CN113553770A - 一种基于主从博弈的电氢综合能源系统优化运行方法 - Google Patents

一种基于主从博弈的电氢综合能源系统优化运行方法 Download PDF

Info

Publication number
CN113553770A
CN113553770A CN202110854097.2A CN202110854097A CN113553770A CN 113553770 A CN113553770 A CN 113553770A CN 202110854097 A CN202110854097 A CN 202110854097A CN 113553770 A CN113553770 A CN 113553770A
Authority
CN
China
Prior art keywords
hydrogen
energy system
selling
behavior
master
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
Application number
CN202110854097.2A
Other languages
English (en)
Inventor
陆怀谷
万立新
陈亮
王曙宁
刘晓康
戚星宇
赵清源
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110854097.2A priority Critical patent/CN113553770A/zh
Publication of CN113553770A publication Critical patent/CN113553770A/zh
Pending legal-status Critical Current

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Genetics & Genomics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于主从博弈的电氢综合能源系统优化运行方法，该方法包括如下步骤：步骤1、设计电氢综合能源系统的基本架构，构建产销一体化结构；步骤2、建立一主两从的主从博弈模型；步骤3、对电氢综合能源系统进行条件约束；步骤4、利用遗传算法对步骤2建立的一主两从的主从博弈模型进行求解。本发明的有益效果：本发明中电氢综合能源系统可消纳多余风电；氢气可以通过压缩储存在高压储氢设备中，向用氢负荷供能，还可在风电出力不足时，氢气可通过燃料电池，再发电补充上网，用于分布式供电，以削峰填谷。

Description

一种基于主从博弈的电氢综合能源系统优化运行方法
技术领域
本发明涉及一种基于主从博弈的电氢综合能源系统优化运行方法，属于电力系统规划调度领域。
背景技术
以清洁发展为导向的能源转型是当前国际社会普遍关注的议题，氢气被认为是能源转型中重要的过渡能源，可利用含氢储能的电氢综合能源系统(Electric HydrogenIntegrated Energy System，EHIES)进行能源相互转换，使电与氢的单向耦合转变成双向耦合；因此，合理优化EHIES运行方法，可促进电和氢协调配合，对于推动能源转型也具有重要意义，成为当前研究的热点。
目前，国内外学者对于EHIES优化运行已有较多研究，EHIES利用氢储能将电能转换为氢气，氢气再转电能，进行跨能量领域；已有研究以系统运行总成本最小为目标函数进行运行优化，并论证了未来大规模应用氢储能的可行性；利用氢储能作为储能系统，应用于多种能源耦合的微网中，验证了氢储能可降低全寿命周期成本；以考虑能量转换损失和环境成本的经济性为目标函数进行建模，对系统进行优化；以系统总运行成本最小为目的对综合能源系统进行优化。
现有研究均以系统运行成本最低为主要目的，利用氢储能将电能转换为氢气，氢气再转电能，进行跨能量领域存储和削峰填谷，伴随着电力市场不断改革，单纯考虑氢储能作为储能起到削峰填谷的作用，会降低系统的经济性，由于水电解出的氢气纯度较高和工业用氢负荷出价较高，故可在原有电能交易的基础上考虑直接售氢带来的收益。
在能源市场化的背景下，EHIES可依据自身利益需求进行直接售氢和储能的能源交易，如何最优分配氢气和制定售氢价已成为EHIES优化运行新的研究热点；已有研究以基础投资成本和运营成本综合最低为目标，利用传统多目标优化方法进行求解，但不利于揭示模型的主要矛盾、控制变量互相耦合，而主从博弈可通过对变量的划分可解决模型的矛盾，研究多主体如何进行策略优化的问题，使传统方法朝着多主体多目标方向进行转变；已有研究分析了由含氢储能的能源系统运营商、能源生产商、负荷聚合商和储能提供商组成的综合能源系统的运行机制，提出了四方参与的主从博弈模型，但只考虑了直接售氢可提升能源系统运营商的收益水平；利用主从博弈进行建模，通过氢储能调节调整上网电量，使风电场效益最大；上述研究仅考虑综合能源系统运营商与系统其它主体进行博弈，没有涉及到氢气的最优分配和最优售氢价的问题，为了提高EHIES整体的经济效益，根据博弈思想，将售氢行为(Hydrogen Selling Behavior，HSB)和储能行为(Energy StorageBehavior，ESB)设置为电氢综合能源系统运营商(Electric hydrogen integrated energysystem operator，EHIESO)的虚拟博弈者，考虑到EHIESO和ESB、HSB在利益相互影响的局势下是不平等的两个参与者，利用主从博弈论对EHIES进行优化运行。
发明内容
本发明提出的是一种基于主从博弈的电氢综合能源系统优化运行方法，其目的旨在提高电氢综合能源系统的整体经济效益，实现氢气最优分配。
本发明的技术解决方案是：一种基于主从博弈的电氢综合能源系统优化运行方法，该方法包括如下步骤：
步骤1、设计电氢综合能源系统的基本架构，构建产销一体化结构；
步骤2、建立一主两从的主从博弈模型；
步骤3、对电氢综合能源系统进行条件约束；
步骤4、利用遗传算法对步骤2建立的一主两从的主从博弈模型进行求解。
本发明的有益效果：
本发明中电氢综合能源系统(EHIES)可消纳多余风电；氢气可以通过压缩储存在高压储氢设备中，向用氢负荷供能，还可在风电出力不足时，氢气可通过燃料电池，再发电补充上网，用于分布式供电，以削峰填谷。
附图说明
附图1为电氢综合能源系统结构图。
附图2为主从博弈示意图。
附图3为改进遗传算法的流程图。
附图4为求解博弈模型流程图。
附图5为预测风电的功率。
附图6为预测电负荷及氢负荷的功率。
附图7为Pareto法多次求解结果。
附图8为不同方案的EHIESO收益对比。
附图9为高压储氢设备中日氢气周期储量变化情况。
附图10为方案1和方案3的售氢价对比。
具体实施方式
一种基于主从博弈的电氢综合能源系统优化运行方法，该方法包括如下步骤：
步骤1、设计电氢综合能源系统的基本架构，构建产销一体化结构；
步骤2、建立一主两从的主从博弈模型；
步骤3、对电氢综合能源系统进行条件约束；
步骤4、利用遗传算法对步骤2建立的一主两从的主从博弈模型进行求解。
所述步骤1中电氢综合能源系统的基本架构包括风电机组、用电负荷、电解槽、压缩器、燃料电池、用氢负荷、高压储氢设备，其中，电解槽、高压储氢设备、燃料电池之间建立电解槽-高压储氢设备-燃料电池装置模型；用电负荷由风电机组发电、燃料电池、外部电网提供；多余的风电出力输送给电解槽；电解槽通过电解水获得氢气，一部分氢气通过压缩器后储存在高压储氢设备中，高压储氢设备中的氢气通过燃料电池为用电负荷供电，起到削峰填谷的作用；另一部分氢气通过压缩器后售给用氢负荷，以提高经济性；电氢综合能源系统的基本架构如图1所示。
所述电解槽采用碱式电解槽，电解质为30％的NaOH溶液；碱式电解槽在制氢时可适应间歇波动性功率、大压力、高电流密度、低电压等场合，且运行可靠、稳定；所述高压储氢设备优选为储氢罐；在电解槽、高压储氢设备、燃料电池之间建立电解槽-高压储氢设备-燃料电池装置模型。
所述电解槽-高压储氢设备-燃料电池装置模型包括电解槽制氢和燃料电池发电约束、储氢和售氢约束、高压储氢设备中氢气的状态约束、燃料电池并网逆变器有功、无功约束。
所述电解槽制氢和燃料电池发电约束如式(1)和(2)；所述储氢和售氢约束如式(3)-(5)；所述高压储氢设备中氢气的状态约束如式(6)-(7)；所述燃料电池并网逆变器有功、无功约束如式(8)；
Figure BDA0003183457900000041
Figure BDA0003183457900000042
Figure BDA0003183457900000043
Figure BDA0003183457900000044
Figure BDA0003183457900000051
Figure BDA0003183457900000052
Figure BDA0003183457900000053
Figure BDA0003183457900000054
式中，PP2G,t和PHE,t分别为t时刻电解制氢耗电功率和燃料电池并网逆变器所产生的发电功率；αP2G为制氢耗损系数；βHE为发电耗损系数；
Figure BDA0003183457900000055
Figure BDA0003183457900000056
分别为t时刻制氢量、耗氢量、售氢量；
Figure BDA0003183457900000057
和
Figure BDA0003183457900000058
分别为制氢所需功率的上下限；
Figure BDA0003183457900000059
和
Figure BDA00031834579000000510
分别为燃料电池发电功率的上下限；
Figure BDA00031834579000000511
和
Figure BDA00031834579000000512
为售氢量的上下限；
Figure BDA00031834579000000513
为高压储氢设备t时刻的氢气储存量；
Figure BDA00031834579000000514
和
Figure BDA00031834579000000515
分别为高压储氢设备内氢气储存量的上下限；QHE,t为燃料电池并网逆变器所产生的无功功率；SHE,t为燃料电池并网逆变器最大视在功率。
本发明中电氢综合能源系统可消纳多余风电，是一种对环境友好、效率较高的能源系统；在实际电力市场中，氢储能的终端利用具有多元化的特点，不仅可在风电出力不足时，氢气可通过燃料电池进行发电，补充上网，用于分布式供电，以削峰填谷，还可以向用氢负荷直接供能。
所述步骤2中一主两从的主从博弈模型中包括3个基本要素，3个基本要素分别为参与者、策略、收益/支付；所述参与者包括领导者和跟随者；所述领导者为电氢综合能源系统运营商，领导者策略为电氢综合能源系统运营商的售氢价，领导者策略的目标为电氢综合能源系统运营商的售氢利润最大，电氢综合能源系统运营商所制定的策略是跟随者制定策略的基础；所述跟随者包括两个跟随者，两个跟随者分别为储能行为和售氢行为，跟随者策略包括储能行为策略和售氢行为策略，利用各时段购氢功率、售电功率作为储能行为策略，利用各时段用氢负荷响应量作为售氢行为策略，储能行为和售氢行为看作是电氢综合能源系统运营商的两个虚拟博弈者；储能行为策略和售氢行为策略分别调整储能行为和售氢行为各自自身的收益/支付函数，并将储能行为和售氢行为各自策略下的收益/支付函数反馈给领导者；领导者通过自身的策略影响跟随者策略从而间接决定自身的收益函数，在整个博弈过程中领导者处于主导地位。
所述一主两从的主从博弈模型的表达式为：G＝{L；Ω；I}；表达式中G为一主两从的主从博弈模型的集合，L为参与者、Ω为策略、I为收益/支付：
Figure BDA0003183457900000061
在式(9)中，LEHIESO、LESB、LHSB分别为参与者电氢综合能源系统运营商、储能行为、售氢行为；ΩEHIESO、ΩESB、ΩHSB为参与者电氢综合能源系统运营商、储能行为、售氢行为各自对应的博弈策略集；IEHIESO、IESB、IHSB为参与者电氢综合能源系统运营商、储能行为、售氢行为各自对应的收益/支付函数；G为一主两从的主从博弈模型的集合。
所述跟随者策略影响电氢综合能源系统运营商的售氢价，也影响电氢综合能源系统运营商的收益函数；所述电氢综合能源系统运营商的收益函数的目标为电氢综合能源系统运营商的售氢利润最大化。
所述售氢行为的支付函数的目标为用氢成本最小；所述储能行为的收益函数的目标为售电收益和购氢费用之差最大。
本发明所提方法追求系统整体收益最优的情况下，将储能行为和售氢行为看作是两个虚拟博弈者并作为博弈的跟随者，电氢综合能源系统运营商作为领导者；主从架构博弈充分考虑领导者和跟随者之间的关系和相互作用，具体博弈示意如图2所示。
本发明在利用主从博弈思想解决问题前，首先梳理博弈基本思路，明确各个参与者关注的重点，由于风电的随机性和终端利用的可调整性，如何合理优化运行以消纳风电，并调整售氢价以售能的利润最大，是电氢综合能源系统运营商关注的重点；如何针对不同售氢价来合理调整电氢综合能源系统运营商自身的各时段购氢、售电功率、用氢负荷响应量，在可接受的用能体验范围内提高经济收益，是储能行为和售氢行为重点关注的问题；由此可见，电氢综合能源系统运营商、储能行为、售氢行为分属于不同利益主体且彼此之间不存在协议，各自有着不同策略和收益/支付函数，但收益/支付函数都受对方策略的影响，是一种典型的主从博弈问题。
所述步骤3对电氢综合能源系统进行条件约束，具体包括以下步骤：
步骤3-1、建立相关目标函数，相关目标函数包括每个参与者对应的收益/支付函数；
步骤3-2、建立系统约束条件对电氢综合能源系统(EHIES)进行约束。
在一主两从的主从博弈模型中，每个参与者的收益最大化或支付最小化是每个参与者在博弈中追求的目标，它是关于策略的函数，合理地构建收益/支付函数对于一主两从的主从博弈模型的求解有很大的影响；所述步骤3-1中参与者对应的收益/支付函数包括领导者博弈收益函数，跟随者收益/支付函数。
所述领导者博弈收益函数中领导者指的是电氢综合能源系统运营商，电氢综合能源系统运营商的博弈策略集为
Figure BDA0003183457900000071
通过领导者博弈收益函数求出售氢利润的最大值，IEHIESO指售氢的利润，所述领导者博弈收益函数如式(10)所示：
Figure BDA0003183457900000072
式中，
Figure BDA0003183457900000073
为销售氢气的收益；
Figure BDA0003183457900000074
为向外电网购电费用；
Figure BDA0003183457900000075
为售氢价格；
Figure BDA0003183457900000081
为经压缩后的氢气功率；
Figure BDA0003183457900000082
分别为向外电网购电价、售电价、向外电网购电量、售电量；以t＝1为一个时间尺度，其中△t为采样步长。
所述跟随者收益/支付函数包括售氢行为(HSB)的支付函数，储能行为(ESB)的收益函数。
所述售氢行为(HSB)受电氢综合能源系统运营商的售氢价格影响，售氢行为(HSB)的博弈策略集是
Figure BDA0003183457900000083
Figure BDA0003183457900000084
为用氢负荷响应量，通过售氢行为的支付函数IHSB求出用氢能成本的最小值，售氢行为(HSB)的支付函数如式(11)所示：
Figure BDA0003183457900000085
式中，
Figure BDA0003183457900000086
为购能费用；
Figure BDA0003183457900000087
为不舒适成本；
Figure BDA0003183457900000088
为购自电氢综合能源系统运营商EHIESO的氢量；μh耗氢功率，计算不舒适成本时，用氢负荷响应量按可削减氢负荷
Figure BDA0003183457900000089
考虑，不舒适成本则为用氢负荷响应量的二次函数；购自电氢综合能源系统运营商的氢量
Figure BDA00031834579000000810
用氢负荷预测值与用氢负荷响应量之差，如下式(12)，购自电氢综合能源系统运营商EHIESO的氢量和用氢负荷响应量均存在上限：
Figure BDA00031834579000000811
式中，
Figure BDA00031834579000000812
为用氢负荷预测值。
所述储能行为(ESB)受电氢综合能源系统运营商的售氢价影响，储能行为的博弈策略集是
Figure BDA00031834579000000813
其中
Figure BDA00031834579000000814
为各时段购氢功率，
Figure BDA00031834579000000815
为各时段售电功率；考虑到风电具有间歇性，电氢综合能源系统EHIES内部会出现供小于求的情况，此时需要储能行为放电以补充电力；多余氢能将储存起来，使系统安全稳定运行；所以储能行为(ESB)的收益函数的目标为储能行为的利润IESB最大，如下式(13)：
Figure BDA0003183457900000091
式中，
Figure BDA0003183457900000092
为售电收益，
Figure BDA0003183457900000093
为购氢费用，
Figure BDA0003183457900000094
为市场电价。
所述步骤3-2中建立的系统约束条件包括：1)高压储氢设备-燃料电池系统约束；2)电解槽、燃料电池出力调控EHIES平衡；3)电氢综合能源系统运营商的购电价格约束。
所述高压储氢设备-燃料电池系统约束用于对高压储氢设备-燃料电池所组成的系统进行一定的设备约束；所述高压储氢设备-燃料电池系统约束，具体如式(14)-(16)所示：
Figure BDA0003183457900000095
Figure BDA0003183457900000096
Ee(0)＝Ee(T) (16)；
式中，
Figure BDA0003183457900000097
充氢效率；
Figure BDA0003183457900000098
为放电效率；Ee(t)为实时储电量；
Figure BDA0003183457900000099
为最大储量；
Figure BDA00031834579000000910
为最小储量比例；高压储氢设备-燃料电池须保证日周期内始末储量一致，因此利用式(16)对下一周期起始时段的容量进行约束。
所述电解槽、燃料电池出力调控EHIES平衡，具体如式(17)所示：
Figure BDA00031834579000000911
式中，
Figure BDA00031834579000000912
为用电负荷预测量；
所述电氢综合能源系统运营商的购电价格约束，具体如式(18)和(19)：
Figure BDA0003183457900000101
Figure BDA0003183457900000102
式中，
Figure BDA0003183457900000103
为市场电价的最小值。
为保证电氢综合能源系统EHIES中用电负荷不与外界单独交易，氢综合能源系统运营商的购电价格应在一定范围内，即满足式(18)和(19)。
主从博弈存在唯一均衡解的充要条件在于：1、领导者博弈收益函数为其策略集合的非空且连续；2、跟随者收益/支付函数为其策略集合的连续的拟凹函数；本发明中电氢综合能源系统运营商作为领导者其策略集合为
Figure BDA0003183457900000104
其博弈收益函数中第一项与售氢价有关，是关于策略的连续函数；售氢行为作为跟随者，其支付函数的第二项与其策略有关，呈二次函数形式，对其中变量求二阶偏导，可得到一个大于0的常数；储能行为的收益函数中第一项和第二项分别与策略集合
Figure BDA0003183457900000105
有关，储能行为的收益函数为其策略集合的连续的拟凹函数；综上所述，本发明所提主从博弈存在唯一均衡解，证明一主两从的主从博弈存在Stackelberg均衡。
所述步骤4利用遗传算法对步骤2中建立的一主两从的主从博弈模型进行求解，通过在遗传算法中引入信息熵计算初始种群和设计适应度函数求解模型，具体包括以下步骤：步骤4-1在遗传算法的基础上，加入信息熵阈值形成改进遗传算法；步骤4-2求解Stackelberg均衡。
所述步骤4-1在遗传算法的基础上，加入信息熵阈值形成改进遗传算法，具体包括：
1)利用信息熵初始化种群，为了使初始种群在解空间中均匀分布，避免在解空间的局部区域集中分布，过程包括如下步骤：
a)第一步：设定临界熵值S0；
b)第二步：随机生成种群中的个体；
c)第三步：以同样的方式每次生成一个个体，计算与现有个体的熵值S；如果S>S0，那么接受这个个体；否则，拒绝；这种情况下，重新生成一新个体，计算熵值S，直到满足S>S0的条件；
d)第四步：重复步骤b)-c)直到个体数达到指定的初始种群数；
2)利用信息熵重新设计适应度函数，在遗传算法中，计算每个个体的适应度函数值，并通过统计分析得到分布特征函数，然后，得到不同解的概率，并根据式(20)计算信息熵，最后，确定种群的多样性程度；
Figure BDA0003183457900000111
上式，I代表所有个体；Pi代表第i个个体发生的概率。
基于以上分析，本发明基于信息熵改进遗传算法的步骤如图3。
传统遗传算法在形成初始种群时，因其随机性强，无规律，易产生相同的个体，容易收敛到局部最优的问题；若通过增加初始种群的数量来优化，会导致算法整体寻优速度变慢，为了同时保持每一代种群的多样性和优化新的种群保留方法，在遗传算法的基础上，加入信息熵阈值，在一定程度上使产生的初始群体之间相似系数降低，在有限空间内更加高效地搜索尽可能多的可行解，从而在更短时间内获得模型的最优解。
本发明采用引入信息熵的遗传算法求解EHIES优化运行问题，并引入Rosenbrock、Rastrigin和Schaffer函数来验证引入信息熵后的遗传算法的有效性。
对于求解Rosenbrock函数，其特点是已知条件少并在(x1,...,xn)＝(1，…，1)处存在极小值，为此在寻找最优解上比较困难；Rastrigin函数的特点是非线性的函数并存在大量的使x0左边导数小于0，右边导数大于0的点，特别是，在x0会找到全局极小点；Schaffe函数的特点是多峰值分布并在原点处可解得全局极大点。
所述步骤4-2求解Stackelberg均衡，求解博弈模型流程如图4所示，具体包括：通过对改进遗传算法的求解实现求解子博弈均衡。
结合主从博弈的两个阶段，所述改进遗传算法的求解方法步骤如下：
1)首先生成相应的售氢价种群，即第一阶段决策；
2)在各种群下，跟随者依据价格进行寻优，利用改进遗传算法进行求解，获得当前售氢价下的最优策略，即第二阶段决策；
3)跟随者完成优化后，可汇总购氢功率、售电功率、用氢负荷响应量信息，此时EHIESO收益函数，即遗传算法中适应度函数亦可求得；
4)根据适应度函数，对价格种群进行选择、交叉和变异，产生下一代售氢价种群，跳转到步骤1)，直至达到Stackelberg均衡退出算法迭代。
在第二阶段决策求得各自的最优即为子博弈均衡；而当上层遗传算法相邻两代寻得的最优价格策略相同，第一阶段决策达到最优，即可认为各主体各阶段均达到最优。
为验证本发明的有效性，在同一应用场景下采用不同的电氢综合能源系统优化方法进行对比，具体以附图1所述电氢综合能源系统为算例，采用Matlab R2014a对算法程序进行编写，并调用matpower工具箱进行潮流计算；仿真计算机处理器为Intel(R)Core(TM)i5-10210U CPU@1.60GHz，内存为8GB；对于遗传算法的种群个体数量为Npop＝100；每个时段的风电预测值出力如图5，预测的电负荷和氢负荷功率如图6。
本发明最后算例结果表明，基于主从博弈的电氢综合能源系统优化运行方法可有效提高系统整体经济效益，同时改进的信息熵遗传算法具有较强的寻优能力、求解精度和稳定性。
为了验证所提方法的有效性，本发明将从以下3种方案进行算例仿真对比：
a)方案1：以EHIESO的售氢利润最大、储能行为的利润最大和HSB用氢成本最小为目标建立多目标优化模型，并采用Pareto法进行求解；
b)方案2：以EHIESO为领导者，ESB作为跟随者，不考虑HSB，建立主从博弈模型，并采用改进遗传算法进行求解；
c)方案3：采用本发明的基于主从博弈的电氢综合能源系统优化运行方法，以EHIESO为领导者，采用售氢价作为策略，售氢利润作为收益函数；ESB、HSB作为跟随者，利用各时段购氢功率、售电功率、用氢负荷响应量作为策略来调整售电和购氢的利润最大、用氢成本最小，建立主从博弈模型，并采用改进遗传算法进行求解。
在方案1中，为了避免忽视各收益/支付函数间的竞争关系造成结果误差，采用多迭代方向Pareto解集动态更新策略，从Pareto非劣解集中筛选最优解；如图7中方案1和方案3的最优解结果可以看出Pareto解集与Stackelberg均衡解的关系，这两个解相似但不同，因为在利用Pareto法进行模型求解过程中，选取最优粒子的过程具有较强随机性，所以导致非劣解得结果不唯一；方案3中在主从结构博弈思路的基础上进行建模，在证明Stackelberg均衡解存在性的基础上，考虑到领导者与跟随者是相互独立进行迭代的，因此两者不会单独改变策略，故得到唯一的Stackelberg均衡解，此时EHIESO的利润为672.65元，ESB的利润为85.51元以及HSB的成本为898.90元。
为了分析HSB作为虚拟博弈者参与主从博弈对EHIESO经济性的影响，将方案2和方案3两种情况下的EHIESO的收益函数结果进行对比，对比结果如图8所示，从图8中可知，无论是方案2还是方案3最终均收敛到一个固定的利润值，此时是主从博弈的均衡解，也证明了均衡解存在性，相比于不考虑HSB的方案2，方案3的经济效益更高，涨了32％，主要是因为计及了HSB，氢气的分配使得EHIES享有调动价格的权利，当计及EHIESO、HSB、ESB的三方博弈时，此时各时段购氢功率、售电功率、用氢负荷响应量会影响当前的售氢价，而且会根据自身策略对收益/支付函数进行优化，故HSB和ESB作为跟随者对提升系统经济性有着促进作用。
对于ESB而言，其策略为购氢功率、售电功率，高压储氢设备中日氢气周期储量变化情况见图9；从图9可以看出来，在时段0:00-8:00、9:00-12:00、23:00-24:00中，EHIES消纳多余风电并由电解槽制氢，此时高压储氢设备一直在处于储氢的状态；而在时段12:00-19:00中，EHIES利用燃料电池将部分氢能转换为电售出；在时段8:00-9:00、19:00-23:00中，多余的氢气考虑直接售氢，售氢行为可增大整体的经济效益，因此HSB的参与促进了电氢耦合，售氢利润也使得EHIESO收益增幅增加。
EHIESO每时刻售氢价如图10所示，尤其以高峰时段(11:00-13:00、17:00-2:00)售氢价差异最大，在运行方式最优下，峰时售氢价自方案1的1.106元/(kW*h)涨到方案3的1.165元/(kW*h)。
在并网EHIES中，充分利用售氢、ESB，能够提供更加灵活售氢价策略，对于引导用氢、用电负荷参与电力市场、提高经济性和削峰填谷都有积极地作用。
不同方案的优化结果见下表1：
Figure BDA0003183457900000141
表1
在表1中，方案3和方案1相比，EHIESO利润增加了48.72％，ESB利润减少了71.65％，但HSB成本减少74.39％，这是由于方案1中的Pareto法进行求解时，解得结果具有较强的随机性造成的；方案3和方案2相比，EHIESO利润增加了32.02％，ESB利润减小了13.58％，但HSB成本减少了35.3％，这是由于HSB参与博弈的原因，HSB虽然消纳一部分氢气，但同时提升了EHIESO主动权，提高了系统整体的经济效益，享有更大的价格调控空间。
对于本发明中改进遗传算法和传统遗传算法的对比如表2-表4。
表2至表4统计了迭代次数为300次时，3个无约束的Rosenbrock、Rastrigin和Schaffer函数进行测试的结果，其中交叉概率0.8，变异概率0.1，信息熵阈值S0为0.7；表2为Rosenbrock函数的结果；表3为Rastrigin函数的结果；表4为Schaffe函数的结果。
算法 最好解 平均解 最优解的标准差
传统遗传算法 2.912 6.658 3.453
改进遗传算法 2.491 3.721 1.945
表2
算法 最好解 平均解 最优解的标准差
传统遗传算法 7.077 12.721 17.062
改进遗传算法 2.619 7.346 2.921
表3
算法 最好解 平均解 最优解的标准差
传统遗传算法 0.247 60.584 181.152
改进遗传算法 0.142 24.268 36.002
表4
通过以上实验测试结果的可以看出：传统遗传算法收敛速度快，但其收敛速度和收敛精度都低于信息熵博弈遗传算法，对于初始种群的函数值，信息熵博弈遗传算法产生了比传统遗传算法好的适应度函数，表明基于信息熵的方法可以增加种群多样性，优化初始种群。

Claims (10)

1.一种基于主从博弈的电氢综合能源系统优化运行方法，其特征是包括如下步骤：
步骤1、设计电氢综合能源系统的基本架构，构建产销一体化结构；
步骤2、建立一主两从的主从博弈模型；
步骤3、对电氢综合能源系统进行条件约束；
步骤4、利用遗传算法对步骤2建立的一主两从的主从博弈模型进行求解。
2.根据权利要求1所述的一种基于主从博弈的电氢综合能源系统优化运行方法，其特征是所述电氢综合能源系统的基本架构包括风电机组、用电负荷、电解槽、压缩器、燃料电池、用氢负荷、高压储氢设备，其中，电解槽、高压储氢设备、燃料电池之间建立电解槽-高压储氢设备-燃料电池装置模型；用电负荷由风电机组发电、燃料电池、外部电网提供；多余的风电出力输送给电解槽；电解槽通过电解水获得氢气，一部分氢气通过压缩器后储存在高压储氢设备中，高压储氢设备中的氢气通过燃料电池为用电负荷供电，起到削峰填谷的作用；另一部分氢气通过压缩器后售给用氢负荷。
3.根据权利要求2所述的一种基于主从博弈的电氢综合能源系统优化运行方法，其特征是所述电解槽-高压储氢设备-燃料电池装置模型包括电解槽制氢和燃料电池发电约束、储氢和售氢约束、高压储氢设备中氢气的状态约束、燃料电池并网逆变器有功、无功约束；
所述电解槽制氢和燃料电池发电约束如式(1)和(2)；所述储氢和售氢约束如式(3)-(5)；所述高压储氢设备中氢气的状态约束如式(6)-(7)；所述燃料电池并网逆变器有功、无功约束如式(8)；
Figure FDA0003183457890000011
Figure FDA0003183457890000012
Figure FDA0003183457890000013
Figure FDA0003183457890000021
Figure FDA0003183457890000022
Figure FDA0003183457890000023
Figure FDA0003183457890000024
Figure FDA0003183457890000025
式中，PP2G,t和PHE,t分别为t时刻电解制氢耗电功率和燃料电池并网逆变器所产生的发电功率；αP2G为制氢耗损系数；βHE为发电耗损系数；
Figure FDA0003183457890000026
Figure FDA0003183457890000027
分别为t时刻制氢量、耗氢量、售氢量；
Figure FDA0003183457890000028
和
Figure FDA0003183457890000029
分别为制氢所需功率的上下限；
Figure FDA00031834578900000210
和
Figure FDA00031834578900000211
分别为燃料电池发电功率的上下限；
Figure FDA00031834578900000212
和
Figure FDA00031834578900000213
为售氢量的上下限；
Figure FDA00031834578900000214
为高压储氢设备t时刻的氢气储存量；
Figure FDA00031834578900000215
和
Figure FDA00031834578900000216
分别为高压储氢设备内氢气储存量的上下限；QHE,t为燃料电池并网逆变器所产生的无功功率；SHE,t为燃料电池并网逆变器最大视在功率。
4.根据权利要求1所述的一种基于主从博弈的电氢综合能源系统优化运行方法，其特征是所述一主两从的主从博弈模型中包括3个基本要素，3个基本要素分别为参与者、策略、收益/支付；所述参与者包括领导者和跟随者；所述领导者为电氢综合能源系统运营商，领导者策略为电氢综合能源系统运营商的售氢价，领导者策略的目标为电氢综合能源系统运营商的售氢利润最大，电氢综合能源系统运营商所制定的策略是跟随者制定策略的基础；所述跟随者包括两个跟随者，两个跟随者分别为储能行为和售氢行为，跟随者策略包括储能行为策略和售氢行为策略，利用各时段购氢功率、售电功率作为储能行为策略，利用各时段用氢负荷响应量作为售氢行为策略，储能行为和售氢行为看作是电氢综合能源系统运营商的两个虚拟博弈者；储能行为策略和售氢行为策略分别调整储能行为和售氢行为各自自身的收益/支付函数，并将储能行为和售氢行为各自策略下的收益/支付函数反馈给领导者；领导者通过自身的策略影响跟随者策略从而间接决定自身的收益函数，在整个博弈过程中领导者处于主导地位。
5.根据权利要求1所述的一种基于主从博弈的电氢综合能源系统优化运行方法，其特征是所述一主两从的主从博弈模型的表达式为：G＝{L；Ω；I}；表达式中G为一主两从的主从博弈模型的集合，L为参与者、Ω为策略、I为收益/支付：
Figure FDA0003183457890000031
在式(9)中，LEHIESO、LESB、LHSB分别为参与者电氢综合能源系统运营商、储能行为、售氢行为；ΩEHIESO、ΩESB、ΩHSB为参与者电氢综合能源系统运营商、储能行为、售氢行为各自对应的博弈策略集；IEHIESO、IESB、IHSB为参与者电氢综合能源系统运营商、储能行为、售氢行为各自对应的收益/支付函数；G为一主两从的主从博弈模型的集合。
6.根据权利要求1所述的一种基于主从博弈的电氢综合能源系统优化运行方法，其特征是所述步骤3对电氢综合能源系统进行条件约束，具体包括以下步骤：
步骤3-1、建立相关目标函数，相关目标函数包括每个参与者对应的收益/支付函数；所述参与者对应的收益/支付函数包括领导者博弈收益函数，跟随者收益/支付函数；
步骤3-2、建立系统约束条件对电氢综合能源系统进行约束；
所述领导者博弈收益函数中领导者指的是电氢综合能源系统运营商，电氢综合能源系统运营商的博弈策略集为
Figure FDA0003183457890000032
通过领导者博弈收益函数求出售氢利润的最大值，IEHIESO指售氢的利润，所述领导者博弈收益函数如式(10)所示：
Figure FDA0003183457890000041
Figure FDA0003183457890000042
式中，
Figure FDA0003183457890000043
为销售氢气的收益；
Figure FDA0003183457890000044
为向外电网购电费用；
Figure FDA0003183457890000045
为售氢价格；
Figure FDA0003183457890000046
为经压缩后的氢气功率；
Figure FDA0003183457890000047
分别为向外电网购电价、售电价、向外电网购电量、售电量；以t＝1为一个时间尺度，其中△t为采样步长。
7.根据权利要求6所述的一种基于主从博弈的电氢综合能源系统优化运行方法，其特征是所述跟随者收益/支付函数包括售氢行为的支付函数，储能行为的收益函数；
所述售氢行为受电氢综合能源系统运营商的售氢价格影响，售氢行为的博弈策略集是
Figure FDA0003183457890000048
Figure FDA0003183457890000049
为用氢负荷响应量，通过售氢行为的支付函数IHSB求出用氢能成本的最小值，售氢行为的支付函数如式(11)所示：
Figure FDA00031834578900000410
Figure FDA00031834578900000411
式中，
Figure FDA00031834578900000412
为购能费用；
Figure FDA00031834578900000413
为不舒适成本；
Figure FDA00031834578900000414
为购自电氢综合能源系统运营商EHIESO的氢量；μh耗氢功率，计算不舒适成本时，用氢负荷响应量按可削减氢负荷
Figure FDA00031834578900000415
考虑，不舒适成本则为用氢负荷响应量的二次函数；购自电氢综合能源系统运营商的氢量
Figure FDA00031834578900000416
为用氢负荷预测值与用氢负荷响应量之差，如下式(12)，购自电氢综合能源系统运营商的氢量和用氢负荷响应量均存在上限：
Figure FDA00031834578900000417
式中，
Figure FDA00031834578900000418
为用氢负荷预测值；
所述储能行为受电氢综合能源系统运营商的售氢价影响，储能行为的博弈策略集是
Figure FDA0003183457890000051
其中
Figure FDA0003183457890000052
为各时段购氢功率，
Figure FDA0003183457890000053
为各时段售电功率；储能行为的收益函数的目标为储能行为的利润IESB最大，如下式(13)：
Figure FDA0003183457890000054
Figure FDA0003183457890000055
式中，
Figure FDA0003183457890000056
为售电收益，
Figure FDA0003183457890000057
为购氢费用，
Figure FDA0003183457890000058
为市场电价。
8.根据权利要求6所述的一种基于主从博弈的电氢综合能源系统优化运行方法，其特征是所述步骤3-2中建立的系统约束条件包括：1)高压储氢设备-燃料电池系统约束；2)电解槽、燃料电池出力调控EHIES平衡；3)电氢综合能源系统运营商的购电价格约束；
所述高压储氢设备-燃料电池系统约束，具体如式(14)-(16)所示：
Figure FDA0003183457890000059
Figure FDA00031834578900000510
Ee(0)＝Ee(T) (16)；
式中，
Figure FDA00031834578900000511
充氢效率；
Figure FDA00031834578900000512
为放电效率；Ee(t)为实时储电量；
Figure FDA00031834578900000513
为最大储量；
Figure FDA00031834578900000514
为最小储量比例；
所述电解槽、燃料电池出力调控EHIES平衡，具体如式(17)所示:
Figure FDA00031834578900000515
式中，
Figure FDA00031834578900000516
为用电负荷预测量；
所述电氢综合能源系统运营商的购电价格约束，具体如式(18)和(19)：
Figure FDA00031834578900000517
Figure FDA0003183457890000061
式中，
Figure FDA0003183457890000062
为市场电价的最小值。
9.根据权利要求1所述的一种基于主从博弈的电氢综合能源系统优化运行方法，其特征是所述步骤4利用遗传算法对步骤2中建立的一主两从的主从博弈模型进行求解，具体包括以下步骤：步骤4-1在遗传算法的基础上，加入信息熵阈值形成改进遗传算法；步骤4-2求解Stackelberg均衡；
所述步骤4-1在遗传算法的基础上，加入信息熵阈值形成改进遗传算法，具体包括：
1)利用信息熵初始化种群，过程包括如下步骤：
a)第一步：设定临界熵值S0；
b)第二步：随机生成种群中的个体；
c)第三步：以同样的方式每次生成一个个体，计算与现有个体的熵值S；如果S>S0，那么接受这个个体；否则，拒绝；这种情况下，重新生成一新个体，计算熵值S，直到满足S>S0的条件；
d)第四步：重复步骤b)-c)，直到个体数达到指定的初始种群数；
2)利用信息熵重新设计适应度函数，在遗传算法中，计算每个个体的适应度函数值，并通过统计分析得到分布特征函数，然后，得到不同解的概率P，并根据式(20)计算信息熵H，最后，确定种群的多样性程度；
Figure FDA0003183457890000063
上式，I代表所有个体；Pi代表第i个个体发生的概率。
10.根据权利要求9所述的一种基于主从博弈的电氢综合能源系统优化运行方法，其特征是所述步骤4-2求解Stackelberg均衡，具体包括：通过对改进遗传算法的求解实现求解子博弈均衡，具体步骤如下：
1)首先生成相应的售氢价种群，即第一阶段决策；
2)在各种群下，跟随者依据价格进行寻优，利用改进遗传算法进行求解，获得当前售氢价下的最优策略，即第二阶段决策；
3)跟随者完成优化后，汇总购氢功率、售电功率、用氢负荷响应量信息，此时求得EHIESO收益函数，EHIESO收益函数即为遗传算法中的适应度函数；
4)根据适应度函数，对价格种群进行选择、交叉和变异，产生下一代售氢价种群，跳转到步骤1)，直至达到Stackelberg均衡退出算法迭代。
CN202110854097.2A 2021-07-28 2021-07-28 一种基于主从博弈的电氢综合能源系统优化运行方法 Pending CN113553770A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110854097.2A CN113553770A (zh) 2021-07-28 2021-07-28 一种基于主从博弈的电氢综合能源系统优化运行方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110854097.2A CN113553770A (zh) 2021-07-28 2021-07-28 一种基于主从博弈的电氢综合能源系统优化运行方法

Publications (1)

Publication Number Publication Date
CN113553770A true CN113553770A (zh) 2021-10-26

Family

ID=78133028

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110854097.2A Pending CN113553770A (zh) 2021-07-28 2021-07-28 一种基于主从博弈的电氢综合能源系统优化运行方法

Country Status (1)

Country Link
CN (1) CN113553770A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113839401A (zh) * 2021-10-27 2021-12-24 国网青海省电力公司 一种考虑电氢耦合的综合能源系统容量优化配置方法
CN113991654A (zh) * 2021-10-28 2022-01-28 东华大学 一种能源互联网混合能量系统及其调度方法
CN117973886A (zh) * 2023-12-29 2024-05-03 山东大学 含氢能全链路的综合能源系统协同规划运行方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013025653A2 (en) * 2011-08-12 2013-02-21 Mcalister Technologies, Llc Comprehensive cost modeling of sustainably autogenous systems and processes for the production of energy, material resources and nutrient regimes
CN111612552A (zh) * 2020-06-09 2020-09-01 东北电力大学 一种计及三主体竞价的综合能源系统日前迭代出清方法
CN112381335A (zh) * 2020-12-08 2021-02-19 国网综合能源服务集团有限公司 区域综合能源系统运行优化方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013025653A2 (en) * 2011-08-12 2013-02-21 Mcalister Technologies, Llc Comprehensive cost modeling of sustainably autogenous systems and processes for the production of energy, material resources and nutrient regimes
CN111612552A (zh) * 2020-06-09 2020-09-01 东北电力大学 一种计及三主体竞价的综合能源系统日前迭代出清方法
CN112381335A (zh) * 2020-12-08 2021-02-19 国网综合能源服务集团有限公司 区域综合能源系统运行优化方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
万立新 等: "基于主从博弈的电氢综合能源系统优化运行方法", 电器与能效管理技术, no. 2021, 30 July 2021 (2021-07-30), pages 14 - 22 *
李咸善 等: "基于双向电价补偿的含氢储能风电和梯级水电联合优化调度", 电网技术, vol. 44, no. 9, 30 September 2020 (2020-09-30), pages 3297 - 3306 *
熊宇峰 等: "基于主从博弈的工业园区综合能源系统氢储能优化配置", 电工技术学报, vol. 36, no. 3, 28 February 2021 (2021-02-28), pages 507 - 516 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113839401A (zh) * 2021-10-27 2021-12-24 国网青海省电力公司 一种考虑电氢耦合的综合能源系统容量优化配置方法
CN113991654A (zh) * 2021-10-28 2022-01-28 东华大学 一种能源互联网混合能量系统及其调度方法
CN113991654B (zh) * 2021-10-28 2024-01-23 东华大学 一种能源互联网混合能量系统及其调度方法
CN117973886A (zh) * 2023-12-29 2024-05-03 山东大学 含氢能全链路的综合能源系统协同规划运行方法及系统

Similar Documents

Publication Publication Date Title
Pu et al. Optimal sizing for an integrated energy system considering degradation and seasonal hydrogen storage
CN113553770A (zh) 一种基于主从博弈的电氢综合能源系统优化运行方法
Wang et al. A bargaining game-based profit allocation method for the wind-hydrogen-storage combined system
CN109636056A (zh) 一种基于多智能体技术的多能源微网去中心化优化调度方法
CN112598224A (zh) 一种园区综合能源系统群与电网的互动博弈调度方法
CN112290533A (zh) 一种氢能-天然气混合储能的综合能源微电网调度方法
CN115173453A (zh) 一种储能辅助电网调峰的优化配置方法
CN112365021A (zh) 一种基于混合储能的区域综合能源系统规划优化方法
CN114611772B (zh) 一种基于多智能体强化学习的多微网系统协同优化方法
Liu et al. Optimal dispatch strategy of virtual power plants using potential game theory
CN116613741A (zh) 一种计及阶梯式碳交易的综合能源系统优化调度方法
Dai et al. An equilibrium model of the electricity market considering the participation of virtual power plants
CN114417695A (zh) 多园区综合能源系统经济调度方法
CN113364043A (zh) 一种基于条件风险价值的微电网群优化方法
Tan et al. Hybrid optimization for collaborative bidding strategy of renewable resources aggregator in day-ahead market considering competitors' strategies
CN115907232B (zh) 区域综合能源系统集群协同优化方法、系统、设备及介质
CN104951650A (zh) 一种评估含大规模风电电网关口外送电交易能力的方法
Zhou et al. Dynamic pricing of integrated energy service providers based on master-slave game
CN108321792A (zh) 计及风电的电力系统动态经济调度多场景协同优化算法
CN113554219A (zh) 一种可再生能源发电站共享储能容量规划方法及装置
CN112036637A (zh) 考虑风电消纳的社区能源互联网能源交易调度方法及系统
CN112288216A (zh) 一种基于合作博弈的电转气装置容量规划方法及系统
CN117332997B (zh) 一种综合能源系统低碳优化调度方法、装置及设备
Nikmehr et al. Analysis of Reliability Indices in Next Generation Microgrids Under Uncertainties of Load and Renewable Power Production
CN117172815B (zh) 一种多水电气能源子系统主动配电网混合博弈方法及系统

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