CN115169994B - 一种多种清洁能源互补控制决策处理方法及*** - Google Patents
一种多种清洁能源互补控制决策处理方法及*** Download PDFInfo
- Publication number
- CN115169994B CN115169994B CN202211076214.8A CN202211076214A CN115169994B CN 115169994 B CN115169994 B CN 115169994B CN 202211076214 A CN202211076214 A CN 202211076214A CN 115169994 B CN115169994 B CN 115169994B
- Authority
- CN
- China
- Prior art keywords
- electric quantity
- information
- power generation
- energy
- generation amount
- 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
- 230000000295 complement effect Effects 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 title description 4
- 230000005611 electricity Effects 0.000 claims abstract description 112
- 238000013528 artificial neural network Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000005286 illumination Methods 0.000 claims description 233
- 238000010248 power generation Methods 0.000 claims description 204
- 238000012544 monitoring process Methods 0.000 claims description 86
- 238000012549 training Methods 0.000 claims description 82
- 239000000446 fuel Substances 0.000 claims description 53
- 238000006243 chemical reaction Methods 0.000 claims description 36
- 238000010438 heat treatment Methods 0.000 claims description 25
- 238000001816 cooling Methods 0.000 claims description 17
- 238000002372 labelling Methods 0.000 claims description 15
- 238000005057 refrigeration Methods 0.000 claims description 10
- 239000002699 waste material Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000005485 electric heating Methods 0.000 claims description 4
- 239000002737 fuel gas Substances 0.000 abstract description 4
- 230000033228 biological regulation Effects 0.000 abstract description 3
- 230000001105 regulatory effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 238000007599 discharging Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J3/381—Dispersed generators
-
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多种清洁能源互补控制决策处理方法及***。获得当前能源信息。获得预测信息。获得需求信息。将所述当前太阳能和当前风能,进行发电,得到不稳定电量。基于所述不稳定电量、所述当前能源信息、预测信息和所述需求信息,通过分配模型,得到需求满足情况。按照需求满足情况,发布指令,进行分配能源。所述分配模型包括预测神经网络、能源分配结构和能源获取分配结构。本发明是将本地光能、本地风能以及本地生物燃气等热能能源进行统一协调,实现一种智能的统一的管控控制。采用预测的方法,联系未来能源的可能性来对当前的能源进行调控,同时依据能源的不同特性和调控价格,共同智能的对电量进行调控。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种多种清洁能源互补控制决策处理方法及***。
背景技术
随着节能减排政策的逐步推动,我国的能源结构和能源替代也在发生巨大的变革。原有的化石能源逐步被如太阳能、风能、空气能以及生物能等清洁能源替代,但伴随而来的则是绿能特有的不稳定性和电网的消纳问题。
目前在稳定能源供给的基础上,解决绿色能源不稳定问题的主要方法就是多能互补,新能源如太阳能、风能、空气能、生物能等形式的能源进行***化的合理设计,同时辅助以如燃气等旧有能源进行保底供给、调峰调控。多能互补在建筑节能领域,尤其是小区、园区的供热领域应用较广,但效果有好有坏,差异很大,极度依赖于各***设计的协调性、合理性和共享性。多种能源形式结合,对***负荷、管网流量的影响大。加入新能源后,发电会是火力发电+新能源(太阳能、风能、潮汐能等)的组合模式,它的电量累积,会随着太阳、风、雷电、潮汐等自然能源变化,而形成一个极不稳定的现象。多种能源形式控制逻辑混乱,各为其主,无法有效统一调配及监测。
发明内容
本发明的目的在于提供了一种多种清洁能源互补控制决策处理方法及***,用以解决现有技术中存在的上述问题。
第一方面,本发明实施例提供了一种多种清洁能源互补控制决策处理方法,包括:
获得当前能源信息;所述当前能源信息包括当前存储电量、当前太阳能、当前风能、当前生物能和当前燃料;
获得预测信息;所述预测信息包括预测光伏发电电量和预测风电发电电量;
获得需求信息;所述需求信息表示需求电负荷、需求热负荷和需求冷负荷;
将所述当前太阳能和当前风能,进行发电,得到不稳定电量;所述不稳定电量为所述当前太阳能进行光伏发电得到的电量与当前风能进行风电发电得到的电量相加之和;
基于所述不稳定电量、所述当前能源信息、预测信息和所述需求信息,通过分配模型,得到需求满足情况;所述需求满足情况包括需求满足值和分配电量;
按照需求满足情况,发布指令,进行分配能源;
所述分配模型包括预测神经网络、能源分配结构和能源获取分配结构:
所述预测神经网络的输入为所述预测信息;所述能源分配结构的输入为所述预测神经网络的输出、不稳定电量和需求信息;所述能源获取分配结构的输入为需求信息、不稳定电量和当前能源信息。
可选的,所述基于所述不稳定电量、所述当前能源信息、预测信息和所述需求信息,通过分配模型,得到需求满足情况,包括:
将不稳定电量,与需求信息进行判断,得到需求满足值;所述需求满足值为1表示不稳定电量满足需求信息;所述需求满足值为0表示不稳定电量未满足需求信息;
若所述需求满足值为1,得到剩余电量;所述剩余电量为满足需求信息后剩余的电量;
基于剩余电量和预测信息,通过能源分配结构,将不稳定电量进行分配,得到分配电量;所述分配电量包括输送电量、储存电量和弃电电量;
若所述需求满足值为0,得到需求剩余电量;所述需求剩余电量为需求电量减去不稳定电量之差;
基于所述需求信息、需求剩余电量和当前能源信息,通过能源获取分配结构,得到使用能源信息;所述使用能源信息包括生物能、燃料、存储电量和外输送电量。
可选的,所述基于剩余电量和预测信息,通过能源分配结构,将不稳定电量进行分配,得到分配电量,包括:
将所述预测信息,输入预测神经网络,得到预测电量;所述预测电量为风速预测电量与光照预测电量相加之和;所述光照预测电量表示在预测的将来N天通过光伏发电的电量;所述风速预测电量表示在预测的将来N天通过风能发电的电量;
若所述预测电量大于电量阈值,将储存值设为0;若所述预测电量小于电量阈值,将储存值设为1,得到预测电量差值;所述预测电量差值为所述电量阈值减去预测电量之差;
获得分配价格信息;所述分配价格信息包括储存电量价格和输送电量价格;所述输送电量价格与供电骨架区域成正比;所述储存电量价格与储存电量成正比;
若储存值为0,基于所述分配价格信息和所述剩余电量,得到最优分配电量;所述最优分配电量包括分配输送电量和分配弃用电量;
若储存值为1,基于所述分配价格信息、预测电量差值和所述剩余电量,得到最优分配电量;所述最优分配电量包括分配储存电量、分配输送电量和分配弃用电量。
可选的,预测神经网络的训练方法,包括:
获得训练集;训练集包括多个训练数据组和多个标注数据;所述训练数据组包括训练风速数据组和训练光照数据组;所述训练光照数据组包括第一光照监测数据组、第二光照监测数据组和第三光照监测数据组;所述第一光照监测数据组为前5天的训练光照监测数据;所述第二光照监测数据组为第一光照监测数据组后5天的训练光照监测数据;所述第三光照监测数据组为第二光照监测数据组后5天的训练光照监测数据;所述第一光照监测数据组包括第一总光照强度、第二总光照强度、第三总光照强度、第四总光照强度和第五总光照强度;所述第二光照监测数据组包括第六总光照强度、第七总光照强度、第八总光照强度、第九总光照强度和第十总光照强度;所述第三光照监测数据组包括第十一总光照强度、第十二总光照强度、第十三总光照强度、第十四总光照强度和第十五总光照强度;所述标注数据包括标注光照电量和标注风速电量;所述标注光照电量表示光伏发电15日的发电总量;所述标注风速电量表示风能发电15日的发电总量;
将所述训练光照数据组,输入光照预测神经网络,得到光照预测电量;
将所述训练风速数据组,输入风速预测神经网络,得到风速预测电量;
将光照预测电量与标注光照电量,通过光照损失函数,得到光照损失值;
将风速预测电量与标注风速电量,通过风速损失函数,得到风速损失值;
获得总损失值;所述总损失值为所述光照损失值和所述风速损失值相加之和;
获得预测神经网络当前的训练迭代次数以及预先设定的所述预测神经网络训练的最大迭代次数;
当总损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练,得到训练好的预测神经网络。
可选的,所述将所述训练光照数据组,输入光照预测神经网络,得到光照预测电量,包括:
将所述第三光照监测数据组,按由远到近的时间顺序,输入LSTM结构,得到第三输出信息;第三输出信息包括第十五发电量、第十四发电量、第十三发电量、第十二发电量、第十一发电量;所述LSTM结构为5个LSTM依次连接;
将所述第二光照监测数据组和第十一发电量,按由远到近的时间顺序,输入LSTM结构,得到第二输出信息;所述第二输出信息包括第十发电量、第九发电量、第八发电量、第七发电量和第六发电量;所述LSTM结构为5个LSTM依次连接;
将所述第一光照监测数据组和第六发电量,按由远到近的时间顺序,输入LSTM结构,得到第一输出信息;所述第一输出信息包括第五发电量、第四发电量、第三发电量、第二发电量和第一发电量;所述LSTM结构为5个LSTM依次连接;
将所述第一发电量、第二发电量、第三发电量、第四发电量、第五发电量、第六发电量、第七发电量、第八发电量、第九发电量、第十发电量、第十一发电量、第十二发电量、第十三发电量、第十四发电量和第十五发电量相加,得到光照预测电量。
可选的,所述将所述第一光照监测数据组和第六发电量,按由远到近的时间顺序,输入LSTM结构,得到第一输出信息,包括:
将所述第五总光照强度和第六发电量,输入第五LSTM,得到第五LSTM信息;所述第五LSTM信息包括第五发电量和第五LSTM输出值;
将所述第四总光照强度和第五LSTM输出值,输入第四LSTM,得到第四LSTM信息;所述第四LSTM信息包括第四发电量和第四LSTM输出值;
将所述第三总光照强度和第四LSTM输出值,输入第三LSTM,得到第三LSTM信息;所述第三LSTM信息包括第三发电量和第三LSTM输出值;
将所述第二总光照强度和第三LSTM输出值,输入第二LSTM,得到第二LSTM信息;所述第二LSTM信息包括第二发电量和第二LSTM输出值;
将所述第一总光照强度和第二LSTM输出值,输入第一LSTM,得到第一LSTM信息;所述第一LSTM信息为第一发电量。
可选的,所述若储存值为0,基于所述分配价格信息、预测电量差值和所述剩余电量,得到最优分配电量,包括:
获得输送需求电量;所述输送需求电量当前各个区域所发出的需要输送电量;
其中,所述最优分配电量具体通过下述公式计算方式获得:
Q=X*MoneyX+Y1* MoneyY1+Y2* MoneyY2+ Y3* MoneyY3+Z*Money;
X+Y1+Y2+Y3+Z=K;
X<=Xmax; Y1<=Y1max;Y2<=Y2max;Y3<=Y3max;
其中,Q为最低价格; X为储存电量;MoneyX为储存电量价格,为常数;Y1为第一区域输送电量;MoneyY1为第一区域输送电量价格,为常数;Y2为第二区域输送电量;MoneyY2为第二区域输送电量价格,为常数;Y3为第三区域输送电量;MoneyY3为第三区域输送电量价格,为常数;Z 为弃电电量;Money为用于弃电之后使用生物能重新发电的价格,为常数;K为所述剩余电量;Xmax为预测电量差值;Y1max为第一区域输送需求电量;Y2max为第二区域输送需求电量;Y3max为第三区域输送需求电量。
可选的,所述基于所述需求信息、需求剩余电量和当前能源信息,通过能源获取分配结构,得到使用能源信息,包括:
基于生物能,通过冷热电联产设备,进行发电、发热和制冷,得到生物能信息;所述生物能信息包括生物能电负荷、生物能热负荷和生物能冷负荷;
若生物能信息满足需求信息,将多余的生物能信息进行储存电量;
若生物能为不满足需求信息,基于生物能信息,采用燃料和储存电量,通过冷热电联产设备,得到燃料信息;所述燃料信息表示投入的燃料量。
可选的,所述若生物能为不满足需求信息,基于生物能信息,采用燃料和储存电量,通过冷热电联产设备,得到燃料信息,包括:
将储存电量,进行电发热和电制冷,得到储存电量转换信息;所述储存电量转换信息包括储存电量转换值和储存电量转换量;所述储存电量转换值为1表示储存电量放电能够满足需求信息;所述储存电量转换值为0表示储存电量放电不能够满足需求信息;
其中,所述储存电量转换值为1时储存电量转换量为满足需求信息所使用的电量;所述储存电量转换值为0时储存电量转换量为储存电量;
若所述储存电量转换值为0,使用燃料,通过冷热电联产设备,得到消耗燃料量;所述消耗燃料量为满足需求的燃料的数量。
第二方面,本发明实施例提供了一种多种清洁能源互补控制决策处理***,包括:
获取模块:获得当前能源信息;所述当前能源信息包括当前存储电量、当前太阳能、当前风能、当前生物能和当前燃料;获得预测信息;所述预测信息包括预测光伏发电电量和预测风电发电电量;获得需求信息;所述需求信息表示需求电负荷、需求热负荷和需求冷负荷;
光能风能发电计算模块:将所述当前太阳能和当前风能,进行发电,得到不稳定电量;所述不稳定电量为所述当前太阳能进行光伏发电得到的电量,与,当前风能进行风电发电得到的电量相加之和;
分配模块:基于所述不稳定电量、所述当前能源信息、预测信息和所述需求信息,通过分配模型,得到需求满足情况;所述需求满足情况包括需求满足值和分配电量;按照需求满足情况,发布指令,进行分配能源;
所述分配模型包括预测神经网络、能源分配结构和能源获取分配结构:
所述预测神经网络的输入为所述预测信息;所述能源分配结构的输入为所述预测神经网络的输出、不稳定电量和需求信息;所述能源获取分配结构的输入为需求信息、不稳定电量和当前能源信息。
相较于现有技术,本发明实施例达到了以下有益效果:
本发明实施例还提供了一种多种清洁能源互补控制决策处理方法和***,所述方法包括:获得当前能源信息。所述当前能源信息包括当前存储电量、当前太阳能、当前风能、当前生物能和当前燃料。获得预测信息。所述预测信息包括预测光伏发电电量和预测风电发电电量。获得需求信息。所述需求信息表示需求电负荷、需求热负荷和需求冷负荷。将所述当前太阳能和当前风能,进行发电,得到不稳定电量;所述不稳定电量为所述当前太阳能进行光伏发电得到的电量与当前风能进行风电发电得到的电量相加之和。基于所述不稳定电量、所述当前能源信息、预测信息和所述需求信息,通过分配模型,得到需求满足情况。所述需求满足情况包括需求满足值和分配电量。按照需求满足情况,发布指令,进行分配能源。所述分配模型包括预测神经网络、能源分配结构和能源获取分配结构:所述预测神经网络的输入为所述预测信息。所述能源分配结构的输入为所述预测神经网络的输出、不稳定电量和需求信息。所述能源获取分配结构的输入为需求信息、不稳定电量和当前能源信息。
本发明为一种集成化、模块化的智能决策技术和***装置,可以同时匹配光伏、风电、燃气等多能源***的特性。本发明是将本地光能、本地风能以及本地生物燃气等热能能源进行统一协调,实现一种智能的统一的管控控制。采用预测的方法,联系未来能源的可能性,按照时间顺序设计准确的神经网络,得到预测值,来对当前的能源进行调控。同时依据能源调控价格构建函数,同时结合能源的不同特性,共同智能的对电量进行调控。
附图说明
图1是本发明实施例提供的一种多种清洁能源互补控制决策处理方法流程图;
图2是本发明实施例提供的一种多种清洁能源互补控制决策处理***中能源产电、产热和制冷结构示意图;
图3是本发明实施例提供的一种多种清洁能源互补控制决策处理***中预测神经网络结构示意图;
图4是本发明实施例提供的一种电子设备的方框结构示意图。
图中标记:总线500;接收器501;处理器502;发送器503;存储器504;总线接口505。
具体实施方式
下面结合附图,对本发明作详细的说明。
实施例1
如图1所示,本发明实施例提供了一种多种清洁能源互补控制决策处理方法,所述方法包括:
S101:获得当前能源信息。所述当前能源信息包括当前存储电量、当前太阳能、当前风能、当前生物能和当前燃料。
其中,所述当前能源信息表示当前能源情况。
S102:获得预测信息。所述预测信息包括预测光伏发电电量和预测风电发电电量。
S103:获得需求信息。所述需求信息表示需求电负荷、需求热负荷和需求冷负荷。
S104:将所述当前太阳能和当前风能,进行发电,得到不稳定电量。所述不稳定电量为所述当前太阳能进行光伏发电得到的电量与当前风能进行风电发电得到的电量相加之和。
其中,能源产电、产热和制冷结构如图2所示。
S105:基于所述不稳定电量、所述当前能源信息、预测信息和所述需求信息,通过分配模型,得到需求满足情况。所述需求满足情况包括需求满足值和分配电量。
其中,所述需求满足值为1表示需求信息满足。所述需求满足值为0表示需求信息未满足。
S106:按照需求满足情况,发布指令,进行分配能源。
所述分配模型包括预测神经网络、能源分配结构和能源获取分配结构:
其中,预测神经网络结构示意图如图3所示。
所述预测神经网络的输入为所述预测信息;所述能源分配结构的输入为所述预测神经网络的输出、不稳定电量和需求信息;所述能源获取分配结构的输入为需求信息、不稳定电量和当前能源信息。
通过上述方法,省内电力电量需求、断面输送能力、通道输送能力为边界,对高峰和低峰时期的需求智能进行分配,从而对产生的电量和热能进行分配,能够得到满足能源需求的最优分配方法。
可选的,所述基于所述不稳定电量、所述当前能源信息、预测信息和所述需求信息,通过分配模型,得到需求满足情况,包括:
将不稳定电量,与需求信息进行判断,得到需求满足值。所述需求满足值为1表示不稳定电量满足需求信息。所述需求满足值为0表示不稳定电量未满足需求信息。
若所述需求满足值为1,得到剩余电量。所述剩余电量为满足需求信息后剩余的电量。
其中,使用光伏发电和风能发电得到的电量减去,满足需求热负荷的电量、满足需求冷负荷的电量和满足需求电负荷的电量相加之和,得到剩余电量。
基于剩余电量和预测信息,通过能源分配结构,将不稳定电量进行分配,得到分配电量;所述分配电量包括输送电量、储存电量和弃电电量。
若所述需求满足值为0,得到需求剩余电量。所述需求剩余电量为需求电量减去不稳定电量之差。
其中,不稳定电量通过电生热满足需求热负荷,通过电制冷满足需求冷负荷后的电量,小于需求电负荷,则为不稳定电量不满足需求信息。
基于所述需求信息、需求剩余电量和当前能源信息,通过能源获取分配结构,得到使用能源信息;所述使用能源信息包括生物能、燃料、存储电量和外输送电量。
通过上述方法,由于风能和太阳能特别依赖天气,所以进行发电的电量经常在满足需求信息和不满足需求信息之间跳转。由于满足和不满足的操作不同,所以通过判断指令,将剩余电量进行分配计算,或计算获取的分配电量用于满足需求信息。
可选的,所述基于剩余电量和预测信息,通过能源分配结构,将不稳定电量进行分配,得到分配电量,包括:
将所述预测信息,输入预测神经网络,得到预测电量。所述预测电量为风速预测电量与光照预测电量相加之和。所述光照预测电量表示在预测的将来N天通过光伏发电的电量。所述风速预测电量表示在预测的将来N天通过风能发电的电量。
若所述预测电量大于电量阈值,将储存值设为0。若所述预测电量小于电量阈值,将储存值设为1,得到预测电量差值;所述预测电量差值为所述电量阈值减去预测电量之差。
其中,所述电量阈值为当前时间到前15天曾经提供的能够满足当前区域正常工作的总电量。
获得分配价格信息。所述分配价格信息包括储存电量价格和输送电量价格。所述储存电量价格与储存电量成正比。所述输送电量价格与供电骨架区域成正比。
其中,构建供电骨架区域。所述供电骨架区域为供电线路,依据供电距离划分为不同区域。所述供电线路为以当前区域为中心根据实际生活的向其他区域进行供电的线。所述输送电量价格与供电骨架区域成正比。
若所述储存值为0,基于所述分配价格信息、预测电量差值和所述剩余电量,得到最优分配电量。所述最优分配电量包括分配输送电量和分配弃用电量。
若所述储存值为1,基于所述分配价格信息、预测电量差值和所述剩余电量,得到最优分配电量。所述最优分配电量包括分配储存电量、分配输送电量和分配弃用电量。
通过上述方法,如果预测电量大于电量阈值,表示之后几天的光伏发电和风能发电能够满足之后普通电量需求,所以不需要浪费资源进行储存电量,剩余电量选择输送或者丢弃。如果电量过多,且在判断下选择向外输送的话,得到供电路线,按照供电距离绘制椭分隔线,按照不同分隔线划分为不同区域,向不同的供电区域进行供电的。因为电输送时造成的不同价格是根据输出距离划分的,所以按照以本区域为出发点不同的供电路线的输送距离划分区域,按照不同区域进行分配。如果预测电量小于电量阈值,表示之后几天不满足普通电量需求,需要进行存储,储存的上限为预测电量差值。剩余电量选择储存、输送或者丢弃。
可选的,预测神经网络的训练方法,包括:
获得训练集。训练集包括多个训练数据组和多个标注数据。所述训练数据组包括训练风速数据组和训练光照数据组。所述训练光照数据组包括第一光照监测数据组、第二光照监测数据组和第三光照监测数据组。所述第一光照监测数据组为前5天的训光照练监测数据。所述第二光照监测数据组为第一光照监测数据组后5天的训练光照监测数据;所述第三光照监测数据组为第二光照监测数据组后5天的训练光照监测数据;所述第一光照监测数据组包括第一总光照强度、第二总光照强度、第三总光照强度、第四总光照强度和第五总光照强度;所述第二光照监测数据组包括第六总光照强度、第七总光照强度、第八总光照强度、第九总光照强度和第十总光照强度;所述第三光照监测数据组包括第十一总光照强度、第十二总光照强度、第十三总光照强度、第十四总光照强度和第十五总光照强度。所述标注数据表示15日的发电总量。所述标注数据包括标注光照电量和标注风速电量。所述标注光照电量表示光伏发电15日的发电总量。所述标注风速电量表示风能发电15日的发电总量。
其中,所述训练光照数据组中的值表示24小时的总光照强度;所述训练风速数据组中的值表示24小时的总风速。所述训练风速数据组包括第一风速监测数据组、第二风速监测数据组和第三风速监测数据组;所述第一风速监测数据组为前5天的训练风速监测数据;所述第二风速监测数据组为第一风速监测数据组后5天的训练风速监测数据;所述第三风速监测数据组为第二风速监测数据组后5天的训练风速监测数据;所述第一风速监测数据组包括第一总风速强度、第二总风速强度、第三总风速强度、第四总风速强度和第五总风速强度;所述第二风速监测数据组包括第六总风速强度、第七总风速强度、第八总风速强度、第九总风速强度和第十总风速强度;所述第三风速监测数据组包括第十一总风速强度、第十二总风速强度、第十三总风速强度、第十四总风速强度和第十五总风速强度。
将所述训练光照数据组,输入光照预测神经网络,得到光照预测电量。
将所述训练风速数据组,输入风速预测神经网络,得到风速预测电量。
其中,所述风速预测神经网络结构与所述光照预测神经网络结构相同,但是由于两种不同输入导致训练得到的参数不同,所以采用两个网络进行预测。
将光照预测电量与标注光照电量,通过光照损失函数,得到光照损失值。
其中,所述光照损失函数为二元交叉熵损失函数。
将风速预测电量与标注风速电量,通过风速损失函数,得到风速损失值。
其中,所述风速损失函数为二元交叉熵损失函数。
获得总损失值;所述总损失值为所述光照损失值和所述风速损失值相加之和。
获得预测神经网络当前的训练迭代次数以及预先设定的所述预测神经网络训练的最大迭代次数。
其中,本实施例中为12000次。
当总损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练,得到训练好的预测神经网络。
通过上述方法,由于电量的需求和季节有很大关系,所以采用离当前时间较前的时间所使用的电量进行判断。由于天气预报只能大致预测,时间越远的影响力越小,还是使用LSTM。
可选的,所述将所述训练光照数据组,输入光照预测神经网络,得到光照预测电量,包括:
将所述第三光照监测数据组,按由远到近的时间顺序,输入LSTM结构,得到第三输出信息;第三输出信息包括第十五发电量、第十四发电量、第十三发电量、第十二发电量、第十一发电量;所述LSTM结构为5个LSTM依次连接。
将所述第二光照监测数据组和第十一发电量,按由远到近的时间顺序,输入LSTM结构,得到第二输出信息;所述第二输出信息包括第十发电量、第九发电量、第八发电量、第七发电量和第六发电量;所述LSTM结构为5个LSTM依次连接。
将所述第一光照监测数据组和第六发电量,按由远到近的时间顺序,输入LSTM结构,得到第一输出信息;所述第一输出信息包括第五发电量、第四发电量、第三发电量、第二发电量和第一发电量;所述LSTM结构为5个LSTM依次连接。
将所述第一发电量、第二发电量、第三发电量、第四发电量、第五发电量、第六发电量、第七发电量、第八发电量、第九发电量、第十发电量、第十一发电量、第十二发电量、第十三发电量、第十四发电量和第十五发电量相加,得到光照预测电量。
通过上述方法,由于预测的天气之间存在时间关系,从而由天气产生的能源之间存在时间关系,所以采用LSTM进行预测,保留时间关系。但是由于输入的数据为十五天的数据过长,所以在直接采用将十五天的数据一次性输入LSTM,会造成在网络的不断运算中,使得最开始输入的数据信息会不断减少。但天数之间的关系一致。按照时间顺序将天数分为以5天为长度的三份数据,建立由5个LSTM组成的LTSM结构循环进行检测,每一次5个数据输入时,不但输入预测的能源信息,还将上一份输入数据最近一天得到的电量作为一个参数输入。由于输入是上一份预测能源输出的电量是直接的电量信息,使得能够结合上一次输入的信息,又不像直接15个数据一次性输入时造成信息特征的减少,能够更加准确的得到电量。
可选的,所述将所述第一光照监测数据组和第六发电量,按由远到近的时间顺序,输入LSTM结构,得到第一输出信息,包括:
将所述第五总光照强度和第六发电量,输入第五LSTM,得到第五LSTM信息;所述第五LSTM信息包括第五发电量和第五LSTM输出值。
将所述第四总光照强度和第五LSTM输出值,输入第四LSTM,得到第四LSTM信息;所述第四LSTM信息包括第四发电量和第四LSTM输出值。
将所述第三总光照强度和第四LSTM输出值,输入第三LSTM,得到第三LSTM信息;所述第三LSTM信息包括第三发电量和第三LSTM输出值。
将所述第二总光照强度和第三LSTM输出值,输入第二LSTM,得到第二LSTM信息;所述第二LSTM信息包括第二发电量和第二LSTM输出值。
将所述第一总光照强度和第二LSTM输出值,输入第一LSTM,得到第一LSTM信息;所述第一LSTM信息为第一发电量。
通过上述方法,设计网络,每次输入LSTM都输出当前光照强度所产生的电量,并倒序输入,从而使得时间越近光照强度的关系越紧密,得到更加准确的检测总数居。
可选的,所述若所述储存值为0,基于所述分配价格信息、预测电量差值和所述剩余电量,得到最优分配电量,包括:
获得输送需求电量;所述输送需求电量当前各个区域所发出的需要输送电量。
其中,所述最优分配电量具体通过下述公式计算方式获得:
Q=X*MoneyX+Y1* MoneyY1+Y2* MoneyY2+ Y3* MoneyY3+Z*Money;
X+Y1+Y2+Y3+Z=K;
X<=Xmax; Y1<=Y1max;Y2<=Y2max;Y3<=Y3max;
其中,Q为最低价格。 X为储存电量;MoneyX为储存电量价格,为常数。Y1为第一区域输送电量。MoneyY1为第一区域输送电量价格,为常数。Y2为第二区域输送电量;MoneyY2为第二区域输送电量价格,为常数。Y3为第三区域输送电量;MoneyY3为第三区域输送电量价格,为常数。Z 为弃电电量。Money为用于弃电之后使用生物能重新发电的价格,为常数;K为所述剩余电量。Xmax为预测电量差值。Y1max为第一区域输送需求电量;Y2max为第二区域输送需求电量。Y3max为第三区域输送需求电量。
其中,第一区域输送需求电量为第一区域向其他区域请求所需的电量。第二区域输送需求电量为第二区域向其他区域请求所需的电量。第三区域输送需求电量为第三区域向其他区域请求所需的电量。
其中,本实施例中MoneyX,即储存电量价格为1.5元/瓦时。MoneyY1,即第一区域输送电量价格为0.8元/瓦时。MoneyY2,即第二区域输送电量价格为1.2元/瓦时。第三区域输送电量价格为1.8元/瓦时。
通过上述方法,通过求导函数,得到最小值。依据最低价格,第二低价格的方法将电量依次分配进行计算。做出近电量进行输送、进行储存或弃电等操作。通过供电路线,按照供电距离绘制椭分隔线,按照不同分隔线划分为三个区域,向不同的供电区域进行供电的。因为电输送时造成的不同价格是根据输出距离划分的,所以三个区域具有不同的价格。将分配电量的方式和每种方式需要的价格进行结合,按照最低价格找到最优分配电量。
可选的,所述基于所述需求信息、需求剩余电量和当前能源信息,通过能源获取分配结构,得到使用能源信息,包括:
使用生物能,通过冷热电联产设备,进行发电、发热和制冷,得到生物能信息;所述生物能信息包括生物能电负荷、生物能热负荷和生物能冷负荷。
若生物能信息满足需求信息,将多余的生物能信息进行储存电量。
其中,生物能满足需求信息为在通过冷热电联产设备发热和电发热,通过冷热电量设备制冷和电制冷后的生物能电负荷大于需求剩余电量的电负荷。
若生物能为不满足需求信息,基于生物能信息,采用燃料和储存电量,通过冷热电联产设备,得到燃料信息;所述燃料信息表示投入的燃料量。
通过上述方法,由于储存值先通过储存放电。生物能产电由生物所产生的燃料量确定,生物能产电量稳定。由于生物能发电能源可再生,所以先考虑生物能发电是否满足需求,如果不满足再使用储存电量进行放电的方法。因为如果先考虑储存电量进行放电,再储存电量不满足,使用生物能时,由于工业设计可能会产生多余电量,如将多余电量进行储存,在快速放电充电的过程中十分消耗储存设备的寿命。
可选的,所述若生物能为不满足需求信息,基于生物能信息,采用燃料和储存电量,通过冷热电联产设备,得到燃料信息,包括:
将储存电量,进行电发热和电制冷,得到储存电量转换信息;所述储存电量转换信息包括储存电量转换值和储存电量转换量;所述储存电量转换值为1表示储存电量放电能够满足需求信息;所述储存电量转换值为0表示储存电量放电不能够满足需求信息。
其中,所述储存电量转换值为1时储存电量转换量为满足需求信息所使用的电量。所述储存电量转换值为0时储存电量转换量为储存电量。
其中,储存电量放电能够满足需求信息表示储存电量放电发热产生的热负荷加上生物能热负荷之和等于需求热负荷,储存电量放电制冷产生的冷负荷加上生物能冷负荷之和等于需求冷负荷,储存电量放电的电负荷加上生物能电负荷等于需求电负荷。储存电量转换值为1时储存电量转换量为满足上述条件所放电的电量。所述储存电量转换值为0的储存电量转换量为储存的所有电量,也为放出的所有电量。
若所述储存电量转换值和为0,使用燃料,通过冷热电联产设备,得到消耗燃料量。所述消耗燃料量为满足需求的燃料的数量。
其中,燃料量为,通过冷热电联产设备产生的燃料热负荷、储存电量放电发热产生的热负荷,与,生物能热负荷相加之和等于需求热负荷,通过冷热电联产设备产生的燃料冷负荷、储存电量放电制冷产生的冷负荷,与,生物能冷负荷相加之和等于需求冷负荷,通过冷热电联产设备产生的燃料电负荷、储存电量放电的电负荷,与,生物能电负荷相加之和等于需求电负荷,的燃料数量。
通过上述方法, 由于燃料为大自然污染最大的能源,所以在最后再进行使用。
通过上述方法,绿色能源已是一个大的趋势,人类早已进入绿能时代,像风电、光伏等绿色能源近年来发展就很快。但绿色能源存在波动性、随机性、反调峰等特征,大规模并网可能影响电网的安全稳定运行。这就产生了并网难、消纳率低等问题,甚至出现了“弃风”、“弃光”等现象。绿色能源AI应运而生,使用预测对多余电量的储存、输送和弃电进行判断,电量不够时智能调控电量进行补充,它将研究如何把城市的电表,放心交给大自然的风雨雷电。
实施例2
基于上述的一种多种清洁能源互补控制决策处理方法,本发明实施例还提供了一种多种清洁能源互补控制决策处理***,所述***包括获取模块、光能风能发电计算模块和分配模块。
获取模块用于获得当前能源信息。所述当前能源信息包括当前存储电量、当前太阳能、当前风能、当前生物能和当前燃料。获得预测信息;所述预测信息包括预测光伏发电电量和预测风电发电电量;获得需求信息。所述需求信息表示需求电负荷、需求热负荷和需求冷负荷。
光能风能发电计算模块用于将所述当前太阳能和当前风能,进行发电,得到不稳定电量。所述不稳定电量为所述当前太阳能进行光伏发电得到的电量与当前风能进行风电发电得到的电量相加之和。
分配模块用于基于所述不稳定电量、所述当前能源信息、预测信息和所述需求信息,通过分配模型,得到需求满足情况。所述需求满足情况包括需求满足值和分配电量。按照需求满足情况,发布指令,进行分配能源。
所述分配模型包括预测神经网络、能源分配结构和能源获取分配结构:
所述预测神经网络的输入为所述预测信息;所述能源分配结构的输入为所述预测神经网络的输出、不稳定电量和需求信息;所述能源获取分配结构的输入为需求信息、不稳定电量和当前能源信息。
通过采用以上方案, 对后续产生的电量进行预测,具体的预测通过本方案的模型来实现,由于输入数据的时间长度较长,对于传统LSTM网络预测的数据隐含信息损失量较大,为此本申请将数据进行分租,同时设计循环LSTM网络,解决数据长度过长引起的隐含信息损失问题,进而提高预测的准确性。
在此关于上述实施例中的***,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备,如图4所示,包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序,所述处理器502执行所述程序时实现前文所述一种多种清洁能源互补控制决策处理方法的任一方法的步骤。
其中,在图4中,总线架构(用总线500来代表),总线500可以包括任意数量的互联的总线和桥,总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理,而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种多种清洁能源互补控制决策处理方法的任一方法的步骤以及上述的所涉及的数据。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (3)
1.一种多种清洁能源互补控制决策处理方法,其特征在于,包括:
获得当前能源信息;所述当前能源信息包括当前存储电量、当前太阳能、当前风能、当前生物能和当前燃料;
获得预测信息;所述预测信息包括预测光伏发电电量和预测风电发电电量;
获得需求信息;所述需求信息表示需求电负荷、需求热负荷和需求冷负荷;
将所述当前太阳能和当前风能,进行发电,得到不稳定电量;所述不稳定电量为所述当前太阳能进行光伏发电得到的电量与当前风能进行风电发电得到的电量相加之和;
基于所述不稳定电量、所述当前能源信息、预测信息和所述需求信息,通过分配模型,得到需求满足情况;所述需求满足情况包括需求满足值和分配电量;
按照需求满足情况,发布指令,进行分配能源;
所述分配模型包括预测神经网络、能源分配结构和能源获取分配结构:
所述预测神经网络的输入为所述预测信息;所述能源分配结构的输入为所述预测神经网络的输出、不稳定电量和需求信息;所述能源获取分配结构的输入为需求信息、不稳定电量和当前能源信息;
所述基于所述不稳定电量、所述当前能源信息、预测信息和所述需求信息,通过分配模型,得到需求满足情况,包括:
将不稳定电量,与需求信息进行判断,得到需求满足值;所述需求满足值为1表示不稳定电量满足需求信息;所述需求满足值为0表示不稳定电量未满足需求信息;
若所述需求满足值为1,得到剩余电量;所述剩余电量为满足需求信息后剩余的电量;
基于剩余电量和预测信息,通过能源分配结构,将不稳定电量进行分配,得到分配电量;所述分配电量包括输送电量、储存电量和弃电电量;
若所述需求满足值为0,得到需求剩余电量;所述需求剩余电量为需求电量减去不稳定电量之差;
基于所述需求信息、需求剩余电量和当前能源信息,通过能源获取分配结构,得到使用能源信息;所述使用能源信息包括生物能、燃料、存储电量和外输送电量;
所述基于剩余电量和预测信息,通过能源分配结构,将不稳定电量进行分配,得到分配电量,包括:
将所述预测信息,输入预测神经网络,得到预测电量;所述预测电量为风速预测电量与光照预测电量相加之和;所述光照预测电量表示在预测的将来N天通过光伏发电的电量;所述风速预测电量表示在预测的将来N天通过风能发电的电量;
若所述预测电量大于电量阈值,将储存值设为0;若所述预测电量小于电量阈值,将储存值设为1,得到预测电量差值;所述预测电量差值为所述电量阈值减去预测电量之差;
获得分配价格信息;所述分配价格信息包括储存电量价格和输送电量价格;所述输送电量价格与供电骨架区域成正比;所述储存电量价格与储存电量成正比;构建供电骨架区域;所述供电骨架区域为供电线路,依据供电距离划分为不同区域,按照供电距离绘制椭分隔线,按照不同分隔线划分为不同区域;所述供电线路为以当前区域为中心根据实际生活的向其他区域进行供电的线;所述输送电量价格与供电骨架区域成正比;
若储存值为0,基于所述分配价格信息和所述剩余电量,得到最优分配电量;所述最优分配电量包括分配输送电量和分配弃用电量;
若储存值为1,基于所述分配价格信息、预测电量差值和所述剩余电量,得到最优分配电量;所述最优分配电量包括分配储存电量、分配输送电量和分配弃用电量;
预测神经网络的训练方法,包括:
获得训练集;训练集包括多个训练数据组和多个标注数据;所述训练数据组包括训练风速数据组和训练光照数据组;所述训练光照数据组包括第一光照监测数据组、第二光照监测数据组和第三光照监测数据组;所述第一光照监测数据组为前5天的训练光照监测数据;所述第二光照监测数据组为第一光照监测数据组后5天的训练光照监测数据;所述第三光照监测数据组为第二光照监测数据组后5天的训练光照监测数据;所述第一光照监测数据组包括第一总光照强度、第二总光照强度、第三总光照强度、第四总光照强度和第五总光照强度;所述第二光照监测数据组包括第六总光照强度、第七总光照强度、第八总光照强度、第九总光照强度和第十总光照强度;所述第三光照监测数据组包括第十一总光照强度、第十二总光照强度、第十三总光照强度、第十四总光照强度和第十五总光照强度;所述标注数据包括标注光照电量和标注风速电量;所述标注光照电量表示光伏发电15日的发电总量;所述标注风速电量表示风能发电15日的发电总量;
将所述训练光照数据组,输入光照预测神经网络,得到光照预测电量;
将所述训练风速数据组,输入风速预测神经网络,得到风速预测电量;
将光照预测电量与标注光照电量,通过光照损失函数,得到光照损失值;
将风速预测电量与标注风速电量,通过风速损失函数,得到风速损失值;
获得总损失值;所述总损失值为所述光照损失值和所述风速损失值相加之和;
获得预测神经网络当前的训练迭代次数以及预先设定的所述预测神经网络训练的最大迭代次数;
当总损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练,得到训练好的预测神经网络;
所述将所述训练光照数据组,输入光照预测神经网络,得到光照预测电量,包括:
将所述第三光照监测数据组,按由远到近的时间顺序,输入LSTM结构,得到第三输出信息;第三输出信息包括第十五发电量、第十四发电量、第十三发电量、第十二发电量、第十一发电量;所述LSTM结构为5个LSTM依次连接;
将所述第二光照监测数据组和第十一发电量,按由远到近的时间顺序,输入LSTM结构,得到第二输出信息;所述第二输出信息包括第十发电量、第九发电量、第八发电量、第七发电量和第六发电量;所述LSTM结构为5个LSTM依次连接;
将所述第一光照监测数据组和第六发电量,按由远到近的时间顺序,输入LSTM结构,得到第一输出信息;所述第一输出信息包括第五发电量、第四发电量、第三发电量、第二发电量和第一发电量;所述LSTM结构为5个LSTM依次连接;
将所述第一发电量、第二发电量、第三发电量、第四发电量、第五发电量、第六发电量、第七发电量、第八发电量、第九发电量、第十发电量、第十一发电量、第十二发电量、第十三发电量、第十四发电量和第十五发电量相加,得到光照预测电量;
所述将所述第一光照监测数据组和第六发电量,按由远到近的时间顺序,输入LSTM结构,得到第一输出信息,包括:
将所述第五总光照强度和第六发电量,输入第五LSTM,得到第五LSTM信息;所述第五LSTM信息包括第五发电量和第五LSTM输出值;
将所述第四总光照强度和第五LSTM输出值,输入第四LSTM,得到第四LSTM信息;所述第四LSTM信息包括第四发电量和第四LSTM输出值;
将所述第三总光照强度和第四LSTM输出值,输入第三LSTM,得到第三LSTM信息;所述第三LSTM信息包括第三发电量和第三LSTM输出值;
将所述第二总光照强度和第三LSTM输出值,输入第二LSTM,得到第二LSTM信息;所述第二LSTM信息包括第二发电量和第二LSTM输出值;
将所述第一总光照强度和第二LSTM输出值,输入第一LSTM,得到第一LSTM信息;所述第一LSTM信息为第一发电量;所述若储存值为1,基于所述分配价格信息、预测电量差值和所述剩余电量,得到最优分配电量,包括:
获得输送需求电量;所述输送需求电量当前各个区域所发出的需要输送电量;
其中,所述最优分配电量具体通过下述公式计算方式获得:
Q=X*MoneyX+Y1*MoneyY1+Y2*MoneyY2+Y3*MoneyY3+Z*Money;
X+Y1+Y2+Y3+Z=K;
X<=Xmax;Y1<=Y1max;Y2<=Y2max;Y3<=Y3max;
其中,Q为最低价格;X为储存电量;MoneyX为储存电量价格,为常数;Y1为第一区域输送电量;MoneyY1为第一区域输送电量价格,为常数;Y2为第二区域输送电量;MoneyY2为第二区域输送电量价格,为常数;Y3为第三区域输送电量;MoneyY3为第三区域输送电量价格,为常数;Z为弃电电量;Money为用于弃电之后使用生物能重新发电的价格,为常数;K为所述剩余电量;Xmax为预测电量差值;Y1max为第一区域输送需求电量;Y2max为第二区域输送需求电量;Y3max为第三区域输送需求电量;
所述基于所述需求信息、需求剩余电量和当前能源信息,通过能源获取分配结构,得到使用能源信息,包括:
基于生物能,通过冷热电联产设备,进行发电、发热和制冷,得到生物能信息;所述生物能信息包括生物能电负荷、生物能热负荷和生物能冷负荷;
若生物能信息满足需求信息,将多余的生物能信息进行储存电量;
若生物能为不满足需求信息,基于生物能信息,采用燃料和储存电量,通过冷热电联产设备,得到燃料信息;所述燃料信息表示投入的燃料量。
2.根据权利要求1所述的一种多种清洁能源互补控制决策处理方法,其特征在于,所述若生物能为不满足需求信息,基于生物能信息,采用燃料和储存电量,通过冷热电联产设备,得到燃料信息,包括:
将储存电量,进行电发热和电制冷,得到储存电量转换信息;所述储存电量转换信息包括储存电量转换值和储存电量转换量;所述储存电量转换值为1表示储存电量放电能够满足需求信息;所述储存电量转换值为0表示储存电量放电不能够满足需求信息;
其中,所述储存电量转换值为1时储存电量转换量为满足需求信息所使用的电量;所述储存电量转换值为0时储存电量转换量为储存电量;
若所述储存电量转换值为0,使用燃料,通过冷热电联产设备,得到消耗燃料量;所述消耗燃料量为满足需求的燃料的数量。
3.一种多种清洁能源互补控制决策处理***,其特征在于,包括:
获取模块:获得当前能源信息;所述当前能源信息包括当前存储电量、当前太阳能、当前风能、当前生物能和当前燃料;获得预测信息;所述预测信息包括预测光伏发电电量和预测风电发电电量;获得需求信息;所述需求信息表示需求电负荷、需求热负荷和需求冷负荷;
光能风能发电计算模块:将所述当前太阳能和当前风能,进行发电,得到不稳定电量;所述不稳定电量为所述当前太阳能进行光伏发电得到的电量与当前风能进行风电发电得到的电量相加之和;
分配模块:基于所述不稳定电量、所述当前能源信息、预测信息和所述需求信息,通过分配模型,得到需求满足情况;所述需求满足情况包括需求满足值和分配电量;按照需求满足情况,发布指令,进行分配能源;
所述分配模型包括预测神经网络、能源分配结构和能源获取分配结构:
所述预测神经网络的输入为所述预测信息;所述能源分配结构的输入为所述预测神经网络的输出、不稳定电量和需求信息;所述能源获取分配结构的输入为需求信息、不稳定电量和当前能源信息;
所述基于所述不稳定电量、所述当前能源信息、预测信息和所述需求信息,通过分配模型,得到需求满足情况,包括:
将不稳定电量,与需求信息进行判断,得到需求满足值;所述需求满足值为1表示不稳定电量满足需求信息;所述需求满足值为0表示不稳定电量未满足需求信息;
若所述需求满足值为1,得到剩余电量;所述剩余电量为满足需求信息后剩余的电量;
基于剩余电量和预测信息,通过能源分配结构,将不稳定电量进行分配,得到分配电量;所述分配电量包括输送电量、储存电量和弃电电量;
若所述需求满足值为0,得到需求剩余电量;所述需求剩余电量为需求电量减去不稳定电量之差;
基于所述需求信息、需求剩余电量和当前能源信息,通过能源获取分配结构,得到使用能源信息;所述使用能源信息包括生物能、燃料、存储电量和外输送电量;
所述基于剩余电量和预测信息,通过能源分配结构,将不稳定电量进行分配,得到分配电量,包括:
将所述预测信息,输入预测神经网络,得到预测电量;所述预测电量为风速预测电量与光照预测电量相加之和;所述光照预测电量表示在预测的将来N天通过光伏发电的电量;所述风速预测电量表示在预测的将来N天通过风能发电的电量;
若所述预测电量大于电量阈值,将储存值设为0;若所述预测电量小于电量阈值,将储存值设为1,得到预测电量差值;所述预测电量差值为所述电量阈值减去预测电量之差;
获得分配价格信息;所述分配价格信息包括储存电量价格和输送电量价格;所述输送电量价格与供电骨架区域成正比;所述储存电量价格与储存电量成正比;构建供电骨架区域;所述供电骨架区域为供电线路,依据供电距离划分为不同区域,按照供电距离绘制椭分隔线,按照不同分隔线划分为不同区域;所述供电线路为以当前区域为中心根据实际生活的向其他区域进行供电的线;所述输送电量价格与供电骨架区域成正比;
若储存值为0,基于所述分配价格信息和所述剩余电量,得到最优分配电量;所述最优分配电量包括分配输送电量和分配弃用电量;
若储存值为1,基于所述分配价格信息、预测电量差值和所述剩余电量,得到最优分配电量;所述最优分配电量包括分配储存电量、分配输送电量和分配弃用电量;
预测神经网络的训练方法,包括:
获得训练集;训练集包括多个训练数据组和多个标注数据;所述训练数据组包括训练风速数据组和训练光照数据组;所述训练光照数据组包括第一光照监测数据组、第二光照监测数据组和第三光照监测数据组;所述第一光照监测数据组为前5天的训练光照监测数据;所述第二光照监测数据组为第一光照监测数据组后5天的训练光照监测数据;所述第三光照监测数据组为第二光照监测数据组后5天的训练光照监测数据;所述第一光照监测数据组包括第一总光照强度、第二总光照强度、第三总光照强度、第四总光照强度和第五总光照强度;所述第二光照监测数据组包括第六总光照强度、第七总光照强度、第八总光照强度、第九总光照强度和第十总光照强度;所述第三光照监测数据组包括第十一总光照强度、第十二总光照强度、第十三总光照强度、第十四总光照强度和第十五总光照强度;所述标注数据包括标注光照电量和标注风速电量;所述标注光照电量表示光伏发电15日的发电总量;所述标注风速电量表示风能发电15日的发电总量;
将所述训练光照数据组,输入光照预测神经网络,得到光照预测电量;
将所述训练风速数据组,输入风速预测神经网络,得到风速预测电量;
将光照预测电量与标注光照电量,通过光照损失函数,得到光照损失值;
将风速预测电量与标注风速电量,通过风速损失函数,得到风速损失值;
获得总损失值;所述总损失值为所述光照损失值和所述风速损失值相加之和;
获得预测神经网络当前的训练迭代次数以及预先设定的所述预测神经网络训练的最大迭代次数;
当总损失值小于或等于阈值或训练迭代次数达到所述最大迭代次数时停止训练,得到训练好的预测神经网络;
所述将所述训练光照数据组,输入光照预测神经网络,得到光照预测电量,包括:
将所述第三光照监测数据组,按由远到近的时间顺序,输入LSTM结构,得到第三输出信息;第三输出信息包括第十五发电量、第十四发电量、第十三发电量、第十二发电量、第十一发电量;所述LSTM结构为5个LSTM依次连接;
将所述第二光照监测数据组和第十一发电量,按由远到近的时间顺序,输入LSTM结构,得到第二输出信息;所述第二输出信息包括第十发电量、第九发电量、第八发电量、第七发电量和第六发电量;所述LSTM结构为5个LSTM依次连接;
将所述第一光照监测数据组和第六发电量,按由远到近的时间顺序,输入LSTM结构,得到第一输出信息;所述第一输出信息包括第五发电量、第四发电量、第三发电量、第二发电量和第一发电量;所述LSTM结构为5个LSTM依次连接;
将所述第一发电量、第二发电量、第三发电量、第四发电量、第五发电量、第六发电量、第七发电量、第八发电量、第九发电量、第十发电量、第十一发电量、第十二发电量、第十三发电量、第十四发电量和第十五发电量相加,得到光照预测电量;
所述将所述第一光照监测数据组和第六发电量,按由远到近的时间顺序,输入LSTM结构,得到第一输出信息,包括:
将所述第五总光照强度和第六发电量,输入第五LSTM,得到第五LSTM信息;所述第五LSTM信息包括第五发电量和第五LSTM输出值;
将所述第四总光照强度和第五LSTM输出值,输入第四LSTM,得到第四LSTM信息;所述第四LSTM信息包括第四发电量和第四LSTM输出值;
将所述第三总光照强度和第四LSTM输出值,输入第三LSTM,得到第三LSTM信息;所述第三LSTM信息包括第三发电量和第三LSTM输出值;
将所述第二总光照强度和第三LSTM输出值,输入第二LSTM,得到第二LSTM信息;所述第二LSTM信息包括第二发电量和第二LSTM输出值;
将所述第一总光照强度和第二LSTM输出值,输入第一LSTM,得到第一LSTM信息;所述第一LSTM信息为第一发电量;
所述基于所述需求信息、需求剩余电量和当前能源信息,通过能源获取分配结构,得到使用能源信息,包括:
基于生物能,通过冷热电联产设备,进行发电、发热和制冷,得到生物能信息;所述生物能信息包括生物能电负荷、生物能热负荷和生物能冷负荷;
若生物能信息满足需求信息,将多余的生物能信息进行储存电量;
若生物能为不满足需求信息,基于生物能信息,采用燃料和储存电量,通过冷热电联产设备,得到燃料信息;所述燃料信息表示投入的燃料量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211076214.8A CN115169994B (zh) | 2022-09-05 | 2022-09-05 | 一种多种清洁能源互补控制决策处理方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211076214.8A CN115169994B (zh) | 2022-09-05 | 2022-09-05 | 一种多种清洁能源互补控制决策处理方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115169994A CN115169994A (zh) | 2022-10-11 |
CN115169994B true CN115169994B (zh) | 2023-09-26 |
Family
ID=83482032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211076214.8A Active CN115169994B (zh) | 2022-09-05 | 2022-09-05 | 一种多种清洁能源互补控制决策处理方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169994B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115936364A (zh) * | 2022-12-07 | 2023-04-07 | 贵州大学 | 一种多种能源类型协调调度方法 |
CN117477675B (zh) * | 2023-12-27 | 2024-05-03 | 浙江浙能能源服务有限公司 | 一种基于能源调度的碳排放优化方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102280935A (zh) * | 2011-06-24 | 2011-12-14 | 中国科学院电工研究所 | 一种智能电网管理*** |
CN102931688A (zh) * | 2012-11-27 | 2013-02-13 | 广东电网公司电力调度控制中心 | 混合式可再生能源供电装置 |
CN104104116A (zh) * | 2014-07-01 | 2014-10-15 | 杭州电子科技大学 | 一种含多分布式能源的光伏微电网供需控制***设计方法 |
CN109473976A (zh) * | 2018-10-22 | 2019-03-15 | 华润智慧能源有限公司 | 一种冷热电联供型微网能量调度方法及*** |
CN110086205A (zh) * | 2019-06-24 | 2019-08-02 | 珠海格力电器股份有限公司 | 供电***的控制方法、装置、***和存储介质 |
CA3012034A1 (en) * | 2018-07-02 | 2020-01-02 | HEPU Technology Development (Beijing) Co. LTD. | Wind-solar-gas complementary and coupled power generation system and method |
CN111009898A (zh) * | 2019-12-13 | 2020-04-14 | 深圳供电局有限公司 | 一种智慧园区多能协同供电方法及其***、终端设备 |
CN112736908A (zh) * | 2020-12-28 | 2021-04-30 | 江苏晟能科技有限公司 | 一种多能协同优化配置规划方法 |
CN113065680A (zh) * | 2020-01-02 | 2021-07-02 | 中国电力科学研究院有限公司 | 一种能源互联网的能量需求预测方法及*** |
CN113324278A (zh) * | 2018-11-28 | 2021-08-31 | 东北电力大学 | 基于多种清洁能源的模块化组合式智能供热***及方法 |
CN113837509A (zh) * | 2020-06-08 | 2021-12-24 | 北京金点创智科技有限公司 | 多能源充电***及其管理方法 |
CN114386866A (zh) * | 2022-01-17 | 2022-04-22 | 浙江容大电力工程有限公司 | 一种基于智慧用能的风光储一体化监管*** |
CN114970362A (zh) * | 2022-06-08 | 2022-08-30 | 中交机电工程局有限公司 | 一种多能源结构下的电网负荷调度预测方法及*** |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109462231B (zh) * | 2018-11-15 | 2020-09-01 | 合肥工业大学 | 居民微电网的负荷优化调度方法、***和存储介质 |
CN111275240B (zh) * | 2019-12-27 | 2023-06-09 | 华北电力大学 | 一种基于多能耦合场景下的负荷预测方法 |
-
2022
- 2022-09-05 CN CN202211076214.8A patent/CN115169994B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102280935A (zh) * | 2011-06-24 | 2011-12-14 | 中国科学院电工研究所 | 一种智能电网管理*** |
CN102931688A (zh) * | 2012-11-27 | 2013-02-13 | 广东电网公司电力调度控制中心 | 混合式可再生能源供电装置 |
CN104104116A (zh) * | 2014-07-01 | 2014-10-15 | 杭州电子科技大学 | 一种含多分布式能源的光伏微电网供需控制***设计方法 |
CA3012034A1 (en) * | 2018-07-02 | 2020-01-02 | HEPU Technology Development (Beijing) Co. LTD. | Wind-solar-gas complementary and coupled power generation system and method |
CN109473976A (zh) * | 2018-10-22 | 2019-03-15 | 华润智慧能源有限公司 | 一种冷热电联供型微网能量调度方法及*** |
CN113324278A (zh) * | 2018-11-28 | 2021-08-31 | 东北电力大学 | 基于多种清洁能源的模块化组合式智能供热***及方法 |
CN110086205A (zh) * | 2019-06-24 | 2019-08-02 | 珠海格力电器股份有限公司 | 供电***的控制方法、装置、***和存储介质 |
CN111009898A (zh) * | 2019-12-13 | 2020-04-14 | 深圳供电局有限公司 | 一种智慧园区多能协同供电方法及其***、终端设备 |
CN113065680A (zh) * | 2020-01-02 | 2021-07-02 | 中国电力科学研究院有限公司 | 一种能源互联网的能量需求预测方法及*** |
CN113837509A (zh) * | 2020-06-08 | 2021-12-24 | 北京金点创智科技有限公司 | 多能源充电***及其管理方法 |
CN112736908A (zh) * | 2020-12-28 | 2021-04-30 | 江苏晟能科技有限公司 | 一种多能协同优化配置规划方法 |
CN114386866A (zh) * | 2022-01-17 | 2022-04-22 | 浙江容大电力工程有限公司 | 一种基于智慧用能的风光储一体化监管*** |
CN114970362A (zh) * | 2022-06-08 | 2022-08-30 | 中交机电工程局有限公司 | 一种多能源结构下的电网负荷调度预测方法及*** |
Non-Patent Citations (5)
Title |
---|
基于多指标评价的清洁能源互补优选策略;程思举等;《电气技术》;20200115(第01期);全文 * |
基于多能互补的绿色能源小区群构建;李一凡;《价值工程》;20180914(第30期);全文 * |
海岛微能源网***多能互补优化;赵为光等;《电力***及其自动化学报》;20200831;第32卷(第08期);第54-61页 * |
清洁能源发电***多能互补匹配计算;白学敏等;《农村牧区机械化》;20130228(第01期);全文 * |
赵为光等.海岛微能源网***多能互补优化.《电力***及其自动化学报》.2020,第32卷(第08期),第54-61页. * |
Also Published As
Publication number | Publication date |
---|---|
CN115169994A (zh) | 2022-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115169994B (zh) | 一种多种清洁能源互补控制决策处理方法及*** | |
Zhao et al. | MPC-based optimal scheduling of grid-connected low energy buildings with thermal energy storages | |
Oskouei et al. | Techno-economic and environmental assessment of the coordinated operation of regional grid-connected energy hubs considering high penetration of wind power | |
He et al. | A bi-layer optimization based temporal and spatial scheduling for large-scale electric vehicles | |
Tan et al. | The optimization model for multi-type customers assisting wind power consumptive considering uncertainty and demand response based on robust stochastic theory | |
CN112103943B (zh) | 日前电力现货市场出清的安全校核方法、装置及存储介质 | |
Detroja | Optimal autonomous microgrid operation: A holistic view | |
CN103297505B (zh) | 动态云服务请求下数据中心多能源的在线控制方法和*** | |
CN109858774B (zh) | 提高***安全性和协调性的源网荷规划方法 | |
CN102593855B (zh) | 平抑电力***中可再生能源电源输出功率波动的方法 | |
CN111339689A (zh) | 建筑综合能源调度方法、***、存储介质及计算机设备 | |
Zhi et al. | Scenario-based multi-objective optimization strategy for rural PV-battery systems | |
CN104578145A (zh) | 一种面向智能用电的连续任务型负荷能量控制方法 | |
Zheng et al. | Optimal dispatch for reversible solid oxide cell-based hydrogen/electric vehicle aggregator via stimuli-responsive charging decision estimation | |
CN112001523A (zh) | 考虑多种储能的综合能源多尺度优化调度控制方法及*** | |
Yang et al. | Optimal scheduling of electro-thermal system considering refined demand response and source-load-storage cooperative hydrogen production | |
Attaianese et al. | A model-based EVs charging scheduling for a multi-slot Ultra-Fast Charging Station | |
CN114298393A (zh) | 考虑不确定性的储能电站动态配置方法、***及设备 | |
Chen et al. | Techno-economic comparison of cooling storage and battery for electricity flexibility at long and short timescales in buildings | |
El Kafazi et al. | Multiobjective scheduling-based energy management system considering renewable energy and energy storage systems: A case study and experimental result | |
Sun et al. | Interval mixed-integer programming for daily unit commitment and dispatch incorporating wind power | |
CN116341829A (zh) | 一种绿色电力信息块处理方法及*** | |
CN110826210A (zh) | 基于功率互联的多区域楼宇虚拟电厂建模及优化协调方法 | |
Chen et al. | Overview of transmission expansion planning in the market environment | |
CN107359636A (zh) | 一种充电*** |
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 |