CN114912735A - 一种考虑5g基站储能参与电网互动的需求响应优化方法 - Google Patents
一种考虑5g基站储能参与电网互动的需求响应优化方法 Download PDFInfo
- Publication number
- CN114912735A CN114912735A CN202210233475.XA CN202210233475A CN114912735A CN 114912735 A CN114912735 A CN 114912735A CN 202210233475 A CN202210233475 A CN 202210233475A CN 114912735 A CN114912735 A CN 114912735A
- Authority
- CN
- China
- Prior art keywords
- representing
- demand response
- energy storage
- power
- stage
- 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
- 230000004044 response Effects 0.000 title claims abstract description 106
- 238000004146 energy storage Methods 0.000 title claims abstract description 84
- 238000005457 optimization Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000003993 interaction Effects 0.000 title claims abstract description 16
- 230000005611 electricity Effects 0.000 claims abstract description 35
- 230000015556 catabolic process Effects 0.000 claims abstract description 14
- 238000006731 degradation reaction Methods 0.000 claims abstract description 14
- 238000007599 discharging Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000010977 unit operation Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 230000009466 transformation Effects 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
- G06Q10/06—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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
- H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
- H02J3/144—Demand-response operation of the power transmission or distribution network
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Biodiversity & Conservation Biology (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种考虑5G基站储能参与电网互动的需求响应优化方法，包括以下步骤：S1，建立基于第一阶段日前阶段和第二阶段日内阶段的两阶段区间优化模型，并提出目标函数；S2，建立价格型需求响应约束；S3，建立5G基站储能约束；S4，建立其他微网运行约束；S5，目标函数的求解。基于PBDR和储能的两阶段协调方法，以最小化运行成本，提高运行可靠性，第一阶段确定PBDR的日前电价，进一步引导用户将负荷需求转移到电价低的时间段，同时，在考虑退化成本的情况下，对每小时的5G储能SoC限值进行优化，以解决不确定性预测的时间尺度有限的问题，在第二阶段，储能在日前优化的SoC限值内进行调度，以跟踪不确定性实现，并补偿第一阶段的PBDR决策偏差。
Description
技术领域
本发明涉及微电网技术领域，尤其是一种考虑5G基站储能参与电网互动的需求响应优化方法。
背景技术
微电网可以有效集成分布式电源(distributed generation，DG)，向本地负荷供电。然而，可再生能源和负荷的不确定性可能会导致系统运营成本增加或违反系统运行约束。
