一种基于多变量控制的风力发电综合用能分析管理的系统和方法
专利汇可以提供一种基于多变量控制的风力发电综合用能分析管理的系统和方法专利检索，专利查询，专利分析的服务。并且与常规电源不同， 风 力 发电很大程度上取决于实时的天气条件，随机变化的天气导致 风力 发电具有 波动 性，间接性，随机性的特点，对于运营规划和调动方案等各个方面都有很高的要求。在保证一定准确性的预测特定时间段的风力发电量的 基础 下，如何采用有效的用能分析工具合理高效的分配波动性较大的风力发电输出与传统化石 能源 发电输出的用量关系对于最大限度应用可再生的能源有着重要的作用。本 发明 提出一种结合多种预测方式的风力发电量预测数据和多变量控制的最优解方程的综合用能分析管理方法以做到科学高效的分配使用风力发 电能 源与传统化石能源补充，以最大化利用风力发电能力，最小化用能成本为目标，建立了考虑波动的风力发电量与储能容量优化等多方面的综合模型以提高用电对象对风力能源的利用效率，降低购电成本，实现经济价值最大化。，下面是一种基于多变量控制的风力发电综合用能分析管理的系统和方法专利的具体信息内容。
1.一种基于多变量控制的风力发电综合用能分析管理的系统和方法的特征在于，包括：
步骤一、根据用能对象的储能设备相关特性确定储能设备限制值，其中包括：
: 储能设备充电最大值限制 (MW/hour)
: 储能设备放电最大值限制 (MW/hour)
: 储能设备在小时 0存储电量, MW, ( 初始状态 )
: 储能设备, 存储电量的最大额度 (MW)
: 储能设备, 存储电量的最小额度 (MW)
: 储能设备一天充电次数；
步骤二：依据上海积成能源科技有限公司公开专利“一种基于梯度提升算法(Gradient Boosting)预测风力发电的系统模型”（专利申请号：202010099125.X）及“一种基于递归神经网络的长短期记忆模型来预测风力发电的系统模型”（专利申请号：202010108778.X）所述方法，取两种方法预测的风力发电系统的发电量 的平均值，
（风力发电系统在小时i的发电量预测值 (MW)）,
（风力发电系统在小时i的发电量预测值 (MW)）。
步骤三：依据上海积成能源科技有限公司公开专利“一种电力短期负荷预测系统及方法”（专利申请号： 201710989849.X）所述方法，预测用能对象短期用能负荷预测值 （用能对象在小时i的实际用能负荷预测值 (MW)）；
步骤四：根据前三步骤所确定的储能优化模型输入值，求解储能优化相关配置输出值，其中包括：
: 用户在小时i实际的购电量, MW
: 储能设备在小时i实际的放电量, MW
: 储能设备在小时i实际的充电量, MW,
: 储能设备在小时i实际的储电量, MW,
:储能设备在小时i 的充电状态, 状态0或1
:储能设备在小时i的放电状态, 状态0或1
运行储能优化模型，模型具体包括：
目标函数：
Min
函数目的为最小化用户的电网购电费用，最大化利用风力发电系统的发电量，函数运算限制条件：
1)整体用电量与电能供给量必须保持平衡，方程表示如下：
等式左边表示，用户在小时i 整体用电量 ( 自身实际的用电量和储能设备的充电量 )，等式右边表示, 用户在小时i 整体用电量的供给量 ( 购买电量和储能设备的放电量，以及风力发电系统发电量 )；
2)储能设备在小时i实际的充电量必须小于储能设备充电最大值限制，方程表示如下：
3)储能设备在小时i实际的放电量必须小于储能设备放电最大值限制，方程表示如下：
4)储能设备在小时i只能有一个状态, 要么是充电，要么是放电，方程表示如下：
5)储能设备在小时1 的储电量等于, 在小时0的储电量(初始状态)加上小时1的充电量减去小时1的放电量，
方程表示如下：
6)储能设备在小时i 的储电量等于, 在前一个小时的储电量加上小时i的充电量减去小时i的放电量，
方程表示如下：
7)储能设备上下限需保持在储能设备物理限制范围内；
方程表示如下：
等式表示: 储能设备在小时i 的储电量等于, 在前一个小时的储电量加上小时i的充电量减去小时i的放电量；
8)储能设备在一天时间内的充放电次数限制；
方程表示如下：
9)储能初始状态 (小时0)与结束状态 (小时24)必须保持一定的平衡；
方程表示如下：
：
依据上述九项限制条件，运用所述线性优化模型，求解目标函数（最小化电网购电费用），计算上述计算输出值,包括： : 用户在小时i实际的购电量, MW， : 储能设备在小时i实际的放电量, MW， : 储能设备在小时i实际的充电量, MW, : 储能设备在小时i实际的储电量, MW,:储能设备在小时i 的充电状态, 状态0或1, :储能设备在小时i的放电状态, 状态0或1；
步骤五：根据步骤四运算结果，记录小时i需要从电网购买的电量；
步骤六：根据步骤四运算结果，记录 :储能设备在小时i实际的放电量, MW，: 储能设备在小时i实际的充电量, MW, :储能设备在小时i实际的储电量, MW, :储能设备在小时i 的充电状态, 状态0或1， :储能设备在小时i的放电状态, 状态0或1；
步骤五及步骤六的输出值将作为电力负荷预测的输入值输入到短期电力负荷预测模型中去计算电力负荷预测值。
一种基于多变量控制的风力发电综合用能分析管理的系统和
方法
技术领域
背景技术
发明内容
具体实施方式
: 储能设备放电最大值限制 (MW/hour)
: 储能设备在小时 0存储电量, MW, ( 初始状态 )
: 储能设备, 存储电量的最大额度 (MW)
: 储能设备, 存储电量的最小额度 (MW)
: 储能设备一天充电次数。
: 储能设备在小时i实际的放电量, MW
: 储能设备在小时i实际的充电量, MW,
: 储能设备在小时i实际的储电量, MW,
:储能设备在小时i 的充电状态, 状态0或1
:储能设备在小时i的放电状态, 状态0或1
运行储能优化模型，模型具体包括：
目标函数：
Min
函数目的为最小化用户的电网购电费用，最大化利用风力发电系统的发电量，函数运算限制条件：
1)整体用电量与电能供给量必须保持平衡，方程表示如下：
等式左边表示，用户在小时i 整体用电量 ( 自身实际的用电量和储能设备的充电量 )。
等式右边表示, 用户在小时i 整体用电量的供给量 ( 购买电量和储能设备的放电量，以及风力发电系统发电量 )；
2)储能设备在小时i实际的充电量必须小于储能设备充电最大值限制，方程表示如下：
3)储能设备在小时i实际的放电量必须小于储能设备放电最大值限制，方程表示如下：
4)储能设备在小时i只能有一个状态, 要么是充电，要么是放电，方程表示如下：
5)储能设备在小时1 的储电量等于, 在小时0的储电量(初始状态)加上小时1的充电量减去小时1的放电量。方程表示如下：
6)储能设备在小时i 的储电量等于, 在前一个小时的储电量加上小时i的充电量减去小时i的放电量。方程表示如下：
7)储能设备上下限需保持在储能设备物理限制范围内。 方程表示如下：
等式表示: 储能设备在小时i 的储电量等于, 在前一个小时的储电量加上小时i的充电量减去小时i的放电量；
8)储能设备在一天时间内的充放电次数限制。方程表示如下：
9)储能初始状态 (小时0)与结束状态 (小时24)必须保持一定的平衡。方程表示如下：
：
依据上述九项限制条件，运用所述线性优化模型，求解目标函数（最小化电网购电费用），计算上述计算输出值,包括： : 用户在小时i实际的购电量, MW， : 储能设备在小时i实际的放电量, MW， : 储能设备在小时i实际的充电量, MW, : 储能设备在小时i实际的储电量, MW,:储能设备在小时i 的充电状态, 状态0或1, :储能设备在小时i的放电状态, 状态0或1。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种高温压力化成柜 | 2020-05-08 | 420 |
| 基于深度神经网络的风力涡轮机齿轮箱故障诊断方法 | 2020-05-08 | 317 |
| 一种用于风力发电装置的紧急电力保护装置 | 2020-05-08 | 275 |
| 风力发电机组的塔架门洞、塔架及风力发电机组 | 2020-05-08 | 852 |
| 具有多个风力涡轮发电机和发电厂控制器的风力发电厂 | 2020-05-08 | 677 |
| 安装段以及具有安装段的风力涡轮机 | 2020-05-11 | 35 |
| 一种智能化便携式风扇 | 2020-05-08 | 489 |
| 一种环保型风力选粉系统 | 2020-05-08 | 842 |
| 一种风力发电机组的激光通信装置 | 2020-05-11 | 129 |
| 一种具有良好制冷效果的变桨柜 | 2020-05-11 | 612 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
