CN107590607A - 一种基于光伏预测的微电网优化调度***和方法 - Google Patents
一种基于光伏预测的微电网优化调度***和方法 Download PDFInfo
- Publication number
- CN107590607A CN107590607A CN201710845015.1A CN201710845015A CN107590607A CN 107590607 A CN107590607 A CN 107590607A CN 201710845015 A CN201710845015 A CN 201710845015A CN 107590607 A CN107590607 A CN 107590607A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msubsup
- micro
- capacitance sensor
- photovoltaic
- 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
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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于光伏预测的微电网优化调度***与方法,其特征包括:数据处理单元、配电网状态监控单元、车辆信息模块、调度管理单元;数据处理单元包括:数据存储模块、光伏出力预测模块;数据存储模块包括:历史光伏数据存储模块、历史气象数据存储模块,调度日气象数据存储模块,车辆信息模块包括车辆信息录入模块、充电需求计算模块。本发明基于光伏预测数据进行微电网优化调度,能有效降低因光伏自身随机性和不确定性给调度带来的,提高光伏能源的利用效率,降低微电网运行成本。
Description
技术领域
本发明属于微电网调度领域,具体的说是一种基于光伏预测的微电网优化调度***和方法。
背景技术
随着近年来政府对电动汽车产业的大力推进,电动汽车在逐渐普及。但目前电动汽车的能源补给主要以不可再生能源产生的电能为主,未能真正实现电动汽车电能的清洁替代。
光伏技术的不断发展,我国的光伏规模不断扩大,光伏发电***应用也更加广泛,包含光伏单元的电动汽车充电站也逐渐兴起。光伏作为一种新型清洁能源,能有效降低人类社会对化石能源的依赖,并在一定程度替代传统能源满足电动汽车的充电需求,但是由于光伏发电具有随机性和复杂的不确定性,光伏消纳仍处于较低的水平。
现有的电动汽车接入微电网的优化调度方法往往没有对调度日内各个时刻光伏单元发电功率进行预测,无法了解调度日内光伏单元的发电特性。而光伏发电具有较大的随机性与复杂的不确定性,会给实际电动汽车充电调度带来各种问题。因此需要更加全面的了解光伏单元发电特性,最大化的提高微电网中光伏利用率,降低充电站的运行成本。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种基于光伏预测的微电网优化调度***和方法,以期能准确了解调度日内光伏发电特性从而能提高光伏发电的利用率,降低充电站微电网的运营成本。
本发明为解决技术问题采用如下技术方案:
本发明一种基于光伏预测的微电网优化调度***的特点是应用于由光伏单元、微型燃气轮机组、充电桩和大电网所构成的微电网中,所述微电网用于为电动汽车充电,所述***包括:数据处理单元、配电网状态监控单元、车辆信息模块、调度管理单元;
所述数据处理单元包括:数据存储模块、光伏出力预测模块;
所述数据存储模块包括:历史光伏数据存储模块、历史气象数据存储模块,调度日气象数据存储模块;
所述历史光伏数据存储模块采集光伏单元的历史发电功率数据并传递给所述光伏出力预测模块;
历史气象数据存储模块采集光伏单元所在地区的历史气象数据并传递给所述光伏出力预测模块;
所述光伏出力预测模块使用所述历史光伏数据信息和历史气象数据训练预测模型;
所述调度日气象数据存储模块采集光伏单元所在地区调度日气象预报数据,并传递给光伏出力预测模块;
所述光伏出力预测模块根据调度日气象数据存储模块输入的调度日气象预报数据,计算得到光伏单元调度日发电功率,并传递给所述调度管理单元;
所述车辆信息模块包括车辆信息录入模块、充电需求计算模块;
所述车辆信息录入模块获取电动汽车的电池荷电状态信息并传递给所述充电需求计算模块;
所述充电需求计算模块获取电动汽车接入微电网及离开微电网时间,并根据所述电池荷电状态信息,计算电动汽车充电需求后传递给所述调度管理单元;
所述调度管理单元以光伏利用率最大以及微电网的总运行成本最小为目标,建立微电网优化调度模型,并根据所述光伏单元调度日发电功率、电动汽车充电需求对所述微电网优化调度模型进行求解,得到电动汽车充电功率、微型燃气轮机组出力以及大电网向微电网售电功率,从而实现微电网的优化调度;
所述配电网状态监控单元用于监控光伏单元、充电桩以及大电网的运行状态,并在所述光伏单元、充电桩或大电网发生故障时进行报警。
本发明一种基于光伏预测的微电网优化调度方法的特点是应用于由光伏单元PV、微型燃气轮机组MT、充电桩和大电网所构成的微电网中,并按如下步骤进行:
步骤一,确定以电动汽车、光伏单元PV、微型燃气轮机组MT作为参与微电网优化调度单元;
步骤二,预测所述光伏单元PV在调度日内t时刻的发电功率值
步骤三,建立基于光伏利用率最大以及微电网的总运行成本最小为目标的微电网优化调度目标函数,并确定约束条件,从而构建微电网优化调度模型;
步骤四,获取电动汽车充电需求数据,包括:分时电价下的电动汽车接入微电网的开始时间、离开时间、第k辆电动汽车所需充电量;
步骤五,采用遗传算法求解所述微电网优化调度模型,得出在调度日内t时刻的电动汽车充电功率、微型燃气轮机组MT输出功率、大电网向微电网售电功率。
