CN115760206A - 一种基于工业用户用电需求的电力市场电价计算方法 - Google Patents
一种基于工业用户用电需求的电力市场电价计算方法 Download PDFInfo
- Publication number
- CN115760206A CN115760206A CN202211416627.6A CN202211416627A CN115760206A CN 115760206 A CN115760206 A CN 115760206A CN 202211416627 A CN202211416627 A CN 202211416627A CN 115760206 A CN115760206 A CN 115760206A
- Authority
- CN
- China
- Prior art keywords
- electricity
- power
- load
- price
- user
- 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
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明适用于信息与控制技术领域，提供了一种基于工业用户用电需求的电力市场电价计算方法，包括以下步骤：S1、采集数据；S2、预测走势；S3、采集信息并报价；S4、设定目标；S5、输出用电时长和平均电价。本发明以售电公司作为信息互联的中枢，匹配工业用户和综合能源供电系统，形成发售用一体化的模式，采用时序预测、神经网络和约束优化方法融合的技术，并筛选出最符合当前工业用户需求的用电和电价方案，辅助发电企业、售电公司和工业用户获得最优电价方案的计算基础，从而降低成本，促进节能降耗和绿色发展，帮助用电重点工业参与者节约用电成本，进而增进售电公司、用电企业和供电企业的利润。
Description
技术领域
本公开涉及信息与控制技术领域，尤其涉及一种基于工业用户用电需求的电力市场电价计算方法。
背景技术
为促进能源的绿色清洁转型，助力达到“双碳”目标，目前我国各地区逐步开展电力系统改革和电力市场转型，电力现货市场和中长期交易融合的模式已经被提出和拓展，未来在保证电力系统稳定的前提下，全面铺开现货市场的可能性大幅度提升，而其中售电公司的出现和发展能够起到维持电力系统稳定和增进市场各组成元素经济效益的作用，因此，本技术主要针对现货市场交易中短时或分时段融合交易情景下，利用售电公司信息互联和枢纽的优势，基于工业用户的用电经济特性，在综合能源系统作为供电对象的背景下，提出了神经网络、时序预测和约束优化结合的方法，形成匹配框架技术，辅助发电、售电和用电方得到最优电价方案。
中国专利公开了电力市场出清方法、系统、设备及存储介质(公告号CN114693346A)，该专利技术通过获取发电机组的申报价格和度电碳成本增加值，根据预设权重叠加发电机组的申报价格和度电碳成本增加值，得到发电机组的出清申报价格，成本包括启停成本、发电成本和碳成本，多区域情况增加输电成本，以区域社会利益最大化或系统总电能供给成本最小化作为目标，得到发电机组的出清申报价格，基于预设的电力市场出清模型进行电力市场出清，获得电力市场出清结果。
中国专利公开了一种面向需求侧的电-碳耦合交易方法(公告号CN114693165A)，该专利技术针对需求侧，提出电-碳耦合交易市场模式，基于各市场参与者的虚拟报价出清得到各个时段的电能出清价格，并基于电能出清价格计算得到碳报价策略，该碳报价策略包括投标电量及对应的碳强度，向电-碳耦合交易市场提交碳报价策略，电-碳耦合交易市场获取各市场参与者的碳报价策略，清算得到各个时段的出清电量和碳强度；根据电-碳耦合交易市场的出清电量与自身的投标电量的差额，采用相应的补偿进行差额消除。
中国专利公开了一种电力现货市场下发电机组经济决策与优化控制方法及装置(公告号CN114661013A)，该专利技术通过根据DCS实时生产数据，搜寻历史相同场景并输出，搜索失败则借助建立的燃烧系统神经网络模型计算控制输出，解决了当前基于人工智能算法可靠性难以满足实际生产要求的难题，改善了常用的燃烧试验确定参数法实验条件申请难、试验结果随时间推移精准度下降、设定参数无法自适应机组性能改变等问题；通过计算机组发电成本，结合电力市场发布信息，通过Q-learning算法获取当前最优报价，有效解决了电价全面放开下报价员数据统计难度大、信息决策效率低、报价失误成本高等问题。
但是，针对以上专利还是存在不足，首先以上专利未考虑电力市场其它主体的能动作用，因此使用的方法缺少一定的动态适应性，并且缺少以售电为枢纽的最佳经济运营模式，这样导致成本增加。因此，本领域技术人员提供了一种基于工业用户用电需求的电力市场电价计算方法，以解决上述背景技术中提出的问题。
发明内容
本公开的目的在于提出一种基于工业用户用电需求的电力市场电价计算方法，旨在解决现有独权解决的问题。
为达此目的，本公开采用以下技术方案：一种基于工业用户用电需求的电力市场电价计算方法，包括以下步骤：
S1、采集数据：采集综合能源系统和工业用户的实时数据，基于供电体系的物理结构，收集综合能源系统和工业用户的历史数据；
S2、预测走势：搭建综合能源系统的负荷预测时间序列模型，采用差分整合移动平均自回归模型，充分利用综合能源发电系统所具备的阶段周期性，结合当前负荷的影响，预测下一时段的负荷走势；
S3、采集信息并报价：基于售电公司的信息互联和相关供电区域体系的物理组成架构，并采集当前工业用户符合条件的新能源和火电机组，其中，包含N台火电机组、M个风电场，K个光伏电站，风电机组和光伏电站分别配备不同容量的储能设备，并进行成本报价；
S4、设定目标：设定最小化成本目标；
S5、输出用电时长和平均电价：输出工业用户的用电时长t_inter和平均电价price_mean，以及相应的新能源或火电机组编号min_x，从而完成电价计算。
优选的，所述在S3中以售电公司作为信息互联的中枢，并匹配工业用户和综合能源供电系统，形成发售用一体化的模式，同时采用时序预测、神经网络和约束优化方法融合技术。
优选的，所述S3中成本报价的方法包括以下步骤：(1)新能源未完全消纳情景；在新能源发电系统，当电量尚有冗余的情况下，边际成本偏低时计算消纳新能源系统的出力，
Δloadx＝loadpredict1_x-loadpredict2_x
x代表具体的某个风电场或光伏电站，loadpredict1是可发电量走向预测矩阵，loadpredict2是用电量走向预测矩阵；
在满足约束条件：Δloadx>用户需求电量，或在用户用电需求时间范围内t_interx<t_needx，连续计算风电场或光伏电站x的满足工业用户用电量需求的配电时长间隔：t_interx(小时)，或小于用户的需求用电时间t_needx(小时)；
计算电价pricex_t(元)：
pricex_t＝maintanencex_t+servicex_t+comx_t
其中，maintanencex_t表示t时间点的运维费用，servicex_t表示t时间点的上网服务费等其它服务类型费用，comx_t表示t时间点峰谷平期不同情景带来的价格补偿系数。
(2)当新能源的出力已经被其它用户完全消纳，并由火电机组供电满足当前工业用户的需求：
通过历史数据搭建火电机组的煤耗与负荷模型：
ei＝f(loadi)
计算消纳用户用电需求后节约的单位能耗Δepi，loadi为第i台机组当前负荷(kW)，
new_bepi＝bepi-Δepi
bepi为第i台机组当前的运行煤耗(g/kWh)；
pricei＝ρi×price_originali+comi
pricei为第i台机组消纳工业用户的用电需求后的运行成本，price_originali为第i台机组当前的运行成本，comi表示由于峰谷平期不同情景带来的价格补偿系数；
在满足约束条件：Δloadx>用户需求电量，或在用户用电需求时间范围内t_interx<t_needx的前提下，计算时长间隔：t_interi；以及相应的每个时段的pricei_t。
优选的，所述S3中采集当前工业用户符合条件的新能源和火电机组包括收集火电机组、新能源的历史和实时数据。
优选的，所述火电机组的历史数据用于构建和生成神经网络的历史负荷预测模型以及用于计算能耗变化规律的能耗与负荷关系模型；新能源的历史数据用于搭建神经网络的历史负荷预测模型，结合短期实时数据形成的差分整合移动平均自回归模型，对负荷形成短期和长期预测的融合，能够提升负荷走势预期的准确度，进而通过最小化成本价格和供电时长之比的方式，为电力市场的提供最低价格计算方法，并输出工业用户的用电时长t_inter和平均电价price_mean，以及相应的新能源或火电机组编号min_x。
优选的，所述在S3中由售电公司作为计算中心，数据进入计算流程体系，数据分别经过基于历史数据搭建的神经网络(NN)历史负荷预测模型，以及基于短期实时数据形成的差分整合移动平均自回归模型(ARIMA)，并计算对负荷形成短期和长期预测的融合：
loadpredict1＝ω1×ARIMA(p,d,q)_cur1+ω2×NN_his1
loadpredict2＝ω1×ARIMA(p,d,q)_cur2+ω2×NN_his2
其中，loadpredict1是可发电量走向预测矩阵，loadpredict2是用电量走向预测矩阵；
初始化可供电量Δloadx，以及用户用电量需求的配电时长间隔：t_interx(小时)。
优选的，所述在满足工业用户用电需求的前提下，更新配电时长和成本计算结果，最终输出全部火电机组和新能源的用电时长和平均电价列表以及相应的新能源或火电机组编号。
本公开的有益效果为：
1、本发明根据工业用户的需求和用电特性规律，本技术可以辅助售电公司协调不同供电单元，计算各个单元的供电特性，各处供电的边际成本，并筛选出最符合当前工业用户需求的用电和电价方案，形成利于发电、售电和用电的最佳模式，促进节能降耗和绿色发展。
2、本发明以售电公司作为信息互联的中枢，匹配工业用户和综合能源供电系统，形成发售用一体化的模式，采用时序预测、神经网络和约束优化方法融合的技术，提出匹配算法逻辑和方法，辅助发电企业、售电公司和工业用户获得最优电价方案的计算基础，从而降低成本，帮助用电重点工业参与者节约用电成本，进而增进售电公司、用电企业和供电企业的利润。
附图说明
图1为一种基于工业用户用电需求的电力市场电价计算方法的流程图；
图2为一种基于工业用户用电需求的电力市场电价计算方法中计算体系逻辑流程图。
具体实施方式
下面将结合附图对本发明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。
通常在此处附图中描述和显示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。
一种基于工业用户用电需求的电力市场电价计算方法，包括以下步骤：
S1、采集数据：采集综合能源系统和工业用户的实时数据，基于供电体系的物理结构，收集综合能源系统和工业用户的历史数据；
S2、预测走势：搭建综合能源系统的负荷预测时间序列模型，采用差分整合移动平均自回归模型，充分利用综合能源发电系统所具备的阶段周期性，结合当前负荷的影响，预测下一时段的负荷走势；
S3、采集信息并报价：基于售电公司的信息互联和相关供电区域体系的物理组成架构，并采集当前工业用户符合条件的新能源和火电机组，其中，包含N台火电机组、M个风电场，K个光伏电站，风电机组和光伏电站分别配备不同容量的储能设备，并进行成本报价；
S4、设定目标：设定最小化成本目标；
S5、输出用电时长和平均电价：输出工业用户的用电时长t_inter和平均电价price_mean，以及相应的新能源或火电机组编号min_x，从而完成电价计算。
进一步：在S3中以售电公司作为信息互联的中枢，并匹配工业用户和综合能源供电系统，形成发售用一体化的模式，同时采用时序预测、神经网络和约束优化方法融合技术。
进一步：S3中成本报价的方法包括以下步骤：(1)新能源未完全消纳情景；在新能源发电系统，当电量尚有冗余的情况下，边际成本偏低时计算消纳新能源系统的出力，
Δloadx＝loadpredict1_x-loadpredict2_x
x代表具体的某个风电场或光伏电站，loadpredict1是可发电量走向预测矩阵，loadpredict2是用电量走向预测矩阵；
在满足约束条件：Δloadx>用户需求电量，或在用户用电需求时间范围内t_interx<t_needx，连续计算风电场或光伏电站x的满足工业用户用电量需求的配电时长间隔：t_interx(小时)，或小于用户的需求用电时间t_needx(小时)；
计算电价pricex_t(元)：
pricex_t＝maintanencex_t+servicex_t+comx_t
其中，maintanencex_t表示t时间点的运维费用，servicex_t表示t时间点的上网服务费等其它服务类型费用，comx_t表示t时间点峰谷平期不同情景带来的价格补偿系数。
(2)当新能源的出力已经被其它用户完全消纳，并由火电机组供电满足当前工业用户的需求：
通过历史数据搭建火电机组的煤耗与负荷模型：
ei＝f(loadi)
计算消纳用户用电需求后节约的单位能耗Δepi，loadi为第i台机组当前负荷(kW)，
new_bepi＝bepi-Δepi
bepi为第i台机组当前的运行煤耗(g/kWh)；
pricei＝ρi×price_originali+comi
pricei为第i台机组消纳工业用户的用电需求后的运行成本，price_originali为第i台机组当前的运行成本，comi表示由于峰谷平期不同情景带来的价格补偿系数；
在满足约束条件：Δloadx>用户需求电量，或在用户用电需求时间范围内t_interx<t_needx的前提下，计算时长间隔：t_interi；以及相应的每个时段的pricei_t。
进一步：S3中采集当前工业用户符合条件的新能源和火电机组包括收集火电机组、新能源的历史和实时数据，火电机组的历史数据用于构建和生成神经网络的历史负荷预测模型以及用于计算能耗变化规律的能耗与负荷关系模型；新能源的历史数据用于搭建神经网络的历史负荷预测模型，结合短期实时数据形成的差分整合移动平均自回归模型，对负荷形成短期和长期预测的融合，能够提升负荷走势预期的准确度，进而通过最小化成本价格和供电时长之比的方式，为电力市场的提供最低价格计算方法，并输出工业用户的用电时长t_inter和平均电价price_mean，以及相应的新能源或火电机组编号min_x。
进一步：在S3中由售电公司作为计算中心，数据进入计算流程体系，数据分别经过基于历史数据搭建的神经网络(NN)历史负荷预测模型，以及基于短期实时数据形成的差分整合移动平均自回归模型(ARIMA)，并计算对负荷形成短期和长期预测的融合：
loadpredict1＝ω1×ARIMA(p,d,q)_cur1+ω2×NN_his1
loadpredict2＝ω1×ARIMA(p,d,q)_cur2+ω2×NN_his2
其中，loadpredict1是可发电量走向预测矩阵，loadpredict2是用电量走向预测矩阵；
初始化可供电量Δloadx，以及用户用电量需求的配电时长间隔：t_interx(小时)。
进一步：在满足工业用户用电需求的前提下，更新配电时长和成本计算结果，最终输出全部火电机组和新能源的用电时长和平均电价列表以及相应的新能源或火电机组编号。
本发明以售电公司作为电力市场信息互联的枢纽关键，联合发电企业和主要用电对象工业用户，形成一套具备竞争力的发售用一体化模式，以该模式作为研究出发点，能够统筹协调发电和用电测，进而为三方带来一定的效益，同时保证能源的有效利用。
根据工业用户的需求和用电特性规律，本技术可以辅助售电公司协调不同供电单元，计算各个单元的供电特性，各处供电的边际成本，并筛选出最符合当前工业用户需求的用电和电价方案，形成利于发电、售电和用电的最佳模式，促进节能降耗和绿色发展。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于工业用户用电需求的电力市场电价计算方法，其特征在于，包括以下步骤：
S1、采集数据：采集综合能源系统和工业用户的实时数据，基于供电体系的物理结构，收集综合能源系统和工业用户的历史数据；
S2、预测走势：搭建综合能源系统的负荷预测时间序列模型，采用差分整合移动平均自回归模型，充分利用综合能源发电系统所具备的阶段周期性，结合当前负荷的影响，预测下一时段的负荷走势；
S3、采集信息并报价：基于售电公司的信息互联和相关供电区域体系的物理组成架构，并采集当前工业用户符合条件的新能源和火电机组，其中，包含N台火电机组、M个风电场，K个光伏电站，风电机组和光伏电站分别配备不同容量的储能设备，并进行成本报价；
S4、设定目标：设定最小化成本目标；
S5、输出用电时长和平均电价：输出工业用户的用电时长t_inter和平均电价price_mean，以及相应的新能源或火电机组编号min_x，从而完成电价计算。
2.如权利要求1所述的一种基于工业用户用电需求的电力市场电价计算方法，其特征在于，所述在S3中以售电公司作为信息互联的中枢，并匹配工业用户和综合能源供电系统，形成发售用一体化的模式，同时采用时序预测、神经网络和约束优化方法融合技术。
3.如权利要求1所述的一种基于工业用户用电需求的电力市场电价计算方法，其特征在于，所述S3中成本报价的方法包括以下步骤：(1)新能源未完全消纳情景；在新能源发电系统，当电量尚有冗余的情况下，边际成本偏低时计算消纳新能源系统的出力，
Δloadx＝loadpredict1_x-loadpredict2_x
x代表具体的某个风电场或光伏电站，loadpredict1是可发电量走向预测矩阵，loadpredict2是用电量走向预测矩阵；
在满足约束条件：Δloadx>用户需求电量，或在用户用电需求时间范围内t_interx<t_needx，连续计算风电场或光伏电站x的满足工业用户用电量需求的配电时长间隔：t_interx(小时)，或小于用户的需求用电时间t_needx(小时)；
计算电价pricex_t(元)：
pricex_t＝maintanencex_t+servicex_t+comx_t
其中，maintanencex_t表示t时间点的运维费用，servicex_t表示t时间点的上网服务费等其它服务类型费用，comx_t表示t时间点峰谷平期不同情景带来的价格补偿系数。
(2)当新能源的出力已经被其它用户完全消纳，并由火电机组供电满足当前工业用户的需求：
通过历史数据搭建火电机组的煤耗与负荷模型：
ei＝f(loadi)
计算消纳用户用电需求后节约的单位能耗Δepi，loadi为第i台机组当前负荷(kW)，
new_bepi＝bepi-Δepi
bepi为第i台机组当前的运行煤耗(g/kWh)；
pricei＝ρi×price_originali+comi
pricei为第i台机组消纳工业用户的用电需求后的运行成本，price_originali为第i台机组当前的运行成本，comi表示由于峰谷平期不同情景带来的价格补偿系数；
在满足约束条件：Δloadx>用户需求电量，或在用户用电需求时间范围内t_interx<t_needx的前提下，计算时长间隔：t_interi；以及相应的每个时段的pricei_t。
4.如权利要求1所述的一种基于工业用户用电需求的电力市场电价计算方法，其特征在于，所述S3中采集当前工业用户符合条件的新能源和火电机组包括收集火电机组、新能源的历史和实时数据。
5.如权利要求4所述的一种基于工业用户用电需求的电力市场电价计算方法，其特征在于，所述火电机组的历史数据用于构建和生成神经网络的历史负荷预测模型以及用于计算能耗变化规律的能耗与负荷关系模型；新能源的历史数据用于搭建神经网络的历史负荷预测模型，结合短期实时数据形成的差分整合移动平均自回归模型，对负荷形成短期和长期预测的融合，能够提升负荷走势预期的准确度，进而通过最小化成本价格和供电时长之比的方式，为电力市场的提供最低价格计算方法，并输出工业用户的用电时长t_inter和平均电价price_mean，以及相应的新能源或火电机组编号min_x。
6.如权利要求1所述的一种基于工业用户用电需求的电力市场电价计算方法，其特征在于，所述在S3中由售电公司作为计算中心，数据进入计算流程体系，数据分别经过基于历史数据搭建的神经网络(NN)历史负荷预测模型，以及基于短期实时数据形成的差分整合移动平均自回归模型(ARIMA)，并计算对负荷形成短期和长期预测的融合：
loadpredict1＝ω1×ARIMA(p,d,q)_cur1+ω2×NN_his1
loadpredict2＝ω1×ARIMA(p,d,q)_cur2+ω2×NN_his2
其中，loadpredict1是可发电量走向预测矩阵，loadpredict2是用电量走向预测矩阵；
初始化可供电量Δloadx，以及用户用电量需求的配电时长间隔：t_interx(小时)。
7.如权利要求6所述的一种基于工业用户用电需求的电力市场电价计算方法，其特征在于，所述在满足工业用户用电需求的前提下，更新配电时长和成本计算结果，最终输出全部火电机组和新能源的用电时长和平均电价列表以及相应的新能源或火电机组编号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211416627.6A CN115760206A (zh) | 2022-11-13 | 2022-11-13 | 一种基于工业用户用电需求的电力市场电价计算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211416627.6A CN115760206A (zh) | 2022-11-13 | 2022-11-13 | 一种基于工业用户用电需求的电力市场电价计算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115760206A true CN115760206A (zh) | 2023-03-07 |
Family
ID=85370555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211416627.6A Pending CN115760206A (zh) | 2022-11-13 | 2022-11-13 | 一种基于工业用户用电需求的电力市场电价计算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115760206A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116433277A (zh) * | 2023-06-13 | 2023-07-14 | 国网浙江省电力有限公司 | 基于新型电力系统的电价传导处理方法及系统 |
| CN117335416A (zh) * | 2023-11-24 | 2024-01-02 | 国网浙江省电力有限公司 | 一种用电负荷优化的方法、装置、设备及存储介质 |
-
2022
- 2022-11-13 CN CN202211416627.6A patent/CN115760206A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116433277A (zh) * | 2023-06-13 | 2023-07-14 | 国网浙江省电力有限公司 | 基于新型电力系统的电价传导处理方法及系统 |
| CN116433277B (zh) * | 2023-06-13 | 2023-09-19 | 国网浙江省电力有限公司 | 基于新型电力系统的电价传导处理方法及系统 |
| CN117335416A (zh) * | 2023-11-24 | 2024-01-02 | 国网浙江省电力有限公司 | 一种用电负荷优化的方法、装置、设备及存储介质 |
| CN117335416B (zh) * | 2023-11-24 | 2024-03-01 | 国网浙江省电力有限公司 | 一种用电负荷优化的方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tan et al. | Two-stage robust optimization dispatch for multiple microgrids with electric vehicle loads based on a novel data-driven uncertainty set | |
| Zhu et al. | Energy trading in microgrids for synergies among electricity, hydrogen and heat networks | |
| Chen et al. | A robust optimization framework for energy management of CCHP users with integrated demand response in electricity market | |
| CN108537409A (zh) | 一种考虑多能源耦合特性的工业园区配电网协同规划方法 | |
| CN110188950A (zh) | 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法 | |
| CN115760206A (zh) | 一种基于工业用户用电需求的电力市场电价计算方法 | |
| CN112381263A (zh) | 基于区块链分布式数据存储多微网日前鲁棒电能交易方法 | |
| Daneshvar et al. | A novel transactive energy trading model for modernizing energy hubs in the coupled heat and electricity network | |
| CN112701687A (zh) | 考虑价格型联合需求响应的气电配网系统鲁棒优化运行方法 | |
| CN115204673A (zh) | 含有电动汽车的热电联供系统多时间尺度分层调度方法 | |
| CN116050637A (zh) | 基于分时电价的综合能源虚拟电厂优化调度方法及系统 | |
| Jintao et al. | Optimized operation of multi-energy system in the industrial park based on integrated demand response strategy | |
| Wu et al. | Multi-parameter cooperative optimization and solution method for regional integrated energy system | |
| CN114118535A (zh) | 一种考虑工程实用性的园区综合能源系统优化配置方法 | |
| CN113822480A (zh) | 一种农村综合能源系统多层协同优化方法及系统 | |
| CN112883630A (zh) | 用于风电消纳的多微网系统日前优化经济调度方法 | |
| An et al. | Real-time optimal operation control of micro energy grid coupling with electricity-thermal-gas considering prosumer characteristics | |
| CN115860241B (zh) | 基于salr的互联多区域综合能源系统分布式调度方法及装置 | |
| CN116862144A (zh) | 一种基于双重博弈的多园区低碳调度方法及系统 | |
| Chen et al. | Robust optimization based multi-level coordinated scheduling strategy for energy hub in spot market | |
| CN115600757A (zh) | 海上风电共享储能参与现货市场交易协调优化方法及系统 | |
| CN112215687B (zh) | 一种基于云边协同的家庭微网自主竞价系统及方法 | |
| CN114925892A (zh) | 水电与电转气结合的中长期风水火发电量双层规划方法 | |
| Wang et al. | Day-ahead scheduling of integrated energy systems considering carbon emissions | |
| CN114139830B (zh) | 一种智慧能源站的优化调度方法、装置及电子设备 |
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 |