CN117081041A - 一种港区多能源融合协调优化控制方法及系统 - Google Patents

一种港区多能源融合协调优化控制方法及系统 Download PDF

Info

Publication number
CN117081041A
CN117081041A CN202310849088.3A CN202310849088A CN117081041A CN 117081041 A CN117081041 A CN 117081041A CN 202310849088 A CN202310849088 A CN 202310849088A CN 117081041 A CN117081041 A CN 117081041A
Authority
CN
China
Prior art keywords
day
power
electric
ahead
scheduling
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
Application number
CN202310849088.3A
Other languages
English (en)
Inventor
史旭鹏
郭王勇
朱金大
黄堃
杨文�
王辉
李哲
张晓燕
孙厚涛
倪建富
刘俊
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.)
Nari Technology Co Ltd
Original Assignee
Nari Technology 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 Nari Technology Co Ltd filed Critical Nari Technology Co Ltd
Priority to CN202310849088.3A priority Critical patent/CN117081041A/zh
Publication of CN117081041A publication Critical patent/CN117081041A/zh
Pending legal-status Critical Current

Links

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
    • H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
    • H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • H02J3/008—Circuit arrangements for ac mains or ac distribution networks involving trading of energy or energy transmission rights
    • 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given 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
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种港区多能源融合协调控制方法及系统，该系统将港区中存在的光伏、风电、储能、电制氢子系统、充电桩、柔性负荷等各类可调可控资源均纳入调控范围，在满足第一安全约束条件下，将采集的可调可控资源日前的相关数据输入至日前预测模型中，并设置第一目标函数，确定日前调度计划，日前调度计划包括：日前电价、微电源机组的出力计划、日前调度的响应量、电池的充放电计划、电制氢的工作计划，本系统采用智能协调控制模块基于各类可调控资源的特征和性能分析，从日前、日内、实时多个时间尺度进行协调优化控制，确保在电网安全可靠运行、能源稳定供应及可再生能源最大化利用的前提下，实现整个优化周期内的能源综合利用最大化。

Description

一种港区多能源融合协调优化控制方法及系统
技术领域
本发明涉及港区多能源技术领域，具体涉及一种港区多能源融合协调优化控制方法及系统。
背景技术
随着全球能源、环境问题的不断凸显，风能、太阳能等可再生能源得到了极大的关注与发展。同时含高比例新能源的新型电力系统与新能源发电技术在不断发展，我国的能源结构也逐渐从单一种类资源向多能源融合的阶段发展。
目前我国需要利用好自然资源禀赋，因地制宜地发展风能、太阳能等可再生能源。大力发展微网/园区层级的多能源融合系统，搭配储能技术与电制氢技术，做好风、光、储、氢的协同发展。努力提高园区综合能源系统的自洽率，在未来提高新能源发电在电力系统中的占比。
传统的港区供电系统通常采用单一能源或少数几种能源组合的方式进行供电，容易导致能源浪费、能源瓶颈以及电力不稳定等问题。随着新能源技术的快速发展，多种能源融合应用成为了解决以上问题的有效途径。然而，如何对多种能源进行协调控制，避免能源之间的竞争和浪费，保证供电的稳定性和可靠性，仍然是一个重要的研究方向。
发明内容
发明目的：为了克服现有技术的不足，本发明提供一种港区多能源融合协调优化控制方法，该方法可以解决能源浪费、能源瓶颈以及电力不稳定和不可靠的技术问题。
技术方案：一方面，本发明提供港区多能源融合协调优化控制方法，该方法包括以下步骤：
S1采集可调可控资源日前的相关数据，所述可调可控资源包括：光伏、风电、储能、电制氢和柔性负荷；
S2在满足第一安全约束条件下，将采集的可调可控资源日前的相关数据输入至日前预测模型中，并以运行成本最小设置第一目标函数，确定日前调度计划，所述日前调度计划包括：日前电价、微电源机组的出力计划、日前调度的响应量、电池的充放电计划、电制氢的工作计划；
S3在满足第二安全约束条件下，将所述日前预测模型预测的一小时前最新预测数据输入到日内一小时滚动优化调度模型中，并以运行成本最小设置第二目标函数，得到日内一小时调度计划，所述日内一小时调度计划包括：微电源机组的出力计划和确立日内一小时调度的响应量、电池的充放电计划、电制氢的工作计划，所述日内一小时滚动优化调度模型对所述日前调度计划每一小时更新修正一次；
S4在满足第三安全约束条件下，将所述日内一小时滚动优化调度模型预测的十五分钟前最新预测数据输入到日内十五分钟滚动优化调度模型中，并以运行成本最小设置第三目标函数，得到日内十五分钟调度计划，所述日内十五分钟调度计划包括：微电源机组的出力计划和确立日内一小时调度的响应量、电池的充放电计划、电制氢的工作计划，所述日内十五分钟滚动优化调度模型对所述日内一小时调度计划每十五分钟更新修正一次；
S5在满足第四安全约束条件下，将所述日内十五分钟滚动优化调度模型预测的最新预测数据输入到实时调度模型中，并以运行成本最小设置第四目标函数，输出微电源机组的出力计划、实时调度的资源。
进一步的，包括：
所述步骤S1中，第一目标函数表示为：
第一约束条件表示为：
其中，PW(t)和PPV(t)分别是t时段风力和光伏发电功率，CW(t)和CPV(t)分别是t时段每kW·h风力和光伏的发电成本，W和NW分别是风力发电机组的序号和总数，PV和NPV分别是光伏组件的序号和总数，H和NH分别是电制氢组件的序号和总数；Pgrid(t)和Cgrid(t)分别是与大电网的交互功率和购电价格；FbarO是储能设备的综合成本；FE.Ai()是日前调度中电动车和电动船的调用成本，Ai和nAi分别是日前调度中响应的电动车和电动船的序号数和总数；Aj和nAj分别是日前调度中响应的激励型负荷序号数和总数，CAj(t)是每kW·h电量的实际参与日前调度的激励型负荷的调用价格，和/>分别是风力发电的最小和最大功率，/>和/>分别是光伏发电的最小和最大功率，/>和/>分别是电制氢的最小和最大功率/>和/>分别是与大电网交互功率的下限和上限，EE.Ai(t)为日前调用电动车和电动船的电量，EAj(t)为日前调用的负荷量；Bbat(t)为日前调度中的电动车和电动船的碳排放权回收收益；BE.Ai(t)为日前调度的负荷的碳排放权回收收益；BSL.Aj(t)为储能设备的碳排放收益；PH(t)CH(t)为t时段电制氢发电功率和t时段每kW·h电制氢的发电成本；PE.Ai(t)为日前调度中响应的电动车和电动船的功率；Pbat(t)为储能设备的功率。
进一步的，包括：
步骤S1中，所述第二目标函数表示为：
第二约束条件表示为：
其中，FE.Bi()是日内调度中电动车和电动船的调用成本，Bi和nBi分别是日内调度中响应的电动车和电动船的序号数和总数；Bj和nBj分别是日内调度中响应的激励型负荷序号数和总数，CBj(t)是每kW·h电量的实际参与日内调度的激励型负荷调用价格；BSL.Bj(t)和BE.Bi(t)分别是日内1小时调度中的激励型负荷和电动车、电动船碳排放回收收益，EE.Bi(t)为日内1小时调用电动车和电动船的电量，EBj(t)为日内1小时调用的负荷量，PE.Ai(t)日前调度中响应的电动车和电动船的功率；Pbat(t)储能设备的功率；PE.Bi(t)日内调度中响应的电动车和电动船的功率；PAj(t)日前调度中响应的电动车和电动船的功率；PBj(t)日内调度中响应的电动车和电动船的功率。
进一步的，包括：
步骤S1中，所述第三目标函数表示为：
第三约束条件表示为：
其中，Cj和nCj分别是日内15分钟调度中响应的激励型负荷序号数和总数，CCj(t)是每kW·h电量的实际参与日内15分钟调度的激励型负荷的调用价格；BSL.Cj(t)是日内15分钟优化调度中的激励型负荷的碳排放权回收收益，ECj(t)为日内15分钟调用的负荷量。
进一步的，包括：
步骤S1中，第四目标函数表示为：
第四约束条件表示为：
其中，Dj和nDj分别是实时调度中的直接控制负荷序号数和总数。
进一步的，包括：
所述日前预测模型、日内一小时滚动优化调度模型、日内十五分钟滚动优化调度模型和实时调度模型均为神经网络模型。
另一方面，本发明还提供一种港区多能源融合协调优化控制系统，该系统包括：控制模块、光伏子模块、风电子模块、储能子模块、电制氢子模块和柔性负荷子模块，
光伏子模块用于采集各个时段的光伏运行数据、光伏发电功率、光伏的发电成本、光伏组件的序号和总数、光伏发电的设备故障和报警信息，并将相关数据发送给控制模块；设备故障和报警信息包括：事故信号、故障信号、重要保护信号。
所述风电子模块用于采集各个时段的风力、风机运行数据、风力发电机组的序号和总数、风力发电功率、风力发电的设备故障和报警信息，并将相关数据发送给控制模块；
所述储能子模块用于采集储能设备的充放电时间、充放电功率、综合成本，并将相关数据发送给控制模块；
所述电制氢子模块用于采集电制氢系统运行数据、电制氢组件的序号和总数、电制氢功率，并将相关数据发送给控制模块；
所述柔性负荷子模块用于采集日前调度中响应的激励型负荷序号数和总数、每kW·h电量的实际参与日前调度的激励型负荷的调用价格、日前调用的负荷量，并将相关数据发送给控制模块；
将大电网的相关数据输入到控制模块中，所述大电网的相关数据包括：日前调度中电动车和电动船的调用成本、日前调度中响应的电动车和电动船的序号数和总数、日前调用电动车和电动船的电量，且采集控制模块与大电网的交互功率和购电价格以及控制模块与大电网交互功率的下限和上限。
所述控制模块采用神经网络预测模型将输入的数据进行协调优化控制，设置第一目标函数，并运行第一约束条件，通过优化计算方式确定日前调度计划，进而确定日内一小时调度计划、日内十五分钟调度计划、实时微电源机组的出力计划、实时调度的资源。
进一步的，包括：
日内一小时调度计划的确定方法为：
在满足第二安全约束条件下，将所述日前预测模型预测的一小时前最新预测数据输入到日内一小时滚动优化调度模型中，并以运行成本最小设置第二目标函数，得到日内一小时调度计划，所述日内一小时调度计划包括：微电源机组的出力计划和确立日内一小时调度的响应量、电池的充放电计划、电制氢的工作计划，所述日内一小时滚动优化调度模型对所述日前调度计划每一小时更新修正一次；
日内十五分钟调度计划的确定方法为：
在满足第三安全约束条件下，将所述日内一小时滚动优化调度模型预测的十五分钟前最新预测数据输入到日内十五分钟滚动优化调度模型中，并以运行成本最小设置第三目标函数，得到日内十五分钟调度计划，日内十五分钟调度计划包括：微电源机组的出力计划和确立日内一小时调度的响应量、电池的充放电计划、电制氢的工作计划，所述日内十五分钟滚动优化调度模型对所述日内一小时调度计划每十五分钟更新修正一次；
且在满足第四安全约束条件下，将所述日内十五分钟滚动优化调度模型预测的最新预测数据输入到实时调度模型中，并以运行成本最小设置第四目标函数，输出微电源机组的出力计划、实时调度的资源。
进一步的，包括：
所述第一目标函数表示为：
第一约束条件表示为：
其中，PW(t)和PPV(t)分别是t时段风力和光伏发电功率，CW(t)和CPV(t)分别是t时段每kW·h风力和光伏的发电成本，W和NW分别是风力发电机组的序号和总数，PV和NPV分别是光伏组件的序号和总数，H和NH分别是电制氢组件的序号和总数；Pgrid(t)和Cgrid(t)分别是与大电网的交互功率和购电价格；Fbar()是储能设备的综合成本；FE.Ai()是日前调度中电动车和电动船的调用成本，Ai和nAi分别是日前调度中响应的电动车和电动船的序号数和总数；Aj和nAj分别是日前调度中响应的激励型负荷序号数和总数，CAj(t)是每kW·h电量的实际参与日前调度的激励型负荷的调用价格，和/>分别是风力发电的最小和最大功率，/>和/>分别是光伏发电的最小和最大功率，/>和/>分别是电制氢的最小和最大功率/>和/>分别是与大电网交互功率的下限和上限，EE.Ai(t)为日前调用电动车和电动船的电量，EAj(t)为日前调用的负荷量；Bbat(t)为日前调度中的电动车和电动船的碳排放权回收收益；BE.Ai(t)为日前调度的负荷的碳排放权回收收益；BSL.Aj(t)为储能设备的碳排放收益；PH(t)CH(t)为t时段电制氢发电功率和t时段每kW.h电制氢的发电成本；PE.Ai(t)为日前调度中响应的电动车和电动船的功率；Pbat(t)为储能设备的功率。
进一步的，包括：
所述第二目标函数表示为：
第二约束条件表示为：
其中，FE.Bi()是日内调度中电动车和电动船的调用成本，Bi和nBi分别是日内调度中响应的电动车和电动船的序号数和总数；Bj和nBj分别是日内调度中响应的激励型负荷序号数和总数，CBj(t)是每kW·h电量的实际参与日内调度的激励型负荷调用价格；BSL.Bj(t)和BE.Bi(t)分别是日内1小时调度中的激励型负荷和电动车、电动船碳排放回收收益，EE.Bi(t)为日内1小时调用电动车和电动船的电量，EBj(t)为日内1小时调用的负荷量，PE.Ai(t)日前调度中响应的电动车和电动船的功率；Pbat(t)储能设备的功率；PE.Bi(t)日内调度中响应的电动车和电动船的功率；PAj(t)日前调度中响应的电动车和电动船的功率；PBj(t)日内调度中响应的电动车和电动船的功率。
有益效果：(1)本发明采用智能协调控制模块对各类可调可控资源进行协调控制，确保在电网安全可靠运行、能源稳定供应及可再生能源最大化利用的前提下，实现整个优化周期内的能源综合利用最大化。(2)本发明将港区中存在的光伏、风电、储能、电制氢子系统、充电桩、柔性负荷等各类可调可控资源均纳入调控范围，采用智能协调控制模块基于各类可调控资源的特征和性能分析，从日前、日内、实时多个时间尺度进行协调优化控制，确保在电网安全可靠运行、能源稳定供应及可再生能源最大化利用，保证供电的稳定性和可靠性。
附图说明
图1为本发明实施例所述的用于港区多能源融合协调控制系统的总体架构图；
图2为本发明实施例所述的用于港区多能源融合协调控制系统软件功能架构图；
图3为本发明实施例所述的用于港区多能源融合协调控制系统多时间尺度协调优化调度策略原理图。
具体实施方式
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，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明提供一种港区多能源融合协调控制系统，将港区中存在的光伏、风电、储能、电制氢子系统、充电桩、柔性负荷等各类可调可控资源均纳入调控范围，基于各类可调控资源的特征和性能分析，从日前、日内、实时多个时间尺度进行协调优化控制。
港区多能源融合协调控制系统通过智能协调控制模块对各类可调可控资源进行协调控制，智能控制模块由光伏智能协调控制子模块、风电智能协调控制子模块、储能智能协调控制子模块、电制氢智能协调控制子模块、可调柔性负荷智能协调控制子模块等模块组成。
光伏智能协调控制子模块，通过接入光伏发电运行数据(包括电压、电流、功率、发电量、电能质量、逆变器运行数据、设备状态、开关位置信号等)和故障及报警信息(包括事故信号、故障信号、重要保护信号等)，结合港区的能源需求和天气状况，主动调节光伏发电功率。
风电智能协调控制子模块，通过接入风机数据(电压、电流、功率、转速、设备工作温度、设备工作状态、工作模式等)、电量数据(各计量点电能表计的电量数据)和故障及报警信息(事故信号、故障信号、重要保护信号等)，实现风机发电功率的安全稳定精确控制。
所述的储能智能协调控制子模块，通过接入储能数据(包括电解电池电压、内阻、预估性能SOC及报警信息；电池充放电时间、充放电功率等)，结合港区的能源供需情况，主动调节储能系统充放电策略。
所述的电制氢智能协调控制子模块，通过接入制氢数据(包括电解水制氢功率、效率、电压、电流、产氢量，以及储氢及氢能加注的相关监控数据)，结合港区情况，实现系统主动控制，确保系统安全、可靠、稳定地运行。
所述的可调柔性负荷智能协调控制子模块，通过接入负荷数据(包括用电负荷的电压、电流、有功功率、无功功率、功率因数等)，结合港区的发电和用能情况，实现可调柔性负荷功率的主动控制。
所述的智能协调控制模块可以根据港区的电网情况、能源需求和天气状况，自动选择最优能源组合方案，实现能源的高效利用。同时，光伏智能协调控制子模块和风电智能协调控制子模块可以通过智能控制模块进行协调，实现太阳能和风能的互补补偿。电池组可以在低负荷时段通过智能协调控制模块进行充电，以备高峰负荷期使用，实现港区电网负荷平衡。氢燃料电池等可以在电网负荷高峰期间通过智能协调控制模块同时运行，提供更大的电力输出。此外，智能协调控制模块还可以通过监测各个能源设备的工作情况，及时预警并自动切换备用设备，保证港区的稳定供电。
结合图2所示，港区多能源融合协调控制系统考虑了多业务组件、多数据类型、多接入规约、多类用户访问、多数据发布方式、多对外接口等外部数据特征，提供统一的数据采集框架和安全体系，既可实现标准化数据接入，又充分保障能源设施、能源系统及能源信息的完整性、可靠性、可用性、可控性与保密性。功能上分为基础功能和高级功能，基础功能包含数据服务、统计分析、多能预测、运行评估等，为港区多能源融合协调控制系统提供支撑，从而实现协调优化调度、自治运行、智能互动和岸电管理等应用功能。
结合图3所示，港区多能源融合协调控制系统首先根据新能源和负荷日前预测数据来确定日前电价，然后以此为基础，在满足安全约束条件下，参考能够响应日前调度的资源的预测量和报价，以港区多能源融合协调控制系统运行成本最小为目标，来制定各微源出力及资源日前调度供应量；基于日前计划中对资源的调用量，日内1h滚动优化调度计划则是利用1h前最新预测数据和系统状态并以港区多能源融合协调控制系统运行成本最小为目标来调整各微源出力和确立日内1h需求侧响应资源的调用量，其每一小时对于日前调度计划更新修正一次。日内15min滚动优化调度模型基于日前和日内15min对于多时间尺度资源的调度，利用15min前的短期低误差预测数据和新的系统状态再次调整各微源出力和确立日内15min需求侧响应资源的调用量，其每15min对于日内1h调度计划更新修正一次。实时调度以港区多能源融合协调控制系统安全稳定运行为主，故实时调度遵循日内15min调度计划的运行状态，用可直接控制的需求侧资源和旋转备用等作为调整量，并以实际各分布式电源出力及负荷调整与日内15min的调度计划中的偏差最小为目标来构建模型，进行实时调度。
所述的日前、日内、实时多个时间尺度协调优化控制，并根据港区区域内清洁能源、负荷、能源特性和运行约束条件，通过优化计算等方式安排储能充放电计划、电制氢用能计划、氢燃料电池放电计划、港区辅助负荷用能计划等，对港区系统电力进行协调控制；所述的约束条件包括负荷功率平衡约束、储能模块充放电限制、设备使用寿命限制等；所述的系统具备日前调度、日内1h滚动优化调度、日内15min滚动优化调度和实时调度四种方法。
日前调度、日内1h滚动优化调度、日内15min滚动优化调度和实时调度方法包括：
S1、协调控制系统首先根据新能源和负荷日前预测数据来确定日前电价，然后以此为基础，在满足安全约束条件下，参考能够响应日前调度的资源的预测量和报价，以港区多能源融合系统运行成本最小为目标，来制定各微源出力及资源日前调度供应量；
S2、基于日前计划中对资源的调用量，利用1h前最新预测数据和系统状态并以港区多能源融合系统运行成本最小为目标来调整各微源出力和确立日内1h响应资源的调用量，其每一小时对于日前调度计划更新修正一次。
S3、日内15min滚动优化调度模型基于日前和日内15min对于多时间尺度需求侧资源的调度，利用15min前的短期低误差预测数据和新的系统状态再次调整各微源出力和确立日内15min响应资源的调用量，其每15min对于日内1h调度计划更新修正一次。
S4、实时调度采用精度较高的超短期预测，实时调度以港区多能源融合系统安全稳定运行为主，实时调度遵循日内15min调度计划的运行状态，用可直接控制的资源和旋转备用等作为调整量，并以实际各分布式电源出力及负荷调整与日内15min的调度计划中的偏差最小为目标来构建模型，进行实时调度。
S1中以多能源融合系统总的运行成本最小为目标，日前调度模型目标函数和约束条件如下表示：
目标函数：
约束条件：
/>
其中，PW(t)和PPV(t)分别是t时段风力和光伏发电功率，CW(t)和CPV(t)分别是t时段每kW·h风力和光伏的发电成本，W和NW分别是风力发电机组的序号和总数，PV和NPV分别是光伏组件的序号和总数，H和NH分别是电制氢组件的序号和总数；Pgrid(t)和Cgrid(t)分别是多能源融合系统与大电网的交互功率和购电价格；Fbar()是储能设备的综合成本；FE.Ai()是日前调度中，电动车(船)的调用成本，Ai和nAi分别是日前调度中响应的电动车(船)序号数和总数；Aj和nAj分别是日前调度中响应的激励型负荷序号数和总数，CAj(t)是每kW·h电量的实际参与日前调度的激励型负荷的调用价格。和/>分别是风力发电的最小和最大功率，/>和/>分别是光伏发电的最小和最大功率，/>和/>分别是电制氢的最小和最大功率/>和/>分别是港区多能源融合协调控制系统与电网交互功率的下限和上限，EE.Ai(t)为日前调用电动车(船)的电量，EAj(t)为日前调用的负荷量。
S2中日内1h滚动优化调度的目的是基于因时间尺度变小使得误差减小的风力、光伏发电预测值，每过1h的时间对一天内剩余时段的调度计划进行更新，对日前调度计划中各种资源的调度安排进行修正。日内1h滚动优化调度以多能源融合系统总的运行成本最小为目标，日内1h滚动优化调度模型目标函数和约束条件如下表示：
目标函数：
约束条件：
式中，FE.Bi()是日内调度中电动车(船)调用成本，Bi和nBi分别是日内调度中响应的电动车(船)序号数和总数；Bj和nBj分别是日内调度中响应的激励型负荷序号数和总数，CBj(t)是每kW·h电量的实际参与日内调度的激励型负荷调用价格；BSL.Bj(t)和BE.Bi(t)分别是日内1h调度中的激励型负荷和电动车(船)碳排放回收收益。EE.Bi(t)为日内1h调用电动车(船)的电量，EBj(t)为日内1h调用的负荷量。
S3中日内15min优化调度模型是在日前和日内1h调度计划的基础上建立的。因15min的预测误差已经较小，因此相对应的可调度资源也会变少。日内15min滚动优化调度模型以多能源融合系统运行成本最小为目标，其目标函数和约束条件表示如下：
目标函数：
约束条件：
/>
式中，Cj和nCj分别是日内15min调度中响应的激励型负荷序号数和总数，CCj(t)是每kW·h电量的实际参与日内15min调度的激励型负荷的调用价格；BSL.Gj(t)是日内15min优化调度中的激励型负荷的碳排放权回收收益。ECj(t)为日内15min调用的负荷量。
S4中实时调度以日内15min调度计划的运行状态为准，用可直接控制的资源和旋转备用等作为调整量，从而消除各分布式电源出力及负荷调整偏差，以各部分有功出力限制为约束建立模型如下：
目标函数：
约束条件：
其中，Dj和nDj分别是实时调度中的直接控制负荷序号数和总数。
另一方面，本发明还提供一种本发明提供港区多能源融合协调优化控制方法，该方法包括以下步骤：
(1)采集可调可控资源日前的相关数据，所述可调可控资源包括：光伏、风电、储能、电制氢和柔性负荷；
(2)在满足第一安全约束条件下，将采集的可调可控资源日前的相关数据输入至日前预测模型中，并以运行成本最小设置第一目标函数，确定日前调度计划，所述日前调度计划包括：日前电价、微电源机组的出力计划、日前调度的响应量、电池的充放电计划、电制氢的工作计划；
(3)在满足第二安全约束条件下，将所述日前预测模型预测的一小时前最新预测数据输入到日内一小时滚动优化调度模型中，并以运行成本最小设置第二目标函数，得到日内一小时调度计划，所述日内一小时调度计划包括：微电源机组的出力计划和确立日内一小时调度的响应量、电池的充放电计划、电制氢的工作计划，所述日内一小时滚动优化调度模型对所述日前调度计划每一小时更新修正一次；
(4)在满足第三安全约束条件下，将所述日内一小时滚动优化调度模型预测的十五分钟前最新预测数据输入到日内十五分钟滚动优化调度模型中，并以运行成本最小设置第三目标函数，得到日内十五分钟调度计划，所述日内十五分钟调度计划包括：微电源机组的出力计划和确立日内一小时调度的响应量、电池的充放电计划、电制氢的工作计划，所述日内十五分钟滚动优化调度模型对所述日内一小时调度计划每十五分钟更新修正一次；
(5)在满足第四安全约束条件下，将所述日内十五分钟滚动优化调度模型预测的最新预测数据输入到实时调度模型中，并以运行成本最小设置第四目标函数，输出微电源机组的出力计划、实时调度的资源。
步骤(1)中，第一目标函数表示为：
第一约束条件表示为：
其中，其中，PW(t)和PPV(t)分别是t时段风力和光伏发电功率，CW(t)和CPV(t)分别是t时段每kW·h风力和光伏的发电成本，W和NW分别是风力发电机组的序号和总数，PV和NPV分别是光伏组件的序号和总数，H和NH分别是电制氢组件的序号和总数；Pgrid(t)和Cgrid(t)分别是与大电网的交互功率和购电价格；Fbar()是储能设备的综合成本；FE.AiO是日前调度中电动车和电动船的调用成本，Ai和nAi分别是日前调度中响应的电动车和电动船的序号数和总数；Aj和nAj分别是日前调度中响应的激励型负荷序号数和总数，CAj(t)是每kW·h电量的实际参与日前调度的激励型负荷的调用价格，和/>分别是风力发电的最小和最大功率，/>和/>分别是光伏发电的最小和最大功率，/>和/>分别是电制氢的最小和最大功率/>和/>分别是与大电网交互功率的下限和上限，EE.Ai(t)为日前调用电动车和电动船的电量，EAj(t)为日前调用的负荷量；Bbat(t)为日前调度中的电动车和电动船的碳排放权回收收益；BE.Ai(t)为日前调度的负荷的碳排放权回收收益；BSL.Aj(t)为储能设备的碳排放收益；PH(t)CH(t)为t时段电制氢发电功率和t时段每kW.h电制氢的发电成本；PE.Ai(t)为日前调度中响应的电动车和电动船的功率；Pbat(t)为储能设备的功率。
第二目标函数表示为：
第二约束条件表示为：
其中，FE.Bi()是日内调度中电动车和电动船的调用成本，Bi和nBi分别是日内调度中响应的电动车和电动船的序号数和总数；Bj和nBj分别是日内调度中响应的激励型负荷序号数和总数，CBj(t)是每kW·h电量的实际参与日内调度的激励型负荷调用价格；BSL.Bj(t)和BE.Bi(t)分别是日内1小时调度中的激励型负荷和电动车、电动船碳排放回收收益，EE.Bi(t)为日内1小时调用电动车和电动船的电量，EBj(t)为日内1小时调用的负荷量，PE.Ai(t)日前调度中响应的电动车和电动船的功率；Pbat(t)储能设备的功率；PE.Bi(t)日内调度中响应的电动车和电动船的功率；PAj(t)日前调度中响应的电动车和电动船的功率；PBj(t)日内调度中响应的电动车和电动船的功率。
进一步的，包括：
步骤S1中，所述第三目标函数表示为：
第三约束条件表示为：
其中，Cj和nCj分别是日内15分钟调度中响应的激励型负荷序号数和总数，CCj(t)是每kW·h电量的实际参与日内15分钟调度的激励型负荷的调用价格；BSL.Cj(t)是日内15分钟优化调度中的激励型负荷的碳排放权回收收益，ECj(t)为日内15分钟调用的负荷量。
第四目标函数表示为：
第四约束条件表示为：
其中，Dj和nDj分别是实时调度中的直接控制负荷序号数和总数。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种港区多能源融合协调优化控制方法，其特征在于，该方法包括以下步骤：
S1采集可调可控资源日前的相关数据，所述可调可控资源包括：光伏、风电、储能、电制氢和柔性负荷；
S2在满足第一安全约束条件下，将采集的可调可控资源日前的相关数据输入至日前预测模型中，并以运行成本最小设置第一目标函数，确定日前调度计划，所述日前调度计划包括：日前电价、微电源机组的出力计划、日前调度的响应量、电池的充放电计划、电制氢的工作计划；
S3在满足第二安全约束条件下，将所述日前预测模型预测的一小时前最新预测数据输入到日内一小时滚动优化调度模型中，并以运行成本最小设置第二目标函数，得到日内一小时调度计划，所述日内一小时调度计划包括：微电源机组的出力计划和确立日内一小时调度的响应量、电池的充放电计划、电制氢的工作计划，所述日内一小时滚动优化调度模型对所述日前调度计划每一小时更新修正一次；
S4在满足第三安全约束条件下，将所述日内一小时滚动优化调度模型预测的十五分钟前最新预测数据输入到日内十五分钟滚动优化调度模型中，并以运行成本最小设置第三目标函数，得到日内十五分钟调度计划，所述日内十五分钟调度计划包括：微电源机组的出力计划和确立日内一小时调度的响应量、电池的充放电计划、电制氢的工作计划，所述日内十五分钟滚动优化调度模型对所述日内一小时调度计划每十五分钟更新修正一次；
S5在满足第四安全约束条件下，将所述日内十五分钟滚动优化调度模型预测的最新预测数据输入到实时调度模型中，并以运行成本最小设置第四目标函数，输出微电源机组的出力计划、实时调度的资源。
2.根据权利要求1所述的港区多能源融合协调优化控制方法，其特征在于，所述步骤S1中，第一目标函数表示为：
第一约束条件表示为：
其中，PW(t)和PPV(t)分别是t时段风力和光伏发电功率，CW(t)和CPV(t)分别是t时段每kW·h风力和光伏的发电成本，W和NW分别是风力发电机组的序号和总数，PV和NPV分别是光伏组件的序号和总数，H和NH分别是电制氢组件的序号和总数；Pgrid(t)和Cgrid(t)分别是与大电网的交互功率和购电价格；Fbar()是储能设备的综合成本；FE.Ai()是日前调度中电动车和电动船的调用成本，Ai和nAi分别是日前调度中响应的电动车和电动船的序号数和总数；Aj和nAj分别是日前调度中响应的激励型负荷序号数和总数，CAj(t)是每kW·h电量的实际参与日前调度的激励型负荷的调用价格，和/>分别是风力发电的最小和最大功率，/>和/>分别是光伏发电的最小和最大功率，/>和/>分别是电制氢的最小和最大功率/>和/>分别是与大电网交互功率的下限和上限，EE.Ai(t)为日前调用电动车和电动船的电量，EAj(t)为日前调用的负荷量；Bbat(t)为日前调度中的电动车和电动船的碳排放权回收收益；BE.Ai(t)为日前调度的负荷的碳排放权回收收益；BSL.Aj(t)为储能设备的碳排放收益；PH(t)CH(t)为t时段电制氢发电功率和t时段每kW.h电制氢的发电成本；PE.Ai(t)为日前调度中响应的电动车和电动船的功率；Pbat(t)为储能设备的功率。
3.根据权利要求2所述的方法，其特征在于，步骤S1中，所述第二目标函数表示为：
第二约束条件表示为：
其中，FE.Bi()是日内调度中电动车和电动船的调用成本，Bi和nBi分别是日内调度中响应的电动车和电动船的序号数和总数；Bj和nBj分别是日内调度中响应的激励型负荷序号数和总数，CBj(t)是每kW·h电量的实际参与日内调度的激励型负荷调用价格；BSL.Bj(t)和BE.Bi(t)分别是日内1小时调度中的激励型负荷和电动车、电动船碳排放回收收益，EE.Bi(t)为日内1小时调用电动车和电动船的电量，EBj(t)为日内1小时调用的负荷量；PE.Ai(t)日前调度中响应的电动车和电动船的功率；Pbat(t)储能设备的功率；PE.Bi(t)日内调度中响应的电动车和电动船的功率；PAj(t)日前调度中响应的电动车和电动船的功率；PBj(t)日内调度中响应的电动车和电动船的功率。
4.根据权利要求3所述的方法，其特征在于，步骤S1中，所述第三目标函数表示为：
第三约束条件表示为：
其中，Ci和nCj分别是日内15分钟调度中响应的激励型负荷序号数和总数，CCj(t)是每kW·h电量的实际参与日内15分钟调度的激励型负荷的调用价格；BSL.Cj(t)是日内15分钟优化调度中的激励型负荷的碳排放权回收收益，ECj(t)为日内15分钟调用的负荷量。
5.根据权利要求4所述的方法，其特征在于，步骤S1中，第四目标函数表示为：
第四约束条件表示为：
其中，Dj和nDj分别是实时调度中的直接控制负荷序号数和总数。
6.根据权利要求1所述的方法，其特征在于，所述日前预测模型、日内一小时滚动优化调度模型、日内十五分钟滚动优化调度模型和实时调度模型均为神经网络模型。
7.一种港区多能源融合协调优化控制系统，其特征在于，该系统包括：控制模块、光伏子模块、风电子模块、储能子模块、电制氢子模块和柔性负荷子模块，
所述光伏子模块用于采集各个时段的光伏运行数据、光伏发电功率、光伏的发电成本、光伏组件的序号和总数、光伏发电的设备故障和报警信息，并将相关数据发送给控制模块；
所述风电子模块用于采集各个时段的风力、风机运行数据、风力发电机组的序号和总数、风力发电功率、风力发电的设备故障和报警信息，并将相关数据发送给控制模块；
所述储能子模块用于采集储能设备的充放电时间、充放电功率、综合成本，并将相关数据发送给控制模块；
所述电制氢子模块用于采集电制氢系统运行数据、电制氢组件的序号和总数、电制氢功率，并将相关数据发送给控制模块；
所述柔性负荷子模块用于采集日前调度中响应的激励型负荷序号数和总数、每kW·h电量的实际参与日前调度的激励型负荷的调用价格、日前调用的负荷量，并将相关数据发送给控制模块；
将大电网的相关数据输入到控制模块中，所述大电网的相关数据包括：日前调度中电动车和电动船的调用成本、日前调度中响应的电动车和电动船的序号数和总数、日前调用电动车和电动船的电量，且采集控制模块与大电网的交互功率和购电价格以及控制模块与大电网交互功率的下限和上限。
所述控制模块采用神经网络预测模型将输入的数据进行协调优化控制，设置第一目标函数，并运行第一约束条件，通过优化计算方式确定日前调度计划，进而确定日内一小时调度计划、日内十五分钟调度计划、实时微电源机组的出力计划、实时调度的资源。
8.根据权利要求7所述的系统，其特征在于，日内一小时调度计划的确定方法为：
在满足第二安全约束条件下，将所述日前预测模型预测的一小时前最新预测数据输入到日内一小时滚动优化调度模型中，并以运行成本最小设置第二目标函数，得到日内一小时调度计划，所述日内一小时调度计划包括：微电源机组的出力计划和确立日内一小时调度的响应量、电池的充放电计划、电制氢的工作计划，所述日内一小时滚动优化调度模型对所述日前调度计划每一小时更新修正一次；
日内十五分钟调度计划的确定方法为：
在满足第三安全约束条件下，将所述日内一小时滚动优化调度模型预测的十五分钟前最新预测数据输入到日内十五分钟滚动优化调度模型中，并以运行成本最小设置第三目标函数，得到日内十五分钟调度计划，所述日内十五分钟调度计划包括：微电源机组的出力计划和确立日内一小时调度的响应量、电池的充放电计划、电制氢的工作计划，所述日内十五分钟滚动优化调度模型对所述日内一小时调度计划每十五分钟更新修正一次；
且在满足第四安全约束条件下，将所述日内十五分钟滚动优化调度模型预测的最新预测数据输入到实时调度模型中，并以运行成本最小设置第四目标函数，输出微电源机组的出力计划、实时调度的资源。
9.根据权利要求8所述的系统，其特征在于，所述第一目标函数表示为：
第一约束条件表示为：
其中，PW(t)和PPV(t)分别是t时段风力和光伏发电功率，CW(t)和CPV(t)分别是t时段每kW·h风力和光伏的发电成本，W和NW分别是风力发电机组的序号和总数，PV和NPV分别是光伏组件的序号和总数，H和NH分别是电制氢组件的序号和总数；Pgrid(t)和Cgrid(t)分别是与大电网的交互功率和购电价格；Fbar()是储能设备的综合成本；FE.Ai()是日前调度中电动车和电动船的调用成本，Ai和nAi分别是日前调度中响应的电动车和电动船的序号数和总数；Aj和nAj分别是日前调度中响应的激励型负荷序号数和总数，CAj(t)是每kW·h电量的实际参与日前调度的激励型负荷的调用价格，和/>分别是风力发电的最小和最大功率，/>和/>分别是光伏发电的最小和最大功率，/>和/>分别是电制氢的最小和最大功率/>和/>分别是与大电网交互功率的下限和上限，EE.Ai(t)为日前调用电动车和电动船的电量，EAj(t)为日前调用的负荷量；Bbat(t)为日前调度中的电动车和电动船的碳排放权回收收益；BE.Ai(t)为日前调度的负荷的碳排放权回收收益；BSL.Aj(t)为储能设备的碳排放收益；PH(t)CH(t)为t时段电制氢发电功率和t时段每kW.h电制氢的发电成本；PE.Ai(t)为日前调度中响应的电动车和电动船的功率；Pbat(t)为储能设备的功率。
10.根据权利要求9所述的系统，其特征在于，所述第二目标函数表示为：
第二约束条件表示为：
其中，FE.Bi()是日内调度中电动车和电动船的调用成本，Bi和nBi分别是日内调度中响应的电动车和电动船的序号数和总数；Bj和nBj分别是日内调度中响应的激励型负荷序号数和总数，CBj(t)是每kW·h电量的实际参与日内调度的激励型负荷调用价格；
BSL.Bj(t)和BE.Bi(t)分别是日内1小时调度中的激励型负荷和电动车、电动船碳排放回收收益，EE.Bi(t)为日内1小时调用电动车和电动船的电量，EBj(t)为日内1小时调用的负荷量，PE.Ai(t)日前调度中响应的电动车和电动船的功率；Pbat(t)储能设备的功率；PE.Bi(t)日内调度中响应的电动车和电动船的功率；PAj(t)日前调度中响应的电动车和电动船的功率；PBj(t)日内调度中响应的电动车和电动船的功率。
CN202310849088.3A 2023-07-11 2023-07-11 一种港区多能源融合协调优化控制方法及系统 Pending CN117081041A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310849088.3A CN117081041A (zh) 2023-07-11 2023-07-11 一种港区多能源融合协调优化控制方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310849088.3A CN117081041A (zh) 2023-07-11 2023-07-11 一种港区多能源融合协调优化控制方法及系统

Publications (1)

Publication Number Publication Date
CN117081041A true CN117081041A (zh) 2023-11-17

Family

ID=88714240

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310849088.3A Pending CN117081041A (zh) 2023-07-11 2023-07-11 一种港区多能源融合协调优化控制方法及系统

Country Status (1)

Country Link
CN (1) CN117081041A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117411087A (zh) * 2023-12-13 2024-01-16 国网山东省电力公司电力科学研究院 一种风光储氢联合发电系统的协同优化控制方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117411087A (zh) * 2023-12-13 2024-01-16 国网山东省电力公司电力科学研究院 一种风光储氢联合发电系统的协同优化控制方法及系统
CN117411087B (zh) * 2023-12-13 2024-04-12 国网山东省电力公司电力科学研究院 一种风光储氢联合发电系统的协同优化控制方法及系统

Similar Documents

Publication Publication Date Title
CN110544935B (zh) 一种电-氢多能互补直流微电网协调调度方法
CN105811409B (zh) 一种含电动汽车混合储能系统的微网多目标运行调度方法
CN111969655B (zh) 考虑负荷响应不确定性的多源多荷协调调度方法及系统
CN105868844A (zh) 一种含电动汽车混合储能系统的微网多目标运行调度方法
CN113437752B (zh) 一种含混合储能的综合能源系统运行控制方法
CN113193553B (zh) 一种结合储能控制系统的新能源发电侧功率预测方法及系统
CN112086998B (zh) 孤岛模式下直流微电网的能量优化调度方法
CN114036451A (zh) 一种并网式光储充装置的储能控制方法及系统
CN117081041A (zh) 一种港区多能源融合协调优化控制方法及系统
CN112366684A (zh) 一种海岛微电网系统
CN116957294A (zh) 基于数字孪生的虚拟电厂参与电力市场交易的调度方法
CN113659627A (zh) 一种含光伏发电和液态空气储能的微电网优化调度方法
CN116599148A (zh) 一种面向新能源消纳的氢电混合储能两阶段协同规划方法
CN114362218A (zh) 基于深度q学习的微电网内多类型储能的调度方法及装置
Mohseni et al. Development of a multi-agent system for optimal sizing of a commercial complex microgrid
CN112886624A (zh) 一种三站合一变电站储能装置规划设计系统及方法
CN116742812A (zh) 一种多能互补发电系统储能容量协调优化配置方法和系统
CN113690925B (zh) 一种基于微电网的能量交互优化方法及系统
CN115907393A (zh) 一种含长时储能虚拟电厂的多时间尺度调度方法
Sun et al. Optimal operation strategy of wind-hydrogen integrated energy system based on NSGA-II algorithm
CN117254531B (zh) 基于aem的可再生能源智能调度系统
CN117526454B (zh) 虚拟电厂运行管理方法、设备及存储介质
Chen et al. Energy Optimal Scheduling Strategy for Receiving End Grid Based on Improved Multi-objective Particle Swarm Optimization Algorithm
Wei et al. Multi-mode Tracking Strategies for Wind-Solar-Storage Hybrid Power Generation System
Huiqun et al. Staged Scheduling Strategy of Electric Vehicle Based on User Responsiveness

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