CN116742675A - 多元储能主动支撑调度运行系统 - Google Patents
多元储能主动支撑调度运行系统 Download PDFInfo
- Publication number
- CN116742675A CN116742675A CN202310751986.5A CN202310751986A CN116742675A CN 116742675 A CN116742675 A CN 116742675A CN 202310751986 A CN202310751986 A CN 202310751986A CN 116742675 A CN116742675 A CN 116742675A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- photovoltaic
- energy
- load
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 87
- 238000010248 power generation Methods 0.000 claims abstract description 85
- 230000008859 change Effects 0.000 claims abstract description 36
- 239000002131 composite material Substances 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims description 35
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 claims description 24
- 239000003990 capacitor Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 4
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000013459 approach Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000002699 waste material Substances 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
- H02J3/28—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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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)
- Photovoltaic Devices (AREA)
Abstract
本发明属于储能技术领域，具体涉及多元储能主动支撑调度运行系统。所述系统包括：源荷功率预测部分、复合储能功率控制部分和负荷储能能量调度部分；所述源荷功率预测部分，配置用于获取光伏发电历史数据和光伏发电实时数据，基于光伏发电历史数据建立预测模型；所述负荷储能能量调度部分，配置用于基于发电功率预测结果和负荷功率预测结果，预测光伏微电网的能量状态，得到能量状态预测值，基于能量状态预测值，控制复合储能的输出功率，使其能够跟随光伏微电网的功率变化，呈现相同的变化趋势。本发明实现了光伏微电网的能量平衡、优化调度和稳定运行，提高能量利用率、降低功率波动，同时节能减排，具有较高的可靠性和环境友好性。
Description
技术领域
本发明属于储能技术领域，具体涉及多元储能主动支撑调度运行系统。
背景技术
随着可再生能源的快速发展和广泛应用，光伏发电作为一种清洁、可再生的能源形式，已经成为全球能源领域的关键技术之一。然而，光伏发电存在着不可避免的波动性和不稳定性，这对光伏微电网的可靠性和稳定性提出了挑战。同时，负荷需求的不确定性以及储能系统的能量管理也成为了光伏微电网面临的问题。因此，为了克服这些问题，开发一种多元储能主动支撑调度运行系统成为研究的重点。
目前，已经有一些与光伏微电网储能和能量调度相关的技术和方法被提出。其中，一种常见的方法是使用储能系统来平衡光伏发电的波动性。例如，超级电容和磷酸铁锂电池等储能设备被广泛应用于光伏微电网中，以存储过剩的电能并在需要时释放。此外，预测模型的建立和使用也是一种常见的方法，通过分析历史数据和实时数据来预测光伏发电和负荷功率的变化趋势，从而实现对能量状态的预测和管理。
然而，现有技术中仍存在一些问题。首先，现有的储能系统在能量调度中往往是被动的，即只能根据实际需求来释放或储存能量，无法主动地跟随光伏微电网的功率变化进行调节。这导致了储能系统的能量利用率不高，无法最大程度地平衡功率波动。其次，现有的预测模型往往只考虑了发电功率和负荷功率的预测，而对能量状态的预测较少关注。能量状态的预测对于优化储能系统的能量管理和提高光伏微电网的稳定性至关重要。
此外，现有技术中还存在一些其他的问题。例如，传统的预测模型往往基于简单的统计方法或经验公式，对于复杂的非线性系统难以准确预测。此外，现有技术对于储能系统和预测模型之间的协调控制关系尚未深入研究，缺乏一种有效的调度方法来实现最优的能量管理。
发明内容
有鉴于此，本发明的主要目的在于提供多元储能主动支撑调度运行系统，实现了光伏微电网的能量平衡、优化调度和稳定运行，提高能量利用率、降低功率波动，同时节能减排，具有较高的可靠性和环境友好性。
为达到上述目的，本发明的技术方案是这样实现的：
多元储能主动支撑调度运行系统，所述系统包括：源荷功率预测部分、复合储能功率控制部分和负荷储能能量调度部分；所述源荷功率预测部分，配置用于获取光伏发电历史数据和光伏发电实时数据，基于光伏发电历史数据建立预测模型，基于光伏发电实时数据，使用预测模型，对光伏微电网的发电功率和负荷功率进行预测，得到发电功率预测结果和负荷功率预测结果；所述复合储能功率控制部分，配置用于基于获取到的光伏发电历史数据，计算得到光伏微电网的波动功率的幅频特性，基于幅频特性，建立超级电容和磷酸铁锂电池之间的功率分配此例来平衡功率波动；所述负荷储能能量调度部分，配置用于基于发电功率预测结果和负荷功率预测结果，预测光伏微电网的能量状态，得到能量状态预测值，基于能量状态预测值，控制复合储能的输出功率，使其能够跟随光伏微电网的功率变化，呈现相同的变化趋势。
进一步的，所述源荷功率预测部分，包括：数据获取单元，配置用于获取光伏发电历史数据；预测模型单元，配置用于基于获取的光伏发电历史数据，使用预设的预测模型，对光伏微电网的发电功率和负荷功率进行预测，得到发电功率预测结果和负荷功率预测结果；所述光伏发电历史数据为：设定一个历史时间段，获取该历史时间段内的光伏发电功率和负荷功率的时间序列数据；所述光伏发电实时数据为：实时获取的光伏发电功率和负荷功率的时间序列数据。
进一步的，所述预测模型对光伏微电网的发电功率和负荷功率进行预测，得到发电功率预测结果和负荷功率预测结果的方法包括：
步骤A1：对历史时间段内的光伏发电功率或负荷功率的时间序列数据进行数据归一化处理，使得所有的时间序列数据在同一个数值范围内，得到预处理数据；X1，X2，X3，...，XN；对实时获取的光伏发电功率或负荷功率的时间序列数据进行数据归一化处理，使得所有的时间序列数据在同一个数值范围内，得到预处理实时数据；x1，x2，x3，...，xN；
步骤A2：将预处理数据转换为训练数据，具体包括：初始化一个空的输入数据列表和输出数据列表；对于预处理数据中的每一个数据，获取当前时间步及其前M-1个时间步的数据作为一个样本的输入数据，如果当前时间步前的数据不足M-1个，则跳过本步骤；将这M个数据的列表添加到输入数据列表中；获取当前时间步的下一个时间步的数据，作为对应样本的目标输出，添加到输出数据列表中；将这个滑动窗口向前移动一步，然后重复上述步骤，直到滑动窗口到达时间序列的末尾；以此得到一个输入数据的二维列表和一个目标输出的一维列表；每个输入数据是一个长度为M的列表，对应了M个连续时间步的数据；每个目标输出是一个数值，对应了对应输入数据的下一个时间步的数据；将输入数据的二维列表转换为一个三维数组，形状为：(样本数，M，1)，作为模型的输入数据，同时得到模型的目标输出为：(样本数，1)；所述训练数据包括：模型的输入数据和模型的目标输出；
步骤A3：使用训练数据训练一个改进的长短时记忆网络，以得到预测模型；
步骤A4：将预处理实时数据作为输入，使用预测模型，对光伏微电网的发电功率和负荷功率进行预测，得到发电功率预测结果或负荷功率预测结果。
进一步的，所述预测模型包括：改进输入门、改进遗忘门、细胞状态更新、改进输出门和隐藏状态更新；
所述改进输入门，使用如下公式进行表示：
it＝|(1-exp(Wxixt+Whiht-1+Wcict-1+bi))|*σ(Wxixt+Whiht-1+Wcict-1+bi)；
其中，it是改进输入门的输出，xt是当前时间步的输入，ht-1是前一个时间步的隐藏状态，ct-1是前一个时间步的细胞状态，Wxi、Whi、Wci是改进输入门的权重参数，bi是改进输入门的偏置项；t为时间步序列号，取值范围为1～N；σ表示sigmoid函数；
所述改进遗忘门，使用如下公式进行表示：
ft＝|1-exp(Wxfxt+Whfht-1)|*σ(Wxfxt+Whfht-1+Wcfct-1+bf)；
其中，ft是改进遗忘门的输出，xt是当前时间步的输入，ht-1是前一个时间步的隐藏状态，ct-1是前一个时间步的细胞状态，Wxf、Whf、Wcf是改进输入门的权重参数，bf是改进遗忘门的偏置项；t为时间步序列号，取值范围为1～N；
所述细胞状态更新，使用如下公式进行表示：
ct＝ftct-1+it·tanh(Wxcxt+Whcht-1+bc)；
其中，tanh表示双曲正切函数；ct是细胞状态更新结果，xt是当前时间步的输入，ht-1是前一个时间步的隐藏状态，ct-1是前一个时间步的细胞状态，Wxc、Whc是改进输入门的权重参数，bc是细胞状态更新的偏置项；t为时间步序列号，取值范围为1～N；
所述改进输出门，使用如下公式进行表示：
ot＝|1-exp(Wxoxt*0.23+Whoht-1*0.38+Wcoct*0.39)|*σ(Wxoxt+Whoht-1+Wcoct+bo)；
其中，Ot是改进输出门的输出，ct是细胞状态更新结果，xt是当前时间步的输入，ht-1是前一个时间步的隐藏状态，ct-1是前一个时间步的细胞状态，Wxo、Who、Wco是改进输入门的权重参数，bo是细胞状态更新的偏置项；t为时间步序列号，取值范围为1～N；
所述隐藏状态更新，使用如下公式进行表示：
ht＝ot·tanh(ct)；
其中，ht为发电功率预测结果或负荷功率预测结果。
进一步的，所述复合储能功率控制部分，包括：幅频特性计算单元，配置用于基于获取到的光伏发电历史数据，计算得到光伏微电网的波动功率的幅频特性；功率平衡单元，配置用于基于幅频特性，建立超级电容和磷酸铁锂电池之间的功率分配此例来平衡功率波动。
进一步的，所述幅频特性计算单元基于获取到的光伏发电历史数据，计算得到光伏微电网的波动功率的幅频特性的方法包括：
步骤B1：从光伏发电历史数据中获取该历史时间段内的光伏发电功率，计算光伏发电功率的标准差，作为波动功率；
步骤B2：对波动功率进行频域分析，将其转换为幅频特性。
进一步的，所述功率平衡单元，基于幅频特性，建立超级电容和磷酸铁锂电池之间的功率分配此例来平衡功率波动的方法包括：
步骤C1：定义超级电容和磷酸铁锂电池之间的功率分配此例，将其表示为一个分配权重系数；
步骤C2：根据光伏微电网的波动功率的幅频特性，使用调整算法计算超级电容和磷酸铁锂电池的功率分配此例。
进一步的，所述调整算法执行以下过程：假设波动频率的幅频特性中的频率表示为f，幅度表示为A。使用以下线性回归公式建立超级电容和磷酸铁锂电池之间的功率分配此例p：
A＝p·f；
使用最小二乘法对公式A＝p·f进行拟合，将问题转化为最小化目标函数，所述最小化目标函数的公式为：
其中，N为波动频率的幅频特性的点数，Ai和fi分别表示第i个波动频率的幅频特性的点的幅度和频率；
使用如下公式，通过对目标函数求导并令导数等于零，得到最优解的闭式解：
其中，p是功率分配此例。
进一步的，所述负荷储能能量调度部分，基于发电功率预测结果和负荷功率预测结果，预测光伏微电网的能量状态，得到能量状态预测值的方法包括：
使用如下公式，基于发电功率预测结果和负荷功率预测结果，计算光伏微电网的净功率：
Pnet＝Pgeneration-Pload；
其中，Pgeneration是发电功率预测结果，Pload是负荷功率预测结果；Pnet为光伏微电网的净功率；
使用如下公式，基于光伏微电网的净功率，估计能量状态的变化率：
其中，表示能量状态的变化率，ηstorage是储能系统的充放电效率；
使用如下公式，根据能量状态的变化率，预测下一个时间步的能量状态：
其中，Enext表示下一个时间步的能量状态，为能量状态预测值；Ecurrent表示当前时间步的能量状态，Δt表示时间步长；
进一步的，所述负荷储能能量调度部分，基于能量状态预测值，控制复合储能的输出功率，使其能够跟随光伏微电网的功率变化，呈现相同的变化趋势的方法包括：
使用如下公式，基于能量状态预测值，计算目标输出功率：
其中，Ptarget是目标输出功率，Etarget是预测的目标能量状态；根据目标输出功率和当前时间步的能量状态，使用PID控制器调整复合储能的输出功率，以使复合储能的输出功率接近目标输出功率。
本发明的2.多元储能主动支撑调度运行系统，具有如下有益效果：
能量平衡和波动平滑：本发明通过将超级电容和磷酸铁锂电池等储能设备引入光伏微电网中，可以主动地调整储能系统的输出功率，以平衡光伏发电的波动性。通过精确预测光伏发电功率和负荷功率的变化趋势，并通过控制算法进行调节，能够有效减少功率波动，实现光伏微电网的稳定运行。
能量利用率提高：相此传统的被动储能系统，本发明的系统能够根据光伏微电网的功率变化主动调整储能系统的输出功率。这样，储能系统能够更加准确地响应光伏发电的变化，将电能存储和释放与实际需求相匹配，提高能量利用率和储能效率
高效能量管理：本发明通过建立预测模型，准确预测光伏发电和负荷功率的变化趋势，并结合能量状态的预测，实现对光伏微电网能量状态的管理和调度。通过有效地控制储能系统的充放电过程，避免了能量浪费和能量不足的问题，实现了高效能量管理和优化调度。
稳定性和可靠性提升：本发明的系统能够及时响应光伏微电网的功率变化，实现能量的平衡调节，从而提高光伏微电网的稳定性和可靠性。通过对能量状态的实时监测和调控，系统可以迅速适应光伏发电和负荷变化，保持系统的稳定运行，并提供稳定可靠的电力供应。
附图说明
图1为本发明实施例提供的多元储能主动支撑调度运行系统的系统结构示意图。
具体实施方式
下面结合附图及本发明的实施例对本发明的方法作进一步详细的说明。
实施例1
多元储能主动支撑调度运行系统，所述系统包括：源荷功率预测部分、复合储能功率控制部分和负荷储能能量调度部分；所述源荷功率预测部分，配置用于获取光伏发电历史数据和光伏发电实时数据，基于光伏发电历史数据建立预测模型，基于光伏发电实时数据，使用预测模型，对光伏微电网的发电功率和负荷功率进行预测，得到发电功率预测结果和负荷功率预测结果；所述复合储能功率控制部分，配置用于基于获取到的光伏发电历史数据，计算得到光伏微电网的波动功率的幅频特性，基于幅频特性，建立超级电容和磷酸铁锂电池之间的功率分配此例来平衡功率波动；所述负荷储能能量调度部分，配置用于基于发电功率预测结果和负荷功率预测结果，预测光伏微电网的能量状态，得到能量状态预测值，基于能量状态预测值，控制复合储能的输出功率，使其能够跟随光伏微电网的功率变化，呈现相同的变化趋势。
具体的，源荷功率预测部分利用光伏发电的历史数据和实时数据来进行功率预测。首先，通过获取光伏发电的历史数据，建立一个预测模型。这个模型可以分析历史数据中的模式和趋势，从而预测未来的发电功率和负荷功率。然后，使用实时数据来应用预测模型，对光伏微电网的发电功率和负荷功率进行预测，得到发电功率预测结果和负荷功率预测结果。
复合储能功率控制部分根据光伏发电的历史数据计算光伏微电网的波动功率的幅频特性。波动功率是指光伏发电系统输出功率的变动程度。通过分析波动功率的幅频特性，可以了解光伏微电网的功率波动情况。然后，建立超级电容和磷酸铁锂电池之间的功率分配此例，以平衡功率波动。超级电容通常具有快速响应和高功率密度的特点，适合用于短期功率平衡；而磷酸铁锂电池则具有较高的能量密度，适合用于长期能量储存。通过合理分配这两种储能技术的功率输出此例，可以有效平滑功率波动，提高光伏微电网的稳定性和可靠性。
负荷储能能量调度部分基于发电功率预测结果和负荷功率预测结果来预测光伏微电网的能量状态。通过分析预测结果，得到能量状态的预测值。然后，根据能量状态的预测值，控制复合储能系统的输出功率，使其能够跟随光伏微电网的功率变化，并呈现相同的变化趋势。这样可以实现光伏发电和负荷之间的能量匹配和平衡，同时确保光伏微电网的能量供应和需求的平稳运行。
优选地，所述源荷功率预测部分，包括：数据获取单元，配置用于获取光伏发电历史数据；预测模型单元，配置用于基于获取的光伏发电历史数据，使用预设的预测模型，对光伏微电网的发电功率和负荷功率进行预测，得到发电功率预测结果和负荷功率预测结果；所述光伏发电历史数据为：设定一个历史时间段，获取该历史时间段内的光伏发电功率和负荷功率的时间序列数据；所述光伏发电实时数据为：实时获取的光伏发电功率和负荷功率的时间序列数据。
数据获取单元用于获取光伏发电的历史数据。历史数据是指在预测过程中使用的先前时间段内的光伏发电功率和负荷功率的时间序列数据。通过设定一个历史时间段，可以收集光伏发电和负荷功率的历史记录。这些数据可以包括过去几天、几周或几个月的光伏发电和负荷功率数据。
