CN115840986B - 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 PDFInfo
- Publication number
- CN115840986B CN115840986B CN202310158590.XA CN202310158590A CN115840986B CN 115840986 B CN115840986 B CN 115840986B CN 202310158590 A CN202310158590 A CN 202310158590A CN 115840986 B CN115840986 B CN 115840986B
- Authority
- CN
- China
- Prior art keywords
- model
- time
- variable
- prediction
- mpc
- 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.)
- Active
Links
- 238000007726 management method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000005457 optimization Methods 0.000 claims abstract description 18
- MZWGYEJOZNRLQE-KXQOOQHDSA-N 1-stearoyl-2-myristoyl-sn-glycero-3-phosphocholine Chemical compound CCCCCCCCCCCCCCCCCC(=O)OC[C@H](COP([O-])(=O)OCC[N+](C)(C)C)OC(=O)CCCCCCCCCCCCC MZWGYEJOZNRLQE-KXQOOQHDSA-N 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 13
- 238000005096 rolling process Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 230000002068 genetic effect Effects 0.000 claims abstract description 5
- 230000009471 action Effects 0.000 claims description 24
- 238000010248 power generation Methods 0.000 claims description 12
- 238000005265 energy consumption Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 8
- 238000004146 energy storage Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 9
- 230000007246 mechanism Effects 0.000 abstract description 2
- 239000013589 supplement Substances 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 description 5
- 208000037309 Hypomyelination of early myelinating structures Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
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
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：
式中，
表示种类k的第n个设备在时刻t的运行软约束r，/>
表示种类k的第n个设备在时刻t的运行硬约束h，/>
表示种类k的第n个设备在时刻t的用电功率，/>
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：
输出：
式中，
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。/>
表示t时刻网络输入，/>
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：
其中
式中，A、B、C、D、E、F均为系数矩阵；
为系统t时刻的状态变量；/>
为系统t时刻的总耗能量；/>
为室内温度，由步骤S1中建立的房屋建筑模型得出；/>
为光伏发电量；
为系统t时刻的可控输入变量；/>
为种类k的第n个设备在时刻t的用电功率；/>
为系统t时刻的不可控输入变量；/>
为天气预报变量，由已有预测模型提供；/>
为系统t时刻的输出变量；/>
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；/>
和/>
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；/>
为系统整体的运行约束条件；
MPC模型的满意度函数为
，优化目标为：
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
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：
其中，
，/>
、/>
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/>
代表第m个动作的预测误差方差，/>
代表天气预测的预测误差方差，A、B、E均为系数矩阵；/>
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；/>
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：
式中，
表示种类k的第n个设备在时刻t的运行软约束r，/>
表示种类k的第n个设备在时刻t的运行硬约束h，/>
表示种类k的第n个设备在时刻t的用电功率，/>
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：
(2)
输出：
(3)
式中，
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，/>
表示t时刻网络输入，/>
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：
其中
式中，A、B、C、D、E、F均为系数矩阵；
为系统t时刻的状态变量，/>
为系统t时刻的总耗能量，/>
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，/>
为光伏发电量，由步骤3中建立的用户行动预测模型得出；/>
为系统t时刻的可控输入变量，
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；/>
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；/>
为天气预报变量，由已有预测模型提供；/>
为系统t时刻的输出变量，/>
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，/>
和/>
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，/>
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
，因此该模型的优化目标即为：
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
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
其中
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：
式中，
、/>
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/>
代表第m个动作的预测误差方差，/>
代表天气预测的预测误差方差，/>
表示光伏发电量的预测平均误差，/>
为总统计点数，/>
为t时刻实际光伏发电量，/>
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 (2)
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；
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；
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：
式中，
表示种类k的第n个设备在时刻t的运行软约束r，/>
表示种类k的第n个设备在时刻t的运行硬约束h，/>
表示种类k的第n个设备在时刻t的用电功率，/>
表示种类k的第n个设备在时刻t的开关状态；
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；
所述步骤S4中建立MPC模型，MPC模型的计算流程为：
其中
式中，A、B、C、D、E、F均为系数矩阵；xt为系统t时刻的状态变量；
为系统t时刻的总耗能量；Tt为室内温度，由步骤S1中建立的房屋建筑模型得出；/>
为光伏发电量；ut为系统t时刻的可控输入变量；/>
为种类k的第n个设备在时刻t的用电功率；Ot为系统t时刻的不可控输入变量；/>
为天气预报变量，由已有预测模型提供；yt为系统t时刻的输出变量；λt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；/>
和/>
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；/>
为系统整体的运行约束条件；
MPC模型的满意度函数为yt，优化目标为：
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Ot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：
其中，
Σ2、/>
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，/>
代表第m个动作的预测误差方差，/>
代表天气预测的预测误差方差，A、B、E均为系数矩阵；Ot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；/>
为天气预报变量，由已有预测模型提供。
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：
输出：
式中，
表示用户在t时刻的行动m变量，It表示t时刻网络输入，Ot表示t时刻网络输出。
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 CN115840986A (zh) | 2023-03-24 |
| CN115840986B true 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 (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105069533B (zh) * | 2015-08-19 | 2018-08-07 | 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 |
| WO2018157940A1 (en) * | 2017-03-03 | 2018-09-07 | Innogy Innovation Gmbh | Electric grid control system based on peer-to-peer network |
| US11410081B2 (en) * | 2019-05-20 | 2022-08-09 | International Business Machines Corporation | Machine learning with differently masked data in secure multi-party computing |
| CN113807589B (zh) * | 2021-09-18 | 2024-01-26 | 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 |
| CN114560091B (zh) * | 2022-03-07 | 2024-02-06 | 西北工业大学 | 一种基于模型预测的多电飞机混合能源管理系统及方法 |
| 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 |
-
2023
- 2023-02-24 CN CN202310158590.XA patent/CN115840986B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115840986A (zh) | 2023-03-24 |
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 | |
| Yuce et al. | ANN–GA smart appliance scheduling for optimised energy management in the domestic sector | |
| Daut et al. | Building electrical energy consumption forecasting analysis using conventional and artificial intelligence methods: A review | |
| 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 | |
| Lazos et al. | Optimisation of energy management in commercial buildings with weather forecasting inputs: A review | |
| Li et al. | Review of building energy modeling for control and operation | |
| Ren et al. | A data-driven DRL-based home energy management system optimization framework considering uncertain household parameters | |
| CN104331737A (zh) | 一种基于粒子群神经网络的办公建筑负荷预测方法 | |
| CN115907350B (zh) | 一种建筑综合能源系统的能量管理方法及系统 | |
| CN115081902B (zh) | 基于源网荷储协同的综合规划方法、装置、设备及介质 | |
| CN116734424B (zh) | 基于rc模型和深度强化学习的室内热环境的控制方法 | |
| Li et al. | Modeling and energy dynamic control for a ZEH via hybrid model-based deep reinforcement learning | |
| Qin et al. | Energy-efficient heating control for nearly zero energy residential buildings with deep reinforcement learning | |
| Chen et al. | Research on short-term load forecasting of new-type power system based on GCN-LSTM considering multiple influencing factors | |
| Shi et al. | Optimization of electricity consumption in office buildings based on adaptive dynamic programming | |
| Guo et al. | Energy model calibration in an office building by an optimization-based method | |
| Shabani et al. | Predicting building energy consumption using engineering and data driven approaches: A review | |
| Shen | Planning of renewable energy regional heating system based on demand side uncertainty | |
| CN115705608A (zh) | 一种虚拟电厂负荷感知方法及装置 | |
| 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 | |
| CN115840986B (zh) | 一种基于随机模型预测控制的能量管理方法 | |
| Bai et al. | A collaborative matching method for multi-energy supply systems in office buildings considering the random characteristics of electric vehicles | |
| Chinnadurrai et al. | Energy Management of a Microgrid based on LSTM Deep Learning Prediction Model | |
| Zhang et al. | Integration of Urban Energy Systems with Renewable Envelope Solutions at Building Cluster Level |
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 |