CN115115130A - 一种基于模拟退火算法的风光储制氢系统日前调度方法 - Google Patents
一种基于模拟退火算法的风光储制氢系统日前调度方法 Download PDFInfo
- Publication number
- CN115115130A CN115115130A CN202210849146.8A CN202210849146A CN115115130A CN 115115130 A CN115115130 A CN 115115130A CN 202210849146 A CN202210849146 A CN 202210849146A CN 115115130 A CN115115130 A CN 115115130A
- Authority
- CN
- China
- Prior art keywords
- power
- day
- storage battery
- production system
- wind
- 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
Links
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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]
-
- 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
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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]
Abstract
本发明属于新能源储制氢优化调度技术领域,特别涉及一种基于模拟退火算法的风光储制氢系统日前调度方法。该方法具体步骤为:根据电网峰谷分时电价政策、负荷端氢气需求和新能源发电的间歇性,建立以系统日前运行成本最低的制氢系统日前处理模型;利用自适应模拟退火粒子群算法求解制氢系统日前处理模型,得到风光储制氢系统日前优化调度方法;根据得到的风光储制氢系统日前优化调度方法,对风光储制氢系统各时段蓄电池出力功率、电网购电功率和电解槽运行功率进行设定,从而实现对风光储制氢系统进行调度。本发明利用模拟退火算法的变异特性对传统PSO算法进行了改进,进而求解制氢系统日前处理模型,从而得到日运行成本最低的制氢系统日前调度方案。
Description
技术领域
本发明属于新能源储制氢优化调度技术领域,特别涉及一种基于模拟退火算法的风光储制氢系统日前调度方法。
背景技术
常规能源的污染问题和能源枯竭问题促进了光伏、风电等新能源发电技术的大力发展,但风电、光伏等新能源的随机性和波动性使得其在电力生产中的份额较小。新能源大规模电解制氢可有效防止能源弃用造成的经济损失和绿色资源闲置。电解水制氢技术是大规模新能源制氢中的核心技术。现有风光氢储系统主要由风力发电机组、太阳能光伏电池组、控制/转化单元、储能装置、逆变器、电解槽等部分组成。具体流程为来自光伏阵列和风力发电机组的直流电源通过控制器将多余的能量储存到储能装置中,然后经由逆变器转换成交流电,用于电解水制氢。电能通过电解水制氢设备转化成氢气,将氢气输送至氢气应用终端或经燃料电池并入电网中,完成从可再生能源到氢能的转化。
国内外学者对电解水设备效率提升和优化风光储制氢系统调度方法做了大量研究,优化调度的研究主要有风光储制氢系统结构的优化和优化算法的改进两个方面,优化算法的改进大部分是对收敛速度和精度的优化。粒子群优化算法(PSO)用在风光储制氢系统的优化调度上取得了很好的效果。用一种粒子来模拟鸟类个体,每个粒子可视为N维搜索空间中的一个搜索个体,粒子的当前位置即为对应优化问题的一个候选解,粒子的飞行过程即为该个体的搜索过程。粒子的飞行速度可根据粒子历史最优位置和种群历史最优位置进行动态调整。粒子仅具有两个属性:速度和位置,速度代表移动的快慢,位置代表移动的方向。每个粒子单独搜寻的最优解叫做个体极值,粒子群中最优的个体极值作为当前全局最优解。不断迭代,更新速度和位置,最终得到满足终止条件的最优解。PSO算法应用于风光储制氢系统的优化调度中效果不错,但利用传统的粒子群算法求解模型时,迭代计算过程中会陷入局部最优解,无法得到全局最优解。
发明内容
针对上述问题,本发明的目的是提供一种基于模拟退火算法的风光储制氢系统日前调度方法,建立了以系统日前运行成本最低的制氢系统日前处理模型,利用模拟退火算法的变异特性对传统PSO算法进行了改进,利用改进的自适应模拟退火粒子群算法进行求解,从而得到日运行成本最低的制氢系统日前调度方案。
本发明的技术方案在于:一种基于模拟退火算法的风光储制氢系统日前调度方法,包括以下步骤:
S1:根据碱性电解槽使用成本、系统向电网购电的电价、蓄电池装置单位电量的维护成本和压缩机的运行成本,建立以系统日前运行成本最低的制氢系统日前处理模型;
S2:利用自适应模拟退火粒子群算法求解制氢系统日前处理模型,得到风光储制氢系统日前优化调度方法;
S3:根据S2中得到的风光储制氢系统日前优化调度方法,对风光储制氢系统各时段蓄电池出力功率、电网购电功率和电解槽运行功率进行设定,从而实现对风光储制氢系统进行调度。
所述步骤S1中,以系统日前运行成本最低的风光储制氢系统日前处理模型建立过程包括如下步骤:
S11:建立目标函数,系统日前运行成本Cday采用如下公式来表征:
式中:Cday为系统日前运行成本,元;Cele为碱性电解槽使用成本,元/(kW·h);为电解槽在时段t的运行功率,kW;Cgrid为系统向电网购电的电价,元/(kW·h);为向电网购电时的交互功率,kW;Csto为蓄电池装置单位电量的维护成本,元/(kW·h);为蓄电池的实际出力,kW;Ccom为压缩机的运行成本,元/(N·m3);为在时段t待压缩氢气量,N·m3;Δt为时间间隔,1h;
S12:获取约束条件,具体包括:
S121:系统功率平衡约束:
S122:蓄电池储能系统约束:
蓄电池的容量与上一时段的容量和上一时段内的充放电功率和自放电量有关,蓄电池t时段的荷电状态为:
S123:电网交互功率约束:
S124:电解槽运行功率约束:
S125:氢气生产约束
所述步骤S122中蓄电池储能系统约束,蓄电池除了满足容量变化约束外,还需要满足蓄电池安全约束,包括充放电功率上下限约束、容量上下限约束和蓄电池日内容量始末相等约束,具体如下:
蓄电池充放电功率上下限约束为:
蓄电池荷电状态上下限约束为:
蓄电池日内容量始末相等约束为:
所述步骤S2中,所述自适应模拟退火粒子群算法采用如下速度更新公式:
所述步骤S2中利用自适应模拟退火粒子群算法求解制氢系统日前处理模型求解过程如下:
S21:设定退火粒子群的种群大小、迭代次数、搜索空间维度;
S22:初始化退火粒子群种群参数;
S23:确定罚函数和约束条件;
S24:计算所有粒子的适应度值;
S25:解出小于目标函数平均值的粒子;
S26:计算粒子速度,选取粒子个体最优和全局最优;
S27:粒子速度在定义域内,判断迭代次数是否达到最大,如果迭代次数达到最大,则得到优化后的结果,输出最优调度方案,包括各时段蓄电池出力功率、电网购电功率和电解槽运行功率;如果没有达到,则跳到步骤S24继续迭代计算。
所述步骤S26中选取粒子个体最优和全局最优,计算粒子速度用到的惯性权重和根据迭代次数的变化动态改变的两个学习因子的公式为:
ω=(ωmax+ωmin)/2+tanh(-4+8×(kmax-k)/kmax)(ωmax-ωmin)/2
(11)
式中:ωmax和ωmin分别是惯性权重系数的最大值和最小值,分别经常取值0.95和0.4;k是当前迭代次数,kmax是最大迭代次数。
所述步骤S22中初始化退火粒子群种群参数包括粒子位置、粒子速度、蓄电池荷电状态、电网调度功率和电解槽运行功率。
本发明的技术效果在于:与现有技术相比,本发明根据碱性电解槽使用成本、系统向电网购电的电价、蓄电池装置单位电量的维护成本和压缩机的运行成本,建立了以系统日前运行成本最低的制氢系统日前处理模型,考虑了电网峰谷分时电价政策、负荷端氢气需求和新能源发电的间歇性等需求侧响应对风光储制氢系统日前调度运行的影响;同时应用了参数自适应算法,利用模拟退火算法对传统PSO算法进行了改进,利用改进的自适应模拟退火粒子群算法进行求解,从而得到日运行成本最低的制氢系统日前调度方案。
以下将结合附图进行进一步的说明。
附图说明
图1为本发明实施例自适应模拟退火粒子群算法流程图。
图2为本发明实施例西北某地典型日内风光联合发电出力预测曲线。
图3为本发明实施例一天中需求氢负荷曲线。
图4为本发明实施例风光储耦制氢系统在交通氢负荷场景需求下一天中各单元的调度运行状态示意图。
图5为本发明实施例为风光储耦制氢系统在交通氢负荷场景需求下蓄电池储能系统荷电状态示意图。
图6为本发明实施例为风光储耦制氢系统在交通氢负荷场景需求下系统制氢速率及氢储余量示意图。
图7为本发明实施例为风光储耦制氢系统在燃气氢负荷场景需求下一天中各单元的调度运行状态示意图。
图8为本发明实施例为风光储耦制氢系统在燃气氢负荷场景需求下蓄电池储能系统荷电状态示意图。
图9为本发明实施例为风光储耦制氢系统在燃气氢负荷场景需求下系统制氢速率及氢储余量示意图。
图10为本发明实施例自适应模拟退火粒子群算法适应值曲线图。
具体实施方式
实施例1
本发明的提供一种基于模拟退火算法的风光储制氢系统日前调度方法,包括以下步骤:
S1:根据碱性电解槽使用成本、系统向电网购电的电价、蓄电池装置单位电量的维护成本和压缩机的运行成本,建立以系统日前运行成本最低的制氢系统日前处理模型;
S2:利用自适应模拟退火粒子群算法求解制氢系统日前处理模型,得到风光储制氢系统日前优化调度方法;
S3:根据S2中得到的风光储制氢系统日前优化调度方法,对风光储制氢系统各时段蓄电池出力功率、电网购电功率和电解槽运行功率进行设定,从而实现对风光储制氢系统进行调度。
所述步骤S1中,以系统日前运行成本最低的风光储制氢系统日前处理模型建立过程包括如下步骤:
S11:建立目标函数,系统日前运行成本Cday采用如下公式来表征:
式中:Cday为系统日前运行成本,元;Cele为碱性电解槽使用成本,元/(kW·h);为电解槽在时段t的运行功率,kW;Cgrid为系统向电网购电的电价,元/(kW·h);为向电网购电时的交互功率,kW;Csto为蓄电池装置单位电量的维护成本,元/(kW·h);为蓄电池的实际出力,kW;Ccom为压缩机的运行成本,元/(N·m3);为在时段t待压缩氢气量,N·m3;Δt为时间间隔,1h;
S12:获取约束条件,具体包括:
S121:系统功率平衡约束:
S122:蓄电池储能系统约束:
蓄电池的容量与上一时段的容量和上一时段内的充放电功率和自放电量有关,蓄电池t时段的荷电状态为:
S123:电网交互功率约束:
S124:电解槽运行功率约束:
S125:氢气生产约束
所述步骤S122中蓄电池储能系统约束,蓄电池除了满足容量变化约束外,还需要满足蓄电池安全约束,包括充放电功率上下限约束、容量上下限约束和蓄电池日内容量始末相等约束,具体如下:
蓄电池充放电功率上下限约束为:
蓄电池荷电状态上下限约束为:
蓄电池日内容量始末相等约束为:
所述步骤S2中,所述自适应模拟退火粒子群算法采用如下速度更新公式:
传统粒子群算法容易陷入局部最优,而模拟退火算法(SA)在寻找最优解的过程中,每个新解均有被接受的可能,具有替代当前最优解的突跳概率,可合理防止陷入局部极值。
如图1所示,所述步骤S2中利用自适应模拟退火粒子群算法求解制氢系统日前处理模型求解过程如下:
S21:设定退火粒子群的种群大小、迭代次数、搜索空间维度;
S22:初始化退火粒子群种群参数;
S23:确定罚函数和约束条件;
S24:计算所有粒子的适应度值;
S25:解出小于目标函数平均值的粒子;
S26:计算粒子速度,选取粒子个体最优和全局最优;
S27:粒子速度在定义域内,判断迭代次数是否达到最大,如果迭代次数达到最大,则得到优化后的结果,输出最优调度方案,包括各时段蓄电池出力功率、电网购电功率和电解槽运行功率;如果没有达到,则跳到步骤S24继续迭代计算。
所述步骤S26中选取粒子个体最优和全局最优,计算粒子速度用到的惯性权重和根据迭代次数的变化动态改变的两个学习因子的公式为:
ω=(ωmax+ωmin)/2+tanh(-4+8×(kmax-k)/kmax)(ωmax-ωmin)/2
(11)
式中:ωmax和ωmin分别是惯性权重系数的最大值和最小值,分别经常取值0.95和0.4;k是当前迭代次数,kmax是最大迭代次数。
所述步骤S22中初始化退火粒子群种群参数包括粒子位置、粒子速度、蓄电池荷电状态、电网调度功率和电解槽运行功率。
实施例2
本实施例采用实施例1中所述的一种基于模拟退火算法的风光储制氢系统日前调度方法,对西北某地的风光储耦合制氢系统进行日前优化调度。该风光储耦合制氢系统包含风光互补发电子系统、储能蓄电池、碱性水解槽及其配套装置,调度周期24h。以系统日前运行成本最低的制氢系统日前处理模型为基于Simulink模型,选取西北某地典型日进行研究,将典型日内的辐照强度、风速、温度气象数据作为Simulink模型的输入,仿真运行得到风光联合发电出力预测情况。典型日内风光联合出力预测曲线如图2所示。假设的两种氢负荷场景如图3所示。
风光储耦制氢系统向大电网购电是分时计价的,电网峰时段、平时段和谷时段电价分别为0.88、0.594、0.308元/(kW·h),详细见表1。
表1电网分时电价数据
时段类型 | 具体时段 | 购电价格 |
低谷 | 0:00-07:00 | 0.308 |
平时 | 07:00-09:00,11:00-19:00 | 0.594 |
高峰 | 09:00-11:00,19:00-24:00 | 0.88 |
电解槽运行的额定功率为800kW,最小工作功率为120kW。蓄电池的最大充放电功率为240kW,算例中的其他详细参数见表2
表2日出力计划算例参数
(1)交通氢负荷场景需求
图4为风光储耦制氢系统在交通氢负荷场景需求下一天中各单元的调度运行状态示意图,图5为风光储耦制氢系统在交通氢负荷场景需求下蓄电池储能系统荷电状态示意图,图6为风光储耦制氢系统在交通氢负荷场景需求下系统制氢速率及氢储余量示意图。由图4可以看出,实际的风光出力值Preal始终小于最大理论出力值Pthe,系统始终处于功率平衡约束。在此场景下,风光发电与蓄电池储能足以维持电解槽运行产氢,满足一日燃气用氢气的供应,无需从电网调度电力。当风光出力过剩时,蓄电池充电蓄能,所储能量用于之后在氢负荷需求变大而风光出力不足时为电解槽制氢供应能量。
从图5可以看出蓄电池起到了“削峰填谷”作用,在风光发电不足时通过蓄电池装置补充能量以维持电解槽正常运行,保证系统制氢量满足燃气氢负荷场景下的氢气供应。当风光出力足以维持电解槽运行所需电解功率时,优化模型倾向于蓄电池不动作,进而减少系统的日运行成本。
从图6可以看出优化模型倾向于在风光出力较大时大量的制备氢气并储存,以保证后续时间氢负荷需求增大时的氢气供应。在氢负荷需求变小时,电解槽制氢速度下降,电解槽不过度运行产生氢气,保证当日的产氢量在当日消纳,很好的匹配了氢负荷需求同时也减少制氢系统的日运行成本,进一步增强系统经济性。
(2)燃气氢负荷场景需求
图7为风光储耦制氢系统在燃气氢负荷场景需求下一天中各单元的调度运行状态示意图,图8为风光储耦制氢系统在燃气氢负荷场景需求下蓄电池储能系统荷电状态示意图,图9为风光储耦制氢系统在燃气氢负荷场景需求下系统制氢速率及氢储余量示意图。
由图7可以看出,在燃气氢负荷场景下,系统倾向于在电价谷时或平时从电网购电,例如在01:00-02:00、03:00-04:00、10:00-12:00、17:00-19:00等时间段,电解槽大量制氢,保证氢气储量。结合图9、图10,系统尽量避免了在电价峰时从电网购电,在风光出力不足时通过从电网获取低价电来保证氢气产量,蓄电池装置充电蓄能,以保证后期风光出力不足或氢负荷需求增大时系统能通过电解槽制氢及储氢罐氢气余量满足需求。
本实施例在利用传统的粒子群算法求解模型时,迭代计算过程中会陷入局部最优解,无法得到全局最优解。本专利算法中添加了模拟退火算子与自适应惯性权重,模拟退火算法本身具有概率突跳的特点,可帮助跳出局部最优解,对粒子群算法关键参数进行自适应变化增强了算法的全局搜索能力,将二者结合起来更好的丰富了种群多样性,帮助找到模型的全局最优解。以交通氢负荷场景下的模型结果为例,传统粒子群算法求解模型时经常难以收敛或者陷入局部最优解,计算得到的风光储耦合制氢系统日运行成本往往在6.8×103元以上。而采用自适应模拟退火粒子群算法计算得到的系统日运行成本仅仅大约为5.2×103元,成本上节省了约24%。由此可见将本专利所提到的优化算法运用到风光储耦制氢系统经济性优化的日前调度中是有效的。
如图10所示为本专利提到的自适应模拟退火粒子群算法在搜索过程中的适应值曲线,可以发现本专利算法在搜索过程中跳出局部最优解然后继续搜索,最终找到全局最优解,从而得到日运行成本最低的制氢系统日前调度方案。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于模拟退火算法的风光储制氢系统日前调度方法,其特征在于:包括以下步骤:
S1:根据碱性电解槽使用成本、系统向电网购电的电价、蓄电池装置单位电量的维护成本和压缩机的运行成本,建立以系统日前运行成本最低的制氢系统日前处理模型;
S2:利用自适应模拟退火粒子群算法求解制氢系统日前处理模型,得到风光储制氢系统日前优化调度方法;
S3:根据S2中得到的风光储制氢系统日前优化调度方法,对风光储制氢系统各时段蓄电池出力功率、电网购电功率和电解槽运行功率进行设定,从而实现对风光储制氢系统进行调度。
2.根据权利要求1所述一种基于模拟退火算法的风光储制氢系统日前调度方法,其特征在于:所述步骤S1中,以系统日前运行成本最低的风光储制氢系统日前处理模型建立过程包括如下步骤:
S11:建立目标函数,系统日前运行成本Cday采用如下公式来表征:
式中:Cday为系统日前运行成本,元;Cele为碱性电解槽使用成本,元/(kW·h);为电解槽在时段t的运行功率,kW;Cgrid为系统向电网购电的电价,元/(kW·h);为向电网购电时的交互功率,kW;Csto为蓄电池装置单位电量的维护成本,元/(kW·h);为蓄电池的实际出力,kW;Ccom为压缩机的运行成本,元/(N·m3);为在时段t待压缩氢气量,N·m3;Δt为时间间隔,1h;
S12:获取约束条件,具体包括:
S121:系统功率平衡约束:
S122:蓄电池储能系统约束:
蓄电池的容量与上一时段的容量和上一时段内的充放电功率和自放电量有关,蓄电池t时段的荷电状态为:
S123:电网交互功率约束:
S124:电解槽运行功率约束:
S125:氢气生产约束
5.根据权利要求4所述一种基于模拟退火算法的风光储制氢系统日前调度方法,其特征在于:所述步骤S2中利用自适应模拟退火粒子群算法求解制氢系统日前处理模型求解过程如下:
S21:设定退火粒子群的种群大小、迭代次数、搜索空间维度;
S22:初始化退火粒子群种群参数;
S23:确定罚函数和约束条件;
S24:计算所有粒子的适应度值;
S25:解出小于目标函数平均值的粒子;
S26:计算粒子速度,选取粒子个体最优和全局最优;
S27:粒子速度在定义域内,判断迭代次数是否达到最大,如果迭代次数达到最大,则得到优化后的结果,输出最优调度方案,包括各时段蓄电池出力功率、电网购电功率和电解槽运行功率;如果没有达到,则跳到步骤S24继续迭代计算。
7.根据权利要求5所述一种基于模拟退火算法的风光储制氢系统日前调度方法,其特征在于:所述步骤S22中初始化退火粒子群种群参数包括粒子位置、粒子速度、蓄电池荷电状态、电网调度功率和电解槽运行功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210849146.8A CN115115130A (zh) | 2022-07-19 | 2022-07-19 | 一种基于模拟退火算法的风光储制氢系统日前调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210849146.8A CN115115130A (zh) | 2022-07-19 | 2022-07-19 | 一种基于模拟退火算法的风光储制氢系统日前调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115115130A true CN115115130A (zh) | 2022-09-27 |
Family
ID=83331840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210849146.8A Pending CN115115130A (zh) | 2022-07-19 | 2022-07-19 | 一种基于模拟退火算法的风光储制氢系统日前调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115115130A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116254575A (zh) * | 2023-05-10 | 2023-06-13 | 四川大学 | 一种基于模拟退火算法的制氢效率优化控制系统及方法 |
CN116307021A (zh) * | 2022-10-08 | 2023-06-23 | 中国大唐集团科学技术研究总院有限公司 | 一种新能源制氢系统的多目标能量管理方法 |
-
2022
- 2022-07-19 CN CN202210849146.8A patent/CN115115130A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116307021A (zh) * | 2022-10-08 | 2023-06-23 | 中国大唐集团科学技术研究总院有限公司 | 一种新能源制氢系统的多目标能量管理方法 |
CN116307021B (zh) * | 2022-10-08 | 2024-03-22 | 中国大唐集团科学技术研究总院有限公司 | 一种新能源制氢系统的多目标能量管理方法 |
CN116254575A (zh) * | 2023-05-10 | 2023-06-13 | 四川大学 | 一种基于模拟退火算法的制氢效率优化控制系统及方法 |
CN116254575B (zh) * | 2023-05-10 | 2023-07-28 | 四川大学 | 一种基于模拟退火算法的制氢效率优化控制系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112069734B (zh) | 一种电热泵-热电联合系统的优化调控方法及系统 | |
CN110311421B (zh) | 基于需求侧响应的微电网多时间尺度能量管理方法 | |
CN111969593B (zh) | 基于混合储能的热电联供微网模型预测控制优化调度方法 | |
CN109217290B (zh) | 计及电动汽车充放电的微网能量优化管理方法 | |
CN111934360B (zh) | 基于模型预测控制的虚拟电厂-储能系统能量协同优化调控方法 | |
CN115115130A (zh) | 一种基于模拟退火算法的风光储制氢系统日前调度方法 | |
CN107039975A (zh) | 一种分布式能源系统能量管理方法 | |
CN110796373B (zh) | 面向风电消纳的多阶段场景生成电热系统优化调度方法 | |
CN109378856B (zh) | 基于滚动优化的风-储混合电站功率波动平抑方法 | |
CN115600858A (zh) | 一种考虑弃风弃光惩罚的风光储制氢系统经济性优化调度方法 | |
CN115473285A (zh) | 基于合作博弈论的多类型储能系统最优容量配置方法 | |
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 | |
TWI639962B (zh) | 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法 | |
CN111160636B (zh) | 一种cchp型微电网调度优化方法 | |
CN112311017A (zh) | 一种虚拟电厂与主网最优协同调度方法 | |
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 | |
CN110766285A (zh) | 一种基于虚拟电厂的日前能源调度方法 | |
CN116050637A (zh) | 基于分时电价的综合能源虚拟电厂优化调度方法及系统 | |
CN114285093B (zh) | 一种源网荷储互动调度方法及系统 | |
CN115841216A (zh) | 计及分布式光伏消纳率的配电网储能优化配置方法 | |
CN109754128B (zh) | 一种计及气象波动特性差异典型场景的风/光/储/柴微电网优化配置方法 | |
Koochaki et al. | Optimal design of solar-wind hybrid system using teaching-learning based optimization applied in charging station for electric vehicles | |
CN111400857B (zh) | 一种微网中考虑电池衰减成本的能量优化方法 | |
Yang et al. | Multi-source scheduling method on supply side of microgrid based on reinforcement learning algorithm | |
CN117220351A (zh) | 一种碳排放约束下基于admm的虚拟电厂分布式优化调度方法 |
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 |