CN114725961A - 平抑风电波动的制氢系统容量分层优化配置方法 - Google Patents

平抑风电波动的制氢系统容量分层优化配置方法 Download PDF

Info

Publication number
CN114725961A
CN114725961A CN202210258312.7A CN202210258312A CN114725961A CN 114725961 A CN114725961 A CN 114725961A CN 202210258312 A CN202210258312 A CN 202210258312A CN 114725961 A CN114725961 A CN 114725961A
Authority
CN
China
Prior art keywords
model
wind power
hydrogen production
capacity
optimization
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
CN202210258312.7A
Other languages
English (en)
Inventor
徐衍会
徐宜佳
崔瑞顺
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 CN202210258312.7A priority Critical patent/CN114725961A/zh
Publication of CN114725961A publication Critical patent/CN114725961A/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
    • 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
    • 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
    • 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
    • H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P20/00—Technologies relating to chemical industry
    • Y02P20/10—Process efficiency
    • Y02P20/133—Renewable energy sources, e.g. sunlight

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Electrolytic Production Of Non-Metals, Compounds, Apparatuses Therefor (AREA)

Abstract

本发明提出平抑风电波动的制氢系统容量分层优化配置方法，包括：建立基于模型预测控制的风电波动平抑模型，以储能出力最小为目标建立滚动优化的目标函数；建立用于优化制氢系统容量的分层优化模型，其中，分层优化模型包括第一层模型和第二层模型；利用带精英策略的非支配排序的遗传算法对第一层模型进行求解，并利用粒子群优化算法对第二层模型进行求解，得到电解槽最优容量。本专利在满足经济性的前提下实现更低的低弃电率，具有良好的应用前景。

Description

平抑风电波动的制氢系统容量分层优化配置方法
技术领域
本发明涉及风电平抑领域，具体涉及平抑风电波动的制氢系统容量 分层优化配置方法。
背景技术
风能以其清洁、高效、无污染和可持续发展的特点成为近年新能源 发展的热点。但由于风力发电具有波动性、间歇性以及随机性等主要特 点，对电网的可靠运行、经济运行等方面造成的不利影响也日趋严重。
近年来，储能系统成为平抑风力发电波动重要途径，将风力发电与 电解水制氢相结合，不仅为平抑风力发电波动提供了新思路，同时与传 统化石能源制氢相比，能够实现“零碳排放”制氢，实现氢能的绿色制 取。与传统的碱性电解槽相比，PEM电解槽反应更迅速、负荷波动调节范 围更大，适应新能源发电波动无规律的特点。
然而，现有技术的客观缺点主要体现在以下2个方面：
(1)在风电波动平抑性研究方面，传统的平抑算法如一阶低通滤波 法、小波分解法等方法虽然原理简单且运算速度较快，但其无法保证平 抑后的波动量均满足要求。
(2)在电解槽容量设计方面，由于风电波动具有随机性与不确定性， 电解槽的出力受其影响不可能一直工作在额定工况，现有的容量配置策 略难以满足客观现实的需要。
因此，亟待发明一种更为有效的制氢系统容量分层优化配置方法。
发明内容
本发明的目的在于提供平抑风电波动的制氢系统容量分层优化配置 方法，包括：
建立基于模型预测控制的风电波动平抑模型，以储能出力最小为目 标建立滚动优化的目标函数；
建立用于优化制氢系统容量的分层优化模型，其中，所述分层优化 模型包括第一层模型和第二层模型；
利用带精英策略的非支配排序的遗传算法对所述第一层模型进行求 解，并利用粒子群优化算法对所述第二层模型进行求解，得到电解槽最 优容量。
示范性地，所述建立基于模型预测控制的风电波动平抑模型，以储 能出力最小为目标建立滚动优化的目标函数包括：
以总时间序列长度内电解槽出力之和的最小值作为目标函数，以风 电场输出功率限值为约束条件；
建立状态空间模型，将输出功率、产氢量设置为所述状态空间模型 的状态变量，将电解槽功率设置为所述状态空间模型的控制变量，将风 电原始出力设置为扰动输入量，并进行迭代计算；
利用二次规划法对每一个周期进行优化，得到总时间序列长度内的 功率指令序列；
将所述功率指令序列中的最大值设定为电解槽规划容量。
示范性地，所述第一层模型以制氢系统经济性最优为目标函数，以 风电厂商日均投资成本最低和日均收益最大建立第一目标函数模型。
示范性地，所述第二层模型在所述第一层模型求解范围的基础上， 以弃电率最小建立第二目标函数模型。
示范性地，所述利用带精英策略的非支配排序的遗传算法对所述第 一层模型进行求解，并利用粒子群优化算法对所述第二层模型进行求解， 得到电解槽最优容量包括：
利用带精英策略的非支配排序的遗传算法对所述第一层模型进行求 解，得到多目标最优解集合；
在所述多目标最优解集合范围内，利用粒子群优化算法对所述第二 层模型进行求解，得到所述电解槽的最优容量。
示范性地，所述以风电厂商日均投资成本最低和日均收益最大建立 第一目标函数模型包括：
基于设备成本、运行维护费用、制氢消耗能源成本和原料成本建立 日均投资成本最低目标函数，其中，所述运行维护费用为设备成本的10％， 所述制氢消耗能源成本为耗电成本，所述原料成本为耗水成本；
基于销售氢气带来的收入和政府支持性补贴建立日均收益最大目标 函数，其中，所述政府支持性补贴为消耗单位电量补贴费用、氢气产量 和生产单位氢气的耗电量。
示范性地，所述以弃电率最小建立第二目标函数模型包括：
定义所述弃电率为一天中未平抑功率相对于总应平抑功率的占比， 其中，所述未平抑功率为由于电解槽容量不足而舍弃的风力发电量之和。
本发明提出的平抑风电波动的制氢系统容量分层优化配置方法，包 括：建立基于模型预测控制的风电波动平抑模型，以储能出力最小为目 标建立滚动优化的目标函数；建立用于优化制氢系统容量的分层优化模 型，其中，分层优化模型包括第一层模型和第二层模型；利用带精英策 略的非支配排序的遗传算法对第一层模型进行求解，并利用粒子群优化 算法对第二层模型进行求解，得到电解槽最优容量。本专利在满足经济 性的前提下实现更低的低弃电率，具有良好的应用前景。
附图说明
图1为本发明实施例提供的平抑风电波动的制氢系统容量分层优化 配置方法流程图；
图2为本发明实施例提供的电解槽容量优化配置综合模型流程图示 意图；
图3为本发明实施例提供的电解槽出力曲线示意图。
具体实施方式
下面将结合具体实施方案对本发明的技术方案进行清楚、完整的描 述，但是本领域技术人员应当理解，下文所述的实施方案仅用于说明本 发明，而不应视为限制本发明的范围。基于本发明中的实施方案，本领 域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方 案，都属于本发明保护的范围。
实施例1：
图1为本发明实施例提供的平抑风电波动的制氢系统容量分层优化 配置方法流程图。
参照图1，平抑风电波动的制氢系统容量分层优化配置方法包括：
步骤S101，建立基于模型预测控制的风电波动平抑模型，以储能出 力最小为目标建立滚动优化的目标函数；
具体地，该步骤包括以总时间序列长度内电解槽出力之和的最小值 作为目标函数，以风电场输出功率限值为约束条件；建立状态空间模型， 将输出功率、产氢量设置为状态空间模型的状态变量，将电解槽功率设 置为状态空间模型的控制变量，将风电原始出力设置为扰动输入量，并 进行迭代计算；利用二次规划法对每一个周期进行优化，得到总时间序 列长度内的功率指令序列；将功率指令序列中的最大值设定为电解槽规 划容量。
为保证平抑后的风场输出功率的波动符合要求，以平抑后相邻时刻的 风电场输出功率的波动量建立约束，即：
|Pg(k+i+1)-Pg(k+i)|≤δ (1)
式中，Pg(k+i)为平抑后k+i时刻风场的输出功率，δ为风场输出功率 变化量的约束值。
利用风电制氢系统平抑风电波动时，风电功率的关系可表达为
Pg(k+1)＝Pw(k)-Pelc(k) (2)
式中，Pw(k)为k时刻风电出力，Pelc(k)为k时刻电解槽的功率。
设制氢效率为β，即标准条件下每生成1m3的氢气耗电为βkWh；ηelc为 电解槽效率，指恒温恒压下水电解的效率；k时刻的产氢量，储能系统控 制周期为，则储能系统的关系可表达为
Figure BDA0003549248610000051
传统的平抑算法如一阶低通滤波法、小波分解法等方法虽然原理简单 且运算速度较快，但其无法保证平抑后的波动量均满足要求。模型预测 控制具有滚动优化、优先控制等特性，能够实现系统动态性能、预期目 标和人为约束的综合考虑。本专利实施例以风电场输出功率变化限制为 约束条件对风电场原始出力进行平抑。在滚动至下一时刻时更新此时刻 的输出功率，并重复上述过程得到时间序列内的电解槽出力指令序列。 以储能出力最小为目标建立滚动优化的目标函数，即：
Figure BDA0003549248610000061
式中，Pelc(k+i)为k+i时刻电解槽的出力；M为时间序列的总长度。
设输出功率Pg(k)、产氢量V(k)为状态空间模型中的状态变量x1(k)、 x2(k)；电解槽功率Pelc(k)为控制变量u(k)；风电原始出力Pw(k)为扰动输入 量r(k)，得到的状态空间表达式为
Figure BDA0003549248610000062
利用二次规划方法对每一个周期进行优化，得到整个周期内的功率 指令Pelc(k)＝[u(k),u(k+1)........u(k+M-1)]T。电解槽容量由控制序列的最大值 确定，即Pelc＝max[u(k),u(k+1)........u(k+M-1)]T。
由于风电波动具有随机性与不确定性，电解槽的出力受其影响不能 一直工作在额定工况下，在上述容量规划的基础上采用分层优化的方法 对电解槽容量进行优化。
步骤S102，建立用于优化制氢系统容量的分层优化模型，其中，分 层优化模型包括第一层模型和第二层模型；
具体地，电解槽容量优化的目标包括经济目标和技术目标，经济目 标为在规划时要考虑到制氢系统的全寿命周期成本，尽可能地减少包括 设备成本在内的成本，同时获得较高的收益；技术目标则表现为尽可能 增大储能容量，提高风电的利用量，降低弃电率。分层优化首先对第一 优先层次的目标函数进行优化求解，然后在最优解集的基础上对第二优 先层次的目标函数进行优化求解，依次优化至最后一层。由此可以看出， 在分层优化时第一优先层受到最高程度的重视。在对电解槽容量进行优 化时，对于投资商而言，往往更关注经济目标，因此更适合采用分层优 化。分层优化更好地解决了两个目标的权重赋予困难的问题。第一层模 型以制氢系统经济性最优为目标函数，以风电厂商日均投资成本最低和 日均收益最大建立第一目标函数模型。第二层模型在所述第一层模型求 解范围的基础上，以弃电率最小建立第二目标函数模型。
步骤S103，利用带精英策略的非支配排序的遗传算法对第一层模型 进行求解，并利用粒子群优化算法对第二层模型进行求解，得到电解槽 最优容量。
具体地，在对第一层模型进行优化求解后，得到一组Pareto最优解 集合。在该解集范围内通过粒子群优化算法对第二层模型进行优化求解， 最终确定电解槽最优容量。图2为电解槽容量优化配置综合模型流程图 示意图。
具体地，利用带精英策略的非支配排序的遗传算法对第一层模型进 行求解，得到多目标最优解集合；在多目标最优解集合范围内，利用粒 子群优化算法对第二层模型进行求解，得到电解槽的最优容量。
实施例2：
以华北地区某装机容量为250MW的风电场为例，采样时间为1min。 风电场不同典型日下发电量曲线如图所示。并通过逐差法求出相邻时刻 风电场输出功率的波动值。该地区春季和冬季风电出力整体水平较高， 夏季和秋季出力水平较低。在波动量方面，春季和秋季波动分布较为均 匀，但春季波动量在数值上大于秋季；夏季和冬季夜间和上午波动量很 小，夏季波动集中于12:00-22:00之间，冬季集中于13:00-22:00之间。 夏季波动量整体偏低，冬季波动量易出现极值。
以春季为例，应用本发明实施例的平抑策略对风电出力波动进行平 抑，得到平抑前后的输出功率波动情况以及电解槽出力时间序列平抑后 相邻时刻风电出力波动均小于15MW，满足要求，证明了MPC平抑控制策 略的有效性。此外，通过图3的电解槽出力曲线，可以确定电解槽初始 容量规划值Pelc为18.56MW。
通过设置制氢系统的基本参数，可求解当电解槽容量按照初始值Pelc配置时，系统的日均成本为C＝7008.39元，收益为S＝9584.40元。利用本文 提出的分层优化方法对电解槽初始容量进行优化，优化后电解槽容量Pelc0为13.03MW，此时日均成本C＝5719.81元，收益S＝9456.46元，弃电率 δ＝3.55％。若将此部分电量直接销售给电网，收益为2006.2元。。
表1制氢系统基本配置参数
Figure BDA0003549248610000081
本发明实施例用经营利润作为经济指标来衡量系统的经济性，经营 利润即为收益与成本的差值。分别计算“余电制氢”、“余电制氢并优化” 以及“余电直接售出”三种情况下系统的成本、收益以及经营利润，结 果如表所示：
表2春季典型日下3种情况的经济性对比
成本(元) 收益(元) 经营利润(元)
制氢 7008.39 9584.40 2576.01
制氢+分层优化 4924.57 9238.02 4313.45
直接售出 —— 2006.2 2006.2
通过对比可以看出，在春季典型日下，无论电解槽容量是否优化，“余 电制氢”得到的经营利润均比“余电直接上网”得到的经营利润高。对 电解槽容量进行优化后，成本大幅度下降，收益变化不大，因此经营利 润大幅度提高。若仅以经营利润最大为目标函数，通过粒子群优化算法 计算出经营利润最大时电解槽的容量为12.20MW，此时经营利润为4483.12元，弃电率δ＝4.92％。
表3春季季典型日下2种优化下目标值对比
Figure BDA0003549248610000091
由此可以看出，通过本发明实施例提出的分层优化方法所得到的解 在经济指标上没有大幅度地偏离仅考虑经济性模型所得到的解，但在技 术目标上有了较大的提高。
将上述分层优化模型用于其他季节，结果如表所示。
表4夏季典型日下3种情况的经济性对比
成本(元) 收益(元) 经营利润(元)
制氢 3792.17 3582.37 -209.80
制氢+分层优化 2586.44 3340.03 853.59
直接售出 —— 737.47 737.47
表5夏季典型日下2种优化下目标值对比
电解槽容量(MW) 经营利润(元) 弃电率
分层优化 7.04 853.39 4.06％
经济性最优 6.51 937.70 6.15％
表6秋季典型日下3种情况的经济性对比
成本(元) 收益(元) 经营利润(元)
制氢 5099.19 6366.96 1267.96
制氢+分层优化 3068.26 5899.46 2831.20
直接售出 —— 1166.53 1166.53
表7秋季典型日下2种优化下目标值对比
电解槽容量(MW) 经营利润(元) 弃电率
分层优化 8.12 2831.20 3.79％
经济性最优 7.59 2950.68 5.11％
表8冬季典型日下3种情况的经济性对比
成本(元) 收益(元) 经营利润(元)
制氢 6956.47 7881.79 925.32
制氢+分层优化 3987.11 7380.44 3393.33
直接售出 —— 1622.4 1622.4
表9冬季典型日下2种优化下目标值对比
电解槽容量(MW) 经营利润(元) 弃电率
分层优化 10.55 3393.33 6.36％
经济性优化 9.67 3486.88 9.39％
从上述求解结果可以看出，在春季、秋季，风电波动呈现波动较为 频繁、波动量较大且分布较为均匀的特点。因此将多余的风电波动电量 用于制氢时，系统的经营利润总大于0，且均比将多余的风电波动功率直 接销售给电网带来的收益高。对电解槽容量进行优化后，成本的下降幅 度远大于收益，因此经营利润大幅度增长，系统的经济性提高。夏季风电波动呈现波动次数少、波动量小且分布较为均匀的特点。由于波动功 率较少，因此收益较低，不优化电解槽容量时可能会出现经营利润为负 值的情况。优化后经营利润由负转正，且高于“余电上网”带来的收益。 冬季风电波动容易出现波动极值，即某一时刻波动量明显大于其他时刻。 由于该极值的存在，电解槽初始容量配置较大。若不进行容量优化，则会出现因为容量较大导致的成本较高、经营利润低的问题。优化后，制 氢系统经营利润大幅度提高，明显高于直接销售给电网带来的收益。
此外，由于分层优化算法将经济性视为最重要的约束，因此分层优 化得到的解对应的经营利润均接近最大经营利润。由结果可知，本文提 出的分层优化模型在一定经济性的前提下寻找最低弃电率。在满足投资 者实现较高经济目标的同时，获得技术目标上的最优。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的 描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技 术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的 这些修改或改进，均属于本发明要求保护的范围。

Claims (7)

1.一种平抑风电波动的制氢系统容量分层优化配置方法，其特征在于，包括：
建立基于模型预测控制的风电波动平抑模型，以储能出力最小为目标建立滚动优化的目标函数；
建立用于优化制氢系统容量的分层优化模型，其中，所述分层优化模型包括第一层模型和第二层模型；
利用带精英策略的非支配排序的遗传算法对所述第一层模型进行求解，并利用粒子群优化算法对所述第二层模型进行求解，得到电解槽最优容量。
2.根据权利要求1所述的平抑风电波动的制氢系统容量分层优化配置方法，其特征在于，所述建立基于模型预测控制的风电波动平抑模型，以储能出力最小为目标建立滚动优化的目标函数包括：
以总时间序列长度内电解槽出力之和的最小值作为目标函数，以风电场输出功率限值为约束条件；
建立状态空间模型，将输出功率、产氢量设置为所述状态空间模型的状态变量，将电解槽功率设置为所述状态空间模型的控制变量，将风电原始出力设置为扰动输入量，并进行迭代计算；
利用二次规划法对每一个周期进行优化，得到总时间序列长度内的功率指令序列；
将所述功率指令序列中的最大值设定为电解槽规划容量。
3.根据权利要求2所述的平抑风电波动的制氢系统容量分层优化配置方法，其特征在于，所述第一层模型以制氢系统经济性最优为目标函数，以风电厂商日均投资成本最低和日均收益最大建立第一目标函数模型。
4.根据权利要求3所述的平抑风电波动的制氢系统容量分层优化配置方法，其特征在于，所述第二层模型在所述第一层模型求解范围的基础上，以弃电率最小建立第二目标函数模型。
5.根据权利要求4所述的平抑风电波动的制氢系统容量分层优化配置方法，其特征在于，所述利用带精英策略的非支配排序的遗传算法对所述第一层模型进行求解，并利用粒子群优化算法对所述第二层模型进行求解，得到电解槽最优容量包括：
利用带精英策略的非支配排序的遗传算法对所述第一层模型进行求解，得到多目标最优解集合；
在所述多目标最优解集合范围内，利用粒子群优化算法对所述第二层模型进行求解，得到所述电解槽的最优容量。
6.根据权利要求5所述的平抑风电波动的制氢系统容量分层优化配置方法，其特征在于，所述以风电厂商日均投资成本最低和日均收益最大建立第一目标函数模型包括：
基于设备成本、运行维护费用、制氢消耗能源成本和原料成本建立日均投资成本最低目标函数，其中，所述运行维护费用为设备成本的10％，所述制氢消耗能源成本为耗电成本，所述原料成本为耗水成本；
基于销售氢气带来的收入和政府支持性补贴建立日均收益最大目标函数，其中，所述政府支持性补贴为消耗单位电量补贴费用、氢气产量和生产单位氢气的耗电量。
7.根据权利要求5所述的平抑风电波动的制氢系统容量分层优化配置方法，其特征在于，所述以弃电率最小建立第二目标函数模型包括：
定义所述弃电率为一天中未平抑功率相对于总应平抑功率的占比，其中，所述未平抑功率为由于电解槽容量不足而舍弃的风力发电量之和。
CN202210258312.7A 2022-03-16 2022-03-16 平抑风电波动的制氢系统容量分层优化配置方法 Pending CN114725961A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210258312.7A CN114725961A (zh) 2022-03-16 2022-03-16 平抑风电波动的制氢系统容量分层优化配置方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210258312.7A CN114725961A (zh) 2022-03-16 2022-03-16 平抑风电波动的制氢系统容量分层优化配置方法

Publications (1)

Publication Number Publication Date
CN114725961A true CN114725961A (zh) 2022-07-08

Family

ID=82237519

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210258312.7A Pending CN114725961A (zh) 2022-03-16 2022-03-16 平抑风电波动的制氢系统容量分层优化配置方法

Country Status (1)

Country Link
CN (1) CN114725961A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116131291A (zh) * 2023-04-14 2023-05-16 武汉理工大学 用于平抑波动功率的氢电耦合系统容量配置方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116131291A (zh) * 2023-04-14 2023-05-16 武汉理工大学 用于平抑波动功率的氢电耦合系统容量配置方法
CN116131291B (zh) * 2023-04-14 2023-08-29 武汉理工大学 用于平抑波动功率的氢电耦合系统容量配置方法

Similar Documents

Publication Publication Date Title
CN110365013B (zh) 一种光热-光伏-风电联合发电系统的容量优化方法
CN112465181A (zh) 一种支持源-网-荷-储多元泛在协调的两阶段优化调度方法
WO2022042216A1 (zh) 一种基于mpc的风氢耦合系统分层协调控制方法及装置
CN107732949B (zh) 一种综合风电全年多季节特性的储能布点定容方法
CN114221338B (zh) 考虑电源灵活性和互补性的多能源电力系统优化调度方法
CN115640982B (zh) 基于抽水蓄能优先调节的多能互补系统日前优化调度方法
CN114336702A (zh) 基于双层随机规划的风光储场站群功率分配协同优化方法
CN113629775B (zh) 一种基于模糊逻辑的氢储能系统集群出力决策方法
CN115940292B (zh) 基于圆圈搜索算法的含风储电力系统优化调度方法及系统
CN112886645B (zh) 一种基于氢能超高比例的新能源电力系统运行模拟方法
CN114156870B (zh) 一种储能系统参与多应用领域优化调度方法
CN113850474A (zh) 一种热电氢多能流综合能源系统及其优化调度方法
Huangfu et al. An optimal energy management strategy with subsection bi-objective optimization dynamic programming for photovoltaic/battery/hydrogen hybrid energy system
CN116805803A (zh) 基于自适应mpc的风光储离网制氢系统能量调度方法
CN109038654B (zh) 一种考虑分布式风电高渗透并网的配电系统优化运行方法
CN114725961A (zh) 平抑风电波动的制氢系统容量分层优化配置方法
CN114498690A (zh) 支持大规模可再生能源消纳的多元复合储能优化配置方法
CN114039384A (zh) 基于新能源消纳的源-储协调优化调度方法
CN117937531A (zh) 一种电氢可逆微网长期容量优化方法、系统、设备及介质
CN114530848B (zh) 一种光储虚拟电厂多时间尺度动态划分方法
CN116979611A (zh) 一种源网荷储分层优化调度方法
CN111969591A (zh) 一种光蓄能水电站互补的离网式混合能源系统优化方法
CN116316740B (zh) 一种考虑新能源影响的储能代替火电容量效率计算方法
CN117937631B (zh) 一种水风光互补电站的捆绑容量配置方法、系统及设备
CN113852121B (zh) 一种电氢多能互补型综合能源系统的实时能量管理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication