CN116599087B - 一种储能系统的调频策略优化方法及系统 - Google Patents
一种储能系统的调频策略优化方法及系统 Download PDFInfo
- Publication number
- CN116599087B CN116599087B CN202310692417.8A CN202310692417A CN116599087B CN 116599087 B CN116599087 B CN 116599087B CN 202310692417 A CN202310692417 A CN 202310692417A CN 116599087 B CN116599087 B CN 116599087B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- honey source
- storage system
- power grid
- frequency modulation
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 159
- 238000005457 optimization Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 81
- 238000007599 discharging Methods 0.000 claims abstract description 20
- 238000010276 construction Methods 0.000 claims abstract description 9
- 235000012907 honey Nutrition 0.000 claims description 174
- 239000002245 particle Substances 0.000 claims description 47
- 230000008859 change Effects 0.000 claims description 31
- 230000006870 function Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010187 selection method Methods 0.000 claims description 5
- 230000004044 response Effects 0.000 abstract description 6
- 230000001737 promoting effect Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 2
- 241000257303 Hymenoptera Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
- H02J3/241—The oscillation concerning frequency
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E70/00—Other energy conversion or management systems reducing GHG emissions
- Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提出一种储能系统的调频策略优化方法及系统，所述方法包括：实时获取电网运行数据、电网侧储能系统的容量和充放电限值；将所述电网运行数据、电网侧储能系统的容量和充放电限值代入预先构建的电网侧储能系统调频能力优化模型中，并利用改进的人工蜂群算法进行求解，得到电网侧储能系统优化后的调频策略；基于所述优化后的调频策略控制所述电网侧储能系统的充放电；其中，所述电网运行数据包括：负荷需求、风电场出力和光伏电站出力。本申请提出的技术方案，提高了电网对频率波动的响应能力、优化了储能系统运行、同时支持可再生能源接入、在促进弹性电网建设和支持电力市场运作方面具有显著优势。
Description
技术领域
本申请涉及电力系统调频优化领域，尤其涉及一种储能系统的调频策略优化方法及系统。
背景技术
化石能源短缺，环境污染严重，新能源在电力系统中大规模应用。由于新能源具有波动性、间歇性等特点，导致电网频率调节和稳定性出现问题。储能系统作为一种重要的调频资源，可以提高电网对频率波动的响应能力，降低调频过程中的不确定性，进而提高电力系统的稳定性和可靠性。然而，电网侧储能系统的调频能力优化问题涉及多个目标和多个约束条件，如何更有效地利用储能系统进行电网侧调频能力优化，仍是一个亟待解决的问题。
人工蜂群算法(Artificial Bee Colony Algorithm,ABC)是一种基于自然界蜜蜂觅食行为的优化算法，由于其简单、易于实现以及较强的全局搜索能力，逐渐成为求解复杂优化问题的有效工具。但由于传统的人工蜂群算法在搜索过程中容易陷入局部最优解，收敛速度较慢，且对搜索空间的利用率不高，导致电网侧储能系统调频能力的优化效果较差。
发明内容
本申请提供一种储能系统的调频策略优化方法及系统，以至少解决传统的人工蜂群算法在搜索过程中容易陷入局部最优解，收敛速度较慢，且对搜索空间的利用率不高，导致电网侧储能系统调频能力的优化效果较差的技术问题。
本申请第一方面实施例提出一种储能系统的调频策略优化方法，所述方法包括：
实时获取电网运行数据、电网侧储能系统的容量和充放电限值；
将所述电网运行数据、电网侧储能系统的容量和充放电限值代入预先构建的电网侧储能系统调频能力优化模型中，并利用改进的人工蜂群算法进行求解，得到电网侧储能系统优化后的调频策略；
基于所述优化后的调频策略控制所述电网侧储能系统的充放电；
其中，所述电网运行数据包括：负荷需求、风电场出力和光伏电站出力。
优选的，所述电网侧储能系统调频能力优化模型的构建包括：
构建电网侧储能系统调频能力优化模型的目标函数，其中以电网侧储能系统调频能力最大为目标函数；
