CN104578135B - 一种基于异构储能***的功率可预测性控制方法 - Google Patents
一种基于异构储能***的功率可预测性控制方法 Download PDFInfo
- Publication number
- CN104578135B CN104578135B CN201310501062.6A CN201310501062A CN104578135B CN 104578135 B CN104578135 B CN 104578135B CN 201310501062 A CN201310501062 A CN 201310501062A CN 104578135 B CN104578135 B CN 104578135B
- Authority
- CN
- China
- Prior art keywords
- energy
- storage system
- accumulating medium
- isomery
- output
- 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.)
- Expired - Fee Related
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000007935 neutral effect Effects 0.000 claims description 16
- 210000000349 chromosome Anatomy 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 239000013256 coordination polymer Substances 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012983 electrochemical energy storage Methods 0.000 claims description 5
- 230000003203 everyday effect Effects 0.000 claims description 4
- 238000010248 power generation Methods 0.000 abstract description 2
- 238000007599 discharging Methods 0.000 abstract 1
- 230000008685 targeting Effects 0.000 abstract 1
- 230000005611 electricity Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 8
- 230000006855 networking Effects 0.000 description 8
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 7
- 229910052744 lithium Inorganic materials 0.000 description 7
- 239000003990 capacitor Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- H02J3/382—
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于异构储能***的功率可预测性控制方法,该控制方法通过对异构储能***建立成本模型,以成本最低为目标,采用遗传算法对神经网络的参数进行优化,并以优化后的神经网络控制异构储能***运行时的充/放电。与现有技术相比,本发明保证了新能源发电入网电量的可预测性,提高新能源入网功率的稳定性,同时能够降低控制***运行成本,提高***运行寿命。
Description
技术领域
本发明涉及新能源发电并网技术领域,尤其是涉及一种基于异构储能***的功率可预测性控制方法。
背景技术
随着全球的能源枯竭和环境恶化等问题的日益严重,新能源因其可再生、无污染等突出优势越来越受到人们的重视。但新能源(如风能、太阳能等)与传统能源相比,受自然条件(如季节、地域等)的影响,具有发电不稳定、不可预测的特性,这为新能源并网带来了挑战。
