CN114444256A - 一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法 - Google Patents
一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法 Download PDFInfo
- Publication number
- CN114444256A CN114444256A CN202111517497.0A CN202111517497A CN114444256A CN 114444256 A CN114444256 A CN 114444256A CN 202111517497 A CN202111517497 A CN 202111517497A CN 114444256 A CN114444256 A CN 114444256A
- Authority
- CN
- China
- Prior art keywords
- load
- ders
- power plant
- value
- virtual power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 230000005284 excitation Effects 0.000 claims abstract description 18
- 238000003860 storage Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 35
- 230000006399 behavior Effects 0.000 claims description 27
- 230000033228 biological regulation Effects 0.000 claims description 26
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000000638 stimulation Effects 0.000 claims description 7
- 230000001960 triggered effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 claims description 3
- 238000005859 coupling reaction Methods 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 2
- 238000013277 forecasting method Methods 0.000 claims 1
- 230000004044 response Effects 0.000 description 16
- 238000004146 energy storage Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 239000003595 mist Substances 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000002269 spontaneous effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000009473 power blending Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
-
- 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
- G06F2119/06—Power analysis or power optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法，运营商通过雾计算服务中心将边缘计算设备部署于临近DERs的位置，能够就近控制一定数量和种类的DERs，边缘计算设备具备一定的感知能力，能够识别受控DERs的身份，拥有其量测和控制权，在响应激励信号之前，已经拥有完整的状态集、特征集合可控指令集，可信的逻辑电表，边缘计算能够通过逻辑电表对DERs计量、校验与评价；方法包括：基于大数据中的负荷期望值和最高负荷值以及边缘设备进行虚拟电厂负荷预测；基于事件驱动的刺激‑反馈控制机制和自趋优化运行理论控制虚拟电厂负荷，实现虚拟电厂自趋优化运行。还公开了对应系统、电子设备和计算机可读存储介质。
Description
技术领域
本发明涉及新能源发电技术领域，尤其涉及一种基于大数据的虚 拟电厂负荷预测方法及跟踪控制方法、系统和电子设备。
背景技术
虚拟电厂(Virtual Power Plant，VPP)式不同分布式发电DG单 元的组合，包括可再生能源系统、常规/非传统类型的发电机和存储 系统，可以向电力市场提供以小时为单位的需求预测个体发电厂配置。 虚拟电厂被定义为依赖于软件系统远程、自动分配和优化发电、需求 响应和储能资源的能源互联网。虚拟电厂在组织机构上与微网相似， 但虚拟电厂更注重电源侧分配和管理。在VPP组织中，分布式发电 的灵活需求行为取决于其控制策略。随着年电力消费需求量的增加， VPP容量和控制策略均发生变化，导致不同的VPP组成和控制结果。 当自供电VPP的最高需求覆盖率达到92％以上时，VPP可以保护自 身，即在市场能源价格波动时，需求覆盖率较高的VPP可获得较高 收益。
VPP本质上是一个基于物联网基础搭建的分布式电源、储能、柔 性可控负荷等分布式能源资源(Distributed Energy Resources,DERs) 聚合平台，对内实现对海量DERs的智能感知与精细化管控，对外作 为一个整体提供一定灵活性服务。在线复核预测和跟踪控制式VPP 灵活性利用的方式之一，通过自动预测并跟踪给定的预期复核曲线， VPP能够有效参与电网经济调度，在间歇性可再生消纳、调峰备用等 方面发挥重要价值。
负荷预测是虚拟电厂智能管理的重要组成部分，也是调整分布式 电网、传统电网之间关系的方法，保证整个电网的稳定运行。传统电 网预测依赖以往变化规律进行预测，忽视了其他相关指标的影响，对 于海量大数据之间的关系，特别是多种不定因素的关系没有作为信息 进行计算，因此结果并不准确。
为了VPP能够实时、自动、精确的跟踪预期负荷曲线，现有技 术采用的方法包括：
(1)自上而下的方法，采用机理模型对所调度的对象进行建模， 并通过集中式的控制单元对每个对象的发/用电技术进行优化；
(2)将虚拟电厂控制视为线性规划问题设计实时能量管理系统， 并通过该系统和双向通信基础设施实现风电机组、储能系统和柔性可 控负荷的优化控制；
(3)集中式虚拟电厂优化调度控制采用二进制的回溯搜索算法 对虚拟电厂内部的光伏、风电、储能、燃机等机组的开/闭时序进行 决策，实现运行成本最优化。
然而上述方法面对大多是几百上千个对象，并且以电网友好型的 对象如常规机组、储能系统为主，不确定性因素较少。如果面对海量 目标各异、产权分散、状态时变的参与者不适用，此外，还有部分技 术采用了类去中心化的方法，如博弈论、拍卖理论进行虚拟电厂的负 荷预测和控制，但是控制方法仍然采用自上而下的思路，DERs在运 行过程中较为被动，无自主性，对未知环境的适应能力差，DERs相 互之间存在较强耦合，方法容错和扩展能力补强，假定参与者完全理 性、决策过程依赖于完全信息，那么优化结果与现实应用存在差异会 很大。
发明内容
为了解决现有技术中存在的问题，本发明提供了如下技术方案， 传统的负荷跟踪式通过设计一个完美的控制器，在各类扰动因素的综 合作用下，基于反馈的误差不断修正燃料的输入，最终实现对目标的 稳定、精确跟踪以及系统的鲁棒、自适应运行。VPP的负载跟踪控制 与其相似但也有诸多不同之处。首先，VPP的调控能力是时变的，其 灵活性依赖于当前DERs在线数量、状态、用户使用偏好等因素，需 要采用简明的机制能够快速探明和评估其灵活性潜力，上报电力调度 中心，调度中心给定在其能力范围内的预期目标，VPP才能实现自动 跟踪控制，整个过程需要不断交互，反复迭代修正。其次，VPP可以 是一个电源，也可以是一个负荷，当VPP是一个负荷时，其跟踪过 程没有直接的点亮收益，灵活性展现的价值需要借助外部应用场景进 行综合判定，而内部的调节过程需要给予DERs一定的补偿，因此， VPP的跟踪控制过程涉及到频繁、大量的内外两级交易问题，其收益 主要来源于两级交易的差值。最后，传统的控制器决策变量数较少， 而VPP的整体调控效果时所有参与者综合决策的结果，为避免参与 者决策的不稳定性造成系统震荡、无法收敛的情况，需为DERs的响 应行为建立一套规则，使DERs都能够朝VRR引导的方向决策，从 而确保负荷的跟踪方向是准确可控的。
本发明一方面提供了一种基于大数据的虚拟电厂负荷预测方法 及跟踪控制方法，运行在具备一定能源基础设施的虚拟电厂，运营商 通过雾计算服务中心将边缘计算设备部署于临近DERs的位置，能够 就近控制一定数量和种类的DERs，所述边缘计算设备具备一定的感 知能力，能够识别受控DERs的身份，拥有其量测和控制权，在响应 激励信号之前，已经拥有完整的状态集、特征集合可控指令集，对 DERs的调控量与调控成本为严格的凸函数，存在一个可信的逻辑电 表，边缘计算能够通过所述逻辑电表对DERs进行计量、校验与评价；
所述方法包括：
S1，基于大数据中的负荷期望值和最高负荷值以及边缘设备进行 虚拟电厂负荷预测；
S2，基于事件驱动的刺激-反馈控制机制和自趋优化运行理论控 制虚拟电厂负荷，实现虚拟电厂自趋优化运行。
优选的，所述S1包括：
假设虚拟电厂中分布式电网指标集合为U，且包含2个特征向 量负荷期望值f(x)和最高负荷值δ，δ∈U；f(x)＞0， RN(f(x)，δ)表示负荷函数f(x)的均值，负荷预测函数 d″f(x)；如果设置x1＝RN(f(x)，δ1)，x2＝RN(f(x)，δ2)，那 么x1＝x2∈U，负荷预测函数d″f(x)，其数学表达如式(1)所示：
式中：U是负荷期望与最高负荷值的集合，x1和x2分别代表电 网预测范围的两个边界值，x1代表左边界值，x2代表右边界值，δ1为左边界的最高负荷值，δ2为右边界的最高负荷值；
负荷期望值f(x)和最高负荷值δ为基于大数据的边缘计算中 的2个特征值，负荷预测函数d″f(x)是代表定性概念的点，是基于 大数据的边缘计算中负荷出现改变的概率，其中负荷预测函数 d″f(x)由分布式电网、传统电网共同决定，代表整个电网的稳定性， 分布式电网额定功率与传统电网额定功率的结合，反映了在整个虚拟 电厂中电荷的承载范围；负荷预测函数d″f(x)代表整个电网d额负 荷超载临界值。
优选的，所述自趋优化运行理论包括：对于由海量异构DERs组 成的复杂系统，基于电力混成控制理论使某个对象通过自身的自动调 节，实现从不令人满意状态到令人满意状态的转变，将目标定义为一 个包含最优解的范围，并通过个体的寻优和DERs的逐利驱动整体的 趋优，以最经济的方式输出灵活性，包括：
定义一组指标集合，包括虚拟电厂在响应外部调控指标、协调内 部参与者运行过程中所需达到的一组指标集，并且指标集中的每个指 标可通过量测和计算进行实时量化，为指标集中的每一个指标定义上 下界，使其成为一个包含最优解的范围，界限的阈值为预设或实时求 解的，若指标的实时值在边界范围内，则认为系统状态令人满意；若 指标值越界，则系统状态为不满意。
将指标的阈值分层、分类定义为事件，若指标实时值越过边界则 触发对应的事件，事件启动相应进程进行协调控制，直到事件消除， 指标回归令人满意的状态，则认为系统整体运行状态是不断趋优的；
其中所述自趋优化运行理论为自下而上的实现方法，包括：从个 体到整体的态势感知技术，其中个体能够基于历史数据和实时的量测 值实现对终端的身份、状态及事件进行识别，从而间接对用户的行为 进行判定，整体层面能够从底层量测值的基础上，根据电网的拓扑结 构及潮流，判断当前所处状态是否令人满意；具有统一标准的建模和 接口，通过标准化交互的数据和行为，使参与者与系统无缝集成；自 动、自发、自适应的控制算法；弹性规则，个体在严格的规则约束下 协作与竞争，通过自组织建立动态逻辑耦合，规则可以根据环境的变 化适当调整，从而实现对参与者行为的动态指导；松耦合系统架构， 支撑系统在线维护，容错与不断生成，参与者平等独立，充分解耦。
优选的，所述指标集合包括：负荷跟踪偏差、补贴成本、容量指 标和爬坡速率。
优选的，所述步骤S2包括：
步骤S21，基于刺激-反馈运行机制确定整体趋优运行机制；
步骤S22，建立DERs相应规则，确保整个趋优过程自发由个体 驱动整体形成。
优选的，所述步骤S21包括：
步骤S211，负荷偏差触发跟踪事件，VPP实时感知当前的负荷 状态，一旦接收到外部实体如调度中心的确定指令，或与交易中心或 合作运营商达成交易，最终都将得到一条在其能力范围内的目标负荷 曲线，若某时段负荷与目标负荷的偏差满足一定条件，则触发跟踪事 件，反之，则消除跟踪事件；
步骤212，VPP-MSC释放初始刺激信号；
步骤213，DERs根据刺激信号反馈调节计划；
步骤214，VPP-MSC判断是否触发协调事件；
步骤215，迭代直至消除协调事件；
步骤216，消除跟踪事件。
优选的，所述步骤22包括：
步骤221，将DERs的运行过程视为马尔可夫决策过程，并再次 基础上构建动作值函数值，将其作为DERs的决策依据，通过动作之 函数建立了激励信号-DERs状态-DERs适应行为之间的连接关系；
步骤222，建立DERs端到端的决策模型，将VPP环境参数作为 DERs决策的输入端，最终反馈的行为作为输出端，内部的模型是一 组由马尔可夫过程表示的离散状态链，采用深度强化学习算法对内部 的马尔可夫决策过程进行优化；
步骤223，对于用户的个性化需求，在所述DERs端到端的决策 模型中，增加用户偏好配置，所述用户偏好配置由用户事前是定或根 据行为规律自动生成，所述用户偏好配置会反应在决策过程中。
本发明的第二方面，提供一种基于大数据的虚拟电厂负荷预测方 法及跟踪控制系统，包括：
VPP雾计算服务中心，运营商通过所述VPP雾计算服务中心将 边缘计算设备部署于临近DERs的位置；
边缘计算设备，所述边缘计算设备实施边缘计算，具备一定的感 知能力，能够识别受控DERs的身份，拥有其量测和控制权，在响应 激励信号之前，已经拥有完整的状态集、特征集合可控指令集，对 DERs的调控量与调控成本为严格的凸函数；
可信的逻辑电表，边缘计算能够通过所述逻辑电表对DERs进行 计量、校验与评价；
虚拟电厂负荷预测模块，用于基于大数据中的负荷期望值和最高 负荷值以及边缘设备进行虚拟电厂负荷预测；
虚拟电厂负荷跟踪控制模块，用于基于事件驱动的刺激-反馈控 制机制和自趋优化运行理论控制虚拟电厂负荷，实现虚拟电厂自趋优 化运行。
本发明的第三方面提供一种电子设备，包括处理器和存储器，所 述存储器存储有多条指令，所述处理器用于读取所述指令并执行如第 一方面所述的方法。
本发明的第四方面提供一种计算机可读存储介质，所述计算机可 读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如 第一方面所述的方法。
本发明具有如下有益效果：
(1)本发明涉及虚拟电厂自趋优化运行方法，域传统方法追求 理论最优解不同，将目标定义为一个包含最优解的范围，并通过个体 寻优驱动整体的趋优，有利于VPP寻找最佳事件，取得令人满意的 工程实践效果；
(2)基于事件驱动的刺激-反馈控制机制，方法由个体驱动整体 迭代，充分发挥DERs的自主特性，有效解决传统信息迭代算法在多 样化、环境时变场景下适应能力较差的问题，使得VPP的趋优运行 于DERs在线数量、类型、状态解耦，在机制上确保了DERs的动态集成与即插即用；
(3)构建DERs的响应规则使得趋优化过程能够自动自主执行， 突破已有方法中对DERs拥有完全信息且完全理性的假设，使DERs 能够根据有限信息以及环境的反馈独立决策，有利于揭示用户响应行 为规律，同时，通过规则实现了个体寻优与整体趋优化的相容一致， 避免用户行为的不确定性造成系统震荡、收敛效率不高的问题。
附图说明
图1为本发明所述方法流程示意图。
图2为本发明提供的电子设备实施例的结构示意图。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体 的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施，该终端可以包 括一个或多个如下部件：处理器、存储器和显示屏。其中，存储器中 存储有至少一条指令，所述指令由处理器加载并执行以实现下述实施 例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和 线路连接整个终端内的各个部分，通过运行或执行存储在存储器内的 指令、程序、代码集或指令集，以及调用存储在存储器内的数据，执 行终端的各种功能和处理数据。
存储器可以包括随机存储器(Random Access Memory，RAM)，也 可以包括只读存储器(Read-Only Memory，ROM)。存储器可用于存储 指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外，本领域技术人员可以理解，上述终端的结构并不构成 对终端的限定，终端可以包括更多或更少的部件，或者组合某些部件， 或者不同的部件布置。比如，终端中还包括射频电路、输入单元、传 感器、音频电路、电源等部件，在此不再赘述。
如图1所示，本实施例一种基于大数据的虚拟电厂负荷预测方法 及跟踪控制方法，运行在具备一定能源基础设施的虚拟电厂，运营商 通过雾计算建立服务中心(VPPMIST Service Center,VPP-MSC)，边 缘计算部署于临近DERs的位置，能够就近控制一定数量和种类的 DERs，边缘计算具备一定的感知能力，能够识别受控DERs的身份， 拥有其量测和控制权，在响应激励信号之前，已经拥有完整的状态集、 特征集合可控指令集，对DERs的调控量与调控成本为严格的凸函数， 存在一个可信的逻辑电表，边缘计算能够通过所述逻辑电表对DERs 进行计量、校验与评价；
所述方法包括：
S1，基于大数据中的负荷期望值和最高负荷值以及边缘设备进行 虚拟电厂负荷预测；
S2，基于事件驱动的刺激-反馈控制机制和自趋优化运行理论控 制虚拟电厂负荷，实现虚拟电厂自趋优化运行。
作为优选的实施方式，所述S1包括：
假设虚拟电厂中分布式电网指标集合为U，且包含2个特征向 量负荷期望值f(x)和最高负荷值δ，δ∈U。f(x)＞0， RN(f(x)，δ)表示负荷函数f(x)的均值，负荷预测函数 d″f(x)。如果设置x1＝RN(f(x)，δ1)，x2＝RN(f(x)，δ2)， 那么x1＝x2∈U，负荷预测函数d″f(x)，其数学表达如式(1)所 示：
式中：U是负荷期望与最高负荷值的集合，x1和x2分别代表电 网预测范围的两个边界值，x1代表左边界值，x2代表右边界值，δ1为左边界的最高负荷值，δ2为右边界的最高负荷值。
负荷期望值f(x)和最高负荷值δ为基于大数据的边缘计算中 的2个特征值，负荷预测函数d″f(x)是代表定性概念的点，是基于 大数据的边缘计算中负荷出现改变的概率。距离期望负荷值越近，云 计算数据的值越集中，分布电网与传统电网之间的负荷程度越统一， 负荷越低；离期望负荷值越远，基于大数据的边缘计算数据越系数， 分布电网与传统电网之间的负荷程度不一致，负荷越高。负荷预测函 数d″f(x)由分布式电网、传统电网共同决定，代表整个电网的稳定 性，分布式电网额定功率与传统电网额定功率的结合，反映了在整个 虚拟电厂中电荷的承载范围。负荷预测函数d″f(x)代表整个电网d 额负荷超载临界值。
作为优选的实施方式，所述自趋优化运行理论包括：VPP将分散 在各个区域的分布式电源、储能、各种类型的负荷(居民、商业、工 业)按照一定的规则聚合起来，对于由海量异构DERs组成的复杂系 统，基于电力混成控制理论使某个对象通过自身的自动调节，实现从 不令人满意状态到令人满意状态的转变，将目标定义为一个包含最优 解的范围，并通过个体的寻优和DERs的逐利驱动整体的趋优，以最 经济的方式输出灵活性，包括：
定义一组指标集合，包括虚拟电厂在响应外部调控指标、协调内 部参与者运行过程中所需达到的一组指标集，并且指标集中的每个指 标可通过量测和计算进行实时量化，为指标集中的每一个指标定义上 下界，使其成为一个包含最优解的范围，界限的阈值为预设或实时求 解的，若指标的实时值在边界范围内，则认为系统状态令人满意；若 指标值越界，则系统状态为不满意；本实施例中评价指标包括负荷跟 踪偏差、补贴成本、容量指标和爬坡速率。
将指标的阈值分层、分类定义为事件，若指标实时值越过边界则 触发对应的事件，事件启动相应进程进行协调控制，直到事件消除， 指标回归令人满意的状态，则认为系统整体运行状态是不断趋优的；
其中所述自趋优化运行理论为自下而上的实现方法，包括：从个 体到整体的态势感知技术，其中个体能够基于历史数据和实时的量测 值实现对终端的身份、状态及事件进行识别，从而间接对用户的行为 进行判定，整体层面能够从底层量测值的基础上，根据电网的拓扑结 构及潮流，判断当前所处状态是否令人满意；具有统一标准的建模和 接口，通过标准化交互的数据和行为，使参与者与系统无缝集成；自 动、自发、自适应的控制算法；弹性规则，个体在严格的规则约束下 协作与竞争，通过自组织建立动态逻辑耦合，规则可以根据环境的变 化适当调整，从而实现对参与者行为的动态指导；松耦合系统架构， 支撑系统在线维护，容错与不断生成，参与者平等独立，充分解耦。
作为优选的实施方式，所述步骤S2包括：
步骤S21，基于刺激-反馈运行机制确定整体趋优运行机制；
步骤S22，建立DERs相应规则，确保整个趋优过程自发由个体 驱动整体形成。
在负荷跟踪控制场景下，VPP产生的事件包括：
(1)跟踪事件(Track Events，TE)，当指标1越界时，即当VPP 当前负荷与外部需求负荷偏差大于设定阈值，系统将触发TE，此时 VPP-MSC将启动刺激-反馈进程，生成初始激励信号引导DERs响应；
(2)协调事件(Coordinated Events，CE)，在刺激-反馈进程中， 若初始激励信号得到DERs反馈的相应量出现过响应或欠响应时，系 统将触发CE，此时VPP将启动协调进程，通过迭代激励系数，引导 DERs改变响应行为，直到能够消除成本偏差。
作为优选的实施方法，所述步骤S21包括：
步骤S211，负荷偏差触发跟踪事件，VPP实时感知当前的负荷 状态，一旦接收到外部实体如调度中心的确定指令，或与交易中心或 合作运营商达成交易，最终都将得到一条在其能力范围内的目标负荷 曲线，若某时段负荷与目标负荷的偏差满足式(2)，则触发跟踪事件， 反之，则消除跟踪事件：
式中，
为比例系数，εd为误差常量，式(2)中两个不等式 的含义为：当VPP当前功率较低的时候，事件触发采用绝对值法， 即偏差超过固定常数εd时触发跟踪事件；当VPP当前功率较高时， 采用相对值法，即偏差超过目标负荷的
时触发跟踪事件；Ωth为 两种方法的分界线；
步骤212，VPP-MSC释放初始刺激信号：为引导DERs朝既定 的方向调节，跟踪事件出发后，VPP-MSC发布一个四元组的刺激信 号Ivpp(t)，表示为式(3)：
Ivpp(t)＝[Sc，δ(t)，ts，tE] (3)；
式中，Sc为任务编码，内容指明了任务的场景，本实施例为负 荷跟踪控制；ts和tE分别为任务的开始时间和结束时间；该时间段 内共有n个步长，根据本实施例假设，在初始状态下，VPP-MSC无 法精确得知在线DERs的数量、状态及其可能采取的行为，因此基于 历史负荷数据得到初始激励值Iinit(t)，如式(4)所示：
式中：Pvpp(j)为过去的第j时段VPP的历史负荷；d为参考 的历史数据数目；
步骤213，DERs根据刺激信号反馈调节计划，DERs收到刺激信 号之后，独立决策并反馈任务时段内的调节计划，即负荷增(减)时 序，如式(5)所示：
式中：PDER，i(t)为第i个DER在第t个时段的负荷增(减)量；
步骤214，VPP-MSC判断是否触发协调事件，在截至时间戳之 前统计DERs反馈的累计响应量，若累积量满足式(6)，则触发协调 事件：
式中，Pfb(t)为该时段DERs反馈的累计响应量；
步骤215，迭代直至消除协调事件：协调事件触发说明DERs在 初始激励信号的引导下出现过响应或欠响应的问题，VPP-MSC重新 调整激励系数，此时启动的协调子程序以消除跟踪事件为约束条件， 指标2为优化目标，即min F(λ)，该指标的上下界式动态变化的。 本实施例的补贴金额和响应量是线性关系，DERs调控成本为凸函数， 求解min F(λ)为典型的凸优化问题，采用梯度下降法，根据DERs 的在线数目和目标偏差，调整激励系数δ：
式中：
为t时刻第h此迭代生成的激励系数，σ为预先定 义的梯度变化；
为终端数为时，经过h-1次迭代后得到 的偏差距离，直到
消除协调事件，DERs再将协调结果加入任 务列表，协调事件消除条件为式(8)-式(10)：
式中：g(δ，t)为t时刻激励系数为δ时得到DERs反馈的总响 应量。δmin和δmax分别为消除误差所需理论最小和最大激励系数；
步骤216，消除跟踪事件：DERs根据任务列表自主调节， VPP-MSC根据校验结果，判断系统是否满足消除跟踪时间的条件， 并事后依据校验结果进行最终结算。
步骤22提出自趋优化运行方法是由个体驱动整体趋优运行，因 此VPP的控制权发生反转，DERs能够主动参与VPP的调控。然而， DERs由不同用户所有，如果由用户自行决定响应行为，则系统将出 现极大不确定性，相同环境、相同状态下，用户的行为都可能不同，如此，系统将无法设定引导方向，最终呆呆协调的结构难以收敛，因 此VPP需要通过边缘计算获得DERs的控制权，在此基础上设定 DERs的响应规则，使得DERs的响应行为能够标准化、自动化执行， 并于系统的刺激-反馈机制匹配，使得VPP能够自动闭环趋优化运行。
作为优选的实施方式，所述步骤22包括：
步骤221，将DERs的运行过程视为马尔可夫决策过程，并再次 基础上构建动作值函数值，将其作为DERs的决策依据，通过动作之 函数建立了激励信号-DERs状态-DERs适应行为之间的连接关系，从 而使得DERs的行为是确定的、客观的、可以被引导的；
步骤222，建立DERs端到端的决策模型，将VPP环境参数作为 DERs决策的输入端，最终反馈的行为作为输出端，内部的模型是一 组由马尔可夫过程表示的离散状态链，采用深度强化学习算法对内部 的马尔可夫决策过程进行优化，从而实现DERs不依赖于完全信息的 自适应调节；
步骤223，对于用户的个性化需求，在所述DERs端到端的决策 模型中，增加用户偏好配置，所述用户偏好配置由用户事前是定或根 据行为规律自动生成，所述用户偏好配置会反应在决策过程中，DERs 某些状态不可用，使得DERs状态可行域缩小，最优状态时序发生变 化，即DERs将做出考虑用户偏好条件下的最优适应性为，这些设定 在一定程度上影响系统的调控能力，但不会在根本上改变个体域整体 目标一致的运行机制。
本发明的第二方面，提供一种基于大数据的虚拟电厂负荷预测方 法及跟踪控制系统，包括：
VPP雾计算服务中心，运营商通过所述VPP雾计算服务中心 (VPP MIST ServiceCenter,VPP-MSC)将边缘计算部署于临近DERs 的位置；
边缘计算设备，所述边缘计算设备实施所述边缘计算，具备一定 的感知能力，能够识别受控DERs的身份，拥有其量测和控制权，在 响应激励信号之前，已经拥有完整的状态集、特征集合可控指令集， 对DERs的调控量与调控成本为严格的凸函数；
可信的逻辑电表，边缘计算能够通过所述逻辑电表对DERs进行 计量、校验与评价；
虚拟电厂负荷预测模块，用于基于大数据中的负荷期望值和最高 负荷值以及边缘设备进行虚拟电厂负荷预测；
虚拟电厂负荷跟踪控制模块，用于基于事件驱动的刺激-反馈控 制机制和自趋优化运行理论控制虚拟电厂负荷，实现虚拟电厂自趋优 化运行。
本发明还提供了一种存储器，存储有多条指令，指令用于实现如 实施例的方法。
如图2所示，本发明还提供了一种电子设备，包括处理器301和 与处理器301连接的存储器302，存储器302存储有多条指令，指令 可被处理器加载并执行，以使处理器能够执行如实施例的方法。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦 得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。 所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围 的所有变更和修改。显然，本领域的技术人员可以对本发明进行各种 改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些 修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明 也意图包含这些改动和变型在内。
Claims (10)
1.一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法，其特征在于，运行在具备一定能源基础设施的虚拟电厂，运营商通过雾计算服务中心将边缘计算设备部署于临近DERs的位置，能够就近控制一定数量和种类的DERs，所述边缘计算设备具备一定的感知能力，能够识别受控DERs的身份，拥有其量测和控制权，在响应激励信号之前，已经拥有完整的状态集、特征集合可控指令集，对DERs的调控量与调控成本为严格的凸函数，存在一个可信的逻辑电表，边缘计算能够通过所述逻辑电表对DERs进行计量、校验与评价；
所述方法包括：
S1，基于大数据中的负荷期望值和最高负荷值以及边缘设备进行虚拟电厂负荷预测；
S2，基于事件驱动的刺激-反馈控制机制和自趋优化运行理论控制虚拟电厂负荷，实现虚拟电厂自趋优化运行。
2.根据权利要求1所述的一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法，其特征在于，所述S1包括：
假设虚拟电厂中分布式电网指标集合为U，且包含2个特征向量负荷期望值f(x)和最高负荷值δ，δ∈U；f(x)＞0，RN(f(x)，δ)表示负荷函数f(x)的均值，负荷预测函数d″f(x)；如果设置x1＝RN(f(x)，δ1)，x2＝RN(f(x)，δ2)，那么x1＝x2∈U，负荷预测函数d″f(x)，其数学表达如式(1)所示：
式中：U是负荷期望与最高负荷值的集合，x1和x2分别代表电网预测范围的两个边界值，x1代表左边界值，x2代表右边界值，δ1为左边界的最高负荷值，δ2为右边界的最高负荷值；
负荷期望值f(x)和最高负荷值δ为基于大数据的边缘计算中的2个特征值，负荷预测函数d″f(x)是代表定性概念的点，是基于大数据的边缘计算中负荷出现改变的概率，其中负荷预测函数d″f(x)由分布式电网、传统电网共同决定，代表整个电网的稳定性，分布式电网额定功率与传统电网额定功率的结合，反映了在整个虚拟电厂中电荷的承载范围；负荷预测函数d″f(x)代表整个电网d额负荷超载临界值。
3.根据权利要求1所述的一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法，其特征在于，所述自趋优化运行理论包括：对于由海量异构DERs组成的复杂系统，基于电力混成控制理论使某个对象通过自身的自动调节，实现从不令人满意状态到令人满意状态的转变，将目标定义为一个包含最优解的范围，并通过个体的寻优和DERs的逐利驱动整体的趋优，以最经济的方式输出灵活性，包括：
定义一组指标集合，包括虚拟电厂在响应外部调控指标、协调内部参与者运行过程中所需达到的一组指标集，并且指标集中的每个指标可通过量测和计算进行实时量化，为指标集中的每一个指标定义上下界，使其成为一个包含最优解的范围，界限的阈值为预设或实时求解的，若指标的实时值在边界范围内，则认为系统状态令人满意；若指标值越界，则系统状态为不满意。
将指标的阈值分层、分类定义为事件，若指标实时值越过边界则触发对应的事件，事件启动相应进程进行协调控制，直到事件消除，指标回归令人满意的状态，则认为系统整体运行状态是不断趋优的；
其中所述自趋优化运行理论为自下而上的实现方法，包括：从个体到整体的态势感知技术，其中个体能够基于历史数据和实时的量测值实现对终端的身份、状态及事件进行识别，从而间接对用户的行为进行判定，整体层面能够从底层量测值的基础上，根据电网的拓扑结构及潮流，判断当前所处状态是否令人满意；具有统一标准的建模和接口，通过标准化交互的数据和行为，使参与者与系统无缝集成；自动、自发、自适应的控制算法；弹性规则，个体在严格的规则约束下协作与竞争，通过自组织建立动态逻辑耦合，规则可以根据环境的变化适当调整，从而实现对参与者行为的动态指导；松耦合系统架构，支撑系统在线维护，容错与不断生成，参与者平等独立，充分解耦。
4.根据权利要求3所述的一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法，其特征在于，所述指标集合包括：负荷跟踪偏差、补贴成本、容量指标和爬坡速率。
5.根据权利要求1所述的一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法，其特征在于，所述步骤S2包括：
步骤S21，基于刺激-反馈运行机制确定整体趋优运行机制；
步骤S22，建立DERs相应规则，确保整个趋优过程自发由个体驱动整体形成。
6.根据权利要求5所述的一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法，其特征在于，所述步骤S21包括：
步骤S211，负荷偏差触发跟踪事件，VPP实时感知当前的负荷状态，一旦接收到外部实体如调度中心的确定指令，或与交易中心或合作运营商达成交易，最终都将得到一条在其能力范围内的目标负荷曲线，若某时段负荷与目标负荷的偏差满足一定条件，则触发跟踪事件，反之，则消除跟踪事件；
步骤212，VPP-MSC释放初始刺激信号；
步骤213，DERs根据刺激信号反馈调节计划；
步骤214，VPP-MSC判断是否触发协调事件；
步骤215，迭代直至消除协调事件；
步骤216，消除跟踪事件。
7.根据权利要求5所述的一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法，其特征在于，所述步骤22包括：
步骤221，将DERs的运行过程视为马尔可夫决策过程，并再次基础上构建动作值函数值，将其作为DERs的决策依据，通过动作之函数建立了激励信号-DERs状态-DERs适应行为之间的连接关系；
步骤222，建立DERs端到端的决策模型，将VPP环境参数作为DERs决策的输入端，最终反馈的行为作为输出端，内部的模型是一组由马尔可夫过程表示的离散状态链，采用深度强化学习算法对内部的马尔可夫决策过程进行优化；
步骤223，对于用户的个性化需求，在所述DERs端到端的决策模型中，增加用户偏好配置，所述用户偏好配置由用户事前是定或根据行为规律自动生成，所述用户偏好配置会反应在决策过程中。
8.一种实施根据权利要求1-7任一所述方法的基于大数据的虚拟电厂负荷预测方法及跟踪控制系统，其特征在于，包括：
VPP雾计算服务中心，运营商通过所述VPP雾计算服务中心将边缘计算设备部署于临近DERs的位置；
边缘计算设备，所述边缘计算设备实施边缘计算，具备一定的感知能力，能够识别受控DERs的身份，拥有其量测和控制权，在响应激励信号之前，已经拥有完整的状态集、特征集合可控指令集，对DERs的调控量与调控成本为严格的凸函数；
可信的逻辑电表，边缘计算能够通过所述逻辑电表对DERs进行计量、校验与评价；
虚拟电厂负荷预测模块，用于基于大数据中的负荷期望值和最高负荷值以及边缘设备进行虚拟电厂负荷预测；
虚拟电厂负荷跟踪控制模块，用于基于事件驱动的刺激-反馈控制机制和自趋优化运行理论控制虚拟电厂负荷，实现虚拟电厂自趋优化运行。
9.一种电子设备，其特征在于，包括处理器和存储器，所述存储器存储有多条指令，所述处理器用于读取所述指令并执行如权利要求1-7任一所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有多条指令，所述多条指令可被处理器读取并执行如权利要求1-7任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111517497.0A CN114444256A (zh) | 2021-12-13 | 2021-12-13 | 一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111517497.0A CN114444256A (zh) | 2021-12-13 | 2021-12-13 | 一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114444256A true CN114444256A (zh) | 2022-05-06 |
Family
ID=81363774
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111517497.0A Pending CN114444256A (zh) | 2021-12-13 | 2021-12-13 | 一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114444256A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418636A (zh) * | 2020-11-17 | 2021-02-26 | 海南省电力学校(海南省电力技工学校) | 虚拟电厂自组织聚合运行调度方法 |
| CN115062871A (zh) * | 2022-08-11 | 2022-09-16 | 山西虚拟现实产业技术研究院有限公司 | 基于多智能体强化学习的智能电表状态评估方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895176A (zh) * | 2017-11-13 | 2018-04-10 | 国网湖南省电力有限公司 | 一种面向水电机群广域监测诊断的雾计算系统及方法 |
| CN112448396A (zh) * | 2020-11-17 | 2021-03-05 | 海南省电力学校(海南省电力技工学校) | 一种虚拟电厂自趋优负荷跟踪控制方法 |
-
2021
- 2021-12-13 CN CN202111517497.0A patent/CN114444256A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107895176A (zh) * | 2017-11-13 | 2018-04-10 | 国网湖南省电力有限公司 | 一种面向水电机群广域监测诊断的雾计算系统及方法 |
| CN112448396A (zh) * | 2020-11-17 | 2021-03-05 | 海南省电力学校(海南省电力技工学校) | 一种虚拟电厂自趋优负荷跟踪控制方法 |
Non-Patent Citations (6)
| Title |
|---|
| 刘东;樊强;尤宏亮;戴欣;黄玉辉;邵宗卫: "泛在电力物联网下虚拟电厂的研究现状与展望", 工程科学与技术, vol. 52, no. 004, 31 December 2020 (2020-12-31), pages 3 - 12 * |
| 刘劲;卢小海;阮志杰;: "基于云计算的虚拟电厂负荷预测分析", 中国新技术新产品, no. 08, 25 April 2020 (2020-04-25), pages 17 - 18 * |
| 刘劲等: "基于云计算的虚拟电厂负荷预测分析", 《中国新技术新产品》, no. 08, 25 April 2020 (2020-04-25), pages 17 - 18 * |
| 刘靖雯等: "面向电力信息物理系统的端边云雾协同模型", 《电力系统及其自动化学报》, vol. 33, no. 11, 7 May 2021 (2021-05-07), pages 74 - 81 * |
| 李昭昱;艾芊;张宇帆;殷爽睿;孙东磊;李雪亮;: "数据驱动技术在虚拟电厂中的应用综述", 电网技术, no. 07, pages 2411 - 2419 * |
| 李昭昱等: "数据驱动技术在虚拟电厂中的应用综述", 《电网技术》, vol. 44, no. 07, 2 April 2020 (2020-04-02), pages 2411 - 2419 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112418636A (zh) * | 2020-11-17 | 2021-02-26 | 海南省电力学校(海南省电力技工学校) | 虚拟电厂自组织聚合运行调度方法 |
| CN112418636B (zh) * | 2020-11-17 | 2024-03-22 | 海南省电力学校(海南省电力技工学校) | 虚拟电厂自组织聚合运行调度方法 |
| CN115062871A (zh) * | 2022-08-11 | 2022-09-16 | 山西虚拟现实产业技术研究院有限公司 | 基于多智能体强化学习的智能电表状态评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10205317B2 (en) | Management of grid-scale energy storage systems for multiple services | |
| US9373960B2 (en) | Computerized system and method for distributed energy resource scheduling | |
| Alavi et al. | Forecast-based consensus control for DC microgrids using distributed long short-term memory deep learning models | |
| WO2019092905A1 (en) | Power generation system and energy generation system | |
| US20150112501A1 (en) | Portfolio managed, demand-side response system | |
| US11664678B2 (en) | Grid asset manager | |
| CN114444256A (zh) | 一种基于大数据的虚拟电厂负荷预测方法及跟踪控制方法 | |
| Alamaniotis et al. | Towards an energy internet: a game-theoretic approach to price-directed energy utilization | |
| CN112448396B (zh) | 一种虚拟电厂自趋优负荷跟踪控制方法 | |
| US20230369867A1 (en) | Systems and apparatuses to aggregate distributed energy resources | |
| KR20210100699A (ko) | 하이브리드 발전소 | |
| Wang et al. | Coordinated load shedding control scheme for recovering frequency in islanded microgrids | |
| Li et al. | A multi-band uncertainty set robust method for unit commitment with wind power generation | |
| JP2022550507A (ja) | 電気エネルギー供給網の安定化のための方法 | |
| JP7285053B2 (ja) | 電力需給制御装置、電力需給制御システムおよび電力需給制御方法 | |
| Rosero et al. | Full-deployed energy management system tested in a microgrid cluster | |
| CN117057491B (zh) | 基于mpc与储能系统结合的农村地区电力供应优化管理方法 | |
| Tazi et al. | Demand and energy management in smart grid: Techniques and implementation | |
| US20220373989A1 (en) | System for configuring demand response for energy grid assets | |
| Leopold et al. | Simulation-based methodology for optimizing energy community controllers | |
| Matthiss et al. | Influence of demand and generation uncertainty on the operational efficiency of smart grids | |
| US20230299584A1 (en) | Method and device for predicting an energy service offering and software program product | |
| Bordons et al. | Basic Energy Management Systems in Microgrids | |
| Srinivasan et al. | Provision of frequency control by a BESS in combination with flexible units | |
| Cui et al. | A game strategy for demand response based on load monitoring in smart grid |
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 |