CN114693085A - 一种集成可变能源的能源与备用容量联合优化调度方法 - Google Patents

一种集成可变能源的能源与备用容量联合优化调度方法 Download PDF

Info

Publication number
CN114693085A
CN114693085A CN202210247458.1A CN202210247458A CN114693085A CN 114693085 A CN114693085 A CN 114693085A CN 202210247458 A CN202210247458 A CN 202210247458A CN 114693085 A CN114693085 A CN 114693085A
Authority
CN
China
Prior art keywords
energy
equation
power
particle
cost
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
Application number
CN202210247458.1A
Other languages
English (en)
Inventor
黄海荣
吴笛
李振锋
张帆
刘臻
腾晓兵
郭丽婷
毛毳
周丹
周勤刚
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.)
Zhejiang University of Technology ZJUT
Zhejiang Huayun Electric Power Engineering Design Consulting Co
Original Assignee
Zhejiang University of Technology ZJUT
Zhejiang Huayun Electric Power Engineering Design Consulting Co
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 Zhejiang University of Technology ZJUT, Zhejiang Huayun Electric Power Engineering Design Consulting Co filed Critical Zhejiang University of Technology ZJUT
Priority to CN202210247458.1A priority Critical patent/CN114693085A/zh
Publication of CN114693085A publication Critical patent/CN114693085A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—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
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—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)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种集成可变能源的能源与备用容量联合优化调度方法，首先，通过卷积神经网络(CNN)以每小时实时数据预测负荷需求。然后，通过可再生能源RES和蓄电池储能系统(BSS)的集成，实现能量和旋转备用容量的联合调度，以满足预测的负荷需求；此外，发电系统将根据因发电限制而未满足的能源需求量，以未服务负荷的成本系数进行处罚；同时，由于热力机组的倾斜，考虑到储能系统的充电状态，可用剩余功率将存储在备用储能系统中；采用粒子群优化算法求解成本最小化。本发明实现火力发电和可变资源(包括存储系统)的联合调度。

Description

一种集成可变能源的能源与备用容量联合优化调度方法
技术领域
本发明涉及一种集成可变能源的能源与备用容量联合优化调度方法。
背景技术
电气系统操作员(ESO)负责发电，它必须面对多方面的因素才能使系统流畅地工作。通常，电力系统由具有不同运行参数的异构设备组成。通过集成线性和非线性负载、通信设备、智能计量、分布式存储系统、安全性和质量改进，系统始终易于变得更加复杂。当个人生活方式得到改善，系统变得更加可持续时，这些复杂性就会增加。ESO必须承担责任，预见电力市场平稳、不易受伤害运行的各个方面。此外，ESO可以通过在发电侧进行调整，从而提供基于价格的灾难恢复计划来处理这种情况，以平衡高峰时段的发电需求。为了在不影响舒适度的情况下降低电力成本，用户端设备的活动受到限制，以响应提供的动态价格。然而，在消费者方面，有必要强制要求自动化与动态定价相关的准确设备切换，为此，实现了直接负载控制模型。从更广泛的角度来看，随着智能电网(SG)的参与，电力市场已经发生了快速转型。技术进步、不断变化的消费者偏好和新政策正在导致可再生能源(RES)、BSS、微电网、电动汽车和其他新能源技术的普及。RES渗透是环境友好的，但是，由于其对自然现象的依赖性，它涉及发电的变化。这种多功能分布式发电系统正在推动公用事业和监管机构重新评估“电力市场如何以令人满意的方式运行”。因此，需要客户能源管理、电网基础设施和电力市场设计的新模型来应对这些变化。
热电厂、光伏发电厂和蓄能电站联合调度的开发现在正受到关注。这是由于传统能源的过度使用，人们对其全球气候和经济影响提出了担忧。因此，在清洁和绿色能源领域的探索和提高其效率的努力也在增加。对于稳定有效的能源管理、发电机调度和电力调度，电力需求预测至关重要。电力系统的运行在很大程度上依赖于对不同时间范围内未来负荷的精确预测。热力机组的斜坡特性使系统容易受到系统功率的某些不可预见的变化的影响，例如系统负荷需求的突然下降或增加。目前研究仅侧重于优化能源和储备联合调度的经济运行。因此，这些研究可能会提供不可行的解决方案。
发明内容
为了克服已有技术的不足，本发明提供了一种集成可变能源的能源与备用容量联合优化调度方法，实现火力发电和可变资源(包括存储系统)的联合调度。
本发明解决其技术问题所采用的技术方案是：
一种集成可变能源的能源与备用容量联合优化调度方法，包括以下步骤：
步骤一，基于卷积神经网络的负荷预测
使用卷积神经网络CNN预测负荷需求预测结果，考虑某一地区全年的小时负荷需求数据；
步骤二、电力系统机组组合
以最低成本找到每台发电机的最佳发电价值，最小化问题的数学方程如下公式(1)：
Figure BDA0003545385260000021
公式(1)是成本优化问题的数学模型，C是发电成本，是ηnt和Pnt的函数，其中，ηnt是超过T小时的N热机组状态，Pnt是发电机随时间的功率输出；
使用式(2)计算光伏板的输出功率，如下所示：
Figure BDA0003545385260000031
其中，Plt从机组l输出的tth小时光伏功率，
Figure BDA0003545385260000032
为t期间的太阳辐照度，σl为机组的功率温度系数；
使用公式(3)计算太阳辐照度：
Figure BDA0003545385260000033
其中，
Figure BDA0003545385260000034
为期间太阳辐照度的最大限制值，Gt为期间太阳辐照度的最大限制值。
使用公式(4)计算风能的输出功率：
Figure BDA0003545385260000035
其中，vcut-in为切入风速，vcut-off为截止风速，vrt额定风速，vt为此时的风速；
步骤三、使用爬坡率和EENS的联合调度
当系统无法满足全部需求时，考虑惩罚因子kVoLL会提高发电成本，惩罚因子＝100美元/MW，分母MW为未供电的能量值，
Figure BDA0003545385260000036
其中，Φt是t期间的EENS数量，ηnt为第n台热力机组在t小时内的状态，C为t期间的发电成本，Pnt为热机组n在t小时内的调度，使用公式(5)计算
Figure BDA0003545385260000041
其中，PSt为存储单元的电流功率，Pnt为热机组n在t小时内的调度，Pkt为k号机组第t小时的风电输出，Plt为第t小时从机组l输出的光伏功率，Pdt为负荷需求，按公式(6)计算
Figure BDA0003545385260000042
其中，
Figure BDA0003545385260000043
为超过T小时的用户平均功率需求，按照公式(7)计算
Figure BDA0003545385260000044
Figure BDA0003545385260000045
为Uth用户超过tth小时的最大需求量，Pu,t 为Uth用户超过tth小时的最小需求量；
公式(8)给出了各热力机组的二次成本函数Fnt计算方法
Figure BDA0003545385260000046
其中CQn为成本的二次系数，CLn为成本的线性系数，CFn为固定成本；
考虑容量限制
Figure BDA0003545385260000047
0≤Pnt (10)
其中，Pn 为发电机电流功率随时间t的最大限制，
Figure BDA0003545385260000048
为发电机电流功率随时间t的最小限制；
考虑爬坡率限制
Figure BDA0003545385260000051
Figure BDA0003545385260000052
其中，
Figure BDA0003545385260000053
为最大上升率，
Figure BDA0003545385260000054
为最小上升率；
步骤四、建立BSS模型
公式(13)表示BSS的可用剩余能量γst
Figure BDA0003545385260000055
其中，Φt为t小时内未提供预期能量；
步骤五、采用改进评价函数的粒子群优化算法优化模型
N粒子数的产生如式(14)：
Figure BDA0003545385260000056
其中，表示P1,P2,....,Pn表示生成的n个粒子。
迭代中计算每个粒子的速度如式(15)：
Figure BDA0003545385260000057
其中，
Figure BDA0003545385260000058
为热发电组限值，
Figure BDA0003545385260000059
为后一组热发电组限值，
Figure BDA00035453852600000510
为颗粒碰撞速度，d1和d2为颗粒加速常数，ρ1和ρ2为[0，1]直接均匀分布随机数，w为质点惯系数，
Figure BDA00035453852600000511
为粒子m在极端个体中n个单位的贡献输出；
每一个粒子的位置通过迭代的等式(16)找到；
Figure BDA00035453852600000512
其中
Figure BDA00035453852600000513
为热发电组限值，
Figure BDA00035453852600000514
为颗粒碰撞速度，d1和d2为颗粒加速常数，ρ1和ρ2为[0，1]直接均匀分布随机数；
使用粒子的位置和速度，通过适应度函数对粒子进行评价，对于每个粒子，确定个人最佳位置pbest和全局最佳位置gbest)每个粒子的速度由其与pbest和gbest的距离以及其当前速度确定，每次迭代之后，新位置将根据速度进行更新，直到迭代结束。
本发明提出了一种能量和备用容量联合调度的系统模型，并将RES和BSS相结合，使用(CNN)预测考虑实施该系统的特定区域的负荷需求，通过液体燃料热发电机组(LFTGU)、RES和BSS满足电力需求，从而降低可能的成本；如果实际需求超过预测值，旋转备用不足以应付这种变化，或者系统在发电量中遇到任何超出预期值的崩溃，则测量未供应的预期能量(EENS)；EENS被视为系统惩罚成本，作为损失负荷值(VoLL)，该值被视为在某些操作限制范围内约束的常数值；考虑了爬坡和提交/关闭状态下计算的火力发电成本，BSS用于存储剩余发电量，并可作为备用容量使用；粒子群优化算法用于在发电调度中获得成本最小化的结果。
本发明的有益效果主要表现在：实现火力发电和可变资源(包括存储系统)的联合调度。
附图说明
图1是集成可变能源的能源与备用容量联合优化调度方法的原理图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图1，一种集成可变能源的能源与备用容量联合优化调度方法，包括以下步骤：
步骤一，基于卷积神经网络的负荷预测
使用卷积神经网络CNN预测负荷需求预测结果，考虑某一地区全年的小时负荷需求数据；
通过卷积神经网络CNN实现的，卷积神经网络是一种基于监督学习的DL技术，用于预测；CNN受生物过程的启发，与其他分类算法相比，使用的预处理相对较少；它学习传统算法中手工设计的过滤器。为了提高算法的效率和速度，对所选特征进行了细化；CNN模型用于获得最佳的负荷需求预测结果，有效地处理某一地区全年的小时负荷需求数据；
步骤二、电力系统机组组合
火力发电机组根据预测负荷投入，如果在线发电机对负荷没有贡献，则将导致机组运行的固定成本；如果负荷预测在较长时间内处于较低水平，并且可以在没有高成本机组的情况下解决，则该机组将不会投入系统，并将离线以节省固定成本；承诺为解决需求提供电力的机组，然后应用经济调度技术，以最低成本找到每台发电机的最佳发电价值，最小化问题的数学方程如下公式(1)：
Figure BDA0003545385260000071
公式(1)是成本优化问题的数学模型，C是发电成本，是ηnt和Pnt的函数，其中，ηnt是超过T小时的N热机组状态，Pnt是发电机随时间的功率输出；
使用式(2)计算光伏板的输出功率，如下所示：
Figure BDA0003545385260000072
其中，Plt从机组l输出的tth小时光伏功率，
Figure BDA0003545385260000073
为t期间的太阳辐照度，σl为机组的功率温度系数；
使用公式(3)计算太阳辐照度：
Figure BDA0003545385260000081
其中，
Figure BDA0003545385260000082
为期间太阳辐照度的最大限制值，G t为期间太阳辐照度的最大限制值。
使用公式(4)计算风能的输出功率：
Figure BDA0003545385260000083
其中，vcut-in为切入风速，vcut-off为截止风速，vrt额定风速，vt为此时的风速；
步骤三、使用爬坡率和EENS的联合调度
当系统无法满足全部需求时，考虑惩罚因子kVoLL会提高发电成本，惩罚因子＝100美元/MW，分母MW为未供电的能量值，
Figure BDA0003545385260000084
其中，Φt是t期间的EENS数量，ηnt为第n台热力机组在t小时内的状态，C为t期间的发电成本，Pnt为热机组n在t小时内的调度，使用公式(5)计算
Figure BDA0003545385260000085
其中，PSt为存储单元的电流功率，Pnt为热机组n在t小时内的调度
，Pkt为k号机组第t小时的风电输出，Plt为第t小时从机组l输出的光伏功率，Pdt为负荷需求，按公式(6)计算
Figure BDA0003545385260000086
其中，
Figure BDA0003545385260000091
为超过T小时的用户平均功率需求，按照公式(7)计算
Figure BDA0003545385260000092
Figure BDA0003545385260000093
为Uth用户超过tth小时的最大需求量，Pu,t 为Uth用户超过tth小时的最小需求量；
公式(8)给出了各热力机组的二次成本函数Fnt计算方法
Figure BDA0003545385260000094
其中CQn为成本的二次系数，CLn为成本的线性系数，CFn为固定成本；考虑容量限制
Figure BDA0003545385260000095
0≤Pnt (10)
其中，Pn 为发电机电流功率随时间t的最大限制，
Figure BDA0003545385260000096
为发电机电流功率随时间t的最小限制；
考虑爬坡率限制
Figure BDA0003545385260000097
Figure BDA0003545385260000098
其中，
Figure BDA0003545385260000099
为最大上升率，
Figure BDA00035453852600000910
为最小上升率；
步骤四、建立BSS模型
公式(13)表示BSS的可用剩余能量γst
Figure BDA00035453852600000911
其中，Φt为t小时内未提供预期能量；
步骤五、采用改进评价函数的粒子群优化算法优化模型
N粒子数的产生如式(14)：
Figure BDA0003545385260000101
其中，表示P1,P2,....,Pn表示生成的n个粒子。
迭代中计算每个粒子的速度如式(15)：
Figure BDA0003545385260000102
其中，
Figure BDA0003545385260000103
为热发电组限值，
Figure BDA0003545385260000104
为后一组热发电组限值，
Figure BDA0003545385260000105
为颗粒碰撞速度，d1和d2为颗粒加速常数，ρ1和ρ2为[0，1]直接均匀分布随机数，w为质点惯系数，
Figure BDA0003545385260000106
为粒子m在极端个体中n个单位的贡献输出。
每一个粒子的位置通过迭代的等式(16)找到；
Figure BDA0003545385260000107
其中
Figure BDA0003545385260000108
为热发电组限值，
Figure BDA0003545385260000109
为颗粒碰撞速度，d1和d2为颗粒加速常数，ρ1和ρ2为[0，1]直接均匀分布随机数；
粒子群优化算法使用粒子的位置和速度，通过适应度函数或所谓的评价函数对粒子进行评价；对于每个粒子，确定个人最佳位置(pbest)和全局最佳位置(gbest)；每个粒子的速度由其与(pbest)和(gbest)的距离以及其当前速度确定，每次迭代之后，新位置将根据速度进行更新，直到迭代结束。
本说明书的实施例所述的内容仅仅是对发明构思的实现形式的列举，仅作说明用途。本发明的保护范围不应当被视为仅限于本实施例所陈述的具体形式，本发明的保护范围也及于本领域的普通技术人员根据本发明构思所能想到的等同技术手段。

Claims (1)

1.一种集成可变能源的能源与备用容量联合优化调度方法，其特征在于，所述方法包括以下步骤：
步骤一，基于卷积神经网络的负荷预测
使用卷积神经网络CNN预测负荷需求预测结果，考虑某一地区全年的小时负荷需求数据；
步骤二、电力系统机组组合
以最低成本找到每台发电机的最佳发电价值，最小化问题的数学方程如下公式(1)：
Figure FDA0003545385250000011
公式(1)是成本优化问题的数学模型，C是发电成本，是ηnt和Pnt的函数，其中，ηnt是超过T小时的N热机组状态，Pnt是发电机随时间的功率输出；
使用式(2)计算光伏板的输出功率，如下所示：
Figure FDA0003545385250000012
其中，Plt从机组l输出的tth小时光伏功率，
Figure FDA0003545385250000013
为t期间的太阳辐照度，σl为机组的功率温度系数；
使用公式(3)计算太阳辐照度：
Figure FDA0003545385250000014
其中，
Figure FDA0003545385250000015
为期间太阳辐照度的最大限制值，G t为期间太阳辐照度的最大限制值；
使用公式(4)计算风能的输出功率：
Figure FDA0003545385250000016
其中，vcut-in为切入风速，vcut-off为截止风速，vrt额定风速，vt为此时的风速；
步骤三、使用爬坡率和EENS的联合调度
当系统无法满足全部需求时，考虑惩罚因子kVoLL会提高发电成本，惩罚因子＝100美元/MW，分母MW为未供电的能量值，
Figure FDA0003545385250000021
其中，Φt是t期间的EENS数量，ηnt为第n台热力机组在t小时内的状态，C为t期间的发电成本，Pnt为热机组n在t小时内的调度，使用公式(5)计算
Figure FDA0003545385250000022
其中，PSt为存储单元的电流功率，Pnt为热机组n在t小时内的调度，Pkt为k号机组第t小时的风电输出，Plt为第t小时从机组l输出的光伏功率，Pdt为负荷需求，按公式(6)计算
Figure FDA0003545385250000023
其中，
Figure FDA0003545385250000024
为超过T小时的用户平均功率需求，按照公式(7)计算
Figure FDA0003545385250000025
Figure FDA0003545385250000026
为Uth用户超过tth小时的最大需求量，Pu,t 为Uth用户超过tth小时的最小需求量；
公式(8)给出了各热力机组的二次成本函数Fnt计算方法
Figure FDA0003545385250000027
其中CQn为成本的二次系数，CLn为成本的线性系数，CFn为固定成本；
考虑容量限制
Figure FDA0003545385250000028
0≤Pnt (10)
其中，Pn 为发电机电流功率随时间t的最大限制，
Figure FDA0003545385250000029
为发电机电流功率随时间t的最小限制；
考虑爬坡率限制
Figure FDA00035453852500000210
Figure FDA00035453852500000211
其中，
Figure FDA00035453852500000212
为最大上升率，
Figure FDA00035453852500000213
为最小上升率；
步骤四、建立BSS模型
公式(13)表示BSS的可用剩余能量γst
Figure FDA00035453852500000214
其中，Φt为t小时内未提供预期能量；
步骤五、采用改进评价函数的粒子群优化算法优化模型
N粒子数的产生如式(14)：
Figure FDA0003545385250000031
其中，P1,P2,....,Pn表示生成的n个粒子；
迭代中计算每个粒子的速度如式(15)：
Figure FDA0003545385250000032
其中，
Figure FDA0003545385250000033
为热发电组限值，
Figure FDA0003545385250000034
为后一组热发电组限值，
Figure FDA0003545385250000035
为颗粒碰撞速度，d1和d2为颗粒加速常数，ρ1和ρ2为[0，1]直接均匀分布随机数，w为质点惯系数，
Figure FDA0003545385250000036
为粒子m在极端个体中n个单位的贡献输出；
每一个粒子的位置通过迭代的等式(16)找到；
Figure FDA0003545385250000037
其中
Figure FDA0003545385250000038
为热发电组限值，
Figure FDA0003545385250000039
为颗粒碰撞速度，d1和d2为颗粒加速常数，ρ1和ρ2为[0，1]直接均匀分布随机数；
使用粒子的位置和速度，通过适应度函数对粒子进行评价，对于每个粒子，确定个人最佳位置pbest和全局最佳位置gbest每个粒子的速度由其与pbest和gbest的距离以及其当前速度确定，每次迭代之后，新位置将根据速度进行更新，直到迭代结束。
CN202210247458.1A 2022-03-14 2022-03-14 一种集成可变能源的能源与备用容量联合优化调度方法 Pending CN114693085A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210247458.1A CN114693085A (zh) 2022-03-14 2022-03-14 一种集成可变能源的能源与备用容量联合优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210247458.1A CN114693085A (zh) 2022-03-14 2022-03-14 一种集成可变能源的能源与备用容量联合优化调度方法

Publications (1)

Publication Number Publication Date
CN114693085A true CN114693085A (zh) 2022-07-01

Family

ID=82139675

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210247458.1A Pending CN114693085A (zh) 2022-03-14 2022-03-14 一种集成可变能源的能源与备用容量联合优化调度方法

Country Status (1)

Country Link
CN (1) CN114693085A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116885691A (zh) * 2023-05-30 2023-10-13 淮阴工学院 一种风电功率爬坡事件间接预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116885691A (zh) * 2023-05-30 2023-10-13 淮阴工学院 一种风电功率爬坡事件间接预测方法
CN116885691B (zh) * 2023-05-30 2024-02-23 淮阴工学院 一种风电功率爬坡事件间接预测方法

Similar Documents

Publication Publication Date Title
Fontenot et al. Modeling and control of building-integrated microgrids for optimal energy management–a review
Mohammadi et al. Scenario-based stochastic operation management of microgrid including wind, photovoltaic, micro-turbine, fuel cell and energy storage devices
Kahrobaee et al. Optimum sizing of distributed generation and storage capacity in smart households
Martinez-Rico et al. Multi-objective optimization of production scheduling using particle swarm optimization algorithm for hybrid renewable power plants with battery energy storage system
CN107039975A (zh) 一种分布式能源系统能量管理方法
CN103151797A (zh) 基于多目标调度模型的并网运行方式下微网能量控制方法
Wang et al. Operation of residential hybrid renewable energy systems: Integrating forecasting, optimization and demand response
CN112836849A (zh) 一种考虑风电不确定性的虚拟电厂调度方法
Ghahramani et al. Optimal energy and reserve management of the electric vehicles aggregator in electrical energy networks considering distributed energy sources and demand side management
Yuan et al. Bess aided renewable energy supply using deep reinforcement learning for 5g and beyond
CN116207748A (zh) 一种面向大规模柔性负荷资源的调控系统
Wang et al. A real time peer-to-peer energy trading for prosumers utilizing time-varying building virtual energy storage
CN114693085A (zh) 一种集成可变能源的能源与备用容量联合优化调度方法
CN117543581A (zh) 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用
CN104112168A (zh) 一种基于多代理系统的智能家居经济优化方法
Desta et al. Gaussian-based smoothing of wind and solar power productions using batteries
Zhang et al. Capacity configuration optimization of energy storage for microgrids considering source–load prediction uncertainty and demand response
Bayat et al. A hybrid shuffled frog leaping algorithm and intelligent water drops optimization for efficiency maximization in smart microgrids considering EV energy storage state of health
Wang et al. Stochastic residential energy management system with vehicle-to-home and photovoltaic penetration
Hu et al. Demand Response Optimization Strategy for Multi-Level Intelligent Regulation under the Power Internet of Things
CN116722547B (zh) 虚拟电厂需求响应调控方法、装置、设备及存储介质
Ul Hijaz Paul et al. Development of Short-Term Load Forecasting Model for DSM by Regulating Charging and Discharging of EVs and ESS with RES Based on the Prediction of this Model.
CN118508528B (zh) 源网荷储一体化的电力调度优化方法及系统
CN114862163B (zh) 综合能源系统优化调度方法
Liu et al. Optimal management of energy storage system based on reinforcement learning

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