本发明所述的基于光伏预测微电网调度方法的特点也在于,
所述步骤二按如下步骤进行:
步骤1、数据采集:
获取所述光伏单元PV的历史发电功率数据、所述历史发电功率数据对应时刻的光伏单元PV所在地区历史气象数据,所述历史气象数据包括:日类型、太阳辐射强度、温度、空气质量;
步骤2、模型训练:
步骤2.1、剔除所述历史发电功率数据中的异常数据以及无功率输出时段的数据,并对缺少的数据进行填补,从而得到预处理后的历史发电功率数据,剔除无功率输出时段的历史气象数据,从而得到预处理后的历史气象数据;
步骤2.2、对所述预处理后的历史发电功率数据及历史气象数据进行归一化处理,并将归一化后的数据建立训练样本集,利用训练样本对神经网络进行训练并预测模型,所述预测模型按季节建立四个子模型,各季节子模型按照日类型进行分类;
步骤3、调度日光伏发电功率预测:
将调度日的气象预报数据输入至所述预测模型中,从而预测得到光伏单元PV在调度日内t时刻的发电功率值
所述步骤三中的微电网优化调度目标函数为,
式(1)中,F为微电网总运行成本目标函数,表示t时刻大电网与微电网功率的交换状态,且表示t时刻大电网未向微电网售电,表示t时刻大电网向微电网售电,表示t时刻大电网电价,表示t时刻微型燃气轮机组MT的工作状态,且表示t时刻微型燃气轮机组MT没有功率输出,表示t时刻微型燃气轮机组MT有功率输出,表示t时刻微型燃气轮机组MT的输出功率,表示t时刻微型燃气轮机组MT的单位发电成本,表示微型燃气轮机组MT的启动成本,表示为微型燃气轮机组MT的停机成本,表示t时刻大电网向微电网售电功率;
利用式(2)得到所述光伏单元PV弃光造成的损失Fpv,a:
式(2)中,Ca表示弃光的惩罚系数,T表示微电网调度日总运行时间,Tmt表示微型燃气轮机组的工作时间,表示t时刻微电网的总负荷,表示t时刻微网的电路损耗;
由式(1)和式(2)共同构成如式(3)所示的微电网优化调度目标函数:
min C=F+Fpv,a (3)。
所述步骤三中的约束条件为:
式(4)中,表示微型燃气轮机组MT的最大输出功率,表示微电网允许的与大电网的最大交换功率,表示t时刻微电网的总负荷,PR表示微电网的旋转备用功率;
式(6)中,表示微型燃气轮机组MT的最大输出功率,表示微型燃气轮机组MT的最小输出功率;
式(7)中,表示微型燃气轮机组MT的最小爬坡功率,表示微型燃气轮机组MT的最大爬坡功率;
式(8)中,与分别表示微电网与大电网功率交互的上下限制值;
式(9)中,SOCk表示第k辆电动汽车荷电状态,分别表示第k辆电动汽车荷电量上下限;
式(10)中,表示t时刻电动汽车的最小总充电功率,Nt表示t时刻参与调度的电动汽车数量,表示充电桩的最大充电功率;
式(11)中,表示t时刻电动汽车的最大总充电功率,NZ表示微电网中充电桩数量;
式(12)中,表示t时刻电动汽车接入微电网时的总充电功率;
式(13)中,Kt表示t时刻接入微电网的电动汽车数量,表示t时刻所有接入微电网的电动汽车中第k辆电动汽车的充电功率。
与现有技术相比,本发明的有益效果在于:
1、本发明设计的优化调度***整体能有效降低电动汽车接入电网时给电网带来的冲击,提高光伏利用率,降低微电网运行成本;并建立警报机制,在微电网各单元出现故障时为管理人员发出警报,提高电网运行的平稳性;
2、本发明中利用历史数据建立和训练预测模型,根据调度日气象预报数据预测调度日内日光伏单元各个时刻光伏发电功率,有效降低光伏发电的随机性以及不确定性给实际微电网优化调度过程中造成的影响;
3、本发明在微电网总运行成本中考虑了弃光造成的损失,能有效提高光伏发电的利用率,降低微电网的运行成本。
附图说明
图1为本发明的***结构图。
具体实施方式
本实施例中,一种基于光伏预测的微电网优化调度***是应用于由光伏单元、微型燃气轮机组、充电桩所构成的微电网中,微电网用于为电动汽车充电。
本发明中优化调度***的结构如图1所示,包括:数据处理单元、配电网状态监控单元、车辆信息模块、调度管理单元;
数据处理单元包括:数据存储模块、光伏出力预测模块;
数据存储模块包括:历史光伏数据存储模块、历史气象数据存储模块,调度日气象数据存储模块;
历史光伏数据存储模块采集光伏单元的历史发电功率数据并传递给光伏出力预测模块;
历史气象数据存储模块采集光伏单元所在地区的历史气象数据并传递给光伏出力预测模块;
光伏出力预测模块使用历史光伏数据信息和历史气象数据训练预测模型;
调度日气象数据存储模块采集光伏单元所在地区调度日气象预报数据,并传递给光伏出力预测模块;
光伏出力预测模块根据调度日气象数据存储模块输入的调度日气象预报数据,计算得到光伏单元调度日发电功率,并传递给调度管理单元;
车辆信息模块包括车辆信息录入模块、充电需求计算模块;
车辆信息模块获取电动汽车的电池荷电状态信息并传递给充电需求计算模块;
充电需求计算模块获取电动汽车接入微电网及离开微电网时间,并根据电池荷电状态信息,计算电动汽车充电需求后传递给调度管理单元;
调度管理单元以光伏利用率最大以及微电网的总运行成本最小为目标,建立微电网优化调度模型,并根据光伏单元调度日发电功率、电动汽车充电需求对微电网优化调度模型进行求解,得到电动汽车充电功率、微型燃气轮机组出力以及大电网向微电网售电功率,从而实现微电网的优化调度;
配电网状态监控单元用于监控光伏单元、充电桩以及大电网的运行状态,并在光伏单元、充电桩或大电网发生故障时进行报警。
本实施例中,一种基于光伏预测的微电网优化调度方法,应用于由光伏单元PV、微型燃气轮机组MT、充电桩所构成的微电网中,并按如下步骤进行:
步骤一,确定以电动汽车、光伏单元PV、微型燃气轮机组MT作为参与微电网优化调度的单元;
步骤二,预测光伏单元PV在调度日内t时刻的发电功率值
光伏功率预测基于光伏发电功率数据与同期历史气象资料形成训练集,并使用该训练集训练神经网络,将调度日气象预报数据输入训练后的神经网络,得到调度日光伏单元发电功率预测结果,其具体步骤如下:
步骤1、数据采集:
获取光伏单元PV过去一年的历史发电功率数据,数据分辨率为15min,获取历史发电功率数据对应时刻的光伏单元PV所在地区历史气象数据,历史气象数据包括:日类型、太阳辐射强度、温度、空气质量;其中日类型主要分为以下几类:晴天、多云、阴天(雾霾)、雨(雪);光伏单元发电功率主要影响因素为太阳辐射强度、大气温度、空气质量、光伏单元转换效率、光伏组件温度等,在此模型中主要考虑太阳辐射强度、温度、空气质量三个主要因素。
步骤2、模型训练:
步骤2.1、剔除历史发电功率数据中的异常数据以及无功率输出时段数据,并根据式(1)对缺少的数据进行填补,从而得到预处理后的历史发电功率数据,剔除无功率输出时段的历史气象数据,从而得到预处理后的历史气象数据;
式(1)中,Pt表示t时刻缺失数据,Pt-1表示t-1时刻光伏单元发电功率,Pt+1表示t+1时刻光伏单元发电功率,表示前一日t时刻光伏单元发电功率,α1,α2,α3分别表示填补系数;
由于不同地区日出与光照时间不同,根据光伏单元历史发电功率数据,设定光伏单元在每日Tst-Tend时段为功率输出时段,每日Tend-次日Tst时段为无功率输出时段,该时段内光伏单元输出功率为0。
步骤2.2、对预处理后的历史发电功率数据及历史气象数据根据式(2)进行归一化处理,得到归一化后的数据,包括历史光伏数据以及历史气象数据,
式(2)中,X表示归一化后的数据,x表示归一化前的数据,xmin表示变量x的最小值,xmax表示变量x的最大值;
将归一化后的数据建立训练样本集,利用训练样本神经网络进行训练并建立预测模型,预测模型按季节建立四个子模型,各季节子模型按照日类型进行分类,分为日类型模型;
步骤3、调度日光伏发电功率预测:
根据气象预报数据中日类型,将调度日的气象预报数据输入至预测模型中当前季节子模型下相应日类型模型中,从而预测得到光伏单元PV在调度日内t时刻的发电功率值
步骤三,建立基于光伏利用率最大以及微电网的总运行成本最小为目标的微电网优化调度目标函数,并确定约束条件,从而构建微电网优化调度模型;
式(3)中,F为微电网总运行成本目标函数,表示t时刻大电网与微电网功率的交换状态,且表示t时刻大电网未向微电网售电,表示t时刻大电网向微电网售电,表示t时刻大电网电价,表示t时刻微型燃气轮机组MT的工作状态,且表示t时刻微型燃气轮机组MT没有功率输出,表示t时刻微型燃气轮机组MT有功率输出,表示t时刻微型燃气轮机组MT的输出功率,表示t时刻微型燃气轮机组MT的单位发电成本,表示微型燃气轮机组MT的启动成本,表示为微型燃气轮机组MT的停机成本,表示t时刻大电网向微电网售电功率;
当t时刻光伏单元发电量大于微电网总负荷需求,且光伏单元达到调节能力上限,则需要弃光保证微电网供电和负荷平衡。利用式(4)得到光伏单元PV弃光造成的损失Fpv,a:
式(4)中,Ca表示弃光的惩罚系数,T表示微电网调度日总运行时间,Tmt表示微型燃气轮机组的工作时间,表示t时刻微电网的总负荷,表示t时刻微网的电路损耗;
为提高光伏利用率,由弃光造成的损失计入充电站微电网总运行成本中,由式(3)和式(4)共同构成如式(5)所示的微电网优化调度目标函数:
min C=F+Fpv,a (5)
决策变量为:t时刻第k辆电动汽车充电功率微型燃气轮机组MT输出功率大电网向微电网售电功率
约束条件为:
式(6)中,表示微型燃气轮机组MT的最大输出功率,表示微电网允许的与大电网的最大交换功率,表示t时刻微电网的总负荷,PR表示微电网的旋转备用功率;
式(8)中,表示微型燃气轮机组MT的最大输出功率,表示微型燃气轮机组MT的最小输出功率;
式(9)中,表示微型燃气轮机组MT的最小爬坡功率,表示微型燃气轮机组MT的最大爬坡功率;
式(10)中,与分别表示微电网与大电网电能交互的上下限制值;
式(11)中,SOCk表示第k辆电动汽车荷电状态,分别表示第k辆电动汽车荷电量上下限;
式(12)中,表示t时刻电动汽车的最小总充电功率,Nt表示t时刻参与调度的电动汽车数量,表示充电桩的最大充电功率;
式(13)中,表示t时刻电动汽车的最大总充电功率,NZ表示微电网中充电桩数量;
式(14)中,表示t时刻电动汽车接入微电网时的总充电功率;
式(15)中,Kt表示t时刻接入微电网的电动汽车数量,表示t时刻所有接入微电网的电动汽车中第k辆电动汽车的充电功率。
步骤四,获取电动汽车充电需求数据,包括:分时电价下的电动汽车接入微电网的开始时间、离开时间、第k辆电动汽车所需充电量;
确定接入微电网参与调度的电动汽车数量N,第k辆电动汽车接入微电网时间用户设定电动汽车离开微电网时间接入微电网时电池荷电状态满足用户出行需求的预设电动汽车离站时电池荷电状态由式(14)计算第k辆电动汽车所需充电量
式(16)中,表示第k辆电动汽车t时刻充电功率;
步骤五,采用遗传算法求解微电网优化调度模型,得出在调度日内t时刻的电动汽车充电功率、微型燃气轮机组MT输出功率、大电网向微电网售电功率。
该优化调度方法中根据微电网接入的大电网的分时电价策略,以遗传算法作为模型求解方法,具体步骤包括:
步骤5.1,初始化种群:设置遗传算法的群体数量为20,作为起始搜索点的初始群体数据
步骤5.2,适应度函数:直接以目标函数作为作为适应度函数,即每个染色体的适应度值就是目标函数值,适应度值作为个体被遗传到下一代的选择概率;
步骤5.3,采用轮盘机制选择,确定各个个体被选中的次数
步骤5.4,交叉:设置交叉率为0.6
步骤5.5,变异:对染色体结构进行变异,使其改变原来的结构,达到突变进化的目的,变异率设置为0.1
最大迭代次数为100,由于遗传算法本身属于启发式寻优算法,因此每次优化结果都就有随机性,故每次结果均取20次重复计算得到平均值。
Claims (5)
1.一种基于光伏预测的微电网优化调度***,其特征是应用于由光伏单元、微型燃气轮机组、充电桩和大电网所构成的微电网中,所述微电网用于为电动汽车充电,所述***包括:数据处理单元、配电网状态监控单元、车辆信息模块、调度管理单元;
所述数据处理单元包括:数据存储模块、光伏出力预测模块;
所述数据存储模块包括:历史光伏数据存储模块、历史气象数据存储模块,调度日气象数据存储模块;
所述历史光伏数据存储模块采集光伏单元的历史发电功率数据并传递给所述光伏出力预测模块;
历史气象数据存储模块采集光伏单元所在地区的历史气象数据并传递给所述光伏出力预测模块;
所述光伏出力预测模块使用所述历史光伏数据信息和历史气象数据训练预测模型;
所述调度日气象数据存储模块采集光伏单元所在地区调度日气象预报数据,并传递给光伏出力预测模块;
所述光伏出力预测模块根据调度日气象数据存储模块输入的调度日气象预报数据,计算得到光伏单元调度日发电功率,并传递给所述调度管理单元;
所述车辆信息模块包括车辆信息录入模块、充电需求计算模块;
所述车辆信息录入模块获取电动汽车的电池荷电状态信息并传递给所述充电需求计算模块;
所述充电需求计算模块获取电动汽车接入微电网及离开微电网时间,并根据所述电池荷电状态信息,计算电动汽车充电需求后传递给所述调度管理单元;
所述调度管理单元以光伏利用率最大以及微电网的总运行成本最小为目标,建立微电网优化调度模型,并根据所述光伏单元调度日发电功率、电动汽车充电需求对所述微电网优化调度模型进行求解,得到电动汽车充电功率、微型燃气轮机组出力以及大电网向微电网售电功率,从而实现微电网的优化调度;
所述配电网状态监控单元用于监控光伏单元、充电桩以及大电网的运行状态,并在所述光伏单元、充电桩或大电网发生故障时进行报警。
2.一种基于光伏预测的微电网优化调度方法,其特征是应用于由光伏单元PV、微型燃气轮机组MT、充电桩和大电网所构成的微电网中,并按如下步骤进行:
步骤一,确定以电动汽车、光伏单元PV、微型燃气轮机组MT作为参与微电网优化调度单元;
步骤二,预测所述光伏单元PV在调度日内t时刻的发电功率值
步骤三,建立基于光伏利用率最大以及微电网的总运行成本最小为目标的微电网优化调度目标函数,并确定约束条件,从而构建微电网优化调度模型;
步骤四,获取电动汽车充电需求数据,包括:分时电价下的电动汽车接入微电网的开始时间、离开时间、第k辆电动汽车所需充电量;
步骤五,采用遗传算法求解所述微电网优化调度模型,得出在调度日内t时刻的电动汽车充电功率、微型燃气轮机组MT输出功率、大电网向微电网售电功率。
3.根据权利要求2所述的基于光伏预测微电网调度方法,其特征在于,所述步骤二按如下步骤进行:
步骤1、数据采集:
获取所述光伏单元PV的历史发电功率数据、所述历史发电功率数据对应时刻的光伏单元PV所在地区历史气象数据,所述历史气象数据包括:日类型、太阳辐射强度、温度、空气质量;
步骤2、模型训练:
步骤2.1、剔除所述历史发电功率数据中的异常数据以及无功率输出时段的数据,并对缺少的数据进行填补,从而得到预处理后的历史发电功率数据,剔除无功率输出时段的历史气象数据,从而得到预处理后的历史气象数据;
步骤2.2、对所述预处理后的历史发电功率数据及历史气象数据进行归一化处理,并将归一化后的数据建立训练样本集,利用训练样本对神经网络进行训练并预测模型,所述预测模型按季节建立四个子模型,各季节子模型按照日类型进行分类;
步骤3、调度日光伏发电功率预测:
将调度日的气象预报数据输入至所述预测模型中,从而预测得到光伏单元PV在调度日内t时刻的发电功率值
4.根据权利要求2所述的基于光伏预测的微电网优化调度方法,其特征在于,所述步骤三中的微电网优化调度目标函数为,
<mrow>
<mi>F</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<mo>&lsqb;</mo>
<msubsup>
<mi>u</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>t</mi>
</msubsup>
<msubsup>
<mi>C</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>u</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mi>t</mi>
</msubsup>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mi>t</mi>
</msubsup>
<msubsup>
<mi>C</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>C</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mrow>
<mi>s</mi>
<mi>t</mi>
<mi>a</mi>
<mi>r</mi>
<mi>t</mi>
</mrow>
</msubsup>
<mo>&times;</mo>
<mi>max</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<msubsup>
<mi>u</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mi>-</mi>
<msubsup>
<mi>u</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>C</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mrow>
<mi>s</mi>
<mi>h</mi>
<mi>u</mi>
<mi>t</mi>
</mrow>
</msubsup>
<mo>&times;</mo>
<mi>min</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>,</mo>
<msubsup>
<mi>u</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>u</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>t</mi>
</msubsup>
<msubsup>
<mi>C</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中,F为微电网总运行成本目标函数,表示t时刻大电网与微电网功率的交换状态,且表示t时刻大电网未向微电网售电,表示t时刻大电网向微电网售电,表示t时刻大电网电价,表示t时刻微型燃气轮机组MT的工作状态,且表示t时刻微型燃气轮机组MT没有功率输出,表示t时刻微型燃气轮机组MT有功率输出,表示t时刻微型燃气轮机组MT的输出功率,表示t时刻微型燃气轮机组MT的单位发电成本,表示微型燃气轮机组MT的启动成本,表示为微型燃气轮机组MT的停机成本,表示t时刻大电网向微电网售电功率;
利用式(2)得到所述光伏单元PV弃光造成的损失Fpv,a:
<mrow>
<msub>
<mi>F</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
<mo>,</mo>
<mi>a</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<msub>
<mi>C</mi>
<mi>a</mi>
</msub>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>T</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
</msub>
</munderover>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>L</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>L</mi>
<mi>o</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
式(2)中,Ca表示弃光的惩罚系数,T表示微电网调度日总运行时间,Tmt表示微型燃气轮机组的工作时间,表示t时刻微电网的总负荷,表示t时刻微网的电路损耗;
由式(1)和式(2)共同构成如式(3)所示的微电网优化调度目标函数:
min C=F+Fpv,a (3)。
5.根据权利要求2所述的基于光伏预测的微电网调度方法,其特征在于,所述步骤三中的约束条件为:
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mi>max</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>max</mi>
</msubsup>
<mo>&GreaterEqual;</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>L</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>L</mi>
<mi>o</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>P</mi>
<mi>R</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>p</mi>
<mi>v</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>L</mi>
<mi>o</mi>
<mi>a</mi>
<mi>d</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>+</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>L</mi>
<mi>o</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mi>min</mi>
</msubsup>
<mo>&le;</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>&le;</mo>
<msubsup>
<mi>P</mi>
<mi>m</mi>
<mi>max</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Delta;P</mi>
<mi>m</mi>
<mi>min</mi>
</msubsup>
<mo>&le;</mo>
<mo>|</mo>
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mrow>
<mi>t</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msubsup>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mi>t</mi>
</msubsup>
</mrow>
<mo>|</mo>
<mo>&le;</mo>
<msubsup>
<mi>&Delta;P</mi>
<mrow>
<mi>m</mi>
<mi>t</mi>
</mrow>
<mi>max</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>min</mi>
</msubsup>
<mo>&le;</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>g</mi>
<mi>r</mi>
<mi>i</mi>
<mi>d</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>&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>8</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>SOC</mi>
<mi>k</mi>
<mi>min</mi>
</msubsup>
<mo>&le;</mo>
<msub>
<mi>SOC</mi>
<mi>k</mi>
</msub>
<mo>&le;</mo>
<msubsup>
<mi>SOC</mi>
<mi>k</mi>
<mi>max</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>P</mi>
<mi>z</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>N</mi>
<mi>t</mi>
</msub>
<mo>&times;</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>E</mi>
<mi>V</mi>
</mrow>
<mi>max</mi>
</msubsup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>10</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>P</mi>
<mi>Z</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>&lsqb;</mo>
<msub>
<mi>N</mi>
<mi>t</mi>
</msub>
<mo>&times;</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>E</mi>
<mi>V</mi>
</mrow>
<mi>max</mi>
</msubsup>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>Z</mi>
</msub>
<mo>&times;</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>E</mi>
<mi>V</mi>
</mrow>
<mi>max</mi>
</msubsup>
<mo>&rsqb;</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>11</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>P</mi>
<mi>z</mi>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>&le;</mo>
<msubsup>
<mi>P</mi>
<mrow>
<mi>E</mi>
<mi>V</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>&le;</mo>
<msubsup>
<mi>P</mi>
<mi>Z</mi>
<mrow>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
</mrow>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>12</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>P</mi>
<mrow>
<mi>E</mi>
<mi>V</mi>
</mrow>
<mi>t</mi>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<msub>
<mi>K</mi>
<mi>t</mi>
</msub>
</munderover>
<msubsup>
<mi>P</mi>
<mrow>
<mi>E</mi>
<mi>V</mi>
</mrow>
<mi>k</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>13</mn>
<mo>)</mo>
</mrow>
</mrow>
式(4)中,表示微型燃气轮机组MT的最大输出功率,表示微电网允许的与大电网的最大交换功率,表示t时刻微电网的总负荷,PR表示微电网的旋转备用功率;
式(6)中,表示微型燃气轮机组MT的最大输出功率,表示微型燃气轮机组MT的最小输出功率;
式(7)中,表示微型燃气轮机组MT的最小爬坡功率,表示微型燃气轮机组MT的最大爬坡功率;
式(8)中,与分别表示微电网与大电网功率交互的上下限制值;
式(9)中,SOCk表示第k辆电动汽车荷电状态,分别表示第k辆电动汽车荷电量上下限;
式(10)中,表示t时刻电动汽车的最小总充电功率,Nt表示t时刻参与调度的电动汽车数量,表示充电桩的最大充电功率;
式(11)中,表示t时刻电动汽车的最大总充电功率,NZ表示微电网中充电桩数量;
式(12)中,表示t时刻电动汽车接入微电网时的总充电功率;
式(13)中,Kt表示t时刻接入微电网的电动汽车数量,表示t时刻所有接入微电网的电动汽车中第k辆电动汽车的充电功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710845015.1A CN107590607A (zh) | 2017-09-19 | 2017-09-19 | 一种基于光伏预测的微电网优化调度***和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710845015.1A CN107590607A (zh) | 2017-09-19 | 2017-09-19 | 一种基于光伏预测的微电网优化调度***和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107590607A true CN107590607A (zh) | 2018-01-16 |
Family
ID=61047581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710845015.1A Pending CN107590607A (zh) | 2017-09-19 | 2017-09-19 | 一种基于光伏预测的微电网优化调度***和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590607A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985513A (zh) * | 2018-07-17 | 2018-12-11 | 合肥工业大学 | 工业企业电力负荷预测*** |
CN109523087A (zh) * | 2018-11-28 | 2019-03-26 | 国网山东省电力公司德州供电公司 | 基于深度学习的电动汽车快充站储能监测***及其方法 |
CN109902952A (zh) * | 2019-02-26 | 2019-06-18 | 广东工业大学 | 一种基于区块链的光伏微电网电力智能交易***及方法 |
CN110717634A (zh) * | 2019-10-23 | 2020-01-21 | 国网冀北电力有限公司秦皇岛供电公司 | 一种光伏与电采暖导致的电压越限的预警方法和装置 |
CN111401628A (zh) * | 2020-03-13 | 2020-07-10 | 南京润北智能环境研究院有限公司 | 一种基于市场效益驱动的光伏发电智能预测*** |
CN111697614A (zh) * | 2019-03-14 | 2020-09-22 | 联通(江苏)产业互联网有限公司 | 一种利用sdn技术对智能电网进行优化的方法 |
CN112418950A (zh) * | 2020-12-08 | 2021-02-26 | 江苏科技大学 | 计及光伏的微电网短期负荷预测及控制方法 |
CN112671039A (zh) * | 2020-12-30 | 2021-04-16 | 上海亿边科技有限公司 | 一种基于光伏预测的能量管理*** |
CN112865075A (zh) * | 2021-01-12 | 2021-05-28 | 许继集团有限公司 | 一种交直流混合微电网优化方法 |
CN112949210A (zh) * | 2021-03-31 | 2021-06-11 | 上海电机学院 | 一种基于ut变换和宽度学习的微电网可再生能源预测方法 |
CN118263866A (zh) * | 2024-05-29 | 2024-06-28 | 江苏通灵电器股份有限公司 | 一种双通道的安全防护智能化控制***及方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106026152A (zh) * | 2016-05-19 | 2016-10-12 | 合肥工业大学 | 一种电动汽车接入微电网的充放电调度方法 |
-
2017
- 2017-09-19 CN CN201710845015.1A patent/CN107590607A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106026152A (zh) * | 2016-05-19 | 2016-10-12 | 合肥工业大学 | 一种电动汽车接入微电网的充放电调度方法 |
Non-Patent Citations (2)
Title |
---|
代倩 等: ""基于天气类型聚类识别的光伏***短期无辐照度发电预测模型研究"", 《中国电机工程学报》 * |
王志磊: ""含大规模新能源的电力***短期优化运行研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108985513A (zh) * | 2018-07-17 | 2018-12-11 | 合肥工业大学 | 工业企业电力负荷预测*** |
CN109523087A (zh) * | 2018-11-28 | 2019-03-26 | 国网山东省电力公司德州供电公司 | 基于深度学习的电动汽车快充站储能监测***及其方法 |
CN109902952A (zh) * | 2019-02-26 | 2019-06-18 | 广东工业大学 | 一种基于区块链的光伏微电网电力智能交易***及方法 |
CN111697614A (zh) * | 2019-03-14 | 2020-09-22 | 联通(江苏)产业互联网有限公司 | 一种利用sdn技术对智能电网进行优化的方法 |
CN110717634B (zh) * | 2019-10-23 | 2023-04-14 | 国网冀北电力有限公司秦皇岛供电公司 | 一种光伏与电采暖导致的电压越限的预警方法和装置 |
CN110717634A (zh) * | 2019-10-23 | 2020-01-21 | 国网冀北电力有限公司秦皇岛供电公司 | 一种光伏与电采暖导致的电压越限的预警方法和装置 |
CN111401628A (zh) * | 2020-03-13 | 2020-07-10 | 南京润北智能环境研究院有限公司 | 一种基于市场效益驱动的光伏发电智能预测*** |
CN111401628B (zh) * | 2020-03-13 | 2023-06-02 | 南京润北智能环境研究院有限公司 | 一种基于市场效益驱动的光伏发电智能预测*** |
CN112418950A (zh) * | 2020-12-08 | 2021-02-26 | 江苏科技大学 | 计及光伏的微电网短期负荷预测及控制方法 |
CN112671039A (zh) * | 2020-12-30 | 2021-04-16 | 上海亿边科技有限公司 | 一种基于光伏预测的能量管理*** |
CN112865075A (zh) * | 2021-01-12 | 2021-05-28 | 许继集团有限公司 | 一种交直流混合微电网优化方法 |
CN112865075B (zh) * | 2021-01-12 | 2023-10-20 | 许继集团有限公司 | 一种交直流混合微电网优化方法 |
CN112949210A (zh) * | 2021-03-31 | 2021-06-11 | 上海电机学院 | 一种基于ut变换和宽度学习的微电网可再生能源预测方法 |
CN118263866A (zh) * | 2024-05-29 | 2024-06-28 | 江苏通灵电器股份有限公司 | 一种双通道的安全防护智能化控制***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107590607A (zh) | 一种基于光伏预测的微电网优化调度***和方法 | |
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 | |
CN105160451B (zh) | 一种含电动汽车的微电网多目标优化调度方法 | |
CN109146201A (zh) | 基于合作博弈的充换储一体化电站微电网优化调度方法 | |
CN111626527B (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 | |
CN103793758A (zh) | 含光伏发电***的电动汽车充电站的多目标优化调度方法 | |
CN109948823B (zh) | 一种光储充电塔自适应鲁棒日前优化调度方法 | |
CN108320064A (zh) | 一种电动汽车与风电协同充电双层优化调度方法 | |
CN107919675B (zh) | 综合考虑车主和运营商利益的充电站负荷调度模型 | |
CN105787605A (zh) | 基于改进型量子遗传算法的微网经济优化运行调度方法 | |
CN111242388B (zh) | 一种考虑冷热电联供的微电网优化调度方法 | |
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*** | |
CN110138006A (zh) | 考虑含有新能源电动汽车的多微电网协调优化调度方法 | |
CN111799786B (zh) | 一种基于博弈论的新能源混合电力***容量配置方法 | |
CN113887858A (zh) | 一种基于cnn-lstm负荷预测的充电站微电网***优化调度方法 | |
CN116436008A (zh) | 一种用于光储充电站的电力调度方法及终端 | |
CN111762057B (zh) | 一种区域微网中v2g电动汽车智能充放电管理方法 | |
CN116667325B (zh) | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 | |
CN114583729A (zh) | 考虑全生命周期碳排放的光-储电动汽车充电站调度方法 | |
CN113258561A (zh) | 一种基于多属性决策的多种分布式电源的微电网多目标优化调度方法 | |
CN116011697A (zh) | 一种考虑p2x多能源耦合运行优化调度方法及*** | |
CN116402307A (zh) | 考虑可调度柔性资源运行特性的电网规划容量分析方法 | |
CN107482675A (zh) | 一种基于离网型微网的电动汽车消纳可再生能源的计算方法 | |
CN114725930A (zh) | 一种自适应电力***调度方法及装置 | |
Zhang et al. | Multi-objective optimal scheduling strategy of microgrid based on v2g technology |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180116 |
|
RJ01 | Rejection of invention patent application after publication |