CN112952820B - 考虑退役电池的智能社区微网超多目标能量管理方法 - Google Patents

考虑退役电池的智能社区微网超多目标能量管理方法 Download PDF

Info

Publication number
CN112952820B
CN112952820B CN202110297160.7A CN202110297160A CN112952820B CN 112952820 B CN112952820 B CN 112952820B CN 202110297160 A CN202110297160 A CN 202110297160A CN 112952820 B CN112952820 B CN 112952820B
Authority
CN
China
Prior art keywords
battery
community
power
retired
energy
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110297160.7A
Other languages
English (en)
Other versions
CN112952820A (zh
Inventor
张永熙
邓友均
穆云飞
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.)
Changsha University of Science and Technology
Original Assignee
Changsha University of Science and Technology
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 Changsha University of Science and Technology filed Critical Changsha University of Science and Technology
Priority to CN202110297160.7A priority Critical patent/CN112952820B/zh
Publication of CN112952820A publication Critical patent/CN112952820A/zh
Application granted granted Critical
Publication of CN112952820B publication Critical patent/CN112952820B/zh
Priority to PCT/CN2021/144073 priority patent/WO2022193794A1/zh
Priority to US18/056,170 priority patent/US20230070151A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/005—Detection of state of health [SOH]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • General Health & Medical Sciences (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种考虑退役电池的智能社区微网超多目标能量管理方法，步骤如下：建立了基于充放电循环次数的退役电池剩余寿命衰退模型；基于社区用户用能成本、退役电池剩余寿命衰退现象、用户用电行为以及居民社区负荷对配电系统的影响，建立超多目标能量管理模型；记录智能社区中的退役电池状态信息；对社区用户用电信息进行采集，并对社区可再生能源出力进行预测；结合退役电池状态信息和当前时段的可再生能源出力预测值，采用NSGA‑III算法对超多目标能量管理模型进行求解。本发明通过建立超多目标能量管理模型，解决了储能电池价格高昂、用户侧难以广泛应用的实际问题，降低了社区用能成本，减少了能量管理系统对用户用电行为的影响。

