CN115169916A - 一种基于安全经济的电热综合能源控制方法 - Google Patents
一种基于安全经济的电热综合能源控制方法 Download PDFInfo
- Publication number
- CN115169916A CN115169916A CN202210838509.8A CN202210838509A CN115169916A CN 115169916 A CN115169916 A CN 115169916A CN 202210838509 A CN202210838509 A CN 202210838509A CN 115169916 A CN115169916 A CN 115169916A
- Authority
- CN
- China
- Prior art keywords
- power
- neural network
- value
- node
- electric
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005485 electric heating Methods 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 60
- 239000002245 particle Substances 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000002922 simulated annealing Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000005611 electricity Effects 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 20
- 238000010248 power generation Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 18
- 238000005338 heat storage Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000002940 Newton-Raphson method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 4
- 239000000243 solution Substances 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000000137 annealing Methods 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 230000003750 conditioning effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 239000007789 gas Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000010354 integration Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 239000001257 hydrogen Substances 0.000 description 2
- 125000004435 hydrogen atom Chemical class [H]* 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
- 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
- H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
-
- 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
-
- 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
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
-
- 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
- H02J2300/28—The renewable source being wind energy
-
- 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
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了能源系统控制领域的一种基于安全经济的电热综合能源控制方法，包括：通过预先训练后的SA‑PSO‑BP神经网络对综合能源系统中的可再生能源和多元负荷进行预测，根据可再生能源和多元负荷的预测结构对综合能源系统进行控制；所述SA‑PSO‑BP神经网络的训练过程包括：对相关特征进行预处理和筛选获得优选特征并构建特征训练集；构建BP神经网络的目标函数并添加优化调度的电力网络约束和热力网络约束；通过特征训练集对BP神经网络进行训练，训练过程中利用模拟退火优化的粒子群SA‑PSO算法对BP神经网络的权值和阈值进行迭代更新，获得SA‑PSO‑BP神经网络；本发明通过调整目标函数中的权值使得对综合能源系统的控制兼顾安全性和经济性。
Description
技术领域
本发明属于能源系统控制领域领域，具体涉及一种基于安全经济的电热综合能源控制方法。
背景技术
随着技术和经济的不断发展，社会生产和生活的各个领域均对能源提出了更大的需求，在化石能源不断消耗下，能源和环境问题日益突出。为了满足能源和环保需求，将低碳、清洁、绿色的可再生能源加入现有能源系统中成为了各国的战略首选。然而风电，光伏这类可再生能源的随机性和间歇性极大的阻碍了综合能源系统对风电和光伏的消纳，因此对可再生能源发电的预测显得十分重要。
将电、热和气等异质能源互联的综合能源系统被提出后，得到广泛应用，这打破了不同能源之间的壁垒，增强了能源间的相互支撑，有效的提高了各个能源供应的稳定性。但是目前对于电-热综合能源系统的研究多数处于经济优化和提高可再生能源渗透率，对其安全性研究不够充分。由于电-热互联综合能源系统中存在一些不确定因素例如风电、光伏的出力以及多元负荷的需求，使得系统可能会出现电压越限等安全事故。
发明内容
本发明的目的在于提供一种基于安全经济的电热综合能源控制方法，保证系统安全运行的同时进行经济优化调度。
为达到上述目的，本发明所采用的技术方案是：
本发明第一方面提供了一种基于安全经济的电热综合能源控制方法，包括：
通过预先训练后的SA-PSO-BP神经网络对综合能源系统中的可再生能源和多元负荷进行预测，根据可再生能源和多元负荷的预测结构对综合能源系统进行控制；
所述SA-PSO-BP神经网络的训练过程包括：
采集综合能源系统中风电光伏和电热负荷的相关特征，对相关特征进行预处理和筛选获得优选特征并构建特征训练集；
根据优选特征和综合能源系统的输出功率构建BP神经网络的目标函数，添加优化调度的电力网络约束和热力网络约束；通过特征训练集对BP神经网络进行训练，训练过程中利用模拟退火优化的粒子群SA-PSO算法对BP神经网络的权值和阈值进行迭代更新，获得SA-PSO-BP神经网络。
优选的，对相关特征进行预处理的方法包括：
通过3δ原则剔除风电光伏和电热负荷的相关特征中的异常数据，表达公式分别为：
公式中，pi表示同一特征属性第i个样本值，
表示样本均值，δ表示参考标准值，n为采样个数，pe为剩余误差；当相关特征值的剩余误差pe大于3δ，将该相关特征值进行剔除；
通过拉格朗日插值法填充风电光伏和电热负荷的相关特征中的缺失数据，表达公式为：
公式中，xi表示为第i+1个取值点的时间，yi表示第i+1个取值点的特征值；xj表示为第j个取值点的特征值；L(x)表示给定时间x对应的特征插值。
优选的，对相关特征进行筛选获得优选特征的方法包括：
采用皮尔逊相关系数估算相关特征之间的相关性，表达公式为：
公式中，X表示特征值向量，Y表示风力发电或者光伏发电或者电负荷或者热负荷需求的实际值向量，ρXY表示X与Y之间的关联程度；Cov(X,Y)表示X与Y的协方差，σX和σY分别表示X和Y的标准差；
根据关联程度ρXY由风电光伏和电热负荷的相关特征中筛选出优选特征。
优选的，根据优选特征和综合能源系统的输出功率构建BP神经网络的目标函数的方法包括：
将综合能源系统各时段各节点的电压绝对偏差和f1归一化为F1；
将购售电成本CE、购气成本CGAS、设备运行成本COP和弃风弃光惩罚成本CGWP综合为经济成本f2且归一化为F2；
构建BP神经网络的目标函数表达公式为：
公式中，λ1和λ2分别为F1和F2权值；f1 max为综合能源系统中各节点电压偏离绝对差值之和最大值；
为综合能源系统中各设备出力最大成本值；T为综合能源系统的工作总时段；NV为电节点的数量；
为t时段第i电节点电压与安全边界的差。
优选的，电节点电压与安全边界的差
的计算过程包括：
公式中，
表示第i个电节点t时段电压标幺值，Vmax表示电压标幺值的上限，Vmin表示电压标幺值的下限。
优选的，在热网的影响下利用牛顿-拉普逊方法修正电节点的电压标幺值
计算方法包括：
电节点相对注入功率，表达公式为：
公式中，Pi和Qi分别表示第i个电节点注入的有功功率和无功功率，Pchp,i和Qchp,i分别表示第i个电节点中CHP机组有功功率和无功功率，Pes,i和Qes,i分别表示第i个电节点中蓄电池有功功率和无功功率，Pwd,i和Qwd,i分别表示第i个电节点中风机的有功功率和无功功率，Ppv,i和Qpv,i分别为示第i个电节点中光伏的有功功率和无功功率，Peb,i和Qeb,i分别表示第i个电节点中电锅炉的有功功率和无功功率，Pload,i和Qload,i分别表示第i个电节点中电负荷的有功功率和无功功率；
计算电节点功率误差方程，表达公式为：
