CN116799832A - 一种基于大数据的智能调控混合储能电力系统 - Google Patents
一种基于大数据的智能调控混合储能电力系统 Download PDFInfo
- Publication number
- CN116799832A CN116799832A CN202310403262.1A CN202310403262A CN116799832A CN 116799832 A CN116799832 A CN 116799832A CN 202310403262 A CN202310403262 A CN 202310403262A CN 116799832 A CN116799832 A CN 116799832A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- module
- load
- data
- hybrid energy
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 86
- 230000005611 electricity Effects 0.000 claims abstract description 30
- 238000011217 control strategy Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 30
- 241000287502 Phoenicopteriformes Species 0.000 claims description 26
- 241000070023 Phoenicopterus roseus Species 0.000 claims description 21
- 239000003990 capacitor Substances 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000000034 method Methods 0.000 claims description 10
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 9
- 230000002431 foraging effect Effects 0.000 claims description 9
- 229910052744 lithium Inorganic materials 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000001617 migratory effect Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 abstract 1
- 238000007726 management method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于大数据的智能调控混合储能电力系统,包括大数据采集模块、VMD‑FSA‑KELM预测模块、储能管理模块、混合储能模块、AMR智能计量器、电网;储能管理模块还包括控制系统、PCS储能变流器、BMS;通过大数据采集模块采集到的历史采样数据,经VMD‑FSA‑KELM预测模块进行预测,将其作为输入到控制系统中,控制系统以及预测及储能模块制定相应的调控策略,使储能系统灵活供能。本发明提供了一种依据电价和负载供能的调控策略,既保证了负载供能的饱满性,又节约了供电的成本,提高了能源的利用率。
Description
技术领域
本发明属于储能负荷预测、储能调控技术领域,具体涉及一种基于大数据的智能调控混合储能电力系统。
背景技术
近年来,在智能电网和需求响应技术不断发展的今天,储能系统常常面临能源利用率不高、盈利能力差等问题。而准确的负荷预测对于储能系统的运营和规划至关重要,而预知用户侧需求量,在一定范围内调整其用电量大小,参与电网的运行调控,实现削峰填谷、促进可再生能源消纳、降低资源消耗、提高电力资源利用的目的。但在许多情况下,目前研究还很少综合考虑负载端和电价方面的预测,并将其结合考虑调控起来。
另一方面,目前的储能系统一般采用单一储能系统,这样会导致储能系统的使用寿命降低,而且由锂电池为代表的单一储能虽然可以发挥小目标的供能优势,但它不能适应负载突变的情况,无法满足长时间下的负载功率需求,混合储能电力系统在储能领域中能够充分发挥超级电容功率密度大与锂电池能量密度高的特点,减少脉动荷载的不利影响,能够分别平抑输出功率的高、低频波动,优化系统运行。
因此,亟需一种智能调控混合储能电力系统,能够基于用户需求量及电力电价,对混合储能电力系统进行合理的充放电调控,依据电价和负载供能的制定合理的调控策略,即保证了负载供能的饱满性,又节约了供电的成本,提高了能源的利用率。
发明内容
发明目的:针对背景技术所提出的问题,本发明提供了一种基于大数据的智能调控混合储能电力系统,提供一种双预测的优化调控策略可以节省更多的成本,提高能源的灵活调控性。
技术方案:本发明提供一种基于大数据的智能调控混合储能电力系统,包括大数据采集模块、VMD-FSA-KELM预测模块、储能管理模块、混合储能模块、AMR智能计量器、电网;
所述大数据采集模块采集历史负荷数据以及历史电力价格数据;
所述VMD-FSA-KELM预测模块包括负载子预测模块和电价子预测模块;负载子预测模块基于历史负荷数据得到负载预测结果;电价子预测模块基于历史电力价格数据得到电价预测结果;
所述储能管理模块包括控制系统、PCS储能变流器、BMS;PCS储能变流器是储能管理模块与外界进行能量交换的装置;控制系统通过控制策略控制PCS储能变流器来控制混合储能模块充放电情况;BMS用来防止电池出现过充电和过放电,延长电池的使用寿命,监控电池的状态,负责监测储能模块的健康状况;
所述混合储能模块进行电能的存储及释放,电包括锂电池模块和超级电容模块;
所述AMR智能计量器实时测量测量负载端的功率、混合储能模块容量。
进一步地,所述负载子预测模块的预测过程如下:
S1:输入历史负荷数据并将负载实时的负荷数据作为历史数据,进行数据预处理;
S2:提取电力负荷数据的各模态分量和一个残差分量;
S3:将每个分量归一化后划分为训练数据集和测试数据集;
S4:将训练数据集作为输入x带入到KELM预测模型进行训练,确定第j个隐藏层节点的输出,输出预测负载所需的电能;
S5:确定KELM预测模型隐藏层的输出H(x):
H(x)=[h1(x),h2(x),…,hL(x)]
S6:当信号通过隐藏层进入输出层时,引入核函数代替h(x),记KELM预测模型的输出为表达公式如下所示:
式中Ω=HHT,h(x)=H为隐含层的输出矩阵,H+为矩阵H的广义逆矩阵,K(xi,xj)为高斯核函数,表示为:
其中,ψ为核函数,C为惩罚系数;
S7:求解输出最小误差,通过平均绝对百分比求解方程进而寻找最小训练误差,求解的目标函数如下所示:
式中:ξ表示训练误差,Num为样本总数,y*、x*为负载的实测值和预测值;
S8:采用FSA算法对KELM模型中的核函数以及惩罚系数进行优化。
进一步地,所述S8实现过程如下:
S81:初始化种群:将种群数量设置为P,每个种群都对应一组核函数和惩罚系数值,最大迭代次数为IterMax,第一部分迁移的火烈鸟比例为MPb;
S82:找到每个火烈鸟的核函数和惩罚系数的适应度,并根据火烈鸟个体的适应度值对火烈鸟种群进行排序;低适应度的前火烈鸟MPb和高适应度的前火烈鸟MPt被视为迁徙火烈鸟,而其他火烈鸟被视为觅食火烈鸟,迭代公式如下式:
MPr=rand[0,1]×P×(1-MPb)
其中,MPr为第r次迭代的数量;
S83:更新迁徙火烈鸟和觅食火烈鸟位置,即核函数和惩罚系数的值;
S84:检查是否有超出边界的火烈鸟,最大范围公式定义为:
Lmax=|G1×xbj+ε×xij|
其中,Lmax表示最大范围,ε表示[-1,1]的随机数;
S85:如果达到最大迭代次数,则转至S86;否则,转至S81;
S86:输出最优核函数和惩罚系数的值。
进一步地,所述控制策略为:
通过VMD-FSA-KELM预测模块得到预测负载数据Ppre,预测电价数据Mec,记当地的平均电价利用AMR智能计量器混合储能模块的剩余容量为Chess;
根据负载及电价情况执行放电或充电环节策略:
当Ppre>Chess时,混合储能模块放电同时电网供电;
当Ppre≤Chess时,混合储能模块放电,电网不动作;
当时,电网仅给超级电容模块充电;
当时,电网给混合储能模块充电。
进一步地,步骤S1所述数据预处理是对数据进行Hilbert变换,变换公式如下:
其中,uk为模态分量x为负荷数据序数,k为模态分量数,α为二次惩罚因子,δ(t)为狄拉克函数,wk为频率。
进一步地,所述步骤S83实现过程如下:
其中,表示第t、(t+1)次迭代中第i只火烈鸟在种群第j维中的位置,/>在t迭代中种群中具有最佳适应度的火烈鸟的第j维位置;G2和G1遵循标准正态分布的随机数,范围是[-1,1];ε1、ε2是个[-1,1]的随机数;K是一个随机数,遵循卡方分布,它被用来增加火烈鸟觅食范围的大小,模拟自然界中个体选择的机会,提高其全局择优能力;
其中,ω=N(0,n)是一个具有n个自由度的高斯随机数。
有益效果:与现有技术相比,本发明的有益效果:
1、本发明创新性的提出了一种依据预测负荷量和电力价格制定的优化调控策略,该策略可以针对不同的需求状况进行合理的调控,较单一的预测调控相比提供一种双预测的优化调控策略可以节省更多的成本,提高能源的灵活调控性;
2、将混合储能电力系统与优化调控策略创新的结合起来,当预测的电力价格低于平均电价时,利用混合储能电力系统中超级电容充放电速度快的特性给储能系统充电,减少了锂电池的充放电次数,提高了储能系统的使用寿命,并有效的减少了电网的购置成本;
3、本发明利用VMD对原始数据分解能有效提高数据的预测精度,并进一步地对KELM中的因子进行优化,VMD-FSA-KELM混合预测模型组合了多种算法的优势,大大地提高了模型预测的精度。
附图说明
图1为本发明的结构示意图;
图2未本发明控制策略原理图;
图3为本发明的VMD-FSA-KELM算法的流程图;
图4为现有系统和本发明月经济成本对比图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提出一种基于大数据的智能调控混合储能电力系统,提供了一种依据电价和负载供能的制定合理的调控策略,可以通过大数据采集模块采集到的历史采样数据,经VMD-FSA-KELM预测模块进行预测,将其作为输入到控制系统中,控制系统以及预测及储能模块制定相应的调控策略,使储能系统灵活供能。如图1所示,包括大数据采集模块、VMD-FSA-KELM预测模块、储能管理模块、混合储能模块、AMR智能计量器、电网。
大数据采集模块采集历史负荷数据以及历史电力价格数据,采集目标为江苏某苏北厂区的月历史负荷数据以及当地政府所公布的历史电力价格数据。
VMD-FSA-KELM预测模块包括负载子预测模块和电价子预测模块,负载子预测模块基于历史负荷数据得到负载预测结果,电价子预测模块基于历史电力价格数据得到电价预测结果。
储能管理模块包括控制系统、PCS储能变流器、BMS;PCS储能变流器是储能管理模块与外界进行能量交换的装置;混合储能模块的充放电控制策略决策放在控制系统中,它通过控制PCS储能变流器来控制混合储能模块充放电情况,BMS用来防止电池出现过充电和过放电,延长电池的使用寿命,监控电池的状态,负责监测储能模块的健康状况。
混合储能模块进行电能的存储及释放,包括锂电池模块和超级电容模块。
AMR智能计量器可以实时测量测量负载端的功率、混合储能模块容量。
如图2所示,充放电控制策略决策制定在控制系统中,其控制策略原理在于:
通过VMD-FSA-KELM预测模块得到预测负载数据Ppre,预测电价数据Mec,记当地的平均电价利用AMR智能计量器混合储能模块的剩余容量为Chess。
根据负载及电价情况执行放电或充电环节策略:
Case1:当Ppre>Chess时,混合储能模块放电同时电网供电。
Case2:当Ppre≤Chess时,混合储能模块放电、电网不动作。
Case3:当时,电网仅给超级电容模块充电。
Case4:当时,电网给混合储能模块充电。
该策略设计基于混合储能电力系统特性考虑并设计的,首先利用混合储能电力系统中超级电容充放电速度快的特性,为此在低于平均电价的时候,使电池和超级电容同时充电,在高于平均电价时,仅仅使超级电容充电,即保证了充电速度,又减少了锂电池的充放电次数,而锂电池的寿命循环次数远远低于超级电容的寿命次数,锂电池的寿命次数影响整个混合储能电力系统的性能,所以说本专利提出的策略是依据混合储能特性所制定的。
如图3所示,负载子预测模块的预测过程如下:
(1)输入历史负荷数据并将负载实时的负荷数据作为历史数据,进行数据预处理,对数据进行Hilbert变换,变换公式如下:
其中,uk为模态分量x为负荷数据序数,k为模态分量数,α为二次惩罚因子,δ(t)为狄拉克函数,wk为频率。
(2)提取电力负荷数据的各模态分量和一个残差分量。
(3)将每个分量归一化后划分为训练数据集和测试数据集。
(4)将训练数据集作为输入x带入到KELM预测模型进行训练,确定第j个隐藏层节点的输出,所述输出为预测负载所需的电能。
(5)确定KELM预测模型隐藏层的输出H(x),计算公式如下所示:
H(x)=[h1(x),h2(x),…,hL(x)]
(6)当信号通过隐藏层进入输出层时,引入核函数代替h(x),记KELM预测模型的输出为表达公式如下所示:
式中,Ω=HHT,h(x)=H为隐含层的输出矩阵,H+为矩阵H的广义逆矩阵,K(xi,xj)为高斯核函数,表示为:
其中,ψ为函数,其取值直接影响到KELM的泛化能力。另外,惩罚系数C会影响KELM模型的预测精度。
(7)求解输出最小误差,通过平均绝对百分比求解方程进而寻找最小训练误差,求解的目标函数如下所示:
式中:ξ表示训练误差,Num为样本总数:y*、x*为负载的实测值和预测值。
(8)采用FSA算法对KELM模型中的核函数以及惩罚系数进行优化。实现过程如下:
1)初始化种群:将种群数量设置为P,每个种群都对应一组核函数和惩罚系数值,最大迭代次数为IterMax,第一部分迁移的火烈鸟比例为MPb。
2)找到每个火烈鸟的核函数和惩罚系数的适应度,并根据火烈鸟个体的适应度值对火烈鸟种群进行排序;低适应度的前火烈鸟MPb和高适应度的前火烈鸟MPt被视为迁徙火烈鸟,而其他火烈鸟被视为觅食火烈鸟,迭代公式如下式:
MPr=rand[0,1]×P×(1-MPb)
其中,MPr为第r次迭代的数量。
3)更新迁徙火烈鸟和觅食火烈鸟位置,即核函数和惩罚系数的值,更新公式如下:
其中,表示第t、(t+1)次迭代中第i只火烈鸟在种群第j维中的位置,/>在t迭代中种群中具有最佳适应度的火烈鸟的第j维位置;G2和G1遵循标准正态分布的随机数,范围是[-1,1];ε1、ε2是个[-1,1]的随机数;K是一个随机数,遵循卡方分布,它被用来增加火烈鸟觅食范围的大小,模拟自然界中个体选择的机会,提高其全局择优能力;
其中,ω=N(0,n)是一个具有n个自由度的高斯随机数。
4)检查是否有超出边界的火烈鸟,最大范围公式定义为:
Lmax=|G1×xbj+ε×xij|
其中,Lmax表示最大范围,ε表示[-1,1]的随机数。
5)如果达到最大迭代次数,则转至6);否则,转至1)。
6)输出最优核函数和惩罚系数的值。
电价子预测模块的预测步骤和负载子预测模块的预测过程一样。
如图4所示,系统1是未使用预测调控策略的系统,系统2是仅使用负载预测调控策略的系统,本发明系统对比的经济成本的计算公式如下:
C=t×(Pg·Cg·+Pbs·Cbs+Psc·Ccs)
其中,C表示经济成本,t表示系统的运行时间,Pg、Pbs、Psc分别表示电网购置功率、电池损耗功率、超级电容的损耗功率,Cg、Cbs、Ccs、分别表示当地电价、电池的单位损耗成本、超级电容的损耗成本。
数据采用江苏某小型厂区月数据,通过对比可知,本发明的月成本保持在32002元-45000元,较系统1月成本46002元-55000元、系统2月成本42114-52458万元,成本节约量在7712元-14000元之间,充分证明了本发明对能源优化调控的优势,有效减少了运营成本,体现了本发明的双预测调控策略的混合储能电力系统的合理调控策略优越。
应当理解的是,本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理,而不构成对本发明的限制。因此,在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。此外,本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (6)
1.一种基于大数据的智能调控混合储能电力系统,其特征在于,包括大数据采集模块、VMD-FSA-KELM预测模块、储能管理模块、混合储能模块、AMR智能计量器、电网;
所述大数据采集模块采集历史负荷数据以及历史电力价格数据;
所述VMD-FSA-KELM预测模块包括负载子预测模块和电价子预测模块;负载子预测模块基于历史负荷数据得到负载预测结果;电价子预测模块基于历史电力价格数据得到电价预测结果;
所述储能管理模块包括控制系统、PCS储能变流器、BMS;PCS储能变流器是储能管理模块与外界进行能量交换的装置;控制系统通过控制策略控制PCS储能变流器来控制混合储能模块充放电情况;BMS用来防止电池出现过充电和过放电,延长电池的使用寿命,监控电池的状态,负责监测储能模块的健康状况;
所述混合储能模块进行电能的存储及释放,电包括锂电池模块和超级电容模块;
所述AMR智能计量器实时测量测量负载端的功率、混合储能模块容量。
2.根据权利1所述的一种基于大数据的智能调控混合储能电力系统,其特征在于,所述负载子预测模块的预测过程如下:
S1:输入历史负荷数据并将负载实时的负荷数据作为历史数据,进行数据预处理;
S2:提取电力负荷数据的各模态分量和一个残差分量;
S3:将每个分量归一化后划分为训练数据集和测试数据集;
S4:将训练数据集作为输入x带入到KELM预测模型进行训练,确定第j个隐藏层节点的输出,输出预测负载所需的电能;
S5:确定KELM预测模型隐藏层的输出H(x):
H(x)=[h1(x),h2(x),…,hL(x)]
S6:当信号通过隐藏层进入输出层时,引入核函数代替h(x),记KELM预测模型的输出为表达公式如下所示:
式中Ω=HHT,h(x)=H为隐含层的输出矩阵,H+为矩阵H的广义逆矩阵,K(xi,xj)为高斯核函数,表示为:
其中,ψ为核函数,C为惩罚系数;
S7:求解输出最小误差,通过平均绝对百分比求解方程进而寻找最小训练误差,求解的目标函数如下所示:
式中:ξ表示训练误差,Num为样本总数,y*、x*为负载的实测值和预测值;
S8:采用FSA算法对KELM模型中的核函数以及惩罚系数进行优化。
3.根据权利2所述的一种基于大数据的智能调控混合储能电力系统,其特征在于,所述S8实现过程如下:
S81:初始化种群:将种群数量设置为P,每个种群都对应一组核函数和惩罚系数值,最大迭代次数为IterMax,第一部分迁移的火烈鸟比例为MPb;
S82:找到每个火烈鸟的核函数和惩罚系数的适应度,并根据火烈鸟个体的适应度值对火烈鸟种群进行排序;低适应度的前火烈鸟MPb和高适应度的前火烈鸟MPt被视为迁徙火烈鸟,而其他火烈鸟被视为觅食火烈鸟,迭代公式如下式:
MPr=rand[0,1]×P×(1-MPb)
其中,MPr为第r次迭代的数量;
S83:更新迁徙火烈鸟和觅食火烈鸟位置,即核函数和惩罚系数的值;
S84:检查是否有超出边界的火烈鸟,最大范围公式定义为:
Lmax=|G1×xbj+ε×xij|
其中,Lmax表示最大范围,ε表示[-1,1]的随机数;
S85:如果达到最大迭代次数,则转至S86;否则,转至S81;
S86:输出最优核函数和惩罚系数的值。
4.根据权利1所述的一种基于大数据的智能调控混合储能电力系统,其特征在于,所述控制策略为:
通过VMD-FSA-KELM预测模块得到预测负载数据Ppre,预测电价数据Mec,记当地的平均电价利用AMR智能计量器混合储能模块的剩余容量为Chess;
根据负载及电价情况执行放电或充电环节策略:
当Ppre>Chess时,混合储能模块放电同时电网供电;
当Ppre≤Chess时,混合储能模块放电,电网不动作;
当时,电网仅给超级电容模块充电;
当时,电网给混合储能模块充电。
5.根据权利2所述的一种基于大数据的智能调控混合储能电力系统,其特征在于,步骤S1所述数据预处理是对数据进行Hilbert变换,变换公式如下:
其中,uk为模态分量x为负荷数据序数,k为模态分量数,α为二次惩罚因子,δ(t)为狄拉克函数,wk为频率。
6.根据权利3所述的一种基于大数据的智能调控混合储能电力系统,其特征在于,所述步骤S83实现过程如下:
其中,表示第t、(t+1)次迭代中第i只火烈鸟在种群第j维中的位置,/>在t迭代中种群中具有最佳适应度的火烈鸟的第j维位置;G2和G1遵循标准正态分布的随机数,范围是[-1,1];ε1、ε2是个[-1,1]的随机数;K是一个随机数,遵循卡方分布,它被用来增加火烈鸟觅食范围的大小,模拟自然界中个体选择的机会,提高其全局择优能力;
其中,ω=N(0,n)其中,ω=N(0,n)是一个具有n个自由度的高斯随机数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310403262.1A CN116799832B (zh) | 2023-04-14 | 2023-04-14 | 一种基于大数据的智能调控混合储能电力系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310403262.1A CN116799832B (zh) | 2023-04-14 | 2023-04-14 | 一种基于大数据的智能调控混合储能电力系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116799832A true CN116799832A (zh) | 2023-09-22 |
CN116799832B CN116799832B (zh) | 2024-04-19 |
Family
ID=88041142
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310403262.1A Active CN116799832B (zh) | 2023-04-14 | 2023-04-14 | 一种基于大数据的智能调控混合储能电力系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116799832B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105515031A (zh) * | 2015-12-02 | 2016-04-20 | 华北电力大学 | 一种基于预测数据修正的微网储能实时控制方法 |
CN106570250A (zh) * | 2016-11-02 | 2017-04-19 | 华北电力大学(保定) | 面向电力大数据的微电网短期负荷预测方法 |
CN108879746A (zh) * | 2018-06-28 | 2018-11-23 | 国电南瑞科技股份有限公司 | 基于多时间尺度需求响应的集中式混合储能协调控制方法 |
CN109492836A (zh) * | 2018-12-29 | 2019-03-19 | 上海电力学院 | 基于长短期记忆网络的电力负荷预测与电价预测系统 |
CN115293803A (zh) * | 2022-07-29 | 2022-11-04 | 华能浙江能源销售有限责任公司 | 电力现货市场下基于电价预测的独立储能运营系统及方法 |
CN115829097A (zh) * | 2022-11-22 | 2023-03-21 | 苏州科技大学 | 一种基于vmd和kelm的空调超短期负荷预测方法 |
-
2023
- 2023-04-14 CN CN202310403262.1A patent/CN116799832B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105515031A (zh) * | 2015-12-02 | 2016-04-20 | 华北电力大学 | 一种基于预测数据修正的微网储能实时控制方法 |
CN106570250A (zh) * | 2016-11-02 | 2017-04-19 | 华北电力大学(保定) | 面向电力大数据的微电网短期负荷预测方法 |
CN108879746A (zh) * | 2018-06-28 | 2018-11-23 | 国电南瑞科技股份有限公司 | 基于多时间尺度需求响应的集中式混合储能协调控制方法 |
CN109492836A (zh) * | 2018-12-29 | 2019-03-19 | 上海电力学院 | 基于长短期记忆网络的电力负荷预测与电价预测系统 |
CN115293803A (zh) * | 2022-07-29 | 2022-11-04 | 华能浙江能源销售有限责任公司 | 电力现货市场下基于电价预测的独立储能运营系统及方法 |
CN115829097A (zh) * | 2022-11-22 | 2023-03-21 | 苏州科技大学 | 一种基于vmd和kelm的空调超短期负荷预测方法 |
Non-Patent Citations (1)
Title |
---|
WENXUAN SUN 等: "Short-Term Photovoltaic Power Interval Prediction Based on VMD and GOA-KELM Algorithms", 2021 IEEE 4TH INTERNATIONAL CONFERENCE ON ELECTRONICS TECHNOLOGY (ICET), pages 585 - 590 * |
Also Published As
Publication number | Publication date |
---|---|
CN116799832B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
Hu et al. | A hybrid model based on CNN and Bi-LSTM for urban water demand prediction | |
WO2017161786A1 (zh) | 基于光储系统运行优化的混合储能配比计算方法 | |
CN112131733B (zh) | 计及电动汽车充电负荷影响的分布式电源规划方法 | |
CN106410781A (zh) | 一种电力用户需求响应潜力确定方法 | |
CN112598195A (zh) | 楼宇型综合能源系统运行优化方法、装置及终端设备 | |
CN110866633B (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
Yamin et al. | Online solar energy prediction for energy-harvesting internet of things devices | |
CN103236705A (zh) | 用于配电网削峰填谷的双储能系统储能容量的优化方法 | |
CN115759336A (zh) | 一种面向短期电力负荷预测的预测方法及存储介质 | |
Sun et al. | Energy management strategy for FCEV considering degradation of fuel cell | |
CN116388245A (zh) | 光储充一体化电站储能容量配置方法及相关设备 | |
CN114919433A (zh) | 电动汽车集群充放电控制方法、系统及相关设备 | |
CN114723230A (zh) | 面向新能源发电和储能的微电网双层调度方法及系统 | |
CN112288130B (zh) | 一种基于两阶段多目标优化的新能源消纳计算方法 | |
CN116799832B (zh) | 一种基于大数据的智能调控混合储能电力系统 | |
CN116819372A (zh) | 一种神经网络计算储能电池健康状态的方法 | |
Yong et al. | Short-term building load forecasting based on similar day selection and LSTM network | |
Zhang et al. | Lithium-ion battery SoC estimation based on online support vector regression | |
KR102556093B1 (ko) | 전력의 피크 부하를 저감하기 위한 보상 생성 방법 및 그 방법을 수행하는 동작 제어 장치 | |
CN112329995B (zh) | 分布式储能集群的优化调度方法、装置和计算机设备 | |
Yu et al. | Dynamic grouping control of electric vehicles based on improved k-means algorithm for wind power fluctuations suppression | |
Qin et al. | Lithium-ion Batteries RUL Prediction Based on Temporal Pattern Attention | |
An | New energy vehicle lithium battery life prediction method based on improved deep learning | |
CN117630681A (zh) | 基于组合模型的蓄电池性能预测方法及系统 |
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 |