CN113794231B - 计及sofc余热回收的微网优化配置方法、装置、设备和介质 - Google Patents

计及sofc余热回收的微网优化配置方法、装置、设备和介质 Download PDF

Info

Publication number
CN113794231B
CN113794231B CN202111058126.0A CN202111058126A CN113794231B CN 113794231 B CN113794231 B CN 113794231B CN 202111058126 A CN202111058126 A CN 202111058126A CN 113794231 B CN113794231 B CN 113794231B
Authority
CN
China
Prior art keywords
power
hydrogen
honey source
energy
optimal
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.)
Active
Application number
CN202111058126.0A
Other languages
English (en)
Other versions
CN113794231A (zh
Inventor
项鹏飞
周震震
宋云海
葛磊蛟
刘航旭
李元良
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.)
Maintenance and Test Center of Extra High Voltage Power Transmission Co
Original Assignee
Maintenance and Test Center of Extra High Voltage Power Transmission Co
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 Maintenance and Test Center of Extra High Voltage Power Transmission Co filed Critical Maintenance and Test Center of Extra High Voltage Power Transmission Co
Priority to CN202111058126.0A priority Critical patent/CN113794231B/zh
Publication of CN113794231A publication Critical patent/CN113794231A/zh
Application granted granted Critical
Publication of CN113794231B publication Critical patent/CN113794231B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • H02J3/12—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load
    • H02J3/14—Circuit arrangements for ac mains or ac distribution networks for adjusting voltage in ac networks by changing a characteristic of the network load by switching loads on to, or off from, network, e.g. progressively balanced loading
    • H02J3/144—Demand-response operation of the power transmission or distribution network
    • 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
    • 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
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
    • 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
    • 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
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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
    • Y02B70/00—Technologies for an efficient end-user side electric power management and consumption
    • Y02B70/30—Systems integrating technologies related to power network operation and communication or information technologies for improving the carbon footprint of the management of residential or tertiary loads, i.e. smart grids as climate change mitigation technology in the buildings sector, including also the last stages of power distribution and the control, monitoring or operating management systems at local level
    • Y02B70/3225—Demand response systems, e.g. load shedding, peak shaving
    • 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
    • Y02E10/50—Photovoltaic [PV] energy
    • Y02E10/56—Power conversion systems, e.g. maximum power point trackers
    • 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
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/20—End-user application control systems
    • Y04S20/222—Demand response systems, e.g. load shedding, peak shaving

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Fuel Cell (AREA)

Abstract

本申请涉及一种计及SOFC余热回收的微网优化配置方法、装置、计算机设备和存储介质。本申请能够在面对电/热/冷等多种能源需求的典型园区时，进一步提升能源有效利用水平。该方法包括：获取待优化微网能源系统的基础自然条件参数和负荷需求参数；待优化微网能源系统包括多种产能设备；将基础自然条件参数和设备参数输入目标函数；以多种产能设备的最大输出功率作为功率约束条件，并以电负荷需求功率、氢负荷需求功率、以及冷负荷需求功率作为系统运行约束条件，将多种产能设备的输出功率作为蜜源，利用人工蜂群算法‑量子粒子群算法针对目标函数进行寻优计算，得到目标函数的最优蜜源解；根据最优蜜源解确定多种产能设备的设备安装容量。

