CN110867902B - 基于发电预测的微电网分布式电源去中心优化运行方法 - Google Patents
基于发电预测的微电网分布式电源去中心优化运行方法 Download PDFInfo
- Publication number
- CN110867902B CN110867902B CN201910976270.9A CN201910976270A CN110867902B CN 110867902 B CN110867902 B CN 110867902B CN 201910976270 A CN201910976270 A CN 201910976270A CN 110867902 B CN110867902 B CN 110867902B
- Authority
- CN
- China
- Prior art keywords
- power generation
- optimization
- power
- micro
- grid
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 94
- 238000005457 optimization Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000004891 communication Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007665 sagging Methods 0.000 abstract description 4
- 238000011160 research Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/48—Controlling the sharing of the in-phase component
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/50—Controlling the sharing of the out-of-phase component
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于发电预测的微电网分布式电源去中心优化运行方法,涉及电力***微电网优化运行技术领域。本发明首先基于多类型数据,利用长短期记忆网络方法对各分布式电源进行本地发电预测;并基于预测发电出力结果改进***优化模型,无需采集负荷信息建模,摆脱了对控制中心的依赖。然后,基于广播方式的流言传播方法来设计去中心化优化算法,实现去中心优化发电出力。最后将优化结果与下垂控制进行协调融合,实现了协调优化层于***控制层的结合,能够进行实时优化控制。本发明提供的基于发电预测的微电网分布式电源去中心优化运行方法,无需负荷信息,通过发电出力预测及分布式优化算法实现了去中心化;并且与将优化与下垂控制有机结合,实现实时优化控制。
Description
技术领域
本发明涉及电力***微电网优化运行技术领域,尤其涉及一种基于发电预测的微电网分布式电源去中心优化运行方法。
背景技术
随着人们对可持续清洁能源利用的重视,越来越多的可再生分布式电源(DGs)接入微电网中,对微电网的稳定运行带来了风险与挑战。因此,急需研究有效的控制方法来保证微电网稳定可靠运行,尤其经济、高效的功率分配策略是优化运行与控制的基础。现阶段,针对微网中分布式电源优化运行问题的相关研究可以根据优化结构的不同分为有中心和无中心优化方法两类。其中,有中心的优化方法研究目前已经相对完善,包含有经典的梯度法、线性规划等,以及启发式算法如遗传算法、粒子群优化方法(PSO)等。然而,以上优化算法需要一个控制中心与每一个分布式电源进行通信从而得到全局信息来进行优化决策,一旦中心发生故障整个***将会崩溃;同时,随着微电网中接入分布式电源数量的快速增加,网络通信成本和计算压力急剧加大,使得有中心式优化方法不再适用于含大规模分布式电源的网络。这些不足之处促使了去中心化的分布式电源优化方法的研究。
近年来,关于去中心优化问题的研究出现了诸多成果。去中心化的优化算法主要依托一致性共识或多智能体来实现。***中各节点/智能体不需要知道全局信息,只负责优化本地决策变量,相邻节点/智能体之间通过相互通信实现信息交互,协调合作完成优化运算。因此,在大量分布式电源接入的微电网中,***拓扑结构变得更为庞大和和复杂且具有时变特性,采用去中心优化算法能够更好的适应这一特点,同时减少通信和计算压力,降低通信成本。然而,当前去中心优化方法需要满足发电与负荷平衡的约束条件,多依赖于负荷信息。而负荷信息的获取需要依靠调度中心的预测或分布式负荷数据采集。中心预测限制了去中心化的程度;分布式负荷采集需要在每个负荷设置采集点,在大量的、分散的负荷情景下难以实施。因此,需要提出一种新的方法来解决这个问题。
同时,微电网中分布式电源需要灵活的接入或切除,不导致***的失稳。根据分布式电源(或储能设备)接入点就地信息进行控制的下垂控制方法能够适应上述“即插即用”的特点。下垂控制,即以传统发电机相似的频率一次下垂特性曲线作为参照,通过P/F和Q/V来控制。然而,下垂控制为分散式控制,难以协调各单元间的关系;下垂控制属于有差控制,且易受线路阻抗影响。针对以上问题,需要将控制层与优化层相结合,实现协调优化运行,满足微电网“即插即用”的需求。
发明内容
本发明要解决的技术问题是针对上述现有技术的不足,提供一种基于发电预测的微电网分布式电源去中心优化运行方法,实现微电网的经济稳定运行。
为解决上述技术问题,本发明所采取的技术方案是:基于发电预测的微电网分布式电源去中心优化运行方法,包括以下步骤:
步骤1、基于多类型数据,利用长短期记忆网络方法对各分布式电源进行本地发电预测,具体步骤如下:
步骤1.1、数据采集,收集区域微电网各分布式电源发电历史数据、气象信息、日期类型等多种类型数据信息;
步骤1.2、数据预处理,针对收集的数据进行数据预处理,剔除异常值数据,利用相邻日插值替换异常值,形成训练数据集;
步骤1.3、利用训练数据集对LSTM神经网络模型进行训练,以每年为周期,并保证每一年都会对LSTM神经网络模型重新训练;
步骤1.4、利用训练好的LSTM神经网络模型进行区域微电网分布式电源的本地发电预测;
步骤2、结合本地发电预测结果,建立去中心优化模型;
步骤2.1、计算微电网发电成本最小的目标函数;
其中,F为总发电成本,Fi为第i个分布式电源发电成本;xi,t为第i个分布式电源t时刻实际有功出力;分别表示微电网中各个光伏,风机,燃气轮机,小水电t时刻的实际有功出力,并且N1,N2,N3,N4分别为其对应的数量,N=N1+N2+N3+N4;
步骤2.2、建立微电网发电的成本模型,该模型为步骤2.1中所述发电成本的来源,其具体包括光伏发电成本模型、风机发电成本模型、燃气轮机发电成本模型以及小水电发电成本模型:
所述光伏发电成本模型表示为:
所述风机发电成本模型表示为:
分布式清洁能源发电,即风机、光伏发电随机性和波动性较强,预测结果的准确性对目标函数影响较大,为此在模型中引入惩罚项进行调整,当实际值与预测值偏差越小,则惩罚项的影响越小;
所述燃气轮机发电成本模型表示为:
所述小水电发电成本模型表示为:
步骤2.3、优化过程中还需要满足以下等式及不等式约束条件,包括发电平衡约束、不等式约束以及有功功率及无功功率约束;
所述发电平衡约束,即优化模型中不依赖于负荷信息,仅需要发电预测出力;发电历史数据中包含了发电与负荷供需平衡信息,当满足发电出力与预测出力平衡时,也就满足了发电与负荷平衡约束;其公式如下:
所述不等式约束,步骤2.2中成本模型需要满足以下不等式约束条件;
所述有功功率及无功功率约束,步骤2.1中所述的发电实际有功出力为分布式电源有功功率;由于分布式电源视在功率可由设备参数铭牌获得,当得到有功功率优化结果后,可求得相应的无功功率,因此只需对有功优化过程进行约束,其公式如下:
其中,Pi,t,Qi,t,Si,t分别为t时刻第i个分布式电源的有功功率,无功功率及视在功率;
步骤2.4、结合所述步骤2.1目标函数及所述步骤2.3约束条件,构造拉格朗日函数,提出拉格朗日乘子作为通信的一致性变量,不等式约束条件作为求解的取值范围限定。
步骤3、对去中心化优化方法进行设计,设计基于广播方式的流言传播方法来实现变量达到一致,即所有λi趋于同一值λi *;
步骤3.1、对***通信架构和通信权重进行设计,微电网中N个分布式电源构成了图的点集,其中Ni表示点集中i节点的邻居节点集合;
步骤3.2、对优化迭代协议进行设计,采用广播流言方式的优化过程,在形式上,采用如下格式进行更新:
结合3.1中通信权重的定义,可表示为:λk(t+1)=A(t)λk(t);
将优化得到的λ值回带到步骤2.4所述的微分式子中,即可得到各分布式电源的最优出力。
步骤4、将优化结果与下垂控制结合实现频率、电压调整。通过改变空载参数,即频率/电压,可以实现在给定***参数下,对输出功率的调整。具体调整方法如下:
fNL=xi,k·(fNL-fFL)/(Pmax-Pmin)+fsys
其中,fNL为空载频率,fFL为满载频率,为***频率上限,fsys为***频率,Pmax,Pmin分别为设备有功出力上下限,xi,k为实际有功出力,令m=-(fNL-fFL)/(Pmax-Pmin),则可以表示为:fNL=-Pi,t·m+fsys,根据步骤2.3所述有功功率及无功功率约束,获得电压调整方法::
UNL=Qi,t·(UNL-UFL)/(Qmax-Qmin)+Usys
其中,UNL为空载电压,UFL为满载电压,为***电压上限,Usys为***电压,Qmax,Qmin分别为设备无功出力上下限,Qi,t表示实际无功出力,同样的,令n=-(UNL-UFL)/(Qmax-Qmin),则可重新表示为:UNL=-Qi,t·n+Usys。
采用上述技术方案所产生的有益效果在于:
实现了协调优化层于***控制层的结合,能够进行实时优化控制。本发明提供的基于发电预测的微电网分布式电源去中心优化运行方法,无需负荷信息,通过发电出力预测及分布式优化算法实现了去中心化;并且与将优化与下垂控制有机结合,实现实时优化控制。
附图说明
图1为本发明实施的独立运行微电网的结构示意图;
图2为本发明实施的去中心优化方法中分布式优化算法流程图;
图3为本发明实施的独立运行微电网的***模型;
图4为为本发明实施的下垂调整曲线图。
具体实施方式
下面结合附图,对本发明的具体实施方式作进一步详细描述。
一种基于发电预测的微电网分布式电源去中心优化运行方法,如图1所示,包括以下步骤:
步骤1:基于多类型数据,利用长短期记忆网络,即LSTM方法对各分布式电源进行本地发电预测,具体方法为:
步骤1.1:收集区域微电网历史发电数据、区域气象信息、日期类型等信息,每15分钟采集一次,每天共采集96个点;
步骤1.2:数据预处理,针对收集的数据进行数据预处理,剔除异常值数据,利用相邻日插值替换异常值,形成训练数据集;
步骤1.3:利用训练数据集对LSTM神经网络模型进行训练,以每年为周期,保证每一年都会对LSTM神经网络重新训练;
步骤1.4:利用训练好的LSTM进行区域微电网分布式电源的本地发电预测,获得微电网中各分布式电源的发电预测信息,包括风机、光伏、燃气轮机以及小水电预测出力。
步骤2、结合发电预测结果,建立去中心优化模型,。优化模型中不依赖于负荷信息,仅需要发电预测出力;无需控制中心,本地操作即可实现。全优化过程实现去中心化,如图2所示,具体方法为:
步骤2.1、计算微电网发电成本最小的目标函数:
其中,F为总发电成本,Fi为第i个分布式电源发电成本;xi,t为第i个分布式电源t时刻实际有功出力;分别表示微电网中各个光伏,风机,燃气轮机,小水电t时刻的实际有功出力,并且N1,N2,N3,N4分别为其对应的数量,N=N1+N2+N3+N4。
步骤2.2、建立微电网发电的成本模型,该模型为步骤2.1中所述发电成本的来源,其具体包括光伏发电成本模型、风机发电成本模型、燃气轮机发电成本模型以及小水电发电成本模型:
所述光伏发电成本模型表示为:
所述风机发电成本模型表示为:
分布式清洁能源发电,即风机、光伏发电随机性和波动性较强,预测结果的准确性对目标函数影响较大,为此在模型中引入惩罚项进行调整,当实际值与预测值偏差越小,则惩罚项的影响越小;
所述燃气轮机发电成本模型表示为:
所述小水电发电成本模型表示为:
步骤2.3、优化过程中还需要满足以下等式及不等式约束条件,包括发电平衡约束、不等式约束以及有功功率及无功功率约束;
所述发电平衡约束,即优化模型中不依赖于负荷信息,仅需要发电预测出力;发电历史数据中包含了发电与负荷供需平衡信息,当满足发电出力与预测出力平衡时,也就满足了发电与负荷平衡约束;其公式如下:
所述不等式约束,步骤2.2中成本模型需要满足以下不等式约束条件;
所述有功功率及无功功率约束,步骤2.1中所述的发电实际有功出力为分布式电源有功功率;由于分布式电源视在功率可由设备参数铭牌获得,当得到有功功率优化结果后,可求得相应的无功功率,因此只需对有功优化过程进行约束,其公式如下:
其中,Pi,t,Qi,t,Si,t分别为t时刻第i个分布式电源的有功功率,无功功率及视在功率;
步骤2.4、结合所述步骤2.1目标函数及所速步骤2.3约束条件,构造拉格朗日函数,提出拉格朗日乘子作为通信的一致性变量。不等式约束条件作为求解的取值范围限定;
步骤3、对去中心化优化方法进行设计,步骤2中已确定要分布式通信的变量,设计基于广播方式的流言传播方法来实现变量达到一致,即所有λi趋于同一值λi *,即所有λi趋于同一值λi *,具体步骤如下:
步骤3.1、***通信架构和通信权重设计,如图3所示,微电网中N个分布式电源构成了图的点集,其中Ni表示点集中i节点的邻居节点集合;
步骤3.2、对优化迭代协议进行设计,采用广播流言方式的优化过程,每个节点随机苏醒,并向它的邻居广播信息,每一时刻,苏醒节点的邻居节点接收到广播信息,但不向其他节点传递信息。当时间足够长时,几乎所有节点都可以苏醒,实现全局节点信息的传播;通俗地说,假设节点i是第一个苏醒的,然后节点i广播它自己的状态值,该状态值被它很近的所有相邻节点接收。一旦接收到广播的值,相邻节点将其值设置为当前值和该节点广播的值的加权平均值;在形式上,采用如下格式进行更新:
结合3.1中通信权重的定义可表示为:λk(t+1)=A(t)λk(t);
将优化得到的λ值回带到步骤2.4所述的微分式子中,即可得到各分布式电源的最优出力。
步骤4、将优化结果与下垂控制结合实现频率、电压调整。通过改变空载参数,即频率/电压,可以实现在给定***参数下,对输出功率的调整。具体调整方法如下:
fNL=xi,t·(fNL-fFL)/(Pmax-Pmin)+fsys
其中,fNL为空载频率,fFL为满载频率,为***频率上限,fsys为***频率,Pmax,Pmin分别为设备有功出力上下限,xi,t为实际有功出力,令m=-(fNL-fFL)/(Pmax-Pmin),则可以表示为:fNL=-Pi,t·m+fsys,根据步骤2.3所述有功功率及无功功率约束,获得电压调整方法:
UNL=Qi,t·(UNL-UFL)/(Qmax-Qmin)+Usys
其中,UNL为空载电压,UFL为满载电压,为***电压上限,Usys为***电压,Qmax,Qmin分别为设备无功出力上下限,Qi,t表示实际无功出力,同样的,令n=-(UNL-UFL)/(Qmax-Qmin),则可重新表示为:UNL=-Qi,t·n+Usys。
根据以上调整方法,即可按图4中曲线调整变化进行调整,实现了将优化结果与下垂控制的结合。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明权利要求所限定的范围。
Claims (2)
1.一种基于发电预测的微电网分布式电源去中心优化运行方法,其特征在于:包括以下步骤:
步骤1、基于多类型数据,利用长短期记忆网络方法对各分布式电源进行本地发电预测,具体步骤如下:
步骤1.1、数据采集,收集区域微电网各分布式电源发电历史数据、气象信息、日期类型;
步骤1.2、数据预处理,针对收集的数据进行数据预处理,剔除异常值数据,利用相邻日插值替换异常值,形成训练数据集;
步骤1.3、利用训练数据集对LSTM神经网络模型进行训练,以每年为周期,并保证每一年都会对LSTM神经网络模型重新训练;
步骤1.4、利用训练好的LSTM神经网络模型进行区域微电网分布式电源的本地发电预测;
步骤2、结合本地发电预测结果,建立去中心优化模型;
步骤2.1、计算微电网发电成本最小的目标函数;
其中,F为总发电成本,Fi为第i个分布式电源发电成本;xi,t为第i个分布式电源t时刻实际有功出力;分别表示微电网中各个光伏,风机,燃气轮机,小水电t时刻的实际有功出力,并且N1,N2,N3,N4分别为其对应的数量,N=N1+N2+N3+N4;
步骤2.2、建立微电网发电的成本模型,该模型为步骤2.1中所述发电成本的来源,其具体包括光伏发电成本模型、风机发电成本模型、燃气轮机发电成本模型以及小水电发电成本模型:
所述光伏发电成本模型表示为:
所述风机发电成本模型表示为:
分布式清洁能源发电,即风机、光伏发电随机性和波动性较强,预测结果的准确性对目标函数影响较大,为此在模型中引入惩罚项进行调整,当实际值与预测值偏差越小,则惩罚项的影响越小;
所述燃气轮机发电成本模型表示为:
所述小水电发电成本模型表示为:
步骤2.3、优化过程中还需要满足以下等式及不等式约束条件,包括发电平衡约束、不等式约束以及有功功率及无功功率约束;
所述发电平衡约束,即优化模型中不依赖于负荷信息,仅需要发电预测出力;发电历史数据中包含了发电与负荷供需平衡信息,当满足发电出力与预测出力平衡时,也就满足了发电与负荷平衡约束;其公式如下:
所述不等式约束,步骤2.2中成本模型需要满足以下不等式约束条件;
所述有功功率及无功功率约束,步骤2.1中所述的实际有功出力为分布式电源有功功率;由于分布式电源视在功率由设备参数铭牌获得,当得到有功功率优化结果后,求得相应的无功功率,因此只需对有功优化过程进行约束,其公式如下:
其中,Pi,t,Qi,t,Si,t分别为t时刻第i个分布式电源的有功功率,无功功率及视在功率;
步骤2.4、结合所述步骤2.1目标函数及所述步骤2.3约束条件,构造拉格朗日函数,提出拉格朗日乘子作为通信的一致性变量,不等式约束条件作为求解的取值范围限定;
步骤3、对去中心化优化方法进行设计,设计基于广播方式的流言传播方法来实现变量达到一致,即所有λi趋于同一值λi *;
步骤4、将优化结果与下垂控制结合实现频率、电压调整,通过改变空载参数,即频率/电压,实现在给定***参数下,对输出功率的调整,具体调整方法如下:
fNL=xi,t·(fNL-fFL)/(Pmax-Pmin)+fsys
其中,fNL为空载频率,fFL为满载频率,为***频率上限,fsys为***频率,Pmax,Pmin分别为设备有功出力上下限,xi,t为设备实际有功出力,令m=-(fNL-fFL)/(Pmax-Pmin),则表示为:fNL=-Pi,t·m+fsys,根据步骤2.3所述有功功率及无功功率约束,获得电压调整方法:
UNL=Qi,t·(UNL-UFL)/(Qmax-Qmin)+Usys
其中,UNL为空载电压,UFL为满载电压,为***电压上限,Usys为***电压,Qmax,Qmin分别为设备无功出力上下限,Qi,t表示实际无功出力,同样的,令n=-(UNL-UFL)/(Qmax-Qmin),则重新表示为:UNL=-Qi,t·n+Usys。
2.根据权利要求1所述的基于发电预测的微电网分布式电源去中心优化运行方法,其特征在于:所述步骤3的具体方法为:
步骤3.1、对***通信架构和通信权重进行设计,微电网中N个分布式电源构成了图的点集,其中Νi表示点集中i节点的邻居节点集合;
步骤3.2、对优化迭代协议进行设计,采用广播流言方式的优化过程,在形式上,采用如下格式进行更新:
结合步骤3.1中通信权重的定义,表示为:λk(t+1)=A(t)λk(t);
将优化得到的λ值回带到步骤2.4的微分式子中,即得到各分布式电源的最优出力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910976270.9A CN110867902B (zh) | 2019-10-15 | 2019-10-15 | 基于发电预测的微电网分布式电源去中心优化运行方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910976270.9A CN110867902B (zh) | 2019-10-15 | 2019-10-15 | 基于发电预测的微电网分布式电源去中心优化运行方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110867902A CN110867902A (zh) | 2020-03-06 |
CN110867902B true CN110867902B (zh) | 2023-05-16 |
Family
ID=69652692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910976270.9A Active CN110867902B (zh) | 2019-10-15 | 2019-10-15 | 基于发电预测的微电网分布式电源去中心优化运行方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110867902B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688348B (zh) * | 2021-07-16 | 2024-02-27 | 贵州万峰电力股份有限公司 | 基于动态网络切换拓扑的可控负荷分布式协调控制方法、装置及*** |
CN115173491A (zh) * | 2022-06-28 | 2022-10-11 | 国网江苏省电力有限公司电力科学研究院 | 一种含光热发电的配电网分布式功率协调控制方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6646182B2 (ja) * | 2017-07-06 | 2020-02-14 | 大連理工大学 | 省跨ぎ連通水力発電所群の長期間連合ピーキングスケジューリング方法 |
CN107887933A (zh) * | 2017-11-17 | 2018-04-06 | 燕山大学 | 一种多时间尺度滚动优化微电网能量优化管理方法 |
CN109214566B (zh) * | 2018-08-30 | 2021-02-26 | 华北水利水电大学 | 基于长短期记忆网络的风电功率短期预测方法 |
CN109214575B (zh) * | 2018-09-12 | 2021-08-31 | 河海大学 | 一种基于小波长短期记忆网络的超短期风电功率预测方法 |
CN109636056B (zh) * | 2018-12-24 | 2021-08-03 | 浙江工业大学 | 一种基于多智能体技术的多能源微网去中心化优化调度方法 |
CN109886492A (zh) * | 2019-02-26 | 2019-06-14 | 浙江鑫升新能源科技有限公司 | 基于Attention LSTM的光伏发电功率预测模型及其构建方法 |
-
2019
- 2019-10-15 CN CN201910976270.9A patent/CN110867902B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110867902A (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yi et al. | Distributed, neurodynamic-based approach for economic dispatch in an integrated energy system | |
Anvari-Moghaddam et al. | A multi-agent based energy management solution for integrated buildings and microgrid system | |
Wang et al. | Coordinated dispatch of virtual energy storage systems in LV grids for voltage regulation | |
CN107958300B (zh) | 一种考虑互动响应的多微网互联运行协调调度优化方法 | |
Rajaei et al. | Developing a distributed robust energy management framework for active distribution systems | |
Ahmad et al. | Improved dynamic performance and hierarchical energy management of microgrids with energy routing | |
Bahramipanah et al. | Decentralized voltage control of clustered active distribution network by means of energy storage systems | |
CN110266038A (zh) | 一种多虚拟电厂分布式协调调控方法 | |
CN110265991B (zh) | 一种直流微电网的分布式协调控制方法 | |
Xu et al. | A hierarchically coordinated operation and control scheme for DC microgrid clusters under uncertainty | |
CN110867902B (zh) | 基于发电预测的微电网分布式电源去中心优化运行方法 | |
CN110912177A (zh) | 一种多端柔性直流输电***多目标优化设计方法 | |
Kaysal et al. | Hierarchical energy management system with multiple operation modes for hybrid DC microgrid | |
CN112467748A (zh) | 三相不平衡主动配电网双时标分布式电压控制方法及*** | |
Yang et al. | Network-constrained transactive control for multi-microgrids-based distribution networks with soft open points | |
El Zerk et al. | Decentralised strategy for energy management of collaborative microgrids using multi‐agent system | |
Zhang et al. | Two-layered hierarchical optimization strategy with distributed potential game for interconnected hybrid energy systems | |
Zhang et al. | Ensemble learning for optimal active power control of distributed energy resources and thermostatically controlled loads in an islanded microgrid | |
Guan et al. | An enhanced hierarchical control strategy for the Internet of Things-based home scale microgrid | |
CN116054241B (zh) | 一种新能源微电网群***鲁棒能量管理方法 | |
CN116865270A (zh) | 一种含嵌入式直流的柔性互联配电网优化调度方法及*** | |
CN114552664B (zh) | 一种基于双层有向图的多微网优化协调运行控制方法 | |
CN114935205B (zh) | 多变频空调的双模型优化的协同控制方法 | |
Zhou et al. | An integrated two-level distributed dispatch for interconnected microgrids considering unit commitment and transmission loss | |
CN110717633A (zh) | 电力与天然气能源互补优化方法、装置及可读存储介质 |
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 |