CN114741943A - 一种基于粒子群算法的储能容量配置优化方法 - Google Patents

一种基于粒子群算法的储能容量配置优化方法 Download PDF

Info

Publication number
CN114741943A
CN114741943A CN202111624160.XA CN202111624160A CN114741943A CN 114741943 A CN114741943 A CN 114741943A CN 202111624160 A CN202111624160 A CN 202111624160A CN 114741943 A CN114741943 A CN 114741943A
Authority
CN
China
Prior art keywords
energy storage
capacity configuration
cost
particle swarm
particle
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
CN202111624160.XA
Other languages
English (en)
Inventor
刘秋华
王明康
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of 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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202111624160.XA priority Critical patent/CN114741943A/zh
Publication of CN114741943A publication Critical patent/CN114741943A/zh
Pending legal-status Critical Current

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于粒子群算法的储能容量配置优化方法，包括以下步骤：分析国内外梯次利用动力电池的应用现状以及梯次电池储能经济性评估的研究现状；建立梯次电池储能效益模型，建立电池储能成本模型；建立以年净收益最大为目标的容量配置模型，并引入粒子群算法求解；给定粒子群算法初值及容量配置模型参数，求解得到最大年效益下的容量配置方案。本发明对电池储能的梯次利用进行了容量配置优化，可以大幅度提高储能系统的年经济效益，可以有效改善园区电网的削峰率，既保障了经济性，又保障了电网的安全稳定运行。

Description

一种基于粒子群算法的储能容量配置优化方法
技术领域
本发明属于电力电子技术领域，具体涉及一种基于粒子群算法的储能容量配置优化方法。
背景技术
动力电池在退役后经过性能检测、统一筛选、配对重组和集成管理后将可以被使用在对性能要求较低的领域，而其中最主要的是作为存储电能的载体梯次利用于电池储能系统。对退役动力电池的再利用可以有效延长电池的生命周期，缓解大量电池同时进入回收期所带来的压力，减少电池材料回收引起的环境危害，提高动力电池的资源利用率。同时由于在梯次利用过程中可以带来额外的经济效益，间接地降低了动力电池的使用成本，进一步可以降低电动汽车的成本。另外采用梯次电池建设储能系统可以降低工程的投资成本，使得储能系统项目具有更高的经济性。
储能系统可以灵活地应用于不同功能的示范工程当中，针对不同的应用场景与功能要求对储能系统容量配置进行了深入研究，主要包括梯次电池储能系统容量配置方法研究，储能系统使用在新能源发电中实现提高电网接纳能力、平抑新能源不稳定性造成的功率波动、降低发电功率预测误差带来的经济损失等功能下的容量配置；储能系统应用于配电网或微网中实现区域负荷削峰填谷、降低高渗透率光伏对并网的影响、调节新能源发电造成的电网频率波动等功能下的容量配置。
发明内容
发明目的：针对现有技术中存在的问题，本发明公开了一种基于粒子群算法的储能容量配置优化方法，该容量配置方法不仅可以提高退役电池储能系统的经济性，还有利于调节负荷及改善削峰填谷率。
技术方案：为实现上述发明目的，本发明采用如下技术方案：一种基于粒子群算法的储能容量配置优化研究方法，包括如下步骤：
S1：建立梯次电池储能效益模型，建立电池储能成本模型；
S2：建立以年净收益最大为目标的容量配置模型，并引入粒子群算法求解；
S3：给定粒子群算法初值及容量配置模型参数，求解得到最大年效益下的容量配置方案。
优选的是，本发明步骤S1中建立梯次电池储能效益模型，具体包括：
(11)峰谷套利收益
退役电池储能系统利用电价机制，在低电价、低负荷时充电，在高电价、高负荷时放电；当退役电池储能系统运行n天时，通过峰谷套利得到的收益为：
Figure RE-GDA0003676894290000021
式中，i取值为1-24，代表日内24小时，Pi +和Pi -为退役电池系统日内i小时的充放电功率， ei则为日内i时段电价，n为退役电池系统一年内运行天数；
(12)碳交易收益
退役电池储能通过碳减排实现的收益表达为：
Eb＝n·eD·QD
式中，n为退役电池系统一年内运行天数，eD为碳交易价格；QD为碳减排量；
(13)延缓配电网升级投资效益
退役电池储能系统延缓配电网升级的总收益为：
Figure RE-GDA0003676894290000022
式中，Cinv为电网升级的建设成本；ir为通货膨胀率；dr为贴现率；Δn为延缓电网升级的年限；N为退役电池系统的运行寿命。
优选的是，本发明步骤S1中建立电池储能成本模型，具体过程包括：
(21)初始投资成本
包括与退役电池的购置成本相关的容量成本，与储能变流器成本相关的功率成本；
投资成本计算公式为：
Figure RE-GDA0003676894290000023
式中，CE是退役电池系统的单位容量成本；Em是退役电池系统的额定容量；CP是储能交直流功率转换单元单位功率成本；Pm是退役电池系统的额定功率；
(22)运行维护成本
退役电池系统的运行维护成本包括退役电池与储能电能转换器的维护费用，运行维护成本为：
Cb＝KEEm+KPPm
式中，KE是退役电池运行维护时的单位容量成本；KP是储能变流器运行维护时的单位功率成本，N为退役电池系统的运行寿命。
优选的是，本发明步骤S2中建立以年净收益最大为目标的容量配置模型，具体过程为：
建立的以年净收益最大为目标的容量配置模型为：
S＝Ea+Eb+Ec-Ca-Cb (6)
其中，约束条件为：
(31)充放电功率约束：
0≤Pk +≤Pm (7)
0≤Pk -≤Pm (8)
(32)充放电守恒约束：
Figure RE-GDA0003676894290000031
则充放电守恒约束可以化简为：
Figure RE-GDA0003676894290000032
(33)荷电状态约束：
SOCmin≤SOC(t)≤SOCmax (11)
式中，SOCmax、SOCmin分别表示储能系统中退役电池的SOC上、下限。
优选的是，本发明步骤S3中给定粒子群算法初值及容量配置模型参数，求解得到最大年效益下的容量配置方案，具体过程为：
定义目标函数，初始化粒子种群；
初始化参数，包括种群个数、最大迭代次数、学习因子，粒子位置，粒子速度；
计算粒子个体的适应度值，计算个体极值和全局极值，通过比较得到当前最优位置；
更新粒子种群的位置和速度；
计算更新后的最优粒子种群位置；
计算适应度值，若更新后的最优粒子种群优于当前最优粒子种群，则将其替换，反之保留当前最优粒子种群；
判断是否达到最大迭代次数或者达到算法中止条件，若是则输出最优粒子种群和目标函数值；
判断是否满足算法重启条件，若满足，则重新初始化参数并执行粒子群算法。
有益效果：与现有技术相比，本发明具有如下显著的有益效果：
本发明综合考虑退役电池储能系统的经济性与削峰填谷的效果，提出一种以年净收益最大化为目标的容量配置方法，首先建立收益-成本模型，其次引入粒子群算法优化求解，得到容量配置模型，仿真验证了该方法经济效益优越的同时，削峰填谷效果极佳。最后进行灵敏度分析，利用模型参数数值的动态变化分析退役电池系统净收益，表明未来退役电池储能系统更具经济性和市场竞争力。
本发明采取了粒子群算法，建立了梯次电池储能效益模型，建立电池储能成本模型；建立了以年净收益最大为目标的容量配置模型，并引入粒子群算法求解最优容量配置方案；该方法经济效益优越的同时，削峰填谷效果极佳。
附图说明
图1为本发明的流程图；
图2为粒子群算法流程图；
图3为典型日负荷功率图；
图4为分时电价图；
图5为退役电池储能充放电功率图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
梯次利用动力电池可以延缓电池退役所带来的环境污染以及回收压力，同时可以提高资源利用率和降低动力电池成本。本发明公开了一种基于粒子群算法的储能容量配置优化方法，如图1所示，包括如下步骤：
步骤S1：建立梯次电池储能效益模型，建立电池储能成本模型分别为：
建立梯次电池储能效益模型：
(11)峰谷套利收益
考虑到我国的电价采用的机制一般为峰谷电价，那么退役电池储能系统就可以利用电价机制，在低电价、低负荷时充电，在高电价、高负荷时放电，从而增加利润，降低成本,扩大经济效益。当退役电池储能系统运行n天时，其通过峰谷套利得到的收益为：
Figure RE-GDA0003676894290000051
式中，i取值为1-24，代表日内24小时，Pi +和Pi -为退役电池系统日内i小时的充放电功率，ei则为日内i时段电价，n为退役电池系统一年内运行天数。
(12)碳交易收益
退役电池储能系统可以有效减少传统能源发电量，从而减少产生的二氧化碳，降低碳排放。退役电池储能通过碳减排实现的收益可以表达为：
Eb＝n·eD·QD (2)
式中，n为退役电池系统一年内运行天数，eD为碳交易价格；QD为碳减排量。
(13)延缓配电网升级投资效益
当线路或配电站负荷过大导致系统超负荷运行时，一般会通过扩建配电线路、变电站等措施对电网进行升级改造。鉴于电网对其配电站和输电线路的不断升级改造造成的费用支出成本巨大，可以通过退役电池储能系统改善超出配电站和输电线路的额外容量，从而降低电网负载延缓配电网升级改造。其中，因退役电池储能系统延缓配电网升级的总收益为：
Figure RE-GDA0003676894290000052
式中，Cinv为电网升级的建设成本；ir为通货膨胀率；dr为贴现率；Δn为延缓电网升级的年限；N为退役电池系统的运行寿命。
建立电池储能成本模型：
(21)初始投资成本
退役电池储能系统的投资成本主要为建设初期费用，以购买重要设备等为主。其可以分为两大类，一类是容量成本，与退役电池的购置成本息息相关；另一类则是功率成本，主要为储能变流器成本。所以投资成本计算公式为：
Figure RE-GDA0003676894290000061
式中，CE是退役电池系统的单位容量成本；Em是退役电池系统的额定容量；CP是储能交直流功率转换单元单位功率成本；Pm是退役电池系统的额定功率。
(22)运行维护成本
退役电池系统的运行维护成本主要是退役电池与储能电能转换器的维护费用。因此，运行维护成本为：
Cb＝KEEm+KPPm (5)
式中，KE是退役电池运行维护时的单位容量成本；KP是储能变流器运行维护时的单位功率成本。
步骤S2：建立以年净收益最大为目标的容量配置模型，并引入粒子群算法求解。
根据步骤S1所述建立的以年净收益最大为目标的容量配置模型为：
S＝Ea+Eb+Ec-Ca-Cb (6)
其中，约束条件为：
(31)充放电功率约束：
0≤Pk +≤Pm (7)
0≤Pk -≤Pm (8)
(32)充放电守恒约束：
Figure RE-GDA0003676894290000062
则充放电守恒约束可以化简为：
Figure RE-GDA0003676894290000063
(33)荷电状态约束：
SOCmin≤SOC(t)≤SOCmax (11)
式中，SOCmax、SOCmin分别表示储能系统中退役电池的SOC上、下限。
发明采用了粒子群算法进行优化求解，粒子群算法主要是根据鸟群的迁徙速度和行为的规律和思想，把一个群体中的每一只鸟都当做一个粒子，分别用来表示一个潜在的可行解，将每一只鸟寻找到自己食物的位置可以看成是一个全局最优解，而群落中的每一个粒子都在一个n维空间中搜索寻找一个历史全局最优解，并且每一个群落中的具有搜索和记忆替代功能的粒子都在搜索寻找的迭代过程中获得自己的历史最佳位置，这也被称做是个体的极值；那么群落中的所有粒子在迭代的过程中搜索获得的历史最佳位置则被称为是全体极值。群落中的每个粒子将根据它们各自的最佳位置以及全体最佳位置对自己的移动速度和方向进行相应的调整，从而更好更快的接近全局最优解。
步骤S3：给定粒子群算法初值及容量配置模型参数，求解得到最大年效益下的容量配置方案。
基于粒子群算法的优化流程如图2所示：
定义目标函数，初始化粒子种群；
初始化参数，包括种群个数n、最大迭代次数L、第一学习因子c1、第二学习因子c2，粒子位置x，粒子速度v；
计算粒子个体的适应度值，计算个体极值和全局极值，通过比较得到当前最优位置；
更新粒子种群的位置和速度；
计算更新后的最优粒子种群位置；
计算适应度值，若更新后的最优粒子种群优于当前最优粒子种群，则将其替换，反之保留当前最优粒子种群；
判断是否达到最大迭代次数或者达到算法中止条件，若是则输出最优粒子种群和目标函数值；
判断是否满足算法重启条件，若满足，则重新初始化参数并执行粒子群算法。
某地区典型日负荷功率如图3所示，该地区分时电价如图4所示。本算法执行的过程中，设定的种群数量为100，第一学习因子c1＝1.5、第二学习因子c2＝2.5，计算最大迭代次数为 100。通过优化算法求解得到最优的退役电池容量配置方案如图5所示。本发明提出的以年净收益最大化为目标的退役电池储能容量配置模型不仅可以有效获得较大利润，还有显著的削峰填谷效果，改善系统运行的稳定性。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于粒子群算法的储能容量配置优化方法，其特征在于，包括如下步骤：
S1：建立梯次电池储能效益模型，建立电池储能成本模型；
S2：建立以年净收益最大为目标的容量配置模型，并引入粒子群算法求解；
S3：给定粒子群算法初值及容量配置模型参数，求解得到最大年效益下的容量配置方案。
2.根据权利要求1所述的一种基于粒子群算法的储能容量配置优化方法，其特征在于，步骤S1中建立梯次电池储能效益模型，具体包括：
(11)峰谷套利收益
退役电池储能系统利用电价机制，在低电价、低负荷时充电，在高电价、高负荷时放电；当退役电池储能系统运行n天时，通过峰谷套利得到的收益为：
Figure FDA0003439369750000011
式中，i取值为1-24，代表日内24小时，Pi +和Pi -为退役电池系统日内i小时的充放电功率，ei则为日内i时段电价，n为退役电池系统一年内运行天数；
(12)碳交易收益
退役电池储能通过碳减排实现的收益表达为：
Eb＝n·eD·QD
式中，n为退役电池系统一年内运行天数，eD为碳交易价格；QD为碳减排量；
(13)延缓配电网升级投资效益
退役电池储能系统延缓配电网升级的总收益为：
Figure FDA0003439369750000012
式中，Cinv为电网升级的建设成本；ir为通货膨胀率；dr为贴现率；Δn为延缓电网升级的年限；N为退役电池系统的运行寿命。
3.根据权利要求2所述的一种基于粒子群算法的储能容量配置优化方法，其特征在于，步骤S1中建立电池储能成本模型，具体过程包括：
(21)初始投资成本
包括与退役电池的购置成本相关的容量成本，与储能变流器成本相关的功率成本；
投资成本计算公式为：
Figure FDA0003439369750000021
式中，CE是退役电池系统的单位容量成本；Em是退役电池系统的额定容量；CP是储能交直流功率转换单元单位功率成本；Pm是退役电池系统的额定功率；
(22)运行维护成本
退役电池系统的运行维护成本包括退役电池与储能电能转换器的维护费用，运行维护成本为：
Cb＝KEEm+KPPm
式中，KE是退役电池运行维护时的单位容量成本；KP是储能变流器运行维护时的单位功率成本，N为退役电池系统的运行寿命。
4.根据权利要求3所述的一种基于粒子群算法的储能容量配置优化方法，其特征在于，步骤S2中建立以年净收益最大为目标的容量配置模型，具体过程为：
建立的以年净收益最大为目标的容量配置模型为：
S＝Ea+Eb+Ec-Ca-Cb (6)
其中，约束条件为：
(31)充放电功率约束：
0≤Pk +≤Pm (7)
0≤Pk -≤Pm (8)
(32)充放电守恒约束：
Figure FDA0003439369750000022
则充放电守恒约束可以化简为：
Figure FDA0003439369750000023
(33)荷电状态约束：
SOCmin≤SOC(t)≤SOCmax (11)
式中，SOCmax、SOCmin分别表示储能系统中退役电池的SOC上、下限。
5.根据权利要求1所述的一种基于粒子群算法的储能容量配置优化方法，其特征在于，步骤S3：给定粒子群算法初值及容量配置模型参数，求解得到最大年效益下的容量配置方案，具体过程为：
定义目标函数，初始化粒子种群；
初始化参数，包括种群个数、最大迭代次数、学习因子，粒子位置，粒子速度；
计算粒子个体的适应度值，计算个体极值和全局极值，通过比较得到当前最优位置；
更新粒子种群的位置和速度；
计算更新后的最优粒子种群位置；
计算适应度值，若更新后的最优粒子种群优于当前最优粒子种群，则将其替换，反之保留当前最优粒子种群；
判断是否达到最大迭代次数或者达到算法中止条件，若是则输出最优粒子种群和目标函数值；
判断是否满足算法重启条件，若满足，则重新初始化参数并执行粒子群算法。
6.根据权利要求5所述的一种基于粒子群算法的储能容量配置优化研究方法，其特征在于，步骤S2中，粒子群算法的算法终止条件如下：
σ＝ε
其中，σ为迭代次数，ε为设定的最大迭代次数。
7.根据权利要求5所述的一种基于粒子群算法的储能容量配置优化研究方法，其特征在于，步骤S2中，粒子群算法的算法重启条件如下：
σ≤ε
其中，σ为迭代次数，ε为设定的最大迭代次数。
CN202111624160.XA 2021-12-28 2021-12-28 一种基于粒子群算法的储能容量配置优化方法 Pending CN114741943A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111624160.XA CN114741943A (zh) 2021-12-28 2021-12-28 一种基于粒子群算法的储能容量配置优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111624160.XA CN114741943A (zh) 2021-12-28 2021-12-28 一种基于粒子群算法的储能容量配置优化方法

Publications (1)

Publication Number Publication Date
CN114741943A true CN114741943A (zh) 2022-07-12

Family

ID=82274803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111624160.XA Pending CN114741943A (zh) 2021-12-28 2021-12-28 一种基于粒子群算法的储能容量配置优化方法

Country Status (1)

Country Link
CN (1) CN114741943A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114928054A (zh) * 2022-07-18 2022-08-19 国网江西省电力有限公司经济技术研究院 考虑新能源不确定性的储能多目标协调优化方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114928054A (zh) * 2022-07-18 2022-08-19 国网江西省电力有限公司经济技术研究院 考虑新能源不确定性的储能多目标协调优化方法及系统
CN114928054B (zh) * 2022-07-18 2022-11-08 国网江西省电力有限公司经济技术研究院 考虑新能源不确定性的储能多目标协调优化方法及系统

Similar Documents

Publication Publication Date Title
CN110675042B (zh) 基于K-Means聚类算法的工业用户储能建设研判方法
CN103217900A (zh) 基于实时电价的中压微网混沌pso最优潮流实现方法
CN104377724A (zh) 提高风电/光伏混合储能系统经济性的协调优化控制方法
CN110492482A (zh) 一种用于延缓配电设备升级改造的储能经济调度方法
CN114741943A (zh) 一种基于粒子群算法的储能容量配置优化方法
CN113488995B (zh) 基于储能成本的共享储能容量优化配置方法和装置
CN113555908B (zh) 一种智能配电网储能优化配置方法
CN114358378A (zh) 一种用于考虑需量管理的用户侧储能优化配置系统及方法
CN105470947A (zh) 一种基于量子行为粒子群算法的微电网调度方法
CN114938040B (zh) 源-网-荷-储交直流系统综合优化调控方法和装置
CN116488140A (zh) 高速公路综合能源管控系统调度方法、装置、设备、介质
Wu et al. Forecast of short‐term electricity price based on data analysis
CN114498690A (zh) 支持大规模可再生能源消纳的多元复合储能优化配置方法
CN115564142A (zh) 一种混合储能系统的选址定容优化方法及系统
CN109754128B (zh) 一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法
CN113011718A (zh) 基于和声搜索算法的配电网有功-无功联合优化调度方法
CN113013909A (zh) 一种基于平抑牵引的储能容量改进方法
KR20210063989A (ko) 스마트 그리드에서 p2p 프로슈머 커뮤니티의 지능형 사전 에너지 공유 스케줄링 방법
CN110401210A (zh) 需求响应参与下风电储能系统调度方法
CN111027757A (zh) 一种基于皮亚诺曲线降维的用户侧储能优化配置方法
CN104408531A (zh) 一种多维多阶段复杂决策问题的均匀动态规划方法
CN111859605B (zh) 一种计及全寿命周期经济性的梯次电池储能容量配置方法
CN116361674B (zh) 基于期望成本最小化的光储型园区负荷曲线最优聚类方法
CN115776138A (zh) 一种考虑多维不确定性和能量管理策略的微电网容量规划方法及装置
CN115313349A (zh) 电动船舶直流微电网充电系统控制方法、系统及存储介质

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