Description

考虑退役电池的智能社区微网超多目标能量管理方法
技术领域
本发明涉及一种考虑退役电池的智能社区微网超多目标能量管理方法。
背景技术
近年来，智能电网的不断发展使得智能社区作为能源使用终端受到广泛关注。智能社区支持清洁能源和储能电池，鼓励能源梯级利用、循环利用，引导用户优化用能结构，提高能效，实现节能减排。为实现对智能社区多种综合能源(电能、热能、气能、电动汽车)实时监控和优化运行管理，提高能源利用效率，可以通过在每户居民家中安装智能能量管理控制器和智能电表，建立智能社区能量管理系统，减少居民用电费用，平滑负荷曲线，提高系统供电质量与安全性、实现用电环节与家庭用户间的友好互动。
目前已公布的能量管理系统主要三类，即单个家庭能量管理系统、楼宇能量管理系统和社区能量管理系统(CEMS)。单个家庭能量管理系统主要以用户的用电成本最小或用户舒适度最大为目标对负荷进行优化调度。相较于单个家庭，智能社区具有可调度负荷总量大、分布式电源多，与电网协调配合潜力大等优点。另一方面，目前储能电池价格仍相对较高昂，难以在用户领域广泛应用。据统计2020年开始将有百亿级退役电池进入回收市场。可将其梯次利用于对电池性能要求较低的其他领域，如微电网、备用电源，照明等。然而，考虑到退役电池相较普通电池寿命具有更复杂的衰减特性，有必要将其纳入能量管理模型进行优化。目前对于智能社区能量管理模型的研究才刚起步，还鲜有见到考虑退役电池梯次利用与分布式能源协调配合的研究。此外，社区能量管理系统包含电网侧与居民用户协调互动，体现在用户用电成本、负荷曲线、用户用电行为等多个方面，单目标或多目标模型难以综合考虑以上因素，存在一定局限。
因此，提供一种基于退役电池的智能社区微网超多目标能量管理模型显得十分必要。
发明内容
为解决上述技术问题，本发明提供一种算法简单、成本低的考虑退役电池的智能社区微网超多目标能量管理方法。
本发明解决上述问题的技术方案是：一种考虑退役电池的智能社区微网超多目标能量管理方法，其特征在于，包括以下步骤：
步骤一：基于退役电池剩余可用容量、剩余充放电循环次数和容量保持率，建立基于充放电循环次数的退役电池剩余寿命衰退模型；
步骤二：综合分析每个家庭的用能行为，确定社区电能需求可调度区间，基于社区用户用能成本、退役电池剩余寿命衰退现象、用户用电行为以及居民社区负荷对配电系统的影响，建立超多目标能量管理模型；
步骤三：记录智能社区中的退役电池状态信息；
步骤四：对社区用户用电信息进行采集，并对社区可再生能源出力进行预测；
步骤五：结合退役电池状态信息和当前时段的可再生能源出力预测值，采用NSGA-III 算法对超多目标能量管理模型进行求解，得出一天内各个时段退役电池充/放电量，经调整后的智能社区总用能曲线。
上述考虑退役电池的智能社区微网超多目标能量管理方法，所述步骤一具体过程为：
电动汽车动力电池年循环次数期望值计算为：
Figure BDA0002984773840000021
Figure BDA0002984773840000022
式中：nbattery表示电动汽车动力电池年充放电循环次数，e为电动汽车每百公里耗电量； E(D)为电动汽车日行驶里程期望值，μD、σD分别为日行驶里程E(D)的均值、方差，μD＝3.2，σD＝0.88；Qbattery表示动力电池额定容量；
当动力电池退役时，已循环次数nretire计算为：
nretire＝N·nbattery (3)
式中：N为动力电池退役时的使用年限；
定义动力电池实际容量与额定容量之比为容量保持率；在使用期间，退役电池剩余容量伴随充放电次数增加而减少，其容量保持率随充放电循环次数的衰退规律符合幂函数关系，表示为：
Rc(n)＝Q0(C)-χ·nτ (4)
式中：Rc(n)为循环n次后退役电池的容量保持率；Q0(C)、χ和τ分别为初始容量保持率、容量衰减系数和幂指数；
定义容量保持率衰减至容量保持率阈值Rcthr时，退役电池作报废处理，因此，退役电池的最大可用循环次数nscrap表示为：
Figure BDA0002984773840000031
退役电池剩余充放电循环次数nsec通过最大可用循环次数减去已循环次数得到，计算方式为：
nsec＝nscrap-nretire (6)
定义退役电池的电芯容量为Arate(mAh)，规定退役电池使用至容量保持率衰减到阈值 Rcthr进行报废处理，退役电池的可用区间容量ASL计算为：
ASL＝Arate·[Rc(nretire)-Rcthr] (7)
结合退役电池剩余可用容量、剩余充放电循环次数，退役电池完全充放电循环一次的平均衰减容量Afade估算为：
Afade＝ASL/nsec (8)
上述考虑退役电池的智能社区微网超多目标能量管理方法，所述步骤二中，综合分析每个家庭的用能行为，确定社区电能需求可调度区间的过程为：
将一天连续24小时的时间进行离散化处理，均分为T个时段，对于任意第t时段，有t∈[1,2,...,T]，一个调度周期开始时，智能社区内的能量管理中心通过智能测量系统预测社区居民用电负荷曲线与可再生能源出力信息；
微网智能社区光伏出力表示如下：
Psolar＝A·S·ξ·[1-0.005(Tout-25)] (9)
式中：Psolar代表光伏出力，S为居民社区安装的光伏阵列面积，ξ为光电转换效率，A为光照强度，Tout为户外温度；
对于社区用户，设智能社区内的家庭集合为Θ，第l个家庭在过去第m天时段t的用电功率表示为
Figure BDA0002984773840000032
结合历史数据，得到居民用电负荷的取值范围。
上述考虑退役电池的智能社区微网超多目标能量管理方法，所述步骤二中，建立的超多目标能量管理模型包括：
以社区总用能成本最小为目标的目标函数f1表示为：
Figure BDA0002984773840000033
式中，Φ(t)表示时间t内的能耗成本函数，θ(t)和ρ(t)分别表示智能社区微网向上级电网购电电价和售电电价；Pgrid(t)表示智能社区与上级电网交互功率，其中，Pgrid(t)≥0表示智能社区向外界电网购电，反之表示售电；
以对用户用能行为影响最小为目标的目标函数f2表示为：
Figure BDA0002984773840000041
Figure BDA0002984773840000042
式中，Pcom(t)表示能量管理系统优化前时段t的智能社区总用电负荷，其计算表达式如 (12)，为所有用户家庭负荷之和，
Figure BDA0002984773840000043
表示经过能量管理系统优化后t时段的智能社区总用电负荷，Phome,l(t)为智能社区第l个用户在时段t的负荷，Θ表示社区内所有用户集合；
以退役电池寿命损耗最小为目标的目标函数f3表示为：
Figure BDA0002984773840000044
式中，Afade为退役电池完全充放电循环一次的评价衰减容量，
Figure BDA0002984773840000045
表示退役电池折算后每日等价完全充放电次数，p为常数，取值范围为[0.8-2.1]，C代表充/放电半循环集合，
Figure BDA0002984773840000046
代表第k个半周期内电池的放电深度值，通过退役电池的能量曲线获得，计算式如(14)所示，其中k为退役电池半循环次数索引，半循环总次数为C的模值；
Figure BDA0002984773840000047
式中,ESL,rate表示退役电池额定容量，Ek表示在第k个半周期结束后退役电池的能量水平，在能量曲线上对应于局部极值点；
以社区负荷曲线峰均比最小为目标的目标函数f4由正向峰均值比和反向峰均值比之和组成，正向峰均值比即为智能社区向上级电网购买电量时的负荷峰均比PPAR，反向峰均值比即为智能社区向上级电网出售电量时的负荷峰均比NPAR，表示为：
Figure BDA0002984773840000051
式中，TN，TP分别代表一个调度周期内的购电时长与售电时长。
上述考虑退役电池的智能社区微网超多目标能量管理方法，所述步骤二中，还包括对建立的超多目标能量管理模型设置约束条件：
(1)系统功率平衡约束：
Figure BDA0002984773840000052
式中，Psolar(t)表示t时刻的光伏出力，PSL(t)表示t时刻退役电池的充/放电功率，如果 PSL(t)>0，表示退役电池充电，反之表示放电；
Figure BDA0002984773840000053
表示经过能量管理系统优化后t时段的智能社区总用电负荷；
(2)社区负荷曲线约束：
Figure BDA0002984773840000054
其中，
Figure BDA0002984773840000055
表示智能社区时段t的最小能耗功率；
Figure BDA0002984773840000056
表示微网社区时段t的最大能耗功率，
Figure BDA0002984773840000057
表示经过能量管理系统优化后t时段的社区总用电负荷，Pcom(t)表示社区总负荷；
(3)退役电池储能系统运行约束：
Figure BDA0002984773840000058
式中：SOCSL(t)表示t时段退役电池的荷电状态，SOCSL,min和SOCSL,max分别表示退役电池的最小荷电状态和最大荷电状态，PSL,max-和PSL,max+分别为退役电池最大充电功率和放电功率，SOCdesire表示退役电池荷电状态的预设阈值，ESL(t)表示退役电池在时段t的剩余电量，ESL,rate表示退役电池额定容量。
上述考虑退役电池的智能社区微网超多目标能量管理方法，所述步骤二的社区负荷约束中，社区总负荷Pcom(t)通过如下方法计算得到：采用历史负荷数据估计社区家庭在每个时段 t的最小负荷功率和最大负荷功率，再将所有家庭用电负荷求和得到社区负荷取值范围，具体计算方法如下：
Figure BDA0002984773840000061
Figure BDA0002984773840000062
式中，
Figure BDA0002984773840000063
表示第l个家庭在过去第m天在时段t的用电功率；
Figure BDA0002984773840000064
Figure BDA0002984773840000065
分别表示第l个家庭在时段t的最大负荷功率、最小负荷功率；M表示所采样历史数据总天数。
上述考虑退役电池的智能社区微网超多目标能量管理方法，所述步骤二的退役电池储能系统运行约束中，退役电池的荷电状态值SOCSL(t)具体计算方法如下：
Figure BDA0002984773840000066
式中：PSL(t)取值为正时表示退役电池充电，反之表示放电，ηc、ηd分别表示电池充电效率、放电效率。
上述考虑退役电池的智能社区微网超多目标能量管理方法，所述步骤二中，超多目标能量管理模型还包括系统传输功率约束：
Figure BDA0002984773840000067
式中，Pgrid,max+和Pgrid,max-分别表示智能社区与上级电网之间传输线最大正向传输容量和最大负向传输容量，T为超多目标能量管理模型的总调度时段。
本发明的有益效果在于：
1、本发明基于退役电池剩余可用容量、剩余充放电循环次数和容量保持率，建立了基于充放电循环次数的退役电池剩余寿命衰退模型，能有效降低电池成本、延长电池使用寿命，最大化发挥退役电池的剩余价值，大大降低了储能电池参与家庭能量管理的成本，解决了储能电池价格高昂、用户侧难以广泛应用的实际问题。
2、本发明建立的超多目标能量管理模型同时考虑退役电池寿命损耗、社区用能成本、社区负荷曲线峰均比、用户用能习惯等因素，给出了兼顾以上四个目标的可行解，有利于从多个方面综合研究社区能量管理模型对用户、电网的影响。
附图说明
图1为本发明的流程图。
图2为基于NSGA-III算法求解超多目标能量管理模型示意图。
图3为退役电池能量曲线示意图。
图4为智能社区总用能曲线图。
图5为典型日下光照强度和环境温度示意图。
图6为典型日下场景3和场景4中退役电池的荷电状态示意图。
图7为典型日下场景1至场景3下的社区负荷曲线图。
具体实施方式
下面结合附图和实施例对本发明做进一步的说明。
如图1所示，一种考虑退役电池的智能社区微网超多目标能量管理方法，包括以下步骤：
步骤一：基于退役电池剩余可用容量、剩余充放电循环次数和容量保持率，建立基于充放电循环次数的退役电池剩余寿命衰退模型。
电动汽车动力电池年循环次数期望值计算为：
Figure BDA0002984773840000071
Figure BDA0002984773840000072
式中：nbattery表示电动汽车动力电池年充放电循环次数，e为电动汽车每百公里耗电量； E(D)为电动汽车行驶里程期望值，μD、σD分别为日行驶里程E(D)的均值、方差，μD＝3.2，σD＝0.88；Qbattery表示动力电池额定容量。
当动力电池退役时，已循环次数nretire计算为：
nretire＝N·nbattery (3)
式中：N为动力电池退役时的使用年限。
定义动力电池实际容量与额定容量之比为容量保持率；在使用期间，退役电池剩余容量伴随充放电次数增加而减少，容量保持率随充放电循环次数的衰退规律符合幂函数关系，表示为：
Rc(n)＝Q0(C)-χ·nτ (4)
式中：Rc(n)为循环n次后退役电池的容量保持率；Q0(C)、χ和τ分别为初始容量保持率、容量衰减系数和幂指数。
本实施例中，定义容量保持率衰减至容量保持率阈值Rcthr时，退役电池作报废处理，因此，退役电池的最大可用循环次数nscrap表示为：
Figure BDA0002984773840000081
退役电池剩余充放电循环次数nsec通过最大可用循环次数减去已循环次数得到，计算方式为：
nsec＝nscrap-nretire (6)
定义退役电池的电芯容量为Arate(mAh)，规定退役电池使用至容量保持率衰减到阈值 Rcthr进行报废处理，退役电池的可用区间容量ASL计算为：
ASL＝Arate·[Rc(Nretire)-Rcthr] (7)
结合退役电池剩余可用容量、剩余充放电循环次数，退役电池完全充放电循环一次的平均衰减容量Afade估算为：
Afade＝ASL/nsec (8)
步骤二：综合分析每个家庭的用能行为，确定社区电能需求可调度区间，基于社区用户用能成本、退役电池剩余寿命衰退现象、用户用电行为以及居民社区负荷对配电系统的影响，建立超多目标能量管理模型。
综合分析每个家庭的用能行为，确定社区电能需求可调度区间的过程为：
将一天连续24小时的时间进行离散化处理，均分为T个时段，对于任意第t时段，有t∈[1,2,...,T]，当新的调度周期开始时，智能社区内的能量管理中心通过智能测量系统预测社区居民用电负荷曲线与可再生能源出力信息。
微网智能社区光伏出力表示如下：
Psolar＝A·S·τ·[1-0.005(Tout-25)] (9)
式中：Psolar代表光伏出力，S为居民社区安装的光伏阵列面积，τ为光电转换效率，A为光照强度，Tout为户外温度。
对于社区用户，设智能社区内的家庭集合为Θ，第l个家庭在过去第m天时段t的用电功率表示为
Figure BDA0002984773840000091
结合历史数据，得到居民用电负荷的取值范围。
超多目标能量管理模型包括：
以社区总用能成本最小为目标的目标函数f1表示为：
Figure BDA0002984773840000092
式中，θ(t)和ρ(t)分别表示智能社区微网向上级电网购电电价和售电电价；Pgrid(t)表示智能社区与上级电网交互功率，其中，Pgrid(t)≥0表示智能社区向外界电网购电，反之表示售电。
以对用户用能行为影响最小为目标的目标函数f2表示为：
Figure BDA0002984773840000093
Figure BDA0002984773840000094
式中，Pcom(t)表示能量管理系统优化前时段t的智能社区总用电负荷，其计算表达式如 (12)，为所有用户家庭负荷之和，
Figure BDA0002984773840000095
表示经过能量管理系统优化后t时段的智能社区总用电负荷，Phome,l(t)为智能社区第l个用户在时段t的负荷，Θ表示社区内所有用户集合。
以退役电池寿命损耗最小为目标的目标函数f3表示为：
Figure BDA0002984773840000096
式中，Afade为退役电池完全充放电循环一次的平均衰减容量，
Figure BDA0002984773840000097
表示退役电池折算后每日等价完全充放电次数，p为常数，取值范围为[0.8-2.1]C代表充/放电半循环集合，
Figure BDA0002984773840000098
代表第k个半周期内电池的放电深度值，通过退役电池的能量曲线获得，计算式如(14)所示，其中k为退役电池半循环次数索引，半循环总次数为C的模值；
Figure BDA0002984773840000101
式中,ESL,rate表示退役电池额定容量，Ek表示在第k个半周期结束后退役电池的能量水平，在能量曲线上对应于局部极值点，如图2所示。
以社区负荷曲线峰均比最小为目标的目标函数f4由正向峰均值比和反向峰均值比之和组成，正向峰均值比即为智能社区向上级电网购买电量时的负荷峰均比PPAR，反向峰均值比即为智能社区向上级电网出售电量时的负荷峰均比NPAR，表示为：
Figure BDA0002984773840000102
式中，TN，TP分别代表一个调度周期内购电时长与售电时长。
对建立的超多目标能量管理模型设置约束条件：
(1)系统功率平衡约束：
Figure BDA0002984773840000103
式中，Psolar(t)表示t时刻的光伏出力，PSL(t)表示t时刻退役电池的充/放电功率，如果 PSL(t)>0，表示退役电池充电，反之表示放电；
Figure BDA0002984773840000104
表示经过优化后t时段的智能社区总用电负荷。
(2)社区负荷曲线约束：
Figure BDA0002984773840000105
其中，
Figure BDA0002984773840000106
表示智能社区时段t的最小能耗功率；
Figure BDA0002984773840000107
表示微网社区时段t的最大能耗功率，
Figure BDA0002984773840000108
表示经过能量管理系统优化后t时段的智能社区总用电负荷，Pcom(t)表示社区总负荷。
社区总负荷Pcom(t)可通过如下方法计算得到：采用历史负荷数据估计社区家庭在每个时段t的最小负荷功率和最大负荷功率，再将所有家庭用电负荷求和得到社区负荷取值范围，具体计算方法如下：
Figure BDA0002984773840000111
Figure BDA0002984773840000112
式中，
Figure BDA0002984773840000113
表示第l个家庭在过去第m天在时段t的用电功率；
Figure BDA0002984773840000114
Figure BDA0002984773840000115
分别表示第l个家庭在时段t的最大负荷功率、最小负荷功率；M表示所采样历史数据总天数。
(3)退役电池储能系统运行约束：
Figure BDA0002984773840000116
式中：SOCSL(t)表示t时段退役电池的荷电状态，SOCSL,min和SOCSL,max分别表示退役电池的最小荷电状态和最大荷电状态，PSL,max-和PSL,max+分别为退役电池最大充电功率和放电功率，SOCdesire表示退役电池荷电状态的预设阈值，ESL(t)表示退役电池在时段t的剩余电量，ESL,rate表示退役电池额定能量容量。
退役电池的荷电状态值SOCSL(t)具体计算方法如下：
Figure BDA0002984773840000117
式中：PSL(t)取值为正时表示退役电池充电，反之表示放电，ηc、ηd分别表示电池充电效率、放电效率。
(4)系统传输功率约束：
Figure BDA0002984773840000118
式中，Pgrid,max+和Pgrid,max-分别表示智能社区与上级电网之间传输线最大正向传输容量和最大负向传输容量，T为超多目标能量管理模型的总调度时段。
步骤三：记录智能社区中的退役电池状态信息。
步骤四：对社区用户用电信息进行采集，并对社区可再生能源出力进行预测。
步骤五：结合退役电池状态信息和当前时段的可再生能源出力预测值，采用NSGA-III 算法对超多目标能量管理模型进行求解，得出一天内各个时段退役电池充/放电量，经调整后的智能社区总用能曲线。
实施例中，不确定变量预测值包括光伏出力Psolar(t)、智能社区居民负荷Pcom(t)，求解器采用智能算法NSGA-III进行求解。具体求解步骤为本领域技术人员所知，本发明实施例对此不作赘述。
为使本领域技术人员更好地理解，本发明以某小型智能社区为例进行数值仿真。
实施例中智能社区由50户家庭组成，选取每个居民用户过去90天的负荷数据，可获得每个居民用户的用电功率上下限值。在此基础上可以获得智能社区总负荷曲线和负荷曲线区间，如图3所示。
本实施例假设社区居民共用分布式光伏发电单元，智能社区配备光伏阵列面积为640平方米，光电转换效率为16.4％。某典型日的光照强度曲线和温度数据如图4所示。假设退役电池工作温度维持在27摄氏度的恒温环境下，表1为退役电池的具体参数配置，表2为上级电网分时电价数据。与上级电网传输功率限制取400kw。本调度模型中总调度时段T取24小时，时间间隔为30分钟，总调度时段为48个。假设居民用户在上午7点开始一天的正常生活，因此我们将调度周期的起始时间设为上午7时。
表1退役电池运行参数
Figure BDA0002984773840000121
表2分时电价
Figure BDA0002984773840000122
Figure BDA0002984773840000131
为验证本实施例中超多目标能量管理方法的有效性，对以下四种不同场景进行仿真分析：
Case 1：不考虑退役电池和分布式光伏，且不对社区进行能量管理，社区用能成本根据分时电价和总用电负荷进行计算；
Case 2：不考虑退役电池和分布式光伏，对社区进行多目标能量管理(优化目标1：最小化用能成本；优化目标2：最小化对用户行为的干扰；优化目标3：最小化社区负荷曲线峰均比)；
Case 3：考虑退役电池和分布式光伏，基于退役电池的智能社区超多目标能量管理方法；
Case 4：考虑退役电池和分布式光伏，在Case 3的基础之上，目标函数不包括退役电池容量衰减成本f3。
4种场景下的总用能成本、用户行为影响、退役电池寿命衰退成本、峰均比见表3所示。
表3不同场景下的优化目标值比较
Figure BDA0002984773840000132
以Case1为基准场景进行分析比较，从表3中可明显看出，尽管Case2对社区进行了多目标能量管理，通过优化智能社区总负荷曲线，在一定程度上降低了总用能成本和正向峰均比值，但很大程度上对用户用电行为造成了影响。整个社区居民用电行为影响值达到了814.60 kW，平均每个家庭的用电行为影响约为16.292kW。与Case1相比，Case3中社区总用能成本和正向峰均比都在一定程度上降低了，其中用能成本(118.23$)减少约57.93％，正向峰均比(1.77a.u.)降低约23.56％。与Case2相比，尽管Case3正向峰均比值略大(超出Case2 21.23％)，但社区用能成本f1和用户用电行为影响f2都明显下降，分别减少49.69％和67.94％。综上所述，相较Case1和Case2，Case3可以综合考虑对用户用电行为、用能成本和负荷峰均比的影响。为了说明考虑退役电池对家庭能量管理模型的影响，将Case3和Case4进行进一步对比分析，可发现，目标函数中不包括退役电池容量衰减成本，可在一定程度上降低社区用能成本，缓解对社区用户用电行为的影响以及减小负荷曲线峰均比和，但频繁使用退役电池会造成退役电池容量大幅度衰减。Case4较Case3退役电池寿命损耗成本增加约56.15％。为进一步说明不同目标模型对退役电池运行方式的影响，图5给出了一个调度周期内两种场景下退役电池的荷电状态曲线图，相较Case3，Case4中退役电池经历更多充放电频次和更深的充放电深度。因此，同一典型日下退役电池寿命损耗成本更大
为进一步说明超多目标能量管理方法的有效性，图6给出了典型日下Case1-Case3的社区负荷曲线。相较Case1，Case2社区降低了峰电价时段(14：00-20：00pm)向上级电网购电电量，增加了谷电价时段(22：00pm-7：00am)的购电电量，减少了社区总用能成本。进一步地，在Case2的基础上，Case3不仅增加了谷电价时段总购电电量，还利用光伏发电在一定程度上降低了平电价时段(7am-14pm，20pm-22pm)的购电电量。另一方面，峰电价时段(17：00pm-20：00pm)，Case 3较Case 2向外界购电电量值更大，其目的主要在于减小能量管理模型对社区居民用电行为的影响。因此Case3下总用能成本最小。通过对比Case1可以发现，Case 3的社区总负荷曲线更贴近于Case 1，而Case 2的社区总负荷曲线与Case1则存在较大差异，意味着Case 3对居民用电行为影响较小。
为了进一步说明超多目标能量管理模型对单个家庭用电成本的影响，表4给出了Case1 和Case3两种不同场景下智能社区50个家庭的用能成本。可明显看出在Case3下，每个家庭的用电成本都能得到大幅度削减。与Case1相比，Case 3下一些家庭的用能成本值为负值，表示该家庭所分得的售电收入超过了本身用电费用，这是由于该家庭在峰电价时段向上级电网出售光伏发电电量获得了较大的售电收益。
表4各家庭用户场景1与场景3用能成本比较
Figure BDA0002984773840000151
综上所述，本发明提出的超多目标智能社区能量管理方法，通过退役电池结合分布式能源发电技术，能为智能社区提供更经济、清洁、高效、舒适的能源服务。同时，通过适当设计超多目标能量管理策略，可以很好地平衡智能社区中不同的运行目标，在保证用户用电行为不受、少受干扰的前提下尽可能地减少用户的用能成本，平滑用户负荷曲线，延长退役电池使用寿命。满足智能社区高效环保、节能低碳的特点。
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (3)

1.一种考虑退役电池的智能社区微网超多目标能量管理方法，其特征在于，包括以下步骤：
步骤一：基于退役电池剩余可用容量、剩余充放电循环次数和容量保持率，建立基于充放电循环次数的退役电池剩余寿命衰退模型；
步骤一具体过程为：
电动汽车动力电池年循环次数期望值计算为：
Figure FDA0003259417390000011
Figure FDA0003259417390000012
式中：nbattery表示电动汽车动力电池年充放电循环次数，e为电动汽车每百公里耗电量；E(D)为电动汽车日行驶里程期望值，μD、σD分别为日行驶里程E(D)的均值、方差，μD＝3.2，σD＝0.88；Qbattery表示动力电池额定容量；
当动力电池从电动汽车退役时，已循环次数nretire计算为：
nretire＝N·nbattery (3)
式中：N为动力电池退役时的使用年限；
定义动力电池实际容量与额定容量之比为容量保持率；在使用期间，退役电池剩余容量伴随充放电次数增加而减少，其容量保持率随充放电循环次数的衰退规律符合幂函数关系，表示为：
Rc(n)＝Q0(C)-χ·nτ (4)
式中：Rc(n)为循环n次后退役电池的容量保持率；Q0(C)、χ和τ分别为初始容量保持率、容量衰减系数和幂指数；
定义容量保持率衰减至容量保持率阈值Rcthr时，退役电池作报废处理，因此，退役电池的最大可用循环次数nscrap表示为：
Figure FDA0003259417390000013
退役电池剩余充放电循环次数nsec通过最大可用循环次数减去已循环次数得到，计算方式为：
nsec＝nscrap-nretire (6)
定义退役电池的电芯容量为Arate(mAh)，规定退役电池使用至容量保持率衰减到阈值Rcthr进行报废处理，退役电池的可用区间容量ASL计算为：
ASL＝Arate·[Rc(nretire)-Rcthr] (7)
结合退役电池剩余可用容量、剩余充放电循环次数，退役电池完全充放电循环一次的平均衰减容量Afade估算为：
Afade＝ASL/nsec (8)；
步骤二：综合分析每个家庭的用能行为，确定社区电能需求可调度区间，基于社区用户用能成本、退役电池剩余寿命衰退模型、用户用电行为以及居民社区负荷对配电系统的影响，建立超多目标能量管理模型；
步骤二中，综合分析每个家庭的用能行为，确定社区电能需求可调度区间的过程为：
将一天连续24小时的时间进行离散化处理，均分为T个时段，对于任意第t时段，有t∈[1,2,...,T]，一个调度周期开始时，智能社区内的能量管理系统通过智能测量系统预测社区居民用电负荷曲线与可再生能源出力信息；
微网智能社区光伏出力表示如下：
Psolar＝A·S·ξ·[1-0.005(Tout-25)] (9)
式中：Psolar代表光伏出力，S为居民社区安装的光伏阵列面积，ξ为光电转换效率，A为光照强度，Tout为户外温度；
对于社区用户，设智能社区内的家庭集合为Θ，第l个家庭在过去第m天时段t的用电功率表示为
Figure FDA0003259417390000022
t∈[1,T]，结合历史数据，可得到居民用电负荷的取值范围；
建立的超多目标能量管理模型包括：
以社区总用能成本最小为目标的目标函数f1表示为：
Figure FDA0003259417390000021
式中，Φ(t)表示时间t内的能耗成本函数，θ(t)和ρ(t)分别表示智能社区微网向上级电网购电电价和售电电价；Pgrid(t)表示智能社区与上级电网交互功率，其中，Pgrid(t)≥0表示智能社区向外界电网购电，反之表示售电；
以对用户用能行为影响最小为目标的目标函数f2表示为：
Figure FDA0003259417390000031
Figure FDA0003259417390000032
式中，Pcom(t)表示能量管理系统优化前时段t的智能社区总用电负荷，其计算表达式如(12)，为所有用户家庭负荷之和，
Figure FDA0003259417390000033
表示经过能量管理系统优化后t时段的智能社区总用电负荷，Phome,l(t)为智能社区第l个家庭在时段t的负荷，Θ表示社区内所有家庭集合；
以退役电池寿命损耗最小为目标的目标函数f3表示为：
Figure FDA0003259417390000034
式中，Afade为退役电池完全充放电循环一次的平均衰减容量，
Figure FDA0003259417390000035
表示退役电池折算后每日等价完全充放电次数，p为常数，取值范围为[0.8-2.1]，C代表充/放电半循环集合，
Figure FDA0003259417390000036
代表第k个半周期内电池的放电深度值，通过退役电池的能量曲线获得，计算式如(14)所示，其中k为退役电池半循环次数索引，半循环总次数为C的模值；
Figure FDA0003259417390000037
式中,ESL,rate表示退役电池额定容量，Ek表示在第k个半周期结束后退役电池的能量水平，在能量曲线上对应于局部极值点；
以社区负荷曲线峰均比最小为目标的目标函数f4由正向峰均值比和反向峰均值比之和组成，正向峰均值比即为智能社区向上级电网购买电量时的负荷峰均比PPAR，反向峰均值比即为智能社区向上级电网出售电量时的负荷峰均比NPAR，表示为：
Figure FDA0003259417390000038
式中，TN，TP分别代表一个调度周期内的购电时长与售电时长；
对建立的超多目标能量管理模型设置约束条件：
(1)系统功率平衡约束：
Figure FDA0003259417390000041
式中，Psolar(t)表示t时刻的光伏出力，PSL(t)表示t时刻退役电池的充/放电功率，如果PSL(t)>0，表示退役电池充电，反之表示放电；
Figure FDA0003259417390000042
表示经过能量管理系统优化后t时段的智能社区总用电负荷；
(2)社区负荷曲线约束：
Figure FDA0003259417390000043
其中，
Figure FDA0003259417390000044
表示智能社区时段t的最小能耗功率；
Figure FDA0003259417390000045
表示微网社区时段t的最大能耗功率，
Figure FDA0003259417390000046
表示经过能量管理系统优化后t时段的社区总用电负荷，Pcom(t)表示社区总负荷；
(3)退役电池储能系统运行约束：
Figure FDA0003259417390000047
式中：SOCSL(t)表示t时段退役电池的荷电状态，SOCSL,min和SOCSL,max分别表示退役电池的最小荷电状态和最大荷电状态，PSL,max-和PSL,max+分别为退役电池最大充电功率和放电功率，SOCdesire表示退役电池荷电状态的预设阈值，ESL(t)表示退役电池在时段t的剩余电量，ESL,rate表示退役电池额定容量；
步骤二的退役电池储能系统运行约束中，退役电池的荷电状态值SOCSL(t)具体计算方法如下：
Figure FDA0003259417390000048
式中：PSL(t)取值为正时表示退役电池充电，反之表示放电，ηc、ηd分别表示电池充电效率、放电效率；
步骤三：记录智能社区中的退役电池状态信息；
步骤四：对社区用户用电信息进行采集，并对社区可再生能源出力进行预测；
步骤五：结合退役电池状态信息和当前时段的可再生能源出力预测值，采用NSGA-III算法对超多目标能量管理模型进行求解，得出一天内各个时段退役电池充/放电量，经调整后的智能社区总用能曲线。
2.根据权利要求1所述的考虑退役电池的智能社区微网超多目标能量管理方法，其特征在于，所述步骤二的社区负荷约束中，社区总负荷Pcom(t)通过如下方法计算得到：采用历史负荷数据估计社区家庭在每个时段t的最小负荷功率和最大负荷功率，再将所有家庭用电负荷求和得到社区负荷取值范围，具体计算方法如下：
Figure FDA0003259417390000051
Figure FDA0003259417390000052
式中，
Figure FDA0003259417390000053
表示第l个家庭在过去第m天在时段t的用电功率；
Figure FDA0003259417390000054
Figure FDA0003259417390000055
分别表示第l个家庭在时段t的最大负荷功率、最小负荷功率；M表示所采样历史数据总天数。
3.根据权利要求2所述的考虑退役电池的智能社区微网超多目标能量管理方法，其特征在于，所述步骤二中，超多目标能量管理模型还包括系统传输功率约束：
Figure FDA0003259417390000056
式中，Pgrid,max+和Pgrid,max-分别表示智能社区与上级电网之间传输线最大正向传输容量和最大负向传输容量，T为超多目标能量管理模型的总调度时段。
CN202110297160.7A 2021-03-19 2021-03-19 考虑退役电池的智能社区微网超多目标能量管理方法 Active CN112952820B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110297160.7A CN112952820B (zh) 2021-03-19 2021-03-19 考虑退役电池的智能社区微网超多目标能量管理方法
PCT/CN2021/144073 WO2022193794A1 (zh) 2021-03-19 2021-12-31 考虑退役电池的智能社区微网超多目标能量管理方法
US18/056,170 US20230070151A1 (en) 2021-03-19 2022-11-16 Hierarchical energy management for community microgrids with integration of second-life battery energy storage systems and photovoltaic solar energy

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110297160.7A CN112952820B (zh) 2021-03-19 2021-03-19 考虑退役电池的智能社区微网超多目标能量管理方法

Publications (2)

Publication Number Publication Date
CN112952820A CN112952820A (zh) 2021-06-11
CN112952820B true CN112952820B (zh) 2021-10-22

Family

ID=76227691

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110297160.7A Active CN112952820B (zh) 2021-03-19 2021-03-19 考虑退役电池的智能社区微网超多目标能量管理方法

Country Status (3)

Country Link
US (1) US20230070151A1 (zh)
CN (1) CN112952820B (zh)
WO (1) WO2022193794A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112952820B (zh) * 2021-03-19 2021-10-22 长沙理工大学 考虑退役电池的智能社区微网超多目标能量管理方法
CN113673763A (zh) * 2021-08-20 2021-11-19 天津大学 利用退役电池的综合能源电/热混合储能控制方法及装置
CN116470541A (zh) * 2023-04-03 2023-07-21 河北天乾地坤科技有限公司 一种基于太阳能储能的供电管理系统
CN117154905B (zh) * 2023-11-01 2024-03-08 深圳市中正磁能科技有限公司 Soc电源管理系统及控制方法
CN117273988B (zh) * 2023-11-23 2024-02-02 国网信通亿力科技有限责任公司 基于跨业务领域的智慧能源管理系统
CN117728472B (zh) * 2023-12-29 2024-05-28 日新鸿晟智慧能源(上海)有限公司 一种用户侧储能做功天数精算方法及精算模型
CN117638834B (zh) * 2024-01-25 2024-03-26 深圳安丰泰联合科技有限公司 一种电器用的智能降压控制系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109066948A (zh) * 2018-09-17 2018-12-21 西安交通大学 退役电池模块化储能供电系统的操作优化方法
CN110750874A (zh) * 2019-09-26 2020-02-04 长沙理工大学 一种退役动力电池寿命预测的方法
CN111740442A (zh) * 2020-06-08 2020-10-02 上海电力大学 一种应用于光储充电站的退役电池梯次利用控制方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4189914B2 (ja) * 2003-11-18 2008-12-03 中国電力株式会社 最適エネルギー源の適否判定方法
US10423138B2 (en) * 2017-03-06 2019-09-24 Con Edison Battery Storage, Llc Building energy storage system with planning tool
US10830827B2 (en) * 2017-07-28 2020-11-10 Northstar Battery Company, Llc Operating conditions information system for an energy storage device
CN111507626A (zh) * 2020-04-18 2020-08-07 东北电力大学 计及不确定性的光伏屋顶-退役电池储能系统经济性评估方法
CN112952820B (zh) * 2021-03-19 2021-10-22 长沙理工大学 考虑退役电池的智能社区微网超多目标能量管理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109066948A (zh) * 2018-09-17 2018-12-21 西安交通大学 退役电池模块化储能供电系统的操作优化方法
CN110750874A (zh) * 2019-09-26 2020-02-04 长沙理工大学 一种退役动力电池寿命预测的方法
CN111740442A (zh) * 2020-06-08 2020-10-02 上海电力大学 一种应用于光储充电站的退役电池梯次利用控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"Operational Planning of Centralized Charging Stations Utilizing Second-Life Battery Energy Storage Systems";Youjun Deng 等;《IEEE Transactions on Sustainable Energy》;20210131;第12卷(第1期);全文 *
"平抑风电功率波动退役电池储能系统容量配置";崔传世 等;《电源技术》;20200831;第44卷(第8期);全文 *

Also Published As

Publication number Publication date
CN112952820A (zh) 2021-06-11
US20230070151A1 (en) 2023-03-09
WO2022193794A1 (zh) 2022-09-22

Similar Documents

Publication Publication Date Title
CN112952820B (zh) 考虑退役电池的智能社区微网超多目标能量管理方法
Nabavi et al. Deep learning in energy modeling: Application in smart buildings with distributed energy generation
CN106532764B (zh) 一种就地消纳光伏发电的电动汽车充电负荷调控方法
CN111200293B (zh) 基于电池损耗和分布式电网电池储能日前随机调度的方法
CN107612041B (zh) 一种考虑不确定性的基于事件驱动的微电网自动需求响应方法
Li et al. Optimization between the PV and the retired EV battery for the residential microgrid application
CN111668878A (zh) 一种可再生微能源网的优化配置方法和系统
Chellaswamy et al. A framework for building energy management system with residence mounted photovoltaic
CN114944661B (zh) 一种基于储能系统滚动优化的微电网三阶段优化控制方法
CN111915161B (zh) 基于可调鲁棒算法的区域光储充系统短期调度方法和系统
Luo et al. A novel forecast-based operation strategy for residential PV-battery-flexible loads systems considering the flexibility of battery and loads
CN111293718A (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
Singh et al. Optimal battery utilization for energy management and load scheduling in smart residence under demand response scheme
Abdalla et al. Double-layer home energy management strategy for increasing PV self-consumption and cost reduction through appliances scheduling, EV, and storage
CN116384039A (zh) 一种基于模型预测的智能电网能源优化高效管理方法
CN115241927A (zh) 家庭智慧能源系统运行控制方法、装置、设备及介质
Liao et al. A comparative study of demand-side energy management strategies for building integrated photovoltaics-battery and electric vehicles (EVs) in diversified building communities
CN111082446B (zh) 一种考虑电池自消耗的储能优化配置方法
CN117332989A (zh) 一种区域综合能源系统削峰填谷方法
Zhang et al. Two-stage capacity determination framework for residential second-life BESSs considering cloud energy storage service
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
CN116054286A (zh) 一种考虑多元弹性资源的居民台区容量优化配置方法
Zheng et al. A techno-economic sizing method for PV/battery/grid hybrid solar systems for residential buildings
Dahiru et al. Multi-configurational sizing and analysis in a nanogrid using nested integer linear programming
CN114723278A (zh) 一种考虑光伏储能的社区微电网调度方法及系统

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20210611

Assignee: CHANGSHA CHUANGHUA SOFTWARE DEVELOPMENT Co.,Ltd.

Assignor: CHANGSHA University OF SCIENCE AND TECHNOLOGY

Contract record no.: X2021430000004

Denomination of invention: Super multi-objective energy management method of Intelligent Community microgrid considering retired batteries

Granted publication date: 20211022

License type: Exclusive License

Record date: 20211110