Description

计及SOFC余热回收的微网优化配置方法、装置、设备和介质
技术领域
本申请涉及混合能源技术领域，特别是涉及一种计及SOFC余热回收的微网优化配置方法、装置、计算机设备和存储介质。
背景技术
由于全球能源不断减少，且环境污染日益严重，新能源技术日益受到重视。目前采用的新能源技术主要有风能发电或太阳能发电(也称光伏发电)。由于风/光发电具有强随机性和间歇性，直接规模化并网会给电力系统的稳定运行带来电压、频率等挑战，故考虑将超出供应的风能或太阳能转化为其他形式的能量储存并合理利用，例如将超出需求的风能或太阳能转化为氢能(氢能能量密度大，燃烧后生成水，不产生污染，是一种清洁能源，且兼顾电力储能属性，即可利用氢燃料电池发电)或冷量(即冰蓄冷，冰蓄冷一般指利用夜间低谷负荷电力制冰储存在蓄冰装置中，白天融冰将所储存冷量释放出来，以减少电网高峰时段空调用电负荷及空调系统装机容量)。
交直流混合配电网是指交流和直流混合在一起的配电网络。在交流配电网的基础上建设交直流混合配电网是未来配电网的发展趋势。然而，直流配电网中分布式电源、储能装置等新设备的引入也对能效产生了新的影响。如何评价交直流混合配电网的能效水平是待解决的问题。
传统的交直流混联电网中，储能以铅酸或者锂电池为主，这会导致后续储能的运营费用偏高，例如需要经常对各个部署地点的铅酸或锂电池进行人工巡检并更换损坏的设备，且这些蓄电池寿命到期后也可能会污染环境。现有的交直流混联电网中，采用了无污染的储能方式的，但一般只聚焦于通过采用一种相变储能，实现系统能效水平提高，较少同时利用两种以上的相变储能技术，这种单一的储能技术在面对电/热/冷等多种能源需求的典型园区时，难以进一步提升能源有效利用水平。
发明内容
基于此，有必要针对上述技术问题，提供一种计及SOFC余热回收的微网优化配置方法、装置、计算机设备和存储介质。
一种计及SOFC余热回收的微网优化配置方法，应用于微网管理单元，所述方法包括：
获取待优化微网能源系统所在目标区域的基础自然条件参数、电负荷需求功率、氢负荷需求功率、以及冷负荷需求功率；所述待优化微网能源系统包括多种产能设备；
将所述基础自然条件参数和所述多种产能设备的设备参数输入目标函数；
以所述多种产能设备的最大输出功率作为功率约束条件，并以所述电负荷需求功率、所述氢负荷需求功率、以及所述冷负荷需求功率作为系统运行约束条件，将所述多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对所述目标函数进行寻优计算，得到所述目标函数的最优蜜源解；所述最优蜜源解为使得所述待优化微网能源系统的系统评价参数满足预设条件的解；
根据所述最优蜜源解确定所述多种产能设备的设备安装容量。
在其中一个实施例中，所述多种产能设备包括供电设备、供氢设备和供冷设备；所述将所述基础自然条件参数和所述多种产能设备的设备参数输入目标函数之前，还包括：
根据所述待优化微网能源系统的资源投入量与资源产出量之间的转化关系构建所述目标函数；
以系统年收益最大为目标函数，如(46)所示。
maxC＝Cins-y+CE+CH+CC-Cins (46)
式中，C表示系统年收益，maxC表示系统年收益最大化，Cins是产能设备的资源投入量；CE、CH、CC分别是供电、供氢、供冷的产出能量；Cins-y是产能设备在第i年的残值；
其中，Cins、Cins-i、CE、CH、CC可用(38～42)表示：
Cins＝CWTPr+CPVPSTG+CAECPAEC
+CHSFHS+CFCFFC+CMGTFMGT
+CqcFqc+CiceFice+CCSFCS (38)
式(38)中，CWT、CPV、CAEC、CHS、CFC、CMGT、Cqc、Cice、CCS分别表示WT、PV、AEC、储氢罐、SOFC、MGT、溴化锂吸收式制冷机、制冰空调、蓄冰罐的单位容量造价；Pr、PSTG、PAEC、FHS、FFC、FMGT、Fqc、Fice、FCS分别表示WT、PV、AEC、储氢罐、SOFC、MGT、溴化锂吸收式制冷机、制冰空调、蓄冰罐的安装容量；
式(39)中，设备残值计算采用平均折旧法，y表示当前年份，Y表示设备总寿命。式(40～42)中，Ce、Ch、Cc分别表示提供电、氢、冷的单位收益；Pload,i、Hload,i、Cload,i分别表示在第i小时的电、氢、冷负荷需求。
在其中一个实施例中，所述系统评价参数包括能源利用率、负荷失电率、负荷失氢率和负荷失冷率；所述以所述多种产能设备的最大输出功率作为功率约束条件，并以所述电负荷需求功率、所述氢负荷需求功率、以及所述冷负荷需求功率作为系统运行约束条件，将所述多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对所述目标函数进行寻优计算，得到所述目标函数的最优蜜源解，还包括：
以负荷失电率、负荷失氢率和负荷失冷率作为所述待优化微网能源系统的系统优化指标，将所述多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对所述目标函数进行寻优计算，得到所述目标函数的最优蜜源解；所述最优蜜源解为使得所述待优化微网能源系统的能源利用率最大化、负荷失电率最小化、负荷失氢率最小化且负荷失冷率最小化的解。
在其中一个实施例中，所述以多种产能设备的最大输出功率作为功率约束条件，并以所述电负荷需求功率、所述氢负荷需求功率、以及所述冷负荷需求功率作为系统运行约束条件，将所述多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对所述目标函数进行寻优计算，得到所述目标函数的最优蜜源解，包括：
获取初值，所述初值包括迭代次数、所述功率约束条件以及所述系统约束条件，设置求解问题的维度D与种群规模S，产生种群；
引领蜂根据式(59)产生蜜源：
xid＝Ld+rand(0,1)(Ud-Ld) (59)
式中，xid表示蜜源i(i＝1,2,3,...,S)在d维的位置，Ud、Ld分别表示d维的上、下边界，蜜源在各维度位置表示对应的设备安装容量；
将引领蜂携带的安装方案输入到待优化微网能源系统的目标函数，根据式(46)计算系统年收益，以此输出蜜源的适应度，返回蜂巢共享蜜源信息；
maxC＝Cins-y+CE+CH+CC-Cins (46)
式中，C表示系统年收益，maxC表示系统年收益最大化，Cins是产能设备的资源投入量；CE、CH、CC分别是供电、供氢、供冷的产出能量；Cins-y是产能设备在第i年的残值；
跟随蜂根据引领蜂分析的蜜源信息，按式(60)计算概率并按照轮盘赌方式随机选择引领蜂跟随：
式中，fiti表示蜜源i的适应度，pi表示跟随蜂跟随该蜜源的概率；
首次搜索时跟随蜂按照式(61)随机生成在蜜源附近的蜜源：
式中，vid表示引领蜂找到的蜜源位置，i≠j，是[-1,1]均匀分布的随机数，决定扰动程度。
在蜜源i对应的蜂群中，寻找当前蜜源附件蜂群的全局最优位置和个体最优位置；
根据式(62)计算个体最优平均位置：
式中，mpbest_i表示个体最优平均位置；ppbest_i-k表示本次迭代中蜜蜂i的蜂群中蜜蜂k个体最优位置；
引领蜂、跟随蜂按照式(63)更新位置：
式中，pi-k(t)和pi-k(t+1)分别表示蜜源i附近蜂群中蜜蜂k在第t次和第t+1次迭代中的位置；μ是(0,1)上的随机数；式中符号取的概率和-的概率都是0.5：当μ>0.5时，取+，反之取-；Pi-k用于更新蜂群位置，β是收缩膨胀因子，其计算公式如下：
Pi-k＝φ·ppbest_i-k+(1-φ)pglobal_i (64)
式中，pglobal_i是当前蜜源i附件蜂群的全局最优位置；φ是取值在(0,1)中的学习系数；Tmax是最大迭代次数，t是当前迭代次数；
判断是否有蜜源被舍弃；若蜜源i在经过多次迭代求解后全局最优得不到更新，舍弃该蜜源，引领蜂转变为侦查蜂，重复引领蜂产生蜜源的过程；
判断是否到达终止条件，若达到最大迭代次数则输出全局最优蜜源作为优化配置模型最优解，最终根据最优解的各维度数值确定设备安装容量。
在其中一个实施例中，所述基础自然条件参数包括光伏辐射强度、风速和温度。
在其中一个实施例中，所述设备参数包括设备额定输出功率和额定输入功率。
在其中一个实施例中，所述多种产能设备包括光伏电池、风力涡轮机、电解槽、氢气罐、SOFC、MGT、LBR、制冰空调和蓄冷池。
一种计及SOFC余热回收的微网优化配置装置，所述装置包括：
参数获取模块，用于获取待优化微网能源系统所在目标区域的基础自然条件参数、电负荷需求功率、氢负荷需求功率、以及冷负荷需求功率；所述待优化微网能源系统包括多种产能设备；所述产能设备包括SOFC产能设备；
目标模型输入模块，用于将所述基础自然条件参数和所述多种产能设备的设备参数输入目标函数；
最优蜜源解计算模块，用于以所述多种产能设备的最大输出功率作为功率约束条件，并以所述电负荷需求功率、所述氢负荷需求功率、以及所述冷负荷需求功率作为系统运行约束条件，将所述多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对所述目标函数进行寻优计算，得到所述目标函数的最优蜜源解；所述最优蜜源解为使得所述待优化微网能源系统的系统评价参数满足预设条件的解；
设备安装容量确定模块，用于根据所述最优蜜源解确定所述多种产能设备的设备安装容量。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述计及SOFC余热回收的微网优化配置方法实施例中的各步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以上述计及SOFC余热回收的微网优化配置方法实施例中的各步骤。
上述计及SOFC余热回收的微网优化配置方法、装置、计算机设备和存储介质，通过获取待优化微网能源系统所在目标区域的基础自然条件参数、电负荷需求功率、氢负荷需求功率、以及冷负荷需求功率；待优化微网能源系统包括多种产能设备；产能设备包括SOFC产能设备；将基础自然条件参数和多种产能设备的设备参数输入目标函数；以多种产能设备的最大输出功率作为功率约束条件，并以电负荷需求功率、氢负荷需求功率、以及冷负荷需求功率作为系统运行约束条件，将多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对目标函数进行寻优计算，得到目标函数的最优蜜源解；最优蜜源解为使得待优化微网能源系统的系统评价参数满足预设条件的解；根据最优蜜源解确定多种产能设备的设备安装容量。本申请能够在面对电/热/冷等多种能源需求的典型园区时，进一步提升能源有效利用水平。
附图说明
图1为一个实施例中计及SOFC余热回收的微网优化配置方法的应用环境图；
图2为一个实施例中计及SOFC余热回收的微网优化配置方法的流程示意图；
图3为一个实施例中ABC-QPSO混合算法的流程示意图；
图4为一个实施例中计及SOFC余热回收的微网优化配置装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的计及SOFC余热回收的微网优化配置方法，可以应用于如图1所示的应用环境中。其中，终端101以及终端103通过传感网络与服务器102进行通信。其中，终端101可以但不限于是各种产能设备或储能设备，例如光伏电池、风力涡轮机、电解槽、氢气罐、SOFC(Solid oxide fuel cell，固态氧化物电池)、MGT(Micro gas turbine，微型燃气轮机)、LBR(Lithium bromide refrigerator，溴化锂吸收式制冷机)、制冰空调和蓄冷池。服务器102为微网能源系统的微网管理单元，通过对各种产能设备进行分配容量、能源制备速率以及能源产出速率，以供终端103进行使用，终端103为能源输送设备或能源消耗设备，服务器102可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种计及SOFC余热回收的微网优化配置方法，以该方法应用于图1中的服务器102为例进行说明，包括以下步骤：
步骤S201，获取待优化微网能源系统所在目标区域的基础自然条件参数、电负荷需求功率、氢负荷需求功率、以及冷负荷需求功率；待优化微网能源系统包括多种产能设备；上述产能设备包括SOFC产能设备；
其中，微网能源系统，也称为微电网，或简称为微网，是指由分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等组成的小型发配电系统，能够充分促进分布式电源域可再生能源的大规模接入，实现对负荷多种能源(例如风能、太阳能、氢能、冷量等)形式的高可靠供给。目标区域是指上述微网能源系统所在的区域，例如需要在某一偏远地区建立微网能源系统，则该偏远地区可称为目标区域。产能设备指的是能够产生能源的设备，例如光伏电池、风力涡轮机等，还包括SOFC产生设备，即固态氧化物燃料电池，SOFC是一种在中高温下直接将储存在燃料和氧化剂中的化学能高效、环境友好地转化成电能的全固态化学发电装置，是目前几种燃料电池中，理论能量密度最高的一种。由于在微网能源系统中存在多种形式的能源，且由于各种能源负荷的需求量并非恒定，例如白天为用电高峰，夜晚则用电需求减少，而风力发电、光伏发电能能源需要依赖于自然条件，不受人为控制，导致能源产出与消耗不能完全匹配，有些能量会被丢弃，导致微网能源系统的能源利用率不够高，因此需要对微网中的各个产能设备进行优化配置，以期达到能量最大化利用。
具体地，获取目标区域的基础自然条件参数，例如偏远地区的光伏辐射强度，风速，温度等；还需要获取目标区域的电负荷需求功率、氢负荷需求功率、以及冷负荷需求功率，例如年交直流电力负荷需求以及年氢负荷需求、年冷负荷需求。
步骤S202，将上述基础自然条件参数和上述多种产能设备的设备参数输入目标函数。
其中，设备参数为产能设备的固有参数，例如设备额定输出功率、额定输入功率等。目标函数是根据需要使用的能源情况以及各种能源之间的转换关系预先构建的数学模型。
具体地，根据待优化微网能源系统的物理属性构建数学模型。首先，该微网能源系统所供应的负荷类型包括三部分：电力负荷、氢气负荷以及冷负荷，其产能设备可包含如下组件：直流电解水制氢储能系统(包括光伏电池、氢气罐，电解槽)，固体氧化物燃料电池-余热回收系统(包括固体氧化物燃料电池SOFC、微型燃气轮机MGT、溴化锂吸收式制冷机LBR)，交流电冰蓄冷系统(包括风力涡轮机、制冰空调、蓄冰罐)；共计3个子系统，共包括9种产能设备。
其次，根据上述物理组件以及各组件之间的能量转换关系构建各个产能设备的数学描述，其中：
1、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进而产生电能。考虑到温度的影响，时间t下的光伏电池板的输出功率(Photovoltaic power，即PV power)，简写为PPV(t)描述如下：
式(1)中PPV(t)为光伏电池板的输出功率，G为目标区域的太阳辐射强度，PSTG为光伏电池最大功率；l为功率温度系数；ta为环境温度；tNOC为光伏电池元件额定工作温度。
2、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，风力发电机组的输出功率PWT描述如下
式(2)中PWT是风力涡轮机(也称为风力发电机)的输出功率，v是风电场风速，vin是切入风速，vout是切出风速，Pr是风力涡轮机的额定功率，vr是额定风速。
3、氢能存储系统
氢能存储系统主要包括两个部分：电解槽、氢气罐(也称为储氢罐)。
3-1、电解槽
如果光伏电池和风力涡轮机的输出电能超过负荷需求，则电解槽可以吸收光伏电池剩余的直流电，并将其以氢的形式存储在氢气罐中。
式(3)中，QAEC是电解槽的制氢速率(kg/s)；PAEC-in是输入到电解槽的电功率；ηel是电解槽的能量转换效率，一般在65％～80％之间；是氢气的热值，为142MJ/kg。
3-2、氢气罐(也称为储氢罐)
氢气罐用于储存电解槽电解产生的氢气，在风力涡轮机和光伏电池出力不足时供SOFC燃料电池发电，氢气罐在时刻t下存储的氢气量可描述为：
上式(4)中，QHS(t)为储氢罐在t时刻储存的氢气量；Qin(t)为时刻t时输入到储氢罐的氢气流量；Qout(t)为t时刻的储氢罐输出的氢气流量，QHS(t1)为储氢罐在t1时刻储存的氢气量。设初始状态下储氢罐内储存的氢气达到最大量。
4、SOFC-MGT-LBR余热回收系统
如果光伏和风力涡轮机的能量无法满足负载需求，则氢气将通过SOFC-MGT-LBR系统转换为电能，并制冷，以满足负载需求。假设SOFC隔热良好，除了进气道带走热量外，无法与外界热交换，SOFC-MGT-LBR余热回收系统描述如下：
ESOFC＝ENernst-Vohm-Vact-Vcon (5)
式(5)中，ESOFC是SOFC输出电压，ENernst、Vohm、Vact、Vcon分别表示SOFC电池的能斯特电压、欧姆极化电压、活化极化电压、浓差极化电压，计算公式如下：
式中，ΔG为化学反应的吉布斯自由能，F是法拉第常数，R是理想气体常数，T是SOFC电池温度，分别是氢气、水蒸气、氧气的分压。
SOFC电池的欧姆极化电压Vohm为
式中，j是电流密度，τan、τele、τca分别是阳极板、电解质层、阴极板厚度，δan、δele、δca分别是阳极板、电解质层、阴极板电导率。
式中j0,an、j0,ca分别是阳极、阴极交换电流密度，分别是氢气、氧气在三相界面的分压力，Vact,an、Vact,ca分别是阳极、阴极活化极化电压。
式中，分别表示阳极与阴极浓差极化电压；/>分别是氢气、水蒸气、氧气的极限电流密度，计算公式如下：
式中，分别是氢气、水蒸气、氧气在对应极板的扩散系数，通过克努森扩散和二元扩散系数计算得到，公式如下：
式中表示气体的Fuller扩散比容，rpor是极板平均孔径，PSOFC是SOFC工作压力，/>分别是氢气、水蒸气、氧气、氮气的摩尔质量，ε、τ分别是材料的曲折系数和材料的孔隙率。
4-1、SOFC输出功率
SOFC输出功率可表示为：
PSOFC＝NESOFCI
＝NESOFCAj (23)
式中，A是极板面积，N是堆栈的燃料电池数量，ESOFC是SOFC输出电压，可由上式(5)得到。
根据法拉第电解定律，单位时间发电过程的氢气消耗速率可表示为：
因此，SOFC排出尾气包含的氢气的摩尔量为：
式中，是SOFC燃料电池氢气输入量。SOFC单位时间内的发热功率为：
式(26)中，HSOFC为SOFC单位时间内的发热功率；为SOFC在单位时间发电过程的氢气消耗速率，可由上式(24)计算得到；PSOFC为SOFC输出功率，可由上式(23)得到；/>是氢气的热值。
考虑到氢气一般无法完全参与反应，为了提高排气的温度便于MGT的利用，应该减少空气的通入量。由于阴极材料较薄，扩散效应显著，阴极极限电流密度比阳极极限电流密度大数倍，因此可适当减少氧气通入量而对浓差极化电压几乎无影响。在不考虑通入气体与燃料电池的热传递的情况下，排出的一级废气中的温度与能量可由下式表示：
式中，Tout为SOFC排出的一级废气的温度；HSOFC为SOFC单位时间内的发热功率，可由上式(26)计算得到；分别是氢气、水蒸气、氮气的摩尔质量；QCOFC为SOFC的氢气输入量；/>为SOFC在单位时间发电过程的氢气消耗速率，可由上式(24)计算得到；/>分别是氢气、水蒸气、氮气的恒压比热容；
根据上述公式，可计算得到SOFC在不同氢气通入量、电流密度下的输出功率与排气温度。为了稳定SOFC在设定温度，需要控制其运行功率点，避免出现SOFC排出的一级废气的温度Tout<T的情况，当Tout>T时，需要加大空气通入量，使得Tout＝T。
4-2、MGT输出功率
MGT接受SOFC产生的燃料未完全利用的高温废气，进入燃烧室驱动透平做功发电。输出功率可表示为：
PMGT＝Pout-hηMGTUf (29)
式(29)中，PMGT为MGT的输出功率；Pout-h是SOFC排出的一级废气的能量；ηMGT为MGT的能量转换效率；Uf是MGT的燃料利用率。
MGT排出的低温二级废气的余热可表示为：
上式(30)中，Pout2为MGT排出的低温二级废气的余热；PMGT为MGT的输出功率；ηMGT为MGT的能量转换效率。
4-3、LBR输出功率
溴化锂制冷机是一种常见的吸收式制冷设备，真空条件下以水为制冷剂，溴化锂水溶液为吸收剂，制取0℃以上的低温水。它以水为制冷剂溴，以溴化锂溶液为吸收剂，利用水的蒸发吸热完成制冷，由于溴化锂制冷机独特的工作特性，利用水在高真空状态下沸点变低(4℃)的特点来制冷(利用水沸腾的潜热)，可用低压水蒸汽或75℃以上的热水作为热源，所以可利用低温热源作为余热回收的最后一级完成余热制冷。本文采用单效溴化锂吸收式制冷机制冷功率可表示为：
Pqc＝Pout2ηhCOPqc (31)
式中，Pqc为单效溴化锂吸收式制冷机的制冷功率(也是输出功率)；Pout2为MGT排出的低温二级废气的余热；ηh是溴化锂吸收式制冷机的余热回收率；COPqc是机组的制冷系数。
5、制冰空调的输出功率
制冰空调平抑风电出力过大的时段，利用相变储能将多余的电转化为冰储存于蓄冰罐。制冰空调的制冷功率Pice可表示为：
Pice＝Pice-inCOPice (32)
上式中，Pice为制冰空调的制冷功率(输出功率)；Pice-in是制冰空调消耗的电功率；COPice是制冰空调的制冷系数。
6、蓄冷池的制冷功率
当微网负荷处于高峰时期或制冷功率不足时，蓄冷池释冰输出冷量，由于蓄冰池存在冷损耗，蓄冰罐的释冷功率可表示为：
CCS2＝CCS1(1-θ) (33)
式中，CCS2为蓄冰罐实际供给到负荷侧的冷量，CCS1为蓄冰罐融冰释放的冷量，θ为冷量损耗系数。
蓄冰罐的蓄冰量表示如下：
式中，QCS(t)为蓄冰罐在t时刻储存的冰量；QCS(t1)为蓄冰罐在t时刻储存的冰量。设初始状态下储氢罐内储存的氢气达到最大量。
为了减少能量转换环节而提出交直流混联微网，但考虑到交、直流两侧电能的互联，利用双向AC/DC变化技术实现交流母线与直流母线的双向能量耦合。系统会尽可能减少电能变换过程，交流负荷与制冰空调优先使用风力发电机和MGT，直流负荷、电解槽优先使用光伏电池和SOFC。电能变换过程可用如下公式表达：
PAC-DC＝PACηAC-DC (35)
PDC-AC＝PDCηDC-AC (36)
式中，PAC-DC、PDC-AC分别表示从交流母线变换到直流母线的电功率和从直流母线变换到交流母线的电功率；PAC、PDC分别表示交流母线向直流母线输送的电功率和交流母线向直流母线输送的电功率；ηAC-DC、ηDC-AC分别表示交-直流变换效率和直-交流变换效率。
至此，微网能源系统的各组件的数学描述完成。
根据上述各组件的数学描述构建目标函数如下：
系统年收益(Annualized Benefit，AB)表示系统一年的资源投入产出之差，计算方法如下所述：
AB＝Cins-y+CE+CH+CC-Cins (37)
式中，Cins是产能设备的资源投入量；CE、CH、CC分别是供电、供氢、供冷的产出能量；Cins-y是产能设备在第y年的残值。其中，Cins、Cins-y、CE、CH、CC可用下式表示：
Cins＝CWTPr+CPVPSTG+CAECPAEC
+CHSFHS+CFCFFC+CMGTFMGT
+CqcFqc+CiceFice+CCSFCS (38)
/>
上式中，CWT、CPV、CAEC、CHS、CFC、CMGT、Cqc、Cice、CCS分别表示WT、PV、AEC、储氢罐、SOFC、MGT、溴化锂吸收式制冷机、制冰空调、蓄冰罐的单位容量造价；Pr、PSTG、PAEC、FHS、FFC、FMGT、Fqc、Fice、FCS分别表示WT、PV、AEC、储氢罐、SOFC、MGT、溴化锂吸收式制冷机、制冰空调、蓄冰罐的安装容量。
式(39)中，设备残值计算采用平均折旧法，y表示当前年份，Y表示设备总寿命。式(40～42)中，Ce、Ch、Cc分别表示提供电、氢、冷的单位收益；Pload,i、Hload,i、Cload,i分别表示在第i小时的电、氢、冷负荷需求。
电、氢、冷负荷的供给缺失率是优化方案的重要考核指标，分别用负荷失电率(Loss of Power Supply Probability,LPSP)、负荷失氢率(Loss of Hydrogen SupplyProbability，LHSP)、负荷失冷率(Loss of Cold Supply Probability，LCSP)表示，计算方法如下所示。
综上，本发明提出的风-光-氢-冷能系统建模为有约束的混合整数规划问题，目标函数可描述如下：
maxC＝Cins-y+CE+CH+CC-Cins (46)
其中，C表示系统年收益，maxC表示系统年收益最大化，Cins是产能设备的资源投入量；CE、CH、CC分别是供电、供氢、供冷的产出能量；Cins-y是产能设备在第i年的残值。
步骤S203，以多种产能设备的最大输出功率作为功率约束条件，并以电负荷需求功率、氢负荷需求功率、以及冷负荷需求功率作为系统运行约束条件，将多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对目标函数进行寻优计算，得到目标函数的最优蜜源解；最优蜜源解为使得待优化微网能源系统的系统评价参数满足预设条件的解；
具体地，约束条件包含两方面，分别是针对光伏电池、风力发电机、氢储能系统、冰蓄冷系统、SOFC-MGT-LBR余热回收系统的设备约束和运行约束。
风力发电机的最大出力取决于切出风速和安装容量，约束条件为：
0≤PWT≤Pr (47)
光伏电池的最大出力取决于安装容量PSTG：
0≤PPV≤PSTG (48)
电解槽可以消纳光伏出力，但受到安装容量的限制，可能存在多余的光电无法完全吸收的情况：
0≤PPV-AEC≤PAEC (49)
式中，PAEC是电解槽的最大输入功率。
储氢罐存在最大储氢容量，当储存的氢气量为0时存在出现负荷失电的概率：
0≤QHS≤FHS (50)
SOFC的最大出力约束条件如下：
0≤PSOFC≤FFC (51)
MGT吸收来自SOFC的一级废气，输出功率主要受到安装容量的限制：
0≤PMGT≤FMGT (52)
溴化锂吸收式制冷机运行约束如下：
0≤Pqc≤Fqc (53)
制冰空调运行约束如下：
0≤Pice-in≤Fice (54)
类似于储氢罐，蓄冰罐也存在最大储冰容量：
0≤QCS≤FCS (55)
系统运行时，针对电-冷-氢负荷供给存在如下约束。
电功率约束：
PPV+PWT+PMGT+PSOFC＝Pload+PAEC-in+Pice-in+Pdis (56)
式中，Pdis是因为储能系统无法消纳而产生弃风弃光的电功率；PPV、PWT、PMGT、PSOFC分别是风力发电机、光伏电池、MGT、SOFC的输出功率；Pload、PAEC-in、Pice-in分别是电负荷、电解槽输入功率、制冰空调输入功率。
氢流量约束：
任一时刻，氢流量存在如下约束：
0≤QAEC+Qout-QSOFC-Qin≤Hload (57)
其中，QAEC、Qout分别是电解槽、储氢罐的氢气输出流量；QSOFC、Qin分别是SOFC消耗的氢气流量和输送进储氢罐的氢气流量；Hload是氢气负荷的需求流量。
供冷约束：
系统可供给的最大冷负荷取受到如下约束：
0≤Cqc+Cice+CCS2≤Cload (58)
其中，Cqc、Cice、CCS2分别是LBR、制冰空调、蓄冰罐的输出冷量；Cload是冷负荷需求功率。
将上述多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法(ABC-QPSO算法)针对目标函数(即上式(46))进行寻优计算，得到目标函数的最优蜜源解；最优蜜源解为使得待优化微网能源系统的系统评价参数满足预设条件的解。
步骤S204，根据最优蜜源解确定多种产能设备的设备安装容量。
具体地，根据上述最优蜜源解得到待优化微网能源系统中的各种产能设备的输出功率的配置，以此确定各种产能设备的设备安装容量。
上述实施例，通过ABC-QPSO算法来处理提出的优化配置模型的容量优化问题，能够在面对电/热/冷等多种能源需求的典型园区时，进一步提升能源有效利用水平。
在一实施例中，上述多种产能设备包括供电设备、供氢设备和供冷设备；上述步骤S202之前，还包括：根据待优化微网能源系统的资源投入量与资源产出量之间的转化关系构建目标函数；其中，资源产出量包括供电设备的电能产量、供氢设备的氢能产量、供冷设备的冷量产量以及上一年的产能设备在当年的残值。
具体地，目标函数如上式(46)所述。根据待优化微网能源系统的资源投入量与资源产出量之间的转化关系构建目标函数，可参见上述公式(1)-公式(37)所示过程，此处不再赘述。
上述实施例，通过构建包含多种产能设备的微网能源系统，并根据各能源之间的转化利用关系构建数学模型，为后续优化计算提供数学基础。
在一实施例中，上述系统评价参数包括能源利用率、负荷失电率、负荷失氢率和负荷失冷率；上述步骤S203还包括：以负荷失电率、负荷失氢率和负荷失冷率作为待优化微网能源系统的系统优化指标，将多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对目标函数进行寻优计算，得到目标函数的最优蜜源解；最优蜜源解为使得待优化微网能源系统的能源利用率最大化、负荷失电率最小化、负荷失氢率最小化且负荷失冷率最小化的解。
其中，电、氢、冷负荷的供给缺失率是优化方案的重要考核指标，分别用负荷失电率(Loss of Power Supply Probability,LPSP)、负荷失氢率(Loss of Hydrogen SupplyProbability，LHSP)、负荷失冷率(Loss of Cold Supply Probability，LCSP)表示。计算方式如上述(43)-(45)所示，此处不再赘述。
本实施例设置上述系统评价指标，如果光伏电池产生的直流电能超过直流负荷需求并且风机产生的交流电能超过交流负荷需求，则光伏电池多余的直流电能将被输送到电解池单元以产生氢并存储在氢气罐中，风力发电机多余的交流电能将被输送到制冰空调制冰并存储在蓄冰罐中。若光伏电池输送到氢储能系统的电能超过其最大功率，将多余的功率输送到冰蓄冷系统；若风力发电机输送到冰蓄冷系统的电能超过其最大功率，将多余的功率输送到氢储能系统；若二者均超过其最大输入功率，则将电能丢弃，记录弃风弃光量。
如果交流负荷无法满足，光伏电池产生的直流电能超过直流负荷需求时，将光伏电池产生的直流电能通过逆变转化为交流电满足交流负荷；反之，如果直流负荷无法满足，风力发电机产生的交流电能超过交流负荷需求时，则将风力发电机产生的交流电能通过整流转化为直流电满足直流负荷。若通过上述两交直流电能变换过程仍然有电能剩余，将多余的电能按照交直流能量类型输送到对应的储能系统。
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。冰蓄冷存储的冰容量不能超过冰蓄冷的最大容量，如果产生的冷量与当前冰存储的容量之和超过冰蓄冷所能存储的最大的容量，则剩余的冷量不能被储存，这部分能量被放弃。
在对电-冷-氢负荷的供给过程中，优先满足电力需求，其次是冷需求，最后是氢气需求。如果可再生能源发电系统无法供给电负荷，则储能装置将释放氢气至SOFC-MGT-LBR余热回收系统以满足电力负荷需求，产生的冷量输送至优先满足冷负荷需求，多余的冷量储存至蓄冰罐。如果电能无法满足负荷需求，记录LPSP。
如果可再生能源发电系统无法供给冷负荷，则蓄冰罐融冰释冷以满足冷负荷需求，若融冰释冷功率不能满足冷负荷需求，将风光电源多余的电能输送至制冰空调制冷，此时如果仍然不能满足冷负荷需求，记录LCSP。如果电能无法满足负荷需求，记录负荷失电率。如果可再生能源发电系统的电解槽无法满足所需的氢负荷需求，则储氢罐释放氢气以满足氢负荷需求，若此时不能满足氢负荷需求，记录LHSP。
以上述三种系统评价指标作为衡量系统运行策略是否合适的标准，将所述多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对所述目标函数进行寻优计算，得到所述目标函数的最优蜜源解；该最优蜜源解为使得所述待优化微网能源系统在确保经济性最好的同时具有较大的能源利用率与较小的负荷失电率最小化、负荷失氢率负荷失冷率的解。
上述实施例，通过设置负荷失电率、负荷失氢率和负荷失冷率作为系统评价参数，能够多个角度综合评价交直流混联混合可再生能源系统，有利于进一步提高系统的资源利用率以及系统可靠性。
在一实施例中，上述步骤S203还包括：获取初值，所述初值包括迭代次数、所述功率约束条件以及所述系统约束条件；基于所述功率约束条件和所述系统约束条件确定当前蜜源位置；所述当前蜜源位置用于供引领蜂采蜜；根据适应度函数计算所述当前蜜源位置的适应值，基于所述适应值计算所述当前蜜源位置被跟随蜂采蜜的概率；根据所述概率确定所述跟随蜂的蜜源位置基于所述目标函数和所述预设的适应度函数确定蜂群中的全局最优位置和个体最优位置；所述蜂群包括所述引领蜂和所述跟随蜂；基于所述蜂群中的个体最优位置计算个体最优平均位置；将迭代次数加1，根据所述全局最优位置、根据个体最优位置以及所述个体最优平均位置对所述蜂群中各个引领蜂和各个跟随蜂的位置进行更新，得到各个引领蜂和各个跟随蜂的更新后位置；基于所述各个引领蜂和各个跟随蜂的更新后位置，9)判断是否有蜜源被舍弃。若蜜源i在经过多次迭代求解后全局最优得不到更新，舍弃该蜜源，引领蜂转变为侦查蜂，重复过程2；判断是否满足迭代终止条件；若满足所述迭代终止条件，则输出全局最优位置，并将所述全局最优位置作为所述最优蜜源解。
具体地，如图3所示，图3为另一实施例中的ABC-QPSO混合算法流程图：
1)获取初值，初值包括迭代次数、功率约束条件以及系统约束条件。例如，上述服务器102获取风力涡轮机、光伏电池、电解槽、储氢罐、SOFC、MGT、LBR、制冰空调、蓄冰罐9种待优化设备的边界条件，设置求解问题的维度D与种群规模S，产生种群；
2)引领蜂根据下式产生蜜源：
xid＝Ld+rand(0,1)(Ud-Ld) (59)
式中，xid表示蜜源i(i＝1,2,3,...,S)在d维的位置，Ud、Ld分别表示d维的上、下边界，蜜源在各维度位置表示对应的设备安装容量；
3)将引领蜂携带的安装方案输入到本文所提园区微网的仿真模型，计算年收益，以此输出蜜源的适应度，返回蜂巢共享蜜源信息；
4)跟随蜂根据引领蜂分析的蜜源信息，按下式计算概率并按照轮盘赌方式随机选择引领蜂跟随：
式中，fiti表示蜜源i的适应度，pi表示跟随蜂跟随该蜜源的概率；
5)首次搜索时跟随蜂按照下式随机生成在蜜源附近的蜜源：
式中，vid表示引领蜂找到的蜜源位置，i≠j，是[-1,1]均匀分布的随机数，决定扰动程度。
6)在蜜源i对应的蜂群中，寻找当前蜜源附件蜂群的全局最优位置和个体最优位置；
7)根据下式计算个体最优平均位置：
式中，mpbest_i表示个体最优平均位置；ppbest_i-k表示本次迭代中蜜蜂i的蜂群中蜜蜂k个体最优位置。
8)引领蜂、跟随蜂按照下式更新位置：
式中，pi-k(t)和pi-k(t+1)分别表示蜜源i附近蜂群中蜜蜂k在第t次和第t+1次迭代中的位置；μ是(0,1)上的随机数；式中符号取的概率和-的概率都是0.5：当μ>0.5时，取+，反之取-。Pi-k用于更新蜂群位置，β是收缩膨胀因子，其计算公式如下：
Pi-k＝φ·ppbest_i-k+(1-φ)pglobal_i (64)
式中，pglobal_i是当前蜜源i附件蜂群的全局最优位置；φ是取值在(0,1)中的学习系数。Tmax是最大迭代次数，t是当前迭代次数。
9)判断是否有蜜源被舍弃。若蜜源i在经过多次迭代求解后全局最优得不到更新，舍弃该蜜源，引领蜂转变为侦查蜂，重复引领蜂产生蜜源的过程；
10)判断是否到达终止条件，若达到最大迭代次数则输出全局最优蜜源作为优化配置模型最优解，最终根据最优解的各维度数值确定设备安装容量。
上述实施例，以ABC算法为基础，在引领蜂、跟随蜂的搜索过程结合QPSO算法的位置更新思路进行了改进，克服了传统ABC算法在蜜源附近搜索的单一随机性，加入QPSO的位置更新算法，解决了ABC算法搜索速度慢、QPSO算法早熟的问题，进一步提高蜜源附近的搜索速度从而快速收敛
在一实施例中，上述个体最优平均位置如上式(62)所述，此处不再赘述。
本实施例通过引入个体最优平均位置，能够提高全局搜索能力。
在一实施例中，所述多种产能设备包括光伏电池、风力涡轮机、电解槽、氢气罐、SOFC、MGT、LBR、制冰空调和蓄冷池。
上述实施例，通过使用多种储能设备，能够同时将氢储能设备、冰蓄冷设备以及SOFC余热回收系统进行组合配置，形成交直流混联可再生能源系统，在不失去通用性的情况下，除提供电力负荷外，还能够满足园区的制冷以及供氢需求。
应该理解的是，虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种计及SOFC余热回收的微网优化配置装置400，包括：参数获取模块401、目标模型输入模块402、最优蜜源解计算模块403以及设备安装容量确定模块404，其中：
参数获取模块401，用于获取待优化微网能源系统所在目标区域的基础自然条件参数、电负荷需求功率、氢负荷需求功率、以及冷负荷需求功率；所述待优化微网能源系统包括多种产能设备；所述产能设备包括SOFC产能设备；
目标模型输入模块402，用于将所述基础自然条件参数和所述多种产能设备的设备参数输入目标函数；
最优蜜源解计算模块403，用于以所述多种产能设备的最大输出功率作为功率约束条件，并以所述电负荷需求功率、所述氢负荷需求功率、以及所述冷负荷需求功率作为系统运行约束条件，将所述多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对所述目标函数进行寻优计算，得到所述目标函数的最优蜜源解；所述最优蜜源解为使得所述待优化微网能源系统的系统评价参数满足预设条件的解；
设备安装容量确定模块404，用于根据所述最优蜜源解确定所述多种产能设备的设备安装容量。
在一实施例中，所述多种产能设备包括供电设备、供氢设备和供冷设备；上述装置还包括目标模型构建单元，该目标模型构建单元用于根据所述待优化微网能源系统的资源投入量与资源产出量之间的转化关系构建所述目标函数；其中，所述资源产出量包括所述供电设备的电能产量、所述供氢设备的氢能产量、所述供冷设备的冷量产量以及上一年的产能设备在当年的残值。
在一实施例中，所述系统评价参数包括能源利用率、负荷失电率、负荷失氢率和负荷失冷率；上述最优蜜源解计算模块403，进一步用于：以负荷失电率、负荷失氢率和负荷失冷率作为所述待优化微网能源系统的系统优化指标，将所述多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对所述目标函数进行寻优计算，得到所述目标函数的最优蜜源解；所述最优蜜源解为使得所述待优化微网能源系统的能源利用率最大化、负荷失电率最小化、负荷失氢率最小化且负荷失冷率最小化的解。
在一实施例中，上述最优蜜源解计算模块403，进一步用于：获取初值，所述初值包括迭代次数、所述功率约束条件以及所述系统约束条件；基于所述功率约束条件和所述系统约束条件确定当前蜜源位置；所述当前蜜源位置用于供引领蜂采蜜；所述引领蜂与所述蜜源一一对应；根据适应度函数计算所述当前蜜源位置的适应值，基于所述适应值计算所述当前蜜源位置被跟随蜂采蜜的概率；根据所述概率确定所述跟随蜂的蜜源位置；基于所述目标函数和所述预设的适应度函数确定蜂群中的全局最优位置和个体最优位置；所述蜂群包括所述引领蜂和所述跟随蜂；基于所述蜂群中的个体最优位置计算个体最优平均位置；将迭代次数加1，根据所述全局最优位置、根据个体最优位置以及所述个体最优平均位置对所述蜂群中各个引领蜂和各个跟随蜂的位置进行更新，得到各个引领蜂和各个跟随蜂的更新后位置；(基于所述各个引领蜂和各个跟随蜂的更新后位置，判断是否有蜜源被舍弃。若所述蜜源更新后的全局最优位置的适应值小于上一次迭代的全局最优位置，舍弃该蜜源，引领蜂转变为侦查蜂，返回所述基于所述功率约束条件和所述系统约束条件确定当前蜜源位置的步骤；)基于所述各个引领蜂和各个跟随蜂的更新后位置，9)判断是否有蜜源被舍弃。若蜜源i在经过多次迭代求解后全局最优得不到更新，舍弃该蜜源，引领蜂转变为侦查蜂，重复过程2；判断是否满足迭代终止条件；若满足所述迭代终止条件，则输出全局最优位置，并将所述全局最优位置作为所述最优蜜源解。
在一实施例中，上述个体最优平均位置如上式(62)所述，此处不再赘述。
在一实施例中，所述迭代终止条件为：迭代次数达到预设的最大迭代次数。
在一实施例中，所述多种产能设备包括光伏电池、风力涡轮机、电解槽、氢气罐、SOFC、MGT、LBR、制冰空调和蓄冷池。
关于计及SOFC余热回收的微网优化配置装置的具体限定可以参见上文中对于计及SOFC余热回收的微网优化配置方法的限定，在此不再赘述。上述计及SOFC余热回收的微网优化配置装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储各种产能设备的输入输出数据以及各种性能指标数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种计及SOFC余热回收的微网优化配置方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现如上述的计及SOFC余热回收的微网优化配置方法实施例中的各步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如上述的计及SOFC余热回收的微网优化配置方法实施例中的各步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种计及SOFC余热回收的微网优化配置方法，其特征在于，应用于微网管理单元，所述方法包括：
获取待优化微网能源系统所在目标区域的基础自然条件参数、电负荷需求功率、氢负荷需求功率、以及冷负荷需求功率；所述待优化微网能源系统包括多种产能设备；
将所述基础自然条件参数和所述多种产能设备的设备参数输入目标函数；
以所述多种产能设备的最大输出功率作为功率约束条件，并以所述电负荷需求功率、所述氢负荷需求功率、以及所述冷负荷需求功率作为系统运行约束条件，将所述多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对所述目标函数进行寻优计算，得到所述目标函数的最优蜜源解；所述最优蜜源解为使得所述待优化微网能源系统的系统评价参数满足预设条件的解；
所述系统评价参数包括能源利用率、负荷失电率、负荷失氢率和负荷失冷率；所述以所述多种产能设备的最大输出功率作为功率约束条件，并以所述电负荷需求功率、所述氢负荷需求功率、以及所述冷负荷需求功率作为系统运行约束条件，将所述多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对所述目标函数进行寻优计算，得到所述目标函数的最优蜜源解，还包括：以负荷失电率、负荷失氢率和负荷失冷率作为所述待优化微网能源系统的系统优化指标，将所述多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对所述目标函数进行寻优计算，得到所述目标函数的最优蜜源解；所述最优蜜源解为使得所述待优化微网能源系统的能源利用率最大化、负荷失电率最小化、负荷失氢率最小化且负荷失冷率最小化的解；
根据所述最优蜜源解确定所述多种产能设备的设备安装容量。
2.根据权利要求1所述的方法，其特征在于，所述多种产能设备包括供电设备、供氢设备和供冷设备；所述将所述基础自然条件参数和所述多种产能设备的设备参数输入目标函数之前，还包括：
根据所述待优化微网能源系统的资源投入量与资源产出量之间的转化关系构建所述目标函数；
以系统年收益最大为目标函数，如(46)所示：
(46)
式中，C表示系统年收益，maxC表示系统年收益最大化，是产能设备的资源投入量；、/>、/>分别是供电、供氢、供冷的产出能量；/>是产能设备在第i年的残值；
其中，、/>、/>、/>、/>可用(38~42)表示：
(38)
(39)
(40)
(41)
(42)
式(38)中，、/>、/>、/>、/>、/>、/>、/>、/>分别表示WT、PV、AEC、储氢罐、SOFC、MGT、溴化锂吸收式制冷机、制冰空调、蓄冰罐的单位容量造价；/>、/>、/>、、/>、/>、/>、/>、/>分别表示WT、PV、AEC、储氢罐、SOFC、MGT、溴化锂吸收式制冷机、制冰空调、蓄冰罐的安装容量；
式(39)中，设备残值计算采用平均折旧法，表示当前年份，表示设备总寿命，式(40~42)中，、/>、/>分别表示提供电、氢、冷的单位收益；/>、/>、/>分别表示在第i小时的电、氢、冷负荷需求。
3.根据权利要求1所述的方法，其特征在于，所述以多种产能设备的最大输出功率作为功率约束条件，并以所述电负荷需求功率、所述氢负荷需求功率、以及所述冷负荷需求功率作为系统运行约束条件，将所述多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对所述目标函数进行寻优计算，得到所述目标函数的最优蜜源解，包括：
获取初值，所述初值包括迭代次数、所述功率约束条件以及所述系统约束条件，设置求解问题的维度D与种群规模S，产生种群；
引领蜂根据式(59)产生蜜源：
(59)
式中，表示蜜源i(i=1,2,3,...,S)在d维的位置，/>、/>分别表示d维的上、下边界，蜜源在各维度位置表示对应的设备安装容量；
将引领蜂携带的安装方案输入到待优化微网能源系统的目标函数，根据式(46)计算系统年收益，以此输出蜜源的适应度，返回蜂巢共享蜜源信息；
(46)
式中，C表示系统年收益，maxC表示系统年收益最大化，是产能设备的资源投入量；、/>、/>分别是供电、供氢、供冷的产出能量；/>是产能设备在第i年的残值；
跟随蜂根据引领蜂分析的蜜源信息，按式(60)计算概率并按照轮盘赌方式随机选择引领蜂跟随：
(60)
式中，表示蜜源i的适应度，/>表示跟随蜂跟随该蜜源的概率；
首次搜索时跟随蜂按照式(61)随机生成在蜜源附近的蜜源：
(61)
式中，表示引领蜂找到的蜜源位置，/>，/>是[-1,1]均匀分布的随机数，决定扰动程度；
在蜜源i对应的蜂群中，寻找当前蜜源附件蜂群的全局最优位置和个体最优位置；
根据式(62)计算个体最优平均位置：
(62)
式中，表示个体最优平均位置；/>表示本次迭代中蜜蜂i的蜂群中蜜蜂k个体最优位置；
引领蜂、跟随蜂按照式(63)更新位置：
(63)
式中，和/>分别表示蜜源i附近蜂群中蜜蜂k在第t次和第t+1次迭代中的位置；/>是/>上的随机数；式中符号取的概率和-的概率都是0.5：当/>时，取+，反之取-；用于更新蜂群位置，/>是收缩膨胀因子，其计算公式如下：
(64)
(65)
式中，是当前蜜源i附件蜂群的全局最优位置；/>是取值在中/>的学习系数；是最大迭代次数，/>是当前迭代次数；
判断是否有蜜源被舍弃；若蜜源i在经过多次迭代求解后全局最优得不到更新，舍弃该蜜源，引领蜂转变为侦查蜂，重复引领蜂产生蜜源的过程；
判断是否到达终止条件，若达到最大迭代次数则输出全局最优蜜源作为优化配置模型最优解，最终根据最优解的各维度数值确定设备安装容量。
4.根据权利要求1所述的方法，其特征在于，所述基础自然条件参数包括光伏辐射强度、风速和温度。
5.根据权利要求1所述的方法，其特征在于，所述设备参数包括设备额定输出功率和额定输入功率。
6.根据权利要求1至5任意一项所述的方法，其特征在于，所述多种产能设备包括光伏电池、风力涡轮机、电解槽、氢气罐、SOFC、MGT、LBR、制冰空调和蓄冷池。
7.一种计及SOFC余热回收的微网优化配置装置，其特征在于，所述装置包括：
参数获取模块，用于获取待优化微网能源系统所在目标区域的基础自然条件参数、电负荷需求功率、氢负荷需求功率、以及冷负荷需求功率；所述待优化微网能源系统包括多种产能设备；所述产能设备包括SOFC产能设备；
目标模型输入模块，用于将所述基础自然条件参数和所述多种产能设备的设备参数输入目标函数；
最优蜜源解计算模块，用于以所述多种产能设备的最大输出功率作为功率约束条件，并以所述电负荷需求功率、所述氢负荷需求功率、以及所述冷负荷需求功率作为系统运行约束条件，将所述多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对所述目标函数进行寻优计算，得到所述目标函数的最优蜜源解；所述最优蜜源解为使得所述待优化微网能源系统的系统评价参数满足预设条件的解；所述系统评价参数包括能源利用率、负荷失电率、负荷失氢率和负荷失冷率；所述以所述多种产能设备的最大输出功率作为功率约束条件，并以所述电负荷需求功率、所述氢负荷需求功率、以及所述冷负荷需求功率作为系统运行约束条件，将所述多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对所述目标函数进行寻优计算，得到所述目标函数的最优蜜源解，还包括：以负荷失电率、负荷失氢率和负荷失冷率作为所述待优化微网能源系统的系统优化指标，将所述多种产能设备的输出功率作为蜜源，利用人工蜂群算法-量子粒子群算法针对所述目标函数进行寻优计算，得到所述目标函数的最优蜜源解；所述最优蜜源解为使得所述待优化微网能源系统的能源利用率最大化、负荷失电率最小化、负荷失氢率最小化且负荷失冷率最小化的解；
设备安装容量确定模块，用于根据所述最优蜜源解确定所述多种产能设备的设备安装容量。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202111058126.0A 2021-09-09 2021-09-09 计及sofc余热回收的微网优化配置方法、装置、设备和介质 Active CN113794231B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111058126.0A CN113794231B (zh) 2021-09-09 2021-09-09 计及sofc余热回收的微网优化配置方法、装置、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111058126.0A CN113794231B (zh) 2021-09-09 2021-09-09 计及sofc余热回收的微网优化配置方法、装置、设备和介质

Publications (2)

Publication Number Publication Date
CN113794231A CN113794231A (zh) 2021-12-14
CN113794231B true CN113794231B (zh) 2023-09-12

Family

ID=78879852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111058126.0A Active CN113794231B (zh) 2021-09-09 2021-09-09 计及sofc余热回收的微网优化配置方法、装置、设备和介质

Country Status (1)

Country Link
CN (1) CN113794231B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107482638A (zh) * 2017-07-21 2017-12-15 杭州电子科技大学 冷热电联供型微电网多目标动态优化调度方法
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
CN111030084A (zh) * 2019-11-19 2020-04-17 国网江苏省电力有限公司电力科学研究院 一种考虑系统恢复过程中机组状态的负荷恢复优化方法
CN113344736A (zh) * 2021-05-21 2021-09-03 温州电力设计有限公司 一种园区级综合能源系统及其控制方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107482638A (zh) * 2017-07-21 2017-12-15 杭州电子科技大学 冷热电联供型微电网多目标动态优化调度方法
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
CN111030084A (zh) * 2019-11-19 2020-04-17 国网江苏省电力有限公司电力科学研究院 一种考虑系统恢复过程中机组状态的负荷恢复优化方法
CN113344736A (zh) * 2021-05-21 2021-09-03 温州电力设计有限公司 一种园区级综合能源系统及其控制方法

Also Published As

Publication number Publication date
CN113794231A (zh) 2021-12-14

Similar Documents

Publication Publication Date Title
Kovač et al. Solar hydrogen production via alkaline water electrolysis
CN111242806B (zh) 一种考虑不确定性的电-热-氢多能量系统的规划方法
CN110365281B (zh) 含氢电热冷的多能源系统及其供需协同规划方法和装置
Tabanjat et al. Fuzzy logic-based water heating control methodology for the efficiency enhancement of hybrid PV–PEM electrolyser systems
Zhu et al. Multi-objective optimization of a hybrid energy system integrated with solar-wind-PEMFC and energy storage
CN117096908A (zh) 基于麻雀搜索的并网型微电网优化调度方法
Calise et al. Renewable smart energy network: A thermoeconomic comparison between conventional lithium-ion batteries and reversible solid oxide fuel cells
Soheyli et al. Modeling and optimal resources allocation of a novel tri-distributed generation system based on sustainable energy resources
Alktranee et al. Overview of the hybrid solar system
CN113139675B (zh) 一种园区综合能源系统综合电负荷区间预测方法
Rahmani et al. Multi-objective MPSO/GA optimization of an autonomous PV-wind hybrid energy system
CN113794231B (zh) 计及sofc余热回收的微网优化配置方法、装置、设备和介质
CN115411770B (zh) 一种可再生能源系统的能量管理方法
CN112149339B (zh) 风电-光伏-光热-电加热器互补发电系统容量优化模型
Faizan et al. An overview of fuel cell based distribution generation integration
CN111786419A (zh) 一种区域电网能源配置系统
Goya et al. Optimal operation of thermal generating units and smart houses
CN113468723B (zh) 一种离网风光氢冷能源系统优化配置方法
CN219800933U (zh) 一种燃料电池发电单元热管理系统
CN116562575B (zh) 一种综合能源系统的优化调度方法
Azoug et al. New Optimized Sizing Based on the Techno-Economic Analysis of PV System with Hybrid Storage H 2-Battery
CN116094062A (zh) 燃料电池微电网的管理方法、装置、设备和存储介质
Liu et al. Optimization of region energy system operation considering part-load characteristics of fuel cells
CN115860358A (zh) 一种双燃料电池氢储能综合能源系统优化调度方法
Li et al. Research on Electrolyzer Modeling and Day ahead Scheduling Considering the Influence of Electrolyzer Temperature

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