CN115907393A - 一种含长时储能虚拟电厂的多时间尺度调度方法 - Google Patents
一种含长时储能虚拟电厂的多时间尺度调度方法 Download PDFInfo
- Publication number
- CN115907393A CN115907393A CN202211523892.4A CN202211523892A CN115907393A CN 115907393 A CN115907393 A CN 115907393A CN 202211523892 A CN202211523892 A CN 202211523892A CN 115907393 A CN115907393 A CN 115907393A
- Authority
- CN
- China
- Prior art keywords
- power plant
- day
- virtual power
- energy storage
- hydrogen
- 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.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 20
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 113
- 239000001257 hydrogen Substances 0.000 claims abstract description 113
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 112
- 238000012937 correction Methods 0.000 claims abstract description 53
- 239000000446 fuel Substances 0.000 claims abstract description 39
- 238000003860 storage Methods 0.000 claims abstract description 29
- 238000005096 rolling process Methods 0.000 claims abstract description 27
- 230000007774 longterm Effects 0.000 claims abstract description 23
- 238000003462 Bender reaction Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 description 11
- 238000005457 optimization Methods 0.000 description 10
- 230000009194 climbing Effects 0.000 description 6
- 230000005611 electricity Effects 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005868 electrolysis reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000010977 unit operation Methods 0.000 description 2
- 206010013496 Disturbance in attention Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000005251 gamma ray Effects 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Landscapes
- Fuel Cell (AREA)
Abstract
本发明公开了一种含长时储能虚拟电厂的多时间尺度调度方法,包括以下步骤:选择氢储能作为长时储能方式,构建氢储能***电解槽、燃料电池和储氢罐模型;分别以多日收益最大化和日前收益最大化为目标,构建子问题虚拟电厂多日调度和主问题日前调度模型的目标函数,并通过Benders割连接主、子问题;在多日与日前调度的基础上,构建考虑长时预测趋势的虚拟电厂双层滚动校正模型。在日前调度阶段对比分析是否考虑中长期趋势对虚拟电厂收益和调度的影响;并在滚动校正阶段对比分析是否考虑滚动校正和是否考虑长时预测趋势对虚拟电厂调度总成本和指令偏差成本的影响。
Description
技术领域
本发明涉及虚拟电厂应用技术领域,尤其涉及一种含长时储能虚拟电厂的多时间尺度调度方法。
背景技术
