CN113644674A - 基于量子粒子群的氢混合储能容量配置系统、方法及应用 - Google Patents

基于量子粒子群的氢混合储能容量配置系统、方法及应用 Download PDF

Info

Publication number
CN113644674A
CN113644674A CN202111036985.XA CN202111036985A CN113644674A CN 113644674 A CN113644674 A CN 113644674A CN 202111036985 A CN202111036985 A CN 202111036985A CN 113644674 A CN113644674 A CN 113644674A
Authority
CN
China
Prior art keywords
hydrogen
energy storage
power
capacity
particle swarm
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
CN202111036985.XA
Other languages
English (en)
Inventor
房方
吴志跃
陈鹏
刘亚娟
刘志勇
周璟峰
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202111036985.XA priority Critical patent/CN113644674A/zh
Publication of CN113644674A publication Critical patent/CN113644674A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/34—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering
    • H02J7/345—Parallel operation in networks using both storage and other dc sources, e.g. providing buffering using capacitors as storage or buffering devices
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects
    • 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
    • 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
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

基于量子粒子群的氢混合储能容量配置系统、方法及其应用，包括如下步骤：获取风电场的输出功率以及地区负荷需求功率的历史数据，并对数据进行预处理；建立氢混合储能系统充放电数学模型；建立氢混合储能系统容量优化配置模型；使用基于量子粒子群算法的储能容量优化配置方法求得最优混合储能容量配置结果，并与基于标准粒子群算法的容量配置方法作比较；采用了氢储能加超级电容的混合储能系统，能够发挥氢能能量密度大、绿色环保以及超级电容功率密度大、充放电效率高的优点，随着新能源的大规模并网，系统调峰周期变长，氢储能拥有更大优势，采用量子粒子群的配置方法，具有收敛速度更快、不易陷于局部最优等优点。

Description

基于量子粒子群的氢混合储能容量配置系统、方法及应用
技术领域
本发明涉及一种配置系统、方法及其应用，尤其是涉及一种基于量子粒子群 的氢混合储能容量配置系统、方法及其应用。
背景技术
近年来，环境问题日益严峻，清洁的可再生能源在能源结构中的占比越来越 大，风能不仅资源丰富，而且开发技术相对成熟，是可再生能源的重要组成部分。 然而风电天然具有随机性、不确定性，电力系统容量有限，大规模风电机组并网 势必会对电力系统的安全稳定带来不利的影响。同时，风电机组以最大功率跟踪 模式工作，基本不具有惯性响应能力，大量风电并网使电网整体等效惯量减小， 在不确定的能源供给与变化的负荷之间保持动态平衡，对电网安全稳定运行带来 了严峻的挑战。储能系统作为平抑风电场输出有功功率波动的有效方式之一，能 够有效平滑风电功率，改善供电质量，使风电场输出有功功率满足电力系统的要 求。为了达到优秀的平抑效果、降低储能系统的配置成本，储能系统容量配置方 法多种多样。
在发明《一种多弃风区域风储容量配置方法》中，公布了一种基于多目标优 化技术的多弃风区域风储容量配置方法(申请号：CN202010017989.2公开号： CN111181197B)，采用了蓄电池作为储能系统，解决了多弃风区域风电场预期考 核以及弃风的问题。在发明《一种基于改进优化算法的光储容量优化配置方法》 (申请号：CN202110478406.0公开号：CN113098008A)中，公布一种基于改进 优化算法的光储容量优化配置方法，采用了蓄电池和飞轮作为储能系统，以储能 经济成本最小和平抑指标最优加权项作为目标优化函数，为光伏电站的混合储能 容量最优配置问题提供了一种方案。在发明《一种带有多目标优化的风储系统磷 酸铁锂电池组储能容量配置设计方法》(申请号：CN202011637357.2公开号：CN112736953A)中，公布一种针对磷酸铁锂电池的容量配置设计方法，将改进差 分进化算法和帕累托评价相集成，对储能容量进行优化，达到满足约束的情况下， 兼顾成本最小的设计原则。
目前关于风电场的储能系统容量优化配置方法中，储能系统广泛选用电化学 储能方式、超级电容、飞轮储能等方式，且创新的容量配置方法、优化目标函数、 控制策略等各不相同，通过对储能系统容量进行配置，达到最低的建设成本或者 平抑效果。目前储能系统广泛选择的电化学储能方式，面临安全性问题、退役电 池的后续处理难等问题，本发明采用氢储能加超级电容作为配置的储能系统，氢 能是一种无污染、效率高的二次能源，近日国家能源局出台《关于加快推动新型 储能发展的指导意见》中，氢能被明确纳入“新型储能”，可再生能源规模化制 氢开始起步。采用氢混合储能系统，具有能量密度高、绿色清洁、提高风电利用 率等优点，采用量子粒子群的配置方法对比于粒子群算法，具有收敛速度更快、 不易陷于局部最优等优点。氢储能的方式成本较高，需电解槽、压缩机、储氢设备、氢氧燃料电池联合使用，才能实现电能-氢能-电能的转换。
此外，现有技术如中国专利申请，申请号：CN2019109145583，公开号：CN110556868A，公开一种考虑电压稳定性的风电接入系统储能充放电控制方法， 包括如下步骤：步骤S1：利用风电预测值确定典型风电出力场景；步骤S2：以 风电接入系统整体电压稳定指标最小为目标函数，并确定约束条件，以此建立储 能充放电控制模型；步骤S3：利用量子粒子群求解储能充放电控制模型，从而获 得各个时间段储能装置充放电方案。然而，该现有技术目的为改善系统电压稳定 性，获取得到详细的充放电方案。本发明只考虑简单的能量充放电过程，未选择 复杂的充放电策略。
传统储能多采用蓄电池和超级电容的混合储能方式进行短时的能量支撑。氢 储能相比于蓄电池可以长时间大规模储存能量，且氢气在利用时对环境无污染， 具有能量密度高的优点。选取氢气和超级电容作为载体，利用风电波峰制氢和储 能来“削峰”，风电波谷通过对氢氧燃料电池供氢和超级电容放电来满足负荷需求 的目标。超级电容器功率密度大，充放电周期短，适合补偿短时高频波动，可作 为功率型储能单元；氢储能具有更好的能量密度和更强的持续供电能力，可作为 长期能量型储能单元。氢混合储能系统的容量配置与系统成本和收益相关联，基 于风-氢混合储能的基本构成，在考虑满足负荷供电要求的前提下，建立氢混合 储能系统容量配置模型，以储能设备的综合成本为优化目标，负荷缺电率和荷电 状态限制为约束条件，寻求最优的氢混合储能系统的容量配置方案。
发明内容
本发明所要解决就的技术问题是：风电天然具有随机性、不确定性，电力系 统容量有限，大规模风电机组并网势必会对电力系统的安全稳定带来不利的影响。 氢储能加超级电容器作为储能系统能够平抑风电场输出有功功率波动，能够有效 平滑风电功率，改善供电质量，使风电场输出有功功率满足电力系统的要求。为 减少储能系统的综合成本，利用量子粒子群对其配置容量进行优化。
技术方案如下：
一种基于量子粒子群的氢混合储能容量配置系统，其特征为：包括风电场 氢混合储能装置，所述风电场氢混合储能装置包括风力发电机组、负荷均衡 器、电解槽、压缩机、储氢设备、超级电容器、AC/DC转换器、燃料电池；风 电发电机组将风能转换为电能，其电能优先供给地区负荷需求，盈余的电量分 别输入电解槽-压缩机-储氢设备以及超级电容器中，将电能转换为储氢设备中 的氢能以及超级电容器中的极化电解质储能；当风电场发电不足时，由储氢设 备向燃料电池供氢发电以及超级电容器放电，提供缺失部分电能，该系统通过 氢储能以及超级电容器储能，解决了风电出力与地区负荷需求不匹配的矛盾。
本发明公开一种基于量子粒子群的氢混合储能容量配置方法，其技术方案 为：包括如下步骤：
步骤1：获取风电场的输出功率以及地区负荷需求功率的历史数据，并计 算得到不平衡功率；
步骤2：建立氢混合储能系统充放电数学模型；
步骤3：建立氢混合储能系统容量优化配置模型；
步骤4：使用基于量子粒子群算法的储能容量优化配置方法求得最优混合 储能容量配置结果，并与基于标准粒子群算法的容量配置方法作比较。
本发明还公开一种将基于量子粒子群的氢混合储能容量配置方法应用于氢 混合储能系统。
有益效果
采用了氢储能加超级电容的混合储能系统，能够发挥氢能能量密度大、绿色环保以及 超级电容功率密度大、充放电效率高的优点，随着新能源的大规模并网，系统调峰周期变长， 氢储能拥有更大优势，采用量子粒子群的配置方法，具有收敛速度更快、不易陷于局部最优 等优点。
附图说明
图1为本发明风电场氢混合储能系统结构图：
图2为本发明风电场氢混合储能系统优化思路图；
图3为储能系统充放电流程图：氢混合储能装置的充放电流程。其中，Eh(k)、 Eh(k-1)是k时刻和k-1时刻储氢设备容量，ηdj、ηys、ηhd表示电解槽效率、压 缩机效率、燃料电池发电效率，Ehma、Ehmin表示储氢设备最大、最小容量，Δ p(k)为k时刻不平衡电量。Ec(k)、Ec(k-1)是k时刻和k-1时刻超级电容储能 量，ηccηcd为超级电容充、放电效率，Ecmax、Ecmin表示超级电容最大、最小储能 量，α为超级电容消纳的不平衡功率比例。
图4为本发明QPSO流程图；
图5-8为方案1-4的仿真结果图；其中：
图5(a)为本发明方案1储能成本优化下降过程；此图5(b)为本发明方案1最 优储能时风电场输出功率；
图6(a)为本发明方案2储能成本优化下降过程；图6(b)为本发明方案2最 优储能时风电场输出功率；
图7(a)为本发明方案3储能成本优化下降过程；图7(b)为本发明方案3最优 储能时风电场输出功率；
图8(a)为本发明方案4储能成本优化下降过程；图8(b)为本发明方案4最优 储能时风电场输出功率；
其中附图5-8中的(a)横坐标代表迭代次数，纵坐标代表目标成本，体现了随着迭代次数增加，目标成本函数逐渐下降的过程，最终得到最优配置容量。其中(b)横坐标代 表时间，纵坐标代表功率，带圆圈的直线、带交叉的直线、带菱形的直线分别代表风电机 组输出功率、负荷需求功率、带储能的风电场平衡后的出力情况。可以看出经过平抑后的 风电场出力明显符合了地区负荷功率需求，达到了“削峰填谷”的效果。
具体实施方式
风电场氢混合储能系统结构图如图一所示，风电机组出力供给负荷需求，当 风力发电高峰时，将风电功率波动分解为低频部分和高频部分，高频部分通过超 级电容器吸收、低频部分通过电解槽制氢、通过压缩机将氢气存储于储氢设备中。 当风力发电处于低谷时，通过储氢设备向氢氧燃料电池供氢发电以及超级电容放 电，来补足负荷缺电量，并且多余的氢气可向外售卖获得收益。
一种基于量子粒子群的氢混合储能容量配置系统，其特征为：风电场氢混 合储能系统结构包括风力发电机组、负荷均衡器、电解槽、压缩机、储氢设 备、超级电容器、AC/DC转换器、燃料电池等设备。工作原理如下：风电发电 机组将风能转换为电能，其电能优先供给地区负荷需求，盈余的电量分别输入 电解槽-压缩机-储氢设备以及超级电容器中，将电能转换为储氢设备中的氢能 以及超级电容器中的极化电解质储能。当风电场发电不足时，由储氢设备向燃 料电池供氢发电以及超级电容器放电，提供缺失部分电能，该系统通过氢储能 以及超级电容器储能，解决了风电出力与地区负荷需求不匹配的矛盾。在华北 电力大学电站能量传递转化与系统教育部重点实验室中完成相关研究工作，研 究所需资金属能动之光”研究计划资助项目。
本发明公开一种基于量子粒子群的氢混合储能容量配置方法，其技术方案 为：包括如下步骤：
步骤1：获取风电场的输出功率以及地区负荷需求功率的历史数据，并根 据计算式得到风电场出力与负荷需求的不平衡功率：
Δp(k)＝pw(k)-pl(k)
其中Δp(k)为k时刻的不平衡功率，pw(k)为风电场功率，pl(k)为地区负 荷功率，代表风电功率与负荷需求的关系。将获取的风电场功率和负荷需求功 率依次输入，得到每一时刻的不平衡功率。
步骤2：建立氢混合储能系统充放电数学模型。
(1)风电场出力大于负荷功率需求，即不平衡功率Δp(k)>0时，向超级 电容充电以及电解槽制氢气并存储，充电数学模型如下：
Eh(k)＝Eh(k-1)+Δp(k)·α·t·ηdj·ηys
Ec(k)＝Ec(k-1)+Δp(k)·(1-α)·t·ηcc
其中，Eh(k)、Ec(k)为k时刻储氢设备容量和超级电容器容量，Eh(k-1)、Ec(k-1)为k- 1时刻储氢设备容量和超级电容器容量，Δp(k)为步骤1中的不平衡功率，α为消纳的不平衡功率用于制氢的比例，ηdj、ηys为电解槽效率和压缩机效率，ηcc为超级电容充电效 率，t为时间间隔；
(2)风电场出力小于负荷功率需求，即不平衡功率Δp(k)<0时，超级电容放电以及储氢设备向燃料电池供氢发电，放电数学模型如下：
Eh(k)＝Eh(k-1)+Δp(k)·α·t/ηhd
Ec(k)＝Ec(k-1)+Δp(k)·(1-α)·t/ηcd
其中，ηhd为燃料电池放电效率，ηcd为超级电容器放电效率
步骤3：建立氢混合储能系统容量优化配置模型，包括建立容量配置模型 的优化目标函数以及确定约束条件：
(1)建立的关于成本的优化目标函数包括以下四个方面：购买建造成本、运行维护成 本、弃风惩罚成本、售氢收益。
