CN115360732A - 模型和数据驱动的光伏储能***控制方法 - Google Patents

模型和数据驱动的光伏储能***控制方法 Download PDF

Info

Publication number
CN115360732A
CN115360732A CN202210968138.5A CN202210968138A CN115360732A CN 115360732 A CN115360732 A CN 115360732A CN 202210968138 A CN202210968138 A CN 202210968138A CN 115360732 A CN115360732 A CN 115360732A
Authority
CN
China
Prior art keywords
model
energy storage
storage system
data
photovoltaic
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
CN202210968138.5A
Other languages
English (en)
Other versions
CN115360732B (zh
Inventor
郑含博
唐钰本
杜齐
胡永乐
郭文豪
陈俊江
万海斌
覃团发
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.)
Runjian Co ltd
Guangxi University
Original Assignee
Runjian Co ltd
Guangxi University
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 Runjian Co ltd, Guangxi University filed Critical Runjian Co ltd
Priority to CN202210968138.5A priority Critical patent/CN115360732B/zh
Priority claimed from CN202210968138.5A external-priority patent/CN115360732B/zh
Publication of CN115360732A publication Critical patent/CN115360732A/zh
Application granted granted Critical
Publication of CN115360732B publication Critical patent/CN115360732B/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
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • H02J2300/26—The renewable source being solar energy of photovoltaic origin involving maximum power point tracking control for photovoltaic sources
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Control Of Electrical Variables (AREA)

Abstract

一种模型和数据驱动的光伏储能***控制方法，依次通过拓扑、构建动态模型、建立空间模型、更新、建立预测方程、求解、评价和控制的步骤，首先通过光伏储能***的物理动态特性，构建仿真模型，以所述仿真模型为约束，构建模型预测控制算法求解控制参数，基于仿真求解控制参数的数据驱动，构建ANN的输入输出映射关系进行离线训练，基于ANN的离线训练结果，将ANN模型装载至光伏储能***的控制设备中在线使用。本发明能够在光伏储能***控制中，基于模型预测控制大量仿真数据进行离线训练在线使用，具有准确度高、运行速度快消耗小、方便可靠的特点。

