CN114914950A - 计及0-1变量的风氢储系统配置与控制协同迭代优化方法 - Google Patents

计及0-1变量的风氢储系统配置与控制协同迭代优化方法 Download PDF

Info

Publication number
CN114914950A
CN114914950A CN202210516511.3A CN202210516511A CN114914950A CN 114914950 A CN114914950 A CN 114914950A CN 202210516511 A CN202210516511 A CN 202210516511A CN 114914950 A CN114914950 A CN 114914950A
Authority
CN
China
Prior art keywords
optimization
hydrogen
wind
control
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.)
Pending
Application number
CN202210516511.3A
Other languages
English (en)
Inventor
马泽涛
舒杰
田甜
崔琼
马庆飞
李广生
卓坚熊
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.)
Advanced Energy Science And Technology Guangdong Laboratory Shanwei Sub Center
Guangzhou Institute of Energy Conversion of CAS
Shanwei Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Advanced Energy Science And Technology Guangdong Laboratory Shanwei Sub Center
Guangzhou Institute of Energy Conversion of CAS
Shanwei Power Supply Bureau of Guangdong Power Grid 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 Advanced Energy Science And Technology Guangdong Laboratory Shanwei Sub Center, Guangzhou Institute of Energy Conversion of CAS, Shanwei Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Advanced Energy Science And Technology Guangdong Laboratory Shanwei Sub Center
Priority to CN202210516511.3A priority Critical patent/CN114914950A/zh
Publication of CN114914950A publication Critical patent/CN114914950A/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
    • H02J3/38—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
    • 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • 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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种计及0‑1决策变量的系统配置与控制协同迭代优化方法，属于新能源领域。该方法包括步骤：获取一段时间内各风机的最大有功发电功率曲线，建立系统的稳态数学模型并形成经济性配置与控制原始优化问题，初始化电解槽启停或者蓄电池充放电等0‑1决策变量，对剩余优化问题进行凸化处理使其满足凸优化条件，采用凸优化求解该优化问题同步得到最优控制、最优容量配置和对偶变量值，利用对偶变量值求解优化问题的最优哈密顿函数值，并基于动态规划求得新的0‑1决策变量，将所得0‑1决策变量的结果重新代入原始优化问题，反复求解直至算法收敛。该方法大幅降代了风/氢/储耦合并网系统的设计周期，提高了设计与控制精度。

Description

计及0-1变量的风氢储系统配置与控制协同迭代优化方法
技术领域
本发明涉及风电消纳及可再生能源制氢相关技术领域，特别是涉及一种计及0-1决策变量的改进型风/氢/储耦合系统配置与控制协同迭代优化方法。
背景技术
在风电场中耦合制氢储氢系统和蓄电池系统，可以减小风电场的并网功率波动，并实现风能资源的大规模储运与灵活消纳，有助于双碳目标的实现。
为实现风资源的最大化利用，需要对风/氢/储耦合系统中氢储机组进行合理规划。风/氢/ 储耦合系统的优化设计耦合了配置问题与控制问题，涉及各类连续状态/控制变量和离散状态 /控制变量，因此该优化设计问题求解繁杂，计算量巨大，有必要提高风/氢/储耦合系统优化设计问题的求解效率，缩短设计周期。
发明内容
针对现有技术中的不足，本发明提供一种计及0-1决策变量的改进型风/氢/储耦合系统配置与控制协同迭代优化方法，通过建立有0-1决策变量的配置与控制经济性凸优化模型，快速同步求解制氢电解槽、蓄电池、氢气压缩机及储氢罐等部件容量和最佳运行控制策略，并迭代获得制氢系统启停、蓄电池充放电等0-1决策变量，以极大缩短风/氢/储耦合并网系统的设计周期和提升设计精度。
为实现上述目的，本发明可以通过以下技术方案实现：
一种计及0-1变量的风氢储系统配置与控制协同迭代优化方法，用于风/氢/储耦合系统，所述系统包括：电网，所述电网电性连接有风电场，且通过AC/DC变换器电性连接有蓄电池、电解槽，其中，所述电解槽还耦合连接有压缩机和氢气罐，
所述方法包括以下步骤：
步骤1：获取一段时间内各风机的最大有功发电功率曲线，该时间段的尺度包括但不限于年、月、季、日；
步骤2：建立所述系统各部件的稳态数学模型，确定风/氢/储耦合并网系统的经济性优化目标，并形成经济性配置原始优化问题；
步骤3：初始化电解槽启停或者蓄电池充放电等0-1决策变量，并对剩余优化问题进行凸化处理使其满足凸优化条件，采用凸优化求解该优化问题同步得到最优控制和最优容量配置，同时得到对偶变量值；
步骤4：利用对偶变量值求解优化问题的最优哈密顿函数值；
步骤5：基于动态规划求得0-1决策变量，检验经济性是否收敛，是则结束，否则返回将求得的0-1决策变量作为初始条件代入S3中，重复上述步骤3至步骤5，直至算法收敛。
如上所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，进一步地，步骤2 中的各部件的稳态数学模型可表示成如式(1)～(4)所示：
Figure RE-GDA0003743588200000021
Figure RE-GDA0003743588200000022
Eb(k+1)＝Eb(k)-Pb(k)(3)
Etk(k+1)＝Etk(k)+mh(k)-Ehd(k)(4)
Figure RE-GDA0003743588200000023
式中，N个风机在k时刻的最大有功功率可以表示为
Figure RE-GDA0003743588200000024
Pelz和Pb分别是电解槽的输入功率和蓄电池的总功率，p2，p1和p0是基准电解槽功率曲线的拟合系数，
Figure RE-GDA0003743588200000025
是产氢率，nb是蓄电池单个数，Rb是电池单体内阻，Vb是电池单体端电压，Eb是电池容量，αcmpr是氢气压缩机单位时间内每压缩单位氢气所需能耗，Pcmpr是压缩机工作功率，selz为电解槽的缩放倍率，Ehd是氢气需求量；
Figure RE-GDA0003743588200000026
Figure RE-GDA0003743588200000027
Eb(k+1)＝Eb(k)-Pb(k) (3)
Etk(k+1)＝Etk(k)+mh(k)-Ehd(k) (4)
Figure RE-GDA0003743588200000028
式中，Pelz和Pb分别是电解槽的输入功率和蓄电池的总功率，p2，p1和p0是基准电解槽功率曲线的拟合系数，
Figure RE-GDA0003743588200000029
是产氢率，nb是蓄电池单个数，Rb是电池单体内阻，Vb是电池单体端电压，Eb是电池容量，αcmpr是氢气压缩机单位时间内每压缩单位氢气所需能耗，Pcmpr是压缩机工作功率，selz为电解槽的缩放倍率，Ehd是氢气需求量。
如上所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，进一步地，步骤2 中的经济性优化目标函数如式(16)所示：
Figure RE-GDA0003743588200000031
式中，αelz是制氢电解槽启停的惩罚因子，ph和pele分别是氢气价格和并网电价，J*是目标函数，celz，cb，ctk和ccmpr分别是电解槽、电池、储氢罐和压缩机的参照价格，Δt是采样时间，Nk是优化周期。
如上所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，进一步地，步骤2 中的的经济性优化配置与控制原始问题可以表达成：
max J* (17-a)
subject to: (17-b)
(1)-(15)
Eb(0)＝Eb(N) (17-c)
Etk(0)＝0。 (17-d)
如上所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，进一步地，步骤3 中的电解槽启停决策变量γelz或者蓄电池充放电决策变量γb可以采用包括但不限于基于规则的控制策略进行初始化。
如上所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，进一步地，步骤3 中对式(6)进行松弛处理，可使风/氢/储耦合并网系统的剩余优化问题满足凸优化求解条件：
Figure RE-GDA0003743588200000032
将初始化后0-1决策变量γelz(k)、γb(k)和式(17)代入式(17)中，即可得到剩余经济性优化问题。
如上所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，进一步地，步骤3 中对式剩余经济性优化问题进行求解，可以得到
Figure RE-GDA0003743588200000033
Figure RE-GDA0003743588200000034
以及
Figure RE-GDA0003743588200000035
的值；
其中，
Figure RE-GDA0003743588200000036
是压缩机、并网功率和蓄电池的最优出力，
Figure RE-GDA0003743588200000037
Figure RE-GDA0003743588200000038
是储氢罐和蓄电池最优运行状态，
Figure RE-GDA0003743588200000039
是最优产氢量，
Figure RE-GDA00037435882000000310
是电解槽、压缩机、蓄电池和储氢罐的最优容量倍率，
Figure RE-GDA00037435882000000311
和
Figure RE-GDA00037435882000000312
是最优控制下的最优对偶变量值。
如上所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，进一步地，步骤4 中的最优哈密顿函数值可以定义为：
Figure RE-GDA0003743588200000041
式中，H*是目标哈密顿函数。
如上所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，进一步地，步骤5 中求解0-1决策变量γelz和γb，可通过动态规划求解式(20)所示的优化问题实现：
max H* (20-a)
subject to: (20-b)
(1)-(15)。
如上所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，进一步地，步骤5 中可以采用式(21)判断算法收敛：
Figure RE-GDA0003743588200000042
式中，i是迭代的次数。
本发明与现有技术相比，其有益效果在于：本发明获取一段时间内各风机的最大有功发电功率曲线，建立风/氢/储耦合系统的稳态数学模型并形成经济性配置与控制原始优化问题，初始化电解槽启停或者蓄电池充放电等0-1决策变量，对剩余优化问题进行凸化处理使其满足凸优化条件，采用凸优化求解该优化问题同步得到最优控制、最优容量配置和对偶变量值，利用对偶变量值求解优化问题的最优哈密顿函数值，并基于动态规划求得新的0-1决策变量，将所得0-1决策变量的结果重新代入原始优化问题，反复求解直至算法收敛。该方法将0-1 决策变量包含在系统配置与控制的优化问题中，通过迭代求解可同步获得系统配置、连续控制/状态变量和离散控制/状态变量，大幅降代了风/氢/储耦合并网系统的设计周期，提高了设计与控制精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图进行简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的计及0-1变量的风氢储系统配置与控制协同迭代优化方法的流程图；
图2为本发明实施例的所应用于风/氢/储耦合并网系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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例，都属于本申请保护的范围。
实施例：
需要说明的是，本发明实施例的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
参见图1、图2，图1为本发明实施例的计及0-1变量的风氢储系统配置与控制协同迭代优化方法的流程图；图2为本发明实施例的所应用于风/氢/储耦合并网系统的结构示意图。本发明通过建立有费用0-1决策变量的配置与控制经济性凸优化模型，快速同步求解制氢电解槽、蓄电池、氢气压缩机及储氢罐等部件容量和最佳运行控制策略，并迭代获得制氢系统启停、蓄电池充放电等0-1决策变量，以极大缩短风/氢/储耦合并网系统的设计周期和提升设计精度。
一种计及0-1变量的风氢储系统配置与控制协同迭代优化方法，该方法包括如下步骤：
S1：获取一段时间内各风机的最大有功发电功率曲线，该时间段的尺度包括但不限于年、月、季、日；
N个风机在k时刻的最大有功功率可以表示为
Figure RE-GDA0003743588200000051
S2：建立风/氢/储耦合系统中制氢电解槽、蓄电池、氢气压缩机、储氢罐等各部件的稳态数学模型，确定风/氢/储耦合并网系统的经济性优化目标，并形成经济性配置原始优化问题；
S3：初始化电解槽启停或者蓄电池充放电等0-1决策变量，并对剩余优化问题进行凸化处理使其满足凸优化条件，采用凸优化求解该优化问题同步得到最优控制和最优容量配置，同时得到对偶变量值；
S4：利用对偶变量值求解优化问题的最优哈密顿函数值；
S5：基于动态规划求得0-1决策变量，检验经济性是否收敛，是则结束，否则返回将求得的0-1决策变量作为初始条件代入S3中，重复上述S3至S5步骤，直至算法收敛。
具体地，所述S2中制氢电解槽、蓄电池、氢气压缩机、储氢罐等各部件的稳态数学模型可以表示成如式(1)～(5)所示：
Figure RE-GDA0003743588200000061
Figure RE-GDA0003743588200000062
Eb(k+1)＝Eb(k)-Pb(k) (3)
Etk(k+1)＝Etk(k)+mh(k)-Ehd(k) (4)
Figure RE-GDA0003743588200000063
式中，Pelz和Pb分别是电解槽的输入功率和蓄电池的总功率，p2，p1和p0是基准电解槽功率曲线的拟合系数，
Figure RE-GDA0003743588200000064
是产氢率，nb是蓄电池单个数，Rb是电池单体内阻，Vb是电池单体端电压，Eb是电池容量，αcmpr是氢气压缩机单位时间内每压缩单位氢气所需能耗，Pcmpr是压缩机工作功率，selz为电解槽的缩放倍率，Ehd是氢气需求量。
另外，风/氢/储耦合系统需满足式(6)所示的功率平衡关系及各类运行约束：
Figure RE-GDA0003743588200000065
Figure RE-GDA0003743588200000066
Figure RE-GDA0003743588200000067
Figure RE-GDA0003743588200000068
Figure RE-GDA0003743588200000069
Figure RE-GDA00037435882000000610
Figure RE-GDA00037435882000000611
Figure RE-GDA00037435882000000612
式中，γelz是制氢电解槽开关状态，γb是蓄电池充放电状态，γelz和γb应该满足：
Figure RE-GDA0003743588200000071
Figure RE-GDA0003743588200000072
而所述S2中风/氢/储耦合并网系统的经济性优化目标函数则如式(16)所示：
Figure RE-GDA0003743588200000073
式中，αelz是制氢电解槽启停的惩罚因子，ph和pele分别是氢气价格和并网电价，J*是目标函数，celz，cb，ctk和ccmpr分别是电解槽、电池、储氢罐和压缩机的参照价格，Δt是采样时间，Nk是优化周期。
另外，所述S2中风/氢/储耦合并网系统的经济性优化配置与控制原始问题可以表达成：
max J* (17-a)
subject to: (17-b)
(1)-(15)
Eb(0)＝Eb(N) (17-c)
Etk(0)＝0 (17-d)
而所述S3中电解槽启停决策变量γelz或者蓄电池充放电决策变量γb可以采用包括但不限于基于规则等控制策略进行初始化；
另外，所述S3中对式(6)进行松弛处理，可使风/氢/储耦合并网系统的剩余优化问题满足凸优化求解条件：
Figure RE-GDA00037435882000000714
将初始化后0-1决策变量γelz(k)、γb(k)和式(17)代入式(17)中，即可得到剩余经济性优化问题。
所述S3中对式剩余经济性优化问题进行求解，可以得到
Figure RE-GDA0003743588200000074
Figure RE-GDA0003743588200000075
以及
Figure RE-GDA0003743588200000076
的值。
其中，
Figure RE-GDA0003743588200000077
是压缩机、并网功率和蓄电池的最优出力，
Figure RE-GDA0003743588200000078
Figure RE-GDA0003743588200000079
是储氢罐和蓄电池最优运行状态，
Figure RE-GDA00037435882000000710
是最优产氢量，
Figure RE-GDA00037435882000000711
是电解槽、压缩机、蓄电池和储氢罐的最优容量倍率，
Figure RE-GDA00037435882000000712
和
Figure RE-GDA00037435882000000713
是最优控制下的最优对偶变量值。
所述S4中的最优哈密顿函数值可以定义为：
Figure RE-GDA0003743588200000081
式中，H*是目标哈密顿函数。
所述S5中求解0-1决策变量γelz和γb，可通过动态规划求解式(20)所示的优化问题实现：
max H* (20-a)
subject to: (20-b)
(1)-(15)
所述S5中可以采用式(21)判断算法收敛：
Figure RE-GDA0003743588200000082
式中，i是迭代的次数。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims (10)

1.一种计及0-1变量的风氢储系统配置与控制协同迭代优化方法，所述风氢储系统包括：电网，所述电网电性连接有风电场，且通过AC/DC变换器电性连接有蓄电池、电解槽，其中，所述电解槽还耦合连接有压缩机和氢气罐，其特征在于，
所述方法包括以下步骤：
步骤1：获取一段时间内各风机的最大有功发电功率曲线，该时间段的尺度包括但不限于年、月、季、日；
步骤2：建立所述系统各部件的稳态数学模型，确定所述系统的经济性优化目标，并形成经济性配置原始优化问题；
步骤3：初始化电解槽启停或者蓄电池充放电等0-1决策变量，并对剩余优化问题进行凸化处理使其满足凸优化条件，采用凸优化求解该优化问题同步得到最优控制和最优容量配置，同时得到对偶变量值；
步骤4：利用对偶变量值求解优化问题的最优哈密顿函数值；
步骤5：基于动态规划求得0-1决策变量，检验经济性是否收敛，是则结束，否则返回将求得的0-1决策变量作为初始条件代入S3中，重复上述步骤3至步骤5，直至算法收敛。
2.根据权利要求1所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，其特征在于，步骤2中的各部件的稳态数学模型可表示成如式(1)～(4)所示：
Figure RE-FDA0003743588190000011
Figure RE-FDA0003743588190000012
Eb(k+1)＝Eb(k)-Pb(k) (3)
Etk(k+1)＝Etk(k)+mh(k)-Ehd(k) (4)
Figure RE-FDA0003743588190000013
式中，N个风机在k时刻的最大有功功率可以表示为
Figure RE-FDA0003743588190000014
Pelz和Pb分别是电解槽的输入功率和蓄电池的总功率，p2，p1和p0是基准电解槽功率曲线的拟合系数，
Figure RE-FDA0003743588190000015
是产氢率，nb是蓄电池单个数，Rb是电池单体内阻，Vb是电池单体端电压，Eb是电池容量，αcmpr是氢气压缩机单位时间内每压缩单位氢气所需能耗，Pcmpr是压缩机工作功率，selz为电解槽的缩放倍率，Ehd是氢气需求量；
Figure RE-FDA0003743588190000016
Figure RE-FDA0003743588190000017
Eb(k+1)＝Eb(k)-Pb(k) (3)
Etk(k+1)＝Etk(k)+mh(k)-Ehd(k) (4)
Figure RE-FDA0003743588190000021
式中，Pelz和Pb分别是电解槽的输入功率和蓄电池的总功率，p2，p1和p0是基准电解槽功率曲线的拟合系数，
Figure RE-FDA0003743588190000022
是产氢率，nb是蓄电池单个数，Rb是电池单体内阻，Vb是电池单体端电压，Eb是电池容量，αcmpr是氢气压缩机单位时间内每压缩单位氢气所需能耗，Pcmpr是压缩机工作功率，selz为电解槽的缩放倍率，Ehd是氢气需求量。
3.根据权利要求1所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，其特征在于，步骤2中的经济性优化目标函数如式(16)所示：
Figure RE-FDA0003743588190000023
式中，αelz是制氢电解槽启停的惩罚因子，ph和pele分别是氢气价格和并网电价，J*是目标函数，celz，cb，ctk和ccmpr分别是电解槽、电池、储氢罐和压缩机的参照价格，Δt是采样时间，Nk是优化周期。
4.根据权利要求1所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，其特征在于，步骤2中的的经济性优化配置与控制原始问题可以表达成：
max J* (17-a)
subject to: (17-b)
(1)-(15)
Eb(0)＝Eb(N) (17-c)
Etk(0)＝0。 (17-d)
5.根据权利要求1所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，其特征在于，步骤3中的电解槽启停决策变量γelz或者蓄电池充放电决策变量γb可以采用包括但不限于基于规则的控制策略进行初始化。
6.根据权利要求1所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，其特征在于，步骤3中对式(6)进行松弛处理，可使所述系统的剩余优化问题满足凸优化求解条件：
Figure RE-FDA0003743588190000024
将初始化后0-1决策变量γelz(k)、γb(k)和式(17)代入式(17)中，即可得到剩余经济性优化问题。
7.根据权利要求1所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，其特征在于，步骤3中对式剩余经济性优化问题进行求解，可以得到
Figure RE-FDA0003743588190000031
Figure RE-FDA0003743588190000032
以及
Figure RE-FDA0003743588190000033
的值；
其中，
Figure RE-FDA0003743588190000034
和
Figure RE-FDA0003743588190000035
是压缩机、并网功率和蓄电池的最优出力，
Figure RE-FDA0003743588190000036
Figure RE-FDA0003743588190000037
是储氢罐和蓄电池最优运行状态，
Figure RE-FDA0003743588190000038
是最优产氢量，
Figure RE-FDA0003743588190000039
是电解槽、压缩机、蓄电池和储氢罐的最优容量倍率，
Figure RE-FDA00037435881900000310
和
Figure RE-FDA00037435881900000311
是最优控制下的最优对偶变量值。
8.根据权利要求1所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，其特征在于，步骤4中的最优哈密顿函数值可以定义为：
Figure RE-FDA00037435881900000312
式中，H*是目标哈密顿函数。
9.根据权利要求1所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，其特征在于，步骤5中求解0-1决策变量γelz和γb，可通过动态规划求解式(20)所示的优化问题实现：
max H* (20-a)
subject to: (20-b)
(1)-(15)。
10.根据权利要求1所述的计及0-1变量的风氢储系统配置与控制协同迭代优化方法，其特征在于，步骤5中可以采用式(21)判断算法收敛：
Figure RE-FDA00037435881900000313
式中，i是迭代的次数。
CN202210516511.3A 2022-05-12 2022-05-12 计及0-1变量的风氢储系统配置与控制协同迭代优化方法 Pending CN114914950A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210516511.3A CN114914950A (zh) 2022-05-12 2022-05-12 计及0-1变量的风氢储系统配置与控制协同迭代优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210516511.3A CN114914950A (zh) 2022-05-12 2022-05-12 计及0-1变量的风氢储系统配置与控制协同迭代优化方法

Publications (1)

Publication Number Publication Date
CN114914950A true CN114914950A (zh) 2022-08-16

Family

ID=82765877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210516511.3A Pending CN114914950A (zh) 2022-05-12 2022-05-12 计及0-1变量的风氢储系统配置与控制协同迭代优化方法

Country Status (1)

Country Link
CN (1) CN114914950A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252308A (zh) * 2023-11-15 2023-12-19 中国科学院广州能源研究所 计及并网潮流的海上风电制氢系统最优参数规划方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117252308A (zh) * 2023-11-15 2023-12-19 中国科学院广州能源研究所 计及并网潮流的海上风电制氢系统最优参数规划方法
CN117252308B (zh) * 2023-11-15 2024-03-08 中国科学院广州能源研究所 计及并网潮流的海上风电制氢系统最优参数规划方法

Similar Documents

Publication Publication Date Title
Luta et al. Optimal sizing of hybrid fuel cell-supercapacitor storage system for off-grid renewable applications
CN111144620B (zh) 一种考虑季节储氢的电氢综合能源系统及其鲁棒规划方法
CN111525627B (zh) 含抽蓄与新能源发电的柔性直流输电系统日前调度方法
CN114722591B (zh) 一种净零能耗建筑电热氢多能流供能设备规划方法
CN112510701A (zh) 多能源船舶能量管理控制装置及方法
CN114914950A (zh) 计及0-1变量的风氢储系统配置与控制协同迭代优化方法
CN113095715A (zh) 基于深度强化学习的含氢储能微网优化运行方法
CN116384559A (zh) 一种基于整数线性规划求解的混合储能容量配置策略的建模方法
CN114928114A (zh) 海上风电多元化消纳综合预测能量管理的快速计算方法
Mumtaz et al. Adaptive control paradigm for photovoltaic and solid oxide fuel cell in a grid-integrated hybrid renewable energy system
CN117153278A (zh) 考虑多类型电解槽差异化的电热氢系统优化方法及系统
CN114172175B (zh) 一种提高风电场经济效益的氢储配置与控制协同优化方法
CN109713339B (zh) 一种基于电流优化策略的液流电池系统控制方法
CN116613801A (zh) 一种风光蓄电池混合氢储能发电系统日前优化调度方法
Rouhani et al. A teaching learning based optimization for optimal design of a hybrid energy system
CN115796919A (zh) 用户侧储能规划方法
CN114188980B (zh) 一种考虑储能装置的透明微网群经济运行域生成方法
CN113794241B (zh) 低压智能电网用户侧源储荷的优化调度方法及装置
CN115764940A (zh) 风电制氢微电网系统容量配置方法及系统
CN114094609A (zh) 电网储能系统的优化配置方法
CN111313418A (zh) 一种压缩空气储能的电力系统及其调度方法
CN111654028A (zh) 一种基于优化算法的最终效益混合储能优化容量配置比
CN111210080A (zh) 一种混合海洋能多能互补的能源枢纽及联合调控方法
CN114049004B (zh) 一种电氢能源站容量随机规划方法、系统和装置
CN116111592B (zh) 一种考虑规模化电制氢运行特性的优化调度方法

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