CN107565602A - 计及成本和可靠性的直流微网光伏‑风能***配置优化方法 - Google Patents

计及成本和可靠性的直流微网光伏‑风能***配置优化方法 Download PDF

Info

Publication number
CN107565602A
CN107565602A CN201710973246.0A CN201710973246A CN107565602A CN 107565602 A CN107565602 A CN 107565602A CN 201710973246 A CN201710973246 A CN 201710973246A CN 107565602 A CN107565602 A CN 107565602A
Authority
CN
China
Prior art keywords
formula
theta
wind
jumping
cost
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
CN201710973246.0A
Other languages
English (en)
Other versions
CN107565602B (zh
Inventor
王荣杰
俞万能
周海峰
蒋德松
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.)
Jimei University
Original Assignee
Jimei University
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 Jimei University filed Critical Jimei University
Priority to CN201710973246.0A priority Critical patent/CN107565602B/zh
Publication of CN107565602A publication Critical patent/CN107565602A/zh
Application granted granted Critical
Publication of CN107565602B publication Critical patent/CN107565602B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers

Landscapes

  • Feedback Control In General (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供一种计及成本和可靠性的直流微网光伏‑风能***配置优化方法，包括以下步骤：计算成本Cost、获取可靠性为A；通过最小化式Cost和最大化式DNM来求解A PV 、A Wind 、P Cap 和；本发明可以比单目标优化方法在计及设备成本和能源获取可靠性之间得到更优化的配置结构，并适用于并网和孤岛两种模式。

Description

计及成本和可靠性的直流微网光伏-风能***配置优化方法
技术领域
本发明属于电能领域，具体涉及一种计及成本和可靠性的直流微网光伏-风能***配置优化方法。
背景技术
在能源和环境问题日益突出的背景下，全球正掀起一股绿色浪潮，节能减排已然成为世界关注的焦点。利用“天时”和“地利”来整合分布式发电的清洁能源优势，将可再生清洁能源太阳能和风能等平稳、规模化地接入配电网是降低电力领域传统能源消耗和助力节能减排技术发展战略的不二选择。规模化新能源后，电网的结构形态、运行特性与控制方式产生深刻变革，并形成了新一代电网***。国内外将新一代电力***分为三类：直流微网、交流微网和交直流混合微网[1]；相比交流微网和交直流混合微网，如图1所示的直流微网工作效率高，便于将太阳能和风能等能源接入电网。然而，设备的成本和能源的可靠性依然是阻碍微网普及应用的主要因素。目前有减少设备成本或提高能源可靠性的单目标优化算法，但同时计及两个因素的光伏-风能混合***配置优化方法较少。
参考文献
[1]Nejabatkhah F.,Li Y.W.Overview of Power Management Strategies ofHybrid AC/DC Microgrid[J].IEEE Transactions on Power Electronics,2015,vol.30,no.12,pp.7072-7089.
发明内容
本发明的目的是提供一种计及成本和可靠性的直流微网光伏-风能***配置优化方法。
本发明采用以下技术方案实现：一种计及成本和可靠性的直流微网光伏-风能***配置优化方法，包括以下步骤：
步骤一：记设备成本为Cost，由式(1)描述：
其中，CGrid为电网供电的费用，N为设备的寿命；PV、Wind和Batt分别代表光伏、风机和储能设备；Ii和OMi分别代表设备费和维护费，它们分别由式(2)-式(7)计算得到；
IPV＝λPV×APV (2)
式(2)中，APV为光伏板表面积，λPV为每平方米光伏板的购买费用；
式(3)中，OMyear为年维修费，υ为损耗率，γ为折旧率；
IWind＝λWind×AWind (4)
式(4)中，AWind为风机占地面积，λWind为每平方米占地的风机购买费用；
IBatt＝λBatt×PCap (6)
式(6)中，PCap为储能单元的容量，λBatt为每安时蓄电池的购买费用；
式(7)中，PCap_year为储能单元年使用容量，NBatt为蓄电池的使用寿命，Tb为储能元件的工作时间；步骤二：记能源获取可靠性为A，用式(8)描述；
式(8)中，Dyear为年度需求电量。DNM由式(9)计算得到：
式(9)中，PBatt_min(t)为t时刻蓄电池放电时的最低输出功率，PBatt(t)为t时刻蓄电池输出功率，PPV(t)为t时刻光伏发电***的输出功率，PWind(t)为t时刻风能发电***的输出功率，PGrid(t)为t时刻电网的输入功率，PD(t)为t时刻负载需求的输入功率；u(t)为一个阶跃函数，它由式(10)描述；
而PGrid(t)由式(11)计算得到：
PGrid(t)＝ψ[PD(t)-PPV(t)-PWind(t)-PBatt(t)] (11)
式(11)中，ψ为电网电能转换率，PPV(t)和PWind(t)分别由式(12)-式(13)描述；
PPV(t)＝In×APV×ηPV (12)
式(12)中，In和ηPV分别为太阳辐射量和光伏转换率。
PWind(t)＝PWTG×AWind×ηWind (13)
式(13)中，PWTG和ηWind分别为每平方米占地风机产生的功率和风能转换率；
步骤三：通过最小化式(1)的Cost和最大化式(8)的DNM来求解APV，AWind，PCap和ψ；求解的过程描述为：
约束条件有：
0≤ψ≤1 (18)
PGrid(t)+PPV(t)+PWind(t)+PBatt(t)≤PD(t) (20)
式(15)-式(18)中，上标“min”和“max”分别代表最小值和最大值。
与现有技术相比，本发明可以比单目标优化方法在计及设备成本和能源获取可靠性之间得到更优化的配置结构，并适用于并网和孤岛两种模式。
附图说明
图1为本发明一实施例的直流微网结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步解释说明。
本发明提供一种计及成本和可靠性的直流微网光伏-风能***配置优化方法，直流微网工作效率高，便于将太阳能和风能等能源接入电网，在本发明一实施例中直流微网结构框图参见图1。
本发明主要包括以下步骤
步骤一：记设备成本为Cost，由式(1)描述：
其中，CGrid为电网供电的费用，N为设备的寿命；PV、Wind和Batt分别代表光伏、风机和储能设备；Ii和OMi分别代表设备费和维护费，它们分别由式(2)-式(7)计算得到；
IPV＝λPV×APV (2)
式(2)中，APV为光伏板表面积，λPV为每平方米光伏板的购买费用；
式(3)中，OMyear为年维修费，υ为损耗率，γ为折旧率；
IWind＝λWind×AWind (4)
式(4)中，AWind为风机占地面积，λWind为每平方米占地的风机购买费用；
IBatt＝λBatt×PCap (6)
式(6)中，PCap为储能单元的容量，λBatt为每安时蓄电池的购买费用；
式(7)中，PCap_year为储能单元年使用容量，NBatt为蓄电池的使用寿命，Tb为储能元件的工作时间；步骤二：记能源获取可靠性为A，用式(8)描述；
式(8)中，Dyear为年度需求电量。DNM由式(9)计算得到：
式(9)中，PBatt_min(t)为t时刻蓄电池放电时的最低输出功率，PBatt(t)为t时刻蓄电池输出功率，PPV(t)为t时刻光伏发电***的输出功率，PWind(t)为t时刻风能发电***的输出功率，PGrid(t)为t时刻电网的输入功率，PD(t)为t时刻负载需求的输入功率；u(t)为一个阶跃函数，它由式(10)描述；
而PGrid(t)由式(11)计算得到：
PGrid(t)＝ψ[PD(t)-PPV(t)-PWind(t)-PBatt(t)] (11)
式(11)中，ψ为电网电能转换率，PPV(t)和PWind(t)分别由式(12)-式(13)描述；
PPV(t)＝In×APV×ηPV (12)
式(12)中，In和ηPV分别为太阳辐射量和光伏转换率。
PWind(t)＝PWTG×AWind×ηWind (13)
式(13)中，PWTG和ηWind分别为每平方米占地风机产生的功率和风能转换率；
步骤三：通过最小化式(1)的Cost和最大化式(8)的DNM来求解APV，AWind，PCap和ψ；求解的过程描述为：
约束条件有：
0≤ψ≤1 (18)
PGrid(t)+PPV(t)+PWind(t)+PBatt(t)≤PD(t) (20)
式(15)-式(18)中，上标“min”和“max”分别代表最小值和最大值。
本发明一实施例中，步骤三中利用利用模糊的人工蜂群优化算法来求解对公式(14)。
在本发明一具体实施例中，步骤三包括以下具体步骤：
步骤1：设置蜂群的规模FS，最大迭代次数Kmax，允许连续得不到更优解的次数Klimit(l),允许连续得不到更优解的计数器Kcount(l)＝0，l＝1,2,…,FS；根据式(15)-式(18)的约束条件，随机产生代表APV，AWind，PCap和ψ待优化解θ＝[θ(l,d)]FS×D；非支配集P和Pf；
步骤2：
步骤2.1将l设置为1；
步骤2.2如果l≤FS,将执行步骤2.3，否则跳至步骤3；
步骤2.3根据式(18)和式(19)的约束条件，将步骤1产生的第l个θ，记为θ(l)，代入式(1)和式(8)计算，将结果记为f1(l)和f2(l)；
步骤2.4令l＝l+1；
步骤2.5跳至步骤2.2；
步骤3：
步骤3.1将l设置为1；
步骤3.2如果l≤FS,将执行步骤3.3，否则跳至步骤4；
步骤3.3将n设置为1；
步骤3.4如果n≤FS,将执行步骤3.5，否则跳至步骤3.6；
步骤3.5如果满足：f1(l)<f1(n)且f2(l)＝f2(n)；或f1(l)<f1(n)且f2(l)>f2(n)；或f1(l)＝f1(n)且f2(l)>f2(n)；则将第l个θ存入P，相应的f1(l)和f2(l)存入Pf；
步骤3.6令l＝l+1；
步骤3.5跳至步骤3.2；
步骤4：将k设置为1；
步骤5：
步骤5.1如果k≤Kmax,将执行步骤5.2，否则跳至步骤6；
步骤5.2
步骤5.2.1将l设置为1；
步骤5.2.2如果l≤FS,将执行步骤5.2.3，否则跳至步骤5.3；
步骤5.2.3从1至FS之间随机产生一个不等于l的整数，记为ls；
步骤5.2.4由式(21)更新工蜂阶段第l个待优化解θEB(l)；如果θEB(l)的元素超过式(15)-式(18)约束的范围，则根据式(15)-式(18)的约束条件，随机产生代表APV，AWind，PCap和ψ待优化解θEB(l)；
式(21)中，为0与1之间的随机产生，d＝1～4；
步骤5.2.5据式(19)和式(20)的约束条件，将θEB(l)代入式(1)和式(8)计算，记为fEB1(l)和fEB2(l)；
步骤5.2.6如果满足：fEB1(l)<f1(l)且fEB2(l)＝f2(l)；或fEB1(l)<f1(l)且fEB2(l)>f2(l)；或fEB1(l)＝f1(l)且fEB2(l)>f2(l)；则分别将θEB(l)、fEB1(l)和fEB2(l)赋值给θ(l)、f1(l)和f2(l)，同时将新的θ(l)替代P中原来的θ(l)，相应新的f1(l)和f2(l)也替代Pf中原来的；将Kcount(l)置零，否则，Kcount(l)＝Kcount(l)+1；
步骤5.2.7令l＝l+1；
步骤5.2.8跳至5.2.2；
步骤5.3
步骤5.3.1将l设置为1；
步骤5.3.2如果l≤FS，将执行步骤5.3.3，否则跳至步骤5.4；
步骤5.3.3将θ(l)可支配其它优化解数量Nd(l)设为0；
步骤5.3.4将n设置为1；
步骤5.3.5如果n≤FS,将执行步骤5.3.6，否则跳至步骤5.3.9；
步骤5.3.6如果满足：f1(l)<f1(n)且f2(l)＝f2(n)；或f1(l)<f1(n)且f2(l)>f2(n)；或f1(l)＝f1(n)且f2(l)>f2(n)；则将Nd(l)＝Nd(l)+1；
步骤5.3.7令n＝n+1；
步骤5.3.8跳至5.3.5；
步骤5.3.10计算θ(l)的概率：
步骤5.3.11l＝l+1；
步骤5.3.10跳至5.3.2；
步骤5.4
步骤5.4.1将l设置为1；
步骤5.4.2如果l≤FS,将执行步骤5.4.3，否则跳至步骤5.5；
步骤5.4.3如果pd(l)<rand(rand为0～1之间的随机数)，则跳至步骤5.4.4；否则，跳至5.4.7；
步骤5.4.4由式(21)更新观察蜂阶段第l个待优化解θOB(l)；如果θOB(l)的元素超过式(15)-式(18)约束的范围，则根据式(15)-式(18)的约束条件随机产生θOB(l)；
步骤5.4.5根据式(19)和式(20)的约束条件，将θOB(l)代入式(1)和式(8)计算，记为fOB1(l)和fOB2(l)；
步骤5.4.6如果满足：fOB1(l)<f1(l)且fOB2(l)＝f2(l)；或fOB1(l)<f1(l)且fOB2(l)>f2(l)；或fOB1(l)＝f1(l)且fOB2(l)>f2(l)；则分别将θOB(l)、fOB1(l)和fOB2(l)赋值给θ(l)、f1(l)和f2(l)，同时将新的θ(l)替代P中原来的θ(l)，相应新的f1(l)和f2(l)也替代Pf中原来的；将Kcount(l)置零，否则，Kcount(l)＝Kcount(l)+1；
步骤5.4.7令l＝l+1；
步骤5.4.8跳至5.4.2；
步骤5.5
步骤5.5.1将l设置为1；
步骤5.5.2如果l≤FS,将执行步骤5.5.3，否则跳至步骤5.6；
步骤5.5.3如果Kcount(l)>Klimit(l)，则根据式(15)-式(18)的约束条件随机产生θSB(l)，并根据式(19)和式(20)的约束条件，将θSB(l)代入式(1)和式(8)计算，记为fSB1(l)和fSB2(l)，否则，跳至5.5.5；
步骤5.5.4如果满足：fSB1(l)<f1(l)且fSB2(l)＝f2(l)；或fSB1(l)<f1(l)且fSB2(l)>f2(l)；或fSB1(l)＝f1(l)且fSB2(l)>f2(l)；则分别将θSB(l)、fSB1(l)和fSB2(l)赋值给θ(l)、f1(l)和f2(l)，同时将新的θ(l)替代P中原来的θ(l)，相应新的f1(l)和f2(l)也替代Pf中原来的；将Kcount(l)置零，否则，Kcount(l)＝Kcount(l)+1。
步骤5.5.5令l＝l+1；
步骤5.5.6跳至5.5.2；
步骤5.6计算k＝k+1；
步骤5.7跳至5.1；
步骤6
步骤6.1将l设置为1；
步骤6.2如果l≤Np，Np为P的规模，将执行步骤6.3，否则跳至步骤7；
步骤6.3分别由式(23)和式(24)计算非支配解的模糊系数；
式(23)中，和分别表示Pf集中f1(l)的最小值和最大值；
式(24)中，和分别表示Pf集中f2(l)的最小值和最大值；
步骤6.4令l＝l+1；
步骤6.5跳至6.2；
步骤7：
步骤7.1将l设置为1；
步骤7.2如果l≤Np，Np为P的规模,将执行步骤7.3，否则跳至步骤8；
步骤7.3由式(25)计算非支配解模糊成员函数值；
步骤7.4令l＝l+1；
步骤7.5跳至7.2；
步骤8 Np个非支配解中值最大对应的θ(l)所代表APV，AWind，PCap和ψ就是同时计及成本和可靠性的直流微网光伏-风能混合能源最优的配置。
本发明的计及成本和可靠性的直流微网光伏-风能***配置优化方法，其适用于并网和孤岛两种模式。
以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。

Claims (4)

1.一种计及成本和可靠性的直流微网光伏-风能***配置优化方法，其特征在于：包括以下步骤：
步骤一：记设备成本为Cost，由式(1)描述：
<mrow> <mi>C</mi> <mi>o</mi> <mi>s</mi> <mi>t</mi> <mo>=</mo> <msub> <mi>C</mi> <mrow> <mi>G</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> </msub> <mo>+</mo> <mfrac> <mrow> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mi>P</mi> <mi>V</mi> <mo>,</mo> <mi>W</mi> <mi>i</mi> <mi>n</mi> <mi>d</mi> <mo>,</mo> <mi>B</mi> <mi>a</mi> <mi>t</mi> <mi>t</mi> </mrow> </munder> <mrow> <mo>(</mo> <msub> <mi>I</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>OM</mi> <mi>i</mi> </msub> <mo>)</mo> </mrow> </mrow> <mi>N</mi> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中，CGrid为电网供电的费用，N为设备的寿命；PV、Wind和Batt分别代表光伏、风机和储能设备；Ii和OMi分别代表设备费和维护费，它们分别由式(2)-式(7)计算得到；
IPV＝λPV×APV (2)
式(2)中，APV为光伏板表面积，λPV为每平方米光伏板的购买费用；
<mrow> <msub> <mi>OM</mi> <mrow> <mi>P</mi> <mi>V</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>OM</mi> <mrow> <mi>y</mi> <mi>e</mi> <mi>a</mi> <mi>r</mi> </mrow> </msub> <mo>&amp;times;</mo> <msub> <mi>A</mi> <mrow> <mi>P</mi> <mi>V</mi> </mrow> </msub> <mo>&amp;times;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <mn>1</mn> <mo>+</mo> <mi>&amp;upsi;</mi> </mrow> <mrow> <mn>1</mn> <mo>+</mo> <mi>&amp;gamma;</mi> </mrow> </mfrac> <mo>)</mo> </mrow> <mi>i</mi> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>)</mo> </mrow> </mrow>
式(3)中，OMyear为年维修费，υ为损耗率，γ为折旧率；
IWind＝λWind×AWind (4)
式(4)中，AWind为风机占地面积，λWind为每平方米占地的风机购买费用；
<mrow> <msub> <mi>OM</mi> <mrow> <mi>W</mi> <mi>i</mi> <mi>n</mi> <mi>d</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>OM</mi> <mrow> <mi>y</mi> <mi>e</mi> <mi>a</mi> <mi>r</mi> </mrow> </msub> <mo>&amp;times;</mo> <msub> <mi>A</mi> <mrow> <mi>W</mi> <mi>i</mi> <mi>n</mi> <mi>d</mi> </mrow> </msub> <mo>&amp;times;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>N</mi> </munderover> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <mn>1</mn> <mo>+</mo> <mi>&amp;upsi;</mi> </mrow> <mrow> <mn>1</mn> <mo>+</mo> <mi>&amp;gamma;</mi> </mrow> </mfrac> <mo>)</mo> </mrow> <mi>i</mi> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
IBatt＝λBatt×PCap (6)
式(6)中，PCap为储能单元的容量，λBatt为每安时蓄电池的购买费用；
<mrow> <msub> <mi>OM</mi> <mrow> <mi>B</mi> <mi>a</mi> <mi>t</mi> <mi>t</mi> </mrow> </msub> <mo>=</mo> <msub> <mi>OM</mi> <mrow> <mi>y</mi> <mi>e</mi> <mi>a</mi> <mi>r</mi> </mrow> </msub> <mo>&amp;times;</mo> <msub> <mi>P</mi> <mrow> <mi>C</mi> <mi>a</mi> <mi>p</mi> <mo>_</mo> <mi>y</mi> <mi>e</mi> <mi>a</mi> <mi>r</mi> </mrow> </msub> <mo>&amp;times;</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <msub> <mi>T</mi> <mi>b</mi> </msub> </munderover> <msup> <mrow> <mo>(</mo> <mfrac> <mrow> <mn>1</mn> <mo>+</mo> <mi>&amp;upsi;</mi> </mrow> <mrow> <mn>1</mn> <mo>+</mo> <mi>&amp;gamma;</mi> </mrow> </mfrac> <mo>)</mo> </mrow> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <mn>1</mn> <mo>)</mo> <msub> <mi>N</mi> <mrow> <mi>B</mi> <mi>a</mi> <mi>t</mi> <mi>t</mi> </mrow> </msub> </mrow> </msup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>
式(7)中，PCap_year为储能单元年使用容量，NBatt为蓄电池的使用寿命，Tb为储能元件的工作时间；
步骤二：记能源获取可靠性为A，用式(8)描述；
<mrow> <mi>A</mi> <mo>=</mo> <mn>1</mn> <mo>-</mo> <mfrac> <mrow> <mi>D</mi> <mi>N</mi> <mi>M</mi> </mrow> <msub> <mi>D</mi> <mrow> <mi>y</mi> <mi>e</mi> <mi>a</mi> <mi>r</mi> </mrow> </msub> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
式(8)中，Dyear为年度需求电量。DNM由式(9)计算得到：
<mrow> <mi>D</mi> <mi>N</mi> <mi>M</mi> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>t</mi> <mo>=</mo> <mn>1</mn> </mrow> <mn>8760</mn> </munderover> <mo>{</mo> <msub> <mi>P</mi> <mrow> <mi>B</mi> <mi>a</mi> <mi>t</mi> <mi>t</mi> <mo>_</mo> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>P</mi> <mrow> <mi>B</mi> <mi>a</mi> <mi>t</mi> <mi>t</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <mo>&amp;lsqb;</mo> <msub> <mi>P</mi> <mrow> <mi>P</mi> <mi>V</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>W</mi> <mi>i</mi> <mi>n</mi> <mi>d</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>G</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>P</mi> <mi>D</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;rsqb;</mo> <mo>&amp;times;</mo> <mi>u</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>}</mo> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
式(9)中，PBatt_min(t)为t时刻蓄电池放电时的最低输出功率，PBatt(t)为t时刻蓄电池输出功率，PPV(t)为t时刻光伏发电***的输出功率，PWind(t)为t时刻风能发电***的输出功率，PGrid(t)为t时刻电网的输入功率，PD(t)为t时刻负载需求的输入功率；u(t)为一个阶跃函数，它由式(10)描述；
<mrow> <mi>u</mi> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <msub> <mi>P</mi> <mrow> <mi>P</mi> <mi>V</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>W</mi> <mi>i</mi> <mi>n</mi> <mi>d</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>G</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>P</mi> <mi>D</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&amp;GreaterEqual;</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <msub> <mi>P</mi> <mrow> <mi>P</mi> <mi>V</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>W</mi> <mi>i</mi> <mi>n</mi> <mi>d</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>+</mo> <msub> <mi>P</mi> <mrow> <mi>G</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>-</mo> <msub> <mi>P</mi> <mi>D</mi> </msub> <mrow> <mo>(</mo> <mi>t</mi> <mo>)</mo> </mrow> <mo>&lt;</mo> <mn>0</mn> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
而PGrid(t)由式(11)计算得到：
PGrid(t)＝ψ[PD(t)-PPV(t)-PWind(t)-PBatt(t)] (11)
式(11)中，ψ为电网电能转换率，PPV(t)和PWind(t)分别由式(12)-式(13)描述；
PPV(t)＝In×APV×ηPV (12)
式(12)中，In和ηPV分别为太阳辐射量和光伏转换率。
PWind(t)＝PWTG×AWind×ηWind (13)
式(13)中，PWTG和ηWind分别为每平方米占地风机产生的功率和风能转换率；
步骤三：通过最小化式(1)的Cost和最大化式(8)的DNM来求解APV，AWind，PCap和ψ；求解的过程描述为：
且
约束条件有：
<mrow> <msubsup> <mi>A</mi> <mrow> <mi>P</mi> <mi>V</mi> </mrow> <mi>min</mi> </msubsup> <mo>&amp;le;</mo> <msub> <mi>A</mi> <mrow> <mi>P</mi> <mi>V</mi> </mrow> </msub> <mo>&amp;le;</mo> <msubsup> <msub> <mi>A</mi> <mrow> <mi>P</mi> <mi>V</mi> </mrow> </msub> <mrow> <mi>P</mi> <mi>V</mi> </mrow> <mi>max</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>15</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>A</mi> <mrow> <mi>W</mi> <mi>i</mi> <mi>n</mi> <mi>d</mi> </mrow> <mi>min</mi> </msubsup> <mo>&amp;le;</mo> <msub> <mi>A</mi> <mrow> <mi>W</mi> <mi>i</mi> <mi>n</mi> <mi>d</mi> </mrow> </msub> <mo>&amp;le;</mo> <msubsup> <msub> <mi>A</mi> <mrow> <mi>P</mi> <mi>V</mi> </mrow> </msub> <mrow> <mi>W</mi> <mi>i</mi> <mi>n</mi> <mi>d</mi> </mrow> <mi>max</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>16</mn> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>P</mi> <mrow> <mi>C</mi> <mi>a</mi> <mi>p</mi> </mrow> <mi>min</mi> </msubsup> <mo>&amp;le;</mo> <msub> <mi>P</mi> <mrow> <mi>C</mi> <mi>a</mi> <mi>p</mi> </mrow> </msub> <mo>&amp;le;</mo> <msubsup> <mi>P</mi> <mrow> <mi>C</mi> <mi>a</mi> <mi>p</mi> </mrow> <mi>max</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>17</mn> <mo>)</mo> </mrow> </mrow>
0≤ψ≤1 (18)
<mrow> <msubsup> <mi>P</mi> <mrow> <mi>G</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> <mi>min</mi> </msubsup> <mo>&amp;le;</mo> <msub> <mi>P</mi> <mrow> <mi>G</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> </msub> <mo>&amp;le;</mo> <msubsup> <mi>P</mi> <mrow> <mi>G</mi> <mi>r</mi> <mi>i</mi> <mi>d</mi> </mrow> <mi>max</mi> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>19</mn> <mo>)</mo> </mrow> </mrow>
PGrid(t)+PPV(t)+PWind(t)+PBatt(t)≤PD(t) (20)
式(15)-式(18)中，上标“min”和“max”分别代表最小值和最大值。
2.根据权利要求1所述的计及成本和可靠性的直流微网光伏-风能***配置优化方法，其特征在于：步骤三中利用利用模糊的人工蜂群优化算法来求解对公式(14)。
3.根据权利要求2所述的计及成本和可靠性的直流微网光伏-风能***配置优化方法，其特征在于：步骤三包括以下具体步骤：
步骤1：设置蜂群的规模FS，最大迭代次数Kmax，允许连续得不到更优解的次数Klimit(l),允许连续得不到更优解的计数器Kcount(l)＝0，l＝1,2,…,FS；根据式(15)-式(18)的约束条件，随机产生代表APV，AWind，PCap和ψ待优化解θ＝[θ(l,d)]FS×D；非支配集P和Pf；
步骤2：
步骤2.1将l设置为1；
步骤2.2如果l≤FS,将执行步骤2.3，否则跳至步骤3；
步骤2.3根据式(18)和式(19)的约束条件，将步骤1产生的第l个θ，记为θ(l)，代入式(1)和式(8)计算，将结果记为f1(l)和f2(l)；
步骤2.4令l＝l+1；
步骤2.5跳至步骤2.2；
步骤3：
步骤3.1将l设置为1；
步骤3.2如果l≤FS,将执行步骤3.3，否则跳至步骤4；
步骤3.3将n设置为1；
步骤3.4如果n≤FS,将执行步骤3.5，否则跳至步骤3.6；
步骤3.5如果满足：f1(l)<f1(n)且f2(l)＝f2(n)；或f1(l)<f1(n)且f2(l)>f2(n)；或f1(l)＝f1(n)且f2(l)>f2(n)；则将第l个θ存入P，相应的f1(l)和f2(l)存入Pf；
步骤3.6令l＝l+1；
步骤3.5跳至步骤3.2；
步骤4：将k设置为1；
步骤5：
步骤5.1如果k≤Kmax,将执行步骤5.2，否则跳至步骤6；
步骤5.2
步骤5.2.1将l设置为1；
步骤5.2.2如果l≤FS,将执行步骤5.2.3，否则跳至步骤5.3；
步骤5.2.3从1至FS之间随机产生一个不等于l的整数，记为ls；
步骤5.2.4由式(21)更新工蜂阶段第l个待优化解θEB(l)；如果θEB(l)的元素超过式(15)-式(18)约束的范围，则根据式(15)-式(18)的约束条件，随机产生代表APV，AWind，PCap和ψ待优化解θEB(l)；
式(21)中，为0与1之间的随机产生，d＝1～4；
步骤5.2.5据式(19)和式(20)的约束条件，将θEB(l)代入式(1)和式(8)计算，记为fEB1(l)和fEB2(l)；
步骤5.2.6如果满足：fEB1(l)<f1(l)且fEB2(l)＝f2(l)；或fEB1(l)<f1(l)且fEB2(l)>f2(l)；或fEB1(l)＝f1(l)且fEB2(l)>f2(l)；则分别将θEB(l)、fEB1(l)和fEB2(l)赋值给θ(l)、f1(l)和f2(l)，同时将新的θ(l)替代P中原来的θ(l)，相应新的f1(l)和f2(l)也替代Pf中原来的；将Kcount(l)置零，否则，Kcount(l)＝Kcount(l)+1；
步骤5.2.7令l＝l+1；
步骤5.2.8跳至5.2.2；
步骤5.3
步骤5.3.1将l设置为1；
步骤5.3.2如果l≤FS，将执行步骤5.3.3，否则跳至步骤5.4；
步骤5.3.3将θ(l)可支配其它优化解数量Nd(l)设为0；
步骤5.3.4将n设置为1；
步骤5.3.5如果n≤FS,将执行步骤5.3.6，否则跳至步骤5.3.9；
步骤5.3.6如果满足：f1(l)<f1(n)且f2(l)＝f2(n)；或f1(l)<f1(n)且f2(l)>f2(n)；或f1(l)＝f1(n)且f2(l)>f2(n)；则将Nd(l)＝Nd(l)+1；
步骤5.3.7令n＝n+1；
步骤5.3.8跳至5.3.5；
步骤5.3.10计算θ(l)的概率：
步骤5.3.11l＝l+1；
步骤5.3.10跳至5.3.2；
步骤5.4
步骤5.4.1将l设置为1；
步骤5.4.2如果l≤FS,将执行步骤5.4.3，否则跳至步骤5.5；
步骤5.4.3如果pd(l)<rand(rand为0～1之间的随机数)，则跳至步骤5.4.4；否则，跳至5.4.7；
步骤5.4.4由式(21)更新观察蜂阶段第l个待优化解θOB(l)；如果θOB(l)的元素超过式(15)-式(18)约束的范围，则根据式(15)-式(18)的约束条件随机产生θOB(l)；
步骤5.4.5根据式(19)和式(20)的约束条件，将θOB(l)代入式(1)和式(8)计算，记为fOB1(l)和fOB2(l)；
步骤5.4.6如果满足：fOB1(l)<f1(l)且fOB2(l)＝f2(l)；或fOB1(l)<f1(l)且fOB2(l)>f2(l)；或fOB1(l)＝f1(l)且fOB2(l)>f2(l)；则分别将θOB(l)、fOB1(l)和fOB2(l)赋值给θ(l)、f1(l)和f2(l)，同时将新的θ(l)替代P中原来的θ(l)，相应新的f1(l)和f2(l)也替代Pf中原来的；将Kcount(l)置零，否则，Kcount(l)＝Kcount(l)+1；
步骤5.4.7令l＝l+1；
步骤5.4.8跳至5.4.2；
步骤5.5
步骤5.5.1将l设置为1；
步骤5.5.2如果l≤FS,将执行步骤5.5.3，否则跳至步骤5.6；
步骤5.5.3如果Kcount(l)>Klimit(l)，则根据式(15)-式(18)的约束条件随机产生θSB(l)，并根据式(19)和式(20)的约束条件，将θSB(l)代入式(1)和式(8)计算，记为fSB1(l)和fSB2(l)，否则，跳至5.5.5；
步骤5.5.4如果满足：fSB1(l)<f1(l)且fSB2(l)＝f2(l)；或fSB1(l)<f1(l)且fSB2(l)>f2(l)；或fSB1(l)＝f1(l)且fSB2(l)>f2(l)；则分别将θSB(l)、fSB1(l)和fSB2(l)赋值给θ(l)、f1(l)和f2(l)，同时将新的θ(l)替代P中原来的θ(l)，相应新的f1(l)和f2(l)也替代Pf中原来的；将Kcount(l)置零，否则，Kcount(l)＝Kcount(l)+1。
步骤5.5.5令l＝l+1；
步骤5.5.6跳至5.5.2；
步骤5.6计算k＝k+1；
步骤5.7跳至5.1；
步骤6
步骤6.1将l设置为1；
步骤6.2如果l≤Np，Np为P的规模，将执行步骤6.3，否则跳至步骤7；
步骤6.3分别由式(23)和式(24)计算非支配解的模糊系数；
<mrow> <msub> <mi>&amp;mu;</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <msub> <mi>f</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>&amp;le;</mo> <msubsup> <mi>f</mi> <mn>1</mn> <mi>min</mi> </msubsup> </mrow> </mtd> </mtr> <mtr> <mtd> <mfrac> <mrow> <msubsup> <mi>f</mi> <mn>1</mn> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msubsup> <mo>-</mo> <mi>f</mi> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msubsup> <mi>f</mi> <mn>1</mn> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msubsup> <mo>-</mo> <msubsup> <mi>f</mi> <mn>1</mn> <mi>min</mi> </msubsup> </mrow> </mfrac> </mtd> <mtd> <mrow> <msubsup> <mi>f</mi> <mn>1</mn> <mi>min</mi> </msubsup> <mo>&lt;</mo> <msub> <mi>f</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>&lt;</mo> <msubsup> <mi>f</mi> <mn>1</mn> <mi>max</mi> </msubsup> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <msub> <mi>f</mi> <mn>1</mn> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>&amp;GreaterEqual;</mo> <msubsup> <mi>f</mi> <mn>1</mn> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msubsup> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>23</mn> <mo>)</mo> </mrow> </mrow>
式(23)中，f1 min和f1 max分别表示Pf集中f1(l)的最小值和最大值；
<mrow> <msub> <mi>&amp;mu;</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mn>0</mn> </mtd> <mtd> <mrow> <msub> <mi>f</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>&amp;le;</mo> <msubsup> <mi>f</mi> <mn>2</mn> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msubsup> </mrow> </mtd> </mtr> <mtr> <mtd> <mfrac> <mrow> <msubsup> <mi>f</mi> <mn>2</mn> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msubsup> <mo>-</mo> <msub> <mi>f</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> </mrow> <mrow> <msubsup> <mi>f</mi> <mn>2</mn> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msubsup> <mo>-</mo> <msubsup> <mi>f</mi> <mn>2</mn> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msubsup> </mrow> </mfrac> </mtd> <mtd> <mrow> <msubsup> <mi>f</mi> <mn>2</mn> <mrow> <mi>m</mi> <mi>i</mi> <mi>n</mi> </mrow> </msubsup> <mo>&lt;</mo> <msub> <mi>f</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>&lt;</mo> <msubsup> <mi>f</mi> <mn>2</mn> <mrow> <mi>m</mi> <mi>a</mi> <mi>x</mi> </mrow> </msubsup> </mrow> </mtd> </mtr> <mtr> <mtd> <mn>1</mn> </mtd> <mtd> <mrow> <msub> <mi>f</mi> <mn>2</mn> </msub> <mrow> <mo>(</mo> <mi>l</mi> <mo>)</mo> </mrow> <mo>&amp;GreaterEqual;</mo> <msubsup> <mi>f</mi> <mn>2</mn> <mi>max</mi> </msubsup> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>24</mn> <mo>)</mo> </mrow> </mrow>
式(24)中，和分别表示Pf集中f2(l)的最小值和最大值；
步骤6.4令l＝l+1；
步骤6.5跳至6.2；
步骤7：
步骤7.1将l设置为1；
步骤7.2如果l≤Np，Np为P的规模,将执行步骤7.3，否则跳至步骤8；
步骤7.3由式(25)计算非支配解模糊成员函数值；
步骤7.4令l＝l+1；
步骤7.5跳至7.2；
步骤8Np个非支配解中值最大对应的θ(l)所代表APV，AWind，PCap和ψ就是同时计及成本和可靠性的直流微网光伏-风能混合能源最优的配置。
4.根据权利要求1所述的计及成本和可靠性的直流微网光伏-风能***配置优化方法，其特征在于：适用于并网和孤岛两种模式。
CN201710973246.0A 2017-10-18 2017-10-18 计及成本和可靠性的直流微网光伏-风能***配置优化方法 Active CN107565602B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710973246.0A CN107565602B (zh) 2017-10-18 2017-10-18 计及成本和可靠性的直流微网光伏-风能***配置优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710973246.0A CN107565602B (zh) 2017-10-18 2017-10-18 计及成本和可靠性的直流微网光伏-风能***配置优化方法

Publications (2)

Publication Number Publication Date
CN107565602A true CN107565602A (zh) 2018-01-09
CN107565602B CN107565602B (zh) 2019-10-01

Family

ID=60986378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710973246.0A Active CN107565602B (zh) 2017-10-18 2017-10-18 计及成本和可靠性的直流微网光伏-风能***配置优化方法

Country Status (1)

Country Link
CN (1) CN107565602B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107580393A (zh) * 2017-09-25 2018-01-12 珠海格力电器股份有限公司 Led驱动电源和灯具
CN108512237A (zh) * 2018-04-27 2018-09-07 武汉大学 基于智能模糊决策的光储联合***实时调度方法
CN109742781A (zh) * 2019-01-17 2019-05-10 集美大学 一种船用柴油机混合能源***配置的优化方法
CN110440215A (zh) * 2019-08-02 2019-11-12 集美大学 一种风能路灯

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103515981A (zh) * 2013-09-29 2014-01-15 沈阳工业大学 并网光伏发电***及其自动式相位移孤岛现象检测方法
CN106026189A (zh) * 2015-12-15 2016-10-12 国网甘肃省电力公司电力科学研究院 一种低碳化智能园区源荷协调优化方法
CN106786757A (zh) * 2016-12-30 2017-05-31 集美大学 基于人工蜂群算法优化孤岛式混合能源***配置的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103515981A (zh) * 2013-09-29 2014-01-15 沈阳工业大学 并网光伏发电***及其自动式相位移孤岛现象检测方法
CN106026189A (zh) * 2015-12-15 2016-10-12 国网甘肃省电力公司电力科学研究院 一种低碳化智能园区源荷协调优化方法
CN106786757A (zh) * 2016-12-30 2017-05-31 集美大学 基于人工蜂群算法优化孤岛式混合能源***配置的方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107580393A (zh) * 2017-09-25 2018-01-12 珠海格力电器股份有限公司 Led驱动电源和灯具
CN107580393B (zh) * 2017-09-25 2023-11-07 国创能源互联网创新中心(广东)有限公司 Led驱动电源和灯具
CN108512237A (zh) * 2018-04-27 2018-09-07 武汉大学 基于智能模糊决策的光储联合***实时调度方法
CN109742781A (zh) * 2019-01-17 2019-05-10 集美大学 一种船用柴油机混合能源***配置的优化方法
CN110440215A (zh) * 2019-08-02 2019-11-12 集美大学 一种风能路灯

Also Published As

Publication number Publication date
CN107565602B (zh) 2019-10-01

Similar Documents

Publication Publication Date Title
CN111738497B (zh) 计及需求侧响应的虚拟电厂双层优化调度方法
CN103236718B (zh) 一种智能微网的源-网-荷自动控制***及控制方法
CN107565602A (zh) 计及成本和可靠性的直流微网光伏‑风能***配置优化方法
Mohamed et al. Microgrid online management and balancing using multiobjective optimization
CN112583017A (zh) 考虑储能运行约束的混合微电网能量分配方法及***
CN110635514A (zh) 一种并网型微网优化配置方法
CN115102159A (zh) 计及碳排放流的共享储能优化运行方法
CN107565880B (zh) 优化型风光互补混合发电***
CN115693793B (zh) 一种区域微电网能源优化控制方法
CN115085227A (zh) 一种微电网源储容量配置方法及装置
Benlahbib et al. Power management and DC link voltage regulation in renewable energy system
CN114844119A (zh) 一种储能发电装机和容量优化配置方法及***
CN113988392A (zh) 一种考虑可靠性需求响应的微网优化规划方法
Moumouni et al. Sizing an off-grid photovoltaic system
CN109119988B (zh) 基于动态批发市价的光伏-电池微电网能量调度管理方法
CN111668882A (zh) 智慧能环网中微电源出力优化方法及装置
Koochaki et al. Optimal design of solar-wind hybrid system using teaching-learning based optimization applied in charging station for electric vehicles
Zhu et al. Optimized capacity configuration of photovoltaic generation and energy storage for residential microgrid
Chen et al. Optimization and analysis of microgrid based on different operational strategies
Sudhakar et al. A Multi-Objective Optimization Model for Microgrid Optimal Operation with Cooperative Game Theory Approach
Tao et al. Research on Power Storage Optimization Operation Strategy for Wind-Photovoltaic Power Coupled Hydrogen Production
CN113054685B (zh) 基于乌鸦算法和模式搜索算法的太阳能微电网调度方法
Zhao et al. Multi-objective Optimal Operation of Microgrid Based on NSGA-III Algorithm
Sun et al. Research on Collaborative Planning of Multi-energy Complementary System Considering Carbon Emission Cost
Liu et al. Consider the Allocation of" Wind-Solar-Storage" Energy Storage Capacity in Carbon Emission Trading

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