第五代移动通信技术(5th Generation Mobile Communication Technology，简称5G)是具有高速率、低时延和大连接特点的新一代宽带移动通信技术，是实现人机物互联的网络基础设施。国际电信联盟(ITU)定义了5G的三大类应用场景，即增强移动宽带(eMBB)、超高可靠低时延通信(uRLLC)和海量机器类通信(mMTC)。增强移动宽带(eMBB)主要面向移动互联网流量爆炸式增长，为移动互联网用户提供更加极致的应用体验；超高可靠低时延通信(uRLLC)主要面向工业控制、远程医疗、自动驾驶等对时延和可靠性具有极高要求的垂直行业应用需求；海量机器类通信(mMTC)主要面向智慧城市、智能家居、环境监测等以传感和数据采集为目标的应用需求。5G作为一种新型移动通信网络，不仅要解决人与人通信，为用户提供增强现实、虚拟现实、超高清(3D)视频等更加身临其境的极致业务体验，更要解决人与物、物与物通信问题，满足移动医疗、车联网、智能家居、工业控制、环境监测等物联网应用需求。最终，5G将渗透到经济社会的各行业各领域，成为支撑经济社会数字化、网络化、智能化转型的关键新型基础设施。
5G发展迅速，具有高传输速率、高带宽、高可靠性、低延时等性能，基站设备功耗也大幅度提高，对基站的电源系统提出全新的要求，尤其是如何满足基本的备电需求，需要对蓄电池组开展扩容核算。目前多数5G基站统一使用锂电池作为基站蓄电池可参与电网调峰。5G基站储能参与电网调峰方式、投入成本与产出经济性也有待进一步研究。
通过文献调研发现，SoC限值在一天内为常数不利于储能运行，且大多数文献中都没有将储能的退化成本考虑到微电网运行模型中。为此，提出了一种考虑5G基站储能参与电网互动的需求响应优化方法，以最小化运行成本，提高运行可靠性。第一阶段确定PBDR的日前电价，进一步引导用户将负荷需求转移到电价低的时间段。同时，在考虑退化成本的情况下，对每小时的5G储能SoC限值进行优化，以解决不确定性预测的时间尺度有限的问题。在第二阶段，储能在日前优化的SoC限值内进行调度，以跟踪不确定性实现，并补偿第一阶段的PBDR决策偏差。
在中国专利文献上公开的“一种主动配电网日前调度方法、装置、电子设备和存储介质”，其公开号为CN113541198A，一种主动配电网日前调度方法、装置、电子设备和存储介质，属于主动配电网经济调度技术领域。所述方法包括：对主动配电网各总线上的灵活性负荷进行集群负荷聚类分群；根据分群结果，建立基于灵活性负荷集群的主动配电网日前调度优化模型，求解得到日前调度的预优化结果，获得各集群的参考功率；对各集群的参考功率进行分解优化，得到集群中各灵活性负荷的实际功率需求；利用实际功率需求，完成基于灵活性负荷集群的主动配电网日前调度终优化，得到最终的日前调度优化方案。本发明可实现主动配电网中海量灵活性负荷协调调度，具有计算效率高、兼容性广、实用性强的优点。但是其并未涉及日前阶段之外的其他阶段的调度或者优化方案。
发明内容
本发明解决了上述问题，提出一种考虑5G基站储能参与电网互动的需求响应优化方法，基于PBDR和储能的两阶段协调方法，以最小化运行成本，提高运行可靠性，第一阶段确定PBDR的日前电价，进一步引导用户将负荷需求转移到电价低的时间段，同时，在考虑退化成本的情况下，对每小时的5G储能SoC限值进行优化，以解决不确定性预测的时间尺度有限的问题，在第二阶段，储能在日前优化的SoC限值内进行调度，以跟踪不确定性实现，并补偿第一阶段的PBDR决策偏差。本发明的目的是在风电、光伏和负荷的不确定性下，使运行成本最小化，提高运行可靠性。
为了实现上述目的，本发明采用以下技术方案：一种考虑5G基站储能参与电网互动的需求响应优化方法，包括以下步骤：
S1，建立基于第一阶段日前阶段和第二阶段日内阶段的两阶段区间优化模型，并提出目标函数；
S2，建立价格型需求响应约束；
S3，建立5G基站储能约束；
S4，建立其他微网运行约束；
S5，目标函数的求解。在本发明中，基于PBDR和BESS协调优化，第一阶段属于日前阶段，确定PBDR最优计划，及BESS每小时的最优SoC限值，在第一阶段，调度的时间尺度是24小时，时间步长为1小时。第二阶段属于日内阶段，在SoC最优限值内调度储能计划，以准确追踪不确定性并补偿第一阶段的决策偏差，在满足运行约束的前提下，使微电网的总运行成本最小化。本发明的协调优化方法的目的是在风电、光伏和负荷的不确定性下，使运行成本最小化，提高运行可靠性。本发明提出的价格型需求响应和5G基站的电池储能系统的两阶段协调优化方法，以最小化总运行成本为目标，提高运行可靠性。在第一阶段优化日前的PBDR方案，通过负荷转移提高可再生能源利用效率。在日内调度5G基站的电池储能系统时，需要考虑到不确定变量(可再生能源及负荷)偏差，因此，日前阶段需优化储能每小时荷电状态(SoC)限值。在第二阶段，BESS的调度决策在日前优化的SoC限值内进行，以跟踪不确定性并补偿第一阶段的PBDR决策偏差。
作为优选，所述目标函数表示为：
其中，
其中，前两个min表示通过分别优化x和y使总运营成本最小化，括号[]中的max和min表示不确定性变量实现的悲观情况和乐观情况，x表示第一阶段价格型需求响应的变量，y表示第二阶段调度优化变量，u表示不确定性变量，τ表示单位时间段长度，CWT表示风机的运行成本，
表示风机的单位运维成本，
表示第i个风机在时刻t的输出功率，CPV表示光伏的运行成本，
表示光伏的单位运维成本，
表示第i个光伏在时刻t的输出功率，CBESS表示5G储能的运行成本，
表示第i个5G储能在时刻t的劣化成本，Cgrid表示与主网功率交互成本，
表示在时刻t从主网购电的价格，
表示在时刻t向主网售电的价格，Pt def表示在时刻t微网的缺额功率，Pt sur表示在时刻t微网的过剩功率，Crev表示需求响应收益(即用户实施需求响应后支付的电费)，Prj表示在价格水平j上的需求响应电价，
表示在时刻t的未实施需求响应的理想负荷响应有功功率，αj,t表示价格水平j下是否响应的二进制变量，Lj表示价格水平j下的需求响应率。在本发明中的模型的目标是分别在悲观情况和乐观情况下使总运营成本最小化，求解该模型后，将x的结果保留作为第一阶段的优化策略，而变量y可以根据不确定性变量的实际情况在第二阶段优化调度中进行调整。此外，BESS的SoC上限值和下限值也由得到的不确定性的悲观情况和乐观情况与第一阶段决策x一起确定。在第二阶段，分布式可再生能源输出和负荷作为参数，采用确定性模型对第二阶段运行进行优化。
作为优选，所述步骤S2具体为：在价格型需求响应中，用户应根据自身价格-弹性负荷的特征，根据电价调整其负荷需求，负荷需求响应PLD随变化电价Pr的关系可表示为：
PLD＝KPr ε
其中，K为常数，ε为价格弹性系数，能通过历史数据获得；并采用逐步逼近的方法去实施价格型需求响应，设计了若干个价格水平，可由上式得到每个价格水平对应的理想负荷响应功率。在本发明中，需提前一天为微电网用户制定第二天的小时电价。
作为优选，实施需求响应后负荷的实际功耗和无功功耗可表示为：
其中，
表示未实施需求响应的理想负荷响应有功功率，
表示未实施需求响应的理想负荷响应无功功率，
表示实施需求响应后的实际负荷响应有功功率，
表示实施需求响应后的实际负荷响应无功功率，Crev表示需求响应收益，Pr0表示未实施需求响应的价格水平，αj,t表示价格水平j下是否响应的二进制变量，Lj表示价格水平j下的需求响应率。在本发明中，上述第四个式子保证每个小时只有一个PBDR价格水平是有效的，第五个式子确保实施需求响应后用户支付的电费不能超过原来的电费，最后一个式子表示实施需求响应后用户总的用电量不会降低。该约束模型适用于所有微网负荷，而不是单个负荷。此外，该模型还考虑了负荷的不确定性。
作为优选，所述5G基站储能约束模型如下：
其中，
表示第i个储能在时刻t的充电二进制决策变量，
表示第i个储能在时刻t的放电二进制决策变量，
表示第i个储能在时刻t的充电功率，
表示第i个储能在时刻t的放电功率，
表示第i个储能的最小充电功率，
表示第i个储能的最大充电功率，
表示第i个储能的最小放电功率，
表示第i个储能的最大放电功率，SoCmin表示SoC最小值，SoCmax表示SoC最大值，
表示第i个储能在时刻t优化的SoC下限值，
表示第i个储能在时刻t优化的SoC上限值，
表示第i个储能在时刻t的存储容量，
表示第i个储能在时刻t内部充放电功率，
表示第i个储能的容量，ηch表示储能的充电效率；ηdis表示储能的放电效率，
表示第i个储能的初始存储能量，
表示最后一个时间间隔的存储容量。在本发明中，第一个式子和第二个式子表明储能充放电功率限制在最小和最大功率范围内，第三个式子确保储能的充放电过程不能同时进行，第四个式子描述了考虑充放电效率的储能净充电功率，第五个式子表示充放电完成后的存储容量，第六个式子表示将储能每小时的SoC限制在优化的SoC限值内，此外，第七个式子表示将储能的SoC限制在在最大或最小SoC范围内，以防止过度充电/放电，最后一个式子表示确保储能在一个时间周期的始末存储容量相等。
作为优选，所述其他微网运行约束如下：
其中，Pi,t表示时刻t从节点i流向主干支路的有功功率，Qi,t表示时刻t从节点i流向主干支路的无功功率，P1,t表示从根节点流向主网的功率,
表示从节点i流向侧支路的有功功率，
表示从节点i流向侧支路的无功功率，Ri表示从节点i流出支路的线路电阻，Xi表示从节点i流出支路的线路电抗，Vi,t表示节点电压，V0表示变电站的参考电压，Vmin表示电压的最小限值，Vmax表示电压的最大限值，Si是表示支路视在功率。在本发明中，第一个式子到第三个式子给出线性化的配网潮流，其中没有考虑线路损耗，因为与目标函数中的其他成本项相比，它的影响较小，第四个式子表示微网与主网之间的交换功率，第五个式子保证节点电压在允许的范围内变化，最后一个式子表示对每条支路的潮流加以限制，所形成的可行域是实功率和无功功率的圆，可以用十二边形近似法将其线性化。
作为优选，所述求解目标函数包括以下：将模型简化划分为一个主问题和一个子问题，进行迭代求解，主问题表示为:
主问题的目标是通过同时优化x和y，最小化不确定性在悲观情况下的系统总运行成本,求解主问题时，不确定性为已知量，其悲观情况
从子问题中得到，主问题的解用
和
表示，并传递给子问题；
主问题表示为:
基于主问题得到的决策变量
和
子问题求解过程中将其当做定值，旨在从区间预测中寻找不确定性的乐观情况
和悲观情况
这两种情况对应当前决策
和
下的最大和最小运行成本，然后，固定
和
将
传递给下一次迭代的主问题；
对主问题和子问题进行迭代求解，直到在悲观情况下主问题和子问题之间的差距小于预先设定的终止阈值δ，下标k表示迭代次数，在k次迭代之后，最后的第一阶段决策
以及相应的乐观情况
和悲观情况
被用来确定SoC上限和下限。在本发明中，一般情况下，较小的δ会提高结果精度，但会增加求解时间；较大的δ会降低精度，但会减少求解时间，考虑到结果的准确性和计算速度，本文采用δ＝0.001。
作为优选，所述SoC上限和下限由以下模型确定：
在本发明中，SoC上限和下限通过一系列运算得到。
本发明的有益效果是：
1、考虑5G储能的SoC能量管理，提出了PBDR和BESS协调的微网两阶段运行方法，最小化系统运行成本；
2、构建了考虑5G储能退化成本的储能运行模型，并将其线性化，提高了计算效率；
3、针对不确定性条件下的优化协调问题，提出了两阶段区间优化方法并提出了响应的求解算法。
附图说明
图1是本发明的流程图。
具体实施方式
实施例：
本实施例提出一种考虑5G基站储能参与电网互动的需求响应优化方法，参考图1，主要包含有以下多个步骤，步骤S1，建立基于第一阶段日前阶段和第二阶段日内阶段的两阶段区间优化模型，并提出目标函数。
目标函数具体表示如下：
其中，
其中，前两个min表示通过分别优化x和y使总运营成本最小化，括号[]中的max和min表示不确定性变量实现的悲观情况和乐观情况，x表示第一阶段价格型需求响应的变量，y表示第二阶段调度优化变量，u表示不确定性变量，τ表示单位时间段长度，CWT表示风机的运行成本，
表示风机的单位运维成本，
表示第i个风机在时刻t的输出功率，CPV表示光伏的运行成本，
表示光伏的单位运维成本，
表示第i个光伏在时刻t的输出功率，CBESS表示5G储能的运行成本，
表示第i个5G储能在时刻t的劣化成本，Cgrid表示与主网功率交互成本，
表示在时刻t从主网购电的价格，
表示在时刻t向主网售电的价格，Pt def表示在时刻t微网的缺额功率，Pt sur表示在时刻t微网的过剩功率，Crev表示需求响应收益(即用户实施需求响应后支付的电费)，Prj表示在价格水平j上的需求响应电价，
表示在时刻t的未实施需求响应的理想负荷响应有功功率，αj,t表示价格水平j下是否响应的二进制变量，Lj表示价格水平j下的需求响应率。
此外，对于第一阶段日前计划模型，其利用日前市场电价、分布式可再生能源输出的24小时预测区间以及负荷需求，来确定第二天为微电网用户提供的小时级电价(价格型需求响应是通过电价来引导用户的负荷行为)，该小时级电价会提前一天发送给用户，让他们有足够的时间做出反应决定用能行为。换言之，用户的负荷将根据不同的小时电价进行转移，从而提高可再生能源的利用效率。需指出，实际可再生能源出力及负荷需求可以是预测区间中的任意值。此外，为了削减不确定性的影响并提高系统运行可靠性，小时级的SoC限值也将被优化，优化后的SoC限值可以保证在不确定性场景下，储能在此范围内调整功率。因此，第一阶段的优化变量包括价格型需求响应的电价和SoC限值。
第二阶段日内调度模型中，随着可再生能源出力和负荷需求的逐小时预测的准确性提高，储能的充放电功率在SoC限值内进行优化。与日前一次性进行24小时调度不同，日内阶段是一个滚动优化过程，在本文中滚动时间窗为4小时。在当前时刻使用不确定量的最新预测信息，进行接下来4个小时的优化，但是实际决策只执行第一个小时的优化结果，其余的部分将被丢弃，直到更新下一个时刻。因此，第二阶段的优化变量为储能的充放电功率。
上述的优化模型是在一般形式的基础上建立的，模型的一般形式具体为：
s.t.g(x,y,u)＝0,h(x,y,u)≤0
其中，F(x,y,u)表示目标函数，g(x,y,u)＝0和h(x,y,u)≤0分别表示相应的等式约束和不等式约束。
该型包括三类变量：模型包括三类变量：
1、x表示第一阶段价格型需求响应的变量，αj,t；
2、y表示第二阶段调度优化变量，包括
以及相关变量；
3、u表示不确定性变量，包括
和
对于模型的一般形式，前两个min表示通过分别优化x和y使总运营成本最小化，括号[]中的max和min表示不确定性变量实现的悲观情况和乐观情况。因此，该模型的目标是分别在悲观情况和乐观情况下使总运营成本最小化。求解该模型后，将x的结果保留作为第一阶段的优化策略，而变量y可以根据不确定性变量的实际情况在第二阶段优化调度中进行调整。此外，BESS的SoC上限值和下限值也由得到的不确定性的悲观情况和乐观情况与第一阶段决策x一起确定。在第二阶段，分布式可再生能源输出和负荷作为参数，采用确定性模型对第二阶段运行进行优化。
步骤S2，建立价格型需求响应约束；
具体的，提前一天为微电网用户制定第二天的小时电价。在价格型需求响应中，用户应根据自身价格-弹性负荷的特征，根据电价调整其负荷需求。负荷需求响应P LD随变化电价Pr的关系可表示为：
PLD＝KPr ε
其中，K为常数，ε为价格弹性系数，能通过历史数据获得；并采用逐步逼近的方法去实施价格型需求响应，设计了若干个价格水平可由上式得到每个价格水平对应的理想负荷响应功率。基于此，实施需求响应后负荷的实际功耗和无功功耗可表示为：
其中，
表示未实施需求响应的理想负荷响应有功功率，
表示未实施需求响应的理想负荷响应无功功率，
表示实施需求响应后的实际负荷响应有功功率，
表示实施需求响应后的实际负荷响应无功功率，Crev表示需求响应收益，Pr0表示未实施需求响应的价格水平，αj,t表示价格水平j下是否响应的二进制变量，Lj表示价格水平j下的需求响应率。
此外，
表示不确定性变量。上述第四个式子保证每个小时只有一个PBDR价格水平是有效的，第五个式子确保实施需求响应后用户支付的电费不能超过原来的电费，最后一个式子表示实施需求响应后用户总的用电量不会降低。该约束模型适用于所有微网负荷，而不是单个负荷。此外，该模型还考虑了负荷的不确定性。
步骤S3，建立5G基站储能约束；
具体的，在此步骤中，随着储能技术的广泛应用，电池退化对储能经济调度的影响不可忽视。评估储能电池状态通常使用两个技术术语：储能状态SoC和放电深度DoD。定义SoC为电池剩余能量与满容量的比值，而DoD是指充放电能量与电池容量的比值。因此，如果在τ时间间隔内储能以功率
