CN108490791B - 温控负荷成本控制策略 - Google Patents
温控负荷成本控制策略 Download PDFInfo
- Publication number
- CN108490791B CN108490791B CN201810443552.8A CN201810443552A CN108490791B CN 108490791 B CN108490791 B CN 108490791B CN 201810443552 A CN201810443552 A CN 201810443552A CN 108490791 B CN108490791 B CN 108490791B
- Authority
- CN
- China
- Prior art keywords
- cost
- temperature
- power
- tracking
- load
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种温控负荷成本控制策略,对聚合温控负荷采用温度设定值控制策略,选用双线性模型进行函数建模,建立电力公司的成本函数模型,该成本函数由调节成本和不满意度成本组成,将调节成本的跟踪精度和不满意度成本的舒适度用权重系数进行结合,通过基于跟踪微分器的递推算法进行优化求解,使成本达到最小;本发明针对跟踪精度不高的问题,使用跟踪微分器控制策略进一步提升了跟踪精度,针对调节过程中的跟踪误差和产生的舒适度降低,考虑了在不同权重下两部分成本的变化趋势和跟踪精度与舒适度之间的关系,应用跟踪微分器对成本最小化问题求解,算法容易实现,兼顾跟踪精度,使电力公司成本最小化。
Description
技术领域
本发明属于智能电网技术领域,具体涉及一种温控负荷成本控制策略。
背景技术
温控负荷是一类由恒温器控制其开关动作的温度可调的电气设备,比如:空调、热泵、冰箱、热水器等。只要温控负荷的温度不超过死区温度,就能满足用户的舒适度要求,故可以更改温控负荷的温度演变动态,灵活的实现热能与电能间的转换,单个温控负荷的灵活性比较小,但是群体的温控负荷(以下称聚合温控负荷)具有高度的灵活性,可以应用到智能电网中,为智能电网提供辅助服务,实现电网的削峰填谷,频率调节跟踪可再生能源发电等。
对于电力公司来说,与聚合温控负荷用户之间签订合同,鼓励用户参与频率调节服务,从而降低电力公司的运行成本,该成本分为两部分,第一部分是根据用户提供的电量调节量确定的支付成本,定义为调节成本,调节量越大,成本越高;第二部分是根据频率调节产生的舒适度降低产生的支付成本,定义为不满意度成本,不满意度越高,成本越大,总成本为这两部分成本的加权和,调节成本和不满意度成本在总成本中所占比重(权重)分别表示了对跟踪精度和舒适度的不同侧重。
为了使成本最低,需要对温控负荷的调节成本和不满意度成本进行控制,进而对温控负荷的控制策略进行研究,近几年的研究工作中提出了温控负荷开关控制策略和温度设定值控制策略。开关控制策略的优点是能精确的调节聚合温控负荷的功率消耗,实现对频率信号的精确跟踪,但是当参考信号幅值过大时,会导致聚合温控负荷温度长期处于死区边缘,无法满足用户的舒适度要求,或者由于温控负荷聚合功率可调范围的限制,根本不能实现有效的跟踪。温度设定值控制策略能够解决上述问题,通过调节设定值,改变温控负荷聚合功率的调节范围,但是会对用户舒适度产生比较大的影响。近年来,有人提出了将上述两种策略结合起来的混合控制策略,即在温度死区非边缘范围内使用开关控制策略实现精确的跟踪,在死区边缘范围内使用温度设定值控制策略扩大温控负荷聚合功率调节范围。虽然混合控制策略可以有效的提高跟踪精度,但是,其频率跟踪精度还有待于改善,在频率调节的过程中没有考虑电力公司的成本问题,没有综合考虑跟踪精度和舒适度的互相制约作用,没有考虑两部分成本间的权重问题,不能有效的控制温控负荷成本,使其最低。
发明内容
本发明需要解决的技术问题是提供一种控制聚合温控负荷跟踪电网频率调节信号的温控负荷成本控制策略,该控制策略通过对电力公司的调节成本和不满度成本建立成本函数模型,根据不同权重下两部分成本的变化趋势和跟踪精度与舒适度之间的关系,求取成本函数的最小值,控制成本最小化。
为解决上述问题,本发明所采取的技术方案是:
一种温控负荷成本控制策略,其特征在于:对聚合温控负荷采用温度设定值控制策略,选用双线性模型进行函数建模,建立电力公司的成本函数模型,该成本函数由调节成本和不满意度成本组成,将调节成本的跟踪精度和不满意度成本的舒适度用权重系数进行结合,通过基于跟踪微分器的递推算法进行优化求解,使成本达到最小;成本函数求解过程如下:
1)首先根据从电力市场下载的频率调节信号和外界温度预测计算出的基线值,计算出待跟踪功率信号,作为成本函数的输入;
2)双线性模型根据待跟踪功率信号和初始化的聚合功率,计算跟踪误差,成本函数根据跟踪误差计算初始的成本值,初始的温度设定值变化量为零,将初始的成本值和初始时刻的温度设定值提取出来作为跟踪微分器的输入;
3)跟踪微分器根据接收的初始的成本值信号和温度设定值信号,分别求取各自对应的微分信号,并将微分信号采用递推算法进行迭代更新,得到下一步的温度设定值的变化量,温度设定值的变化量—即自变量的更新使得成本逐渐趋近极小值;
4)将更新的自变量作为双线性模型的控制信号,计算下一步的成本值;
5)循环执行3)、4)步骤,直到满足迭代终止条件,第一个待跟踪功率信号跟踪完成,并得到了最优的成本函数值,再进行下一个待跟踪功率信号的跟踪,直到所有的待跟踪功率信号跟踪完成。
进一步的,所述成本函数为:
c=(1-v)cf+vct (1)
其中,cf为调节成本,ct为不满意度成本,v是权重系数,v的范围为[0,1)。
进一步的,所述调节成本的计算公式为:
其中pf,pr,ps分别为预测价格,调节价格和现货价格,xe是功率调节误差,是待跟踪功率Ptarget与聚合功率Ptotal的差值,xr是温控负荷调节容量,ΔTs是频率调节信号的变化周期;所述不满意度成本的计算公式为:
更进一步的,所述成本函数受以下条件的约束:
其中温控负荷模型为双线性模型,A,B,C分别是常数矩阵,假设将温度死区区间平分成多个温度区间,则x表示状态变量,代表的是每个温度区间中“开”或“关”状态负荷的数目,是x的导数,u(t)是模型的输入,表示温度设定值的变化量,y表示温控负荷聚合功率,是模型的输出;用户的温度设定值在一定的范围内调节,即 是第k步的温度设定值,是温度设定值下限,是温度设定值上限,都是常数;温控负荷聚合功率在一定范围内,即 为负荷全部打开时的上限温控负荷聚合功率,为负荷全部关闭时的下限温控负荷聚合功率,Ptotal,k部分负荷打开时的功率;温控负荷可提供的功率调节量在容量范围内,即|xa|≤xr,xa是温控负荷可提供的功率调节量,xr是温控负荷调节容量。
采用上述技术方案所产生的有益效果在于:
本发明针对跟踪精度不高的问题,使用跟踪微分器控制策略进一步提升了跟踪精度,针对调节过程中的跟踪误差和产生的舒适度降低,建模了电力公司的调节成本和不满度成本,并考虑了两部分成本间的权重问题,根据不同权重下两部分成本的变化趋势和跟踪精度与舒适度之间的关系,应用跟踪微分器对成本最小化问题求解,算法容易实现,兼顾跟踪精度,使电力公司成本最小化。
附图说明
图1是典型的频率调节服务示意图;
图2是本发明基于跟踪微分器的温控负荷成本控制策略仿真图;
图3是本发明成本函数第k步的求解程序流程图。
具体实施方式
下面结合附图对发明做进一步详细描述:
图1所示是典型的温控负荷用于电网频率调节服务的示意图,其中PAGC是从美国PJM电力市场下载的电网的频率调节信号,是一系列正负变化的功率信号,正值代表电网频率高于标准值(50Hz),负值代表频率低于标准值,频率调节服务是指通过调节温控负荷的功率来调节电网频率,使频率稳定在标准值附近。PBL是基线,是对未来一天的温控负荷功率消耗的预测值,Ptarget是待跟踪功率信号,Ptotal是聚合温控负荷总功率,通过设计控制器或控制算法调节聚合温控负荷总功率,精确跟踪待跟踪功率信号,保持电网频率稳定。
本发明对聚合温控负荷采用温度设定值控制策略,选用双线性模型进行函数建模,建立电力公司的成本函数模型,该成本函数将调节成本的跟踪精度和不满意度成本的舒适度用权重系数进行结合,通过基于跟踪微分器的递推算法进行优化求解,使成本达到最小。
跟踪微分器源于PID控制器,是自抗扰技术中的基础,用于获取跟踪信号和微分信号。本发明应用了跟踪微分器求函数极值的特性,采用递推算法对成本函数进行优化求解,实现成本函数最小化。在递推算法中需要用到因变量关于自变量的导数值,这两部分成本(调节成本、不满意度成本)都是温度设定值的函数,由于选用的温控负荷模型为双线性模型,使得因变量和自变量间的关系变得复杂,不能直接求出导数值,需要将导数形式转化为两个变量的微分信号,故用跟踪微分器求取微分信号,然后带入递推算法中,对成本函数取极值。递推算法对函数进行优化的前提是被优化函数是凸函数,类似于梯度法,根据上一步的自变量的值更新下一步自变量的值,递推算法中包含导数值和迭代步长,本发明中为简化计算,设置迭代步长为常数值。由于本发明成本函数不一定是单峰凸函数,故需要用前进法将成本函数划分为多个凸函数,对每个凸函数求极值,最后在所有极值中找出最优的那个极值,作为成本函数的极值点。
本发明的成本函数如下:
c=(1-v)cf+vct (1)
该成本函数分为两部分,第一部分称为频率调节成本,即式(1)中的cf项,其计算公式为:
其中pf,pr,ps分别为预测价格,调节价格和现货价格,xe是功率调节误差且xe=Ptotal-Ptarget,xr是温控负荷调节容量,ΔTs是频率调节信号的变化周期,当频率调节误差xe在温控负荷调节容量范围xr内时(|xe|≤xr时),用户可以提供正常的频率调节服务,此时的成本为调节价格与电量调节量(|xe|ΔTs)的乘积,当频率调节误差xe超出温控负荷的调节容量xr时,用户不能提供正常的频率调节服务,此时表现为电力公司的购买电量有剩余(xe<-xr时)或不足(xe>xr时),此时的电力成本为用户提供的最大限度调节量(xrΔTs)产生的成本与浪费的电量((-xe-xr)ΔTs)或重新购买的电量((xe-xr)ΔTs)的成本之和。
第二部分成本称为不舒适度成本,即公式中的ct,计算公式为:
该成本函数中引入了权重系数v,其意义是通过改变两部分成本的权重,满足用户对舒适度权重的要求。v的范围为[0,1),当v=0时,代表不考虑用户的舒适度,只考虑频率调节的精度,随着v的增大,用户的舒适度权重不断提高,频率调节精度的权重不断下降,然而v只能不断接近1不能等于1,因为当v=1时,频率调节不被考虑。
图2所示是本发明基于跟踪微分器的温控负荷成本控制策略仿真图,成本函数中加入了一些约束,如式(4),
包括四个约束,具体如下:a.温控负荷模型为双线性函数模型其中A,B,C分别是常数矩阵,假设将温度死区区间平分成多个温度区间,则x表示状态变量,代表的是每个温度区间中“开”或“关”状态负荷的数目,是x的导数,u(t)是模型的输入,表示温度设定值的变化量,y表示温控负荷聚合功率,是模型的输出。b.用户的温度设定值在一定的范围内调节,即 是第k步的温度设定值,是温度设定值下限,是温度设定值上限,可以合理的设定,都是常数;c.温控负荷聚合功率在一定范围内,即 为负荷全部打开时的上限温控负荷聚合功率,为负荷全部关闭时的下限温控负荷聚合功率,Ptotal,k部分负荷打开时的功率;d.温控负荷可提供的功率调节量在容量范围内,即|xa|≤xr,xa是温控负荷可提供的功率调节量,xr是温控负荷调节容量。
由图2可以看出,温控负荷模型为双线性模型,该模型的输入量(自变量)为温度设定值变化量u(t),输出为温控负荷聚合功率y,可以看出双线性模型中含有状态空间方程,而不是一般的线性方程。本发明使用经典的递推算法求解,算法中需要用到成本关于温度设定值变化量的导数,通过上述分析可知,成本c可以看成是温度设定值变化量u的函数,但是由于双线性模型,不能求出c关于u的导数,所以不能直接应用经典递推算法求解。如图2所示,可以转化成故只要c和u是实时可得的就可以得到关于时间的导数,跟踪微分器是求取微分信号的实用性工具,只要输入一个参考信号,就可以得到相应的微分信号,这样可以利用两个跟踪微分器,将经典递推算法中的求导问题简单化。
Ptarget是一系列的待跟踪功率信号,在仿真过程中,定义信号的变化周期ΔTs,定义k为仿真步数,每一步持续ΔTs,定义总的仿真步数为N(N、k为正整数,k≤N),即总共有N个待跟踪功率信号,在待跟踪功率信号的一个变化周期内进行一次求解,本发明的求解问题是求取N个待跟踪功率信号下对应的最优成本,下面举例说明第k步的求解过程。
图2代表的是第k步的求解过程,需要注意的是,每一个k值都对应着一个求解过程,一个求解过程需要循环多次,才能求解出最优的成本值c。是实时可得的(因为PAGC是根据电网的供需不平衡实时提供的数据,PBL是对未来一天的功率消耗预测值,是***得到的具体数据),在第k步时,输入给优化函数模型第k步的参考值,在每一步k,都会初始化一个温度设定值变化量u,根据初始化的u和可以计算相应的成本c,然后将得到的成本c和初始化的u输入到各自的跟踪微分器,得到各自的关于时间的导数,再根据递推算法更新u,将更新的u和第k步保持不变的再次输入成本模型,以此类推,重复进行迭代,直到满足收敛条件,结束第k步循环,此时的c和u就是第k步的最优成本和温度设定值变化量u,然后k=k+1,进行下一步的循环,直到第N步循环完,程序结束。Jk是目标函数,即成本函数,优化的目的是使目标函数在特定的约束条件下取得最小值。收敛条件设定为即递推公式中的导数绝对值小于某一个很小的常数值ε时收敛,这个收敛条件是递推算法中常用的收敛条件,本发明中无需重新证明。λ是递推公式中的更新步长,是一个正的常数值。
需要注意的是,构建的成本模型不是一个凸函数,需要结合前进法,将多峰函数划分为多个单峰函数,然后应用经典递推算法求解。该函数模型第k步的求解程序框图如图3所示,程序运行开始,设置参数初始化,然后将多峰函数划分成单峰区间,在单峰区间上应用递推算法求解,满足收敛条件,程序运行结束。
Claims (4)
1.一种温控负荷成本控制策略,其特征在于:对聚合温控负荷采用温度设定值控制策略,选用双线性模型进行函数建模,建立电力公司的成本函数模型,该成本函数由调节成本和不满意度成本组成,将调节成本的跟踪精度和不满意度成本的舒适度用权重系数进行结合,通过基于跟踪微分器的递推算法进行优化求解,使成本达到最小;基于成本函数求解过程如下:
1)首先根据从电力市场下载的频率调节信号和外界温度预测计算出的基线值,计算出待跟踪功率信号,作为成本函数的输入;
2)双线性模型根据待跟踪功率信号和初始化的聚合功率,计算跟踪误差,成本函数根据跟踪误差计算初始的成本值,初始的温度设定值变化量为零,将初始的成本值和初始时刻的温度设定值提取出来作为跟踪微分器的输入;
3)跟踪微分器根据接收的初始的成本值信号和温度设定值信号,分别求取各自对应的微分信号,并将微分信号采用递推算法进行迭代更新,得到下一步的温度设定值的变化量,温度设定值的变化量—即自变量的更新使得成本逐渐趋近极小值;
4)将更新的自变量作为双线性模型的控制信号,计算下一步的成本值;
5)循环执行3)、4)步骤,直到满足迭代终止条件,第一个待跟踪功率信号跟踪完成,并得到了最优的成本函数值,再进行下一个待跟踪功率信号的跟踪,直到所有的待跟踪功率信号跟踪完成。
2.根据权利要求1所述的温控负荷成本控制策略,其特征在于:所述成本函数为:
c=(1-v)cf+vct (1)
其中,cf为调节成本,ct为不满意度成本,v是权重系数,v的范围为[0,1)。
4.根据权利要求2或3所述的温控负荷成本控制策略,其特征在于:所述成本函数受以下条件的约束:
其中温控负荷模型为双线性模型,A,B,C分别是常数矩阵,假设将温度死区区间平分成多个温度区间,则x表示状态变量,代表的是每个温度区间中“开”或“关”状态负荷的数目,是x的导数,u(t)是模型的输入,表示温度设定值的变化量,y表示温控负荷总功率输出;用户的温度设定值在一定的范围内调节,即 是第k步的温度设定值,是温度设定值下限,是温度设定值上限,都是常数;温控负荷聚合功率在一定范围内,即 为负荷全部打开时的上限温控负荷聚合功率,为负荷全部关闭时的下限温控负荷聚合功率,Ptotal,k部分负荷打开时的功率;温控负荷可提供的功率调节量在容量范围内,即|xa|≤xr,xa是温控负荷可提供的功率调节量,xr是温控负荷调节容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810443552.8A CN108490791B (zh) | 2018-05-10 | 2018-05-10 | 温控负荷成本控制策略 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810443552.8A CN108490791B (zh) | 2018-05-10 | 2018-05-10 | 温控负荷成本控制策略 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108490791A CN108490791A (zh) | 2018-09-04 |
CN108490791B true CN108490791B (zh) | 2020-05-12 |
Family
ID=63353885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810443552.8A Active CN108490791B (zh) | 2018-05-10 | 2018-05-10 | 温控负荷成本控制策略 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108490791B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109980638B (zh) * | 2019-04-03 | 2020-08-21 | 燕山大学 | 一种温控负荷舒适度与频率调节协同优化方法及*** |
CN110991881B (zh) * | 2019-11-29 | 2023-09-26 | 燕山大学 | 一种电动汽车换电站与电力公司协同调度方法及*** |
CN114069599B (zh) * | 2020-07-29 | 2023-12-19 | 华北电力大学(保定) | 预设性能条件下聚合温控负荷改进模型预测控制 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101598328A (zh) * | 2008-09-28 | 2009-12-09 | 广州粤能电力科技开发有限公司 | 大负荷变化速率的锅炉汽温控制方法及专用装置 |
CN105116942A (zh) * | 2015-06-26 | 2015-12-02 | 国网山西省电力公司 | 一种恒温控制智能负荷联合优化方法 |
CN105427011A (zh) * | 2015-10-27 | 2016-03-23 | 中国电力科学研究院 | 一种温控负荷聚合***稳定性分析方法 |
CN105550806A (zh) * | 2015-12-09 | 2016-05-04 | 国家电网公司 | 一种典型负荷有序用电控制方法及装置 |
CN106019939A (zh) * | 2016-06-20 | 2016-10-12 | 东南大学 | 基于非线性智能预测控制技术的超临界机组再热汽温优化控制*** |
CN106487011A (zh) * | 2016-11-28 | 2017-03-08 | 东南大学 | 一种基于q学习的户用微电网能量优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050091021A1 (en) * | 2003-10-27 | 2005-04-28 | Anurag Gupta | Method and apparatus for controlling polyolefin reactor temperature |
-
2018
- 2018-05-10 CN CN201810443552.8A patent/CN108490791B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101598328A (zh) * | 2008-09-28 | 2009-12-09 | 广州粤能电力科技开发有限公司 | 大负荷变化速率的锅炉汽温控制方法及专用装置 |
CN105116942A (zh) * | 2015-06-26 | 2015-12-02 | 国网山西省电力公司 | 一种恒温控制智能负荷联合优化方法 |
CN105427011A (zh) * | 2015-10-27 | 2016-03-23 | 中国电力科学研究院 | 一种温控负荷聚合***稳定性分析方法 |
CN105550806A (zh) * | 2015-12-09 | 2016-05-04 | 国家电网公司 | 一种典型负荷有序用电控制方法及装置 |
CN106019939A (zh) * | 2016-06-20 | 2016-10-12 | 东南大学 | 基于非线性智能预测控制技术的超临界机组再热汽温优化控制*** |
CN106487011A (zh) * | 2016-11-28 | 2017-03-08 | 东南大学 | 一种基于q学习的户用微电网能量优化方法 |
Non-Patent Citations (1)
Title |
---|
《面向需求侧调节的聚合温控负荷极值搜索控制算法》;马锴 等;《燕山大学学报》;20170131;第82-86、94页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108490791A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110518575B (zh) | 基于区域划分的多时间尺度主动配电网电压优化控制方法 | |
CN108490791B (zh) | 温控负荷成本控制策略 | |
CN108490790A (zh) | 一种基于多目标优化的过热汽温自抗扰串级控制方法 | |
Kumar et al. | Application of fractional order PID controller for AGC under deregulated environment | |
CN111030141A (zh) | 一种基于一致性算法的源-荷协同分布式优化调控方法 | |
CN108167802B (zh) | 低负荷下锅炉负荷的多模型智能寻优预测控制方法 | |
CN112859615B (zh) | 家庭用电负荷优化调度方法、***、设备及可读存储介质 | |
CN113852098B (zh) | 一种基于多目标蜻蜓算法的自动发电控制调度方法 | |
KR20140075614A (ko) | 지능형 에너지 소비 지침 생성 방법 | |
CN116436033A (zh) | 一种基于用户满意度和强化学习的温控负荷频率响应控制方法 | |
CN111473408A (zh) | 一种基于气候补偿的供热控制***的控制方法 | |
CN114552587A (zh) | 基于不完全升维的数据驱动电力***的优化方法及应用 | |
CN113517721A (zh) | 含高比例分布式电源的多元配电网协同调控方法及*** | |
CN110752614B (zh) | 一种储能***控制方法及*** | |
CN116488223A (zh) | 家庭光-蓄-柔双层多时间尺度控制方法、装置及介质 | |
Tittaferrante et al. | Multi-advisor deep reinforcement learning for thermostatically controlled heating in smart homes | |
CN114399115A (zh) | 以多目标均衡为导向的热力控制平台用户响应优化方法 | |
Ma et al. | Controller design and parameter optimization of aggregated thermostatically controlled loads for frequency regulation | |
CN113110061A (zh) | 基于改进粒子群算法优化的智能灌溉模糊控制方法及*** | |
CN108400614B (zh) | 一种基于粒子群算法的微电网能源控制方法及装置 | |
CN103178537A (zh) | 一种基于馈线控制误差的协调控制***及其方法 | |
Jambagi et al. | Energy storage within a multi-energy carrier optimisation framework | |
Xu et al. | Design of three-stage start-up optimal strategy based on fuzzy fractional-order proportion integration differentiation controller of pumped storage unit under low water head | |
CN114069599B (zh) | 预设性能条件下聚合温控负荷改进模型预测控制 | |
CN113270882B (zh) | 通过储能装置降低配电网网损的方法、装置、设备和介质 |
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 |