工业革命以来,全球气候变化、环境污染等问题日益严峻,“低碳清洁”发展模式成为全球能源***进行技术变革的必由之路。在全球能源结构转型的进程中,中国不断提高国家自主贡献力度,我国提出力争在2030年前碳排放达到峰值,争取在2060年前实现碳中和的目标。在这样的背景下,大力发展以风电、光伏为代表的新能源,建设以新能源为主体的绿色、低碳、安全、清洁的能源体系,实现能源转型和消费革命,是包括中国在内的全球大多数国家的共同选择。近年来,我国风电、光伏装机容量稳步提升,2020年,中国风电和光伏发电的累计装机容量分别达2.81亿千瓦和2.53亿千瓦,位居世界第一。然而,尽管风电、光伏的环境优势超过许多其他能源,其仍有许多缺点,限制了其更广泛的使用。特别是新能源发电具有随机性、波动性和“反调峰”等特点,导致“弃风弃光”问题严重而难以高效消纳,且对电网运行安全产生严重影响。为了促进新能源发电的高效利用,分布式电源、储能以及柔性负荷等灵活性资源在配用电侧兴起,用于提高输配电网的功率调节能力。然而,这些分布式能源因为容量小、数量多、分布不均,使得单机接入成本高,且对***运行人员通常不可见,管理困难。
虚拟电厂(virtual power plant,VPP)通过先进的测量、通信、控制技术手段,将单机输出功率小但电源数量多的分布式新能源发电单元与柔性负荷、储能等灵活性资源相结合,并利用更高层次的软件架构实现其参与电力市场及协调优化运行。虚拟电厂不会受到分布式能源的地理位置、运行特性等方面的约束,具有高度灵活性和适应性,成为了当今电力行业最具创新性的研究方向。
然而,新能源发电出力受气候气象因素的影响较大,在多日时间尺度上,可再生能源出力受天气因素影响,往往呈现出长时间、大幅度的波动性和随机性,具体表现可能为持续几天的高出力后紧接着持续几天的低出力情况,给虚拟电厂参与电力市场带来了较大困难,且在市场化条件下,对虚拟电厂自身的收益也带来了较大影响。因此,利用长时储能减少可再生能源出力长时间、大幅度的波动性和随机性问题是提高新能源消纳的一个重要发展方向。在各种长时储能方式中,氢储能在储能密度和储能时间等方面具有优势,氢能是一种高密度的能源载体,可以利用储氢罐长期储存,而且储氢罐的单位能量存储成本也相对较低,能够有效应对因新能源发电长时间、大幅度的波动性引发的有功动态平衡问题。
因此,考虑虚拟电厂利用氢储能作为长时储能的大规模长时间存储优势应对新能源发电的长时间、大幅度的波动性问题,在传统虚拟电厂日前调度和日内滚动调度机制的基础上考虑新能源多日长时波动趋势,构建多日与日前尺度的双层调度模型和长时与短时间尺度的双层反馈校正模型。在多日与日前尺度上,子问题为基于滚动优化的虚拟电厂中长期全时段优化调度模型,并考虑电量约束;主问题为并行的虚拟电厂日前优化调度模型,以日前优化调度收益最大化为优化目标。在日前与日内尺度的滚动校正阶段,考虑日内长时预测趋势对调度结果的影响,子问题为考虑长时段预测趋势的虚拟电厂滚动校正模型;主问题为日内短时间尺度滚动校正模型,以修正成本最小化为目标函数。
发明内容
本发明的目的在于,提供一种含长时储能虚拟电厂的多时间尺度调度方法,新能源出力的长时间、大幅度的波动性和随机性给虚拟电厂参与电力市场带来了较大困难,并对虚拟电厂自身的收益也带来了较大影响。因此,选择氢储能作为长时储能,在传统虚拟电厂日前调度和日内滚动调度机制的基础上考虑新能源多日长时波动趋势,构建多日与日前尺度的双层调度模型和日内长时与短时尺度的双层反馈校正模型,并采用Benders分解法求解。
本发明提供了一种含长时储能虚拟电厂的多时间尺度调度方法,选择氢储能作为长时储能的方式,所述虚拟电厂包括风电机组、光伏电站、氢储能***和电负荷。所述氢储能***包括电解槽、氢燃料电池和储氢罐;所述电负荷中包含A类和B类可中断负荷。其中,氢储能***通过电解水制氢将新能源发电富裕时段电能转化为氢气,存储在储氢罐中,在电能需求高峰时段供给氢燃料电池供电,减少与上级电网下发调度指令的偏差,减少偏差惩罚成本,从而实现虚拟电厂收益最大化。所述调度方法包括以下步骤:
步骤1、构建氢储能***模型,包括电解槽、氢燃料电池和储氢罐的模型;
步骤2、子问题以虚拟电厂多日收益最大化为目标函数,构建虚拟电厂多日调度模型;
步骤3、主问题以虚拟电厂日前收益最大化为目标函数,构建虚拟电厂日前调度模型;
步骤4、构建主问题、子问题的Benders可行割求解;
步骤5、构建子问题长时段虚拟电厂滚动校正和主问题短时间虚拟电厂反馈校正双层模型。
优选地,所述步骤1进一步包括以下子步骤:
步骤S11、构建电解槽模型;
步骤S12、构建氢燃料电池模型;
步骤S13、构建储氢罐模型。
优选地,所述步骤2的目标函数如下所示:
上式中,Ii,d(XLT)、Ci,d(XLT)分别为第d天运行收益和成本指标函数,XLT为多日优化变量。
优选地,所述步骤3的目标函数如下所示:
上式中,Ii,t(XDA)、Ci,t(XDA)分别为第t时段运行收益和成本指标函数,XDA为日前优化变量。
优选地,步骤4进一步包括以下子步骤:
步骤S41、解的可行性检验:判断主问题的T时段末尾氢储能容量值与子问题得到的第d天末氢储能容量公差是否小于ε,如下所示:
若最终结果满足上式,则解满足最优性检验,不产生Benders割,迭代结束得到主问题虚拟电厂日前各设备出力即为最优解;
步骤S42、若最终结果不满足上式,说明此次迭代所得的解并非最优解,则子问题需向主问题返回Benders割进行修正,其连接形式如下所示:
优选地,所述步骤5进一步包括以下子步骤:
步骤S51、构建子问题考虑长时段预测趋势的虚拟电厂滚动校正模型;
步骤S52、构建主问题短时间虚拟电厂反馈校正模型;
步骤S53、将主问题和子问题求解的氢储能容量值进行可行性检验,若满足条件则获得最优解;若不满足条件,构建Benders割进行修正。
附图说明
图1是一种含长时储能虚拟电厂的多时间尺度调度方法流程图;
图2是多日风电与光伏预测电量图;
图3是多日调度量与负荷预测电量图;
图4是日前风电与光伏预测出力图;
图5是本日前调度指令与负荷预测图;
图6是多日和日前尺度的电解槽、燃料电池出力计划图;
图7是多日和日前尺度的氢储能容量图;
图8是滚动校正阶段扩展短期风电预测出力和超短期风电预测出力图;
图9是滚动校正阶段扩展短期光伏预测出力和超短期光伏预测出力图;
图10是滚动校正阶段扩展短期负荷预测和超短期负荷预测图;
图11是日前调度与滚动校正电解槽出力对比图;
图12是日前调度与滚动校正氢燃料电池出力对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供了一种含氢储能虚拟电厂的多时间尺度调度方法,具体流程如图1所示,具体包括以下步骤:
步骤1、构建包含电解槽、储氢罐和氢燃料电池的氢储能***模型,包括电解槽、储氢罐和氢燃料电池设备的模型以及***整体的模型;
步骤1进一步包括以下子步骤:
步骤S11、构建电解槽模型:
步骤S12、构建氢燃料电池模型:
其中,uHFC为氢燃料电池的输出电压;Eeq为氢燃料电池的开路电压;ηact、ηohm、ηcon分别为活化极化损耗电压、欧姆损耗电压和浓差损耗电压;F、MH2分别为法拉第常数和氢气摩尔质量;
步骤S13、构建储氢罐模型:
储氢罐储存电解槽生成的氢气,为氢燃料电池提供氢气,给氢燃料汽车补充燃料并向市场出售氢气获得利润,将储氢罐中的氢气质量表示为如下式所示:
步骤2、子问题以虚拟电厂多日收益最大化为目标函数,以1天为时间间隔,以1周为优化调度周期,构建虚拟电厂多日调度模型的目标函数,实施滚动优化,其目标函数如下式所示:
式中,Ii,d(XLT)、Ci,d(XLT)分别为第d天运行收益和成本指标函数,XLT为多日优化变量;所述目标函数采用***运行集约束,包括虚拟电厂整体电量约束和各设备电量约束;所述各项的含义分别如下:
虚拟电厂售电收益表示为如下式所示:
风电、光伏的运行维护成本表示为如下式所示:
氢储能的成本包括电解槽、氢燃料电池和储氢罐的运行维护成本,被表示为如下式所示:
可中断负荷的成本包括A类和B类可中断负荷的补偿成本,被表示为如下式所示:
虚拟电厂与调度指令偏差的惩罚成本表示为如下式所示:
所述目标函数采用***运行集约束,包括虚拟电厂整体电量约束和各设备电量约束,其中虚拟电厂整体电量约束表达为如下所示:
所述设备电量约束包括电解槽电量约束、氢燃料电池电量约束、储氢罐质量约束和可中断负荷调用电量约束,分别表示为:
电解槽电量约束被表示为如下所示:
氢燃料电池电量约束被表示为如下所示:
储氢罐容量约束被表示为如下所示:
可中断负荷电量约束被表示为如下所示:
其中,kIL,A、kIL,B分别为A类以及B类可中断负荷的负荷中断系数;
步骤3、主问题以虚拟电厂日前收益最大化为目标函数,具体考虑虚拟电厂的功率平衡约束和各设备运行约束,构建虚拟电厂日前调度模型,其目标函数如下所示:
式中,Ii,t(XDA)、Ci,t(XDA)分别为第t时段运行收益和成本指标函数,XDA为日前优化变量;
虚拟电厂的各项收益和成本被表示为如下所示:
其中,表示t时段的日前电能量市场电价; 分别表示t时段虚拟电厂的日前调度指令、风电、光伏、电解槽、氢燃料电池出力、A类以及B类可中断负荷响应量和调度指令偏差量;分别表示t时段的削减状态,其值为0表示t时段不削减,其值为1表示在t时段被削减。
所述目标函数采用***运行集约束,包括虚拟电厂功率平衡约束和个人、各设备运行约束,分别表达为如下所示:
日前尺度虚拟电厂功率平衡约束被表示为如下所示:
所述设备运行约束包括电解槽启停、出力及爬坡约束、燃料电池启停、运行及爬坡约束、储氢罐容量约束和可中断负荷削减状态和调用量约束,分别表示为:
电解槽启停、出力及爬坡约束被表示为如下所示:
氢燃料电池启停、运行及爬坡约束被表示为如下所示:
储氢罐容量约束被表示为如下所示:
步骤4、构建主问题、子问题的Benders可行割求解,步骤4进一步包括以下子步骤:
步骤S41、解的可行性检验:判断主问题的24时段末尾氢储能容量值与子问题得到的第d天(d=1)末氢储能容量公差是否小于ε,如下所示:
若最终结果满足上式,则解满足最优性检验,不产生Benders割,迭代结束得到主问题虚拟电厂日前各设备出力即为最优解;
步骤S42、若最终结果不满足上式,说明此次迭代所得的解并非最优解,则子问题需向主问题返回Benders割进行修正,其连接形式如下所示:
步骤5、进一步考虑预测误差等因素导致的调度计划与实际运行之间的偏差,在日前计划基础上通过更新风电、光伏出力以及负荷预测数据进行滚动校正。为了兼顾长时预测趋势的影响,构建子问题长时段虚拟电厂滚动校正和主问题短时间虚拟电厂反馈校正双层模型,步骤5进一步包括以下子步骤:
步骤S51、考虑日内长时预测趋势对反馈校正结果的影响,以扩展短期预测为基础,15分钟为启动周期构建子问题考虑长时段预测趋势的虚拟电厂滚动校正模型,滚动校正在日前调度结果的基础上做出修正。当滚动校正开始时段t0超过日前市场出清时间Tclear时,此时虚拟电厂可根据出清结果获得第d+1天的日前调度计划,此时滚动校正的优化时间尺度ΔT可取24h;当滚动校正开始时段t0未达到日前市场出清时间Tclear时,虚拟电厂无法获得第d+1天的日前调度计划,此时滚动修正的优化时间尺度为从t0+1时段到第d天末T的剩余时段,其目标函数如下所示:
式中,Ci,t(X1)为t时段修正成本指标函数,X1为滚动校正优化变量;日前调度确定的、可控机组设备的启停计划以及A类可中断负荷的响应量为定值,不再进行相关优化;反馈校正阶段约束条件形式与日前调度总体类似,不过由于日前调度已经确定可控机组启停计划以及A类可中断负荷响应量,因此反馈校正中不存在可控机组的启停约束以及A类可中断负荷响应量以及削减计划约束;
步骤S52、以超短期预测为基础,15分钟为滚动时间间隔做滚动计算,构建主问题4h时段短时间尺度滚动校正模型,其目标函数与子问题相似,均为修正成本最小化,但时间尺度缩减为Δt=4h,如下所示:
约束条件与子问题相同;
步骤S53、将主问题、子问题求解的氢储能容量值进行可行性检验,若满足条件则获得最优解;若不满足条件,构建Benders割进行修正;
虚拟电厂由1个风电场、1个光伏电站、1台电解制氢装置,1台氢燃料电池,1个储氢罐和负荷(其中包括A类以及B类可中断负荷)组成;所述电解制氢装置的最大功率为10MW,爬坡率为4MW;所述燃料电池的最大功率为10MW,爬坡率为8MW;所述储氢罐的最大容量为2000kg,最小容量为200kg,初始容量为1000kg;A类可中断负荷响应量不超过总负荷的10%,B类可中断负荷的响应量不超过总负荷的5%;电价数据见表1所示;中长期风电与光伏、调度指令与负荷预测见图2和图3;日前风电与光伏、调度指令与负荷预测见见图4和图5。相关计算均在英特尔酷睿i5-7400处理器3.00GHz,8GB内存计算机上完成,采用MATLAB对算例进行编程求解。
表1电价表
为对比分析本发明实施例所引入评估方法模型的有效性与正确性:
Case1:本发明的多日与日前尺度的双层调度模型;
Case2:不考虑多日预测结果影响的日前调度模型;
采用上述两种方案所得收益情况对比和指令偏差量情况结果对比的结果分别如表2、表3所示。
表2两种方案收益结果对比
表3两种方案指令偏差量结果对比
相比于未考虑多日趋势影响的Case2,Case1通过中长期与日前双层调度,提高了虚拟电厂总收益,减少了调度指令偏差量。电解槽、氢燃料电池的出力计划见图6;氢储能容量的变化量见图7。
进一步考虑预测误差等因素导致的调度计划与实际运行之间的偏差,本发明在多日与日前调度基础上,构建考虑长时预测趋势的双层反馈校正模型;风电、光伏与负荷预测见图8、图9和图10。
为对比分析本发明实施例所引入评估方法模型的有效性与正确性:
Case1(考虑长时预测趋势的日内反馈校正策略):在日前调度计划基础上,根据本发明的双层反馈校正策略求解VPP内HESS设备和B类IL的日内修正计划;
Case2(日内反馈校正策略):在日前调度计划基础上,采用4h滚动校正策略求解VPP内HESS设备和B类IL的日内修正计划;
Case3(DA-P策略):由日前误差导致的VPP调度计划偏差不由VPP内HESS设备和B类IL调度计划进行修正;
采用上述三种方案所得收益情况对比和指令偏差量情况结果对比的结果分别如表4、表5所示。
表4三种方案总成本对比
表5三种方案偏差惩罚成本对比
由表4和表5可以看出,采用本发明提出的考虑长时预测趋势的双层反馈校正策略Case1,相比于未考虑预测趋势的日内反馈校正策略Case2和未进行反馈校正的DA-P策略Case3,偏差惩罚成本和总成本均有下降,提升了虚拟电厂运行经济性。
采用本发明提出的考虑长时预测趋势的双层反馈校正策略,电解槽、燃料电池的优化结果分别如图11、图12所示;
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (6)
1.一种含长时储能虚拟电厂的多时间尺度调度方法,其特征在于,所述虚拟电厂选择氢储能作为长时储能方式,虚拟电厂包括风电机组、光伏电站、氢储能***和电负荷,氢储能***包括电解槽、氢燃料电池和储氢罐,电负荷包含A类和B类可中断负荷;所述调度方法包括以下步骤:
步骤1、构建氢储能***模型,包括电解槽、氢燃料电池和储氢罐的模型;
步骤2、子问题以虚拟电厂多日收益最大化为目标函数,构建虚拟电厂多日调度模型;
步骤3、主问题以虚拟电厂日前收益最大化为目标函数,构建虚拟电厂日前调度模型;
步骤4、构建主问题、子问题的Benders可行割求解;
步骤5、构建子问题长时段虚拟电厂滚动校正和主问题短时间虚拟电厂反馈校正双层模型。
2.如权利要求1所述一种含长时储能虚拟电厂的多时间尺度调度方法,其特征在于,所述步骤1进一步包括以下子步骤:
步骤S11、构建电解槽模型;
步骤S12、构建氢燃料电池模型;
步骤S13、构建储氢罐模型。
5.如权利要求1所述一种含长时储能虚拟电厂的多时间尺度调度方法,其特征在于,所述步骤4进一步包括以下子步骤:
步骤S41、解的可行性检验:判断主问题的T时段末尾氢储能容量值与子问题得到的第d天末氢储能容量公差是否小于ε,如下所示:
若最终结果满足上式,则解满足最优性检验,不产生Benders割,迭代结束得到主问题虚拟电厂日前各设备出力即为最优解;
步骤S42、若最终结果不满足上式,说明此次迭代所得的解并非最优解,则子问题需向主问题返回Benders割进行修正,其连接形式如下所示:
6.如权利要求1所述一种含长时储能虚拟电厂的多时间尺度调度方法,其特征在于,所述步骤5进一步包括以下子步骤:
步骤S51、构建子问题考虑长时段预测趋势的虚拟电厂滚动校正模型;
步骤S52、构建主问题短时间虚拟电厂反馈校正模型;
步骤S53、将主问题和子问题求解的氢储能容量值进行可行性检验,若满足条件则获得最优解;若不满足条件,构建Benders割进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211523892.4A CN115907393A (zh) | 2022-12-01 | 2022-12-01 | 一种含长时储能虚拟电厂的多时间尺度调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211523892.4A CN115907393A (zh) | 2022-12-01 | 2022-12-01 | 一种含长时储能虚拟电厂的多时间尺度调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907393A true CN115907393A (zh) | 2023-04-04 |
Family
ID=86470695
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211523892.4A Pending CN115907393A (zh) | 2022-12-01 | 2022-12-01 | 一种含长时储能虚拟电厂的多时间尺度调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907393A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116231765A (zh) * | 2023-05-09 | 2023-06-06 | 上海融和元储能源有限公司 | 一种虚拟电厂出力控制方法 |
-
2022
- 2022-12-01 CN CN202211523892.4A patent/CN115907393A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116231765A (zh) * | 2023-05-09 | 2023-06-06 | 上海融和元储能源有限公司 | 一种虚拟电厂出力控制方法 |
CN116231765B (zh) * | 2023-05-09 | 2023-09-19 | 上海融和元储能源有限公司 | 一种虚拟电厂出力控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yousri et al. | Integrated model for optimal energy management and demand response of microgrids considering hybrid hydrogen-battery storage systems | |
Palma-Behnke et al. | Energy management system for a renewable based microgrid with a demand side management mechanism | |
Palma-Behnke et al. | A microgrid energy management system based on the rolling horizon strategy | |
CN111293691A (zh) | 基于模型预测控制的微电网多时间尺度优化调度方法 | |
CN114336702B (zh) | 基于双层随机规划的风光储场站群功率分配协同优化方法 | |
Ju et al. | A Tri-dimensional Equilibrium-based stochastic optimal dispatching model for a novel virtual power plant incorporating carbon Capture, Power-to-Gas and electric vehicle aggregator | |
Allwyn et al. | A comprehensive review on energy management strategy of microgrids | |
CN107947166B (zh) | 一种基于动态矩阵控制的多能微网变时调度方法及装置 | |
CN116599148A (zh) | 一种面向新能源消纳的氢电混合储能两阶段协同规划方法 | |
CN115759610A (zh) | 一种电力***源网荷储协同的多目标规划方法及其应用 | |
CN117077974A (zh) | 虚拟电厂资源优化调度方法、装置、设备及存储介质 | |
CN115907393A (zh) | 一种含长时储能虚拟电厂的多时间尺度调度方法 | |
Yang et al. | A multi-timescale coordinated optimization framework for economic dispatch of micro-energy grid considering prediction error | |
CN116961008A (zh) | 计及电力弹簧与负荷需求响应的微电网容量双层优化方法 | |
Han et al. | Analysis of economic operation model for virtual power plants considering the uncertainties of renewable energy power generation | |
Roy et al. | Stochastic power allocation of distributed tri-generation plants and energy storage units in a zero bus microgrid with electric vehicles and demand response | |
CN114358361A (zh) | 一种计及需求响应的微电网多时间尺度优化调度方法 | |
CN113872252B (zh) | 一种多能互动火电源侧发电效率优化方法及装置 | |
CN113794244B (zh) | 含多微网主动配电***的定价与最优能量调度方法和*** | |
US20230185258A1 (en) | Operation plan creation device, operation plan creation method, and operation plan creation program | |
CN118281865A (zh) | 一种面向区域电网的多时间尺度调度优化方法及*** | |
Li et al. | A Forecasting Based Hierarchical Energy Management for Sustainable Data Centers | |
CN117578449A (zh) | 一种计及可再生能源不确定性的多能微能网优化调度方法 | |
Wang et al. | Coordinated scheduling of wind-solar-hydrogen-battery storage system for techno-economic-environmental optimization of hydrogen production | |
Yang et al. | Optimal scheduling of wind-photovoltaic-hydrogen system with alkaline and proton exchange membrane electrolyzer |
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 |