Description

模型和数据驱动的光伏储能***控制方法
技术领域
本发明属于电力技术领域，涉及一种模型和数据驱动的光伏储能***控制方法。
背景技术
由于太阳能具有能源总量大、资源易开发、清洁无污染等优点，光伏相关技术正在成为各国研究和利用的重点。由于光伏发电具有较大的随机性和波动性，需要结合储能***，提供持续稳定的电能输出，并维持母线电压稳定，减少输出电流电压波动。
光伏储能***连接的负载通常连接至直流母线，基于直流母线电压保持电压稳定，调整输入电流改变负载功率。光伏发电***使用最大功率点跟踪(MPPT)技术，调整光伏与直流母线连接的直流-直流(DC-DC)转换器到达最大输出功率；储能***通常使用双环比例-积分环节(PI)控制器，基于外环电压参考值和内环电流参考值，调整与直流母线连接的DC-DC转换器的电压和电流；或使用模型预测控制(MPC)，基于状态空间及其预测和参考值，限制储能***的最大输出输入电压电流，维持荷电状态(SOC)在安全范围内。
当前光伏储能控制方法的一个弊端在于：当储能***的控制采用外环电压、内环电流的双环PI控制，积分和微分环节需要进行参数整定校正，面对多输入多输出情况时尤其需要反复调整；且PI控制不能直接完成约束控制，无法直接控制储能***的SOC状态，可能导致储能***过度充电放电，降低设备寿命和安全性。当储能***的控制采用MPC时，依赖于建立准确的状态空间模型，且需要实时消耗较大的计算资源，从而带来额外的电能损耗和成本。
发明内容
本发明所要解决的技术问题是提供一种模型和数据驱动的光伏储能***控制方法，针对光伏储能***的DC-DC转换器控制，建立状态空间模型，利用MPC控制器仿真，基于仿真数据进行人工神经网络模型(ANN)离线训练在线使用，减少母线电压的稳定误差，提高了电压电流的响应速度，维持储能***的SOC在安全范围内，降低控制***的功耗。
为解决上述技术问题，本发明所采用的技术方案是：一种模型和数据驱动的光伏储能***控制方法，它包括如下步骤：
S1，拓扑，对于光伏储能***，分析拓扑结构，包括光伏发电组件与含光伏MPPT的DC-DC转换器，储能***及双向DC-DC转换器，直流母线，直流负载，交流负载及逆变器；
S2，构建动态模型，对于储能***与MPC控制器，基于物理特性，构建仿真动态模型；对于负载，以Pload表示实时功率，以vref表示所需母线电压基准值；对于光伏发电，以Ppv表示实时输出功率；根据基尔霍夫定律，列写电路方程；
S3，建立空间模型，对于MPC控制器，通过S2的电路方程，根据储能***拓扑结构，建立状态空间模型，
Figure BDA0003795572800000022
根据仿真实时数据输入iL，vC；
S4，更新，由状态方程写出量测方程，由初始状态估计和初始协方差，计算出τ时刻的状态估计和协方差，更新量测方程和协方差，计算出卡尔曼增益，完成状态方程更新；
S5，建立预测方程，基于状态方程，使用泰勒展开与前向欧拉法，离散并线性化建立预测方程；设置目标，减少稳态误差，加快响应速度，定义目标函数
Figure BDA0003795572800000021
定义约束条件，包括：电压电流输出最大值，占空比最大值最小值，储能输出、吸收总能量最大值；
S6，求解，最优化求解目标函数J，解的u使得J最小，输出u；
S7，评价，训练ANN模型，ANN由一个输入层和一个输出层组成，其中输入层从外部输入数据，一个或多个隐藏层处理数据，每层包含若干的神经元，输出层输出一个或多个数据；ANN模型基于储能***物理仿真模型获得的训练数据集进行离线训练获得；评价ANN模型的拟合性能，采用拟合优度R2作为评价指标；
S8，控制，随机选取100组光伏负载随时间变化数据，分别用训练好后的ANN模型和MPC控制器仿真得到输出u，比较两种方法输出的误差及其分布；设定条件最大误差小于15％且±10％以内误差占比大于95％时，表明ANN模型在线用于光伏储能***控制。
在S3中，状态方程的函数根据需要进行预设，用于调整输入输出。
在S5中，J的函数根据需要进行预设，用于调整控制目标。
在S7中，隐藏层层数，神经元数量，神经元权重、偏差根据需要进行预设，用于调整ANN模型拟合效果。
本发明的主要有益效果在于：
基于光伏储能***拓扑结构、物理特性，构建动态模型，可用于仿真验证***可靠性、稳定性。
利用MPC控制器仿真，减少母线电压的稳定误差，提高了电压电流的响应速度，限制最大电压电流输出，维持储能***的SOC在安全范围内，保障***安全性。
利用仿真数据进行ANN离线训练在线使用，增强控制***拓展性和普适性，提高控制***运算速度，降低控制***的功耗。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明实施例中光伏储能***及其控制的示意图。
图2为本发明实施例中储能***与MPC控制器的结构图。
图3为本发明实施例中MPC控制的流程图。
图4为本发明实施例中ANN原理的示意图。
图5为本发明实施例中ANN训练的示意图。
图6为本发明实施例中ANN-MPC控制构建的流程图。
具体实施方式
如图1～图6中，一种模型和数据驱动的光伏储能***控制方法，它包括如下步骤：
S1，拓扑，如图1所示，对于光伏储能***，分析拓扑结构，包括光伏发电组件与含光伏MPPT的DC-DC转换器，储能***及双向DC-DC转换器，直流母线，直流负载，交流负载及逆变器；
优选地，光伏组件经MPPT后经过DC-DC转换器提供电能；直流负载通过连接直流母线获取电能；交流负载经逆变器转换后从直流母线上获取电能；储能***基于光伏发电与负载用电的差值，经DC-DC转换器为负载侧提供电能，或从光伏处吸收电能。
S2，构建动态模型，如图2所示，对于储能***与MPC控制器，基于物理特性，构建仿真动态模型；对于负载，以Pload表示实时功率，以vref表示所需母线电压基准值；对于光伏发电，以Ppv表示实时输出功率；根据基尔霍夫定律，列写电路方程；
优选地，对于负载，以Pload表示实时功率，以vref表示所需母线电压基准值；对于光伏发电，以Ppv表示实时输出功率；
根据基尔霍夫定律，列写电路方程：
Figure BDA0003795572800000041
Figure BDA0003795572800000042
式中：iL为电感电流；vC为电容器电压；E为储能设备电压；u为占空比；
将iL，vC输入至MPC控制器中，经计算后输出u经脉冲宽度调制(PWM)发生器至控制电路。
S3，建立空间模型，如图3所示，对于MPC控制器，通过S2的电路方程，根据储能***拓扑结构，建立状态空间模型，
Figure BDA0003795572800000043
根据仿真实时数据输入iL，vC；
优选地，根据储能***拓扑结构，建立状态空间模型：
Figure BDA0003795572800000044
式中，x为状态变量，包括iL，vC，u为控制变量；
根据仿真实时数据输入iL，vC。
S4，更新，由状态方程写出量测方程，由初始状态估计和初始协方差，计算出τ时刻的状态估计和协方差，更新量测方程和协方差，计算出卡尔曼增益，完成状态方程更新；
S5，建立预测方程，基于状态方程，使用泰勒展开与前向欧拉法，离散并线性化建立预测方程；设置目标，减少稳态误差，加快响应速度，定义目标函数
Figure BDA0003795572800000045
定义约束条件，包括：电压电流输出最大值，占空比最大值最小值，储能输出、吸收总能量最大值；
优选地，
Figure BDA0003795572800000046
式中：i是数据编号，t+τ表示t时刻对t+τ时刻的预测，
Figure BDA0003795572800000047
是预测值，
Figure BDA0003795572800000048
是参考值。
S6，求解，最优化求解目标函数J，解的u使得J最小，输出u；
优选地，PWM发生器基于占空比u，生成PWM信号发送至控制电路，调整储能***输出电流电压。
S7，评价，如图4所示，训练ANN模型，ANN由一个输入层和一个输出层组成，其中输入层从外部输入数据，一个或多个隐藏层处理数据，每层包含若干的神经元，输出层输出一个或多个数据；ANN模型基于储能***物理仿真模型获得的训练数据集进行离线训练获得；评价ANN模型的拟合性能，采用拟合优度R2作为评价指标；
优选地，如图5～6所示，训练ANN模型包括以下步骤：
将MPC仿真模型数据样本，按70％训练集、15％验证集、15％测试集的比例进行分配；
ANN模型基于储能***物理仿真模型获得的训练数据集进行离线训练获得。
根据输入输出量，分别确定输入层和输出层的节点数。根据MPC输入的状态空间模型，确定隐藏层层数；
根据训练结果，调整神经元数量及其权重、偏差；
评价ANN模型的拟合性能，采用拟合优度R2作为评价指标。其计算式为：
Figure BDA0003795572800000051
式中：i是数据编号，ui是实际值，
Figure BDA0003795572800000052
是预测值，
Figure BDA0003795572800000053
是实际数据均值。
通过试验，本发明实施例中设定ANN模型结构包括：
1)输入层：含3个输入节点，分别对应iL，vC，vre输入量
2)输出层：含1个输出节点，对应u
3)隐藏层：含1个隐藏层，每层包含5个神经元。
将训练好的ANN表示为：
u＝fANN(iL,vC,vre) (6)。
S8，控制，随机选取100组光伏负载随时间变化数据，分别用训练好后的ANN模型和MPC控制器仿真得到输出u，比较两种方法输出的误差及其分布；设定条件最大误差小于15％且±10％以内误差占比大于95％时，表明ANN模型在线用于光伏储能***控制。
在S3中，状态方程的函数根据需要进行预设，用于调整输入输出。
在S5中，J的函数根据需要进行预设，用于调整控制目标。
在S7中，隐藏层层数，神经元数量，神经元权重、偏差根据需要进行预设，用于调整ANN模型拟合效果。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本申请中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。

Claims (4)

1.一种模型和数据驱动的光伏储能***控制方法，其特征是，它包括如下步骤：
S1，拓扑，对于光伏储能***，分析拓扑结构，包括光伏发电组件与含光伏MPPT的DC-DC转换器，储能***及双向DC-DC转换器，直流母线，直流负载，交流负载及逆变器；
S2，构建动态模型，对于储能***与MPC控制器，基于物理特性，构建仿真动态模型；对于负载，以Pload表示实时功率，以vref表示所需母线电压基准值；对于光伏发电，以Ppv表示实时输出功率；根据基尔霍夫定律，列写电路方程；
S3，建立空间模型，对于MPC控制器，通过S2的电路方程，根据储能***拓扑结构，建立状态空间模型，
Figure FDA0003795572790000011
根据仿真实时数据输入iL，vC；
S4，更新，由状态方程写出量测方程，由初始状态估计和初始协方差，计算出τ时刻的状态估计和协方差，更新量测方程和协方差，计算出卡尔曼增益，完成状态方程更新；
S5，建立预测方程，基于状态方程，使用泰勒展开与前向欧拉法，离散并线性化建立预测方程；设置目标，减少稳态误差，加快响应速度，定义目标函数
Figure FDA0003795572790000012
定义约束条件，包括：电压电流输出最大值，占空比最大值最小值，储能输出、吸收总能量最大值；
S6，求解，最优化求解目标函数J，解的u使得J最小，输出u；
S7，评价，训练ANN模型，ANN由一个输入层和一个输出层组成，其中输入层从外部输入数据，一个或多个隐藏层处理数据，每层包含若干的神经元，输出层输出一个或多个数据；ANN模型基于储能***物理仿真模型获得的训练数据集进行离线训练获得；评价ANN模型的拟合性能，采用拟合优度R2作为评价指标；
S8，控制，随机选取100组光伏负载随时间变化数据，分别用训练好后的ANN模型和MPC控制器仿真得到输出u，比较两种方法输出的误差及其分布；设定条件最大误差小于15％且±10％以内误差占比大于95％时，表明ANN模型在线用于光伏储能***控制。
2.根据权利要求1所述的模型和数据驱动的光伏储能***控制方法，其特征是：
在S3中，状态方程的函数根据需要进行预设，用于调整输入输出。
3.根据权利要求1所述的模型和数据驱动的光伏储能***控制方法，其特征是：
在S5中，J的函数根据需要进行预设，用于调整控制目标。
4.根据权利要求1所述的模型和数据驱动的光伏储能***控制方法，其特征是：
在S7中，隐藏层层数，神经元数量，神经元权重、偏差根据需要进行预设，用于调整ANN模型拟合效果。
CN202210968138.5A 2022-08-12 模型和数据驱动的光伏储能***控制方法 Active CN115360732B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210968138.5A CN115360732B (zh) 2022-08-12 模型和数据驱动的光伏储能***控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210968138.5A CN115360732B (zh) 2022-08-12 模型和数据驱动的光伏储能***控制方法

Publications (2)

Publication Number Publication Date
CN115360732A true CN115360732A (zh) 2022-11-18
CN115360732B CN115360732B (zh) 2024-07-26

Family

ID=

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106950856A (zh) * 2017-04-27 2017-07-14 南通大学 基于混合逻辑动态的mppt建模仿真方法
CN110165707A (zh) * 2019-02-26 2019-08-23 国网吉林省电力有限公司 基于卡尔曼滤波和模型预测控制的光储***优化控制方法
CN110535178A (zh) * 2019-09-05 2019-12-03 浙江大学城市学院 基于单粒子物理模型的光伏/锂电池混合***能量控制策略
CN113629780A (zh) * 2021-08-11 2021-11-09 山东大学 微电网功率转换器控制方法、***、存储介质及设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106950856A (zh) * 2017-04-27 2017-07-14 南通大学 基于混合逻辑动态的mppt建模仿真方法
CN110165707A (zh) * 2019-02-26 2019-08-23 国网吉林省电力有限公司 基于卡尔曼滤波和模型预测控制的光储***优化控制方法
CN110535178A (zh) * 2019-09-05 2019-12-03 浙江大学城市学院 基于单粒子物理模型的光伏/锂电池混合***能量控制策略
CN113629780A (zh) * 2021-08-11 2021-11-09 山东大学 微电网功率转换器控制方法、***、存储介质及设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MOSTAFA AHMED等: "A Robust Maximum Power Point Tracking Based Model Predictive Control and Extended Kalman Filter for PV Systems", 《2020 INTERNATIONAL SYMPOSIUM ON POWER ELECTRONICS, ELECTRICAL DRIVES, AUTOMATION AND MOTION (SPEEDAM)》, 31 December 2020 (2020-12-31), pages 1 - 7 *
韩晓娟等: "基于KF-MPC的光储***双调节反馈优化控制方法", 《太阳能学报》, vol. 42, no. 1, 31 January 2021 (2021-01-31), pages 56 - 62 *

Similar Documents

Publication Publication Date Title
CN105846461B (zh) 一种大规模储能电站自适应动态规划的控制方法和***
CN105179164B (zh) 基于t-s模糊模型的风能转换***滑模控制方法及装置
WO2023179003A1 (zh) 一种多时间尺度主动配电网电压控制方法
Ramesh et al. Intelligent adaptive LFC via power flow management of integrated standalone micro-grid system
Capizzi et al. Recurrent neural network-based control strategy for battery energy storage in generation systems with intermittent renewable energy sources
Aldobhani et al. Maximum power point tracking of PV system using ANFIS prediction and fuzzy logic tracking
CN111367349A (zh) 一种基于预测模型的光伏mppt控制方法及***
El Mezdi et al. Nonlinear control design and stability analysis of hybrid grid-connected photovoltaic-Battery energy storage system with ANN-MPPT method
CN107508275A (zh) 一种基于自适应动态规划的直流微电网控制方法及***
CN113078645B (zh) 一种考虑延时与拓扑切换的微电网参数自适应控制方法
CN106786550B (zh) 一种微电网成本优化的分布式控制方法及装置
CN114784823A (zh) 基于深度确定性策略梯度的微电网频率控制方法及***
Badar et al. An autonomous hybrid DC microgrid with ANN-fuzzy and adaptive terminal sliding mode multi-level control structure
CN114430165A (zh) 基于深度模型预测的微网群智能协调控制方法和装置
Şahin et al. PV powered hybrid energy storage system control using bidirectional and boost converters
CN110601246B (zh) 基于径向基神经网络预测的直流微电网均流方法
Yin et al. Expandable deep width learning for voltage control of three-state energy model based smart grids containing flexible energy sources
CN115986720A (zh) 自适应氢负荷波动的新能源制氢***协调控制方法、装置、电子设备和存储介质
Dinavahi et al. ANN based voltage stability margin prediction
CN106786702A (zh) 用于混合储能***的全状态模型预测能量调度方法
CN105207220A (zh) 一种基于渐进学习的分级电压调控方法
CN115360732B (zh) 模型和数据驱动的光伏储能***控制方法
CN115360732A (zh) 模型和数据驱动的光伏储能***控制方法
CN114039346A (zh) 一种基于神经网络的电压调节和电流均流方法
CN114336704A (zh) 一种区域能源互联网多智能体分布式控制及效率评测方法

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
GR01 Patent grant