实时调度方法的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，显然，所描述的实施例是本发明一部分实施例，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。
本实施例公开了一种基于云边协同计算的微电网实时调度系统，所述微电网包括分布式发电设备、分布式储能设备及负荷。其中，所述微电网实时调度系统包括云计算模块和逆变器控制模块，
所述云计算模块，用于预测微电网的供需能力；还用于基于预测的所述微电网的供需能力，构建微电网的多参数规划实时调度模型；
所述逆变器控制模块，用于获取微电网实时参数信息；还用于基于微电网实时参数信息和微电网的多参数实时调度模型，获得微电网的实时控制策略。
需要说明的是，由于分布式发电设备、分布式储能设备与各节点的负荷实际值总是波动的，因此可以将其真实值与预测值的相对误差视为参数，即本实施例所述的参数为某个数据的真实值与预测值的相对误差。
其中，所述微电网实时调度系统还包括通信模块，
所述通信模块，用于所述云计算模块和所述逆变器控制模块、所述逆变器控制模块与所述逆变器控制模块进行信息交互。
请参照图1，图1示例性的给出了本发明所述的基于云边协同计算的微电网实时调度系统的一种拓扑结构。所述微电网实时调度系统包括云计算模块和逆变器控制模块，所述云计算模块包括云计算平台，所述逆变器控制模块包括逆变器和控制器，本实施例所述的逆变器具有通信、计算和控制等功能。所述逆变器与所述云计算平台、所述逆变器与所述逆变器，所述控制器与所述控制器，所述控制器与所述云计算平台均通过所述通信模块(即图1中的通信网)进行信息交互。本实施例中的微电网，其分布式发电设备包括光伏发电设备、风力发电设备、柴油机及微型燃气轮机，所述储能设备包括燃料电池。具体的，所述逆变器与与其对应的所述光伏发电设备、风力发电设备电连接，所述控制器与其对应的所述负荷、所述燃料电池、所述柴油机及所述微型燃气轮机电连接。其中，所述逆变器与逆变器，所述逆变器与所述控制器也存在电连接。
其中，所述逆变器包括主逆变器和备用逆变器，
所述主逆变器，用于获取微电网实时参数信息，还用于基于微电网实时参数信息和微电网的多参数实时调度模型，获得微电网的实时控制策略；
所述备用逆变器，用于确认主逆变器是否发生故障，还用于主逆变器发生故障时，承担主逆变器的任务。
请参照图2，本实施例还公开了一种基于上述微电网实时调度系统的调度方法，具体的，所述基于云边协同计算的微电网实时调度方法，包括以下步骤：
S1：预测微电网的供需能力；
S2：基于预测的所述微电网的供需能力，构建微电网的多参数规划实时调度模型；
S3：获取微电网实时参数信息；
S4：基于微电网实时参数信息和微电网的多参数实时调度模型，获得微电网的实时控制策略。
本实施例所述的基于云边协同计算的微电网实时调度方法中微电网的实时调度由云计算平台和微电网中的逆变器控制模块共同完成。其中云计算平台位于远程端，负责整合主网和配电网的信息，并且承担主要的计算任务，结合微网参数进行离线优化计算，即构建微电网的多参数规划实时调度模型；微电网中的逆变器控制模块接收云计算平台传递而来的多参数规划实时调度模型并加以储存，在监测到各个负荷、风力发电设备、光伏发电设备及储能设备的实时参数之后，将参数值实际值带入多参数规划实时调度模型中得到最佳控制策略，并且进一步根据最佳控制策略对各自对应的负荷、分布式发电设备及储能设备)进行控制。本发明所述的基于云边协同计算的微电网实时调度方法，去掉了微电网中的集中式能量管理系统，可以比传统方法更快地计算出动态实时调度安排，而且具有很高的可靠性，在实际应用中具有较大价值。
本实施例还对适用性进行额外检查，如果有些分布式可再生能源发电设备输出超出其指定范围，这意味着其实际输出明显偏离其预测值，并且违反了其预定义的错误范围，则应通知云计算平台，并用该范围更新微电网的预测供需能力。
具体的，所述步骤S4包括以下步骤：
S41：判断所述微电网的实时参数是否在预设范围内，
若是，执行步骤S42，
若否，执行步骤S43；
S42：更新微电网的预测供需能力，执行步骤S2；
S43：判断微电网中的逆变器是否故障，
若是，执行步骤S44,
若否，执行步骤S45；
S44：更新微电网的拓扑结构，执行步骤S2；
S45：计算微电网的实时控制策略。
具体的，在微电网中，每个发电单元都有一个逆变器。每个逆变器都有一个对应的计算芯片，用于通信，计算和控制。为了确保系统可靠性，我们将逆变器分为三类：主逆变器，备用逆变器和附属逆变器。它们的每种在实时决策部分都有特定的功能。
主逆变器负责数据收集和计算实时决策任务，即主逆变器用于获取微电网实时参数信息，还用于基于微电网实时参数信息和微电网的多参数实时调度模型，获得微电网的实时控制策略。
如果主逆变器发生故障，则将备用逆变器用作主逆变器。
具体的，假设主逆变器发生了单点故障问题，则微电网通过如下步骤进行处理：
当从属逆变器无法接收到来自主逆变器的实时结果时，它们会将信息发送到备用逆变器；
备用逆变器尝试与主逆变器通信以确认是否发生故障，即所述备用逆变器还用于确认主逆变器是否发生故障；
如果尝试失败，则备用逆变器会将故障问题报告给云计算平台，备用逆变器变为主逆变器，并承担主逆变器的任务，微电网的拓扑结构更新，即：备用逆变器还用于主逆变器发生故障时，承担主逆变器的任务；
云计算平台根据新的拓扑结构，重新构建微电网的多参数规划实时调度模型，并将重新构建的多参数规划实时调度模型发送给新的逆变器；
新的主变压器接收到新的多参数规划实时调度模型，并根据实时数据给出新的实时控制策略，附近的另一台逆变器将被选作备用逆变器。
通过以上步骤，当发生故障时，微电网的其余部分仍然可以正常工作，因此本发明提出的实时调度方法具有较高的可靠性。
具体的，所述步骤S1中的微电网的供需能力包括分布式发电设备的输出功率和微电网的负荷需求功率。
其中，所述步骤S2，基于预测的所述微电网的供需能力，所述构建微电网的多参数规划实时调度模型，包括以下步骤：
S21：构建时刻t的决策变量矢量Pt，所述决策变量矢量Pt由t时刻的各个所述分布式发电设备的有功功率和分布式储能设备的充电、放电功率组成，具体的，所述分布式发电设备包括柴油机、微型燃气轮机、光伏发设备和风力发电设备；
S22：基于时刻t到当天结束时刻T的决策变量矢量，构建微电网多参数二次规划模型的决策变量矢量模型Xt
Xt＝[Pt；Pt+1；…；PT]。
S23：基于微电网多参数二次规划模型的决策变量矢量Xt、最优潮流控制的目标函数与约束条件，构建微电网最优发电成本的多参数二次规划模型：
Figure BDA0002448723470000122
gi(Xt,θt)＝0，
hj(Xt,θt)≤0，
其中，minf(Xt，θt)为以Xt为变量、含有参数θt的最优发电成本函数模型，gi(Xt,θt)为等式约束条件模型，hj(Xt,θt)为不等式约束条件模型，θt为微电网供需能力的参数矢量；所述Q为二次成本常数矩阵，b为一次成本常数矢量，c为常量常数矢量。具体的，所述二次成本常数矩阵Q、一次成本常数矢量b及常量常数矢量c均由各个分布式发电设备和负荷设备的成本常数构成。
S24：基于所述微电网最优发电成本的多参数二次规划模型，完成模型求解后可以得到下列分段线性形式的计算结果，此结果可作为实时参数对应的所述微电网调度的最优解的集合模型：
Pt(θt)k＝Wkθt+wk，
Figure BDA0002448723470000121
其中，K表示线性分区的总数；Pt(θt)k表示在时刻t以θt为参数，第k个分区中，对应的决策变量取值；Wk与wk表示线性函数的一次常数矩阵与常数矢量。
其中，各个所述线性分区的约束条件满足：
Figure BDA0002448723470000131
式中，Φt表示第k个分区的一次约束常数矩阵；
Figure BDA0002448723470000132
表示第k个分区的约束常数矢量。
微电网的逆变器控制模块收到所述微电网的实时调度最优条件的线性函数模型和约束条件模型，即可根据可再生能源发电设备的实际输出功率和实际的负荷需求数据，按照所述约束条件模型确定此时的最优控制策略所在的分区编号k，并根据所述线性函数模型，将实时参数值θt带入到对应的第k个分区中决策变量矢量模型Xt中，最终求出决策变量的最优取值。
具体的，所述微电网供需能力的参数矢量θt包括时刻t由节点负荷功率构成的参数矢量
Figure BDA0002448723470000133
时刻t由风力发电设备输出功率构成的参数矢量
Figure BDA0002448723470000134
及时刻t由光伏发电设备输出功率构成的参数矢量
Figure BDA0002448723470000135
其中，
Figure BDA0002448723470000136
其中，所述等式约束条件包括：储能设备的能量值等式约束条件和微电网的有功功率等式约束条件。
具体的，所述储能设备的能量值应该在一天的周期后，回到原始的初始值，所以所述储能设备的能量值等式约束条件满足：
Figure BDA0002448723470000137
其中，
Figure BDA0002448723470000138
和
Figure BDA0002448723470000139
分别表示第i个分布式储能设备在时刻τ的充电功率和放电功率，
Figure BDA00024487234700001310
和
Figure BDA00024487234700001311
分别表示第i个分布式储能设备的充电效率和放电效率，μi,BS表示第i个分布式储能设备的自放电因数，
Figure BDA0002448723470000141
表示第i个分布式储能设备的初始能量；
电网在运行的过程中，全网的有功功率应该平衡，因此，所述微电网的有功功率等式约束条件满足：
Figure BDA0002448723470000142
其中，Nd表示所述微电网中的节点，
Figure BDA0002448723470000143
表示微电电网各个节点注入有功功率之和，
Figure BDA0002448723470000144
表示微电网各支路损耗有功功率之和。
具体的，根据功率平衡原理，各个支路的有功功率可以通过以下方法进行计算：
Figure BDA0002448723470000145
其中，
Figure BDA0002448723470000146
表示时刻t线路ij的有功功率损耗，
Figure BDA0002448723470000147
表示时刻t节点j的注入有功功率，
Figure BDA0002448723470000148
表示以节点j支路末端节点的所有支路有功功率减去支路损耗有功功率之和；
Figure BDA0002448723470000149
表示以节点j为支路初始节点的所有支路的有功功率之和。
其中，时刻t线路ij的有功功率损耗
Figure BDA00024487234700001410
为
Figure BDA00024487234700001411
其中，
Figure BDA00024487234700001412
和
Figure BDA00024487234700001413
分别表示根据预测值计算出的时刻t线路ij的有功功率和无功功率；
Figure BDA00024487234700001414
表示根据预测值计算出的时刻t节点i的电压幅值；rij表示线路ij的电阻阻值。
其中，所述时刻t节点i的注入有功功率
Figure BDA00024487234700001415
为
Figure BDA0002448723470000151
其中，
Figure BDA0002448723470000152
表示连接在节点i上的可控分布式发电设备的编号集合；
Figure BDA0002448723470000153
表示连接在节点i上的可控分布式发电设备的有功功率之和；
Figure BDA0002448723470000154
表示时刻t节点i负荷的有功功率。
由于同一储能设备不能同时进行充电和放电，因此，所述储能设备的能量值约束条件还满足：
Figure BDA0002448723470000155
其中，
Figure BDA0002448723470000156
和
Figure BDA0002448723470000157
分别表示第i个分布式储能设备在时刻t的充电功率和放电功率。此项约束的引入会导致所述多参数二次规划模型变为非线性模型，本实施例通过在目标函数中加入松弛项，将此项非线性约束条件松弛，形成线性模型。
具体的，所述目标函数minf(Xt，θt)为以Xt为变量、含有参数θt的最优发电成本函数模型，包括：
Figure BDA0002448723470000158
其中，所述C表示此微电网的总运行成本，T表示一天中总的时间段数量，n表示微电网可控分布式电源设备的总数量，
Figure BDA0002448723470000159
表示位于第i个分布式发电设备在时间段t的输出功率，函数
Figure BDA00024487234700001510
表示位于第i个分布式发电设备在时间段t的成本，
Figure BDA00024487234700001511
表示位于第i个储能设备在时间段t的充电功率，
Figure BDA00024487234700001512
表示位于第i个储能设备在时间段t的放电功率；函数
Figure BDA00024487234700001513
表示位于第i个储能设备在时间段t的成本。
其中，所述第i个分布式发电设备在时间段t的成本
Figure BDA00024487234700001514
为
Figure BDA0002448723470000161
其中，ai、bi和ci分别表示第i个分布式发电设备的二次成本常数、一次一次成本常数和常量常数；Δt表示时间间隔的长度。
其中，所述第i个储能设备在时间段t的成本
Figure BDA0002448723470000162
为
Figure BDA0002448723470000163
其中，di表示第i个储能设备的运行成本常数；ε表示用于松弛所述储能设备的能量值约束条件
Figure BDA0002448723470000164
的任意一个正数，即上述的松弛项。
具体的，所述非等式约束条件包括：负荷功率的不等式约束条件，分布式发电设备输出功率的不等式约束条件，储能设备的不等式约束条件及线路功率的不等式约束条件。
其中，所述负荷功率的不等式约束条件满足
Figure BDA0002448723470000165
式中，
Figure BDA0002448723470000166
表示时刻t节点i负荷功率的参数，
Figure BDA0002448723470000167
表示时刻t节点i负荷的预测功率，
Figure BDA0002448723470000168
表示时刻t节点i负荷的实际功率。
对于微电网中的分布式发电设备，其输出功率存在最大和最小值的限制，因此，所述分布式发电设备输出功率的不等式约束条件满足：
Figure BDA0002448723470000169
其中，
Figure BDA00024487234700001610
表示第i个分布式发电设备在时刻t的实际输出功率，
Figure BDA00024487234700001611
和
Figure BDA00024487234700001612
分别表示第i个分布式发电设备的最小和最大输出功率。
其中，所述分布式发电设备还对其实际输出的爬坡进行限定，因此，所述分布式发电设备输出功率的不等式约束条件还满足：
Figure BDA00024487234700001613
式中，
Figure BDA0002448723470000171
表示第i个分布式发电设备在时刻t的实际输出功率，
Figure BDA0002448723470000172
表示第i个分布式发电设备在时刻t-1的实际输出功率，ri表示第i个分布式发电设备的爬坡约束常数。
对于分布式储能设备，其放电和充电功率存在最大约束限制，分布式储能设备内存储能量也存在最大和最小限制，因此，所述储能设备的不等式约束条件满足：
Figure BDA0002448723470000173
Figure BDA0002448723470000174
Figure BDA0002448723470000175
其中，1≤t≤T，所述
Figure BDA0002448723470000176
和
Figure BDA0002448723470000177
分别表示第i个分布式储能设备的放电与充电最大功率，
Figure BDA0002448723470000178
和
Figure BDA0002448723470000179
分别表示第i个分布式储能设备的初始能量、最小和最大能量，
Figure BDA00024487234700001710
和
Figure BDA00024487234700001711
分别表示第i个分布式储能设备在时刻τ的充电功率和放电功率，
Figure BDA00024487234700001712
和
Figure BDA00024487234700001713
分别表示第i个分布式储能设备的充电效率和放电效率，μi,BS表示第i个分布式储能设备的自放电因数；
由于电网中的线路存在容量约束条件，线路中允许流过的有功功率有最大值限制，因此，所述线路功率的不等式约束条件满足：
Figure BDA00024487234700001714
其中，所述
Figure BDA00024487234700001715
表示表示时刻t节点i与节点j之间的线路ij流过的有功功率；
Figure BDA00024487234700001716
表示允许线路ij流过的有功功率最大值。
具体的，所述分布式发电设备包括分布式光伏发电设备和分布式风力发电设备，
所述分布式光伏发电设备的输出功率不等式约束条件还满足：
Figure BDA00024487234700001717
其中，
Figure BDA0002448723470000181
表示时刻t第i个分布式光伏发电设备的参数，
Figure BDA0002448723470000182
表示时刻t第i个分布式光伏发电设备的预测功率，
Figure BDA0002448723470000183
表示时刻t第i个分布式光伏发电设备的实际功率；
所述分布式风力发电设备的输出功率不等式约束条件还满足：
Figure BDA0002448723470000184
其中，
Figure BDA0002448723470000185
表示时刻t第i个分布式风力发电设备的参数，
Figure BDA0002448723470000186
表示时刻t第i个分布式风力发电设备的预测功率，
Figure BDA0002448723470000187
表示时刻t第i个分布式风力发电设备的实际功率。
尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (17)

1.一种基于云边协同计算的微电网实时调度方法，其特征在于，所述调度方法包括以下步骤：
S1：预测微电网的供需能力；
S2：基于所述供需能力，构建所述微电网的多参数规划实时调度模型；
S3：获取所述微电网的实时参数信息；
S4：基于所述实时参数信息和多参数实时调度模型，获得所述微电网的实时控制策略。
2.根据权利要求1所述的基于云边协同计算的微电网实时调度方法，其特征在于，所述步骤S4包括以下步骤：
S41：判断所述微电网的实时参数是否在预设范围内，
若是，执行步骤S42，
若否，执行步骤S43；
S42：更新所述微电网的预测供需能力，执行步骤S2；
S43：判断所述微电网中的逆变器是否故障，
若是，执行步骤S44，
若否，执行步骤S45；
S44：更新所述微电网的拓扑结构，执行步骤S2；
S45：计算所述实时控制策略。
3.根据权利要求2所述的基于云边协同计算的微电网实时调度方法，其特征在于，所述逆变器包括主逆变器和备用逆变器，
所述主逆变器，用于获取所述微电网的实时参数信息，还用于基于所诉实时参数信息和多参数实时调度模型，获得所述微电网的实时控制策略；
所述备用逆变器，用于确认所述主逆变器是否发生故障，还用于所述主逆变器发生故障时，承担所述主逆变器的任务。
4.根据权利要求1所述的基于云边协同计算的微电网实时调度方法，其特征在于，所述微电网的供需能力包括分布式发电设备的输出功率和所述微电网的负荷需求功率。
5.根据权利要求4所述的基于云边协同计算的微电网实时调度方法，其特征在于，所述步骤S2包括以下步骤：
构建时刻t的决策变量矢量Pt，所述决策变量矢量Pt包括t时刻的各个所述分布式发电设备的有功功率和分布式储能设备的充电、放电功率；
基于时刻t到当天结束时刻T的决策变量矢量，构建所述微电网的多参数二次规划模型的决策变量矢量Xt
Xt＝[Pt；Pt+1；…；PT]；
基于所述决策变量矢量Xt、最优潮流控制的目标函数与约束条件，构建所述微电网的最优发电成本的多参数二次规划模型：
Figure FDA0002448723460000021
gi(Xt，θt)＝0，
hj(Xt，θt)≤0，
其中，minf(Xt，θt)为以Xt为变量、含有参数θt的最优发电成本函数模型，gi(Xt，θt)为等式约束条件模型，hj(Xt，θt)为不等式约束条件模型，θt为所述微电网供需能力的参数矢量；Q为二次成本常数矩阵，b为一次成本常数矢量，c为常量常数矢量；
基于所述多参数二次规划模型，完成模型求解，获得所述实时参数对应的所述微电网调度的最优解的集合模型
Figure FDA0002448723460000022
其中，K表示线性分区的总数；Pt(θt)k表示在时刻t以θt为参数，第k个分区中，对应的决策变量取值；Wk与wk表示线性函数的一次常数矩阵与常数矢量。
6.根据权利要求5所述的基于云边协同计算的微电网实时调度方法，其特征在于，各个所述线性分区的约束条件满足：
Figure FDA0002448723460000031
其中，Φt表示第k个分区的一次约束常数矩阵；
Figure FDA0002448723460000032
表示第k个分区的约束常数矢量。
7.根据权利要求5或6所述的基于云边协同计算的微电网实时调度方法，其特征在于，所述微电网供需能力的参数矢量θt包括时刻t由节点负荷功率构成的参数矢量
Figure FDA0002448723460000033
时刻t由风力发电设备输出功率构成的参数矢量
Figure FDA0002448723460000034
及时刻t由光伏发电设备输出功率构成的参数矢量
Figure FDA0002448723460000035
其中，
Figure FDA0002448723460000036
8.根据权利要求5所述的基于云边协同计算的微电网实时调度方法，其特征在于，所述等式约束条件包括：储能设备的能量值等式约束条件和微电网的有功功率等式约束条件，其中，
所述储能设备的能量值等式约束条件满足：
Figure FDA0002448723460000037
其中，
Figure FDA0002448723460000038
和
Figure FDA0002448723460000039
分别表示第i个所述分布式储能设备在时刻τ的充电功率和放电功率，
Figure FDA00024487234600000310
和
Figure FDA00024487234600000311
分别表示第i个所述分布式储能设备的充电效率和放电效率，μi，BS表示第i个所述分布式储能设备的自放电因数，
Figure FDA00024487234600000312
表示第i个所述分布式储能设备的初始能量；
所述微电网的有功功率等式约束条件满足：
Figure FDA00024487234600000313
其中，Nd表示所述微电网中的节点，
Figure FDA00024487234600000314
表示所述微电网各个节点注入有功功率之和，
Figure FDA00024487234600000315
表示所述微电网各支路损耗有功功率之和。
9.根据权利要求8所述的基于云边协同计算的微电网实时调度方法，其特征在于，所述储能设备的能量值约束条件还满足：
Figure FDA0002448723460000041
其中，
Figure FDA0002448723460000042
和
Figure FDA0002448723460000043
分别表示第i个所述分布式储能设备在时刻t的充电功率和放电功率。
10.根据权利要求9所述的基于云边协同计算的微电网实时调度方法，其特征在于，所述目标函数minf(Xt，θt)为以Xt为变量、含有参数θt的最优发电成本函数模型，包括：
Figure FDA0002448723460000044
其中，所述C表示所述微电网的总运行成本，T表示一天中总的时间段数量，n表示所述微电网可控分布式电源设备的总数量，
Figure FDA0002448723460000045
表示位于第i个所述分布式发电设备在时间段t的输出功率，函数
Figure FDA0002448723460000046
表示位于第i个所述分布式发电设备在时间段t的成本，
Figure FDA0002448723460000047
表示位于第i个所述储能设备在时间段t的充电功率，
Figure FDA0002448723460000048
表示位于第i个所述储能设备在时间段t的放电功率；函数
Figure FDA0002448723460000049
表示位于第i个所述储能设备在时间段t的成本。
11.根据权利要求10所述的基于云边协同计算的微电网实时调度方法，其特征在于，所述第i个所述分布式发电设备在时间段t的成本
Figure FDA00024487234600000410
为
Figure FDA00024487234600000411
其中，ai、bi和ci分别表示第i个所述分布式发电设备的二次成本常数、一次一次成本常数和常量常数；Δt表示时间间隔的长度。
12.根据权利要求10所述的基于云边协同计算的微电网实时调度方法，其特征在于，所述第i个所述储能设备在时间段t的成本
Figure FDA0002448723460000051
为
Figure FDA0002448723460000052
其中，di表示第i个所述储能设备的运行成本常数；ε表示用于松弛所述储能设备的能量值约束条件
Figure FDA0002448723460000053
的任意一个正数。
13.根据权利要求5所述的基于云边协同计算的微电网实时调度方法，其特征在于，所述非等式约束条件包括：负荷功率的不等式约束条件，分布式发电设备输出功率的不等式约束条件，储能设备的不等式约束条件及线路功率的不等式约束条件，
所述负荷功率的不等式约束条件满足：
Figure FDA0002448723460000054
其中，
Figure FDA0002448723460000055
表示时刻t节点i负荷功率的参数，
Figure FDA0002448723460000056
表示时刻t节点i负荷的预测功率，
Figure FDA0002448723460000057
表示时刻t节点i负荷的实际功率；
所述分布式发电设备输出功率的不等式约束条件满足：
Figure FDA0002448723460000058
Figure FDA0002448723460000059
其中，
Figure FDA00024487234600000510
表示第i个分布式发电设备在时刻t的实际输出功率，
Figure FDA00024487234600000511
表示第i个分布式发电设备在时刻t-1的实际输出功率，
Figure FDA00024487234600000512
和
Figure FDA00024487234600000513
分别表示第i个分布式发电设备的最小和最大输出功率，ri表示第i个分布式发电设备的爬坡约束常数；
所述储能设备的不等式约束条件满足：
Figure FDA00024487234600000514
Figure FDA00024487234600000515
Figure FDA0002448723460000061
其中，1≤t≤T，所述
Figure FDA0002448723460000062
和
Figure FDA0002448723460000063
分别表示第i个分布式储能设备的放电与充电最大功率，
Figure FDA0002448723460000064
和
Figure FDA0002448723460000065
分别表示第i个分布式储能设备的初始能量、最小和最大能量，
Figure FDA0002448723460000066
和
Figure FDA0002448723460000067
分别表示第i个分布式储能设备在时刻τ的充电功率和放电功率，
Figure FDA0002448723460000068
和
Figure FDA0002448723460000069
分别表示第i个分布式储能设备的充电效率和放电效率，μi，BS表示第i个分布式储能设备的自放电因数；
所述线路功率的不等式约束条件满足：
Figure FDA00024487234600000610
其中，所述
Figure FDA00024487234600000611
表示表示时刻t节点i与节点j之间的线路ij流过的有功功率；
Figure FDA00024487234600000612
表示允许线路ij流过的有功功率最大值。
14.根据权利要求13所述的基于云边协同计算的微电网实时调度方法，其特征在于，所述分布式发电设备包括分布式光伏发电设备和分布式风力发电设备，
所述分布式光伏发电设备的输出功率不等式约束条件还满足：
Figure FDA00024487234600000613
其中，
Figure FDA00024487234600000614
表示时刻t第i个分布式光伏发电设备的参数，
Figure FDA00024487234600000615
表示时刻t第i个分布式光伏发电设备的预测功率，
Figure FDA00024487234600000616
表示时刻t第i个分布式光伏发电设备的实际功率；
所述分布式风力发电设备的输出功率不等式约束条件还满足：
Figure FDA00024487234600000617
其中，
Figure FDA00024487234600000618
表示时刻t第i个分布式风力发电设备的参数，
Figure FDA00024487234600000619
表示时刻t第i个分布式风力发电设备的预测功率，
Figure FDA00024487234600000620
表示时刻t第i个分布式风力发电设备的实际功率。
15.一种基于云边协同计算的微电网实时调度系统，其特征在于，包括云计算模块和逆变器控制模块，
所述云计算模块，用于预测所述微电网的供需能力；还用于基于所述供需能力，构建所述微电网的多参数规划实时调度模型；
所述逆变器控制模块，用于获取所述微电网的实时参数信息；还用于基于所述实时参数信息和多参数实时调度模型，获得微电网的实时控制策略。
16.根据权利要求15所述的基于云边协同计算的微电网实时调度系统，其特征在于，还包括通信模块，
所述通信模块，用于所述云计算模块和所述逆变器控制模块、所述逆变器控制模块与所述逆变器控制模块进行信息交互。
17.根据权利要求16所述的基于云边协同计算的微电网实时调度系统，其特征在于，所述逆变器控制模块包括主逆变器和备用逆变器，
所述主逆变器，用于获取所述实时参数信息，还用于基于所述实时参数信息和多参数实时调度模型，获得所述实时控制策略；
所述备用逆变器，用于确认所述主逆变器是否发生故障，还用于所述主逆变器发生故障时，承担所述主逆变器的任务。
CN202010286532.1A 2020-04-13 2020-04-13 一种基于云边协同计算的微电网实时调度方法及系统 Pending CN111525626A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010286532.1A CN111525626A (zh) 2020-04-13 2020-04-13 一种基于云边协同计算的微电网实时调度方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010286532.1A CN111525626A (zh) 2020-04-13 2020-04-13 一种基于云边协同计算的微电网实时调度方法及系统

Publications (1)

Publication Number Publication Date
CN111525626A true CN111525626A (zh) 2020-08-11

Family

ID=71911549

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010286532.1A Pending CN111525626A (zh) 2020-04-13 2020-04-13 一种基于云边协同计算的微电网实时调度方法及系统

Country Status (1)

Country Link
CN (1) CN111525626A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112882383A (zh) * 2021-01-11 2021-06-01 合肥工业大学 一种面向变电站监测与边缘云协同的预测控制调度方法
CN113872323A (zh) * 2021-09-06 2021-12-31 广西电网有限责任公司电力科学研究院 一种基于边缘智能的微电网云边协同控制系统
WO2023167631A1 (en) * 2022-03-02 2023-09-07 Envision Digital International Pte. Ltd. An electrical power system and a multi-timescale coordinated optimization scheduling method therefor

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105140971A (zh) * 2015-09-17 2015-12-09 浙江工商大学 一种基于重加权加速Lagrangian的交直流微电网分布式调度方法
US20170176965A1 (en) * 2014-02-03 2017-06-22 Green Power Technologies, S.L. System and method for the distributed control and management of a microgrid
CN107194565A (zh) * 2017-05-17 2017-09-22 国家电网公司 一种基于云决策的电网调度优化方法和系统
CN109993419A (zh) * 2019-03-18 2019-07-09 东南大学 一种综合能源服务商云协同-边缘协同优化调度方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170176965A1 (en) * 2014-02-03 2017-06-22 Green Power Technologies, S.L. System and method for the distributed control and management of a microgrid
CN105140971A (zh) * 2015-09-17 2015-12-09 浙江工商大学 一种基于重加权加速Lagrangian的交直流微电网分布式调度方法
CN107194565A (zh) * 2017-05-17 2017-09-22 国家电网公司 一种基于云决策的电网调度优化方法和系统
CN109993419A (zh) * 2019-03-18 2019-07-09 东南大学 一种综合能源服务商云协同-边缘协同优化调度方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WANG SIYUAN,ET AL.: "Cloud Computing and Local Chip-Based Dynamic Economic Dispatch for Microgrids", 《IEEE TRANSACTIONS ON SMART GRID》 *
张彦 等: "《基于模型预测控制的能源互联网系统分布式优化调度研究》", 《中国电机工程学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112882383A (zh) * 2021-01-11 2021-06-01 合肥工业大学 一种面向变电站监测与边缘云协同的预测控制调度方法
CN112882383B (zh) * 2021-01-11 2022-03-22 合肥工业大学 一种面向变电站监测与边缘云协同的预测控制调度方法
CN113872323A (zh) * 2021-09-06 2021-12-31 广西电网有限责任公司电力科学研究院 一种基于边缘智能的微电网云边协同控制系统
WO2023167631A1 (en) * 2022-03-02 2023-09-07 Envision Digital International Pte. Ltd. An electrical power system and a multi-timescale coordinated optimization scheduling method therefor

Similar Documents

Publication Publication Date Title
Valverde et al. Integration of fuel cell technologies in renewable-energy-based microgrids optimizing operational costs and durability
Ke et al. Sizing the battery energy storage system on a university campus with prediction of load and photovoltaic generation
Tan et al. Optimization of distribution network incorporating distributed generators: An integrated approach
US20170262007A1 (en) Multi-agent oriented method for forecasting-based control with load priority of microgrid in island mode
Meng et al. Hierarchical SCOPF considering wind energy integration through multiterminal VSC-HVDC grids
Fu et al. Integration of large-scale offshore wind energy via VSC-HVDC in day-ahead scheduling
CN111525626A (zh) 一种基于云边协同计算的微电网实时调度方法及系统
Wang et al. Cloud computing and local chip-based dynamic economic dispatch for microgrids
Momoh et al. Review of optimization techniques for renewable energy resources
Liu et al. Bi-level coordinated power system restoration model considering the support of multiple flexible resources
Izzatillaev et al. Short-term load forecasting in grid-connected microgrid
Suprême et al. OSER—A Planning Tool for Power Systems Operation Simulation and for Impacts Evaluation of the Distributed Energy Resources on the Transmission System
Rubanenko et al. Predicting the power generation from renewable energy sources by using ANN
Li et al. Online microgrid energy management based on safe deep reinforcement learning
Borra et al. Dynamic programming for solving unit commitment and security problems in microgrid systems
Rosato et al. A smart grid in Ponza island: battery energy storage management by echo state neural network
Delfino et al. Identification and management of an electrical storage system for application in photovoltaic installations
CN115800276A (zh) 一种考虑机组爬坡的电力系统应急调度方法
Nie et al. Deep reinforcement learning based approach for optimal power flow of microgrid with grid services implementation
Memari et al. Reliability evaluation of active distribution networks based on scenario reduction method using PSO algorithm
Siddique et al. Control strategy for a smart grid-hybrid controller for renewable energy using artificial neuro and fuzzy intelligent system
Bordons et al. Basic Energy Management Systems in Microgrids
CN111769601A (zh) 一种基于mpc策略的微电网能量调度方法
Jain et al. A data driven approach for scheduling the charging of electric vehicles
Zhao et al. A Wind Power/Photovoltaic/Hydropower/Pumped Storage Power Station System Sizing Strategy

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200811

WD01 Invention patent application deemed withdrawn after publication