进行充放电，则在此时间间隔内的DoD表示为：
其中，
表示第i个储能在时刻t内部充放电功率，
表示第i个储能的容量。
储能循环生命周期与DoD之间的关系可表示为:
L(DoD)＝A·DoD-B·e -CDoD,A,B,C＞0
其中，L(DoD)为DoD的函数用来计算BESS循环生命周期，A、B、C为函数系数，通过调整系数A、B和C，该模型可适用于不同类型的电池，如镍镉电池、锂离子电池和铅酸电池。
虽然其他因素也会影响储能的寿命，但本文将DoD作为BESS寿命退化的主要决定因素。因此，储能的劣化成本关于DoD的函数可以表示为:
其中，Cdeg(DoD)是关于DoD的函数，用来计算储能的劣化成本；
表示第i个储能的替换成本；ηch表示储能的充电效率；ηdis表示储能的放电效率。上式为非线性方程，可以用分段线性近似法将其线性化。值得注意的是，频繁的充放电可能会导致电池容量衰减，但在短时间内这种影响较小。因此，本文假设电池容量不随时间改变，但实际上电池容量定期更新。
接着给出BESS运行模型，该模型考虑了相邻时间间隔内连续充放电对电池成本的影响。在这个模型中，一个充电/放电事件被计数一次，直到BESS改变运行状态(从放电到充电或反之亦然)，因此，需要计算相邻两个时间间隔间连续充放电的DoD值；
5G基站储能约束模型如下：
其中，
表示第i个储能在时刻t的充电二进制决策变量，
表示第i个储能在时刻t的放电二进制决策变量，
表示第i个储能在时刻t的充电功率，
表示第i个储能在时刻t的放电功率，
表示第i个储能的最小充电功率，
表示第i个储能的最大充电功率，
表示第i个储能的最小放电功率，
表示第i个储能的最大放电功率，SoCmin表示SoC最小值，SoCmax表示SoC最大值，
表示第i个储能在时刻t优化的SoC下限值，
表示第i个储能在时刻t优化的SoC上限值，
表示第i个储能在时刻t的存储容量，
表示第i个储能在时刻t内部充放电功率，
表示第i个储能的容量，ηch表示储能的充电效率；ηdis表示储能的放电效率，
表示第i个储能的初始存储能量，
表示最后一个时间间隔的存储容量。在本发明中，第一个式子和第二个式子表明储能充放电功率限制在最小和最大功率范围内，第三个式子确保储能的充放电过程不能同时进行，第四个式子描述了考虑充放电效率的储能净充电功率，第五个式子表示充放电完成后的存储容量，第六个式子表示将储能每小时的SoC限制在优化的SoC限值内，此外，第七个式子表示将储能的SoC限制在在最大或最小SoC范围内，以防止过度充电/放电，最后一个式子表示确保储能在一个时间周期的始末存储容量相等。
考虑相邻两个时间间隔储能的运行状态可能发生变化，使用二进制变量bi,t表示BESS运行状态是否发生变化，表示如下:
当BESS在两个相邻的时间间隔运行状态相同，即继续充放电时，上式等于1。注意，上式包含两个二进制变量相乘，通过引入两个额外的二进制变量
和
进行线性化，分别为:
上式描述了若储能在两个相邻的时间间隔内继续充放电，则充放电能量累计计算。但上式是非线性的。通过引入一个新变量
可以将上式线性化如下:
其中，L和U为
的下界和上界，可由
计算得到；
因此，BESS累计的劣化成本可表示为：
此处，举个例子解释上式，假设在t1之前没有储能不充电也不放电。如果BESS在t1中放电20％DoD，然后在t2中继续放电30％DoD，即
和
因此，在t1和t2的实际劣化成本分别为Cdeg(0.2)和Cdeg(0.5)-Cdeg(0.2)。由于Cdeg(DoD)的原始表达式是非线性的，Cdeg(0.5)-Cdeg(0.2)实际上大于Cdeg(0.3)。
步骤S4，建立其他微网运行约束；其他微网运行约束如下：
其中，Pi,t表示时刻t从节点i流向主干支路的有功功率，Qi,t表示时刻t从节点i流向主干支路的无功功率，P1,t表示从根节点流向主网的功率,
表示从节点i流向侧支路的有功功率，
表示从节点i流向侧支路的无功功率，Ri表示从节点i流出支路的线路电阻，Xi表示从节点i流出支路的线路电抗，Vi,t表示节点电压，V0表示变电站的参考电压，Vmin表示电压的最小限值，Vmax表示电压的最大限值，Si是表示支路视在功率。在本发明中，第一个式子到第三个式子给出线性化的配网潮流，其中没有考虑线路损耗，因为与目标函数中的其他成本项相比，它的影响较小，第四个式子表示微网与主网之间的交换功率，第五个式子保证节点电压在允许的范围内变化，最后一个式子表示对每条支路的潮流加以限制，所形成的可行域是实功率和无功功率的圆，可以用十二边形近似法将其线性化。
步骤S5，求解目标函数；主要将模型简化划分为一个主问题和一个子问题，进行迭代求解，主问题表示为:
主问题的目标是通过同时优化x和y，最小化不确定性在悲观情况下的系统总运行成本,求解主问题时，不确定性为已知量，其悲观情况
从子问题中得到，主问题的解用
和
表示，并传递给子问题；
主问题表示为:
基于主问题得到的决策变量
和
子问题求解过程中将其当做定值，旨在从区间预测中寻找不确定性的乐观情况
和悲观情况
这两种情况对应当前决策
和
下的最大和最小运行成本，然后，固定
和
将
传递给下一次迭代的主问题。
对主问题和子问题进行迭代求解，直到在悲观情况下主问题和子问题之间的差距小于预先设定的终止阈值δ。一般情况下，较小的δ会提高结果精度，但会增加求解时间；较大的δ会降低精度，但会减少求解时间。
考虑到结果的准确性和计算速度，本文采用δ＝0.001。在本文模型中，下标k表示迭代次数。在k次迭代之后，最后的第一阶段决策
以及相应的乐观情况
和悲观情况
被用来确定SoC上限和下限。
然后，下一步确定储能的SoC限值。当可再生能源出力最小，负荷最大时，约束可能会发生越限。在这种极端情况下，
用来提高运行可靠性。有了第一阶段的决策结果，下面的模型被用来求解第二阶段的决策，包括在这个极端情况下储能放电功率
表示如下：
为了在确定SoC极限时考虑这一极端条件，解决思路是如果在极端情况下的放电要求能够满足，那么在其他可能情况下的运行约束也应该得到满足。因此，如果在这种极端情况下需要放电，两个相邻的SoC下限值之间的差值应该足够大，以便储能放电。因此，添加以下约束：
其中，φ是上下限间隔系数，它表示最小预留的充电或放电容量，即SoC上限和下限之间的最小距离。较大的φ代表为储能预留更大的容量可以灵活调整输出功率，但会增加BESS的运行成本。
最后，SoC上限和下限可由以下模型确定:
本发明中，基于PBDR和BESS协调优化，第一阶段属于日前阶段，确定PBDR最优计划，及BESS每小时的最优SoC限值，在第一阶段，调度的时间尺度是24小时，时间步长为1小时。第二阶段属于日内阶段，在SoC最优限值内调度储能计划，以准确追踪不确定性并补偿第一阶段的决策偏差，在满足运行约束的前提下，使微电网的总运行成本最小化。本发明的协调优化方法的目的是在风电、光伏和负荷的不确定性下，使运行成本最小化，提高运行可靠性。
在第一阶段即日前阶段，优化变量包括价格型需求响应方案和5G基站储能SoC限值。在第二阶段即日内阶段，优化储能的每小时充放电功率，保证其在日前优化SoC限值内进行调度，以跟踪不确定性并补偿第一阶段的调度决策。在此基础上，建立了考虑相邻时间间隔内连续充放电对电池劣化成本影响的储能运行模型，并将其线性化。除此外，建立了一个求解两阶段区间优化模型的求解算法，所提出的协调方法能够在不确定性条件下最小化微电网的总运行成本，提高微电网的运行可靠性。
本发明提出的价格型需求响应和5G基站的电池储能系统的两阶段协调优化方法，以最小化总运行成本为目标，提高运行可靠性。在第一阶段优化日前的PBDR方案，通过负荷转移提高可再生能源利用效率。在日内调度5G基站的电池储能系统时，需要考虑到不确定变量(可再生能源及负荷)偏差，因此，日前阶段需优化储能每小时荷电状态(SoC)限值。在第二阶段，BESS的调度决策在日前优化的SoC限值内进行，以跟踪不确定性并补偿第一阶段的PBDR决策偏差。
由于以上实施方式均是在其他方式之上引用结合进行说明，不同实施例之间均具有相同的部分，本说明书中各个实施例之间相同、相似的部分互相参见即可。在此不再详细阐述。
需要说明的是，在本说明书中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或暗示这些实体或操作之间存在任何这种实际的关系或顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的电路结构、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种电路结构、物品或者设备所固有的要素。在没有更多限制的情况下，有语句“包括一个......”限定的要素，并不排除在包括所述要素的电路结构、物品或者设备中还存在另外的相同要素。
本领域技术人员在考虑说明书及实践这里发明的公开后，将容易想到本申请的其他实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由权利要求的内容指出。以上所述的本申请实施方式并不构成对本申请保护范围的限定。
Claims (8)
1.一种考虑5G基站储能参与电网互动的需求响应优化方法，其特征在于，包括以下步骤：
S1，建立基于第一阶段日前阶段和第二阶段日内阶段的两阶段区间优化模型，并提出目标函数；
S2，建立价格型需求响应约束；
S3，建立5G基站储能约束；
S4，建立其他微网运行约束；
S5，求解目标函数。
2.根据权利要求1所述的一种考虑5G基站储能参与电网互动的需求响应优化方法，其特征在于，所述目标函数表示为：
其中，
其中，前两个min表示通过分别优化x和y使总运营成本最小化，括号[]中的max和min表示不确定性变量实现的悲观情况和乐观情况，x表示第一阶段价格型需求响应的变量，y表示第二阶段调度优化变量，u表示不确定性变量，τ表示单位时间段长度，CWT表示风机的运行成本，
表示风机的单位运维成本，
表示第i个风机在时刻t的输出功率，CPV表示光伏的运行成本，
表示光伏的单位运维成本，
表示第i个光伏在时刻t的输出功率，CBESS表示5G储能的运行成本，
表示第i个5G储能在时刻t的劣化成本，Cgrid表示与主网功率交互成本，
表示在时刻t从主网购电的价格，
表示在时刻t向主网售电的价格，Pt def表示在时刻t微网的缺额功率，Pt sur表示在时刻t微网的过剩功率，Crev表示需求响应收益(即用户实施需求响应后支付的电费)，Prj表示在价格水平j上的需求响应电价，
表示在时刻t的未实施需求响应的理想负荷响应有功功率，αj,t表示价格水平j下是否响应的二进制变量，Lj表示价格水平j下的需求响应率。
3.根据权利要求1或2所述的一种考虑5G基站储能参与电网互动的需求响应优化方法，其特征在于，所述步骤S2具体为：在价格型需求响应中，用户应根据自身价格-弹性负荷的特征，根据电价调整其负荷需求，负荷需求响应PLD随变化电价Pr的关系可表示为：
PLD＝KPrε
其中，K为常数，ε为价格弹性系数，能通过历史数据获得；并采用逐步逼近的方法去实施价格型需求响应，设计了若干个价格水平，可由上式得到每个价格水平对应的理想负荷响应功率。
4.根据权利要求3所述的一种考虑5G基站储能参与电网互动的需求响应优化方法，其特征在于，实施需求响应后负荷的实际功耗和无功功耗可表示为：
其中，
表示未实施需求响应的理想负荷响应有功功率，
表示未实施需求响应的理想负荷响应无功功率，
表示实施需求响应后的实际负荷响应有功功率，
表示实施需求响应后的实际负荷响应无功功率，Crev表示需求响应收益，Pr0表示未实施需求响应的价格水平，αj,t表示价格水平j下是否响应的二进制变量，Lj表示价格水平j下的需求响应率。
5.根据权利要求1所述的一种考虑5G基站储能参与电网互动的需求响应优化方法，其特征在于，所述5G基站储能约束模型如下：
其中，
表示第i个储能在时刻t的充电二进制决策变量，
表示第i个储能在时刻t的放电二进制决策变量，
表示第i个储能在时刻t的充电功率，
表示第i个储能在时刻t的放电功率，
表示第i个储能的最小充电功率，
表示第i个储能的最大充电功率，
表示第i个储能的最小放电功率，
表示第i个储能的最大放电功率，SoCmin表示SoC最小值，SoCmax表示SoC最大值，
表示第i个储能在时刻t优化的SoC下限值，
表示第i个储能在时刻t优化的SoC上限值，
表示第i个储能在时刻t的存储容量，
表示第i个储能在时刻t内部充放电功率，
表示第i个储能的容量，ηch表示储能的充电效率；ηdis表示储能的放电效率，
表示第i个储能的初始存储能量，
表示最后一个时间间隔的存储容量。
6.根据权利要求1所述的一种考虑5G基站储能参与电网互动的需求响应优化方法，其特征在于，所述其他微网运行约束如下：
其中，Pi,t表示时刻t从节点i流向主干支路的有功功率，Qi,t表示时刻t从节点i流向主干支路的无功功率，P1,t表示从根节点流向主网的功率,
表示从节点i流向侧支路的有功功率，
表示从节点i流向侧支路的无功功率，Ri表示从节点i流出支路的线路电阻，Xi表示从节点i流出支路的线路电抗，Vi,t表示节点电压，V0表示变电站的参考电压，Vmin表示电压的最小限值，Vmax表示电压的最大限值，Si是表示支路视在功率。
7.根据权利要求1所述的一种考虑5G基站储能参与电网互动的需求响应优化方法，其特征在于，所述求解目标函数包括以下：将模型简化划分为一个主问题和一个子问题，进行迭代求解，主问题表示为:
主问题的目标是通过同时优化x和y，最小化不确定性在悲观情况下的系统总运行成本,求解主问题时，不确定性为已知量，其悲观情况
从子问题中得到，主问题的解用
和
表示，并传递给子问题；
主问题表示为:
Optimistic:
Pessimistic:
基于主问题得到的决策变量
和
子问题求解过程中将其当做定值，旨在从区间预测中寻找不确定性的乐观情况
和悲观情况
这两种情况对应当前决策
和
下的最大和最小运行成本，然后，固定
和
将
传递给下一次迭代的主问题；
对主问题和子问题进行迭代求解，直到在悲观情况下主问题和子问题之间的差距小于预先设定的终止阈值δ，下标k表示迭代次数，在k次迭代之后，最后的第一阶段决策
以及相应的乐观情况
和悲观情况
被用来确定SoC上限和下限。
8.根据权利要求7所述的一种考虑5G基站储能参与电网互动的需求响应优化方法，其特征在于，所述SoC上限和下限由以下模型确定：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210233475.XA CN114912735A (zh) | 2022-03-10 | 2022-03-10 | 一种考虑5g基站储能参与电网互动的需求响应优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210233475.XA CN114912735A (zh) | 2022-03-10 | 2022-03-10 | 一种考虑5g基站储能参与电网互动的需求响应优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114912735A true CN114912735A (zh) | 2022-08-16 |
Family
ID=82763444
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210233475.XA Pending CN114912735A (zh) | 2022-03-10 | 2022-03-10 | 一种考虑5g基站储能参与电网互动的需求响应优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114912735A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117424294A (zh) * | 2023-12-18 | 2024-01-19 | 国网辽宁省电力有限公司经济技术研究院 | 一种配电网高效无功规划方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113162083A (zh) * | 2021-03-03 | 2021-07-23 | 东南大学 | 一种考虑储能系统运行状态的两阶段协调优化方法 |
-
2022
- 2022-03-10 CN CN202210233475.XA patent/CN114912735A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113162083A (zh) * | 2021-03-03 | 2021-07-23 | 东南大学 | 一种考虑储能系统运行状态的两阶段协调优化方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117424294A (zh) * | 2023-12-18 | 2024-01-19 | 国网辽宁省电力有限公司经济技术研究院 | 一种配电网高效无功规划方法及系统 |
| CN117424294B (zh) * | 2023-12-18 | 2024-03-01 | 国网辽宁省电力有限公司经济技术研究院 | 一种配电网高效无功规划方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110119886B (zh) | 一种主动配网动态规划方法 | |
| CN107069776B (zh) | 一种平滑微网联络线功率的储能前瞻分布式控制方法 | |
| CN111525627B (zh) | 含抽蓄与新能源发电的柔性直流输电系统日前调度方法 | |
| CN107370170A (zh) | 一种考虑容量电价和负荷预测误差的储能系统容量配置方法 | |
| CN111969593A (zh) | 基于混合储能的热电联供微网模型预测控制优化调度方法 | |
| CN113859018B (zh) | 大规模电动汽车群的分级充放电优化控制方法 | |
| CN108512238B (zh) | 基于需求侧响应的智能家居两阶段优化调度方法 | |
| Dong et al. | Optimal scheduling framework of electricity-gas-heat integrated energy system based on asynchronous advantage actor-critic algorithm | |
| CN111224418B (zh) | 一种基于电动汽车储能的微电网调度方法及系统 | |
| CN114912735A (zh) | 一种考虑5g基站储能参与电网互动的需求响应优化方法 | |
| CN109149658B (zh) | 基于一致性理论的独立微电网分布式动态经济调度方法 | |
| CN117559563B (zh) | 一种风光储充一体化微网运行方案的优化方法及系统 | |
| CN114462854A (zh) | 含新能源和电动汽车并网的分层调度方法及其系统 | |
| Bagheri et al. | A Decentralized Energy Management Method for Load Curve Smoothing Considering Demand and Profit of Electric Vehicle Owners with Different Capacity of Batteries | |
| CN110992206B (zh) | 一种多源电场的优化调度方法及系统 | |
| Chandio et al. | Gridpeaks: Employing distributed energy storage for grid peak reduction | |
| CN116402307A (zh) | 考虑可调度柔性资源运行特性的电网规划容量分析方法 | |
| Schirmer et al. | Reducing grid distortions utilizing energy demand prediction and local storages | |
| Zhang et al. | Multi-objective optimal scheduling strategy of microgrid based on v2g technology | |
| CN116054286A (zh) | 一种考虑多元弹性资源的居民台区容量优化配置方法 | |
| CN110137957A (zh) | 一种基于直流配电中心的柔性互联配电网削峰填谷方法 | |
| CN115375032A (zh) | 一种含分布式储能的区域电网多时间尺度优化调度方法 | |
| CN111079966B (zh) | 一种广义负荷空间预测方法和系统 | |
| ELamin et al. | Enhancing energy trading between different islanded microgrids a reinforcement learning algorithm case study in northern kordofan state | |
| Tian et al. | Analysis method of the influence of electric bus optimal charging on the renewable energy power consumption |
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 |