CN106228462B - 一种基于遗传算法的多储能***优化调度方法 - Google Patents
一种基于遗传算法的多储能***优化调度方法 Download PDFInfo
- Publication number
- CN106228462B CN106228462B CN201610549866.7A CN201610549866A CN106228462B CN 106228462 B CN106228462 B CN 106228462B CN 201610549866 A CN201610549866 A CN 201610549866A CN 106228462 B CN106228462 B CN 106228462B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- user
- power
- load
- storage system
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000002068 genetic effect Effects 0.000 title claims abstract description 22
- 238000004146 energy storage Methods 0.000 claims abstract description 88
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000012417 linear regression Methods 0.000 claims abstract description 14
- 238000007599 discharging Methods 0.000 claims description 23
- 230000006399 behavior Effects 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于遗传算法的多储能***优化调度方法，该方法基于电力负荷的历史数据，使用线性回归预测法进行当日的电力负荷预测，并在预测负荷的基础上，基于多个电池储能***的工作参数和特点进行分别建模，结合多个储能***协同工作的特点，将不同电池不同时刻的功率变化情况作为决策变量，将各个用户的用电峰值之和作为优化目标，采用启发式的遗传算法对问题模型进行求解并进行优化调度，在不改变用户用电行为的前提下，达到整体用户峰值削减更显著的目的。本方法提高了单个储能***的利用率，对用户群整体而言，可以实现综合利益最大化、整体最优的优化结果。本发明方法对储能***的研究推广具有重要科学意义和应用价值。
Description
技术领域
本发明面向城市电网用户端的优化问题，属于电力***领域，尤其涉及一种基于遗传算法的多储能***优化调度方法。
背景技术
随着全球变暖，大力发展清洁能源已经在世界范围内达成共识，以风力发电、光伏发电为代表的可再生能源迅速发展，现有的电力***行业受到了前所未有的挑战，传统的电网供电供应方式存在缺陷。电力***中的负荷呈现峰谷负荷差逐年增大、最大负荷利用小时数逐年下降的特点，导致电力设备规模随年最大负荷增大而增大，但设备的年最大负荷利用小时数却逐渐降低，降低了电力设备投资的经济性，造成电力资源利用底下。
为了在一定程度上解决上述问题，储能技术被引入到电力***中。用户侧储能是一种重要的储能技术，区别于发电侧储能与输、配电级储能，单体项目要小得多，更接近普通电力用户。该种储能方式可以有效的实现需求侧管理，具有消除峰谷差，平滑负荷，促进新能源的利用，降低供电成本等功能。
在实际应用中，现有单个储能***及技术能较好地实现减少峰谷差、平滑负荷等功能，但相比于日均节省的电费，储能***锂电池及电池管理模块成本较高，实际使用中，往往一天内只有1～2个负荷峰值段内储能***进行工作，储能***的利用率不高，实际内部收益率IRR较低。国内新一轮电力体制改革已经确定了电网只收过网费并且会逐步放开需求侧，随着现代电网技术的发展，在一定范围内，多用户的储能***通过新的电网结构能够实现协同优化，即多个储能***协同优化多个用户的电力负荷曲线，得到整体的最优结果。对普通电力用户，该方法可以提高单个储能***的利用率，提高日均节省电费；对电网公司，该方法可以更加显著地减少峰谷差、平滑功能。
遗传算法是一种应用广泛的智能优化方法，是计算机模拟进化学说而发展起来的一门新算法，是人工智能领域的重要分支，对优化问题的限制条件很少，具有极强的通用性，易于通过编程实现。
发明内容
本发明的目的在于针对单储能***进行用户负荷优化时储能***利用率不高、实际内部收益率较低的问题，提出一种改进方法。在一定区域范围内，通过多用户的多个储能***合作，针对用户群体的多条负荷曲线进行协同优化，得到整体经济效益最佳的结果。
本发明的目的是通过以下技术方案来实现的：一种基于遗传算法的多储能***优化调度方法，包括以下步骤：
(1)获取用户的历史用电负荷数据，将预测日分为N个时间阶段，每个阶段的时间间隔为Δt，采用多元线性回归预测法进行短期电力负荷预测，得到预测负荷数据；(2)根据储能***自身物理特性、工作特点和相关参数，对K个储能***进行分别建模，第k个用户在i时刻的储能***模型如下：
SoCk_min≤SoCk(i)≤SoCk_max
SoCk(i)＝SoCk(i-1)+bk(i)·Δt
bk_min≤bk(i)≤bk_max
其中，SoCk(i)为第k个用户储能***i时刻的电池剩余电量，SoCk_max、SoCk_min分别为考虑过充过放保护时该储能***SoC的上下限，bk为单位时间间隔内该储能***的平均功率，bk_max、bk_min为bk的上下限，其中bk_min为负数，表示最大放电功率，bk_max为正数，表示最大充电功率；
(3)给出需要优化的目标函数，目标函数定义如下：
其中，c1是按照用户一段时间内用电功率最大值进行收费的费用，c2是电池的损耗费用，Pk_net(i)为第k个用户i时刻电网端的负荷情况；
(4)考虑多储能***协同优化，给出约束条件：
bk(i)＝bk_itself(i)+bk_others(i)
αk·bk_min≤bk_others(i)≤αk·bk_max
bkj(i)·bjk(i)≥0j≠k
bk_itself(i)·bkj(i)≥0j≠k
Pk_net(k)＝Pk_load(k)+bk_itself(i)+b'k_others(i)
其中bk_itself(i)为第k个用户储能***i时刻对自身负荷的充放电情况，bk_others(i)为储能***对其他用户负荷的充放电情况，bk_others(i)由对不同用户的充放电变量bkj(i)构成，αk为用户定义系数，表明用户在单位时刻储能***参与协同优化的指标，b'k_others(i)为其他储能设备对第k个用户的负荷充放电情况，由不同用户的储能***对第k个用户的充放电变量bjk(i)构成，Pk_load(i)为第k个用户实际的负荷情况；
(5)根据构造的优化问题进行优化，采用启发式的遗传算法进行求解，得到多储能***的充放电功率序列，并作为预测日储能***的充放电行为的执行标准，完成电池储能***的优化调度。
进一步地，所述步骤1中在预测日i时刻的多元线性回归预测值表达式如下：
其中
为预测日i时刻的预测结果，Qm为多元线性回归预测方法所需的历史数据点，am为偏回归系数，其中m＝0，1，2，……，M；M为选取的历史数据点数量。
具体步骤为：
d.针对i时刻的预测值，选用i时刻前M个点的历史数据以及上一周i时刻的电力负荷数据，横坐标为时间，纵坐标为电力负荷值，绘制散点图；
e.根据多元线性回归模型
依据最小二乘原则，求出偏回归系数am，其中m＝0，1，2，……，M；
f.检验并评价回归方程及各自变量的作用大小，并依据所求方程，对i时刻电力负荷进行预测，求得
g.
进一步地，所述的步骤5具体包括以下步骤：
a.将K个用户储能***在N时刻下的充放电行为作为决策变量，随机生成满足决策变量取值范围的G个体，每个个体含有K*N参数，即K个用户储能***在N个时刻下的充放电行为之和，构成种群；
b.依据遗传算法的一般性原则，确定迭代次数，设定编码、解码方式和遗传参数；根据优化问题的约束条件，设计适应度函数；
c.依据遗传算法的求解原则，进行变异和选择，得到满足迭代条件和适应度函数的最优决策变量，即使目标函数最优的K个用户储能***在N个时刻下的最优充放电行为，计算得到Jmin。
与现有技术相比，本发明的优点在于：本方法基于电力负荷的历史数据，使用线性回归预测法进行当日的电力负荷预测，并在预测负荷的基础上，基于多个电池储能***的工作参数和特点进行分别建模，结合多个储能***协同工作的特点，将不同电池不同时刻的功率变化情况作为决策变量，将各个用户的用电峰值之和作为优化目标，采用启发式的遗传算法对问题模型进行求解并进行优化调度，在不改变用户用电行为的前提下，达到整体用户峰值削减更显著的目的。特别的，本方法针对现有的单个储能***针对单个用户负荷进行优化储能***利用率不高的特点，创新性地提出多个储能***针对多条用户负荷曲线的协作优化方法，相比单个储能***针对单个负荷曲线的优化方法，本方法在保证了削峰填谷效果的同时，提高储能设备的使用率，从而提高***整体的收益。本发明方法对储能***的研究推广具有重要科学意义和应用价值。
附图说明
图1是本发明方法的流程图；
图2是采用两个储能***对两条负荷曲线优化后用户一的负荷变化示意图；
图3是采用两个储能***对两条负荷曲线优化后用户二的负荷变化示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步详细说明。
如图1所示，本发明提供的一种基于遗传算法的多储能***优化调度方法，包括以下步骤：
(1)获取用户的历史用电负荷数据，将预测日分为N个时间阶段，每个阶段的时间间隔为Δt，采用多元线性回归预测法进行短期电力负荷预测，得到预测负荷数据；
在预测日i时刻的多元线性回归预测值表达式如下：
其中
为预测日i时刻的预测结果，Qm为多元线性回归预测方法所需的历史数据点，am为偏回归系数，其中m＝0，1，2，……，M；M为选取的历史数据点数量。
具体步骤为：
h.针对i时刻的预测值，选用i时刻前M个点的历史数据以及上一周i时刻的电力负荷数据，横坐标为时间，纵坐标为电力负荷值，绘制散点图；采样时间间隔可取15分钟，M可取10。
i.根据多元线性回归模型
依据最小二乘原则，求出偏回归系数am，其中m＝0，1，2，……，M；
j.检验并评价回归方程及各自变量的作用大小，并依据所求方程，对i时刻电力负荷进行预测，求得
(2)根据储能***自身物理特性、工作特点和相关参数，对K个储能***进行分别建模，第k个用户在i时刻的储能***模型如下：
SoCk_min≤SoCk(i)≤SoCk_max
SoCk(i)＝SoCk(i-1)+bk(i)·Δt
bk_min≤bk(i)≤bk_max
其中，SoCk(i)为第k个用户储能***i时刻的电池剩余电量，SoCk_max、SoCk_min分别为考虑过充过放保护时该储能***SoC的上下限，bk为单位时间间隔内该储能***的平均功率，bk_max、bk_min为bk的上下限，其中bk_min为负数，表示最大放电功率，bk_max为正数，表示最大充电功率；
(3)给出需要优化的目标函数，目标函数定义如下：
其中，c1是按照用户一段时间内用电功率最大值进行收费的费用，c2是电池的损耗费用，Pk_net(i)为第k个用户i时刻电网端的负荷情况；
(4)考虑多储能***协同优化，给出约束条件：
bk(i)＝bk_itself(i)+bk_others(i)
αk·bk_min≤bk_others(i)≤αk·bk_max
bkj(i)·bjk(i)≥0j≠k
bk_itself(i)·bkj(i)≥0j≠k
Pk_net(k)＝Pk_load(k)+bk_itself(i)+b'k_others(i)
其中bk_itself(i)为第k个用户储能***i时刻对自身负荷的充放电情况，bk_others(i)为储能***对其他用户负荷的充放电情况，bk_others(i)由对不同用户的充放电变量bkj(i)构成，αk为用户定义系数，表明用户在单位时刻储能***参与协同优化的指标，b'k_others(i)为其他储能设备对第k个用户的负荷充放电情况，由不同用户的储能***对第k个用户的充放电变量bjk(i)构成，Pk_load(i)为第k个用户实际的负荷情况；
(5)根据构造的优化问题进行优化，采用启发式的遗传算法进行求解，得到多储能***的充放电功率序列，并作为预测日储能***的充放电行为的执行标准，完成电池储能***的优化调度，具体包括以下步骤：
a.将K个用户储能***在N时刻下的充放电行为作为决策变量，随机生成满足决策变量取值范围的G个体，每个个体含有K*N参数，即K个用户储能***在N个时刻下的充放电行为之和，构成种群；
b.依据遗传算法的一般性原则，确定迭代次数，设定编码、解码方式和遗传参数；根据优化问题的约束条件，设计适应度函数；
c.依据遗传算法的求解原则，进行变异和选择，得到满足迭代条件和适应度函数的最优决策变量，即使目标函数最优的K个用户储能***在N个时刻下的最优充放电行为，计算得到Jmin。
图2是采用两个储能***对两条负荷曲线优化后用户一的负荷变化示意图，横坐标为时间h，纵坐标为用电量kW；图3是采用两个储能***对两条负荷曲线优化后用户二的负荷变化示意图，横坐标为时间h，纵坐标为用电量kW。从图中可以看出，本发明方法在不改变用户用电行为的前提下，达到整体用户峰值削减更显著的效果。
Claims (2)
1.一种基于遗传算法的多储能***优化调度方法，其特征在于，包括以下步骤：
(1)获取用户的历史用电负荷数据，将预测日分为N个时间阶段，每个阶段的时间间隔为Δt，采用多元线性回归预测法进行短期电力负荷预测，得到预测负荷数据；
(2)根据储能***自身物理特性、工作特点和相关参数，对K个储能***进行分别建模，第k个用户在i时段的储能***模型如下：
SoCk_min≤SoCk(i)≤SoCk_max
SoCk(i)＝SoCk(i-1)+bk(i)·Δt
bk_min≤bk(i)≤bk_max
其中，SoCk(i)为第k个用户储能***i时段的电池剩余电量，SoCk_max、SoCk_min分别为考虑过充过放保护时该储能***SoC的上下限，bk(i)为i时段该储能***的平均功率，bk_max、bk_min分别为bk(i)的上下限，其中bk_min为负数，表示最大放电功率，bk_max为正数，表示最大充电功率；
(3)给出需要优化的目标函数，目标函数定义如下：
其中，c1是按照用户一段时间内用电功率最大值进行收费的费用，c2是电池的损耗费用，Pk_net(i)为第k个用户i时段电网端的负荷情况；Pk_net为第k个用户在单位时间内的电网端的负荷情况；
(4)考虑多储能***协同优化，给出约束条件：
bk(i)＝bk_itself(i)+bk_others(i)
αk·bk_min≤bk_others(i)≤αk·bk_max
bkj(i)·bjk(i)≥0j≠k
bk_itself(i)·bkj(i)≥0j≠k
Pk_net(i)＝Pk_load(i)+bk_itself(i)+b'k_others(i)
其中bk_itself(i)为第k个用户储能***i时段对自身负荷的充放电情况，bk_others(i)为储能***对其他用户负荷的充放电情况，bk_others(i)由对不同用户的充放电变量bkj(i)构成，αk为用户定义系数，表明用户在单位时刻储能***参与协同优化的指标，b'k_others(i)为其他储能设备对第k个用户的负荷充放电情况，由不同用户的储能***对第k个用户的充放电变量bjk(i)构成，Pk_load(i)为第k个用户实际的负荷情况；
(5)根据构造的优化问题进行优化，采用启发式的遗传算法进行求解，得到多储能***的充放电功率序列，并作为预测日储能***的充放电行为的执行标准，完成电池储能***的优化调度；具体包括以下步骤：
a.将K个用户储能***在N个时段下的充放电行为作为决策变量，随机生成满足决策变量取值范围的G个体，每个个体含有K*N参数，即K个用户储能***在N个时段下的充放电行为之和，构成种群；
b.依据遗传算法的一般性原则，确定迭代次数，设定编码、解码方式和遗传参数；根据优化问题的约束条件，设计适应度函数；
c.依据遗传算法的求解原则，进行变异和选择，得到满足迭代条件和适应度函数的最优决策变量，即使目标函数最优的K个用户储能***在N个时段下的最优充放电行为，计算得到Jmin。
2.根据权利要求1所述的方法，其特征在于，所述步骤1中在预测日i时段的多元线性回归预测值表达式如下：
其中
为预测日i时段的预测结果，Qm为多元线性回归预测方法所需的历史数据点，a0为回归常数，am为偏回归系数，其中m＝1，2，……，M；M为选取的历史数据点数量；具体步骤为：
a.针对i时段的预测值，选用i时段前M个点的历史数据以及上一周i时段的电力负荷数据，横坐标为时间，纵坐标为电力负荷值，绘制散点图；
b.根据多元线性回归模型
依据最小二乘原则，求出偏回归系数am，其中m＝0，1，2，……，M；
检验并评价回归方程及各自变量的作用大小，并依据所求方程，对i时段电力负荷进行预测，求得
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610549866.7A CN106228462B (zh) | 2016-07-11 | 2016-07-11 | 一种基于遗传算法的多储能***优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610549866.7A CN106228462B (zh) | 2016-07-11 | 2016-07-11 | 一种基于遗传算法的多储能***优化调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106228462A CN106228462A (zh) | 2016-12-14 |
| CN106228462B true CN106228462B (zh) | 2020-08-14 |
Family
ID=57520657
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610549866.7A Active CN106228462B (zh) | 2016-07-11 | 2016-07-11 | 一种基于遗传算法的多储能***优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106228462B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107370170B (zh) * | 2017-06-23 | 2020-02-07 | 浙江大学 | 一种考虑容量电价和负荷预测误差的储能***容量配置方法 |
| CN107884708A (zh) * | 2017-10-18 | 2018-04-06 | 广东电网有限责任公司佛山供电局 | 一种基于开关运行数据的开关性能诊断方法 |
| CN109063983B (zh) * | 2018-07-18 | 2022-06-21 | 北京航空航天大学 | 一种基于社交媒体数据的自然灾害损失实时评估方法 |
| CN109189009A (zh) * | 2018-07-26 | 2019-01-11 | 沈阳建筑大学 | 一种基于公共缓冲区的客车制造车间动态增容调度方法 |
| CN110826817B (zh) * | 2019-11-18 | 2024-02-20 | 北京燃气能源发展有限公司 | 楼宇分布式能源多能协同运行策略生成方法及*** |
| CN111222711B (zh) | 2020-01-16 | 2022-04-08 | 大连理工大学 | 一种基于指标联动分析的电力***调峰调度多目标优化方法 |
| CN113408886B (zh) * | 2021-06-11 | 2022-09-13 | 中国能源建设集团广东省电力设计研究院有限公司 | 一种储能容量的配置方法及装置 |
| CN116304847B (zh) * | 2023-05-24 | 2023-10-20 | 南方电网调峰调频发电有限公司储能科研院 | 一种基于共享机制小生境理念的ups集群分类方法 |
| CN117892982B (zh) * | 2024-03-14 | 2024-06-21 | 国家电投集团云南国际电力投资有限公司 | 光储直柔建筑的用电调度方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103745268A (zh) * | 2013-10-29 | 2014-04-23 | 上海电力学院 | 含分布式电源的微电网多目标优化调度方法 |
| CN104242335A (zh) * | 2014-06-30 | 2014-12-24 | 江苏华大天益电力科技有限公司 | 一种基于额定容量的风光储发电单元容量优化配置方法 |
| WO2015032572A1 (de) * | 2013-09-04 | 2015-03-12 | Robert Bosch Gmbh | Verfahren und vorrichtung zur adaptiven betriebsführung für ein speichersystem für ein fotovoltaiksystem |
| CN105244869A (zh) * | 2015-10-13 | 2016-01-13 | 国网山东省电力公司电力科学研究院 | 一种含微网的配电网动态随机调度控制方法 |
-
2016
- 2016-07-11 CN CN201610549866.7A patent/CN106228462B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015032572A1 (de) * | 2013-09-04 | 2015-03-12 | Robert Bosch Gmbh | Verfahren und vorrichtung zur adaptiven betriebsführung für ein speichersystem für ein fotovoltaiksystem |
| CN103745268A (zh) * | 2013-10-29 | 2014-04-23 | 上海电力学院 | 含分布式电源的微电网多目标优化调度方法 |
| CN104242335A (zh) * | 2014-06-30 | 2014-12-24 | 江苏华大天益电力科技有限公司 | 一种基于额定容量的风光储发电单元容量优化配置方法 |
| CN105244869A (zh) * | 2015-10-13 | 2016-01-13 | 国网山东省电力公司电力科学研究院 | 一种含微网的配电网动态随机调度控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106228462A (zh) | 2016-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106228462B (zh) | 一种基于遗传算法的多储能***优化调度方法 | |
| CN108667052B (zh) | 一种面向虚拟电厂优化运行的多类型储能***规划配置方法及*** | |
| CN112103946B (zh) | 一种基于粒子群算法的微电网储能优化配置方法 | |
| CN109325608B (zh) | 考虑储能并计及光伏随机性的分布式电源优化配置方法 | |
| Li et al. | On the determination of battery energy storage capacity and short-term power dispatch of a wind farm | |
| CN107994595B (zh) | 一种削峰填谷控制方法和***以及应用该控制方法的*** | |
| CN109103912B (zh) | 考虑电网调峰需求的工业园区主动配电***调度优化方法 | |
| CN105846461B (zh) | 一种大规模储能电站自适应动态规划的控制方法和*** | |
| CN105591406B (zh) | 一种基于非合作博弈的微电网能量管理***的优化算法 | |
| 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 | |
| CN103151803B (zh) | 一种含风电***机组及备用配置的优化方法 | |
| CN102694391B (zh) | 风光储联合发电***日前优化调度方法 | |
| CN106532764B (zh) | 一种就地消纳光伏发电的电动汽车充电负荷调控方法 | |
| CN113095791B (zh) | 一种综合能源***运行方法及*** | |
| CN103311942A (zh) | 一种用于配电网削峰填谷的电池储能***的控制方法 | |
| CN105162151A (zh) | 一种基于人工鱼群算法的智能化储能***并网实时控制方法 | |
| CN111626527A (zh) | 计及可调度电动汽车快/慢充放电形式的智能电网深度学习调度方法 | |
| CN114362153B (zh) | 一种并网型风光储***多目标容量优化配置方法及*** | |
| CN111668878A (zh) | 一种可再生微能源网的优化配置方法和*** | |
| CN112928767B (zh) | 一种分布式储能协同控制方法 | |
| CN107017625A (zh) | 用于独立微电网的能量动态调度的方法和设备 | |
| CN114154790A (zh) | 基于需量管理和柔性负荷的工业园区光储容量配置方法 | |
| Chun et al. | Unit commitment considering coordinated dispatch of large scale electric vehicles and wind power generation | |
| CN108075471A (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
| CN108695903B (zh) | 基于粒子群优化算法的微电网优化调度方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | 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 |