基于分布式能源的煤矿带式输送机与蓄电池协同经济调度策略.pdf

第 53 卷 第 9 期 2020 年 9 月 天津大学学报自然科学与工程技术版 Journal of Tianjin University Science and Technology Vol. 53 No. 9 Sep. 2020 收稿日期2019-07-03；修回日期2019-09-07. 作者简介穆云飞（1984 ） ，男，博士，副教授. 通信作者穆云飞，yunfeimu. 基金项目国家自然科学基金资助项目U1766210，51677124；国家电网浙江省电力公司科技项目5211DS17001D． Supported by the National Natural Science Foundation of ChinaNo. U1766210，No. 51677124，the Science and Technology Project of SGCC of Zhejiang Province，ChinaNo. 5211DS17001D. DOI10.11784/tdxbz201907004 基于分布式能源的煤矿带式输送机与蓄电池 协同经济调度策略 穆云飞 1，姚泰昂1，贾宏杰1，赵 波2，张雪松2，倪筹帷2 1. 天津大学智能电网教育部重点实验室，天津 300072；2. 国网浙江省电力公司电力科学研究院，杭州 310014 摘 要带式输送机是煤矿中运输煤炭的重要设备．为了解决煤矿带式输送机电费成本过高的问题，基于带式输送 机变速控制技术，将分布式可再生发电设备引入到带式输送系统运行过程当中；通过对带式输送机带速、煤流量的 协调控制，实现设备的满载运行和分布式能源出力的本地消纳；进而引入分时电价，通过对带式输送机运行参数和 蓄电池充放电功率的协同优化引导转移设备高电价时期负荷，实现带式输送机能耗和运行成本的降低．首先对含风 机、光伏和蓄电池的煤矿带式输送机系统进行建模，建立带式输送机动态能耗模型，构建以运行成本最低为目标、 以分布式能源发电消纳为约束的带式输送机与蓄电池协同经济调度策略．算例验证表明应用所提控制策略可显著 减少带式输送机能耗和设备磨损，并节省设备电费成本达 38.39．在此基础上分析了蓄电池容量和带式输送机带速 变化率对调度结果的影响，结果表明合理的储能容量和带速变化率取值对带式输送系统经济运行至关重要． 关键词带式输送机；蓄电池；协同调度；分布式能源消纳 中图分类号TM921.07 文献标志码A 文章编号0493-2137202009-0951-08 Coordinated Economic Scheduling Strategy for Coal Mine Belt Conveyor and Battery Based on Distributed Energy Mu Yunfei1，Yao Tai’ang1，Jia Hongjie1，Zhao Bo2，Zhang Xuesong2，Ni Chouwei2 1. Key Laboratory of Smart Grid of Ministry of Education，Tianjin University，Tianjin 300072，China； 2. Zhejiang Electric Power Research Institute of State Grid Corporation of China，Hangzhou 310014，China AbstractThe belt conveyor is important equipment for coal transportation in coal mines．In order to solve the prob- lem of the high electricity cost of the belt conveyor in coal mines，distributed generation was introduced into the op- eration process of the belt conveyor system based on the technology of variable speed control of the con- veyor．Through coordinated control of the speed and feed rate of the belt conveyor，a full-load operation state of the equipment and local consumption of distributed generation can be realized．The time-of-day tariff was introduced to transfer the load during periods of high electricity pricing by optimizing the operating parameters of the belt conveyor and the charging/discharging power of the battery so as to reduce energy consumption and operating costs．First，a model of a coal mine belt conveyor system with wind turbines，photovoltaic battery is proposed，and a dynamic energy model of the conveyor is established．A coordinated economic scheduling model of the belt conveyor and battery is proposed，which was constrained by consumption of the distributed generation，aiming at the lowest oper- ating cost．An example showed that the proposed control strategy significantly reduced energy consumption and equipment wear of the belt conveyor，and saved 38.39 of the electricity cost．On this basis，the influences of stor- age capacity of the battery and ramp rate of the belt speed on dispatching results were analyzed．Results showed that reasonable storage capacity value and belt speed ramp rate were very important for economical operation of the belt 952 天津大学学报自然科学与工程技术版 第 53 卷 第 9 期 conveyor system． Keywordsbelt conveyor；battery；coordinated scheduling；consumption of distributed generation 煤炭工业作为我国能源的主要生产和供应部门， 能耗巨大． 据统计， 2016 年我国煤炭开采和选洗业环 节电力消费高达 847.04 亿 kWh[1]． 降低煤矿企业 电耗， 是提升企业经济效益的迫切需求． 带式输送机 作为一种连续运输设备， 被广泛地应用于煤矿中散料 煤炭的运输， 其能耗仅次于采掘系统， 占到煤矿生产 用电的 17以上[2]． 目前， 煤矿企业日生产计划根据 年计划产量制定， 带式输送机通常保持恒定带速运 行． 考虑到带式输送机额定运量与计划产量之间存 在不匹配现象， 其经常处于半载甚至空载状态， 造成 了极大电能浪费． 在带式输送机节能领域， Mathaba 等[3]和 Zhang 等[4]构建了适用于带式输送机运行调度的电耗模型， 并通过模型预测控制方法对带式输送机带速进行优 化； Luo 等[5]进一步提出了一种闭环模型预测控制方 法， 提高了调度模型应对扰动的能力； He 等[6-8]基于 带式输送机动力学特征， 提出了一种改进三步法确定 最小调速时间， 提高了速度控制的适用性； Mathaba 等[9]通过变速控制、 利用下坡带式输送机所储蓄的势 能以及与电网互动来降低电耗成本； Zhang 等[10]比较 了开关控制和变速控制两种控制方式， 验证了变速控 制在节能减损方面的优势． 近些年， 随着可再生能源和蓄电池技术的进一步 发展， 其在位置本地性和运行灵活性上的优势使之成 为研究热点[11-12]． 夏永洪等[13]、 石庆均等[14]、 甘霖 等[15]研究了含可再生能源的微网经济优化调度策 略， 在保证分布式能源有效消纳的基础上降低微网的 运行成本； 朱泽锋等[16]通过对电池储能进行充放电 控制， 实现了分布式电源波动功率的消纳， 最小化配 电网向主网的购电成本； 许健等[17]、 茆美琴等[18]将光 伏微电网发电模式引入到工业领域， 给出了适合工业 微电网的储能系统充放电策略和经济性分析方法； 岳 吉祥等[19]考虑分布式能源在油田中的应用， 提出利 用风力发电驱动电潜泵泵油， 案例表明， 利用分布式 能源可有效降低电潜泵电耗和成本． 综上分析， 目前对于煤矿带式输送机的运行优化 仅考虑了带式输送机本身， 而对配置了分布式能源和 蓄电池的输煤系统联合运行优化问题研究较少． 为 此， 本文构建了以运行成本最低为目标、 以分布式能 源消纳为约束的带式输送机与蓄电池联合经济调度 模型． 通过对带式输送机带速、 煤流量以及蓄电池充 放电功率进行协同优化， 不仅可充分利用分布式能源 供电， 同时可充分挖掘带式输送机的带速灵活调节能 力， 转移高电价时期负荷， 为煤矿企业节约大量运行 成本． 1 应用场景 本文选取煤矿快速装载终端处的带式输送机对 本文方法进行应用． 图 1 给出了煤矿快速装载终端示意， 图中 vt为 带式输送机第 t 时段带速， m/s； qt为带式输送机煤流 量， 即单位时间内带式输送机运输的煤炭量， t/h； Rmax为快速装载终端筒仓容量， t． 带式输送机将露天 存放的煤炭运送到筒仓中， 在火车到来时控制阀门对 火车进行煤炭装载． 选择对该处带式输送机进行优 化控制的原因如下． 1 能耗大． 该处带式输送机承担了煤矿大多 数煤炭的运输， 能耗在整个带式输送机组占比最 高． 同时， 考虑到火车装载速率远大于带式输送机的 供给速率， 因此带式输送机总是在火车进行装载时工 作于高功率状态， 而火车到来时间一般处于高电价 期， 由此导致带式输送机电费成本高， 节电潜力大． 2 工作时间灵活可控． 该处带式输送机一端 连接露天堆煤场， 另一端连接筒仓， 其工作强度仅受 火车到来时间影响， 较其他带式输送机灵活可控． 3 独立性强． 该带式输送机运行不受其他带 式输送机工作的影响， 可单独进行优化控制． 为简化分析过程， 本文做出以下假设 1 假设露天堆煤场始终有足够的煤炭； 2 假设煤炭从带式输送机首端传输到末端的 时间为 0， 即忽略带式输送机运送煤炭的时间． 图 1 快速装载终端示意 Fig.1 Schematic diagram of rapid loading terminal 2 带式输送机-分布式能源-蓄电池联合调度 模型 图 2 给出了一个由带式输送机、 蓄电池、 风机和 2020 年 9 月 穆云飞等基于分布式能源的煤矿带式输送机与蓄电池协同经济调度策略 953 光伏组成的典型输煤系统． 图 2 带式输送机-分布式能源-蓄电池输煤系统 Fig.2 Coal transmission system consisting of belt con- veyor， distributed generation， and battery 系统运行目标是通过控制带式输送机带速和煤 流量， 在保证分布式能源充分利用的前提下， 挖掘筒 仓以及蓄电池转移负荷的能力， 实现转移高电价时期 负荷， 降低煤炭企业运输成本的目的． 下面对该系统 各单元进行分别建模， 进而给出带式输送机与蓄电池 协同优化调度模型． 2.1 系统建模 2.1.1 带式输送机 通过建立带式输送机能耗与带速、 煤流量之间的 数学关系， 为带式输送机与蓄电池联合优化提供数学 基础．带式输送机能耗模型构建一般是基于 ISO 5048、 DIN 22101、 JIS B 8805 等标准和规范建立[20-22]. 该模型可反映带式输送机在标准设计参数下的能耗， 但由于带式输送机维修、 磨损等因素， 其实际能耗往 往偏离标准值． 为此， 本文选用改进的带式输送机能 耗模型[4]， 其公式为 22 2 1234T, 1 3.6 ttt ttttt t v qq q vvqP v θθθθ η ⎛⎞ ⎜⎟ ⎝⎠ 1 式中 PT,t为带式输送机第 t 时段的功率， kW； θ1、 θ2、 θ3、 θ4为带式输送机能耗模型的计算参数， 通常由带 式输送机结构参数计算得到或者通过参数辨识方法 得到； η 为带式输送机系统效率， 其计算式为 dm ηη η 2 式中 ηm为电动机的效率； ηd为驱动系统的效率． 本 文中带式输送机的参数选用文献[4]中的数据， 因此 可直接得到计算参数的值． 2.1.2 蓄电池 本文采用简化的蓄电池数学模型[23-24]为 ch,bt, bt, dis,bt, 0 0 tt t tt PP P PP ⎧ ⎪ ⎨− ⎪⎩ ≥ 3 bt,bt,0bt,bt 1 t ti i WWPtη Δ ∑ 4 chbt, bt disbt, 0 1/ 0 i i P P η η η ⎧ ⎪ ⎨ ⎪⎩ ≥ 5 式中 Pbt,t为第 t 时段蓄电池出力， kW； Pch,t和 Pdis,t分 别为第 t 时段蓄电池的输入和输出功率， kW； Wbt,t为 第 t 时段蓄电池电量， kWh； Wbt,0为蓄电池初始电 量， kWh； Δt 为单位调度时间， h； ηbt为蓄电池的能 量转换效率； ηch和 ηdis分别为蓄电池的能量输入和输 出转换效率． 2.1.3 风机 本文风机模型[25]为 wwinwout 2 WT,wwwmaxinwR wmaxRwout 0 , t tt t P vvvvv PP vABvCvPvvv P vPvvv ⎧ ⎪ ⎨ ⎪ ⎩ ≥ ≤ ≤ 6 式中 PWT,t为第 t 时段风机出力， kW； Pmax为风机额 定出力， kW； vw为风机所在地自然风风速； vin和 vout 分别为风机的切入风速和切出风速； vR为风机额定 风速． 各类风速单位均为 m/s； 多项式系数 A、 B、 C 为 风机出力非线性部分的拟合系数， 其数值与风机切入 风速和额定风速有关． 2.1.4 光伏阵列 本文光伏模型[25]为 PV,lightt PnESη 7 式中 PPV,t为第 t 时段光伏出力， kW； n 为光伏板数 量； E 为自然环境下光照强度折算到光伏电池倾斜面 的光照强度， kW/m2； S 为单块光伏板面积， m2； ηlight 为光能转换效率． 2.2 目标函数 本文以一个优化周期内的运行成本最低为目标， 即 ph,ex, 1 min N tt t CPt ⎧ Δ⎡ ⎨ ⎣ ⎩∑ bt,btWT,WTPV,PVttt PCtPCtPCt⎤Δ Δ Δ ⎦ 1 2 1 1 N tt t vvω − ⎫ − ⎬ ⎭ ∑ 8 一个优化周期内的运行成本由 3 部分组成， 式 8中第 1 部分为系统购电成本 其中 N 为一个调度 周期内调度总时段数； Pex,t为第 t 时段购电功率， kW； Cph,t为第 t 时段电价， 元/kWh； 第 2 部分为 954 天津大学学报自然科学与工程技术版 第 53 卷 第 9 期 蓄电池、 风机、 光伏的维护成本 其中 Cbt、 CWT、 CPV 分别为蓄电池、 风机和光伏单位时间单位功率的使用 维护成本， 元/kWh； 第 3 部分为带式输送机带速 变化的惩罚项． 带式输送机带速变化快慢影响其使 用寿命， 因此在目标函数中加入了带速变化的惩罚项 来平衡经济指标和技术指标 本文中定义惩罚项为罚 因子与前后时段带速变化的平方的乘积， 其中ω 为罚 因子． 2.3 约束条件 约束条件包括带式输送机相关约束、 蓄电池相关 约束和电功率相关约束． 其中各变量中下标 t 代表第 t 时段取值， 其值满足 t＝1， 2， ， N． 1 带式输送机带速约束为 minmaxt vvv≤≤ 9 式中 vmax和 vmin分别为带式输送机带速上、 下限， m/s． 2 在带式输送机运输过程中， 为防止带速较低 而煤流量较高导致煤炭溢出， 带式输送机带速和煤流 量存在约束， 分别为 3.6 t t t q m v 10 minmaxt mmm≤≤ 11 式中 mt为第 t 时段带式输送机单位长度承受质量； mmax和 mmin分别为带式输送机单位长度承受质量 上、 下限， kg/m． 3 筒仓容量限制为 1train,tttt RRqtqt − Δ −Δ 12 max 0 t RR≤≤ 13 式中 Rt为第t时段筒仓内煤炭存量， t； qtrain,t为第 t 时段火车装载煤炭速率， t/h． 4 电功率平衡约束为 ex,T,bt,WT,PV,ttttt PPPPP−− 14 5 为保证分布式能源本地消纳， 令购电功率为 正， 即 ex, 0 t P≥ 15 6 蓄电池充放电功率约束、 蓄电池电量约束以 及一个调度周期内的电储能平衡约束分别为 bt,minbt,bt,maxt PPP≤≤ 16 minmax SOCSOCSOC t ≤≤ 17 bt, SOC t t W W 18 bt, 1 0 N i i Pt Δ ∑ 19 式中 bt,max P和 bt,min P分别为蓄电池充放电功率上、 下 限， kW； SOCt为蓄电池第 t 时段荷电状态； SOCmax和 SOCmin分别为蓄电池荷电状态上、 下限； W 为蓄电池 容量， kWh． 上述所提到的优化模型为非线性优化模型， 本文 在 MATLAB 中调用 fmincon 函数， 通过内点法对上 述经济优化调度模型进行求解[26]． 这里要说明的一 点是本文所提出的方法是在运行调度层面上对带式 输送机运行工况进行优化， 故暂不考虑分布式能源设 备的容量配置、 配比和投资问题， 而对蓄电池的容量 配置问题在算例中有所体现． 3 算例分析 3.1 算例数据 对图 2 中带式输送机、 分布式能源与蓄电池进行 经济优化调度分析． 考虑一天 24h 的优化调度， 每隔 1h 取一个时间段． 案例中筒仓的容量为 4000t， 初 始时筒仓内有 100t 的煤炭． 货运火车煤炭装载速率 以及分时电价情况如图 3 和图 4 所示． 图 3 火车装载速率 Fig.3 Loading rate of train 图 4 分时电价 Fig.4 Time-of-day tariff 带式输送机、 蓄电池、 风机、 光伏的参数如表 1 和表 2 所示． 2020 年 9 月 穆云飞等基于分布式能源的煤矿带式输送机与蓄电池协同经济调度策略 955 表 1 带式输送机参数 Tab.1 Parameters of the belt conveyor θ1 θ2 θ3 θ4 ηd ηm vmin/ms -1 vmax/ms -1 mmin/kgm -1 mmax/kgm -1 0.000 237 33 8 566.3 0.003 151.68 0.945 0.940 80 4 0 200 表 2 蓄电池、风机、光伏参数 Tab.2 Parameters of battery， wind turbines， and photovoltaic SOCmin/SOCmax Wbt,0/kWh Pbt,min/kW Pbt,max/kW ηch/ηdis vR/ms -1 0.2/0.8 70 -100 100 0.9/0.9 14 vin/ms -1 vout/ms -1 W/kWh Pmax/kW A, B, C n 4 25 200 20 0.124 9， 0.112 8， 0.009 37 15 S/m2 ηlight Cbt/元kWh -1 CWT/元kWh -1 CPV/元kWh -1 ω 19.81 0.15 0.02 0.11 0.08 50 本文选取我国北方夏季某典型日太阳辐射强度 和风速数值， 得到光伏、 风机出力预测曲线如图 5 所示． 图 5 光伏、 风机出力预测曲线 Fig.5 Predicted curves of PV and wind power output 为了对比优化控制策略对带式输送机运行情况 的影响， 本文设置 3 个场景进行对比分析， 3 个场景 均配置相同的分布式能源设备． 场景 1 带式输送机以固定的带速2m/s恒速 运行， 即目前大多数煤矿带式输送机的运行方式． 场景 2 以带式输送机运行成本最低为目标， 不 考虑储能， 对带式输送机带速和煤流量进行匹配控 制， 以实现降低运行成本的目的． 场景 3 在场景2的基础上加入容量为200kW h 的蓄电池进行联合优化． 3.2 仿真结果 本节首先比较了 3 种场景下带式输送机的运行 情况， 验证本文所提方法的正确性． 进而针对加装蓄 电池会带来前期的投资和日常维护等一系列成本的 问题， 对不同储能容量下带式输送机购电功率和日电 费成本进行分析． 最后， 考虑到带式输送机带速变化 快慢决定其使用寿命， 因此对不同罚因子下带式输送 机运行情况进行分析． 3.2.1 3 种场景比较 图 6 给出了 3 种场景下带式输送机购电功率 情况． 图 6 3种场景下购电功率 Fig.6 Purchased electrical power in three scenarios 在场景 1 中， 带式输送机保持定速运行， 能耗较 高． 与此同时， 在接入分布式能源后， 由于带速保持 恒定， 无法利用带式输送机灵活消纳分布式能源出 力， 导致风机切除了部分出力如图 6 中阴影所示； 场景 2 采用变速控制实现了带速与煤流量的匹配， 降 低了能耗， 考虑了分时电价， 转移了部分高峰负 荷． 同时， 在场景 2 中通过对带速和煤流量的控制， 使带式输送机功率与分布式能源出力互补， 在本地消 纳了风机光伏的出力． 但由于筒仓容量以及火车到 来时间的限制， 场景 2 的用电负荷仍在高电价时期形 成高峰， 仍有节约电费潜力可供挖掘； 场景 3 在场景 2 基础上加入了容量为 200kWh 的蓄电池， 有效转 移了高峰负荷， 降低了电费成本． 图 7 给出了场景 3 中蓄电池充放电功率情况． 由图 7 所示， 蓄电池在低电价时进行充电， 在高 电价时进行放电， 辅助带式输送机进行负荷的转 移． 由此带式输送机在 18 0021 00 高电价时期的 购电功率有所下降， 实现了运行成本的进一步降低． 3 种场景下带式输送机日电费成本如表 3 所 示． 其中， 场景 3 与场景 1 相比日电费成本下降 38.39； 与场景 2 相比， 日电费成本下降 15.88． 956 天津大学学报自然科学与工程技术版 第 53 卷 第 9 期 图 7 蓄电池充放电功率 Fig.7 Charging and discharging power of battery 表 3 不同场景下日电费成本 Tab.3 Daily electricity cost under different scenarios 场景 日电费成本/元 1 543.41 2 397.98 3 334.77 3.2.2 不同储能容量比较 由第 3.2.1 节的结果可以看出， 加入蓄电池使得 带式输送机高峰用电负荷降低， 电费成本也随之下 降， 本节针对不同储能容量下带式输送机购电功率及 日电费成本进行分析， 以体现蓄电池储能容量对调度 结果的影响． 图 8 给出了储能容量从 100～350kWh 下带式 输送机的购电功率． 可见随着储能容量增加， 高电价 时期18 0021 00购电功率逐渐降低， 因此电费 成本也随之下降． 图 8 不同储能容量下购电功率 Fig.8 Purchased electrical power with different energy storage capacities 图 9 给出了不同储能容量下带式输送机日电费 成本情况． 随着储能容量的增加， 带式输送机的日电 费成本也随之下降， 在储能容量为 250kWh 时， 曲 线下降的速度变慢， 这是由于此时蓄电池的充放电功 率已达到其额定充放电功率， 蓄电池无法在高电价时 期18 0021 00继续增大放电功率来供带式输送 机使用．此时蓄电池增加了在平价时期11 00 18 00的放电量， 因此电费成本仍处于下降趋势， 但 是下降速度变慢． 当储能容量为 300kWh 时， 再增 加储能容量已无法降低带式输送机电费成本， 日电费 成本达到最低， 为 317.09 元． 图 9 不同储能容量下日电费成本 Fig.9Daily electricity cost with different energy storage capacities 3.2.3 惩罚项分析 带式输送机带速变化快慢决定了其使用寿命， 本 文将带式输送机带速变化速度作为惩罚项整合到目 标函数中， 实现了经济指标与技术指标的兼顾． 本节 针对罚因子大小对带式输送机带速和日电费成本的 影响进行研究． 图 10 给出了不同罚因子ω 下带式输送机带速变 化情况． 随着罚因子增大， 带式输送机带速变化趋于 平缓， 其电费成本如表 4 所示． 图 10 不同ω ω下带速情况 Fig.10 Belt speed with different ω ω 表 4 不同ω ω下日电费成本 Tab.4 Daily electricity cost with different ω ω 罚因子ω 日电费成本/元 0 333.83 50 334.77 100 346.53 200 350.54 由表 4 可知， 当罚因子由 0 增加到 50 时， 带式 输送机日电费成本有所增加， 而其带速变化速度下降 较大； 再增加罚因子的值， 带式输送机日电费成本持 2020 年 9 月 穆云飞等基于分布式能源的煤矿带式输送机与蓄电池协同经济调度策略 957 续增加， 但此时带速曲线变化不大， 因此本文中选取 罚因子为 50， 同时兼顾了经济效益和带式输送机使 用寿命的技术指标． 4 结 论 本文针对煤矿带式输送机运行进行优化控 制． 通过对带式输送机带速、 煤流量和蓄电池的协同 控制， 充分利用筒仓容量和分布式能源出力， 挖掘煤 矿带式输送机转移高电价时期负荷， 降低电费成本的 潜力， 提出了一种基于分布式能源的煤矿带式输送机 与蓄电池协同经济调度策略， 结论如下 1 通过对带式输送机带速、 煤流量以及蓄电池 充放电功率进行协同调节， 可有效转移高电价时期负 荷， 同时充分利用分布式能源降低煤矿企业的电费 成本； 2 随着蓄电池容量的增长， 带式输送机的日电 费成本随之下降， 其下降速度呈现先快后慢最后停止 的趋势， 因此考虑到系统经济性， 有必要对储能系统 的容量进行优化； 3 带式输送机带速变化快慢对日电费成本产 生影响． 带速变化项罚因子越小即带速变化率越 大， 带式输送机日电费成本越少， 但考虑到带速变 化过快会降低带式输送机的使用寿命， 因此惩罚因子 的制定需兼顾系统经济性需求和技术指标要求． 在今后的研究中， 将对以下几个方面进行进一步 的研究 1 本文并未考虑可再生能源出力的波动性和 随机性特点， 可能会造成控制策略越限导致无法执 行． 因此在未来的工作中将构建考虑可再生能源不 确定性的出力模型． 同时本文储能容量的配置仅考 虑了经济性因素， 而对其应对可再生能源波动性问题 并未进行考量， 这将在未来的工作中有所体现； 2 在未来研究工作中， 将对分布式能源和蓄电 池的容量、 配比、 前期投资成本和投资回收年限等问 题进行详细讨论， 开展基于分布式能源的带式输送系 统优化配置方法研究． 参考文献 ［1］ 中华人民共和国国家统计局. 中国统计年鉴 2018[M]. 北京中国统计出版社，2018. National Bureau of Statistics of the People’s Republic of China. Statistical Yearbook of China 2018[M]. Beijing China Statistics Press，2018in Chinese. ［2］ 高之翔. 节能导向的煤矿大型机电设备协同控制技术 [D]. 淮南安徽理工大学电子信息学院，2017. Gao Zhixiang. Energy Saving Oriented Collaborative Control Technology for Large Scale Electromechanical Equipment in Coal Mine[D]. HuainanSchool of Elec- trical and Ination Engineering，Anhui University of Science and Technology，2017in Chinese. ［3］ Mathaba T，Xia Xiaohua. A parametric energy model for energy management of long belt conveyors[J]. Energies，2015，81213590-13608. ［4］ Zhang Shirong，Xia Xioahua. Modeling and energy efficiency optimization of belt conveyors[J]. Applied Energy，2011，8893061-3071. ［5］ Luo Jia，Huang Weijian，Zhang Shirong. Energy cost optimal operation of belt conveyors using model predic- tive control ology[J]. Journal of Cleaner Produc- tion，2015，105196-205. ［6］ He Daijie，Pang Yusong，Lodewijks G. Speed control of belt conveyors during transient operation[J]. Powder Technology，2016，301622-631. ［7］ He Daijie，Pang Yusong，Lodewijks G. Green opera- tions of belt conveyors by means of speed control[J]. Applied Energy，2017，188330-341. ［8］ He Daijie，Pang Yusong，Lodewijks G，et al. Healthy speed control of belt conveyors on conveying bulk mate- rials[J]. Powder Technology，2018，327408-419. ［9］ Mathaba T，Xia Xiaohua. Optimal and energy efficient operation of conveyor belt systems with downhill con- veyors[J]. Energy Efficiency，2016，1021-13. ［10］ Zhang Shirong，Xia Xiaohua. Optimal control of opera- tion efficiency of belt conveyor systems[J]. Applied En- ergy，2010，8761929-1937. ［11］ 茆美琴，丁 勇，王杨洋，等. 微网未来能源互 联网系统中的“有机细胞”[J]. 电力系统自动化， 2017，41191-11，45. Mao Meiqin，Ding Yong，Wang Yangyang，et al. Mi- crogridan“organic cell” for future energy intercon- nection system[J]. Automation of Electric Power Sys- tems，2017，41191-11，45in Chinese. ［12］ 余贻鑫. 面向 21 世纪的智能电网[J]. 天津大学学 报自然科学与工程技术版，2020，536551-556. Yu Yixin. A brief discription of the basics of the smart grid[J]. Journal of Tianjin University Science and Tech- nology，2020，536551-556in Chinese. ［13］ 夏永洪，吴虹剑，辛建波，等. 考虑风/光/水/储多源 互补特性的微网经济运行评价方法[J]. 电力自动化设 备