TWI824957B - 微電網併網電能管理方法 - Google Patents
微電網併網電能管理方法 Download PDFInfo
- Publication number
- TWI824957B TWI824957B TW112111790A TW112111790A TWI824957B TW I824957 B TWI824957 B TW I824957B TW 112111790 A TW112111790 A TW 112111790A TW 112111790 A TW112111790 A TW 112111790A TW I824957 B TWI824957 B TW I824957B
- Authority
- TW
- Taiwan
- Prior art keywords
- power
- electric
- time window
- microgrid
- charging
- Prior art date
Links
- 238000007726 management method Methods 0.000 title claims abstract description 35
- 238000004146 energy storage Methods 0.000 claims abstract description 73
- 238000007599 discharging Methods 0.000 claims abstract description 50
- 230000009471 action Effects 0.000 claims abstract description 15
- 238000010248 power generation Methods 0.000 claims description 14
- 230000015556 catabolic process Effects 0.000 claims description 8
- 238000006731 degradation reaction Methods 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 8
- 230000003750 conditioning effect Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Abstract
一種微電網併網電能管理方法包含以下步驟：利用一非線性規劃獲得多台電動車及一電能儲存裝置之每一者在所對應之每一時間窗格的一預計充放電電功率；將該等電動車與該電能儲存裝置在一當前時間之多個電池荷電狀態、該微電網在該當前時間之一淨負載與一預測淨負載間之差、每一電動車在一當前的時間窗格所對應之該預計充放電電功率及一充電優先權，以及該電能儲存裝置在該當前的時間窗格之該預計充放電電功率集結為一當前狀態；及根據該當前狀態利用一即時電能控制模型獲得一執行動作以控制該電能儲存裝置及每一電動車之充放電。
Description
本發明是有關於一種微電網的電能管理方法，特別是指一種可即時對併網狀態之微電網進行電能管理的微電網併網電能管理方法。
近年間各國電力供應型態，逐漸由集中式供電轉為分散式供電結構，透過分散式電力供應，滿足各地區電力需求。而透過分散式供電，相對也可減少電力傳輸的損耗，進而優化整體電網供電效率。因為分散式供電結構的普及，連帶使微電網的議題逐漸被重視。
在微電網運行過程中，隨著設置於微電網中之負載在用電高峰時段不斷增加用電，恐會造成尖峰負載過高而引發備轉容量偏低問題，若在高佔比綠能微電網中，因天氣影響所造成的再生能源發電不確定性，亦會造成微電網系統頻率、電壓驟升驟降，為保證微電網穩定運行和供用電平衡，需採取相應的即時電能管理。此外，在微電網處於併網的情況下，如何有效提升綠電使用效率並提高電力使用效率，並最小化微電網營運成本，從而達成最佳化微電網之經濟效益的作用，亦成為微電網之電能管理的重要議題。
因此，本發明的目的，即在提供一種最佳化微電網之經濟效益，且可即時因應再生能源發電量與負載用電量之不確定性進行應對的微電網併網電能管理方法。
於是，本發明微電網併網電能管理方法，適用於對一微電網進行電能管理，該微電網設置有一用於儲存電能並對應有一電能資訊的電能儲存裝置、一用於發電的太陽能模組、多個負載、多個用於供多台電動車進行充放電的充電樁、一用於供該電能儲存裝置進行充放電的功率調節裝置，與訊號連接該太陽能模組、該等負載、該等充電樁及該功率調節裝置的該運算裝置，每一電動車對應於一包含所對應之電動車的一入場時間、一離場時間、入場時的一入場電池荷電狀態、一當前電池荷電狀態、期望的一離場電池荷電狀態、一最小電池荷電狀態、一最大電池荷電狀態、一額定容量，與一最大的充放電電功率的電動車資訊，該電能資訊包含該電能儲存裝置之一入場電池荷電狀態、一當前電池荷電狀態、一最小荷電狀態、一最大荷電狀態、一額定容量，與一最大的充放電電功率，該微電網電能管理方法藉由一運算裝置來實施，並包含以下步驟：
(A)藉由該運算裝置，根據每一電動車所對應之電動車資訊、該電能儲存裝置之電能資訊、該微電網在一排程週期中之一當前的時間窗格至一最後的時間窗格之每一時間窗格買入該單位電功率所對應的一買入價格、該微電網在每一時間窗格參與電力交易所對應的一得標價格、該微電網在每一時間窗格給付該單位電功率所對應的一給付價格、該微電網在該電動車未充滿該單位電功率的一懲罰價格、一太陽能模組在每一時間窗格所對應的一預測太陽能電功率、該微電網之負載在每一時間窗格所對應的一預測負載用電電功率，與該電能儲存裝置充電或放電該單位電功率所消耗的一劣化成本，利用一非線性規劃獲得該等電動車及該電能儲存裝置之每一者在所對應之每一時間窗格的一預計充電電功率或一預計放電電功率；
(B)藉由該運算裝置，將該等電動車在一當前時間之多個電池荷電狀態、該電能儲存裝置在該當前時間之一電池荷電狀態、該微電網在該當前時間之一淨負載與該微電網在一涵蓋該當前時間之當前的時間窗格的一預測淨負載間之差、每一電動車在該當前的時間窗格所對應之該預計充電電功率或該預計放電電功率及一充電優先權，以及該電能儲存裝置在該當前的時間窗格之該預計充電電功率或該預計放電電功率集結為一當前狀態；
(C)藉由該運算裝置，根據該當前狀態利用一即時電能控制模型獲得一執行動作，該執行動作為每一電動車在一涵蓋該當前時間之未來控制區間所對應的一欲控制充電電功率或一欲控制放電電功率，以及該電能儲存裝置在該未來控制區間的一欲控制充電電功率或一欲控制放電電功率，其中該未來控制區間之長短小於等於該當前的時間窗格之長短；及
(D)藉由該運算裝置，根據該執行動作，控制該電能儲存裝置之充放電及每一電動車之充放電。
本發明的功效在於：藉由該運算裝置根據該等電動車資訊、該電能儲存裝置之電能資訊、每一時間窗格的買入價格、得標價格、給付價格、懲罰價格、該電能儲存裝置的劣化成本，利用一非線性規劃，獲得可最小化微電網營運成本的規劃結果，此外，藉由該運算裝置根據該當前狀態，利用該即時電能控制模型獲得該執行動作，以即時因應再生能源發電量與負載用電量之不確定性進行即時地應對。
參閱圖1，本發明微電網併網電能管理方法的實施例適用於對一微電網進行電能管理，並藉由一運算裝置11來實施。該微電網設置有一用於儲存電能並對應有一電能資訊的電能儲存裝置12、一用於發電的太陽能模組13、多個負載14、多個充電樁15、一用於供該電能儲存裝置12進行充放電的功率調節裝置17，與訊號連接該太陽能模組13、該等負載14、該等充電樁15及該功率調節裝置17的該運算裝置11。該電能資訊包含該電能儲存裝置12之一入場電池荷電狀態、一當前電池荷電狀態、一最小荷電狀態、一最大荷電狀態、一額定容量，與一最大的充放電電功率。該等充電樁15用於供位於該微電網中之多台電動車16進行充放電。每一電動車16對應有一電動車資訊，每一電動車資訊包含所對應之電動車16的一入場時間、一離場時間、入場時的一入場電池荷電狀態、一當前電池荷電狀態、期望的一離場電池荷電狀態、一最小電池荷電狀態、一最大電池荷電狀態、一額定容量，與一最大的充放電電功率。在本實施例中，該運算裝置11例如為一個人電腦、一筆記型電腦或一伺服器，但不以此為限。該電能儲存裝置12例如為一儲能系統(Energy Storage System，簡稱ESS)。該太陽能模組13例如包含一太陽電池模板。
值得一提的是，該電動車資訊中的該入場時間、該離場時間、該入場電池荷電狀態、該離場電池荷電狀態、該最小電池荷電狀態、該最大電池荷電狀態、該額定容量與該最大的充放電電功率可由所對應之電動車16的用戶利用其所持有之使用端(圖未示) 進行輸入操作而產生，並經由一通訊網路傳送至該運算裝置11，該電動車資訊中的該入場電池荷電狀態、該當前電池荷電狀態及該離場電池荷電狀態亦可藉由所對應之電動車16所電連接的充電樁15測量該電動車16之電池的荷電狀態後傳送至該運算裝置11而獲得，然並不以此為限。該電能資訊中的該入場電池荷電狀態、該最小荷電狀態、該最大荷電狀態、該額定容量，與一最大的充放電電功率係由該微電網之管理者所持有之管理端(圖未示) 進行輸入操作而產生，並經由該通訊網路傳送至該運算裝置11，該電能資訊中的該入場電池荷電狀態及該當前電池荷電狀態可藉由該電能儲存裝置12所電連接的功率調節裝置17測量該電能儲存裝置12之電池的荷電狀態後傳送至該運算裝置11而獲得，然並不以此為限。
以下將配合所附圖式來說明本發明微電網併網電能管理方法的實施例，本實施例依序包含一發電預測程序、一用電預測程序、一規劃排程程序、一即時電能控制模型建立程序，及一即時電能控制程序。
參閱圖1與圖2，該微電網併網電能管理方法的發電預測程序說明了如何預測該微電網之太陽能模組13的發電狀況，並包含下列步驟。
在步驟21中，該運算裝置11根據多筆發電訓練資料利用一機器學習演算法建立一用於依據該微電網之太陽能模組13在一早於一時間區間之前一時間區間的發電狀況預測該微電網之太陽能模組13在該時間區間的發電狀況的發電預測模型。每筆發電訓練資料包含該微電網之太陽能模組13在前一時間區間之每一時間窗格所對應產生的一太陽能電功率、對應該時間區間的天氣資訊及該微電網之太陽能模組13在該時間區間之每一時間窗格所產生的一太陽能電功率。其中，該時間區間之每一時間窗格所對應產生的太陽能電功率作為正確結果(亦即，標籤) 。
在步驟22中，該運算裝置11根據該太陽能模組13在一先前排程週期之每一時間窗格所對應產生的一太陽能電功率及對應該排程週期的天氣資訊，利用一發電預測模型預測該太陽能模組13在該排程週期之每一時間窗格所對應的一預測太陽能電功率。
參閱圖1與圖3，該微電網併網電能管理方法的用電預測程序說明了如何預測該微電網之負載14的用電狀況，並包含下列步驟。
在步驟31中，該運算裝置11根據多筆用電訓練資料利用另一機器學習演算法建立一用於依據該微電網之負載14在該前一時間區間的用電狀況預測該微電網之負載14在該時間區間的用電狀況的用電預測模型。每筆用電訓練資料包含該微電網之負載14在該前一時間區間之每一時間窗格所對應耗費的負載用電電功率、對應該時間區間的天氣資訊及該微電網之負載14在該時間區間之每一時間窗格所對應耗費的負載用電電功率。其中，該時間區間之每一時間窗格所對應耗費的負載用電電功率作為正確結果(亦即，標籤) 。
在步驟32中，該運算裝置11根據該微電網之負載14在該先前排程週期之每一時間窗格所對應耗費的負載用電電功率及對應該排程週期的天氣資訊，利用一用電預測模型預測該微電網之負載14在該排程週期之每一時間窗格所對應的一預測負載用電電功率。
參閱圖1與圖4，該微電網電能管理方法的規劃排程程序說明了如何獲得可最小化微電網營運成本的規劃結果，並包含下列步驟。
在步驟41中，該運算裝置11，根據每一電動車16所對應之電動車資訊、該電能儲存裝置12之電能資訊、該微電網在一排程週期中之一當前的時間窗格至一最後的時間窗格之每一時間窗格買入該單位電功率所對應的一買入價格(亦即，1度電的買入價格)、該微電網在每一時間窗格參與電力交易所對應的一得標價格(亦即，1度電的得標價格)、該微電網在每一時間窗格給付該單位電功率所對應的一給付價格、該微電網在該電動車16未充滿該單位電功率的一懲罰價格、一太陽能模組13在每一時間窗格所對應的一預測太陽能電功率、該微電網之負載14在每一時間窗格所對應的一預測負載用電電功率，及該電能儲存裝置12充電或放電該單位電功率所消耗的一劣化成本，利用一非線性規劃獲得等電動車16及該電能儲存裝置12之每一者在所對應之每一時間窗格的一預計充電電功率或一預計放電電功率。其中，該非線性規劃的一目標函數可被表示成下列公式(1)，且該目標函數所滿足的該等限制條件如下列限制條件1~限制條件6。
…(1)
其中，
，
，
，其中
，
，
，其中
，
+
。
限制條件1：
。
限制條件2：
。
限制條件3：
。
限制條件4：
。
限制條件5：
。
限制條件6：
。
其中，
為該微電網在第t個時間窗格的購電成本，
為在第t個時間窗格向一電網買入的總電功率，
為該微電網在第t個時間窗格買入該單位電功率的一買入價格，
為該電能儲存裝置12在第t個時間窗格充電或放電的一總劣化成本，
為該電能儲存裝置12的一總成本，
為該電能儲存裝置12的一電池容量變化量與一電池循環次數變化量的比值，
為該電能儲存裝置12的該額定容量，
為該電能儲存裝置12的之電池充電或放電該單位電功率所消耗的一劣化成本，
與
分別為該電能儲存裝置12的一充電效率及一放電效率，
為第n台電動車16在第t個時間窗格放電時，該微電網需給付電動車16的補償費用，
為該微電網在第t個時間窗格給付該單位電功率的一給付價格，
為第n台電動車16在第t個時間窗格的充電電功率或放電電功率，當
，
為第n台電動車16在第t個時間窗格的充電電功率，當
，
為第n台電動車16在第t個時間窗格的放電電功率，
為該微電網在第t個時間窗格參與電力交易時，所獲取之一利潤，
為該微電網在第t個時間窗格參與電力交易之一總交易電功率，
為該充電站在第t個時間窗格參與電力交易的一得標價格，
為第n台電動車16在未符合其期望的離場電池荷電狀態時的一懲罰金，
為未充滿該單位電功率的一懲罰價格，
為第n台電動車16在符合其期望的離場電池荷電狀態時總共需獲得之電量，
為該微電網之一契約容量超約成本，
為該微電網超約10%以內的一成本，
為該微電網超約10以外的一成本，
為在第t個時間窗格的該預測太陽能電功率，
為該微電網在第t個時間窗格的該預測負載用電電功率，
為該電能儲存裝置12在第t個時間窗格的充電電功率或放電電功率，當
，
為該電能儲存裝置12在第t個時間窗格的充電電功率，當
，
為該電能儲存裝置12在第t個時間窗格的放電電功率，
為該電能儲存裝置12的該最大的充放電電功率，
為該電能儲存裝置12的該最小電池荷電狀態，
為該電能儲存裝置12的該最大電池荷電狀態，
為該電能儲存裝置12在第t個時間窗格的一電池荷電狀態，
為第n台電動車16所對應之一最大充放電電功率，
為第n台電動車16在第t個時間窗格的放電電功率，
為第n台電動車16在第t個時間窗格的充電電功率，
為第n台電動車16的該最小電池荷電狀態，
為第n台電動車16的該最大電池荷電狀態，
為第n台電動車16在第t個時間窗格的一電池荷電狀態，
為一個時間窗格時間期間。
參閱圖1與圖5，該微電網併網電能管理方法的即時電能控制模型建立程序說明了如何建立一即時電能控制模型，並包含下列步驟。
在步驟51中，該運算裝置11根據每一電動車16在多個訓練規劃窗格的多個預計充電電功率或預計放電電功率及多個充電優先權、該電能儲存裝置12在該等訓練規劃窗格之多個預計充電電功率或預計放電電功率、該微電網在該等訓練規劃窗格的多個預測淨負載、每一電動車16在每一訓練規劃窗格之多個時刻的多個電池荷電狀態、該電能儲存裝置12在每一訓練規劃窗格之多個時刻的多個電池荷電狀態，該微電網在每一訓練規劃窗格之多個時刻的多個淨負載，利用一增強式學習演算法，建立該即時電能控制模型。
參閱圖1與圖6，該微電網併網電能管理方法的即時電能控制程序說明了如何即時控制該微電網中之該電能儲存裝置12及該等電動車16的充放電，並包含下列步驟。
在步驟61中，該運算裝置11將該等電動車16在一當前時間之多個電池荷電狀態、該電能儲存裝置12在該當前時間之一電池荷電狀態、該微電網在該當前時間之一淨負載與該微電網在一涵蓋該當前時間之當前的時間窗格的一預測淨負載間之差、每一電動車16在該當前的時間窗格所對應之該預計充電電功率或該預計放電電功率及一充電優先權，以及該電能儲存裝置12在該當前的時間窗格之該預計充電電功率或該預計放電電功率集結為一當前狀態。
值得特別說明的是，第n台電動車16在該當前的時間窗格之該充電優先權
係透過下列公式(2)而獲得。
…(2)
其中，
為該當前時間，
為第n台電動車16所對應之該離場時間，
為第n台電動車16所對應之當前電池荷電狀態，
為第n台電動車16所對應之離場電池荷電狀態。
此外，該微電網在該當前的時間窗格
之該預測淨負載
係透過下列公式(3)而獲得，該微電網在該當前的時間
之該淨負載
係透過下列公式(4)而獲得。
…(3)
…(4)
其中，
為在該當前的時間窗格的該預測太陽能電功率，
為該微電網之負載14在該當前的時間窗格的該預測負載用電電功率，
為在該當前時間的一當前太陽能電功率，
為該微電網在該當前時間的一當前負載用電電功率。
在步驟62中，該運算裝置11根據該當前狀態利用該即時電能控制模型獲得一執行動作，該執行動作為每一電動車16在一涵蓋該當前時間之未來控制區間所對應的一欲控制充電電功率或一欲控制放電電功率，以及該電能儲存裝置12在該未來控制區間的一欲控制充電電功率或一欲控制放電電功率，其中該未來控制區間之長短小於等於該當前的時間窗格之長短。在本實施例中，該當前的時間窗格為5分鐘，該未來控制區間為1秒鐘，但不限於此。
在步驟63中，該運算裝置11根據該執行動作，控制該電能儲存裝置12以及該等電動車16之充放電。
在步驟64中，該運算裝置11判定該未來控制區間之結束點是否等於該當前的時間窗格之結束點。當該運算裝置11判定出該未來控制區間之結束點不等於該當前的時間窗格之結束點時，流程進行步驟65；當該運算裝置11判定出該未來控制區間之結束點等於該當前的時間窗格之結束點時，結束該當前的時間窗格之即時電能的控制，若以前述該當前的時間窗格為5分鐘如，自第0秒~第300秒，該未來控制區間為1秒鐘之例子而言，當該未來控制區間為第299秒~第300秒的未來控制區間時，即判定該未來控制區間之結束點等於該當前的時間窗格之結束點。接著，隨著時間推移至該當前的時間窗格之下一時間窗格，該運算裝置11繼續進行該當前的時間窗格之下一時間窗格之即時電能的控制，類似地，該運算裝置11將該當前的時間窗格之下一時間窗格作為新的該當前的時間窗格並回到規劃排程程序重新規劃出新的該當前的時間窗格至一最後的時間窗格之每一時間窗格的充放電排程結果，然後，該運算裝置11進行該即時電能控制程序以對新的該當前的時間窗格進行即時電能的控制，以此類推，直到完成最後的時間窗格之即時電能的控制。
在步驟65中，該運算裝置11將該等電動車16經過該執行動作之控制而在該當前時間之下一時間的至少一電池荷電狀態、該電能儲存裝置12經過該執行動作之控制而在該下一時間之一電池荷電狀態、該微電網在該下一時間之一淨負載與該微電網在該當前的時間窗格的該預測淨負載間之差、每一電動車16在該當前的時間窗格所對應之該預計充電電功率或該預計放電電功率及一充電優先權，以及該電能儲存裝置12在該當前的時間窗格之該預計充電電功率或該預計放電電功率集結為下一狀態，並將該下一狀態作為該當前狀態，且將下一時間做為該當前時間，並回到步驟62。
綜上所述，本發明微電網併網電能管理方法具有以下功效，第一：導入移動滑窗(move sliding window)控制技術，每當經過一時間窗格即執行一次最佳化排程，利用滾動式決策，進行該微電網於該排程週期的最佳化經濟調度，第二：每當經過該未來控制區間之時間即執行一次即時電能控制模型的調控，以降低再生能源發電量與負載用電量不確定性對於微電網產生的影響，達成即時因應環境變化來對該微電網內所有電動車16及該電能儲存裝置12進行即時功率調整控制，故確實能達成本發明的目的。
惟以上所述者，僅為本發明的實施例而已，當不能以此限定本發明實施的範圍，凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾，皆仍屬本發明專利涵蓋的範圍內。
11:運算裝置
12:電能儲存裝置
13:太陽能模組
14:負載
15:充電樁
16:電動車
17:功率調節裝置
21~22:步驟
31~32:步驟
41:步驟
51:步驟
61~65:步驟
本發明的其他的特徵及功效，將於參照圖式的實施方式中清楚地呈現，其中：
圖1是一方塊圖，說明本發明微電網併網電能管理方法之實施例所適用的一微電網；
圖2是一流程圖，說明本發明微電網併網電能管理方法之實施例的一發電預測程序；
圖3是一流程圖，說明本發明微電網併網電能管理方法之實施例的一用電預測程序；
圖4是一流程圖，說明本發明微電網併網電能管理方法之實施例的一規劃排程程序；
圖5是一流程圖，說明本發明微電網併網電能管理方法之實施例的一即時電能控制模型建立程序； 及
圖6是一流程圖，說明本發明微電網併網電能管理方法之實施例的一即時電能控制程序。
61~65:步驟
Claims (8)
- 一種微電網併網電能管理方法，適用於對一微電網進行電能管理，該微電網設置有一用於儲存電能並對應有一電能資訊的電能儲存裝置、一用於發電的太陽能模組、多個負載、多個用於供多台電動車進行充放電的充電樁、一用於供該電能儲存裝置進行充放電的功率調節裝置，與一訊號連接該太陽能模組、該等負載、該等充電樁及該功率調節裝置的運算裝置，每一電動車對應於一包含所對應之電動車的一入場時間、一離場時間、入場時的一入場電池荷電狀態、一當前電池荷電狀態、期望的一離場電池荷電狀態、一最小電池荷電狀態、一最大電池荷電狀態、一額定容量，與一最大的充放電電功率的電動車資訊，該電能資訊包含該電能儲存裝置之一入場電池荷電狀態、一當前電池荷電狀態、一最小荷電狀態、一最大荷電狀態、一額定容量，與一最大的充放電電功率，該微電網電能管理方法藉由一運算裝置來實施，並包含以下步驟：(A)藉由該運算裝置，根據每一電動車所對應之電動車資訊、該電能儲存裝置之電能資訊、該微電網在一排程週期中之一當前的時間窗格至一最後的時間窗格之每一時間窗格買入一單位電功率所對應的一買入價格、該微電網在每一時間窗格參與電力交易所對應的一得標價格、該微電網在每一時間窗格給付該單位電功率所對應的一給 付價格、該微電網在該電動車未充滿該單位電功率的一懲罰價格、一太陽能模組在每一時間窗格所對應的一預測太陽能電功率、該微電網之負載在每一時間窗格所對應的一預測負載用電電功率，及該電能儲存裝置充電或放電該單位電功率所消耗的一劣化成本，利用一非線性規劃獲得該等電動車及該電能儲存裝置之每一者在所對應之每一時間窗格的一預計充電電功率或一預計放電電功率；(B)藉由該運算裝置，將該等電動車在一當前時間之多個電池荷電狀態、該電能儲存裝置在該當前時間之一電池荷電狀態、該微電網在該當前時間之一淨負載與該微電網在一涵蓋該當前時間之當前的時間窗格的一預測淨負載間之差、每一電動車在該當前的時間窗格所對應之該預計充電電功率或該預計放電電功率及一充電優先權，以及該電能儲存裝置在該當前的時間窗格之該預計充電電功率或該預計放電電功率集結為一當前狀態；(C)藉由該運算裝置，根據該當前狀態利用一即時電能控制模型獲得一執行動作，該執行動作為每一電動車在一涵蓋該當前時間之未來控制區間所對應的一欲控制充電電功率或一欲控制放電電功率，以及該電能儲存裝置在該未來控制區間的一欲控制充電電功率或一欲控制放電電功率，其中該未來控制區間之長短小於等於該當前的時間窗格之長短；及 (D)藉由該運算裝置，根據該執行動作，控制該電能儲存裝置之充放電及每一電動車之充放電。
- 如請求項1所述的微電網併網電能管理方法，在步驟(D)之後，還包含以下步驟：(E)藉由該運算裝置，將該等電動車經過該執行動作之控制而在該當前時間之下一時間的多個電池荷電狀態、該電能儲存裝置經過該執行動作之控制而在該下一時間之一電池荷電狀態、該微電網在該下一時間之一淨負載與該微電網在該當前的時間窗格的該預測淨負載間之差、每一電動車在該當前的時間窗格所對應之該預計充電電功率或該預計放電電功率及一充電優先權，以及該電能儲存裝置在該當前的時間窗格之該預計充電電功率或該預計放電電功率集結為下一狀態，並將該下一狀態作為該當前狀態，且將下一時間做為該當前時間並回到(C)，直到該未來控制區間之結束點等於該當前的時間窗格之結束點。
- 如請求項1所述的微電網併網電能管理方法，其中，在該步驟(A)中，該非線性規劃的一目標函數及該目標函數所滿足的多個限制條件，可被表示為：
，其中
<0，
，其中
-
×△t>0,
n
N,t
T，
,
t
T，限制條件3：
SOCESS,t
,
t
T，限制條件4：
,
n
N,t
T，限制條件5：
限制條件6：
,
n
N,t
T，其中，Cnet,t為該微電網在第t個時間窗格的購電成本，P net,t 為在第t個時間窗格向一電網買入的總電功率，C ToU,t 為該微電網在第t個時間窗格買入該單位電功率的一買入價格，
為該電能儲存裝置在第t個時間窗格充電或放電的一總劣化成本，
為該電能儲存裝置的一總成本，m 1為該電能儲存裝置的一電池容量變化量與一電池循環次數變化量的比值，
為該電能儲存裝置的該額定容量，
為該電能儲存裝置的之電池充電或放電該單位電功率所消耗的一劣化成本，
與
分別為該電能儲存裝置的一充電效率及一放電效率，
為第n台電動車在第t個時間窗格放電時，該微電網需給付電動車的補償費用，Cfeedback,t為該微電網在第t個時間窗格給付該單位電功率的一給付價格，
為第n台電動車在第t個時間窗格的充電電功率或放電電功率，當
>0，
為第n台電動車在第t個時間窗格的充電電功率，當
<0，
為第n台電動車在第t個時間窗格的放電電功率，I PT,t為該微電網在第t個時間窗格參與電力交易時，所獲取之一利潤，P PT,t 為該微電網在第t個時間窗格參與電力交易之一總交易電功率，CPT,t為該充電站在第t個時間窗格參與電力交易的一得標價格，
為第n台電動車在未符合其期望的離場電池荷電狀態時的一懲罰金，
為未充滿該單位電功率的一懲罰價格，
為第n台電動車在符合其期望的離場電池荷電狀態時總共需獲得之電量，
為該微電網之一契約容量超約成本，
為該微電網超約10%以內的一成本，
為該微電網超約10以外的一成本，ppv,t為在第t個時間窗格的該預測太陽能電功率，pload,t為該微電網在第t個時間窗格的該預測負載用電電功率，pESS,t為該電能儲存裝置在第t個時間窗格的充電電功率或放電電功率，當pESS,t>0，pESS,t為該電能儲存裝置在第t個 時間窗格的充電電功率，當pESS,t<0，pESS,t為該電能儲存裝置在第t個時間窗格的放電電功率，
為該電能儲存裝置的該最大的充放電電功率，
為該電能儲存裝置的該最小電池荷電狀態，
為該電能儲存裝置的該最大電池荷電狀態，SOCESS,t為該電能儲存裝置在第t個時間窗格的一電池荷電狀態，
為第n台電動車所對應之一最大充放電電功率，
為第n台電動車在第t個時間窗格的放電電功率，
為第n台電動車在第t個時間窗格的充電電功率，
為第n台電動車的該最小電池荷電狀態，
為第n台電動車的該最大電池荷電狀態，
為第n台電動車在第t個時間窗格的一電池荷電狀態，△t為一個時間窗格時間期間。
- 如請求項1所述的微電網併網電能管理方法，在步驟(A)之前，還包含以下步驟：(F)藉由該運算裝置，根據該太陽能模組在一先前排程週期之每一時間窗格所對應產生的一太陽能電功率及對應該排程週期的天氣資訊，利用一發電預測模型預測該太陽能模組在該排程週期之每一時間窗格所對應的一預測太陽能電功率。
- 如請求項1所述的微電網併網電能管理方法，在步驟(A)之前，還包含以下步驟：(G)藉由該運算裝置，根據該微電網之負載在一先前 排程週期之每一時間窗格所對應耗費的負載用電電功率及對應該排程週期的天氣資訊，利用一用電預測模型預測該充電站之負載在該排程週期之每一時間窗格所對應的一預測負載用電電功率。
- 如請求項1所述的微電網併網電能管理方法，其中，在步驟(B)中，該微電網在該當前的時間窗格t now 之該預測淨負載係透過下列公式而獲得：
為在該當前的時間窗格的該預測太陽能電功率，
為該微電網之負載在該當前的時間窗格的該預測負載用電電功率。
- 如請求項1所述的微電網併網電能管理方法，其中，在步驟(B)中，第n台電動車在該當前的時間窗格之該充電優先權係透過下列公式而獲得：
為第n台電動車所對應之該離場時間，
為第n台電動車所對應之當前電池荷電狀態，
為第n台電動車所對應之離場電池荷電狀態。
- 如請求項1所述的微電網併網電能管理方法，在步驟(B)之前，還包含以下步驟：(H)藉由該運算裝置，根據每一電動車在多個訓練規 劃窗格的多個預計充電電功率或預計放電電功率及多個充電優先權、該電能儲存裝置在該等訓練規劃窗格之多個預計充電電功率或預計放電電功率、該微電網在該等訓練規劃窗格的多個預測淨負載、每一電動車在每一訓練規劃窗格之多個時刻的多個電池荷電狀態、該電能儲存裝置在每一訓練規劃窗格之多個時刻的多個電池荷電狀態，該微電網在每一訓練規劃窗格之多個時刻的多個淨負載，利用一增強式學習演算法，建立該即時電能控制模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112111790A TWI824957B (zh) | 2023-03-28 | 2023-03-28 | 微電網併網電能管理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW112111790A TWI824957B (zh) | 2023-03-28 | 2023-03-28 | 微電網併網電能管理方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TWI824957B true TWI824957B (zh) | 2023-12-01 |
Family
ID=90053049
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW112111790A TWI824957B (zh) | 2023-03-28 | 2023-03-28 | 微電網併網電能管理方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI824957B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017104161A1 (ja) * | 2015-12-16 | 2017-06-22 | 三菱電機株式会社 | 電力管理装置 |
| TW202119335A (zh) * | 2019-11-06 | 2021-05-16 | 大陸商萬幫數字能源股份有限公司 | 電動車充電站分散式電能管理方法 |
| CN113853719A (zh) * | 2019-03-29 | 2021-12-28 | 阿尔法能源技术公司 | 具有转换器源模块的基于模块的能量系统及其相关方法 |
| CN113879140A (zh) * | 2020-07-01 | 2022-01-04 | 沃尔沃卡车集团 | 电动车辆的电力管理方法和电力系统 |
-
2023
- 2023-03-28 TW TW112111790A patent/TWI824957B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017104161A1 (ja) * | 2015-12-16 | 2017-06-22 | 三菱電機株式会社 | 電力管理装置 |
| CN113853719A (zh) * | 2019-03-29 | 2021-12-28 | 阿尔法能源技术公司 | 具有转换器源模块的基于模块的能量系统及其相关方法 |
| TW202119335A (zh) * | 2019-11-06 | 2021-05-16 | 大陸商萬幫數字能源股份有限公司 | 電動車充電站分散式電能管理方法 |
| CN113879140A (zh) * | 2020-07-01 | 2022-01-04 | 沃尔沃卡车集团 | 电动车辆的电力管理方法和电力系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20240053715A1 (en) | Building energy storage system with planning tool | |
| Sadati et al. | Operational scheduling of a smart distribution system considering electric vehicles parking lot: A bi-level approach | |
| Elkazaz et al. | A hierarchical two-stage energy management for a home microgrid using model predictive and real-time controllers | |
| Zakariazadeh et al. | Integrated operation of electric vehicles and renewable generation in a smart distribution system | |
| Shi et al. | Real-time vehicle-to-grid control algorithm under price uncertainty | |
| Zhu et al. | The case for efficient renewable energy management in smart homes | |
| Rodríguez-Gallegos et al. | A diesel replacement strategy for off-grid systems based on progressive introduction of PV and batteries: An Indonesian case study | |
| US20190228481A1 (en) | Intelligent energy management system for distributed energy resources and energy storage systems using machine learning | |
| Lee et al. | Novel battery degradation cost formulation for optimal scheduling of battery energy storage systems | |
| Keerthisinghe et al. | Energy management of PV-storage systems: ADP approach with temporal difference learning | |
| Qi et al. | Energyboost: Learning-based control of home batteries | |
| TWI769074B (zh) | 利用區塊鏈的電動車充電站管理方法 | |
| Bagheri et al. | Stochastic optimization and scenario generation for peak load shaving in Smart District microgrid: sizing and operation | |
| Huy et al. | Real-time energy scheduling for home energy management systems with an energy storage system and electric vehicle based on a supervised-learning-based strategy | |
| CN114498638A (zh) | 计及源荷双侧不确定性的源网荷储协调规划方法及系统 | |
| TWI725606B (zh) | 電動車充電站分散式電能管理方法 | |
| Du et al. | Optimal whole-life-cycle planning for battery energy storage system with normalized quantification of multi-services profitability | |
| TWI824957B (zh) | 微電網併網電能管理方法 | |
| Wang et al. | Energy scheduling for multi-energy systems via deep reinforcement learning | |
| CN116362136A (zh) | 一种独立储能系统的自调度优化方法及系统 | |
| Yaniv et al. | Optimal battery scheduling in solar-plus-storage grid-connected microgrid for profit and cost efficiency: A use case on an Israeli microgrid | |
| Chasparis et al. | Reinforcement-learning-based optimization for day-ahead flexibility extraction in battery pools | |
| TWI841325B (zh) | 微電網離網電能管理方法 | |
| Vaka et al. | Prediction-based optimal sizing of battery energy storage systems in PV integrated microgrids for electricity bill minimization | |
| Spasova et al. | Energy exchange strategy for local energy markets with heterogenous renewable sources |