CN115618589A - 一种基于改进猫群算法的氢储系统容量优化方法及终端 - Google Patents

一种基于改进猫群算法的氢储系统容量优化方法及终端 Download PDF

Info

Publication number
CN115618589A
CN115618589A CN202211225389.0A CN202211225389A CN115618589A CN 115618589 A CN115618589 A CN 115618589A CN 202211225389 A CN202211225389 A CN 202211225389A CN 115618589 A CN115618589 A CN 115618589A
Authority
CN
China
Prior art keywords
hydrogen storage
storage system
model
cat
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
Application number
CN202211225389.0A
Other languages
English (en)
Inventor
胡臻达
杨晓东
姜文瑾
涂夏哲
邹艺超
林伟伟
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.)
State Grid Fujian Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Fujian Electric Power Co Ltd
Economic and Technological Research Institute of State Grid Fujian Electric Power 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 State Grid Fujian Electric Power Co Ltd, Economic and Technological Research Institute of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Fujian Electric Power Co Ltd
Priority to CN202211225389.0A priority Critical patent/CN115618589A/zh
Publication of CN115618589A publication Critical patent/CN115618589A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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]
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E70/00—Other energy conversion or management systems reducing GHG emissions
    • Y02E70/30—Systems combining energy storage with energy generation of non-fossil origin

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于改进猫群算法的氢储系统容量优化方法及终端，建立氢储系统模型以及风力发电机组模型；构建所述氢储系统模型的经济性指标、弃风率指标以及供电可靠性指标；基于所述氢储系统模型、所述风力发电机组模型、所述经济性指标、弃风率指标以及供电可靠性指标构建氢储系统容量优化配置模型；使用改进猫群算法对所述氢储系统容量优化配置模型进行求解，得到容量优化配置方案，由于氢储系统容量优化配置模型考虑到了经济性指标、弃风率指标以及供电可靠性指标，且改进猫群算法提高了全局寻优的能力，实现了氢储系统容量优化配置，能够在确保电力系统拥有足够灵活性裕度的前提下，兼顾系统运行的经济性，保障电力系统供需平衡。

Description

一种基于改进猫群算法的氢储系统容量优化方法及终端
技术领域
本发明涉及新能源技术领域，尤其涉及一种基于改进猫群算法的氢储系统容量优化方法及终端。
背景技术
由于应用技术成熟、开发成本低和基础设施的建设周期短等优点，风能、光伏等可再生能源发电方式，在过去几十年中得到了广泛的开发和使用。到2019年底，全球的风机装机容量达到了650GW(gigawatt，发电装机容量)，我国的风机装机容量占到全球的32％，且仅在2020年，我国的风机装机容量增长了72GW。然而，随着风机、光伏等的装机容量不断增大，可再生能源发电的不确定性的缺电，对电力系统的可靠供电提出了较大的挑战，并且大大地增大了电力系统调度和规划的难度。
在可再生能源发电的诸多对电力系统不利的局面，并且储能装置可以有效提高供电可靠性，使其在最近十几年得到了快速的发展。其中，氢储装置随着技术的进步，一些学者开始对其进行研究，同时，随着氢能在一些领域的应用越来越广泛，电力系统以风力、光伏发电生产氢气为主要特征，以储能为辅助的联合能源系统将是未来能源互联网建设的重要方向之一。基于氢作为一种环境清洁能源以及一种可通过天然气管道储存和运输的灵活能源载体的特点，风-氢耦合系统为这一问题提供了一种新兴的解决方案。
发明内容
本发明所要解决的技术问题是：提供一种基于改进猫群算法的氢储系统容量优化方法及终端，能够在确保电力系统拥有足够灵活性裕度的同时，保证经济性和供需平衡。
为了解决上述技术问题，本发明采用的一种技术方案为：
一种基于改进猫群算法的氢储系统容量优化方法，包括步骤：
建立氢储系统模型以及风力发电机组模型；
构建所述氢储系统模型的经济性指标、弃风率指标以及供电可靠性指标；
基于所述氢储系统模型、所述风力发电机组模型、所述经济性指标、弃风率指标以及供电可靠性指标构建氢储系统容量优化配置模型；
使用改进猫群算法对所述氢储系统容量优化配置模型进行求解，得到容量优化配置方案。
为了解决上述技术问题，本发明采用的另一种技术方案为：
一种基于改进猫群算法的氢储系统容量优化终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
建立氢储系统模型以及风力发电机组模型；
构建所述氢储系统模型的经济性指标、弃风率指标以及供电可靠性指标；
基于所述氢储系统模型、所述风力发电机组模型、所述经济性指标、弃风率指标以及供电可靠性指标构建氢储系统容量优化配置模型；
使用改进猫群算法对所述氢储系统容量优化配置模型进行求解，得到容量优化配置方案。
本发明的有益效果在于：基于氢储系统模型、风力发电机组模型、经济性指标、弃风率指标以及供电可靠性指标构建氢储系统容量优化配置模型，使用改进猫群算法对氢储系统容量优化配置模型进行求解，由于氢储系统容量优化配置模型考虑到了经济性指标、弃风率指标以及供电可靠性指标，且改进猫群算法提高了全局寻优的能力，求解得到容量优化配置方案实现了氢储系统容量优化配置，能够在确保电力系统拥有足够灵活性裕度的前提下，兼顾系统运行的经济性，保障电力系统供需平衡。
附图说明
图1为本发明实施例的一种基于改进猫群算法的氢储系统容量优化方法的步骤流程图；
图2为本发明实施例的一种基于改进猫群算法的氢储系统容量优化终端的结构示意图；
图3为本发明实施例的基于改进猫群算法的氢储系统容量优化方法中的优化流程图；
图4为本发明实施例的基于改进猫群算法的氢储系统容量优化方法中的改进猫群算法流程图；
图5为本发明实施例的基于改进猫群算法的氢储系统容量优化方法中的各场景下风力发电机组的输出功率；
图6为本发明实施例的基于改进猫群算法的氢储系统容量优化方法中的各场景下的负荷；
图7为本发明实施例的基于改进猫群算法的氢储系统容量优化方法中的case1的优化结果示意图；
图8为本发明实施例的基于改进猫群算法的氢储系统容量优化方法中的case2的优化结果示意图；
图9为本发明实施例的基于改进猫群算法的氢储系统容量优化方法中的case3的优化结果示意图；
图10为本发明实施例的基于改进猫群算法的氢储系统容量优化方法中的不同算法对比图。
具体实施方式
为详细说明本发明的技术内容、所实现目的及效果，以下结合实施方式并配合附图予以说明。
请参照图1，本发明实施例提供了一种基于改进猫群算法的氢储系统容量优化方法，包括步骤：
建立氢储系统模型以及风力发电机组模型；
构建所述氢储系统模型的经济性指标、弃风率指标以及供电可靠性指标；
基于所述氢储系统模型、所述风力发电机组模型、所述经济性指标、弃风率指标以及供电可靠性指标构建氢储系统容量优化配置模型；
使用改进猫群算法对所述氢储系统容量优化配置模型进行求解，得到容量优化配置方案。
从上述描述可知，本发明的有益效果在于：基于氢储系统模型、风力发电机组模型、经济性指标、弃风率指标以及供电可靠性指标构建氢储系统容量优化配置模型，使用改进猫群算法对氢储系统容量优化配置模型进行求解，由于氢储系统容量优化配置模型考虑到了经济性指标、弃风率指标以及供电可靠性指标，且改进猫群算法提高了全局寻优的能力，求解得到容量优化配置方案实现了氢储系统容量优化配置，能够在确保电力系统拥有足够灵活性裕度的前提下，兼顾系统运行的经济性，保障电力系统供需平衡。
进一步地，所述建立氢储系统模型以及风力发电机组模型之前包括：
使用超拉丁立方抽样技术随机生成第一预设数量的典型场景；
使用场景削减技术对所述典型场景进行削减，得到场景集；
所述建立氢储系统模型以及风力发电机组模型包括：
基于所述场景集建立氢储系统模型以及风力发电机组模型。
由上述描述可知，通过随机生成典型场景，考虑到了风力发电的随机性问题。
进一步地，所述建立氢储系统模型以及风力发电机组模型包括：
建立电解槽模型、储氢罐模型以及燃料电池模型；
根据所述电解槽模型、储氢罐模型以及燃料电池模型得到氢储系统模型；
建立风力发电机组模型。
由上述描述可知，氢储系统主要由电解槽、储氢罐和燃料电池三部分构成，根据电解槽模型、储氢罐模型以及燃料电池模型得到氢储系统模型以及建立风力发电机组模型，便于后续建立氢储系统容量优化配置模型，以实现容量优化配置。
进一步地，所述电解槽模型为：
Pout-H2(t)＝η1Pin-ele(t)；
式中，Pout-H2(t)表示t时刻电解槽的产氢功率，η1表示电氢转换比率，Pin-ele(t)表示t时刻电解槽的输入功率；
所述储氢罐模型为：
Figure BDA0003879468580000051
式中，EH2(t+1)表示t+1时刻储氢罐的容量，EH2(t)表示t时刻储氢罐的容量η2表示储氢罐的存储效率，Pin-fuel(t)表示t时刻储氢罐的释放氢气功率；
所述燃料电池模型为：
Pout-fuel(t)＝η1Pin-fuel(t)；
式中，Pout-fuel(t)表示t时刻燃料电池的输出功率；
所述风力发电机组模型为：
Figure BDA0003879468580000052
Figure BDA0003879468580000053
Figure BDA0003879468580000054
式中，PWT(t)表示t时刻风力发电机组的输出功率，v(t)表示t时刻的风速，vin表示切入风速，Pr表示风力发电机组的额定功率，vrated表示风力发电机组的额定风速，vout表示切出风速。
由上述描述可知，储氢罐中储存能量的基本原理与电池组中的基本原理相同，通过电解槽产生的氢气，需要存储在储氢罐中，同时通过储氢罐连接燃料电池进行氢气的释放，充入和释放的氢气量都会与氢气罐的容量有直接的关系；而燃料电池是将反应的化学能直接转化为电能的电化学装置，燃料电池产生的输出功率可以通过乘以其输入功率和效率来确定；每个风力发电机组的输出功率基于额定容量和制造商提供的规格，其额定容量为100kW，并在输出侧提供交流电，风力涡轮机的输出功率可由风速来描述，因此风力机组的输出功率与风速有密切的相关性。
进一步地，所述经济性指标f1为：
f1＝Celectrolyzer+CH2+Cfuel；
Figure BDA0003879468580000061
式中，Celectrolyzer表示所述电解槽的日投资成本，CH2表示所述氢储罐的日投资成本，Cfuel表示所述燃料电池的日投资成本，c1表示所述电解槽的投资成本系数，c2表示所述氢储罐的投资成本系数，c3表示所述燃料电池的投资成本系数，Relectrolyzer表示所述电解槽的额定容量，r表示年利率，n1表示所述电解槽的使用年限，n2表示所述氢储罐的使用年限，n3表示所述燃料电池的使用年限，RH2表示所述氢储罐的额定容量，Rfuel表示所述燃料电池的额定容量；
所述弃风率指标f2为：
Figure BDA0003879468580000062
式中，Pexcess(t)表示t时刻的弃风量，PWT(t)表示t时刻所述风力发电机组的功率，T表示一天的小时数；
所述供电可靠性指标f3为：
Figure BDA0003879468580000063
式中，Lshortage(t)表示t时刻的缺负荷量，Load(t)表示t时刻的负荷。
由上述描述可知，由于氢储系统中的电解槽、氢储罐和燃料电池的使用寿命有所不同，可以氢储系统的日投资成本作为经济性指标，由于风机发电不确定的特点，会存在某些时刻风机发电量超过了负荷需求，将会造成弃风的状况，因此通过采用氢储系统可以减少弃风率，供电可靠性是表征系统可靠运行的一项重要指标，可利用缺电率衡量供电可靠性。
进一步地，所述基于所述氢储系统模型、所述风力发电机组模型、所述经济性指标、弃风率指标以及供电可靠性指标构建氢储系统容量优化配置模型包括：
根据所述经济性指标、弃风率指标以及供电可靠性指标确定目标函数；
基于所述氢储系统模型和所述风力发电机组模型确定功率平衡约束、氢储系统约束以及风机出力约束；
根据所述目标函数、所述功率平衡约束、氢储系统约束以及风机出力约束得到氢储系统容量优化配置模型。
由上述描述可知，根据目标函数、功率平衡约束、氢储系统约束以及风机出力约束得到氢储系统容量优化配置模型，以此充分考虑到了经济性指标、弃风率指标以及供电可靠性指标，从而在确保电力系统拥有足够灵活性裕度的前提下，兼顾系统运行的经济性，保障电力系统供需平衡。
进一步地，所述目标函数f为：
Figure BDA0003879468580000071
式中，w1表示经济性权重系数，w2表示弃风率权重系数，w3表示缺电率权重系数，f1*表示所述经济性指标的最小值，f2*表示所述弃风率指标的最小值，f3*表示所述供电可靠性指标的最小值；
所述功率平衡约束为：
PWT(t)+Pout-fuel(t)+Lshortage(t)＝Pexcess(t)+Load(t)+Pin-ele(t)；
式中，PWT(t)表示t时刻所述风力发电机组的功率，Pout-fuel(t)表示t时刻燃料电池的输出功率，Lshortage(t)表示t时刻的缺负荷量，Pexcess(t)表示t时刻的弃风量，Load(t)表示t时刻的负荷，Pin-ele(t)表示t时刻电解槽的输入功率；
所述氢储系统约束为：
0≤Pin-ele(t)≤Relectrolyzer；
0≤EH2(t)≤RH2；
0≤Pout-fuel(t)≤Rfuel；
式中，Relectrolyzer表示所述电解槽的额定容量，RH2表示所述氢储罐的额定容量，EH2(t)表示t时刻所述储氢罐的容量，Rfuel表示所述燃料电池的额定容量；
所述风机出力约束为：
0≤PWT(t)≤PWT.max(t)；
式中，PWT.max(t)表示t时刻所述风力发电机组输出功率的上限。
由上述描述可知，目标函数综合考虑了经济性、弃风和供电可靠性，从而最终得到的容量优化配置方案在确保电力系统拥有足够灵活性裕度的前提下，兼顾系统运行的经济性，保障电力系统供需平衡。
进一步地，所述使用改进猫群算法对所述氢储系统容量优化配置模型进行求解，得到容量优化配置方案包括：
初始化在约束范围内的猫群位置，并确定猫群的种群个数以及总迭代次数；
根据所述猫群位置计算猫群对应的适应度值；
设置分组率，并根据所述分组率将所述猫群随机分为追踪模式和搜索模式；
确定所述搜索模式对应的记忆池、自身位置判断、维度变化域以及维度变化数；
获取所述猫群的当前位置，并判断所述自身位置判断是否为真，若是，则将所述记忆池减一，复制所述记忆池减一对应份数猫群的当前位置，若否，则复制所述记忆池对应份数猫群的当前位置；
将复制后的猫群根据所述维度变化数和所述维度变化域进行更新，得到新位置；
从所述记忆池中复制所有样本的适应度值；
根据所述所有样本的适应度值寻找最优适应度值所对应的复制样本，并代替猫的当前位置，进行搜索模式下猫的位置更新；
在所述追踪模式下根据带有权重因子的更新公式更新猫的速度，得到更新后的速度，并判断所述更新后的速度是否超过猫群速度约束；
合并所述搜索模式和所述追踪模式更新后的猫群位置，计算猫群的适应度值，并确定最优值，记录所述最优值对应的猫的位置；
获取当前迭代次数，并判断所述当前迭代次数是否达到所述总迭代次数，若是，则输出容量优化配置方案，若否，则返回执行所述设置分组率步骤。
由上述描述可知，相较于其他算法，猫群算法能够更准确、有效地寻找最优解，以得到容量优化配置方案，
进一步地，所述新位置x(n+1)为：
x(n+1)＝(1+m·SDR)x(n)；
式中，m表示第一随机数，SDR表示所述维度变化域，x(n)表示猫群的当前位置；
所述带有权重因子的更新公式为：
Veld(n+1)＝ω(n)×Veld(n)+r1×c1×(xbest.d(n)-xd(n))；
Figure BDA0003879468580000091
式中，Veld(n+1)表示所述更新后的速度，Veld(n)表示第d个猫在第n次迭代时的速度，r1表示第二随机数，c1表示固定常数，xbest.d(n)表示第n次迭代中最优适应度值对应的猫的位置，xd(n)表示第n次迭代第d个猫的位置，ω(n)表示第n次迭代的权重因子，ωmax表示权重因子的最大值，ωmin表示权重因子的最小值，kmax表示所述总迭代次数。
由上述描述可知，对猫群算法的改进在于加入权重因子，形成追踪模式下的动态位置更新，通过使用权重因子平衡猫群算法全局和局部搜索能力，形成一种改进的混沌优化算法，有助于全局寻优。
请参照图2，本发明另一实施例提供了一种基于改进猫群算法的氢储系统容量优化终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于改进猫群算法的氢储系统容量优化方法中的各个步骤。
本发明上述的一种基于改进猫群算法的氢储系统容量优化方法及终端能够适用于氢储系统中，以下通过具体实施方式进行说明：
实施例一
请参照图1和图3-图10，本实施例的一种基于改进猫群算法的氢储系统容量优化方法，包括步骤：
S1、使用超拉丁立方抽样技术随机生成第一预设数量的典型场景；
S2、使用场景削减技术对所述典型场景进行削减，得到场景集，所述场景集包含第二预设数量的场景，如图3所示；
其中，所述第一预设数量与所述第二预设数量可根据实际情况进行设置；
在一种可选的实施方式中，由于风力发电和负荷具有不确定性的特点，用典型日的风速拟合出风力发电数据，使用超拉丁立方抽样技术随机生成1000个风力发电和负荷的典型场景，使用场景削减技术对典型场景进行削减，得到包含5个典型场景的场景集，如图5和图6所示，图5展示了风力发电机组(简称风机)各场景下的输出功率，图6展示了各场景下的负荷，所述场景集中各场景的概率分布如表1所示，表示了其发生概率的百分比；
表1各场景的概率分布
场景 场景1 场景2 场景3 场景4 场景5
概率 0.12 0.27 0.10 0.28 0.23
S3、建立氢储系统模型以及风力发电机组模型；
具体的，基于所述场景集建立氢储系统模型以及风力发电机组模型，具体包括：
S31、建立电解槽模型、储氢罐模型以及燃料电池模型；
其中，电解槽作为核心产氢装置，所述电解槽模型表示其产氢量，所述电解槽模型为：
Pout-H2(t)＝η1Pin-ele(t)；
式中，Pout-H2(t)表示t时刻电解槽的产氢功率，η1表示电氢转换比率，Pin-ele(t)表示t时刻电解槽的输入功率；
储氢罐中储存能量的基本原理与电池组中的基本原理相同，通过电解槽产生的氢气，需要存储在储氢罐中，同时通过储氢罐连接燃料电池进行氢气的释放，充入和释放的氢气量都会与氢气罐的容量有直接的关系，所述储氢罐模型为：
Figure BDA0003879468580000101
式中，EH2(t+1)表示t+1时刻储氢罐的容量，EH2(t)表示t时刻储氢罐的容量，η2表示储氢罐的存储效率，Pin-fuel(t)表示t时刻储氢罐的释放氢气功率；
燃料电池是将反应的化学能直接转化为电能的电化学装置，燃料电池产生的输出功率可以通过乘以其输入功率和效率来确定，在这种情况下，假设燃料电池的效率为50％，当需要氢储系统发电时，储氢罐释放的氢气通过燃料电池进行发电，所述燃料电池模型表示了其输出功率，所述燃料电池模型为：
Pout-fuel(t)＝η1Pin-fuel(t)；
式中，Pout-fuel(t)表示t时刻燃料电池的输出功率；
S32、根据所述电解槽模型、储氢罐模型以及燃料电池模型得到氢储系统模型；
S33、建立风力发电机组模型；
其中，每个风力发电机组的输出功率基于额定容量和制造商提供的规格，其额定容量为100kW，并在输出侧提供交流电，风力涡轮机的输出功率可由风速来描述，风力发电机组的输出功率与风速有密切的相关性，因此，所述风力发电机组模型为：
Figure BDA0003879468580000111
Figure BDA0003879468580000112
Figure BDA0003879468580000113
式中，PWT(t)表示t时刻风力发电机组的输出功率，v(t)表示t时刻的风速，vin表示切入风速，Pr表示风力发电机组的额定功率，vrated表示风力发电机组的额定风速，vout表示切出风速；
S4、构建所述氢储系统模型的经济性指标、弃风率指标以及供电可靠性指标，如图3所示；
其中，由于氢储系统中的电解槽、氢储罐和燃料电池的使用寿命有所不同，可以氢储系统的日投资成本作为其中一个目标函数，所述经济性指标f1为：
f1＝Celectrolyzer+CH2+Cfuel；
Figure BDA0003879468580000121
式中，Celectrolyzer表示所述电解槽的日投资成本，CH2表示所述氢储罐的日投资成本，Cfuel表示所述燃料电池的日投资成本，c1表示所述电解槽的投资成本系数，c2表示所述氢储罐的投资成本系数，c3表示所述燃料电池的投资成本系数，Relectrolyzer表示所述电解槽的额定容量，r表示年利率，n1表示所述电解槽的使用年限，n2表示所述氢储罐的使用年限，n3表示所述燃料电池的使用年限，RH2表示所述氢储罐的额定容量，Rfuel表示所述燃料电池的额定容量；
由于风力发电机组发电不确定的特点，会存在某些时刻，风力发电机组发电量超过了负荷需求，将会造成弃风的状况，通过采用氢储系统可以减少弃风率，所述弃风率指标f2为：
Figure BDA0003879468580000122
式中，Pexcess(t)表示t时刻的弃风量，PWT(t)表示t时刻所述风力发电机组的功率，T表示一天的小时数，T＝24；
供电可靠性是表征系统可靠运行的一项重要指标，本发明利用缺电率衡量供电可靠性，所述供电可靠性指标f3为：
Figure BDA0003879468580000123
式中，Lshortage(t)表示t时刻的缺负荷量，Load(t)表示t时刻的负荷；
S5、基于所述氢储系统模型、所述风力发电机组模型、所述经济性指标、弃风率指标以及供电可靠性指标构建氢储系统容量优化配置模型，如图3所示，具体包括：
S51、根据所述经济性指标、弃风率指标以及供电可靠性指标确定目标函数；
其中，所述目标函数f为：
Figure BDA0003879468580000131
式中，w1表示经济性权重系数，w2表示弃风率权重系数，w3表示缺电率权重系数，f1*表示所述经济性指标的最小值，f2*表示所述弃风率指标的最小值，f3*表示所述供电可靠性指标的最小值；
S52、基于所述氢储系统模型和所述风力发电机组模型确定功率平衡约束、氢储系统约束以及风机出力约束；
其中，所述功率平衡约束为：
PWT(t)+Pout-fuel(t)+Lshortage(t)＝Pexcess(t)+Load(t)+Pin-ele(t)；
式中，PWT(t)表示t时刻所述风力发电机组的功率，Pout-fuel(t)表示t时刻燃料电池的输出功率，Lshortage(t)表示t时刻的缺负荷量，Pexcess(t)表示t时刻的弃风量，Load(t)表示t时刻的负荷，Pin-ele(t)表示t时刻电解槽的输入功率；
所述氢储系统约束为：
0≤Pin-ele(t)≤Relectrolyzer；
0≤EH2(t)≤RH2；
0≤Pout-fuel(t)≤Rfuel；
式中，Relectrolyzer表示所述电解槽的额定容量，RH2表示所述氢储罐的额定容量，EH2(t)表示t时刻所述储氢罐的容量，Rfuel表示所述燃料电池的额定容量；
风力发电机组注入电网的功率受到实际出力的限制，因此，所述风机出力约束为：
0≤PWT(t)≤PWT.max(t)；
式中，PWT.max(t)表示t时刻所述风力发电机组输出功率的上限；
S53、根据所述目标函数、所述功率平衡约束、氢储系统约束以及风机出力约束得到氢储系统容量优化配置模型；
S6、使用改进猫群算法对所述氢储系统容量优化配置模型进行求解，得到容量优化配置方案，具体包括，如图4所示：
现有的研究中开发了基于群体智能的优化算法，用于模拟动物的智能行为，在这些建模系统中，蚂蚁、蜜蜂、鸟类和鱼类等生物种群通过共享信息相互作用，并与其环境相互作用，从而利用其环境和资源，最新的优化算法之一是基于猫行为的猫群优化算法。
CSO(Cat Swarm Optimization，猫群优化算法)是基于猫的行为发展起来的；应用CSO解决优化问题，第一步是决定使用多少个体，CSO中的个体称为猫，每只猫都有自己的位置，包括M个维度、每个维度的速度、表示猫适应基准函数的适应度值以及标识猫是处于寻找模式还是跟踪模式的标志；最终的解决方案将是解决方案空间中一只猫的最佳位置；CSO会保留最佳解决方案，直到迭代结束；CSO有两个子模式，即搜索模式和跟踪模式；
在猫群算法中，通过设置分组率(Mixture Ratio，MR)将一些猫设置为追踪模式，其他猫设置为搜索模式，通过将猫的位置应用于函数来评估每只猫的适应度值，并将最佳适应度值的猫保存在存储器中，猫群算法一直保存最优解，直到迭代结束；
图10展示了粒子群算法(Particle Swarm Optimization，PSO)、猫群算法以及本发明的改进猫群算法对比图，主要是从迭代次数和优化结果进行比较，可以看出，在达到同一目标函数的情况下，改进猫群算法相较于粒子群算法和猫群算法，需要的迭代次数更少，验证了改进猫群算法在优化过程的有效性；
S60、输入风力发电机组、光伏电板以及蓄电池的发电数据；
S61、初始化在约束范围内的猫群位置，并确定猫群的种群个数以及总迭代次数；
具体的，初始化在约束范围内的猫群位置，并确定猫群的种群个数为M以及总迭代次数为N；
S62、根据所述猫群位置计算猫群对应的适应度值；
S63、设置分组率MR，并根据所述分组率将所述猫群随机分为追踪模式和搜索模式，判断每一只猫是处于搜索模式还是追踪模式，若处于搜索模式，则不执行S69，若处于追踪模式，则不执行S64～S68；
所述分组率即追踪模式下猫的个数在猫群总数中的占比；
S64、确定所述搜索模式对应的记忆池(seeking memory pool，SMP)、自身位置判断(self-position consideration，SPC)、维度变化域(seeking range of selecteddimension，SRD)以及维度变化数(counts of dimension to change，CDC)；
S65、获取所述猫群的当前位置，并判断所述自身位置判断是否为真，若是，则将所述记忆池减一，复制所述记忆池减一对应份数猫群的当前位置，若否，则复制所述记忆池对应份数猫群的当前位置；
具体的，获取所述猫群的当前位置，并判断SPC是否为真，若是，则复制SPC-1对应份数猫群的当前位置，若否，则复制SPC对应份数猫群的当前位置；
S66、将复制后的猫群根据所述维度变化数和所述维度变化域进行更新，得到新位置；
其中，所述新位置x(n+1)为：
x(n+1)＝(1+m·SDR)x(n)；
式中，m表示第一随机数，m∈[0,1]，SDR表示所述维度变化域，x(n)表示猫群的当前位置；
所述维度变化数为复制后的猫群变化个数；
S67、从所述记忆池中复制所有样本的适应度值；
S68、根据所述所有样本的适应度值寻找最优适应度值所对应的复制样本，并代替猫的当前位置，进行搜索模式下猫的位置更新；
S69、在所述追踪模式下根据带有权重因子的更新公式更新猫的速度，得到更新后的速度，并判断所述更新后的速度是否超过猫群速度约束；
其中，所述追踪模式通过改变猫的速度来更新猫群的位置，所述带有权重因子的更新公式为：
Veld(n+1)＝ω(n)×Veld(n)+r1×c1×(xbest.d(n)-xd(n))；
Figure BDA0003879468580000151
式中，Veld(n+1)表示所述更新后的速度，Veld(n)表示第d个猫在第n次迭代时的速度，r1表示第二随机数，r1∈[0,1]，c1表示固定常数，xbest.d(n)表示第n次迭代中最优适应度值对应的猫的位置，xd(n)表示第n次迭代第d个猫的位置，ω(n)表示第n次迭代的权重因子，ωmax表示权重因子的最大值，ωmin表示权重因子的最小值，kmax表示所述总迭代次数；在一种可选的实施方式中，ωmax＝0.9，ωmin＝0.5；
改进猫群算法加入权重因子形成追踪模式下的动态位置更新，通过使用权重因子，平衡CSO全局和局部搜索能力，形成一种改进的混沌优化算法，有助于全局寻优；最初，猫有较大的速度和较大的寻找空间，随着迭代次数的增大，权重因子随之减小，算法能够很快收敛；
S610、合并所述搜索模式和所述追踪模式更新后的猫群位置，计算猫群的适应度值，并确定所述适应度值中的最优值，记录所述最优值对应的猫的位置；
S611、获取当前迭代次数，并判断所述当前迭代次数是否达到所述总迭代次数，若是，则输出容量优化配置方案，若否，则返回执行S63；
表2氢储系统的容量优化结果
Figure BDA0003879468580000161
case1中w1＝0.75，w2＝0.15，w3＝0.15，经济性的权重系数高于弃风率和缺电率的权重系数，表示优先考虑经济性指标；case2中w1＝0.3，w2＝0.35，w3＝0.35，经济性的权重系数略低于弃风率和缺电率的权重系数，表示三个指标综合考虑；case3中w1＝0.2，w2＝0.4，w3＝0.4，经济性的权重系数高于弃风率和缺电率的权重系数，表示优先考虑弃风率和供电可靠性；
从表2结合图7、图8和图9可以看出，在case2中，微电网系统的经济指标权重系数与弃风率和缺电率的基本接近，即综合考虑了经济性、弃风率和缺电率，在优化结果中，氢储系统的电解槽、燃料电池和储氢罐的容量相比case1有明显的增加，此时，微电网的经济性优化结果增加到3202元，由于电解槽、燃料电池和储氢罐的容量的增加，也同时使得弃风率和缺电率降低了，分别为3.04％和3.90％，此时的优化结果最为理想，因此，本发明中的经济性权重系数、弃风率权重系数和缺电率权重系数可取值为w1＝0.3，w2＝0.35，w3＝0.35，从而使得最终的容量优化配置方案能够在确保电力系统拥有足够灵活性裕度的同时，保证经济性和供需平衡。
实施例二
请参照图2，本实施例的一种基于改进猫群算法的氢储系统容量优化终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例一中的基于改进猫群算法的氢储系统容量优化方法中的各个步骤。
综上所述，本发明提供的一种基于改进猫群算法的氢储系统容量优化方法及终端，建立氢储系统模型以及风力发电机组模型；构建所述氢储系统模型的经济性指标、弃风率指标以及供电可靠性指标；基于所述氢储系统模型、所述风力发电机组模型、所述经济性指标、弃风率指标以及供电可靠性指标构建氢储系统容量优化配置模型；使用改进猫群算法对所述氢储系统容量优化配置模型进行求解，得到容量优化配置方案，对猫群算法的改进在于加入权重因子，形成追踪模式下的动态位置更新，通过使用权重因子平衡猫群算法全局和局部搜索能力，形成一种改进的混沌优化算法，有助于全局寻优；由于氢储系统容量优化配置模型考虑到了经济性指标、弃风率指标以及供电可靠性指标，且改进猫群算法提高了全局寻优的能力，求解得到容量优化配置方案实现了氢储系统容量优化配置，能够在确保电力系统拥有足够灵活性裕度的前提下，兼顾系统运行的经济性，保障电力系统供需平衡。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等同变换，或直接或间接运用在相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于改进猫群算法的氢储系统容量优化方法，其特征在于，包括步骤：
建立氢储系统模型以及风力发电机组模型；
构建所述氢储系统模型的经济性指标、弃风率指标以及供电可靠性指标；
基于所述氢储系统模型、所述风力发电机组模型、所述经济性指标、弃风率指标以及供电可靠性指标构建氢储系统容量优化配置模型；
使用改进猫群算法对所述氢储系统容量优化配置模型进行求解，得到容量优化配置方案。
2.根据权利要求1所述的一种基于改进猫群算法的氢储系统容量优化方法，其特征在于，所述建立氢储系统模型以及风力发电机组模型之前包括：
使用超拉丁立方抽样技术随机生成第一预设数量的典型场景；
使用场景削减技术对所述典型场景进行削减，得到场景集；
所述建立氢储系统模型以及风力发电机组模型包括：
基于所述场景集建立氢储系统模型以及风力发电机组模型。
3.根据权利要求1所述的一种基于改进猫群算法的氢储系统容量优化方法，其特征在于，所述建立氢储系统模型以及风力发电机组模型包括：
建立电解槽模型、储氢罐模型以及燃料电池模型；
根据所述电解槽模型、储氢罐模型以及燃料电池模型得到氢储系统模型；
建立风力发电机组模型。
4.根据权利要求3所述的一种基于改进猫群算法的氢储系统容量优化方法，其特征在于，所述电解槽模型为：
Pout-H2(t)＝η1Pin-ele(t)；
式中，Pout-H2(t)表示t时刻电解槽的产氢功率，η1表示电氢转换比率，Pin-ele(t)表示t时刻电解槽的输入功率；
所述储氢罐模型为：
Figure FDA0003879468570000011
式中，EH2(t+1)表示t+1时刻储氢罐的容量，EH2(t)表示t时刻储氢罐的容量，η2表示储氢罐的存储效率，Pin-fuel(t)表示t时刻储氢罐的释放氢气功率；
所述燃料电池模型为：
Pout-fuel(t)＝η1Pin-fuel(t)；
式中，Pout-fuel(t)表示t时刻燃料电池的输出功率；
所述风力发电机组模型为：
Figure FDA0003879468570000021
Figure FDA0003879468570000022
Figure FDA0003879468570000023
式中，PWT(t)表示t时刻风力发电机组的输出功率，v(t)表示t时刻的风速，vin表示切入风速，Pr表示风力发电机组的额定功率，vrated表示风力发电机组的额定风速，vout表示切出风速。
5.根据权利要求3所述的一种基于改进猫群算法的氢储系统容量优化方法，其特征在于，所述经济性指标f1为：
f1＝Celectrolyzer+CH2+Cfuel；
Figure FDA0003879468570000024
式中，Celectrolyzer表示所述电解槽的日投资成本，CH2表示所述氢储罐的日投资成本，Cfuel表示所述燃料电池的日投资成本，c1表示所述电解槽的投资成本系数，c2表示所述氢储罐的投资成本系数，c3表示所述燃料电池的投资成本系数，Relectrolyzer表示所述电解槽的额定容量，r表示年利率，n1表示所述电解槽的使用年限，n2表示所述氢储罐的使用年限，n3表示所述燃料电池的使用年限，RH2表示所述氢储罐的额定容量，Rfuel表示所述燃料电池的额定容量；
所述弃风率指标f2为：
Figure FDA0003879468570000031
式中，Pexcess(t)表示t时刻的弃风量，PWT(t)表示t时刻所述风力发电机组的功率，T表示一天的小时数；
所述供电可靠性指标f3为：
Figure FDA0003879468570000032
式中，Lshortage(t)表示t时刻的缺负荷量，Load(t)表示t时刻的负荷。
6.根据权利要求3所述的一种基于改进猫群算法的氢储系统容量优化方法，其特征在于，所述基于所述氢储系统模型、所述风力发电机组模型、所述经济性指标、弃风率指标以及供电可靠性指标构建氢储系统容量优化配置模型包括：
根据所述经济性指标、弃风率指标以及供电可靠性指标确定目标函数；
基于所述氢储系统模型和所述风力发电机组模型确定功率平衡约束、氢储系统约束以及风机出力约束；
根据所述目标函数、所述功率平衡约束、氢储系统约束以及风机出力约束得到氢储系统容量优化配置模型。
7.根据权利要求6所述的一种基于改进猫群算法的氢储系统容量优化方法，其特征在于，所述目标函数f为：
Figure FDA0003879468570000033
式中，w1表示经济性权重系数，w2表示弃风率权重系数，w3表示缺电率权重系数，f1*表示所述经济性指标的最小值，f2*表示所述弃风率指标的最小值，f3*表示所述供电可靠性指标的最小值；
所述功率平衡约束为：
PWT(t)+Pout-fuel(t)+Lshortage(t)＝Pexcess(t)+Load(t)+Pin-ele(t)；
式中，PWT(t)表示t时刻所述风力发电机组的功率，Pout-fuel(t)表示t时刻燃料电池的输出功率，Lshortage(t)表示t时刻的缺负荷量，Pexcess(t)表示t时刻的弃风量，Load(t)表示t时刻的负荷，Pin-ele(t)表示t时刻电解槽的输入功率；
所述氢储系统约束为：
0≤Pin-ele(t)≤Relectrolyzer；
0≤EH2(t)≤RH2；
0≤Pout-fuel(t)≤Rfuel；
式中，Relectrolyzer表示所述电解槽的额定容量，RH2表示所述氢储罐的额定容量，EH2(t)表示t时刻所述储氢罐的容量，Rfuel表示所述燃料电池的额定容量；
所述风机出力约束为：
0≤PWT(t)≤PWT.max(t)；
式中，PWT.max(t)表示t时刻所述风力发电机组输出功率的上限。
8.根据权利要求1所述的一种基于改进猫群算法的氢储系统容量优化方法，其特征在于，所述使用改进猫群算法对所述氢储系统容量优化配置模型进行求解，得到容量优化配置方案包括：
初始化在约束范围内的猫群位置，并确定猫群的种群个数以及总迭代次数；
根据所述猫群位置计算猫群对应的适应度值；
设置分组率，并根据所述分组率将所述猫群随机分为追踪模式和搜索模式；
确定所述搜索模式对应的记忆池、自身位置判断、维度变化域以及维度变化数；
获取所述猫群的当前位置，并判断所述自身位置判断是否为真，若是，则将所述记忆池减一，复制所述记忆池减一对应份数猫群的当前位置，若否，则复制所述记忆池对应份数猫群的当前位置；
将复制后的猫群根据所述维度变化数和所述维度变化域进行更新，得到新位置；
从所述记忆池中复制所有样本的适应度值；
根据所述所有样本的适应度值寻找最优适应度值所对应的复制样本，并代替猫的当前位置，进行搜索模式下猫的位置更新；
在所述追踪模式下根据带有权重因子的更新公式更新猫的速度，得到更新后的速度，并判断所述更新后的速度是否超过猫群速度约束；
合并所述搜索模式和所述追踪模式更新后的猫群位置，计算猫群的适应度值，并确定最优值，记录所述最优值对应的猫的位置；
获取当前迭代次数，并判断所述当前迭代次数是否达到所述总迭代次数，若是，则输出容量优化配置方案，若否，则返回执行所述设置分组率步骤。
9.根据权利要求8所述的一种基于改进猫群算法的氢储系统容量优化方法，其特征在于，所述新位置x(n+1)为：
x(n+1)＝(1+m·SDR)x(n)；
式中，m表示第一随机数，SDR表示所述维度变化域，x(n)表示猫群的当前位置；
所述带有权重因子的更新公式为：
Veld(n+1)＝ω(n)×Veld(n)+r1×c1×(xbest.d(n)-xd(n))；
Figure FDA0003879468570000051
式中，Veld(n+1)表示所述更新后的速度，Veld(n)表示第d个猫在第n次迭代时的速度，r1表示第二随机数，c1表示固定常数，xbest.d(n)表示第n次迭代中最优适应度值对应的猫的位置，xd(n)表示第n次迭代第d个猫的位置，ω(n)表示第n次迭代的权重因子，ωmax表示权重因子的最大值，ωmin表示权重因子的最小值，kmax表示所述总迭代次数。
10.一种基于改进猫群算法的氢储系统容量优化终端，包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9中任一项所述的一种基于改进猫群算法的氢储系统容量优化方法中的各个步骤。
CN202211225389.0A 2022-10-09 2022-10-09 一种基于改进猫群算法的氢储系统容量优化方法及终端 Pending CN115618589A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211225389.0A CN115618589A (zh) 2022-10-09 2022-10-09 一种基于改进猫群算法的氢储系统容量优化方法及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211225389.0A CN115618589A (zh) 2022-10-09 2022-10-09 一种基于改进猫群算法的氢储系统容量优化方法及终端

Publications (1)

Publication Number Publication Date
CN115618589A true CN115618589A (zh) 2023-01-17

Family

ID=84860205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211225389.0A Pending CN115618589A (zh) 2022-10-09 2022-10-09 一种基于改进猫群算法的氢储系统容量优化方法及终端

Country Status (1)

Country Link
CN (1) CN115618589A (zh)

Similar Documents

Publication Publication Date Title
Lu et al. Probabilistic flexibility evaluation for power system planning considering its association with renewable power curtailment
Welch et al. Energy dispatch fuzzy controller for a grid-independent photovoltaic system
CN113285490B (zh) 电力系统调度方法、装置、计算机设备和存储介质
CN109034587B (zh) 一种协调多种可控单元的主动配电系统优化调度方法
CN107017625A (zh) 用于独立微电网的能量动态调度的方法和设备
Chatziagorakis et al. Enhancement of hybrid renewable energy systems control with neural networks applied to weather forecasting: the case of Olvio
CN112531737A (zh) 基于鲁棒萤火虫-粒子群混合优化的风-光-燃料电池微电网频率控制方法
CN114595961B (zh) 一种生物质能多能源利用系统调度方法及装置
CN113364051B (zh) 考虑海上风电接入的多电源系统容量配置调度方法及装置
CN107359611A (zh) 考虑多种随机因素的配电网等值方法
CN112052987B (zh) 一种计及风电的综合能源系统优化规划方法及系统
CN111682539B (zh) 基于简化综合场景的含分布式电源电网的分区方法及系统
CN116663823B (zh) 融合精准碳数据的配电能源网格碳排放最优规划方法及系统
CN116960939A (zh) 基于多目标粒子群算法的风光柴储系统优化调度方法、设备及存储介质
CN113937767B (zh) 一种基于改进鲸鱼算法的微电网容量优化配置方法
CN115618589A (zh) 一种基于改进猫群算法的氢储系统容量优化方法及终端
CN116029498A (zh) 一种基于改进多目标人工蜂鸟算法的微电网经济调度优化方法
CN114447975A (zh) 一种基于移动储能的多微电网灵活性提升方法
Gao et al. Optimizing Energy Storage System Operations and Configuration through a Whale Optimization Algorithm Enhanced with Chaotic Mapping and IoT Data: Enhancing Efficiency and Longevity of Energy Storage Stations
CN111404180A (zh) 综合能源系统的优化调度方法和系统
Wang et al. A comprehensive survey of the application of swarm intelligent optimization algorithm in photovoltaic energy storage systems
CN115238505B (zh) 基于风光场站的热电氢联供型系统优化配置方法及系统
Zhang et al. Optimal Scheduling Strategy for Power Systems Containing Offshore Wind Farms Considering Wind Power Uncertainty
CN113054685B (zh) 基于乌鸦算法和模式搜索算法的太阳能微电网调度方法
CN115660187B (zh) 一种低碳小镇地源热泵容量优化配置方法

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