CN115513945A - 一种基于物联网的分布式电源管理方法 - Google Patents

一种基于物联网的分布式电源管理方法 Download PDF

Info

Publication number
CN115513945A
CN115513945A CN202211307145.7A CN202211307145A CN115513945A CN 115513945 A CN115513945 A CN 115513945A CN 202211307145 A CN202211307145 A CN 202211307145A CN 115513945 A CN115513945 A CN 115513945A
Authority
CN
China
Prior art keywords
distributed power
power supply
particle
things
internet
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
CN202211307145.7A
Other languages
English (en)
Inventor
林海莲
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.)
Shenzhen Lianyu Technology Co ltd
Original Assignee
Shenzhen Lianyu Technology 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 Shenzhen Lianyu Technology Co ltd filed Critical Shenzhen Lianyu Technology Co ltd
Priority to CN202211307145.7A priority Critical patent/CN115513945A/zh
Publication of CN115513945A publication Critical patent/CN115513945A/zh
Pending legal-status Critical Current

Links

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
    • H02J3/007—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
    • 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
    • H02J3/008—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
    • H02J3/28—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
    • H02J3/322—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means the battery being on-board an electric or hybrid vehicle, e.g. vehicle to grid arrangements [V2G], power aggregation, use of the battery for network load balancing, coordinated or cooperative battery charging
    • 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
    • H02J3/48—Controlling the sharing of the in-phase component
    • 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
    • H02J2207/00—Indexing scheme relating to details of circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J2207/20—Charging or discharging characterised by the power electronics converter
    • 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
    • H02J2300/30—The power source being a fuel cell

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于物联网的分布式电源管理方法，包括：基于物联网的数据采集单元采集分布式电源的相关参数；所述相关参数包括：分布式电源产能参数、运能参数、储能参数以及用户的用能参数；基于资源匹配模型对采集的相关参数进行分析，获得资源分配实时数据和资源分配预测数据；基于资源分配实时数据对分布式电源的当前阶段的参数进行配置；基于资源分配预测数据对分布式电源的下一阶段的参数进行配置。通过对分布式电源的当前阶段以及下一阶段的参数进行配置，对分布式电源进行全方面的协调管控，提升分布式电源的合理利用效率。

Description

一种基于物联网的分布式电源管理方法
技术领域
本发明涉及电源技术领域，具体涉及一种基于物联网的分布式电源管理方法。
背景技术
我国电网形式主要是大网络构架，采取集中供电方式，这种电力系统虽然方便能源布局，且经济成本可控，但是也存在超高压、网络结构复杂等问题，因此，通过分布式电源对传统电网进行补充。
分布式电网由众多微小电网或电力系统组成，各个电源按照地理位置为本地负载提供能源，因此，具有组网灵活性高、线损小等优势。
但是分布式电网也存在明显缺陷，由于众多微小电网地理位置分散，不易进行协调管理。另外，现阶段对分布式电源不能进行实时协调管控，同时也不能基于当前数据对分布式电源进行预测协调管控，出现对分布式电源协调管控不精准的问题。
发明内容
本发明提供一种基于物联网的分布式电源管理方法，以解决现有技术中存在的上述问题。
本发明提供一种基于物联网的分布式电源管理方法，包括：
S100，基于物联网的数据采集单元采集分布式电源的相关参数；所述相关参数包括：分布式电源产能参数、运能参数、储能参数以及用户的用能参数；
S200，基于资源匹配模型对采集的相关参数进行分析，获得资源分配实时数据和资源分配预测数据；
S300，基于资源分配实时数据对分布式电源的当前阶段的参数进行配置；
S400，基于资源分配预测数据对分布式电源的下一阶段的参数进行配置。
优选的，所述S100包括：
S101，通过物联网将分布式电源划分为若干个微电网；
S102，基于物联网的数据采集单元获得每个分布式电源的位置信息，将位置信息对应至每个分布式电源；
S103，根据分布式电源的位置信息进行微电网的重新规划，增加位置信息的权重，以新的权重重新计算规划微电网布局。
优选的，所述S100还包括：
S104，将分布式电源形成的微电网并入电网中；
S105，基于物联网的数据采集单元采集电网侧的电网运行参数。
优选的，所述S200中包括构建资源匹配模型，所述资源匹配模型的构建方法包括：
S201，基于分布式电源投资成本、系统网络损耗成本、需求侧响应成本、可靠性成本和节约购电费用构建目标函数；
S202，基于节点潮流方程约束、支路功率约束、节点电压约束、分布式电源容量上限以及需求侧响应负荷约束构建约束条件；
S203，采用改进的粒子群算法以目标函数及约束条件下的最优解，基于最优解确定资源分配实时数据和资源分配预测数据。
优选的，所述S203包括：
S2031，初始化粒子的参数值；所述参数值包括：种群规模、迭代次数；随机产生粒子，构成初始粒子群；
S2032，对粒子进行评价，确定每个粒子的适应度，选择出个体极值和全局极值；
S2033，将现阶段进化过程中的全局极值与粒子个体极值比较，如果全局极值符合进化要求，将粒子信息与全局极值进行信息交换，如果个体极值符合进化要求，将粒子信息与个体极值进行信息交换；
S2034，按照速度公式和位置公式对粒子的位置和速度进行更新，设置惯性权重，所述惯性权重使粒子保持运动惯性，用于描述粒子在上一代中的速度对当前迭代中速度产生的影响，基于惯性权重使粒子在解空间以及之前未达到的区域进行不停搜索，将更新后的粒子设定为新粒子，新粒子按照步骤S2031至S2033进行下一轮进化；
S2035，如果满足最大迭代次数或迭代收敛，则输出最优粒子，否则一直循环，直至确定最优解。
优选的，所述S300包括：确定需求侧响应的分布式电源的参数，具体包括：
S301，初始化粒子群函数，设定粒子群算法参数，所述粒子群算法参数包括：粒子群的群体规模、最大迭代次数、粒子维度、惯性权重起始值和终止值；
S302，输入配电网的原始信息，包括节点和支路数据，确定电压约束上下限，以及分布式电源容量限制和可控负荷上限；
S303，设置迭代次数，随机生成可行域内的若干个粒子，随之产生粒子的初始速度和位置；
S304，对于每个粒子，根据分布式电源的位置信息和容量以及需求响应的负荷参数，采用前推回代法进行潮流计算，若粒子不满足约束条件，则向目标函数中添加罚函数以淘汰该粒子，满足约束条件则执行步骤S305；
S305，计算目标函数，评估每个粒子的适应度，获得个体最优解和全局最优解；
S306，更新迭代次数，更新惯性权重，更新粒子的速度和位置，重新评估每个粒子的适应度；与当前个体最优解和全局最优解的适应值作比较，取适应值高的值作为新一代最优解；
S307，判断是否达到设置的最大迭代次数，若达到，则终止迭代，输出最优解，将该最优解设定为分布式电源的参数。
优选的，所述S103包括：根据物联网采集的配电网有功功耗、用户用电电量的历史数据构建起全网中每个配送电网的历史平均功耗电网图，该历史平均功耗电网图以每个电力设备的接入端作为节点，每个电力设备的电能有功功率变化数据作为该节点的输入权重，即功耗越大路径的值越大，将每个节点之间用有向图连接；再利用大数据平台，将待分析的输送电力的节点选取，根据最短路径法计算出功耗最低的电力流图，并据此优化配电网线路，降低配送电网功耗。
优选的，所述S103还包括：通过以太网与分布式电源终端相连的网络管理设备，所述网络管理设备通过以太网分别与检测设备，智能电能表和能源管控设备相连；电能质量监测装置通过电能质量监测主站与所述能源管控设备相连；
所述网络管理设备实时监测所述分布式电源终端，并将分布式电源监测信息发送至所述能源管控设备；所述能源管控设备依据所述分布式电源监测信息和所述电能质量监测主站发送的电能质量监测信息向所述网络管理设备下发控制指令；所述微电网协调控制器依据所述控制指令向所述分布式电源终端和所述检测设备发送执行指令，基于执行指令对分布式电源终端进行优化。
优选的，所述能源管控设备包括数据通信与采集服务器、数据库服务器、应用服务器、维护设备、打印通讯设备和人机界面交互工作站；所述应用服务器用于可视化展示、效益评估和分布式电源自动发电控制；所述人机界面交互工作站用于对所述分布式电源终端的实时监测和控制。
优选的，所述分布式电源终端包括风力发电终端、光伏发电终端、燃料电池发电终端、储能终端和车网互动终端；所述分布式电源终端将采集的分布式电源的运行状态信号、电压信号、电流信号和功率信号发送到所述微电网协调控制器，并接收所述网络管理设备下发的所述执行指令。
与现有技术相比，本发明具有以下优点：
本发明提供一种基于物联网的分布式电源管理方法，包括：基于物联网的数据采集单元采集分布式电源的相关参数；所述相关参数包括：分布式电源产能参数、运能参数、储能参数以及用户的用能参数；基于资源匹配模型对采集的相关参数进行分析，获得资源分配实时数据和资源分配预测数据；基于资源分配实时数据对分布式电源的当前阶段的参数进行配置；基于资源分配预测数据对分布式电源的下一阶段的参数进行配置。通过对分布式电源的当前阶段以及下一阶段的参数进行配置，对分布式电源进行全方面的协调管控，提升分布式电源的合理利用效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于物联网的分布式电源管理方法的流程图；
图2为本发明实施例中相关参数采集方法的流程图；
图3为本发明实施例中构建资源匹配模型的方法流程图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
本发明实施例提供了一种基于物联网的分布式电源管理方法，请参照图1，该方法包括：
S100，基于物联网的数据采集单元采集分布式电源的相关参数；所述相关参数包括：分布式电源产能参数、运能参数、储能参数以及用户的用能参数；
S200，基于资源匹配模型对采集的相关参数进行分析，获得资源分配实时数据和资源分配预测数据；
S300，基于资源分配实时数据对分布式电源的当前阶段的参数进行配置；
S400，基于资源分配预测数据对分布式电源的下一阶段的参数进行配置。
上述技术方案的工作原理为：本实施例采用的方案是基于物联网的数据采集单元采集分布式电源的相关参数；所述相关参数包括：分布式电源产能参数、运能参数、储能参数以及用户的用能参数；基于资源匹配模型对采集的相关参数进行分析，获得资源分配实时数据和资源分配预测数据；基于资源分配实时数据对分布式电源的当前阶段的参数进行配置；基于资源分配预测数据对分布式电源的下一阶段的参数进行配置。
该方案不但基于采集分布式电源的相关参数获得资源分配实时数据，还可以获得资源分配预测数据，基于资源分配预测数据可以对分布式电源的未来的参数进行配置，保证分布式电源的合理协调管理，提升分布式电源的资源利用情况。另外，对相关参数的采集与分析在后续内容中进行了详细的介绍和说明。
上述技术方案的有益效果为：采用本实施例提供的方案通过对分布式电源的当前阶段以及下一阶段的参数进行配置，对分布式电源进行全方面的协调管控，提升分布式电源的合理利用效率。
另外，需要说明的是，基于资源分配预测数据对分布式电源的下一阶段的参数进行配置，具体实施方式包括：由于根据资源匹配模型可以获得资源分配预测数据，因此，可以基于资源分配预测数据对未来的参数进行配置，上述资源分配预测数据是根据采集的当前的相关数据在获得资源分配实时数据之后，基于资源分配实时数据进行数据预测和分析，获得相应的资源分配预测数据，进而根据资源分配预测数据采用与资源分配实时数据相类似的手段进行分布式电源的参数配置。
而如何通过资源分配实时数据获得资源分配预测数据，可以通过预测模型实现，所述预测模型通过对资源分配实时数据以及相关参数进行学习，获得资源分配实时数据的规律特征，基于规律特征以及环境干扰误差，计算得出资源分配预测数据。所述预测模型通过设置置信规则的方式对多个参数以及多个特征进行置信度计算学习，最终获得资源分配预测数据。
在另一实施例中，请参照图2，所述S100包括：
S101，通过物联网将分布式电源划分为若干个微电网；
S102，基于物联网的数据采集单元获得每个分布式电源的位置信息，将位置信息对应至每个分布式电源；
S103，根据分布式电源的位置信息进行微电网的重新规划，增加位置信息的权重，以新的权重重新计算规划微电网布局。
上述技术方案的工作原理为：本实施例采用的方案是基于物联网的数据采集单元采集分布式电源的相关参数的过程如下：通过物联网将分布式电源划分为若干个微电网；基于物联网的数据采集单元获得每个分布式电源的位置信息，将位置信息对应至每个分布式电源；根据分布式电源的位置信息进行微电网的重新规划，增加位置信息的权重，以新的权重重新计算规划微电网布局。
通过设置位置信息的权重，对分布式电源的微电网进行重新布局，保证分布式电源的微电网布局的合理性和高利用率。
上述技术方案的有益效果为：采用本实施例提供的方案通过物联网将分布式电源划分为若干个微电网，基于物联网的数据采集单元获得每个分布式电源的位置信息，将位置信息对应至每个分布式电源，根据分布式电源的位置信息进行微电网的重新规划，增加位置信息的权重，以新的权重重新计算规划微电网布局。通过设置位置信息的权重，对分布式电源的微电网进行重新布局，保证分布式电源的微电网布局的合理性和高利用率。
在另一实施例中，所述S100还包括：
S104，将分布式电源形成的微电网并入电网中；
S105，基于物联网的数据采集单元采集电网侧的电网运行参数。
上述技术方案的工作原理为：本实施例采用的方案是将分布式电源形成的微电网并入电网中；基于物联网的数据采集单元采集电网侧的电网运行参数。
在并入电网时，需要对电网侧的运行数据进行采集和分析，基于对采集到的数据分析之后获得资源分配情况的相关数据，进一步对资源进行合理性分配和调控。
上述技术方案的有益效果为：采用本实施例提供的方案将分布式电源形成的微电网并入电网中；基于物联网的数据采集单元采集电网侧的电网运行参数。基于对采集到的数据分析之后获得资源分配情况的相关数据，进一步对资源进行合理性分配和调控。
在另一实施例中，请参照图3，所述S200中包括构建资源匹配模型，所述资源匹配模型的构建方法包括：
S201，基于分布式电源投资成本、系统网络损耗成本、需求侧响应成本、可靠性成本和节约购电费用构建目标函数；
S202，基于节点潮流方程约束、支路功率约束、节点电压约束、分布式电源容量上限以及需求侧响应负荷约束构建约束条件；
S203，采用改进的粒子群算法以目标函数及约束条件下的最优解，基于最优解确定资源分配实时数据和资源分配预测数据。
上述技术方案的工作原理为：本实施例采用的方案是构建资源匹配模型，所述资源匹配模型的构建方法包括：
基于分布式电源投资成本、系统网络损耗成本、需求侧响应成本、可靠性成本和节约购电费用构建目标函数。
需要说明的是，本步骤是为了确定分布式电源的类型、位置以及容量。具体的实施方式如下：
将分布式电源投资成本、系统网络损耗成本、需求侧响应成本、可靠性成本和节约购电费用中每一项均作为目标函数的其中一项：
minf＝C1+C2+C3+C4+C5
其中，f表示目标函数，C1表示分布式电源投资成本函数，C2表示系统网络损耗成本函数、C3表示需求侧响应成本函数、C4表示可靠性成本，C5表示节约购电费用函数。
分布式电源投资成本是包括安装成本和运行维护成本，具体公式如下：
Figure BDA0003906329400000081
其中，xi表示节点i是否接入分布式电源，接入取1，否则取0；N表示节点的数量，α表示节点i出分布式电源年费用折算系数，c表示节点i出接入分布式电源单位容量投资成本，P表示节点i接入分布式电源的额定容量，D表示节点i的分布式电源检修维护费用。
系统网络损耗成本与网络馈线总数，馈线的最大有功功率损耗以及最大负荷网损时间以及单位网损成本相关，具体公式如下：
Figure BDA0003906329400000082
其中，CL表示单位网损车成本，Tj表示馈线j的最大有功功率损耗，M买时网络馈线总数，tmax表示最大负荷网损时间。
需求侧响应成本计算公式如下：
Figure BDA0003906329400000083
其中，d表示实施直接负荷控制的天数，q表示每组受控负荷的功率，s(γ)表示受控负荷组数，cc表示实施直接负荷控制的单位补偿成本，γ表示时间段变量，t表示时间段数。
节约购电费用计算公式如下：
Figure BDA0003906329400000091
其中，R为分布式电源类型数量，Tmax，ε表示第ε类分布式电源最大发电量利用小时数，Pε表示接入的第ε类的分布式电源总容量，F表示上网电价。
可靠性成本计算公式如下：
Figure BDA0003906329400000092
其中，Ei,τ表示第τ种负荷水平下节点i的电量不足期望值，Bτ表示第τ种负荷水平的概率，Xτ表示第τ种负荷水平的负荷持续时间，Z表示负荷点解总数，K表示负荷水平集合。
基于节点潮流方程约束、支路功率约束、节点电压约束、分布式电源容量上限以及需求侧响应负荷约束构建约束条件。
节点潮流方程约束公式如下：
PGi-PLi-Ui(Gijcosσij+Bijsinσij)＝0
其中，PGi表示节点i注入的有功功率，PLi表示节点i的有功功率，Ui表示节点i的电压，Gij表示节点i和节点j间的电导，Bij表示节点i和节点j间的电纳。σij表示节点i和节点j之间的角度关系。
支路功率约束公式如下：
Figure BDA0003906329400000093
其中，Pk表示支路k的有功功率值，
Figure BDA0003906329400000094
表示支路k的有功功率最大允许值。
节点电压约束公式如下：
Figure BDA0003906329400000101
其中，
Figure BDA0003906329400000102
表示节点i的电压下限值，Ui表示节点i的电压值，
Figure BDA0003906329400000103
表示节点i的电压上限值。
需求侧响应负荷约束公式如下：
Figure BDA0003906329400000104
其中，Pmax表示直接负荷控制的最大值。
采用改进的粒子群算法以目标函数及约束条件下的最优解，基于最优解确定资源分配实时数据和资源分配预测数据。
需要说明的是，最优解的求解过程可以采用粒子群优化算法，且本实施例采用的粒子群优化算法为了更好的控制寻优能力，可以采用引入权重的方式，避免随着分布式电源规模的增大导致搜索范围的扩大的问题，更详细的计算方式在后续内容介绍中有详细的介绍和说明。
通过构建资源匹配模型可以对采集的参数进行分析，确定资源分配数据，以保证在分布式电源并网时系统的安全稳定性。将需求侧响应成本作为重要参数，从需求侧资源的合理配置对电源的运行可靠性进行评估，最终使电能使用终端更高效合理的利用电能。
上述技术方案的有益效果为：采用本实施例提供的方案基于分布式电源投资成本、系统网络损耗成本、需求侧响应成本、可靠性成本和节约购电费用构建目标函数；基于节点潮流方程约束、支路功率约束、节点电压约束、分布式电源容量上限以及需求侧响应负荷约束构建约束条件；采用改进的粒子群算法以目标函数及约束条件下的最优解，基于最优解确定资源分配实时数据和资源分配预测数据。通过构建资源匹配模型可以对采集的参数进行分析，确定资源分配数据，以保证在分布式电源并网时系统的安全稳定性。将需求侧响应成本作为重要参数，从需求侧资源的合理配置对电源的运行可靠性进行评估，最终使电能使用终端更高效合理的利用电能。
在另一实施例中，所述S203包括：
S2031，初始化粒子的参数值；所述参数值包括：种群规模、迭代次数；随机产生粒子，构成初始粒子群；
S2032，对粒子进行评价，确定每个粒子的适应度，选择出个体极值和全局极值；
S2033，将现阶段进化过程中的全局极值与粒子个体极值比较，如果全局极值符合进化要求，将粒子信息与全局极值进行信息交换，如果个体极值符合进化要求，将粒子信息与个体极值进行信息交换；
S2034，按照速度公式和位置公式对粒子的位置和速度进行更新，设置惯性权重，所述惯性权重使粒子保持运动惯性，用于描述粒子在上一代中的速度对当前迭代中速度产生的影响，基于惯性权重使粒子在解空间以及之前未达到的区域进行不停搜索，将更新后的粒子设定为新粒子，新粒子按照步骤S2031至S2033进行下一轮进化；
S2035，如果满足最大迭代次数或迭代收敛，则输出最优粒子，否则一直循环，直至确定最优解。
上述技术方案的工作原理为：本实施例采用的方案是初始化粒子的参数值；所述参数值包括：种群规模、迭代次数；随机产生粒子，构成初始粒子群；对粒子进行评价，确定每个粒子的适应度，选择出个体极值和全局极值；将现阶段进化过程中的全局极值与粒子个体极值比较，如果全局极值符合进化要求，将粒子信息与全局极值进行信息交换，如果个体极值符合进化要求，将粒子信息与个体极值进行信息交换；按照速度公式和位置公式对粒子的位置和速度进行更新，设置惯性权重，所述惯性权重使粒子保持运动惯性，用于描述粒子在上一代中的速度对当前迭代中速度产生的影响，基于惯性权重使粒子在解空间以及之前未达到的区域进行不停搜索，将更新后的粒子设定为新粒子，新粒子按照上述步骤进行下一轮进化；如果满足最大迭代次数或迭代收敛，则输出最优粒子，否则一直循环，直至确定最优解。
上述技术方案的有益效果为：采用本实施例提供的方案初始化粒子的参数值；所述参数值包括：种群规模、迭代次数；随机产生粒子，构成初始粒子群；对粒子进行评价，确定每个粒子的适应度，选择出个体极值和全局极值；将现阶段进化过程中的全局极值与粒子个体极值比较，如果全局极值符合进化要求，将粒子信息与全局极值进行信息交换，如果个体极值符合进化要求，将粒子信息与个体极值进行信息交换；按照速度公式和位置公式对粒子的位置和速度进行更新，设置惯性权重，所述惯性权重使粒子保持运动惯性，用于描述粒子在上一代中的速度对当前迭代中速度产生的影响，基于惯性权重使粒子在解空间以及之前未达到的区域进行不停搜索，将更新后的粒子设定为新粒子，新粒子按照上述步骤进行下一轮进化；如果满足最大迭代次数或迭代收敛，则输出最优粒子，否则一直循环，直至确定最优解。
配电网规划中，要确定分布式电源类型、容量以及位置存在各类不确定因素和随机性，大多采用智能优化算法进行求解。智能优化算法又被称为现代启发式算法，可实现全局优化，并具有通用性强、适合于并行处理等优点，这种算法以严谨的理论为基础，通过优化求解可寻到最优解或近似最优解。该算法采用的原理简单，且相比于现有算法，不容易陷入局部最优解，可以避免由于搜索范围扩大，导致求解速度降低的问题。
在另一实施例中，所述S300包括：确定需求侧响应的分布式电源的参数，具体包括：
S301，初始化粒子群函数，设定粒子群算法参数，所述粒子群算法参数包括：粒子群的群体规模、最大迭代次数、粒子维度、惯性权重起始值和终止值；
S302，输入配电网的原始信息，包括节点和支路数据，确定电压约束上下限，以及分布式电源容量限制和可控负荷上限；
S303，设置迭代次数，随机生成可行域内的若干个粒子，随之产生粒子的初始速度和位置；
S304，对于每个粒子，根据分布式电源的位置信息和容量以及需求响应的负荷参数，采用前推回代法进行潮流计算，若粒子不满足约束条件，则向目标函数中添加罚函数以淘汰该粒子，满足约束条件则执行步骤S305；
S305，计算目标函数，评估每个粒子的适应度，获得个体最优解和全局最优解；
S306，更新迭代次数，更新惯性权重，更新粒子的速度和位置，重新评估每个粒子的适应度；与当前个体最优解和全局最优解的适应值作比较，取适应值高的值作为新一代最优解；
S307，判断是否达到设置的最大迭代次数，若达到，则终止迭代，输出最优解，将该最优解设定为分布式电源的参数。
上述技术方案的工作原理为：本实施例采用的方案是确定需求侧响应的分布式电源的参数，具体包括：初始化粒子群函数，设定粒子群算法参数，所述粒子群算法参数包括：粒子群的群体规模、最大迭代次数、粒子维度、惯性权重起始值和终止值；输入配电网的原始信息，包括节点和支路数据，确定电压约束上下限，以及分布式电源容量限制和可控负荷上限；设置迭代次数，随机生成可行域内的若干个粒子，随之产生粒子的初始速度和位置；对于每个粒子，根据分布式电源的位置信息和容量以及需求响应的负荷参数，采用前推回代法进行潮流计算，若粒子不满足约束条件，则向目标函数中添加罚函数以淘汰该粒子，满足约束条件则执行计算目标函数，评估每个粒子的适应度，获得个体最优解和全局最优解；更新迭代次数，更新惯性权重，更新粒子的速度和位置，重新评估每个粒子的适应度；与当前个体最优解和全局最优解的适应值作比较，取适应值高的值作为新一代最优解；判断是否达到设置的最大迭代次数，若达到，则终止迭代，输出最优解，将该最优解设定为分布式电源的参数。
上述技术方案的有益效果为：采用本实施例提供的方案改进后的粒子群算法在算法初期的搜索范围较广，而伴随迭代次数的增加，后期将具有更强的局部搜索能力，避免了现有算法中出现的过早提前收敛的现象。
在另一实施例中，所述S103包括：根据物联网采集的配电网有功功耗、用户用电电量的历史数据构建起全网中每个配送电网的历史平均功耗电网图，该历史平均功耗电网图以每个电力设备的接入端作为节点，每个电力设备的电能有功功率变化数据作为该节点的输入权重，即功耗越大路径的值越大，将每个节点之间用有向图连接；再利用大数据平台，将待分析的输送电力的节点选取，根据最短路径法计算出功耗最低的电力流图，并据此优化配电网线路，降低配送电网功耗。
上述技术方案的工作原理为：本实施例采用的方案是所述S103包括：根据物联网采集的配电网有功功耗、用户用电电量的历史数据构建起全网中每个配送电网的历史平均功耗电网图，该历史平均功耗电网图以每个电力设备的接入端作为节点，每个电力设备的电能有功功率变化数据作为该节点的输入权重，即功耗越大路径的值越大，将每个节点之间用有向图连接；再利用大数据平台，将待分析的输送电力的节点选取，根据最短路径法计算出功耗最低的电力流图，并据此优化配电网线路，降低配送电网功耗。
上述技术方案的有益效果为：采用本实施例提供的方案所述S103包括：根据物联网采集的配电网有功功耗、用户用电电量的历史数据构建起全网中每个配送电网的历史平均功耗电网图，该历史平均功耗电网图以每个电力设备的接入端作为节点，每个电力设备的电能有功功率变化数据作为该节点的输入权重，即功耗越大路径的值越大，将每个节点之间用有向图连接；再利用大数据平台，将待分析的输送电力的节点选取，根据最短路径法计算出功耗最低的电力流图，并据此优化配电网线路，降低配送电网功耗。
在另一实施例中，所述S103还包括：通过以太网与分布式电源终端相连的网络管理设备，所述网络管理设备通过以太网分别与检测设备，智能电能表和能源管控设备相连；电能质量监测装置通过电能质量监测主站与所述能源管控设备相连；
所述网络管理设备实时监测所述分布式电源终端，并将分布式电源监测信息发送至所述能源管控设备；所述能源管控设备依据所述分布式电源监测信息和所述电能质量监测主站发送的电能质量监测信息向所述网络管理设备下发控制指令；所述微电网协调控制器依据所述控制指令向所述分布式电源终端和所述检测设备发送执行指令，实现微电网优化运行。
上述技术方案的工作原理为：本实施例采用的方案是所述S103还包括：通过以太网与分布式电源终端相连的网络管理设备，所述网络管理设备通过以太网分别与检测设备，智能电能表和能源管控设备相连；电能质量监测装置通过电能质量监测主站与所述能源管控设备相连；
所述网络管理设备实时监测所述分布式电源终端，并将分布式电源监测信息发送至所述能源管控设备；所述能源管控设备依据所述分布式电源监测信息和所述电能质量监测主站发送的电能质量监测信息向所述网络管理设备下发控制指令；所述微电网协调控制器依据所述控制指令向所述分布式电源终端和所述检测设备发送执行指令，实现微电网优化运行。
上述技术方案的有益效果为：采用本实施例提供的方案所述S103还包括：通过以太网与分布式电源终端相连的网络管理设备，所述网络管理设备通过以太网分别与检测设备，智能电能表和能源管控设备相连；电能质量监测装置通过电能质量监测主站与所述能源管控设备相连；
所述网络管理设备实时监测所述分布式电源终端，并将分布式电源监测信息发送至所述能源管控设备；所述能源管控设备依据所述分布式电源监测信息和所述电能质量监测主站发送的电能质量监测信息向所述网络管理设备下发控制指令；所述微电网协调控制器依据所述控制指令向所述分布式电源终端和所述检测设备发送执行指令，实现微电网优化运行。
在另一实施例中，所述能源管控设备包括数据通信与采集服务器、数据库服务器、应用服务器、维护设备、打印通讯设备和人机界面交互工作站；所述应用服务器用于微电网能量管理可视化展示、微电网效益评估和分布式电源自动发电控制；所述人机界面交互工作站用于对所述分布式电源终端的实时监测和控制。
上述技术方案的工作原理为：本实施例采用的方案是所述能源管控设备包括数据通信与采集服务器、数据库服务器、应用服务器、维护设备、打印通讯设备和人机界面交互工作站；所述应用服务器用于微电网能量管理可视化展示、微电网效益评估和分布式电源自动发电控制；所述人机界面交互工作站用于对所述分布式电源终端的实时监测和控制。
上述技术方案的有益效果为：采用本实施例提供的方案所述能源管控设备包括数据通信与采集服务器、数据库服务器、应用服务器、维护设备、打印通讯设备和人机界面交互工作站；所述应用服务器用于微电网能量管理可视化展示、微电网效益评估和分布式电源自动发电控制；所述人机界面交互工作站用于对所述分布式电源终端的实时监测和控制。
在另一实施例中，所述分布式电源终端包括风力发电终端、光伏发电终端、燃料电池发电终端、储能终端和车网互动终端；所述分布式电源终端将采集的分布式电源的运行状态信号、电压信号、电流信号和功率信号发送到所述微电网协调控制器，并接收所述网络管理设备下发的所述执行指令；所述执行指令包括向光伏逆变器、风机逆变器、储能PCS、燃料电池PCS和V2G变流器PCS发送的投退控制指令和功率控制指令。
上述技术方案的工作原理为：本实施例采用的方案是所述分布式电源终端包括风力发电终端、光伏发电终端、燃料电池发电终端、储能终端和车网互动终端；所述分布式电源终端将采集的分布式电源的运行状态信号、电压信号、电流信号和功率信号发送到所述微电网协调控制器，并接收所述网络管理设备下发的所述执行指令；所述执行指令包括向光伏逆变器、风机逆变器、储能PCS、燃料电池PCS和V2G变流器PCS发送的投退控制指令和功率控制指令。
上述技术方案的有益效果为：采用本实施例提供的方案所述分布式电源终端包括风力发电终端、光伏发电终端、燃料电池发电终端、储能终端和车网互动终端；所述分布式电源终端将采集的分布式电源的运行状态信号、电压信号、电流信号和功率信号发送到所述微电网协调控制器，并接收所述网络管理设备下发的所述执行指令；所述执行指令包括向光伏逆变器、风机逆变器、储能PCS、燃料电池PCS和V2G变流器PCS发送的投退控制指令和功率控制指令。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于物联网的分布式电源管理方法，其特征在于，包括：
S100，基于物联网的数据采集单元采集分布式电源的相关参数；所述相关参数包括：分布式电源产能参数、运能参数、储能参数以及用户的用能参数；
S200，基于资源匹配模型对采集的相关参数进行分析，获得资源分配实时数据和资源分配预测数据；
S300，基于资源分配实时数据对分布式电源的当前阶段的参数进行配置；
S400，基于资源分配预测数据对分布式电源的下一阶段的参数进行配置。
2.根据权利要求1所述的基于物联网的分布式电源管理方法，其特征在于，
所述S100包括：
S101，通过物联网将分布式电源划分为若干个微电网；
S102，基于物联网的数据采集单元获得每个分布式电源的位置信息，将位置信息对应至每个分布式电源；
S103，根据分布式电源的位置信息进行微电网的重新规划，增加位置信息的权重，以新的权重重新计算规划微电网布局。
3.根据权利要求1所述的基于物联网的分布式电源管理方法，其特征在于，
所述S100还包括：
S104，将分布式电源形成的微电网并入电网中；
S105，基于物联网的数据采集单元采集电网侧的电网运行参数。
4.根据权利要求1所述的基于物联网的分布式电源管理方法，其特征在于，
所述S200中包括构建资源匹配模型，所述资源匹配模型的构建方法包括：
S201，基于分布式电源投资成本、系统网络损耗成本、需求侧响应成本、可靠性成本和节约购电费用构建目标函数；
S202，基于节点潮流方程约束、支路功率约束、节点电压约束、分布式电源容量上限以及需求侧响应负荷约束构建约束条件；
S203，采用改进的粒子群算法以目标函数及约束条件下的最优解，基于最优解确定资源分配实时数据和资源分配预测数据。
5.根据权利要求4所述的基于物联网的分布式电源管理方法，其特征在于，
所述S203包括：
S2031，初始化粒子的参数值；所述参数值包括：种群规模、迭代次数；随机产生粒子，构成初始粒子群；
S2032，对粒子进行评价，确定每个粒子的适应度，选择出个体极值和全局极值；
S2033，将现阶段进化过程中的全局极值与粒子个体极值比较，如果全局极值符合进化要求，将粒子信息与全局极值进行信息交换，如果个体极值符合进化要求，将粒子信息与个体极值进行信息交换；
S2034，按照速度公式和位置公式对粒子的位置和速度进行更新，设置惯性权重，所述惯性权重使粒子保持运动惯性，用于描述粒子在上一代中的速度对当前迭代中速度产生的影响，基于惯性权重使粒子在解空间以及之前未达到的区域进行不停搜索，将更新后的粒子设定为新粒子，新粒子按照步骤S2031至S2033进行下一轮进化；
S2035，如果满足最大迭代次数或迭代收敛，则输出最优粒子，否则一直循环，直至确定最优解。
6.根据权利要求5所述的基于物联网的分布式电源管理方法，其特征在于，
所述S300包括：确定需求侧响应的分布式电源的参数，具体包括：
S301，初始化粒子群函数，设定粒子群算法参数，所述粒子群算法参数包括：粒子群的群体规模、最大迭代次数、粒子维度、惯性权重起始值和终止值；
S302，输入配电网的原始信息，包括节点和支路数据，确定电压约束上下限，以及分布式电源容量限制和可控负荷上限；
S303，设置迭代次数，随机生成可行域内的若干个粒子，随之产生粒子的初始速度和位置；
S304，对于每个粒子，根据分布式电源的位置信息和容量以及需求响应的负荷参数，采用前推回代法进行潮流计算，若粒子不满足约束条件，则向目标函数中添加罚函数以淘汰该粒子，满足约束条件则执行步骤S305；
S305，计算目标函数，评估每个粒子的适应度，获得个体最优解和全局最优解；
S306，更新迭代次数，更新惯性权重，更新粒子的速度和位置，重新评估每个粒子的适应度；与当前个体最优解和全局最优解的适应值作比较，取适应值高的值作为新一代最优解；
S307，判断是否达到设置的最大迭代次数，若达到，则终止迭代，输出最优解，将该最优解设定为分布式电源的参数。
7.根据权利要求2所述的基于物联网的分布式电源管理方法，其特征在于，
所述S103包括：根据物联网采集的配电网有功功耗、用户用电电量的历史数据构建起全网中每个配送电网的历史平均功耗电网图，该历史平均功耗电网图以每个电力设备的接入端作为节点，每个电力设备的电能有功功率变化数据作为该节点的输入权重，即功耗越大路径的值越大，将每个节点之间用有向图连接；再利用大数据平台，将待分析的输送电力的节点选取，根据最短路径法计算出功耗最低的电力流图，并据此优化配电网线路，降低配送电网功耗。
8.根据权利要求2所述的基于物联网的分布式电源管理方法，其特征在于，
所述S103还包括：通过以太网与分布式电源终端相连的网络管理设备，所述网络管理设备通过以太网分别与检测设备，智能电能表和能源管控设备相连；电能质量监测装置通过电能质量监测主站与所述能源管控设备相连；
所述网络管理设备实时监测所述分布式电源终端，并将分布式电源监测信息发送至所述能源管控设备；所述能源管控设备依据所述分布式电源监测信息和所述电能质量监测主站发送的电能质量监测信息向所述网络管理设备下发控制指令；所述网络管理设备依据所述控制指令向所述分布式电源终端和所述检测设备发送执行指令，基于执行指令对分布式电源终端进行优化。
9.根据权利要求8所述的基于物联网的分布式电源管理方法，其特征在于，
所述能源管控设备包括数据通信与采集服务器、数据库服务器、应用服务器、维护设备、打印通讯设备和人机界面交互工作站；所述应用服务器用于可视化展示、效益评估和分布式电源自动发电控制；所述人机界面交互工作站用于对所述分布式电源终端的实时监测和控制。
10.根据权利要求8所述的基于物联网的分布式电源管理方法，其特征在于，所述分布式电源终端包括风力发电终端、光伏发电终端、燃料电池发电终端、储能终端和车网互动终端；所述分布式电源终端将采集的分布式电源的运行状态信号、电压信号、电流信号和功率信号发送到所述网络管理设备，并接收所述网络管理设备下发的所述执行指令。
CN202211307145.7A 2022-10-25 2022-10-25 一种基于物联网的分布式电源管理方法 Pending CN115513945A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211307145.7A CN115513945A (zh) 2022-10-25 2022-10-25 一种基于物联网的分布式电源管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211307145.7A CN115513945A (zh) 2022-10-25 2022-10-25 一种基于物联网的分布式电源管理方法

Publications (1)

Publication Number Publication Date
CN115513945A true CN115513945A (zh) 2022-12-23

Family

ID=84512667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211307145.7A Pending CN115513945A (zh) 2022-10-25 2022-10-25 一种基于物联网的分布式电源管理方法

Country Status (1)

Country Link
CN (1) CN115513945A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115995814A (zh) * 2023-03-23 2023-04-21 佛山市电子政务科技有限公司 一种基于大数据的公共电力资源调配方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115995814A (zh) * 2023-03-23 2023-04-21 佛山市电子政务科技有限公司 一种基于大数据的公共电力资源调配方法
CN115995814B (zh) * 2023-03-23 2023-07-25 佛山市电子政务科技有限公司 一种基于大数据的公共电力资源调配方法

Similar Documents

Publication Publication Date Title
Guo et al. Integrated planning of internet data centers and battery energy storage systems in smart grids
Wang et al. A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors
Sharma et al. A critical and comparative review of energy management strategies for microgrids
CN105740977A (zh) 一种基于多目标粒子群的停电管理优化方法
CN111586607B (zh) 基于改进灰狼算法的智能电表无线传感器网络布局方法
WO2023083235A1 (zh) 一种分散式预测电网的优化方法及系统
Gao et al. An iterative optimization and learning-based IoT system for energy management of connected buildings
CN116914751B (zh) 一种智能配电控制系统
CN108960485A (zh) 一种源-荷互动电力市场下的在线字典学习概率最优潮流方法
CN118171788B (zh) 可调度柔性资源与电网规划布局的协同优化方法
de Moraes et al. Short-term scheduling of integrated power and spinning reserve of a wind-hydrothermal generation system with ac network security constraints
CN115513945A (zh) 一种基于物联网的分布式电源管理方法
CN118117668A (zh) 基于风能和太阳能的寒地综合能源优化调度方法
Haghnegahdar et al. Enhancing dynamic energy network management using a multiagent cloud-fog structure
CN108108837B (zh) 一种地区新能源电源结构优化预测方法和系统
Shendryk et al. Decision Support System for Efficient Energy Management of MicroGrid with Renewable Energy Sources
CN109995094A (zh) 一种交直流混合微电网的规划方法及系统
Xu et al. Research on a demand response interactive scheduling model of home load groups
CN107392350A (zh) 含分布式能源及充电站的配电网扩展规划综合优化方法
CN115994612A (zh) 基于业扩规划的配电网运行优化方法、装置及存储介质
Prado et al. On providing quality of service in grid computing through multi-objective swarm-based knowledge acquisition in fuzzy schedulers
Yan et al. Matching theory aided federated learning method for load forecasting of virtual power plant
CN115118015A (zh) 一种基于融合终端的台区供电稳定性监测系统
Simões et al. Advances in information technology for Smart Grids
CN117175639B (zh) 与储能单元协调配套的配电自动化方法及系统

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