CN112508325B - 一种家庭微电网多时间尺度电能调度方法 - Google Patents
一种家庭微电网多时间尺度电能调度方法 Download PDFInfo
- Publication number
- CN112508325B CN112508325B CN202011107611.8A CN202011107611A CN112508325B CN 112508325 B CN112508325 B CN 112508325B CN 202011107611 A CN202011107611 A CN 202011107611A CN 112508325 B CN112508325 B CN 112508325B
- Authority
- CN
- China
- Prior art keywords
- micro
- grid
- power
- electricity
- load
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000005611 electricity Effects 0.000 claims abstract description 104
- 230000006870 function Effects 0.000 claims abstract description 41
- 238000005457 optimization Methods 0.000 claims abstract description 33
- 230000007246 mechanism Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000005855 radiation Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000007599 discharging Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012887 quadratic function Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
-
- 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
- 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
-
- 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
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种家庭微电网多时间尺度电能调度方法,包括:采集微电网的用户用电的历史数据;对所述历史数据进行学习,进而预测未来待调度时间区间内新能源以及不能控设备的预测值;考虑可迁移负荷的优先调度规划,以优先规划调度可迁移负载以及用户电价为目标,建立指标函数,采用混合整数优化方法对指标函数求解,得到可迁移负载的调度序列和能控设备的负荷曲线;定义微电网的状态变量和控制变量,建立自学习优化机制,训练微电网控制器;调度时,以设定的时间尺度测量微电网的状态变量,并根据训练好的微电网控制器得到优化的控制变量;当微电网的温控设备开启时,通过调节温控设备的用电功率,来使得实际的用电负荷和预测的用电负荷一致。
Description
技术领域
本发明涉及智能微电网技术领域,具体涉及一种家庭微电网多时间尺度电能调度方法。
背景技术
家庭智能微电网由公用电网、蓄电池、新能源发电、用户负载侧等组成;其中,负载侧的用户用电行为对价格因素不敏感。公用电网的电价机制是以小时为时间间隔的动态电价。现有方案设计的目标是:通过蓄电池每一个小时的充电放电决策(包括充电、放电、闲置三种模式的选择,以及充放电功率的计算),在高电价时放电,在低电价时充电,达到家庭用户的用电费用最少。同时,现有技术设计了避免蓄电池过充过放的罚函数指标项以及保证电池寿命的指标项。
对于家庭微电网的相关研究,现有技术存在如下缺点:
1.一些现有技术是基于离散时间进行分析的,而电能调度在物理上是连续变化的量。为了方便分析,现有技术的采样时间均选取了1个小时,和实时电价变化的时间间隔是一致的。选取1个小时作为采样时间,是在假定用户负荷在一个小时内不变的情况下,设计的最优控制策略。而在实际的微电网中,用户的用电曲线在一个小时内是不平稳的,从而可能导致设计的方案施加到实际电网时存在误差。
2.现有技术采用的方案,仅将微网的负载看作一个等效的节点。然而在这个节点下面,还可以将用户不同的用电设备划分为能控的和不能控的用电设备。对于能控的用电设备,可以进一步引导其参与到需求侧响应来,进一步响应电价变化。
