CN117254494A - 多站点协同储能集控调度系统及方法 - Google Patents

多站点协同储能集控调度系统及方法 Download PDF

Info

Publication number
CN117254494A
CN117254494A CN202311259189.1A CN202311259189A CN117254494A CN 117254494 A CN117254494 A CN 117254494A CN 202311259189 A CN202311259189 A CN 202311259189A CN 117254494 A CN117254494 A CN 117254494A
Authority
CN
China
Prior art keywords
energy storage
power
time interval
power utilization
grid
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
Application number
CN202311259189.1A
Other languages
English (en)
Other versions
CN117254494B (zh
Inventor
吴斌
吴家声
赵少华
张敏
翁正
周良睿
林祺华
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.)
China Southern Power Grid Peak Shaving And Frequency Modulation Guangdong Energy Storage Technology Co ltd
Original Assignee
China Southern Power Grid Peak Shaving And Frequency Modulation Guangdong Energy Storage 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 China Southern Power Grid Peak Shaving And Frequency Modulation Guangdong Energy Storage Technology Co ltd filed Critical China Southern Power Grid Peak Shaving And Frequency Modulation Guangdong Energy Storage Technology Co ltd
Priority to CN202311259189.1A priority Critical patent/CN117254494B/zh
Publication of CN117254494A publication Critical patent/CN117254494A/zh
Application granted granted Critical
Publication of CN117254494B publication Critical patent/CN117254494B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • H02J3/003—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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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]

Abstract

本发明涉及一种多站点协同储能集控调度系统，涉及多站点储能领域，所述系统包括：预测执行机构，用于采用智能预测模型预测多站点储能系统服务的各个用电电网在当前时间区间内的用电电能总量；内容转换机构，用于基于用电电能总量和单储能站点的充电电能极值确定在当前时间区间内用于放电的储能站点数量。本发明还涉及一种多站点协同储能集控调度方法。通过本发明，能够基于多站点储能系统服务的各个用电电网的过往电能智能解析各个用电电网在未来时间区间需求的供电电能总量，进而调整在未来时间区间用于放电的储能站点数量以及剩余可以进入充电状态的储能站点的数量，从而完成对多站点储能系统内各个储能站点充放电管理的提前配置。

Description

多站点协同储能集控调度系统及方法
技术领域
本发明涉及多站点储能领域，尤其涉及一种多站点协同储能集控调度系统及方法。
背景技术
在多站点储能系统中，需要通过协同调度来实现储能资源的优化利用和灵活调度，这包括对多个储能站点之间的能量传输和储能状态进行协调管理的方法和系统。例如，可以通过对包括电网负荷和储能状态的多种数据源进行集中分析和处理，以智能化的方式决策每个储能站点的充放电策略，能够实现整个多站点储能系统的高效运行和电力平衡。
中国发明专利公开文本CN116070801A提出了一种负荷聚合平台多站点最优运行策略生成方法，所述方法包括以下步骤：场景抽象建模，将负荷聚合平台下的各储能站点参与需求响应和日常运行的业务场景建模；决策变量定义；设定优化目标，包括设定电站供电收益、电网购电成本和需求响应收益，最终目标函数为所有站点综合收益之和最大化；添加约束条件；将负荷聚合平台下的多站点需求响应问题构建为约束优化模型，对所述约束优化模型进行实际求解，获得在当前条件下的最优运行策略。有益效果：制定经济性最优的运行策略、决策逻辑明确，决策过程快速有效、适应不同需求，有效解决了因站点负载功率等的突变导致的需求响应无法实际执行或出现重大偏差的问题。
中国发明专利公开文本CN102856912A提出了一种多目标多站点无功协调控制方法，所述方法包括以下步骤：根据运行电压偏差，确定需要参与无功协调控制的N个控制站点；进而获取各个控制站点中所有无功补偿装置的运行状态和设备容量参数；根据站内无功装置的运行状态，将离散型无功补偿装置(如电容器、电抗器)纳入连续型无功补偿装置(如SVC装置)的控制体系，建立各个控制站点的站内无功协调控制模型；联合N个控制站点，构建考虑装置总损耗、电压总偏差等多目标多站点的无功协调控制系统；求解系统的无功协调控制模型，得到各个控制站点中无功装置的调节量；输出各个控制站点的无功装置调节量；然后进行无功协调控制。本发明提出构建考虑无功装置损耗的多目标多站点的无功协调控制系统，通过该无功协调控制系统的求解为决策者提供最优协调控制策略，在稳定系统电压的同时实现节能降耗的目的。
然而，上述现有技术并没有涉及如何获取多站点储能系统服务的各个用电电网的未来时间区间的供电电能总量需求，导致在储能分配端无法确定多站点储能系统在未来时间区间内为各个用电电网提供电能供应的储能站点数量，即为各个用电电网提供放电操作的储能站点数量，自然无法确定剩余可以进入充电状态的储能站点的数量，使得多站点储能系统在未来时间区间到达前处于无序管理模式。
发明内容
为了解决现有技术中的技术问题，本发明提供了一种多站点协同储能集控调度系统及方法，能够基于多站点储能系统服务的各个用电电网的过往电能使用数据以及多站点储能系统的多项配置数据智能解析各个用电电网在未来时间区间需求的供电电能总量，进而在多站点储能系统范围内调整为各个用电电网在未来时间区间提供电能供应的放电用的储能站点数量以及剩余可以进入充电状态的储能站点的数量，从而提升了多站点储能系统管理的智能化水准。
根据本发明的一方面，提供了一种多站点协同储能集控调度系统，所述系统包括：
电网采集机构，用于获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息，所述过往多天的天数与各个用电电网的数量成正比；
储能检测机构，与所述多站点储能系统连接，用于获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数，并作为所述多站点储能系统对应的多项配置数据输出；
网络重构机构，用于对深度神经网络执行多次训练以获得经过多次训练后的深度神经网络，并作为智能预测模型输出，经过多次训练后的深度神经网络的训练次数与所述多站点储能系统内储能站点的数量正向关联；
预测执行机构，分别与所述电网采集机构、所述储能检测机构以及所述网络重构机构连接，用于采用所述智能预测模型基于设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据智能预测所述各个用电电网在当前时间区间内的用电电能总量，并作为预测用电总量输出；
内容转换机构，与所述预测执行机构连接，用于基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
其中，基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量包括：基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
其中，获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息包括：多个历史时间区间与当前时间区间中的任一时间区间在其所在的单天内所处的时间位置相同且持续时长相等，均为设定时长限量；
其中，获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数包括：所述多站点储能系统内的多个储能站点结构相同；
其中，获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息还包括：各个用电电网在过往某一天内与当前时间区间相同的单个历史时间区间对应的用电信息包括各个用电电网在所述单个历史时间区间内的用电电能峰值、用电电能谷值、用电电能总量。
根据本发明的另一方面，提供了一种多站点协同储能集控调度方法，所述方法包括：
获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息，所述过往多天的天数与各个用电电网的数量成正比；
获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数，并作为所述多站点储能系统对应的多项配置数据输出；
对深度神经网络执行多次训练以获得经过多次训练后的深度神经网络，并作为智能预测模型输出，经过多次训练后的深度神经网络的训练次数与所述多站点储能系统内储能站点的数量正向关联；
采用所述智能预测模型基于设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据智能预测所述各个用电电网在当前时间区间内的用电电能总量，并作为预测用电总量输出；
基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
其中，基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量包括：基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
其中，获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息包括：多个历史时间区间与当前时间区间中的任一时间区间在其所在的单天内所处的时间位置相同且持续时长相等，均为设定时长限量；
其中，获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数包括：所述多站点储能系统内的多个储能站点结构相同；
其中，获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息还包括：各个用电电网在过往某一天内与当前时间区间相同的单个历史时间区间对应的用电信息包括各个用电电网在所述单个历史时间区间内的用电电能峰值、用电电能谷值、用电电能总量；
其中，基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量包括：预测用电极值除以单储能站点的充电电能极值完成整除时，将获得的商值作为当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
其中，基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量还包括：预测用电极值除以单储能站点的充电电能极值未完成整除时，将获得的商值加一获得的参考数量作为当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量。
由此可见，本发明至少具备以下几处显著的技术进步：
(1)基于多个储能站点组成的多站点储能系统服务的各个用电电网的过往各天同一时间区间的各份用电信息以及多站点储能系统对应的多项配置数据智能预测当天同一时间区间各个用电电网的用电总量，从而为多站点储能系统内各个储能站点的充放电策略的确定提供关键数据；
(2)基于智能预测的用电总量和单个储能站点的充电极值确定在当天同一时间区间为各个用电电网配置的、用于放电的储能站点数量，同时保持剩余储能站点进入充电状态，从而实现基于动态充电需求的多站点自适应储能配置；
(3)采用智能预测模型执行智能预测处理，所述智能预测模型为对深度神经网络执行多次训练所获得的经过多次训练后的深度神经网络，其中，经过多次训练后的深度神经网络的训练次数与多站点储能系统内储能站点的数量正向关联，从而实现基于不同多站点储能系统的智能预测模型的不同定制；
(4)在对深度神经网络执行的每一次训练中，将已知的各个用电电网在某一过往时间区间内的用电电能峰值作为深度神经网络的单项输出参数，将设定时长限量、各个用电电网在某一过往时间区间所在日期之前的过往多天内与某一过往时间区间相同的多个历史时间区间分别对应的多份用电信息以及多站点储能系统对应的多项配置数据作为深度神经网络的多项输入参数，以保证每一次训练的训练效果。
附图说明
以下将结合附图对本发明的实施例进行描述，其中：
图1为根据本发明的多站点协同储能集控调度系统及方法的技术流程图。
图2为根据本发明的第一实施例示出的多站点协同储能集控调度系统的内部结构图。
图3为根据本发明的第二实施例示出的多站点协同储能集控调度系统的内部结构图。
图4为根据本发明的第三实施例示出的多站点协同储能集控调度系统的内部结构图。
图5为根据本发明的第四实施例示出的多站点协同储能集控调度系统的内部结构图。
图6为根据本发明的第五实施例示出的多站点协同储能集控调度系统的内部结构图。
图7为根据本发明的第六实施例示出的多站点协同储能集控调度系统的内部结构图。
图8为根据本发明的第七实施例示出的多站点协同储能集控调度方法的步骤流程图。
具体实施方式
如图1所示，给出了根据本发明示出的多站点协同储能集控调度系统及方法的技术流程图。
如图1所示，本发明的具体的技术流程如下：
第一步：为多站点储能系统服务的各个用电电网在当天未来时间区间的用电总量的智能预测筛选可靠、全面的多项基础数据；
如图1所示，所述多项基础数据包括所述各个用电电网的过往各天同一时间区间的各份用电信息以及多站点储能系统对应的多项配置数据；
具体地，所述各个用电电网在过往某一天内与当前时间区间相同的单个历史时间区间对应的用电信息包括各个用电电网在所述单个历史时间区间内的用电电能峰值、用电电能谷值、用电电能总量；
以及具体地，所述多站点储能系统对应的多项配置数据包括所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数；
第二步：建立用于执行智能预测的智能预测模型，所述智能预测模型为对深度神经网络执行多次训练所获得的经过多次训练后的深度神经网络；
具体地，经过多次训练后的深度神经网络的训练次数与多站点储能系统内储能站点的数量正向关联，从而实现基于不同多站点储能系统的智能预测模型的不同定制；
第三步：采用第二步建立的智能预测模型使用第一步筛选的多项基础数据智能预测各个用电电网在当天未来时间区间的用电总量；
第四步：基于智能预测的各个用电电网在当天未来时间区间的用电总量和单个储能站点的充电极值确定在当天同一时间区间为各个用电电网配置的、用于放电的储能站点数量，同时保持剩余储能站点进入充电状态，如图1所示，由放电配置机构来实施，从而实现基于动态充电需求的多站点自适应储能配置。
本发明的关键点在于：可靠、全面的多项基础数据的针对性筛选、智能预测模型的定制化结构设计和定制化训练机制以及基于智能预测的用电总量和单个储能站点的充电极值的放电储能站点数量以及充电储能站点数量的动态配置。
下面，将对本发明的多站点协同储能集控调度系统及方法以实施例的方式进行具体说明。
第一实施例
图2为根据本发明的第一实施例示出的多站点协同储能集控调度系统的内部结构图。
如图2所示，所述多站点协同储能集控调度系统包括以下部件：
电网采集机构，用于获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息，所述过往多天的天数与各个用电电网的数量成正比；
所述过往多天的天数与各个用电电网的数量成正比包括：各个用电电网的数量为3，所述过往多天的天数为12，各个用电电网的数量为4，所述过往多天的天数为16，各个用电电网的数量为5，所述过往多天的天数为15，以及各个用电电网的数量为6，所述过往多天的天数为18；
储能检测机构，与所述多站点储能系统连接，用于获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数，并作为所述多站点储能系统对应的多项配置数据输出；
所述储能检测机构可以包括多个参数检测单元，用于分别获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数；
网络重构机构，用于对深度神经网络执行多次训练以获得经过多次训练后的深度神经网络，并作为智能预测模型输出，经过多次训练后的深度神经网络的训练次数与所述多站点储能系统内储能站点的数量正向关联；
经过多次训练后的深度神经网络的训练次数与所述多站点储能系统内储能站点的数量正向关联包括：所述多站点储能系统内储能站点的数量为10，经过多次训练后的深度神经网络的训练次数为60，所述多站点储能系统内储能站点的数量为15，经过多次训练后的深度神经网络的训练次数为80，以及所述多站点储能系统内储能站点的数量为20，经过多次训练后的深度神经网络的训练次数为100；
预测执行机构，分别与所述电网采集机构、所述储能检测机构以及所述网络重构机构连接，用于采用所述智能预测模型基于设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据智能预测所述各个用电电网在当前时间区间内的用电电能总量，并作为预测用电总量输出；
采用所述智能预测模型基于设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据智能预测所述各个用电电网在当前时间区间内的用电电能总量，并作为预测用电总量输出包括：在将设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据输入到所述智能预测模型之前，对设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据分别执行数值归一化处理；
内容转换机构，与所述预测执行机构连接，用于基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
例如，可以选择采用数值转换函数执行基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量的数值处理；
其中，基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量包括：基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
其中，获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息包括：多个历史时间区间与当前时间区间中的任一时间区间在其所在的单天内所处的时间位置相同且持续时长相等，均为设定时长限量；
多个历史时间区间与当前时间区间中的任一时间区间在其所在的单天内所处的时间位置相同且持续时长相等，均为设定时长限量包括：多个历史时间区间与当前时间区间中的任一时间区间在其所在的单天内所处的时间位置相同，都为一天的上午10点到上午11点的时间区间，持续时长都为1个小时，即设定时长限量为1个小时；
其中，获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数包括：所述多站点储能系统内的多个储能站点结构相同；
其中，获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息还包括：各个用电电网在过往某一天内与当前时间区间相同的单个历史时间区间对应的用电信息包括各个用电电网在所述单个历史时间区间内的用电电能峰值、用电电能谷值、用电电能总量；
其中，基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量包括：预测用电极值除以单储能站点的充电电能极值完成整除时，将获得的商值作为当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
以及其中，基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量还包括：预测用电极值除以单储能站点的充电电能极值未完成整除时，将获得的商值加一获得的参考数量作为当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
这样，通过上述操作，可以配置足够数量的用于放电的储能站点，能够保证在时间轴上未走完的当前时间区间内对所述多站点储能系统服务的各个用电电网提供充足的电能供应。
第二实施例
图3为根据本发明的第二实施例示出的多站点协同储能集控调度系统的内部结构图。
如图3所示，相比较于图2，所述多站点协同储能集控调度系统还包括：
放电配置机构，与所述内容转换机构连接，用于在所述多站点储能系统内选择数量与确定的储能站点数量相同数量的各个满电状态下的储能站点配置成为各个用电电网服务的放电状态；
可以选择可编程逻辑器件实现所述放电配置机构，用于在所述多站点储能系统内选择数量与确定的储能站点数量相同数量的各个满电状态下的储能站点配置成为各个用电电网服务的放电状态；
其中，在所述多站点储能系统内选择数量与确定的储能站点数量相同数量的各个满电状态下的储能站点配置成为各个用电电网服务的放电状态还包括：将所述多站点储能系统内的其他储能站点配置为充电状态。
第三实施例
图4为根据本发明的第三实施例示出的多站点协同储能集控调度系统的内部结构图。
如图4所示，相比较于图2，所述多站点协同储能集控调度系统还包括：
数据存储机构，与所述网络重构机构连接，用于存储所述智能预测模型的各项模型参数；
例如，可以选择使用TF存储芯片、MMC存储芯片或者FLASH存储芯片来实现所述数据存储机构。
第四实施例
图5为根据本发明的第四实施例示出的多站点协同储能集控调度系统的内部结构图。
如图5所示，相比较于图2，所述多站点协同储能集控调度系统还包括：
无线传输机构，与所述内容转换机构连接，用于将确定的在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量通过无线通信链路发送给远端的电力管理服务器；
所述无线传输机构为时分双工通信机构或者频分双工通信机构，用于通过时分双工通信链路或者频分双工通信链路将确定的在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量通过无线通信链路发送给远端的电力管理服务器。
第五实施例
图6为根据本发明的第五实施例示出的多站点协同储能集控调度系统的内部结构图。
如图6所示，相比较于图5，所述多站点协同储能集控调度系统还包括：
电力管理服务器，与各处的多站点储能系统分别对应的各个无线传输机构连接，用于接收每一处的多站点储能系统对应的无线传输机构无线上传的用于放电的储能站点数量；
可以选择采用大数据服务网元、云计算服务网元或者区块链服务网元来实现所述电力管理服务器。
第六实施例
图7为根据本发明的第六实施例示出的多站点协同储能集控调度系统的内部结构图。
如图7所示，相比较于图2，所述多站点协同储能集控调度系统还包括：
即时显示机构，与所述内容转换机构连接，用于即时显示接收到的在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
所述即时显示机构可以选型为LED显示阵列、LCD显示阵列或者巨型显示屏幕。
接着，将继续对本发明的各个实施例进行进一步地说明。
在上述各个实施例内，可选地，在所述多站点协同储能集控调度系统中：
对深度神经网络执行多次训练以获得经过多次训练后的深度神经网络，并作为智能预测模型输出包括：在对深度神经网络执行的每一次训练中，将已知的所述各个用电电网在某一过往时间区间内的用电电能峰值作为深度神经网络的单项输出参数，将设定时长限量、各个用电电网在某一过往时间区间所在日期之前的过往多天内与某一过往时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据作为深度神经网络的多项输入参数，执行本次训练；
可以选择使用数值仿真模式实现对深度神经网络执行多次训练以获得经过多次训练后的深度神经网络的仿真和测试过程；
其中，采用所述智能预测模型基于设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据智能预测所述各个用电电网在当前时间区间内的用电电能总量，并作为预测用电总量输出包括：将设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据并行输入到所述智能预测模型。
以及在上述各个实施例内，可选地，在所述多站点协同储能集控调度系统中：
获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数还包括：所述多站点储能系统内的单储能站点的充电电能极值为所述多站点储能系统内的每一个储能站点能够充入的最多电能数值；
其中，获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数还包括：累计每一个用电电网的负荷设备数量，将各个用电电网分别对应的负荷设备数量相加以获得各个用电电网的累计负荷设备总数。
第七实施例
图8为根据本发明的第七实施例示出的多站点协同储能集控调度方法的步骤流程图。
如图8所示，所述多站点协同储能集控调度方法包括以下步骤：
获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息，所述过往多天的天数与各个用电电网的数量成正比；
所述过往多天的天数与各个用电电网的数量成正比包括：各个用电电网的数量为3，所述过往多天的天数为12，各个用电电网的数量为4，所述过往多天的天数为16，各个用电电网的数量为5，所述过往多天的天数为15，以及各个用电电网的数量为6，所述过往多天的天数为18；
获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数，并作为所述多站点储能系统对应的多项配置数据输出；
例如，所述储能检测机构可以包括多个参数检测单元，用于分别获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数；
对深度神经网络执行多次训练以获得经过多次训练后的深度神经网络，并作为智能预测模型输出，经过多次训练后的深度神经网络的训练次数与所述多站点储能系统内储能站点的数量正向关联；
经过多次训练后的深度神经网络的训练次数与所述多站点储能系统内储能站点的数量正向关联包括：所述多站点储能系统内储能站点的数量为10，经过多次训练后的深度神经网络的训练次数为60，所述多站点储能系统内储能站点的数量为15，经过多次训练后的深度神经网络的训练次数为80，以及所述多站点储能系统内储能站点的数量为20，经过多次训练后的深度神经网络的训练次数为100；
采用所述智能预测模型基于设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据智能预测所述各个用电电网在当前时间区间内的用电电能总量，并作为预测用电总量输出；
采用所述智能预测模型基于设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据智能预测所述各个用电电网在当前时间区间内的用电电能总量，并作为预测用电总量输出包括：在将设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据输入到所述智能预测模型之前，对设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据分别执行数值归一化处理；
基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
例如，可以选择采用数值转换函数执行基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量的数值处理；
其中，基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量包括：基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
其中，获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息包括：多个历史时间区间与当前时间区间中的任一时间区间在其所在的单天内所处的时间位置相同且持续时长相等，均为设定时长限量；
多个历史时间区间与当前时间区间中的任一时间区间在其所在的单天内所处的时间位置相同且持续时长相等，均为设定时长限量包括：多个历史时间区间与当前时间区间中的任一时间区间在其所在的单天内所处的时间位置相同，都为一天的上午10点到上午11点的时间区间，持续时长都为1个小时，即设定时长限量为1个小时；
其中，获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数包括：所述多站点储能系统内的多个储能站点结构相同；
其中，获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息还包括：各个用电电网在过往某一天内与当前时间区间相同的单个历史时间区间对应的用电信息包括各个用电电网在所述单个历史时间区间内的用电电能峰值、用电电能谷值、用电电能总量；
其中，基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量包括：预测用电极值除以单储能站点的充电电能极值完成整除时，将获得的商值作为当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
以及其中，基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量还包括：预测用电极值除以单储能站点的充电电能极值未完成整除时，将获得的商值加一获得的参考数量作为当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
这样，通过上述操作，可以配置足够数量的用于放电的储能站点，能够保证在时间轴上未走完的当前时间区间内对所述多站点储能系统服务的各个用电电网提供充足的电能供应。
另外，在根据本发明的多站点协同储能集控调度系统及方法中：
采用所述智能预测模型基于设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据智能预测所述各个用电电网在当前时间区间内的用电电能总量，并作为预测用电总量输出还包括：运行所述智能预测模型以获得所述智能预测模型输出的所述各个用电电网在当前时间区间内的用电电能峰值；
其中，在对深度神经网络执行的每一次训练中，将已知的所述各个用电电网在某一过往时间区间内的用电电能峰值作为深度神经网络的单项输出参数，将设定时长限量、各个用电电网在某一过往时间区间所在日期之前的过往多天内与某一过往时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据作为深度神经网络的多项输入参数，执行本次训练包括：选择使用数值仿真模式完成对深度神经网络执行的每一次训练的仿真处理；
具体地，使用已知的所述各个用电电网在多个过往时间区间内的用电电能峰值分别参与对深度神经网络执行的多次训练，从而完成深度神经网络的网络重构，以获得对应的智能预测模型。

Claims (10)

1.一种多站点协同储能集控调度系统，其特征在于，所述系统包括：
电网采集机构，用于获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息，所述过往多天的天数与各个用电电网的数量成正比；
储能检测机构，与所述多站点储能系统连接，用于获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数，并作为所述多站点储能系统对应的多项配置数据输出；
网络重构机构，用于对深度神经网络执行多次训练以获得经过多次训练后的深度神经网络，并作为智能预测模型输出，经过多次训练后的深度神经网络的训练次数与所述多站点储能系统内储能站点的数量正向关联；
预测执行机构，分别与所述电网采集机构、所述储能检测机构以及所述网络重构机构连接，用于采用所述智能预测模型基于设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据智能预测所述各个用电电网在当前时间区间内的用电电能总量，并作为预测用电总量输出；
内容转换机构，与所述预测执行机构连接，用于基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量。
2.如权利要求1所述的多站点协同储能集控调度系统，其特征在于：
基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量包括：预测用电极值除以单储能站点的充电电能极值完成整除时，将获得的商值作为当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
其中，基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量还包括：预测用电极值除以单储能站点的充电电能极值未完成整除时，将获得的商值加一获得的参考数量作为当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量。
3.如权利要求2所述的多站点协同储能集控调度系统，其特征在于，所述系统还包括：
放电配置机构，与所述内容转换机构连接，用于在所述多站点储能系统内选择数量与确定的储能站点数量相同数量的各个满电状态下的储能站点配置成为各个用电电网服务的放电状态；
其中，在所述多站点储能系统内选择数量与确定的储能站点数量相同数量的各个满电状态下的储能站点配置成为各个用电电网服务的放电状态还包括：将所述多站点储能系统内的其他储能站点配置为充电状态。
4.如权利要求2所述的多站点协同储能集控调度系统，其特征在于，所述系统还包括：
基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量包括：基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
数据存储机构，与所述网络重构机构连接，用于存储所述智能预测模型的各项模型参数。
5.如权利要求2所述的多站点协同储能集控调度系统，其特征在于，所述系统还包括：
获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息包括：多个历史时间区间与当前时间区间中的任一时间区间在其所在的单天内所处的时间位置相同且持续时长相等，均为设定时长限量；
无线传输机构，与所述内容转换机构连接，用于将确定的在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量通过无线通信链路发送给远端的电力管理服务器。
6.如权利要求5所述的多站点协同储能集控调度系统，其特征在于，所述系统还包括：
获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数包括：所述多站点储能系统内的多个储能站点结构相同；
电力管理服务器，与各处的多站点储能系统分别对应的各个无线传输机构连接，用于接收每一处的多站点储能系统对应的无线传输机构无线上传的用于放电的储能站点数量。
7.如权利要求2所述的多站点协同储能集控调度系统，其特征在于，所述系统还包括：
其中，获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息还包括：各个用电电网在过往某一天内与当前时间区间相同的单个历史时间区间对应的用电信息包括各个用电电网在所述单个历史时间区间内的用电电能峰值、用电电能谷值、用电电能总量；
即时显示机构，与所述内容转换机构连接，用于即时显示接收到的在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量。
8.如权利要求2-7任一所述的多站点协同储能集控调度系统，其特征在于：
对深度神经网络执行多次训练以获得经过多次训练后的深度神经网络，并作为智能预测模型输出包括：在对深度神经网络执行的每一次训练中，将已知的所述各个用电电网在某一过往时间区间内的用电电能峰值作为深度神经网络的单项输出参数，将设定时长限量、各个用电电网在某一过往时间区间所在日期之前的过往多天内与某一过往时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据作为深度神经网络的多项输入参数，执行本次训练；
其中，采用所述智能预测模型基于设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据智能预测所述各个用电电网在当前时间区间内的用电电能总量，并作为预测用电总量输出包括：将设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据并行输入到所述智能预测模型。
9.如权利要求2-7任一所述的多站点协同储能集控调度系统，其特征在于：
获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数还包括：所述多站点储能系统内的单储能站点的充电电能极值为所述多站点储能系统内的每一个储能站点能够充入的最多电能数值；
其中，获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数还包括：累计每一个用电电网的负荷设备数量，将各个用电电网分别对应的负荷设备数量相加以获得各个用电电网的累计负荷设备总数。
10.一种多站点协同储能集控调度方法，其特征在于，所述方法包括：
获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息，所述过往多天的天数与各个用电电网的数量成正比；
获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数，并作为所述多站点储能系统对应的多项配置数据输出；
对深度神经网络执行多次训练以获得经过多次训练后的深度神经网络，并作为智能预测模型输出，经过多次训练后的深度神经网络的训练次数与所述多站点储能系统内储能站点的数量正向关联；
采用所述智能预测模型基于设定时长限量、各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息以及所述多站点储能系统对应的多项配置数据智能预测所述各个用电电网在当前时间区间内的用电电能总量，并作为预测用电总量输出；
基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
其中，基于预测用电总量和单储能站点的充电电能极值确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量包括：基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
其中，获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息包括：多个历史时间区间与当前时间区间中的任一时间区间在其所在的单天内所处的时间位置相同且持续时长相等，均为设定时长限量；
其中，获取所述多站点储能系统内的储能站点的数量、单储能站点的充电电能极值、各个用电电网的数量以及各个用电电网的累计负荷设备总数包括：所述多站点储能系统内的多个储能站点结构相同；
其中，获取多个储能站点组成的多站点储能系统服务的各个用电电网在过往多天内与当前时间区间相同的多个历史时间区间分别对应的多份用电信息还包括：各个用电电网在过往某一天内与当前时间区间相同的单个历史时间区间对应的用电信息包括各个用电电网在所述单个历史时间区间内的用电电能峰值、用电电能谷值、用电电能总量；
其中，基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量包括：预测用电极值除以单储能站点的充电电能极值完成整除时，将获得的商值作为当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量；
其中，基于预测用电极值除以单储能站点的充电电能极值的整除结果确定在当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量还包括：预测用电极值除以单储能站点的充电电能极值未完成整除时，将获得的商值加一获得的参考数量作为当前时间区间内需要为各个用电电网配置的、用于放电的储能站点数量。
CN202311259189.1A 2023-09-27 2023-09-27 多站点协同储能集控调度系统及方法 Active CN117254494B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311259189.1A CN117254494B (zh) 2023-09-27 2023-09-27 多站点协同储能集控调度系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311259189.1A CN117254494B (zh) 2023-09-27 2023-09-27 多站点协同储能集控调度系统及方法

Publications (2)

Publication Number Publication Date
CN117254494A true CN117254494A (zh) 2023-12-19
CN117254494B CN117254494B (zh) 2024-03-22

Family

ID=89134630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311259189.1A Active CN117254494B (zh) 2023-09-27 2023-09-27 多站点协同储能集控调度系统及方法

Country Status (1)

Country Link
CN (1) CN117254494B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150322874A1 (en) * 2014-05-10 2015-11-12 Scuderi Group, Inc. Power generation systems and methods
CN107248751A (zh) * 2017-07-26 2017-10-13 武汉大学 一种实现配电网负荷功率削峰填谷的储能站调度控制方法
KR20190093034A (ko) * 2018-01-31 2019-08-08 효성중공업 주식회사 Ess 출력 분배 방법 및 장치
CN110649641A (zh) * 2019-09-29 2020-01-03 国网山东省电力公司德州供电公司 基于源网荷储协同服务的电动汽车快充站储能系统及其方法
CN115907213A (zh) * 2022-12-19 2023-04-04 国家电网有限公司 基于云集端分层架构的考虑设备健康度的群控群调策略
CN116316609A (zh) * 2023-04-17 2023-06-23 刘泓利 基于损耗应用的电量分配系统
CN116454951A (zh) * 2023-04-28 2023-07-18 重庆跃达新能源有限公司 一种光储能控制系统及方法
CN116544983A (zh) * 2023-07-06 2023-08-04 广州市虎头电池集团股份有限公司 风光发电储能系统及其优化配置方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150322874A1 (en) * 2014-05-10 2015-11-12 Scuderi Group, Inc. Power generation systems and methods
CN107248751A (zh) * 2017-07-26 2017-10-13 武汉大学 一种实现配电网负荷功率削峰填谷的储能站调度控制方法
KR20190093034A (ko) * 2018-01-31 2019-08-08 효성중공업 주식회사 Ess 출력 분배 방법 및 장치
CN110649641A (zh) * 2019-09-29 2020-01-03 国网山东省电力公司德州供电公司 基于源网荷储协同服务的电动汽车快充站储能系统及其方法
CN115907213A (zh) * 2022-12-19 2023-04-04 国家电网有限公司 基于云集端分层架构的考虑设备健康度的群控群调策略
CN116316609A (zh) * 2023-04-17 2023-06-23 刘泓利 基于损耗应用的电量分配系统
CN116454951A (zh) * 2023-04-28 2023-07-18 重庆跃达新能源有限公司 一种光储能控制系统及方法
CN116544983A (zh) * 2023-07-06 2023-08-04 广州市虎头电池集团股份有限公司 风光发电储能系统及其优化配置方法

Also Published As

Publication number Publication date
CN117254494B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
Brinkel et al. Should we reinforce the grid? Cost and emission optimization of electric vehicle charging under different transformer limits
CN111492559B (zh) 用于能量存储系统的最佳控制的系统和方法
Appino et al. On the use of probabilistic forecasts in scheduling of renewable energy sources coupled to storages
CN109508857B (zh) 一种主动配电网多阶段规划方法
Luo et al. Optimal coordination of plug-in electric vehicles in power grids with cost-benefit analysis—Part I: Enabling techniques
CN110649641B (zh) 基于源网荷储协同服务的电动汽车快充站储能系统及其方法
He et al. Optimal bidding strategy of battery storage in power markets considering performance-based regulation and battery cycle life
US20150311713A1 (en) Service-based Approach Toward Management of Grid-Tied Microgrids
Lim et al. Optimal allocation of energy storage and solar photovoltaic systems with residential demand scheduling
CN113256031B (zh) 一种基于居民需求响应策略自学习优化方法
CN104077651A (zh) 电网检修计划优化方法
Shahinzadeh et al. Integration of parking lot capacity in retail energy and reserve market mechanism
CN108304984A (zh) 行为量化方法及系统
CN114707776A (zh) 一种基于碳排放双控的低碳用能优化系统及方法
CN114626603A (zh) 一种配电网需求响应调度运行方案的优化处理方法和装置
Stephen et al. Impact of storage dispatch assumptions on resource adequacy and capacity credit
Kim et al. Economical energy storage systems scheduling based on load forecasting using deep learning
CN117254494B (zh) 多站点协同储能集控调度系统及方法
Zhou et al. Designing pricing incentive mechanism for proactive demand response in smart grid
CN108258701A (zh) 调节功率的方法和装置
CN112819203A (zh) 一种基于深度学习的充电管理系统及方法
CN116995741A (zh) 考虑容量共享的新能源-电网-用户侧储能优化配置方法及系统
CN116342166A (zh) 一种基于多区域共享的能量博弈调控方法和设备
Vanin et al. Dispatch optimization of energy communities for collective provision of network congestion management
Bahmani et al. Assessing electric vehicles behavior in power networks: A non-stationary discrete Markov chain approach

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