CN115796393A - 基于多能互动的能源网管理优化方法、***及存储介质 - Google Patents
基于多能互动的能源网管理优化方法、***及存储介质 Download PDFInfo
- Publication number
- CN115796393A CN115796393A CN202310047620.XA CN202310047620A CN115796393A CN 115796393 A CN115796393 A CN 115796393A CN 202310047620 A CN202310047620 A CN 202310047620A CN 115796393 A CN115796393 A CN 115796393A
- Authority
- CN
- China
- Prior art keywords
- energy
- community
- output
- load
- wind
- 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
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多能互动的能源网管理优化方法、***及存储介质，包括：获取目标区域内各风光电站集群、储能***集群及社区负荷集群，根据社区样本点将各集群中的样本点进行聚类分析，构建多个社区多能互动微电网，根据目标区域的环境信息及气象信息构建不同出力场景，基于的LSTM模型对不同出力场景下社区多能互动微电网的负荷；通过深度学习获取多电站出力与外界环境、社区负荷波动的相关性，根据成本最优及波动最小获取约束信息，基于粒子群算法结合约束信息生成社区多能互动微电网供电***的能量管理控制方法。本发明通过对区域微电网的多能互动进行优化管理，从而利用互补特性的多方互动提高综合能源***的效率。
Description
技术领域
本发明涉及智慧电网技术领域，更具体的，涉及一种基于多能互动的能源网管理优化方法、***及存储介质。
背景技术
随着社会和经济的发展，能源作为保证国民生计和国家安全的基础，其消耗量也逐年增加，能源消耗的增加促使能源结构的深刻转型，以风电、光伏等为代表的分布式电源规模化接入配电网，使配电网的***结构与运营主体日趋复杂，并逐渐演变成为具备灵活功率调节与主动响应能力的主动配电网，其广泛应用智慧互联技术，作为一种智慧型区域网络，具备较高的新能源渗透率，通过能源储存和能源转化能够实现区域内能源供给和消耗的平衡。另外，根据实际需要交换能源，与公共网络进行能源的灵活交互。
传统的能源***规划、运行局限于电、气、热、冷等单一能源形式内部，无法充分发挥能源间的优势互补，能源利用效率、可再生能源消纳、节能减排等问题遭遇瓶颈。因此，开展多种能源协同互补的电网规划研究对建设清洁低碳、安全高效的现代能源体系具有重要意义，而多能互补的主动配电网能够充分发挥电力***在能源供给中的基础配置作用，将各种能源供给通过电网协调实现互补运行，从而缓解能源供需矛盾。其中，如何在多能互补的能源网中利用互补特性的多方互动提高综合能源***的效率，缓解能源供需矛盾都是是现阶段亟待解决的问题。
发明内容
为了解决上述技术问题，本发明提出了一种基于多能互动的能源网管理优化方法及***。
本发明第一方面提供了一种基于多能互动的能源网管理优化方法，包括：
获取目标区域内各风光电站集群、储能***集群及社区负荷集群，根据社区负荷样本点将各集群中的样本点进行聚类分析，构建多个社区多能互动微电网；
根据目标区域的环境信息及气象信息构建不同出力场景，基于的LSTM模型对不同出力场景下社区多能互动微电网的负荷；
通过深度学习获取多电站出力与外界环境、社区负荷波动的相关性；
根据成本最优及波动最小获取约束信息，基于粒子群算法结合约束信息生成社区多能互动微电网供电***的能量调度管理控制方法。
本方案中，根据社区负荷样本点将各集群中的样本点进行聚类分析，构建多个社区多能互动微电网，具体为：
根据目标区域内风光电站集群、储能***集群及社区负荷集群生成聚合数据集，在聚合数据集中将对各个样本点设置集群类别标签，对聚合数据集中的样本点进行聚类；
在聚合数据集中社区负荷标签下选取目标社区负荷样本点作为初始聚类中心，判断聚合数据集中各类别标签下各样本点对初始聚类中心的欧式距离，筛选出各个类别标签下的最短距离；
根据风光电站样本点及储能***样本点的地理特征设置距离权重，根据最短距离获取社区负荷标签下每个样本点选取为下一个聚类中心的概率，迭代训练后基于概率获取预设数量的聚类中心；
根据所述距离权重计算聚合数据集中各样本点到各聚类中心的距离，将样本点指派至与其距离最近的聚类中心构成聚类结果，当标准测度函数满足预设标准或迭代次数大于等于最大迭代次数，则结束聚类；
建立社区负荷样本点及周围的风光电站样本点及储能***样本点的内在联系，根据最终聚类结果生成多个社区多能互动微电网。
本方案中，根据目标区域的环境信息及气象信息构建不同出力场景，具体为：
获取目标社区负荷样本点的聚类结果对应的微电网，根据微电网获取对社区进行供电的风光电站及储能***的作用原理，分别建立出力模型；
根据风光电站的基础参数构建各电站的物理模型，根据电站机组的能量转化结合设备的使用年限及破损情况进行调整优化，基于物理模型及优化后的能量转化效率生成出力模型；
获取各风光电站及储能***的历史运行数据，将所述历史运行数据设置环境信息及气象信息数据标签，通过历史运行数据提取最佳工作环境中各风光电站及储能***对应出力模型的输出功率；
同时，提取相关性能参数获取不同季节中不同气候的出力模型输出功率，根据不同季节中不同气候的出力模型输出功率与最佳工作环境中出力模型输出功率的功率偏差率确定对应季节气候的权重信息；
提取当前区域的环境信息及气象信息，基于目标社区负荷样本点对应的风光电站及储能***的出力模型结合环境气候对应的权重特征获取出力特征，根据所处出力特征构建出力场景。
本方案中，基于的LSTM模型对不同出力场景下社区多能互动微电网的负荷，具体为：
通过目标社区负荷样本点预设时间内的历史负荷数据，将所述历史负荷数据匹配时间戳生成历史负荷时序序列，根据历史负荷时序序列获取历史负荷数据的分布特征；
根据季节因素设置季节权重，通过历史环境信息及气候信息提取温湿度及温度信息，将所述季节权重结合温湿度及温度信息生成人体舒适度指数；
利用人体舒适度指数与历史负荷数据进行匹配，并设置人体舒适度指数阈值将历史负荷数据进行筛选，并将分布特征进行修正；
根据修正后的历史负荷数据分布特征生成训练集，通过所述训练集对LSTM模型进行训练，当预测精度评估指标符合预设标准时，输出模型；
获取预设时间后预测日的环境信息及气象信息，获取对应出力场景，将预测日的人体舒适度指数预设值输入LSTM模型对所述出力场景的社区负荷进行预测。
本方案中，通过深度学习获取多电站出力与外界环境、社区负荷波动的相关性，具体为：
根据不同季节及不同气象下的出力场景获取典型日出力场景，将所述典型日出力场景划分为预设数量的调度时间段，将调度时间段与实时电价进行匹配；
根据社区负荷样本点的历史负荷数据获取各典型日处理场景中的社区负荷变化，根据所述社区负荷变化结合调度时间段获取社区负荷波动；
通过各风光电站及储能***的历史运行数据提取各典型日出力场景中不同调度时间段各出力模型的出力特征，将风光电站及储能***的出力模型的出力特征与社区负荷波动及典型日出力场景对应的环境气象信息结合；
基于典型日出力场景中不同调度时间段各出力模型的出力特征获取风电场及光电厂出力的频率信息及出力特征作为深度学习的训练数据，通过深度学习获取风光电站与社区负荷波动的相关性；
通过所述相关性对LSTM模型进行调整添加风光电站出力预测模块，通过所述风光电站出力预测模块对预测日的风光电站出力进行预测。
本方案中，根据成本最优及波动最小获取约束信息，基于粒子群算法结合约束信息生成社区多能互动微电网供电***的能量调度管理控制方法，具体为：
根据社区负荷样本点的微电网运行成本最小及微电网负荷的波动标准差最小为目标，通过粒子群算法构建微电网能量调度管理模型；
通过社区负荷的预测值设置电力供需平衡约束，结合风光电站的发电功率约束及储电***的充放电约束生成约束信息；
确定预测日的出力场景，根据所述出力场景及风光电站的出力预测值对约束信息进行相关参数的设置，基于微电网运行成本最小及微电网负荷的波动标准差最小定义目标函数；
初始化粒子群的种群参数，设置参数的运动范围、速度范围、最大迭代次数及学习因子，通过适应度计算获取迭代优化后粒子的最优解及所在群体的最优解，判断粒子是否满足约束条件，若满足则引入混沌算子更新粒子的速度及位置；
计算更新后粒子的适应度，将获取的适应度与历史最优解进行比较，将历史最优解进行更新，直到满足迭代结束要求，输出最优解设置风光电站的出力参数，进行微电网的能源调度管理。
本发明第二方面还提供了一种基于多能互动的能源网管理优化***，该***包括：存储器、处理器，所述存储器中包括一种基于多能互动的能源网管理优化方法程序，所述一种基于多能互动的能源网管理优化方法程序被所述处理器执行时实现如下步骤：
获取目标区域内各风光电站集群、储能***集群及社区负荷集群，根据社区负荷样本点将各集群中的样本点进行聚类分析，构建多个社区多能互动微电网；
根据目标区域的环境信息及气象信息构建不同出力场景，基于的LSTM模型对不同出力场景下社区多能互动微电网的负荷；
通过深度学习获取多电站出力与外界环境、社区负荷波动的相关性；
根据成本最优及波动最小获取约束信息，基于粒子群算法结合约束信息生成社区多能互动微电网供电***的能量调度管理控制方法。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于多能互动的能源网管理优化方法程序，所述一种基于多能互动的能源网管理优化方法程序被处理器执行时，实现如上述任一项所述的一种基于多能互动的能源网管理优化方法的步骤。
本发明公开了一种基于多能互动的能源网管理优化方法、***及存储介质，包括：获取目标区域内各风光电站集群、储能***集群及社区负荷集群，根据社区样本点将各集群中的样本点进行聚类分析，构建多个社区多能互动微电网， 根据目标区域的环境信息及气象信息构建不同出力场景，基于的LSTM模型对不同出力场景下社区多能互动微电网的负荷；通过深度学习获取多电站出力与外界环境、社区负荷波动的相关性，根据成本最优及波动最小获取约束信息，基于粒子群算法结合约束信息生成社区多能互动微电网供电***的能量管理控制方法。本发明通过对区域微电网的多能互动进行优化管理，从而利用互补特性的多方互动提高综合能源***的效率，并大大提高需求响应调度机制的经济性。
附图说明
图1示出了本发明一种基于多能互动的能源网管理优化方法的流程图；
图2示出了本发明根据目标区域的环境信息及气象信息构建不同出力场景的方法流程图；
图3示出了本发明基于粒子群算法结合约束信息生成微电网能量调度管理控制方法的方法流程图；
图4示出了本发明一种基于多能互动的能源网管理优化***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于多能互动的能源网管理优化方法的流程图。
如图1所示，本发明第一方面提供了一种基于多能互动的能源网管理优化方法，包括：
S102，获取目标区域内各风光电站集群、储能***集群及社区负荷集群，根据社区负荷样本点将各集群中的样本点进行聚类分析，构建多个社区多能互动微电网；
S104，根据目标区域的环境信息及气象信息构建不同出力场景，基于的LSTM模型对不同出力场景下社区多能互动微电网的负荷；
S106，通过深度学习获取多电站出力与外界环境、社区负荷波动的相关性；
S108，根据成本最优及波动最小获取约束信息，基于粒子群算法结合约束信息生成社区多能互动微电网供电***的能量调度管理控制方法。
需要说明的是，根据目标区域内风光电站集群、储能***集群及社区负荷集群生成聚合数据集，在聚合数据集中将对各个样本点设置集群类别标签，对聚合数据集中的样本点进行聚类；在聚合数据集中社区负荷标签下选取目标社区负荷样本点作为初始聚类中心，判断聚合数据集中各类别标签下各样本点对初始聚类中心的欧式距离，筛选出各个类别标签下的最短距离；根据风光电站样本点及储能***样本点的地理特征设置距离权重，根据最短距离获取社区负荷标签下每个样本点选取为下一个聚类中心的概率，计算公式为：
，其中，
为最短距离，
为数据集中第i个样本点，
为数据集中第i个样本点到聚类中心的距离，迭代训练后基于概率获取预设数量的聚类中心例如轮盘赌法；迭代训练后基于概率获取预设数量的聚类中心；根据所述距离权重计算聚合数据集中各样本点到各聚类中心的距离，将样本点指派至与其距离最近的聚类中心构成聚类结果，当标准测度函数满足预设标准或迭代次数大于等于最大迭代次数，则结束聚类；当相关数据集中所有样本划分结束后，求取聚类结果
中每个类簇的均值作为新的聚类中心
，设
为第
个类簇的样本总数，
为该类簇的第
个样本，聚类中心点求取方法具体为：
选定标准测度函数
及最大迭代次数
，若
或迭代次数大于等于
，结束聚类流程，取最后一次运算结果为最终聚类结果，选取最后一次运算结果为最终聚类结果，否则继续迭代聚类；建立社区负荷样本点及周围的风光电站样本点及储能***样本点的内在联系，根据最终聚类结果生成多个社区多能互动微电网。
图2示出了本发明根据目标区域的环境信息及气象信息构建不同出力场景的方法流程图。
根据本发明实施例，根据目标区域的环境信息及气象信息构建不同出力场景，具体为：
S202，获取目标社区负荷样本点的聚类结果对应的微电网，根据微电网获取对社区进行供电的风光电站及储能***的作用原理，分别建立出力模型；
S204，根据风光电站的基础参数构建各电站的物理模型，根据电站机组的能量转化结合设备的使用年限及破损情况进行调整优化，基于物理模型及优化后的能量转化效率生成出力模型；
S206，获取各风光电站及储能***的历史运行数据，将所述历史运行数据设置环境信息及气象信息数据标签，通过历史运行数据提取最佳工作环境中各风光电站及储能***对应出力模型的输出功率；
S208，同时，提取相关性能参数获取不同季节中不同气候的出力模型输出功率，根据不同季节中不同气候的出力模型输出功率与最佳工作环境中出力模型输出功率的功率偏差率确定对应季节气候的权重信息；
S210，提取当前区域的环境信息及气象信息，基于目标社区负荷样本点对应的风光电站及储能***的出力模型结合环境气候对应的权重特征获取出力特征，根据所处出力特征构建出力场景。
需要说明的是，通过目标社区负荷样本点预设时间内的历史负荷数据，将所述历史负荷数据匹配时间戳生成历史负荷时序序列，根据历史负荷时序序列获取历史负荷数据的分布特征；根据季节因素设置季节权重，通过历史环境信息及气候信息提取温湿度及温度信息，将所述季节权重结合温湿度及温度信息生成人体舒适度指数；利用人体舒适度指数与历史负荷数据进行匹配，并设置人体舒适度指数阈值将历史负荷数据进行筛选，并将分布特征进行修正；根据修正后的历史负荷数据分布特征生成训练集，通过所述训练集对LSTM模型进行训练，当预测精度评估指标符合预设标准时，输出模型；获取预设时间后预测日的环境信息及气象信息，获取对应出力场景，将预测日的人体舒适度指数预设值输入LSTM模型对所述出力场景的社区负荷进行预测，其中，人体舒适度指数
的公式为：
其中，
，
，
为可变参数，基于所在地的环境气候计算所得，
为季节权重，
为湿度，
为所在度基准温度，
为风速。
通过深度学习获取多电站出力与外界环境、社区负荷波动的相关性根据不同季节及不同气象下的出力场景获取典型日出力场景，将所述典型日出力场景划分为预设数量的调度时间段，将调度时间段与实时电价进行匹配；根据社区负荷样本点的历史负荷数据获取各典型日处理场景中的社区负荷变化，根据所述社区负荷变化结合调度时间段获取社区负荷波动；通过各风光电站及储能***的历史运行数据提取各典型日出力场景中不同调度时间段各出力模型的出力特征，将风光电站及储能***的出力模型的出力特征与社区负荷波动及典型日出力场景对应的环境气象信息结合；基于典型日出力场景中不同调度时间段各出力模型的出力特征获取风电场及光电厂出力的频率信息及出力特征作为深度学习的训练数据，通过深度学习获取风光电站与社区负荷波动的相关性；通过所述相关性对LSTM模型进行调整添加风光电站出力预测模块，通过所述风光电站出力预测模块对预测日的风光电站出力进行预测。
图3示出了本发明基于粒子群算法结合约束信息生成微电网能量调度管理控制方法的方法流程图。
根据本发明实施例，根据成本最优及波动最小获取约束信息，基于粒子群算法结合约束信息生成社区多能互动微电网供电***的能量调度管理控制方法，具体为：
S302，根据社区负荷样本点的微电网运行成本最小及微电网负荷的波动标准差最小为目标，通过粒子群算法构建微电网能量调度管理模型；
S304，通过社区负荷的预测值设置电力供需平衡约束，结合风光电站的发电功率约束及储电***的充放电约束生成约束信息；
S306，确定预测日的出力场景，根据所述出力场景及风光电站的出力预测值对约束信息进行相关参数的设置，基于微电网运行成本最小及微电网负荷的波动标准差最小定义目标函数；
S308，初始化粒子群的种群参数，设置参数的运动范围、速度范围、最大迭代次数及学习因子，通过适应度计算获取迭代优化后粒子的最优解及所在群体的最优解，判断粒子是否满足约束条件，若满足则引入混沌算子更新粒子的速度及位置；
S310，计算更新后粒子的适应度，将获取的适应度与历史最优解进行比较，将历史最优解进行更新，直到满足迭代结束要求，输出最优解设置风光电站的出力参数，进行微电网的能源调度管理。
需要说明的是，基于微电网运行成本最小及微电网负荷的波动标准差最小定义目标函数，微电网运行成本包括设备更换费用、运维费用，包含风机、光伏、蓄电池、变流器的花费，主电网购电的成本等，将各个费用成本作为单一变量在各个调度时间段进行相加，并微电网中多余发电量在社区负荷小于预设负荷时出售给主电网，获取微电网的最小总成本，将最小总成本为目标进行优化，目标函数为
，其中
表示微电网的运行成本，
表示光伏电站的设备成本，
表示风机成本在微电网，
表示设备运维成本，
表示设备折旧成本，
表示从主电网购电成本，
表示向主电网售电；负荷的波动标准差最小的目标函数为
，其中，
表示微电网中当前出力场景的各个调度时间段的负荷标准差，
表示微电网与主电网的互动效率，
表示微电网中当前出力场景的各个调度时间段的平均值，
表示调度时间段总数，
表示调度时间段项数。
根据本发明实施例，构建数据库存储社区负荷样本点的能量调度管理方案，具体为：
获取风光电站及储能***的历史运行数据及对应的出力场景生成数据标签，构建数据库，将对应的能量调度管理方案及负荷波动序列标注所述数据标签添存入数据库中；
提取当前目标地区的环境及气象信息，确定出力场景，获取出力场景中风光电站的出力预测，根据所述出力场景及出力预测在数据库中进行相似度计算，提取相似度符合预设相似度要求的数据，并按照相似度进行排序，选取相似度最高的数据对应的能量调度管理方案进行微电网的能量调度；
在微电网的能量调度管理中通过微电网负荷的波动标准差对能量调控过程进行监控，若微电网负荷的波动标准差不符合预设波动标准差阈值，则根据负荷的波动偏差对当前的能量调度管理方案进行补偿，并在所述数据库中创建新数据标签进行数据添加；
另外，通过数据库监测风光电站及储能***的运行状态，根据微电网的能量调控管理方案获取微电网与主电网的计划交互与实际交互的偏差进行微电网内机组设备的性能变化监测；
当微电网与主电网计划交互与实际交互的偏差大于预设偏差阈值时，则生成微电网机组设备的异常预警，分析各风光电站及储能***的实际出力情况进行异常定位，并按照预设方式发送提醒硬件设备的运维检测。
图4示出了本发明一种基于多能互动的能源网管理优化***的框图。
本发明第二方面还提供了一种基于多能互动的能源网管理优化***4，该***包括：存储器41、处理器42，所述存储器中包括一种基于多能互动的能源网管理优化方法程序，所述一种基于多能互动的能源网管理优化方法程序被所述处理器执行时实现如下步骤：
获取目标区域内各风光电站集群、储能***集群及社区负荷集群，根据社区负荷样本点将各集群中的样本点进行聚类分析，构建多个社区多能互动微电网；
根据目标区域的环境信息及气象信息构建不同出力场景，基于的LSTM模型对不同出力场景下社区多能互动微电网的负荷；
通过深度学习获取多电站出力与外界环境、社区负荷波动的相关性；
根据成本最优及波动最小获取约束信息，基于粒子群算法结合约束信息生成社区多能互动微电网供电***的能量调度管理控制方法。
需要说明的是，根据目标区域内风光电站集群、储能***集群及社区负荷集群生成聚合数据集，在聚合数据集中将对各个样本点设置集群类别标签，对聚合数据集中的样本点进行聚类；在聚合数据集中社区负荷标签下选取目标社区负荷样本点作为初始聚类中心，判断聚合数据集中各类别标签下各样本点对初始聚类中心的欧式距离，筛选出各个类别标签下的最短距离；根据风光电站样本点及储能***样本点的地理特征设置距离权重，根据最短距离获取社区负荷标签下每个样本点选取为下一个聚类中心的概率，计算公式为：
，其中，
为最短距离，
为数据集中第i个样本点，
为数据集中第i个样本点到聚类中心的距离，迭代训练后基于概率获取预设数量的聚类中心例如轮盘赌法；迭代训练后基于概率获取预设数量的聚类中心；根据所述距离权重计算聚合数据集中各样本点到各聚类中心的距离，将样本点指派至与其距离最近的聚类中心构成聚类结果，当标准测度函数满足预设标准或迭代次数大于等于最大迭代次数，则结束聚类；当相关数据集中所有样本划分结束后，求取聚类结果
中每个类簇的均值作为新的聚类中心
，设
为第
个类簇的样本总数，
为该类簇的第
个样本，聚类中心点求取方法具体为：
选定标准测度函数
及最大迭代次数
，若
或迭代次数大于等于
，结束聚类流程，取最后一次运算结果为最终聚类结果，选取最后一次运算结果为最终聚类结果，否则继续迭代聚类；建立社区负荷样本点及周围的风光电站样本点及储能***样本点的内在联系，根据最终聚类结果生成多个社区多能互动微电网。
根据本发明实施例，根据目标区域的环境信息及气象信息构建不同出力场景，具体为：
获取目标社区负荷样本点的聚类结果对应的微电网，根据微电网获取对社区进行供电的风光电站及储能***的作用原理，分别建立出力模型；
根据风光电站的基础参数构建各电站的物理模型，根据电站机组的能量转化结合设备的使用年限及破损情况进行调整优化，基于物理模型及优化后的能量转化效率生成出力模型；
获取各风光电站及储能***的历史运行数据，将所述历史运行数据设置环境信息及气象信息数据标签，通过历史运行数据提取最佳工作环境中各风光电站及储能***对应出力模型的输出功率；
同时，提取相关性能参数获取不同季节中不同气候的出力模型输出功率，根据不同季节中不同气候的出力模型输出功率与最佳工作环境中出力模型输出功率的功率偏差率确定对应季节气候的权重信息；
提取当前区域的环境信息及气象信息，基于目标社区负荷样本点对应的风光电站及储能***的出力模型结合环境气候对应的权重特征获取出力特征，根据所处出力特征构建出力场景。
需要说明的是，通过目标社区负荷样本点预设时间内的历史负荷数据，将所述历史负荷数据匹配时间戳生成历史负荷时序序列，根据历史负荷时序序列获取历史负荷数据的分布特征；根据季节因素设置季节权重，通过历史环境信息及气候信息提取温湿度及温度信息，将所述季节权重结合温湿度及温度信息生成人体舒适度指数；利用人体舒适度指数与历史负荷数据进行匹配，并设置人体舒适度指数阈值将历史负荷数据进行筛选，并将分布特征进行修正；根据修正后的历史负荷数据分布特征生成训练集，通过所述训练集对LSTM模型进行训练，当预测精度评估指标符合预设标准时，输出模型；获取预设时间后预测日的环境信息及气象信息，获取对应出力场景，将预测日的人体舒适度指数预设值输入LSTM模型对所述出力场景的社区负荷进行预测，其中，人体舒适度指数
的公式为：
其中，
，
，
为可变参数，基于所在地的环境气候计算所得，
为季节权重，
为湿度，
为所在度基准温度，
为风速。
通过深度学习获取多电站出力与外界环境、社区负荷波动的相关性根据不同季节及不同气象下的出力场景获取典型日出力场景，将所述典型日出力场景划分为预设数量的调度时间段，将调度时间段与实时电价进行匹配；根据社区负荷样本点的历史负荷数据获取各典型日处理场景中的社区负荷变化，根据所述社区负荷变化结合调度时间段获取社区负荷波动；通过各风光电站及储能***的历史运行数据提取各典型日出力场景中不同调度时间段各出力模型的出力特征，将风光电站及储能***的出力模型的出力特征与社区负荷波动及典型日出力场景对应的环境气象信息结合；基于典型日出力场景中不同调度时间段各出力模型的出力特征获取风电场及光电厂出力的频率信息及出力特征作为深度学习的训练数据，通过深度学习获取风光电站与社区负荷波动的相关性；通过所述相关性对LSTM模型进行调整添加风光电站出力预测模块，通过所述风光电站出力预测模块对预测日的风光电站出力进行预测。
根据本发明实施例，根据成本最优及波动最小获取约束信息，基于粒子群算法结合约束信息生成社区多能互动微电网供电***的能量调度管理控制方法，具体为：
根据社区负荷样本点的微电网运行成本最小及微电网负荷的波动标准差最小为目标，通过粒子群算法构建微电网能量调度管理模型；
通过社区负荷的预测值设置电力供需平衡约束，结合风光电站的发电功率约束及储电***的充放电约束生成约束信息；
确定预测日的出力场景，根据所述出力场景及风光电站的出力预测值对约束信息进行相关参数的设置，基于微电网运行成本最小及微电网负荷的波动标准差最小定义目标函数；
初始化粒子群的种群参数，设置参数的运动范围、速度范围、最大迭代次数及学习因子，通过适应度计算获取迭代优化后粒子的最优解及所在群体的最优解，判断粒子是否满足约束条件，若满足则引入混沌算子更新粒子的速度及位置；
计算更新后粒子的适应度，将获取的适应度与历史最优解进行比较，将历史最优解进行更新，直到满足迭代结束要求，输出最优解设置风光电站的出力参数，进行微电网的能源调度管理。
需要说明的是，基于微电网运行成本最小及微电网负荷的波动标准差最小定义目标函数，微电网运行成本包括设备更换费用、运维费用，包含风机、光伏、蓄电池、变流器的花费，主电网购电的成本等，将各个费用成本作为单一变量在各个调度时间段进行相加，并微电网中多余发电量在社区负荷小于预设负荷时出售给主电网，获取微电网的最小总成本，将最小总成本为目标进行优化，目标函数为
，其中
表示微电网的运行成本，
表示光伏电站的设备成本，
表示风机成本在微电网，
表示设备运维成本，
表示设备折旧成本，
表示从主电网购电成本，
表示向主电网售电；负荷的波动标准差最小的目标函数为
，其中，
表示微电网中当前出力场景的各个调度时间段的负荷标准差，
表示微电网与主电网的互动效率，
表示微电网中当前出力场景的各个调度时间段的平均值，
表示调度时间段总数，
表示调度时间段项数。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括一种基于多能互动的能源网管理优化方法程序，所述一种基于多能互动的能源网管理优化方法程序被处理器执行时，实现如上述任一项所述的一种基于多能互动的能源网管理优化方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于多能互动的能源网管理优化方法，其特征在于，包括以下步骤：
获取目标区域内各风光电站集群、储能***集群及社区负荷集群，根据社区负荷样本点将各集群中的样本点进行聚类分析，构建多个社区多能互动微电网；
根据目标区域的环境信息及气象信息构建不同出力场景，基于的LSTM模型对不同出力场景下社区多能互动微电网的负荷；
通过深度学习获取多电站出力与外界环境、社区负荷波动的相关性；
根据成本最优及波动最小获取约束信息，基于粒子群算法结合约束信息生成社区多能互动微电网供电***的能量调度管理控制方法。
2.根据权利要求1所述的一种基于多能互动的能源网管理优化方法，其特征在于，根据社区负荷样本点将各集群中的样本点进行聚类分析，构建多个社区多能互动微电网，具体为：
根据目标区域内风光电站集群、储能***集群及社区负荷集群生成聚合数据集，在聚合数据集中将对各个样本点设置集群类别标签，对聚合数据集中的样本点进行聚类；
在聚合数据集中社区负荷标签下选取目标社区负荷样本点作为初始聚类中心，判断聚合数据集中各类别标签下各样本点对初始聚类中心的欧式距离，筛选出各个类别标签下的最短距离；
根据风光电站样本点及储能***样本点的地理特征设置距离权重，根据最短距离获取社区负荷标签下每个样本点选取为下一个聚类中心的概率，迭代训练后基于概率获取预设数量的聚类中心；
根据所述距离权重计算聚合数据集中各样本点到各聚类中心的距离，将样本点指派至与其距离最近的聚类中心构成聚类结果，当标准测度函数满足预设标准或迭代次数大于等于最大迭代次数，则结束聚类；
建立社区负荷样本点及周围的风光电站样本点及储能***样本点的内在联系，根据最终聚类结果生成多个社区多能互动微电网。
3.根据权利要求1所述的一种基于多能互动的能源网管理优化方法，其特征在于，根据目标区域的环境信息及气象信息构建不同出力场景，具体为：
获取目标社区负荷样本点的聚类结果对应的微电网，根据微电网获取对社区进行供电的风光电站及储能***的作用原理，分别建立出力模型；
根据风光电站的基础参数构建各电站的物理模型，根据电站机组的能量转化结合设备的使用年限及破损情况进行调整优化，基于物理模型及优化后的能量转化效率生成出力模型；
获取各风光电站及储能***的历史运行数据，将所述历史运行数据设置环境信息及气象信息数据标签，通过历史运行数据提取最佳工作环境中各风光电站及储能***对应出力模型的输出功率；
同时，提取相关性能参数获取不同季节中不同气候的出力模型输出功率，根据不同季节中不同气候的出力模型输出功率与最佳工作环境中出力模型输出功率的功率偏差率确定对应季节气候的权重信息；
提取当前区域的环境信息及气象信息，基于目标社区负荷样本点对应的风光电站及储能***的出力模型结合环境气候对应的权重特征获取出力特征，根据所处出力特征构建出力场景。
4.根据权利要求1所述的一种基于多能互动的能源网管理优化方法，其特征在于，基于的LSTM模型对不同出力场景下社区多能互动微电网的负荷，具体为：
通过目标社区负荷样本点预设时间内的历史负荷数据，将所述历史负荷数据匹配时间戳生成历史负荷时序序列，根据历史负荷时序序列获取历史负荷数据的分布特征；
根据季节因素设置季节权重，通过历史环境信息及气候信息提取温湿度及温度信息，将所述季节权重结合温湿度及温度信息生成人体舒适度指数；
利用人体舒适度指数与历史负荷数据进行匹配，并设置人体舒适度指数阈值将历史负荷数据进行筛选，并将分布特征进行修正；
根据修正后的历史负荷数据分布特征生成训练集，通过所述训练集对LSTM模型进行训练，当预测精度评估指标符合预设标准时，输出模型；
获取预设时间后预测日的环境信息及气象信息，获取对应出力场景，将预测日的人体舒适度指数预设值输入LSTM模型对所述出力场景的社区负荷进行预测。
5.根据权利要求1所述的一种基于多能互动的能源网管理优化方法，其特征在于，通过深度学习获取多电站出力与外界环境、社区负荷波动的相关性，具体为：
根据不同季节及不同气象下的出力场景获取典型日出力场景，将所述典型日出力场景划分为预设数量的调度时间段，将调度时间段与实时电价进行匹配；
根据社区负荷样本点的历史负荷数据获取各典型日处理场景中的社区负荷变化，根据所述社区负荷变化结合调度时间段获取社区负荷波动；
通过各风光电站及储能***的历史运行数据提取各典型日出力场景中不同调度时间段各出力模型的出力特征，将风光电站及储能***的出力模型的出力特征与社区负荷波动及典型日出力场景对应的环境气象信息结合；
基于典型日出力场景中不同调度时间段各出力模型的出力特征获取风电场及光电厂出力的频率信息及出力特征作为深度学习的训练数据，通过深度学习获取风光电站与社区负荷波动的相关性；
通过所述相关性对LSTM模型进行调整添加风光电站出力预测模块，通过所述风光电站出力预测模块对预测日的风光电站出力进行预测。
6.根据权利要求1所述的一种基于多能互动的能源网管理优化方法，其特征在于，根据成本最优及波动最小获取约束信息，基于粒子群算法结合约束信息生成社区多能互动微电网供电***的能量调度管理控制方法，具体为：
根据社区负荷样本点的微电网运行成本最小及微电网负荷的波动标准差最小为目标，通过粒子群算法构建微电网能量调度管理模型；
通过社区负荷的预测值设置电力供需平衡约束，结合风光电站的发电功率约束及储电***的充放电约束生成约束信息；
确定预测日的出力场景，根据所述出力场景及风光电站的出力预测值对约束信息进行相关参数的设置，基于微电网运行成本最小及微电网负荷的波动标准差最小定义目标函数；
初始化粒子群的种群参数，设置参数的运动范围、速度范围、最大迭代次数及学习因子，通过适应度计算获取迭代优化后粒子的最优解及所在群体的最优解，判断粒子是否满足约束条件，若满足则引入混沌算子更新粒子的速度及位置；
计算更新后粒子的适应度，将获取的适应度与历史最优解进行比较，将历史最优解进行更新，直到满足迭代结束要求，输出最优解设置风光电站的出力参数，进行微电网的能源调度管理。
7.一种基于多能互动的能源网管理优化***，其特征在于，该***包括：存储器、处理器，所述存储器中包括一种基于多能互动的能源网管理优化方法程序，所述一种基于多能互动的能源网管理优化方法程序被所述处理器执行时实现如下步骤：
获取目标区域内各风光电站集群、储能***集群及社区负荷集群，根据社区负荷样本点将各集群中的样本点进行聚类分析，构建多个社区多能互动微电网；
根据目标区域的环境信息及气象信息构建不同出力场景，基于的LSTM模型对不同出力场景下社区多能互动微电网的负荷；
通过深度学习获取多电站出力与外界环境、社区负荷波动的相关性；
根据成本最优及波动最小获取约束信息，基于粒子群算法结合约束信息生成社区多能互动微电网供电***的能量调度管理控制方法。
8.根据权利要求7所述的一种基于多能互动的能源网管理优化***，其特征在于，基于的LSTM模型对不同出力场景下社区多能互动微电网的负荷，具体为：
通过目标社区负荷样本点预设时间内的历史负荷数据，将所述历史负荷数据匹配时间戳生成历史负荷时序序列，根据历史负荷时序序列获取历史负荷数据的分布特征；
根据季节因素设置季节权重，通过历史环境信息及气候信息提取温湿度及温度信息，将所述季节权重结合温湿度及温度信息生成人体舒适度指数；
利用人体舒适度指数与历史负荷数据进行匹配，并设置人体舒适度指数阈值将历史负荷数据进行筛选，并将分布特征进行修正；
根据修正后的历史负荷数据分布特征生成训练集，通过所述训练集对LSTM模型进行训练，当预测精度评估指标符合预设标准时，输出模型；
获取预设时间后预测日的环境信息及气象信息，获取对应出力场景，将预测日的人体舒适度指数预设值输入LSTM模型对所述出力场景的社区负荷进行预测。
9.根据权利要求7所述的一种基于多能互动的能源网管理优化***，其特征在于，根据成本最优及波动最小获取约束信息，基于粒子群算法结合约束信息生成社区多能互动微电网供电***的能量调度管理控制方法，具体为：
根据社区负荷样本点的微电网运行成本最小及微电网负荷的波动标准差最小为目标，通过粒子群算法构建微电网能量调度管理模型；
通过社区负荷的预测值设置电力供需平衡约束，结合风光电站的发电功率约束及储电***的充放电约束生成约束信息；
确定预测日的出力场景，根据所述出力场景及风光电站的出力预测值对约束信息进行相关参数的设置，基于微电网运行成本最小及微电网负荷的波动标准差最小定义目标函数；
初始化粒子群的种群参数，设置参数的运动范围、速度范围、最大迭代次数及学习因子，通过适应度计算获取迭代优化后粒子的最优解及所在群体的最优解，判断粒子是否满足约束条件，若满足则引入混沌算子更新粒子的速度及位置；
计算更新后粒子的适应度，将获取的适应度与历史最优解进行比较，将历史最优解进行更新，直到满足迭代结束要求，输出最优解设置风光电站的出力参数，进行微电网的能源调度管理。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中包括一种基于多能互动的能源网管理优化方法程序，所述一种基于多能互动的能源网管理优化方法程序被处理器执行时，实现如权利要求1至6中任一项所述的一种基于多能互动的能源网管理优化方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310047620.XA CN115796393B (zh) | 2023-01-31 | 2023-01-31 | 基于多能互动的能源网管理优化方法、***及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310047620.XA CN115796393B (zh) | 2023-01-31 | 2023-01-31 | 基于多能互动的能源网管理优化方法、***及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115796393A true CN115796393A (zh) | 2023-03-14 |
| CN115796393B CN115796393B (zh) | 2023-05-05 |
Family
ID=85429298
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310047620.XA Active CN115796393B (zh) | 2023-01-31 | 2023-01-31 | 基于多能互动的能源网管理优化方法、***及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115796393B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523277A (zh) * | 2023-07-05 | 2023-08-01 | 北京观天执行科技股份有限公司 | 一种基于需求响应的智慧能源管理方法及*** |
| CN117094478A (zh) * | 2023-10-19 | 2023-11-21 | 深圳库博能源股份有限公司 | 能量调度管理方法、装置、设备及存储介质 |
| CN117353359A (zh) * | 2023-12-05 | 2024-01-05 | 国网浙江省电力有限公司宁波供电公司 | 电池联合储能供电方法及*** |
| CN117578467A (zh) * | 2024-01-17 | 2024-02-20 | 苏州新能量能源科技有限公司 | 一种基于电量权重的微电网集群运行控制方法及装置 |
| CN117791612A (zh) * | 2024-02-26 | 2024-03-29 | 浙电(宁波北仑)智慧能源有限公司 | 一种资源集群调控方法、***、存储介质及计算机设备 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110048420A (zh) * | 2019-05-15 | 2019-07-23 | 广东电网有限责任公司 | 一种配电网随机优化调度的方法、装置和介质 |
| US20200161867A1 (en) * | 2018-11-15 | 2020-05-21 | Hefei University Of Technology | Method, system and storage medium for load dispatch optimization for residential microgrid |
| US20210398048A1 (en) * | 2020-06-19 | 2021-12-23 | Shandong University | Method and system for predicting building energy consumption based on holt-winters and extreme learning machine |
| CN114400712A (zh) * | 2022-01-12 | 2022-04-26 | 国网湖北省电力有限公司经济技术研究院 | 一种基于改进二阶粒子群算法的微电网群优化调度方法 |
| US11487273B1 (en) * | 2021-04-30 | 2022-11-01 | Dalian University Of Technology | Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms |
| CN115498694A (zh) * | 2022-10-18 | 2022-12-20 | 清华四川能源互联网研究院 | 多微电网组群规划方法、装置及电子设备 |
| CN115622096A (zh) * | 2022-10-27 | 2023-01-17 | 国网经济技术研究院有限公司 | 基于负荷特性的并网型微电网***容量配置方法及*** |
-
2023
- 2023-01-31 CN CN202310047620.XA patent/CN115796393B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200161867A1 (en) * | 2018-11-15 | 2020-05-21 | Hefei University Of Technology | Method, system and storage medium for load dispatch optimization for residential microgrid |
| CN110048420A (zh) * | 2019-05-15 | 2019-07-23 | 广东电网有限责任公司 | 一种配电网随机优化调度的方法、装置和介质 |
| US20210398048A1 (en) * | 2020-06-19 | 2021-12-23 | Shandong University | Method and system for predicting building energy consumption based on holt-winters and extreme learning machine |
| US11487273B1 (en) * | 2021-04-30 | 2022-11-01 | Dalian University Of Technology | Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms |
| CN114400712A (zh) * | 2022-01-12 | 2022-04-26 | 国网湖北省电力有限公司经济技术研究院 | 一种基于改进二阶粒子群算法的微电网群优化调度方法 |
| CN115498694A (zh) * | 2022-10-18 | 2022-12-20 | 清华四川能源互联网研究院 | 多微电网组群规划方法、装置及电子设备 |
| CN115622096A (zh) * | 2022-10-27 | 2023-01-17 | 国网经济技术研究院有限公司 | 基于负荷特性的并网型微电网***容量配置方法及*** |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116523277A (zh) * | 2023-07-05 | 2023-08-01 | 北京观天执行科技股份有限公司 | 一种基于需求响应的智慧能源管理方法及*** |
| CN116523277B (zh) * | 2023-07-05 | 2023-10-20 | 北京观天执行科技股份有限公司 | 一种基于需求响应的智慧能源管理方法及*** |
| CN117094478A (zh) * | 2023-10-19 | 2023-11-21 | 深圳库博能源股份有限公司 | 能量调度管理方法、装置、设备及存储介质 |
| CN117094478B (zh) * | 2023-10-19 | 2024-02-06 | 深圳库博能源股份有限公司 | 能量调度管理方法、装置、设备及存储介质 |
| CN117353359A (zh) * | 2023-12-05 | 2024-01-05 | 国网浙江省电力有限公司宁波供电公司 | 电池联合储能供电方法及*** |
| CN117353359B (zh) * | 2023-12-05 | 2024-04-12 | 国网浙江省电力有限公司宁波供电公司 | 电池联合储能供电方法及*** |
| CN117578467A (zh) * | 2024-01-17 | 2024-02-20 | 苏州新能量能源科技有限公司 | 一种基于电量权重的微电网集群运行控制方法及装置 |
| CN117578467B (zh) * | 2024-01-17 | 2024-03-29 | 苏州新能量能源科技有限公司 | 一种基于电量权重的微电网集群运行控制方法及装置 |
| CN117791612A (zh) * | 2024-02-26 | 2024-03-29 | 浙电(宁波北仑)智慧能源有限公司 | 一种资源集群调控方法、***、存储介质及计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115796393B (zh) | 2023-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115796393B (zh) | 基于多能互动的能源网管理优化方法、***及存储介质 | |
| CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
| JP5271162B2 (ja) | 設備計画作成装置及び設備計画作成方法 | |
| CN110188915A (zh) | 基于场景集的虚拟电厂中储能***优化配置方法及*** | |
| CN117013527A (zh) | 一种分布式光伏发电功率预测方法 | |
| CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
| CN116523277A (zh) | 一种基于需求响应的智慧能源管理方法及*** | |
| Lin et al. | A hybrid short-term load forecasting approach for individual residential customer | |
| Ikeda et al. | A new optimization strategy for the operating schedule of energy systems under uncertainty of renewable energy sources and demand changes | |
| CN112686571A (zh) | 基于动态自适应建模的综合智慧能源优化调度方法及*** | |
| CN115730755A (zh) | 一种双碳目标实现路径规划方法、装置、终端设备及介质 | |
| Hu et al. | Probabilistic electric vehicle charging demand forecast based on deep learning and machine theory of mind | |
| Mahmoud et al. | Advanced method for short‐term wind power prediction with multiple observation points using extreme learning machines | |
| CN116961052A (zh) | 一种分布式储能***的选址定容方法及*** | |
| CN117578532B (zh) | 一种智能电力调峰*** | |
| CN117439101B (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 | |
| Nasiri et al. | Data analytics and information technologies for smart energy storage systems: A state-of-the-art review | |
| CN115115193A (zh) | 一种工业园区低碳分析及优化规划方法 | |
| CN113887809A (zh) | 双碳目标下配电网供需平衡方法、***、介质及计算设备 | |
| CN113708418A (zh) | 微电网优化调度方法 | |
| CN116633016B (zh) | 一种基于高频数据采集技术的电力管理***和方法 | |
| Su et al. | Optimal placement and capacity sizing of energy storage systems via NSGA-II in active distribution network | |
| CN116362421A (zh) | 一种基于能源综合统筹分析的供能分配预测***及其方法 | |
| Chang et al. | The use of the peak-clipping method for energy management in households with energy storage equipment | |
| CN117578534B (zh) | 光伏储能***的调度方法、装置、设备及存储介质 |
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 |