CN118070965A - 基于扩展卡尔曼滤波的能源数据预测方法、系统及设备 - Google Patents
基于扩展卡尔曼滤波的能源数据预测方法、系统及设备 Download PDFInfo
- Publication number
- CN118070965A CN118070965A CN202410252862.7A CN202410252862A CN118070965A CN 118070965 A CN118070965 A CN 118070965A CN 202410252862 A CN202410252862 A CN 202410252862A CN 118070965 A CN118070965 A CN 118070965A
- Authority
- CN
- China
- Prior art keywords
- energy
- prediction
- data
- power
- model
- 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
- 238000001914 filtration Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005259 measurement Methods 0.000 claims abstract description 84
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000013178 mathematical model Methods 0.000 claims abstract description 43
- 238000005265 energy consumption Methods 0.000 claims description 32
- 238000010248 power generation Methods 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 230000005611 electricity Effects 0.000 claims description 18
- 238000004146 energy storage Methods 0.000 claims description 18
- 230000003993 interaction Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 6
- 239000011159 matrix material Substances 0.000 description 26
- 230000008569 process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000013486 operation strategy Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000002737 fuel gas Substances 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于扩展卡尔曼滤波的能源数据预测方法、系统及设备,涉及能源数据预测领域,该方法包括:为综合能源系统中各能源模块构建数学模型;采用扩展卡尔曼滤波算法为每种类型的能源数据构建预测模型和量测模型;所述预测模型用于根据当前时刻的状态量预测下一时刻的状态量,所述量测模型用于根据所述预测模型的输出计算卡尔曼增益,所述卡尔曼增益用于优化所述预测模型,下一时刻的状态量用于生成预测数据;将各能源模块对应的各时刻的观测数据和预测数据实时传输到云端;所述观测数据和预测数据用于生成能源调度策略。本发明实现了对各种类型能源数据的预测,为能源系统的智能化管理和优化决策提供有力的支撑。
Description
技术领域
本发明涉及能源数据预测技术领域,特别是涉及一种基于扩展卡尔曼滤波的能源数据预测方法、系统及设备。
背景技术
基于MATLAB/Simulink、Python、ANSYS、LabVIEW等平台进行模拟仿真。构建的综合能源系统是由各个模块形成,例如电池负荷状态(SOC)估计系统、能源负荷预测系统、可再生能源发电系统、智能电网、能源消费设备能耗预测系统等进行能源数据预测。电力和热能系统的模型构建、电-热能综合调度和系统运营、以及经济性和环境性评估等模块。整合煤炭、石油、天然气、电能、热能等多种能源,传统的调度综合能源系统的方式为依靠云端监测来调度多种能源,但是随着能源系统的增多,多种新能源的加入,负荷种类的增多,计算的增多,云端计算的能力不能够达到优化系统的目的,云端通信压力的增加,很难满足对能源系统中的实时监测及预测。
发明内容
本发明的目的是提供一种基于扩展卡尔曼滤波的能源数据预测方法、系统及设备,实现了对各种类型能源数据的预测。
为实现上述目的,本发明提供了如下方案:
一种基于扩展卡尔曼滤波的能源数据预测方法,包括:
为综合能源系统中各能源模块构建数学模型;
采用扩展卡尔曼滤波算法为每个数学模型构建预测模型和量测模型;所述预测模型用于根据当前时刻的状态量预测下一时刻的状态量,所述量测模型用于根据所述预测模型的输出计算卡尔曼增益,所述卡尔曼增益用于优化所述预测模型,下一时刻的状态量用于生成预测数据;
将各能源模块对应的各时刻的观测数据和预测数据实时传输到云端;所述观测数据和预测数据用于生成能源调度策略。
可选地,所述数学模型包括太阳能组件、储能模块、电网互动模块和风力发电模块;
所述太阳能组件表示为:Is=Ps/Vs;
其中,Is是太阳能电池板的电流;Ps是太阳能电池板的功率输出;Vs是太阳能电池板的电压;
所述储能模块表示为:
Pe=Ve*Ie;
SOCn=SOCo+(ηc·Pc-ηd·Pd)/Ce;
其中,Pe是电池系统的功率;Ve是电池的电压;Ie是电池的电流;SOCn是新的电池状态;SOCo是旧的电池状态;Pc是电池的充电功率,Pd是电池的放电功率;ηc是充电效率,ηd是放电效率;Ce是电池容量;
所述电网互动模块表示为:
Pp=Pb-Ps;
其中,Pp是系统与电网的总功率;Pb是购电功率;Ps是卖电功率;
所述风力发电模块表示为:
Pelectric=ηPturbine;
其中,Pturbine为风力涡轮机机械功率,ρ为空气密度,A为涡轮机的叶片面积,Cp为功率系数,V为风速,η表示风力涡轮机将机械功率转换成电能的效率,Pelectric表示电能功率。
可选地,所述太阳能组件对应的预测模型的状态量为太阳能电池板的功率输出;所述储能模块对应的预测模型的状态量包括电池状态、电池的充电功率和电池的放电功率;所述电网互动模块对应的预测模型的状态量包括购电功率和卖电功率。
可选地,采用扩展卡尔曼滤波算法为每个数学模型构建预测模型和量测模型,具体包括:
将表示状态量的非线性函数进行泰勒展开,将泰勒展开后多项式中一次项作为预测模型;
将表示量测向量的量测函数进行泰勒展开,将泰勒展开后多项式中一次项作为量测模型。
可选地,每种能源模块对应的状态量和量测向量表示为:
xk+1=f(xk)+wk;
zk=h(xk)+vk;
其中,xk为k时刻的状态量,xk+1为k+1时刻的状态量,zk为k时刻的量测向量,f()为非线性状态函数,h()为量测函数,wk和vk均为高斯白噪声。
可选地,为综合能源系统中各能源模块构建数学模型,具体包括:
利用编程语言,基于MATLAB/Simulink、Python、ANSYS和LabVIEW平台对所述综合能源系统进行模拟仿真,得到所述数学模型;所述编程语言包括C语音和Java语言。
可选地,所述综合能源系统包括电池负荷状态估计系统、能源负荷预测系统、可再生能源发电系统、智能电网和能源消费设备能耗预测系统;
所述预测数据包括所述电池负荷状态估计系统中电池的荷电状态、能源负荷预测系统的负荷、可再生能源发电系统的发电量、智能电网的状态和能源消费设备能耗预测系统的能耗。
本发明还公开了一种基于扩展卡尔曼滤波的能源数据预测系统,包括:
数学模型构建模块,用于为综合能源系统中各能源模块构建数学模型;
预测数据生成模块,用于采用扩展卡尔曼滤波算法为每个数学模型构建预测模型和量测模型;所述预测模型用于根据当前时刻的状态量预测下一时刻的状态量,所述量测模型用于根据所述预测模型的输出计算卡尔曼增益,所述卡尔曼增益用于优化所述预测模型,下一时刻的状态量用于生成预测数据;
数据传输模块,用于将各能源模块对应的各时刻的观测数据和预测数据实时传输到云端;所述观测数据和预测数据用于生成能源调度策略。
本发明还公开了一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行所述的基于扩展卡尔曼滤波的能源数据预测方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明采用扩展卡尔曼滤波算法构建各种能源数据的预测模型和量测模型,实现了每种能源数据的观测数据的预测,通过预测数据生成的调度策略更及时。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于扩展卡尔曼滤波的能源数据预测方法流程示意图。
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。
本发明的目的是提供一种基于扩展卡尔曼滤波的能源数据预测方法、系统及设备,实现了对各种类型能源数据的预测。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1
如图1所示,本实施例提供的一种基于扩展卡尔曼滤波的能源数据预测方法,包括如下步骤。
步骤101:为综合能源系统中各能源模块构建数学模型。
步骤102:采用扩展卡尔曼滤波算法为每个数学模型构建预测模型和量测模型;所述预测模型用于根据当前时刻的状态量预测下一时刻的状态量,所述量测模型用于根据所述预测模型的输出计算卡尔曼增益,所述卡尔曼增益用于优化所述预测模型,下一时刻的状态量用于生成预测数据。
步骤103:将各能源模块对应的各时刻的观测数据和预测数据实时传输到云端;所述观测数据和预测数据用于生成能源调度策略。
预测的状态量为需要上传到云端的预测数据,观测数据是指当前时刻采集的量测向量。
利用C语言、Java语言等基于MATLAB/Simulink、Python、ANSYS、LabVIEW等平台进行模拟仿真。平台建立综合能源系统的数学模型,然后利用扩展卡尔曼滤波(ExtendedKalman Filter,EKF)算法对数学模型中预测模型进行在线估计和优化。
其中,步骤101具体包括建立综合能源系统的数学模型,数学模型包括能源生产、消费和交易等各个环节的数学模型。
综合能源系统包含电池负荷状态(SOC)估计系统、能源负荷预测系统、可再生能源发电系统、智能电网、能源消费设备能耗预测系统、分布式功能系统,每个分布的能源模块均对应一个数学模型。
对于综合能源系统的数学模型。数学模型中包含各种设备和能源形式的交互关系,对于非线性系统构架,将目前各能源模块的初始状态量x0,和初始状态协方差矩阵P0。利用预测模型,预测下一时刻综合能源系统功率的状态量xk+1和状态协方差矩阵Pk+1。结合综合能源系统存在的分散能源模块,运用EKF算法得到预测值,上传至云端,减轻了云端的计算压力,整合各模块的实时值和预测值,提高整体的优化效果。
预测模型和量测模型分别用于系统状态的预测和测量。其中预测模型用于预测综合能源系统的下一个状态,即在当前时刻的状态估计基础上,通过综合能源系统的动力学方程来预测下一个时刻的状态。在综合能源系统中,预测模型可以涉及到能源的产生、储存和转换等方面的物理过程,如:燃料电池的工作特性、电池的充放电过程等。预测模型反映系统的动力学行为,以便通过对当前状态的估计进行时间更新。量测模型用于将综合能源系统的状态映射到测量空间,描述系统状态与实际可测量值之间的关系。在综合能源系统中,量测模型可能涉及到传感器测量数据与系统状态之间的关系,如:温度传感器输出与系统温度的关系、电流传感器输出与电池电流的关系等。量测模型应该反映测量系统状态的传感器或测量设备的特性。综合能源系统模型是对整个能源系统的高级描述,包括各种能源组件之间的相互作用以及整体的行为。综合能源系统模型可能包含了能源的流动、转换、存储等方面的信息,是对整个系统的物理和能量特性的抽象。在使用扩展卡尔曼滤波进行状态估计时,将综合能源系统模型的动力学方程用作预测模型,将系统状态映射到可测量值的方程用作量测模型。通过这种方式,卡尔曼滤波算法能够在测量和预测之间进行融合,提高对系统状态的估计精度。将扩展卡尔曼滤波算法的模型放入到综合能源系统模型中。
所述数学模型包括太阳能组件和储能模块的状态。
(1)太阳能组件:通过EKF,可以估计太阳能电池板的功率输出。可能涉及到太阳辐射、光照条件、温度等因素的动态模型。
所述太阳能组件表示为:Is=Ps/Vs。
其中,Is是太阳能电池板的电流;Ps是太阳能电池板的功率输出;Vs是太阳能电池板的电压。
(2)储能模块:对于电池,EKF可以用于估计电池的状态(如电荷状态SOC)以及充电和放电功率。电池的动态模型可以用于预测未来时刻的电池状态和功率。
所述储能模块表示为:
Pe=Ve*Ie;
SOCn=SOCo+(ηc·Pc-ηd·Pd)/Ce。
其中,Pe是电池系统的功率;Ve是电池的电压;Ie是电池的电流;SOCn是新的电池状态(当前时刻的电池状态);SOCo是旧的电池状态(距离当前时刻之前的设定时间段时的电池状态);Pc是电池的充电功率,Pd是电池的放电功率;ηc是充电效率,ηd是放电效率;Ce是电池容量。
为综合能源系统中各能源模块构建数学模型,具体包括:
利用编程语言,基于MATLAB/Simulink、Python、ANSYS和LabVIEW平台对所述综合能源系统进行模拟仿真,得到所述数学模型;所述编程语言包括C语音和Java语言。
所述综合能源系统包括电池负荷状态(SOC)估计系统、能源负荷预测系统、可再生能源发电系统、智能电网和能源消费设备能耗预测系统。
所述预测数据包括所述电池负荷状态估计系统中电池的荷电状态、能源负荷预测系统的负荷、可再生能源发电系统的发电量、智能电网的状态和能源消费设备能耗预测系统的能耗。
智能电网的状态包括电力供应与需求平衡、电网频率、电压水平、线路和设备的负载、故障和异常情况、能源存储系统状态、可再生能源发电量、电网安全与保护状态、以及通信和控制系统状态。
电力供应与需求平衡:这是指在任何给定时刻,电网所产生的电力量与消费的电力量之间的匹配程度。保持供需平衡是电网稳定运行的关键。
电网频率:在交流电系统中,电网频率(通常为50或60赫兹)是系统稳定性的重要指标。频率的波动可能表明供需不平衡或其他系统问题。
电压水平:电网的电压应该维持在特定的标准范围内。电压过高或过低都可能导致设备损坏或电力系统效率低下。
线路和设备的负载:这包括电网中各条传输线路和配电设备的负载情况,过载可能导致设备损坏或电力中断。
故障和异常情况:包括线路断裂、设备故障、短路等,这些情况需要迅速检测和处理,以维持电网的稳定运行。
能源存储系统状态:包括电池存储系统的充电水平、可用容量和健康状态,这对于电网能够有效地利用储能来平衡瞬时的供需不平衡至关重要。
可再生能源发电量:智能电网需要实时监测来自风力、太阳能等可再生能源的发电量,因为这些能源的产出可能会因天气条件而波动。
电网安全与保护状态:包括电网的保护系统和安全措施是否处于正常工作状态,以预防和应对电网故障和安全威胁。
通信和控制系统状态:智能电网依赖于高级通信和控制系统来监控和管理电网的运行,因此这些系统的状态对于整个电网的正常运行至关重要。
1)电池负荷状态(SOC)估计系统:所述EKF算法对非线性系统转变为线性系统对电池的荷电状态进行准确的估计,对于电池管理系统(BMS),其中准确的SOC估计对于优化电池的使用效率和延长电池的寿命至关重要。通过实时监控和预测电池的SOC,BMS能够更好的管理电池充放电的过程,避免过充和过放,提高电池的性能和可靠性。
EKF算法包括两个主要步骤:预测步骤和更新步骤。在预测步骤中,预测模型用于估计下一个时刻的SOC。在更新步骤中,通过融合实际测量值和预测值,得到更准确的SOC估计。
电池负荷状态(SOC)估计系统的动力学建模(构建数学模型):定义电池系统的状态变量,例如状态变量包括电荷状态(SOC)和电池电压等。使用电池等效电路模型(如电阻-电容模型)建立电池的动力学方程。将这些方程表示为状态空间形式。
测量方程:定义测量方程,将实际测量到的数据与系统状态关联起来。例如,电流、电压等测量数据。将测量方程表示为状态空间形式。
初始化:初始化系统状态,包括SOC和其他状态变量。初始化协方差矩阵和过程噪声协方差矩阵,这些矩阵是EKF算法中的关键参数。
扩展卡尔曼滤波算法:根据离散的时间步长,执行以下步骤:
预测步骤:使用系统动力学方程进行状态预测。
更新步骤:根据实际测量数据进行状态修正,通过卡尔曼增益来权衡系统动力学模型和实测数据。
SOC估计输出:利用EKF算法得到的最优估计,获得电池负荷状态(SOC)的更新值。
2)能源系统的负荷预测:所述EKF算法可以应用于动态系统建模(构建数学模型)、传感器数据整合、状态估计与预测、实时调整策略、系统优化和效益,为能源系统管理提供更精确、实时的信息,提高能源利用效率,降低能源成本,促进系统更加可持续节能。
动态系统建模:冷热电联供系统通常包含多个相互关联的子系统,如制冷系统、供热系统和电力系统。利用EKF进行负荷预测首先需要对这些子系统进行动态建模,考虑它们之间的相互作用和耦合关系。
传感器数据整合:EKF算法的有效性依赖于实时传感器数据的质量和准确性。通过传感器(例如温度传感器、电力传感器等)获取实时数据,反映系统当前状态。
状态估计与预测:EKF通过递归地估计系统的状态,结合系统模型和实测数据,进行负荷预测。在考虑冷热电负荷相互耦合关系的情况下,EKF能够更精确地反映系统的动态变化。
实时调整策略:能源系统的负荷预测涉及多个变量和复杂的相互作用,EKF的实时调整能够更好地适应系统变化,提高预测的实用性。
3)可再生系统发电预测:所述EKF算法应用到电力系统运营商和管理者可以更好的规划电力生产和消费,避免电力系统的不稳定性,提高可再生能源的利用效率。
系统建模:针对特定的可再生能源系统(如风力发电机或太阳能光伏板),建立相应的系统动态模型(数学模型)。这个系统动态模型需要考虑天气、环境条件和设备特性等因素,以捕捉系统发电量的动态变化。
传感器数据采集:使用传感器(如风速测量仪、太阳辐射计等)实时采集系统运行过程中的相关数据。数据将用于EKF算法中的实际测量值。
EKF预测步骤:利用系统模型进行预测,估计未来一段时间内的发电量。EKF考虑了模型不确定性和测量误差,提供了更准确的预测。
EKF更新步骤:将实际测量值与预测值进行融合,修正模型参数,得到更准确的发电量预测。这种反馈机制有助于提高预测的准确性。
实时调整策略:发电系统的性能受到天气和环境变化的影响,EKF的实时调整能够更好地适应这些变化,确保预测结果具有实用性。
通过扩展卡尔曼滤波算法的应用电力系统运营商和管理者可以更好地规划电力生产和消费,避免电力系统的不稳定性,提高可再生能源的利用率,以及更好地满足电力需求。
4)智能电网的状态估计:所述EKF算法实现电网状态的高精度估计,提高电力系统的可靠性和稳定性。
系统动态建模:对智能电网进行动态建模,考虑各种电力系统组件的相互关系,如发电机、变电站、负载等。建立系统的状态空间模型,描述电网各个部分的状态随时间的演变。
传感器数据采集:利用实时传感器数据(如电流、电压、频率等)采集电网运行状态的相关信息。数据将用于EKF算法中的实际测量值。
EKF预测步骤:利用系统模型进行状态预测,估计未来一段时间内电网的状态。考虑系统的动态特性和相互关系,预测未来的状态变化。
EKF更新步骤:将实际测量值与预测值进行融合,修正模型参数,得到更准确的电网状态估计。通过不断地反馈调整,提高估计的实时性和准确性。
实时调整策略:电网运行状态受到多种因素的影响,包括负荷变化、发电机故障等。EKF的实时调整能够更好地适应这些变化,确保状态估计的及时性和稳定性。
EKF在智能电网中的应用,可以实现对电网状态的高精度估计,从而提高电力系统的可靠性和稳定性。
5)能源消费设备的能耗预测:所述EKF算法可以更精确的估计建筑、工厂等能源消费设备未来的能耗情况,其中应用过程包括:建立能耗模型、传感器数据采集、EKF预测步骤、EKF更新步骤、实时调整。所述EKF算法对于能源消费设备的能耗预测可以帮助企业和组织有效规划能源利用,优化能源分配,降低能源成本。
本实施例基于扩展卡尔曼滤波的能源数据预测方法的应用包括能源基地、终端用户、智慧城镇型、产业园区型、集群楼宇型、能源基地型等应用场景。
能源基地:针对风能、太阳能、水电等可再生能源的融合输出,以电能为主的能源基地建设。
终端用户:面向电、热、冷、汽、氢等多种终端用能需求,通过优化布局建设一体化集成供能基础设施。
智慧城镇型:包括智慧城区、智慧供冷、智慧供热、增量配电网等场景,结合智慧建筑、交通、信息等手段,打造安全、可持续、环保、高效的智慧城市解决方案。
产业园区型:涵盖街区、空港、港口、海岛、高铁站、园区储能、智慧社区、工业园区等场景。
集群楼宇型:服务于医院、学校、办公楼、军营哨所、大型商业、固定场站、数据中心等场景,
能源基地型:在核能、风电、光伏、水电、煤电等领域,构建综合能源系统,实现能源的高效转换和利用。
本发明中需要针对具体的能源系统和其组件,构建相应的动态模型(预测模型)和量测模型。这些模型将提供系统状态和测量之间的关系,从而使得EKF能够通过时间更新和测量更新,不断地提高对系统状态的估计精度。
所述太阳能组件对应的预测模型的状态量为太阳能电池板的功率输出,量测向量为实时测量的太阳能电池板功率输出值;所述储能模块对应的预测模型的状态量包括电池状态、电池的充电功率和电池的放电功率,量测向量包括通过传感器或监测设备测量得到的电池状态、充电功率和放电功率;所述电网互动模块对应的预测模型的状态量包括购电功率和卖电功率,量测向量包括实时测量的购电功率和卖电功率。
本发明利用C语言、Java等编程语言,基于MATLAB/Simulink、Python、ANSYS、LabVIEW等平台进行模拟仿真。构建扩展卡尔曼滤波算法的模型,将扩展卡尔曼滤波的模型加入综合能源系统的各能源模块中,运行仿真。
本发明利用扩展卡尔曼滤波算法对电池负荷状态估计系统、能源负荷预测系统、可再生能源发电系统、智能电网、能源消费设备能耗预测系统等进行能源数据预测,并利用个人计算机、服务器、智能手机和平板电脑、嵌入式系统、物联网设备、车联网等设备加载能源预测模型的软件系统进行运行存储实施。本发明实现了对各种类型能源数据的预测,并为能源系统的智能化管理和优化决策提供强有力的支撑。
本发明中需要针对具体的能源系统和其组件,构建相应的动态模型(预测模型)和量测模型。这些模型将提供系统状态和测量之间的关系,从而使得EKF能够通过时间更新和测量更新,不断地提高对系统状态的估计精度。
根据所得到的扩展卡尔曼滤波算法的模型初始状态和初始协方差方程,至扩展卡尔曼滤波模型中运行,考虑到综合能源系统的高斯白噪声,高斯白噪声是一种功率谱函数是常数(即白噪声),且幅度服从高斯分布的噪声信号。
其中,步骤102具体包括:
步骤1021:将表示状态量的非线性函数进行泰勒展开,将泰勒展开后多项式中一次项作为预测模型;
步骤1022:将表示量测向量的量测函数进行泰勒展开,将泰勒展开后多项式中一次项作为量测模型。
步骤1023:根据综合能源系统数据类型,获得综合能源系统的功率初始状态向量x0,和初始状态协方差矩阵P0。
步骤1024:利用预测模型,预测下一时刻综合能源系统功率的状态量xk+1和状态协方差矩阵Pk+1。
步骤1025:根据量测模型,计算卡尔曼增益Kk。然后使用卡尔曼增益更新状态。
步骤1026:重复步骤1024和步骤1025,直到所有观测数据都被处理完毕。
扩展卡尔曼滤波的主要公式如下。
考虑综合能源系统为高斯白噪声的非线性系统。
每种能源模块对应的状态量和量测向量表示为:
xk+1=f(xk)+wk;
zk=h(xk)+vk;
其中,xk为k时刻的状态量,xk+1为k+1时刻的状态量,zk为k时刻的量测向量,f()为非线性状态函数,h()为量测函数,wk和vk均为高斯白噪声,具体的wk和vk分别是零均值,协方差为Qk和Rk的不相关高斯白噪声。Qk为系统状态方程中的噪声,Qk反映了系统在状态转移过程中的不确定性和随机性。Rk为测量方程中的噪声,Rk反映了传感器测量过程中的不确定性和随机性。Qk为正定对称矩阵,对角线上的元素表示各个状态变量的方差,非对角线上的元素表示不同状态变量之间的协方差。Rk也是正定对称矩阵,对角线上的元素表示各个测量变量的方差,非对角线上的元素表示不同测量变量之间的协方差。
综合能源系统在k时刻状态估计值和估计方差Pk|k。
将综合能源非线性函数f(xk)在处进行一阶泰勒展开;
得:
其中,O(χ0)为高阶项,定义忽略高阶项;
化简为:
一步状态预测:
其中,表示k+1时刻的一步状态预测值,E[]表示期望函数。
一步预测协方差:
得:
将非线性函数h()在一步状态预测处一阶泰勒展开得:
其中,O(x0)为高阶项,令所以量测方程可表示为:
所以量测一步预测:
其中,为k+1时刻的量测向量估计值。
量测预测误差协方差矩阵为:
状态与量测间的互协方差矩阵为:
状态增益矩阵Kk+1为:
k+1时刻状态估计值(状态量估计值)为:
状态估计误差协方差矩阵
本发明收集综合能源系统的实时数据,实时数据包括电力、热力、冷力和燃气等能源的供应和需求数据;利用扩展卡尔曼滤波算法对收集到的数据进行实时监测,以估计综合能源系统的动态状态。
利用收集到的实时数据更新动态状态量估计值和状态协方差矩阵。
根据更新后的动态状态量估计值和状态协方差矩阵,预测下一时刻的综合能源系统状态;数据利用预测的状态和实际观测值之间的误差,修正动态状态估计值和协方差矩阵。
重复“利用收集到的实时数据更新动态状态量估计值和状态协方差矩阵;……;修正动态状态估计值和协方差矩阵”的步骤,直到满足预设的收敛条件,将满足收敛条件的预测数据上传至云端,若不满足预设的收敛条件,则重新进行迭代。
在测量更新步骤中,利用雅可比矩阵替代卡尔曼滤波方程中的状态转移矩阵。雅可比矩阵是用在线性化非线性的测量函数中。
1)太阳能组件的扩展卡尔曼滤波数学模型中状态方程表示为:
其中,Is,k为k时刻太阳能电池板的状态向量,Ps,k为k时刻太阳能电池板的输出功率,Vs,k为k时刻太阳能电池板的电压,和/>为过程噪声。Is,k+1和Ps,k+1分别是k+1时刻的太阳能电池板的状态向量和输出功率。
观测方程表示为电池电压Vs,k与电流Is,k的关系:z1k=VS,k-Rs·Is,k+vk。
其中,z1k为k时刻的电池电压Vs,k与电流Is,k的关系,Rs为电池内部电阻,vk为观测噪声。
状态向量包括太阳能电池板的电流Is和功率输出Ps。其他可能的参数包括太阳能电池板的电压Vs。
初始化滤波器:初始时刻的电流估计值、功率估计值以及相应的协方差矩阵。
2)储能模块的扩展卡尔曼滤波数学模型中状态向量包括电池的电荷状态SOC电池的电流I电池以及其他可能的状态。
状态方程表示为:
/>
其中,SOCk+1为k+1时刻的电池状态,SOCk为k时刻的电池状态,I电池,k+1为k+1时刻的电流,ωSOC,k和ωI电池,k是过程噪声。
观测方程表示为电池电压V电池与电池电流I电池的关系:
z2k=V电池,k-R电池·I电池,k+vk。
其中,z2k为k时刻电池电压V电池与电池电流I电池的关系,R电池电池内部电阻,vk观测噪声。
状态向量包括电池的电荷状态SOC和电池的电流I电池。其他参数可以包括电池的容量C电池、充电效率η充、放电效率η放等。
初始化滤波器:初始时刻的电荷状态估计值、电流估计值以及相应的协方差矩阵。
太阳能组件的扩展卡尔曼滤波数学模型中状态方程,以及储能模块的扩展卡尔曼滤波数学模型中状态方程是预测步骤中更新系统的状态估计,根据观测方程和测量值进行更新。
本发明利用预测模型预测下一时刻各能源系统模块的功率的状态量和状态协方差矩阵。状态协方差矩阵是状态量估计的不确定性的度量,通过在综合能源系统中每个时间步进行预测,状态协方差矩阵提供了一种方式来跟踪估计综合能源系统状态的不确定性随时间的演变。
量测模型的输入包括系统状态量(状态向量):在综合能源系统中,系统状态量可能包括电能、热能等方面的状态,如电池的电量、太阳能电池板的输出功率、风力涡轮的输出功率等。其他相关输入:考虑一些外部因素,如温度、辐射等,这些因素可能对能源系统的性能产生影响。
量测模型的输出为测量向量,通过传感器或测量设备获得的实际测量值,如电流传感器的输出、温度传感器的读数等。这些测量值与系统状态之间存在一定的关系,由量测模型描述。
卡尔曼增益的作用:
(1)修正状态估计:卡尔曼增益用于修正当前状态的预测估计。通过将增益乘以测量差(测量值与预测值之间的差异),可以得到一个修正量,然后将其添加到预测状态估计中,得到更准确的状态估计。
(2)优化状态估计的方差:卡尔曼增益的计算过程中,预测协方差矩阵的信息和测量协方差矩阵的信息都得到了利用。助于优化最终状态估计的方差,即提高状态估计的精度。
(3)提高综合能源系统对测量噪声的适应性:通过卡尔曼增益的调整,综合能源系统能够更好地适应测量噪声的变化。在测量噪声较大的情况下,增益会相应增加,更依赖测量值,而在测量噪声较小的情况下,增益会减小,更强烈地依赖预测值。
其中,步骤103还包括:根据预测数据与观测数据,得到调度策略,通过综合能源系统进行调配。
根据估计的动态状态,优化综合能源系统的运行策略,以提高系统对能源的利用率;将优化后的运行策略应用于综合能源系统,在云端实现对系统的实时控制。
优化的运行策略为调整综合能源系统中各能源设备的运行参数,以实现供需平衡;根据实时电价信息,合理调度电力、热力、冷力和燃气等能源的使用;通过负荷预测和需求响应技术,降低综合能源系统的峰谷差;利用储能设备和智能电网技术,提高综合能源系统的调峰能力。
作为能源预测优选,依靠时间整合相关分析性任务,并根据综合能源系统中各模块具体计算内容对能源进行分配;所述计算和调度策略包括实时性调度策略及预测性调度策略。
调度策略的调整步骤包括:
(1)状态估计:
使用EKF对综合能源系统的各个组件进行状态估计。包括对电能、热能等方面的状态进行估计,如电池的电量、太阳能电池板的功率输出、风力涡轮的功率输出等。
(2)测量数据与预测数据对比:
将EKF估计的系统状态与实际观测数据进行对比。这可以通过计算测量差(观测值与估计值之间的差异)来实现。当残差较小,说明EKF的状态估计相对可靠。
(3)调度策略的确定:
最大化能源利用:基于EKF估计的综合能源系统状态,制定调度策略以最大化能源的利用。在太阳能电池输出高的时候,可以增加储能或者将多余的能量卖入电网。
最小化成本:综合能源电能系统与电网互动,可以根据电价制定策略,以最小化能源成本。在低电价时充电或购电,在高电价时放电或卖电。
延长设备寿命:一些能源组件,如电池,对充电和放电的频率。调度策略可以设计成延长设备寿命的同时满足综合能源中储能系统的需求。
应对系统紧急状况:综合能源系统遇到紧急状况(如电能需求剧增、组件故障等),调度策略可以相应地进行调整,确保系统的稳定运行。
(4)调度策略需要根据实时观测数据和系统状态的变化进行调整。EKF提供了一种不断更新状态估计的机制,调度策略能够灵活地应对综合能源系统的动态变化。
本发明通过非线性函数进行泰勒级数展开,保留一阶项数实现对非线性函数的线性化。使得实时数据和预测数据的获取。
卡尔曼滤波器被认为是一种最优地滤波器,具有最小均方误差,能够有效地消除噪声和抖动。在综合能源系统中,扩展卡尔曼滤波器可以帮助我们刚准确地获取和处理数据,提高系统地稳定性和可靠性。卡尔曼滤波器除了估计状态,还可以估计状态的协方差,对于综合能源系统的不确定性有一定的鲁棒性。这一特性使得扩展卡尔曼滤波器在综合能源系统中的各种不确定性因素时,能够保持良好性能。
识别出影响系统状态的关键参数,将估计的参数的不确定性范围提供给云端,通过云端更好地理解系统的运行情况,并制定相应的风险控制策略。
本发明将扩展卡尔曼滤波算法运用到综合能源系统中,实时监控综合能源系统中各模块功率并对其能源预测,以提高综合能源利用率,减少碳排放。
本发明扩展卡尔曼滤波算法,适用处理非线性系统估计问题,为高效、精确的状态估计算法。所述调度策略具有实时性、阶段性与预测性。
本发明能够更准确地预测综合能源系统未来能源的需求和供应情况,有助于提高可再生能源利用效率,增进绿电消纳,做出更合理的调度决策。根据EKF算法的实时性和适应性,可以在每一时刻根据最新的测量数据来修正状态估计值,可以很好的适应综合能源系统中不断变化的工作条件。保证了综合能源系统在面对各种不确定因素能够保持良好的运行稳定性和经济性。更高效的提高综合能源系统的能源分配的调度,减少碳排放,提高能源利用率。
实施例2
本实施例一种基于扩展卡尔曼滤波的能源数据预测方法,可以实现风力发电能源预测管理,在风力发电能源预测管理中,扩展卡尔曼滤波算法提高对系统状态的准确估计,从而改进对风力发电产能的预测。
在风力发电能源预测管理中,预测数据为风力发电产能。
风力发电,具体通过风力涡轮机实现风力发电,通过EKF估计风力涡轮机的输出功率。这可能需要考虑风速、风向等因素。
风速和风向是风力发电系统性能的关键因素。使用气象数据来估计风速和风向的变化。作为输入变量,影响风力涡轮机的性能。
考虑风力涡轮机与电网的连接,以及逆变器等电力系统组件。包括电压、电流、功率等方面的模型。
使用扩展卡尔曼滤波(EKF)来估计风力涡轮机的输出功率时,需要考虑扰动和不确定性。扰动和不确定性可以包括风速测量误差、涡轮机性能变化等。
在风力发电能源预测管理中,数学模型包括风力发电模块。
风力发电模块的模型表示为:
Pelectric=ηPturbine;
其中,Pturbine为风力涡轮机机械功率,ρ为空气密度,A为涡轮机的叶片面积,Cp为功率系数,具体为涡轮机从风中提取的功率比例,V为风速,η表示转换效率,即风力涡轮机将机械功率转换成电能的效率,Pelectric表示电能功率,即风力涡轮机转换成的可用电能的功率,这是最终电网使用或者储存的电能量度。
模型可能需要更多的参数和复杂性,特别是在考虑到风向、温度等因素。使用EKF时,还需要考虑状态方程和测量方程,以及相应的状态和观测噪声。
实施例2
本实施例提供的一种基于扩展卡尔曼滤波的能源数据预测系统,包括:
数学模型构建模块,用于为综合能源系统中各能源模块构建数学模型。
预测数据生成模块,用于采用扩展卡尔曼滤波算法为每个数学模型构建预测模型和量测模型;所述预测模型用于根据当前时刻的状态量预测下一时刻的状态量,所述量测模型用于根据所述预测模型的输出计算卡尔曼增益,所述卡尔曼增益用于优化所述预测模型,下一时刻的状态量用于生成预测数据。
数据传输模块,用于将各能源模块对应的各时刻的观测数据和预测数据实时传输到云端;所述观测数据和预测数据用于生成能源调度策略。
实施例3
本实施例提供的一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行所述的基于扩展卡尔曼滤波的能源数据预测方法。
所述电子设备包括个人计算机、服务器、智能手机和平板电脑、嵌入式系统和物联网设备等。
开发能源数据预测算法:首先,开发基于扩展卡尔曼滤波的能源数据预测算法。包括建立能源消耗的动态模型、考虑各种传感器数据、定义状态变量等。确保算法能够适应不同类型的电子设备和应用场景。
编写计算机程序:利用所述电子设备的存储器,编写能够在这些设备上运行的计算机程序。这个程序包括实现上述开发的能源数据预测算法的代码。
适配不同设备平台:考虑到个人计算机、服务器、智能手机、平板电脑、嵌入式系统、物联网设备等设备的不同特性和架构,确保编写的程序能够适配不同设备平台。可能需要进行平台相关的优化和适配工作。
安装程序:将编写的程序安装到目标设备的存储器中。包括将应用程序部署到个人计算机上、将应用程序上传到服务器、在智能手机和平板电脑上通过应用商店安装等。
运行程序:通过设备上的处理器运行所安装的程序。程序将利用扩展卡尔曼滤波算法对能源数据进行预测。
实时数据采集与处理:设备上的传感器和实时数据采集模块,获取与能源消耗相关的数据。这些数据将被输入到扩展卡尔曼滤波算法中,用于实时的能源数据预测。
结果展示或应用:将能源数据预测的结果展示给用户或应用于相应的能源管理策略。包括在用户界面上显示预测能耗信息,自动化能源调度等。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种基于扩展卡尔曼滤波的能源数据预测方法,其特征在于,包括:
为综合能源系统中各能源模块构建数学模型;
采用扩展卡尔曼滤波算法为每个数学模型构建预测模型和量测模型;所述预测模型用于根据当前时刻的状态量预测下一时刻的状态量,所述量测模型用于根据所述预测模型的输出计算卡尔曼增益,所述卡尔曼增益用于优化所述预测模型,下一时刻的状态量用于生成预测数据;
将各能源模块对应的各时刻的观测数据和预测数据实时传输到云端;所述观测数据和预测数据用于生成能源调度策略。
2.根据权利要求1所述的基于扩展卡尔曼滤波的能源数据预测方法,其特征在于,所述数学模型包括太阳能组件、储能模块、电网互动模块和风力发电模块;
所述太阳能组件表示为:Is=Ps/Vs;
其中,Is是太阳能电池板的电流;Ps是太阳能电池板的功率输出;Vs是太阳能电池板的电压;
所述储能模块表示为:
Pe=Ve*Ie;
SOCn=SOCo+(ηc·Pc-ηd·Pd)/Ce;
其中,Pe是电池系统的功率;Ve是电池的电压;Ie是电池的电流;SOCn是新的电池状态;SOCo是旧的电池状态;Pc是电池的充电功率,Pd是电池的放电功率;ηc是充电效率,ηd是放电效率;Ce是电池容量;
所述电网互动模块表示为:
Pp=Pb-Ps;
其中,Pp是系统与电网的总功率;Pb是购电功率;Ps是卖电功率;
所述风力发电模块表示为:
Pelectric=ηPturbine;
其中,Pturbine为风力涡轮机机械功率,ρ为空气密度,A为涡轮机的叶片面积,Cp为功率系数,V为风速,η表示风力涡轮机将机械功率转换成电能的效率,Pelectric表示电能功率。
3.根据权利要求2所述的基于扩展卡尔曼滤波的能源数据预测方法,其特征在于,所述太阳能组件对应的预测模型的状态量为太阳能电池板的功率输出;所述储能模块对应的预测模型的状态量包括电池状态、电池的充电功率和电池的放电功率;所述电网互动模块对应的预测模型的状态量包括购电功率和卖电功率;所述风力发电模块对应的预测模型的状态量包括风力发电功率。
4.根据权利要求1所述的基于扩展卡尔曼滤波的能源数据预测方法,其特征在于,采用扩展卡尔曼滤波算法为每个数学模型构建预测模型和量测模型,具体包括:
将表示状态量的非线性函数进行泰勒展开,将泰勒展开后多项式中一次项作为预测模型;
将表示量测向量的量测函数进行泰勒展开,将泰勒展开后多项式中一次项作为量测模型。
5.根据权利要求4所述的基于扩展卡尔曼滤波的能源数据预测方法,其特征在于,每种能源模块对应的状态量和量测向量表示为:
xk+1=f(xk)+wk;
zk=h(xk)+vk;
其中,xk为k时刻的状态量,xk+1为k+1时刻的状态量,zk为k时刻的量测向量,f()为非线性状态函数,h()为量测函数,wk和vk均为高斯白噪声。
6.根据权利要求1所述的基于扩展卡尔曼滤波的能源数据预测方法,其特征在于,为综合能源系统中各能源模块构建数学模型,具体包括:
利用编程语言,基于MATLAB/Simulink、Python、ANSYS和LabVIEW平台对所述综合能源系统进行模拟仿真,得到所述数学模型;所述编程语言包括C语音和Java语言。
7.根据权利要求1所述的基于扩展卡尔曼滤波的能源数据预测方法,其特征在于,所述综合能源系统包括电池负荷状态估计系统、能源负荷预测系统、可再生能源发电系统、智能电网和能源消费设备能耗预测系统中的至少一种;
所述预测数据包括所述电池负荷状态估计系统中电池的荷电状态、能源负荷预测系统的负荷、可再生能源发电系统的发电量、智能电网的状态和能源消费设备能耗预测系统的能耗。
8.一种基于扩展卡尔曼滤波的能源数据预测系统,其特征在于,包括:
数学模型构建模块,用于为综合能源系统中各能源模块构建数学模型;
预测数据生成模块,用于采用扩展卡尔曼滤波算法为每个数学模型构建预测模型和量测模型;所述预测模型用于根据当前时刻的状态量预测下一时刻的状态量,所述量测模型用于根据所述预测模型的输出计算卡尔曼增益,所述卡尔曼增益用于优化所述预测模型,下一时刻的状态量用于生成预测数据;
数据传输模块,用于将各能源模块对应的各时刻的观测数据和预测数据实时传输到云端;所述观测数据和预测数据用于生成能源调度策略。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至7中任一项所述的基于扩展卡尔曼滤波的能源数据预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410252862.7A CN118070965A (zh) | 2024-03-05 | 2024-03-05 | 基于扩展卡尔曼滤波的能源数据预测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410252862.7A CN118070965A (zh) | 2024-03-05 | 2024-03-05 | 基于扩展卡尔曼滤波的能源数据预测方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118070965A true CN118070965A (zh) | 2024-05-24 |
Family
ID=91098793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410252862.7A Pending CN118070965A (zh) | 2024-03-05 | 2024-03-05 | 基于扩展卡尔曼滤波的能源数据预测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118070965A (zh) |
-
2024
- 2024-03-05 CN CN202410252862.7A patent/CN118070965A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Teh et al. | Reliability impacts of the dynamic thermal rating and battery energy storage systems on wind-integrated power networks | |
Kang et al. | How to better share energy towards a carbon-neutral city? A review on application strategies of battery energy storage system in city | |
Radhakrishnan et al. | A multi-agent based distributed energy management scheme for smart grid applications | |
Ru et al. | Storage size determination for grid-connected photovoltaic systems | |
Chen et al. | Optimal allocation of distributed generation and energy storage system in microgrids | |
Kirmani et al. | Economic feasibility of hybrid energy generation with reduced carbon emission | |
Delfino et al. | Identification and optimal control of an electrical storage system for microgrids with renewables | |
Numan et al. | Reliability evaluation of energy storage systems combined with other grid flexibility options: A review | |
CN111293691A (zh) | 基于模型预测控制的微电网多时间尺度优化调度方法 | |
Onaolapo et al. | Reliability evaluation and financial viability of an electricity power micro-grid system with the incorporation of renewable energy sources and energy storage: case study of KwaZulu-Natal, South Africa | |
CN112383086B (zh) | 一种孤岛微电网日前能量-备用联合优化调度方法 | |
Pradhan et al. | Frequency sensitivity analysis of dynamic demand response in wind farm integrated power system | |
Liu et al. | Bi-level fuzzy stochastic expectation modelling and optimization for energy storage systems planning in virtual power plants | |
Zhu et al. | Energy optimal dispatch of the data center microgrid based on stochastic model predictive control | |
CN107359611A (zh) | 考虑多种随机因素的配电网等值方法 | |
Jain et al. | Overview of Energy Management Systems for Microgrids and Smart Grid | |
Kyrylenko et al. | Power Systems Research and Operation: Selected Problems III | |
Yamashita et al. | Autonomous observer of hydrogen storage to enhance a model predictive control structure for building microgrids | |
CN117132040A (zh) | 一种基于极限场景驱动的多能微网二阶段鲁棒优化方法 | |
Meydani et al. | Optimizing Microgrid Energy Management: Metaheuristic versus Conventional Techniques | |
Galeela et al. | Reliability Framework Integrating Grid Scale BESS Considering BESS Degradation | |
Amoura et al. | Optimal sizing of a hybrid energy system based on renewable energy using evolutionary optimization algorithms | |
WO2023069025A2 (en) | Energy management system | |
CN118070965A (zh) | 基于扩展卡尔曼滤波的能源数据预测方法、系统及设备 | |
Das et al. | Optimizing Microgrid Energy Management Systems with Variable Renewable Energy Penetration: Analysis of Data Loss Effects |
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 |