1.1购买建造成本:购买成本指对电解槽、压缩机、储氢设备以及超级电容的购买成本， 与配置的容量大小有关，计算式如下：
f1＝λdjQdj+λysQys+λhEh+λcEc
其中，f1代表购买建造成本，λdj、Qdj表示电解槽单位额定容量费用、需配置的容量，λys、 Qys表示压缩机单位额定容量费用、需配置的容量，λh、Eh表示储氢设备单位额定容量费用、 需配置的容量，λc、Ec表示超级电容单位额定容量费用、需配置的容量。
1.2运行维护成本:运行维护成本f2，规定T时间的运维成本计算式如下：
Figure BDA0003247595570000071
其中，f2代表运维成本，ldj、lys、lh、lc表示各自设备的运维成本占建造成本的比例，T表示 运行时间。
1.3弃风惩罚成本:风电场出力高峰时，会向储能装置充电，当储能装置容量不足，为 保护电力设备以及电网的稳定，通常会选择弃风处理，造成了能量的损失浪费。因此设置惩 罚成本有关计算式如下：
f3＝ηl∑Eloss
其中，f3代表惩罚成本，ηl代表弃风惩罚系数，Eloss表示弃风能量值。
1.4售氢收益:
f4＝ηhs∑Ehs
其中，f4代表售氢收益，ηhs代表收益系数，Ehs表示售氢量。
综上所述，优化的总成本F为：
F＝f1+f2+f3-f4
(2)确定的约束条件包括以下方面：
2.1风电有功功率平衡约束：
pl(t)+pcn(t)+ploss(t)＝pw(t)
其中，pw(t)为风电场出力、pl(t)为负荷需求、pcn(t)为储能系统功率、ploss(t)为弃风功率。
2.2负荷缺电率(Loss of Power Supply Probability,LPSP)表示运行时间长度T内，风电 场未能满足负载需求缺少提供的电量Elps(t)与负载总需求量El(t)的比值，通常规定负荷缺电 率存在上限值为LPSPmax，负荷缺电率LPSP计算式如下：
Figure BDA0003247595570000072
规定k时刻的不平衡功率Δp(k)为风电场功率pw(k)与负载功率pl(k)的差值，代表风 电功率与负荷需求的关系，T为运行时间长度。
Δp(k)＝pw(k)-pl(k)
若Δp(k)>0,则风电场功率盈余，向储能系统充电且Elps＝0；若Δp(k)<0,则风电场功率 不足，储能系统向负荷放电补充，如下式：
Elps(t)＝[Pl(t)-Pw(t)η]Δt
其中，Elps(t)为t时刻负荷缺电量，Pl(t)、Pw(t)为t时刻负载需求功率与风电场输出功率， η为逆变器效率，Δt为采样时间间隔。
2.3系统运行功率平衡约束
风电输入电解槽中电解制得的氢气通过压缩机进行压缩，可以直接出售或储存到储氢设 备中，系统运行功率平衡约束为：
Phc,t＝Pdj,t×ηdj×ηys
Phc,t＝Phs,t+Pes,t/ηes
其中，Phc,t、Pdj,t为储氢罐储氢功率、电解槽功率，ηdj、ηys为电解槽效率、压 缩机效率，Phs,t为储氢罐售氢功率，Pes,t为氢氧燃料电池平衡的功率。
2.4电解槽最优运行功率约束
Pdj,min<Pdj,t<Pdj,max
在系统运行期间，电解槽将保持在最优运行期间，其中，Pdj,t为电解槽功率，Pdj,min、Pdj,max为电解槽功率最小值、最大值。
2.5储氢罐容量约束：
Ehmi<Eh(t)<Ehmax
超级电容荷电状态约束：
Ecmin<Ec(t)<Ecmax
其中，Eh(t)、Ec(t)表示t时刻储氢罐、超级电容的储能量，Ehmin、Ecmin表示储氢罐、超级 电容的最小储能量，Ehmax、Ecmax表示储氢罐、超级电容的最大储能量。
步骤4：使用基于量子粒子群算法的储能容量优化配置方法求得最优混合储能 容量配置结果，并与基于标准粒子群算法的容量配置方法作比较。
量子粒子群(QPSO)优化的计算流程：
在QPSO算法中,设种群规模为M,在进化过程中,粒子以一定概率取加或减,更新每个粒子的位置,并生成新的粒子群体,由公式(1)至(4)决定:
p＝a×Pbest(i)+(1-a)×Gbest (1)
Figure BDA0003247595570000091
Figure BDA0003247595570000092
Figure BDA0003247595570000093
其中，a、u为0至1之间的随机数，p用于每代粒子位置的更新，mbest是每代 粒子群中个体最优的中间位置，即平均值，position(i)为第i代粒子的位置，Gbest为 种群最优值，Pbest(i)为迭代i次的个体最优，b为收缩扩张系数，在QPSO收敛过程 中线性减小，iter为当前迭代次数，T为设定的最大迭代次数。
优化计算流程如下：
(1)风电场有关数据设置：输入2个工作日，采样时间为1h的风电场有功功率输出、地区负载需求，以及储能系统优化的额定容量，初始荷电状态。
(2)粒子群参数的设置：规定设置粒子的个数100、储能维数为2、迭代次数100、等参数。
(3)粒子群的初始化：随机获得符合约束的n个d维的粒子位置。
(4)适应度的计算：根据把粒子位置代入目标函数公式得到适应度值。
(5)个体最优、种群最优的更新：比较适应度值，以此来更新个体最优、种群最优。
(6)根据公式(1)-(4)更新粒子位置。
(7)迭代次数检验：如果迭代次数到达限制，则跳出循环，得出最终种群最优值即是 最优解；反之，重复步骤(4)～(6)。
基于量子粒子群的容量配置仿真
QPSO算法建立了以粒子吸引点为中心的DELTA势阱场，并引入平均最优位置来更新粒 子的位置，提高了算法的全局搜索能力，相比于标准粒子群，能够更快得到优化结果。
选取某风电场装机容量为60MW，地区负荷为40MW，两个工作日的风电场发电功率以及 地区负荷需求如下表所示，弃风惩罚为0.95元/kw·h，售氢收益为8.5元/m3(标准大气压 下)，氢氧燃料电池效率55％，α为0.3。
第一天风电场发电功率及地区负荷需求
Figure BDA0003247595570000101
第二天风电场发电功率及地区负荷需求
Figure BDA0003247595570000102
储能装置参数规格
Figure BDA0003247595570000103
所有方案的电解槽容量按照不弃风的情况下配置，压缩机容量为电解槽容量的75％。 基于粒子群算法：
方案一：无弃风率要求，氢储能和超级电容的配置结果。
方案二：要求弃风率＜5％，氢储能和超级电容的配置结果。
基于量子粒子群算法：
方案三：无弃风率要求，氢储能和超级电容的配置结果。
方案四：要求弃风率<5％，氢储能和超级电容的配置结果。
配置结果汇总：
Figure BDA0003247595570000111
由于氢储能成本较高，因此若不考虑环保因素，方案一和方案三为成本最低 的储能配置结果，这两种配置方案满足供电系数要求，并将多余的部分弃风处理， 因此售氢收益为零。若为了提高风电利用率，如方案二和方案四的增加弃风率小 于等于5％的约束条件，可以看到储氢容量增大，进而进一步的减少了负荷缺电 量，从方案二(方案四)与方案一(方案三)的平衡后风电场输出功率37h-38h 时间段的负荷缺电量比较可以看出。同时对粒子群和量子粒子群的配置方法分析， 量子粒子群拥有更快的收敛速度，能够更快得到最优结果，拥有更好的配置效果。
以上显示和描述了本发明的基本原理、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的范围内。本发明要求的 保护范围由所附的权利要求书及其等同物界定。

Claims (9)

1.一种基于量子粒子群的氢混合储能容量配置系统，其特征为：包括风电场氢混合储能装置，所述风电场氢混合储能装置包括风力发电机组、负荷均衡器、电解槽、压缩机、储氢设备、超级电容器、AC/DC转换器、燃料电池；风电发电机组将风能转换为电能，其电能优先供给地区负荷需求，盈余的电量分别输入电解槽-压缩机-储氢设备以及超级电容器中，将电能转换为储氢设备中的氢能以及超级电容器中的极化电解质储能；当风电场发电不足时，由储氢设备向燃料电池供氢发电以及超级电容器放电。
2.一种基于量子粒子群的氢混合储能容量配置方法，包括权利要求1所述的基于量子粒子群的氢混合储能容量配置系统，其特征为：包括如下步骤：
步骤1：获取风电场的输出功率以及地区负荷需求功率的历史数据，并计算得到不平衡功率；
步骤2：建立氢混合储能系统充放电数学模型；
步骤3：建立氢混合储能系统容量优化配置模型；
步骤4：使用基于量子粒子群算法的储能容量优化配置方法求得最优混合储能容量配置结果，并与基于标准粒子群算法的容量配置方法作比较。
3.根据权利要求2所述的基于量子粒子群的氢混合储能容量配置方法，其特征为：所述步骤1进一步包括如下内容：获取风电场的输出功率以及地区负荷需求功率数据，采样间隔为1小时，将功率进行如下计算：Δp(k)＝pw(k)-pl(k)，其中Δp(k)为k时刻的不平衡功率，pw(k)为风电场功率，pl(k)为地区负荷功率，代表风电功率与负荷需求的关系。
4.根据权利要求3所述的基于量子粒子群的氢混合储能容量配置方法，其特征为：所述步骤2进一步包括如下内容：建立氢混合储能系统充放电数学模型，由步骤1求得的不平衡功率Δp(k)判断进行充放电，当Δp(k)＞0时，风电场发电盈余，将电能按照比例分别供给电解槽-压缩机-储氢设备以及超级电容器，实现电能转化为氢能以及超级电容器中极化电解质进行储能；当Δp(k)＜0时，风电场发电功率不足，按照比例由储氢设备向氢氧燃料电池供氢发电以及超级电容放电来补足缺失的电量。
5.根据权利要求4所述的基于量子粒子群的氢混合储能容量配置方法，其特征为：建立氢混合储能系统充放电数学模型如下：
风电场出力大于负荷功率需求，即不平衡功率Δp(k)＞0时，向超级电容充电以及电解槽制氢气并存储，充电数学模型如下：
Eh(k)＝Eh(k-1)+Δp(k)·α·t·ηdj·ηys
Ec(k)＝Ec(k-1)+Δp(k)·(1-α)·t·ηcc
其中，Eh(k)、Ec(k)为k时刻储氢设备容量和超级电容器容量，Eh(k-1)、Ec(k-1)为k-1时刻储氢设备容量和超级电容器容量，Δp(k)为步骤1中的不平横功率，α为消纳的不平衡功率用于制氢的比例，ηdj、ηys为电解槽效率和压缩机效率，ηcc为超级电容充电效率，t为时间间隔；
风电场出力小于负荷功率需求，即不平衡功率Δp(k)＜0时，超级电容放电以及储氢设备向燃料电池供氢发电，放电数学模型如下：
Eh(k)＝Eh(k-1)+Δp(k)·α·t/ηhd
Ec(k)＝Ec(k-1)+Δp(k)·(1-α)·t/ηcd
其中，ηhd为燃料电池放电效率，ηcd为超级电容器放电效率。
6.根据权利要求2所述的基于量子粒子群的氢混合储能容量配置方法，其特征为：所述步骤3进一步包括如下内容：建立氢混合储能系统容量优化配置模型，在满足风电有功功率平衡、负荷缺电率、系统运行功率平衡、电解槽最优运行功率、储氢设备容量、超级电容荷电状态的约束条件下，使得成本目标函数最低的原则来配置储氢设备容量以及超级电容器容量；若有风电场风电利用率要求，增加弃风率约束条件，减少弃风量，提高风电利用率。
7.根据权利要求6所述的基于量子粒子群的氢混合储能容量配置方法，其特征为：所述优化配置模型包括建立容量配置模型的优化目标函数以及确定约束条件。
8.根据权利要求2所述的基于量子粒子群的氢混合储能容量配置方法，其特征为：所述步骤4进一步包括如下内容：运用量子粒子群算法对混合储能系统容量配置模型进行优化求解，根据某地风电场发电功率以及地区负荷需求功率两天的历史数据进行仿真验证分析，并于基于标准粒子群的容量配置方法相比较，得出量子粒子群具有的优点。
9.将权利要求2-8任一所述的基于量子粒子群的氢混合储能容量配置方法应用于氢混合储能系统。
CN202111036985.XA 2021-09-06 2021-09-06 基于量子粒子群的氢混合储能容量配置系统、方法及应用 Pending CN113644674A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111036985.XA CN113644674A (zh) 2021-09-06 2021-09-06 基于量子粒子群的氢混合储能容量配置系统、方法及应用

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111036985.XA CN113644674A (zh) 2021-09-06 2021-09-06 基于量子粒子群的氢混合储能容量配置系统、方法及应用

Publications (1)

Publication Number Publication Date
CN113644674A true CN113644674A (zh) 2021-11-12

Family

ID=78425067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111036985.XA Pending CN113644674A (zh) 2021-09-06 2021-09-06 基于量子粒子群的氢混合储能容量配置系统、方法及应用

Country Status (1)

Country Link
CN (1) CN113644674A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114336605A (zh) * 2021-12-29 2022-04-12 西安交通大学 一种柔性电氢制储注一体站容量配置方法及系统
CN114734881A (zh) * 2022-05-07 2022-07-12 苏州市华昌能源科技有限公司 一种用于氢电混合动力系统的容量优化配置方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114336605A (zh) * 2021-12-29 2022-04-12 西安交通大学 一种柔性电氢制储注一体站容量配置方法及系统
CN114734881A (zh) * 2022-05-07 2022-07-12 苏州市华昌能源科技有限公司 一种用于氢电混合动力系统的容量优化配置方法
CN114734881B (zh) * 2022-05-07 2023-12-12 苏州市华昌能源科技有限公司 一种用于氢电混合动力系统的容量优化配置方法

Similar Documents

Publication Publication Date Title
CN109325608B (zh) 考虑储能并计及光伏随机性的分布式电源优化配置方法
CN110084465B (zh) 基于储能的风力发电系统成本/供电可靠性评估方法
CN104377724A (zh) 提高风电/光伏混合储能系统经济性的协调优化控制方法
CN113644674A (zh) 基于量子粒子群的氢混合储能容量配置系统、方法及应用
CN115173453A (zh) 一种储能辅助电网调峰的优化配置方法
CN114050609B (zh) 一种高比例新能源电力系统自适应鲁棒日前优化调度方法
CN112269966B (zh) 一种考虑备用需求的通信基站虚拟电厂发电容量测量方法
CN115940284B (zh) 一种考虑分时电价的新能源制氢系统的运行控制策略
Liqun et al. Capacity optimization of hybrid energy storage in wind/PV complementary power generation system based on improved particle swarm optimization
CN116131303A (zh) 基于蓄能-储能-光伏电池的综合能源系统协同优化方法
CN113471995B (zh) 一种提升新能源高占比区域频率稳定性的储能配置方法
CN115764849A (zh) 一种混合储能容量优化配置方法及其配置系统
CN115459358A (zh) 一种考虑多类新能源不同配比的储能容量优化配置方法
CN113555901A (zh) 基于改进s型函数粒子群优化算法的混合储能容量优化方法
Zhou et al. Research review on energy storage technology in power grid
CN114938040A (zh) 源-网-荷-储交直流系统综合优化调控方法和装置
CN113013909A (zh) 一种基于平抑牵引的储能容量改进方法
CN113746120A (zh) 基于ga的储能系统优化配置方法
Haiyun et al. Optimal Capacity Allocation Method of Multi-types of Energy Storage for Wind Power Plant
Shi et al. Research on Energy Management Optimization Strategy of Integrated Energy System in Wind Photovoltaic Hydrogen Energy Storage Area
Tan et al. Optimization Configuration of Hybrid Energy Storage for Peak shaving and Frequency Regulation in Renewable-dominated Power Systems
Li et al. Time Series Production Simulation for Renewable Energy Consumption Considering Section Constraints
Fu et al. Optimal Capacity Allocation of Hybrid Energy Storage System for Offshore Wind Power Platform Based on Improved Particle Swarm Algorithm
Ma et al. Research on grid-planning methods for the integration of high-permeability renewable energy
Li et al. Energy Management Strategy for Shared Battery Energy Storage Systems Considering Economy and SOC Consistency

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