CN111585295B - 一种基于laes-caes的储能配置方法 - Google Patents
一种基于laes-caes的储能配置方法 Download PDFInfo
- Publication number
- CN111585295B CN111585295B CN202010468093.6A CN202010468093A CN111585295B CN 111585295 B CN111585295 B CN 111585295B CN 202010468093 A CN202010468093 A CN 202010468093A CN 111585295 B CN111585295 B CN 111585295B
- Authority
- CN
- China
- Prior art keywords
- caes
- laes
- power
- time
- energy storage
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- 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
- H02J15/00—Systems for storing electric energy
- H02J15/006—Systems for storing electric energy in the form of pneumatic energy, e.g. compressed air energy storage [CAES]
-
- 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
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Abstract
本发明提出一种基于LAES‑CAES的储能配置方法。建立上层日前优化调度目标函数模型MPC,使得储能的运行成本最低,上层优化控制的输出作为下层优化控制的输入,在每一个MPC控制水平区间负荷预测、电价、SOC实时更新,MPC控制目标除LAES运行费用最小和CAES收益最大以外,还包括LAES和CAES输出与日前优化结果变差最小,建立下层日内优化控制模型。约束条件为电网安全运行约束、分布式电源出力约束、LAES约束和CAES约束。保障LAES+CAES负荷储能系统的快速反应与优化控制。本发明充分考虑到LAES和CAES混合储能系统的不同接入网络、不同接入场景的问题。
Description
技术领域
本发明属于电力系统规划运行领域,提出一种基于LAES-CAES的储能配置方法,具体是一种基于液态空气储能枢纽站的分布式压缩空气储能的储能配置方法。
背景技术
目前,化石能源大规模的开发利用所导致的环境问题,得到世界各国的高度重视,以建立清洁低碳现代能源体系为目标的能源革命在全球蓬勃兴起,开启新一轮电气化进程,即再电气化。随着再电气化的快速发展,电力负荷将快速增长,负荷特性发生深刻转变,负荷的不确定性进一步增强,给电网安全运行和供电可靠性带来新的挑战。储能是促进再电气化快速发展和应对这些挑战的重要手段。
液态空气储能(LAES)技术在国内外示范工程中得到了验证应用,趋于成熟,得到了一定的商业应用。液态空气储能技术实现压缩空气的液态存储,在具备传统的压缩空气储能技术的众多优势基础上,摆脱了地理位置、地貌条件等环境因素的限制,具备单位储能成本低、储能密度高、可移动存储、可与其他的储能方式结合等优势。
压缩空气储能(CAES)一般包括3个主要部分:压缩过程、储气装置和膨胀发电过程。大规模的CAES一般利用废弃矿井、盐洞等大型岩石洞穴存储压缩空气,对地理环境要求较高。但是对于接入配电网、用户侧的小型CAES,压缩空气可以用储气罐存储,对地理环境没有严格的要求。
本发明以LAES为能源枢纽站,CAES分散式灵活配置在不同电网和用户的场景,LAES 为CAES生产和供给压缩空气,使LAES的规模效益和经济效益最大化,并克服CAES对地理环境的要求,提高CAES应用场景的灵活性,在此基础上,本发明建立了基于 LAES-CAES的双层控制模型,以实现此模型的日前运行成本最低和实时运行偏差最小。
发明内容
本发明的目的是针对现有技术的不足,提供一种基于LAES-CAES的储能配置方法,具体是一种基于液态空气储能枢纽站的分布式压缩空气储能的储能配置方法。此储能系统的运行控制可以分为日前运行调度与日内实时控制两部分。日前调度控制根据日前负荷与可再生能源出力预测以及日前电价来优化日前的运行成本计划。日内实时控制运行时,由于受天气、温度以及其他不确定性因数的影响,系统负荷和可再生能源实时出力可能与日前预测有较大的偏差,实时电价与日前电价也有不小的差异,因此,储能的实时控制应根据系统实际运行情况以及对未来控制时间段的预测值来优化储能的实时出力,使得储能的实时充放电与日前计划的偏差最小以及整体运行成本最小。
本发明基于以下设备布局:
本发明根据LAES和CAES的特点,提出可面向城市电网及就地供能需求的LAES和CAES紧凑型多元复合分布式储能系统,在负荷集中地区建立LAES储能枢纽站,在分布式可再生能源、中低压配电网、微网和用户侧配置CAES储能。LAES作为枢纽站为电网提供辅助服务,CAES实现就地提供能源服务。
本发明建立上层日前优化调度目标函数模型MPC,使得储能的运行成本最低,上层优化控制的输出作为下层优化控制的输入,在每一个MPC控制水平区间负荷预测、电价、SOC实时更新,MPC控制目标除LAES运行费用最小和CAES收益最大以外,还包括LAES 和CAES输出与日前优化结果变差最小,建立下层日内优化控制模型。约束条件为电网安全运行约束、分布式电源出力约束、LAES约束和CAES约束。保障LAES+CAES负荷储能系统的快速反应与优化控制。本发明充分考虑到LAES和CAES混合储能系统的不同接入网络、不同接入场景的问题。具体包括如下步骤:
步骤(1)、获得日前发电机组出力数据、负荷数据、LAES和CAES的SOC(储气比) 以及日前历史电价数据信息;
步骤(2)、建立上层日前优化调度目标函数模型,以LAES运行费用最小和CAES 收益最大为目标,即:整个LAES+CAES复合储能系统运行费用最小。
1)目标函数
式中,EDA为LAES+CAES复合储能系统的运行费用,T为控制优化时间,一般为24 小时,为t时刻的电价,和分别表示LAES在t时刻的发电功率和从电网获取电能制气的功率,△t为时间长度,n为CAES个数,为第i个CAES在t 时刻的发电功率。
2)约束条件
2.1电网安全运行约束条件
对含分布式电源、储能等的有源配电网,一般不允许配电网向输电网反向输送电力。
即:
2.2分布式电源出力约束条件
分布式电源指接入配电网的光伏、风电等发电装置,其出力不能大于发电机的最大功率。
2.3 CAES约束条件
CAES发电功率不能大于CAES的最大发电功率。
CAES储气比(SOC)应该保持在合理范围之内。
式中,表示t-1时刻第i个CAES的压缩空气储存量,表示t时刻第i 个CAES的高压压缩空气转换电能的功率,ηCAES,i表示第i个CAES的高压压缩空气转换电能的效率,表示t时刻第i个CAES从LAES能源枢纽站获得的压缩空气能量。
2.4 LAES约束条件
LAES从电网获取电能制气的功率不能大于其最大功率,同样,LAES利用液态空气膨胀发电的功率不能大于其出力最大功率,即:
式中,表示t-1时刻LAES的液态空气储存能量,表示t时刻LAES的液态空气膨胀发电功率。表示LAES的液态空气膨胀发电效率,表示t时刻LAES 用电能制气的功率,表示LAES用电能制气效率。表示在t时刻第i个CAES电能转换为高压压缩空气的能量。
将公式(12)代入公式(11):
LAES不能同时用电制气和用液态空气发电,如式(14)所示:
通过步骤(1)获取的日前发电机组出力数据、负荷数据、LAES和CAES的SOC以及日前电价数据信息,作为步骤(2)的输入条件,通过matlab中的Cplex对其进行求解,得到LAES运行费用最小,和CAES运行收益最大,即LAES-CAES混合储能系统的日前发电与生产压缩/液态空气计划(一般以小时为单位),进一步得出LAES-CAES复合储能系统收益最大时所对应的日前预测数据(包括日前发电机组出力预测数据、负荷预测数据、LAES和CAES的预测SOC数据)。
步骤(3)、由于受天气、温度、风速及其他不确定性因数的影响,实际负荷、RES 出力和电价与日前预测数据可能有较大差异,将步骤(2)的结果作为输入,建立下层日内优化调度目标函数模型,以步骤(2)的约束条件--电网安全运行约束、分布式电源出力约束、CAES约束、LAES约束为约束条件,以整个LAES+CAES复合储能系统运行费用最小(即LAES运行费用最小和CAES收益最大)和实际充放电与日前计划偏差最小为目标;
1)LAES-CAES复合储能系统的运行费用最小的目标函数:
式中,表示实时t时刻LAES+CAES复合储能系统的运行费用,k表示实时滚动优化时间区间,表示j时刻的实时电价,表示在j时刻LAES从电网获取电能制气的实时功率,表示在j时刻LAES实时发电功率,为在j时刻CAES 实时发电功率。
2)LAES和CAES实际充放电功率与日前优化结果的偏差最小的目标函数:
式中,为t时刻LAES和CAES实际输出功率与日前优化调度的偏差,k表示实时滚动优化时间区间,表示在j时刻LAES实时发电功率,表示LAES在 j时刻的预测发电功率,表示在j时刻LAES从电网获取电能制气的实时功率,表示LAES在j时刻从电网获取电能制气的预测功率,n表示CAES的个数,表示第i个CAES在j时刻实时发电功率,表示第i个CAES在j时刻预测发电功率,表示第i个CAES在j时刻实时充电功率,表示第i个CAES在j时刻预测充电功率。
通过对步骤(2)进行仿真求解得到LAES运行费用最小,和CAES运行收益最大,即LAES-CAES混合储能系统日前发电与生产压缩/液态空气计划(一般以小时为单位),可以得出此复合储能系统收益最大时所对应的日前预测数据。将步骤(2)的结果作为步骤(3)的输入,结合日内优化的实时数据,通过matlab仿真平台,得出LAES-CAES 复合储能系统的运行费用最小、实际充放电与日前计划偏差最小。
一种LAES-CAES复合储能系统,在负荷集中地区建立LAES储能枢纽站,在分布式可再生能源、中低压配电网、微网和用户侧配置CAES储能,LAES、CAES储能配置采用上述方法实时优化。
本发明的有益效果是:本发明提出了一种基于LAES-CAES的储能配置方法,并针对LAES和CAES运行特点,建立了一种基于日前和日内双层优化的模型,使LAES+CAES系统的运行费用最小以及使LAES和CAES日内与日前的充放电出力偏差最小。仿真表明本发明建立的LAES-CAES的储能配置系统具有良好的经济性,验证了所提方法的正确性。随着终端能源的深度利用以及分布式可再生能源的快速发展,传统配电网将面临供电可靠性和安全运行的巨大挑战,采用以LAES为储能枢纽站,分布式灵活配置CAES时应对这些挑战的有效措施之一,本发明具有广阔的应用前景。
附图说明
图1为本发明的具体流程图。
具体实施方式
下面结合附图对本发明中的技术方案进行清楚、完整地描述。
参考图1,本发明所述的提供一种基于LAES-CAES的储能配置方法,具体是一种基于液态空气储能枢纽站的分布式压缩空气储能的储能配置方法,具体操作包括以下步骤:
步骤(1)、获得日前发电机组出力数据、负荷数据、LAES和CAES的SOC(储气比) 以及日前历史电价数据信息;
步骤(2)、建立上层日前优化调度目标函数模型,以LAES运行费用最小和CAES 收益最大为目标,即:整个LAES+CAES复合储能系统运行费用最小。
2)目标函数
式中,EDA为LAES+CAES复合储能系统的运行费用,T为控制优化时间,一般为24 小时,为t时刻的电价,和分别表示LAES在t时刻的发电功率和从电网获取电能制气的功率,△t为时间长度,n为CAES个数,为第i个CAES在t 时刻的发电功率。
2)约束条件
2.1电网安全运行约束条件
对含分布式电源、储能等的有源配电网,一般不允许配电网向输电网反向输送电力。
即:
2.2分布式电源出力约束条件
分布式电源指接入配电网的光伏、风电等发电装置,其出力不能大于发电机的最大功率。
2.3 CAES约束条件
CAES发电功率不能大于CAES的最大发电功率。
CAES储气比(SOC)应该保持在合理范围之内。
式中,表示t-1时刻第i个CAES的压缩空气储存量,表示t时刻第i 个CAES的高压压缩空气转换电能的功率,ηCAES,i表示第i个CAES的高压压缩空气转换电能的效率,表示t时刻第i个CAES从LAES能源枢纽站获得的压缩空气能量。
2.4 LAES约束条件
LAES从电网获取电能制气的功率不能大于其最大功率,同样,LAES利用液态空气膨胀发电的功率不能大于其出力最大功率,即:
式中,表示t-1时刻LAES的液态空气储存能量,表示t时刻LAES的液态空气膨胀发电功率。表示LAES的液态空气膨胀发电效率,表示t时刻LAES 用电能制气的功率,表示LAES用电能制气效率。表示在t时刻第i个CAES电能转换为高压压缩空气的能量。
将公式(12)代入公式(11):
LAES不能同时用电制气和用液态空气发电,如式(14)所示:
通过步骤(1)获取的日前发电机组出力数据、负荷数据、LAES和CAES的SOC以及日前电价数据信息,作为步骤(2)的输入条件,通过matlab中的Cplex对其进行求解,得到LAES运行费用最小,和CAES运行收益最大,即LAES-CAES混合储能系统的日前发电与生产压缩/液态空气计划(一般以小时为单位),进一步得出LAES-CAES复合储能系统收益最大时所对应的日前预测数据(包括日前发电机组出力预测数据、负荷预测数据、LAES和CAES的预测SOC数据)。
步骤(3)、由于受天气、温度、风速及其他不确定性因数的影响,实际负荷、RES 出力和电价与日前预测数据可能有较大差异,将步骤(2)的结果作为输入,建立下层日内优化调度目标函数模型,以步骤(2)的约束条件--电网安全运行约束、分布式电源出力约束、CAES约束、LAES约束为约束条件,以整个LAES+CAES复合储能系统运行费用最小(即LAES运行费用最小和CAES收益最大)和实际充放电与日前计划偏差最小为目标;
3)LAES-CAES复合储能系统的运行费用最小的目标函数:
式中,表示实时t时刻LAES+CAES复合储能系统的运行费用,k表示实时滚动优化时间区间,表示j时刻的实时电价,表示在j时刻LAES从电网获取电能制气的实时功率,表示在j时刻LAES实时发电功率,为在j时刻CAES 实时发电功率。
4)LAES和CAES实际充放电功率与日前优化结果的偏差最小的目标函数:
式中,为t时刻LAES和CAES实际输出功率与日前优化调度的偏差,k表示实时滚动优化时间区间,表示在j时刻LAES实时发电功率,表示LAES在 j时刻的发电功率,表示在j时刻LAES从电网获取电能制气的实时功率,表示LAES在j时刻从电网获取电能制气的功率,n表示CAES的个数,表示第i 个CAES在j时刻实时发电功率,表示第i个CAES在j时刻发电功率,表示第i个CAES在j时刻实时充电功率,表示第i个CAES在j时刻充电功率。
通过对步骤(2)进行仿真求解得到LAES运行费用最小,和CAES运行收益最大,即LAES-CAES混合储能系统日前发电与生产压缩/液态空气计划(一般以小时为单位),可以得出此复合储能系统收益最大时所对应的日前预测数据。将步骤(2)的结果作为步骤(3)的输入,在结合日内优化的实时数据,通过matlab仿真平台,得出LAES-CAES 复合储能系统的运行费用最小、实际充放电与日前计划偏差最小。
本发明提出了一种基于LAES储能枢纽站的分布式CAES系统,并针对LAES和CAES运行特点,建立了一种基于日前和日内双层优化的模型预测控制方法,使LAES+CAES 系统的运行费用最小以及使LAES和CAES日内与日前的充放电出力偏差最小。仿真表明基于LAES枢纽站的分布式CAES系统具有良好的经济性,验证了所提方法的正确性。随着终端能源的深度利用以及分布式可再生能源的快速发展,传统配电网将面临供电可靠性和安全运行的巨大挑战,采用以LAES为储能枢纽站,分布式灵活配置CAES时应对这些挑战的有效措施之一,本发明具有广阔的应用前景。
对于本领域的技术人员而言,本发明不限于上述实施例的细节,应将实施例看作为示范性的,而非必要性的,可以在满足基本特征和技术方案的范围内以其他的形式实现本发明,对本发明的方案进行一定的修改或者等同替换,其均应涵盖在本发明的权利要求范围中,不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (6)
1.一种基于LAES-CAES的储能配置方法,基于以下设备布局:在负荷集中地区建立LAES储能枢纽站,在分布式可再生能源、中低压配电网、微网和用户侧配置CAES储能;其特征在于该方法包括以下步骤:
步骤(1)、获得日前发电机组出力数据、负荷数据、LAES和CAES的储气比数据以及日前历史电价数据信息;
步骤(2)、建立上层日前优化调度目标函数模型,以电网安全运行约束、分布式电源出力约束、CAES约束、LAES约束为约束条件,以LAES运行费用最小和CAES收益最大为目标,即整个LAES-CAES复合储能系统运行费用最小;
1)目标函数
式中,EDA为LAES-CAES复合储能系统的运行费用,T为控制优化时间,为t时刻的电价,和分别表示LAES在t时刻的预测发电功率和从电网获取电能制气的预测功率,Δt为时间长度,n为CAES个数,为第i个CAES在t时刻的预测发电功率;
将步骤(1)获取的日前发电机组出力数据、负荷数据、LAES和CAES的SOC以及日前电价数据信息作为步骤(2)的输入条件,通过matlab中的Cplex对目标函数公式(1)进行求解,得到LAES-CAES复合储能系统收益最大时所对应的日前预测数据;
步骤(3)、建立下层日内优化调度目标函数模型,以电网安全运行约束、分布式电源出力约束、CAES约束、LAES约束为约束条件,以整个LAES-CAES复合储能系统运行费用最小和实际充放电功率与日前优化调度偏差最小为目标;
1)LAES-CAES复合储能系统的运行费用最小的目标函数:
式中,表示t时刻LAES-CAES复合储能系统的实时运行费用,k表示实时滚动优化时间区间,表示j时刻的实时电价,表示在j时刻LAES从电网获取电能制气的实时功率,表示在j时刻LAES实时发电功率,为在j时刻CAES实时发电功率;
2)LAES和CAES实际充放电功率与日前优化调度偏差最小的目标函数:
式中,为t时刻LAES和CAES实际充放电功率与日前优化调度偏差,表示LAES在j时刻的预测发电功率,表示LAES在j时刻从电网获取电能制气的预测功率,表示第i个CAES在j时刻实时发电功率,表示第i个CAES在j时刻预测发电功率,表示第i个CAES在j时刻实时充电功率,表示第i个CAES在j时刻预测充电功率;
将步骤(2)获得的日前预测数据作为步骤(3)的输入,结合日内优化的实时数据,通过matlab仿真平台,得出LAES-CAES复合储能系统的运行费用最小、实际充放电功率与日前优化调度偏差最小。
5.根据权利要求1或2所述的方法,其特征在于LAES约束条件具体是:
LAES从电网获取电能制气的功率不能大于其最大功率,同样,LAES利用液态空气膨胀发电的功率不能大于其出力最大功率,即:
将公式(12)代入公式(11):
LAES不能同时用电能制气和用液态空气发电,见式(14):
6.一种LAES-CAES复合储能系统,其特征在于在负荷集中地区建立LAES储能枢纽站,在分布式可再生能源、中低压配电网、微网和用户侧配置CAES储能,LAES、CAES储能配置采用上述权利要求1-5任一项所述的方法实时优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010468093.6A CN111585295B (zh) | 2020-05-28 | 2020-05-28 | 一种基于laes-caes的储能配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010468093.6A CN111585295B (zh) | 2020-05-28 | 2020-05-28 | 一种基于laes-caes的储能配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111585295A CN111585295A (zh) | 2020-08-25 |
CN111585295B true CN111585295B (zh) | 2021-12-21 |
Family
ID=72111207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010468093.6A Active CN111585295B (zh) | 2020-05-28 | 2020-05-28 | 一种基于laes-caes的储能配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111585295B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112332454A (zh) * | 2020-11-13 | 2021-02-05 | 国网冀北电力有限公司电力科学研究院 | 基于含抽蓄柔性直流输电系统的电池储能处理方法及装置 |
CN113420397B (zh) * | 2021-06-09 | 2022-04-22 | 中国科学院理化技术研究所 | 储能电站动态运行调控方法 |
CN117650636B (zh) * | 2024-01-30 | 2024-04-09 | 辽宁新能数智科技有限公司 | 一种多容量模块化laes系统的控制系统及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107612001B (zh) * | 2017-10-10 | 2023-12-29 | 赫普能源环境科技股份有限公司 | 一种用于火电厂的电压缩机与蓄电设施联合的电网调频系统 |
-
2020
- 2020-05-28 CN CN202010468093.6A patent/CN111585295B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111585295A (zh) | 2020-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mehrjerdi | Off-grid solar powered charging station for electric and hydrogen vehicles including fuel cell and hydrogen storage | |
Bamisile et al. | Electrification and renewable energy nexus in developing countries; an overarching analysis of hydrogen production and electric vehicles integrality in renewable energy penetration | |
CN111585295B (zh) | 一种基于laes-caes的储能配置方法 | |
Zhou et al. | Research review on electrical energy storage technology | |
Zhao et al. | Optimization and analysis of an integrated energy system based on wind power utilization and on-site hydrogen refueling station | |
Michaelides et al. | The effect of electric vehicle energy storage on the transition to renewable energy | |
Eltohamy et al. | Overview of power system flexibility options with increasing variable renewable generations | |
Yu et al. | Towards cognitive ev charging stations enabled by digital twin and parallel intelligence | |
Yan et al. | Energy internet in smart city review | |
Hemmati et al. | Coordination of thermal/wind energies in power-to-gas process for cost/pollution abatement considering wind energy recovery | |
CN116247745A (zh) | 考虑非计划离网风险的氢能微网滚动优化调度方法 | |
Wei et al. | Whole-system Potential and Benefit of Energy Storage by Vehicle-to-grid (V2G) under Carbon Neutrality Target in China | |
Wu et al. | Research on optimal storage capacity of DC micro‐grid system in PV station | |
Karamov et al. | Increasing storage battery lifetime in autonomous photovoltaic systems with power generation structure varying throughout the year | |
Recioui et al. | Hydrogen-based Hybrid Renewable Energy System Sizing Optimization using HOMER | |
Choletais et al. | MASERA: A Microgrid Testbed For Advanced Optimisation Of Renewable Integration | |
Zhang et al. | Optimization scheme of integrated community energy utilization system based on improved sine-cosine algorithm | |
Duan et al. | Optimal energy exchange of two electric vehicle charging stations with solar-hydrogen-battery storage systems | |
Wang et al. | Why Do We Need the Distributed Energy Solution for Low-Carbon Society? | |
Luo et al. | Research on Electric Power and Energy Balance of Power System with High Penetration of New Energy | |
Huynen | Underground pumped hydro storage: Flatland Large-scale Electricity Supply | |
Wang et al. | Hydrogen‐Supported Microgrid toward Low‐Carbon Energy Transition | |
Feng et al. | Bi-level optimal configuration of multi-energy microgrid under multiple scenarios | |
Tu et al. | Day-ahead Scheduling Method Considering Uncertainty of Renewable Energy and Power System Operation Risk | |
Matheri et al. | Future Distribution Generation in an Intelligent Smart Energy Network |
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 |