CN113468723A - 一种离网风光氢冷能源系统优化配置方法 - Google Patents
一种离网风光氢冷能源系统优化配置方法 Download PDFInfo
- Publication number
- CN113468723A CN113468723A CN202110640714.9A CN202110640714A CN113468723A CN 113468723 A CN113468723 A CN 113468723A CN 202110640714 A CN202110640714 A CN 202110640714A CN 113468723 A CN113468723 A CN 113468723A
- Authority
- CN
- China
- Prior art keywords
- hydrogen
- power
- wind
- energy
- max
- 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
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 181
- 239000001257 hydrogen Substances 0.000 title claims abstract description 181
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 172
- 238000001816 cooling Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 title claims description 16
- 238000003860 storage Methods 0.000 claims abstract description 123
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 35
- 241000251555 Tunicata Species 0.000 claims abstract description 25
- 230000005855 radiation Effects 0.000 claims abstract description 22
- 230000009467 reduction Effects 0.000 claims abstract description 21
- 238000004146 energy storage Methods 0.000 claims abstract description 16
- 230000007812 deficiency Effects 0.000 claims abstract description 12
- 238000013486 operation strategy Methods 0.000 claims abstract description 8
- 241000251557 Ascidiacea Species 0.000 claims description 36
- 239000000446 fuel Substances 0.000 claims description 34
- 238000010248 power generation Methods 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 10
- 230000005611 electricity Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 238000005057 refrigeration Methods 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005868 electrolysis reaction Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 241000208140 Acer Species 0.000 description 1
- 239000002028 Biomass Substances 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000270666 Testudines Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J15/00—Systems for storing electric energy
- H02J15/008—Systems for storing electric energy using hydrogen as energy vector
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B10/00—Integration of renewable energy sources in buildings
- Y02B10/10—Photovoltaic [PV]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/36—Hydrogen production from non-carbon containing sources, e.g. by water electrolysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Fuel Cell (AREA)
Abstract
本发明提供一种离网风光氢冷能源系统优化配置方法,所述方法包括以下步骤:步骤1:构建风光氢冷能源系统,步骤2:通过风光氢冷能源系统的设备采集光伏辐射强度,风速,温度,年电力负荷需求以及年冷负荷需求参数构建离网风光氢冷能源模型;步骤3:通过可再生能源性能指标对所述离网风光氢冷能源系统模型进行评估,步骤4:通过樽海鞘算法对所述离网风光氢冷能源模型运行策略计算获得一年内的功率供应缺失率与功率消减率;步骤5:通过樽海鞘算法对步骤3中所述离网风光氢冷能源模型目标函数与约束条件进行优化配置;步骤6:判断是否满足终止条件,输出最优结果;本发明解决了由于恶劣的环境和高昂的电网传输成本,并且使用了氢气与冰蓄冷两种对环境友好的储能装置的风光氢冷系统的优化配置问题。
Description
技术领域
本发明涉及能源系统优化配置技术,尤其涉及一种离网风光氢冷能源系统优化配置方法。
背景技术
尽管世界各地对电力负载的需求逐渐增加,但由于恶劣的环境和高昂的传输成本,许多偏远地区仍无法连接到电网。柴油发电具有很高的灵活性,因此已成为离网地区的主要供电方式。但是,近年来,柴油的价格一直在不断上涨,这使得这种供电方式不是经济的选择。此外,柴油发电的高碳排放对环境安全具有毁灭性的影响,这促使世界各地的国家重视清洁和高效的可再生能源。偏远地区通常拥有丰富的自然资源,为离网地区的混合可再生能源系统(hybrid renewable energy system,HRES)的广泛应用提供了条件;HRES是各种分布式能源发电系统(太阳能,风能和生物质能)的集成,可以满足偏远地区的能源需求,引起了全世界的关注。
然而,由于可再生能源的间歇性和波动性,离网地区的电力供需不平衡。如果HRES系统的规模增加,成本将大大提高。如果减少HRES系统的规模,电力短缺将影响居民的正常生活。因此,确定没有储能的可再生能源系统规模是一项艰巨的任务。在发电量过多的情况下,能量存储设备可以吸收能量。相反,当电力短缺时,它们释放能量。因此,在HRES中增加储能设备可以提高系统的可靠性和成本效益,具有十分重要的意义。电池一直是可行的能量存储设备。但是,一些研究证明,废弃电池会在环境中产生有害物质。同时,电池的低能量密度使其自放电率不可忽略,因此该电池不适合用于HRES的长期储能装置。
除电池外,还有多种成熟的储能装置,例如抽水蓄能,压缩空气,超级电容器,氢。其中,氢储能具有较高的能量密度,非常适合长期储能。储氢系统主要包括电解池,燃料电池和储氢罐。储氢系统的组件在制造阶段和运行阶段都对自然环境十分友好。然而,氢存储系统存在充放电速度缓慢的缺点,将氢存储系统与其他存储系统(例如电池)相结合对于提高氢存储系统的充放电速度具有重要意义。
许多可再生资源丰富的离网地区一般天气炎热。离网地区度假胜地,旅馆的空调和冷藏食品仓库之类的冷却系统全年对能源的需求较大。对于这些冷却系统,已广泛使用冰蓄冷和其他热能存储作为存储装置。考虑到氢气与冰蓄冷都是对环境友好的,因此带有氢气存储与冰蓄冷的HRES对离网偏远地区是有光明前景的,因为冰蓄冷只能满足制冷需求,但不能满足电力负荷,因此我们无法将电力负荷和制冷负荷作为一个整体来考虑。因此,制定风光氢冷系统的运行策略,进行风光氢冷系统的优化配置是十分有必要的。
发明内容
在本发明中,我们优化配置离网风/光/氢/冷混合系统的最佳容量。在这项研究中,HRES的负荷类型是电和冷,储能设备是储氢和储冰。为了评估HRES在各个方面的最佳配置效果,将LCOE(Levelized cost of energy,LCOE),LPSP(Loss of power supplypossibility,LPSP)和PCR(Power curtailment rate,PCR)用作HRES的评价标准。在HRES的最佳配置中,我们更加关注与成本相关的评估指标LCOE。因此,本发明采用具有约束违规度的Epsilon约束方法,以LCOE为优化目标,以LPSP和PCR为约束条件。然后利用ISSA优化HRES系统的配置。使用启发式算法来制定多个目标和约束时,有必要计算HRES中每时每刻的能量流动和能量存储。考虑到能量流动的复杂性,本发明将运行策略分为整体存储和整体释放过程。
为了解决现有技术中存在,本发明采用如下技术方案予以实施:
1.一种离网风光氢冷能源系统优化配置方法所述方法包括以下步骤:
步骤1:构建风光氢冷能源系统,所述风光氢冷能源系统包括光伏电池板,风力涡旋机,由氢气罐,电解槽,燃料电池组成的氢气存储单元,蒸汽式制冷机,冰蓄冷,提供电力负荷冷负荷供应单元;
步骤2:采集拟建立离网风光氢冷能源系统的偏远地区的光伏辐射强度,风速,温度,年电力负荷需求以及年冷负荷需求;
步骤3:通过可再生能源性能指标对所述离网风光氢冷能源系统模型进行评估,所述性能指标包括:能源平均成本、功率供应缺失率和功率削减率;其中:
通过带有约束违反度Epsilon约束方法将能源平均成本作为目标函数,功率供应缺失率和功率削减率作为约束条件;
步骤4:通过樽海鞘算法对所述离网风光氢冷能源模型运行策略计算获得一年内的功率供应缺失率与功率消减率;
步骤5:通过樽海鞘算法对步骤3中所述离网风光氢冷能源模型目标函数与约束条件进行优化配置;;
步骤6:判断是否满足终止条件,若不满足,则返回步骤5,若满足终止条件,输出最优结果。
进一步,所述步骤2中离网风光氢冷能源模型包括以下单元:
光辐射处理单元:通过光伏电池板吸收太阳辐射,将阳光中的光子转化为电子并产生电能,其中:受到温度的影响,时间t下的光伏电池板的输出PPV(t)描述如下:
式中,Ps是输出功率,Irrpv(t)是时间t的太阳辐射密度,Fd是降额系数,α是温度系数,Tpv(t)是光伏电池板的温度,TS是标准条件下的环境温度,TNOC,a代表电池的标称工作温度;TNOC,c是环境的标称工作温度,G是标称工作温度下的辐射强度;
风力处理单元:风力涡轮机通过风力来旋转发电机提供机械动力,而其动力受实时风速的影响;根据切入风速,切出风速和额定风速,风力发电机组的功率PWT(t)描述如下:
Pr为风力发电机的额定功率为,v(t)是时间t处的实际风速;vin,vout,and vr分别代表切入风速、切出风速和额定风速;
氢气存储单元:是在光伏和风力涡轮机的能量超过负载需求,则电解池可以吸收剩余的能量并将其以氢的形式存储在氢气罐中;当光伏和风力涡轮机的能量无法满足负载需求,则氢将通过燃料电池转换为电能,以满足负载需求;氢气存储单元在充电和放电状态下的存储容量描述如下:
式中,SOCHT(t)、SOCHT(t-1)分别表示在时间t和t-1的氢气罐中的氢容量;PEL是时间t时电解池的功率;PFC是时间t时燃料电池组件的功率;PL(t)是时间t的负载需求,Pg(t)是时间t的可再生能源的功率,ηinv是逆变器效率,ηEL是电解池的充电效率,ηFC是燃料电池的放电效率;ρ为每千瓦电能的制氢量;每立方米氢气产生的电能为η;
电制冷处理单元:通过蒸汽式制冷机建立制冷模型如下:
Pvcr(t)=ηvcrPg(t)
其中,Pvcr(t)是时刻t的蒸汽式制冷机的功率;ηvcr是蒸汽式制冷机的效率。
冰蓄冷处理单元:在光伏和风力涡轮机的能量大于冷却负荷需求条件下,且氢气存储单元的容量达到最大,则多余的能量将由蒸汽式制冷机转换为冷气并存储在冰蓄冷中。当光伏和风力涡轮机的能量不能满足冷却负荷需求时,冰蓄冷可以释放能量以满足冷却负荷需求;冰蓄冷在充电和放电状态下的存储容量描述如下:
其中,SOCIT(t)和SOCIT(t-1)分别代表冰蓄冷在时间t和t-1处的能量;ηIT,chr为冰蓄冷的充电效率,ηIT,dis为冰蓄冷的放电效率,PIT,ch(t)为冰蓄冷的充电效率,PIT,dis(t)为冰蓄冷的放电效率。
进一步,步骤3中所述能源成本通过如下公式获得:
式中,CRF是资本回收率,r是利率,y是生命周期,PU是HRES和负载可匹配的电量,TNPC代表项目的总净现值;
式中,PIT(t-1)是冰蓄冷在时间t的功率;PHS(t-1)是氢气罐在时间t的功率;
所述功率削减率通过如下公式表示在可再生能源系统中被放弃的功率占总发电量中比例,计算方法如下:
PIT,max是冰蓄冷的最大功率;PHS,max是氢气罐的最大功率。
进一步,所述步骤3中通过带有约束违反度Epsilon约束方法将能源平均成本作为目标函数,功率供应缺失率和功率削减率作为约束条件过程:
步骤301、选择目标函数作为优化目标,功率供应缺失率和功率削减率作为约束条件,对所述离网风光氢冷能源模型进行整数规划的约束,可描述如下:
min[LCOE]
由于离网偏远地区的空间限制,可再生能源系统中的组件数量受到以下限制:
0≤NWT≤NWT,max
0≤NPV≤NPV,max
0≤Nvcr≤Nvcr,max
0≤NIT≤NIT,max
0≤NHT≤NHT,max
0≤NFC≤NFC,max
0≤NEL≤NEL,max
其中,NWT、NPV、NEL、NHT、NFC、Nvcr和NIT分别为光伏电池板、风力涡旋机、电解槽、氢气罐、燃料电池、蒸汽式制冷机和冰蓄冷的数量;NWT,max、NPV,max、NEL,max、NHT,max、NFC,max、Nvcr,max和NIT,max分别为光伏电池板、风力涡旋机、电解槽、氢气罐、燃料电池、蒸汽式制冷机和冰蓄冷的最大数量。
为了减少电力短缺对居民的影响以及风能和光伏能源的浪费,应对功率供应缺失率和功率削减率进行限制,具体描述如下:
LPSP≤5%
PAR≤10%
可再生能源系统中组件的功率限制如下:
PEL≤PEL,max
PFC≤PFC,max
Pvcr≤Pvcr,max
PIT,ch≤PIT,ch,max
PIT,dis≤PIT,dismax
PEL、PFC、Pvcr分别为电解池,燃料电池和蒸汽式制冷机组件的功率;PEL,max、PFC,max和Pvcr,max分别为电解池,燃料电池和蒸汽式制冷机组件的最大功率;PIT,ch和PIT,dis分别是冰蓄冷的输入和输出功率;PIT,ch,max和PIT,dismax分别是冰蓄冷的最大输入功率和最大输出功率;
可再生能源系统存储系统的容量限制如下:
0≤SOCHT≤SOCHT,max
0≤SOCIT≤SOCIT,max
SOCHT,max和SOCIT,max分别是氢气罐和冰蓄冷的最大容量。
进一步,所述步骤4包括以下步骤:
步骤401:根据离网风光氢冷能源系统的偏远地区的光伏辐射强度,风速,温度,年电力负荷需求以及年冷负荷需求,输入光伏电池板,风力涡旋机,氢气存储系统,蒸汽式制冷机,冰蓄冷的组件数量,并计算各个组件的容量,设T=1;
步骤402:如果光伏和风机产生的电力超过负载需求,则多余的能量将被输送到电解池以产生氢并存储在氢气罐中;其中:
电解池产生的氢气量不能超过其最大的氢气产量。同时,氢气罐存储的氢气容量不能超过其所能存储的最大氢气量,若产生的氢气量与当前氢气罐存储的氢气容量之和超过氢气罐所能存储的最大氢气量,剩余的氢气不被储存;
氢气罐的容量达到最大限制,则多余的能量将通过电冷却器存储在冰蓄冷中;冰蓄冷存储的冷气量不能超过其所能存储的最大容量,如果产生的冷气量与当前冰蓄冷的容量之和超过冰蓄冷所能存储的最大的能量,则剩余的冷气不能被储存,这部分能量被放弃;
离网风光氢冷能源系统无法提供所需的负荷需求,则储能装置将释放能量以满足电力负荷与冷负荷需求;氢罐优先满足电力负荷的需求,如果此时氢罐中的氢气有剩余且当冰蓄冷不能满足电力负荷时,再将能量提供给冷负荷;如果离网风光氢冷能源系统与冰蓄冷,氢气存储的能量不能满足负荷要求,则记录此时的电力短缺量;燃料电池与冰蓄冷的放电功率不能超过它们的最大放电功率;
步骤403:T=T+1,判断是否T=8760,如果是则算法终止,记录总的电力放弃量与电力短缺量,计算功率供应缺失率与功率消减率;反之,返回步骤402,继续迭代过程。
进一步,所述步骤5中樽海鞘算法改进步骤:
步骤501、通过如下公式对樽海鞘策略更新:
c4是在[0,1]上均匀生成的随机数;Xm,j是樽海鞘在第j维上的平均位置,描述如下:
Xm是所有樽海鞘的平均位置,Xi是樽海鞘个体i的位置;
步骤502、通过如下公式对樽海鞘策略中追随者策略更新:
步骤503、通过每个樽海鞘位置都会将在更新后进行评估;如果更新后樽海鞘的位置比先前樽海鞘的位置好,则樽海鞘的位置不变;反之,樽海鞘的位置退回为先前樽海鞘的位置。
有益效果
本发明具有以下有益效果:
1、本发明提出了一种基于带有约束违反度的Epsilon约束与ISSA的离网风光氢冷能源系统优化配置方法。氢气存储和冰蓄冷是一种有前途的环保能源存储方案,但是很少有人针对具有局部场景的偏远离网地区研究带有氢气存储和冰蓄冷的混合可再生能源系统的最佳配置。在不失去通用性的情况下,除了电力负荷之外离网地区还有大量的制冷需求。
2、本发明提出了离网光伏/风/氢气冷却系统的新的优化配置。本发明给定用于评估HRES的三个性能指标,即能源平均成本(LCOE),功率供应缺失率(LPSP)和功率削减率(PCR),从经济性、可靠性以及能源浪费程度三个角度综合评价HRES。此外,本发明使用带有约束违反度的Epsilon约束将LCOE作为目标,而LPSP和PCR充当约束,将多目标优化问题转化为单目标优化问题。
3、本发明制定了风光氢冷离网系统的运行策略,合理分配了能量的应用、存储以及释放。另外,提出了一种改进的樽海鞘算法(ISSA)来解决HRES的优化配置,克服了传统SSA的精度低、稳定性差的问题。
说明附图
图1是本发明对一种基于带有约束违反度的Epsilon约束与ISSA的离网风光氢冷能源系统优化配置方法流程图。
图2是本发明离网地区的太阳辐射度。
图3是本发明离网地区的风速。
图4是本发明离网地区的温度。
图5是本发明离网地区的电力负荷。
图6是本发明离网地区的冷却负荷。
图7是本发明离网地区HRES优化配置结果中每个月的风光出力。
具体实施方式:
下面结合附图对本发明作进一步详细地说明:
如图1所示,本发明提供一种离网风光氢冷能源系统优化配置方法所述方法包括以下步骤:
步骤1:构建风光氢冷能源系统,所述风光氢冷能源系统包括光伏电池板,风力涡旋机,由氢气罐,电解槽,燃料电池组成的氢气存储单元,蒸汽式制冷机,冰蓄冷,提供电力负荷冷负荷供应单元;
步骤2:采集光伏辐射强度,风速,温度,年电力负荷需求以及年冷负荷需求;
步骤3:通过可再生能源性能指标对所述离网风光氢冷能源模型进行评估,所述性能指标包括:能源平均成本、功率供应缺失率和功率削减率;其中:
通过带有约束违反度Epsilon约束方法将能源平均成本作为目标函数,功率供应缺失率和功率削减率作为约束条件;即:
给定用于评估混合可再生能源系统(Hybrid Renewable Energy Systems,HRES)的三个性能指标,即能源平均成本(Levelized cost of energy,LCOE),功率供应缺失率(Loss of power supply possibility,LPSP)和功率削减率(Power curtailment rate,PCR),我们使用带有约束违反度Epsilon约束方法将LCOE公式化为目标,LPSP和PCR充当约束;
步骤4:制定一种新的离网风光氢冷能源系统运行策略,并根据此运行策略计算系统一年内的LPSP与PCR;
步骤5:对传统的樽海鞘算法(salp swarm algorithm,SSA)的领导阶段以及追随阶段进行改进,并调整该算法结构,提出一种改进的樽海鞘算法(improved salp swarmalgorithm,ISSA);
步骤6:利用步骤4中的ISSA处理步骤3中的目标与约束,遵循步骤3所指定的运行策略,对离网风光氢冷能源系统进行优化配置;
步骤7:判断是否满足改进的樽海鞘算法的终止条件,若不满足,则返回步骤6,若满足改进的樽海鞘算法的终止条件,算法终止,输出最优结果;
所述步骤2包括以下单元:
光辐射处理单元:光伏电池板可以吸收太阳辐射,将阳光中的光子转化为电子并产生电能。考虑到温度的影响,时间t下的光伏电池板的输出PPV(t)描述如下:
其中,Ps是输出功率,Irrpv(t)是时间t的太阳辐射密度,Fd是降额系数,α是温度系数,Tpv(t)是光伏电池板的温度,TS是标准条件下的环境温度,TNOC,a代表电池的标称工作温度;TNOC,c是环境的标称工作温度,G是标称工作温度下的辐射强度。
风力处理单元:是风力涡轮机通过风力来旋转发电机提供机械动力,而其动力受实时风速的影响。根据切入风速,切出风速和额定风速,风力发电机组的功率PWT(t)描述如下:
Pr为风力发电机的额定功率为,v(t)是时间t处的实际风速;vin,vout,and vr分别代表切入风速、切出风速和额定风速。
氢气存储单元:即氢能存储系统主要包括三个部分:电解池、氢气罐和燃料电池。如果光伏和风力涡轮机的能量超过负载需求,则电解池可以吸收剩余的能量并将其以氢的形式存储在氢气罐中。如果光伏和风力涡轮机的能量无法满足负载需求,则氢将通过燃料电池转换为电能,以满足负载需求。氢气存储系统在充电和放电状态下的存储容量描述如下:
SOCHT(t)、SOCHT(t-1)分别表示在时间t和t-1的氢气罐中的氢容量。PEL是时间t时电解池的功率;PFC是时间t时燃料电池组件的功率;PL(t)是时间t的负载需求,Pg(t)是时间t的可再生能源的功率,ηinv是逆变器效率,ηEL是电解池的充电效率,ηFC是燃料电池的放电效率;ρ为每千瓦电能的制氢量;每立方米氢气产生的电能为η。
电制冷处理单元是指蒸汽式制冷机,蒸汽式制冷机的制冷模型如下:
Pvcr(t)=ηvcrPg(t)
其中,Pvcr(t)是时刻t的蒸汽式制冷机的功率;ηvcr是蒸汽式制冷机的效率。
冰蓄冷处理单元:如果光伏和风力涡轮机的能量大于冷却负荷需求,并且氢气存储系统的容量达到最大,则多余的能量将由蒸汽式制冷机转换为冷气并存储在冰蓄冷中。当光伏和风力涡轮机的能量不能满足冷却负荷需求时,冰蓄冷可以释放能量以满足冷却负荷需求。冰蓄冷在充电和放电状态下的存储容量描述如下:
其中,SOCIT(t)和SOCIT(t-1)分别代表冰蓄冷在时间t和t-1处的能量;ηIT,chr为冰蓄冷的充电效率,ηIT,dis为冰蓄冷的放电效率,PIT,ch(t)为冰蓄冷的充电效率,PIT,dis(t)为冰蓄冷的放电效率。
LCOE表示整个生命周期中每千瓦时的发电成本,如下所述:
CRF是资本回收率,r是利率,y是生命周期,PU是HRES和负载可匹配的电量,TNPC代表项目的总净现值,计算方法如下:
TNPC=NPCPV+NPCWT+NPCvcr+NPCIT+NPCEL+NPCFC+NPCHT
NPCPV是光伏的总成本,NPCWT是风力涡旋机的总费用;NPCvcr是电制冷机的总成本;NPCIT是冰蓄冷的总成本,NPCEL是电解槽的总成本;NPCFC是燃料电池的总成本;NPCHT是储氢的总成本。
电力短缺将影响离网地区居民的正常生活。因此,需要评估指标来衡量HRES供电的质量。LPSP具体表示为HRES未满足的负载需求与的总负载需求的比例,描述如下:
PIT(t-1)是冰蓄冷在时间t的功率;PHS(t-1)是氢气罐在时间t的功率。
PCR表示系统中被放弃的功率在可再生能源总发电量中所占的比例,计算方法如下:
PIT,max是冰蓄冷的最大功率;PHS,max是氢气罐的最大功率。
Epsilon约束方法
Epsilon约束(Epsilon约束)是一种有效的多目标优化方法。它可以获取非凸Pareto曲线中的有效点。一般的多目标优化问题可以描述为
Min(f1(x),f2(x),…,fn(x);x∈S)
Fi(i=1,2,…,n)表示n个相互矛盾的目标函数;x是决策变量;S是可行解空间。
在多个目标中,我们可以选择一个目标进行优化,而其余目标则作为所选目标的约束:
对于启发式算法,在搜索的早期阶段,可能有许多解决方案无法满足约束条件,但这些早期阶段解决方案仍具有一些有用的相关信息。如果直接丢弃,此类信息将不会得到利用。因此,为了充分利用搜索早期阶段不在解空间中的某些解决方案的信息,在早期阶段对解决方案进行评估时,允许解决方案具有一定程度的约束违规。我们可以设置递减的约束违反程度φ(x),描述如下:
在本发明中,解决方案的评估方法包括适应度函数和约束违反度:
其中的ε按如下方式递减
ε=ε0(1-l/(Maxiter/4))
l是算法的当前迭代次数,Maxiter是最大迭代次数。
使用带有约束违反度的Epsilon约束方法来处理LCOE、LPSP与PCR指标。在本发明中,选择LCOE作为优化目标,而PCR和LPSP作为约束条件。本发明提出的风/光/氢/冷能系统建模为有约束的整数规划问题,可描述如下:
min[LCOE]
由于离网偏远地区的空间限制,HRES中的组件数量受到以下限制:
0≤NWT≤NWT,max
0≤NPV≤NPV,max
0≤Nvcr≤Nvcr,max
0≤NIT≤NIT,max
0≤NHT≤NHT,max
0≤NFC≤NFC,max
0≤NEL≤NEL,max
其中,NWT、NPV、NEL、NHT、NFC、Nvcr和NIT分别为光伏电池板、风力涡旋机、电解槽、氢气罐、燃料电池、蒸汽式制冷机和冰蓄冷的数量;NWT,max、NPV,max、NEL,max、NHT,max、NFC,max、Nvcr,max和NIT,max分别为光伏电池板、风力涡旋机、电解槽、氢气罐、燃料电池、蒸汽式制冷机和冰蓄冷的最大数量。
为了减少电力短缺对居民的影响以及风能和光伏能源的浪费,应限制LPSP和PCR的值,具体描述如下:
LPSP≤5%
PAR≤10%
HRES组件的功率限制如下:
PEL≤PEL,max
PFC≤PFC,max
Pvcr≤Pvcr,max
PIT,ch≤PIT,ch,max
PIT,dis≤PIT,dismax
PEL、PFC、Pvcr分别为电解池,燃料电池和蒸汽式制冷机组件的功率;PEL,max、PFC,max和Pvcr,max分别为电解池,燃料电池和蒸汽式制冷机组件的最大功率;PIT,ch和PIT,dis分别是冰蓄冷的输入和输出功率;PIT,ch,max和PIT,dismax分别是冰蓄冷的最大输入功率和最大输出功率。
HRES存储系统的容量限制如下:
0≤SOCHT≤SOCHT,max
0≤SOCIT≤SOCIT,max
SOCHT,max和SOCIT,max分别是氢气罐和冰蓄冷的最大容量。
所述步骤4包括以下步骤:
步骤401:输入收集拟建立离网风光氢冷能源系统的偏远地区的光伏辐射强度,风速,温度,年电力负荷需求以及年冷负荷需求,输入光伏电池板,风力涡旋机,氢气存储系统,蒸汽式制冷机,冰蓄冷的组件数量,并计算各个组件的容量,设T=1;
步骤402:如果光伏和风力涡轮机产生的电力超过负载需求,则多余的能量将被输送到电解池单元以产生氢并存储在氢气罐中。理论上产生的氢气量不能超过电解池最大氢气产量,同时,氢气罐存储的氢气容量不能超过氢气罐所能存储的最大氢气量,若产生的氢气量与当前氢气罐存储的氢气容量之和超过氢气罐所能存储的最大氢气量,剩余的氢气不能被储存。
如果氢气罐的容量达到最大限制,则多余的能量将通过电冷却器存储在冰蓄冷中。冰蓄冷存储的冷气容量不能超过冰蓄冷的最大容量,如果产生的冷气量与当前冰蓄冷的容量之和超过冰蓄冷所能存储的最大的能量,则剩余的冷气不能被储存,这部分能量被放弃。
如果可再生能源发电无法提供所需的负荷需求,则储能装置将释放能量以满足电力负荷与冷负荷需求。这个策略中,氢罐优先满足电力负荷的需求,如果此时氢罐中的氢气有剩余且当冰蓄冷不能满足电力负荷时,再将能量提供给冷负荷。如果可再生能源与冰蓄冷,氢气存储的能量不能满足负荷要求,则记录此时的电力短缺量;值得注意的是燃料电池与冰蓄冷的放电功率不能超过它们的最大放电功率;
步骤403:T=T+1,判断是否T=8760,如果是则算法终止,记录总的电力放弃量与电力短缺量,计算LPSP与PCR;反之,返回步骤2,继续迭代过程;
本发明关于改进步骤:SSA中樽海鞘分为领导者与追随者。尽管SSA具有出色的优化性能,但由于SSA中的樽海鞘在领导和追随阶段都受到单个个体的影响,如果该个体是局部最优解,则总体中的其他樽海鞘将陷入到局部最优中。因此,在处理HRES的最佳配置时,它面临解决方案精度低和稳定性差的挑战。因此,本研究改进了SSA的领导者更新和跟随者更新策略,并调整了其结构以使其更适合HRES的最佳配置。
领导者的位置更新受食物位置和随机算子的影响,这使得SSA具有良好的搜索能力。但是,这种更新方法也使领导者没有机会与其他个体交换信息。因此,为加强其余樽海鞘个体与领导者之间的信息传递,本发明提出了一种新的领导者更新策略,具体描述如下:
c4是在[0,1]上均匀生成的随机数;Xm,j是樽海鞘在第j维上的平均位置,描述如下:
Xm是所有樽海鞘的平均位置,Xi是樽海鞘个体i的位置。
追随者位置的更新受先前樽海鞘个体位置的影响,这导致追随者有受到比自身差的樽海鞘个体的影响的可能。因此,本发明利用加权自适应的概念来提高樽海鞘种群中追随者的质量。当追随者先前樽海鞘个体的位置好于自身的位置时,会提高樽海鞘先前个体对其自身位置的影响。相反,当先前樽海鞘个体比其自身位置差时,可以减小先前樽海鞘个体对自身位置的影响。尽管该方法降低了追随者的搜索能力,但考虑到领导者已经充分探索了搜索空间,因此这种追随者的加权自适应位置改变方法是合理的,这进一步平衡了算法探索和开发的能力。新的追随者更新策略被描述如下:
在传统的SSA结构中,所有樽海鞘位置更新完毕后,会评估所有樽海鞘位置的好坏并找到樽海鞘种群的最佳位置。如果最佳的樽海鞘位置比当前的食物位置好,那么食物的位置将被替换为最佳的樽海鞘的位置,否则,食物的位置将不会发生改变。本发明提出了一种新的SSA算法结构,其中每个樽海鞘位置都会将在更新后进行评估。如果更新后樽海鞘的位置比先前樽海鞘的位置好,则樽海鞘的位置不变;反之,樽海鞘的位置退回为先前樽海鞘的位置。此外,如果当前樽海鞘的位置比食物的位置好,则将食物的位置替换为当前樽海鞘的位置,否则食物的位置不改变。
具体应用的最佳实施例
拟议的混合离网风/光/氢气/冷却系统应用于宁夏银川的偏远社区(经度106.2,纬度38.47)。银川市属温带大陆性气候,是中国太阳辐射和日照时间最多的地区之一,可再生资源丰富。图2-4是以小时为单位显示了2019年银川市的年度气象数据,分别为辐射强度,风速和温度。该地区的年平均太阳辐射为219.3kWh/m2/h,平均风速为3.49m/s,平均温度为9.87℃。
一年(8,760小时)的电力和冷却负荷曲线分别如图5-6所示。电力数据是在中国宁夏省进行测量的,并进行了标准化,以满足离网社区的需求。标准化后的平均电力负荷为27.023KW/h。平均冷却负荷为13.147KW/h的冷却负荷数据是基于当地温度模拟得到的。
光伏电池板参数、风力涡轮机参数、组件效率、组件经济参数分别如表1-4所示。
表1光伏电池板的参数
表2风力涡轮机的参数
表3组件效率
表4组件经济参数
偏远地区风/光/氢/冷系统的HRES的最佳设计考虑了风能和太阳能的输入,氢气存储系统和冰蓄冷的存储容量,电力负荷以及冷却负荷的消耗。Epsilon约束和ISSA方法的主要目的是选择最佳变量以最小化LCOE。本发明设置HRES的寿命为20年,年利率设置为5%。光伏电池板、风力涡轮机,燃料电池,电解池,蒸汽式制冷机和冰蓄冷的数量约束分别为:920、100、182、154、168、115和108。在MATLAB 2017a中进行了仿真,ISSA的种群数量为30,最大迭代次数为150,并且其他参数的选择与传统的SSA一致。
仿真结果如表5所示。光伏电池板、风力涡轮机,燃料电池,电解池,蒸汽式制冷机和冰蓄冷的数量分别为785、78、33、16、20、18和30。在此结果中,LCOE为$0.3061/kWh,LPSP为4.9998%,PAR为7.2329%。风力涡轮机组件的成本占总成本的比例最高(29%),其次是光伏电池板组件(14%)和电解池组件(14%)。蒸汽式制冷机组件(12%)和冰蓄冷组件(8%)的成本占总成本较低,因为冷却负载相对于电气负载而言较低。
风能和太阳能产生的每月电力如图7所示。两种可再生能源的发电量受季节影响很大:夏季(5月,6月和7月)的可再生能源发电量最高。虽然通常认为风能和光伏资源是互补的,但与光伏资源相比,银川的风能更为丰富,因此在本研究的HRES中,风能发电量高于太阳能发电量。此外,由于每个季节的风能资源和光伏资源的密度不一致,因此风力和光伏的发电量趋势也不一致。
表5仿真结果
最后,将ISSA的仿真结果与SSA,粒子群算法(Particle swarm optimization,PSO),哈里斯鹰优化(Harris Hawk Optimization,HHO)和正弦余弦算法(Sine cosinealgorithm,SCA)进行比较。为了保证算法验证的公平性,每种算法独立运行30次。LCOE的均值(mean)和标准差(std)作为评估算法性能的标准。所有算法的总体种群大小为30,最大迭代次数为150。表6显示了ISSA和其他对比算法的仿真结果。ISSA是具有最小LCOE(mean=0.3143)的最佳HRES优化解决方案。此外,ISSA获得的结果最稳定(std=0.0100)。其中,HHO对HRES优化配置问题的适用性较差(mean=0.4520,std=0.0719)。最终,比较结果表明,ISSA获得的HRES优化配置结果比其他方法要好。
此外,我们对比了不同算法的平均运行时间(mean-t(s))。在所有算法中,SCA(41.99s)的时间最短。除了运行时间较长的HHO(90.77s)之外,其他算法的执行时间几乎没有差异。值得注意的是,ISSA的平均运行时间(43.03s)与SSA的平均运行时间(43.10s)相差无几。这是因为仅重新构建了SSA的数学模型并调整了算法的结构,不增加对目标的评估次数,因此算法的求解时间没有显著差异。与原始算法SSA相比,ISSA的平均LCOE相对于SSA减少了4.8%。这意味着本发明中对SSA的改进是有效的,改进方法使得SSA更适合于HRES的优化设计。
表6算法比较
申请人结合说明书附图对本发明的实施例做了详细的说明与描述,但是本领为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (6)
1.一种离网风光氢冷能源系统优化配置方法,其特征在于,所述方法包括以下步骤:
步骤1:构建风光氢冷能源系统,所述风光氢冷能源系统包括光伏电池板,风力涡旋机,由氢气罐,电解槽,燃料电池组成的氢气存储单元,蒸汽式制冷机,冰蓄冷,提供电力负荷冷负荷供应单元;
步骤2:通过风光氢冷能源系统的设备采集光伏辐射强度,风速,温度,年电力负荷需求以及年冷负荷需求参数构建离网风光氢冷能源模型;
步骤3:通过可再生能源性能指标对所述离网风光氢冷能源系统模型进行评估,所述性能指标包括:能源平均成本、功率供应缺失率和功率削减率;其中:
通过带有约束违反度Epsilon约束方法将能源平均成本作为目标函数,功率供应缺失率和功率削减率作为约束条件;
步骤4:通过樽海鞘算法对所述离网风光氢冷能源模型运行策略计算获得一年内的功率供应缺失率与功率消减率;
步骤5:通过樽海鞘算法对步骤3中所述离网风光氢冷能源模型目标函数与约束条件进行优化配置;;
步骤6:判断是否满足终止条件,若不满足,则返回步骤5,若满足终止条件,输出最优结果。
2.根据权利要求1所述的一种离网风光氢冷能源系统优化配置方法,其特征在于,所述步骤2中离网风光氢冷能源模型包括以下单元:
光辐射处理单元:通过光伏电池板吸收太阳辐射,将阳光中的光子转化为电子并产生电能,其中:受到温度的影响,时间t下的光伏电池板的输出PPV(t)描述如下:
式中,Ps是输出功率,Irrpv(t)是时间t的太阳辐射密度,Fd是降额系数,α是温度系数,Tpv(t)是光伏电池板的温度,TS是标准条件下的环境温度,TNOC,a代表电池的标称工作温度;TNOC,c是环境的标称工作温度,G是标称工作温度下的辐射强度;
风力处理单元:是风力涡轮机通过风力来旋转发电机提供机械动力,而其动力受实时风速的影响;根据切入风速,切出风速和额定风速,风力发电机组的功率PWT(t)描述如下:
Pr为风力发电机的额定功率为,v(t)是时间t处的实际风速;vin,vout,and vr分别代表切入风速、切出风速和额定风速;
氢气存储单元:是在光伏和风力涡轮机的能量超过负载需求,则电解池可以吸收剩余的能量并将其以氢的形式存储在氢气罐中;当光伏和风力涡轮机的能量无法满足负载需求,则氢将通过燃料电池转换为电能,以满足负载需求;氢气存储单元在充电和放电状态下的存储容量描述如下:
式中,SOCHT(t)、SOCHT(t-1)分别表示在时间t和t-1的氢气罐中的氢容量;PEL是时间t时电解池的功率;PFC是时间t时燃料电池组件的功率;PL(t)是时间t的负载需求,Pg(t)是时间t的可再生能源的功率,ηinv是逆变器效率,ηEL是电解池的充电效率,ηFC是燃料电池的放电效率;ρ为每千瓦电能的制氢量;每立方米氢气产生的电能为η;
电制冷处理单元:通过蒸汽式制冷机建立制冷模型如下:
Pvcr(t)=ηvcrPg(t)
其中,Pvcr(t)是时刻t的蒸汽式制冷机的功率;ηvcr是蒸汽式制冷机的效率;冰蓄冷处理单元:在光伏和风力涡轮机的能量大于冷却负荷需求条件下,且氢气存储单元的容量达到最大,则多余的能量将由蒸汽式制冷机转换为冷气并存储在冰蓄冷中;当光伏和风力涡轮机的能量不能满足冷却负荷需求时,冰蓄冷可以释放能量以满足冷却负荷需求;冰蓄冷在充电和放电状态下的存储容量描述如下:
其中,SOCIT(t)和SOCIT(t-1)分别代表冰蓄冷在时间t和t-1处的能量;ηIT,chr为冰蓄冷的充电效率,ηIT,dis为冰蓄冷的放电效率,PIT,ch(t)为冰蓄冷的充电效率,PIT,dis(t)为冰蓄冷的放电效率。
4.根据权利要求1所述的一种离网风光氢冷能源系统优化配置方法,其特征在于:所述步骤3中通过带有约束违反度Epsilon约束方法将能源平均成本作为目标函数,功率供应缺失率和功率削减率作为约束条件过程:
步骤301、选择目标函数作为优化目标,功率供应缺失率和功率削减率作为约束条件,对所述离网风光氢冷能源模型进行整数规划的约束,可描述如下:
min[LCOE]
由于离网偏远地区的空间限制,可再生能源系统中的组件数量受到以下限制:
0≤NWT≤NWT,max
0≤NPV≤NPV,max
0≤Nvcr≤Nvcr,max
0≤NIT≤NIT,max
0≤NHT≤NHT,max
0≤NFC≤NFC,max
0≤NEL≤NEL,max
其中,NWT、NPV、NEL、NHT、NFC、Nvcr和NIT分别为光伏电池板、风力涡旋机、电解槽、氢气罐、燃料电池、蒸汽式制冷机和冰蓄冷的数量;NWT,max、NPV,max、NEL,max、NHT,max、NFC,max、Nvcr,max和NIT,max分别为光伏电池板、风力涡旋机、电解槽、氢气罐、燃料电池、蒸汽式制冷机和冰蓄冷的最大数量。
为了减少电力短缺对居民的影响以及风能和光伏能源的浪费,应对功率供应缺失率和功率削减率进行限制,具体描述如下:
LPSP≤5%
PAR≤10%
可再生能源系统中组件的功率限制如下:
PEL≤PEL,max
PFC≤PFC,max
Pvcr≤Pvcr,max
PIT,ch≤PIT,ch,max
PIT,dis≤PIT,dismax
PEL、PFC、Pvcr分别为电解池,燃料电池和蒸汽式制冷机组件的功率;PEL,max、PFC,max和Pvcr,max分别为电解池,燃料电池和蒸汽式制冷机组件的最大功率;PIT,ch和PIT,dis分别是冰蓄冷的输入和输出功率;PIT,ch,max和PIT,dismax分别是冰蓄冷的最大输入功率和最大输出功率;
可再生能源系统存储系统的容量限制如下:
0≤SOCHT≤SOCHT,max
0≤SOCIT≤SOCIT,max
SOCHT,max和SOCIT,max分别是氢气罐和冰蓄冷的最大容量。
5.根据权利要求1所述的一种离网风光氢冷能源系统优化配置方法,其特征在于:所述步骤4包括以下步骤:
步骤401:根据离网风光氢冷能源系统的偏远地区的光伏辐射强度,风速,温度,年电力负荷需求以及年冷负荷需求,输入光伏电池板,风力涡旋机,氢气存储系统,蒸汽式制冷机,冰蓄冷的组件数量,并计算各个组件的容量,设T=1;
步骤402:如果光伏和风机产生的电力超过负载需求,则多余的能量将被输送到电解池以产生氢并存储在氢气罐中;其中:
电解池产生的氢气量不能超过其最大的氢气产量;同时,氢气罐存储的氢气容量不能超过其所能存储的最大氢气量,若产生的氢气量与当前氢气罐存储的氢气容量之和超过氢气罐所能存储的最大氢气量,剩余的氢气不被储存;
氢气罐的容量达到最大限制,则多余的能量将通过电冷却器存储在冰蓄冷中;冰蓄冷存储的冷气量不能超过其所能存储的最大容量,如果产生的冷气量与当前冰蓄冷的容量之和超过冰蓄冷所能存储的最大的能量,则剩余的冷气不能被储存,这部分能量被放弃;
离网风光氢冷能源系统无法提供所需的负荷需求,则储能装置将释放能量以满足电力负荷与冷负荷需求;氢罐优先满足电力负荷的需求,如果此时氢罐中的氢气有剩余且当冰蓄冷不能满足电力负荷时,再将能量提供给冷负荷;如果离网风光氢冷能源系统与冰蓄冷,氢气存储的能量不能满足负荷要求,则记录此时的电力短缺量;燃料电池与冰蓄冷的放电功率不能超过它们的最大放电功率;
步骤403:T=T+1,判断是否T=8760,如果是则算法终止,记录总的电力放弃量与电力短缺量,计算功率供应缺失率与功率消减率;反之,返回步骤402,继续迭代过程。
6.根据权利要求1所述的一种离网风光氢冷能源系统优化配置方法,其特征在于:
所述步骤5中樽海鞘算法改进步骤:
步骤501、通过如下公式对樽海鞘中领导者策略更新:
c4是在[0,1]上均匀生成的随机数;Xm,j是樽海鞘在第j维上的平均位置,描述如下:
Xm是所有樽海鞘的平均位置,Xi是樽海鞘个体i的位置;
步骤502、通过如下公式对樽海鞘策略中追随者策略更新:
步骤503、通过每个樽海鞘位置都会将在更新后进行评估;如果更新后樽海鞘的位置比先前樽海鞘的位置好,则樽海鞘的位置不变;反之,樽海鞘的位置退回为先前樽海鞘的位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110640714.9A CN113468723B (zh) | 2021-06-09 | 2021-06-09 | 一种离网风光氢冷能源系统优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110640714.9A CN113468723B (zh) | 2021-06-09 | 2021-06-09 | 一种离网风光氢冷能源系统优化配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113468723A true CN113468723A (zh) | 2021-10-01 |
CN113468723B CN113468723B (zh) | 2022-05-20 |
Family
ID=77869431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110640714.9A Active CN113468723B (zh) | 2021-06-09 | 2021-06-09 | 一种离网风光氢冷能源系统优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113468723B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357681A (zh) * | 2022-01-07 | 2022-04-15 | 湖北工业大学 | 一种考虑综合因素指标的制氢加氢站布点优化方法 |
CN115001150A (zh) * | 2022-06-29 | 2022-09-02 | 河北工业大学 | 一种离网型风光互补制储氢系统及其容量配置方法 |
CN118381092A (zh) * | 2024-06-21 | 2024-07-23 | 中国极地研究中心(中国极地研究所) | 一种极地离网型风氢供能系统及其控制方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765967A (zh) * | 2015-04-20 | 2015-07-08 | 中国人民解放军国防科学技术大学 | 一种离网混合可再生能源系统的多目标优化设计方法 |
CN110348709A (zh) * | 2019-06-26 | 2019-10-18 | 西安交通大学 | 基于氢能与储能设备的多能源系统的运行优化方法和装置 |
CN110365281A (zh) * | 2019-07-02 | 2019-10-22 | 西安交通大学 | 含氢电热冷的多能源系统及其供需协同规划方法和装置 |
CN110555618A (zh) * | 2019-09-06 | 2019-12-10 | 东北大学 | 基于改进樽海鞘算法的网络化综合能源系统优化调度方法 |
CN110689189A (zh) * | 2019-09-24 | 2020-01-14 | 国网天津市电力公司 | 考虑供能侧和需求侧的冷热电联合供需平衡优化调度方法 |
CN112800619A (zh) * | 2021-02-09 | 2021-05-14 | 上海电力大学 | 多源异质全可再生能源热电气储耦合系统建模与规划方法 |
-
2021
- 2021-06-09 CN CN202110640714.9A patent/CN113468723B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104765967A (zh) * | 2015-04-20 | 2015-07-08 | 中国人民解放军国防科学技术大学 | 一种离网混合可再生能源系统的多目标优化设计方法 |
CN110348709A (zh) * | 2019-06-26 | 2019-10-18 | 西安交通大学 | 基于氢能与储能设备的多能源系统的运行优化方法和装置 |
CN110365281A (zh) * | 2019-07-02 | 2019-10-22 | 西安交通大学 | 含氢电热冷的多能源系统及其供需协同规划方法和装置 |
CN110555618A (zh) * | 2019-09-06 | 2019-12-10 | 东北大学 | 基于改进樽海鞘算法的网络化综合能源系统优化调度方法 |
CN110689189A (zh) * | 2019-09-24 | 2020-01-14 | 国网天津市电力公司 | 考虑供能侧和需求侧的冷热电联合供需平衡优化调度方法 |
CN112800619A (zh) * | 2021-02-09 | 2021-05-14 | 上海电力大学 | 多源异质全可再生能源热电气储耦合系统建模与规划方法 |
Non-Patent Citations (3)
Title |
---|
LEIJIAO GE ET AL: "Optimal Capacity Allocation of Energy Storage System considering Uncertainty of Load and Wind Generation", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 * |
刘鹏飞: "风光氢储综合供电系统优化配置与能量管理研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
陈维荣 等: "计及需求侧的风-光-氢多能互补微电网优化配置", 《西南交通大学学报(网络首发论文)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114357681A (zh) * | 2022-01-07 | 2022-04-15 | 湖北工业大学 | 一种考虑综合因素指标的制氢加氢站布点优化方法 |
CN115001150A (zh) * | 2022-06-29 | 2022-09-02 | 河北工业大学 | 一种离网型风光互补制储氢系统及其容量配置方法 |
CN115001150B (zh) * | 2022-06-29 | 2024-07-26 | 河北工业大学 | 一种离网型风光互补制储氢系统及其容量配置方法 |
CN118381092A (zh) * | 2024-06-21 | 2024-07-23 | 中国极地研究中心(中国极地研究所) | 一种极地离网型风氢供能系统及其控制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113468723B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Krishan et al. | Techno-economic analysis of a hybrid renewable energy system for an energy poor rural community | |
Das et al. | Optimal sizing of a grid-independent PV/diesel/pump-hydro hybrid system: A case study in Bangladesh | |
CN113468723B (zh) | 一种离网风光氢冷能源系统优化配置方法 | |
Li et al. | Performance evaluation of solar hybrid combined cooling, heating and power systems: A multi-objective arithmetic optimization algorithm | |
CN103839109A (zh) | 一种基于博弈纳什均衡的微网电源规划方法 | |
CN113762708A (zh) | 一种考虑多目标协同的园区级综合能源系统规划方法 | |
Kong et al. | Optimization of the hybrid solar power plants comprising photovoltaic and concentrating solar power using the butterfly algorithm | |
CN111327053A (zh) | 一种适用于极地气候下的多源微电网容量优化配置方法 | |
Zhu et al. | Multi-objective optimization of a hybrid energy system integrated with solar-wind-PEMFC and energy storage | |
Feng et al. | Performance analysis of hybrid energy storage integrated with distributed renewable energy | |
CN113159407A (zh) | 基于区域综合能源系统的多能储存模块容量优化配置方法 | |
CN112085263A (zh) | 一种用户侧分布式能源系统混合储能优化配置方法和系统 | |
Ge et al. | Optimal configuration of an off-grid hybrid renewable energy system with PV/wind/hydrogen/cooling | |
Soheyli et al. | Modeling and optimal resources allocation of a novel tri-distributed generation system based on sustainable energy resources | |
CN117134409A (zh) | 考虑电-氢-热互补的微网系统及其多目标优化配置方法 | |
Alktranee et al. | Overview of the hybrid solar system | |
Wu et al. | Optimal design method and benefits research for a regional integrated energy system | |
Wang et al. | Optimal configuration of an off-grid hybrid wind-hydrogen energy system: Comparison of two systems | |
Shayeghi et al. | Potentiometric of the renewable hybrid system for electrification of gorgor station | |
Deng et al. | Research on economic operation of grid-connected DC microgrid | |
CN115526381A (zh) | 一种面向能源互联网的零碳园区优化规划方法及装置 | |
Rouhani et al. | A teaching learning based optimization for optimal design of a hybrid energy system | |
CN114330835A (zh) | 一种综合能源微网中电/热混合储能系统的优化配置方法 | |
Koochaki et al. | Optimal design of solar-wind hybrid system using teaching-learning based optimization applied in charging station for electric vehicles | |
Li et al. | Optimal configuration for distributed generations in micro-grid system considering diesel as the main control source |
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 |