CN110867852A - 计及全寿命周期成本的微电网储能优化配置方法及装置 - Google Patents

计及全寿命周期成本的微电网储能优化配置方法及装置 Download PDF

Info

Publication number
CN110867852A
CN110867852A CN201911165802.7A CN201911165802A CN110867852A CN 110867852 A CN110867852 A CN 110867852A CN 201911165802 A CN201911165802 A CN 201911165802A CN 110867852 A CN110867852 A CN 110867852A
Authority
CN
China
Prior art keywords
energy storage
optimization model
storage system
cost
layer optimization
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
CN201911165802.7A
Other languages
English (en)
Other versions
CN110867852B (zh
Inventor
李涛
许苑
陈健
王珂
陈坤
岑海凤
林琳
徐辉
孙开元
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.)
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangzhou Power Supply Bureau Co Ltd
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 Guangzhou Power Supply Bureau Co Ltd filed Critical Guangzhou Power Supply Bureau Co Ltd
Priority to CN201911165802.7A priority Critical patent/CN110867852B/zh
Publication of CN110867852A publication Critical patent/CN110867852A/zh
Application granted granted Critical
Publication of CN110867852B publication Critical patent/CN110867852B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及一种计及全寿命周期成本的微电网储能优化配置方法及装置。计及全寿命周期成本的微电网储能优化配置方法包括：获取待配置储能***的数据，得到目标数据；获取预先建立的储能优化模型，所述储能优化模型包括外层优化模型和内层优化模型；根据所述目标数据，通过遗传算法和模拟退火算法求解所述储能优化模型的最优解，得到优化配置结果，所述优化配置结果至少包括所述额定功率、所述额定容量和所述经济运行功率；根据所述优化配置结果配置所述待配置储能***。本申请提供的方法能够实现储能***全周期内的成本最小化，收益最大化。

Description

计及全寿命周期成本的微电网储能优化配置方法及装置
技术领域
本申请涉及微电网储能技术领域，特别是涉及一种计及全寿命周期成本的微电网储能优化配置方法及装置。
背景技术
随着能源危机和环境污染问题的日益突出，分布式电源(DistributedGeneration,DG)并网发电成为21世纪电力工业的重要研究方向。分布式发电大规模接入电网，对电网的电压、电能质量、调度和运行产生了一系列影响。储能***(Energy Storage System,ESS)作为微电网的重要组成部分，可以有效地解决这些问题，维持电网的稳定性。
目前，储能***大规模应用的主要障碍是相对较低的使用寿命和较高的成本。因此，ESS能力的优化配置在世界范围内引起了广泛的关注。
研发人员对于微电网储能优化配置方法开展了大量的研究工作，关于储能规划的研究主要集中在两个方面：降低成本和实现收益最大化。但是传统技术中，在全周期内对降低成本和实现收益最大这两个问题的研究较少。
发明内容
基于此，有必要针对以上问题，提供计及全寿命周期成本的微电网储能优化配置方法、装置、计算机设备和可读存储介质。
一种计及全寿命周期成本的微电网储能优化配置方法，所述方法包括：
获取待配置储能***的数据，得到目标数据；
获取预先建立的储能优化模型，其中，所述储能优化模型包括外层优化模型和内层优化模型，所述外层优化模型的目标函数用于根据所述内层优化模型输出储能***的额定容量和全寿命周期成本，通过优化所述储能***的经济运行功率改善所述储能***的电压分布，并使所述储能***的年均净成本最小化，所述内层优化模型的目标函数用于根据所述外层优化模型输出的所述储能***的经济运行功率和额定功率，通过最小化全寿命周期成本，优化所述储能***的容量；
根据所述目标数据，通过遗传算法和模拟退火算法求解所述储能优化模型的最优解，得到优化配置结果，所述优化配置结果至少包括所述额定功率、所述额定容量和所述经济运行功率；
根据所述优化配置结果配置所述待配置储能***。
在其中一个实施例中，所述内层优化模型的目标函数具体用于：
根据所述经济运行功率和所述额定功率，确定所述储能***的最小配置容量；
对所述最小配置容量进行扩充，得到所述储能***的容量；
确定所述储能***的容量对应的所述储能***的最小化全寿命周期成本。
在其中一个实施例中，所述外层优化模型和所述内层优化模型的建立过程包括：
确定储能***的储能全寿命周期成本模型、收益模型和电池模型；
根据所述储能全寿命周期成本模型和所述收益模型建立所述外层优化模型的目标函数和所述内层优化模型的目标函数；
根据所述电池模型，分别确定所述外层优化模型的目标函数和所述内层优化模型对应的约束条件，得到所述外层优化模型的约束条件和所述内层优化模型的约束条件。
在其中一个实施例中，所述外层优化模型的目标函数为：
f1＝min(cost-profit+punishvalue)；
其中，f1代表所述外层优化模型的目标函数，cost代表全寿命周期成本模型，cost＝C1+C2+C3+C4-C5，profit代表收益模型，profit＝I1+I2+I3，punishvalue代表惩罚值，C1代表初始投资成本，C2代表更换成本，C3代表运维成本，C4代表处理成本，C5代表回收值，I1代表储能套利收益，I2代表政府激励措施的收益，I3代表关联环境的收益。
在其中一个实施例中，所述外层优化模型的约束条件包括储能***约束条件和电网***约束条件，其中，储能***优化约束条件为：
Figure BDA0002287417850000031
ηD为放电功率，ηC为充电功率，η为整体充放电效率，SOCmax为荷电状态的上限，SOCmin为荷电状态的下限，SOC(t)为t时刻的荷电状态；
所述电网***约束条件为：
Figure BDA0002287417850000032
PDG,PS,PESS,PL,PLOSS分别为分布式电源的有功功率、主电网的有功功率、储能***的有功功率、负荷的有功功率、线路损耗的有功功率；Pijmin和Pijmax分别是线路ij传输有功功率的限制条件，Vmax and Vmin分别是电压幅值的约束，Pij和Vi分别为线路ij上的实际有功功率和节点i的实际电压。
在其中一个实施例中，所述内层优化模型的目标函数为：f2＝min cos t，其中，f2代表所述内层优化模型的目标函数，cost代表全寿命周期成本模型，cost＝C1+C2+C3+C4-C5，C1代表初始投资成本，C2代表更换成本，C3代表运维成本，C4代表处理成本，C5代表回收值。
在其中一个实施例中，所述内层优化模型的约束条件为SOCmin≤SOC(t)≤SOCmax，其中，SOCmax为荷电状态的上限，SOCmin为荷电状态的下限，SOC(t)为t时刻的荷电状态。
在其中一个实施例中，所述根据所述目标数据，通过遗传算法和模拟退火算法求解所述储能优化模型的最优解，得到优化配置结果，包括：
根据所述目标数据，采用遗传算法对每小时所述待配置储能***的出力功率进行编码，初始化种群；
根据所述目标数据对种群的每个个体进行潮流计算，得到每个个体由于未解决的电压问题所产生的惩罚值；
若所述惩罚值为零，对个体所代表的所述待配置储能***的一天内各小时的出力功率进行优化，以使所述待配置储能***在一个充放电周期内充放电量相等；
根据收益模型计算收益，确定额定功率；
通过所述内层优化模型计算得到所述待配置储能***的额定容量和全周期成本，将输出到所述外层优化模型中；
若所述惩罚值不为零，则将个体所代表的所述待配置储能***的各项收益及全寿命周期成本设置为零；
根据所述惩罚值、额定容量和全寿命周期成本，确定遗传算法适应度函数，并根据所述适应度函数计算遗传算法中每个个体的适应度；
通过轮盘赌法筛选适应度较高的个体并保留适应度最高的个体进而更新种群，得到外层新种群；
对所述外层新种群进行模拟退火操作，得到外层退火新种群；
对所述外层退火新种群执行交叉和变异操作，并判断是否执行到最后一代；
若未执行到最后一代，则返回执行步骤根据所述目标数据对种群的每个个体进行潮流计算，得到每个个体由于未解决的电压问题所产生的惩罚值；
若执行到最后一代，则依次输出考虑收益时运行成本最小的额定容量和额定功率。
在其中一个实施例中，所述通过所述内层优化模型计算得到所述待配置储能***的额定容量和全周期成本，包括：
生成初始种群；
根据所述外层优化模型输出的所述待配置储能***每时段的出力功率值和额定功率，计算所述待配置储能***的荷电状态、电池寿命和全周期寿命成本；
根据所述内层优化模型的目标函数取遗传算法适应度函数，并计算遗传算法中每个个体的适应度；
通过轮盘赌法筛选适应度较高的个体并保留适应度最高的个体进而更新种群，得到内层新种群；
对所述内层新种群进行模拟退火操作，得到内层退火种群；
对所述内层退火种群执行交叉和变异操作，并判断是否执行到最后一代；
若未执行到最后一代，则返回执行步骤所述根据所述外层优化模型输出的所述待配置储能***每时段的出力功率值和额定功率，计算所述待配置储能***的荷电状态、电池寿命和全周期寿命成本；
若执行到最后一代，则输出所述待配置储能***的额定容量和全周期寿命成本。
一种计及全寿命周期成本的微电网储能优化配置装置，所述装置包括：
目标数据获取模块，用于获取待配置储能***的数据，得到目标数据；
储能优化模型获取模块，用于获取预先建立的储能优化模型，其中，所述储能优化模型包括外层优化模型和内层优化模型，所述外层优化模型的目标函数用于根据所述内层优化模型输出储能***的额定容量和全寿命周期成本，通过优化所述储能***的经济运行功率改善所述储能***的电压分布，并使所述储能***的年均净成本最小化，所述内层优化模型的目标函数用于根据所述外层优化模型输出的所述储能***的经济运行功率和额定功率，通过最小化全寿命周期成本，优化所述储能***的容量；
求解模块，用于根据所述目标数据，通过遗传算法和模拟退火算法求解所述储能优化模型的最优解，得到优化配置结果，所述优化配置结果至少包括所述额定功率、所述额定容量和所述经济运行功率；
配置模块，用于根据所述优化配置结果配置所述待配置储能***。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上任一项所述方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的方法的步骤。
本申请实施例提供的所述计及全寿命周期成本的微电网储能优化配置方法、装置、计算机设备及可读存储介质，根据目标数据，求解储能优化模型的最优解，得到优化配置结果，并根据优化配置结果配置待配置储能***。储能优化模型包括外层优化模型和内层优化模型，外层优化模型的目标函数的目标是根据内层优化模型输出的额定容量和全寿命周期成本，通过优化储能***的经济运行功率改善储能***的电压分布，并使储能***的年均净成本最小化。内层优化模型的目标函数的目标是根据外层优化模型输出的经济运行功率和额定功率，通过最小化全寿命周期成本，优化储能***的容量。内层优化模型和外层优化模型相互制约，因此，求解内外层优化模型的最优解，可以得到同时满足改善储能***的电压分布和年均收益时全周期成本最小的储能容量配置结果。本申请实施例提供的方法在将内层优化模型输出的最小的全周期成本输入到外层优化模型中，实现了储能***全周期内的成本最小化，收益最大化。
附图说明
图1为本申请一个实施例提供的计及全寿命周期成本的微电网储能优化配置方法的应用环境图；
图2为本申请一个实施例提供的计及全寿命周期成本的微电网储能优化配置方法的流程示意图；
图3为本申请一个实施例提供的计及全寿命周期成本的微电网储能优化配置方法的流程示意图；
图4为本申请一个实施例提供的计及全寿命周期成本的微电网储能优化配置方法的流程示意图；
图5为本申请一个实施例提供的计及全寿命周期成本的微电网储能优化配置方法的流程示意图；
图6为本申请一个实施例提供的计及全寿命周期成本的微电网储能优化配置方法的流程示意图；
图7为本申请一个实施例提供的高耦合***电抗器建模装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
请参见图1，本申请实施例提供的计及全寿命周期成本的微电网储能优化配置方法可以应用于计算机设备，该计算机设备的内部结构图可以如图1所示。该计算机设备包括通过***总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种计及全寿命周期成本的微电网储能优化配置方法。
请参见图2，本申请一个实施例提供一种计及全寿命周期成本的微电网储能优化配置方法，所述方法包括以下步骤：
S10，获取待配置储能***的数据，得到目标数据。
待配置储能***是指需要进行优化配置的微电网储能***。目标数据是指与优化配置相关的微电网中的数据信息，包括但不限于储能***的单位容量价格、维修成本、回收率、微电网中分布式电源母线、储能***以及负荷点的位置信息、微电网***中各元件的参数等。
S20，获取预先建立的储能优化模型，其中，储能优化模型包括外层优化模型和内层优化模型，外层优化模型的目标函数用于根据内层优化模型输出的储能***的额定容量和全寿命周期成本指导储能***的经济运行，通过优化储能***的经济运行功率改善储能***的电压分布，并使储能***的年均净成本最小化，内层优化模型的目标函数用于根据外层优化模型输出的储能***的经济运行功率和额定功率，通过最小化全寿命周期成本，优化储能***的容量。
储能优化模型可以预先建立并存储，需要时调取储能优化模型。储能优化模型包括内层优化模型和外层优化模型。内层优化模型和外层优化模型均包括目标函数和约束条件。外层优化模型用于优化储能***的运行功率，内层优化模型用于优化储能***的容量。外层优化模型输出储能***的经济运行功率和额定功率。内层优化模型输出储能***的额定容量和全寿命周期成本。外层优化模型将输出的经济运行功率和额定功率输入内层优化模型，内层模型将输出的额定容量和年化全寿命周期成本输出至外层优化模型。内层优化模型和外层优化模型相互制约，既能改善储能***的电压分布，又能使得全周期成本最小。
S30，根据目标数据，通过遗传算法和模拟退火算法求解储能优化模型的最优解，得到优化配置结果，优化配置结果至少包括额定功率、额定容量和经济运行功率。
将待配置储能***的目标数据代入外层优化模型和内层优化模型，基于遗传算法和模拟退化算法，对外层优化模型和内层优化模型进行求解，得到额定功率、额定容量和经济运行功率等。由于外层优化模型将输出的经济运行功率和额定功率输入内层优化模型，内层模型将输出的额定容量和年化全寿命周期成本输出至外层优化模型，内层优化模型和外层优化模型相互制约，因此，求解内外层优化模型的最优解，可以得到同时满足改善储能***的电压分布和年均收益时全周期成本最小的储能容量配置结果。
S40，根据优化配置结果配置待配置储能***。
根据得到的额定功率、额定容量和经济运行功率等参数对待配置储能***进行配置，从而使得所述待配置储能***全周期成本最小，收益最大。
本实施例中，根据目标数据，求解储能优化模型的最优解，得到优化配置结果，并根据优化配置结果配置待配置储能***。储能优化模型包括外层优化模型和内层优化模型，外层优化模型的目标函数的目标是根据内层优化模型输出的额定容量和全寿命周期成本，通过优化储能***的经济运行功率改善储能***的电压分布，并使储能***的年均净成本最小化。内层优化模型的目标函数的目标是根据外层优化模型输出的经济运行功率和额定功率，通过最小化全寿命周期成本，优化储能***的容量。内层优化模型和外层优化模型相互制约，因此，求解内外层优化模型的最优解，可以得到同时满足改善储能***的电压分布和年均收益时全周期成本最小的储能容量配置结果。本申请实施例提供的方法在将内层优化模型输出的最小的全周期成本输入到外层优化模型中，实现了储能***全周期内的成本最小化，收益最大化。
请参见图3，本实施例涉及内层优化模型的目标函数的具体优化过程，内层优化模型的目标函数具体用于：
S210，根据经济运行功率和额定功率，确定储能***的最小配置容量；
S220，对所述最小配置容量进行扩充，得到储能***的容量；
S230，确定配置容量对应的所述储能***的最小化全寿命周期成本。
内层优化模型基于外层优化模型输入的经济运行功率和额定功率，确定出一个最小的配置容量，并根据预设的规则对容量进行扩充。例如，将最小配置容量扩充1.2倍，得到储能***的容量。进一步的，确定在此容量下，储能***的最小化全寿命周期成本。
请参见图4，本实施例涉及外层优化模型和内层优化模型的建立过程的一种可能的实现方式，外层优化模型和内层优化模型的建立过程可以包括如下步骤：
S201，确定储能***的储能全寿命周期成本模型、收益模型和电池模型；
S202，根据储能全寿命周期成本模型和收益模型建立外层优化模型的目标函数和内层优化模型的目标函数；
S203，根据电池模型，分别确定外层优化模型的目标函数和内层优化模型对应的约束条件，得到外层优化模型的约束条件和内层优化模型的约束条件。
具体的，各个模型、目标函数以及约束条件如下：
1)储能全寿命周期成本模型，也即储能成本函数如下：
cost＝C1+C2+C3+C4-C5 (1)
Figure BDA0002287417850000111
Figure BDA0002287417850000112
C3＝cfPrate (4)
Figure BDA0002287417850000113
C5＝cres(C1+C2) (6)
式(1)，C1代表初始投资成本，利用式(2)可以得到C1，其中cE(￥/kW·h)代表储能***的单位容量价格，cP(￥/kW)代表储能***的单位功率的价格，cB(￥/kW·h)代表辅助设施单位kW·h的价格，Erate和Prate分别代表储能***的额定容量和额定功率，Y为项目周期(年)，σ是折现率(％)。
C2代表更换成本，式(3)中k是电池更换的总次数((向上舍入,(k＝Y/n-1)),n是电池寿命，ε是替换次序，β为储能***投资成本年平均递减率，储能变流器的寿命可以认为是固定的10年。
C3代表运维成本，由人工成本和管理成本组成，与额定功率有关，式(4)中cf为每千瓦运行维护成本；
C4代表处理成本，式(5)中cd(￥/kW)代表储能***的一种特定处理成本；
C5代表回收值，式(6)中cres是回收率，可以为3％到5％。
2)收益模型，也即收益函数如下：
profit＝I1+I2+I3 (7)
Figure BDA0002287417850000121
Figure BDA0002287417850000122
Figure BDA0002287417850000123
式(7)，I1代表储能套利收益,，A1为一天的储能套利收益，y为年数，D一年中储能***运行天数，Cc(t)是时间t的电价，Pdis(t)为时间t时的放电量，Pch(t)为时间t时的充电量，μch和μdis为储能***的充放电指示,当储能***充电时μch是1，而当储能***放电时,μdis是1。
I2代表政府激励措施的收益，A2是一天的电价补贴，Ce,FTT是电价补贴；
I3代表关联环境的收益，Cau(￥/(MW·h))为火电机组生产单位能量的排放成本，Es,out为参与辅助服务的储能***的放电能力，单位是MW·h。
3)电池模型如下：
ηD,和ηC分别为电池的放电功率和充电功率，η为电池整体充放电效率，SOCmax和SOCmin分别为荷电状态的上限和下限，SOC(t)为t时刻的荷电状态。SOC(t)计算方法如式(12)，SOC的初始状态见式(13)；
Figure BDA0002287417850000131
Figure BDA0002287417850000132
E(t)为t时刻相对于储能***初始状态的能量波动，可以得到式(14)，E(0)＝0。
Figure BDA0002287417850000133
电池寿命通常定义为退化到额定容量的80％相对应的循环寿命。电池容量下降主要是由于溶液浓度的降低和电池内阻的增加，这与电池的充放电功率、放电深度、SOC波动、循环次数以及工作温度有关。锂离子电池的剩余值可以通过健康状态(SOH)来确定，见式(17)，当容量从额定容量下降到80％时，SOH值由1变为0。容量衰落速率与平均SOC(SOCavg,m)和SOC偏差(SOCdev,m)有关，SOCavg,m或SOCdev,m越高，容量衰落速率越高，容量衰减指数见式(15)。
Figure BDA0002287417850000134
Γ参数可以选为:x1为-4.092×10-4,x2为-2.167,x3为-1.408×10-5,x4为6.130,Ea为78.06kmol/J，R为8.314J/(mol*K)，采样周期m为24小时，τsum为总时间，Ahm、Tm、SOCavg,m和SOCdev,m分别表示充电能量、储能***温度、平均SOC和SOC偏差，Tref为参考温度，通常设置为25℃。Tm见式(16)，Rth为经验常数。
Figure BDA0002287417850000141
Figure BDA0002287417850000142
在一个具体的实施例中，SOC的上下限分别为90％与10％，η为95％，项目周期为20年，不考虑电池安装成本年均下降率，cE是3224￥/kW·h，cp是1085￥/kW，cf是155￥/kW·year，cd是1582￥/kW，cres是5％。由于锂电池不需要复杂的配套设备，所以不考虑BOP，火电机组生产单位能源排放成本为230￥/(MW·h)，T补贴电价为18.6￥/MW·h.，另外，贴现率定为10％。
4)外层优化模型的目标函数为：
f1＝min(cost-profit+punishvalue) (18)
式(18)中，成本函数和收益函数分别表示为式(1)和式(7)。成本值在内部优化模型中计算收益值在外部优化模型中计算，惩罚值是尚未解决的电压问题所需的惩罚成本。
外层模型的优化成本除了储能***的约束条件见式(11)，还有对***的约束条件，见式(19)
Figure BDA0002287417850000143
式(19)中，PDG,PS,PESS,PL,PLOSS分别为分布式电源、主电网、储能***、负荷、线路损耗的有功功率；Pijmin和Pijmax是线路ij传输有功功率的限制条件，Vmax and Vmin是电压幅值的约束，Pij和Vi分别为线路ij上的实际有功功率和节点i的实际电压。
5)内层优化模型的目标函数的目标是根据外层优化模型输出的经济运行功率和额定功率，通过最小化寿命周期成本来优化储能***的容量，并将额定容量和年化寿命周期成本返回到外层优化，内部优化模型的目标函数如式(20)：
f2＝min cost (20)
通过增加电池容量和延长电池寿命，可以降低更换成本。根据外层优化模型得到的储能***输出功率，能量波动E(t)可由式(14)得到。根据一天的能量波动，考虑SOC的限制，可以得到满足储能***输出的最小容量；
内层的约束条件为SOC约束：SOCmin≤SOC(t)≤SOCmax。
请参见图5，本实施例涉及根据目标，通过遗传算法和模拟退火算法求解储能优化模型的最优解，得到优化配置结果的一种可能的实现方式，即S40包括：
S310，根据目标数据，采用遗传算法对每小时待配置储能***的出力功率进行编码，初始化种群。
其中，目标数据包括微电网中分布式电源母线、储能***以及负荷节点的位置等。对每小时待配置储能***的出力功率进行编码时，待配置储能***每小时的输出功率由四个基因位编码，可以利用96个基因位表示待配置储能***一天的输出功率。
S320，根据目标数据对种群的每个个体进行潮流计算，得到每个个体由于未解决的电压问题所产生的惩罚值。
具体的，可以根据微电网中各元件参数对种群的每个个体进行潮流计算，得到惩罚值。
S331，判断惩罚值是否为零。
若惩罚值为零，则执行步骤S332。
若惩罚值不为零，则执行步骤S335。
S332，对待配置储能***的一天内各小时的出力功率进行优化，以使待配置储能***在一个充放电周期内充放电量相等。
使储能***的电池能够循环利用，储能***在一个充放电周期中满足能量守恒，对储能***的出力功率进行进一步优化使储能在一个充放电周期内充放电量相等。
S333，根据收益模型计算收益，确定额定功率。
收益模型如式(7)。
S334，通过内层优化模型计算得到待配置储能***的额定容量和全周期成本，将输出到外层优化模型中。
S335，将个体所代表的所述待配置储能***的各项收益及全寿命周期成本设置为零。
S336，根据外层优化模型的目标函数和遗传算法适应度函数，并根据适应度函数计算遗传算法中每个个体的适应度。
可以取遗传算法适应度函数为式(21)：
Figure BDA0002287417850000161
S340，通过轮盘赌法筛选适应度较高的个体并保留适应度最高的个体进而更新种群，得到外层新种群。
S350，对外层新种群进行模拟退火操作，得到外层退火新种群。
对外层新种群进行模拟退火操作，包括模拟退火动作和模拟退火后新个体的选择。其中，退火动作包括：
1)对每个个体随机选定一个储能并将其关闭；
2)对每个个体随机打开一个储能，并随机设置其功率；
模拟退火后新个体的选择包括：
若退火形成的个体比之前的上一代种群的个体适应度更高则被接受；
若适应度降低则根据概率接受函数即式(22)，以逐轮递减的概率被接受，
Figure BDA0002287417850000171
式中，P1为第一阶段退火算法新个体被接受的概率；Fit’为第一阶段退火前种群个体适应度；Fitnew’为第一阶段退火后新形成的个体适应度；α为降温系数，k为退火次数；T为退火初始温度。
S360，对外层退火新种群执行交叉和变异操作。
S370，判断是否执行到最后一代。
若未执行到最后一代，则返回执行步骤S320。
若执行到最后一代，则执行S370。
S370，依次输出考虑收益时运行成本最小的额定容量和额定功率。
请参见图6，本实施例涉及通过内层优化模型计算待配置储能***的额定容量和全周期成本的一种可能的实现方式，即S335包括：
S3351，生成初始种群。
S3352，根据外层优化模型输出的待配置储能***每时段的出力功率值和额定功率，计算待配置储能***的荷电状态、电池寿命和全周期寿命成本。
S3353，根据内层优化模型的目标函数取遗传算法适应度函数，并计算遗传算法中每个个体的适应度。
此处，取遗传算法适应度函数为
Figure BDA0002287417850000172
S3354，通过轮盘赌法筛选适应度较高的个体并保留适应度最高的个体进而更新种群，得到内层新种群。
S3355，对内层新种群进行模拟退火操作，得到内层退火种群。
S3356，对内层退火种群执行交叉和变异操作。
S3357，判断是否执行到最后一代。
若未执行到最后一代，则返回执行步骤S3352。
若执行到最后一代，则执行步骤S3358。
S3358，输出待配置储能***的额定容量和全周期寿命成本。
应该理解的是，虽然流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图7所示，提供了一种计及全寿命周期成本的微电网储能优化配置装置100，包括：目标数据获取模块110、储能优化模型获取模块120、求解模块130和配置模块140，其中：
目标数据获取模块110，用于获取待配置储能***的数据，得到目标数据；
储能优化模型获取模块120，用于获取预先建立的储能优化模型，其中，所述储能优化模型包括外层优化模型和内层优化模型，所述外层优化模型的目标函数用于根据所述内层优化模型输出储能***的额定容量和全寿命周期成本，通过优化所述储能***的经济运行功率改善所述储能***的电压分布，并使所述储能***的年均净成本最小化，所述内层优化模型的目标函数用于根据所述外层优化模型输出的所述储能***的经济运行功率和额定功率，通过最小化全寿命周期成本，优化所述储能***的容量；
求解模块130，用于根据所述目标数据，通过遗传算法和模拟退火算法求解所述储能优化模型的最优解，得到优化配置结果，所述优化配置结果至少包括所述额定功率、所述额定容量和所述经济运行功率；
配置模块140，用于根据所述优化配置结果配置所述待配置储能***。
在一个实施例中，所述内层优化模型的目标函数具体用于：根据所述经济运行功率和所述额定功率，确定所述储能***的最小配置容量；对所述最小配置容量进行扩充，得到所述储能***的容量；确定所述储能***的容量对应的所述储能***的最小化全寿命周期成本。
在一个实施例中，计及全寿命周期成本的微电网储能优化配置装置100还包括模型建立模块150，模型建立模块140用于确定储能***的储能全寿命周期成本模型、收益模型和电池模型；根据所述储能全寿命周期成本模型和所述收益模型建立所述外层优化模型的目标函数和所述内层优化模型的目标函数；根据所述电池模型，分别确定所述外层优化模型的目标函数和所述内层优化模型对应的约束条件，得到所述外层优化模型的约束条件和所述内层优化模型的约束条件。
在一个实施例中，所述外层优化模型的目标函数为：f1＝min(cost-profit+punishvalue)；其中，f1代表所述外层优化模型的目标函数，cost代表全寿命周期成本模型，cost＝C1+C2+C3+C4-C5，profit代表收益模型，profit＝I1+I2+I3，punishvalue代表惩罚值，C1代表初始投资成本，C2代表更换成本，C3代表运维成本，C4代表处理成本，C5代表回收值，I1代表储能套利收益，I2代表政府激励措施的收益，I3代表关联环境的收益。
在一个实施例中，所述外层优化模型的约束条件包括储能***约束条件和电网***约束条件，其中，储能***优化约束条件为：
Figure BDA0002287417850000201
ηD为放电功率，ηC为充电功率，η为整体充放电效率，SOCmax为荷电状态的上限，SOCmin为荷电状态的下限，SOC(t)为t时刻的荷电状态；
所述电网***约束条件为：
Figure BDA0002287417850000202
PDG,PS,PESS,PL,PLOSS分别为分布式电源的有功功率、主电网的有功功率、储能***的有功功率、负荷的有功功率、线路损耗的有功功率；Pijmin和Pijmax分别是线路ij传输有功功率的限制条件，Vmax and Vmin分别是电压幅值的约束，Pij和Vi分别为线路ij上的实际有功功率和节点i的实际电压。
在一个实施例中，所述内层优化模型的目标函数为：f2＝min cost，其中，f2代表所述内层优化模型的目标函数，cost代表全寿命周期成本模型，cost＝C1+C2+C3+C4-C5，C1代表初始投资成本，C2代表更换成本，C3代表运维成本，C4代表处理成本，C5代表回收值。
在一个实施例中，所述内层优化模型的约束条件为SOCmin≤SOC(t)≤SOCmax，其中，SOCmax为荷电状态的上限，SOCmin为荷电状态的下限，SOC(t)为t时刻的荷电状态。
在一个实施例中，求解模块130具体用于：根据所述目标数据，采用遗传算法对每小时所述待配置储能***的出力功率进行编码，初始化种群；根据所述目标数据对种群的每个个体进行潮流计算，得到每个个体由于未解决的电压问题所产生的惩罚值；若所述惩罚值为零，对个体所代表的所述待配置储能***的一天内各小时的出力功率进行优化，以使所述待配置储能***在一个充放电周期内充放电量相等；根据收益模型计算收益，确定额定功率；通过所述内层优化模型计算得到所述待配置储能***的额定容量和全周期成本，将输出到所述外层优化模型中；若所述惩罚值不为零，则将个体所代表的所述待配置储能***的各项收益及全寿命周期成本设置为零；根据所述惩罚值、额定容量和全寿命周期成本，确定遗传算法适应度函数，并根据所述适应度函数计算遗传算法中每个个体的适应度；通过轮盘赌法筛选适应度较高的个体并保留适应度最高的个体进而更新种群，得到外层新种群；对所述外层新种群进行模拟退火操作，得到外层退火新种群；对所述外层退火新种群执行交叉和变异操作，并判断是否执行到最后一代；若未执行到最后一代，则返回执行步骤根据所述目标数据对种群的每个个体进行潮流计算，得到每个个体由于未解决的电压问题所产生的惩罚值；若执行到最后一代，则依次输出考虑收益时运行成本最小的额定容量和额定功率。
在一个实施例中，求解模块130具体用于：生成初始种群；根据所述外层优化模型输出的所述待配置储能***每时段的出力功率值和额定功率，计算所述待配置储能***的荷电状态、电池寿命和全周期寿命成本；根据所述内层优化模型的目标函数取遗传算法适应度函数，并计算遗传算法中每个个体的适应度；通过轮盘赌法筛选适应度较高的个体并保留适应度最高的个体进而更新种群，得到内层新种群；对所述内层新种群进行模拟退火操作，得到内层退火种群；对所述内层退火种群执行交叉和变异操作，并判断是否执行到最后一代；若未执行到最后一代，则返回执行步骤所述根据所述外层优化模型输出的所述待配置储能***每时段的出力功率值和额定功率，计算所述待配置储能***的荷电状态、电池寿命和全周期寿命成本；若执行到最后一代，则输出所述待配置储能***的额定容量和全周期寿命成本。
关于计及全寿命周期成本的微电网储能优化配置100的具体限定可以参见上文中对于计及全寿命周期成本的微电网储能优化配置方法的限定，在此不再赘述。上述计及全寿命周期成本的微电网储能优化配置100中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待配置储能***的数据，得到目标数据；
获取预先建立的储能优化模型，其中，所述储能优化模型包括外层优化模型和内层优化模型，所述外层优化模型的目标函数用于根据所述内层优化模型输出储能***的额定容量和全寿命周期成本，通过优化所述储能***的经济运行功率改善所述储能***的电压分布，并使所述储能***的年均净成本最小化，所述内层优化模型的目标函数用于根据所述外层优化模型输出的所述储能***的经济运行功率和额定功率，通过最小化全寿命周期成本，优化所述储能***的容量；
根据所述目标数据，通过遗传算法和模拟退火算法求解所述储能优化模型的最优解，得到优化配置结果，所述优化配置结果至少包括所述额定功率、所述额定容量和所述经济运行功率；
根据所述优化配置结果配置所述待配置储能***。
一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待配置储能***的数据，得到目标数据；
获取预先建立的储能优化模型，其中，所述储能优化模型包括外层优化模型和内层优化模型，所述外层优化模型的目标函数用于根据所述内层优化模型输出储能***的额定容量和全寿命周期成本，通过优化所述储能***的经济运行功率改善所述储能***的电压分布，并使所述储能***的年均净成本最小化，所述内层优化模型的目标函数用于根据所述外层优化模型输出的所述储能***的经济运行功率和额定功率，通过最小化全寿命周期成本，优化所述储能***的容量；
根据所述目标数据，通过遗传算法和模拟退火算法求解所述储能优化模型的最优解，得到优化配置结果，所述优化配置结果至少包括所述额定功率、所述额定容量和所述经济运行功率；
根据所述优化配置结果配置所述待配置储能***。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种计及全寿命周期成本的微电网储能优化配置方法，其特征在于，所述方法包括：
获取待配置储能***的数据，得到目标数据；
获取预先建立的储能优化模型，其中，所述储能优化模型包括外层优化模型和内层优化模型，所述外层优化模型的目标函数用于根据所述内层优化模型输出储能***的额定容量和全寿命周期成本，通过优化所述储能***的经济运行功率改善所述储能***的电压分布，并使所述储能***的年均净成本最小化，所述内层优化模型的目标函数用于根据所述外层优化模型输出的所述储能***的经济运行功率和额定功率，通过最小化全寿命周期成本，优化所述储能***的容量；
根据所述目标数据，通过遗传算法和模拟退火算法求解所述储能优化模型的最优解，得到优化配置结果，所述优化配置结果至少包括所述额定功率、所述额定容量和所述经济运行功率；
根据所述优化配置结果配置所述待配置储能***。
2.根据权利要求1所述的方法，其特征在于，所述内层优化模型的目标函数具体用于：
根据所述经济运行功率和所述额定功率，确定所述储能***的最小配置容量；
对所述最小配置容量进行扩充，得到所述储能***的容量；
确定所述储能***的容量对应的所述储能***的最小化全寿命周期成本。
3.根据权利要求1所述的方法，其特征在于，所述外层优化模型和所述内层优化模型的建立过程包括：
确定储能***的储能全寿命周期成本模型、收益模型和电池模型；
根据所述储能全寿命周期成本模型和所述收益模型建立所述外层优化模型的目标函数和所述内层优化模型的目标函数；
根据所述电池模型，分别确定所述外层优化模型的目标函数和所述内层优化模型对应的约束条件，得到所述外层优化模型的约束条件和所述内层优化模型的约束条件。
4.根据权利要求3所述的方法，其特征在于，所述外层优化模型的目标函数为：
f1＝min(cost-profit+punishvalue)；
其中，f1代表所述外层优化模型的目标函数，cost代表全寿命周期成本模型，cost＝C1+C2+C3+C4-C5，profit代表收益模型，profit＝I1+I2+I3，punishvalue代表惩罚值，C1代表初始投资成本，C2代表更换成本，C3代表运维成本，C4代表处理成本，C5代表回收值，I1代表储能套利收益，I2代表政府激励措施的收益，I3代表关联环境的收益。
5.根据权利要求4所述的方法，其特征在于，所述外层优化模型的约束条件包括储能***约束条件和电网***约束条件，其中，储能***优化约束条件为：
Figure FDA0002287417840000021
ηD为放电功率，ηC为充电功率，η为整体充放电效率，SOCmax为荷电状态的上限，SOCmin为荷电状态的下限，SOC(t)为t时刻的荷电状态；
所述电网***约束条件为：
Figure FDA0002287417840000031
PDG,PS,PESS,PL,PLOSS分别为分布式电源的有功功率、主电网的有功功率、储能***的有功功率、负荷的有功功率、线路损耗的有功功率；Pijmin和Pijmax分别是线路ij传输有功功率的限制条件，Vmax and Vmin分别是电压幅值的约束，Pij和Vi分别为线路ij上的实际有功功率和节点i的实际电压。
6.根据权利要求3所述的方法，其特征在于，所述内层优化模型的目标函数为：f2＝mincost，其中，f2代表所述内层优化模型的目标函数，cost代表全寿命周期成本模型，cost＝C1+C2+C3+C4-C5，C1代表初始投资成本，C2代表更换成本，C3代表运维成本，C4代表处理成本，C5代表回收值。
7.根据权利要求6所述的方法，其特征在于，所述内层优化模型的约束条件为SOCmin≤SOC(t)≤SOCmax，其中，SOCmax为荷电状态的上限，SOCmin为荷电状态的下限，SOC(t)为t时刻的荷电状态。
8.一种计及全寿命周期成本的微电网储能优化配置装置，其特征在于，所述装置包括：
目标数据获取模块，用于获取待配置储能***的数据，得到目标数据；
储能优化模型获取模块，用于获取预先建立的储能优化模型，其中，所述储能优化模型包括外层优化模型和内层优化模型，所述外层优化模型的目标函数用于根据所述内层优化模型输出储能***的额定容量和全寿命周期成本，通过优化所述储能***的经济运行功率改善所述储能***的电压分布，并使所述储能***的年均净成本最小化，所述内层优化模型的目标函数用于根据所述外层优化模型输出的所述储能***的经济运行功率和额定功率，通过最小化全寿命周期成本，优化所述储能***的容量；
求解模块，用于根据所述目标数据，通过遗传算法和模拟退火算法求解所述储能优化模型的最优解，得到优化配置结果，所述优化配置结果至少包括所述额定功率、所述额定容量和所述经济运行功率；
配置模块，用于根据所述优化配置结果配置所述待配置储能***。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN201911165802.7A 2019-11-25 2019-11-25 计及全寿命周期成本的微电网储能优化配置方法及装置 Active CN110867852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911165802.7A CN110867852B (zh) 2019-11-25 2019-11-25 计及全寿命周期成本的微电网储能优化配置方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911165802.7A CN110867852B (zh) 2019-11-25 2019-11-25 计及全寿命周期成本的微电网储能优化配置方法及装置

Publications (2)

Publication Number Publication Date
CN110867852A true CN110867852A (zh) 2020-03-06
CN110867852B CN110867852B (zh) 2022-06-07

Family

ID=69655052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911165802.7A Active CN110867852B (zh) 2019-11-25 2019-11-25 计及全寿命周期成本的微电网储能优化配置方法及装置

Country Status (1)

Country Link
CN (1) CN110867852B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639866A (zh) * 2020-06-03 2020-09-08 国网上海市电力公司 基于遗传算法的储能充电站的储能容量的配置方法
CN112348398A (zh) * 2020-11-23 2021-02-09 国网北京市电力公司 面向多站融合的储能规划方法、装置和处理器
CN114142509A (zh) * 2021-12-09 2022-03-04 国网江苏省电力有限公司经济技术研究院 一种微电网储能***及优化配置方法
CN115065078A (zh) * 2022-05-06 2022-09-16 合肥工业大学 微网环境下储能容量配置方法及***
CN118017576A (zh) * 2024-04-09 2024-05-10 江苏谷峰电力科技股份有限公司 一种构网型组串式储能变流器

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013102563A (ja) * 2011-11-07 2013-05-23 Sanyo Electric Co Ltd 蓄電装置及び電源システム
CN106096757A (zh) * 2016-05-31 2016-11-09 天津天大求实电力新技术股份有限公司 基于改进量子遗传算法的微网储能选址定容优化方法
CN109472394A (zh) * 2018-09-30 2019-03-15 中国电力科学研究院有限公司 一种储能成本和收益的经济优化方法及***
CN109492815A (zh) * 2018-11-15 2019-03-19 郑州大学 一种市场机制下面向电网的储能电站选址定容优化方法
CN109861256A (zh) * 2019-01-20 2019-06-07 天津大学 一种计及全寿命周期成本的配电网储能优化配置方法
CN110428103A (zh) * 2019-07-31 2019-11-08 广东电网有限责任公司 一种综合能源***中可再生能源储能***协同规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013102563A (ja) * 2011-11-07 2013-05-23 Sanyo Electric Co Ltd 蓄電装置及び電源システム
CN106096757A (zh) * 2016-05-31 2016-11-09 天津天大求实电力新技术股份有限公司 基于改进量子遗传算法的微网储能选址定容优化方法
CN109472394A (zh) * 2018-09-30 2019-03-15 中国电力科学研究院有限公司 一种储能成本和收益的经济优化方法及***
CN109492815A (zh) * 2018-11-15 2019-03-19 郑州大学 一种市场机制下面向电网的储能电站选址定容优化方法
CN109861256A (zh) * 2019-01-20 2019-06-07 天津大学 一种计及全寿命周期成本的配电网储能优化配置方法
CN110428103A (zh) * 2019-07-31 2019-11-08 广东电网有限责任公司 一种综合能源***中可再生能源储能***协同规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
JUN XIAO等: ""Determination of the optimal installation site and capacity of battery energy storage system in distribution network integrated with distributed generation"", 《IET GENERATION, TRANSMISSION & DISTRIBUTION》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639866A (zh) * 2020-06-03 2020-09-08 国网上海市电力公司 基于遗传算法的储能充电站的储能容量的配置方法
CN111639866B (zh) * 2020-06-03 2024-01-26 国网上海市电力公司 基于遗传算法的储能充电站的储能容量的配置方法
CN112348398A (zh) * 2020-11-23 2021-02-09 国网北京市电力公司 面向多站融合的储能规划方法、装置和处理器
CN114142509A (zh) * 2021-12-09 2022-03-04 国网江苏省电力有限公司经济技术研究院 一种微电网储能***及优化配置方法
CN115065078A (zh) * 2022-05-06 2022-09-16 合肥工业大学 微网环境下储能容量配置方法及***
CN115065078B (zh) * 2022-05-06 2023-07-04 合肥工业大学 微网环境下储能容量配置方法及***
CN118017576A (zh) * 2024-04-09 2024-05-10 江苏谷峰电力科技股份有限公司 一种构网型组串式储能变流器

Also Published As

Publication number Publication date
CN110867852B (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
CN110867852B (zh) 计及全寿命周期成本的微电网储能优化配置方法及装置
Ghiassi-Farrokhfal et al. Optimal design of solar PV farms with storage
Ghadimi et al. PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives
Gulin et al. Stochastic model predictive control for optimal economic operation of a residential DC microgrid
Han et al. Constructing prosumer coalitions for energy cost savings using cooperative game theory
CN104517161B (zh) 虚拟发电厂的分布式电源组合规划***和方法
CN113779874B (zh) 一种离网微电网建设的多目标优化方法
CN116911076B (zh) 多微电网对配电网的韧性支撑仿真方法、装置和电子设备
Feng et al. Scenario reduction for stochastic unit commitment with wind penetration
Aaslid et al. Optimal microgrid operation considering battery degradation using stochastic dual dynamic programming
CN104915788B (zh) 一种考虑多风场相关性的电力***动态经济调度的方法
CN117578409A (zh) 一种电力市场环境下的多能互补优化调度方法及***
Hu et al. Probabilistic electric vehicle charging demand forecast based on deep learning and machine theory of mind
CN114977217A (zh) 一种电-氢混合储能***配置方法及装置
CN110245799B (zh) 考虑负荷柔性需求的配电网架结构过渡的多目标规划方法
CN114202229B (zh) 基于深度强化学习的微电网的能量管理策略的确定方法
CN116961052A (zh) 一种分布式储能***的选址定容方法及***
Singh et al. Techno-socio-economic-environmental estimation of hybrid renewable energy system using two-phase swarm-evolutionary algorithm
Aghajani et al. Optimal energy storage sizing and offering strategy for the presence of wind power plant with energy storage in the electricity market
CN114358430A (zh) 一种基于鲁棒优化的新型农村配电网规划策略
CN113364043A (zh) 一种基于条件风险价值的微电网群优化方法
CN116436048A (zh) 一种多目标驱动的微电网群云储能优化配置方法及装置
CN115953058A (zh) 一种光储一体化充电站规划方法、***及介质
CN115600757A (zh) 海上风电共享储能参与现货市场交易协调优化方法及***
CN104951650A (zh) 一种评估含大规模风电电网关口外送电交易能力的方法

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
TA01 Transfer of patent application right

Effective date of registration: 20200923

Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No.

Applicant after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd.

Address before: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No.

Applicant before: GUANGZHOU POWER SUPPLY Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant