CN114862163A - 综合能源***优化调度方法 - Google Patents
综合能源***优化调度方法 Download PDFInfo
- Publication number
- CN114862163A CN114862163A CN202210441341.7A CN202210441341A CN114862163A CN 114862163 A CN114862163 A CN 114862163A CN 202210441341 A CN202210441341 A CN 202210441341A CN 114862163 A CN114862163 A CN 114862163A
- Authority
- CN
- China
- Prior art keywords
- energy
- power
- model
- heat
- cold
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000004146 energy storage Methods 0.000 claims abstract description 118
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 53
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 52
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 31
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000005338 heat storage Methods 0.000 claims description 65
- 238000003860 storage Methods 0.000 claims description 39
- 238000010248 power generation Methods 0.000 claims description 37
- 230000005611 electricity Effects 0.000 claims description 25
- 238000009825 accumulation Methods 0.000 claims description 21
- 238000010438 heat treatment Methods 0.000 claims description 14
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000001816 cooling Methods 0.000 claims description 10
- 210000000352 storage cell Anatomy 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 238000005057 refrigeration Methods 0.000 claims description 6
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000020169 heat generation Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 description 25
- 230000007246 mechanism Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Biodiversity & Conservation Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种综合能源***优化调度方法，包括：采集综合能源***的运行数据和***设备参数；建立新能源预测误差模型，求解预测误差；建立***设备运行模型；设定电力***约束条件，冷、热力***约束条件，以及热水***约束条件；进行线性化变换；分别建立***运行成本函数模型、预测偏差惩罚成本函数模型、碳排放成本函数模型、绿色证书交易成本函数模型、储能电池寿命成本函数模型以及综合能源***总成本目标函数模型；求解得到调度结果。本发明充分的考虑了风电的波动性和随机性，碳交易和绿色证书交易减少了对环境的碳排放，可有效得到计及综合能源***总成本和环境碳排放量的最优解。
Description
技术领域
本发明涉及一种能源调度方法，具体地说是一种综合能源***优化调度方法。
背景技术
随着世界对能源需求的与日俱增，全球生态环境遭到严重破坏，减少碳排放和提高能源利用率已成为世界能源主流研究方向。
通过能源优化调度，能够提高能源的利用率，减少碳排放。但现有的综合能源***研究一般为热电、冷热电***，较少涉及可再生能源，负荷模型范围比较笼统并不具体，模型复杂不利于求解。
由于受天气和环境的影响，可再生能源出力具有波动性、不确定性等特征，尤其是风能和太阳能发电的出力无法准确预测，而且随着装机规模的增大，预测误差的绝对值影响将进一步加大。风能和太阳能发电预测准确度直接影响辅助服务的供给需求。可再生能源的不确定性对整个电网运行产生很大的影响，包括对***旋转备用容量的配置、输电能力、调峰深度及调峰电源的配置、调频等提出更高的要求。预测误差分析是为计及可再生能源接入的电力***优化调度做准备，不确定性信息的描述越准确，越有助于提高***运行的安全性、经济性和低碳性。
发明内容
本发明的目的就是提供一种综合能源***优化调度方法，以解决现有能源调度优化***模型复杂以及无法准确预测可再生能源出力的问题。
本发明是这样实现的：一种综合能源***优化调度方法，包括以下步骤。
a.采集综合能源***的运行数据和***设备参数。
b.建立新能源预测误差模型，求解预测误差。
c.建立包含风电机组模型、光伏发电模型、太阳能集热器模型、地源热泵模型、电锅炉模型、储能电池模型、储热罐模型以及蓄冷罐模型的***设备运行模型。
d.设定电力***约束条件，冷、热力***约束条件，以及热水***约束条件。
e.对步骤c中的***设备运行模型和步骤d中的约束条件进行线性化变换。
f.分别建立***运行成本函数模型、预测偏差惩罚成本函数模型、碳排放成本函数模型、绿色证书交易成本函数模型、储能电池寿命成本函数模型以及综合能源***总成本目标函数模型。
g.将步骤a中采集的综合能源***的运行数据和***设备参数以及步骤b中求解得到的预测误差作为输入，代入步骤c、步骤d以及步骤e中的模型和约束条件中，求解得到调度结果。
进一步地，在步骤a中，采集综合能源***未来24小时的预测用电、供冷、供热、热水负荷功率，分时电价以及预测可再生能源发电功率，碳排放配额和可再生能源配额，采集间隔为1小时；采集产能设备的额定功率和效率，储能设备的充能、储能功率和效率。
进一步地，在步骤b中，建立分段函数预测误差模型：
式中：μ0为概率密度序列最大概率密度点对应的标准化误差值，b1、b2为形状参数，x 为预测误差。
进一步地，在步骤c中，建立的风电机组模型为：
式中：Pwt为风力预测发电功率，
为风力发电实际输出功率，x为预测误差。
光伏发电模型为：
式中：Ppv为光伏预测发电功率，
为光伏实际发电功率，x为预测误差。
太阳能集热器模型为：
式中：Qstc为太阳能集热器的预测输出功率，
为太阳能集热器的实际输出功率，
为太阳能集热器的热功率出力，
为太阳能集热器热水功率出力，x为预测误差。
进一步地，在步骤c中，建立的地源热泵模型为：
式中：Pgt为地源热泵制冷或制热消耗的电功率，COPh和Hg分别为地源热泵制热能效比与产热量，COPl和Lg分别为地源热泵的制冷能效比与产冷量。
Hgc＝Lg×ηp
式中：Hgc为地源热泵热回收热供热水，ηp为地源热泵的热回收效率；
电锅炉模型为：
Heb＝βPeb
式中：Heb为电锅炉制热水产热量，Peb为电锅炉制热消耗的电功率，β为电锅炉的电热转换效率。
储能电池模型为：
式中：Xt、Yt分别为储能电池的充电和放电状态，ηbc、ηbd分别为储能电池的充电效率和放电效率，Sbs为储能电池的额定容量，Pbc为储能电池的充电功率，Pbd为储能电池的放电功率。
储热罐模型为：
式中：Mt、Nt分别为蓄热罐的蓄热和放热状态，ηhc、ηhd分别为蓄热罐的蓄热效率与放热效率，δ1为蓄热罐的蓄热损失率，Shs为蓄热罐的额定容量，Phd、Phc分别为蓄热罐的放热功率和蓄热功率。
蓄冷罐模型为：
式中：At、Bt分别为蓄冷罐的蓄冷状态和放冷状态，ηcc、ηcd分别为蓄冷罐的蓄冷效率和放冷效率，Scs为蓄冷罐的额定容量，δ2为蓄冷罐的蓄冷损失率，Pcc、Pcd分别为蓄冷罐的蓄冷功率和放冷功率。
进一步地，在步骤d中，设定的电力***约束包括电储能约束和电能平衡约束，电储能约束为：
式中：SOCt为t时刻的储能电池的储能状态值，SOCmin和SOCmax分别为综合能源***调度中储能电池的最小与最大的储能状态值，
为0时刻储能电池状态，
为结束时刻储能电池状态，Pbc为储能电池的充电功率，Pbd为储能电池的放电功率，
为储能电池最大充电功率，
为储能电池最大放电功率。
电能平衡约束为：
Ppower+Xt×Pbd+P＝Yt×Pbc+Pper+Pequ
式中：P为用户买电量，Pper为用户电负荷，Ppower为***实际发电消纳量，Pequ为***设备用电量。
热力***约束包括热储能约束和热能平衡约束，热储能约束为：
式中：SOHt为t时刻储热罐的储能状态值，SOHmax和SOHmin分别为储热罐储能状态值的最大值与最小值，SOHt 0为0时刻储热罐储热状态值，
为结束时刻储热罐储热状态值，
为蓄热罐最大放热功率，
为蓄热罐最大蓄热功率。
热能平衡约束为：
Hequ+Mt×Phd＝Hper+Nt×Phc
式中：Hequ为设备产热量，Hper为用户热负荷，Mt、Nt分别为蓄热罐的蓄热和放热状态， Phd、Phc分别为蓄热罐的放热功率和蓄热功率。
冷力***约束包括冷储能约束和冷能平衡约束，冷储能约束为：
式中：SOLt为t时刻蓄冷罐的储能状态值，SOLmin和SOLmax分别为蓄冷罐的储能状态值的上下限，
为0时刻蓄冷罐储能状态值，
为结束时刻蓄冷罐储能状态值，
为蓄冷罐最大放冷功率，
为蓄冷罐最大蓄冷功率。
冷能平衡约束为：
Lequ+At×Pcd＝Lper+Bt×Pcc
式中：Lper为用户冷负荷，Lequ为设备产冷量。
热水***约束包括热水平衡约束，热水平衡约束为：
Wequ＝W
式中：W为用户需求热水的热负荷，Wequ为热水设备的出力。
进一步地，在步骤e中，对步骤c中的***设备运行模型或骤d中的约束条件，设其中的(0，1)变量为X(t)，正数变量为V(t)，假定X(t)一个较大的上限值设为Xmax，并增加两个临时变量Y(t)和Z(t)，线性化的步骤如下：
加入等式约束：
Y(t)＝X(t)-Z(t)
加入不等式约束：
使Y(t)完全等价于V(t)X(t)。
进一步地，在步骤f中，建立的***运行成本函数模型为：
式中：Ce,t为分时电价，Pbuy为***的买电量，c为可再生能源发电成本单价，Pnew为可再生能源的实际出力。
偏差惩罚成本函数模型为：
式中：Cdev为可再生能源偏差惩罚成本，α1、α2分别为高估惩罚成本系数和低估惩罚成本系数，α1、α2取电价市场价格，
为可再生能源的预测出力。
绿色证书交易成本函数模型为：
式中：Cgre为绿色证书交易成本，
分别为购买、出售绿色证书的价格，Pmake为可再生能源实际消纳量，Pres为可再生能源日配额量。
碳交易成本函数模型为：
式中：Cctc为碳交易成本，Pbuy为电网购买电量，ηc为电能碳排放系数，取0.272，CT为免费碳排放额度，
为购买碳排放额度价格。
储能电池寿命成本函数模型为：
式中，
为储能电池的折旧成本，Clife为储能电池寿命成本，Crpe为储能电池的更换成本，Q为储能电池生命周期内放电总量，Pbd为储能电池的放电功率。
进一步地，在步骤f中，建立的综合能源***总成本目标函数模型有三种，分别为：
min Ce＝Coc+Clife+Cdev，
min Ce＝Coc+Clife+Cctc+Cdev，以及
min Ce＝Coc+Clife+Cctc+Cgre+Cdev。
本发明提供了一种综合能源***的优化调度方法，考虑了可再生能源的不确定性，建立了新能源预测误差模型，并将可再生能源偏差惩罚引入***，减少了因为预测和实际不同而造成能源浪费和***旋转备用容量的配置。本发明加入了碳交易成本和绿色证书交易成本，通过综合能源***总成本目标函数模型，使调度结果限制了碳排放量并增强了可再生能源发电的消纳。本发明还对非线性模型和约束进行了线性化处理，使模型更加简便，易于使用混合整数线性规划法进行求解。
附图说明
图1是是本发明综合能源***优化调度方法的流程图。
图2是本发明实施例中综合能源***的结构图。
图3是本发明实施例中冷、热、电预测负荷曲线与电价曲线。
图4是本发明实施例中预测可再生能源发电功率曲线。
具体实施方式
下面通过具体案例，对本发明详细说明。
本实施例以雄安新区的综合能源***为研究案例，如图2所示，***包含地源热泵、光伏发电、风力发电、储能电池、冷热双蓄、电锅炉和太阳能集热***。综合能源***为源网荷储综合一体化综合***，源侧包括电网、风力发电、光伏发电、太阳能集热器产热，负荷侧包括冷、热、电、及热水***，储能***为储能、储热、储电***。***覆盖面广，满足用户的灵活负荷需求。
其中，***中光伏板与太阳能集热器面积都为600m2光伏发电***的储能电池容量为 1000kW·h，小时级碳配额为100kg/h，碳交易价格为200元/h，小时级新能源配额为200kW·h，绿色证书交易为每本100元，案例中的设备详细参数如表1-3所示。
表1出力设备参数表
表2储能电池参数设置
表3冷(热)双蓄罐参数设置
选取夏季典型日和冬季典型日的负荷数据为运行工况，把日前调度的步长分为24个时段，电价采用分时电价进行动态经济调度，将调度模型转换为MILP模型，采用Pyomo+GLPK 进行优化求解。
如图1所示，为本发明综合能源***优化调度方法的流程图，具体步骤如下。
步骤1：采集区域综合能源***的运行数据和***设备参数。
采集雄安新区的综合能源***未来24小时预测用电、供冷、热、热水负荷功率、分时电价以及预测可再生能源发电功率、碳排放配额和可再生能源配额、间隔为1小时，以及产能设备的额定功率和效率，储能设备的充能、储能功率和效率。
如图3所示，为本实施例夏季典型日和冬季典型日的冷、热、电预测负荷曲线与电价曲线。
如图4所示，为本实施例中光伏发电及风力发电预测出力、太阳能集热器预测出力的功率曲线。
步骤2：建立预测误差模型。
本发明选择分段指数预测误差模型，两段指数分布在形状上具有独立性；巧妙利用实际误差分布存在的“分水岭”概率密度分布的最大峰值，确定两段分布的结合点。基于这样的构成特点，新模型与传统模型相比峰度可变、形状灵活。
根据下面的分段指数分布模型的累积概率分布函数，生成24个符合分段指数预测误差模型的数据x，每个x对应一个时间段，用于后续新能源模型实际发电功率的计算。
式中：μ0为概率密度序列最大概率密度点对应的标准化误差值，b1,b2为形状参数，x为误差百分比。
具体的，计算出两段累积分布函数的交点值b1/(b1+b2)，两段指数分布在形状上具有独立性，这里分别求取符合两段分布的误差值，随机生成小于交点值的累积概率密度F(x)，根据反函数对应生成小于相对误差μ0的误差值，随机生成大于交点值的累积概率密度F(x)，对应生成大于相对误差μ0的误差值，本发明分为24个时段，两段误差分布生成的误差值的个数分别为b1/(b1+b2)×24和24×(1-b1/(b1+b2))。
传统的可再生能源电功率预测误差分布模型中，正态分布、柯西分布和拉普拉斯分布是对称分布，在保证一定精度的前提下，其适用范围有限。因为多数发电的规模不太大，误差分布可能兼具多种分布的分布特征。当误差分布不对称时，即使采用更好的参数估计方法，采用正态分布、柯西分布和拉普拉斯分布拟合后仍会有较大的偏差，因而不能更准确地描述实际误差分布。分段指数分布和贝塔分布误差模型均可以处理不对称分布。但后者求解复杂，且在合成过程中在某些研究区间上有时会出现概率密度异常，数据处理过程中需要将该区间的风电功率预测误差信息忽略，以保证能够求出最终的误差分布。这样造成的信息缺失，在一定程度上会影响贝塔误差分布模型的描述精度。
步骤3：精细化热***类型，使制热设备与制热水设备分别计算，建立***设备运行模型。
其中，风电机组模型为：
式中：Pwt为风力预测发电功率，
为风力发电实际输出功率，x为预测误差。
根据图4中的风力预测发电功率Pwt以及步骤2中得到的预测误差x，代入上述公式，便可得到风力发电实际输出功率。
光伏发电模型为：
式中：Ppv为光伏预测发电功率，
为光伏实际发电功率，x为预测误差。
根据图4中的光伏预测发电功率Pwt以及步骤2中得到的预测误差x，代入上述公式，便可得到光伏发电实际输出功率。
地源热泵模型为：
式中：Pgt为地源热泵制冷或制热消耗的电功率，COPh和Hg分别为地源热泵制热能效比与产热量，COPl和Lg为地源热泵的制冷能效比与产冷量。
Hgc＝Lg×ηp
式中：Hgc为地源热泵热回收热供热水***，ηp为地源热泵的热回收效率。
电锅炉模型为：
Heb＝βPeb
式中：Heb为电锅炉制热水产热量，Peb为电锅炉制热消耗的电功率，β为电锅炉的电热转换效率，一般在0.9到0.95之间。
太阳能集热器模型：
式中：Qstc为太阳能集热器预测输出功率，
为太阳能集热器实际输出功率，
为太阳能集热器热功率出力，
为太阳能集热器热水功率出力，x为预测误差。
根据图4中的太阳能集热器预测发电功率Pwt以及步骤2中得到的预测误差x，代入上述公式，便可得到太阳能集热器实际输出功率。
储能电池模型为：
式中：Xt和Yt分别为储能电池的充电和放电状态，SOCt为t时刻的储能电池的储能状态值，ηbc和ηbd分别为储能电池的充电效率和放电效率，Sbs为储能电池的额定容量，Pbc为储能电池的充电功率，Pbd为储能电池的放电功率。
储热罐模型为：
式中：Mt,Nt分别为蓄热罐的蓄热和放热状态，SOHt为t时刻储热罐的储能状态值，ηhc,ηhd分别为蓄热罐的蓄热效率与放热效率，δ1为蓄热罐的蓄热损失率，Shs为蓄热罐的额定容量， Phd,Phc分别为蓄热罐的放蓄热功率。
蓄冷罐模型为：
式中：At和Bt分别为蓄冷罐的蓄冷和放冷状态，SOLt为t时刻蓄冷罐的储能状态值，ηcc和ηcd分别为蓄冷罐的蓄冷效率和放冷效率，Scs为蓄冷罐的额定容量，δ2为蓄冷罐的蓄冷损失率，Pcc和Pcd分别为蓄冷罐的蓄冷功率和放冷功率。
步骤4：精细化热***类型，使热水***约束同热力***分开建立，设定电力***约束条件、冷、热力***约束条件、热水***约束条件。
其中，电力***约束包括电储能约束和电能平衡约束。
电储能约束为：
式中：SOCmin和SOCmax分别为综合能源***调度中储能电池的最小与最大的储能状态值，
为0时刻储能电池状态，
为结束时刻储能电池状态，
为储能电池最大充电功率，
为最大放电功率。
电能平衡约束为：
Ppv+Xt×Pbd+P+Pwt＝Yt×Pbc+Pper+Pgt+Peb
式中：P为用户买电量，Pper为用户电负荷。
热力***约束包括热储能约束和热能平衡约束。
热储能约束为：
式中：SOHmax和SOHmin分别为储热罐储能状态值的最大值与最小值，
为0时刻储热罐储热状态值，
为结束时刻储热罐储热状态值，
为最大放热功率，
为最大蓄热功率。
热能平衡约束为：
式中：Hper为用户热负荷。
冷力***约束包括冷储能约束和冷能平衡约束。
冷储能约束为：
式中：SOLmin和SOLmax分别为蓄冷罐的储能状态值的上下限，
为0时刻蓄冷罐储能状态值，
为结束时刻蓄冷罐储能状态值，
为蓄冷罐最大放冷功率，
为蓄冷罐最大蓄冷功率。
冷能平衡约束为：
Lg+At×Pcd＝Lper+Bt×Pcc
式中：Lper为用户冷负荷。
热水***约束包括热水平衡约束。
热水平衡约束为：
式中：H为用户需求热水的热负荷，Hgc为地源热泵制冷时热回收的冷凝热。
步骤5：对非线性的约束进行线性化变换。
在步骤3和4中建立的模型以及约束中，Xt、Yt、At、Bt、Mt和Nt均为(0，1)变量，Pbc、Pbd、Phd、Phc、Pcc以及Pcd皆为正数变量，像这种Xt·Pbc两个调度变量相乘为非线性因子，具有这种特征的约束或模型为非线性，可以进行线性变化。
例如对XtPbc进行线性化处理，先假定Pbc一个较大的上限值设为
并增加两个临时变量Y(t)，Z(t)。
然后加入等式约束：
Y(t)＝Pbc(t)-Z(t)
并加入不等式约束：
这样Y(t)完全等价于XtPbc，便完成了对XtPbc的线性化处理。
同理，可按照上述方式对步骤3和4中建立的其他非线性模型和约束进行线性化处理。
步骤6：分别建立***运行成本、预测偏差惩罚成本函数、碳排放成本函数、绿色证书交易成本函数、储能电池寿命成本函数、综合能源***总成本目标函数。
其中，***运行成本模型为：
式中：Ce,t为分时电价，Pbuy为***的买电量，c为可再生能源发电成本单价，Pnew为可再生能源的实际出力。
偏差惩罚成本模型为：
式中：Cdev为可再生能源偏差惩罚成本，α1,α2分别为高估惩罚成本系数和低估惩罚成本系数，α1,α2取电价市场价格。
其中：
式中：Pnew为可再生能源的实际出力，
为可再生能源的预测出力，Pwt为风力预测发电功率，
为风力发电实际输出功率，Ppv为光伏预测发电功率，
为光伏实际发电功率。
绿色证书交易成本模型为：
式中：Cgre为绿色证书交易成本，
分别为购买、出售绿色证书的价格，Pmake为可再生能源实际消纳量，Pres为可再生能源日配额量。
碳交易成本模型为：
式中：Cctc为碳交易成本，Pbuy为电网购买电量，ηc为电能碳排放系数，取0.272，CT为免费碳排放额度，
为购买碳排放额度价格。
储能电池寿命成本模型为：
式中，
为储能电池的折旧成本，Clife为储能电池寿命成本，Crpe为储能电池的更换成本，Q为储能电池生命周期内放电总量。
根据综合能源***的运行方式以及在调度过程中需要考虑的的环境因素以及经济因素，本实例设立了3种总成本调度方案，并相应设立三种综合能源***总成本目标函数，同时对三种方案进行对比分析。
方案1：目标是在只包含偏差惩罚的综合能源***中，使***总成本最低。综合能源***总成本目标函数包括综合能源***运行成本，储能电池寿命成本以及可再生能源偏差惩罚成本，其中综合能源***运行成本包括购电成本和发电成本。
构建的综合能源***总成本目标函数为：
min Ce＝Coc+Clife+Cdev
方案2：目标是方案1的基础上同时考虑环境的碳排放，使***运行成本与碳排放综合最低；综合能源***总成本目标函数包括综合能源***运行成本，储能电池寿命成本，可再生能源偏差惩罚成本与碳交易成本。
构建的综合能源***总成本目标函数为：
min Ce＝Coc+Clife+Cctc+Cdev
方案3：目标是在方案2的基础上加入绿色证书交易，并考虑可再生能源发电的消纳；综合能源***总成本目标函数包括综合能源***运行成本，储能电池寿命成本，可再生能源偏差惩罚成本、碳交易成本与绿色证书交易成本。
构建的综合能源***总成本目标函数为：
min Ce＝Coc+Clife+Cctc+Cgre+Cdev
步骤7：对综合能源***总成本使用Pyomo-GLPK进行目标优化问题求解。
将上述步骤3、步骤4、步骤5、步骤6的约束和目标函数写入基于python的开源软件包pyomo里，将步骤1采集的雄安新区的综合能源***的运行数据和***设备参数输入，将步骤2求出的预测误差输入，使用GLPK求解器进行求解，得到最后的调度结果及分析。
表4和表5为调度结果，由表4和表5对比结果可以看出方案1的碳排放最高，方案1未考虑碳排放，虽然总成本比较低，但是向环境多排放了大量的二氧化碳，方案2加入了碳排放成本，所以总成本比较高，碳排放比起方案1有所减少，方案3的碳排放最低，方案3 在方案2的基础上加入了绿色证书收益，新能源消纳越多，绿色证书收益越高。方案1到方案3的新能源消纳逐渐增大，碳排放逐渐降低。
表4夏季各方案调度结果
表5冬季各方案调度结果
本发明实施案例结合细化热力***，可再生能源偏差惩罚、碳交易机制和绿色证书交易机制，对综合能源***调度进行优化。对比分析三种调度结果，得到下面结论：
(1)将碳交易机制引入含可再生能源偏差惩罚的综合能源调度模型，目标函数以***运行成本、碳交易成本和偏差惩罚成本为最小总成本，可能会增加总成本，但是会减少对环境的碳排放，使***更趋向于清洁性***，响应国家的双碳政策。
(2)将绿色证书交易机制加入上述的含可再生能源偏差惩罚和碳交易机制的综合能源***中，增加了绿色证书收益，当绿色能源增加时，额外收益增加，大大较少了***的总成本，并且由于清洁能源使用的增加，碳排放随之减少更多，而且提高了新能源发电的消纳。综上所述，在引入可再生能源偏差惩罚的综合能源***中加入绿色证书交易机制和碳交易机制，可以减少因可再生能源偏差惩罚导致的弃风、弃光，减少***的总成本、促进可再生能源的消纳，可以减少对环境的碳排放量。
本发明提供了一种综合能源***的优化调度方法和***，具有以下优点：
综合能源***为源网荷储综合一体化综合***，源侧包括电网、风力发电、光伏发电、太阳能集热器产热，负荷侧包括冷、热、电、及热水***，储能***为储能、储热、储电***；***覆盖面广，满足用户的灵活负荷需求。
考虑可再生能源的不确定性，将可再生能源偏差惩罚引入***，减少了因为预测和实际不同而造成能源浪费和***旋转备用容量的配置。
本发明加入储能电池的寿命成本，动态调节了储能电池的充放电能力。
本发明加入碳交易成本和绿色证书交易成本，限制了碳排放量和增强了可再生能源发电的消纳。
本发明加入了对非线性模型和约束的线性化处理，使模型更加简便，易于使用混合整数线性规划法进行求解。
本发明申请人结合说明书附图对本发明的实例做了详细的说明与描述，但是本领域技术人员应该理解，本发明并不受以上实施示例限制，在本发明的原则和精神之内所做的变化、改进、修饰，都应当落在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。
Claims (9)
1.一种综合能源***优化调度方法，其特征在于，包括以下步骤：
a.采集综合能源***的运行数据和***设备参数；
b.建立新能源预测误差模型，求解预测误差；
c.建立包含风电机组模型、光伏发电模型、太阳能集热器模型、地源热泵模型、电锅炉模型、储能电池模型、储热罐模型以及蓄冷罐模型的***设备运行模型；
d.设定电力***约束条件，冷、热力***约束条件，以及热水***约束条件；
e.对步骤c中的***设备运行模型和步骤d中的约束条件进行线性化变换；
f.分别建立***运行成本函数模型、预测偏差惩罚成本函数模型、碳排放成本函数模型、绿色证书交易成本函数模型、储能电池寿命成本函数模型以及综合能源***总成本目标函数模型；
g.将步骤a中采集的综合能源***的运行数据和***设备参数以及步骤b中求解得到的预测误差作为输入，代入步骤c、步骤d以及步骤e中的模型和约束条件中，求解得到调度结果。
2.根据权利要求1所述的综合能源***优化调度方法，其特征在于，在步骤a中，采集综合能源***未来24小时的预测用电、供冷、供热、热水负荷功率，分时电价以及预测可再生能源发电功率，碳排放配额和可再生能源配额，采集间隔为1小时；采集产能设备的额定功率和效率，储能设备的充能、储能功率和效率。
3.根据权利要求1所述的综合能源***优化调度方法，其特征在于，在步骤b中，建立分段函数预测误差模型：
式中：μ0为概率密度序列最大概率密度点对应的标准化误差值，b1、b2为形状参数，x为预测误差。
4.根据权利要求1所述的综合能源***优化调度方法，其特征在于，在步骤c中，建立的风电机组模型为：
式中：Pwt为风力预测发电功率，
为风力发电实际输出功率，x为预测误差；
光伏发电模型为：
式中：Ppv为光伏预测发电功率，
为光伏实际发电功率，x为预测误差；
太阳能集热器模型为：
式中：Qstc为太阳能集热器的预测输出功率，
为太阳能集热器的实际输出功率，
为太阳能集热器的热功率出力，
为太阳能集热器热水功率出力，x为预测误差。
5.根据权利要求1所述的综合能源***优化调度方法，其特征在于，在步骤c中，建立的地源热泵模型为：
式中：Pgt为地源热泵制冷或制热消耗的电功率，COPh和Hg分别为地源热泵制热能效比与产热量，COPl和Lg分别为地源热泵的制冷能效比与产冷量；
Hgc＝Lg×ηp
式中：Hgc为地源热泵热回收热供热水，ηp为地源热泵的热回收效率；
电锅炉模型为：
Heb＝βPeb
式中：Heb为电锅炉制热水产热量，Peb为电锅炉制热消耗的电功率，β为电锅炉的电热转换效率；
储能电池模型为：
式中：Xt、Yt分别为储能电池的充电和放电状态，ηbc、ηbd分别为储能电池的充电效率和放电效率，Sbs为储能电池的额定容量，Pbc为储能电池的充电功率，Pbd为储能电池的放电功率；
储热罐模型为：
式中：Mt、Nt分别为蓄热罐的蓄热和放热状态，ηhc、ηhd分别为蓄热罐的蓄热效率与放热效率，δ1为蓄热罐的蓄热损失率，Shs为蓄热罐的额定容量，Phd、Phc分别为蓄热罐的放热功率和蓄热功率；
蓄冷罐模型为：
式中：At、Bt分别为蓄冷罐的蓄冷状态和放冷状态，ηcc、ηcd分别为蓄冷罐的蓄冷效率和放冷效率，Scs为蓄冷罐的额定容量，δ2为蓄冷罐的蓄冷损失率，Pcc、Pcd分别为蓄冷罐的蓄冷功率和放冷功率。
6.根据权利要求1所述的综合能源***优化调度方法，其特征在于，在步骤d中，设定的电力***约束包括电储能约束和电能平衡约束，电储能约束为：
式中：SOCt为t时刻的储能电池的储能状态值，SOCmin和SOCmax分别为综合能源***调度中储能电池的最小与最大的储能状态值，
为0时刻储能电池状态，
为结束时刻储能电池状态，Pbc为储能电池的充电功率，Pbd为储能电池的放电功率，
为储能电池最大充电功率，
为储能电池最大放电功率；
电能平衡约束为：
Ppower+Xt×Pbd+P＝Yt×Pbc+Pper+Pequ
式中：P为用户买电量，Pper为用户电负荷，Ppower为***实际发电消纳量，Pequ为***设备用电量；
热力***约束包括热储能约束和热能平衡约束，热储能约束为：
式中：SOHt为t时刻储热罐的储能状态值，SOHmax和SOHmin分别为储热罐储能状态值的最大值与最小值，
为0时刻储热罐储热状态值，
为结束时刻储热罐储热状态值，
为蓄热罐最大放热功率，
为蓄热罐最大蓄热功率；
热能平衡约束为：
Hequ+Mt×Phd＝Hper+Nt×Phc
式中：Hequ为设备产热量，Hper为用户热负荷，Mt、Nt分别为蓄热罐的蓄热和放热状态，Phd、Phc分别为蓄热罐的放热功率和蓄热功率；
冷力***约束包括冷储能约束和冷能平衡约束，冷储能约束为：
式中：SOLt为t时刻蓄冷罐的储能状态值，SOLmin和SOLmax分别为蓄冷罐的储能状态值的上下限，
为0时刻蓄冷罐储能状态值，
为结束时刻蓄冷罐储能状态值，
为蓄冷罐最大放冷功率，
为蓄冷罐最大蓄冷功率；
冷能平衡约束为：
Lequ+At×Pcd＝Lper+Bt×Pcc
式中：Lper为用户冷负荷，Lequ为设备产冷量；
热水***约束包括热水平衡约束，热水平衡约束为：
Wequ＝W
式中：W为用户需求热水的热负荷，Wequ为热水设备的出力。
7.根据权利要求1所述的综合能源***优化调度方法，其特征在于，在步骤e中，对步骤c中的***设备运行模型或骤d中的约束条件，设其中的(0，1)变量为X(t)，正数变量为V(t)，假定X(t)一个较大的上限值设为Xmax，并增加两个临时变量Y(t)和Z(t)，线性化的步骤如下：
加入等式约束：
Y(t)＝X(t)-Z(t)
加入不等式约束：
使Y(t)完全等价于V(t)X(t)。
8.根据权利要求1所述的综合能源***优化调度方法，其特征在于，在步骤f中，建立的***运行成本函数模型为：
式中：Ce,t为分时电价，Pbuy为***的买电量，c为可再生能源发电成本单价，Pnew为可再生能源的实际出力；
偏差惩罚成本函数模型为：
式中：Cdev为可再生能源偏差惩罚成本，α1、α2分别为高估惩罚成本系数和低估惩罚成本系数，α1、α2取电价市场价格，
为可再生能源的预测出力；
绿色证书交易成本函数模型为：
式中：Cgre为绿色证书交易成本，
分别为购买、出售绿色证书的价格，Pmake为可再生能源实际消纳量，Pres为可再生能源日配额量；
碳交易成本函数模型为：
式中：Cctc为碳交易成本，Pbuy为电网购买电量，ηc为电能碳排放系数，取0.272，CT为免费碳排放额度，
为购买碳排放额度价格；
储能电池寿命成本函数模型为：
式中，
为储能电池的折旧成本，Clife为储能电池寿命成本，Crpe为储能电池的更换成本，Q为储能电池生命周期内放电总量，Pbd为储能电池的放电功率。
9.根据权利要求8所述的综合能源***优化调度方法，其特征在于，在步骤f中，建立的综合能源***总成本目标函数模型有三种，分别为：
min Ce＝Coc+Clife+Cdev，
min Ce＝Coc+Clife+Cctc+Cdev，以及
min Ce＝Coc+Clife+Cctc+Cgre+Cdev。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210441341.7A CN114862163B (zh) | 2022-04-25 | 2022-04-25 | 综合能源***优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210441341.7A CN114862163B (zh) | 2022-04-25 | 2022-04-25 | 综合能源***优化调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114862163A true CN114862163A (zh) | 2022-08-05 |
| CN114862163B CN114862163B (zh) | 2023-04-07 |
Family
ID=82633690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210441341.7A Active CN114862163B (zh) | 2022-04-25 | 2022-04-25 | 综合能源***优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114862163B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973886A (zh) * | 2023-12-29 | 2024-05-03 | 山东大学 | 含氢能全链路的综合能源***协同规划运行方法及*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108932560A (zh) * | 2018-06-13 | 2018-12-04 | 天津大学 | 基于模型预测控制的园区综合能源***优化调度方法 |
| CN111401664A (zh) * | 2020-04-21 | 2020-07-10 | 广东电网有限责任公司电力调度控制中心 | 一种综合能源***鲁棒优化调度方法及装置 |
| US20210203159A1 (en) * | 2019-12-27 | 2021-07-01 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
| CN113112087A (zh) * | 2021-04-23 | 2021-07-13 | 国网宁夏电力有限公司经济技术研究院 | 考虑电热负荷需求响应的综合能源***运行成本优化方法 |
| CN113141005A (zh) * | 2021-04-14 | 2021-07-20 | 国电南瑞科技股份有限公司 | 一种面向新能源消纳的综合能源***多时间尺度调度方法 |
| CN113326467A (zh) * | 2021-04-27 | 2021-08-31 | 国网上海市电力公司 | 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*** |
| CN113642786A (zh) * | 2021-08-02 | 2021-11-12 | 中国科学院重庆绿色智能技术研究院 | 一种绿色低碳综合能源***优化方法及装置 |
-
2022
- 2022-04-25 CN CN202210441341.7A patent/CN114862163B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108932560A (zh) * | 2018-06-13 | 2018-12-04 | 天津大学 | 基于模型预测控制的园区综合能源***优化调度方法 |
| US20210203159A1 (en) * | 2019-12-27 | 2021-07-01 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
| CN111401664A (zh) * | 2020-04-21 | 2020-07-10 | 广东电网有限责任公司电力调度控制中心 | 一种综合能源***鲁棒优化调度方法及装置 |
| CN113141005A (zh) * | 2021-04-14 | 2021-07-20 | 国电南瑞科技股份有限公司 | 一种面向新能源消纳的综合能源***多时间尺度调度方法 |
| CN113112087A (zh) * | 2021-04-23 | 2021-07-13 | 国网宁夏电力有限公司经济技术研究院 | 考虑电热负荷需求响应的综合能源***运行成本优化方法 |
| CN113326467A (zh) * | 2021-04-27 | 2021-08-31 | 国网上海市电力公司 | 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*** |
| CN113642786A (zh) * | 2021-08-02 | 2021-11-12 | 中国科学院重庆绿色智能技术研究院 | 一种绿色低碳综合能源***优化方法及装置 |
Non-Patent Citations (4)
| Title |
|---|
| KALIM ULLAH 等: ""A multi-objective energy optimization in smart grid with high penetration of renewable energy sources"", 《APPLIED ENERGY》 * |
| 张彦等: "基于随机模型预测控制的能源局域网优化调度研究", 《中国电机工程学报》 * |
| 张晓辉等: "考虑柔性负荷响应的含风电场电力***多目标经济调度", 《电力***自动化》 * |
| 梁作放等: "考虑碳交易的区域综合能源***经济调度研究", 《山东电力技术》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117973886A (zh) * | 2023-12-29 | 2024-05-03 | 山东大学 | 含氢能全链路的综合能源***协同规划运行方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114862163B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nojavan et al. | Application of fuel cell and electrolyzer as hydrogen energy storage system in energy management of electricity energy retailer in the presence of the renewable energy sources and plug-in electric vehicles | |
| CN110188950B (zh) | 基于多代理技术的虚拟电厂供电侧和需求侧优化调度建模方法 | |
| CN113095791B (zh) | 一种综合能源***运行方法及*** | |
| CN103997062B (zh) | 一种微网能量管理控制方法 | |
| Howlader et al. | Distributed generation incorporated with the thermal generation for optimum operation of a smart grid considering forecast error | |
| CN107453407B (zh) | 一种智能微电网分布式能源调度方法 | |
| Ma et al. | Comprehensive stochastic optimal scheduling in residential micro energy grid considering pumped-storage unit and demand response | |
| Zhang et al. | Grid-connected photovoltaic battery systems: A comprehensive review and perspectives | |
| Zhu et al. | Optimal design and management of a smart residential PV and energy storage system | |
| Han et al. | Multi-stage distributionally robust optimization for hybrid energy storage in regional integrated energy system considering robustness and nonanticipativity | |
| Jintao et al. | Optimized operation of multi-energy system in the industrial park based on integrated demand response strategy | |
| Zhang et al. | Multi-optimal design and dispatch for a grid-connected solar photovoltaic-based multigeneration energy system through economic, energy and environmental assessment | |
| Wang et al. | Optimal modeling and analysis of microgrid lithium iron phosphate battery energy storage system under different power supply states | |
| CN114862163B (zh) | 综合能源***优化调度方法 | |
| Yang et al. | Multi-objective planning and optimization of microgrid lithium iron phosphate battery energy storage system consider power supply status and CCER transactions | |
| Elazab et al. | Optimal techno-economic feasibility analysis of a grid-tied microgrid considering demand response strategy | |
| Zhao et al. | Multi-objective bi-level planning of the integrated energy system considering uncertain user loads and carbon emission during the equipment manufacturing process | |
| Rizvi et al. | Optimal scheduling of virtual power plants utilizing wind power and electric vehicles | |
| Lu et al. | Two-stage robust scheduling and real-time load control of community microgrid with multiple uncertainties | |
| CN116681294A (zh) | 采用改进WCVaR的可调节风险偏好综合能源***容量控制方法 | |
| CN115986812A (zh) | 一种考虑储能和需求响应的微电网经济规划方法及装置 | |
| Sajid et al. | Multi-micro grid system reinforcement across Deregulated Markets, Energy Resources Scheduling and Demand Side Management using a multi-agent-based optimization in Smart Grid Paradigm | |
| Charadi et al. | Bi-objective optimal active and reactive power flow management in grid-connected AC/DC hybrid microgrids using metaheuristic–PSO. | |
| Hossain et al. | Optimal sizing capacities of solar photovoltaic and battery energy storage systems for grid-connected commercial buildings in Malaysia | |
| Cambambi et al. | Model for Cooperative Operation of Li-ion Batteries and Hydrogen Storage Systems in Microgrids Considering Cycling Costs and Dynamic Prices |
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 |