以电网侧储能系统功率平衡约束、储能系统中储能装置的充放电功率限值约束为约束条件，并结合所述目标函数构建电网侧储能系统调频能力优化模型。
进一步的，所述利用改进的人工蜂群算法进行求解，得到电网侧储能系统优化后的调频策略，包括：
步骤F1:初始化各蜜源位置和速度，并记录每个蜜源的适应度值和局部最优解；
步骤F2:基于当前迭代次数t动态调整粒子群算法的搜索步长,基于调整搜索步长后的粒子群算法进行第t次更新各蜜源位置，确定更新后的各蜜源位置对应的第一随机数，分别判断各蜜源位置对应的第一随机数是否大于预设的跳跃概率，将第一随机数大于等于预设的跳跃概率的蜜源进入步骤F6处理，将第一随机数小于预设的跳跃概率的蜜源，进入步骤F3处理；
步骤F3:基于跳跃搜索策略更新各蜜源位置,并计算更新后各蜜源位置的适应度值，判断各蜜源位置的适应度的变化率是否大于预设的变化率阈值，将适应度的变化率大于等于预设的变化率阈值的蜜源进入步骤F5处理，将适应度的变化率小于预设的变化率阈值的蜜源进入步骤F4处理；
步骤F4:基于加强局部搜索策略更新各蜜源的位置，并返回步骤F2；
步骤F5：分别对比基于跳跃搜索策略更新后的各蜜源位置的适应度值与其对应的原始蜜源位置的适应度值的大小，将适应度值大的一方对应的蜜源位置，作为更新后的蜜源位置；
步骤F6:基于优化后各蜜源的位置及适应度值，并利用轮盘赌选择方法，选择最优蜜源的位置及适应度值；
步骤F7：对于达到限定次数仍未更新的蜜源，随机生成一个新的蜜源位置，并计算其适应度值；
步骤F8:判断t是否大于等于T,如果满足，则输出全局最优解；否则，令t＝t+1，返回步骤F2继续迭代，其中，t∈[1～T]，T为总的迭代次数。
进一步的，所述基于当前迭代次数t动态调整粒子群算法的搜索步长,包括：
根据当前迭代次数t调整粒子群算法的惯性权重、个体学习因子和全局学习因子；
其中，所述惯性权重的计算式如下：
式中，wt为第t次迭代对应的惯性权重，wmax为惯性权重的最大值，wmin为惯性权重的最小值；
所述个体学习因子的计算式如下：
式中，c1,t为第t次迭代对应的个体学习因子，c1,max为个体学习因子的最大值，c1,min为个体学习因子的最小值；
所述全局学习因子的计算式如下：
式中，c2,t为第t次迭代对应的全局学习因子，c2,max为全局学习因子的最大值，c2,min为全局学习因子的最小值；
所述基于粒子群算法的速度更新策略第t次更新蜜源位置的计算式如下：
Xij(t)＝Xij(t-1)+Vij(t)
式中，Xij(t)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t次更新的位置，Xij(t-1)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t-1次更新的位置，Vij(t)＝wt·Vij(t-1)+c1,t·rand1·[Pbest-ij(t-1)-Xij(t-1)]+c2,t·rand2·[Gbest-j(t-1)-Xij(t-1)]，Vij(t)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t次更新对应的速度，Vij(t-1)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t-1次更新对应的速度，rand1为[0,1]间的第一随机数，Pbest-ij(t-1)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t-1次更新对应的历史最优位置，rand2为[0,1]间的第二随机数，Gbest-j(t-1)为基于粒子群算法的速度更新策略第t-1次更新对应的全局最优解在维度j上的位置。
进一步的，所述基于跳跃搜索策略更各蜜源位置的计算式如下：
Xnew-d＝Xmin-d+randd·(Xmax-d-Xmin-d)
式中，Xnew-d为基于跳跃搜索策略在维度d上随机生成的蜜源位置，Xmin-d为维度d的搜索空间下界，randd为[0,1]间的第三随机数，Xmax-d为维度d的搜索空间上界，其中，所述维度d为随机选取的一个维度，1≤d≤D，D为储能系统电网侧优化调频能力的总维度；
所述基于加强局部搜索策略更新各蜜源的位置的计算式如下：
Xnew＝Xbest+α·(Xbest-Xr)·f(β)
式中，Xnew为基于加强局部搜索策略生成的蜜源位置，Xbest为当前迭代中最优蜜源的位置，α为搜索因子，Xr为随机选择的蜜源的位置，f(β)为非线性变换函数，β为[0,1]间的第四随机数。
进一步的，所述电网侧储能系统调频能力优化模型的目标函数的计算式如下：
max F＝∑|Δfg|
式中，F为电网侧储能系统的调频能力，Δf为在第g个时间间隔内电网侧储能系统的频率偏差。
优选的，所述方法还包括：将所述电网侧储能系统优化后的调频策略进行可视化展示。
本申请第二方面实施例提出一种储能系统的调频策略优化系统，包括：
获取模块，用于实时获取电网运行数据、电网侧储能系统的容量和充放电限值；
优化求解模块，用于将所述电网运行数据、电网侧储能系统的容量和充放电限值代入预先构建的电网侧储能系统调频能力优化模型中，并利用改进的人工蜂群算法进行求解，得到电网侧储能系统优化后的调频策略；
调频模块，用于基于所述优化后的调频策略控制所述电网侧储能系统的充放电；
其中，所述电网运行数据包括：负荷需求、风电场出力和光伏电站出力。
本申请第三方面实施例提出一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如第一方面实施例所述的方法。
本申请第四方面实施例提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所述的方法。
本申请的实施例提供的技术方案至少带来以下有益效果：