3.现有技术的方案中,只考虑了选取多层前馈神经网络作为评判者和优化控制器的参数化结构,而对于多层前馈神经网络的收敛性质,在实际应用中并没有很好的保证。事实上,在现有的技术方案中,只证明了自适应迭代算法在理论意义下的收敛性,并未讨论采用多层前馈神经网络作为参数化结构在实现该算法时的收敛性。而由于参数化结构具有模型残差,在迭代时模型残差的积累非常容易使得误差发散。
发明内容
本发明的目的是提供一种家庭微电网多时间尺度电能调度方法,用以克服现有技术存在的设计方案到实际方案可能存在误差、未考虑到设备级层面调度、容易误差发散等问题。
为了实现上述任务,本发明采用以下技术方案:
一种家庭微电网多时间尺度电能调度方法,包括:
采集微电网的用户用电的历史数据;
利用机器学习的方法对所述历史数据进行学习,进而预测未来待调度时间区间内的光伏微电网的光伏最大功率输出预测值、微电网的风机最大功率输出预测值以及微电网的不能控设备最大功率输出预测值;
基于所述不能控设备最大功率输出预测值,考虑可迁移负荷的优先调度规划,以优先规划调度可迁移负载以及用户电价为目标,建立指标函数,采用混合整数优化的方法对指标函数求解,得到可迁移负载的调度序列,继而得到微电网中能控设备的负荷曲线;
定义微电网的状态变量和控制变量,建立自学习优化机制,训练微电网控制器;
在未来待调度时间区间内,以设定的时间尺度测量微电网的状态变量,并根据训练好的微电网控制器得到优化的控制变量;当微电网的温控设备开启时,通过调节温控设备的用电功率,来使得实际的用电负荷和预测的用电负荷一致。
进一步地,所述微电网的用户用电的历史数据包括{PG,i,Pun,i,IPV,i,vWT,i,C,Pagg},其中PG,i表示微电网i从公用电网取电的历史数据,Pun,i表示微电网i不能控设备的历史负荷曲线,IPV,i表示微电网i光伏板受到的历史辐射强度,vWT,i表示微电网i的风机所处环境受到的历史风速,C表示多微电网的电价历史数据,Pagg表示所有微电网向配电网取电的总功率历史数据。
进一步地,所述以优先规划调度可迁移负载以及用户电价为目标,建立指标函数,表示为:
上式中,ω1和ω2表示罚函数,C(t)是电价,qi表示微电网i可迁移设备的数量,zζ(t)表示微电网的可迁移设备在不同时刻的开关量,取值为0或1;Γζ表示第ζ个可迁移设备的额定功率,qi表示可迁移设备数量,Pun,i(t)表示未来待调度时间区间的不能控设备最大功率输出,T表示未来待调度的时间区间的集合。
进一步地,所述定义微电网的状态变量和控制变量,表示为:
状态变量:
其中,PG,i(t)表示微电网i从配电网中取电的功率,SOCi(t)表示微电网i的蓄电池在t时刻的电量,PR,i(t)表示微电网i的负载侧供电部分的新能源最大输出功率,其等于负载侧供电部分光伏发电的最大输出功率与负载侧供电部分风机发电的最大输出功率之和;表示微电网i的不能控负荷的预测值,/>为微电网中能控设备的负荷曲线的表达式。
控制变量:
ui(t)=[Pb,i(t) si(t) Li(t)]
其中,Pb,i(t)表示微电网i买入的电,si(t)表示可供给其他微电网的电,其值为微电网i的风机发电的功率和光伏发电的功率之和;Li(t)表示微电网i的买卖电价。
进一步地,所述建立自学习优化机制,训练微电网控制器,包括:
自学习优化机制包括指标评判模块和微网调度控制器模块,其中,指标评判模块用于对微电网i的性能指标函数,通过参数化的方式做函数逼近;微网调度控制器模块用于根据指标评判模块,对微电网控制器的参数作修正和改进,以达到优化的效果,包括:
首先,初始化指标评判模块为一个正定函数,即:
其中,Q0(xi(t),ui(t))表示指标评判模块初始化的表达式,是指标评判模块中的参数,初始化时随机选取,/>xi(t)是状态变量,ui(t)是控制变量;
同时微网调度控制器模块:
其中,υ0(xi(t))表示微电网控制器,U(xi(t),ui(t))表示效用函数;
指标评判模块更新过程为:
Q1(xi(t),ui(t))=U(xi(t),υ0(xi(t)))+Q0(xi(t+Δt),ui(t+Δt))
其中,Q1(xi(t),ui(t))表示根据微网调度控制器υ0(xi(t)),进一步去改进指标评价模块的参数;
根据上面的式子反复进行优化,直到这三个参数收敛,和控制器υ0(xi(t))的参数收敛,以完成模型训练过程。
进一步地,微电网i的性能指标函数Ji=κ1J1,i+κ2J2,i+κ3J3,i,其中:
上式中,PG,i(t)表示微电网i从配电网中取电的功率,Pb,i(t)表示微电网i买入的电,Ps,i(t)表示微电网i卖出的电,微电网指定的自己的买卖电价为Li(t),C(t)为配电网对多微电网在接下来一日的用电负荷的预测值,Pb(t)表示蓄电池在t时刻的充放电功率,μi是罚函数系数;αm表示第m个用电设备的罚函数系数,Tm(t)表示t时刻第m个用电设备的温度,Tset,m(t)表示t时刻用电设备m期望的温度设定值,Mi表示微电网i的能控设备的集合,κ1κ2κ3为一组控制变量。
进一步地,所述自学习优化机制中进行学习的策略为:
将配电网对多微电网在接下来一日的用电负荷的预测值C(t)作为控制变量,将t时刻所有微电网向配电网取电的总功率Pagg(t)作为状态变量,建立启发式优化结构;所述启发式优化结构包括电价决策模块、电价响应模型以及指标评判模块,其中:
电价决策模块表示电价指定策略的函数关系;电价响应模型为用户在给定电价下的负荷变化规律;指标评判模块用于计算在当前的电价指定策略下的近似指标值;启发式优化的过程如下:
首先,根据用户用电的历史数据,通过训练得到电价响应模型;
初始化指标评判模块为一个准二次型函数,即:
其中,V0(Pagg)表示用于逼近公用电网的性能指标的函数关系, 表示迭代的参数,初始时随机选取;Pagg表示状态变量;
进而修正电价决策模块:
指标评判模块的参数和电价决策模块的参数修正次数由β表示,对于β=1,2,…,指标评判模块修正:
Vβ(Pagg)=[Pagg(t)-Pcon]2+Vβ-1(Pagg)
其中,Pcon为常数,Vβ-1(Pagg)为β-1次迭代时的Vβ(Pagg);
电价决策模块修正后:
通过上式进行迭代,直到参数收敛后停止。
与现有技术相比,本发明具有以下技术特点:
1.本发明提出一种双时间尺度的方案实现调度方案,控制器的设计涉及两个时间尺度,分别是慢时间尺度和快时间尺度,其中慢时间尺度的采样时间和现有方案一致,为1个小时,而快时间尺度则为5分钟,增加快时间尺度的优化方案意在保证蓄电池在1个小时内尽可能补偿负载侧的负荷的波动,有效地克服了从设计方案到实际电网时可能存在的误差问题。
2.本发明方法中设计了家庭设备级层面的调度,首先将家庭的负荷分为能控型负荷和不能控型负荷,对于能控型负荷,分为温控型负荷(柔性负荷)和可迁移负荷。考虑温控型负荷和可迁移负荷的可调度特性,在不引起用户不舒适的前提下,优先调度能控负荷,减少蓄电池损耗。
3.本发明方法提出准二次型的参数化结构,而不是用现有方案的多层前馈神经网络来实现自适应迭代算法。对于本发明设计的效用函数而言,采用准二次型的参数化结构可以很好地消除模型残差,进而避免了自适应迭代过程当中误差的积累使得算法发散。
附图说明
图1为家庭智能微电网的结构示意图;
图2为自学习优化机制的示意图;
图3为启发式优化结构的示意图。
具体实施方式
本技术方案研究的场景是一个具有多个微电网的配电网,其中每一个微电网用i或j表示,微电网的集合用G表示,时间用t表示,微电网i从配电网中取电的功率用PG,i(t)表示,微电网i的储能设备(蓄电池)的充放电功率用PB,i(t)表示,微电网i的光伏发电的最大输出功率用PPV,i(t)表示,微电网i的风机发电的最大输出功率用PWT,i(t)表示,Ps,i(t)表示微电网i卖出的电,Pb,i(t)表示微电网i买入的电,当微电网i向微电网j充电时,Ps,i(t)=-Pb,j(t)且Ps,j(t)=Pb,i(t)=0。表示第i个微电网的不能控设备的不能控负荷在t时刻的功率;/>表示第i个微电网的能控设备在t时刻的功率。
对于微电网i,需要满足如下的物理规律:
(1)功率平衡关系
上式中,表示蓄电池的充电功率,/>表示蓄电池的放电功率;/>表示微电网i在t时刻不能控的负载用电功率,Pc,i(t)表示微电网i在t时刻能控的负载用电功率。PR,i(t)表示微电网i的负载侧供电部分的新能源最大输出功率,/>表示微电网i的负载侧供电部分光伏发电的最大输出功率,/>表示微电网i的负载侧供电部分风机发电的最大输出功率。
即本方案中,参数上标~表示该参数在微电网i的负载侧的供电部分,参数上标^表示该参数在微电网i用于和其他微电网进行能源交易部分,下同。
(2)蓄电池的动态特性
其中,SOCi(t)、SOCi(t+Δt)表示微电网i的蓄电池在t、t+Δt时刻的电量;σi表示微电网i的蓄电池自放电系数,表示微电网i的蓄电池额定容量,λ表示定积分的积分变量,/>分别表示蓄电池充电功率、放电功率的积分形式。
(3)光伏板的最大输出功率
PPV,i(t)=APVηPVIPV,i(t)
其中,PPV,i(t)表示t时刻微电网i的光伏板最大输出功率,APV表示光伏板面积,ηPV表示光伏板效率,IPV,i(t)表示t时刻微电网i的光伏板受到的辐射强度,表示用于微电网i负载侧供电的那部分光伏功率,/>表示微电网i用来和其他微电网作能源交易的部分光伏功率。
(4)风机的最大输出功率:
其中,PWT,i(t)表示微电网i的风机的最大输出功率,表示风机用于给微电网i供电的功率,/>表示t时刻风机发出的用于跟别的微电网作能源交换的功率。
(5)不能控负荷,用表示,不能控负荷的预测值,由/>表示,可通过现有技术预测得到。
(6)能控负荷,分为温控负荷和可迁移负荷,其中:
温控负荷:包括暖通空调和热水器的负荷。
可迁移负荷:给定第i个微电网的可迁移负荷的集合Ψi,其中由qi个可迁移设备,对于第ζ个可迁移设备,即ζ=1,2,…,qi,可迁移负荷由Γζ、zζ(t)表示,其中Γζ表示第ζ个可迁移设备的用电功率,zζ(t)∈{0,1}表示用电设备的开关状态。
对于多微电网和公用电网:
公用电网基于现有的定价方案进行区域配电网的电价指定,其电价制定方案用g(·)表示,电价机制采用日前电价的形式,其电价制定与配电网对多微电网在接下来一日的用电负荷的预测值有关:
其中电价制定方案用g(·)表示,表示未来的调度时间区间内的多微电网总负荷的预测值,T表示待调度的时间区间的集合。指定电价的方案可通过现有技术确定。
对于微电网之间:
微电网和微电网之间存在售电机制,微电网i可供给其他微电网的电,为风机发电的功率和光伏发电的功率/>之和,用/>表示;每个微电网之间,根据自己的供需关系进行微电网之间购电和卖电的定价机制,微电网指定的自己的买卖电价为Li(t),其中Li(t)<0时表示第i个微电网能接受的卖电价格,反之则为买电价格,当且仅当Li(t)=-Lj(t)时,微电网i和微电网j产生电能交易。
对于微电网i,其优化目标主要有:
用户的电费支出最优、蓄电池的寿命损耗尽可能小、用户的不舒适度在容许范围内,分别由J1、J2、J3表示,其中:
其中,Pb(t)表示蓄电池在t时刻的充放电功率,是人为决定的决策变量;μi是罚函数系数;αm表示第m个用电设备的罚函数系数,Tm(t)表示t时刻第m个用电设备的温度,Tset,m(t)表示t时刻用电设备m期望的温度设定值,Mi表示微电网i的能控设备的集合。
则有性能指标函数Ji=κ1J1,i+κ2J2,i+κ3J3,i,目标在于,选取一组控制变量ui(t),通过在容许的控制变量集合Ωu中选取能使性能指标最小的Ji,其中:
ui(t)=[Pb,i(t) si(t) Li(t)]
上式中,Pb,i(t)表示微电网i的蓄电池的充放电功率,si(t)表示微电网i向其他电网买电和卖电的功率,Li(t)表示微电网i和其他微电网买卖电能的电价;控制变量由人为设定,其控制变量集合Ωu根据微电网的物理约束设定,例如蓄电池的充放电功率不能超过额定充放电功率,微电网间买卖电能不能超过其新能源发电的最大功率。
对于公用电网,其优化目标主要为:
希望通过指定电价的方式,使得多微电网的用户的总用电功率趋向恒值,即:
其中,Pagg(t)表示t时刻所有微电网向配电网(公用电网)取电的总功率,Pcon为常数,R表示未来待调度时间区间内对于公用电网的指标值。
本发明考虑了一种多微电网能源调度的方案,包括:配电网级的电价制定方案,以及单个微电网的经济效益最优方案,其中允许微电网之间进行竞价交易;本发明方法的技术步骤如下:
步骤1,采集微电网i的用户用电的历史数据,包括{PG,i,Pun,i,IPV,i,vWT,i,C,Pagg},其中PG,i表示微电网i从公用电网取电的历史数据,Pun,i表示微电网i不能控设备的历史负荷曲线,IPV,i表示微电网i光伏板受到的历史辐射强度,vWT,i表示微电网i的风机所处环境受到的历史风速,C表示多微电网的电价历史数据(所有微电网接受一个共同电价),Pagg表示所有微电网向配电网取电的总功率历史数据;这些数据为为未来待调度时间区间之前的历史数据。
步骤2,未来待调度时间区间的变量预测与用户交互。
基于用户用电的历史数据,对未来待调度时间区间内的负荷、新能源做出预测。对第i个微电网,采用LSTM网络,对历史数据进行学习,进而预测未来待调度时间区间内的P′PV,i(t),P′WT,i(t),P′un,i(t),其中P′PV,i(t)表示未来待调度时间区间的光伏最大功率输出预测值,P′WT,i(t)表示未来待调度时间区间的风机最大功率输出预测值,P′un,i(t)表示未来待调度时间区间的不能控设备最大功率输出预测值。
用户向能量管理系统报备未来待调度时间区间内的未来待调度时间区间的不能控设备最大功率输出预测值P′un,i(t),其中用电计划P′un,i(t)为用户在未来待调度时间区间来临前向能量管理系统报备,或者由能量管理系统根据用户的历史用电数据作出预测。
步骤3,将所述未来待调度时间区间的不能控设备最大功率输出预测值P′un,i(t)作为不能控的负荷的预测值
由步骤2.2,得到不能控的负荷的预测值为P′un,i(t),考虑可迁移负荷的优先调度规划;由混合整数优化的相关方法,指定需求侧响应的调度方案。在第i个微电网中,考虑优先规划调度可迁移负载,以减小峰谷差,且优化用户电价,其指标函数可表示为:
上式中,ω1和ω2表示罚函数,由人为设定;C(t)是电价,qi表示微电网i可迁移设备的数量,zζ(t)表示可迁移设备在不同时刻的开关量,取值为0或1;Γζ表示第ζ个可迁移设备的额定功率,Pun,i(t)表示未来待调度时间区间的不能控设备最大功率输出。
步骤3在于用混合整数规划的求解模块,如MATLAB软件的Yalmip工具箱,将工具箱函数嵌入到芯片中,通过对所述指标函数的求解可迁移负载的调度序列zζ(t)。
通过混合整数规划,对微电网i的能控设备中的可迁移设备作出调度以后,未来待调度时间区间的能控负荷曲线是有变化的,因此将产生新的负荷曲线。
则在考虑可迁移负荷的调度后,新的能控设备的负荷曲线的表达式为:
步骤4,划分状态变量和控制变量,并且交替求解:
本发明的家庭能源调度,通过自学习的机制,自学习得到最优的蓄电池调度方案。注意到,在家庭能源调度中,自学习的机制不需要事先训练参数化的模型逼近器。
对于微电网i,在未来待调度时间区间来临前,定义:
状态变量:
控制变量:
ui(t)=[Pb,i(t)si(t)Li(t)]
建立如图2所示的自学习优化机制,在本发明中,选取准二次型函数作为指标评判模块,以具有记忆效应的LSTM神经网络作为微网调度控制器,作为两个参数化结构的逼近器。
自学习优化机制中,具有两个模块,分别是指标评判模块,和微网调度控制器模块:
指标评判模块用于对微电网i的性能指标函数Ji,通过参数化的方式做函数逼近;
微网调度控制器模块用于根据指标评判模块,对微电网控制器的参数作修正和改进,以达到优化的效果,具体如下:
首先,初始化指标评判模块为一个正定函数,即:
其中,Q0表示指标评判模块初始化的表达式,是指标评判模块中的参数,初始化时,是随机选取的,/>
同时微网调度控制器模块:
其中,υ0(xi(t))表示微电网控制器,U(xi(t),ui(t))表示效用函数,
指标评判模块更新:
Q1(xi(t),ui(t))=U(xi(t),ui(t))+Q0(xi(t+Δt),υ0(xi(t+Δt)))
其中,Q1(xi(t),ui(t))表示根据微网调度控制器υ0(xi(t)),进一步去改进指标评价模块的参数。
根据上面两条式子反复进行优化,即:若令χ表示微电网控制器参数和指标评判模块参数的迭代次数,则当χ=1,2,…
Qχ+1(xi(t),ui(t))=U(xi(t),ui(t))+Qχ(xi(t+Δt),υ0(xi(t+Δt)))
直到这三个参数收敛,和微电网控制器υ0(xi(t))的参数收敛。即指标评判模块和微网调度控制器模块收敛,以完成模型训练过程。
之所以称之为自学习,是因为一开始,指标评判模块是随机取的参数、而微网调度控制器模块也是随机取的参数,经过上面的Q0、υ0的迭代,逐步逼近到最优的一个控制策略。
本发明中电价的指定采用了一种自学习机制,通过三个通用参数化结构,自学习得到最优的电价方案;而不是只依据某个特定的函数制定电价。注意到,在家庭能源调度中,自学习的机制需要事先训练参数化的模型逼近器。
对于公用电网,在在未来待调度时间区间来临前,将配电网对多微电网在接下来一日的用电负荷的预测值C(t)作为控制变量,将t时刻所有微电网向配电网(公用电网)取电的总功率Pagg(t)作为状态变量,建立如图3所示启发式优化结构,其中:
(1)电价决策模块表示电价指定策略的函数关系g(·);
(2)电价响应模型为用户在给定电价下的负荷变化规律;
(3)指标评判模块用于计算在当前的电价指定策略下的近似指标值。
需要说明的是,图中的电价决策模块、电价响应模型是通用的参数化结构,而指标评判模块为准二次型函数,而并非某种特定形式的简单函数(比如二次函数、正弦函数)。
在本发明中,选取径向基网络作为三个参数化结构的逼近器。注意到,V(Pagg)为对指标R的近似。
首先,根据步骤1中采集的用户用电的历史数据,训练一组参数,得到电价响应模型。
其次,初始化指标评判模块为一个准二次型函数,即:
其中,V0(Pagg)表示用于逼近公用电网的性能指标的函数关系, 表示迭代的参数,也是一开始随机取,C0(t)为对于公用电网的电价决策模块,根据V0(Pagg)修正,后面的迭代过程类似,表达的就是当迭代次数β增多,/>将会收敛。
进而修正电价决策模块:
指标评判模块的参数和电价决策模块的参数修正次数由β表示,对于β=1,2,…,指标评判模块修正:
Vβ(Pagg)=[Pagg(t)-Pcon]2+Vβ-1(Pagg)
其中,Pcon为常数,Vβ-1(Pagg)为β-1次迭代时的Vβ(Pagg);
电价决策模块修正后:
修正程序直到两个模块的参数收敛后停止。
本发明的效用函数J1,i、J2,i和J3,i,对于单微电网,考虑了单微电网的电费、蓄电池损耗、温控设备的用户舒适度;对于公用配电网,考虑能够实现恒功率取电。
步骤5,在t∈T的未来待调度时间区间内,系统实时运行过程中,以每5分钟的时间尺度,测量微电网的状态变量xi(t),并根据步骤4中训练得到的υ0(xi(t))得到优化的控制变量ui(t),当微电网的温控设备开启时,通过调节温控设备的用电功率Pac(t),来使得实际的用电负荷和预测的用电负荷一致,保证调度策略的最优性。
步骤4训练好了参数化结构后,得到最优的控制器参数,在步骤5的实际运行过程中,只要测量微电网的状态xi(t),就能根据训练好的参数计算出ui(t)。
其中,调节温控设备的用电功率Pac(t),为通过使得步骤3中设定的Ji最小来调节温控设备的用电功率Pac(t);具体的优化方法,可以采用现有的非线性规划方法等。
在步骤3到步骤5中,采用可迁移负荷进行离线规划,得到蓄电池的充放电功率后,利用温控型设备对用电功率进行补偿。
本发明考虑了两个时间尺度的优化,为“离线-在线”结合的优化;可迁移负荷和不能控负荷曲线用于设计慢时间尺度的调度方案,以一个小时为时间尺度。为了应对负荷的实时变化,通过调节温控设备的功率,在满足用户舒适度的前提下,调节实时用电负荷和预测负荷之间的误差;由于本方案采用了设备级的调度,对设备进行了划分,因而减少了蓄电池的消耗,降低了电能的储存成本,提高了电能的实时利用率。本发明提供了一种多微电网之间能源交互的方案,与配电网级的电价设计方案,与单微电网相比,多微电网的协同优化有利于配电网级的调度,通过价格调动需求侧响应,使得多微电网在配电网的取电尽可能接近恒功率,进而在降低调峰调频电站的建设规模,提高社会经济效益。
Claims (5)
1.一种家庭微电网多时间尺度电能调度方法,其特征在于,包括:
采集微电网的用户用电的历史数据;
利用机器学习的方法对所述历史数据进行学习,进而预测未来待调度时间区间内的光伏微电网的光伏最大功率输出预测值、微电网的风机最大功率输出预测值以及微电网的不能控设备最大功率输出预测值;
基于所述不能控设备最大功率输出预测值,考虑可迁移负荷的优先调度规划,以优先规划调度可迁移负载以及用户电价为目标,建立指标函数,采用混合整数优化的方法对指标函数求解,得到可迁移负载的调度序列,继而得到微电网中能控设备的负荷曲线;所述的指标函数,表示为:
上式中,ω1和ω2表示罚函数,C(t)是电价,qi表示微电网i可迁移设备的数量,zζ(t)表示微电网的可迁移设备在不同时刻的开关量,取值为0或1;Γζ表示第ζ个可迁移设备的额定功率,Pun,i(t)表示未来待调度时间区间的不能控设备最大功率输出,T表示未来待调度的时间区间的集合;
定义微电网的状态变量和控制变量,建立自学习优化机制,训练微电网控制器;
在未来待调度时间区间内,以设定的时间尺度测量微电网的状态变量,并根据训练好的微电网控制器得到优化的控制变量;当微电网的温控设备开启时,通过调节温控设备的用电功率,来使得实际的用电负荷和预测的用电负荷一致。
2.根据权利要求1所述的家庭微电网多时间尺度电能调度方法,其特征在于,所述微电网的用户用电的历史数据包括{PG,i,Pun,i,IPV,i,vWT,i,C,Pagg},其中PG,i表示微电网i从公用电网取电的历史数据,Pun,i表示微电网i不能控设备的历史负荷曲线,IPV,i表示微电网i光伏板受到的历史辐射强度,vWT,i表示微电网i的风机所处环境受到的历史风速,C表示多微电网的电价历史数据,Pagg表示所有微电网向配电网取电的总功率历史数据。
3.根据权利要求1所述的家庭微电网多时间尺度电能调度方法,其特征在于,所述定义微电网的状态变量和控制变量,表示为:
状态变量:
其中,PG,i(t)表示微电网i从配电网中取电的功率,SOCi(t)表示微电网i的蓄电池在t时刻的电量,PR,i(t)表示微电网i的负载侧供电部分的新能源最大输出功率,其等于负载侧供电部分光伏发电的最大输出功率与负载侧供电部分风机发电的最大输出功率之和;表示微电网i的不能控负荷的预测值,/>为微电网中能控设备的负荷曲线的表达式;
控制变量:
ui(t)=[Pb,i(t) si(t) Li(t)]
其中,Pb,i(t)表示微电网i买入的电,si(t)表示可供给其他微电网的电,其值为微电网i的风机发电的功率和光伏发电的功率之和;Li(t)表示微电网i的买卖电价。
4.根据权利要求1所述的家庭微电网多时间尺度电能调度方法,其特征在于,所述建立自学习优化机制,训练微电网控制器,包括:
自学习优化机制包括指标评判模块和微电网控制器模块,其中,指标评判模块用于对微电网i的性能指标函数,通过参数化的方式做函数逼近;微电网控制器模块用于根据指标评判模块,对微电网控制器的参数作修正和改进,以达到优化的效果,包括:
首先,初始化指标评判模块为一个正定函数,即:
其中,Q0(xi(t),ui(t))表示指标评判模块初始化的表达式,是指标评判模块中的参数,初始化时随机选取,/>xi(t)是状态变量,ui(t)是控制变量;
同时微电网控制器模块:
其中,υ0(xi(t))表示微电网控制器,U(xi(t),ui(t))表示效用函数;
指标评判模块更新过程为:
Q1(xi(t),ui(t))=U(xi(t),υ0(xi(t)))+Q0(xi(t+Δt),ui(t+Δt))
其中,Δt表示采样时间间隔,xi(t+Δt)表示t+Δt时刻的状态变量,Q1(xi(t),ui(t))表示根据微电网控制器υ0(xi(t)),进一步去改进指标评价模块的参数;
根据上面的式子反复进行优化,直到这三个参数收敛,和微电网控制器υ0(xi(t))的参数收敛,以完成模型训练过程。
5.根据权利要求4所述的家庭微电网多时间尺度电能调度方法,其特征在于,微电网i的性能指标函数Ji=κ1J1,i+κ2J2,i+κ3J3,i,其中:
上式中,PG,i(t)表示微电网i从配电网中取电的功率,Pb,i(t)表示微电网i买入的电,Ps,i(t)表示微电网i卖出的电,微电网指定的自己的买卖电价为Li(t),C(t)为配电网对多微电网在接下来一日的用电负荷的预测值,Pb(t)表示蓄电池在t时刻的充放电功率,μi是罚函数系数;αm表示第m个用电设备的罚函数系数,Tm(t)表示t时刻第m个用电设备的温度,Tset,m(t)表示t时刻用电设备m期望的温度设定值,Mi表示微电网i的能控设备的集合,κ1、κ2、κ3为一组控制变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011107611.8A CN112508325B (zh) | 2020-10-16 | 2020-10-16 | 一种家庭微电网多时间尺度电能调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011107611.8A CN112508325B (zh) | 2020-10-16 | 2020-10-16 | 一种家庭微电网多时间尺度电能调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508325A CN112508325A (zh) | 2021-03-16 |
CN112508325B true CN112508325B (zh) | 2023-10-13 |
Family
ID=74953809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011107611.8A Active CN112508325B (zh) | 2020-10-16 | 2020-10-16 | 一种家庭微电网多时间尺度电能调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508325B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113988402A (zh) * | 2021-10-25 | 2022-01-28 | 国网山东省电力公司青岛供电公司 | 一种微电网群智能家居优化调度方法及系统 |
CN115235046B (zh) * | 2022-07-22 | 2024-04-12 | 南京优助智能科技有限公司 | 中央空调冷源需求侧响应的优化控制方法 |
CN116979531B (zh) * | 2023-09-25 | 2023-12-12 | 山西京能售电有限责任公司 | 一种新型能源数据监控方法以及监控辅助电力市场的方法 |
CN117578465B (zh) * | 2024-01-16 | 2024-04-12 | 山东建筑大学 | 一种多尺度可解释的微电网电力负荷预测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106026152A (zh) * | 2016-05-19 | 2016-10-12 | 合肥工业大学 | 一种电动汽车接入微电网的充放电调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130274933A1 (en) * | 2012-03-07 | 2013-10-17 | John F. Kelly | Grid improvement methods |
-
2020
- 2020-10-16 CN CN202011107611.8A patent/CN112508325B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106026152A (zh) * | 2016-05-19 | 2016-10-12 | 合肥工业大学 | 一种电动汽车接入微电网的充放电调度方法 |
Non-Patent Citations (1)
Title |
---|
多冷源系统的递阶协调分布式预测控制;刘楚晖;郑毅;蔡旭;陈烈;;控制工程(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112508325A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hossain et al. | Modified PSO algorithm for real-time energy management in grid-connected microgrids | |
Ruiz-Cortes et al. | Optimal charge/discharge scheduling of batteries in microgrids of prosumers | |
CN112508325B (zh) | 一种家庭微电网多时间尺度电能调度方法 | |
Hemmati | Technical and economic analysis of home energy management system incorporating small-scale wind turbine and battery energy storage system | |
Athari et al. | Operational performance of energy storage as function of electricity prices for on-grid hybrid renewable energy system by optimized fuzzy logic controller | |
Dongol et al. | A model predictive control based peak shaving application of battery for a household with photovoltaic system in a rural distribution grid | |
Jiang et al. | Energy management of microgrid in grid-connected and stand-alone modes | |
Taha et al. | An online energy management system for a grid-connected hybrid energy source | |
Khodabakhsh et al. | Optimal control of energy storage in a microgrid by minimizing conditional value-at-risk | |
Wang et al. | Interactive dispatch modes and bidding strategy of multiple virtual power plants based on demand response and game theory | |
Nguyen et al. | Optimal bidding strategy for microgrids considering renewable energy and building thermal dynamics | |
CN107565607B (zh) | 一种基于实时电价机制的微电网多时间尺度能量调度方法 | |
Gandhi et al. | Review of optimization of power dispatch in renewable energy system | |
CN108321796B (zh) | 家庭能量管理系统与方法 | |
EP3696765A1 (en) | Method for improving the performance of the energy management in a nearly zero energy building and system therefor | |
CN111934360B (zh) | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 | |
CN112800658A (zh) | 一种考虑源储荷互动的主动配电网调度方法 | |
CN107231001B (zh) | 一种基于改进灰色预测的楼宇微网在线能量管理方法 | |
Li et al. | Multi-objective optimal operation of hybrid AC/DC microgrid considering source-network-load coordination | |
CN114169236A (zh) | 基于lstm算法的相变蓄热式电采暖负控系统控制方法 | |
Du et al. | Hierarchical coordination of two-time scale microgrids with supply-demand imbalance | |
CN115001037B (zh) | 一种多目标多时间尺度协同的储能系统调度运行方法 | |
Saha | Adaptive model-based receding horizon control of interconnected renewable-based power micro-grids for effective control and optimal power exchanges | |
Yan et al. | Model predictive control based energy management of a household microgrid | |
Young et al. | Overview of optimal energy management for nanogrids (end-users with renewables and storage) |
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 |