目前,为了让新能源的使用过程中摆脱对自然条件的依赖,使新能源并网功率消除波动,提高新能源入网可测性的方法有通过硬件技术来调节并使得输出功率平滑,但调节能力有限,并使新能源的利用率下降。更多的方法则是通过大容量的储能***来实现,能量存储***不仅通过技术手段将有用的能量存储起来,以调整电力供求之间的不平衡。还可以向电网输送稳定的电能。但大容量的储能***也意味着高的成本消耗。同时随着能源***的规模越来越大,储能强度高的存储***同时也面临着技术和成本的考验。目前的能源存储技术主要分为四大类:电化学储能、机械储能和热能储能。每种存储技术都有其存储特性和成本,可以满足不同的需求。它们之间的不同主要在于:容量、能量转换率、充/放电效率、使用寿命、初始投入成本和总体运营成本。目前在对新能源储能技术的研究与应用中主要采用单一的储能技术,如电化学储能中的铅酸电池、锂电池等。它们一次性投入成本不高,技术成熟,安全可靠,但能量转化率较低,并且***运行维护所需成本较高,***寿命也较低。在电磁储能中有电容、超级电容储能等。它们具有能量转换率高,***寿命长等优点,但是一次性投入成本较高。而机械储能中则包含压缩空气储能、抽水储能等,储能效率高,规模大,但它们对地理或地质环境存在着特殊的要求,安全性能要求较高,并且一次性投入成本非常高。也有相关工作提出了结合多种存储介质构建储能***,研究了在多储能介质下***的最长生命周期。但对于***的整体运营成本,缺乏全面的考虑。
在成本计算方面,目前的工作主要考虑了储能***的初始投入成本,但是对长期成本并未进行考虑。而由于新能源发电站的设计寿命往往为10到20年,长期的储能***投入在整个***构建及使用过程中是至关重要的。
本发明正是为了解决以上主要问题而发明的基于异构存储***的新能源可预测性控制框架。提出了***运行成本模型,并提出了用基于人工神经网络的控制算法来保证新能源发电入网电量的可预测性,同时能够降低控制***运行成本,提高***运行寿命。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于异构储能***的功率可预测性控制方法,保证新能源入网的可测性,提高新能源入网功率的稳定性,同时能够降低控制***运行成本,提高***运行寿命。
本发明的目的可以通过以下技术方案来实现:
一种基于异构储能***的功率可预测性控制方法,该控制方法通过对异构储能***建立成本模型,以成本最低为目标,采用遗传算法对神经网络的参数进行优化,并以优化后的神经网络控制异构储能***运行时的充/放电。
所述的异构储能***是指至少包括两种储能介质的储能***。
所述的储能介质包括电化学储能、机械储能、电磁储能或热能储能。
所述的成本模型为:
s.t.n≥2
式中,i表示第i种储能介质,n为储能介质种类数,μi表示第i种储能介质每千瓦时的成本,Ji表示其储能量,CP表示其储能率,Cis表示在生命周期内该储能介质的最大充放电次数,Ni表示该储能介质的每天充放电次数。
所述的神经网络为包括输入层、隐藏层、输出层的三层神经网络。
所述的采用遗传算法对神经网络的参数进行优化具体为:
101)定义遗传算法中的染色体为:
其中,J1,...,Jn为各储能介质的储能量,w1,...,wr表示输入层到隐藏层之间的权值,r为输入层神经元数与隐藏层神经元数的乘积,表示隐藏层到输出层之间的权值,s为隐藏层神经元数与输出层神经元数的乘积;
102)产生初始种群,根据成本模型计算种群中各个体的成本;
103)以成本最小为目标,初始种群依次通过选择、交叉、变异操作进行循环,获得具有最小成本的染色体;
104)以具有最小成本的染色体作为神经网络的参数。
所述的以优化后的神经网络控制异构储能***的输出具体为:
201)以新能源预测输出、新能源实际输出、储能介质储能量及储能介质充电状态作为神经网络的输入,输出各储能介质的输出;
202)判断各储能介质的输出是否在异构储能***中元器件的约束条件之内,若是,则执行步骤203),若否,则调整各储能介质的输出;
203)根据步骤202)得到的各储能介质的输出控制异构储能***的充/放电。
所述的约束条件包括储能量约束条件、能量转换率约束条件和充/放电率约束条件。
所述的步骤203)具体为:
若某储能介质的输出为负的,则该储能介质进行充电,反之,则该储能介质进行放电。
与现有技术相比,本发明采用多种储能介质的储能框架,并对此储能***构造成本模型,采用人工神经网络控制算法对整个框架进行控制,保证新能源入网的可测性,提高新能源入网功率的稳定性,同时保证***长期成本最优,提高***运行寿命。
附图说明
图1为本发明基于人工神经网络的新能源发电运行时控制过程示意图;
图2为本发明采用遗传算法对人工神经网络进行训练的过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
一种基于异构储能***的功率可预测性控制方法,该控制方法通过对异构储能***建立成本模型,以成本最低为目标,采用遗传算法对神经网络的参数进行优化,并以优化后的神经网络控制异构储能***运行时的充/放电。所述的异构储能***是指至少包括两种储能介质的储能***。储能介质包括电化学储能、机械储能、电磁储能或热能储能。
所述的成本模型为:
s.t.n≥2
式中,i表示第i种储能介质,n为储能介质种类数,μi表示第i种储能介质每千瓦时的成本,Ji表示其储能量,CP表示其储能率,Cis表示在生命周期内该储能介质的最大充放电次数(cycle life),Ni表示该储能介质的每天充放电次数(charge cycle),则表示在***生命周期内,***所需的该储能介质的数量。
神经网络采用包括输入层、隐藏层、输出层的三层神经网络:
输入层:P,J1,...,Jn,SOC1,...,SOCn;
隐藏层:2n+2个隐藏的神经元;
输出层:n个储能介质的输出功率。
其中P表示新能源实际输出,表示新能源预测输出,Ji(i=1,...,n)表示第i种储能介质的储能量,SOCi(i=1,...,n)表示第i种储能介质的当前充电状态。该神经网络中,用双极S型函数作为隐藏层激活函数,用线性函数作为输出层激活函数。利用上述网络结构,即可以在运行时决定每个组件的输入/输出。如果储能介质在***中输出是负的,该组件就进行充电,否则就放电。
根据历史数据,采用遗传算法对人工神经网络进行设计和训练,训练函数采用成本模型公式,即公式(1)。通过训练,找到***的最优配置参数,具体为:
101)定义遗传算法中的染色体为:
其中,J1,…,Jn为各储能介质的储能量,w1,…,wr表示输入层到隐藏层之间的权值,r为输入层神经元数与隐藏层神经元数的乘积,表示隐藏层到输出层之间的权值,s为隐藏层神经元数与输出层神经元数的乘积;
102)产生k个个体作为初始种群P,以进行N次迭代,根据成本模型计算种群中各个体的成本,即个体的适应度;
计算每个个体的适应度时,判断在超过90%时间内实际风能输出和预测输出之间的差值是否小于0.04,如果不小于,则将适应度调至无穷大;
103)以成本最小为目标,初始种群依次通过选择、交叉、变异操作进行循环,获得具有最小成本的染色体,选择、交叉、变异操作具体如下:
●选择:根据公式(1)计算出的成本,选出其中成本较小的1/2作为初始种群;
●交叉:随机将种群划分成两个子种群,其次随机|P|次,分别从两个子种群中选择个体,两个染色体对应的实体之间以一定的交叉概率进行交叉;
●变异:最后合并两个子种群得到新种群,通过对新种群的每个个体进行变异,以η(η>0)作为变异率,变异算子采用在[-η%,η%]范围内的随机噪音,对同一染色体内的不同个体进行变异操作。
104)最终形成具有最小代价的个体,以具有最小成本的染色体作为神经网络的参数。
该算法流程图如图2所示。算法具体描述如下:
如图1所示,以优化后的神经网络控制异构储能***的输出具体为:
201)采集新能源及储能介质的状态信息,以新能源预测输出、新能源实际输出、储能介质储能量及储能介质充电状态作为神经网络的输入,输出各储能介质的输出;
202)判断各储能介质的输出是否在异构储能***中元器件的约束条件之内,若是,则执行步骤203),若否,则调整各储能介质的输出,使其满足约束条件;所述的约束条件包括储能量约束条件、能量转换率约束条件和充/放电率约束条件,如储能介质的额定容量等;
203)根据步骤202)得到的各储能介质的输出控制异构储能***的充/放电,若某储能介质的输出为负的,则该储能介质进行充电,反之,则该储能介质进行放电。
以基于锂电池***和超级电容***构成的异构储能***模型为例,在一个50MW,使用寿命为20年的风电场上模拟实施。储能介质由锂电池***和超级电容***构成。它们的能量转换率均为85%。其中超级电容成本约为37,000¥/kWh,充放电循环使用次数为100,000次,运行时能量衰减主要来自超级电容和输电总线接口电子电力的转换,衰减率为75%到90%之间。锂电池成本约为3,000¥/kWh,充放电循环使用次数在500到2000之间,具体在研究及实施过程中,选用充放电循环使用次数为1000次。锂电池***运行时能量衰减主要来自电池本身,假定衰减率为60%。采样数据来自连续七个月的风力数据,采样间隔为7秒。
结果表明,实际的入网电量和预测入网电量明显不同,但是经过本发明控制方法之后的入网电量和预测的入网电量则非常接近。这也说明该控制方法能保证新能源发电入网电量的可预测性(预测误差在90%时间内少于4%)。从成本上分析,仅有锂电池构成的储能控制***的一次性投入成本较低,而在***的整个生命周期内,异构储能***所平均每天所产生的成本比由锂电池构成的储能控制***成本降低70%。对比结果如表1。
表1不同的控制***在其生命周期内平均每天成本对比表
Claims (7)
1.一种基于异构储能***的功率可预测性控制方法,其特征在于,所述的异构储能***是指至少包括两种储能介质的储能***,该控制方法通过对异构储能***建立成本模型,以成本最低为目标,采用遗传算法对神经网络的参数进行优化,并以优化后的神经网络控制异构储能***运行时的充/放电;
所述的成本模型为:
s.t.n≥2
式中,i表示第i种储能介质,n为储能介质种类数,μi表示第i种储能介质每千瓦时的成本,Ji表示其储能量,CP表示其储能率,Cis表示在生命周期内该储能介质的最大充放电次数,Ni表示该储能介质的每天充放电次数。
2.根据权利要求1所述的一种基于异构储能***的功率可预测性控制方法,其特征在于,所述的储能介质包括电化学储能、机械储能、电磁储能或热能储能。
3.根据权利要求1所述的一种基于异构储能***的功率可预测性控制方法,其特征在于,所述的神经网络为包括输入层、隐藏层、输出层的三层神经网络。
4.根据权利要求3所述的一种基于异构储能***的功率可预测性控制方法,其特征在于,所述的采用遗传算法对神经网络的参数进行优化具体为:
101)定义遗传算法中的染色体为:
其中,J1,...,Jn为各储能介质的储能量,w1,...,wr表示输入层到隐藏层之间的权值,r为输入层神经元数与隐藏层神经元数的乘积,表示隐藏层到输出层之间的权值,s为隐藏层神经元数与输出层神经元数的乘积;
102)产生初始种群,根据成本模型计算种群中各个体的成本;
103)以成本最小为目标,初始种群依次通过选择、交叉、变异操作进行循环,获得具有最小成本的染色体;
104)以具有最小成本的染色体作为神经网络的参数。
5.根据权利要求4所述的一种基于异构储能***的功率可预测性控制方法,其特征在于,所述的以优化后的神经网络控制异构储能***的输出具体为:
201)以新能源预测输出、新能源实际输出、储能介质储能量及储能介质充电状态作为神经网络的输入,输出各储能介质的输出;
202)判断各储能介质的输出是否在异构储能***中元器件的约束条件之内,若是,则执行步骤203),若否,则调整各储能介质的输出;
203)根据步骤202)得到的各储能介质的输出控制异构储能***的充/放电。
6.根据权利要求5所述的一种基于异构储能***的功率可预测性控制方法,其特征在于,所述的约束条件包括储能量约束条件、能量转换率约束条件和充/放电率约束条件。
7.根据权利要求5所述的一种基于异构储能***的功率可预测性控制方法,其特征在于,所述的步骤203)具体为:
若某储能介质的输出为负的,则该储能介质进行充电,反之,则该储能介质进行放电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310501062.6A CN104578135B (zh) | 2013-10-22 | 2013-10-22 | 一种基于异构储能***的功率可预测性控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310501062.6A CN104578135B (zh) | 2013-10-22 | 2013-10-22 | 一种基于异构储能***的功率可预测性控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104578135A CN104578135A (zh) | 2015-04-29 |
CN104578135B true CN104578135B (zh) | 2017-01-11 |
Family
ID=53093605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310501062.6A Expired - Fee Related CN104578135B (zh) | 2013-10-22 | 2013-10-22 | 一种基于异构储能***的功率可预测性控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104578135B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807015B (zh) * | 2021-09-17 | 2023-12-26 | 南方电网科学研究院有限责任公司 | 压缩空气储能***参数优化方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354334A (zh) * | 2011-09-27 | 2012-02-15 | 浙江省电力试验研究院 | 基于全寿命周期净费用最小的微网***优化设计方法 |
CN102903016A (zh) * | 2012-09-28 | 2013-01-30 | 南方电网科学研究院有限责任公司 | 一种分布式发电规划方法 |
CN103078340A (zh) * | 2012-12-24 | 2013-05-01 | 天津大学 | 用于优化微网联络线功率的混合储能容量优化方法 |
-
2013
- 2013-10-22 CN CN201310501062.6A patent/CN104578135B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102354334A (zh) * | 2011-09-27 | 2012-02-15 | 浙江省电力试验研究院 | 基于全寿命周期净费用最小的微网***优化设计方法 |
CN102903016A (zh) * | 2012-09-28 | 2013-01-30 | 南方电网科学研究院有限责任公司 | 一种分布式发电规划方法 |
CN103078340A (zh) * | 2012-12-24 | 2013-05-01 | 天津大学 | 用于优化微网联络线功率的混合储能容量优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104578135A (zh) | 2015-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104701871B (zh) | 一种含风光水多源互补微网混合储能容量最佳配比方法 | |
CN103793758B (zh) | 含光伏发电***的电动汽车充电站的多目标优化调度方法 | |
CN103490410B (zh) | 一种基于多目标优化的微电网规划和容量配置方法 | |
CN105337315B (zh) | 一种风光蓄互补独立微电网高维多目标优化配置方法 | |
CN105811409B (zh) | 一种含电动汽车混合储能***的微网多目标运行调度方法 | |
CN104158203B (zh) | 一种微电网电源容量优化配置方法 | |
CN102354334B (zh) | 基于全寿命周期净费用最小的微网***优化设计方法 | |
CN107742900A (zh) | 风光储智能微电网经济调度控制方法 | |
CN103217900A (zh) | 基于实时电价的中压微网混沌pso最优潮流实现方法 | |
CN110135662B (zh) | 一种考虑减小峰谷差的储能选址定容多目标优化方法 | |
CN107546781A (zh) | 基于pso改进算法的微电网多目标运行优化方法 | |
CN112550047B (zh) | 一种充光储一体化充电站优化配置方法和装置 | |
CN103996075A (zh) | 考虑柴蓄协调增效的微电网多目标优化调度方法 | |
CN106655248A (zh) | 一种并网型微电网电源容量配置方法 | |
Khezri et al. | Impact of optimal sizing of wind turbine and battery energy storage for a grid-connected household with/without an electric vehicle | |
CN113326467B (zh) | 基于多重不确定性的多站融合综合能源***多目标优化方法、存储介质及优化*** | |
CN105140941A (zh) | 考虑锂电池可变折旧成本与实用充放电策略的微电网优化调度方法 | |
Kumaravel et al. | Adapted multilayer feedforward ANN based power management control of solar photovoltaic and wind integrated power system | |
Xu et al. | Optimization based on tabu search algorithm for optimal sizing of hybrid PV/energy storage system: Effects of tabu search parameters | |
CN110098623B (zh) | 一种基于智能负载的Prosumer单元控制方法 | |
CN115622101A (zh) | 一种促进可再生能源消纳的储能优化配置双层规划方法 | |
CN105574681A (zh) | 一种多时间尺度社区能源局域网能量调度方法 | |
Jemaa et al. | Optimum sizing of hybrid PV/wind/battery system using Fuzzy-Adaptive Genetic Algorithm | |
CN110391677A (zh) | 一种基于电力市场环境的水光蓄混合***运行优化方法 | |
Saber et al. | Smart micro-grid optimization with controllable loads using particle swarm optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170111 Termination date: 20191022 |