本申请提出了一种储能系统的调频策略优化方法及系统，其中所述方法包括：实时获取电网运行数据、电网侧储能系统的容量和充放电限值；将所述电网运行数据、电网侧储能系统的容量和充放电限值代入预先构建的电网侧储能系统调频能力优化模型中，并利用改进的人工蜂群算法进行求解，得到电网侧储能系统优化后的调频策略；基于所述优化后的调频策略控制所述电网侧储能系统的充放电；其中，所述电网运行数据包括：负荷需求、风电场出力和光伏电站出力。本申请提出的技术方案，提高了电网对频率波动的响应能力、优化了储能系统运行、同时支持可再生能源接入、在促进弹性电网建设和支持电力市场运作方面具有显著优势。
本申请附加的方面以及优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请一个实施例提供的一种储能系统的调频策略优化方法的第一种流程图；
图2为根据本申请一个实施例提供的改进的人工蜂群算法的求解示意图；
图3为根据本申请一个实施例提供的一种储能系统的调频策略优化方法的第二种流程图；
图4为根据本申请一个实施例提供的一种储能系统的调频策略优化系统的第一种结构图；
图5为根据本申请一个实施例提供的一种储能系统的调频策略优化系统的第二种结构图；
图6为根据本申请一个实施例提供的一种储能系统的调频策略优化系统的第三种结构图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
本申请提出的一种储能系统的调频策略优化方法及系统，其中所述方法包括：实时获取电网运行数据、电网侧储能系统的容量和充放电限值；将所述电网运行数据、电网侧储能系统的容量和充放电限值代入预先构建的电网侧储能系统调频能力优化模型中，并利用改进的人工蜂群算法进行求解，得到电网侧储能系统优化后的调频策略；基于所述优化后的调频策略控制所述电网侧储能系统的充放电；其中，所述电网运行数据包括：负荷需求、风电场出力和光伏电站出力。本申请提出的技术方案，提高了电网对频率波动的响应能力、优化了储能系统运行、同时支持可再生能源接入、在促进弹性电网建设和支持电力市场运作方面具有显著优势。
下面参考附图描述本申请实施例的一种储能系统的调频策略优化方法及系统。
实施例一
图1为根据本申请一个实施例提供的一种储能系统的调频策略优化方法的流程图，如图1所示，所述方法包括：
步骤1：实时获取电网运行数据、电网侧储能系统的容量和充放电限值；
其中，所述电网运行数据包括：负荷需求、风电场出力和光伏电站出力。
步骤2：将所述电网运行数据、电网侧储能系统的容量和充放电限值代入预先构建的电网侧储能系统调频能力优化模型中，并利用改进的人工蜂群算法进行求解，得到电网侧储能系统优化后的调频策略。
在本公开实施例中，所述电网侧储能系统调频能力优化模型的构建包括：
构建电网侧储能系统调频能力优化模型的目标函数，其中以电网侧储能系统调频能力最大为目标函数；
以电网侧储能系统功率平衡约束、储能系统中储能装置的充放电功率限值约束为约束条件，并结合所述目标函数构建电网侧储能系统调频能力优化模型。
其中，所述电网侧储能系统调频能力优化模型的目标函数的计算式如下：
max F＝∑|Δfg|
式中，F为电网侧储能系统的调频能力，Δf为在第g个时间间隔内电网侧储能系统的频率偏差。
所述电网侧储能系统功率平衡约束的计算式如下：
Pgen＝Pload
式中，Pgen为电网侧储能系统的总发电功率，Pload为电网侧储能系统的总负荷功率；
所述储能系统中储能装置的充放电功率限值约束的计算式如下：
0≤Pch≤Pchmax
0≤Pdis≤Pdismax
式中，Pch为电网侧储能系统中储能装置的充电功率，Pchmax为储能装置的充电功率最大值，Pdis为电网侧储能系统中储能装置的放电功率，Pdismax为储能装置的放电功率最大值。
在本公开实施例中，如图2所示，所述利用改进的人工蜂群算法进行求解，得到电网侧储能系统优化后的调频策略，包括：
步骤F1:初始化各蜜源位置和速度，并记录每个蜜源的适应度值和局部最优解；
步骤F2:基于当前迭代次数t动态调整粒子群算法的搜索步长,基于调整搜索步长后的粒子群算法进行第t次更新各蜜源位置，确定更新后的各蜜源位置对应的第一随机数randjump，分别判断各蜜源位置对应的第一随机数是否大于预设的跳跃概率Pjump，将第一随机数大于等于预设的跳跃概率的蜜源进入步骤F6处理，将第一随机数小于预设的跳跃概率的蜜源，进入步骤F3处理；
需要说明的是，所述各蜜源位置对应的第一随机数是基于伪随机数生成算法生成的。
步骤F3:基于跳跃搜索策略更新各蜜源位置,并计算更新后各蜜源位置的适应度值，判断各蜜源位置的适应度的变化率是否大于预设的变化率阈值，将适应度的变化率大于等于预设的变化率阈值的蜜源进入步骤F5处理，将适应度的变化率小于预设的变化率阈值的蜜源进入步骤F4处理；
步骤F4:基于加强局部搜索策略更新各蜜源的位置，并返回步骤F2；
步骤F5：分别对比基于跳跃搜索策略更新后的各蜜源位置的适应度值与其对应的原始蜜源位置的适应度值的大小，将适应度值大的一方对应的蜜源位置，作为更新后的蜜源位置；
步骤F6:基于优化后各蜜源的位置及适应度值，并利用轮盘赌选择方法，选择最优蜜源的位置及适应度值；
需要说明的是，所述轮盘赌选择方法根据每个蜜源的适应度值来分配选择概率，适应度值高的蜜源被选中的概率更大，具体步骤如下：
1)计算所有蜜源的适应度值总和。
2)根据每个蜜源的适应度值计算其被选择的概率，每个蜜源的选择概率等于其适应度值与所有适应度值总和的比值。
3)生成一个0到1之间的第五随机数。
4)根据第五随机数选择相应的蜜源，选择过程：从第一个蜜源开始累加被选择的概率，当累加的概率值大于或等于第五随机数时，就选择当前的蜜源。
步骤F7：对于达到限定次数仍未更新的蜜源，随机生成一个新的蜜源位置，并计算其适应度值；
步骤F8:判断t是否大于等于T,如果满足，则输出全局最优解；否则，令t＝t+1，返回步骤F2继续迭代，其中，t∈[1～T]，T为总的迭代次数。
其中，所述基于当前迭代次数t动态调整粒子群算法的搜索步长,包括：
根据当前迭代次数t调整粒子群算法的惯性权重、个体学习因子和全局学习因子；
进一步的，所述惯性权重的计算式如下：
式中，wt为第t次迭代对应的惯性权重，wmax为惯性权重的最大值，wmin为惯性权重的最小值；
所述个体学习因子的计算式如下：
式中，c1,t为第t次迭代对应的个体学习因子，c1,max为个体学习因子的最大值，c1,min为个体学习因子的最小值；
所述全局学习因子的计算式如下：
式中，c2,t为第t次迭代对应的全局学习因子，c2,max为全局学习因子的最大值，c2,min为全局学习因子的最小值；
所述基于粒子群算法的速度更新策略第t次更新蜜源位置的计算式如下：
Xij(t)＝Xij(t-1)+Vij(t)
式中，Xij(t)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t次更新的位置，Xij(t-1)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t-1次更新的位置，Vij(t)＝wt·Vij(t-1)+c1,t·rand1·[Pbest-ij(t-1)-Xij(t-1)]+c2,t·rand2·[Gbest-j(t-1)-Xij(t-1)]，Vij(t)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t次更新对应的速度，Vij(t-1)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t-1次更新对应的速度，rand1为[0,1]间的第一随机数，Pbest-ij(t-1)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t-1次更新对应的历史最优位置，rand2为[0,1]间的第二随机数，Gbest-j(t-1)为基于粒子群算法的速度更新策略第t-1次更新对应的全局最优解在维度j上的位置。
需要说明的是，当迭代开始时，较大的c1和较小的c2值有助于算法进行局部搜索；随着迭代次数的增加，较小的c1和较大的c2值有助于算法进行全局搜索。
通过动态调整搜索步长，我们可以使改进的人工蜂群算法在不同迭代阶段更好地平衡全局搜索和局部搜索，从而提高搜索性能。
所述基于跳跃搜索策略更各蜜源位置的计算式如下：
Xnew-d＝Xmin-d+randd·(Xmax-d-Xmin-d)
式中，Xnew-d为基于跳跃搜索策略在维度d上随机生成的蜜源位置，Xmin-d为维度d的搜索空间下界，randd为[0,1]间的第三随机数，Xmax-d为维度d的搜索空间上界，其中，所述维度d为随机选取的一个维度，1≤d≤D，D为储能系统电网侧优化调频能力的总维度即所需解决问题的维数；其中，在本发明中所述储能系统电网侧优化调频能力的总维度可以为2，包括：所述电网侧储能系统的充电速率和放电速率。
需要说明的是，对于执行跳跃搜索策略的蜜源，随机选择一个维度d，然后在该维度上重新随机生成一个新的位置Xnew-d；
计算新位置Xnew-d的适应度值，计算式为Xnew-d的适应度值＝f(新位置)，其中，新位置是在跳跃搜索策略中产生的蜜源新位置，f(·)是适应度函数，用于评估蜜源位置对应解的质量；
通过上述计算，若新位置的适应度值优于原始蜜源位置的适应度值，则用新位置替换原始位置。
本跳跃搜索策略可以在迭代过程中随机跳出局部最优解，从而增加搜索多样性，这有助于提高该算法在复杂优化问题上的性能。
所述基于加强局部搜索策略更新各蜜源的位置的计算式如下：
Xnew＝Xbest+α·(Xbest-Xr)·f(β)
式中，Xnew为基于加强局部搜索策略生成的蜜源位置，Xbest为当前迭代中最优蜜源的位置，α为搜索因子，Xr为随机选择的蜜源的位置，f(β)为非线性变换函数，β为[0,1]间的第四随机数。
需要说明的是，Xnew通过引入当前最优蜜源的信息和一个随机选择的蜜源位置，以及一个服从特定分布的随机数f(β)来更新蜜源的新位置，使得新的蜜源位置更倾向于最优解附近，从而加强了局部搜索能力。
步骤3：基于所述优化后的调频策略控制所述电网侧储能系统的充放电。
具体的，基于所述优化后的调频策略控制所述电网侧储能系统的充电速率和放电速率。
需要说明的是，根据优化后的调频策略，实时控制储能系统的充放电操作，实现电网侧调频能力的优化，通过将改进人工蜂群算法应用于电网侧储能系统调频能力优化，可以提高电力系统的稳定性和可靠性。
在本公开实施例中，如图3所示，所述方法还包括：
步骤4：将所述电网侧储能系统优化后的调频策略进行可视化展示。
在本公开实施例中，还可以通过观察电网实际运行状态，更新模型参数，对改进人工蜂群算法搜索性能进行周期性评估和优化，确保算法高效性。
进一步的，还可以将储能系统优化调度策略与电网主调度系统进行联动，实现调频资源间的协同。
基于上述实施方法对本发明提供的一种储能系统的调频策略优化方法进行详细说明如下：
S1.收集电网运行数据，包括负荷需求、风电、太阳能等新能源出力、储能系统容量及充放电限制等；
S2.建立电网侧储能系统调频能力优化模型，以最大化系统调频能力为目标；
S3.根据粒子群算法对人工蜂群算法进行初步改进，并引入加强局部搜索策略、动态调整的搜索步长和跳跃搜索策略，提高搜索速度和准确性；
S4.利用改进人工蜂群算法求解优化模型，得到最优储能系统调度策略；
S5.根据优化后的调频策略，实时控制储能系统的充放电操作，实现电网侧调频能力的优化；
S6.监测电网实际运行状态，实时更新模型参数，以适应电网运行条件的变化；
S7.周期性评估和优化改进人工蜂群算法的搜索性能，保持算法的高效性；
S8.将储能系统优化调度策略与电网主调度系统进行联动，实现调频资源间的协同；
S9.根据系统运行历史数据，分析总结储能系统调频能力优化策略的效果，为今后电网调度提供参考；
S10.实现本优化方法的可视化展示，方便运维人员了解和掌控储能系统调频能力优化的过程。
综上所述，本实施例提出的一种储能系统的调频策略优化方法，具有以下优点：1、提高全局搜索能力：引入跳跃搜索策略，有助于避免算法陷入局部最优解，提高全局搜索能力，从而得到更优的调频能力方案。2、加速收敛速度：动态调整搜索步长，使算法在全局搜索和局部搜索之间保持平衡，加快收敛速度，提高算法效率。3、提高鲁棒性：加强局部搜索策略，对优秀解进行深入挖掘，提高解的质量，使算法具有更强的鲁棒性。4、优化调频能力：本发明的优化方法能够提高储能系统对频率波动的响应能力，提高电网稳定性，降低运行成本，支持可再生能源接入。5、促进弹性电网建设：通过优化储能系统的调频能力，为弹性电网建设提供技术支持，有助于实现电网的高效、稳定运行。6、支持电力市场运作：本发明的优化方法可广泛应用于电力系统运行与规划、微电网、电力市场等领域，为电力市场运作提供技术支持。
实施例二
图4为根据本申请一个实施例提供的一种储能系统的调频策略优化系统的结构图，如图4所示，所述系统包括：
获取模块100，用于实时获取电网运行数据、电网侧储能系统的容量和充放电限值；
优化求解模块200，用于将所述电网运行数据、电网侧储能系统的容量和充放电限值代入预先构建的电网侧储能系统调频能力优化模型中，并利用改进的人工蜂群算法进行求解，得到电网侧储能系统优化后的调频策略；
调频模块300，用于基于所述优化后的调频策略控制所述电网侧储能系统的充放电；
其中，所述电网运行数据包括：负荷需求、风电场出力和光伏电站出力。
在本公开实施例中，如图5所示，所述系统还包括：构建模块400；
所述构建模块400，用于构建电网侧储能系统调频能力优化模型的目标函数，其中以电网侧储能系统调频能力最大为目标函数；
所述构建模块400，还用于以电网侧储能系统功率平衡约束、储能系统中储能装置的充放电功率限值约束为约束条件，并结合所述目标函数构建电网侧储能系统调频能力优化模型。
进一步的，所述优化求解模块200还用于：
步骤E1:初始化各蜜源位置和速度，并记录每个蜜源的适应度值和局部最优解；
步骤E2:基于当前迭代次数t动态调整粒子群算法的搜索步长,基于调整搜索步长后的粒子群算法进行第t次更新各蜜源位置，确定更新后的各蜜源位置对应的第一随机数，分别判断各蜜源位置对应的第一随机数是否大于预设的跳跃概率，将第一随机数大于等于预设的跳跃概率的蜜源进入步骤E6处理，将第一随机数小于预设的跳跃概率的蜜源，进入步骤E3处理；
步骤E3:基于跳跃搜索策略更新各蜜源位置,并计算更新后各蜜源位置的适应度值，判断各蜜源位置的适应度的变化率是否大于预设的变化率阈值，将适应度的变化率大于等于预设的变化率阈值的蜜源进入步骤E5处理，将适应度的变化率小于预设的变化率阈值的蜜源进入步骤E4处理；
步骤E4:基于加强局部搜索策略更新各蜜源的位置，并返回步骤E2；
步骤E5：分别对比基于跳跃搜索策略更新后的各蜜源位置的适应度值与其对应的原始蜜源位置的适应度值的大小，将适应度值大的一方对应的蜜源位置，作为更新后的蜜源位置；
步骤E6:观察蜂阶段，基于优化后各蜜源的位置及适应度值，并利用轮盘赌选择方法，选择最优蜜源的位置及适应度值；
步骤E7：对于达到限定次数仍未更新的蜜源，随机生成一个新的蜜源位置，并计算其适应度值；
步骤E8:判断t是否大于等于T,如果满足，则输出全局最优解；否则，令t＝t+1，返回步骤E2继续迭代，其中，t∈[1～T]，T为总的迭代次数。
进一步的，所述基于当前迭代次数t动态调整粒子群算法的搜索步长,包括：
根据当前迭代次数t调整粒子群算法的惯性权重、个体学习因子和全局学习因子；
其中，所述惯性权重的计算式如下：
式中，wt为第t次迭代对应的惯性权重，wmax为惯性权重的最大值，wmin为惯性权重的最小值；
所述个体学习因子的计算式如下：
式中，c1,t为第t次迭代对应的个体学习因子，c1,max为个体学习因子的最大值，c1,min为个体学习因子的最小值；
所述全局学习因子的计算式如下：
式中，c2,t为第t次迭代对应的全局学习因子，c2,max为全局学习因子的最大值，c2,min为全局学习因子的最小值；
所述基于粒子群算法的速度更新策略第t次更新蜜源位置的计算式如下：
Xij(t)＝Xij(t-1)+Vij(t)
式中，Xij(t)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t次更新的位置，Xij(t-1)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t-1次更新的位置，Vij(t)＝wt·Vij(t-1)+c1,t·rand1·[Pbest-ij(t-1)-Xij(t-1)]+c2,t·rand2·[Gbest-j(t-1)-Xij(t-1)]，Vij(t)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t次更新对应的速度，Vij(t-1)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t-1次更新对应的速度，rand1为[0,1]间的第一随机数，Pbest-ij(t-1)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t-1次更新对应的历史最优位置，rand2为[0,1]间的第二随机数，Gbest-j(t-1)为基于粒子群算法的速度更新策略第t-1次更新对应的全局最优解在维度j上的位置。
进一步的，所述基于跳跃搜索策略更各蜜源位置的计算式如下：
Xnew-d＝Xmin-d+randd·(Xmax-d-Xmin-d)
式中，Xnew-d为基于跳跃搜索策略在维度d上随机生成的蜜源位置，Xmin-d为维度d的搜索空间下界，randd为[0,1]间的第三随机数，Xmax-d为维度d的搜索空间上界，其中，所述维度d为随机选取的一个维度，1≤d≤D，D为储能系统电网侧优化调频能力的总维度；
所述基于加强局部搜索策略更新各蜜源的位置的计算式如下：
Xnew＝Xbest+α·(Xbest-Xr)·f(β)
式中，Xnew为基于加强局部搜索策略生成的蜜源位置，Xbest为当前迭代中最优蜜源的位置，α为搜索因子，Xr为随机选择的蜜源的位置，f(β)为非线性变换函数，β为[0,1]间的第四随机数。
需要说明的是，所述电网侧储能系统调频能力优化模型的目标函数的计算式如下：
max F＝∑|Δfg|
式中，F为电网侧储能系统的调频能力，Δf为在第g个时间间隔内电网侧储能系统的频率偏差。
在本公开实施例中，如图6所示，所述系统还包括：展示模块500；
所述展示模块500，用于将所述电网侧储能系统优化后的调频策略进行可视化展示。
综上所述，本实施例提出的一种储能系统的调频策略优化系统，提高了电网对频率波动的响应能力、优化了储能系统运行、同时支持可再生能源接入、在促进弹性电网建设和支持电力市场运作方面具有显著优势。
实施例三
为了实现上述实施例，本公开还提出一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如实施例一所述的方法。
实施例四
为了实现上述实施例，本公开还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一所述的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (8)
1.一种储能系统的调频策略优化方法，其特征在于，所述方法包括：
实时获取电网运行数据、电网侧储能系统的容量和充放电限值；
将所述电网运行数据、电网侧储能系统的容量和充放电限值代入预先构建的电网侧储能系统调频能力优化模型中，并利用改进的人工蜂群算法进行求解，得到电网侧储能系统优化后的调频策略；
基于所述优化后的调频策略控制所述电网侧储能系统的充放电；
其中，所述电网运行数据包括：负荷需求、风电场出力和光伏电站出力；
其中，所述电网侧储能系统调频能力优化模型的构建包括：
构建电网侧储能系统调频能力优化模型的目标函数，其中以电网侧储能系统调频能力最大为目标函数；
以电网侧储能系统功率平衡约束、储能系统中储能装置的充放电功率限值约束为约束条件，并结合所述目标函数构建电网侧储能系统调频能力优化模型；
其中，所述利用改进的人工蜂群算法进行求解，得到电网侧储能系统优化后的调频策略，包括：
步骤F1:初始化各蜜源位置和速度，并记录每个蜜源的适应度值和局部最优解；
步骤F2:基于当前迭代次数t动态调整粒子群算法的搜索步长,基于调整搜索步长后的粒子群算法进行第t次更新各蜜源位置，确定更新后的各蜜源位置对应的第一随机数，分别判断各蜜源位置对应的第一随机数是否大于预设的跳跃概率，将第一随机数大于等于预设的跳跃概率的蜜源进入步骤F6处理，将第一随机数小于预设的跳跃概率的蜜源，进入步骤F3处理；
步骤F3:基于跳跃搜索策略更新各蜜源位置,并计算更新后各蜜源位置的适应度值，判断各蜜源位置的适应度的变化率是否大于预设的变化率阈值，将适应度的变化率大于等于预设的变化率阈值的蜜源进入步骤F5处理，将适应度的变化率小于预设的变化率阈值的蜜源进入步骤F4处理；
步骤F4:基于加强局部搜索策略更新各蜜源的位置，并返回步骤F2；
步骤F5：分别对比基于跳跃搜索策略更新后的各蜜源位置的适应度值与其对应的原始蜜源位置的适应度值的大小，将适应度值大的一方对应的蜜源位置，作为更新后的蜜源位置；
步骤F6:基于优化后各蜜源的位置及适应度值，并利用轮盘赌选择方法，选择最优蜜源的位置及适应度值；
步骤F7：对于达到限定次数仍未更新的蜜源，随机生成一个新的蜜源位置，并计算其适应度值；
步骤F8:判断t是否大于等于T,如果满足，则输出全局最优解；否则，令t＝t+1，返回步骤F2继续迭代，其中，t∈[1～T]，T为总的迭代次数。
2.如权利要求1所述的方法，其特征在于，所述基于当前迭代次数t动态调整粒子群算法的搜索步长,包括：
根据当前迭代次数t调整粒子群算法的惯性权重、个体学习因子和全局学习因子；
其中，所述惯性权重的计算式如下：
式中，wt为第t次迭代对应的惯性权重，wmax为惯性权重的最大值，wmin为惯性权重的最小值；
所述个体学习因子的计算式如下：
式中，c1,t为第t次迭代对应的个体学习因子，c1,max为个体学习因子的最大值，c1,min为个体学习因子的最小值；
所述全局学习因子的计算式如下：
式中，c2,t为第t次迭代对应的全局学习因子，c2,max为全局学习因子的最大值，c2,min为全局学习因子的最小值；
所述基于粒子群算法的速度更新策略第t次更新蜜源位置的计算式如下：
Xij(t)＝Xij(t-1)+Vij(t)
式中，Xij(t)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t次更新的位置，Xij(t-1)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t-1次更新的位置，Vij(t)＝wt·Vij(t-1)+c1,t·rand1·[Pbest-ij(t-1)-Xij(t-1)]+c2,t·rand2·[Gbest-j(t-1)-Xij(t-1)]，Vij(t)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t次更新对应的速度，Vij(t-1)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t-1次更新对应的速度，rand1为[0,1]间的第一随机数，Pbest-ij(t-1)为蜜源i在维度j上的基于粒子群算法的速度更新策略第t-1次更新对应的历史最优位置，rand2为[0,1]间的第二随机数，Gbest-j(t-1)为基于粒子群算法的速度更新策略第t-1次更新对应的全局最优解在维度j上的位置。
3.如权利要求2所述的方法，其特征在于，所述基于跳跃搜索策略更各蜜源位置的计算式如下：
Xnew-d＝Xmin-d+randd·(Xmax-d-Xmin-d)
式中，Xnew-d为基于跳跃搜索策略在维度d上随机生成的蜜源位置，Xmin-d为维度d的搜索空间下界，randd为[0,1]间的第三随机数，Xmax-d为维度d的搜索空间上界，其中，所述维度d为随机选取的一个维度，1≤d≤D，D为储能系统电网侧优化调频能力的总维度；
所述基于加强局部搜索策略更新各蜜源的位置的计算式如下：
Xnew＝Xbest+α·(Xbest-Xr)·f(β)
式中，Xnew为基于加强局部搜索策略生成的蜜源位置，Xbest为当前迭代中最优蜜源的位置，α为搜索因子，Xr为随机选择的蜜源的位置，f(β)为非线性变换函数，β为[0,1]间的第四随机数。
4.如权利要求1所述的方法，其特征在于，所述电网侧储能系统调频能力优化模型的目标函数的计算式如下：
max F＝∑|Δfg|
式中，F为电网侧储能系统的调频能力，Δf为在第g个时间间隔内电网侧储能系统的频率偏差。
5.如权利要求1所述的方法，其特征在于，所述方法还包括：将所述电网侧储能系统优化后的调频策略进行可视化展示。
6.一种储能系统的调频策略优化系统，其特征在于，所述系统包括：
获取模块，用于实时获取电网运行数据、电网侧储能系统的容量和充放电限值；
优化求解模块，用于将所述电网运行数据、电网侧储能系统的容量和充放电限值代入预先构建的电网侧储能系统调频能力优化模型中，并利用改进的人工蜂群算法进行求解，得到电网侧储能系统优化后的调频策略；
调频模块，用于基于所述优化后的调频策略控制所述电网侧储能系统的充放电；
其中，所述电网运行数据包括：负荷需求、风电场出力和光伏电站出力；
其中，所述优化求解模块还用于：构建电网侧储能系统调频能力优化模型的目标函数，其中以电网侧储能系统调频能力最大为目标函数，以电网侧储能系统功率平衡约束、储能系统中储能装置的充放电功率限值约束为约束条件，并结合所述目标函数构建电网侧储能系统调频能力优化模型；
所述优化求解模块还用于：
步骤F1:初始化各蜜源位置和速度，并记录每个蜜源的适应度值和局部最优解；
步骤F2:基于当前迭代次数t动态调整粒子群算法的搜索步长,基于调整搜索步长后的粒子群算法进行第t次更新各蜜源位置，确定更新后的各蜜源位置对应的第一随机数，分别判断各蜜源位置对应的第一随机数是否大于预设的跳跃概率，将第一随机数大于等于预设的跳跃概率的蜜源进入步骤F6处理，将第一随机数小于预设的跳跃概率的蜜源，进入步骤F3处理；
步骤F3:基于跳跃搜索策略更新各蜜源位置,并计算更新后各蜜源位置的适应度值，判断各蜜源位置的适应度的变化率是否大于预设的变化率阈值，将适应度的变化率大于等于预设的变化率阈值的蜜源进入步骤F5处理，将适应度的变化率小于预设的变化率阈值的蜜源进入步骤F4处理；
步骤F4:基于加强局部搜索策略更新各蜜源的位置，并返回步骤F2；
步骤F5：分别对比基于跳跃搜索策略更新后的各蜜源位置的适应度值与其对应的原始蜜源位置的适应度值的大小，将适应度值大的一方对应的蜜源位置，作为更新后的蜜源位置；
步骤F6:基于优化后各蜜源的位置及适应度值，并利用轮盘赌选择方法，选择最优蜜源的位置及适应度值；
步骤F7：对于达到限定次数仍未更新的蜜源，随机生成一个新的蜜源位置，并计算其适应度值；
步骤F8:判断t是否大于等于T,如果满足，则输出全局最优解；否则，令t＝t+1，返回步骤F2继续迭代，其中，t∈[1～T]，T为总的迭代次数。
7.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1-5任一所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310692417.8A CN116599087B (zh) | 2023-06-12 | 2023-06-12 | 一种储能系统的调频策略优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310692417.8A CN116599087B (zh) | 2023-06-12 | 2023-06-12 | 一种储能系统的调频策略优化方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116599087A CN116599087A (zh) | 2023-08-15 |
| CN116599087B true CN116599087B (zh) | 2024-02-06 |
Family
ID=87611680
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310692417.8A Active CN116599087B (zh) | 2023-06-12 | 2023-06-12 | 一种储能系统的调频策略优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116599087B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118469348A (zh) * | 2024-07-11 | 2024-08-09 | 杭州和利时自动化有限公司 | 基于物联网的电厂运行优化方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014201849A1 (zh) * | 2013-06-18 | 2014-12-24 | 国网辽宁省电力有限公司电力科学研究院 | 配有储能电站的分散式风电场有功优化调控方法 |
| CN112564135A (zh) * | 2020-12-22 | 2021-03-26 | 浙江大学 | 一种新能源与储能电站群频率/电压协调控制方法及装置 |
| CN114188970A (zh) * | 2021-11-09 | 2022-03-15 | 国网江苏省电力有限公司电力科学研究院 | 考虑光储系统作为黑启动电源的机组顺序恢复优化方法 |
| CN114243760A (zh) * | 2021-11-25 | 2022-03-25 | 国网浙江省电力有限公司杭州供电公司 | 适用于配电网的光伏储能协调配置方法 |
| CN115275983A (zh) * | 2022-07-15 | 2022-11-01 | 武汉大学 | 一种基于分布式资源聚类的光伏功率波动平抑控制方法 |
| WO2023060815A1 (zh) * | 2021-10-12 | 2023-04-20 | 广西电网有限责任公司电力科学研究院 | 一种提高配电网可靠性的储能容量优化配置方法 |
-
2023
- 2023-06-12 CN CN202310692417.8A patent/CN116599087B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014201849A1 (zh) * | 2013-06-18 | 2014-12-24 | 国网辽宁省电力有限公司电力科学研究院 | 配有储能电站的分散式风电场有功优化调控方法 |
| CN112564135A (zh) * | 2020-12-22 | 2021-03-26 | 浙江大学 | 一种新能源与储能电站群频率/电压协调控制方法及装置 |
| WO2023060815A1 (zh) * | 2021-10-12 | 2023-04-20 | 广西电网有限责任公司电力科学研究院 | 一种提高配电网可靠性的储能容量优化配置方法 |
| CN114188970A (zh) * | 2021-11-09 | 2022-03-15 | 国网江苏省电力有限公司电力科学研究院 | 考虑光储系统作为黑启动电源的机组顺序恢复优化方法 |
| CN114243760A (zh) * | 2021-11-25 | 2022-03-25 | 国网浙江省电力有限公司杭州供电公司 | 适用于配电网的光伏储能协调配置方法 |
| CN115275983A (zh) * | 2022-07-15 | 2022-11-01 | 武汉大学 | 一种基于分布式资源聚类的光伏功率波动平抑控制方法 |
Non-Patent Citations (5)
| Title |
|---|
| Power and frequency control of a wind energy power system using artificial bee colony algorithm;Dipesh Kumar;2017 Third International Conference on Science Technology Engineering & Management (ICONSTEM);全文 * |
| 基于全局最优解和随机采样的改进人工蜂群算法;施金霄;熊小峰;;江西理工大学学报(第01期);全文 * |
| 基于改进ABC算法的微电网混合储能容量配置方法研究;严哲;工程科技Ⅱ辑;全文 * |
| 基于改进蜂群算法的微电网优化调度;周磊;董学育;朱建忠;孙飞;;电气自动化(第05期);全文 * |
| 考虑电动汽车调度的微电网混合储能容量优化配置;马益平;;电力系统保护与控制(第23期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116599087A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Welch et al. | Energy dispatch fuzzy controller for a grid-independent photovoltaic system | |
| CN116599087B (zh) | 一种储能系统的调频策略优化方法及系统 | |
| CN104091207A (zh) | 考虑有害气体排放量的含风电场多目标机组组合优化方法 | |
| CN115498623A (zh) | 多微电网的储能配置优化方法、装置、设备及存储介质 | |
| CN111355250A (zh) | 一种电网侧储能优化方法及系统 | |
| CN117096908A (zh) | 基于麻雀搜索的并网型微电网优化调度方法 | |
| CN116957362A (zh) | 一种区域综合能源系统的多目标规划方法及系统 | |
| CN116885795A (zh) | 微电网源网荷储协同调度方法、装置、设备以及存储介质 | |
| CN116613733A (zh) | 计及源荷不确定性的多元能源系统优化调度方法及装置 | |
| CN116131356A (zh) | 一种风光储并网型微电网优化调度方法 | |
| CN113054685B (zh) | 基于乌鸦算法和模式搜索算法的太阳能微电网调度方法 | |
| CN115117886A (zh) | 一种风电场的储能控制方法、装置及存储介质 | |
| CN114549148A (zh) | 虚拟电厂的竞价方法、装置、设备及存储介质 | |
| Isa et al. | A Review of Optimization Approaches for Optimal Sizing and Placement of Battery Energy Storage System (BESS) | |
| CN110912162A (zh) | 一种储能装置方案的确定方法及装置 | |
| CN115049250B (zh) | 面向供需不确定性综合能源系统多目标规划方法及系统 | |
| CN117977655B (zh) | 海上风电储能配置方法及装置、存储介质、终端 | |
| CN113507134B (zh) | 一种规划目标年新能源电源装机容量的优化规划方法 | |
| CN118473021B (zh) | 结合cma-es算法和ddpg算法的微电网优化调度方法及系统 | |
| CN115189376A (zh) | 一种风电场储能最优配置方法、装置及存储介质 | |
| CN118381091A (zh) | 一种光伏储能系统多目标优化配置方法及系统 | |
| CN118739289A (zh) | 配电网-微电网协同优化调度方法、系统、设备及介质 | |
| Bakhtvar et al. | Dispatching of the Hybrid Renewable Energy Systems | |
| CN115545465A (zh) | 一种分布式光伏和储能的多目标联合规划方法及系统 | |
| Larouci et al. | Dynamic economic load dispatch problems in microgrid containing renewable energy sources based ontunicate swarm algorithm |
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 |