CN113359464A - 一种基于决策树进行能源管理的多重能源系统及控制方法 - Google Patents
一种基于决策树进行能源管理的多重能源系统及控制方法 Download PDFInfo
- Publication number
- CN113359464A CN113359464A CN202110732284.3A CN202110732284A CN113359464A CN 113359464 A CN113359464 A CN 113359464A CN 202110732284 A CN202110732284 A CN 202110732284A CN 113359464 A CN113359464 A CN 113359464A
- Authority
- CN
- China
- Prior art keywords
- energy
- decision
- generator
- battery
- node
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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
- G05B13/042—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 in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明公开了一种基于决策树进行能源管理的多重能源系统及控制方法,属于能源管理技术领域;它包括柴油发电装置;柴油发电装置的电能输出端与能源管理系统相连接;能源管理系统通过导线分别与家用能源负载、超级电容模块及电池组相连;柴油发电装置的废气输出端和冷却液输出端分别通过热交换装置与供暖系统相连接,同时通过在能源管理系统中设置动态规划‑决策树,其在家用多重能源系统中通过减少计算中的维度来克服通常会在动态规划应用中出现的多重维度问题。
Description
技术领域
本发明涉及能源管理技术领域,具体涉及一种基于决策树进行能源管理的多重能源系统及控制方法。
背景技术
热电联产系统是一种分布式发电的结构,由于其该系统在能源储存、高效的能源使用效率、减少二氧化碳排放以及其他对环境有益的方面所体现出的优越性在近年来得到了广泛的关注;目前针对于热电联产系统中的电能管理已经使用了诸如模糊逻辑理论、降速控制以及粒子群算法来致力于寻求该系统最优的运行方案,但在其中迭代计算和过早收敛是将上述算法实际应用于这类系统的障碍,总是需要经验系数或预定参数,而另一方面,动态规划作为一种优化方法,其通过划分整个过程为不同的阶段来解决问题。这些阶段受到决策变量(控制变量)的相互影响和相互联系,且无需经验系数或者预定参数,但在能源领域,由于维度问题始终是多种能源系统的障碍,所以动态规划并不被承认是关于最优能源管理的最佳选择,而这也是目前所亟需解决的一个问题。
发明内容
本发明所要解决的技术问题是:提供一种基于决策树进行能源管理的多重能源系统及控制方法,在家用多重能源系统中通过减少计算中的维度来克服通常会在动态规划应用中出现的多重维度问题。
为解决上述问题,本发明提供了如下技术方案:
一种基于决策树进行能源管理的多重能源系统,它包括柴油发电装置;柴油发电装置的电能输出端与能源管理系统相连接;能源管理系统通过导线分别与家用能源负载、超级电容模块及电池组相连;柴油发电装置的废气输出端和冷却液输出端分别通过热交换装置与供暖系统相连接。
本发明还提供了一种基于决策树进行能源管理的多重能源系统的控制方法,包括以下步骤:
St1、在能源管理系统中建立动态规划-决策树;
所述动态规划-决策树包括根据实时需求所生成的一个一级决策节点,一级决策节点通过d1和d2两个决策变量来进行控制,d1表示发电机的开关动作,d2表示电池组和超级电容模块的充放电情况,d1和d2属于{0,1};其中0表示发电机的关闭或者电池组与电容模块的充电,1则反之;一级决策节点下包含4种一级结果节点,分别以ξ1,i来表示,ξ1,1中d1=1,d2=1;ξ1,2中d1=0,d2=0;ξ1,3中d1=1,d2=0;ξ1,4中d1=0,d2=1;
每个一级结果节点都对应一个二级决策节点;二级决策节点通s1和s2两个状态变量进行控制,s1表示电机负荷率,s2表示电池的荷电状态及超级电容模块状态,s1和s2属于{0,1};其中0表示发电机的负载或电池和超级电容荷电量低于30%,1表示发电机的负载或电池和超级电容荷电量高于70%;二级决策节点下包含12种二级结果节点,分别以ξ2,j来表示,ξ2,1、ξ2,2、ξ2,3、ξ2,4为ξ1,1的四个结果节点,ξ2,1中s1=1,s2=1;ξ2,2中s1=1,s2=0;ξ2,3中s1=0,s2=1;ξ2,4中s1=0,s2=0;ξ2,5、ξ2,6、ξ2,7、ξ2,8为ξ1,2的四个结果节点;ξ2,5中s1=1,s2=1;ξ2,6中s1=1,s2=0;ξ2,7中s1=0,s2=1;ξ2,8中s1=0,s2=0;ξ2,9、ξ2,10为ξ1,3的两个结果节点,ξ2,9中s1=1,s2=0;ξ2,10中s1=0,s2=0;ξ2,11、ξ2,12为ξ1,4的两个结果节点,ξ2,11中s1=0,s2=1;ξ2,12中s1=0,s2=0;
每个二级结果节点都对应一个三级决策节点;三级决策节点下包含24种三级结果节点,分别以ξ3,l来表示;每个三级决策节点都对应有满足或不满足两种情况
其中l属于1~24的整数;且在每个三级结果节点处都对应有上一个结果节点接收到的值νm,m为属于1~24的整数;νm为通过人工赋值获得;
对所有一级结果节点、二级结果节点、三级结果节点及νm进行计算赋值;
St2、确认家庭能源需求;并根据家庭能源需求获得瞬时功率需求,家庭能源需求通过能源系统对家庭实时功率进行采样获得;
St3、将瞬时功率需求引入步骤St1中获得的动态规划-决策树中;并取得最佳决定候选;
在动态规划-决策树进行优化的过程中,创建目标函数式1:
OPT=maxΠ{ξi,j(sk,dk)vm} (1)
对其进行优化;
St4、由最佳决定候选来确定功率供给分流,并分别控制电池、超级电容及发动机进行动作;重新计算发动机、电池和超级电容及的状态变量s1和s2,并将更新后的s1和s2重新导入动态规划-决策树;
St5、根据决策节点是否获得新的赋值来判断计算是否完毕;若未完毕则返回步骤St2;若完毕则结束本次流程。
进一步的,在步骤St1和步骤St4中可采用式2、式3和式4对状态变量s1和s2进行计算;
其中,socbat是指电池和超级电容的状态变化;soc0,bat是电池和超级电容最初的荷电状态;Q是能量;igen是发电机的负荷率;I0和IN是发电机的转子电流和额定电流。
进一步的,上述的发电机采用以生物柴油作为燃料的柴油发电机。
本发明有益效果:
本发明的主要贡献如下:
1、建立了一种离网型包含生物燃料、发动机/电动机、电池和超级电容的多重能源系统。
2、第一次在能源管理系统中采用动态规划-决策树的方法来简化多维问题。
3、通过本次研究的实验结果证明了本文建立的方法是可行的。由于电池和超级电容的集成使得系统的动态性能得到了优化。
4、在采用动态规划-决策树(DP-DT)策略使得总体的能源使用效率提高至57.97%,提高了26.7%。系统的动态响应也相应提高。
附图说明
图1是本实施例中能源系统的结构示意图;
图2是本实施例中能源系统控制方法的示意框图;
图3是本实施例中所生成的动态规划-决策树的结构示意图;
图4是本实施例中当发电机负载达到95%并且电池充满电时系统所生成的瞬时动态规划-决策树的结构示意图;
图5是四种不同燃料(生物柴油、葵花油、菜籽油和巴豆油)的热电联产系统的电性能;
图6是本实施例中调查家庭一般工作日中的电能需求示意图;
图7是本实施例中发电机和混合能源储存系统随时间的动态响应示意图;
图8是本实施例中电池和超级电容模块随时间的动态响应示意图;
图9表示了发动机和混合能源储存系统在提供电能上的占比示意图;
图10表示了发动机/电动机与热电联产系统在运行时间上的时间分配占比示意图;
附图标记说明:1、柴油发电装置,1A、废气输出端,1B、冷却液输出端,2、能源管理系统,3、家用能源负载,4、超级电容模块,5、电池组,6、热交换装置,7、供暖系统。
具体实施方式
下面结合附图及具体的实施例对本发明进行进一步介绍:
实施例:
参照图1,本实施例提供了一种基于决策树进行能源管理的多重能源系统,它包括柴油发电装置1;柴油发电装置1的电能输出端与能源管理系统2相连接;能源管理系统2通过导线分别与家用能源负载3、超级电容模块4及电池组5相连;柴油发电装置1的废气输出端1A和冷却液输出端1B分别通过热交换装置6与供暖系统7相连接。
本发明还提供了一种基于决策树进行能源管理的多重能源系统的控制方法,包括以下步骤:
St1、在能源管理系统中建立动态规划-决策树;
所述动态规划-决策树包括根据实时需求所生成的一个一级决策节点,一级决策节点通过d1和d2两个决策变量来进行控制,d1表示发电机的开关动作,d2表示电池组和超级电容模块的充放电情况,d1和d2属于{0,1};其中0表示发电机的关闭或者电池组与电容模块的充电,1则反之;一级决策节点下包含4种一级结果节点,分别以ξ1,i来表示,ξ1,1中d1=1,d2=1;ξ1,2中d1=0,d2=0;ξ1,3中d1=1,d2=0;ξ1,4中d1=0,d2=1;
每个一级结果节点都对应一个二级决策节点;二级决策节点通s1和s2两个状态变量进行控制,s1表示电机负荷率,s2表示电池的荷电状态及超级电容模块状态,s1和s2属于{0,1};其中0表示发电机的负载或电池和超级电容荷电量低于30%,1表示发电机的负载或电池和超级电容荷电量高于70%;二级决策节点下包含12种二级结果节点,分别以ξ2,j来表示,ξ2,1、ξ2,2、ξ2,3、ξ2,4为ξ1,1的四个结果节点,ξ2,1中s1=1,s2=1;ξ2,2中s1=1,s2=0;ξ2,3中s1=0,s2=1;ξ2,4中s1=0,s2=0;ξ2,5、ξ2,6、ξ2,7、ξ2,8为ξ1,2的四个结果节点;ξ2,5中s1=1,s2=1;ξ2,6中s1=1,s2=0;ξ2,7中s1=0,s2=1;ξ2,8中s1=0,s2=0;ξ2,9、ξ2,10为ξ1,3的两个结果节点,ξ2,9中s1=1,s2=0;ξ2,10中s1=0,s2=0;ξ2,11、ξ2,12为ξ1,4的两个结果节点,ξ2,11中s1=0,s2=1;ξ2,12中s1=0,s2=0;
在传统的家用多能源系统,决策变量中的d2及状态变量中的s2都应分解成电池和超级电容两部分;但在基于先前的研究,已经发现了超级电容的快速响应并且随之还有电池的变化。这就有理由相信socsc能够立即跟踪socbat。因此,在简化的决策过程中可以忽略socsc;超级电容模块和电池组能够被同时控制,而由于电池和超级电容是被同时控制的,超级电容的运行动作被消除,故只保留d2一个参数值
每个二级结果节点都对应一个三级决策节点;三级决策节点下包含24种三级结果节点,分别以ξ3,l来表示;每个三级决策节点都对应有满足或不满足两种情况
其中l属于1~24的整数;且在每个三级结果节点处都对应有上一个结果节点接收到的值νm,m为属于1~24的整数;νm为通过人工赋值获得;
对所有一级结果节点、二级结果节点、三级结果节点及νm进行计算赋值;
St2、确认家庭能源需求;并根据家庭能源需求获得瞬时功率需求,家庭能源需求通过能源系统对家庭实时功率进行采样获得;
St3、将瞬时功率需求引入步骤St1中获得的动态规划-决策树中;并取得最佳决定候选;
在动态规划-决策树进行优化的过程中,创建目标函数式1:
OPT=maxΠ{ξi,j(sk,dk)vm} (1)
对其进行优化;
在本实施例中,以当发电机负载达到95%并且电池充满电时,需求变高,此时的s1=1,s2=1,因此可能的ξ1,i,ξ2,j,ξ3,1来系数向量获得如下:
ξ(1,i)i=1~4={0.5,0.3,0.1,0.1}
ξ(2,j)j=1~12={1,0,0,0,1,0,0,0,1,0,1,0}
ξ(3,l)1=1~24
={0.6,0.4,0.5,0.5,0.5,0.5,0.5,0.5,0.4,0.6,0.5,0.5,0.5,0.5,0.6,0.4,0.5.0.5,0.6,0.4,0.5,0.5}
v(m)1=1~24
={0.8.0.6,0.4,0.3,0.2,0.1,0.1,0.1,0.8,0.6,0.4,0.3,0.2,0.1,0.1,0.1,0.8,0.6,0.4,0.3,0.2,0.1,0.1,0.1}
故通过动态规划-决策树最终获得的输结果向量为:
out(m)1=1~24
={0.24,0.12,0,0,0,0,0,0,0.096,0.108,0,0,0,0,0,0,0.048,0.024,0,0,0.012,0.004,0,0}
St4、由最佳决定候选来确定功率供给分流,并分别控制电池、超级电容及发动机进行动作;重新计算发动机、电池和超级电容及的状态变量s1和s2,并将更新后的s1和s2重新导入动态规划-决策树;
在发电机负载达到95%并且电池充满电这一状态下,通过上述计算可知结果向量out(m)中的最大值为0.24,通过反向推导得以确定“gen-set&EES放电”这一的最佳决策。在这种情况下,多重能源的功率分布可计算得出:
peng=pmax
pEES=pload-peng
St5、根据决策节点是否获得新的赋值来判断计算是否完毕;若未完毕则返回步骤St2;若完毕则结束本次流程。本实施例中的决策节点对应的主要变量为二级决策节点上的s1和s2;即是通过系统接收到电机负荷率和电池与超级电容的状态是否发生了变化来赋值判断的。
进一步的,在步骤St1和步骤St4中可采用式2、式3和式4对状态变量s1和s2进行计算;
其中,socbat是指电池和超级电容的状态变化;soc0,bat是电池和超级电容最初的荷电状态;Qbat是能量;igen是发电机的负荷率;I0和IN是发电机的转子电流和额定电流。
进一步的,上述的发电机采用以生物柴油作为燃料的柴油发电机。
可参考图5,图5展示了使用四种不同燃料(生物柴油、葵花油、菜籽油和巴豆油)的热电联产系统的电性能,图5(a)中,图示说明了评估指标随着发电机负荷的增加而成比例的增加。菜籽油、葵花油和巴豆油在每个测试点的油耗相差无几。在图5(b)中展示了生物柴油相比其他燃料为最低油耗。图5(c)比较了四种不同燃料的能源使用效率。很明显,生物柴油具有这最好的能源使用效率,在接下来的分析中都将采用生物柴油作为燃料。故而最终选用了以生物柴油为燃料的柴油发电机作为主要能源。
可参考图6至图10;为了证明本发明的可靠性,本实施例还对一个应用了本系统的普通家庭进行了跟踪研究;通过下述研究可以看出,电能需求有两个峰值要求;体现于图6,第一个峰值时间为早上8:20,最高峰值达到5.74KW的用电需求,第二个峰值时间为晚上6:34,最高峰值达到5.33KW的用电需求。其余的20.88个小时都属于低用电需求。根据该房屋的用电需求,具体的基于热电联产技术的发电机采用为连续机械输出7.72KW和全负荷时输出6.5KW可变电能。6个凝胶电池(每个单元12V/120Ah)与超级电容模块(40V/60F)组合。表1总结了CHP-HES中各个装置参数的详细信息。
图7表示了发电机和混合能源储存系统的动态响应。如图所示,发动机/发电机在8:20am和6:34pm时启动两次,其相应的输出功率达到了6.5KW。如图6所说,发动机正以相对较高的负载率运行于极限周期。
图8表示了电池和超级电容模块的情况。很显然,超级电容起着能量缓冲的作用,帮助电池满足突然的电能需求。因此,在对电池进行保护的情况下,热电联产系统能够很好地处理突发变化。基于这个结果,对以下的性能指标进行分析。
表1:
同时,新的状态变量可以作为下一个阶段的推导计算的基础。获得的热能可以在冷却系统和发动机/发电机的废气中回收。因此,回收的热能等于整个发动机运行过程中的热能总和并由下面一系列的方程计算得出。
从废气中回收的热能Qexs是等于在废气中回收的Pexs在发动机工作时间{T1、T2,…,TK}内的积分。相同地,在冷却系统中回收的热能Qcl等于在废气Pcl(t,pelec)在发动机工作时间{T1、T2,…,TK}内的积分;K∈[1,24],表示一天中不同时刻。总回收的热能Qrcv等于整体回收热功率prcv(t,pelec)在发动机运行时间上的积分。
prcv(t,pelec)=pexs(t,pelec)+pcl(t,pelec)
在二十四小时测试中,从发动机上回收的总热能为15.98KWh,而热能的消耗则是15.36KWh。热能的回收比热能的需求多4%。此外,由于发动机在高负荷的状态下工作,可以获得较高温度的热能进行使用。因此,在实验中实际的热能回收是可以完全满足24小时内房屋的需求。回收的热能站到了燃料投入的37.3%。
进一步进行系统效率的计算:
通常来说,系统效率可以通过以下方程计算得出。
发动机的电气效率是指发动机运行时的平均功率。设ζeng(t,pelec)为发动机输出功率pelec时的实时电气效率。和值等于在发动机运行时间{T1、T2,…,TK}内效率的积分。总占空比等于占空比时间序列{T1、T2,…,TK}的积分。所以,平均电气效率可由以下公式计算。
考虑到每个部件的平均效率之和除以总运行时间之和,系统的平均效率ηst可以通过以下公式计算:
为了进行比较,比较了没有特定控制策略的基于发动机的常用热电联产系统。热电联产应具有最大功率输出为6.5kW,以满足最大用电需求,并且在混合能源储存-热电联产系统中作为发动机/发电机的不同负荷具有相似的电气性能。
在表2中也列出了该热电联产系统的计算结果。从结果中得知,在24小时以上的连续操作中,热电联产系统的平均电气效率仅有3.84%。同时,在大多数时间里,发动机都运行在相应的低效率工作状态。此外,发动机由于长期运行而产生过热。通过计算应该能回收118.87KWh的热能,超出了当天的热能需求(15.36KWh)的7倍多。这意味着有103.51KWh的热能被浪费。
表2:
在另一方面,混合能源储存-热电联产系统也可以满足家用能源需求,在实验结束前的每一步根据动态规划-决策树(DP-DT)来选择实时运行模式。所有的测试结果都列于表2中。同样在表2中,还表示着储能系统的放电效率、发动机的效率以及总电气效率分别为20.56%、20.79%和20.68%。
很明显,相比基于发动机的常用热电联产系统的最高电气效率仅为20.68%,而混合能源储存-热电联产系统具有着更好的性能,其电气效率是常用型的5倍多。此外,混合能源储存-热电联产系统的整体效率从45.77%提高到57.97%,系统整体效率提高26.7%,如表2所示。在24小时内,发动机还产生了33.6%的电能;在动态规划-决策树(DP-DT)的决策下,混合能源储存系统提供了66.4%的电能。图8表示了发动机和混合能源储存系统在提供电能上的百分比。图9表示了发动机/电动机与热电联产系统在运行时间上的时间分配。通过比较,当系统的工作效率从3.84%提升至20.79%时,发动机的运行时间从24h减少至3.12h。换言之,混合能源储存-热电联产系统中的发动机/发电机以相对较高的占空比运行,这有利于其使用寿命,有利于系统成本。
Claims (4)
1.一种基于决策树进行能源管理的多重能源系统,其特征在于:它包括柴油发电装置(1);柴油发电装置(1)的电能输出端与能源管理系统(2)相连接;能源管理系统(2)通过导线分别与家用能源负载(3)、超级电容模块(4)及电池组(5)相连;柴油发电装置(1)的废气输出端(1A)和冷却液输出端(1B)分别通过热交换装置(6)与供暖系统(7)相连接。
2.根据权利要求1所述的一种基于决策树进行能源管理的多重能源系统的控制方法,包括以下步骤:
St1、在能源管理系统中建立动态规划-决策树;
所述动态规划-决策树包括根据实时需求所生成的一个一级决策节点,一级决策节点通过d1和d2两个决策变量来进行控制,d1表示发电机的开关动作,d2表示电池组和超级电容模块的充放电情况,d1和d2属于{0,1};其中0表示发电机的关闭或者电池组与电容模块的充电,1则反之;一级决策节点下包含4种一级结果节点,分别以ξ1,i来表示,ξ1,1中d1=1,d2=1;ξ1,2中d1=0,d2=0;ξ1,3中d1=1,d2=0;ξ1,4中d1=0,d2=1;
每个一级结果节点都对应一个二级决策节点;二级决策节点通s1和s2两个状态变量进行控制,s1表示电机负荷率,s2表示电池的荷电状态及超级电容模块状态,s1和s2属于{0,1};其中0表示发电机的负载或电池和超级电容荷电量低于30%,1表示发电机的负载或电池和超级电容荷电量高于70%;二级决策节点下包含12种二级结果节点,分别以ξ2,j来表示,ξ2,1、ξ2,2、ξ2,3、ξ2,4为ξ1,1的四个结果节点,ξ2,1中s1=1,s2=1;ξ2,2中s1=1,s2=0;ξ2,3中s1=0,s2=1;ξ2,4中s1=0,s2=0;ξ2,5、ξ2,6、ξ2,7、ξ2,8为ξ1,2的四个结果节点;ξ2,5中s1=1,s2=1;ξ2,6中s1=1,s2=0;ξ2,7中s1=0,s2=1;ξ2,8中s1=0,s2=0;ξ2,9、ξ2,10为ξ1,3的两个结果节点,ξ2,9中s1=1,s2=0;ξ2,10中s1=0,s2=0;ξ2,11、ξ2,12为ξ1,4的两个结果节点,ξ2,11中s1=0,s2=1;ξ2,12中s1=0,s2=0;
每个二级结果节点都对应一个三级决策节点;三级决策节点下包含24种三级结果节点,分别以ξ3,l来表示;每个三级决策节点都对应有满足或不满足两种情况;
其中l属于1~24的整数;且在每个三级结果节点处都对应有上一个结果节点接收到的值νm,m为属于1~24的整数;νm为通过人工赋值获得;
对所有一级结果节点、二级结果节点、三级结果节点进行计算赋值;
St2、确认家庭能源需求;并根据家庭能源需求获得瞬时功率需求,家庭能源需求通过能源系统对家庭实时功率进行采样获得;
St3、将瞬时功率需求引入步骤St1中获得的动态规划-决策树中;并取得最佳决定候选;
在动态规划-决策树进行优化的过程中,创建目标函数式1:
OPT=maxΠ{ξi,j(sk,dk)vm} (1)
对其进行优化;
St4、由最佳决定候选来确定功率供给分流,分别控制电池、超级电容及发动机进行动作;重新计算发动机、电池和超级电容及的状态变量s1和s2,并将更新后的s1和s2重新导入动态规划-决策树;
St5、根据决策节点是否获得新的赋值来判断计算是否完毕;若未完毕则返回步骤St2;若完毕则结束本次流程。
4.根据权利要求2所述的一种基于决策树进行能源管理的多重能源系统的控制方法,其特征在于:上述的发电机采用以生物柴油作为燃料的柴油发电机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110732284.3A CN113359464A (zh) | 2021-06-30 | 2021-06-30 | 一种基于决策树进行能源管理的多重能源系统及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110732284.3A CN113359464A (zh) | 2021-06-30 | 2021-06-30 | 一种基于决策树进行能源管理的多重能源系统及控制方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113359464A true CN113359464A (zh) | 2021-09-07 |
Family
ID=77537276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110732284.3A Pending CN113359464A (zh) | 2021-06-30 | 2021-06-30 | 一种基于决策树进行能源管理的多重能源系统及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113359464A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103151798A (zh) * | 2013-03-27 | 2013-06-12 | 浙江省电力公司电力科学研究院 | 独立微网系统的优化方法 |
CN110516884A (zh) * | 2019-08-30 | 2019-11-29 | 贵州大学 | 一种基于大数据平台的短期负荷预测方法 |
CN112116352A (zh) * | 2020-09-28 | 2020-12-22 | 贵州大学 | 一种保护用户账户隐私的分布式能源交易方法 |
-
2021
- 2021-06-30 CN CN202110732284.3A patent/CN113359464A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103151798A (zh) * | 2013-03-27 | 2013-06-12 | 浙江省电力公司电力科学研究院 | 独立微网系统的优化方法 |
CN110516884A (zh) * | 2019-08-30 | 2019-11-29 | 贵州大学 | 一种基于大数据平台的短期负荷预测方法 |
CN112116352A (zh) * | 2020-09-28 | 2020-12-22 | 贵州大学 | 一种保护用户账户隐私的分布式能源交易方法 |
Non-Patent Citations (5)
Title |
---|
RAY MARFELL: "揭秘发电机组功率分级", 《揭秘发电机组功率分级》 * |
X.P.CHEN: "Dynamic programming for optimal operation of a biofuel micro CHP-HES system", 《APPLIED ENERGY》 * |
XIANG-PING CHEN: "A Bio-Fuel Power Generation System With Hybrid Energy Storage Under a Dynamic Programming Operation Strategy", 《IEEE ACCESS》 * |
汽车之家论坛: "每次充电,只从30%~70%,浅充浅放,保护电池…", 《每次充电,只从30%~70%,浅充浅放,保护电池…》 * |
百度知道: "天然气发电机运行负载率多少为经济运行?", 《天然气发电机运行负载率多少为经济运行?》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rezk et al. | Comparison among various energy management strategies for reducing hydrogen consumption in a hybrid fuel cell/supercapacitor/battery system | |
CN109687444B (zh) | 一种微电网电源多目标双层优化配置方法 | |
CN111244988B (zh) | 考虑分布式电源的电动汽车和储能优化调度方法 | |
Chen et al. | Dynamic programming for optimal operation of a biofuel micro CHP-HES system | |
CN111276960B (zh) | 一种光-储直流微电网系统中储能模块预测控制方法 | |
Youssef et al. | A technological review on electric vehicle DC charging stations using photovoltaic sources | |
CN111327053A (zh) | 一种适用于极地气候下的多源微电网容量优化配置方法 | |
Shemami et al. | Reliable residential backup power control system through home to plug-in electric vehicle (H2V) | |
Das et al. | A comprehensive review on power conditioning units and control techniques in fuel cell hybrid systems | |
Guan et al. | Optimal configuration and operation of multi-energy complementary distributed energy systems | |
CN109217373B (zh) | 商业园区混合能源系统的源储荷协调优化方法 | |
CN116865271A (zh) | 一种基于数字孪生驱动的微电网多智能体协调优化控制策略 | |
CN113359464A (zh) | 一种基于决策树进行能源管理的多重能源系统及控制方法 | |
CN109038571A (zh) | 一种混合能源系统 | |
Chen et al. | A bio-fuel power generation system with hybrid energy storage under a dynamic programming operation strategy | |
Vivekanadam et al. | Integrated renewable energy management system for reduced hydrogen consumption using fuel cell | |
Afrakhte et al. | Energy management system for smart house with multi-sources using PI-CA controller | |
Korada et al. | Energy management strategy for photovoltaic powered hybrid energy storage systems in electric vehicles. | |
Santhosha et al. | V2G & G2V based Grid-Connected Bi-Directional Converter: A Novel Study | |
Du et al. | Optimized Dispatch of Multi-energy Microgrid Clusters | |
Li et al. | Combined economic operation research of CCHP system and energy storage | |
Das et al. | Energy Reports | |
Wang et al. | Optimization of hybrid energy system based on pareto differential evolution algorithm | |
Mishra et al. | Energy Management Strategy in Fuel Cell Hybrid Vehicle with CDM Controllers | |
Zheng et al. | Adaptive optimization algorithm for fuzzy control of fuel cell range extender vehicle |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |
|
RJ01 | Rejection of invention patent application after publication |