CN115481781A - 电力系统联合规划方法及可读存储介质 - Google Patents

电力系统联合规划方法及可读存储介质 Download PDF

Info

Publication number
CN115481781A
CN115481781A CN202210994533.0A CN202210994533A CN115481781A CN 115481781 A CN115481781 A CN 115481781A CN 202210994533 A CN202210994533 A CN 202210994533A CN 115481781 A CN115481781 A CN 115481781A
Authority
CN
China
Prior art keywords
load
energy storage
model
power
power system
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
CN202210994533.0A
Other languages
English (en)
Inventor
保伟中
张葛军
戎树全
郭继军
吴翠翠
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.)
Jiangsu Longyuan Wind Power Generation Co Ltd
Original Assignee
Jiangsu Longyuan Wind Power Generation Co Ltd
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 Jiangsu Longyuan Wind Power Generation Co Ltd filed Critical Jiangsu Longyuan Wind Power Generation Co Ltd
Priority to CN202210994533.0A priority Critical patent/CN115481781A/zh
Publication of CN115481781A publication Critical patent/CN115481781A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/067—Enterprise or organisation modelling
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请提供一种电力系统联合规划方法，包括根据电力系统的拓扑关系建立共享储能联合规划模型以及以所述电力系统的综合经济性最优为上层优化目标，并以典型场景下所述电力系统中的储能系统的运行效果为下层优化目标，采用双层优化方法求解所述共享储能联合规划模型得到所述储能系统的运行计划的步骤。其中的共享储能联合规划模型使用电网信息流与能量流连接基于模糊机会约束规划法描述风电机组出力的源端模型、描述价格激励影响用户需求负荷响应的荷端模型和考虑储能电站使用寿命的储端模型。本申请考虑电力系统的源端与荷端运行的随机性与不确定性，从而实现电力系统的调度平衡，提高能源利用效率并降低系统综合成本投入。

Description

电力系统联合规划方法及可读存储介质
技术领域
本发明涉及电力系统的电力规划技术领域，具体涉及一种电力系统联合规划方法及可读存储介质。
背景技术
随着我国能源系统逐步向清洁化、可再生化转型，清洁电能在社会用能中的占比不断提高，以风电、光伏等清洁能源发电为主的新型电力系统将逐步取代以传统化石能源发电为主的高碳排放电力系统。而新能源出力具有随机性、波动性等特点，对电网的安全稳定运行带来极大影响，主要包括：弃风弃光、调峰调频、稳定性等问题。
传统电网和储能配置运行模式没有考虑用户侧响应的灵活性，导致储能侧和用户侧资源利用不够充分，因而不能有效消纳风电，“弃风弃光”现象时有发生；“源-网-荷-储”各电网模块之间缺乏协同，造成资源浪费，设备投资上升。
发明内容
为了解决现有的电力系统中存在的对用户侧变化缺少响应，电力系统各模块之间缺少协同的问题，本发明提出一种电力系统联合规划方法及可读存储介质。
本发明采用了以下电力系统联合规划方法，包括以下步骤：
S100、根据电力系统的拓扑关系建立共享储能联合规划模型；
S200、以所述电力系统的综合经济性最优为上层优化目标，并以典型场景下所述电力系统中的储能系统的运行效果为下层优化目标，采用双层优化方法求解所述共享储能联合规划模型得到所述储能系统的运行计划；
所述共享储能联合规划模型使用电网信息流与能量流连接以下子模型：
①：基于模糊机会约束规划法描述风电机组出力的源端模型；
②：描述价格激励影响用户需求负荷响应的荷端模型；
③：考虑储能电站使用寿命的储端模型。
具体的，所述S100、根据电力系统的拓扑关系建立共享储能联合规划模型步骤包括：
S110、建立源端模型，通过对所述风电机组的出力预测误差间接描述风电机组出力的不确定性：包括：
S111、采用模糊理论对出力预测误差εwind建模：
Figure RE-GDA0003930852740000011
式中p'wind、pwind分别表示风电预测出力和实际出力；预测误差有两种表现形式，若实际出力高于预测出力，则为正误差，若实际出力低于预测出力，则为负误差；
S113、利用柯西分布计算预测误差的隶属度μwind：
Figure RE-GDA0003930852740000021
式中，E+ wind、E- wind分别表示正误差和负误差的统计平均值；σ为权重；
S115、建立以预测误差ξ的可信性测度Cr(ξ≤εwind)表示的风电机组出力的源端模型：
Figure RE-GDA0003930852740000022
具体的，所述S100根据电力系统的拓扑关系建立共享储能联合规划模型步骤包括：
S120、建立荷端模型，步骤包括
S121、建立基于激励价格的需求响应模型，若负荷参与需求侧响应的需求响应系数的上界为ρup、下界为ρdown，均与激励价格x呈线性关系，表达式如下：
Figure RE-GDA0003930852740000023
Figure RE-GDA0003930852740000024
则激励价格x下的需求响应ρ0∈[ρdown,ρup],
S122、计算在激励价格下参与需求响应的响应负荷总量S：
Figure RE-GDA0003930852740000025
其中，记用户参与需求响应为事件j，参与的用户数量为Nj，激励价格为xj，ρ(xj)为用户参与需求响应的响应系数，其取值范围为ρ(xj)∈[ρdown，ρup]，Sj为某一用户的需求负荷总量；
S123、计算在激励价格x下的总激励成本支出Cs：
Figure RE-GDA0003930852740000026
S125、建立激励价格对负荷参与需求响应的影响模型，负荷参与响应的形式分为转移、削减、中断三种，分别对应可转移负荷模型、可削减负荷模型以及可中断负荷模型；将一天分为N个调控负荷时段T，则：
可削减负荷模型：
Figure RE-GDA0003930852740000031
式中，ρLAr，t为t时刻负荷可削减的系数；St为t时刻用户负荷容量；PLAr，t为t时刻负荷削减功率；WLAr，T为可削减负荷在T时段的削减量；t LAr与
Figure RE-GDA0003930852740000032
分别为负荷削减的起始和终止时间；W LAr，T与
Figure RE-GDA0003930852740000033
分别为T时段负荷可削减容量的下限和上限；
可转移负荷模型：
Figure RE-GDA0003930852740000034
式中，ρLAs，t为t时刻负荷的可转移系数；PLAs，t为t时刻负荷可转移功率；t LAs与
Figure RE-GDA0003930852740000035
为负荷转移的起止时刻，WLAs，T为T时段负荷的可转移量；
Figure RE-GDA0003930852740000036
与W LAs，T分别为T时段负荷可转移容量的上下限；
可中断负荷模型：
Figure RE-GDA0003930852740000037
PLAt，t为t时刻负荷的可中断功率；ρLAt，t为t时刻负荷的可中断系数；t LAt与
Figure RE-GDA0003930852740000038
为负荷中断的起止时刻；WLAt，T为T时段负荷的可中断量；
Figure RE-GDA0003930852740000039
与W LAt，T分别为可中断负荷中断容量的上下限。
7.如权利要求3所述的电力系统联合规划方法，其特征在于，所述S100根据电力系统的拓扑关系建立共享储能联合规划模型步骤包括：
S130、建立储端模型以描述充放电过程对电池寿命的影响，在经历了n次放电行为后，电池的实际电量表达式为：
Figure RE-GDA00039308527400000310
其中，，
其中，i为放电次数的计数，ΓA是无量纲系数、ΓR储能系统的额定寿命，di eff为第i次放电过程的损耗量：
Figure RE-GDA0003930852740000041
式中，Di表示某次储能工作在非额定状态下的放电深度；Pi ES，dis表示与Di对应的放电功率，IR表示储能电池在额定状态下的放电电流；PR表示额定状态下储能电池的功率，a、b、c均为影响影响系数。
优选的，所述S200、以所述电力系统的综合经济性最优为上层优化目标，并以典型场景下所述电力系统中的储能系统的运行效果为下层优化目标，采用双层优化方法求解所述共享储能联合规划模型得到所述储能系统的日运行计划步骤包括：
S210、以综合经济性最优确定上层优化优化目标的目标函数，为：
Figure RE-GDA0003930852740000042
式中，Fupper为上层决策模型目标函数；Cd inv、、Cd FOM分别为储能系统日均投资费用和固定维护费用；εsc为场景sc的发生概率；
Figure RE-GDA0003930852740000043
为典型运行场景sc下储能系统的可变维护费用；
Figure RE-GDA0003930852740000044
为电网在典型运行场景sc下的运行费用；
Figure RE-GDA0003930852740000045
为延缓电网设备投资升级收益；；Cs为需求响应成本；
S220、确定下层目标优化的目标函数，包括：
优化目标1，电网净负荷方差最小，表达式为：
Figure RE-GDA0003930852740000046
优化目标2，电网净负荷变化量平方最小，表达式为：
Figure RE-GDA0003930852740000047
优化目标3，储能系统在电网故障时所能提供的功率支持水平最大，目标函数为：
Figure RE-GDA0003930852740000048
式中，
Figure RE-GDA0003930852740000049
为储能系统的备用支持功率。
优选的，所述S200、以所述电力系统的综合经济性最优为上层优化目标，并以典型场景下所述电力系统中的储能系统的运行效果为下层优化目标，采用双层优化方法求解所述共享储能联合规划模型得到所述储能系统的日运行计划步骤包括：
S230、以多种群分层混沌差分粒子群作为基本架构，求解上层决策模型，求解最优综合运行费用；
S240、使用模糊满意度最大法对下层三个目标进行寻优；求取多目标线性隶属度，采用降半梯形隶属度函数曲线分别求取下层决策模型的三个目标函数线性隶属度，以评估相应目标函数的满意度，计算得到最大模糊满意度，作为下层决策模型的目标函数，求取储能系统在不同典型运行场景下最优运行计划。
本申请还提供一种用于上述方法的可读储存介质，存储有计算机程序，所述计算机程序被处理器执行时，使所述处理器执行上述电力系统联合规划方法的步骤。本发明考虑电力系统的源端与荷端运行的随机性与不确定性，采用基于模糊机会约束规划方法描述风电出力的不确定性，考虑价格激励对荷端的影响，同时考虑了储端的使用寿命与成本投入，从而实现了电力系统“源-网-荷-储”的联合规划，通过对联合规划模型采用双层求解算法，将系统经济性与储能系统的运行计划分步求解，降低算法复杂度，实现算法的实用性，从而实现电力系统的调度平衡，减少资源损失，提高能源利用效率并降低系统综合成本投入。
附图说明
图1是本申请的技术方案的整体流程图；
图2是本申请的电力系统的结构图；
图3是电力系统夏季的典型日负荷曲线；
图4是价格激励曲线与需求影响系数之间的关系曲线；
图5是需求相应曲线的构成关系示意图；
图6为上层决策模型求解流程；
图7为下层决策模型求解流程。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
图1为本申请的整体流程图，本申请的电力系统联合规划方法，包括以下步骤：
S100、根据电力系统的拓扑关系建立共享储能联合规划模型；该联合规划模型中包括：
①：基于模糊机会约束规划法描述风电机组出力的源端模型；
②：描述价格激励影响用户需求负荷响应的荷端模型；
③：考虑储能电站使用寿命的储端模型。
S200、以所述电力系统的综合经济性最优为上层优化目标，并以典型场景下所述电力系统中的储能系统的运行效果为下层优化目标，采用双层优化方法求解所述共享储能联合规划模型得到所述储能系统的运行计划。
图2是电力系统的结构示意图，在现实的电力系统网络中，源端、荷端以及储端通过电网实现能量流与信息流的传输，其中加入储端实现电网的共享储能。源端即发电侧，在本申请中源端既包括传统的火电、水电机组，也包括新兴的光伏电站、风电机组等可再生能源；荷端即用电侧，由于用户分散，用户生产生活差异巨大，因此单一用户的用电需求在一定范围内具有随机性，但在统计学意义上特定因素对总的用户需求方向的影响是可以确定的；储端即储能侧，由于风电机组、光伏电站的发电能力受环境影响，波动较大，影响电网的能量平衡，因此需要在电网中设置储能侧，通过储能侧在发电高峰期，吸收电网的剩余电量；在发电低谷期，通过储能侧在发电低谷期释放电能，保持电网平衡。网端，即电网，通过输变电设备在源端、荷端以及储端之间完成能量传递，电网中同时设置有调度中心，用于向源端以及储端发出调控信息，调控各部分的运行。即本申请的联合规划模型中通过网端的能量流与信息流实现对上述源端模型、荷端模型以及储端模型的连接。
调度中心主要负责信息流的交互，控制“源-网-荷-储”四个部分的信息交换，通过信息流调度能量流，实现能量的实时互动，实时平衡，提升能源利用效率。此外，调度中心结合能量流动情况，采取相应的价格激励，在一定范围内调动用户参与需求响应，例如在负荷高峰时段通过价格补贴鼓励用户减少电能使用。
风电机组等可再生能源机组出力优先并网，在风力发电高峰期，如风电无法全额并网，并网余量全部低价输送到储能电站存储备用。
电网通过调度中心与新能源发电机组、储能、常规负荷实时进行信息流、能量流交互。在负荷高峰期，优先吸纳新能源并网，从储能电站购置存储电能，鼓励用户主动参与需求响应，多措并举进行电网削峰；在负荷低谷期，发电余量低价售至储能电站存储，无需新能源并网及用户参与需求响应。
储能电站在负荷低谷期存储来自电网和新能源机组的低价电能，在负荷高峰期对电网供电，“低储高发”套利抛去其他，单从理论分析低储高发不符合逻辑，辅助电网削峰，增强系统稳定性，提升能源利用效率。同时储能在电网出现故障时可以充当备用电源对用户供电，当电网无法吸纳用户的分布式光伏并网时，储能也可吸纳用户发电余量。
常规负荷为一般用户的用电负荷，在用电高峰期，通过调度中心发布的价格激励，结合自身情况，在一定范围内主动参与需求响应，获取一定收益，同时，用户也可选的通过分布式发电装置发电，售卖给电网或储能电站获取一定收益。
举例而言,以某110kv线路为研究对象，假设配置1MW储能电站1座，分布式储能若干，采用夏季典型日进行分析，以1h为单位，将典型日划分为24个时段。夏季典型日基准电价为某区域夏季(7～9月)10kV 工商业分时电价，其电价在高峰、平段和低谷时分别为1.15元/kWh、0.73元/kWh和0.45元/kWh。激励价格采用电价高峰时段补贴价格为0.3元/kWh，电价平段时补贴价格为0.2元/kWh，电价低谷时段补贴价格为0.1元/kWh的激励方案。此时，夏季典型日负荷曲线如图3所示。
本申请的S100中建立共享储能联合规划模型的步骤包括下面的步骤。
S110、建立源端模型。
如前所述，电网中的可再生能源发电机组发电能力受环境影响，波动较大。为了表征源端可再生能源的波动性、随机性，本技术方案采用基于模糊机会约束的规划方法对源端进行建模。
以风电机组为例，风电机组出力一般指其发电功率，风电机组出力的随机性问题可以转化为对其出力预测误差的随机性问题。即假设对风电机组出力的预测值是确定的，那么风电机组的出力的随机性，出力预测误差(即预测值与实际出力的误差)的随机性之间是等价的。因此可以从出力预测误差的角度出发，采用模糊理论对预测误差建模，通过风电机组出力预测误差的不确定性间接描述风电机组出力的不确定性。
模糊机会约束规划法可以表达为：
M[g(x,ξ)≤0]≥α,
式中：α为置信水平；g为约束条件集合；ξ为模糊变量；x为决策变量；M为事件A的测度函数，有 M(A)＝Cr(ξ∈A)
Figure RE-GDA0003930852740000071
式中μ为模糊变量ξ的隶属度函数，sup表示取上界。
因此基于S110建立源端模型中采用模糊机会约束的规划方法对风电机组进行建模的步骤为：
S111、对风电机组的出力预测误差εwind建模，有：
Figure RE-GDA0003930852740000072
式中p'wind、pwind分别表示风电预测出力和实际出力；预测误差有两种表现形式，若实际出力高于预测出力，则为正误差，若实际出力低于预测出力，则为负误差；
S113、利用柯西分布计算预测误差的隶属度μwind：
Figure RE-GDA0003930852740000073
式中，E+ wind、E- wind分别表示正误差和负误差的统计平均值；σ为权重；
S115、建立以预测误差ξ的可信性测度Cr(ξ≤εwind)表示的风电机组出力的源端模型：
Figure RE-GDA0003930852740000081
该模型的约束条件为：
Cr(ξ≤εwind)≥α。
S120、建立荷端模型。
由于用户的不同需求具有不同的需求刚性，在受到价格激励的情况下，用户需求可以在一定范围内改变，但是用户在不同需求刚性下对价格激励的响应是不一样的，因此需要分类建立价格激励模型。
S121、建立基于激励价格的需求响应模型。如图3所示，示出了荷端用户的价格激励曲线，由响应系数上界ρup与响应系数下界ρdown围成的三角区域及其边界以及线段CE所构成的部分为用户的响应空间。当激励价格为0时，用户虽然具有一定的响应空间AD，但是具有很强的不确定性，表现为AD的长度最大。随着激励价格不断增加，需求响应系数增大，用户会倾向于减少负荷使用，负荷量增加的随机性降低，波动范围降低；当激励价格到达临界点B时，用户可以保证不会增加用能负荷，B点由负荷削减/转移/中断成本的最大值确定，三者中最大值下的激励价格为B点的X0。当激励价格达到饱和点C时，用户需求响应系数最大，波动范围近似忽略，是模型的最大有效激励强度，C点由响应系数最大时的成本确定。
图中的响应系数上界ρup与响应系数下界ρdown为：
Figure RE-GDA0003930852740000082
Figure RE-GDA0003930852740000083
S122、计算在激励价格下参与需求响应的响应负荷总量S：
Figure RE-GDA0003930852740000084
其中，记用户参与需求响应为事件j，参与的用户数量为Nj，激励价格为xj，ρ(xj)为用户参与需求响应的响应系数，其取值范围为ρ(xj)∈[(ρdown，ρup]，Sj为某一用户的需求负荷总量。
S123、计算在激励价格下的总激励成本支出Cs：
Figure RE-GDA0003930852740000091
S125、建立激励价格对负荷参与需求响应的影响模型。负荷参与响应的形式分为转移、削减、中断三种，分别对应可转移负荷模型、可削减负荷模型以及可中断负荷模型；将一天分为N个调控负荷时段T，则：
可削减负荷模型：
Figure RE-GDA0003930852740000092
式中，ρLAr，t为t时刻负荷可削减系数，可削减系数的曲线如图5(a)所示；St为t时刻用户负荷容量； PLAr，t为t时刻负荷削减功率；WLAr，T为可削减负荷在T时段的削减量；t LAr与
Figure RE-GDA0003930852740000093
分别为负荷削减的起始和终止时间；W LAr，T与
Figure RE-GDA0003930852740000094
分别为T时段负荷可削减容量的下限和上限；
可转移负荷模型：
Figure RE-GDA0003930852740000095
式中，ρLAs，t为t时刻负荷的可转移系数，可削减系数的曲线如图5(b)所示；PLAs，t为t时刻负荷可转移功率；t LAs与
Figure RE-GDA0003930852740000096
为负荷转移的起止时刻，WLAs，T为T时段负荷的可转移量；
Figure RE-GDA0003930852740000097
与W LAs，T分别为T时段负荷可转移容量的上下限；负荷转移时间应不少于最短持续时间Tmin。
可中断负荷模型：
Figure RE-GDA0003930852740000098
则激励价格xj下荷端的总的需求响应系数为三种情况下响应系数的线性组合：
ρ(xj)＝λ·ρLAr，t+μ·ρLAs，t+ν·ρLAt，t，(λ+μ+ν＝1)。
其中，λ、μ、ν为待定系数，由统计的用户的用电习惯确定，PLAt，t为t时刻负荷的可中断功率；ρLAt，t为t时刻负荷的可中断系数，可中断系数的曲线如图5(c)所示；t LAt与
Figure RE-GDA0003930852740000099
为负荷中断的起止时刻； WLAt，T为T时段负荷的可中断量；
Figure RE-GDA00039308527400000910
与W LAt，T分别为可中断负荷中断容量的上下限；负荷转移时间应不少于最短持续时间Tmin。
图4中合成后的需求响应曲线是由可削减/可转移/可中断负荷需求响应曲线组合而成。从图5(a)可见，可削减负荷需求响应的成本上限较低，无激励价格时的需求响应系数也低于合成曲线，需求响应系数最大值较低，响应系数最大时的成本也很低。从图5(b)可见，可转移负荷在没有价格激励时的需求响应系数略低于合成后曲线，可转移负荷需求响应成本最大值与合成后曲线相同，可转移负荷需求响应系数最大值略低于合成后曲线，响应系数上限时对应的成本高于合成后曲线。从图5(c)可见，可中断负荷在没有价格激励时的需求响应系数与合成后曲线相同，可中断负荷的需求响应成本最大值低于合成曲线，需求响应系数的最大值高于合成曲线，响应系数上限对应的成本低于合成曲线。
S130、建立储端模型。
在使用化学电池进行储能的储能系统中，储能电池的充放电过程的实时电量为：
Figure RE-GDA0003930852740000101
充放电过程的约束条件为：
Figure RE-GDA0003930852740000102
Figure RE-GDA0003930852740000103
为储能系统在t-1时刻的充放电功率，取Δt＝1，故储能在某时段的充放电功率与充放电电量在数值上相等。
Figure RE-GDA0003930852740000104
表示储能电池在t时刻储能装置电量，
Figure RE-GDA0003930852740000105
表示储能在t-1时段处于放电状态，反之，处于充电状态；η为储能电池的充放电效率。对当前时刻t储能系统充放电进行约束，其中Ssocmax和Ssocmin表示储能荷电状态的上下限；Pb.max表示储能的最大放电功率，-Pb.max为储能的最大充电功率。
对于储能系统的寿命损耗，储能系统在运行期间的循环次数对电池寿命影响很大，考虑储能装置的充放电行为会直接减小电池寿命。规定储能工作在额定运行条件下，全寿命周期内的总放电量为总有效放电电量GR(Ah)，有
GR＝LRDRCR。
其中，LR表示储能工作在额定状态下的循环寿命(次)；DR表示额定状态下的放电深度；CR表示储能的额定容量(Ah)。
在电网实际运行中，储能电池运行在非额定状态时的寿命损耗度与放电深度、放电速率密切相关。通过计算非额定状态下储能电池放电量da，将da等效为额定状态下储能电池的放电量deff，并对电网运行周期内各放电过程的deff进行叠加，判断是否达到总有效放电电量GR，当等于GR时，表示储能电池已无法使用。
储能电池在运行时的循环寿命LA与储能电池的实际放电深度D有关：
LA＝a×D-b×e-cD，
式中，a、b、c分别为影响系数，且有a>0，b>0，c>0。可见，循环寿命LA与放电深度D呈负相关。
另一方面，非额定状态下储能电池放电量da和额定状态下储能电池的放电量deff的关系为：
Figure RE-GDA0003930852740000111
由于考虑电网工作在并网运行模式时，储能系统的功率和电流具有一致的变化趋势，故放电速率与储能寿命的损耗程度之间存在关系：
Figure RE-GDA0003930852740000112
其中，IR表示储能电池在额定状态下的放电电流；PR表示额定状态下储能电池的功率；IES表示在非额定状态下储能电池的放电电流；PES,dis表示与IES对应的放电功率。
整合上面的关系，可以得到电池的容量损耗模型：
Figure RE-GDA0003930852740000113
式中，i为放电次数的计数，Di表示某次储能工作在非额定状态下的放电深度；
Figure RE-GDA0003930852740000114
和
Figure RE-GDA0003930852740000115
分别表示与Di对应的放电功率和放电量。
在此基础上可以得到电池的。将电池在非额定状态下的放电过程转化为额定状态下的放电过程，每一次放电行为都会使电池产生损耗。假设在运行周期内产生了n次放电行为，此时电池的实际电量为：
Figure RE-GDA0003930852740000116
其中，i为放电次数的计数，ΓA是无量纲系数、ΓR储能系统的额定寿命。
需要说明的是本申请中上述S110、S120、S130的建模过程是对不同的子系统的建模，因此并没有步骤上的先后顺序要求。
前述，电网中同时设置有调度中心，用于向源端以及储端发出调控信息，调控各部分的运行。即本申请的联合规划模型中通过网端(含调度中心)的能量流与信息流实现对上述源端模型、荷端模型以及储端模型的连接，因此由电网连接关系确定了源端、储端、荷端之间的一组边界条件。这些边界条件以及其他约束条件如下：
电网功率平衡约束：
Figure RE-GDA0003930852740000121
Figure RE-GDA0003930852740000122
电网节点电压约束：
Figure RE-GDA0003930852740000123
电网支路传输功率约束：
Figure RE-GDA0003930852740000124
储能系统功率递推关系时序约束：
Figure RE-GDA0003930852740000125
Figure RE-GDA0003930852740000126
储能系统日充放电循环约束：
Figure RE-GDA0003930852740000127
储能系统最大充(放)电功率约束：
Figure RE-GDA0003930852740000128
储能系统充(放)电深度约束：
Figure RE-GDA0003930852740000129
储能系统在峰谷时段充(放)电功率约束：
Figure RE-GDA00039308527400001210
Figure RE-GDA00039308527400001211
用户需求响应约束：
用户需求响应约束包含
响应容量约束，
Figure RE-GDA00039308527400001212
响应系数约束，
Figure RE-GDA0003930852740000131
和可靠度约束。
0≤ρ≤α。
对于建立的上述共享储能联合规划模型，电网对荷端的调度能力是有限的，荷端的需求由用户确定，可以由激励价格影响，但无法通过电网直接调控；源端的出力，我们总是希望基本上在条件许可的条件下出力最大，因此对电网调度中对源端的调度也是简单易行的，电网调度计划的关键在于储能系统的运行计划。本申请采用双层优化方法求解储能系统的运行计划。具体的优化目标为：以所述电力系统的综合经济性最优为上层优化目标，并以典型场景下所述电力系统中的储能系统的运行效果为下层优化目标。其步骤包括：
S210、以综合经济性最优确定上层优化优化目标的目标函数，表达为：
Figure RE-GDA0003930852740000132
式中，Fupper为上层决策模型目标函数；Cd inv、、Cd FOM分别为储能系统日均投资费用和固定维护费用；εsc为场景sc的发生概率；
Figure RE-GDA0003930852740000133
为典型运行场景sc下储能系统的可变维护费用；
Figure RE-GDA0003930852740000134
为电网在典型运行场景sc下的运行费用；
Figure RE-GDA0003930852740000135
为延缓电网设备投资升级收益；；Cs为需求响应成本；
S220、确定下层目标优化的目标函数。
下层决策的目标函数主要是根据储能系统在新能源发电机组正常运行时起到的移峰填谷和平滑功率波动的作用；在系统发生故障时，提高储能系统为电网提供的功率支持作用，从而归纳制定模糊多目标优化运行策略。因此其本身涉及多个优化目标。
优化目标1：
削峰填谷，延缓电网升级改造。储能系统能够通过在负荷波峰与波谷之间的有效充、放电实现负荷的削峰填谷。一方面，可以利用峰谷差电价降低运行费用，另一方面，可以一定程度上延缓因负荷增长对电网升级改造。本申请实施例中，将一天划分为24个时间段，当然在其他的实现中将一天划分当合适的其他分段也是可以接受的，据此确定下层优化算法中的优化目标之一为电网净负荷方差最小，表达式为：
Figure RE-GDA0003930852740000136
式中
Figure RE-GDA0003930852740000137
为典型场景下电网负荷，
Figure RE-GDA0003930852740000138
为典型场景下电网负荷平均值。
优化目标2：
新能源消纳，平抑波动。合理调度储能系统充放电功率能够一定程度平抑可再生能源发电系统输出功率与负荷波动性的叠加影响，使配电系统与上级电网的交换功率波动水平最小。据此以电网净负荷变化量平方最小为优化目标之一，表达式为：
Figure RE-GDA0003930852740000141
式中
Figure RE-GDA0003930852740000142
为t时刻典型场景的负荷，
Figure RE-GDA0003930852740000143
为典型场景下前一时刻负荷平均值。
优化目标3：
提高可靠性及储能备用能力。储能系统的引入能够在电网发生故障时，为系统部分重要负荷提供功率支持，提高电网的供电可靠性，并能够一定程度上参与故障恢复。为了表示储能系统在电网故障时所能提供的功率支持水平，通过储能系统备用支持能力，反映储能系统在t时刻运行约束条件下为电网提供的最大功率支持。目标函数为：
Figure RE-GDA0003930852740000144
式中，
Figure RE-GDA0003930852740000145
为储能系统的备用支持功率。
S230、对于电力系统的综合经济性最优这一上层优化目标通过多种群分层混沌差分粒子群作为基本架构进行求解以得到最优综合运行费用；大体上而言，采用多种群分层混沌差分粒子群算法求解上层最优综合运行费用时，输入储能系统日均投资费用、储能系统日运行维护费用、典型场景下系统日运行费用、延缓电网改造收益相关参数指标，通过图6中的混沌差分粒子群算法过程得到目标函数各组成项目的最大值与最小值，从而计算最优综合运行费用。
S240、使用模糊满意度最大法对下层三个目标进行寻优。
当同时考虑两个或者两个以上目标函数的优化时，就构成多目标优化问题。在下层决策模型当中，三个优化目标也存在着矛盾关系，即储能系统参与削峰填谷和平抑波动时，必定会降低储能系统的水平，进而导致其备用支持能力下降。因此，需要对下层三个目标进行有效处理，以获得较为平衡的综合最优解。
对此，本申请基于模糊数学理论利用模糊满意度最大法对下层决策模型的三个优化目标进行处理，并以模糊满意度最大作为下层决策模型的优化目标进行寻优，求取多目标线性隶属度，采用降半梯形隶属度函数曲线分别求取下层决策模型的三个目标函数线性隶属度，以评估相应目标函数的满意度，计算得到最大模糊满意度，作为下层决策模型的目标函数。
在此基础上，采用模糊多目标混沌粒子群算法求取储能系统在不同典型运行场景下最优运行计划。如图7所示，输入新能源机组、电网、储能、负荷的基本数据以及上层优化算法得到的候选解，通过粒子群算法求解系统运行数据，通过潮流计算获得种群适应度值，考虑新能源消纳、负荷削峰填谷、电网备用支持能力等指标进行种群更新，求解最优运行计划。
考虑到上述用于求解上层优化目标的混沌差分粒子群算法以及用于求解下层优化目标的模糊多目标混沌粒子群算法属于多目标优化领域的常用算法，算法步骤是公知的，本申请不作详细说明，但应当视为本领域技术人员在本说明书公开的内容的基础上，可选地将上述算法应用于本申请技术方案的求解中。
将传统储能配置方法与本发明的共享储能配置方法进行对比，比较综合收益、可再生能源消纳量、能源利用率三个指标，结果如表1所示。
Figure RE-GDA0003930852740000151
表1：传统储能配置方法与共享储能配置方法对比
共享储能需要另外考虑需求响应补贴、调度成本、转型升级成本等，建设成本高于传统储能，但是其综合收益、可再生能源消纳量、能源利用效率均高于传统储能，可以有效缓解可再生能源并网带来的冲击，提升了电网的稳定性，同时增强了电网对可再生能源的消纳能力，有效提升能源利用效率，效果较为明显。
综上所述，本发明考虑“源-荷”出力的不确定性，以风电机组出力波动为例，采用基于模糊机会约束规划法描述风电出力；挖掘用户主动响应的潜力，建立可转移/削减/中断负荷需求响应模型，通过价格激励，在一定范围内控制用户参与需求响应，辅助电网进行削峰；考虑储能电站的充放电及寿命损耗等因素建立储能电站的数学模型；基于上述模型建立“源-网-荷-储”四位一体的共享储能联合规划模型并求解，以增强电网的可再生能源消纳能力，减少“弃风”现象，提升能源利用效率。
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。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (7)

1.一种电力系统联合规划方法，其特征在于，包括以下步骤：
S100、根据电力系统的拓扑关系建立共享储能联合规划模型；
S200、以所述电力系统的综合经济性最优为上层优化目标，并以典型场景下所述电力系统中的储能系统的运行效果为下层优化目标，采用双层优化方法求解所述共享储能联合规划模型得到所述储能系统的运行计划；
所述共享储能联合规划模型使用电网信息流与能量流连接以下子模型：
基于模糊机会约束规划法描述风电机组出力的源端模型；
描述价格激励影响用户需求负荷响应的荷端模型；
考虑储能电站使用寿命的储端模型。
2.如权利要求1所述的电力系统联合规划方法，其特征在于，所述S100、根据电力系统的拓扑关系建立共享储能联合规划模型步骤包括：
S110、建立源端模型，通过对所述风电机组的出力预测误差间接描述风电机组出力的不确定性：包括：
S111、采用模糊理论对出力预测误差εwind建模：
Figure FDA0003805030600000011
式中p'wind、pwind分别表示风电预测出力和实际出力；预测误差有两种表现形式，若实际出力高于预测出力，则为正误差，若实际出力低于预测出力，则为负误差；
S113、利用柯西分布计算预测误差的隶属度μwind：
Figure FDA0003805030600000012
式中，E+ wind、E- wind分别表示正误差和负误差的统计平均值；σ为权重；
S115、建立以预测误差ξ的可信性测度Cr(ξ≤εwind)表示的风电机组出力的源端模型：
Figure FDA0003805030600000013
3.如权利要求2所述的电力系统联合规划方法，其特征在于，所述S100根据电力系统的拓扑关系建立共享储能联合规划模型步骤包括：
S120、建立荷端模型，步骤包括
S121、建立基于激励价格的需求响应模型，若负荷参与需求侧响应的需求响应系数的上界为ρup、下界为ρdown，均与激励价格x呈线性关系，表达式如下：
Figure FDA0003805030600000014
Figure FDA0003805030600000015
则激励价格x下的需求响应ρ0∈[ρdown，ρup]，
S122、计算在激励价格下参与需求响应的响应负荷总量S：
Figure FDA0003805030600000021
其中，记用户参与需求响应为事件j，参与的用户数量为Nj，激励价格为xj，ρ(xj)为用户参与需求响应的响应系数，其取值范围为ρ(xj)∈[ρdowm，ρup]，sj为某一用户的需求负荷总量；
S123、计算在激励价格x下的总激励成本支出Cs：
Figure FDA0003805030600000022
S125、建立激励价格对负荷参与需求响应的影响模型，负荷参与响应的形式分为转移、削减、中断三种，分别对应可转移负荷模型、可削减负荷模型以及可中断负荷模型；将一天分为N个调控负荷时段T，则：
可削减负荷模型：
Figure FDA0003805030600000023
式中，ρLAr，t为t时刻负荷可削减的系数；St为t时刻用户负荷容量；PLAr，t为t时刻负荷削减功率；WLAr，T为可削减负荷在T时段的削减量；t LAr与
Figure FDA0003805030600000024
分别为负荷削减的起始和终止时间；W LAr，T与
Figure FDA0003805030600000025
分别为T时段负荷可削减容量的下限和上限；
可转移负荷模型：
Figure FDA0003805030600000026
式中，ρLAs，t为t时刻负荷的可转移系数；PLAs，t为t时刻负荷可转移功率；t LAs与
Figure FDA0003805030600000027
为负荷转移的起止时刻，WLAs，T为T时段负荷的可转移量；
Figure FDA0003805030600000028
与W LAs，T分别为T时段负荷可转移容量的上下限；
可中断负荷模型：
Figure FDA0003805030600000029
PLAt，t为t时刻负荷的可中断功率；ρLAt，t为t时刻负荷的可中断系数；t LAt与
Figure FDA00038050306000000210
为负荷中断的起止时刻；WLAt，T为T时段负荷的可中断量；
Figure FDA00038050306000000211
与W LAt，T分别为可中断负荷中断容量的上下限。
4.如权利要求3所述的电力系统联合规划方法，其特征在于，所述S100根据电力系统的拓扑关系建立共享储能联合规划模型步骤包括：
S130、建立储端模型以描述充放电过程对电池寿命的影响，在经历了n次放电行为后，电池的实际电量表达式为：
Figure FDA0003805030600000031
其中，i为放电次数的计数，ΓA是无量纲系数、ΓR储能系统的额定寿命，di eff为第i次放电过程的损耗量：
Figure FDA0003805030600000032
式中，Di表示某次储能工作在非额定状态下的放电深度；Pi ES，dis表示与Di对应的放电功率，IR表示储能电池在额定状态下的放电电流；PR表示额定状态下储能电池的功率，a、b、c均为影响影响系数。
5.如权利要求4所述的电力系统联合规划方法，其特征在于，所述S200、以所述电力系统的综合经济性最优为上层优化目标，并以典型场景下所述电力系统中的储能系统的运行效果为下层优化目标，采用双层优化方法求解所述共享储能联合规划模型得到所述储能系统的日运行计划步骤包括：
S210、以综合经济性最优确定上层优化优化目标的目标函数，为：
Figure FDA0003805030600000033
式中，Fupper为上层决策模型目标函数；Cd inv、、Cd FOM分别为储能系统日均投资费用和固定维护费用；εsc为场景sc的发生概率；
Figure FDA0003805030600000034
为典型运行场景sc下储能系统的可变维护费用；
Figure FDA0003805030600000035
为电网在典型运行场景sc下的运行费用；
Figure FDA0003805030600000036
为延缓电网设备投资升级收益；Cs为需求响应成本；
S220、确定下层目标优化的目标函数，包括：
优化目标1，电网净负荷方差最小；
优化目标2，电网净负荷变化量平方最小；
优化目标3，储能系统在电网故障时所能提供的功率支持水平最大。
6.如权利要求5所述的电力系统联合规划方法，其特征在于，所述S200、以所述电力系统的综合经济性最优为上层优化目标，并以典型场景下所述电力系统中的储能系统的运行效果为下层优化目标，采用双层优化方法求解所述共享储能联合规划模型得到所述储能系统的日运行计划步骤包括：
S230、以多种群分层混沌差分粒子群作为基本架构，求解上层决策模型，求解最优综合运行费用；
S240、使用模糊满意度最大法对下层三个目标进行寻优；求取多目标线性隶属度，采用降半梯形隶属度函数曲线分别求取下层决策模型的三个目标函数线性隶属度，以评估相应目标函数的满意度，计算得到最大模糊满意度，作为下层决策模型的目标函数，求取储能系统在不同典型运行场景下最优运行计划。
7.一种计算机可读储存介质，存储有计算机程序，所述计算机程序被处理器执行时，使所述处理器执行如权利要求1-7任一项所述的电力系统联合规划方法的步骤。
CN202210994533.0A 2022-08-18 2022-08-18 电力系统联合规划方法及可读存储介质 Pending CN115481781A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210994533.0A CN115481781A (zh) 2022-08-18 2022-08-18 电力系统联合规划方法及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210994533.0A CN115481781A (zh) 2022-08-18 2022-08-18 电力系统联合规划方法及可读存储介质

Publications (1)

Publication Number Publication Date
CN115481781A true CN115481781A (zh) 2022-12-16

Family

ID=84421749

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210994533.0A Pending CN115481781A (zh) 2022-08-18 2022-08-18 电力系统联合规划方法及可读存储介质

Country Status (1)

Country Link
CN (1) CN115481781A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116128262A (zh) * 2023-04-19 2023-05-16 山东科技大学 一种综合能源系统低碳调度方法及系统
CN117439047A (zh) * 2023-09-21 2024-01-23 国网河北省电力有限公司正定县供电分公司 城区配网精准规划方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116128262A (zh) * 2023-04-19 2023-05-16 山东科技大学 一种综合能源系统低碳调度方法及系统
CN116128262B (zh) * 2023-04-19 2023-07-25 山东科技大学 一种综合能源系统低碳调度方法及系统
CN117439047A (zh) * 2023-09-21 2024-01-23 国网河北省电力有限公司正定县供电分公司 城区配网精准规划方法
CN117439047B (zh) * 2023-09-21 2024-03-22 国网河北省电力有限公司正定县供电分公司 城区配网精准规划方法

Similar Documents

Publication Publication Date Title
Yang et al. Real-time demand side management for a microgrid considering uncertainties
Wu et al. Dynamic economic dispatch of a microgrid: Mathematical models and solution algorithm
CN115481781A (zh) 电力系统联合规划方法及可读存储介质
Ghanbarzadeh et al. Reliability constrained unit commitment with electric vehicle to grid using hybrid particle swarm optimization and ant colony optimization
CN107612041B (zh) 一种考虑不确定性的基于事件驱动的微电网自动需求响应方法
CN110518580A (zh) 一种考虑微网主动优化的主动配电网运行优化方法
CN112036934A (zh) 考虑热电协调运行的负荷聚合商参与需求响应的报价方法
CN104915725B (zh) 计及实时电价的微网用户群电能优化互济交易方法
James et al. Optimal V2G scheduling of electric vehicles and unit commitment using chemical reaction optimization
Xu et al. Multi-objective chance-constrained optimal day-ahead scheduling considering BESS degradation
CN111682536B (zh) 虚拟电厂参与日前双重市场的随机-鲁棒优化运行方法
CN111969613A (zh) 一种需求响应优化调度方法及系统
Chandran et al. Demand response and consumer inconvenience
CN110889581A (zh) 一种电动汽车参与的台区优化调度方法和系统
Kiani et al. An extended state space model for aggregation of large-scale EVs considering fast charging
CN116316567A (zh) 一种阶梯碳交易机制下综合能源需求响应优化方法
CN116191556A (zh) 考虑新能源消纳和机组组合的5g基站需求响应方法及系统
CN111193293A (zh) 配电网协调多主体调度处理方法及装置
Nourianfar et al. Economic emission dispatch considering electric vehicles and wind power using enhanced multi-objective exchange market algorithm
CN110070210B (zh) 一种多微电网系统能量管理与贡献度评估方法和系统
CN111724254A (zh) 调峰辅助服务与电能量联合出清方法、系统、装置及介质
Liu et al. Multi-agent based hierarchical power scheduling strategy for active distribution network
Liu et al. Market for multi-dimensional flexibility with parametric demand response bidding
Garroussi et al. A hybrid non-dominated sorting genetic algorithm for a multi-objective demand-side management problem in a smart building.
CN114285093B (zh) 一种源网荷储互动调度方法及系统

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