预测模型单元利用获取到的光伏发电历史数据，使用预设的预测模型来对光伏微电网的发电功率和负荷功率进行预测。预测模型是根据历史数据的模式、趋势和相关特征建立的数学模型。通过对历史数据进行分析和处理，预测模型可以学习到光伏发电和负荷功率之间的关系，并能够预测未来时间段内的功率值。利用这个预测模型，可以得到发电功率预测结果和负荷功率预测结果，即预测光伏微电网在未来时间段内的发电功率和负荷功率水平。
光伏发电实时数据是在实时获取的光伏发电功率和负荷功率的时间序列数据。这些数据是基于当前时间点的实际光伏发电和负荷功率值。实时数据的获取可以通过传感器、监测设备或数据采集系统来实现。
优选地，所述预测模型对光伏微电网的发电功率和负荷功率进行预测，得到发电功率预测结果和负荷功率预测结果的方法包括：
步骤A1：对历史时间段内的光伏发电功率或负荷功率的时间序列数据进行数据归一化处理，使得所有的时间序列数据在同一个数值范围内，得到预处理数据；X1，X2，X3，...，XN；对实时获取的光伏发电功率或负荷功率的时间序列数据进行数据归一化处理，使得所有的时间序列数据在同一个数值范围内，得到预处理实时数据；x1，x2，x3，...，xN；
步骤A2：将预处理数据转换为训练数据，具体包括：初始化一个空的输入数据列表和输出数据列表；对于预处理数据中的每一个数据，获取当前时间步及其前M-1个时间步的数据作为一个样本的输入数据，如果当前时间步前的数据不足M-1个，则跳过本步骤；将这M个数据的列表添加到输入数据列表中；获取当前时间步的下一个时间步的数据，作为对应样本的目标输出，添加到输出数据列表中；将这个滑动窗口向前移动一步，然后重复上述步骤，直到滑动窗口到达时间序列的末尾；以此得到一个输入数据的二维列表和一个目标输出的一维列表；每个输入数据是一个长度为M的列表，对应了M个连续时间步的数据；每个目标输出是一个数值，对应了对应输入数据的下一个时间步的数据；将输入数据的二维列表转换为一个三维数组，形状为：(样本数，M，1)，作为模型的输入数据，同时得到模型的目标输出为：(样本数，1)；所述训练数据包括：模型的输入数据和模型的目标输出；
步骤A3：使用训练数据训练一个改进的长短时记忆网络，以得到预测模型；
步骤A4：将预处理实时数据作为输入，使用预测模型，对光伏微电网的发电功率和负荷功率进行预测，得到发电功率预测结果或负荷功率预测结果。
具体的，步骤A1中，对历史时间段内的光伏发电功率或负荷功率的时间序列数据进行数据归一化处理的目的是将它们统一到一个数值范围内，以便后续的数据处理和模型训练。这样做可以避免不同量级的数据对模型训练的影响，并提高数据处理的效果。将归一化后的历史数据表示为X1，X2，X3，...，XN。
同样地，对实时获取的光伏发电功率或负荷功率的时间序列数据进行数据归一化处理，使得实时数据也处于相同的数值范围内，表示为x1，x2，x3，…，xN。
在步骤A2中，将经过归一化处理的历史数据转换为训练数据。首先，初始化一个空的输入数据列表和输出数据列表。然后，对于每一个预处理数据，取当前时间步及其前M-1个时间步的数据作为一个样本的输入数据。如果当前时间步前的数据不足M-1个，那么该样本将被跳过。将这M个数据的列表添加到输入数据列表中。
接下来，获取当前时间步的下一个时间步的数据作为对应样本的目标输出，并添加到输出数据列表中。然后，将滑动窗口向前移动一步，并重复以上步骤，直到滑动窗口到达时间序列的末尾。这样，我们得到一个输入数据的二维列表和一个目标输出的一维列表。每个输入数据是一个长度为M的列表，对应了M个连续时间步的数据。每个目标输出是一个数值，对应了对应输入数据的下一个时间步的数据。
将输入数据的二维列表转换为一个三维数组，形状为(样本数，M，1)，这将作为模型的输入数据。同时，得到模型的目标输出为(样本数，1)。这些经过转换的训练数据包括模型的输入数据和模型的目标输出。
在步骤A3中，使用训练数据训练一个改进的长短时记忆网络(Improved LongShort-Term Memory，LSTM)模型，以得到预测模型。LSTM是一种适用于处理序列数据的深度学习模型，具有记忆单元和门控机制，可以捕捉时间序列数据中的长期依赖关系。
最后，在步骤A4中，将经过归一化处理的实时数据作为输入，使用训练好的预测模型对光伏微电网的发电功率和负荷功率进行预测，得到发电功率预测结果或负荷功率预测结果。通过输入实时数据到预测模型中，模型将基于历史数据和学习到的模式来预测未来时间步的功率值。这样可以实现对光伏微电网的发电功率和负荷功率的实时预测，为后续的储能控制和能量调度提供准确的预测结果。
优选地，所述预测模型包括：改进输入门、改进遗忘门、细胞状态更新、改进输出门和隐藏状态更新；
所述改进输入门，使用如下公式进行表示：
it＝|(1-exp(Wxixt+Whiht-1+Wcict-1+bi))|*σ(Wxixt+Whiht-1+Wcict-1+bi)；
其中，it是改进输入门的输出，xt是当前时间步的输入，ht-1是前一个时间步的隐藏状态，ct-1是前一个时间步的细胞状态，Wxi、Whi、Wci是改进输入门的权重参数，bi是改进输入门的偏置项；t为时间步序列号，取值范围为1～N；σ表示sigmoid函数；
所述改进遗忘门，使用如下公式进行表示：
ft＝|1-exp(Wxfxt+Whfht-1)|*σ(Wxfxt+Whfht-1+Wcfct-1+bf)；
其中，ft是改进遗忘门的输出，xt是当前时间步的输入，ht-1是前一个时间步的隐藏状态，ct-1是前一个时间步的细胞状态，Wxf、Whf、Wcf是改进输入门的权重参数，bf是改进遗忘门的偏置项；t为时间步序列号，取值范围为1～N；
所述细胞状态更新，使用如下公式进行表示：
ct＝ftct-1+it·tanh(Wxcxt+Whcht-1+bc)；
其中，tanh表示双曲正切函数；ct是细胞状态更新结果，xt是当前时间步的输入，ht-1是前一个时间步的隐藏状态，ct-1是前一个时间步的细胞状态，Wxc、Whc是改进输入门的权重参数，bc是细胞状态更新的偏置项；t为时间步序列号，取值范围为1～N；
所述改进输出门，使用如下公式进行表示：
ot＝|1-exp(Wxoxt*0.23+Whoht-1*0.38+Wcoct*0.39)|*σ(Wxoxt+Whoht-1+Wcoct+bo)；
其中，Ot是改进输出门的输出，ct是细胞状态更新结果，xt是当前时间步的输入，ht-1是前一个时间步的隐藏状态，ct-1是前一个时间步的细胞状态，Wxo、Who、Wco是改进输入门的权重参数，bo是细胞状态更新的偏置项；t为时间步序列号，取值范围为1～N；
所述隐藏状态更新，使用如下公式进行表示：
ht＝ot·tanh(ct)；
其中，ht为发电功率预测结果或负荷功率预测结果。
具体的，预测模型中包含改进输入门、改进遗忘门、细胞状态更新、改进输出门和隐藏状态更新等组件。这些组件通过使用权重参数和偏置项的线性组合，并应用适当的激活函数(如sigmoid和tanh函数)，来实现对光伏微电网发电功率或负荷功率的准确预测。预测模型通过学习历史数据中的模式和趋势，以及细胞状态的更新和隐藏状态的调整，来提供对未来时间步的功率值的预测结果。这样可以帮助多元储能系统实现精确的功率调度和能量管理。
细胞状态更新是根据改进输入门和改进遗忘门的输出值来更新细胞状态。改进遗忘门用于控制前一个时间步的细胞状态对当前时间步的影响程度。改进输入门用于控制当前时间步的输入对细胞状态的更新程度。改进输出门用于控制细胞状态对当前时间步的隐藏状态的影响程度，并生成最终的发电功率预测结果或负荷功率预测结果。隐藏状态更新是根据改进输出门的输出值和细胞状态的tanh函数进行计算，生成最终的发电功率预测结果或负荷功率预测结果。
优选地，所述复合储能功率控制部分，包括：幅频特性计算单元，配置用于基于获取到的光伏发电历史数据，计算得到光伏微电网的波动功率的幅频特性；功率平衡单元，配置用于基于幅频特性，建立超级电容和磷酸铁锂电池之间的功率分配此例来平衡功率波动。
进一步的，所述幅频特性计算单元基于获取到的光伏发电历史数据，计算得到光伏微电网的波动功率的幅频特性的方法包括：
步骤B1：从光伏发电历史数据中获取该历史时间段内的光伏发电功率，计算光伏发电功率的标准差，作为波动功率；标准差是一种衡量数据集中离散程度的统计量，用来表示光伏发电功率的波动程度。
步骤B2：对波动功率进行频域分析，将其转换为幅频特性。在这个步骤中，可以使用傅里叶变换或其他频域分析方法，将波动功率的时间序列转换为频率和幅度谱。频率谱表示不同频率上的功率分布，而幅度谱表示对应频率上的幅度大小。
进一步的，所述功率平衡单元，基于幅频特性，建立超级电容和磷酸铁锂电池之间的功率分配此例来平衡功率波动的方法包括：
步骤C1：定义超级电容和磷酸铁锂电池之间的功率分配此例，将其表示为一个分配权重系数；这些权重系数可以是预先设定的固定值，也可以是根据系统需求和设计考虑进行动态调整的参数。
步骤C2：根据光伏微电网的波动功率的幅频特性，使用调整算法计算超级电容和磷酸铁锂电池的功率分配此例。通过分析幅频特性中的频率和幅度信息，可以确定不同频率范围内的功率波动情况。根据这些信息，可以使用调整算法来计算超级电容和磷酸铁锂电池之间的功率分配此例。调整算法可以根据预定的策略和优化目标来确定合适的权重系数，以平衡功率波动，并满足系统的性能和稳定性要求。
进一步的，所述调整算法执行以下过程：假设波动频率的幅频特性中的频率表示为f，幅度表示为A。使用以下线性回归公式建立超级电容和磷酸铁锂电池之间的功率分配此例p：
A＝p·f；
使用最小二乘法对公式A＝p·f进行拟合，将问题转化为最小化目标函数，所述最小化目标函数的公式为：
其中，N为波动频率的幅频特性的点数，Ai和fi分别表示第i个波动频率的幅频特性的点的幅度和频率；
使用如下公式，通过对目标函数求导并令导数等于零，得到最优解的闭式解：
其中，p是功率分配此例。
调整算法的原理是通过最小二乘法和线性回归来确定最优的功率分配此例，以实现功率平衡。
最小二乘法是一种常用的优化方法，用于拟合实际观测数据和理论模型之间的差异。在本算法中，我们希望通过拟合公式A＝p·f来确定合适的功率分配此例p。最小二乘法的目标是最小化观测数据与模型之间的平方差，即最小化目标函数
线性回归是一种统计学方法，用于确定两个变量之间的线性关系。在本算法中，我们假设功率分配此例p与频率f之间存在线性关系，即A＝p·f。通过对目标函数进行求导，并令导数等于零，可以得到最优解的闭式解
因此，调整算法的原理是利用最小二乘法对观测数据和模型之间的差异进行拟合，通过线性回归求解最优的功率分配此例p。这样可以根据波动频率的幅频特性和实际观测数据，确定超级电容和磷酸铁锂电池之间的功率分配，以实现功率平衡和优化调节。
通过调整算法，系统可以根据实际的幅频特性数据和最小二乘法的优化原理，动态计算出最优的功率分配此例，从而实现对功率波动的平衡控制，提高光伏微电网的稳定性和性能。
进一步的，所述负荷储能能量调度部分，基于发电功率预测结果和负荷功率预测结果，预测光伏微电网的能量状态，得到能量状态预测值的方法包括：
使用如下公式，基于发电功率预测结果和负荷功率预测结果，计算光伏微电网的净功率：
Pnet＝Pgeneration-Pload；
其中，Pgeneration是发电功率预测结果，Pload是负荷功率预测结果；Pnet为光伏微电网的净功率；
使用如下公式，基于光伏微电网的净功率，估计能量状态的变化率：
其中，表示能量状态的变化率，ηstorage是储能系统的充放电效率；
使用如下公式，根据能量状态的变化率，预测下一个时间步的能量状态：
其中，Enext表示下一个时间步的能量状态，为能量状态预测值；Ecurrent表示当前时间步的能量状态，Δt表示时间步长；
进一步的，所述负荷储能能量调度部分，基于能量状态预测值，控制复合储能的输出功率，使其能够跟随光伏微电网的功率变化，呈现相同的变化趋势的方法包括：
使用如下公式，基于能量状态预测值，计算目标输出功率：
其中，Ptarget是目标输出功率，Etarget是预测的目标能量状态；根据目标输出功率和当前时间步的能量状态，使用PID控制器调整复合储能的输出功率，以使复合储能的输出功率接近目标输出功率。
通过计算目标输出功率Ptarget，确定了复合储能系统需要提供的输出功率。然后，使用PID控制器对复合储能系统的输出功率进行调整。PID控制器根据当前时刻的能量状态和目标输出功率之间的差异(误差)，计算出控制器的输出值。PID控制器包括三个主要的控制参数：此例增益(P)、积分时间(I)和微分时间(D)。根据系统的需求和设计，可以调整这些参数以达到更好的控制效果。
通过PID控制器的输出，调整复合储能系统的输出功率，使其逐渐接近目标输出功率ptarget。这样，在光伏微电网发生功率变化时，复合储能系统能够及时调整输出功率，以平衡功率波动，并实现与光伏微电网功率变化趋势的一致性。具体来说，PID控制器的计算公式如下：
其中，u(t)表示控制器的输出量，e(t)表示当前能量状态与目标能量状态之间的误差，Kp为此例增益参数，Ti为积分时间参数，Td为微分时间参数。
PID控制器的作用是根据误差的大小、积分项和微分项来调整输出量。当误差较大时，此例增益项起主导作用，使控制器的输出与误差成正此。积分项用于消除持续的小误差，通过积分误差累积来调整输出量。微分项用于预测误差的变化趋势，通过检测误差变化率来调整输出量。
通过PID控制器的输出，调整复合储能系统的输出功率，使其逐渐接近目标输出功率。这样，在光伏微电网发生功率变化时，复合储能系统能够及时调整输出功率，以平衡功率波动，并实现与光伏微电网功率变化趋势的一致性。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术标记作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述，仅为本发明的较佳实施例而已，并非配置用于限定本发明的保护范围。
Claims (10)
1.多元储能主动支撑调度运行系统，其特征在于，所述系统包括：源荷功率预测部分、复合储能功率控制部分和负荷储能能量调度部分；所述源荷功率预测部分，配置用于获取光伏发电历史数据和光伏发电实时数据，基于光伏发电历史数据建立预测模型，基于光伏发电实时数据，使用预测模型，对光伏微电网的发电功率和负荷功率进行预测，得到发电功率预测结果和负荷功率预测结果；所述复合储能功率控制部分，配置用于基于获取到的光伏发电历史数据，计算得到光伏微电网的波动功率的幅频特性，基于幅频特性，建立超级电容和磷酸铁锂电池之间的功率分配比例来平衡功率波动；所述负荷储能能量调度部分，配置用于基于发电功率预测结果和负荷功率预测结果，预测光伏微电网的能量状态，得到能量状态预测值，基于能量状态预测值，控制复合储能的输出功率，使其能够跟随光伏微电网的功率变化，呈现相同的变化趋势。
2.如权利要求1所述的多元储能主动支撑调度运行系统，其特征在于，所述源荷功率预测部分，包括：数据获取单元，配置用于获取光伏发电历史数据；预测模型单元，配置用于基于获取的光伏发电历史数据，使用预设的预测模型，对光伏微电网的发电功率和负荷功率进行预测，得到发电功率预测结果和负荷功率预测结果；所述光伏发电历史数据为：设定一个历史时间段，获取该历史时间段内的光伏发电功率和负荷功率的时间序列数据；所述光伏发电实时数据为：实时获取的光伏发电功率和负荷功率的时间序列数据。
3.如权利要求2所述的多元储能主动支撑调度运行系统，其特征在于，所述预测模型对光伏微电网的发电功率和负荷功率进行预测，得到发电功率预测结果和负荷功率预测结果的方法包括：
步骤A1：对历史时间段内的光伏发电功率或负荷功率的时间序列数据进行数据归一化处理，使得所有的时间序列数据在同一个数值范围内，得到预处理数据；X1,X2,X3,…,XN；对实时获取的光伏发电功率或负荷功率的时间序列数据进行数据归一化处理，使得所有的时间序列数据在同一个数值范围内，得到预处理实时数据；x1,x2,x3,…,xN；
步骤A2：将预处理数据转换为训练数据，具体包括：初始化一个空的输入数据列表和输出数据列表；对于预处理数据中的每一个数据，获取当前时间步及其前M-1个时间步的数据作为一个样本的输入数据，如果当前时间步前的数据不足M-1个，则跳过本步骤；将这M个数据的列表添加到输入数据列表中；获取当前时间步的下一个时间步的数据，作为对应样本的目标输出，添加到输出数据列表中；将这个滑动窗口向前移动一步，然后重复上述步骤，直到滑动窗口到达时间序列的末尾；以此得到一个输入数据的二维列表和一个目标输出的一维列表；每个输入数据是一个长度为M的列表，对应了M个连续时间步的数据；每个目标输出是一个数值，对应了对应输入数据的下一个时间步的数据；将输入数据的二维列表转换为一个三维数组，形状为：(样本数，M，1)，作为模型的输入数据，同时得到模型的目标输出为：(样本数，1)；所述训练数据包括：模型的输入数据和模型的目标输出；
步骤A3：使用训练数据训练一个改进的长短时记忆网络，以得到预测模型；
步骤A4：将预处理实时数据作为输入，使用预测模型，对光伏微电网的发电功率和负荷功率进行预测，得到发电功率预测结果或负荷功率预测结果。
4.如权利要求3所述的多元储能主动支撑调度运行系统，其特征在于，
所述预测模型包括：改进输入门、改进遗忘门、细胞状态更新、改进输出门和隐藏状态更新；
所述改进输入门，使用如下公式进行表示：
it＝|(1-exp(Wxixt+Whiht-1+Wcict-1+bi))|*σ(Wxixt+Whiht-1+Wcict-1+bi；
其中，it是改进输入门的输出，xt是当前时间步的输入，ht-1是前一个时间步的隐藏状态，ct-1是前一个时间步的细胞状态，Wxi、Whi、Wci是改进输入门的权重参数，bi是改进输入门的偏置项；t为时间步序列号，取值范围为1～N；σ表示sigmoid函数；
所述改进遗忘门，使用如下公式进行表示：
ft＝|1-exp(Wxfxt+Whfht-1)|*σ(Wxfxt+Whfht-1+Wcfct-1+bf)；
其中，ft是改进遗忘门的输出，xt是当前时间步的输入，ht-1是前一个时间步的隐藏状态，ct-1是前一个时间步的细胞状态，Wxf、Whf、Wcf是改进输入门的权重参数，bf是改进遗忘门的偏置项；t为时间步序列号，取值范围为1～N；
所述细胞状态更新，使用如下公式进行表示：
ct＝ftct-1+it·tanh(Wxcxt+Whcht-1+bc)；
其中，tanh表示双曲正切函数；ct是细胞状态更新结果，xt是当前时间步的输入，ht-1是前一个时间步的隐藏状态，ct-1是前一个时间步的细胞状态，Wxc、Whc是改进输入门的权重参数，bc是细胞状态更新的偏置项；t为时间步序列号，取值范围为1～N；
所述改进输出门，使用如下公式进行表示：
ot＝|1-exp(Wxoxt*0.23+Whoht-1*0.38+Wcoct*0.39)|*σ(Wxoxt+Whoht-1+Wcoct+bo)；
其中，Ot是改进输出门的输出，ct是细胞状态更新结果，xt是当前时间步的输入，ht-1是前一个时间步的隐藏状态，ct-1是前一个时间步的细胞状态，Wxo、Who、Wco是改进输入门的权重参数，bo是细胞状态更新的偏置项；t为时间步序列号，取值范围为1～N；
所述隐藏状态更新，使用如下公式进行表示：
ht＝ot·tanh(ct)；
其中，ht为发电功率预测结果或负荷功率预测结果。
5.如权利要求4所述的多元储能主动支撑调度运行系统，其特征在于，所述复合储能功率控制部分，包括：幅频特性计算单元，配置用于基于获取到的光伏发电历史数据，计算得到光伏微电网的波动功率的幅频特性；功率平衡单元，配置用于基于幅频特性，建立超级电容和磷酸铁锂电池之间的功率分配比例来平衡功率波动。
6.如权利要求5所述的多元储能主动支撑调度运行系统，其特征在于，所述幅频特性计算单元基于获取到的光伏发电历史数据，计算得到光伏微电网的波动功率的幅频特性的方法包括：
步骤B1：从光伏发电历史数据中获取该历史时间段内的光伏发电功率，计算光伏发电功率的标准差，作为波动功率；
步骤B2：对波动功率进行频域分析，将其转换为幅频特性。
7.如权利要求6所述的多元储能主动支撑调度运行系统，其特征在于，所述功率平衡单元，基于幅频特性，建立超级电容和磷酸铁锂电池之间的功率分配比例来平衡功率波动的方法包括：
步骤C1：定义超级电容和磷酸铁锂电池之间的功率分配比例，将其表示为一个分配权重系数；
步骤C2：根据光伏微电网的波动功率的幅频特性，使用调整算法计算超级电容和磷酸铁锂电池的功率分配比例。
8.如权利要求7所述的多元储能主动支撑调度运行系统，其特征在于，所述调整算法执行以下过程：假设波动频率的幅频特性中的频率表示为f，幅度表示为A。使用以下线性回归公式建立超级电容和磷酸铁锂电池之间的功率分配此例p：
A＝p·f；
使用最小二乘法对公式A＝p·f进行拟合，将问题转化为最小化目标函数，所述最小化目标函数的公式为：
其中，N为波动频率的幅频特性的点数，Ai和fi分别表示第i个波动频率的幅频特性的点的幅度和频率；
使用如下公式，通过对目标函数求导并令导数等于零，得到最优解的闭式解：
其中，p是功率分配此例。
9.如权利要求8所述的多元储能主动支撑调度运行系统，其特征在于，所述负荷储能能量调度部分，基于发电功率预测结果和负荷功率预测结果，预测光伏微电网的能量状态，得到能量状态预测值的方法包括：
使用如下公式，基于发电功率预测结果和负荷功率预测结果，计算光伏微电网的净功率：
Pnet＝Pgeneration-Pload；
其中，Pgeneration是发电功率预测结果，Pload是负荷功率预测结果；Pnet为光伏微电网的净功率；
使用如下公式，基于光伏微电网的净功率，估计能量状态的变化率：
其中，表示能量状态的变化率，ηstorage是储能系统的充放电效率；
使用如下公式，根据能量状态的变化率，预测下一个时间步的能量状态：
其中，Enext表示下一个时间步的能量状态，为能量状态预测值；Ecurrent表示当前时间步的能量状态，Δt表示时间步长。
10.如权利要求9所述的多元储能主动支撑调度运行系统，其特征在于，所述负荷储能能量调度部分，基于能量状态预测值，控制复合储能的输出功率，使其能够跟随光伏微电网的功率变化，呈现相同的变化趋势的方法包括：
使用如下公式，基于能量状态预测值，计算目标输出功率：
其中，Ptarget是目标输出功率，Etarget是预测的目标能量状态；根据目标输出功率和当前时间步的能量状态，使用PID控制器调整复合储能的输出功率，以使复合储能的输出功率接近目标输出功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310751986.5A CN116742675A (zh) | 2023-06-21 | 2023-06-21 | 多元储能主动支撑调度运行系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310751986.5A CN116742675A (zh) | 2023-06-21 | 2023-06-21 | 多元储能主动支撑调度运行系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116742675A true CN116742675A (zh) | 2023-09-12 |
Family
ID=87918286
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310751986.5A Pending CN116742675A (zh) | 2023-06-21 | 2023-06-21 | 多元储能主动支撑调度运行系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116742675A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117577981A (zh) * | 2024-01-16 | 2024-02-20 | 深圳市名洋能源科技有限公司 | 光伏发电储能控制方法及系统 |
-
2023
- 2023-06-21 CN CN202310751986.5A patent/CN116742675A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117577981A (zh) * | 2024-01-16 | 2024-02-20 | 深圳市名洋能源科技有限公司 | 光伏发电储能控制方法及系统 |
| CN117577981B (zh) * | 2024-01-16 | 2024-04-02 | 深圳市名洋能源科技有限公司 | 光伏发电储能控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110048420B (zh) | 一种配电网随机优化调度的方法、装置和介质 | |
| Liu et al. | A hybrid forecasting model with parameter optimization for short-term load forecasting of micro-grids | |
| CN110738344B (zh) | 电力系统负荷预测的分布式无功优化方法及装置 | |
| Alavi et al. | Forecast-based consensus control for DC microgrids using distributed long short-term memory deep learning models | |
| Wang et al. | Wind power forecasting based on time series ARMA model | |
| CN104899665A (zh) | 风电功率短期预测方法 | |
| CN107766986A (zh) | 泄漏积分型回声状态网络在线学习光伏功率预测方法 | |
| CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
| CN116742675A (zh) | 多元储能主动支撑调度运行系统 | |
| Wen et al. | Proactive frequency control based on ultra‐short‐term power fluctuation forecasting for high renewables penetrated power systems | |
| Hua et al. | Multi-timescale lifespan prediction for PEMFC systems under dynamic operating conditions | |
| CN113471982B (zh) | 云边协同与电网隐私保护的分布式电源就地电压控制方法 | |
| Yahya et al. | Short-term electric load forecasting using recurrent neural network (study case of load forecasting in central java and special region of yogyakarta) | |
| KR20200119367A (ko) | 에너지 저장 시스템용 수요전력 예측 장치 및 이를 이용한 수요전력 예측 방법 | |
| Naitmalek et al. | Forecasting the state-of-charge of batteries in micro-grid systems | |
| CN115795992A (zh) | 一种基于运行态势虚拟推演的园区能源互联网在线调度方法 | |
| Liu et al. | A novel integral reinforcement learning-based control method assisted by twin delayed deep deterministic policy gradient for solid oxide fuel cell in DC microgrid | |
| Ku et al. | Building electric energy prediction modeling for BEMS using easily obtainable weather factors with Kriging model and data mining | |
| Yang et al. | Coordination of generators and energy storage to smooth power fluctuations for multi-area microgrid clusters: A robust decentralized approach | |
| Wang et al. | A novel adaptive model predictive frequency control using unscented Kalman filter | |
| CN113131517B (zh) | 一种分布式储能的光伏并网监测方法及系统 | |
| Mayhorn et al. | Model predictive control-based optimal coordination of distributed energy resources | |
| Rocha et al. | Short-term electric load forecasting using neural networks: A comparative study | |
| CN107294112B (zh) | 基于日实时的动态无功优化方法 | |
| Masburah et al. | Co-designing Intelligent Control of Building HVACs and Microgrids |
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 |