公式中，Pis，Qis为电节点i设定的有功功率及无功功率；Vi和Vj分别为注入电节点i和电节点j的电压；Gij、Bij和θij分别为电节点i和电节点j之间的电导、电纳和相角差；
基于牛顿-拉普逊方法简化的修正方程为：
根据修正方程计算电节点的相角修正量Δθ和相角修正量ΔV，重复对电节点的相角和电压进行修正，当满足ΔPi和ΔQi均小于ε后停止修正获得电节点的最终相角和最终电压；ε表示为节点功率不平衡量的允许误差。
优选的，购售电成本CE的表达公式为：
公式中，
和
分别表示t时段购电、售电的电价，
表示购电和售电的电功率，购电时为正值，售电时为负值。
优选的，购气成本CGAS的计算公式为：
公式中，Nchp表示CHP机组的数量，wgas表示CHP机组产生单位电功率的价格，
表示第i台CHP机组产生的电功率。
优选的，设备运行成本COP的计算公式为：
公式中，Nwd、Npv、Nes、Nhs和Neb分别表示风力发电机组、光伏发电机组、储电设备、储热设备和电锅炉的数量，Owd、Opv、Oes、Ochp、Ohs和Oeb分别表示风力发电、光伏发电、储电设备、CHP机组、储热设备和的电锅炉的运行成本系数，
和
分别表示风力发电、光伏发电、储电设备和CHP机组产生的电功率，
和
分别表示储热设备和电锅炉发出的热功率。
优选的，弃风弃光惩罚成本CGWP的计算公式为：
公式中，αwd和αpv分别表示弃风和弃光的惩罚系数，
和
分别表示风电和光伏的预测值。
优选的，添加优化调度的电力网络约束包括：电力网络的有功功率平衡约束、电节点电压约束、支路传输功率约束和电力网络支路功率损耗约束；添加优化调度的热力网络约束包括热力网络功率平衡约束和热力网络管道热损耗约束。
优选的，利用模拟退火优化的粒子群SA-PSO算法对BP神经网络的权值和阈值进行迭代更新，获得SA-PSO-BP神经网络的方法包括：
初始化对BP神经网络的权值和阈值；将BP神经网络中权值和阈值的长度作为粒子群的维度，将权值和阈值作为粒子的位置，初始化粒子群的权重w、学习率c1和c2、位置x和速度v以及模拟退火的温度T和退火系数K；
将神经网络训练过程中的预测误差作为粒子种群的适应度F，给粒子一个随机扰动得到新的粒子xnew，若新适应度
小于或等于现有Fx，接受
作为适应度最优值；
若
且exp(-(F-F)/TK)≤rand()成立，则接受
作为适应度最优值，若
且exp(-(F-F)/TK)≤rand()成立，保留现有的Fx作为适应度最优值；exp()表示为以自然对数底数e为底数的指数运算；rand()表示为产生随机数的随机函数；
迭代更新粒子群的权重w、学习率c1和c2、位置x和速度v以及粒子种群的适应度F；当迭代次数达到预定值输出全局最优解Fg和对应BP神经网络，将训练后的BP神经网络作为SA-PSO-BP神经网络。
与现有技术相比，本发明的有益效果：
本发明采集综合能源系统中风电光伏和电热负荷的相关特征，对相关特征进行预处理和筛选获得优选特征并构建特征训练集，通过特征训练集对BP神经网络进行训练，通过预先训练后的SA-PSO-BP神经网络对综合能源系统中的可再生能源和多元负荷进行预测，根据可再生能源和多元负荷的预测结构对综合能源系统进行控制，使系统运行安全稳定性得到提高。
本发明根据优选特征和综合能源系统的输出功率构建BP神经网络的目标函数，添加优化调度的电力网络约束和热力网络约束；通过特征训练集对BP神经网络进行训练，训练过程中利用模拟退火优化的粒子群SA-PSO算法对BP神经网络的权值和阈值进行迭代更新，获得SA-PSO-BP神经网络；本发明通过调整目标函数中的权值使得对综合能源系统的控制兼顾安全性和经济性。
附图说明
图1是本发明实施例提供的一种基于安全经济的电热综合能源控制方法的流程图；
图2是基于SA-PSO-BP神经网络对可再生能源和多元负荷进行预测的流程图；
图3是一种电-热综合能源系统的安全经济一体化设计方法的拓扑图；
图4是基于模拟退火-粒子群算法求解目标优化函数的流程图；
图5是基于SA-PSO-BP神经网络的可再生能源和多元负荷预测图；
图6是基于安全经济一体化方法的电网调度图；
图7是基于安全经济一体化方法的热网调度图；
图8是基于安全经济一体化方法的系统电节点电压图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1至图4所示，一种基于安全经济的电热综合能源控制方法，包括：
通过预先训练后的SA-PSO-BP神经网络对综合能源系统中的可再生能源和多元负荷进行预测，根据可再生能源和多元负荷的预测结构对综合能源系统进行控制；
所述SA-PSO-BP神经网络的训练过程包括：
采集综合能源系统中风电光伏和电热负荷的相关特征，对相关特征进行预处理和筛选获得优选特征并构建特征训练集；
对相关特征进行预处理的方法包括：
通过3δ原则剔除风电光伏和电热负荷的相关特征中的异常数据，表达公式分别为：
公式中，pi表示同一特征属性第i个样本值，
表示样本均值，δ表示参考标准值，n为采样个数，pe为剩余误差；当相关特征值的剩余误差pe大于3δ，将该相关特征值进行剔除；
通过拉格朗日插值法填充风电光伏和电热负荷的相关特征中的缺失数据，表达公式为：
公式中，xi表示为第i+1个取值点的时间，yi表示第i+1个取值点的特征值；xj表示为第j个取值点的特征值；L(x)表示给定时间x对应的特征插值。
对相关特征进行筛选获得优选特征的方法包括：
采用皮尔逊相关系数估算相关特征之间的相关性，表达公式为：
公式中，X表示特征值向量，Y表示风力发电或者光伏发电或者电负荷或者热负荷需求的实际值向量，ρXY表示X与Y之间的关联程度；Cov(X,Y)表示X与Y的协方差，σX和σY分别表示X和Y的标准差；根据关联程度ρXY由风电光伏和电热负荷的相关特征中筛选出优选特征。
根据优选特征和综合能源系统的输出功率构建BP神经网络的目标函数的方法包括：
将综合能源系统各时段各节点的电压绝对偏差和f1归一化为F1；
将购售电成本CE、购气成本CGAS、设备运行成本COP和弃风弃光惩罚成本CGWP综合为经济成本f2且归一化为F2；
构建BP神经网络的目标函数表达公式为：
公式中，λ1和λ2分别为F1和F2权值；f1 max为综合能源系统中各节点电压偏离绝对差值之和最大值；
为综合能源系统中各设备出力最大成本值；T为综合能源系统的工作总时段；NV为电节点的数量；
为t时段第i电节点电压与安全边界的差。
电节点电压与安全边界的差
的计算过程包括：
公式中，
表示第i个电节点t时段电压标幺值，Vmax表示电压标幺值的上限，Vmin表示电压标幺值的下限。
在热网的影响下利用牛顿-拉普逊方法修正电节点的电压标幺值
计算方法包括：
电节点相对注入功率，表达公式为：
公式中，Pi和Qi分别表示第i个电节点注入的有功功率和无功功率，Pchp,i和Qchp,i分别表示第i个电节点中CHP机组有功功率和无功功率，Pes,i和Qes,i分别表示第i个电节点中蓄电池有功功率和无功功率，Pwd,i和Qwd,i分别表示第i个电节点中风机的有功功率和无功功率，Ppv,i和Qpv,i分别为示第i个电节点中光伏的有功功率和无功功率，Peb,i和Qeb,i分别表示第i个电节点中电锅炉的有功功率和无功功率，Pload,i和Qload,i分别表示第i个电节点中电负荷的有功功率和无功功率；
计算电节点功率误差方程，表达公式为：
公式中，Pis，Qis为电节点i设定的有功功率及无功功率；Vi和Vj分别为注入电节点i和电节点j的电压；Gij、Bij和θij分别为电节点i和电节点j之间的电导、电纳和相角差；
基于牛顿-拉普逊方法简化的修正方程为：
根据修正方程计算电节点的相角修正量Δθ和相角修正量ΔV，重复对电节点的相角和电压进行修正，当满足ΔPi和ΔQi均小于ε后停止修正获得电节点的最终相角和最终电压；ε表示为节点功率不平衡量的允许误差。
购售电成本CE的表达公式为：
公式中，
和
分别表示t时段购电、售电的电价，
表示购电和售电的电功率，购电时为正值，售电时为负值；
购气成本CGAS的计算公式为：
公式中，Nchp表示CHP机组的数量，wgas表示CHP机组产生单位电功率的价格，
表示第i台CHP机组产生的电功率。
设备运行成本COP的计算公式为：
公式中，Nwd、Npv、Nes、Nhs和Neb分别表示风力发电机组、光伏发电机组、储电设备、储热设备和电锅炉的数量，Owd、Opv、Oes、Ochp、Ohs和Oeb分别表示风力发电、光伏发电、储电设备、CHP机组、储热设备和的电锅炉的运行成本系数，
和
分别表示风力发电、光伏发电、储电设备和CHP机组产生的电功率，
和
分别表示储热设备和电锅炉发出的热功率。
弃风弃光惩罚成本CGWP的计算公式为：
公式中，αwd和αpv分别表示弃风和弃光的惩罚系数，
和
分别表示风电和光伏的预测值。
针对目标函数添加优化调度的电力网络约束和热力网络约束；添加优化调度的电力网络约束包括：电力网络的有功平衡约束、电节点电压约束、支路传输功率约束、电力网络支路功率损耗约束以及其他电力网络约束；
(1)电力网络的有功平衡约束表达公式为：
公式中，Neb、Nel分别表示电锅炉和电负荷的数量，
和
分别表示储电设备充电和放电的功率，ηc和ηd分别表示充电和放电的效率，
表示电锅炉消耗的电功率，
为电负荷消耗的电功率，
为t时段电网第i条支路损耗的功率。
(2)支路传输功率约束
为了确保系统电节点电压不逾越安全界限，本实施例中设定安全权重λ1的值远大于成本权重λ2的值，即相当于确保电压在安全域[Vmin,Vmax]内进行经济调度。
(3)电力网络支路功率损耗约束
公式中，
和
分别表示支路l的有功潮流最小值和最大值。Pl t表示支路l的有功潮流，
表示节点i和j之间线路的功率。Gij和Bij分别表示节点导纳矩阵第i行第j列元素的实部与虚部。θi表示节点i的电压相角，θij表示θi与θj的电压相角差值。
(4)电力网络支路功率损耗约束
公式中，Pi t和
分别为注入到第i个电节点的有功和无功功率；U0和Ri分别表示系统的参考电压和节点i相连支路的电阻。
(5)电力网络其他约束
公式中，
和
分别表示风力发电机组出力的上限和下限，
和
分别表示光伏发电机组出力的上下限，
和
分别表示CHP机组发电出力的上限和下限，
和
分别表示CHP机组爬坡的上限和下限，
表示储电容量，αhs为储热罐热量损失率，
和
分别表示充电和放电的功率，ηc和ηd分别表示充电和放电的效率，
和
分别表示储电容量的上下限，
和
分别表示充电功率的上下限，
和
分别表示放电功率的上下限，
和
分别为蓄电池初始的蓄电量和一个周期结束后的蓄电量，表明蓄电池的调度应满足一个周期后的容量回到初始状态，
和
分别表示电锅炉消耗电能的上限和下限，βeb表示电锅炉热电比系数，Pe max和Pe min分别表示购售电的上下限。
添加优化调度的热力网络约束包括热力网络功率平衡约束、热力网络管道热损耗约束以及热力网络其他约束；
(1)热力网络功率平衡约束
式中，Nhl表示热负荷的数量，Npip为热网支路的数量，
和
分别表示CHP机组和电锅炉产生的热功率，
和
分别表示储热和放热的状态，
和
分别表示储热和放热的功率，
表示t时段第i条热网支路的散热量。
(2)热力网络管道热损耗约束
式中
为第i条热网管道的热损失功率；li为第i条热网管道的长度；Ti,t为管道内热水的温度；T0为管道外的环境温度；R1为热网管道的热阻；R2为管道保温层的热阻。
(3)热力网络其他约束
式中，βchp表示热电比系数，
表示天然气的价格，
表示CHP发出的电功率，Lng表示天然气的低热值，ηchp表示CHP机组的发电效率，Δt表示单位调度时长，βeb表示电锅炉热电比系数，αeb表示电锅炉散热损失率，
表示储热容量，αhs表示热量损失率，
和
分别表示储热和放热的效率，
和
分别表示储热和放热的功率，
和
分别表示储热容量的上下限，
和
分别表示储热功率的上下限，
和
分别表示放热功率的上下限，
和
分别为蓄电池初始的蓄电量和一个周期结束后的蓄电量，表明蓄电池的调度应满足一个周期后的容量回到初始状态。
通过特征训练集对BP神经网络进行训练，训练过程中利用模拟退火优化的粒子群SA-PSO算法对BP神经网络的权值和阈值进行迭代更新，获得SA-PSO-BP神经网络，具体方法包括：
初始化对BP神经网络的权值和阈值；将BP神经网络中权值和阈值的长度作为粒子群的维度，将权值和阈值作为粒子的位置，初始化粒子群的权重w、学习率c1和c2、位置x和速度v以及模拟退火的温度T和退火系数K；
将神经网络训练过程中的预测误差作为粒子种群的适应度F，给粒子一个随机扰动得到新的粒子xnew，若新适应度
小于或等于现有Fx，接受
作为适应度最优值；
若
且exp(-(F-F)/TK)≤rand()成立，则接受
作为适应度最优值，若
且exp(-(F-F)/TK)≤rand()成立，保留现有的Fx作为适应度最优值；exp()表示为以自然对数底数e为底数的指数运算；rand()表示为产生随机数的随机函数；
迭代更新粒子群的权重w、学习率c1和c2、位置x和速度v以及粒子种群的适应度F；当迭代次数达到预定值输出全局最优解Fg和对应BP神经网络，将训练后的BP神经网络作为SA-PSO-BP神经网络。
如图5至图8所示，通过预先训练后的SA-PSO-BP神经网络对综合能源系统中的可再生能源和多元负荷进行预测，根据可再生能源和多元负荷的预测结构对综合能源系统进行控制，使系统运行安全稳定性得到提高；通过调整目标函数中的权值使得对综合能源系统的控制兼顾安全性和经济性
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种电热综合能源系统的控制方法，其特征在于，包括：
通过预先训练后的SA-PSO-BP神经网络对综合能源系统中的可再生能源和多元负荷进行预测，根据可再生能源和多元负荷的预测结构对综合能源系统进行控制；
所述SA-PSO-BP神经网络的训练过程包括：
采集综合能源系统中风电光伏和电热负荷的相关特征，对相关特征进行预处理和筛选获得优选特征并构建特征训练集；
根据优选特征和综合能源系统的输出功率构建BP神经网络的目标函数，添加优化调度的电力网络约束和热力网络约束；通过特征训练集对BP神经网络进行训练，训练过程中利用模拟退火优化的粒子群SA-PSO算法对BP神经网络的权值和阈值进行迭代更新，获得SA-PSO-BP神经网络。
2.根据权利要求1所述的一种电热综合能源系统的控制方法，其特征在于，对相关特征进行预处理的方法包括：
通过3δ原则剔除风电光伏和电热负荷的相关特征中的异常数据，表达公式分别为：
公式中，pi表示同一特征属性第i个样本值，
表示样本均值，δ表示参考标准值，n为采样个数，pe为剩余误差；当相关特征值的剩余误差pe大于3δ，将该相关特征值进行剔除；
通过拉格朗日插值法填充风电光伏和电热负荷的相关特征中的缺失数据，表达公式为：
公式中，xi表示为第i+1个取值点的时间，yi表示第i+1个取值点的特征值；xj表示为第j个取值点的特征值；L(x)表示给定时间x对应的特征插值。
3.根据权利要求2所述的一种电热综合能源系统的控制方法，其特征在于，对相关特征进行筛选获得优选特征的方法包括：
采用皮尔逊相关系数估算相关特征之间的相关性，表达公式为：
公式中，X表示特征值向量，Y表示风力发电或者光伏发电或者电负荷或者热负荷需求的实际值向量，ρXY表示X与Y之间的关联程度；Cov(X,Y)表示X与Y的协方差，σX和σY分别表示X和Y的标准差；
根据关联程度ρXY由风电光伏和电热负荷的相关特征中筛选出优选特征。
4.根据权利要求1或权利要求3所述的一种电热综合能源系统的控制方法，其特征在于，根据优选特征和综合能源系统的输出功率构建BP神经网络的目标函数的方法包括：
将综合能源系统各时段各节点的电压绝对偏差和f1归一化为F1；
将购售电成本CE、购气成本CGAS、设备运行成本COP和弃风弃光惩罚成本CGWP综合为经济成本f2且归一化为F2；
构建BP神经网络的目标函数表达公式为：
公式中，λ1和λ2分别为F1和F2权值；f1 max为综合能源系统中各节点电压偏离绝对差值之和最大值；
为综合能源系统中各设备出力最大成本值；T为综合能源系统的工作总时段；NV为电节点的数量；
为t时段第i电节点电压与安全边界的差。
5.根据权利要求4所述的一种电热综合能源系统的控制方法，其特征在于，电节点电压与安全边界的差
的计算过程包括：
公式中，
表示第i个电节点t时段电压标幺值，Vmax表示电压标幺值的上限，Vmin表示电压标幺值的下限。
6.根据权利要求5所述的一种电热综合能源系统的控制方法，其特征在于，在热网的影响下利用牛顿-拉普逊方法修正电节点的电压标幺值
计算方法包括：
电节点相对注入功率，表达公式为：
公式中，Pi和Qi分别表示第i个电节点注入的有功功率和无功功率，Pchp,i和Qchp,i分别表示第i个电节点中CHP机组有功功率和无功功率，Pes,i和Qes,i分别表示第i个电节点中蓄电池有功功率和无功功率，Pwd,i和Qwd,i分别表示第i个电节点中风机的有功功率和无功功率，Ppv,i和Qpv,i分别为示第i个电节点中光伏的有功功率和无功功率，Peb,i和Qeb,i分别表示第i个电节点中电锅炉的有功功率和无功功率，Pload,i和Qload,i分别表示第i个电节点中电负荷的有功功率和无功功率；
计算电节点功率误差方程，表达公式为：
公式中，Pis，Qis为电节点i设定的有功功率及无功功率；Vi和Vj分别为注入电节点i和电节点j的电压；Gij、Bij和θij分别为电节点i和电节点j之间的电导、电纳和相角差；
基于牛顿-拉普逊方法简化的修正方程为：
根据修正方程计算电节点的相角修正量Δθ和相角修正量ΔV，重复对电节点的相角和电压进行修正，当满足ΔPi和ΔQi均小于ε后停止修正获得电节点的最终相角和最终电压；ε表示为节点功率不平衡量的允许误差。
7.根据权利要求4所述的一种电热综合能源系统的控制方法，其特征在于，设备运行成本COP的计算公式为：
公式中，Nwd、Npv、Nes、Nhs和Neb分别表示风力发电机组、光伏发电机组、储电设备、储热设备和电锅炉的数量，Owd、Opv、Oes、Ochp、Ohs和Oeb分别表示风力发电、光伏发电、储电设备、CHP机组、储热设备和的电锅炉的运行成本系数，
和
分别表示风力发电、光伏发电、储电设备和CHP机组产生的电功率，
和
分别表示储热设备和电锅炉发出的热功率。
8.根据权利要求7所述的一种电热综合能源系统的控制方法，其特征在于，弃风弃光惩罚成本CGWP的计算公式为：
公式中，αwd和αpv分别表示弃风和弃光的惩罚系数，
和
分别表示风电和光伏的预测值。
9.根据权利要求1所述的一种电热综合能源系统的控制方法，其特征在于，添加优化调度的电力网络约束包括：电力网络的有功功率平衡约束、电节点电压约束、支路传输功率约束和电力网络支路功率损耗约束；添加优化调度的热力网络约束包括热力网络功率平衡约束和热力网络管道热损耗约束。
10.根据权利要求1或权利要求9所述的一种电热综合能源系统的控制方法，其特征在于，利用模拟退火优化的粒子群SA-PSO算法对BP神经网络的权值和阈值进行迭代更新，获得SA-PSO-BP神经网络的方法包括：
初始化对BP神经网络的权值和阈值；将BP神经网络中权值和阈值的长度作为粒子群的维度，将权值和阈值作为粒子的位置，初始化粒子群的权重w、学习率c1和c2、位置x和速度v以及模拟退火的温度T和退火系数K；
将神经网络训练过程中的预测误差作为粒子种群的适应度F，给粒子一个随机扰动得到新的粒子xnew，若新适应度
小于或等于现有Fx，接受
作为适应度最优值；
若
且exp(-(F-F)/TK)≤rand()成立，则接受
作为适应度最优值，若
且exp(-(F-F)/TK)≤rand()成立，保留现有的Fx作为适应度最优值；exp()表示为以自然对数底数e为底数的指数运算；rand()表示为产生随机数的随机函数；
迭代更新粒子群的权重w、学习率c1和c2、位置x和速度v以及粒子种群的适应度F；当迭代次数达到预定值输出全局最优解Fg和对应BP神经网络，将训练后的BP神经网络作为SA-PSO-BP神经网络。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210838509.8A CN115169916A (zh) | 2022-07-18 | 2022-07-18 | 一种基于安全经济的电热综合能源控制方法 |
| PCT/CN2022/126957 WO2024016504A1 (zh) | 2022-07-18 | 2022-10-24 | 一种基于安全经济的电热综合能源控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210838509.8A CN115169916A (zh) | 2022-07-18 | 2022-07-18 | 一种基于安全经济的电热综合能源控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115169916A true CN115169916A (zh) | 2022-10-11 |
Family
ID=83495848
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210838509.8A Pending CN115169916A (zh) | 2022-07-18 | 2022-07-18 | 一种基于安全经济的电热综合能源控制方法 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115169916A (zh) |
| WO (1) | WO2024016504A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117196180A (zh) * | 2023-10-17 | 2023-12-08 | 无锡市广盈电力设计有限公司 | 含高比例分布式光伏的配电线路光伏汇集点选址方法 |
| WO2024016504A1 (zh) * | 2022-07-18 | 2024-01-25 | 南京邮电大学 | 一种基于安全经济的电热综合能源控制方法 |
| CN117559489A (zh) * | 2023-10-13 | 2024-02-13 | 浙江粤嘉综合能源服务有限公司 | 一种基于风、光发电的节能储能装置以及使用方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5659486B2 (ja) * | 2009-12-17 | 2015-01-28 | 富士電機株式会社 | 発電計画作成方法および発電計画作成システム |
| CN111191820B (zh) * | 2019-12-17 | 2023-05-09 | 国网浙江省电力有限公司 | 一种综合能源系统中储能装置的选址定容优化规划方法 |
| CN111709182A (zh) * | 2020-05-25 | 2020-09-25 | 温州大学 | 基于sa-pso优化的bp神经网络的电磁铁故障预测方法 |
| CN113239607A (zh) * | 2021-06-16 | 2021-08-10 | 国网浙江省电力有限公司杭州供电公司 | 综合能源系统经济调度优化方法、系统、设备及存储介质 |
| CN115169916A (zh) * | 2022-07-18 | 2022-10-11 | 南京邮电大学 | 一种基于安全经济的电热综合能源控制方法 |
-
2022
- 2022-07-18 CN CN202210838509.8A patent/CN115169916A/zh active Pending
- 2022-10-24 WO PCT/CN2022/126957 patent/WO2024016504A1/zh unknown
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024016504A1 (zh) * | 2022-07-18 | 2024-01-25 | 南京邮电大学 | 一种基于安全经济的电热综合能源控制方法 |
| CN117559489A (zh) * | 2023-10-13 | 2024-02-13 | 浙江粤嘉综合能源服务有限公司 | 一种基于风、光发电的节能储能装置以及使用方法 |
| CN117559489B (zh) * | 2023-10-13 | 2024-06-07 | 浙江粤嘉综合能源服务有限公司 | 一种基于风、光发电的节能储能装置以及使用方法 |
| CN117196180A (zh) * | 2023-10-17 | 2023-12-08 | 无锡市广盈电力设计有限公司 | 含高比例分布式光伏的配电线路光伏汇集点选址方法 |
| CN117196180B (zh) * | 2023-10-17 | 2024-04-26 | 无锡市广盈电力设计有限公司 | 含高比例分布式光伏的配电线路光伏汇集点选址方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024016504A1 (zh) | 2024-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| He et al. | The quantitative techno-economic comparisons and multi-objective capacity optimization of wind-photovoltaic hybrid power system considering different energy storage technologies | |
| Zhang et al. | Robust operation of microgrids via two-stage coordinated energy storage and direct load control | |
| Niknam et al. | Probabilistic energy and operation management of a microgrid containing wind/photovoltaic/fuel cell generation and energy storage devices based on point estimate method and self-adaptive gravitational search algorithm | |
| Li et al. | Coordinated scheduling for improving uncertain wind power adsorption in electric vehicles—Wind integrated power systems by multiobjective optimization approach | |
| CN115169916A (zh) | 一种基于安全经济的电热综合能源控制方法 | |
| Bidgoli et al. | Multi-stage optimal scheduling of multi-microgrids using deep-learning artificial neural network and cooperative game approach | |
| CN112036611B (zh) | 一种计及风险的电网优化规划方法 | |
| CN110659830A (zh) | 面向综合能源系统的多能源微网规划方法 | |
| Zhang et al. | A hybrid particle swarm optimization with small population size to solve the optimal short-term hydro-thermal unit commitment problem | |
| Sharafi et al. | A dynamic MOPSO algorithm for multiobjective optimal design of hybrid renewable energy systems | |
| CN112952807B (zh) | 考虑风电不确定性与需求响应的多目标优化调度方法 | |
| Sanaye et al. | A novel energy management method based on Deep Q Network algorithm for low operating cost of an integrated hybrid system | |
| CN114362241A (zh) | 一种基于新能源最大消纳及发电成本最优的混合调度方法 | |
| CN112966444B (zh) | 一种建筑多能源系统智慧能量优化方法及装置 | |
| CN113592133A (zh) | 一种能量枢纽优化配置方法及系统 | |
| Shotorbani et al. | Enhanced real-time scheduling algorithm for energy management in a renewable-integrated microgrid | |
| CN112418488A (zh) | 一种基于两阶段能量优化的综合能源系统调度方法及装置 | |
| CN115423161A (zh) | 基于数字孪生的多能耦合优化调度方法及系统 | |
| Zhang et al. | Deep reinforcement learning based Bi-layer optimal scheduling for microgrids considering flexible load control | |
| CN116108360A (zh) | 一种区域综合能源系统优化运行控制方法及装置 | |
| Kodama et al. | Home energy management algorithm based on deep reinforcement learning using multistep prediction | |
| CN112836849A (zh) | 一种考虑风电不确定性的虚拟电厂调度方法 | |
| CN115204562B (zh) | 一种计及多能共享的互联微能源网分布式协同优化调度方法和系统 | |
| CN112966869A (zh) | 一种园区综合能源系统优化调度方法和系统 | |
| CN109976155B (zh) | 参与气电市场的虚拟电厂内部随机优化控制方法及系统 |
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 |