CN115358806A - 基于可再生能源发电的电氢综合能源系统成本优化方法 - Google Patents
基于可再生能源发电的电氢综合能源系统成本优化方法 Download PDFInfo
- Publication number
- CN115358806A CN115358806A CN202211265486.2A CN202211265486A CN115358806A CN 115358806 A CN115358806 A CN 115358806A CN 202211265486 A CN202211265486 A CN 202211265486A CN 115358806 A CN115358806 A CN 115358806A
- Authority
- CN
- China
- Prior art keywords
- hydrogen
- electricity
- cost
- hydrogen production
- energy
- 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.)
- Granted
Links
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 279
- 239000001257 hydrogen Substances 0.000 title claims abstract description 279
- 238000010248 power generation Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 23
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 225
- 230000005611 electricity Effects 0.000 claims abstract description 97
- 241000282461 Canis lupus Species 0.000 claims abstract description 61
- 238000012423 maintenance Methods 0.000 claims abstract description 28
- 238000004519 manufacturing process Methods 0.000 claims description 106
- 239000000446 fuel Substances 0.000 claims description 42
- 238000003860 storage Methods 0.000 claims description 19
- 238000004146 energy storage Methods 0.000 claims description 6
- 241000282421 Canidae Species 0.000 claims description 4
- 150000002431 hydrogen Chemical class 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 241000209046 Pennisetum Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000005868 electrolysis reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000160777 Hipparchia semele Species 0.000 description 1
- DUKURNFHYQXCJG-JEOLMMCMSA-N alpha-L-Fucp-(1->4)-[beta-D-Galp-(1->3)]-beta-D-GlcpNAc-(1->3)-beta-D-Galp-(1->4)-D-Glcp Chemical compound O[C@H]1[C@H](O)[C@H](O)[C@H](C)O[C@H]1O[C@H]1[C@H](O[C@H]2[C@@H]([C@@H](O)[C@@H](O)[C@@H](CO)O2)O)[C@@H](NC(C)=O)[C@H](O[C@@H]2[C@H]([C@H](O[C@@H]3[C@H](OC(O)[C@H](O)[C@H]3O)CO)O[C@H](CO)[C@@H]2O)O)O[C@@H]1CO DUKURNFHYQXCJG-JEOLMMCMSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010977 unit operation Methods 0.000 description 1
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
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy 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
- H02J3/007—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources
- H02J3/0075—Arrangements for selectively connecting the load or loads to one or several among a plurality of power lines or power sources for providing alternative feeding paths between load and source according to economic or energy efficiency considerations, e.g. economic dispatch
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及综合能源和氢能经济领域，具体涉及一种基于可再生能源发电的电氢综合能源系统成本优化方法，首先根据电氢综合能源系统的运行模式，结合实时电价、负荷波动和运维系数构建系统成本模型；然后将系统成本模型数学化，得到动态氢负荷下的约束条件，构造电氢综合能源系统目标函数；最后针对电氢综合能源系统目标函数，采用改进多目标灰狼算法得到全局最优解，从而解决多目标问题。
Description
技术领域
本发明涉及综合能源和氢能经济领域，具体涉及一种基于可再生能源发电的电氢综合能源系统成本优化方法。
背景技术
以清洁可再生能源发展为导向的能源转型是国际社会普遍关注的话题。氢被认为是一种重要的过渡能源。以可再生能源制氢为特征的能源系统将在未来的能源互联网建设中发挥重要作用。
从制氢角度看，利用可再生能源制氢可以缓解弃风、弃光问题，从而提高可再生能源发电的经济性。从用氢角度来看，氢能易储存，便于运输，但利用可再生能源电解水制氢的成本远远高于传统化石能源。针对可再生能源制氢系统优化运行这一相关问题，目前国内外研究通常将可再生能源、电制氢环节组成的能源系统视为一个主体，关注能源系统整体利益，建立统一的单目标或多目标优化模型实现整个能源系统的集中优化决策。但现实当中，风电、光伏发电、电制氢系统通常隶属于不同的能源领域，常常由于信息不对称等原因导致出现无序竞争的现象，大大降低市场效率。
最近关于电氢综合能源系统经济性的研究都集中在细化具体制氢成本上。非合作博弈和合作博弈理论常用于处理多主体间的利益关系，然而大多关注局部区域间的合作运行问题，仅考虑单一系统的合作运行模型与风光氢合作模型有较大差别，无法解决风光氢多主体合作运行及利益分配问题。此外，博弈得到的结果未必能真实反映实际的制氢成本。
将可再生能源与电解水制氢系统综合为一个整体，从整个的运行方式角度出发考虑其成本，是解决双方经济性和提高系统出力性能的关键。文献（Ma T , Pei W , Deng W, et al. A Nash bargaining-based cooperative planning and operation methodfor wind-hydrogen-heat multi-agent energy system[J]. Energy, 2022, 239.）提出了风光氢综合能源系统运行模型。文献（Pan G , Gu W , Zhang H , et al. Electricityand Hydrogen Energy System Towards Accomodation of High Proportion ofRenewable Energy[J]. Dianli Xitong Zidonghua/Automation of Electric PowerSystems, 2020, 44(23):1-10.）提出了基于面向高比例可再生能源制氢的经济性技术分析。文献（Yuechuan Tao , Jing Qiu , Shuying Lai, Junhua Zhao, IntegratedElectricity and Hydrogen Energy Sharing in Coupled Energy Systems[J]. IEEETransactions on Smart Grid, 2021.）提出了耦合电氢一体化综合能源系统的优化问题。文献（Wang Y, Kazemi M, Nojavan S, et al. Robust design of off-grid solar-powered charging station for hydrogen and electric vehicles via robustoptimization approach[J]. International Journal of Hydrogen Energy, 2020, 45(38): 18995-19006.）提出了基于鲁棒优化的电氢综合能源系统与氢燃料汽车的合作运行。但上述研究均为提出结合电能侧实时出力（输出功率）、实时电价、运行成本、氢能侧实时需求的成本，未能计算出最小运行成本以及最大能量产出。
综上所述，基于可再生能源发电的电氢综合能源系统成本优化问题还需要更深层次的研究。电氢综合能源系统的成本问题是我国大力发展氢能，实现双碳目标的关键问题，优化其成本不但可以为氢能高速发展提供经济依据，也能为日后新兴的氢能技术提供经济参考，同时也能为高比例可再生能源的弃风弃光提供消纳途径。
发明内容
本发明针对以上要求以及技术上存在的缺陷，提出一种基于可再生能源发电的电氢综合能源系统成本优化方法，可以通过实时信息计算出最小运行成本以及最大能量产出。
为了实现本发明的目的，所采用的技术方案是：基于可再生能源发电的电氢综合能源系统成本优化方法，包括如下步骤：
S1、根据电氢综合能源系统的运行模式，结合实时电价、负荷波动和运维系数构建系统成本模型，模型包括风机系统、光伏系统、制氢系统和氢燃料汽车；
S2、将系统成本模型数学化，得到动态氢负荷下的约束条件，构造电氢综合能源系统目标函数，分别为最小成本、最大发电量和最大产氢量；
S3、针对电氢综合能源系统，设置最小成本、最大发电量、最大产氢量三个目标函数，由于产能越大其成本越高，为了寻找三个目标的平衡点，采用改进多目标灰狼算法得到全局最优解，从而解决多目标问题。
作为本发明的优化方案，在步骤S1中，构建系统成本模型，具体为：
S1-1、建立风机系统和光伏系统成本模型，根据实时发电量、实时电价和运维系数得到风机系统和光伏系统的运行成本模型C power为：
C power= C WT + C PV （1）
公式1中：C WT 为风机系统总成本模型，C PV 为光伏系统总成本模型；
光伏系统总成本模型为：
C PV = C pvm + C pvgf −U pv2h − U pv2g （2）
公式2中：C pvm 为光伏系统维修成本，C pvgf 为光伏系统过网费，U pv2h 为光伏系统向制氢系统售电收益，U pv2g 为光伏系统向电网售电收益；
光伏系统维修成本为：
公式3中：T为光伏系统的运行周期，k pv 为光伏系统的维护系数，
为光伏系统的
发电量；
光伏系统过网费为：
公式4中：α pv 为光伏系统向电网售电的过网费系数，
为光伏系统向电网供电
量，β pv 为光伏系统向制氢系统售电的过网费系数，
为光伏系统向制氢系统供电量；
光伏系统向制氢系统售电收益：
公式5中：
为光伏系统向制氢系统供电的实时电价；
光伏系统向电网售电收益：
公式6中：
为光伏系统向电网供电的实时电价；
风机系统总成本模型为：
C WT = C wtm + C wtgf –U wt2h − U wt2g （7）
公式7中：C wtm 为风机系统维修成本，C wtgf 为风机系统过网费，U wt2h 为风机系统向制氢系统售电收益，U wt2g 为风机系统向电网售电收益；
风机系统维修成本为：
公式8中：T 0为风机系统的运行周期，k wt 为风机系统的维护系数，
为风机系统
的发电量；
风机系统过网费为：
公式9中：α wt 为风机系统向电网售电的过网费系数，
为风机系统向电网供电
量，β wt 为风机系统向制氢系统售电的过网费系数，
为风机系统向制氢系统供电量；
风机系统向制氢系统售电收益：
公式10中：
为风机系统向制氢系统供电的实时电价；
风机系统向电网售电收益：
公式11中：
为风机系统向电网供电的实时电价；
S1-2、建立制氢系统和氢燃料汽车成本模型；采用平准化制氢模型L COH 来描述制氢系统制氢成本，具体公式如下：
公式12中：
为制氢系统初始投资成本，
为制氢系统维护成本，C HS 为制氢系
统的额定功率，P E 为制氢系统耗电量，H t 为产氢量，I为制氢系统寿命，r为制氢系统利率，p g
为电网向制氢系统供电实时电价，然后结合电能侧输入的电能构建氢能侧成本模型C HP ，表
达式为：
C HP = C wt2h + C pv2h + C g + L COH −U H （13）
公式13中：C wt2h 为制氢系统向风机系统的购电成本，C pv2h 为制氢系统向光伏系统的
购电成本，C wt2h = U wt2h ，C pv2h = U pv2h ；C g 为制氢系统向电网购电成本，
，
为
制氢系统向电网的购电量；U H 为售氢收益；
氢燃料汽车成本模型
为：
公式14中：K为氢燃料汽车数量，SOC FCVMAX 为氢燃料汽车储氢状态上限，SOC FCV0,k 为第k辆氢燃料汽车的初始储氢状态量，V FCV 为氢燃料汽车储氢容积，χk为第k辆氢燃料汽车的行驶里程，ω为单位里程耗氢量，T 1为氢燃料汽车运行周期；
售氢收益为：
公式15中：p FCV为氢气价格；
S1-3、根据前一天定风机系统和光伏系统的电价，确定风机系统和光伏系统低电价和高电价，在低电价时给电氢综合能源系统中的储能电池充电，在高电价时给电氢综合能源系统中的燃料电池放电；利用氢燃料汽车实时动态负荷波动，形成完整的电氢综合能源系统。
作为本发明的优化方案，在步骤S2中，系统成本模型数学化，具体为：
S2-1、结合电氢综合能源系统实际运行方式，添加约束条件，包括电能平衡约束、氢能平衡约束、风机系统和光伏系统的最大最小功率约束、氢燃料汽车里程约束；
电能平衡约束为：
氢能平衡约束：
公式17中：Hhst为储氢罐储氢量；
风机系统和光伏系统的最大最小功率约束：
公式18中：
为风机系统的发电量最小值，
为风机系统的发电量最
大值，
为光伏系统的发电量最小值，
为光伏系统的发电量最大值；
氢燃料汽车行驶里程约束：
公式19中： χk,min为第k辆氢燃料汽车最小行驶里程，χk,max为第k辆氢燃料汽车最大行驶里程；
S2-2、将系统成本模型与约束条件接合，并进行数学化，电氢综合能源系统目标函数具体为：
其中：F 1为最小成本函数，F 2为最大发电量函数，F 3为最大产氢量函数，g(x)为等式约束条件，P(x)为不等式约束条件。
作为本发明的优化方案，在步骤S3中，采用改进多目标灰狼算法解决多目标问题，具体为：
S3-1：风机系统和光伏系统在24个小时内的设备出力同时生成，将同一时间段的风机系统和光伏系统设备出力分为一组进行初始化和更新，第i时段三头灰狼的位置X i 为：
公式25中：i表示1-24小时，x a,i 表示第a头灰狼第i小时的位置，x b,i 表示第b头灰狼第i小时的位置，x c,i 表示第c头灰狼第i小时的位置；
S3-2：将电氢综合能源系统目标函数和约束条件输入改进多目标灰狼算法，设置灰狼的数量、最大迭代次数、搜索范围和外部种群Archive参数，随后进行灰狼初始化、检验是否满足约束条件，直至生成足够数量的合格个体；
S3-3：从Archive中按照轮盘赌法选择a、b和c三头灰狼，其余灰狼根据a、b和c三头灰狼的位置进行更新，检验是否满足约束条件，直至生成足够数量的合格个体；
S3-4：根据步骤S2中的电氢综合能源系统目标函数，计算灰狼的目标函数值，确定非支配个体，更新Archive；
S3-5：重复步骤S3-2、S3-3直至达到最大迭代次数，此时输出Archive中的灰狼位置，即为电氢综合能源系统成本优化中的一组Pareto解。
本发明具有积极的效果：
1）本发明针对原始算法进行求解的过程中，众多约束条件使得算法的计算时间增加，为了改善这一问题本发明对多目标灰狼算法及优化模型进行改进。对初始狼群的位置更新进行改善，使其快速确立最佳区间，从而缩短计算时间；
2）本发明针对成本建模可能在计算不同能源系统时经济度量单位不统一，提出将实时电价与实时负荷波动结合进行成本计算，并采用统一的评价尺度来求解最终的成本目标函数；
3）本发明综合考虑电氢效益，对电氢综合能源系统优化调度具有指导意义，给出了氢能济效益的综合分析方法。在计算不同的电氢综合能系统效益时，只需更改输入参数即可得出最小成本的前提下，最大化电能和氢能产出的最优方案；
4）本发明原算法中灰狼的每个位置的每一维坐标是同时生成的，若其中某一位置不符合要求需要重新生成全部坐标，改进多目标灰狼算法将其个体位置分为24组，同一时段只需对当前时段位置进行更新，缩短了初始化和更新时间。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明电氢综合能源系统框架示意图；
图2为本发明方法的流程图；
图3为本发明风机系统和光伏系统的实时出力示意图；
图4为本发明中灰狼初始位置更新示意图；
图5为本发明中灰狼扑食示意图；
图6为本发明改进的灰狼优化算法的寻优迭代流程图。
具体实施方式
如图1所示，本发明公开了电氢综合能源系统，包括风机系统、光伏系统、制氢系统、电网等；风机系统（Wind Power）和光伏系统（Grid）产出电能分别供给制氢系统和电网，制氢系统利用燃料电池（Electrolysis cell）电解水（Water）产生氢气，经压缩机（compressor）压缩和储氢罐（Hydrogen Store Tank）储存后，为加氢站（HydrogenStations）提供氢气。制氢系统中配有储能电池（Battery），在电价低谷充电，电价高峰期放电给燃料电池，其目的是进一步降低系统运行成本。制氢系统中的电能来源除风机系统、光伏系统外，也可以直接向电网购电。
如图2所示，本发明公开基于可再生能源发电的电氢综合能源系统成本优化方法，包括如下步骤：
S1、根据电氢综合能源系统的运行模式，结合实时电价、负荷波动和运维系数构建系统成本模型，模型包括风机系统、光伏系统、制氢系统和氢燃料汽车；
S2、将系统成本模型数学化，得到动态氢负荷下的约束条件，构造电氢综合能源系统目标函数，分别为最小成本、最大发电量和最大产氢量；
S3、针对电氢综合能源系统，设置最小成本、最大发电量、最大产氢量三个目标函数。由于产能越大其成本越高，为了寻找三个目标的平衡点，采用改进多目标灰狼算法得到全局最优解，从而解决多目标问题。灰狼算法其实就是一种模拟灰狼一步一步寻找猎物的仿生算法，三个目标函数为狼群，最平衡的解为猎物。
在步骤S1中，构建系统成本模型，具体为：
S1-1、建立风机系统和光伏系统成本模型，根据实时发电量、实时电价和运维系数得到风机系统和光伏系统的运行成本模型C power为：
C power= C WT + C PV （1）
公式1中：C WT 为风机系统总成本模型，C PV 为光伏系统总成本模型；
光伏系统总成本模型为：
C PV = C pvm + C pvgf −U pv2h − U pv2g （2）
公式2中：C pvm 为光伏系统维修成本，C pvgf 为光伏系统过网费，U pv2h 为光伏系统向制氢系统售电收益，U pv2g 为光伏系统向电网售电收益；
光伏系统维修成本为：
公式3中：T为光伏系统的运行周期，k pv 为光伏系统的维护系数，
为光伏系统的
发电量；
光伏系统过网费为：
公式4中：α pv 为光伏系统向电网售电的过网费系数，
为光伏系统向电网供电
量，β pv 为光伏系统向制氢系统售电的过网费系数，
为光伏系统向制氢系统供电量；
光伏系统向制氢系统售电收益：
公式5中：
为光伏系统向制氢系统供电的实时电价；
光伏系统向电网售电收益：
公式6中：
为光伏系统向电网供电的实时电价；
风机系统总成本模型为：
C WT = C wtm + C wtgf –U wt2h − U wt2g （7）
公式7中：C wtm 为风机系统维修成本，C wtgf 为风机系统过网费，U wt2h 为风机系统向制氢系统售电收益，U wt2g 为风机系统向电网售电收益；
风机系统维修成本为：
公式8中：T 0为风机系统的运行周期，k wt 为风机系统的维护系数，
为风机系统
的发电量；
风机系统过网费为：
公式9中：α wt 为风机系统向电网售电的过网费系数，
为风机系统向电网供电
量，β wt 为风机系统向制氢系统售电的过网费系数，
为风机系统向制氢系统供电量；
风机系统向制氢系统售电收益：
公式10中：
为风机系统向制氢系统供电的实时电价；
风机系统向电网售电收益：
公式11中：
为风机系统向电网供电的实时电价；
S1-2、建立制氢系统和氢燃料汽车成本模型；采用平准化制氢模型L COH 来描述制氢系统制氢成本，具体公式如下：
公式12中：
为制氢系统初始投资成本，
为制氢系统维护成本，C HS 为制氢系
统的额定功率，P E 为制氢系统耗电量，H t 为产氢量，I为制氢系统寿命，r为制氢系统利率（每
年制氢系统利息额同借贷资本总额的比率），p g 为电网向制氢系统供电实时电价，然后结合
电能侧输入的电能构建氢能侧成本模型C HP ，表达式为：
C HP = C wt2h + C pv2h + C g + L COH −U H （13）
公式13中：C wt2h 为制氢系统向风机系统的购电成本，C pv2h 为制氢系统向光伏系统的
购电成本，C wt2h = U wt2h ，C pv2h = U pv2h ；C g 为制氢系统向电网购电成本，
，
为
制氢系统向电网的购电量；U H 为售氢收益，售氢收益主要来源于氢燃料汽车；
氢燃料汽车成本模型
为：
公式14中：K为氢燃料汽车数量，SOC FCVMAX 为氢燃料汽车储氢状态上限，SOC FCV0,k 为第k辆氢燃料汽车的初始储氢状态量，V FCV 为氢燃料汽车储氢容积，χk为第k辆氢燃料汽车的行驶里程，ω为单位里程耗氢量，T 1为氢燃料汽车运行周期；
售氢收益为：
公式15中：p FCV为氢气价格；此时若Ht与
的差值不为零，则代表氢有盈余或功能
不足，若有盈余，则将多余的氢储存在储氢罐，若供能不足需要加大氢产量。此时结合S1建
立的系统成本模型形成完整的电氢综合能源系统。
S1-3、根据前一天风机系统和光伏系统的电价，确定风机系统和光伏系统低电价和高电价，在低电价时给电氢综合能源系统中的储能电池充电，在高电价时给电氢综合能源系统中的燃料电池放电；利用氢燃料汽车实时动态负荷波动，形成完整的电氢综合能源系统。
将电能侧与氢能侧重叠的成本与效益进行合并，避免重复计算。同时，将储能电池引入电能交换中。
在步骤S2中，系统成本模型数学化，具体为：
S2-1、结合电氢综合能源系统实际运行方式，添加约束条件，包括电能平衡约束、氢能平衡约束、风机系统和光伏系统的最大最小功率约束、氢燃料汽车里程约束；
电能平衡约束为：
公式16中：
为制氢系统向电网的购电量；
氢能平衡约束：
公式17中：Hhst为储氢罐储氢量；
风机系统和光伏系统的最大最小功率约束：
公式18中：
为风机系统的发电量最小值，
为风机系统的发电量最
大值，
为光伏系统的发电量最小值，
为光伏系统的发电量最大值；
氢燃料汽车行驶里程约束：
公式19中： χk,min为第k辆氢燃料汽车最小行驶里程，χk,max为第k辆氢燃料汽车最大行驶里程；
S2-2、将系统成本模型与约束条件接合，并进行数学化，电氢综合能源系统目标函数具体为：
其中：F 1为最小成本函数，F 2为最大发电量函数，F 3为最大产氢量函数，g(x)为等式约束条件，P(x)为不等式约束条件。S.t.中的等式约束条件为公式1-公式22中所有的等式，不等式约束条件为公式18和公式19两个不等式。
将C power、C HP 和约束条件中的电能单位统一为千瓦/时，氢能单位为千克，调度时间为日内调度。
灰狼优化算法是文献（Mirjalili S , Mirjalili S M , Lewis A D . GreyWolf Optimizer[J]. Advances in Engineering Software, 2014, 69:46-61.）受狼群合作捕食过程启发而提出的新型群体智能优化算法。2015年又在此基础上提出了多目标灰狼优化算法。多目标灰狼优化算法，在多目标优化中，采用Pareto支配关系来判断解的优劣程度，求解多目标优化问题的本质是在全部可行解中找到所有这样的解，这些解不被任何一个其他可行解所支配。将所有非支配解的集合称之为多目标优化问题的Pareto解。在算法迭代过程中，使用外部种群Archive来存储和检索当前最优个体。算法在每次迭代后均会产生新的个体，将这些个体逐一与Archive中的个体进行比较，并对Archive中的个体进行更新。
在利用原始多目标灰狼算法进行求解的过程中，众多约束条件使得算法的计算时间增加，为了改善这一问题，本发明改进多目标灰狼算法对原始算法及优化模型进行了如下改进：
在原始算法中中灰狼个体位置的每一维坐标是同时生成的，风机系统和光伏系统在24个小时内的设备出力同时生成。原算法灰狼的位置向量表示为：
公式24中：a、b和c表示三头灰狼。
算法更新后，将每只灰狼个体位置按时间分为24组，将同一时间段的风光机组（风机系统和光伏系统）设备出力分为一组进行初始化和更新。判定满足约束时再进行下一组设备出力的初始化或更新，24个组都满足约束后进行合并和后续运算。这种做法的优势在于，当某个时段的设备出力不符合约束时，只需重新生成该时段的设备出力而非个体的所有时段的设备出力，从而缩短计算时间。
在步骤S3中，采用改进多目标灰狼算法解决多目标问题，具体为：
S3-1：风机系统和光伏系统在24个小时内的设备出力同时生成，将同一时间段的风机系统和光伏系统设备出力分为一组进行初始化和更新，第i时段三头灰狼的位置X i 为：
公式25中：i表示1-24小时，判定满足约束时再进行下一组设备出力的初始化或更新，24个组都满足约束后进行合并和后续运算。这种做法的优势在于，当某个时段的设备出力不符合约束时，只需重新生成该时段的设备出力而非个体的所有时段的设备出力，从而缩短计算时间；例如X8表示8点三头狼的位置。将同一时间段的风光机组出力（图3为本发明中风机系统和光伏系统实时出力示意图，描述某一调度周期内风机系统和光伏系统的具体出力值）分为一组进行初始化和更新。实时出力就是每个时刻的电能总量，通过图3能确定电能的实时产量。
S3-2：将电氢综合能源系统目标函数和约束条件输入改进多目标灰狼算法，设置灰狼的数量、最大迭代次数Maxlter、搜索范围和外部种群Archive参数，随后进行灰狼初始化、检验是否满足约束条件，直至生成足够数量的合格个体；如图4所示为灰狼初始位置的更新示意图，从图4中可以看出灰狼的位置根据中间猎物的位置（X*, Y*）进行更新，A为向量系数，A决定新位置向目标靠近还是远离目标灰狼，当|A|>=1时，为远离目标，表现出更强的全局搜索能力，当|A|＜1时，靠近目标，表现出更强的局部搜索能力。此时的位置更新公式为：
公式26中：其中C和A是向量系数；D是在狼群中的个体和目标猎物之间距离；t是迭代次数；X为灰狼位置；XP是目标猎物位置，r 1、r 2是[0,1]范围内的随机数，a为控制参数，取值在[0,2]范围内且随着算法迭代次数增加。
S3-3：从Archive中按照轮盘赌法选择a、b和c三头灰狼，其余灰狼根据a、b和c三头灰狼的位置按照公式27进行更新，检验是否满足约束条件，直至生成足够数量的合格个体；如图5所示为灰狼扑食示意图，即灰狼在寻找猎物时，更新位置的原理图。位置更新公式为：
公式27中：X α，β，δ 分别为a，b，c三头灰狼当前的位置，D α，β，δ 分别表示a，b，c三头狼与其他个体的距离，X 1，2，3 分别定义了候选狼个体朝向a，b，c前进的步长和方向，C1、C2、C3与a 1、a 2、a 3为随机向量，X为a，b，c三头灰狼的位置向量，X (t+1) 为候选狼的最终位置。
从图5中可以看出，候选解的位置最终落在被 a、b和c定义的随机圆位置内。总的来说，a、b和c需首先预测出猎物（潜在最优解）的大致位置，然后其它候选狼在当前最优三只狼的指引下在猎物附近随机地更新它们的位置。
S3-4：根据步骤S2中的电氢综合能源系统目标函数，计算灰狼的目标函数值，确定非支配个体，更新Archive；
S3-5：重复步骤S3-2、S3-3直至达到最大迭代次数，此时输出Archive中的灰狼位置，即为电氢综合能源系统成本优化中的一组Pareto解。
如图6所示为改进的灰狼优化算法的寻优迭代步骤，具体为：
1）创造外部种群Archive中的个体数，设置灰狼a、b和c的初始位置；
2）初始化狼群，设置最大迭代次数，设置搜索范围，进行初始化检验；
3）确定三头狼位置，其余狼群位置按照公式27进行更新；
4）将目标函数和约束条件带入改进多目标灰狼算法；
5）检验是否满足约束条件；
6）计算目标函数值，确定非支配个体，更新Archive；
7）是否达到最大迭代次数；
8）输出最优解。
具体实现方法如下：
步骤一：建立电能侧成本模型，建立风机系统和光伏系统成本模型，根据实时发电量、实时电价和运维系数得到风机系统和光伏系统的运行成本模型C power。
步骤二：建立氢能侧成本模型，制氢系统包括燃料电池、压缩机、储氢罐等设备。然后结合电能侧输入的电能构建氢能侧成本模型C HP 。
步骤三：根据实际运行情况，确定风机系统和光伏系统实时出力、实时电价、运行维护成本参数、过网费用、风速、光照、空气密度、机组运行工况等情况。确定燃料电池出力情况、运维参数、电解效率，压缩机与储氢罐的储能成本，结合某地氢能符合波动、燃料汽车运行模式；
步骤四： 将系统成本模型与约束条件接合，并进行数学化，电氢综合能源系统目标函数具体为：
其中：F 1为最小成本函数，F 2为最大发电量函数，F 3为最大产氢量函数，g(x)为等式约束条件，P(x)为不等式约束条件。S.t.中的等式约束条件为公式1-公式22中所有的等式，不等式约束条件为公式18和公式19两个不等式。
将C power、C HP 和约束条件中的电能单位统一为千瓦/时，氢能单位为千克，调度时间为日内调度。
步骤五、将电氢综合能源系统目标函数和约束条件输入改进多目标灰狼算法，得出在不影响最小成本下，实现最大产氢量和最大发电量的最优解。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.基于可再生能源发电的电氢综合能源系统成本优化方法，其特征在于：包括如下步骤：
S1、根据电氢综合能源系统的运行模式，结合实时电价、负荷波动和运维系数构建系统成本模型，模型包括风机系统、光伏系统、制氢系统和氢燃料汽车；
S2、将系统成本模型数学化，得到动态氢负荷下的约束条件，构造电氢综合能源系统目标函数，分别为最小成本、最大发电量和最大产氢量；
S3、针对电氢综合能源系统，设置最小成本、最大发电量、最大产氢量三个目标函数，由于产能越大其成本越高，为了寻找三个目标的平衡点，采用改进多目标灰狼算法得到全局最优解，从而解决多目标问题。
2.根据权利要求1所述的基于可再生能源发电的电氢综合能源系统成本优化方法，其特征在于：在步骤S1中，构建系统成本模型，具体为：
S1-1、建立风机系统和光伏系统成本模型，根据实时发电量、实时电价和运维系数得到风机系统和光伏系统的运行成本模型C power为：
C power= C WT + C PV （1）
公式1中：C WT 为风机系统总成本模型，C PV 为光伏系统总成本模型；
光伏系统总成本模型为：
C PV = C pvm + C pvgf −U pv2h − U pv2g （2）
公式2中：C pvm 为光伏系统维修成本，C pvgf 为光伏系统过网费，U pv2h 为光伏系统向制氢系统售电收益，U pv2g 为光伏系统向电网售电收益；
光伏系统维修成本为：
公式3中：T为光伏系统的运行周期，k pv 为光伏系统的维护系数，
为光伏系统的发电
量；
光伏系统过网费为：
公式4中：α pv 为光伏系统向电网售电的过网费系数，
为光伏系统向电网供电量，β pv
为光伏系统向制氢系统售电的过网费系数，
为光伏系统向制氢系统供电量；
光伏系统向制氢系统售电收益：
公式5中：
为光伏系统向制氢系统供电的实时电价；
光伏系统向电网售电收益：
公式6中：
为光伏系统向电网供电的实时电价；
风机系统总成本模型为：
C WT = C wtm + C wtgf –U wt2h − U wt2g （7）
公式7中：C wtm 为风机系统维修成本，C wtgf 为风机系统过网费，U wt2h 为风机系统向制氢系统售电收益，U wt2g 为风机系统向电网售电收益；
风机系统维修成本为：
公式8中：T 0为风机系统的运行周期，k wt 为风机系统的维护系数，
为风机系统的发电
量；
风机系统过网费为：
公式9中：α wt 为风机系统向电网售电的过网费系数，
为风机系统向电网供电量，β wt
为风机系统向制氢系统售电的过网费系数，
为风机系统向制氢系统供电量；
风机系统向制氢系统售电收益：
公式10中：
为风机系统向制氢系统供电的实时电价；
风机系统向电网售电收益：
公式11中：
为风机系统向电网供电的实时电价；
S1-2、建立制氢系统和氢燃料汽车成本模型；采用平准化制氢模型L COH 来描述制氢系统制氢成本，具体公式如下：
公式12中：
为制氢系统初始投资成本，
为制氢系统维护成本，C HS 为制氢系统的
额定功率，P E 为制氢系统耗电量，H t 为产氢量，I为制氢系统寿命，r为制氢系统利率，p g 为电
网向制氢系统供电实时电价，然后结合电能侧输入的电能构建氢能侧成本模型C HP ，表达式
为：
C HP = C wt2h + C pv2h + C g + L COH −U H （13）
公式13中：C wt2h 为制氢系统向风机系统的购电成本，C pv2h 为制氢系统向光伏系统的购电
成本，C wt2h = U wt2h ，C pv2h = U pv2h ；C g 为制氢系统向电网购电成本，
，
为制氢
系统向电网的购电量；U H 为售氢收益；
氢燃料汽车成本模型
为：
公式14中：K为氢燃料汽车数量，SOC FCVMAX 为氢燃料汽车储氢状态上限，SOC FCV0,k 为第k辆氢燃料汽车的初始储氢状态量，V FCV 为氢燃料汽车储氢容积，χk为第k辆氢燃料汽车的行驶里程，ω为单位里程耗氢量，T 1为氢燃料汽车运行周期；
售氢收益为：
公式15中：p FCV为氢气价格；
S1-3、根据前一天定风机系统和光伏系统的电价，确定风机系统和光伏系统低电价和高电价，在低电价时给电氢综合能源系统中的储能电池充电，在高电价时给电氢综合能源系统中的燃料电池放电；利用氢燃料汽车实时动态负荷波动，形成完整的电氢综合能源系统。
3.根据权利要求2所述的基于可再生能源发电的电氢综合能源系统成本优化方法，其特征在于：在步骤S2中，系统成本模型数学化，具体为：
S2-1、结合电氢综合能源系统实际运行方式，添加约束条件，包括电能平衡约束、氢能平衡约束、风机系统和光伏系统的最大最小功率约束、氢燃料汽车里程约束；
电能平衡约束为：
氢能平衡约束：
公式17中：Hhst为储氢罐储氢量；
风机系统和光伏系统的最大最小功率约束：
公式18中：
为风机系统的发电量最小值，
为风机系统的发电量最大值，
为光伏系统的发电量最小值，
为光伏系统的发电量最大值；
氢燃料汽车行驶里程约束：
公式19中： χk,min为第k辆氢燃料汽车最小行驶里程，χk,max为第k辆氢燃料汽车最大行驶里程；
S2-2、将系统成本模型与约束条件接合，并进行数学化，电氢综合能源系统目标函数具体为：
其中：F 1为最小成本函数，F 2为最大发电量函数，F 3为最大产氢量函数，g(x)为等式约束条件，P(x)为不等式约束条件。
4.根据权利要求3所述的基于可再生能源发电的电氢综合能源系统成本优化方法，其特征在于：在步骤S3中，采用改进多目标灰狼算法解决多目标问题，具体为：
S3-1：风机系统和光伏系统在24个小时内的设备出力同时生成，将同一时间段的风机系统和光伏系统设备出力分为一组进行初始化和更新，第i时段三头灰狼的位置X i 为：
公式25中：i表示1-24小时，x a,i 表示第a头灰狼第i小时的位置，x b,i 表示第b头灰狼第i小时的位置，x c,i 表示第c头灰狼第i小时的位置；
S3-2：将电氢综合能源系统目标函数和约束条件输入改进多目标灰狼算法，设置灰狼的数量、最大迭代次数、搜索范围和外部种群Archive参数，随后进行灰狼初始化、检验是否满足约束条件，直至生成足够数量的合格个体；
S3-3：从Archive中按照轮盘赌法选择a、b和c三头灰狼，其余灰狼根据a、b和c三头灰狼的位置进行更新，检验是否满足约束条件，直至生成足够数量的合格个体；
S3-4：根据步骤S2中的电氢综合能源系统目标函数，计算灰狼的目标函数值，确定非支配个体，更新Archive；
S3-5：重复步骤S3-2、S3-3直至达到最大迭代次数，此时输出Archive中的灰狼位置，即为电氢综合能源系统成本优化中的一组Pareto解。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211265486.2A CN115358806B (zh) | 2022-10-17 | 2022-10-17 | 基于可再生能源发电的电氢综合能源系统成本优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211265486.2A CN115358806B (zh) | 2022-10-17 | 2022-10-17 | 基于可再生能源发电的电氢综合能源系统成本优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115358806A true CN115358806A (zh) | 2022-11-18 |
| CN115358806B CN115358806B (zh) | 2023-03-24 |
Family
ID=84008550
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211265486.2A Active CN115358806B (zh) | 2022-10-17 | 2022-10-17 | 基于可再生能源发电的电氢综合能源系统成本优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115358806B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115940234A (zh) * | 2022-12-30 | 2023-04-07 | 郑州大学 | 一种户用可再生能源分布式发电的智慧调控方法 |
| WO2023205139A1 (en) * | 2022-04-18 | 2023-10-26 | Ohmium International, Inc. | System and method for efficiently generating hydrogen using multiple available power sources |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109670639A (zh) * | 2018-12-17 | 2019-04-23 | 邓茂云 | 基于多目标灰狼算法的区域综合能源系统实时优化方法 |
| CN111242806A (zh) * | 2020-02-19 | 2020-06-05 | 武汉理工大学 | 一种考虑不确定性的电-热-氢多能量系统的规划方法 |
| US20200226482A1 (en) * | 2017-09-25 | 2020-07-16 | Asahi Kasei Kabushiki Kaisha | Planning apparatus, method of generating operating plan, hydrogen production method, and computer readable storage medium |
| CN111860937A (zh) * | 2020-05-26 | 2020-10-30 | 国网天津市电力公司电力科学研究院 | 基于改进多目标灰狼算法的冷热电联供型微电网优化方法 |
| CN113839401A (zh) * | 2021-10-27 | 2021-12-24 | 国网青海省电力公司 | 一种考虑电氢耦合的综合能源系统容量优化配置方法 |
-
2022
- 2022-10-17 CN CN202211265486.2A patent/CN115358806B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200226482A1 (en) * | 2017-09-25 | 2020-07-16 | Asahi Kasei Kabushiki Kaisha | Planning apparatus, method of generating operating plan, hydrogen production method, and computer readable storage medium |
| CN109670639A (zh) * | 2018-12-17 | 2019-04-23 | 邓茂云 | 基于多目标灰狼算法的区域综合能源系统实时优化方法 |
| CN111242806A (zh) * | 2020-02-19 | 2020-06-05 | 武汉理工大学 | 一种考虑不确定性的电-热-氢多能量系统的规划方法 |
| CN111860937A (zh) * | 2020-05-26 | 2020-10-30 | 国网天津市电力公司电力科学研究院 | 基于改进多目标灰狼算法的冷热电联供型微电网优化方法 |
| CN113839401A (zh) * | 2021-10-27 | 2021-12-24 | 国网青海省电力公司 | 一种考虑电氢耦合的综合能源系统容量优化配置方法 |
Non-Patent Citations (1)
| Title |
|---|
| 侯慧 等: "考虑不确定性的电-热-氢综合能源系统规划", 《电工技术学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023205139A1 (en) * | 2022-04-18 | 2023-10-26 | Ohmium International, Inc. | System and method for efficiently generating hydrogen using multiple available power sources |
| CN115940234A (zh) * | 2022-12-30 | 2023-04-07 | 郑州大学 | 一种户用可再生能源分布式发电的智慧调控方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115358806B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115358806B (zh) | 基于可再生能源发电的电氢综合能源系统成本优化方法 | |
| Wang et al. | Research on economic optimization of microgrid cluster based on chaos sparrow search algorithm | |
| Li et al. | Electric vehicle charging management based on deep reinforcement learning | |
| Li et al. | Short-term wind power forecasting based on support vector machine with improved dragonfly algorithm | |
| CN111401604B (zh) | 电力系统负荷功率预测方法及储能电站功率分配方法 | |
| 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 | |
| CN112217195B (zh) | 一种基于gru多步预测技术的云储能充放电策略形成方法 | |
| CN113285490B (zh) | 电力系统调度方法、装置、计算机设备和存储介质 | |
| CN112202206A (zh) | 一种基于势博弈的多能源微网分布式调度方法 | |
| CN116061742B (zh) | 一种分时电价光伏园区内电动汽车的充电控制方法和系统 | |
| CN116667325B (zh) | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 | |
| CN115310749A (zh) | 含大规模电动汽车的区域综合能源供需调度方法和系统 | |
| Liu et al. | SARAP algorithm of multi-objective optimal capacity configuration for WT-PV-DE-BES stand-alone microgrid | |
| CN114971048A (zh) | 一种零碳园区综合能源规划仿真方法、系统和计算机设备 | |
| CN114723230A (zh) | 面向新能源发电和储能的微电网双层调度方法及系统 | |
| Yang et al. | Deep reinforcement learning for economic energy scheduling in data center microgrids | |
| CN112396223A (zh) | 一种交互能源机制下的电动汽车充电站能量管理方法 | |
| Tan et al. | Distributionally robust energy management for multi-microgrids with grid-interactive EVs considering the multi-period coupling effect of user behaviors | |
| CN116073418A (zh) | 基于动态电价的电动汽车充放电调度方法 | |
| Qazi et al. | Coordinated energy and reserve sharing of isolated microgrid cluster using deep reinforcement learning | |
| CN114417695A (zh) | 多园区综合能源系统经济调度方法 | |
| CN114580298A (zh) | 一种基于rbf-isbo的微电网优化调度方法及系统 | |
| Lin et al. | Planning of Electric Vehicle Charging Stations with PV and Energy Storage Using a Fuzzy Inference System | |
| CN108334981B (zh) | 一种面向微电网综合能量管理的分层多目标优化方法 | |
| D’Amore et al. | Integrating model predictive control and deep learning for the management of an EV charging station |
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 |