CN115051415B - 基于ai预测的光储直柔系统配电策略决策方法及装置 - Google Patents
基于ai预测的光储直柔系统配电策略决策方法及装置 Download PDFInfo
- Publication number
- CN115051415B CN115051415B CN202210975967.6A CN202210975967A CN115051415B CN 115051415 B CN115051415 B CN 115051415B CN 202210975967 A CN202210975967 A CN 202210975967A CN 115051415 B CN115051415 B CN 115051415B
- Authority
- CN
- China
- Prior art keywords
- power
- photovoltaic
- battery
- consumption
- storage
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000010248 power generation Methods 0.000 claims abstract description 94
- 238000005457 optimization Methods 0.000 claims abstract description 61
- 238000005265 energy consumption Methods 0.000 claims abstract description 49
- 230000003287 optical effect Effects 0.000 claims abstract description 15
- 230000005611 electricity Effects 0.000 claims description 100
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 24
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 12
- 239000001569 carbon dioxide Substances 0.000 claims description 12
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 11
- 229910052799 carbon Inorganic materials 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 5
- 239000002245 particle Substances 0.000 claims description 4
- 238000004146 energy storage Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- ZAKOWWREFLAJOT-CEFNRUSXSA-N D-alpha-tocopherylacetate Chemical compound CC(=O)OC1=C(C)C(C)=C2O[C@@](CCC[C@H](C)CCC[C@H](C)CCCC(C)C)(C)CCC2=C1C ZAKOWWREFLAJOT-CEFNRUSXSA-N 0.000 description 1
- 102100035846 Pigment epithelium-derived factor Human genes 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 108090000102 pigment epithelium-derived factor Proteins 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
Images
Classifications
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请涉及一种基于AI预测的光储直柔系统配电策略决策方法及装置,属于分布式可再生能源电力系统技术领域,其包括:获取当前时刻之前的各个历史时刻的系统环境参数;使用系统环境参数确定以当前时刻为起始时刻的预设时长内,各个预测时刻的第一发电数据和第一能耗数据;基于第一发电数据和第一能耗数据,使用离散化多目标优化算法以预设目标最低为优化目标,确定当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,以对当前时刻的光储直柔系统的光伏发电量、电池容量和用电来源进行分配;可以解决现有的光储直柔系统的配电策略不够灵活的问题;可以计算出满足预设目标最低要求的配电最优方式,可以提高配电策略的灵活性。
Description
技术领域
本申请涉及一种基于AI预测的光储直柔系统配电策略决策方法及装置,属于分布式可再生能源电力系统技术领域。
背景技术
光储直柔(PEDF)是应用太阳能光伏(Photovoltaic)、储能(Energy storage)、直流配电(Direct current)和柔性交互(Flexibility)四项技术的简称。一种典型的光储直柔配电系统中,“光”一般指建筑屋顶光伏发电,通过DC/DC(直流到直流的变流器)接入直流母线(如375V的直流母线)。
“储”则是指由直流母线通过DC/DC连接的、布置于一处或多处的蓄电池组,该蓄电池组可以是单独的储能蓄电池,或者也可以是安装在一些设备中为该设备供电的蓄电池(如安装在电动车中的电池包等),以为蓄电池充/放电。
“直”是指实现直流供电,直流供电可以包括动力和充电设备的375V直流,以及通过DC/DC变换得到的供小功率电器使用的48V直流分支。375V直流母线通过AC/DC(交流到直流变流器)与交流380V的电网连接,从电网输入电量以满足建筑的用电需求。
“柔”是指这一系统对电网来说,不是供电量必须等于此时负载侧消耗电量的刚性负载,而是从电网的取电量可以根据电网的供需关系在较大范围内调节。从电网侧看,这一用电系统成为电网的柔性负载。
目前,光储直柔系统的配电策略比较单一,主要为:通过光伏系统优先发电自用,然后储能系统放电,最后通过电网供能。
但是,单一的配电策略可能无法适应灵活变化的用电环境,从而导致配电策略不够灵活、收益不能最大化的问题。
发明内容
本申请提供了一种基于AI预测的光储直柔系统配电策略决策方法及装置,可以解决现有的光储直柔系统的配电策略不够灵活、以及收益不能最大化的问题,本申请基于发电AI预测和能耗AI预测,提出了一种光储直柔系统配电策略决策方法,以达到低碳和/或低资源消耗的建筑运行目标。本申请提供如下技术方案:
提供一种基于AI预测的光储直柔系统配电策略决策方法,所述方法包括:
获取当前时刻之前的各个历史时刻的系统环境参数;
使用所述系统环境参数,确定以当前时刻为起始时刻的预设时长内,各个预测时刻的第一发电数据和第一能耗数据;
基于所述第一发电数据和第一能耗数据,使用离散化多目标优化算法以预设目标最低为优化目标,确定所述当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,以对当前时刻的所述光储直柔系统的光伏发电量、电池容量和用电来源进行分配。
可选地,所述第一发电数据包括各个预测时刻的光伏发电量、以及光伏配电时能够获取的第一资源;
所述使用离散化多目标优化算法以预设目标最低为优化目标,确定所述当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,包括:
获取所述光储直柔系统中蓄电池的电池总容量、以及所述蓄电池在上一时刻的电池储电量;
基于所述电池总容量、所述上一时刻的电池储电量、和所述光伏发电量构建决策变量,各决策变量及其边界条件构成决策空间;
使用所述决策空间和所述多目标优化算法以预设目标最低为优化目标,确定所述当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解;
其中,所述多目标优化算法所解决的多目标优化问题的决策空间包括:
当前时刻的光伏储电量大于或等于0、且小于或等于所述电池总容量与所述电池储电量之差;以及
当前时刻的光伏自用电量大于或等于0、且小于或等于所述光伏发电量;以及
当前时刻的电池用电量大于或等于0、且所述或等于所述电池储电量。
可选地,所述预设目标包括所述预设时长内的总资源消耗最低;所述第一发电数据包括各个预测时刻的光伏发电量、以及光伏配电时能够获取的第一资源;所述第一能耗数据包括各个预测时刻的建筑用电量、以及使用电网的电能时消耗的第二资源;
所述使用离散化多目标优化算法以预设目标最低为优化目标,确定所述当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,包括:
对于每个预测时刻,计算所述预测时刻对应的电网用电量和电网储电量之和与所述预测时刻对应的第二资源的乘积,确定将各个预测时刻对应的乘积之和,得到第二资源总量;所述建筑用电量为所述电网用电量、光伏自用电量和电池用电量之和;所述光伏发电量为所述光伏自用电量、所述光伏储电量、和光伏上网电量之和;
计算所述预测时刻对应的光伏上网电量与所述第一资源的乘积,确定各个预测时刻对应的乘积之和,得到第一资源总量;
使用预设的约束函数确定使得所述第二资源总量与所述第一资源总量之差最小时,所述光伏储电量、所述光伏自用电量和所述电池用电量的最优解。
可选地,所述预设目标包括所述预设时长内的建筑用电导致的二氧化碳排放量最低;所述第一发电数据包括各个预测时刻的光伏发电量、以及配电时能够获取的第一资源;所述第一能耗数据包括各个预测时刻的建筑用电量、以及使用电网的电能时消耗的第二资源;
所述使用离散化多目标优化算法以预设目标最低为优化目标,确定所述当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,包括:
获取当前所在地区的电网碳排放因子;
对于每个预测时刻,计算所述预测时刻对应的电网用电量和电网储电量之和与所述电网碳排放因子的乘积,确定各个预测时刻对应的乘积之和,得到所述二氧化碳排放量;所述建筑用电量为所述电网用电量、光伏自用电量和电池用电量之和;所述光伏发电量为所述光伏自用电量、所述光伏储电量、和光伏上网电量之和;
使用预设的约束函数确定使得所述二氧化碳排放量最小时,所述光伏储电量、所述光伏自用电量和所述电池用电量的最优解。
可选地,所述约束函数包括:
当前时刻的光伏发电量等于当前时刻的光伏储电量、光伏自用电量和光伏上网电量之和;以及,
当前时刻的建筑用电量等于当前时刻的光伏自用电量、电网用电量和电池用电量之和;以及,
当前时刻的电池储电量等于上一时刻的电池储电量、当前时刻的电网储电量、和当前时刻的光伏储电量之和减去当前时刻的电池用电量;以及,
所述当前时刻的电池储电量大于或等于0、且小于或等于所述光储直柔系统中蓄电池的电池总容量;以及,
当前时刻的光伏上网电量大于或等于0;以及,当前时刻的电网用电量大于或等于0;以及,
当前时刻的电网储电量大于或等于0。
可选地,所述多目标优化算法包括多目标粒子群优化算法,或者SPEA-II算法。
可选地,所述使用所述系统环境参数,确定以当前时刻为起始时刻的预设时长内,各个预测时刻的第一发电数据和第一能耗数据,包括:
将所述系统环境参数输入预先训练的预测模型,得到所述第一发电数据和所述第一能耗数据;其中,所述预测模型是使用训练数据对预先创建的神经网络模型进行训练得到的建立,所述训练数据包括样本系统环境参数,以及所述样本系统环境参数对应的第二发电数据和第二能耗数据。
可选地,所述使用所述系统环境参数,确定以当前时刻为起始时刻的预设时长内,各个预测时刻的第一发电数据和第一能耗数据之前,还包括:
获取当前设备的算力能力;
基于所述算力能力确定所述预设时长的取值和相邻两个时刻之间的时间间隔。
可选地,所述对当前时刻的所述光储直柔系统的光伏发电量、电池容量和用电来源进行分配,包括:
按照所述光伏储电量进行光伏储电;
按照所述光伏自用电量分配光伏自用的电量;
基于当前时刻的实际光伏发电量、所述光伏储电量和所述光伏自用电量确定实际光伏上网电量,按照所述实际光伏上网电量分配光伏上网的电量;
按照所述电池用电量为蓄电池分配放电量;
基于当前时刻的实际建筑用电量、所述电池用电量和所述光伏自用电量确定实际电网用电量,按照所述实际电网用电量分配使用电网的电量。
另一方面,提供一种基于AI预测的光储直柔系统配电策略决策装置,所述装置包括:
数据获取模块,用于获取当前时刻之前的各个历史时刻的系统环境参数;
数据预测模块,用于使用所述系统环境参数,确定以当前时刻为起始时刻的预设时长内,各个预测时刻的第一发电数据和第一能耗数据;
配电决策模块,用于基于所述第一发电数据和第一能耗数据,使用离散化多目标优化算法以预设目标最低为优化目标,确定所述当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,以对当前时刻的所述光储直柔系统的光伏发电量、电池容量和用电来源进行分配。
本申请的有益效果至少包括:通过获取当前时刻之前的各个历史时刻的系统环境参数;使用系统环境参数,确定以当前时刻为起始时刻的预设时长内,各个预测时刻的第一发电数据和第一能耗数据;基于第一发电数据和第一能耗数据,使用离散化多目标优化算法以预设目标最低为优化目标,确定当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,以对当前时刻的光储直柔系统的光伏发电量、电池容量和用电来源进行分配;可以解决现有的光储直柔系统的配电策略不够灵活的问题;由于可以预测出当前时刻及未来时刻的第一发电数据和第一能耗数据,通过该第一发电数据和第一能耗数据可以计算出满足预设目标最低要求的配电最优方式,可以提高配电策略的灵活性。
另外,通过以低碳和低资源消耗作为预设目标,可以保证光伏直柔系统能够以环保、资源消耗最低的配电方式运行,可以降低碳排放,并实现收益最大化。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
图1是本申请一个实施例提供的基于AI预测的光储直柔系统配电策略决策方法的流程图;
图2是本申请一个实施例提供的多目标粒子群优化算法的流程图;
图3是本申请一个实施例提供的SPEA-II算法的流程图;
图4是本申请一个实施例提供的基于AI预测的光储直柔系统配电策略决策装置的框图。
具体实施方式
下面结合附图和实施例,对本申请的具体实施方式做进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
图1是本申请一个实施例提供的基于AI预测的光储直柔系统配电策略决策方法的流程图。该方法至少包括以下几个步骤:
步骤101,获取当前时刻之前的各个历史时刻的系统环境参数。
系统环境参数用于指示每个历史时刻配电时的环境情况,可选地,系统环境参数包括但不限于:历史时间、太阳辐射量、和云量、室外温度、室外湿度、历史用电数据。在其它实施例中,系统环境参数还可以包括光伏的安装参数、建筑所在地理位置、建筑类型、建筑面积、窗墙比,比如:安装角度、光伏电池容量等,本实施例不对系统环境参数的参数内容作限定。
步骤102,使用系统环境参数,确定以当前时刻为起始时刻的预设时长内,各个预测时刻的第一发电数据和第一能耗数据。
其中,第一发电数据和第一能耗数据是估计值。换言之,第一发电数据并不是光伏真正发电后产生的数据、第二能耗数据也不是光储直柔系统用电后产生的数据,而是估计出来的数据。
可选地,使用系统环境参数,确定以当前时刻为起始时刻的预设时长内,各个预测时刻的第一发电数据和第一能耗数据,包括:
将系统环境参数输入预先训练的预测模型,得到第一发电数据和第一能耗数据;其中,预测模型是使用训练数据对预先创建的神经网络模型进行训练得到的建立,训练数据包括样本系统环境参数,以及样本系统环境参数对应的第二发电数据和第二能耗数据。
其中,历史时刻的数量为至少一百个。
第二发电数据与第一发电数据的数据类型相同、第二能耗数据与第一能耗数据的数据类型相同,但是第二发电数据是在真实的系统环境参数下,光储直柔系统发电后真正产生的数据,第二耗能数据是光储直柔系统用电后真正产生的数据。
在一个示例中,第二发电数据和第一发电数据均包括光伏发电量、以及光储直柔系统供电时能够获取的第一资源;第二能耗数据和第一能耗数据均包括建筑用电量、以及光储直柔系统用电时需要消耗的第二资源。
本申请中,资源是指能够兑换每单位的电能的介质,该资源可以是实体资源或者是虚拟资源,本实施例不对资源的实现方式作限定。
具体地,光储直柔系统中设置有电能统计元件,通过该电能统计元件可以获取实际光伏发电量和实际建筑用电量。另外,光储直柔系统配电时设置的第一资源存储在光储直柔系统中,用电时消耗的第二资源可以从外网获取。或者,第一资源和第二资源也可以由用户设置,本实施例不对第一资源和第二资源的获取方式作限定。
可选地,神经网络模型可以是卷积神经网络、全连接神经网络等,本实施例不对神经网络模型的网络结构作限定。
可选地,使用第二发电数据和第二能耗数据,确定当前时刻之后的预设时长内,各个预测时刻的第一发电数据和第一能耗数据之前,还包括:获取当前设备的算力能力;基于算力能力确定预设时长的取值和相邻两个时刻之间的时间间隔。
具体地,算力能力与预设时长的取值呈正相关关系、算力能力与相邻两个时刻之间的时间间隔呈负相关关系。
其中,算力能力预存在当前设备中,该算力能力可以基于当前设备的处理器型号、和/或存储空间等确定,或者也可以是用户输入的值,本实施例不对算力能力的获取方式作限定。
步骤103,基于第一发电数据和第一能耗数据,使用离散化多目标优化算法以预设目标最低为优化目标,确定当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,以对当前时刻的光储直柔系统的光伏发电量、电池容量和用电来源进行分配。
具体地,使用离散化多目标优化算法以预设目标最低为优化目标,确定当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,包括:
获取光储直柔系统中蓄电池的电池总容量、以及蓄电池在上一时刻的电池储电量;
基于电池总容量、上一时刻的电池储电量、和光伏发电量构建决策变量,各决策变量及其边界条件构成决策空间;
使用决策空间、和离散化多目标优化算法以预设目标最低为优化目标,确定当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解;
其中,决策空间中的决策变量包括:当前时刻的光伏储电量、当前时刻的光伏自用电量和当前时刻的电池用电量。
多目标优化算法所解决的多目标优化问题的决策空间,包括:
当前时刻的光伏储电量大于或等于0、且小于或等于电池总容量与电池储电量之差;以及
当前时刻的光伏自用电量大于或等于0、且小于或等于光伏发电量;以及
当前时刻的电池用电量大于或等于0、且或等于电池储电量。
具体地,多目标优化问题的决策空间可以通过下式表示:
0≤Epv_bat(t)≤Qbat_total-Qbat(t-1);
0≤Epv_con(t)≤Epv(t);
0≤Ebat_con(t)≤Qbat(t-1)。
其中,Epv_bat(t)表示当前时刻的光伏储电量,Qbat_total表示电池总容量,Qbat(t-1)表示上一时刻的电池储电量,Epv_con(t)表示当前时刻的光伏自用电量、Epv(t)表示当前时刻的光伏发电量,Ebat_con(t)表示当前时刻的电池用电量。
本实施例中,以预设目标包括预设时长内的总资源消耗最低、以及预设时长内的建筑用电导致的二氧化碳排放量最低为例。在其它实施例中,也可以以其中一者作为预设目标,本实施例不对预设目标的设置方式作限定。
第一发电数据包括各个预测时刻的光伏发电量、以及配电时能够获取的第一资源;第一能耗数据包括各个预测时刻的建筑用电量、以及使用电网的电能时消耗的第二资源。
此时,使用离散化多目标优化算法以预设目标最低为优化目标,确定当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,包括:
对于每个预测时刻,计算预测时刻对应的电网用电量和电网储电量之和与预测时刻对应的第二资源的乘积,确定将各个预测时刻对应的乘积之和,得到第二资源总量;建筑用电量为所述电网用电量、光伏自用电量和电池用电量之和;所述光伏发电量为所述光伏自用电量、所述光伏储电量、和光伏上网电量之和;
计算预测时刻对应的光伏上网电量与第一资源的乘积,确定各个预测时刻对应的乘积之和,得到第一资源总量;
获取当前所在地区的电网碳排放因子;
对于每个预测时刻,计算预测时刻对应的电网用电量和电网储电量之和与电网碳排放因子的乘积,确定各个预测时刻对应的乘积之和,得到二氧化碳排放量;
使用预设的约束函数确定使得第二资源总量与第一资源总量之差最小、且使得二氧化碳排放量最小时,光伏储电量、光伏自用电量和电池用电量的最优解。
具体地,预设目标通过下式表示:
其中,M表示预设时长内的总资源,T表示预设时长中的最后一个预测时刻,Enet_con(t)表示电网用电量,Enet_bat(t)表示电网储电量,Pb表示第二资源,Epv_net(t)表示光伏上网电量,Ps表示第一资源;C表示二氧化碳排放量,T表示预设时长中的最后一个预测时刻,Enet_con(t)表示电网用电量,Enet_bat(t)表示电网储电量,a表示电网碳排放因子。
其中,约束函数包括:
当前时刻的光伏发电量等于当前时刻的光伏储电量、光伏自用电量和光伏上网电量之和;以及,
当前时刻的建筑用电量等于当前时刻的光伏自用电量、电网用电量和电池用电量之和;以及,
当前时刻的电池储电量等于上一时刻的电池储电量、当前时刻的电网储电量、和当前时刻的光伏储电量之和减去当前时刻的电池用电量;以及,
当前时刻的电池储电量大于或等于0、且小于或等于光储直柔系统中蓄电池的电池总容量;以及,
当前时刻的光伏上网电量大于或等于0;以及,
当前时刻的电网用电量大于或等于0;以及,
当前时刻的电网储电量大于或等于0。
具体地,约束函数可以通过下式表示:
Epv(t)=Epv_bat(t)+Epv_net(t)+Epv_con(t);
Econ(t)=Epv_con(t)+Enet_con(t)+Ebat_con(t);
Qbat(t)=Qbat(t-1)+Enet_bat(t)+Epv_bat(t)-Ebat_con(t);
0≤Qbat(t)≤Qbat_total;
0≤Epv_net(t);
0≤Enet_con(t);
0≤Enet_bat(t)。
其中,Epv(t)表示当前时刻的光伏发电量,Epv_bat(t)表示当前时刻的光伏储电量,Epv_net(t)表示当前时刻的光伏上网电量,Epv_con(t)表示当前时刻的光伏用电量,Econ(t)表示当前时刻的建筑用电量,Enet_con(t)表示当前时刻的电网用电量,Ebat_con(t)表示当前时刻的电池用电量,Qbat(t)表示当前时刻的电池储电量,Qbat(t-1)表示上一时刻的电池储电量,Enet_bat(t)表示当前时刻的电网储电量,Epv_bat(t)表示当前时刻的光伏储电量,Qbat_total表示电池总容量。
可选地,对于预设目标包括预设时长内的总资源消耗最低或预设时长内的建筑用电导致的二氧化碳排放量最低的情况,使用预设的约束函数确定使得第二资源总量与第一资源总量之差最小或者使得二氧化碳排放量最小时,光伏储电量、光伏自用电量和电池用电量的最优解。
可选地,多目标优化算法包括多目标粒子群优化算法(参考图2所示的流程示意图),或者SPEA-II算法(参考图3所示的流程示意图)。在其它实施例中,多目标优化算法也可以是使用上述条件的其它目标优化算法,本实施例不对多目标优化算法的实现方式作限定。
在一个示例中,对当前时刻的光储直柔系统的光伏发电量、电池容量和用电来源进行分配,包括:
按照光伏储电量进行光伏储电;
按照光伏自用电量分配光伏自用的电量;
基于当前时刻的实际光伏发电量、光伏储电量和光伏自用电量确定实际光伏上网电量,按照实际光伏上网电量分配光伏上网的电量;
按照电池用电量为蓄电池分配放电量;
基于当前时刻的实际建筑用电量、电池用电量和光伏自用电量确定实际电网用电量,按照实际电网用电量分配使用电网的电量。
综上所述,本实施例提供的基于AI预测的光储直柔系统配电策略决策方法,通过获取当前时刻之前的各个历史时刻的系统环境参数;使用系统环境参数,确定以当前时刻为起始时刻的预设时长内,各个预测时刻的第一发电数据和第一能耗数据;基于第一发电数据和第一能耗数据,使用离散化多目标优化算法以预设目标最低为优化目标,确定当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,以对当前时刻的光储直柔系统的光伏发电量、电池容量和用电来源进行分配;可以解决现有的光储直柔系统的配电策略不够灵活的问题;由于可以预测出当前时刻及未来时刻的第一发电数据和第一能耗数据,通过该第一发电数据和第一能耗数据可以计算出满足预设目标最低要求的配电最优方式,可以提高配电策略的灵活性。
另外,通过以低碳和低资源消耗作为预设目标,可以保证光伏直柔系统能够以环保、资源消耗最低的配电方式运行,可以降低碳排放,使得收益最大化。
图4是本申请一个实施例提供的基于AI预测的光储直柔系统配电策略决策装置的框图。该装置至少包括以下几个模块:数据获取模块410、数据预测模块420和配电决策模块430。
数据获取模块410,用于获取当前时刻之前的各个历史时刻的系统环境参数;
数据预测模块420,用于使用所述系统环境参数,确定以当前时刻为起始时刻的预设时长内,各个预测时刻的第一发电数据和第一能耗数据;
配电决策模块430,用于基于所述第一发电数据和第一能耗数据,使用离散化多目标优化算法以预设目标最低为优化目标,确定所述当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,以对当前时刻的所述光储直柔系统的光伏发电量、电池容量和用电来源进行分配。
相关细节详见上述实施例。
需要说明的是:上述实施例中提供的基于AI预测的光储直柔系统配电策略决策装置在进行基于AI预测的光储直柔系统配电策略决策时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将基于AI预测的光储直柔系统配电策略决策装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的基于AI预测的光储直柔系统配电策略决策装置与基于AI预测的光储直柔系统配电策略决策方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (9)
1.一种基于AI预测的光储直柔系统配电策略决策方法,其特征在于,所述方法包括:
获取当前时刻之前的各个历史时刻的系统环境参数;
使用所述系统环境参数,确定以当前时刻为起始时刻的预设时长内,各个预测时刻的第一发电数据和第一能耗数据;
基于所述第一发电数据和第一能耗数据,使用离散化多目标优化算法以预设目标最低为优化目标,确定所述当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,以对当前时刻的所述光储直柔系统的光伏发电量、电池容量和用电来源进行分配;
所述第一发电数据包括各个预测时刻的光伏发电量、以及光伏配电时能够获取的第一资源;
所述使用离散化多目标优化算法以预设目标最低为优化目标,确定所述当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,包括:
获取所述光储直柔系统中蓄电池的电池总容量、以及所述蓄电池在上一时刻的电池储电量;
基于所述电池总容量、所述上一时刻的电池储电量、和所述光伏发电量构建决策变量,各决策变量及其边界条件构成决策空间;
使用所述决策空间和所述多目标优化算法以预设目标最低为优化目标,确定所述当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解;
其中,所述多目标优化算法所解决的多目标优化问题的决策空间包括:
当前时刻的光伏储电量大于或等于0、且小于或等于所述电池总容量与所述电池储电量之差;以及
当前时刻的光伏自用电量大于或等于0、且小于或等于所述光伏发电量;以及
当前时刻的电池用电量大于或等于0、且小于或等于所述电池储电量。
2.根据权利要求1所述的方法,其特征在于,所述预设目标包括所述预设时长内的总资源消耗最低;所述第一发电数据包括各个预测时刻的光伏发电量、以及光伏配电时能够获取的第一资源;所述第一能耗数据包括各个预测时刻的建筑用电量、以及使用电网的电能时消耗的第二资源;
所述使用离散化多目标优化算法以预设目标最低为优化目标,确定所述当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,包括:
对于每个预测时刻,计算所述预测时刻对应的电网用电量和电网储电量之和与所述预测时刻对应的第二资源的乘积,确定各个预测时刻对应的乘积之和,得到第二资源总量;所述建筑用电量为所述电网用电量、光伏自用电量和电池用电量之和;所述光伏发电量为所述光伏自用电量、所述光伏储电量、和光伏上网电量之和;
计算所述预测时刻对应的光伏上网电量与所述第一资源的乘积,确定各个预测时刻对应的乘积之和,得到第一资源总量;
使用预设的约束函数确定使得所述第二资源总量与所述第一资源总量之差最小时,所述光伏储电量、所述光伏自用电量和所述电池用电量的最优解。
3.根据权利要求1所述的方法,其特征在于,所述预设目标包括所述预设时长内的建筑用电导致的二氧化碳排放量最低;所述第一发电数据包括各个预测时刻的光伏发电量、以及配电时能够获取的第一资源;所述第一能耗数据包括各个预测时刻的建筑用电量、以及使用电网的电能时消耗的第二资源;
所述使用离散化多目标优化算法以预设目标最低为优化目标,确定所述当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,包括:
获取当前所在地区的电网碳排放因子;
对于每个预测时刻,计算所述预测时刻对应的电网用电量和电网储电量之和与所述电网碳排放因子的乘积,确定各个预测时刻对应的乘积之和,得到所述二氧化碳排放量;所述建筑用电量为所述电网用电量、光伏自用电量和电池用电量之和;所述光伏发电量为所述光伏自用电量、所述光伏储电量、和光伏上网电量之和;
使用预设的约束函数确定使得所述二氧化碳排放量最小时,所述光伏储电量、所述光伏自用电量和所述电池用电量的最优解。
4.根据权利要求2或3所述的方法,其特征在于,所述约束函数包括:
当前时刻的光伏发电量等于当前时刻的光伏储电量、光伏自用电量和光伏上网电量之和;以及,
当前时刻的建筑用电量等于当前时刻的光伏自用电量、电网用电量、和电池用电量之和;以及,
当前时刻的电池储电量等于上一时刻的电池储电量、当前时刻的电网储电量、和当前时刻的光伏储电量之和减去当前时刻的电池用电量;以及,
所述当前时刻的电池储电量大于或等于0、且小于或等于所述光储直柔系统中蓄电池的电池总容量;以及,
当前时刻的光伏上网电量大于或等于0;以及,
当前时刻的电网用电量大于或等于0;以及,
当前时刻的电网储电量大于或等于0。
5.根据权利要求1所述的方法,其特征在于,所述多目标优化算法包括多目标粒子群优化算法,或者SPEA-II算法。
6.根据权利要求1所述的方法,其特征在于,所述使用所述系统环境参数,确定以当前时刻为起始时刻的预设时长内,各个预测时刻的第一发电数据和第一能耗数据,包括:
将所述系统环境参数输入预先训练的预测模型,得到所述第一发电数据和所述第一能耗数据;其中,所述预测模型是使用训练数据对预先创建的神经网络模型进行训练得到的建立,所述训练数据包括样本系统环境参数,以及所述样本系统环境参数对应的第二发电数据和第二能耗数据。
7.根据权利要求1所述的方法,其特征在于,所述使用所述系统环境参数,确定以当前时刻为起始时刻的预设时长内,各个预测时刻的第一发电数据和第一能耗数据之前,还包括:
获取当前设备的算力能力;
基于所述算力能力确定所述预设时长的取值和相邻两个时刻之间的时间间隔。
8.根据权利要求1所述的方法,其特征在于,所述对当前时刻的所述光储直柔系统的光伏发电量、电池容量和用电来源进行分配,包括:
按照所述光伏储电量进行光伏储电;
按照所述光伏自用电量分配光伏自用的电量;
基于当前时刻的实际光伏发电量、所述光伏储电量和所述光伏自用电量确定实际光伏上网电量,按照所述实际光伏上网电量分配光伏上网的电量;
按照所述电池用电量为蓄电池分配放电量;
基于当前时刻的实际建筑用电量、所述电池用电量和所述光伏自用电量确定实际电网用电量,按照所述实际电网用电量分配使用电网的电量。
9.一种基于AI预测的光储直柔系统配电策略决策装置,其特征在于,所述装置包括:
数据获取模块,用于获取当前时刻之前的各个历史时刻的系统环境参数;
数据预测模块,用于使用所述系统环境参数,确定以当前时刻为起始时刻的预设时长内,各个预测时刻的第一发电数据和第一能耗数据;
配电决策模块,用于基于所述第一发电数据和第一能耗数据,使用离散化多目标优化算法以预设目标最低为优化目标,确定所述当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解,以对当前时刻的所述光储直柔系统的光伏发电量、电池容量和用电来源进行分配;
所述第一发电数据包括各个预测时刻的光伏发电量、以及光伏配电时能够获取的第一资源;
所述配电决策模块,用于:
获取所述光储直柔系统中蓄电池的电池总容量、以及所述蓄电池在上一时刻的电池储电量;
基于所述电池总容量、所述上一时刻的电池储电量、和所述光伏发电量构建决策变量,各决策变量及其边界条件构成决策空间;
使用所述决策空间和所述多目标优化算法以预设目标最低为优化目标,确定所述当前时刻的光伏储电量、光伏自用电量和电池用电量的最优解;
其中,所述多目标优化算法所解决的多目标优化问题的决策空间包括:
当前时刻的光伏储电量大于或等于0、且小于或等于所述电池总容量与所述电池储电量之差;以及
当前时刻的光伏自用电量大于或等于0、且小于或等于所述光伏发电量;以及
当前时刻的电池用电量大于或等于0、且小于或等于所述电池储电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210975967.6A CN115051415B (zh) | 2022-08-15 | 2022-08-15 | 基于ai预测的光储直柔系统配电策略决策方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210975967.6A CN115051415B (zh) | 2022-08-15 | 2022-08-15 | 基于ai预测的光储直柔系统配电策略决策方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115051415A CN115051415A (zh) | 2022-09-13 |
CN115051415B true CN115051415B (zh) | 2022-10-28 |
Family
ID=83166930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210975967.6A Active CN115051415B (zh) | 2022-08-15 | 2022-08-15 | 基于ai预测的光储直柔系统配电策略决策方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115051415B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116707019B (zh) * | 2023-05-12 | 2024-01-26 | 云南电网有限责任公司信息中心 | 一种日前电力市场的电量分配方法、系统及计算机设备 |
CN117892982A (zh) * | 2024-03-14 | 2024-04-16 | 国家电投集团云南国际电力投资有限公司 | 光储直柔建筑的用电调度方法、装置、设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110247411A (zh) * | 2019-05-17 | 2019-09-17 | 福建星云电子股份有限公司 | 一种用户侧物联化智能光储设备能量动态分配方法 |
CN114418249A (zh) * | 2022-04-01 | 2022-04-29 | 湖南大学 | 一种光储柔系统运行控制方法及装置 |
-
2022
- 2022-08-15 CN CN202210975967.6A patent/CN115051415B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110247411A (zh) * | 2019-05-17 | 2019-09-17 | 福建星云电子股份有限公司 | 一种用户侧物联化智能光储设备能量动态分配方法 |
CN114418249A (zh) * | 2022-04-01 | 2022-04-29 | 湖南大学 | 一种光储柔系统运行控制方法及装置 |
Non-Patent Citations (1)
Title |
---|
考虑配电网消纳能力的分布式电源与储能优化配置;刘若河等;《电力电容器与无功补偿》;20210228;第42卷(第1期);第166-172页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115051415A (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107545325B (zh) | 一种基于博弈论的多微网互联运行优化方法 | |
CN115051415B (zh) | 基于ai预测的光储直柔系统配电策略决策方法及装置 | |
CN110544935B (zh) | 一种电-氢多能互补直流微电网协调调度方法 | |
Zhao et al. | An MAS based energy management system for a stand-alone microgrid at high altitude | |
Morstyn et al. | Scalable energy management for low voltage microgrids using multi-agent storage system aggregation | |
CN106532764B (zh) | 一种就地消纳光伏发电的电动汽车充电负荷调控方法 | |
Akella et al. | Distributed power balancing for the FREEDM system | |
CN107959301B (zh) | 含光伏的低压配电网分布式储能优化配置与运行方法 | |
CN111293718B (zh) | 基于场景分析的交直流混合微网分区二层优化运行方法 | |
CN110783959B (zh) | 一种新能源发电系统的稳定状态控制系统 | |
CN107017625B (zh) | 用于独立微电网的能量动态调度的方法和设备 | |
Zhang et al. | Efficient design of energy microgrid management system: a promoted Remora optimization algorithm-based approach | |
Kerboua et al. | Particle swarm optimization for micro-grid power management and load scheduling | |
Deshun et al. | Research on planning and configuration of multi-objective energy storage system solved by improved ant colony algorithm | |
Aiswariya et al. | Optimal microgrid battery scheduling using simulated annealing | |
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 | |
Wang et al. | Stochastic dynamic programming based optimal energy scheduling for a hybrid fuel cell/PV/battery system under uncertainty | |
CN108182487A (zh) | 基于粒子群优化和本德尔分解的家庭能量数据优化方法 | |
CN108321916B (zh) | 一种具有能量协作功能的基站及能量协作方法 | |
Mohseni et al. | Development of a multi-agent system for optimal sizing of a commercial complex microgrid | |
CN115238992A (zh) | 一种电力系统源荷储的协调优化方法、装置及电子设备 | |
CN110826210B (zh) | 基于功率互联的多区域楼宇虚拟电厂建模及优化协调方法 | |
Koike et al. | Planning of optimal daily power generation tolerating prediction uncertainty of demand and photovoltaics | |
CN105227674A (zh) | 互联网数据中心电力成本控制方法及系统 | |
Bazan et al. | Hybrid simulation framework for renewable energy generation and storage grids |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |