CN110544935B - 一种电-氢多能互补直流微电网协调调度方法 - Google Patents

Abstract

本发明公开一种电‑氢多能互补直流微电网协调调度方法，基于上述电‑氢多能互补直流微电网，建立所述电‑氢多能互补直流微电网协调调度方法，包括步骤：初始化各个系统；日前预测可再生能源发电系统出力及本地负荷需求；基于预测功率及电储能系统储量SOC、氢能系统储量SOHC进行日前经济调度；实时超短期预测光伏、风机出力及本地负荷需求；根据超短期预测结果，对日前经济调度结果进行实时滚动优化。本发明通过日前及在线的协调调度，保证了电‑氢多能互补直流微电网的正常运作，保证了系统的最优运行，减小了不确定性带来的影响；且提升系统的经济性，提高微电网的工作效率。

Description

一种电-氢多能互补直流微电网协调调度方法

技术领域

本发明属于直流微电网技术领域，特别是涉及一种电-氢多能互补直流微电网协调调度方法。

背景技术

随着全球的经济增长、社会进步及人口增加，全球能源需求量不断增加。伴随电力需求的不断增长，在能源需求与环境保护的双重压力下，既可以提高能源利用率，又能充分利用可再生能源的分布式发电相关技术领域得到了重视。大力发展分布式发电技术，充分利用可再生能源成为解决未来能源问题的主要出路。

相较于大电网，微电网的发展历程相对较短，但微电网的应用推广已日趋成熟，但微电网既能高效率解决分布式电源的大规模分散接入问题，也可作为传统电网的有益补充，是使分布式发电成为传统电网可接纳利用能源的有效载体。由于分布式能源的不确定性及随机性，进行分布式电源、储能与负荷之间的功率优化调度，是微电网的主要研究方向。

在新能源体系中，氢能是一种理想的二次能源，与其他能源相比，氢热值高，其能量密度(140MJ/kg)是固体燃料(50MJ/kg)的两倍多。且燃烧产物为水，是最环保的能源，既能以气、液相的形式存储在高压罐中，也能以固相的形式储存在储氢材料中。因此，氢被认为是最有希望取代传统化石燃料的能源载体。因此，氢作为能量媒介可以通过电解水(碱性液体电解、固体聚合物电解)与燃料电池技术实现高效率的互相转换，具备成比例放大到电网规模应用的潜力

国内少有基于电-氢多能互补直流微电网的协调调度方法，国际上的调度方法主要分为基于单一优化方法进行日前的调度及在线调度两种，这些方法较少地考虑到系统中的非线性函数，且日前调度方法并未考虑日前预测值与实际值的误差，而在线调度一般不为全局优化，其优化结果随系统不同出现一定的偏差，其储能系统储能状态不佳。

发明内容

为了解决上述问题，本发明提出了一种电-氢多能互补直流微电网协调调度方法，通过日前及在线的协调调度，保证了电-氢多能互补直流微电网的正常运作，保证了系统的最优运行，减小了不确定性带来的影响；且提升系统的经济性，提高微电网的工作效率。

为达到上述目的，本发明采用的技术方案是：一种电-氢多能互补直流微电网协调调度方法，电-氢多能互补直流微电网包括可再生能源发电系统、氢能系统、电储能系统、并网系统以及调度系统，所述可再生能源发电系统、氢能系统和电储能系统均连接至直流母线，所述直流母线通过并网系统连接至配电网，所述调度系统连接至各个系统，实现对各个系统的最优调度；所述可再生能源发电系统包括光伏发电子系统、风力发电子系统及其变流器，所述氢能系统包括质子膜交换燃料电池、储氢罐以及碱式电解槽及其直直变换器，所述电储能系统包括蓄电池及其直直变换器；所述碱式电解槽及质子交换膜燃料电池均与储氢罐进行连接；所述并网系统包括逆变器，实现直流微电网与配电网的联系；所述可再生能源发电系统为微电网的主要供能系统，电储能系统、氢能系统以及并网系统为微电网提供或者吸收电能；

基于上述电-氢多能互补直流微电网，建立所述电-氢多能互补直流微电网协调调度方法，包括步骤：

S100，初始化各个系统；

S200，日前预测可再生能源发电系统出力及本地负荷需求；

S300，基于预测功率及电储能系统储量SOC、氢能系统储量SOHC进行日前经济调度；

S400，实时超短期预测光伏、风机出力及本地负荷需求；

S500，根据超短期预测结果，对日前经济调度结果进行实时滚动优化。

进一步的是，通过所述调度系统，实现微电网区域天气状况及用户用电历史数据读取，实时测量光伏及风力发电输出、本地负荷需求、电储能系统储量SOC、以及氢能系统储量SOHC。

进一步的是，所述调度系统包括日前调度系统和实时调度系统；

所述日前调度系统中对光伏阵列、风力发电机出力及本地负荷进行日前预测，并根据预测结果，结合SOC、SOHC值进行日前最优经济调度，并将调度结果传送至实时调度系统；

在所述实时调度系统中，首先从该时刻起进行可再生能源发电系统出力及负荷需求的超短期预测，基于日前调度系统的调度结果，对预测中出现的误差进行修正，完成调度并将调度指令传递至可再生能源发电系统、并网系统、氢能系统及电储能系统，实现运行控制。

进一步的是，在所述步骤S200中，所述日前预测可再生能源发电系统出力及本地负荷需求，包括步骤：根据天气预测数据及历史数据，对所属子系统出力及符合需求进行24小时预测，得到光伏预测结果P_PV、风机出力预测结果P_WT及负荷需求结果P_load；将光伏及风机出力之和与负荷需求结果相比较，计算微电网母线需求功率P_bus，并储存结果。

进一步的是，所述步骤S300，采用离线计算方法求解调度最优解，以微电网运行经济性为目标函数，以电储能系统SOC及氢能系统SOHC为状态变量，以电储能系统输出功率P_bat、氢能系统输出功率P_hy以及并网系统输出功率P_net作为决策变量u、v、w；在工况P_bus下对氢能系统、电储能系统及并网系统出力进行最优调度，使得多能互补微电网在预测功率下的调度结果全局最优。

进一步的是，在所述步骤S300中所述日前经济调度采用日前优化调度算法，包括步骤：

S301，初始化变量，输入24h内各时段直流母线需求功率P_busr，输入SOC及SOHC初值；

S302，计算每一时段下，氢能系统、电储能系统及并网系统的功率输出可行域，并将可行域内数值存储作为决策变量：

式中，P_{bus_k}、P_{load_k}、P_{PV_k}、P_{WT_K}分别为母线在k时段的预测需求功率，负载在k时段的需求功率预测值以及光伏、风力发电在k时段的出力预测值，P_{el_max}为电解槽最大工作功率，P_{fc_max}为燃料电池最大工作率，P_{bat_chmax}及P_{bat_dismax}分别为蓄电池最大充、放电功率，P_{sale_max}及P_{purchase_max}分别为并网系统最大售、购电功率；

S303，针对所述微电网系统经济性目标函数为：

所述电储能系统使用的成本函数为：

其中，C_{bat_inv}为蓄电池购置成本，L_bat为蓄电池使用寿命，C_{bat_o&m}为蓄电池运行、维护成本，η_{bat_ch}为蓄电池充电效率，η_{bat_dis}为蓄电池放电效率，N_bat为蓄电池组数，C_N为蓄电池容量，U_DC为蓄电池额定电压，N_cycle为蓄电池循环次数，P_bat为蓄电池输出功率；

所述电储能系统荷电状态计算方法为：

式中，P_{bat_ch}、P_{bat_dis}分别为蓄电池充、放电功率；

所述氢储能系统使用的成本函数为：

其中，C_{el_inv}为电解槽购置成本，C_{fc_inv}为燃料电池购置成本，C_{el_o&m}为电解槽运行、维护成本，C_{fc_o&m}为燃料电池运行、维护成本，η_fc为燃料电池效率，η_el为电解槽效率；

所述氢能系统储能状态计算方法为：

SOHC＝P_sto/P_t；

其中P_sto为储氢罐压强，P_t为储氢罐额定压强；

所述微电网系统运行成本即可表述为：

其中，C_{bat_k}、C_{hy_k}、C_{net_k}、C_{pv_k}、C_{wt_k}分别为蓄电池、氢能系统、并网系统、光伏发电系统及风机系统在k时段的运行成本，N为时段的个数，C_mic为微电网总运行成本；

S304，针对所述目标函数，将SOC、SOHC作为状态变量，提取每一时间段的决策变量u、v、w，计算系统运行成本C_mic，通过遍历所有决策变量，寻找系统运行成本的最小值，并输出最小值下对应的决策变量值作为日前优化的最优解。

进一步的是，所述步骤S304中输出最优解的过程包括步骤：

S3041，输入时间段k值及该时间段下，光伏、风力发电及负荷需求预测值，输入k+1至N时段已计算得出的最优目标函数值集合C_k+1及状态变量集合SOC_k+1及SOHC_k+1；

S3042，出当前计算时间段k下对应的决策变量集u_k、v_k、w_k并储存；

S3043，根据S303所述的SOC及SOHC计算方法，找出当前计算时间段k下满足决策变量集及k+1时段状态变量集的状态变量集SOC_k及SOHC_k；

S3044，根据S303所述成本计算方法计算当前时间段下所有状态变量集及决策变量集下的微电网运行成本集C_{min_k}；

S3045，采用极值搜索方法找出k时刻下成本集极小值，提取响应状态变量并储存；

S3046，判断是否k＝1，若否，则k＝k-1重复上述操作，若是，则跳出；

S3047，输出各个时间段决策变量作为优化结果。

进一步的是，所述步骤S400，所述实时超短期预测光伏、风机出力及本地负荷需求，采用灰色预测方法，对实时情况下，该时刻之后1h内可再生能源发电系统出力及符合需求进行超短期预测，并将所得预测结果储存。

进一步的是，所述步骤S500，根据所述超短期预测结果，对日前经济调度结果进行滚动的实时优化，采用实时滚动优化调度方法，根据实测可再生能源发电系统出力及负荷需求测量值，结合预测功率，实施优化调度并将调度结果输送给各系统进行运行。

进一步的是，所述实时滚动优化调度方法，包括步骤：

S501，输入该时刻日前优化调度算法输出的日前优化结果P_hydp、P_batdp、P_netdp；

S502，输入当前时刻实测光伏P_PVr、风机输出值P_WTr，负荷需求值P_loadr，输入超短期预测数据，并与实测值组成数组；

S503，使用混合整数线性规划方法，寻找目标函数最小值，目标函数为：

式中，P_{hy_m}、P_{bat_m}、P_{net_m}分别为满足目标函数最小的1h内第m个时刻下的氢能系统、电储能系统及氢能系统输出功率，n为1h内时间段个数，k为当前时刻值；

S504，输出P_{hy_0}、P_{net_0}、P_{net_0}作为实时决策变量；

S505，k＝k+1直到当天结束。

采用本技术方案的有益效果：

本发明将电-氢多能互补直流微电网调度分为日前全局优化调度及实时调度两部分。对于日前优化调度，考虑到成本计算方法的非线性，进行24小时实时优化调度，最小化系统的运行成本，提高多能互补微电网系统效率，并协调荷电状态(SOC)和氢储能状态(SOHC)的变化。随后，根据日前调度结果，使用超短期预测及滚动优化调度方法进行实时调度，进一步降低由预测不确定性带来的误差。本发明通过日前及在线的协调调度，保证了电-氢多能互补直流微电网的正常运作，且提升系统的经济性，提高微电网的工作效率。

本发明在保证微电网系统基础运行要求即功率平衡，储能系统储能状态平衡的前提下，针对可再生能源产能波动性、随机性的问题，使用电-氢多能互补系统消纳可再生能量源系统产生的多余电能以及释放能量用于功率缺额等情景进行微电网最优调度，能够保证系统运行成本小，且维持储能系统的安全、稳定运行。

本发明实现了日前优化调度与在线优化调度的协调运行，保证了系统的最优运行，减小了不确定性带来的影响。

本发明通过电-氢多能互补系统，减小了弃光、弃风，光伏、风机始终运行在最优情况下，同时通过维持储能系统储能状态，增加了储能系统寿命，提升了系统运行效率。

附图说明

图1为本发明的一种电-氢多能互补直流微电网协调调度方法流程示意图；

图2为本发明实施例中日前优化调度算法流程示意图；

图3为本发明实施例中实时滚动调度算法流程示意图；

图4为本发明实施例中电-氢孤岛直流微电网系统拓扑结构。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步阐述。

在本实施例中，本发明提出了一种电-氢多能互补直流微电网协调调度方法，

其中，如图4所示，电-氢多能互补直流微电网包括可再生能源发电系统、氢能系统、电储能系统、并网系统以及调度系统，所述可再生能源发电系统、氢能系统和电储能系统均连接至直流母线，所述直流母线通过并网系统连接至配电网，所述调度系统连接至各个系统，实现对各个系统的最优调度；所述可再生能源发电系统包括光伏发电子系统、风力发电子系统及其变流器，所述氢能系统包括质子膜交换燃料电池、储氢罐以及碱式电解槽及其直直变换器，所述电储能系统包括蓄电池及其直直变换器；所述碱式电解槽及质子交换膜燃料电池均与储氢罐进行连接；所述并网系统包括逆变器，实现直流微电网与配电网的联系；所述可再生能源发电系统为微电网的主要供能系统，电储能系统、氢能系统以及并网系统为微电网提供或者吸收电能；

基于上述电-氢多能互补直流微电网，如图1所示，建立所述电-氢多能互补直流微电网协调调度方法，包括步骤：

S100，初始化各个系统；

S200，日前预测可再生能源发电系统出力及本地负荷需求；

S300，基于预测功率及电储能系统储量SOC、氢能系统储量SOHC进行日前经济调度；

S400，实时超短期预测光伏、风机出力及本地负荷需求；

S500，根据超短期预测结果，对日前经济调度结果进行实时滚动优化。

作为上述实施例的优化方案，通过所述调度系统，实现微电网区域天气状况及用户用电历史数据读取，实时测量光伏及风力发电输出、本地负荷需求、电储能系统储量SOC、以及氢能系统储量SOHC。

所述调度系统包括日前调度系统和实时调度系统；

所述日前调度系统中对光伏阵列、风力发电机出力及本地负荷进行日前预测，并根据预测结果，结合SOC、SOHC值进行日前最优经济调度，并将调度结果传送至实时调度系统；

在所述实时调度系统中，首先从该时刻起进行可再生能源发电系统出力及负荷需求的超短期预测，基于日前调度系统的调度结果，对预测中出现的误差进行修正，完成调度并将调度指令传递至可再生能源发电系统、并网系统、氢能系统及电储能系统，实现运行控制。

作为上述实施例的优化方案，在所述步骤S200中，所述日前预测可再生能源发电系统出力及本地负荷需求，包括步骤：根据天气预测数据及历史数据，对所属子系统出力及符合需求进行24小时预测，得到光伏预测结果P_PV、风机出力预测结果P_WT及负荷需求结果P_load；将光伏及风机出力之和与负荷需求结果相比较，计算微电网母线需求功率P_bus，并储存结果。

作为上述实施例的优化方案，所述步骤S300，采用离线计算方法求解调度最优解，以微电网运行经济性为目标函数，以电储能系统SOC及氢能系统SOHC为状态变量，以电储能系统输出功率P_bat、氢能系统输出功率P_hy以及并网系统输出功率P_net作为决策变量u、v、w；在工况P_bus下对氢能系统、电储能系统及并网系统出力进行最优调度，使得多能互补微电网在预测功率下的调度结果全局最优。

如图2所示，在所述步骤S300中所述日前经济调度采用日前优化调度算法，包括步骤：

S301，初始化变量，输入24h内各时段直流母线需求功率P_busr，输入SOC及SOHC初值；

S302，计算每一时段下，氢能系统、电储能系统及并网系统的功率输出可行域，并将可行域内数值存储作为决策变量：

式中，P_{bus_k}、P_{load_k}、P_{PV_k}、P_{WT_K}分别为母线在k时段的预测需求功率，负载在k时段的需求功率预测值以及光伏、风力发电在k时段的出力预测值，P_{el_max}为电解槽最大工作功率，P_{fc_max}为燃料电池最大工作率，P_{bat_chmax}及P_{bat_dismax}分别为蓄电池最大充、放电功率，P_{sale_max}及P_{purchase_max}分别为并网系统最大售、购电功率；

S303，针对所述微电网系统经济性目标函数为：

所述电储能系统使用的成本函数为：

其中，C_{bat_inv}为蓄电池购置成本，L_bat为蓄电池使用寿命，C_{bat_o&m}为蓄电池运行、维护成本，η_{bat_ch}为蓄电池充电效率，η_{bat_dis}为蓄电池放电效率，N_bat为蓄电池组数，C_N为蓄电池容量，U_DC为蓄电池额定电压，N_cycle为蓄电池循环次数，P_bat为蓄电池输出功率；

所述电储能系统荷电状态计算方法为：

式中，P_{bat_ch}、P_{bat_dis}分别为蓄电池充、放电功率；

所述氢储能系统使用的成本函数为：

其中，C_{el_inv}为电解槽购置成本，C_{fc_inv}为燃料电池购置成本，C_{el_o&m}为电解槽运行、维护成本，C_{fc_o&m}为燃料电池运行、维护成本，η_fc为燃料电池效率，η_el为电解槽效率；

所述氢能系统储能状态计算方法为：

SOHC＝P_sto/P_t；

其中P_sto为储氢罐压强，P_t为储氢罐额定压强；

所述微电网系统运行成本即可表述为：

其中，C_{bat_k}、C_{hy_k}、C_{net_k}、C_{pv_k}、C_{wt_k}分别为蓄电池、氢能系统、并网系统、光伏发电系统及风机系统在k时段的运行成本，N为时段的个数，C_mic为微电网总运行成本；

S304，针对所述目标函数，将SOC、SOHC作为状态变量，提取每一时间段的决策变量u、v、w，计算系统运行成本C_mic，通过遍历所有决策变量，寻找系统运行成本的最小值，并输出最小值下对应的决策变量值作为日前优化的最优解。

所述步骤S304中输出最优解的过程包括步骤：

S3041，输入时间段k值及该时间段下，光伏、风力发电及负荷需求预测值，输入k+1至N时段已计算得出的最优目标函数值集合C_k+1及状态变量集合SOC_k+1及SOHC_k+1；

S3042，出当前计算时间段k下对应的决策变量集u_k、v_k、w_k并储存；

S3043，根据S303所述的SOC及SOHC计算方法，找出当前计算时间段k下满足决策变量集及k+1时段状态变量集的状态变量集SOC_k及SOHC_k；

S3044，根据S303所述成本计算方法计算当前时间段下所有状态变量集及决策变量集下的微电网运行成本集C_{min_k}；

S3045，采用极值搜索方法找出k时刻下成本集极小值，提取响应状态变量并储存；

S3046，判断是否k＝1，若否，则k＝k-1重复上述操作，若是，则跳出；

S3047，输出各个时间段决策变量作为优化结果。

作为上述实施例的优化方案，所述步骤S400，所述实时超短期预测光伏、风机出力及本地负荷需求，采用灰色预测方法，对实时情况下，该时刻之后1h内可再生能源发电系统出力及符合需求进行超短期预测，并将所得预测结果储存。

作为上述实施例的优化方案，如图3所示，所述步骤S500，根据所述超短期预测结果，对日前经济调度结果进行滚动的实时优化，采用实时滚动优化调度方法，根据实测可再生能源发电系统出力及负荷需求测量值，结合预测功率，实施优化调度并将调度结果输送给各系统进行运行。

所述实时滚动优化调度方法，包括步骤：

S501，输入该时刻日前优化调度算法输出的日前优化结果P_hydp、P_batdp、P_netdp；

S502，输入当前时刻实测光伏P_PVr、风机输出值P_WTr，负荷需求值P_loadr，输入超短期预测数据，并与实测值组成数组；

S503，使用混合整数线性规划方法，寻找目标函数最小值，目标函数为：

式中，P_{hy_m}、P_{bat_m}、P_{net_m}分别为满足目标函数最小的1h内第m个时刻下的氢能系统、电储能系统及氢能系统输出功率，n为1h内时间段个数，k为当前时刻值；

S504，输出P_{hy_0}、P_{net_0}、P_{net_0}作为实时决策变量；

S505，k＝k+1直到当天结束。

作为上述实施例的优化方案，如图4所示，所述氢能系统相互连接的质子膜交换燃料电池与单向DC/DC变流器及相互连接的碱式电解槽与单向DC/DC变流器；所述电储能系统包括相互连接的蓄电池与双向DC/DC变流器；所述可再生能源发电系统包括相互连接的光伏电池与单向DC/DC变流器组及相互连接风力发电机与整流器；所述并网系统包含并网逆变器，所述调度系统包括测量组件测量SOC、SOHC、光伏、风机实时处理数值、负荷实时需求功率、天气等数据以及计算组件用于实施优化调度方法的具体计算；所述调度系统向氢能系统、电储能系统、并网系统传递实时调度指令。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (8)

1.一种电-氢多能互补直流微电网协调调度方法，其特征在于，电-氢多能互补直流微电网包括可再生能源发电系统、氢能系统、电储能系统、并网系统以及调度系统，所述可再生能源发电系统、氢能系统和电储能系统均连接至直流母线，所述直流母线通过并网系统连接至配电网，所述调度系统连接至各个系统，实现对各个系统的最优调度；所述可再生能源发电系统包括光伏发电子系统、风力发电子系统及其变流器，所述氢能系统包括质子交换膜燃料电池、储氢罐以及碱式电解槽及其直直变换器，所述电储能系统包括蓄电池及其直直变换器；所述碱式电解槽及质子交换膜燃料电池均与储氢罐进行连接；所述并网系统包括逆变器，实现直流微电网与配电网的联系；所述可再生能源发电系统为微电网的主要供能系统，电储能系统、氢能系统以及并网系统为微电网提供或者吸收电能；

基于上述电-氢多能互补直流微电网，建立所述电-氢多能互补直流微电网协调调度方法，包括步骤：

S100，初始化各个系统；

S200，日前预测可再生能源发电系统出力及本地负荷需求；

S300，基于预测功率及电储能系统储量SOC、氢能系统储量SOHC进行日前经济调度；

采用离线计算方法求解调度最优解，以微电网运行经济性为目标函数，以电储能系统储量 SOC及氢能系统储量 SOHC为状态变量，以电储能系统输出功率P_bat、氢能系统输出功率P_hy以及并网系统输出功率P_net作为决策变量u、v、w；在工况P_bus下对氢能系统、电储能系统及并网系统出力进行最优调度，使得多能互补微电网在预测功率下的调度结果全局最优；

S400，实时超短期预测光伏、风机出力及本地负荷需求；

S500，根据超短期预测结果，对日前经济调度结果进行实时的滚动优化，采用实时滚动优化调度方法，根据实测可再生能源发电系统出力及负荷需求测量值，结合预测功率，实施优化调度并将调度结果输送给各系统进行运行。

2.根据权利要求1所述的一种电-氢多能互补直流微电网协调调度方法，其特征在于，通过所述调度系统，实现微电网区域天气状况及用户用电历史数据读取，实时测量光伏及风力发电输出、本地负荷需求、电储能系统储量SOC、以及氢能系统储量SOHC。

3.根据权利要求2所述的一种电-氢多能互补直流微电网协调调度方法，其特征在于，所述调度系统包括日前调度系统和实时调度系统；

所述日前调度系统对光伏阵列、风力发电机出力及本地负荷进行日前预测，并根据预测结果，结合SOC、SOHC值进行日前最优经济调度，并将调度结果传送至实时调度系统；

在所述实时调度系统中，首先从当前时刻起进行可再生能源发电系统出力及负荷需求的超短期预测，基于日前调度系统的调度结果，对预测中出现的误差进行修正，完成调度并将调度指令传递至可再生能源发电系统、并网系统、氢能系统及电储能系统，实现运行控制。

4.根据权利要求3所述的一种电-氢多能互补直流微电网协调调度方法，其特征在于，在所述步骤S200中，所述日前预测可再生能源发电系统出力及本地负荷需求，包括步骤：根据天气预测数据及历史数据，对所述光伏发电子系统和风力发电子系统出力及负荷需求进行24小时预测，得到光伏预测结果P_PV、风机出力预测结果P_WT及负荷需求结果P_load；将光伏及风机出力预测结果之和与负荷需求结果相比较，计算微电网母线需求功率P_bus，并储存结果。

5.根据权利要求1所述的一种电-氢多能互补直流微电网协调调度方法，其特征在于，在所述步骤S300中所述日前经济调度采用日前优化调度算法，包括步骤：

S301，初始化变量，输入24h内各时段直流母线需求功率P_busr，输入SOC及SOHC初值；

S302，计算每一时段下，氢能系统、电储能系统及并网系统的功率输出可行域，并将可行域内数值存储作为决策变量：

式中，P_{bus_k}、P_{load_k}、P_{PV_k}、P_{WT_K}分别为母线在k时段的预测需求功率，负载在k时段的需求功率预测值以及光伏、风力发电在k时段的出力预测值，P_{el_max}为电解槽最大工作功率，P_{fc_max}为燃料电池最大工作率，P_{bat_chmax}及P_{bat_dismax}分别为蓄电池最大充、放电功率，P_{sale_max}及P_{purchase_max}分别为并网系统最大售、购电功率；

S303，针对所述微电网经济性目标函数为：

所述电储能系统使用的成本函数为：

其中，C_{bat_inv}为蓄电池购置成本，L_bat为蓄电池使用寿命，C_{bat_o&m}为蓄电池运行、维护成本，η_{bat_ch}为蓄电池充电效率，η_{bat_dis}为蓄电池放电效率，N_bat为蓄电池组数，C_N为蓄电池容量，U_DC为蓄电池额定电压，N_cycle为蓄电池循环次数，P_bat为蓄电池输出功率；

所述电储能系统荷电状态计算方法为：

；

式中，P_{bat_ch}、P_{bat_dis}分别为蓄电池充、放电功率；

所述氢能系统使用的成本函数为：

其中，C_{el_inv}为电解槽购置成本，C_{fc_inv}为燃料电池购置成本，C_{el_o&m}为电解槽运行、维护成本，C_{fc_o&m}为燃料电池运行、维护成本，η_fc为燃料电池效率，η_el为电解槽效率；

所述氢能系统储能状态计算方法为：

SOHC＝P_sto/P_t；

其中P_sto为储氢罐压强，P_t为储氢罐额定压强；

所述微电网运行成本即可表述为：

；

其中，C_{bat_k}、C_{hy_k}、C_{net_k}、C_{pv_k}、C_{wt_k}分别为蓄电池、氢能系统、并网系统、光伏发电系统及风机系统在k时段的运行成本，N为时段的个数，C_mic为微电网总运行成本；

S304，针对所述目标函数，将SOC、SOHC作为状态变量，提取每一时间段的决策变量u、v、w，计算系统运行成本C_mic，通过遍历所有决策变量，寻找系统运行成本的最小值，并输出最小值下对应的决策变量值作为日前优化的最优解。

6.根据权利要求5所述的一种电-氢多能互补直流微电网协调调度方法，其特征在于，所述步骤S304中输出最优解的过程包括步骤：

S3041，输入时间段k值及该时间段下，光伏、风力发电及负荷需求预测值，输入k+1至N时段已计算得出的最优目标函数值集合C_k+1及状态变量集合SOC_k+1及SOHC_k+1；

S3042，计算出当前时间段k下对应的决策变量集u_k、v_k、w_k并储存；

S3043，根据S303所述的SOC及SOHC计算方法，找出当前计算时间段k下满足决策变量集及k+1时段状态变量集的状态变量集SOC_k及SOHC_k；

S3044，根据S303所述成本计算方法计算当前时间段下所有状态变量集及决策变量集下的微电网运行成本集C_{min_k}；

S3045，采用极值搜索方法找出k时刻下成本集极小值，提取响应状态变量并储存；

S3046，判断是否k＝1，若否，则k＝k-1重复上述操作，若是，则跳出；

S3047，输出各个时间段决策变量作为优化结果。

7.根据权利要求6所述的一种电-氢多能互补直流微电网协调调度方法，其特征在于，所述步骤S400，所述实时超短期预测光伏、风机出力及本地负荷需求，采用灰色预测方法，对实时情况下，该时刻之后1h内可再生能源发电系统出力及负荷需求进行超短期预测，并将所得预测结果储存。

8.根据权利要求1所述的一种电-氢多能互补直流微电网协调调度方法，其特征在于，所述实时滚动优化调度方法，包括步骤：

S501，输入该时刻日前优化调度算法输出的日前优化结果P_hydp、P_batdp、P_netdp；

S502，输入当前时刻实测光伏P_PVr、风机输出值P_WTr，负荷需求值P_loadr，输入超短期预测数据，并与实测值组成数组；

S503，使用混合整数线性规划方法，寻找目标函数最小值，目标函数为：

式中，P_{hy_m}、P_{bat_m}、P_{net_m}分别为满足目标函数最小的1h内第m个时刻下的氢能系统、电储能系统及并网系统输出功率，n为1h内时间段个数，k为当前时刻值；

S504，输出P_{hy_0}、P_{net_0}、P_{net_0}作为实时决策变量；

S505，k＝k+1直到当天结束。

Images