CN114358372A - 移动式储能系统的调度方法、装置、设备、介质和程序产品 - Google Patents
移动式储能系统的调度方法、装置、设备、介质和程序产品 Download PDFInfo
- Publication number
- CN114358372A CN114358372A CN202111426394.3A CN202111426394A CN114358372A CN 114358372 A CN114358372 A CN 114358372A CN 202111426394 A CN202111426394 A CN 202111426394A CN 114358372 A CN114358372 A CN 114358372A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- demand
- storage system
- scheduling
- mobile
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 223
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004590 computer program Methods 0.000 claims abstract description 40
- 238000012546 transfer Methods 0.000 claims abstract description 34
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 23
- 238000005315 distribution function Methods 0.000 claims description 19
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 6
- 238000005338 heat storage Methods 0.000 description 14
- 230000005611 electricity Effects 0.000 description 13
- 238000010248 power generation Methods 0.000 description 11
- 238000007599 discharging Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004378 air conditioning Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G06Q10/04—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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种移动式储能系统的调度方法、装置、计算机设备、存储介质和计算机程序产品。方法包括:获取预设时间段内多个目标时刻分别对应的需求预测数据,需求预测数据包括电负荷功率需求预测值、热负荷功率需求预测值以及移动式储能系统的位置转移时间预测值;获取移动式储能系统对应的约束条件和调度模型,约束条件至少包括移动式储能系统的供电运行约束条件以及供热运行约束条件,调度模型用于表征移动式储能系统在预设时间段内的调度目标;在需求预测数据和约束条件均满足调度目标的情况下,根据需求预测数据和调度模型确定需求预测数据对应的供应数据。采用本方法能够实现降低供能成本。
Description
技术领域
本申请涉及储能系统领域,特别是涉及一种移动式储能系统的调度方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
在偏远地区,为保证当地居民的生活要求,需要满足当地居民的用电需求和热需求。
现有技术中,通常会配置柴油机发电系统以用于当地居民的用电需求。同时针对居民的热需求,通常会配置空调系统来进行供热,而为保证空调系统的运行,也需要柴油机发电系统来供电。
但是,上述利用柴油机发电来支撑用户的用电需求以及空调的正常运行以满足热需求的方式,供能消耗成本较高。
发明内容
基于此,有必要针对上述技术问题,提供一种能够实现降低供能消耗成本的移动式储能系统的调度方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种移动式储能系统的调度方法。该方法包括:
获取预设时间段内多个目标时刻分别对应的需求预测数据,需求预测数据包括电负荷功率需求预测值、热负荷功率需求预测值以及移动式储能系统的位置转移时间预测值;
获取移动式储能系统对应的约束条件和调度模型,约束条件至少包括移动式储能系统的供电运行约束条件以及供热运行约束条件,调度模型用于表征移动式储能系统在预设时间段内的调度目标;
在需求预测数据和约束条件均满足调度目标的情况下,根据需求预测数据和调度模型确定需求预测数据对应的供应数据。
在其中一个实施例中,获取预设时间段内多个目标时刻分别对应的需求预测数据,包括:
获取历史时段内多个历史时刻分别对应的历史需求数据,历史需求数据包括历史电负荷功率需求值、历史热负荷功率需求值以及移动式储能系统的历史位置转移时间;
根据各历史时刻对应的历史需求数据以及预测模型,得到各目标时刻对应的需求预测数据。
在其中一个实施例中,根据各历史时刻对应的历史需求数据以及预测模型,得到各目标时刻对应的需求预测数据,包括:
将各历史时刻对应的历史需求数据输入至预测模型中,得到各目标时刻对应的需求预测初始数据;
针对各目标时刻,采用蒙特卡洛抽样模型,获取需求预测初始数据对应的多个需求预测数据。
在其中一个实施例中,采用蒙特卡洛抽样方法,获取需求预测初始数据对应的多个需求预测数据,包括:
获取需求预测初始数据满足的正态分布函数;
将正态分布函数以及需求预测初始数据输入至蒙特卡洛抽样模型,得到需求预测初始数据对应的多个需求预测数据。
在其中一个实施例中,该调度模型包括成本控制条件,方法还包括:
若需求预测数据和约束条件均满足成本控制条件,则确定需求预测数据和约束条件均满足调度目标。
在其中一个实施例中,移动式储能系统包括移动式电储能子系统以及移动相变储能子系统,获取移动式储能系统对应的约束条件,包括:
获取移动式电储能子系统对应的供电运行约束条件、移动相变储能子系统对应的供热运行约束条件以及移动式电储能子系统与移动相变储能子系统对应的电热转化约束条件。
第二方面,本申请还提供了一种移动式储能系统的调度装置。该装置包括:
获取模块,用于获取预设时间段内多个目标时刻分别对应的需求预测数据,需求预测数据包括电负荷功率需求预测值、热负荷功率需求预测值以及移动式储能系统的位置转移时间预测值;
调度模块,用于获取移动式储能系统对应的约束条件和调度模型,约束条件至少包括移动式储能系统的供电运行约束条件以及供热运行约束条件,调度模型用于表征移动式储能系统在预设时间段内的调度目标;
确定模块,用于在需求预测数据和约束条件均满足调度目标的情况下,根据需求预测数据和调度模型确定需求预测数据对应的供应数据。
在其中一个实施例中,该获取模块具体用于:
获取历史时段内多个历史时刻分别对应的历史需求数据,历史需求数据包括历史电负荷功率需求值、历史热负荷功率需求值以及移动式储能系统的历史位置转移时间;
根据各历史时刻对应的历史需求数据以及预测模型,得到各目标时刻对应的需求预测数据。
在其中一个实施例中,该确定模块具体用于:
将各历史时刻对应的历史需求数据输入至预测模型中,得到各目标时刻对应的需求预测初始数据;
针对各目标时刻,采用蒙特卡洛抽样模型,获取需求预测初始数据对应的多个需求预测数据。
在其中一个实施例中,该确定模块还具体用于:
获取需求预测初始数据满足的正态分布函数;
将正态分布函数以及需求预测初始数据输入至蒙特卡洛抽样模型,得到需求预测初始数据对应的多个需求预测数据。
在其中一个实施例中,调度模型包括成本控制条件,该装置还包括:
若需求预测数据和约束条件均满足成本控制条件,则确定需求预测数据和约束条件均满足调度目标。
在其中一个实施例中,移动式储能系统包括移动式电储能子系统以及移动相变储能子系统,获取移动式储能系统对应的约束条件,包括:
获取移动式电储能子系统对应的供电运行约束条件、移动相变储能子系统对应的供热运行约束条件以及移动式电储能子系统与移动相变储能子系统对应的电热转化约束条件。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面任一所述的移动式储能系统的调度方法。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面任一所述的移动式储能系统的调度方法。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上述第一方面任一所述的移动式储能系统的调度方法。
上述移动式储能系统的调度方法、装置、计算机设备、存储介质和计算机程序产品,获取预设多个目标时刻分别对应的需求预测数据以及移动式储能系统对应的约束条件和调度模型,并在需求预测数据和约束条件均满足调度目标的情况下,根据需求预测数据和调度模型确定需求预测数据对应的供应数据,其中,需求预测数据包括电负荷功率需求预测值、热负荷功率需求预测值以及移动式储能系统的位置转移时间预测值,约束条件至少包括移动式储能系统的供电运行约束条件以及供热运行约束条件。由于是采用移动式储能系统用于满足居民的用电需求和热需求,相较于柴油机发电,该移动式储能系统消耗成本较低,降低了满足供能所消耗的成本。而且基于电负荷功率需求预测值、热负荷功率需求预测值、电负荷功率需求预测值以及热负荷功率需求预测值来确定最终的需求预测数据对应的供应数据,同时考虑到了用户的电需求和热需求,实现了移动式储能系统的供电和供热的联合调度,实现了移动式储能系统的合理调度,极大的降低了运行成本。在确定最终的需求预测数据对应的供应数据时还用到了移动式储能系统的位置转移时间预测值,充分考虑到移动式储能系统的空间转移不确定性,提高了调度结果的可靠性和准确性。
附图说明
图1为一个实施例中移动式储能系统的调度方法的流程示意图;
图2为一个实施例中步骤101的流程示意图;
图3为一个实施例中步骤202的流程示意图;
图4为一个实施例中步骤302的流程示意图;
图5为另一个实施例中移动式储能系统的调度方法的流程示意图;
图6为一个实施例中电网电价情况分布图;
图7为一个实施例中实验结果图;
图8为一个实施例中实验结果图;
图9为一个实施例中实验结果图。
图10为一个实施例中移动式储能系统的调度装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在偏远地区,为保证当地居民的生活要求,需要满足当地居民的用电需求和热需求。
考虑到用电需求小、铺设线路投资成本大等问题,我国部分偏远地区(如草原或高原)没有与大电网联接。当地村落会采用柴油发电机发电,但是发电成本相对高昂。
针对居民的热需求,通常会配置空调系统来进行供热,为保证空调系统的运行,也需要柴油机发电系统来供电。
但是,上述利用柴油机发电来支撑用户的用电需求以及空调的正常运行,供能消耗成本较高。
有鉴于此,本申请实施例提供了一种移动式储能系统的调度方法,能够降低供能消耗成本。
需要说明的是,本申请实施例提供的移动式储能系统的调度方法,其执行主体可以是移动式储能系统的调度装置,该移动式储能系统的调度装置可以通过软件、硬件或者软硬件结合的方式实现成为终端的部分或者全部。
下述方法实施例中,均以执行主体是终端为例来进行说明,其中,终端可以是个人计算机、笔记本电脑、媒体播放器、智能电视、智能手机、平板电脑和便携式可穿戴设备等,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。
请参考图1,其示出了本申请实施例提供的一种移动式储能系统的调度方法的流程图。如图1所示,该移动式储能系统的调度方法可以包括以下步骤:
步骤101,获取预设时间段内多个目标时刻分别对应的需求预测数据。
其中,该需求预测数据包括电负荷功率需求预测值、热负荷功率需求预测值以及移动式储能系统的位置转移时间预测值。
移动式储能系统需要在预设时间段完成电网侧、村落两个站点的往返动作。某目标时刻对应的位置转移时间预测值是指从该目标时刻出发从起始站点到目标站点所需的行驶时间。可选的,该移动式储能系统的位置转移时间预测值包括从电网侧站点到村落站点的行驶时间预测值以及从村落站点到电网侧站点的行驶时间预测值。
可选的,该预设时间段的长度为1天或者1周。按照预设的时间长度对该预设时间段进行划分,得到多个目标时刻点,其中该预设的时间长度可以为1h,几个小时,几分钟或者几十分钟等等。例如,当预设时间段的长度为1天时,以1小时为预设的时间长度,对该预设时间段进行划分,得到24个目标时刻点。
可选的,需求预测数据D表示如下:
其中,T是预设时间段,即调度周期,取值为24小时;和分别表示第t个目标时刻的电负荷功率需求预测值和热负荷功率需求预测值,其中,t=1,2,…T;和分别表示移动式储能系统第t个目标时刻从配电网前往村庄和从村庄返回配电网的位置转移时间预测值。
步骤102,获取移动式储能系统对应的约束条件和调度模型。
其中,约束条件至少包括移动式储能系统的供电运行约束条件以及供热运行约束条件,调度模型用于表征移动式储能系统在预设时间段内的调度目标。
可选的,该供电运行约束条件至少包括充电约束条件以及放电约束条件等等。该供热运行约束条件至少包括储热约束条件以及释热约束条件等。
可选的,该调度模型的调度目标为预设时间段内利用柴油机发电系统进行发电的时长最短。该调度模型包括目标函数及该目标函数对应的约束条件,对应的,该目标函数为预设时间段内利用柴油机发电系统进行发电的时长最短对应的函数。
步骤103,在需求预测数据和约束条件均满足调度目标的情况下,根据需求预测数据和调度模型确定需求预测数据对应的供应数据。
其中,该供应数据包括各目标时刻点柴油机对应的发电功率,移动式储能系统的实际放电功率和实际充电功率以及移动式储能系统的实际储热功率和实际释热功率等等。
可选的,终端将需求预测数据和约束条件输入至调度模型中,对调用模型进行求解,得到供应数据。例如,终端调用Gurobi求解器对该调用模型进行求解。
上述移动式储能系统的调方法中,获取预设多个目标时刻分别对应的需求预测数据以及移动式储能系统对应的约束条件和调度模型,并在需求预测数据和约束条件均满足调度目标的情况下,根据需求预测数据和调度模型确定需求预测数据对应的供应数据,其中,需求预测数据包括电负荷功率需求预测值、热负荷功率需求预测值以及移动式储能系统的位置转移时间预测值,约束条件至少包括移动式储能系统的供电运行约束条件以及供热运行约束条件。由于是采用移动式储能系统用于满足居民的用电需求和热需求,相较于柴油机发电,该移动式储能系统消耗成本较低,降低了满足供能所消耗的成本。基于电负荷功率需求预测值、热负荷功率需求预测值、电负荷功率需求预测值以及热负荷功率需求预测值来确定最终的需求预测数据对应的供应数据,同时考虑到了用户的电需求和热需求,实现了移动式储能系统的供电和供热的联合调度,实现了移动式储能系统的合理调度,极大的降低了运行成本。此外,在确定最终的需求预测数据对应的供应数据时还用到了移动式储能系统的位置转移时间预测值,充分考虑到移动式储能系统的空间转移不确定性,提高了调度结果的可靠性和准确性。
在一个实施例中,基于图1所示的实施例,参见图2,本实施例涉及的是步骤101中获取预设时间段内多个目标时刻分别对应的需求预测数据的实现过程。
如图2所示,该实现过程包括步骤201和步骤202:
步骤201,获取历史时段内多个历史时刻分别对应的历史需求数据。
其中,历史需求数据包括历史电负荷功率需求值、历史热负荷功率需求值以及移动式储能系统的历史位置转移时间。
可选的,该历史时间段的长度与预设时间段的长度相同,按照预设的时间长度对该历史时间段进行划分,得到多个历史时刻。该历史时间段为在时序上预设时间段之前的任一时间段。例如该历史时间段是在时序上以预设时间段的起始时刻为结束点的时间段。
可选的,终端中存储有大量的历史需求数据样本,该数据样本包括历史需求数据及其历史需求数据对应的时间信息。按照历史需求数据对应的时间信息对历史需求数据样本进行处理,得到历史时段内各个历史时刻分别对应的历史需求数据。
步骤202,根据各历史时刻对应的历史需求数据以及预测模型,得到各目标时刻对应的需求预测数据。
可选的,该预测模型包括长短时记忆网络(LSTM)模型,时间卷积网络(TCN)模型、时序图网络(TGNs)模型中的一种。
该预测模型可以是终端自行训练的;可选地,为了节约终端的计算资源,预测模型也可以由服务器训练,训练完成后发送至终端。终端将各历史时刻对应的历史需求数据输入至训练好的预测模型,得到各目标时刻对应的需求预测数据。
本实施例中,通过根据各历史时刻对应的历史需求数据以及预测模型,得到各目标时刻对应的需求预测数据,根据历史数据来预测得到目标时刻对应的需求预测数据,提高了需求预测数据的准确性。
在一个实施例中,基于图2所示的实施例,如图3所示,本实施例涉及的是步骤202中根据各历史时刻对应的历史需求数据以及预测模型,得到各目标时刻对应的需求预测数据,包括步骤301和步骤302:
步骤301,将各历史时刻对应的历史需求数据输入至预测模型中,得到各目标时刻对应的需求预测初始数据。
其中,该需求预测初始数据包括电负荷功率需求预测初始值、热负荷功率需求预测初始值以及移动式储能系统的位置转移时间预测初始值。
可选的,该预测模型为长短时记忆网络(LSTM)模型。预设时间段的长度为1天,该历史时间段为预设时间段前一天。
步骤302,针对各目标时刻,采用蒙特卡洛抽样模型,获取需求预测初始数据对应的多个需求预测数据。
可选的,根据需求预测初始数据,确定需求预测数据所属的区间;然后利用蒙特卡洛抽样模型,从该区间区间确定多个数据作为需求预测数据。
本实施例通过采用蒙特卡洛抽样模型,获取需求预测初始数据对应的多个需求预测数据,借助统计分析的方法,确定多个可能存在的需求预测数据,提高了调度的方法的准确性。
在一个实施例中,如图4所示,基于图3所示的实施例,本实施例涉及的是步骤302中采用蒙特卡洛抽样模型,获取需求预测初始数据对应的多个需求预测数据的实现过程,包括步骤401和步骤402:
步骤401,获取需求预测初始数据满足的正态分布函数。
可选的,需求预测初始数据满足的正态分布函数的公式如下:
式中,μEL和σEL分别表示电负荷功率需求预测初始值满足的正态分布的均值和标准差;μCL和σCL分别表示热负荷功率需求预测初始值满足的正态分布均值和标准差;μ01和σ01分别表示移动式储能系统从配电网前往偏远村庄对应的位置转移时间预测初始值满足的正态分布均值和标准差;μ10和σ10分别表示移动式储能系统从偏远村庄返回配电网对应的位置转移时间预测初始值满足的正态分布均值和标准差。
步骤402,将正态分布函数以及需求预测初始数据输入至蒙特卡洛抽样模型,得到需求预测初始数据对应的多个需求预测数据。
可选的,根据正态分布函数以及需求预测初始数据,采用蒙特卡洛抽样模型,针对每个需求预测初始数据生成多个需求预测数据。其中,该需求预测数据的个数可以根据实际情况进行设置。即使用蒙特卡洛抽样方法生成多个场景,以模拟可能发生的需求预测数据。
假设设置的数据个数为S,即使用蒙特卡洛抽样方法生成S个场景,针对电负荷功率需求预测初始值得到的电负荷功率需求预测值针对热负荷功率需求预测初始值得到的热负荷功率需求预测值针对移动式储能系统从配电网前往偏远村庄对应的位置转移时间预测初始值得到的位置转移时间预测值针对移动式储能系统从偏远村庄返回配电网对应的位置转移时间预测初始值得到的位置转移时间预测值
本实施例通过根据蒙特卡洛抽样模型以及需求预测初始数据满足的分布函数,获取需求预测初始数据对应的多个需求预测数据,借助统计分析的方法,确定多个可能存在的需求预测数据,提高了调度的方法的准确性。
在一个实施例中,移动式储能系统包括移动式电储能子系统以及移动相变储能子系统,基于图1所示的实施例,本实施例涉及的是步骤102中获取移动式储能系统对应的约束条件,包括:
获取移动式电储能子系统对应的供电运行约束条件、移动相变储能子系统对应的供热运行约束条件以及移动式电储能子系统与移动相变储能子系统对应的电热转化约束条件。
可选的,移动式电储能子系统在配电网充电,然后前往偏远村庄放电。该供电运行约束条件,包括:移动式电储能子系统的空间位置唯一性约束条件(下式(1)),移动式电储能子系统空间转移连贯性约束条件(下式(2)~(3)),移动式电储能子系统行驶时间约束条件(下式(4)),在配电网节点充电功率约束条件(下式(5)),在偏远村庄放电约束条件(下式(6)),以及移动式电储能子系统的储能状态约束条件(下式(7)-(8)),具体表达式如下:
其中,布尔型变量等于1/0分别表示场景s下移动式电储能子系统在第t个时刻在/不在地点i前往j的道路上,和分别表示移动式电储能子系统的额定充电功率和额定放电功率,等于1000kW;和表示场景s下移动式电储能子系统在t时刻的实际放电功率和实际充电功率;表示移动式电储能子系统的额定储能容量,等于5000kWh;ηP表示充放电效率,等于0.9; 和分别表示移动式电储能子系统在场景s下第t个时刻的实际储能状态、最小储能状态(取值为0.1)和最大储能状态(取值为0.9)。
移动相变储能子系统在配电网消耗电力增加储热,随后前往偏远村落释热。该供热运行约束条件,包括:移动相变储能子系统的空间位置唯一性约束条件(下式(9)),移动相变储能子系统的空间转移连贯性约束条件(下式(10)~(11)),移动相变储能子系统的行驶时间约束条件(下式(12)),在配电网节点储热功率约束条件(下式(13)),在偏远村庄释热功率约束条件(下式(14)),以及移动相变储能子系统的储热状态约束条件(下式(15)-(16)),具体表达式如下:
其中,布尔型变量等于1/0分别表示场景s下移动相变储能子系统在第t个时刻在/不在地点i前往j的道路上,和分别表示移动相变储能子系统的额定储热功率和额定释热功率;和表示场景s下移动相变储能子系统在t时刻的实际储热功率和实际释热功率;表示移动相变储能子系统的额定储热容量;ηQ表示充放电效率;和分别表示移动相变储能子系统在场景s下第t个时刻的实际储热状态、最小储热状态和最大储热状态。
移动式相变储热系统的储热来源于电力转化,该移动式电储能子系统与移动相变储能子系统对应的电热转化约束条件,具体表达式如下:
其中,和ηM分别表示移动式相变储能系统中的热泵在场景s中t时刻实际工作功率和电热转化效率;表示场景s下t时刻线路能够允许注入的最大功率(1400kW);表示场景s下移动式电储能子系统在t时刻的实际放电功率。
本实施例通过获取移动式电储能子系统对应的供电运行约束条件、移动相变储能子系统对应的供热运行约束条件以及移动式电储能子系统与移动相变储能子系统对应的电热转化约束条件,以用于移动式储能系统的调度,实现了移动式储能系统的空间灵活移动和能量灵活充放,更贴近移动式储能系统的运行情况,进一步提高了调度方法的可靠性。
在一个实施例中,该调度模型包括成本控制条件,基于图1所示的实施例,该移动式储能系统的调度方法还包括:
若需求预测数据和约束条件均满足成本控制条件,则确定需求预测数据和约束条件均满足调度目标。
可选的,该成本控制条件为预设时间段内的供能成本最小化。具体的,该调度模型的表达式如下:
其中,表示配电网第t个时刻电价;pP表示移动式电储能每小时行驶费用,设为150元;pQ表示移动式相变储能系统每小时行驶费用,等于120元;pG是柴机单位功率发电成本,为2元/kWh;表示柴油机发电在场景s下第t个时刻的发电功率。
可选的,按照细化的调度步长,调用Gurobi求解器对该调用模型进行求解。为细化调度模型的调度步长,可将初始的调度周期,即预设时间段的时间长度按照预设的调度步长(例如,10分钟)划分成多个时间段,按照预设调度步长,执行调度模型。细化调度步长后,对应的需求预测数据的取值分别为:
该实施例通过确定需求预测数据和约束条件是否均满足成本控制条件来确定需求预测数据和约束条件是否均满足调度目标,实现了移动式电储能系统的成本控制,降低了柴油机发电量和移动式电储能系统运行成本。
在本申请实例中,如图5所示,提供了一种移动式储能系统的调度方法,该方法包括以下步骤:
步骤501,获取历史时段内多个历史时刻分别对应的历史需求数据。
其中,历史需求数据包括历史电负荷功率需求值、历史热负荷功率需求值以及移动式储能系统的历史位置转移时间。
步骤502,将各历史时刻对应的历史需求数据输入至预测模型中,得到各目标时刻对应的需求预测初始数据。
其中,该预测模型为长短时记忆网络(LSTM)模型。
步骤503,针对各目标时刻,采用蒙特卡洛抽样模型,获取需求预测初始数据对应的多个需求预测数据。
其中,该需求预测数据包括电负荷功率需求预测值、热负荷功率需求预测值以及移动式储能系统的位置转移时间预测值。
步骤504,获取移动式电储能子系统对应的供电运行约束条件、移动相变储能子系统对应的供热运行约束条件以及移动式电储能子系统与移动相变储能子系统对应的电热转化约束条件。
步骤505,获取移动式储能系统对应的调度模型,该调度模型包括成本控制条件。
其中,该调度模型用于表征移动式储能系统在预设时间段内的调度目标。,
步骤506,若需求预测数据和约束条件均满足成本控制条件,则确定需求预测数据和约束条件均满足调度目标。
步骤507,按照细化的调度模型的调度步长,调用Gurobi求解器对该调用模型进行求解。
步骤508,在需求预测数据和约束条件均满足调度目标的情况下,根据需求预测数据和调度模型确定需求预测数据对应的供应数据。
该实施例实现了移动式储能系统的供电和供热的联合调度,在确定最终的需求预测数据对应的供应数据时还用到了移动式储能系统的位置转移时间预测值,充分考虑到移动式储能系统的空间转移不确定性,实现了移动式储能系统的空间灵活移动和能量灵活充放,更贴近移动式储能系统的运行情况,进一步提高了调度方法的可靠性,降低了柴油机发电量和运行成本。
以下为验证本申请实施例的移动式储能系统系统的调度方法的实验情况。
这里,预设时间段的长度为24h,预测模型为长短时记忆网络(LSTM)模型。配电网各时刻的电价情况如图6所示。调用Gurobi求解器对该调用模型进行求解,移动式储能系统的供能成本为6472元,各个时刻对应的供应数据分布情况见图7-9。其中,图7为移动式储能系统的实际空间位置,图8为移动式电储能子系统的储能状态以及移动相变储能子系统的储热状态情况,图9为移动式电储能子系统的实际功率、柴油机功率以及移动相变储能子系统的功率情况。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的移动式储能系统内的调度方法的移动式储能系统内的调度装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个移动式储能系统内的调度装置实施例中的具体限定可以参见上文中对于移动式储能系统内的调度方法的限定,在此不再赘述。
在一个实施例中,如图10所示,提供了一种移动式储能系统内的调度装置,包括:获取模块、调度模块和确定模块,其中:
获取模块,用于获取预设时间段内多个目标时刻分别对应的需求预测数据,需求预测数据包括电负荷功率需求预测值、热负荷功率需求预测值以及移动式储能系统的位置转移时间预测值;
调度模块,用于获取移动式储能系统对应的约束条件和调度模型,约束条件至少包括移动式储能系统的供电运行约束条件以及供热运行约束条件,调度模型用于表征移动式储能系统在预设时间段内的调度目标;
确定模块,用于在需求预测数据和约束条件均满足调度目标的情况下,根据需求预测数据和调度模型确定需求预测数据对应的供应数据。
在一个实施例中,该获取模块具体用于:
获取历史时段内多个历史时刻分别对应的历史需求数据,历史需求数据包括历史电负荷功率需求值、历史热负荷功率需求值以及移动式储能系统的历史位置转移时间;
根据各历史时刻对应的历史需求数据以及预测模型,得到各目标时刻对应的需求预测数据。
在一个实施例中,该确定模块具体用于:
将各历史时刻对应的历史需求数据输入至预测模型中,得到各目标时刻对应的需求预测初始数据;
针对各目标时刻,采用蒙特卡洛抽样模型,获取需求预测初始数据对应的多个需求预测数据。
在一个实施例中,该确定模块还具体用于:
获取需求预测初始数据满足的正态分布函数;
将正态分布函数以及需求预测初始数据输入至蒙特卡洛抽样模型,得到需求预测初始数据对应的多个需求预测数据。
在一个实施例中,调度模型包括成本控制条件,该装置还包括:
若需求预测数据和约束条件均满足成本控制条件,则确定需求预测数据和约束条件均满足调度目标。
在一个实施例中,移动式储能系统包括移动式电储能子系统以及移动相变储能子系统,获取移动式储能系统对应的约束条件,包括:
获取移动式电储能子系统对应的供电运行约束条件、移动相变储能子系统对应的供热运行约束条件以及移动式电储能子系统与移动相变储能子系统对应的电热转化约束条件。
上述移动式储能系统的调度装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种移动式储能系统的调度装置方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取预设时间段内多个目标时刻分别对应的需求预测数据,需求预测数据包括电负荷功率需求预测值、热负荷功率需求预测值以及移动式储能系统的位置转移时间预测值;
获取移动式储能系统对应的约束条件和调度模型,约束条件至少包括移动式储能系统的供电运行约束条件以及供热运行约束条件,调度模型用于表征移动式储能系统在预设时间段内的调度目标;
在需求预测数据和约束条件均满足调度目标的情况下,根据需求预测数据和调度模型确定需求预测数据对应的供应数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取历史时段内多个历史时刻分别对应的历史需求数据,历史需求数据包括历史电负荷功率需求值、历史热负荷功率需求值以及移动式储能系统的历史位置转移时间;根据各历史时刻对应的历史需求数据以及预测模型,得到各目标时刻对应的需求预测数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将各历史时刻对应的历史需求数据输入至预测模型中,得到各目标时刻对应的需求预测初始数据;针对各目标时刻,采用蒙特卡洛抽样模型,获取需求预测初始数据对应的多个需求预测数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取需求预测初始数据满足的正态分布函数;将正态分布函数以及需求预测初始数据输入至蒙特卡洛抽样模型,得到需求预测初始数据对应的多个需求预测数据。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
若需求预测数据和约束条件均满足成本控制条件,则确定需求预测数据和约束条件均满足调度目标。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取移动式电储能子系统对应的供电运行约束条件、移动相变储能子系统对应的供热运行约束条件以及移动式电储能子系统与移动相变储能子系统对应的电热转化约束条件。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取预设时间段内多个目标时刻分别对应的需求预测数据,需求预测数据包括电负荷功率需求预测值、热负荷功率需求预测值以及移动式储能系统的位置转移时间预测值;
获取移动式储能系统对应的约束条件和调度模型,约束条件至少包括移动式储能系统的供电运行约束条件以及供热运行约束条件,调度模型用于表征移动式储能系统在预设时间段内的调度目标;
在需求预测数据和约束条件均满足调度目标的情况下,根据需求预测数据和调度模型确定需求预测数据对应的供应数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取历史时段内多个历史时刻分别对应的历史需求数据,历史需求数据包括历史电负荷功率需求值、历史热负荷功率需求值以及移动式储能系统的历史位置转移时间;根据各历史时刻对应的历史需求数据以及预测模型,得到各目标时刻对应的需求预测数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将各历史时刻对应的历史需求数据输入至预测模型中,得到各目标时刻对应的需求预测初始数据;针对各目标时刻,采用蒙特卡洛抽样模型,获取需求预测初始数据对应的多个需求预测数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取需求预测初始数据满足的正态分布函数;将正态分布函数以及需求预测初始数据输入至蒙特卡洛抽样模型,得到需求预测初始数据对应的多个需求预测数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若需求预测数据和约束条件均满足成本控制条件,则确定需求预测数据和约束条件均满足调度目标。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取移动式电储能子系统对应的供电运行约束条件、移动相变储能子系统对应的供热运行约束条件以及移动式电储能子系统与移动相变储能子系统对应的电热转化约束条件。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取预设时间段内多个目标时刻分别对应的需求预测数据,需求预测数据包括电负荷功率需求预测值、热负荷功率需求预测值以及移动式储能系统的位置转移时间预测值;
获取移动式储能系统对应的约束条件和调度模型,约束条件至少包括移动式储能系统的供电运行约束条件以及供热运行约束条件,调度模型用于表征移动式储能系统在预设时间段内的调度目标;
在需求预测数据和约束条件均满足调度目标的情况下,根据需求预测数据和调度模型确定需求预测数据对应的供应数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取历史时段内多个历史时刻分别对应的历史需求数据,历史需求数据包括历史电负荷功率需求值、历史热负荷功率需求值以及移动式储能系统的历史位置转移时间;根据各历史时刻对应的历史需求数据以及预测模型,得到各目标时刻对应的需求预测数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将各历史时刻对应的历史需求数据输入至预测模型中,得到各目标时刻对应的需求预测初始数据;针对各目标时刻,采用蒙特卡洛抽样模型,获取需求预测初始数据对应的多个需求预测数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取需求预测初始数据满足的正态分布函数;将正态分布函数以及需求预测初始数据输入至蒙特卡洛抽样模型,得到需求预测初始数据对应的多个需求预测数据。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
若需求预测数据和约束条件均满足成本控制条件,则确定需求预测数据和约束条件均满足调度目标。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取移动式电储能子系统对应的供电运行约束条件、移动相变储能子系统对应的供热运行约束条件以及移动式电储能子系统与移动相变储能子系统对应的电热转化约束条件。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种移动式储能系统的调度方法,其特征在于,所述方法包括:
获取预设时间段内多个目标时刻分别对应的需求预测数据,所述需求预测数据包括电负荷功率需求预测值、热负荷功率需求预测值以及移动式储能系统的位置转移时间预测值;
获取所述移动式储能系统对应的约束条件和调度模型,所述约束条件至少包括所述移动式储能系统的供电运行约束条件以及供热运行约束条件,所述调度模型用于表征所述移动式储能系统在所述预设时间段内的调度目标;
在所述需求预测数据和所述约束条件均满足所述调度目标的情况下,根据所述需求预测数据和所述调度模型确定所述需求预测数据对应的供应数据。
2.根据权利要求1所述的方法,其特征在于,所述获取预设时间段内多个目标时刻分别对应的需求预测数据,包括:
获取历史时段内多个历史时刻分别对应的历史需求数据,所述历史需求数据包括历史电负荷功率需求值、历史热负荷功率需求值以及所述移动式储能系统的历史位置转移时间;
根据各所述历史时刻对应的历史需求数据以及预测模型,得到各所述目标时刻对应的需求预测数据。
3.根据权利要求2所述的方法,其特征在于,所述根据各所述历史时刻对应的历史需求数据以及预测模型,得到各所述目标时刻对应的需求预测数据,包括:
将各所述历史时刻对应的历史需求数据输入至所述预测模型中,得到各所述目标时刻对应的需求预测初始数据;
针对各所述目标时刻,采用蒙特卡洛抽样模型,获取所述需求预测初始数据对应的多个需求预测数据。
4.根据权利要求3所述的方法,其特征在于,所述采用蒙特卡洛抽样方法,获取所述需求预测初始数据对应的多个需求预测数据,包括:
获取所述需求预测初始数据满足的正态分布函数;
将所述正态分布函数以及所述需求预测初始数据输入至所述蒙特卡洛抽样模型,得到所述需求预测初始数据对应的多个需求预测数据。
5.根据权利要求1所述的方法,其特征在于,所述调度模型包括成本控制条件,所述方法还包括:
若所述需求预测数据和所述约束条件均满足所述成本控制条件,则确定所述需求预测数据和所述约束条件均满足所述调度目标。
6.根据权利要求1所述的方法,其特征在于,所述移动式储能系统包括移动式电储能子系统以及移动相变储能子系统,所述获取所述移动式储能系统对应的约束条件,包括:
获取所述移动式电储能子系统对应的所述供电运行约束条件、所述移动相变储能子系统对应的所述供热运行约束条件以及所述移动式电储能子系统与所述移动相变储能子系统对应的电热转化约束条件。
7.一种移动式储能系统的调度装置,其特征在于,所述装置包括:
获取模块,用于获取预设时间段内多个目标时刻分别对应的需求预测数据,所述需求预测数据包括电负荷功率需求预测值、热负荷功率需求预测值以及移动式储能系统的位置转移时间预测值;
调度模块,用于获取所述移动式储能系统对应的约束条件和调度模型,所述约束条件至少包括所述移动式储能系统的供电运行约束条件以及供热运行约束条件,所述调度模型用于表征所述移动式储能系统在所述预设时间段内的调度目标;
确定模块,用于在所述需求预测数据和所述约束条件均满足所述调度目标的情况下,根据所述需求预测数据和所述调度模型确定所述需求预测数据对应的供应数据。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111426394.3A CN114358372A (zh) | 2021-11-27 | 2021-11-27 | 移动式储能系统的调度方法、装置、设备、介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111426394.3A CN114358372A (zh) | 2021-11-27 | 2021-11-27 | 移动式储能系统的调度方法、装置、设备、介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358372A true CN114358372A (zh) | 2022-04-15 |
Family
ID=81098348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111426394.3A Pending CN114358372A (zh) | 2021-11-27 | 2021-11-27 | 移动式储能系统的调度方法、装置、设备、介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358372A (zh) |
-
2021
- 2021-11-27 CN CN202111426394.3A patent/CN114358372A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115829134B (zh) | 面向源网荷不确定性的供电调度方法及系统 | |
CN111612363B (zh) | 基于区块链的电量调度方法、装置、计算机设备和存储介质 | |
Wu et al. | Electric vehicle charging scheduling considering infrastructure constraints | |
CN114202229B (zh) | 基于深度强化学习的微电网的能量管理策略的确定方法 | |
CN117394370B (zh) | 一种供电网智能动态节电调度系统及方法 | |
CN116070740A (zh) | 综合能源系统的优化运行方法、装置和计算机设备 | |
CN115204612A (zh) | 电力系统碳排放量的确定方法、装置、设备和存储介质 | |
CN117239810B (zh) | 虚拟电厂电能调度方案获取方法、装置和设备 | |
CN111126670A (zh) | 电动汽车充电调度方法、装置及其计算机设备、存储介质 | |
Cui et al. | An optimal energy co-scheduling framework for smart buildings | |
CN117394438A (zh) | 考虑通信基站可调节潜力的分布式光伏准入容量评估方法 | |
CN117175729A (zh) | 储能设备电量控制方法、装置和计算机设备 | |
CN114358372A (zh) | 移动式储能系统的调度方法、装置、设备、介质和程序产品 | |
CN112510679B (zh) | 分布式储能优化调度方法、装置、计算机设备和存储介质 | |
CN116341809A (zh) | 车辆充电排序的方法、装置、计算机设备和存储介质 | |
CN114358373A (zh) | 冷电联合调度方法、装置、设备、介质和计算机程序产品 | |
CN114243681B (zh) | 电力系统的用电调控方法、装置、设备和存储介质 | |
CN109743252A (zh) | 倒闸操作路径的生成方法、装置、计算机设备和存储介质 | |
CN114154793A (zh) | 基于可再生能源的盈余资源分析方法、装置和计算机设备 | |
CN109063859B (zh) | 电网设备检修优化处理方法与装置 | |
Hasanloo et al. | Harvesting-aware charge management in embedded systems equipped with a hybrid electrical energy storage | |
CN117200301B (zh) | 基于储能系统的端口调用方法及装置 | |
CN113162031B (zh) | 工业负荷监测调度方法、装置、计算机设备和存储介质 | |
CN114117743A (zh) | 移动式储能系统调度方法、装置、计算机设备、存储介质 | |
CN118100141A (zh) | 电力系统调度方法、装置、计算机设备、存储介质和产品 |
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 |