CN112865075A - 一种交直流混合微电网优化方法 - Google Patents
一种交直流混合微电网优化方法 Download PDFInfo
- Publication number
- CN112865075A CN112865075A CN202110035823.8A CN202110035823A CN112865075A CN 112865075 A CN112865075 A CN 112865075A CN 202110035823 A CN202110035823 A CN 202110035823A CN 112865075 A CN112865075 A CN 112865075A
- Authority
- CN
- China
- Prior art keywords
- power
- grid
- photovoltaic
- day
- predicted
- 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.)
- Granted
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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- H02J3/38—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
- 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]
-
- 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
-
- 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
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
-
- 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
- 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
Abstract
本发明公开了一种交直流混合微电网优化方法,包括如下步骤:依据在预设历史周期内光伏发电和负荷用电的历史数据,通过最小二乘支持向量机获取待预测日的光伏发电预测数据与负荷用电预测数据;依据光伏发电预测数据和负荷用电预测数据,通过交直流混合微电网的综合经济优化模型和综合成本模型对光伏利用率与交直流混合微电网的综合成本进行优化均衡,将多目标函数求解归一化处理为单目标函数;采用粒子群算法对单目标函数求解,得到待预测日的光伏、储能、潮流控制器、电力电子变压器、微电网与大电网交换功率调度值。上述方案有效实现了自发自用、余量上网目的,延长了交直流混合微电网生命周期,降低微网从大电网购电成本,实现综合效益最大化。
Description
技术领域
本发明涉及电力网络控制技术领域,特别涉及一种交直流混合微电网优化方法。
背景技术
微电网是由各种分布式电源,储能系统,负荷组成的独立可控系统,由电力电子设备完成电能的转换,可灵活运行在并网和离网条件下,在节能降耗、削峰填谷、提升供电可靠性、需求侧响应等方面拥有巨大潜力。按照母线电压等级及形式划分为交流微电网、直流微电网、交直流混合微电网3类;而随着光伏、风电、电动汽车充电桩、微型燃气轮机、储能等分布式电源,交直流负荷类型和数量的日益增多,单一的交流微电网或者直流微电网已不能满足人类发展对能源的需要,于是出现了交直流混合微电网,因结合了交流微电网、直流微电网的优点,相比之下交直流混合微电网更具突出优势,其典型拓扑结构具有如下优点:一是有效降低过多的交直流电能变换环节,达到了节能效果;二是便于交直流负荷有序接入,兼容性强,需求侧的变流装置有效减少,减少了设备购置成本;三是母线形式多样,既可以提供大功率电能传输,又可灵活接入多类型负荷,适用范围广;四是在交流侧接入大电网,可有效支撑微电网电压和频率,减少了自身控制复杂程度。
微电网的出现为解决能源环境危机、分布式电源高渗透率接入等,提供了很好的解决方案;然而如何优化微电网运行作为微电网研究的重要领域,对其发展意义深远。当前,海内外的学者和专家对微电网中分布式电源、大电网、负荷等对象的综合优化运行展开了广泛的研究。文献《智能电网经济运行的多目标调度优化策略》中计及有功功率网络损耗、污染物综合排放量、系统母线电压稳定这三个要素,建立衡量微电网安全经济环保的多目标优化模型;为智能微型电网的监测与控制提供了思路,但文中对微电网的经济优化运行并没有深入研究。文献《多时间尺度协调控制的独立微网能量管理策略》建立了适用于独立型微电网能量管理调度统一优化模型,时间尺度从日前、日内展开,分别对微电网运行进行协调优化,但没有考虑分布式电源在高渗透率情况下的利用率和网络损耗率之间的矛盾。文献《基于粒子群优化算法的含多种供能系统的微网经济运行分析》建立了考虑最低温室气体、污染物综合排放作为微网经济运行模型,虽然从设备成本和经济效益这两方面进行了分析和研究,但是各类分布式能源模型安全运行约束条件较少,离实际工程应用还较远;文献《微网系统的动态经济调度》以动态经济优化作为微电网调度模型,对于模型求解采取蒙特卡罗模拟改进遗传算法,但模型没有涵盖储能类的分布式电源,因此对整个系统安全供电会造成不利影响。
