CN115840986A - 一种基于随机模型预测控制的能量管理方法 - Google Patents

一种基于随机模型预测控制的能量管理方法 Download PDF

Info

Publication number
CN115840986A
CN115840986A CN202310158590.XA CN202310158590A CN115840986A CN 115840986 A CN115840986 A CN 115840986A CN 202310158590 A CN202310158590 A CN 202310158590A CN 115840986 A CN115840986 A CN 115840986A
Authority
CN
China
Prior art keywords
model
time
variable
energy management
predictive control
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.)
Granted
Application number
CN202310158590.XA
Other languages
English (en)
Other versions
CN115840986B (zh
Inventor
王培坤
李园芳
高文营
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.)
Mingshi New Materials Co ltd
Original Assignee
Mingshi New Materials 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 Mingshi New Materials Co ltd filed Critical Mingshi New Materials Co ltd
Priority to CN202310158590.XA priority Critical patent/CN115840986B/zh
Publication of CN115840986A publication Critical patent/CN115840986A/zh
Application granted granted Critical
Publication of CN115840986B publication Critical patent/CN115840986B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于随机模型预测控制的能量管理方法，首先建立房屋建筑模型和用户可控负荷的运行机理模型，而后基于以上模型建立模型预测控制（MPC）架构；使用RNN神经网络建立用户活动预测模型，并将其与天气预报的误差同时作为系统的不确定量加入MPC框架中，建立SMPC模型，最后使用基于遗传算法的滚动优化方法进行求解，得到最优的能量管理策略。本发明采用上述的一种基于随机模型预测控制的能量管理方法，综合考虑了用户用能的不确定性，对传统MPC模型进行了增补改进，进而达到了模型控制更加准确的效果。

Description

一种基于随机模型预测控制的能量管理方法
技术领域
本发明涉及能源技术领域，尤其是涉及一种基于随机模型预测控制的能量管理方法。
背景技术
近年来，随着城市化程度的不断增加和城市规模的不断扩大，城市中用户用电量越来越大，在电力系统中所占的比重越来越高，用户侧负荷被视为与发电能力、电网传输能力一样可以动态调度管理的资源。由于其调度潜力大，调度成本低的特点，使得需求侧资源能够作为平抑可再生能源的间歇性和分布式电源故障状况下维持系统功率平衡的一种有效手段，提升城市能源利用水平和智能电网与用户双向互动的能力，是实现多种混合能源供需平衡的重要手段。在以往的研究中，能源管理系统（HEMS）已被证明可以显著减少能源费用，并能以其调节灵活性参与需求响应为电网供应提供方便。然而，能量系统的不确定性是一个重大问题，可能会降低HEMS对房主或电网运营商所带来的收益。系统的不确定性源自天气预报的不准确性、与能源相关的用户活动的预测（如总用水量），以及建筑围护结构和耗能设备的参数估计。
检索发现，现有的研究通常关注新颖的控制架构及其相对于现有策略的性能优势，但他们很少关注及量化其模拟中的不确定性或评估其对优化效果的影响。许多关于HEMS的研究都使用MPC框架，但大多数没有考虑不确定性对控制性能的影响。而许多MPC框架使用线性模型，这表示他们在建立用户模型时必须简化或忽略系统的非线性部分，如设备效率、设备老化以及建筑热辐射。对于用户，研究者所能采集到的数据往往有限，对每一个房屋都建立详细的能耗模型的成本太大，在大多数情况下难以实施。
发明内容
本发明的目的是提供一种基于随机模型预测控制的能量管理方法，通过在模型输入输出中添加不确定变量，对传统MPC模型进行了增补改进，使得该模型在进行用户状态预测时较传统模型更加准确，进而达到提高优化效果的目的。
为实现上述目的，本发明提供了一种基于随机模型预测控制的能量管理方法，包括以下步骤：
S1、使用EnergyPlus软件建立房屋建筑模型；
S2、将用电设备按照运行特性分类，建立用户用电设备模型；
S3、使用循环神经网络RNN建立用户行动预测模型；
S4、建立MPC模型；
S5、在建立的MPC模型的基础上，结合已有的天气预报模型，将天气预报模型与使用循环神经网络RNN建立用户行动预测模型的误差作为变量加入MPC模型，建立SMPC模型；
S6、使用遗传算法进行SMPC滚动优化计算，得到能量管理策略。
优选的，所述步骤S2中将用电设备按照运行特性分类，分类为：刚性负荷、变功率负荷、平移负荷、电动汽车和储能系统，刚性负荷为每日固定功率运行的负荷；变功率负荷为实时可调节功率的用电负荷；平移负荷为运行次数有限，且运行时间可调节的负荷；电动汽车用于模拟停靠期间的充电时间控制；储能系统为家用蓄电池，通过储电和放电对整体用电进行调整。
优选的，所述步骤S2中的用电设备，功率消耗方程与运行约束条件的简化形式为：
Figure SMS_1
式中，
Figure SMS_2
表示种类k的第n个设备在时刻t的运行软约束r，/>
Figure SMS_3
表示种类k的第n个设备在时刻t的运行硬约束h，/>
Figure SMS_4
表示种类k的第n个设备在时刻t的用电功率，/>
Figure SMS_5
表示种类k的第n个设备在时刻t的开关状态。
优选的，所述步骤S3中，用户行动预测模型的预测内容包含每日热水消耗量、电动汽车离开时间、建筑内部热辐射增量、光伏发电量。
优选的，所述步骤S3中使用循环神经网络RNN建立用户行动预测模型，循环神经网络RNN的输入输出分别为：
输入：
Figure SMS_6
输出：
Figure SMS_7
式中，
Figure SMS_8
表示用户在t时刻的行动m变量，其可以是0-1变量也可以是连续数值变量。/>
Figure SMS_9
表示t时刻网络输入，/>
Figure SMS_10
表示t时刻网络输出。
优选的，所述步骤S4中建立MPC模型，MPC模型的计算流程为：
Figure SMS_11
其中
Figure SMS_12
式中，A、B、C、D、E、F均为系数矩阵；
Figure SMS_15
为系统t时刻的状态变量；/>
Figure SMS_18
为系统t时刻的总耗能量；/>
Figure SMS_22
为室内温度，由步骤S1中建立的房屋建筑模型得出；/>
Figure SMS_16
为光伏发电量；/>
Figure SMS_19
为系统t时刻的可控输入变量；/>
Figure SMS_21
为种类k的第n个设备在时刻t的用电功率；/>
Figure SMS_25
为系统t时刻的不可控输入变量；/>
Figure SMS_13
为天气预报变量，由已有预测模型提供；/>
Figure SMS_20
为系统t时刻的输出变量；/>
Figure SMS_23
为系统t时刻的购电电费；V(C)表示违反约束C满意度惩罚；/>
Figure SMS_24
和/>
Figure SMS_14
分别为种类k的第n个设备在时刻t的运行软约束和硬约束；/>
Figure SMS_17
为系统整体的运行约束条件；/>
MPC模型的满意度函数为
Figure SMS_26
，优化目标为：
Figure SMS_27
优选的，所述步骤S5中，建立SMPC模型的具体过程为：在建立的MPC模型基础上，将不可控输入
Figure SMS_28
在用户行动预测模型预测值的基础上，加入一个变量，作为最终输入结果，SMPC的模型公式为：
Figure SMS_29
其中，
Figure SMS_30
，/>
Figure SMS_31
、/>
Figure SMS_32
分别代表动作预测模型的预测误差均值向量和预测误差方差向量，即（动作1-m再加上天气）的预测误差均值/方差组成的向量。其中/>
Figure SMS_33
代表第m个动作的预测误差方差，/>
Figure SMS_34
代表天气预测的预测误差方差，A、B、E均为系数矩阵；/>
Figure SMS_35
为系统t时刻的不可控输入变量，由步骤S3中建立的用户行动预测模型得出；
Figure SMS_36
为天气预报变量，由已有预测模型提供。
因此，本发明采用上述的一种基于随机模型预测控制的能量管理方法，考虑以往研究中被忽略的用户侧不确定性能耗，以随机变量形式对其进行模拟，在传统MPC模型之上建立新的SMPC模型，使得模型对用户状态的预测精度提高，从而使得最终优化策略在能源节约于用户舒适度方面拥有更好的表现。
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
图1为本发明一种基于随机模型预测控制的能量管理方法的循环神经网络图；
图2为本发明一种基于随机模型预测控制的能量管理方法中运用滚动优化方法求解最优能量配置方案的流程图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
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。
实施例
1、使用EnergyPlus软件建立房屋建筑模型
EnergyPlus是由美国能源部（Department of Energy）和劳伦斯·伯克利国家实验室（Lawrence Berkeley NationalLaboratory）共同开发的一款建筑能耗模拟引擎，是较为流行的一款建筑能耗模拟免费软件。软件可以通过设定建筑的面积、墙壁地板材质、采光面积、通风面积等参数模拟建筑的热传导模型。本发明使用该软件建立目标建筑的模型，用于用户冷热负荷的模拟预测。
2、建立用户可控设备模型
将可控用电设备按照其运行特性分为5种：刚性负荷、变功率负荷、平移负荷、电动汽车和储能系统。其中刚性负荷为每日固定功率运行的负荷，如电冰箱；变功率负荷为实时可调节功率的用电负荷，如空调、热水器等；平移负荷为运行次数有限，且运行时间可调节的负荷，如洗衣机、洗碗机等；电动汽车（EV）模型用于模拟电动汽车停靠期间的充电时间控制；中的储能系统主要为家用蓄电池，可以进行暂时性储电和放电对整体用电进行调整。
根据每一类用电设备的运行机理，分别建立其功率消耗方程与运行约束条件。由以上模型特点我们将其简化为以下形式：
Figure SMS_37
式中，
Figure SMS_38
表示种类k的第n个设备在时刻t的运行软约束r，/>
Figure SMS_39
表示种类k的第n个设备在时刻t的运行硬约束h，/>
Figure SMS_40
表示种类k的第n个设备在时刻t的用电功率，/>
Figure SMS_41
表示种类k的第n个设备在时刻t的开关状态。
3、使用RNN网络建立用户行动预测模型
用户行动由于受实时环境与社会需求因素影响，不受能量管理系统的指挥，由用户自主决定，因此无法进行准确建模。本发明使用神经网络建立用户行动的黑箱预测模型，其预测内容包含每日热水消耗量、电动汽车（EV）离开时间、建筑内部热辐射增量、光伏发电量等。
循环神经网络（RNN）由于其可以记忆之前信息的神经元结构特点，拥有对时间序列数据较好的处理效果，因此常常用于构建时间序列信息的预测模型。本发明中即使用RNN网络建立用户用能活动的预测模型，其网络结构如图1所示，网络输入和输出分别为：
输入：
Figure SMS_42
(2)
输出：
Figure SMS_43
(3)
式中，
Figure SMS_44
表示用户在t时刻的行动m变量，其可以是0-1变量也可以是连续数值变量，/>
Figure SMS_45
表示t时刻网络输入，/>
Figure SMS_46
表示t时刻网络输出。
4、建立MPC模型
MPC的原理是：在每个采样时刻内，根据已知的系统状态信息，在线求解一个有限时域开环优化问题，得到一个最优控制序列，再将序列的第一个元素作用于执行器。在下一个采样周期内，重复以上步骤，新的状态信息会生成新的优化问题，重新求解即可得到新的最优控制序列。MPC的迭代计算流程为：
Figure SMS_47
其中
Figure SMS_48
式中，A、B、C、D、E、F均为系数矩阵；
Figure SMS_52
为系统t时刻的状态变量，/>
Figure SMS_53
为系统t时刻的总耗能量，/>
Figure SMS_58
为室内温度，由步骤1中所以建立的房屋建筑模型模拟得出，/>
Figure SMS_49
为光伏发电量，由步骤3中建立的用户行动预测模型得出；/>
Figure SMS_55
为系统t时刻的可控输入变量，/>
Figure SMS_57
为种类k的第n个设备在时刻t的用电功率，由步骤2中所建立的可控负荷模型得出；/>
Figure SMS_60
为系统t时刻的不可控输入变量，由步骤3中建立的用户行动预测模型得出；/>
Figure SMS_51
为天气预报变量，由已有预测模型提供；/>
Figure SMS_56
为系统t时刻的输出变量，/>
Figure SMS_59
为系统t时刻的购电电费，V(C)表示违反约束C的满意度惩罚，/>
Figure SMS_61
和/>
Figure SMS_50
分别为种类k的第n个设备在时刻t的运行软约束和硬约束，由步骤2中所建立的可控负荷模型得出，/>
Figure SMS_54
为系统整体的运行约束条件。
该模型的系统的满意度函数即为
Figure SMS_62
，因此该模型的优化目标即为：
Figure SMS_63
5、建立考虑系统不确定性的SMPC模型
在(4)式的基础上，由于不可控负荷中含有很大的不确定性，因此我们在步骤3中建立的MPC模型基础上，将不可控输入
Figure SMS_64
在用户行动预测模型预测值的基础上，加入一个随机变量，其加和作为最终输入结果。此处我们假设该随机变量满足正态分布，则有
Figure SMS_65
其中
Figure SMS_66
以光伏发电量为例，以预测模型对一年内光伏发电量的预测值与实际值的误差为基础，由统计分析可得：
Figure SMS_67
式中，
Figure SMS_70
、/>
Figure SMS_72
分别代表动作预测模型的预测误差均值向量和预测误差方差向量，其中/>
Figure SMS_74
代表第m个动作的预测误差方差，/>
Figure SMS_69
代表天气预测的预测误差方差，/>
Figure SMS_71
表示光伏发电量的预测平均误差，/>
Figure SMS_73
为总统计点数，/>
Figure SMS_75
为t时刻实际光伏发电量，/>
Figure SMS_68
为t时刻光伏发电量的预测值。其他不可控输入的处理与之类似。/>
6、运用滚动优化方法求解最优能量配置方案
基于上述模型，以(6)式为优化目标，进行优化问题求解。遗传算法以其运算求解速度的特点，尤其适用于对计算速度有所要求的实时滚动优化，因此本发明使用遗传算法进行SMPC滚动优化计算，最终得到目标用户系统的最优能量配置方案，其流程如图2所示。
因此，本发明采用上述一种基于随机模型预测控制的能量管理方法，考虑以往研究中被忽略的用户侧不确定性能耗，以随机变量形式对其进行模拟，在传统MPC模型之上建立新的SMPC模型，使得模型对用户状态的预测精度提高，从而使得最终优化策略在能源节约于用户舒适度方面拥有更好的表现。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳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：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (7)

1.一种基于随机模型预测控制的能量管理方法，其特征在于,包括以下步骤：
S1、使用EnergyPlus软件建立房屋建筑模型；
S2、将用电设备按照运行特性分类，建立用户用电设备模型；
S3、使用循环神经网络RNN建立用户行动预测模型；
S4、建立MPC模型；
S5、在建立的MPC模型的基础上，结合已有的天气预报模型，将天气预报模型与使用循环神经网络RNN建立用户行动预测模型的误差作为变量加入MPC模型，建立SMPC模型；
S6、使用遗传算法进行SMPC滚动优化计算，得到能量管理策略。
2.根据权利要求1所述的一种基于随机模型预测控制的能量管理方法，其特征在于，所述步骤S2中将用电设备按照运行特性分类，分类为：刚性负荷、变功率负荷、平移负荷、电动汽车和储能系统。
3.根据权利要求2所述的一种基于随机模型预测控制的能量管理方法，其特征在于：所述步骤S2中的用电设备，功率消耗方程与运行约束条件的简化形式为：
Figure QLYQS_1
式中，
Figure QLYQS_3
表示种类k的第n个设备在时刻t的运行软约束r，
Figure QLYQS_4
表示种类k的第n个设备在时刻t的运行硬约束h，
Figure QLYQS_5
表示种类k的第n个设备在时刻t的用电功率，
Figure QLYQS_6
表示种类k的第n个设备在时刻t的开关状态。
4.根据权利要求3所述的一种基于随机模型预测控制的能量管理方法，其特征在于：所述步骤S3中，用户行动预测模型的预测内容包含每日热水消耗量、电动汽车离开时间、建筑内部热辐射增量、光伏发电量。
5.根据权利要求4所述的一种基于随机模型预测控制的能量管理方法，其特征在于：所述步骤S3中使用循环神经网络RNN建立用户行动预测模型，循环神经网络RNN的输入输出分别为：
输入：
Figure QLYQS_7
输出：
Figure QLYQS_8
式中，
Figure QLYQS_9
表示用户在t时刻的行动m变量，
Figure QLYQS_10
表示t时刻网络输入，
Figure QLYQS_11
表示t时刻网络输出。
6.根据权利要求5所述的一种基于随机模型预测控制的能量管理方法，其特征在于，所述步骤S4中建立MPC模型，MPC模型的计算流程为：
Figure QLYQS_12
其中
Figure QLYQS_13
式中，A、B、C、D、E、F均为系数矩阵；
Figure QLYQS_16
为系统t时刻的状态变量；
Figure QLYQS_19
为系统t时刻的总耗能量；
Figure QLYQS_23
为室内温度，由步骤S1中建立的房屋建筑模型得出；
Figure QLYQS_17
为光伏发电量；
Figure QLYQS_21
为系统t时刻的可控输入变量；
Figure QLYQS_24
为种类k的第n个设备在时刻t的用电功率；
Figure QLYQS_26
为系统t时刻的不可控输入变量；
Figure QLYQS_14
为天气预报变量，由已有预测模型提供；
Figure QLYQS_18
为系统t时刻的输出变量；
Figure QLYQS_22
为系统t时刻的购电电费；V(C)表示违反约束C满意度惩罚；
Figure QLYQS_25
和
Figure QLYQS_15
分别为种类k的第n个设备在时刻t的运行软约束和硬约束；
Figure QLYQS_20
为系统整体的运行约束条件；
MPC模型的满意度函数为
Figure QLYQS_27
，优化目标为：
Figure QLYQS_28
。
7.根据权利要求6所述的一种基于随机模型预测控制的能量管理方法，其特征在于，所述步骤S5中，建立SMPC模型的具体过程为：在建立的MPC模型基础上，将
Figure QLYQS_29
在用户行动预测模型预测值的基础上，加入一个变量，作为最终输入结果，SMPC的模型公式为：
Figure QLYQS_30
其中，
Figure QLYQS_31
，
Figure QLYQS_32
、
Figure QLYQS_33
分别代表动作预测模型的预测误差均值向量和预测误差方差向量，
Figure QLYQS_34
代表第m个动作的预测误差方差，
Figure QLYQS_35
代表天气预测的预测误差方差，A、B、E均为系数矩阵；
Figure QLYQS_36
为系统t时刻的输入变量，由步骤S3中建立的用户行动预测模型得出；
Figure QLYQS_37
为天气预报变量，由已有预测模型提供。
CN202310158590.XA 2023-02-24 2023-02-24 一种基于随机模型预测控制的能量管理方法 Active CN115840986B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310158590.XA CN115840986B (zh) 2023-02-24 2023-02-24 一种基于随机模型预测控制的能量管理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310158590.XA CN115840986B (zh) 2023-02-24 2023-02-24 一种基于随机模型预测控制的能量管理方法

Publications (2)

Publication Number Publication Date
CN115840986A true CN115840986A (zh) 2023-03-24
CN115840986B CN115840986B (zh) 2023-06-27

Family

ID=85580095

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310158590.XA Active CN115840986B (zh) 2023-02-24 2023-02-24 一种基于随机模型预测控制的能量管理方法

Country Status (1)

Country Link
CN (1) CN115840986B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069533A (zh) * 2015-08-19 2015-11-18 浙江大学 一种基于随机预测模型的钢铁企业多能源优化调度方法
CN110383625A (zh) * 2017-03-03 2019-10-25 英诺吉创新有限公司 基于对等网络的输电网络控制系统
US20200372394A1 (en) * 2019-05-20 2020-11-26 International Business Machines Corporation Machine learning with differently masked data in secure multi-party computing
CN113807589A (zh) * 2021-09-18 2021-12-17 广东电网有限责任公司 基于模型预测的运营商储能的滚动优化方法及装置
CN114285033A (zh) * 2021-12-29 2022-04-05 天津大学 考虑电动汽车充电负荷不确定性的建筑能源优化调度方法
CN114498753A (zh) * 2022-02-22 2022-05-13 武汉理工大学 一种数据驱动的低碳船舶微电网实时能量管理方法
CN114560091A (zh) * 2022-03-07 2022-05-31 西北工业大学 一种基于模型预测的多电飞机混合能源能量管理系统及方法
CN115409396A (zh) * 2022-09-06 2022-11-29 浙江英集动力科技有限公司 基于双层滚动优化的综合能源系统多时间尺度调度方法
CN115619431A (zh) * 2022-10-20 2023-01-17 国网河北省电力有限公司经济技术研究院 微电网的调度方法、装置、终端及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069533A (zh) * 2015-08-19 2015-11-18 浙江大学 一种基于随机预测模型的钢铁企业多能源优化调度方法
CN110383625A (zh) * 2017-03-03 2019-10-25 英诺吉创新有限公司 基于对等网络的输电网络控制系统
US20200372394A1 (en) * 2019-05-20 2020-11-26 International Business Machines Corporation Machine learning with differently masked data in secure multi-party computing
CN113807589A (zh) * 2021-09-18 2021-12-17 广东电网有限责任公司 基于模型预测的运营商储能的滚动优化方法及装置
CN114285033A (zh) * 2021-12-29 2022-04-05 天津大学 考虑电动汽车充电负荷不确定性的建筑能源优化调度方法
CN114498753A (zh) * 2022-02-22 2022-05-13 武汉理工大学 一种数据驱动的低碳船舶微电网实时能量管理方法
CN114560091A (zh) * 2022-03-07 2022-05-31 西北工业大学 一种基于模型预测的多电飞机混合能源能量管理系统及方法
CN115409396A (zh) * 2022-09-06 2022-11-29 浙江英集动力科技有限公司 基于双层滚动优化的综合能源系统多时间尺度调度方法
CN115619431A (zh) * 2022-10-20 2023-01-17 国网河北省电力有限公司经济技术研究院 微电网的调度方法、装置、终端及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
YUDONG MA 等: "Fast stochastic MPC with optimal risk allocation applied to building control systems" *
孙一凫 等: "基于EnergyPlus-Python联合模拟和强化学习算法的室内环境控制优化" *

Also Published As

Publication number Publication date
CN115840986B (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
Zhang et al. A review of urban energy systems at building cluster level incorporating renewable-energy-source (RES) envelope solutions
CN112614009B (zh) 一种基于深度期望q-学习的电网能量管理方法及系统
Yuce et al. ANN–GA smart appliance scheduling for optimised energy management in the domestic sector
Li et al. Review of building energy modeling for control and operation
US11610214B2 (en) Deep reinforcement learning based real-time scheduling of Energy Storage System (ESS) in commercial campus
CN112633571A (zh) 源网荷互动环境下基于lstm的超短期负荷预测方法
Harder et al. The cost of providing operational flexibility from distributed energy resources
CN115081902B (zh) 基于源网荷储协同的综合规划方法、装置、设备及介质
CN104331737A (zh) 一种基于粒子群神经网络的办公建筑负荷预测方法
Ren et al. A data-driven DRL-based home energy management system optimization framework considering uncertain household parameters
CN112488372A (zh) 多时间尺度下电采暖负荷双层优化调度方法
CN113139711A (zh) 一种基于数据整合的智慧能源数据中心管理系统
Shi et al. Optimization of electricity consumption in office buildings based on adaptive dynamic programming
CN115907350A (zh) 一种建筑综合能源系统的能量管理方法及系统
Qin et al. Energy-efficient heating control for nearly zero energy residential buildings with deep reinforcement learning
Yang et al. Bi-level decentralized control of electric heating loads considering wind power accommodation in real-time electricity market
Luo et al. Optimal scheduling of micro-energy grid based on pareto frontier under uncertainty and pollutant emissions
Gao et al. Multi-energy sharing optimization for a building cluster towards net-zero energy system
CN117543581A (zh) 考虑电动汽车需求响应的虚拟电厂优化调度方法及其应用
CN115115145B (zh) 分布式光伏智能住宅的需求响应调度方法及系统
CN111523697A (zh) 一种综合能源服务成本分摊与定价计算方法
Pop et al. A Markov process approach to ensemble control of smart buildings
CN115840986B (zh) 一种基于随机模型预测控制的能量管理方法
CN115169839A (zh) 一种基于数据-物理-知识联合驱动的供暖负荷调度方法
CN113435042B (zh) 一种建筑空调系统需求响应的强化学习建模方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant