CN115347596A

CN115347596A - 一种基于电热氢混合储能的多能互补系统优化方法

Info

Publication number: CN115347596A
Application number: CN202210425107.5A
Authority: CN
Inventors: 王晓; 陈康; 肖斌; 周治; 孙夏思; 彭怀午; 陈鹏飞; 文龙; 张思远; 孙珂
Original assignee: PowerChina Northwest Engineering Corp Ltd
Current assignee: PowerChina Northwest Engineering Corp Ltd
Priority date: 2022-04-21
Filing date: 2022-04-21
Publication date: 2022-11-15

Abstract

本发明提供了一种基于电热氢混合储能的多能互补系统优化方法，采用储电、储氢、储热的混合储能形式，且考虑了三种储能形式之间的相互转化，可以更好实现储能系统造价与储能系统性能间的平衡。本发明进行系统能量生产、转化、存储等多方面的优化，考虑储能容量、储能系统响应速度、储能系统容量等不同的限制条件，采用可靠性、成本、稳定性等进行多目标优化。解决了大规模储能系统的组合配置问题，通过合理设计和调度，吸收了各种储能技术路线的优势，解决了大规模储电系统成本高、储氢系统使用困难，熔盐储热系统温度难以保证、多元储能系统协调匹配等问题，最终实现了组合储能系统的低成本高效运行。

Description

一种基于电热氢混合储能的多能互补系统优化方法

技术领域

本发明属于新能源发电技术领域，具体涉及一种基于电热氢混合储能的多能互补系统优化方法。

背景技术

目前，基于多能互补系统的研究很多。但是大多数相关工作，仅仅针对单一的储能技术。基于单一储能的多能互补系统架构模式，存在几方面的局限性：

(1)每种储能技术都存在自身的优点和缺点，而在实际的多能互补系统当中对于储能需求包括：功率型、容量型等多种形式，且不同的储能形式对应不同的成本构成，单一的储能技术难以满足系统的实际需求。

(2)单一的储能形式有些适用于系统快速响应，有些适用于大容量的存储，对于存储、建设条件的要求也不同，而配置单一储能的多能互补系统，不利于这种特色的发挥。

(3)当前储能技术尚处于发展的初期阶段，单一储能形式的配置方案对于提升系统的性能和成本不利，但是多元混合储能系统的设计、运行、优化方法仍不成熟。

(4)在含有光热的多能互补系统中，由于光热电站前段的聚光场温度随着太阳变化，可能存在一定的波动，会影响后端的发电效率。

发明内容

本发明的目的在于提供一种基于电热氢混合储能的多能互补系统优化方法，克服现有技术中存在的上述技术问题。

为此，本发明提供的技术方案如下：

一种基于电热氢混合储能的多能互补系统优化方法，包括以下步骤：

步骤1)分别建立光伏发电子系统模型、风电发电子系统模型和光热发电子系统模型，分别建立储电子系统模型、储热子系统模型、储氢子系统模型；

步骤2)设定系统运行逻辑，并确定运行逻辑中需要优化的阀值，得到各环节预期充放电量；

步骤3)设定各子系统模型的限制条件，并对步骤2)得到的各环节预期充放电量进行校核；

步骤4)设定系统优化参数和目标值，其中，系统优化参数包括系统转化效率、系统缺电率、系统初步投资、系统全生命周期能源成本；

步骤5)采用单一群体智能算法或组合型算法对优化目标不断迭代直至到达设定目标值之后跳出得到优化方案，如未达到，可更改循环次数重新开始循环或调节步骤2)设置的部分限制条件；

步骤6)得到电能、热能、氢能的多能流转换组合优化。

步骤1)中光伏发电子系统模型如下：

其中，I是系统电流，V是系统电压，I_SC是短路电流，V_oc是开路电压；I_m是最大功率处的输出电流，V_m是最大功率点处的输出电压。

风电发电子系统模型如下：

其中，P_wt为系统输出功率，V_in为系统启动风速，V_out为系统停机风速，V_rs为系统满负荷运行对应的风速，P_WTd为满负荷运行功率。

步骤1)中光热发电子系统模型如下：

P_t ^{th,SF-HTF+P_tth,TS-HTF}＝P_t ^{th,HTF-TS+P_tth,HTF-PB}

其中，P_t ^th,SF-HTF为集热模块输出的热功率；P_t ^th,HTF-TS为光热电站的储热系统可以从导热介质中吸收能量的吸热功率；P_t ^th,TS-HTF为光热电站的储热系统可以从导热介质中释放能量的放热功率；P_t ^th,HTF-PB为发电环节从传热流体吸收的热功率。

步骤1)中储电子系统模型如下：

V_bat＝E_b+R_iI_bat

其中，V_bat、I_bat分别为蓄电池对外电流和电压；E_b为蓄电池内部电动势；Ri 为蓄电池的电阻；SOC₀为蓄电池荷电初始状态值；P_c(t)为蓄电池充放电功率，已充电状态为正；L_{c_0}为蓄电池额定容量。

步骤1)中储热子系统模型如下：

其中，

为储热系统t时刻的储热能量；γ为热量耗散系数；P_t ^th,cha、P_t ^th,dis分别为储热系统t时刻的充/放热功率；Δt为时间间隔；储热环节的储热能力受储热容量的限制，即

为储热系统储热能量的上下限。

步骤1)中储氢子系统模型为储氢容量限制和存用平衡。

步骤2)具体过程如下：

比较电网调度下达电量与风电和光伏这两种不可调度电源的可发电量：

(1)当下达电量小于光伏、风电可发电量时，此时进入电能过剩模式，储能系统进入充电流程；

充电流程中，按照整体的能量转化效率按顺序选择储能单元，即首先采用电化学储能，当电化学储能储满后，进行热储能，最后采用氢储能，依次进行充电；

当近24小时内，存在热能供应缺口时，进行电制热转换，优先进行热能存储，其他储能按上述顺序进行；

当近24小时内，存在氢能缺口时，进行电制氢转换，优先进行氢能存储，其他储能形式按上述顺序进行；

(2)当下达电量大于光伏、风电可发电量时，进入电能短缺模式，储能系统进入放电流程；

放电流程中，按照整体的能量转化效率按顺序选择储能单元，即首先采用电化学储能，当电化学储能储满后，进行热储能，最后采用氢储能依次进行放电；

当近24小时内，存在热能存储过剩时，进行热到电转换，优先进行热能存储，其他储能按上述顺序进行；

当近24小时内，存在氢能存储过剩时，进行氢到电的补燃转换，优先进行氢能存储，其他储能形式按上述顺序进行。

步骤3)的具体过程如下：

首先根据设备性质建立解集库确定限制条件，包括系统响应攀升条件、容量限制条件、设备和管道允许的掺氢比例以及技术路线对应的最大规模；

所述系统响应攀升条件包括设备每分钟功率攀升要求、储能环节在接到充放电要求后的响应周期，所述容量限制条件包括蓄电池容量、储热罐容量、储氢罐容量，所述管道允许的掺氢比例包括天然气和管道设备在不发生安全故障的情况下，能够接收的最大氢能燃烧比例；

其次对步骤2)得到的各环节预期充放电量进行校核：

当步骤2)的运行逻辑不满足上述解集库时，那么对应的各值则为上限值，再根据该上限值，重新制定理想运行逻辑方案，迭代直到满足解集库的限制条件为止。

步骤5)中的单一群体智能算法为多目标遗传算法、多目标粒子群算法、多目标蚁群算法、多目标蜂群算法或多目标鱼群算法。

本发明的有益效果是：

本发明提供的这种基于电热氢混合储能的多能互补系统优化方法，采用储电、储氢、储热的混合储能形式，且考虑了三种储能形式之间的相互转化，可以更好实现储能系统造价与储能系统性能间的平衡。

本发明进行系统能量生产、存储等多方面的优化，考虑储能容量、储能系统响应速度、储能系统容量等不同的限制条件，采用可靠性、成本、稳定性等进行多目标优化。本发明可优化多能互补系统中，电、热、氢之间进行相互转换的触发条件，提升系统运行的效率。运用的多种储能形式，电储能可应对功率型的用户需求，且应对风电光伏的秒级和分钟级的储能需求；热储能对应能量型用户的需求，应对系统中十分钟到小时级的能量需求；储氢对应系统中的风电光伏消纳需求，光热电站的补燃需求，以及可能的远距离无线路能量输送需求，通过上述供能和优势的互补，最终实现多能互补混合储能系统的整体高效运行。

本发明通过建立使用风电光伏的弃电进行电解水制氢，有利于可再生能源的消纳，用产生的氢能作为燃料，为光热电站熔盐系统进行补燃，同时解决了光热电站聚光集热系统出口温度难以保证的问题。

本发明通过合理设计和调度，吸收了各种储能技术路线的优势，解决了大规模储电系统成本高、储氢系统使用困难，熔盐储热系统温度难以保证等问题，最终实现了组合储能系统的低成本高效运行，可满足不同层次功能需求，能结合各种技术路线优点，最终得到提升多能互补系统经济性和电源质量的混合储能配置优化方案。

下面将结合附图做进一步详细说明。

附图说明

图1是本发明优化过程的逻辑示意图；

图2是本发明的能量流向示意图。

具体实施方式

以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。

现参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

实施例1：

本实施例提供了一种基于电热氢混合储能的多能互补系统优化方法，如图1 所示，包括以下步骤：

步骤6)得到电能、热能、氢能的多能流转换组合优化。

在优化过程中，当优化目标对应的解集特定次数不更新后，则对个体进行重置，但保留最优和较优方案，重新开始循环，具体触发次数可根据具体情况调整。

当循环次数达到设定值后跳出，如未达到预期效果，可更改循环次数，从步骤5)重新向开始循环，或部分可调节步骤2)设置的限制条件。

本发明提供的这种基于电热氢混合储能的多能互补系统优化方法，采用储电、储氢、储热的混合储能形式，且考虑了三种储能形式之间的相互转化，可以更好实现储能系统造价与储能系统性能间的平衡。通过合理设计和调度，吸收了各种储能技术路线的优势，解决了大规模储电系统成本高、储氢系统使用困难，熔盐储热系统温度难以保证等问题，最终实现了组合储能系统的低成本高效运行，可满足不同层次功能需求，能结合各种技术路线优点，最终得到提升多能互补系统经济性和电源质量的混合储能配置优化方案。

实施例2：

在实施例1的基础上，本实施例提供了一种基于电热氢混合储能的多能互补系统优化方法，步骤1)中光伏发电子系统模型如下：

采用太阳辐射、温度作为输入条件，作为不可控电源使用。上述模型表示光伏板输出电流与外界条件的关系。

风电发电子系统模型如下：

风机系统的输出特性根据风速-功率曲线进行描述，采用如上的一次出力模型建模进行描述。

光热发电是本技术中重要的可调度环节，太阳直射辐射x_DNI,t经过集热模块输出热功率P_t ^th,SF-HTF到导热介质中，考虑到太多的太阳辐射可能会产生不完全消纳的问题，因此引入热功率舍弃量P_t ^th,cut。发电环节从HTF吸收热功率P_t ^th,HTF-PB，并将热能转化为电能P_t ^CSP进行发电。

基于上述分析，若忽略导热介质在传热流体(HTF)中的能量损失，可得到光热电站内部的功率平衡方程，即热发电子系统模型：

P_t ^th,SF-HTF+P_t ^th,TS-HTF＝P_t ^th,HTF-TS+P_t ^th,HTF-PB

光热系统包括集热环节、储热环节和发电环节。

1)集热环节

集热模块输出的热功率P_t ^th,SF-HTF为：

式中，η_SF为光场的光-热转换效率；A_SF为镜场的面积；x_DNI,t为t时刻的太阳直射辐射度；

为t时刻集热环节舍弃的热功率。

为了方便刻画集热环节镜场规模与光热电站装机的关系，此处引入太阳倍数(solar multiple，SM)的概念。太阳倍数是指在镜场所能接收的最大太阳直射辐射下，集热环节的输出功率与发电环节的额定功率的比值。由于到达地面的太阳辐射具有一定的间歇性和不确定性，镜场的太阳直射辐射强度一般不会达到设计的最大值，因此为了保证发电环节可以运行在额定工作状态，光热电站在设计时通常会让太阳倍数大于1。

集热环节的太阳倍数S_SF可表示为：

式中，η_PB为发电环节的热-电转换效率；x_DNI,max为光场所能接收的最大太阳直射辐射强度，

为发电环节的额定输出功率。

2)储热环节

对于一个储热系统而言，其自身的热耗散通常是不可忽略，因此储热环节的储能状态平衡方程可表示为：

式中，

为储热系统t时刻的储热能量；γ为热量耗散系数；P_t ^th,cha、P_t ^th,dis分别为储热系统t时刻的充/放热功率；Δt为时间间隔。

考虑到耗散系数比较小，为了简化计算可对其进行线性化，线性化后得储热子系统模型如下：

储热环节的储热能力受储热容量的限制，即

式中，

为储热系统储热能量的上下限。

为了量化储热环节储热容量的大小，这里引入储热时间的概念。储热时间是指在额定的储热容量下，储热环节能够维持光热电站以额定功率进行发电的最大小时数。

储热时长H_TES可表示为：

式中，η_dis为放热效率；η_PB为热电转换效率。

储热系统在充/放热过程中会伴随着热量的损失，可引入充放热效率来描述这一过程，即

P_t ^th,cha＝η_chaP_t ^th,HTF-TS

P_t ^th,dis＝P_t ^th,TS-HTF/η_dis

式中，η_cha为储热系统的充热效率；η_dis为放热效率。

储热系统在进行能量交换的过程中，充放热功率应当在所限制的区间内连续可调，且充/放热过程不能够同时进行，即

式中，

分别为最大充/放热功率，

为储热系统t时刻充 /放热的状态变量。

3)发电环节

发电环节的能量转换平衡方程为：

式中，η_PB为发电环节的热-电转换效率；

为发电环节启动所需的功率，

为发电环节t时刻的启动标志变量。

发电环节的输出功率P_t ^CSP应该满足如下关系：

式中，

为发电环节机组的最大、最小出力；

为机组的运行状态0-1变量。其中，

与

之间的关系应满足：

发电环节机组应满足爬坡约束：

式中，

分别为机组的最大上、下爬坡能力。

发电环节应满足最小开/停机时间约束：

式中，

为发电环节的最小开/停机时间。

储电系统主要进行充放电中的重要参数进行模拟，根据下式：

V_bat＝E_b+R_iI_bat

其中，V_bat、I_bat分别为蓄电池对外电流和电压(充电方向为正)；E_b为蓄电池内部电动势；Ri为蓄电池的电阻；SOC₀为蓄电池荷电初始状态值；Q₀为电池额定容量，单位为A·h；Q_u为不可用容量。

可知，储能系统的荷电状态SOC的变化直接反映蓄电池的工况，对上式进行转换可得储电子系统模型如下：

V_bat＝E_b+R_iL_bat

式中，P_c(t)为蓄电池充放电功率，已充电状态为正；L_{c_0}为蓄电池额定容量，单位为kwh。

步骤1)中储氢子系统模型为储氢容量限制和存用平衡。电氢转化仅考虑电氢效率。

多能互补系统包括以下部分：

(1)能量生产部分：

包括：风电、光伏和光热环节。其中，风电、光伏为不可调节电源，光热为可调节电源。

(2)能量存储环节：

主要包括设备：蓄电池储电模块、融熔盐/水储热罐、储氢罐储氢等环节。储电环节主要用来处理分钟级的储能，储热环节主要用来处理小时级的储能。储氢环节主要用来处理更长时间，和更远距离的储能。

其中，储电池与光伏、风电单元相互连接，直接用来存储由于资源分钟级波动带来的能量变化。

储热系统分为熔盐储热和水储热两个部分，其中熔盐储热部分主要用于高温段的储热(300度以上)，水储热部分主要用于100度以下的大规模能量存储。根据对应的特点，分别设置熔盐储热罐和储水池。

其中，熔盐储热系统的能量来源又分为两个部分，一部分与定日镜场连接，用于吸收包括塔式、槽式、线性菲涅尔式的集热单元。另一部分与风电光伏系统的发电出口相连，用于吸收电熔盐加热器实现电能到热能的转化。

而水储热部分，主要作为熔盐储热的补充，主要配置水池，实现水储热。正常工况下，水储热的能量来源为光热发电后的余热。当热熔盐储罐接近储满时，水储热可在多级换热后，作为熔盐储热的备用，实现更大规模的储热。

(3)本发明通过电能、热能、氢能的多能流转换和耦合实现系统的组合优化，如图2所示，能量进出与能量转换环节如下：

电能：

主要能量来源：由光伏、风电发电充入，在少数情况下，也可由光热电站发电充入。

主要能量消耗：用于电力上网、电加热融熔盐或电解水制氢。

热能：

主要能量来源为：光热电站，电加热，天然气补燃，天然气掺氢补燃。电热转换系统仅考虑电热效率和储热容量限制。

主要能量消耗：推动汽轮机发电。

氢能：

主要能量来源为：电解水制氢。

主要能量消耗为：氢能外送、氢掺入天然气管道中，进行光热系统补燃。

储氢环节主要用来处理更长时间，和更远距离的储能。

实施例3：

在实施例1的基础上，本实施例提供了一种基于电热氢混合储能的多能互补系统优化方法，步骤2)具体过程如下：

在计算系统需求发电量和实际发电量的差值后，按照(1)和(2)的顺序，加减储能系统所能提供的电量后，如果能够使得需求发电量等于实际发电量和储能调节电量的和，则得到当时的理想运行方案，此时该时刻的保证率变量置1。如果仍然无法满足，则同样输出对应的理想运行方案，此时该时刻的保证率变量置0。

实施例4：

在实施例3的基础上，本实施例提供了一种基于电热氢混合储能的多能互补系统优化方法，步骤3)的具体过程如下：

其次对步骤2)得到的各环节预期充放电量进行校核：

如无法满足电量平衡要求，按照步骤2)的操作方式，输出理想方案，该时刻的保证率变量置0。

本发明适用于各种形式的多能互补加混合储能系统，当项目不完全包括上述所有能源生产和存储形式时，可根据具体的项目实际选择部分系统，使得仿真系统与实际系统能源种类保持一致，具体项目需要加入优化系统的参数，包括：风电、光伏、光热规模；储电、储热、储氢规模；电、热、氢相互转换的触发条件参数、以及步骤2)确定的参数阈值。

实施例5：

在实施例1的基础上，本实施例提供了一种基于电热氢混合储能的多能互补系统优化方法，步骤5)中的单一群体智能算法为多目标遗传算法、多目标粒子群算法、多目标蚁群算法、多目标蜂群算法或多目标鱼群算法。

本实施例提供以多目标遗传算法为基准的优化方法，当采用上述其他单一群体智能算法时，仅需要按照标准算法流程替代参数编码过程。

第一步：根据系统搭建的情况和上述规定的系统流程，确定需要优化的变量，具体包括上述所有子系统的规模、形式，以及对应的运行触发变量。

第二步，根据需要优化的参数个数，针对对应参数的可选择范围，进行遗传算法染色体的长度的确定，在初始循环中，每一个参数可通过4位二进制数进行编码。根据染色体长度，确定染色体种群数量的数量，初始的种群数量，可选择染色体长度的2倍。

第三步，确定参数与方案的对应关系；即在编码时，先归一化后，将每个需要优化的参数，每4位确定为一个区域，并进行二进制编码；在进行方案评估和选择，进行反编码时，每4位二进制编码变为十进制数后，在进行反归一化。

第四部：完成反归一化后，根据参数与设计运行方案的对应关系来确定对应的系统建设运行方案；

第五步：针对步骤4)中的多个系统优化目标，作为对应的适应度函数，根据帕累托前沿进行优化，取得解集，并根据结果进行交叉和变异；

其中，第四步如果陷入局部最优，重新开始随机，回到第二步；

第五步判断是否达到跳出条件，根据最优染色体编码，生成最终的系统运行方案。

以上例举仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。