综上,都是在传统交流微电网拓扑结构基础上进行的优化运行研究,目前还很少有文献专门针对交直流混合微电网开展;建模也没有考虑在分布式能源高渗透率场景下利用率和网络损耗之间的均衡。
发明内容
本发明实施例的目的是提供一种交直流混合微电网优化方法,通过依据预设周期内的相似日的光伏发电和负荷用电历史数据,采用最小二乘支持向量机生成待预测日光伏发电与负荷用电曲线;在交直流混合微电网拓扑结构下考虑光伏利用率最大与由潮流控制器,电力电子变压器,光伏、风机、储能变流器设备自身损耗转换成本,储能全生命周期购置成本构成的综合成本最小之间的均衡,作为运行最优目标,建立与实际工程相结合的单目标综合经济优化模型,其目标函数将多目标函数求解归一化处理为单目标函数,简化模型求解复杂度;最后采用粒子群算法求解,得出待预测日光伏、储能、潮流控制器、电力电子变压器、微电网与大电网交换功率调度值。可有效实现自发自用、余量上网目的,延长交直流混合微电网生命周期,降低微网从大电网的购电成本,实现综合效益最大化。
为解决上述技术问题,本发明实施例提供了一种交直流混合微电网优化方法,包括如下步骤:
依据交直流混合微电网在预设历史周期内光伏发电和负荷用电的历史数据,通过最小二乘支持向量机获取待预测日的光伏发电预测数据与负荷用电预测数据;
依据所述光伏发电预测数据和所述负荷用电预测数据,通过所述交直流混合微电网的综合经济优化模型和综合成本模型对光伏利用率与所述交直流混合微电网的综合成本进行优化均衡,将多目标函数求解归一化处理为单目标函数;
采用粒子群算法对所述单目标函数求解,得到所述待预测日的光伏、储能、潮流控制器、电力电子变压器、微电网与大电网交换功率调度值;
其中,所述交直流混合微电网的综合成本包括:潮流控制器、电力电子变压器、光伏、风机、储能变流器设备自身损耗转换成本,储能全生命周期购置成本。
进一步地,所述交直流混合微电网的所述综合经济优化模型为:
其中,F为日前综合经济优化目标函数,包含储能折算成本函数CSB、网络损耗即变流设备功率传输损耗f1、光伏利用率γPV;SOCSB(t)表征储能电池t时段荷电量;σch、σdis∈{0,1}依次表征充放电状态,为1时为充、放电,值为0失效;依次为储能t时段充、放电功率;ηch、ηdis依次表征储能t时段电池本体充、放电效率;Pg(t)是t时段大电网与微电网传输功率;PPV-AC,i(t)、ηPV-AC,i(t)为t时段交流母线上挂接设备编号为i的光伏输出功率、PCS效率;PL-AC,j(t)表示交流母线上挂接的设备编号为j负荷用电功率;PPFC(t)、ηPFC(t)为t时段潮流控制器传输功率及效率;PPET(t)、ηPET(t)为t时段电力电子变压器传输功率及效率;PPV-DC,i(t)、ηPV-DC,i(t)为t时段直流母线上挂接设备编号为i光伏输出功率及传输效率;PWT,j(t)、ηWT,j(t)为t时段直流母线上挂接设备编号为j风机输出功率及传输效率;PSB(t)、ηSB(t)表征t时段储能直流转换器传输功率和效率;PL-DC,k(t)为直流母线挂接的设备编号为k的负荷功率;SPFC,k(t)、SPET,k(t)、SPCS,k(t)为t时段潮流控制器,电力电子变压器,储能直流侧双向变流器传输功率,依次和PPFC(t)、PPET(t)、PSB(t)相等,依次为潮流控制器、电力电子变压器、储能直流侧双向变流器额定传输功率最大值;交直流侧负荷PL-AC,j(t)和PL-DC,k(t)由负荷预测产生;PPV,k(t)与依次是整个微电网设备编号为k的光伏电池第t时间段实际功率和预测功率,其中,M为一天24小时优化运行时段数,N分布式光伏设备总数量。
进一步地,所述交直流混合微电网的综合成本模型为:
其中,SOCSB(t)表征储能电池荷电量;σch、σdis∈{0,1}依次表征充放电状态,为1时为充、放电,值为0失效;依次为储能充、放电功率;ηch、ηdis依次表征储能电池本体充、放电效率;Pg(t)是大电网与微电网传输功率;PPV-AC,i(t)、ηPV-AC,i(t)为交流母线上挂接编号为i的光伏输出功率、PCS效率;PL-AC,j(t)表示交流母线上挂接的编号为j负荷用电功率;PPFC(t)、ηPFC(t)为潮流控制器传输功率及效率;PPET(t)、ηPET(t)为电力电子变压器传输功率及效率;PPV-DC,i(t)、ηPV-DC,i(t)为直流母线上挂接编号为i光伏输出功率及传输效率;PWT,j(t)、ηWT,j(t)为直流母线上挂接编号为j风机输出功率及传输效率;ηSB(t)表征储能直流转换器传输效率;PL-DC,k(t)为直流母线挂接的编号为k的负荷功率;SPFC,k(t)、SPET,k(t)、SPCS,k(t)依次为时段t时潮流控制器,电力电子变压器,光伏交直流侧变流器、风机直流侧变流器、储能直流侧双向变流器传输功率;CSB为储能电池折算后的运行成本;f1为网络损耗即变流设备功率传输损耗;Pi,k(t)表示第i类属于潮流控制器、电力电子变压器、变流器的功率三类中某一类,k属于所述类中第k个;ηi,k(t)表示第i类第k个设备的传输效率;p为功率转换设备种类数;q为某类功率转换设备数量,T为天运行优化时段数,Cg为外电网电价,交直流侧负荷由负荷预测产生。
进一步地,所述功率传输的模型为:
其中,表征设备τ在时段t功率与传输效率之间函数关系;ri为传输功率Pi(t)系数;PFC表征所述设备为潮流控制器,PET表征电力电子变压器,PCS表征光伏交直流侧变流器、风机直流侧变流器、储能直流侧双向变流器。
进一步地,所述综合成本模型中的天成本为:
其中,Nt为一天的微电网运行的优化时段分辨率,以1小时为粒度,取值24;CSB为储能电池折算的天成本;r为折旧率;Y为储能电池的全生命周期;TSB为蓄电池的年运行小时数;Ccap为蓄电池的总投资成本;为储能的额定充放电功率;为t时段功率充电时取负,反之取正。
进一步地,所述光伏利用率为:
进一步地,所述获取待预测日的光伏发电预测数据,包括:
获取待预测日的第一预测参数;
将所述第一预测参数输入最小二乘支持向量机,得到所述待预测日的光伏发电功率预测曲线;
其中,所述第一预测参数包括:日预测最高温度、日预测最低温度、日预测平均温度和日预测发电功率值。
进一步地,所述获取待预测日的第一预测参数之前,还包括:
获取历史预设周期内与待预测日相似的若干个第一历史样本数据,其中,所述第一历史样本数据包括:日最高温度、日平均温度、和若干个光伏发电功率值,所述若干个光伏发电功率值间隔预设时间;
对所述第一历史样本数据进行平滑和归一化处理,得到第一训练样本数据,并依据所述第一训练样本数据对最小二乘支持向量机进行训练。
进一步地,所述获取待预测日的第一预测参数,包括:
计算历史预设周期内每一日与所述待预测日的相似度;
选取所述相似度的数值最大值相对应的所述日的历史样本数据,作为所述待预测日的预测数据。
进一步地,所述相似度的计算公式为:
其中,x0表示所述待预测日的温度,y0表示所述待预测日的湿度,ρ是辨识参数。
进一步地,所述获取待预测日的负荷用电预测数据,包括:
获取待预测日的第二预测参数;
将所述第二预测参数输入最小二乘支持向量机,得到所述待预测日的负荷功率预测曲线;
其中,所述第二预测参数包括:日最高温度、日平均温度、日最低温度、周属性、节假日属性和相似度最高的相似日负荷功率。
进一步地,所述获取待预测日的第二预测参数之前,还包括:
获取历史预设周期内与所述待预测日相似的若干个第二历史样本数据,所述第二历史样本数据包括周属性和节假日属性;
对所述第二历史样本数据进行平滑和归一化处理,得到第二训练样本数据对并依据所述第二训练样本数据对最小二乘支持向量机进行训练。
本发明实施例的上述技术方案具有如下有益的技术效果:
通过依据预设周期内的相似日的光伏发电和负荷用电历史数据,采用最小二乘支持向量机生成待预测日光伏发电与负荷用电曲线;在交直流混合微电网拓扑结构下考虑光伏利用率最大与由潮流控制器,电力电子变压器,光伏、风机、储能变流器设备自身损耗转换成本,储能全生命周期购置成本构成的综合成本最小之间的均衡,作为运行最优目标,建立与实际工程相结合的单目标综合经济优化模型,其目标函数将多目标函数求解归一化处理为单目标函数,简化模型求解复杂度;最后采用粒子群算法求解,得出待预测日光伏、储能、潮流控制器、电力电子变压器、微电网与大电网交换功率调度值。可有效实现自发自用、余量上网目的,延长交直流混合微电网生命周期,降低微网从大电网的购电成本,实现综合效益最大化。
附图说明
图1是现有技术中的交直流混合微电网典型拓扑结构图;
图2是本发明实施例提供的交直流混合微电网优化方法流程图;
图3是本发明实施例提供的交直流混合微电网主接线示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面结合具体实施方式并参照附图,对本发明进一步详细说明。应该理解,这些描述只是示例性的,而并非要限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
图2是本发明实施例提供的交直流混合微电网优化方法流程图。
请参照图2,本发明实施例提供一种交直流混合微电网优化方法,包括如下步骤:
S100,依据交直流混合微电网在预设历史周期内光伏发电和负荷用电的历史数据,通过最小二乘支持向量机获取待预测日的光伏发电预测数据与负荷用电预测数据。
S200,依据光伏发电预测数据和负荷用电预测数据,通过交直流混合微电网的综合经济优化模型和综合成本模型对光伏利用率与交直流混合微电网的综合成本进行优化均衡,将多目标函数求解归一化处理为单目标函数。
S300,采用粒子群算法对单目标函数求解,得到待预测日的光伏、储能、潮流控制器、电力电子变压器、微电网与大电网交换功率调度值。
其中,交直流混合微电网的综合成本包括:潮流控制器、电力电子变压器、光伏、风机、储能变流器设备自身损耗转换成本,储能全生命周期购置成本。
具体的,交直流混合微电网的综合经济优化模型为:
其中,F为日前综合经济优化目标函数,包含储能折算成本函数CSB、网络损耗即变流设备功率传输损耗f1、光伏利用率γPV;SOCSB(t)表征储能电池t时段荷电量;σch、σdis∈{0,1}依次表征充放电状态,为1时为充、放电,值为0失效;依次为储能t时段充、放电功率;ηch、ηdis依次表征储能t时段电池本体充、放电效率;Pg(t)是t时段大电网与微电网传输功率;PPV-AC,i(t)、ηPV-AC,i(t)为t时段交流母线上挂接设备编号为i的光伏输出功率、PCS效率;PL-AC,j(t)表示交流母线上挂接的设备编号为j负荷用电功率;PPFC(t)、ηPFC(t)为t时段潮流控制器传输功率及效率;PPET(t)、ηPET(t)为t时段电力电子变压器传输功率及效率;PPV-DC,i(t)、ηPV-DC,i(t)为t时段直流母线上挂接设备编号为i光伏输出功率及传输效率;PWT,j(t)、ηWT,j(t)为t时段直流母线上挂接设备编号为j风机输出功率及传输效率;PSB(t)、ηSB(t)表征t时段储能直流转换器传输功率和效率;PL-DC,k(t)为直流母线挂接的设备编号为k的负荷功率;SPFC,k(t)、SPET,k(t)、SPCS,k(t)为t时段潮流控制器,电力电子变压器,储能直流侧双向变流器传输功率,依次和PPFC(t)、PPET(t)、PSB(t)相等,依次为潮流控制器、电力电子变压器、储能直流侧双向变流器额定传输功率最大值;交直流侧负荷PL-AC,j(t)和PL-DC,k(t)由负荷预测产生;PPV,k(t)与依次是整个微电网设备编号为k的光伏电池第t时间段实际功率和预测功率,其中,M为一天24小时优化运行时段数,N分布式光伏设备总数量。
具体的,交直流混合微电网的综合成本模型为:
其中,SOCSB(t)表征储能电池荷电量;σch、σdis∈{0,1}依次表征充放电状态,为1时为充、放电,值为0失效;依次为储能充、放电功率;ηch、ηdis依次表征储能电池本体充、放电效率;Pg(t)是大电网与微电网传输功率;PPV-AC,i(t)、ηPV-AC,i(t)为交流母线上挂接编号为i的光伏输出功率、PCS效率;PL-AC,j(t)表示交流母线上挂接的编号为j负荷用电功率;PPFC(t)、ηPFC(t)为潮流控制器传输功率及效率;PPET(t)、ηPET(t)为电力电子变压器传输功率及效率;PPV-DC,i(t)、ηPV-DC,i(t)为直流母线上挂接编号为i光伏输出功率及传输效率;PWT,j(t)、ηWT,j(t)为直流母线上挂接编号为j风机输出功率及传输效率;ηSB(t)表征储能直流转换器传输效率;PL-DC,k(t)为直流母线挂接的编号为k的负荷功率;SPFC,k(t)、SPET,k(t)、SPCS,k(t)依次为时段t时潮流控制器,电力电子变压器,光伏交直流侧变流器、风机直流侧变流器、储能直流侧双向变流器传输功率;CSB为储能电池折算后的运行成本;f1为网络损耗即变流设备功率传输损耗;Pi,k(t)表示第i类属于潮流控制器、电力电子变压器、变流器的功率三类中某一类,k属于类中第k个;ηi,k(t)表示第i类第k个设备的传输效率;p为功率转换设备种类数;q为某类功率转换设备数量,T为天运行优化时段数,Cg为外电网电价,交直流侧负荷由负荷预测产生。
进一步地,功率传输的模型为:
其中,表征设备τ在时段t功率与传输效率之间函数关系;ri为传输功率Pi(t)系数;PFC表征设备为潮流控制器,PET表征电力电子变压器,PCS表征光伏交直流侧变流器、风机直流侧变流器、储能直流侧双向变流器。
进一步地,综合成本模型中的天成本为:
其中,Nt为一天的微电网运行的优化时段分辨率,以1小时为粒度,取值24;CSB为储能电池折算的天成本;r为折旧率;Y为储能电池的全生命周期;TSB为蓄电池的年运行小时数;Ccap为蓄电池的总投资成本;为储能的额定充放电功率;为t时段功率充电时取负,反之取正。
具体的,光伏利用率为:
进一步地,在步骤S100中,获取待预测日的光伏发电预测数据的步骤包括:
S110,获取待预测日的第一预测参数。
S120,将第一预测参数输入最小二乘支持向量机,得到待预测日的光伏发电功率预测曲线。
其中,第一预测参数包括:日预测最高温度、日预测最低温度、日预测平均温度和日预测发电功率值。
进一步地,步骤S110中,获取待预测日的第一预测参数之前,还包括如下步骤:
S101,获取历史预设周期内与待预测日相似的若干个第一历史样本数据,其中,第一历史样本数据包括:日最高温度、日平均温度、和若干个光伏发电功率值,若干个光伏发电功率值间隔预设时间。
S102,对第一历史样本数据进行平滑和归一化处理,得到第一训练样本数据,并依据第一训练样本数据对最小二乘支持向量机进行训练。
进一步地,S110中,获取待预测日的第一预测参数的步骤包括:
S111,计算历史预设周期内每一日与待预测日的相似度。
S112,选取相似度的数值最大值相对应的日的历史样本数据,作为待预测日的预测数据。
具体的,相似度的计算公式为:
其中,x0表示待预测日的温度,y0表示待预测日的湿度,ρ是辨识参数。
具体的,步骤S100中,获取待预测日的负荷用电预测数据,包括:
S140,获取待预测日的第二预测参数。
S150,将第二预测参数输入最小二乘支持向量机,得到待预测日的负荷功率预测曲线。
其中,第二预测参数包括:日最高温度、日平均温度、日最低温度、周属性、节假日属性和相似度最高的相似日负荷功率。
进一步地,S140中获取待预测日的第二预测参数的步骤之前,还包括:
S131,获取历史预设周期内与待预测日相似的若干个第二历史样本数据,第二历史样本数据包括周属性和节假日属性。
S132,对第二历史样本数据进行平滑和归一化处理,得到第二训练样本数据对并依据第二训练样本数据对最小二乘支持向量机进行训练。
此外,计算光伏发电预测和负荷用电预测数据时采用方法较多,也可采用除最小二乘支持向量机之外的其他方法进行训练。
本技术方案以高渗透率分布式电源接入交直流混合微电网为场景,线路损耗可以忽略,因变流设备数量居多为主要矛盾,主要考虑变流设备功率传输损耗,也可增加其他维度考量因素。
在求解日前综合经济优化目标函数时,本技术方案采用粒子群算法,也可采用遗传算法,神经网络算法等其他成熟算法,只要能实现上述计算功能即落入本发明的保护范围。
图3是本发明实施例提供的交直流混合微电网主接线示意图。
请参照图3,以图3中交直流混合微电网为例,有2.35MW的光伏电池接入,其中交流侧1.5MW,直流侧0.85MW;规格为±250kW/1MWh的预装式储能接入直流侧;10kV交流母线和560V直流母线之间的电能转换通过3台功率为250kVA的潮流控制器、1台功率为250kVA的电力电子变压器完成。
其中,交直流混合微电网由于存在较多的换流设备导致功率损耗较大。当有较大容量的分布式电源接入时,必然带来微电网关键功率设备网络损耗指标的上升;而网络损耗包含功率设备传输损耗、线路传输损耗等;本专利由于是微电网,故线路损耗可以忽略,仅考虑变流设备功率传输损耗。但当其过大时,会使交直流母线、馈线老化加速,投资不菲的变流器设备生命周期变短、功率传输效率严重下降等,因此合理的优化控制交直流混合微电网运行过程的网络损耗是降低微电网综合成本的关键。
在研究并网运行时,光伏发电利用率越高越好,因可减少向大电网的购电成本,但会造成网络损耗的增加;而网络损耗并不是越低就更利于微电网经济运行,低于一定的裕度就行。为确定最佳运行策略,本专利建立计及光伏发电利用率与微电网综合成本之间矛盾的日前综合经济优化模型。
本发明实施例旨在保护一种交直流混合微电网优化方法,包括如下步骤:依据交直流混合微电网在预设历史周期内光伏发电和负荷用电的历史数据,通过最小二乘支持向量机获取待预测日的光伏发电预测数据与负荷用电预测数据;依据光伏发电预测数据和负荷用电预测数据,通过交直流混合微电网的综合经济优化模型和综合成本模型对光伏利用率与交直流混合微电网的综合成本进行优化均衡,将多目标函数求解归一化处理为单目标函数;采用粒子群算法对单目标函数求解,得到待预测日的光伏、储能、潮流控制器、电力电子变压器、微电网与大电网交换功率调度值;其中,交直流混合微电网的综合成本包括:潮流控制器、电力电子变压器、光伏、风机、储能变流器设备自身损耗转换成本,储能全生命周期购置成本。上述技术方案具备如下效果:
通过依据预设周期内的相似日的光伏发电和负荷用电历史数据,采用最小二乘支持向量机生成待预测日光伏发电与负荷用电曲线;在交直流混合微电网拓扑结构下考虑光伏利用率最大与由潮流控制器,电力电子变压器,光伏、风机、储能变流器设备自身损耗转换成本,储能全生命周期购置成本构成的综合成本最小之间的均衡,作为运行最优目标,建立与实际工程相结合的单目标综合经济优化模型,其目标函数将多目标函数求解归一化处理为单目标函数,简化模型求解复杂度;最后采用粒子群算法求解,得出待预测日光伏、储能、潮流控制器、电力电子变压器、微电网与大电网交换功率调度值,有效实现自发自用、余量上网目的,延长交直流混合微电网生命周期,降低微网从大电网的购电成本,实现综合效益最大化。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (12)
1.一种交直流混合微电网优化方法,其特征在于,包括如下步骤:
依据交直流混合微电网在预设历史周期内光伏发电和负荷用电的历史数据,通过最小二乘支持向量机获取待预测日的光伏发电预测数据与负荷用电预测数据;
依据所述光伏发电预测数据和所述负荷用电预测数据,通过所述交直流混合微电网的综合经济优化模型和综合成本模型对光伏利用率与所述交直流混合微电网的综合成本进行优化均衡,将多目标函数求解归一化处理为单目标函数;
采用粒子群算法对所述单目标函数求解,得到所述待预测日的光伏、储能、潮流控制器、电力电子变压器、微电网与大电网交换功率调度值;
其中,所述交直流混合微电网的综合成本包括:潮流控制器、电力电子变压器、光伏、风机、储能变流器设备自身损耗转换成本,储能全生命周期购置成本。
2.根据权利要求1所述的交直流混合微电网优化方法,其特征在于,
所述交直流混合微电网的所述综合经济优化模型为:
其中,F为日前综合经济优化目标函数,包含储能折算成本函数CSB、网络损耗即变流设备功率传输损耗f1、光伏利用率γPV;SOCSB(t)表征储能电池t时段荷电量;σch、σdis∈{0,1}依次表征充放电状态,为1时为充、放电,值为0失效;依次为储能t时段充、放电功率;ηch、ηdis依次表征储能t时段电池本体充、放电效率;Pg(t)是t时段大电网与微电网传输功率;PPV-AC,i(t)、ηPV-AC,i(t)为t时段交流母线上挂接设备编号为i的光伏输出功率、PCS效率;PL-AC,j(t)表示交流母线上挂接的设备编号为j负荷用电功率;PPFC(t)、ηPFC(t)为t时段潮流控制器传输功率及效率;PPET(t)、ηPET(t)为t时段电力电子变压器传输功率及效率;PPV-DC,i(t)、ηPV-DC,i(t)为t时段直流母线上挂接设备编号为i光伏输出功率及传输效率;PWT,j(t)、ηWT,j(t)为t时段直流母线上挂接设备编号为j风机输出功率及传输效率;PSB(t)、ηSB(t)表征t时段储能直流转换器传输功率和效率;PL-DC,k(t)为直流母线挂接的设备编号为k的负荷功率;SPFC,k(t)、SPET,k(t)、SPCS,k(t)为t时段潮流控制器,电力电子变压器,储能直流侧双向变流器传输功率,依次和PPFC(t)、PPET(t)、PSB(t)相等,依次为潮流控制器、电力电子变压器、储能直流侧双向变流器额定传输功率最大值;交直流侧负荷PL-AC,j(t)和PL-DC,k(t)由负荷预测产生;PPV,k(t)与依次是整个微电网设备编号为k的光伏电池第t时间段实际功率和预测功率,其中,M为一天24小时优化运行时段数,N分布式光伏设备总数量。
3.根据权利要求1所述的交直流混合微电网优化方法,其特征在于,
所述交直流混合微电网的综合成本模型为:
其中,SOCSB(t)表征储能电池荷电量;σch、σdis∈{0,1}依次表征充放电状态,为1时为充、放电,值为0失效;依次为储能充、放电功率;ηch、ηdis依次表征储能电池本体充、放电效率;Pg(t)是大电网与微电网传输功率;PPV-AC,i(t)、ηPV-AC,i(t)为交流母线上挂接编号为i的光伏输出功率、PCS效率;PL-AC,j(t)表示交流母线上挂接的编号为j负荷用电功率;PPFC(t)、ηPFC(t)为潮流控制器传输功率及效率;PPET(t)、ηPET(t)为电力电子变压器传输功率及效率;PPV-DC,i(t)、ηPV-DC,i(t)为直流母线上挂接编号为i光伏输出功率及传输效率;PWT,j(t)、ηWT,j(t)为直流母线上挂接编号为j风机输出功率及传输效率;ηSB(t)表征储能直流转换器传输效率;PL-DC,k(t)为直流母线挂接的编号为k的负荷功率;SPFC,k(t)、SPET,k(t)、SPCS,k(t)依次为时段t时潮流控制器,电力电子变压器,光伏交直流侧变流器、风机直流侧变流器、储能直流侧双向变流器传输功率;CSB为储能电池折算后的运行成本;f1为网络损耗即变流设备功率传输损耗;Pi,k(t)表示第i类属于潮流控制器、电力电子变压器、变流器的功率三类中某一类,k属于所述类中第k个;ηi,k(t)表示第i类第k个设备的传输效率;p为功率转换设备种类数;q为某类功率转换设备数量,T为天运行优化时段数,Cg为外电网电价,交直流侧负荷由负荷预测产生。
7.根据权利要求1所述的交直流混合微电网优化方法,其特征在于,所述获取待预测日的光伏发电预测数据,包括:
获取待预测日的第一预测参数;
将所述第一预测参数输入最小二乘支持向量机,得到所述待预测日的光伏发电功率预测曲线;
其中,所述第一预测参数包括:日预测最高温度、日预测最低温度、日预测平均温度和日预测发电功率值。
8.根据权利要求7所述的交直流混合微电网优化方法,其特征在于,所述获取待预测日的第一预测参数之前,还包括:
获取历史预设周期内与待预测日相似的若干个第一历史样本数据,其中,所述第一历史样本数据包括:日最高温度、日平均温度、和若干个光伏发电功率值,所述若干个光伏发电功率值间隔预设时间;
对所述第一历史样本数据进行平滑和归一化处理,得到第一训练样本数据,并依据所述第一训练样本数据对最小二乘支持向量机进行训练。
9.根据权利要求8所述的交直流混合微电网优化方法,其特征在于,所述获取待预测日的第一预测参数,包括:
计算历史预设周期内每一日与所述待预测日的相似度;
选取所述相似度的数值最大值相对应的所述日的历史样本数据,作为所述待预测日的预测数据。
11.根据权利要求1所述的交直流混合微电网优化方法,其特征在于,所述获取待预测日的负荷用电预测数据,包括:
获取待预测日的第二预测参数;
将所述第二预测参数输入最小二乘支持向量机,得到所述待预测日的负荷功率预测曲线;
其中,所述第二预测参数包括:日最高温度、日平均温度、日最低温度、周属性、节假日属性和相似度最高的相似日负荷功率。
12.根据权利要求11所述的交直流混合微电网优化方法,其特征在于,所述获取待预测日的第二预测参数之前,还包括:
获取历史预设周期内与所述待预测日相似的若干个第二历史样本数据,所述第二历史样本数据包括周属性和节假日属性;
对所述第二历史样本数据进行平滑和归一化处理,得到第二训练样本数据对并依据所述第二训练样本数据对最小二乘支持向量机进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110035823.8A CN112865075B (zh) | 2021-01-12 | 2021-01-12 | 一种交直流混合微电网优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110035823.8A CN112865075B (zh) | 2021-01-12 | 2021-01-12 | 一种交直流混合微电网优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112865075A true CN112865075A (zh) | 2021-05-28 |
CN112865075B CN112865075B (zh) | 2023-10-20 |
Family
ID=76002798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110035823.8A Active CN112865075B (zh) | 2021-01-12 | 2021-01-12 | 一种交直流混合微电网优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112865075B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113794246A (zh) * | 2021-09-06 | 2021-12-14 | 国网山东省电力公司枣庄供电公司 | 分布式能源系统的储能控制系统 |
CN113792911A (zh) * | 2021-08-17 | 2021-12-14 | 清华大学 | 光储系统储能容量双层协同优化配置方法及系统 |
CN113937765A (zh) * | 2021-10-20 | 2022-01-14 | 国网安徽省电力有限公司电力科学研究院 | 交直流混合微网调度方法、装置及微网控制设备 |
CN114156951A (zh) * | 2022-02-10 | 2022-03-08 | 西安思安云创科技有限公司 | 一种源网荷储系统的控制优化方法和装置 |
CN116502922A (zh) * | 2023-06-26 | 2023-07-28 | 武汉创星空间科技发展有限公司 | 一种基于群智能算法的电网稳定性分析系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013210674A1 (de) * | 2013-06-07 | 2014-12-11 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren zur Bestimmung von Verlusten in einem Verteilnetz |
CN106712120A (zh) * | 2017-03-29 | 2017-05-24 | 华北电力大学(保定) | 基于主从博弈模型的交直流混合微电网优化运行方法 |
CN106849191A (zh) * | 2017-03-23 | 2017-06-13 | 广东工业大学 | 一种基于粒子群算法的交直流智能家庭微网运行方法 |
CN107590607A (zh) * | 2017-09-19 | 2018-01-16 | 合肥工业大学 | 一种基于光伏预测的微电网优化调度系统和方法 |
CN110729764A (zh) * | 2019-12-06 | 2020-01-24 | 国网江苏省电力有限公司南通供电分公司 | 一种含光伏发电系统的优化调度方法 |
US20200161867A1 (en) * | 2018-11-15 | 2020-05-21 | Hefei University Of Technology | Method, system and storage medium for load dispatch optimization for residential microgrid |
CN111293691A (zh) * | 2020-03-19 | 2020-06-16 | 华北电力大学 | 基于模型预测控制的微电网多时间尺度优化调度方法 |
CN111415045A (zh) * | 2020-03-24 | 2020-07-14 | 华北电力大学 | 一种乡村生物质综合能源系统两阶段运行优化方法 |
CN111985678A (zh) * | 2020-07-06 | 2020-11-24 | 上海交通大学 | 一种光伏功率短期预测方法 |
-
2021
- 2021-01-12 CN CN202110035823.8A patent/CN112865075B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013210674A1 (de) * | 2013-06-07 | 2014-12-11 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren zur Bestimmung von Verlusten in einem Verteilnetz |
CN106849191A (zh) * | 2017-03-23 | 2017-06-13 | 广东工业大学 | 一种基于粒子群算法的交直流智能家庭微网运行方法 |
CN106712120A (zh) * | 2017-03-29 | 2017-05-24 | 华北电力大学(保定) | 基于主从博弈模型的交直流混合微电网优化运行方法 |
CN107590607A (zh) * | 2017-09-19 | 2018-01-16 | 合肥工业大学 | 一种基于光伏预测的微电网优化调度系统和方法 |
US20200161867A1 (en) * | 2018-11-15 | 2020-05-21 | Hefei University Of Technology | Method, system and storage medium for load dispatch optimization for residential microgrid |
CN110729764A (zh) * | 2019-12-06 | 2020-01-24 | 国网江苏省电力有限公司南通供电分公司 | 一种含光伏发电系统的优化调度方法 |
CN111293691A (zh) * | 2020-03-19 | 2020-06-16 | 华北电力大学 | 基于模型预测控制的微电网多时间尺度优化调度方法 |
CN111415045A (zh) * | 2020-03-24 | 2020-07-14 | 华北电力大学 | 一种乡村生物质综合能源系统两阶段运行优化方法 |
CN111985678A (zh) * | 2020-07-06 | 2020-11-24 | 上海交通大学 | 一种光伏功率短期预测方法 |
Non-Patent Citations (3)
Title |
---|
丁明;史盛亮;刘新宇;潘浩;周金辉;余杰;顾一丰;: "交直流混合微网优化配置研究", 电力系统保护与控制, no. 14 * |
杨佩佩: "《基于粒子群优化算法的 含多种供能系统的微网经济运行分析》", 《电网技术》, vol. 33, no. 20, pages 38 - 41 * |
柴锦;陈阿莲;王瑞琪;王昭鑫;柴东新;: "交直流混合微电网动态架构重组研究", 电源学报, no. 02 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792911A (zh) * | 2021-08-17 | 2021-12-14 | 清华大学 | 光储系统储能容量双层协同优化配置方法及系统 |
CN113794246A (zh) * | 2021-09-06 | 2021-12-14 | 国网山东省电力公司枣庄供电公司 | 分布式能源系统的储能控制系统 |
CN113937765A (zh) * | 2021-10-20 | 2022-01-14 | 国网安徽省电力有限公司电力科学研究院 | 交直流混合微网调度方法、装置及微网控制设备 |
CN114156951A (zh) * | 2022-02-10 | 2022-03-08 | 西安思安云创科技有限公司 | 一种源网荷储系统的控制优化方法和装置 |
CN116502922A (zh) * | 2023-06-26 | 2023-07-28 | 武汉创星空间科技发展有限公司 | 一种基于群智能算法的电网稳定性分析系统 |
CN116502922B (zh) * | 2023-06-26 | 2023-09-05 | 武汉创星空间科技发展有限公司 | 一种基于群智能算法的电网稳定性分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112865075B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112865075B (zh) | 一种交直流混合微电网优化方法 | |
CN106651026B (zh) | 多时间尺度微电网能量管理优化调度方法 | |
CN105515110B (zh) | 一种电动汽车有序充电实时控制系统 | |
CN105071389B (zh) | 计及源网荷互动的交直流混合微电网优化运行方法及装置 | |
CN106295853B (zh) | 基于储能调度模式的分布式光伏两阶段多目标就地消纳法 | |
CN109217310A (zh) | 一种考虑新能源消纳的电动汽车有序充电控制方法 | |
CN104767224A (zh) | 一种含多类储能的并网型风光储微电网的能量管理方法 | |
CN111293718B (zh) | 基于场景分析的交直流混合微网分区二层优化运行方法 | |
CN110752629B (zh) | 一种交直流混合家庭微电网能量优化管理方法 | |
Rossi et al. | Real-time optimization of the battery banks lifetime in hybrid residential electrical systems | |
CN107017625A (zh) | 用于独立微电网的能量动态调度的方法和设备 | |
CN203933038U (zh) | 离网并网混合光伏发电控制系统 | |
CN108512238A (zh) | 基于需求侧响应的智能家居两阶段优化调度方法 | |
Huangfu et al. | An optimal energy management strategy with subsection bi-objective optimization dynamic programming for photovoltaic/battery/hydrogen hybrid energy system | |
CN112269966B (zh) | 一种考虑备用需求的通信基站虚拟电厂发电容量测量方法 | |
CN114154790A (zh) | 基于需量管理和柔性负荷的工业园区光储容量配置方法 | |
CN114123280A (zh) | 一种考虑系统效率的电池储能电站能量管理方法 | |
Pompern et al. | Optimal placement and capacity of battery energy storage system in distribution networks integrated with pv and evs using metaheuristic algorithms | |
CN115940284B (zh) | 一种考虑分时电价的新能源制氢系统的运行控制策略 | |
CN109995027A (zh) | 一种两阶段区域用户能量管理方法及系统 | |
CN115864475A (zh) | 一种风光储容量优化配置方法及系统 | |
CN113690925B (zh) | 一种基于微电网的能量交互优化方法及系统 | |
CN115133560A (zh) | 面向风光高渗透率台区的储能控制系统及方法 | |
Han et al. | Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation | |
CN110610328B (zh) | 一种直流微电网多维运行评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |