CN114912349A - 计及风光消纳的园区综合能源系统优化调度方法 - Google Patents

计及风光消纳的园区综合能源系统优化调度方法 Download PDF

Info

Publication number
CN114912349A
CN114912349A CN202210404421.5A CN202210404421A CN114912349A CN 114912349 A CN114912349 A CN 114912349A CN 202210404421 A CN202210404421 A CN 202210404421A CN 114912349 A CN114912349 A CN 114912349A
Authority
CN
China
Prior art keywords
park
wind
energy
energy system
algorithm
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
CN202210404421.5A
Other languages
English (en)
Inventor
陈霖锋
许刚
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202210404421.5A priority Critical patent/CN114912349A/zh
Publication of CN114912349A publication Critical patent/CN114912349A/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
    • 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
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及综合能源系统优化调度领域和智能优化算法领域，具体为一种基于改进粒子群的计及风光消纳的园区综合能源系统优化调度方法；通过构建园区内的综合能源系统耦合设备数学模型来描述其物理运作方式，同时结合能量守恒定律以及能源限定额度来作为系统运行约束条件；然后确定系统的运行优化目标函数以及智能优化算法，本发明是以可再生能源消纳率最大和日运行维护费用最低两个方面来确定目标函数，智能优化算法采用粒子群优化算法加上反向学习策略结合形成的改进粒子群算法；最后利用某实际场景进行仿真算例，将场景中的历史负荷数据和风光预测值，通过蒙特卡洛模拟方法得到园区典型日的风光满发出力预测曲线、冷热电负荷曲线，接着设置算法参数，运行后得出优化调度结果。

Description

计及风光消纳的园区综合能源系统优化调度方法
技术领域
本发明涉及综合能源系统优化调度领域和智能优化算法领域，具体为一种基于改进粒子群的计及风光消纳的园区综合能源系统优化调度方法。
背景技术
现阶段全球化石能源随世界高速发展而陷入紧缺危机，而清洁高效的可再生能源却因为当前领域的技术不够成熟而遭到了大量的弃置，造成了本可以利用的能源浪费。综合能源系统的出现为解决可再生能源弃置的问题提供了一种途径，综合能源系统是集能源转换、存储、分配、输送等功能的多能流异质耦合系统，能够同时满足电、气、热、冷负荷的需求。综合能源系统通过各子系统之间的耦合设备进行异质能源的转换，从而实现对分布式可再生能源的消纳，提升了开再生能源的利用率。当前，同时具备风光沼三种可再生能源的园区级综合能源系统在我国已普遍存在，如何提高三种可再生能源的就地消纳率成为了实现低碳减排的关键，因此对计及风光沼消纳的园区综合能源系统优化调度方法进行研究是具有重要意义和实际应用价值的。
粒子群算法是一种新型的群智能随机搜索方法，具有收敛速度快、效率高、应用范围广等特点。在求解本文提出的协同多目标优化问题时，粒子群算法在解的收敛性和多样性分布方面有一定的缺点。为兼顾系统运行成本最低和可再生能源消纳率最大的多目标优化问题，本发明提出了一种基于反向学习策略的改进粒子群算法。
发明内容
(一)发明的目的
本发明的目的在于解决目前园区综合能源系统中可再生能源无法完全消纳的问题，提供一种基于改进粒子群算法的综合能源系统优化调度方法。主要是通过构建园区内的综合能源系统耦合设备数学模型来描述其物理运作方式，同时结合能量守恒定律以及能源限定额度来作为系统运行约束条件；然后确定系统的运行优化目标函数以及智能优化算法，本发明是以可再生能源消纳率最大和日运行维护费用最低两个方面来确定目标函数；最后利用某实际场景进行仿真算例得出优化结果。
(二)技术方案
为了实现上述目的，本发明的方法所采用的技术方案是：通过构建园区内的综合能源系统耦合设备数学模型来描述其物理运作方式，同时结合能量守恒定律以及能源限定额度来作为系统运行约束条件；然后确定系统的运行优化目标函数以及智能优化算法，本发明是以可再生能源消纳率最大和日运行维护费用最低两个方面来确定目标函数，智能优化算法采用粒子群优化算法加上反向学习策略结合形成的改进粒子群算法；最后利用某实际场景进行仿真算例，将场景中的历史负荷数据和风光预测值，通过蒙特卡洛模拟方法得到园区典型日的风光满发出力预测曲线、冷热电负荷曲线，接着设置算法参数，运行后得出优化调度结果。
园区综合能源系统中热电联产是最主要的耦合设备，它是将园区内的沼气转化为电能和热能的设备总称，由燃气轮机与余热锅炉等构成。除此之外还有将电能转换为冷能的电制冷设备，将电转气的P2G设备，将气转换成热的燃气锅炉等一系列能源耦合转换设备。对以上设备进行建模，使其以数学表达式的形式来体现物理运作方式。
综合能源系统在处理优化调度问题时需要添加特定的约束条件来反映实际的物理场景，最普遍的就是能量守恒定律，这其中包括了综合能源系统中最基本的电能守恒、热能守恒以及冷能守恒，除此之外还有耦合设备约束，例如电制冷设备的最大最小出力功率、储能设备最大最小储存以及放出功率等，还有能源限额约束，即向电网购电的最大最小额度。这些约束条件反映了优化过程中真实存在的物理事实，为优化调度提供可靠的处理环境。
粒子群算法是一种新型的群智能随机搜索方法，具有收敛速度快、效率高、应用范围广等特点。在求解本文提出的协同多目标优化问题时，粒子群算法在解的收敛性和多样性分布方面有一定的缺点。将反向学习策略运用在粒子群算法中，可提高算法的有效性和收敛性。其具体实现步骤为:首先计算候选解集中的每个候选解，同时计算相应反向解集中的候选解，并比较其适应度值，然后保留适应度值较高的一方，并代入式粒子群更新公式中更新候选解集。同时，由于权重系数w对整个算法具有重要作用，其决定算法的全局搜索和局部搜索之间的平衡，而标准粒子群中的权重系数w为线性递减函数，其变化方式不能满足工程精度需求，故本发明对权重系数进行了非线性化改进，使其满足工程精度需求。
(三)有益效果
本发明的有益效果为：通过智能优化算法对园区综合能源系统的优化调度，实现对风光沼可再生能源消纳率提高的方法，可以有效利用清洁能源来降低综合能源系统从外部购买能源的费用。同时通过在标准粒子群算法的基础上加入反向学习策略，使其在对于多目标优化的问题时提高算法的有效性和收敛性；同时对标准粒子群中的权重系数w变化方式不能满足工程精度需求的缺点进行了非线性化改进，使其满足工程精度需求。最终在蒙特卡洛模拟方法得到园区典型日的风光满发出力预测曲线和冷热电负荷曲线的基础场景上进行仿真，通过对比优化前后的可再生能源消纳率和日运维费用来验证是优化调度方法否成功。
附图说明：
图1是计及风光消纳的园区综合能源系统优化调度方法建立流程图。
具体实施方式：
依据园区实际情况构建综合能源系统结构图，即确定综合能源系统的能源供给侧有哪些，系统的负荷侧又有哪些，以及系统耦合设备包括哪几种。
确定完综合能源系统结构图后，根据结构图来对系统中的耦合设备进行数学建模处理。
园区热电联供系统的能源转换设备的数学模型为:
Figure BDA0003601694180000031
Figure BDA0003601694180000032
Figure BDA0003601694180000033
Figure BDA0003601694180000034
式中:
Figure BDA0003601694180000035
分别为燃气轮机在t时段产出的电功率和热功率；
Figure BDA0003601694180000036
分别为燃气锅炉和余热锅炉在t时段产出的热功率；
Figure BDA0003601694180000037
分别为燃气轮机和燃气锅炉在t时段的沼气消耗量；θg为沼气热值，常取定值23MJ/m3；
Figure BDA0003601694180000038
分别表示燃气轮机的发电效率系数和损耗系数；ηGB、ηR、ηHRB分别为燃气锅炉的发热效率和余热锅炉的热回收效率和热产出效率。
电制热/冷是该园区综合能源系统中电能分别转换成热能和冷能主要设备，其数学模型表达式如下：
Figure BDA0003601694180000039
Figure BDA00036016941800000310
在综合能源系统中，储能装置对整个系统的运行可靠性起极大作用。对于具有风光可再生能源的综合能源系统，它能大大减少其波动对系统运行的影响，例如在风光出力处于峰值且负荷无法全部消纳时，为了不将多余的能源弃置都会进行储能处理。亦或是在可再生能源出力处于谷值时，为了减小对外部电网购电的成本，会将所储能源进行补偿出力。其数学模型表达式如下：
Figure BDA0003601694180000041
式中:
Figure BDA0003601694180000042
分别为储热器和蓄电池组t时段内的储热、储电量；μHloss为储热器的散热系数；μEloss为蓄电池组的自放电率；
Figure BDA0003601694180000043
分别为储热器在t时段内的储热、放热功率；
Figure BDA0003601694180000044
分别为蓄电池组在t时段内的充电、放电功率；
Figure BDA0003601694180000045
分别为储热器的储热、放热效率；
Figure BDA0003601694180000046
分别为蓄电池组的充电、放电效率。
对耦合设备建模以后开始对约束条件继续数学描述
接着对目标还是进行表述，分别为可再生能源消纳率最大以及日运维费用最低
Figure BDA0003601694180000047
Figure BDA0003601694180000048
式中:Ctotal表示园区IES的日运行总费用；
Figure BDA0003601694180000049
为系统中设备在t时段的损耗及运维成本；
Figure BDA00036016941800000410
为t时段IES与电网功率交互产生的费用；
Figure BDA00036016941800000411
Csy,i分别为第i台在t时段计及需要运维设备的能量交换功率和单位能量交换功率成本。
Figure BDA00036016941800000412
式中:Snew为风光消纳率；
Figure BDA00036016941800000413
分别为在t时段内预测风电、光伏满发时电功率。
线性加权是解决多目标优化问题常用的方法，其根据各目标的重要程度赋予其相应的权系数，然后对其线性组合进行寻优。
minF＝ψ1Ctotal+ψ2Snew (11)
式中:ψ1、ψ2是线性加权系数。
本发明提出了一种基于反向学习策略的改进粒子群算法。
标准PSO算法位置更新公式：
vij(t+1)＝w·vij(t)+c1r1(t)[pij(t)-xij(t)]+c2r2(t)[pgj(t)-xij(t)] (12)
xij(t+1)＝xij(t)+vij(t+1) (13)
Figure BDA0003601694180000051
式中:vij(t)、xij(t)分别表示第j维个体i在第t次迭代时的速度和位置；r1、r2是介于0到1之间的随机数；c1、c2表示学习因子；pij(t)表示第j维个体i在第t次迭代时的个体极值，其中个体g为全局极值；w为惯性权重系数，wmax、wmin为其最大值和最小值；Tmax为最大迭代次数。
在反向学习策略中，设多维变量D＝(x1,x2,…,xn)，其中xi∈[di,ui]，di、ui分别为给定的上下限。则D的反向变量为
Figure BDA0003601694180000052
其中
Figure BDA0003601694180000053
同时，由于w对整个算法具有重要作用，其决定PSO中算法的全局搜索和局部搜索之间的平衡，而标准PSO中的w为线性递减函数，其变化方式不能满足工程精度需求，故进行了非线性化改进，其非线性改进方程为：
Figure BDA0003601694180000054
式中：ws、we分别为w的开始值和结束值，
Figure BDA0003601694180000055
为非线性调节系数。
最后通过蒙特卡洛模拟方法得到园区典型日的风光满发出力预测曲线、冷热电负荷曲线，接着设置算法参数，运行后得出优化调度结果。
至此，已经结合附图描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本说明书发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (4)

1.一种计及风光消纳的园区综合能源系统优化调度方法，其特征在于：通过构建园区内的综合能源系统耦合设备数学模型来描述其物理运作方式，同时结合能量守恒定律以及能源限定额度来作为系统运行约束条件；然后确定系统的运行优化目标函数以及智能优化算法，本发明是以可再生能源消纳率最大和日运行维护费用最低两个方面来确定目标函数，智能优化算法采用粒子群优化算法加上反向学习策略结合形成的改进粒子群算法；最后利用某实际场景进行仿真算例，将场景中的历史负荷数据和风光预测值，通过蒙特卡洛模拟方法得到园区典型日的风光满发出力预测曲线、冷热电负荷曲线，接着设置算法参数，运行后得出优化调度结果。
2.根据权利要求1所述的一种计及风光消纳的园区综合能源系统优化调度方法，其特征在于，通过构建园区内的综合能源系统耦合设备数学模型来描述其物理运作方式，同时结合能量守恒定律以及能源限定额度来作为系统运行约束条件，主要步骤包括：
Step 1：依据园区实际情况构建综合能源系统结构图，即确定综合能源系统的能源供给侧有哪些，系统的负荷侧又有哪些，以及系统耦合设备包括哪几种；
Step 2：确定好综合能源系统结构图后，根据结构图来对系统中的耦合设备进行数学建模处理；
Step 3：对耦合设备建模以后开始对约束条件继续数学描述。
3.根据权利要求1所述的一种计及风光消纳的园区综合能源系统优化调度方法，其特征在于，以可再生能源消纳率最大和日运行维护费用最低两个方面来确定目标函数，智能优化算法采用粒子群优化算法加上反向学习策略结合形成的改进粒子群算法，主要步骤包括：
Step 1：对目标还是进行表述，分别为可再生能源消纳率最大以及日运维费用最低：
Figure RE-FDA0003754500710000011
Figure RE-FDA0003754500710000012
式中:Ctotal表示园区IES的日运行总费用；
Figure RE-FDA0003754500710000013
为系统中设备在t时段的损耗及运维成本；
Figure RE-FDA0003754500710000014
为t时段IES与电网功率交互产生的费用；
Figure RE-FDA0003754500710000015
Csy,i分别为第i台在t时段计及需要运维设备的能量交换功率和单位能量交换功率成本；
Figure RE-FDA0003754500710000016
式中:Snew为风光消纳率；
Figure RE-FDA0003754500710000017
分别为在t时段内预测风电、光伏满发时电功率。
Step 2：线性加权是解决多目标优化问题常用的方法，其根据各目标的重要程度赋予其相应的权系数，然后对其线性组合进行寻优:
minF＝ψ1Ctotal+ψ2Snew
式中:ψ1、ψ2是线性加权系数。
Step 3：标准PSO算法位置更新公式：：
vij(t+1)＝w·vij(t)+c1r1(t)[pij(t)-xij(t)]+c2r2(t)[pgj(t)-xij(t)]
xij(t+1)＝xij(t)+vij(t+1)
Figure RE-FDA0003754500710000021
式中:vij(t)、xij(t)分别表示第j维个体i在第t次迭代时的速度和位置；r1、r2是介于0到1之间的随机数；c1、c2表示学习因子；pij(t)表示第j维个体i在第t次迭代时的个体极值，其中个体g为全局极值；w为惯性权重系数，wmax、wmin为其最大值和最小值；Tmax为最大迭代次数。
Step 4：在反向学习策略中，设多维变量D＝(x1,x2,…,xn)，其中xi∈[di,ui]，di、ui分别为给定的上下限。则D的反向变量为
Figure RE-FDA0003754500710000022
其中
Figure RE-FDA0003754500710000023
Step 5：由于w对整个算法具有重要作用，其决定PSO中算法的全局搜索和局部搜索之间的平衡，而标准PSO中的w为线性递减函数，其变化方式不能满足工程精度需求，故进行了非线性化改进，其非线性改进方程为：
Figure RE-FDA0003754500710000024
式中：ws、we分别为w的开始值和结束值，θ为非线性调节系数。
4.根据权利要求1所述的一种计及风光消纳的园区综合能源系统优化调度方法，其特征在于，将利用某实际场景进行仿真算例，将场景中的历史负荷数据和风光预测值，通过蒙特卡洛模拟方法得到园区典型日的风光满发出力预测曲线、冷热电负荷曲线，接着设置算法参数，运行后得出优化调度结果。
CN202210404421.5A 2022-04-18 2022-04-18 计及风光消纳的园区综合能源系统优化调度方法 Pending CN114912349A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210404421.5A CN114912349A (zh) 2022-04-18 2022-04-18 计及风光消纳的园区综合能源系统优化调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210404421.5A CN114912349A (zh) 2022-04-18 2022-04-18 计及风光消纳的园区综合能源系统优化调度方法

Publications (1)

Publication Number Publication Date
CN114912349A true CN114912349A (zh) 2022-08-16

Family

ID=82765186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210404421.5A Pending CN114912349A (zh) 2022-04-18 2022-04-18 计及风光消纳的园区综合能源系统优化调度方法

Country Status (1)

Country Link
CN (1) CN114912349A (zh)

Similar Documents

Publication Publication Date Title
CN109919478B (zh) 一种考虑综合供能可靠性的综合能源微网规划方法
CN108154309B (zh) 计及冷热电多负荷动态响应的能源互联网经济调度方法
CN111463836B (zh) 一种综合能源系统优化调度方法
CN111738503B (zh) 以氢能为核心的综合能源微网日前运行调度方法及系统
CN111737884B (zh) 一种含多种清洁能源微能源网多目标随机规划方法
Wang et al. Optimal operation strategy of multi-energy complementary distributed CCHP system and its application on commercial building
CN113850474B (zh) 一种热电氢多能流综合能源系统及其优化调度方法
Wang et al. Synergistic planning of an integrated energy system containing hydrogen storage with the coupled use of electric-thermal energy
CN110930073B (zh) 计及价格型需求响应的风-光-光热联合发电系统日前调度方法
CN110601260B (zh) 一种限定联络线上功率波动的光-蓄系统容量优化方法
CN111860937A (zh) 基于改进多目标灰狼算法的冷热电联供型微电网优化方法
CN113159407B (zh) 基于区域综合能源系统的多能储存模块容量优化配置方法
CN109993345B (zh) 一种面向园区的孤岛运行多能互补系统动态经济调度方法
CN110311371A (zh) 一种基于虚拟储能的光伏冷库系统及其负荷主动调控方法
CN111668878A (zh) 一种可再生微能源网的优化配置方法和系统
CN113541598A (zh) 一种多级利用的冷热电供能系统及其系统容量配置优化方法
CN114066204A (zh) 一种综合能源系统的一体化优化规划与运行方法及装置
CN117081143A (zh) 促进分布式光伏就地消纳的园区综合能源系统协调优化运行方法
CN111144633A (zh) 一种cchp微电网运行优化方法
CN114757388A (zh) 一种基于改进nsga-iii的区域综合能源系统设备容量优化方法
CN114742276A (zh) 一种考虑㶲效率的含orc的园区综合能源系统多目标优化调度方法
CN112883630B (zh) 用于风电消纳的多微网系统日前优化经济调度方法
CN113822480A (zh) 一种农村综合能源系统多层协同优化方法及系统
CN113255224A (zh) 一种基于发光萤火虫算法的能源系统配置优化方法
CN116502921A (zh) 一种园区综合能源系统优化管理系统及其协调调度方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication