CN115619132B - 一种氢能源车的碳导向能源互联网规划方法 - Google Patents
一种氢能源车的碳导向能源互联网规划方法 Download PDFInfo
- Publication number
- CN115619132B CN115619132B CN202211200182.8A CN202211200182A CN115619132B CN 115619132 B CN115619132 B CN 115619132B CN 202211200182 A CN202211200182 A CN 202211200182A CN 115619132 B CN115619132 B CN 115619132B
- Authority
- CN
- China
- Prior art keywords
- hydrogen
- hydrogen production
- carbon
- cost
- carbon emission
- 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.)
- Active
Links
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 198
- 239000001257 hydrogen Substances 0.000 title claims abstract description 198
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 191
- 238000000034 method Methods 0.000 title claims abstract description 51
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 150
- 229910052799 carbon Inorganic materials 0.000 claims abstract description 107
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims abstract description 99
- 238000004519 manufacturing process Methods 0.000 claims abstract description 92
- 238000006243 chemical reaction Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 24
- 238000005868 electrolysis reaction Methods 0.000 claims abstract description 13
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 238000009826 distribution Methods 0.000 claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000013178 mathematical model Methods 0.000 claims abstract description 4
- 239000003345 natural gas Substances 0.000 claims description 44
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 32
- 108090000623 proteins and genes Proteins 0.000 claims description 26
- 210000000349 chromosome Anatomy 0.000 claims description 25
- 230000035772 mutation Effects 0.000 claims description 17
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 16
- 239000001569 carbon dioxide Substances 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 15
- 238000000629 steam reforming Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 230000009545 invasion Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000006798 recombination Effects 0.000 claims description 4
- 238000005215 recombination Methods 0.000 claims description 4
- 239000013535 sea water Substances 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000004321 preservation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 description 7
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 238000012546 transfer Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000005984 hydrogenation reaction Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 208000001613 Gambling Diseases 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000002485 combustion reaction Methods 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
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000030414 genetic transfer Effects 0.000 description 1
- 230000007614 genetic variation Effects 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 238000009401 outcrossing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06Q10/06—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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及综合能源系统调度技术领域，特别涉及一种氢能源车的碳导向能源互联网规划方法。其包括以下步骤：S1.在电网和制氢站中规划低碳设备；S2.对甲烷转化制氢和电解水制氢进行动态控制；S3.通过碳排放流模型将碳排放责任从能源侧到制氢站的转移；S4.引入氢气生产中碳排量参数，进行目标成本数学模型的构建；S5.构建氢能源车需求的交通流分配模型；S6.将制氢站和加氢站的选址进行组合，计算成本选择最优的组合方案模型；S7.通过遗传算法对优化的组合方案模型进行优化求解，确定并输出成本最优的结果。旨在规划混合制氢的动态比例及其低碳设备以及氢能源车的均衡交通流，并且进行制氢站和加氢站的选址，以降低氢气供给流程的总成本并实现低碳目标。
Description
技术领域
本发明涉及综合能源系统调度技术领域，特别涉及一种氢能源车的碳导向能源互联网规划方法。
背景技术
近年来，人类社会面临越来越大的环境和气候压力，在此背景下，氢能源汽车以其零污染、长续航、加氢快等特点引起科研人员广泛关注，相关研究技术发展迅速。氢能源汽车的大量普及会带来更多的氢气需求，而氢气的生产要依靠天然气转化或海水电解，由于目前电力来源主要以化石能源燃烧为主，因此氢气的生产会产生大量的温室气体。由于目前能源紧张、环境污染等问题日益严重，因此，合理规划氢能源供给设施的数量和位置显得十分重要。一方面合理的加氢站位置有助于提高用户出行的便利性，另一方面制氢方式的灵活运用可减少温室气体的排放。
目前，碳排放责任的落实正在经历从能源供给侧到能源需求侧的转变，从能源使用者的角度进行碳排放约束更有利于实现碳排放的降低。碳排放流模型揭示了碳排放流随着能量传递和转换过程在综合能源系统中流动的过程。综合能源系统的运行由能量转换及能量传递两个主要部分组成。在能量转换过程中 (如燃煤发电环节)，系统将产生碳排放，并实现碳排放在不同系统之间的转移。而在能量传递过程中，碳排放流将嵌入在网络能量流(如电力潮流，天然气流，氢气流)中，通过传输网络由生产侧流向负荷侧。
有鉴于此，提供一种在需求侧分配碳排放责任的考虑氢能源车的碳导向能源互联网规划方法是很有必要的。
发明内容
本发明提供一种氢能源车的碳导向能源互联网规划方法，旨在规划混合制氢的动态比例及其相关的低碳设备以及氢能源车的均衡交通流，并且进行制氢站和加氢站的选址，以降低氢气供给流程的总成本并实现低碳目标，同时减少氢能源车出行总时间，从而提升用户出行体验。
本发明提供一种氢能源车的碳导向能源互联网规划方法，包括以下步骤：
制氢站选址的成本模型构建过程：
S1.在电网和制氢站中规划低碳设备，并计算对应的设备成本；
S2.对甲烷转化制氢和电解水制氢进行动态控制，并计算对应的设备成本和能源成本；
S3.通过碳排放流模型将碳排放责任从能源侧到制氢站的转移，并计算对应的碳排放成本；
S4.引入氢气生产中碳排量参数，进行目标成本数学模型的构建；
加氢站选址的成本模型构建过程：
S5.构建氢能源车需求的交通流分配模型，并计算对应的交通成本；
求解最优选址方案的最优结果：
S6.将制氢站和加氢站的选址进行组合，计算各个组合方案中成本选择最优的组合方案模型；
S7.通过遗传算法对优化的组合方案模型进行优化求解，确定并输出成本最优的结果。
作为本发明的进一步改进，所述步骤S1具体包括：
S11.在电网中接入风电机组；在制氢站内部建设甲烷蒸汽转化设备和与之配套使用的二氧化碳捕捉存储设备，同时规划厂建光伏板组；在电力网、天然气网以及氢能源网络规划电力线、天然气管道和氢气管道；
S12.根据步骤S11规划设备类型和数量，计算全系统目标函数中的设备成本如下：
式中，CEL、CGL、CHL分别是候选的电力线、天然气管道和氢气管道；CCWD、 CCPV、CCS、CCSC分别为候选风电、光伏、甲烷蒸汽转化设备以及二氧化碳捕捉存储设备；各个X均为对应设备建设情况的0/1变量。
作为本发明的进一步改进，所述步骤S2具体包括：
对海水电解和甲烷蒸汽转化的实时产氢量规划，其规划结果确定了制氢站能源使用以及设备运行成本如下：
式中，表示购电和天然气的成本；
表示电解和甲烷蒸汽转化过程中设备的运行维护成本。
作为本发明的进一步改进，所述步骤S3具体包括：
利用碳排放流模型计算制氢站使用电力和天然气生产氢气过程中产生的碳排放量，碳排放流模型中制氢站节点碳排放强度的计算如下：
其中，ρb,t表示节点b在t时刻的碳排放强度，表示当前节点火电入网功率，表示火电机组碳排放强度，/>表示当前节点流入功率碳排放率，表示当前节点所有接入功率的和，Rb,t表示碳排放率，ρb,t表示此节点的碳排放强度，Pb,t表示此节点的消耗功率，Fb表示特定节点的碳排放量；
在给定系统碳排放约束后，超额碳排放的计算如下：
其中，为系统分配的碳排放配额，/>为当前制氢站实际碳排放总量；
其中，Cpenal表示碳排放超标惩罚成本，表示所有制氢站超标额度之和，μ为收敛系数，其中μ的取值可根据系统收敛情况而定。
作为本发明的进一步改进，所述步骤S4具体为：
能源互联网规划的目标函数的构建，其包括四个部分：设备成本Cequip、操作成本Copera、交通成本Ctraff和碳排放超标惩罚成本Cpenal，其公式如下：
minf＝Cequip+Copera+Ctraff+Cpenal。
作为本发明的进一步改进，所述步骤S5具体包括：
S51.输入氢能源车的起始终止点集；
S52.遍历选出所有可行路径；
S53.根据加氢站和氢能源车续航里程情况约束可行路径集；其约束如下：
其中，rO、rD分别为车辆的初始油量和终点要求剩余油量；dc和R分别为路段距离和氢能源车总里程；对不同段的dc/R进行求和，即得到车辆到达加氢站前、车辆离开加氢站后以及车辆全程的氢气油耗；
S54.将可行路径车流转换到道路车流；
S55.根据均衡模型原理，利用fmincon函数求解最有车流情况；其中，均衡模型的目标函数为道路上所有车流的时间的积分之和，其计算如下：
其中，ta为路段a的交通阻抗，也称为行驶时间；xa路段a上的交通流量；对于ta，采用BPR函数，其公式如下所示：
ta＝t0·{1+0.15·(xa/ca)4}
其中，Ca为路段a的道路容量；ta表示路段自由行驶时间。
作为本发明的进一步改进，所述步骤S6具体包括：
S61.从候选的多个制氢站位置中选出最终要规划数量的制氢站；
S62.从候选的多个加氢站位置中选出最终要规划数量的加氢站；
S63.将步骤S61和S62的侯选位置组合成方案X，带入步骤S1至S5，即带入能源互联网进行设备建设、能源使用和交通流生成的规划步骤。
作为本发明的进一步改进，所述步骤S7具体包括：
S71.设定初始参数：对选址的制氢站24小时电解水制氢量；天然气转化制氢量；制氢站内部规划光伏板数量；甲烷蒸汽转化装置数量；二氧化碳捕捉储存装置数量；电网、天然气网、氢能源网线路管道规划位置决策变量；以及风电场位置变量进行组合组成需要优化的集体数集；
S72.种群初始化：采用的是直接的二进制编码，每个个体由一条56位二进制的基因构成的染色体组成；采用随机Halton序列生成初始种群：100(种群个体数)*{24(控制时域)+3(光伏)+3(甲烷蒸汽转化装置)+3(二氧化碳捕捉储存装置)+7(电网候选传输线)+5(天然气网候选新管线)+6(候选氢气管道)+1(候选风电接入决策变量)}；
S73.计算个体适度值：在搜寻全局规划最优解时，设置目标函数Fp的倒数为适应度函数Zp，即
S74.精英保留：根据个体适度值大小进行排列，最优秀的个体直接保留到下一代种群作为子代，跳过选择算子；
S75.选择父代：采取轮盘对赌算法对种群进行优胜劣汰，通过对得到的目标函数适度值进行累加，并归一化处理；以随机概率方式选取个体，种群中个体被选为父代的概率与其适度值成正比；
S76.交叉更新个体：采取Order-Based Crossover交叉方法，每条染色体随机与另一条染色体进行交叉重组；
S77.变异更新个体：变异算子采用随机单点变异改变对应位置的基因值，设置染色体的变异概率pm，产生一个随机概率；当pm＜r时，该染色体的第m 个基因不发生变异；当pm＞r时，第m个基因进行变异遗传，改变原有的基因编码；
S78.加入新个体：经过交叉变异后，模拟自然界外来个体的入侵，加入随机初始化的个体作为子代进行迭代；
S79.判断是否满足判定标准，如果满足标准，则终止和导出此时的种群中的最优的能源互联网规划决策变量组；否则返回步骤S72；
S710.最优解解码：迭代结束后，根据设备数量的上下限，电力、天然气以及氢能源的转换效率，将最优解的二进制基因编码转换为对应的十进制数值。
本发明的有益效果是：本方法考虑了碳排放约束对能源互联网规划结果的影响，通过碳流模型将碳排放对环境的影响以数值化的方式在制氢站上呈现，针对碳排量的分析具有可追踪，可量化的特点，使得选址和规划结果能实现低碳排和经济性的双赢。同时，在交通出行方面，提出了新的考虑氢能源车需求的均衡交通流分配模型，该模型考虑了氢能源车的续航和加氢站的位置，能更加精准量化出行路线选择结果并分析结果对加氢站选址位置的影响。将上述碳排放责任和用户出行时间均纳入规划目标，使得规划更加具有通用性和指导意义。
附图说明
图1是本发明一种氢能源车的碳导向能源互联网规划方法的工作流程示意图；
图2是本发明一种氢能源车碳导向能源互联网规划整体示意图；
图3是本发明中氢能源车交通流规划方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
如图1和2所示，本发明的一种氢能源车的碳导向能源互联网规划方法，包括以下步骤：
制氢站选址的成本模型构建过程：
S1.在电网和制氢站中规划低碳设备来减少制氢过程中的碳排放，并计算对应的设备成本；
S2.对甲烷转化制氢和电解水制氢进行动态控制以提高能源调度灵活性，并计算对应的设备成本和能源成本；
S3.通过碳排放流模型将碳排放责任从能源侧到制氢站的转移，并计算对应的碳排放成本；
S4.引入氢气生产中碳排量参数，进行目标成本数学模型的构建；
加氢站选址的成本模型构建过程：
S5.构建新的考虑氢能源车需求的交通流分配模型，并计算对应的交通成本；
求解最优选址方案的最优结果：
S6.将制氢站和加氢站的选址进行组合，计算各个组合方案中成本选择最优的组合方案模型；
S7.通过遗传算法对优化的组合方案模型进行优化求解，确定并输出成本最优的结果。
步骤S1、S2、S3、S4中：系统的碳排放责任由碳排放流模型转换到制氢站制氢过程中，其中的设备规划、能源使用比例规划、以及制氢站选址都是围绕着满足碳排放上限约束的前提而进行的最小成本规划。
步骤S5具体为：根据氢能源汽车的加氢需求和续航里程限制，以及网络中加氢站的位置，均衡模型进行了修正，使得其生成的交通流量符合氢能源车出行的实际情况；并且根据道路拥堵情况，对交通系统中新建设道路的选址做出了最优的规划。
步骤S6具体为：将加氢站与制氢站的位置组合，考虑到二者根据氢气网络连接，使得电网、天然气网、氢能源王和交通网实现了耦合，根据这一耦合特性，完成其位置组合变化过程中对系统成本以及碳排放的进一步优化。
从上述描述可知，本发明的有益效果在于：一方面，通过更新交通流分配模型，改进氢能源车用户出行体验；另一方面，通过准确跟踪制氢全程的碳排放，并对其进行量化约束，使得制氢站设备规划和选址结果最大程度上实现绿色供氢。另外，综合考虑了电解水制氢和甲烷气体转化制氢方法，并对混合制氢的实时份额进行规划。从而增加了模型在多个网络中的稳健性，使得规划更加具有通用性和指导意义。
其中，步骤S1具体包括：
S11.在电网中接入风电机组以降低整个网络的电力清洁度；在制氢站内部建设甲烷蒸汽转化设备和与之配套使用的二氧化碳捕捉存储设备，同时规划厂建光伏板组；在电力网、天然气网以及氢能源网络规划必要的电力线、天然气管道和氢气管道以保证综合能源系统的稳定运行；
S12.根据步骤S11规划设备类型和数量，计算全系统目标函数中的设备成本如下：
式中，CEL、CGL、CHL分别是候选的电力线、天然气管道和氢气管道；CCWD、 CCPV、CCS、CCSC分别为候选风电、光伏、甲烷蒸汽转化设备以及碳捕捉收集装置；各个X均为对应设备的建设情况的0/1变量。
步骤S2为对海水电解和甲烷蒸汽转化的实时产氢量规划，其规划结果确定了制氢站能源使用以及设备运行成本如下：
式中，表示购电和天然气的成本；
表示电解和甲烷蒸汽转化过程中设备的运行维护成本。
步骤S3为利用碳排放流模型计算制氢站使用电力和天然气生产氢气过程中产生的碳排放量，碳排放流模型中制氢站节点碳排放强度的计算如下：
其中，ρb,t表示节点b在t时刻的碳排放强度，表示当前节点火电入网功率，表示火电机组碳排放强度，/>表示当前节点流入功率碳排放率，表示当前节点所有接入功率的和，Rb,t表示碳排放率，ρb,t表示此节点的碳排放强度，Pb,t表示此节点的消耗功率，Fb表示特定节点的碳排放量；
根据碳排放强度计算出碳排放率Rb,t，再对碳排放率在时间段内积分，就可以计算出特定节点的碳排放量Fb。
由于碳排量的大小和配电网中每个节点消耗的有功功率流有关；同时，由于能源的来源不同，每种能源所产生的碳排放强度不一样。因此，根据叠加原理可计算出每个节点产生的碳排量大小。
在给定系统碳排放约束后，超额碳排放的计算如下：
其中，为系统分配的碳排放配额，/>为当前制氢站实际碳排放总量；
其中，Cpenal表示碳排放超标惩罚成本，表示所有制氢站超标额度之和，μ为收敛系数，其中μ的取值可根据系统收敛情况而定。
步骤S4为能源互联网规划的目标函数的构建，其包括四个部分：步骤S1 中的设备成本Cequip、步骤S2中的操作成本Copera、步骤S3中的碳排放超标惩罚成本Cpenal和步骤S5中的交通成本Ctraff。其公式如下：
minf＝Cequip+Copera+Ctraff+Cpenal。
如图3所示，步骤S5具体包括：
S51.输入氢能源车的起始终止点集；
S52.遍历选出所有可行路径；
S53.根据加氢站和氢能源车续航里程情况约束可行路径集；其约束如下：
其中，rO、rD分别为车辆的初始油量和终点要求剩余油量，dc和R分别为路段距离和氢能源车总里程；对不同段的dc/R进行求和，即可得到车辆到达加氢站前、车辆离开加氢站后以及车辆全程的氢气油耗。
S54.将可行路径车流转换到道路车流；
S55.根据均衡模型原理，利用fmincon函数求解最有车流情况。其中，均衡模型的目标函数为道路上所有车流的时间的积分之和，其计算如下：
其中，ta为路段a的交通阻抗，也称为行驶时间；xa路段a上的交通流量；对于ta，采用BPR函数，也就是美国联邦公路局函数，其公式如下所示：
ta＝t0·{1+0.15·(xa/ca)4}
其中，Ca为路段a的道路容量；ta表示路段自由行驶时间。
步骤S6具体包括：
S61.从候选的多个制氢站位置中选出最终要规划的数量的制氢站；
S62.从候选的多个加氢站位置中选出最终要规划的数量的加氢站；
S63.将S61和S62的侯选位置组合成方案X，带入步骤S1至S5，即带入能源互联网进行设备建设、能源使用和交通流生成的规划步骤。
步骤S7具体包括：
通过遗传算法对优化模型进行优化求解，确定输出最优的结果，具体包括步骤：
本实例提出的求解模型算法是由遗传算法改进而成的精英遗传算法，通过保留优秀个体和增加外来新个体入侵的方法提高搜索效率，属于全局自适应概率搜索算法。采用拟随机Halton序列生成由个体(初始解)集合组成的初始种群，个体是由二进制基因编码组成的染色体。初始种群通过不断选择、交叉和变异，利用仿生遗传方式构建新种群，根据个体的适应能力选择父代，并保留适应度最高的个体，通过不断迭代使得种群中最优个体不断接近最优解。
精英遗传算法主要有以下步骤：
S71.设定初始参数：
对集体数集进行编码，设定初始参数，设定的参数主要有种群个体数、交叉和变异概率、终止条件、保留精英个体数、新个体入侵数量等。
对三个选址的制氢站的24小时电解水制氢量；天然气转化制氢量；制氢站内部规划光伏板数量；甲烷蒸汽转化装置数量；二氧化碳捕捉储存装置数量；电网、天然气网、氢能源网线路管道规划位置决策变量；以及风电场位置变量进行组合组成需要优化的集体数集。
S72.种群初始化：
本发明采用的是直接的二进制编码，每个个体由一条56位二进制的基因构成的染色体组成。采用随机Halton序列生成初始种群，使产生的种群中的个体具有低差异度，随机性降低，均匀性提高。生成初始种群：100(种群个体数) *{24(控制时域)+3(光伏)+3(甲烷蒸汽转化装置)+3(二氧化碳捕捉储存装置)+7(电网候选传输线)+5(天然气网候选新管线)+6(候选氢气管道) +1(候选风电接入决策变量)}。
S73.计算个体适度值：
在搜寻全局规划最优解时，设置目标函数Fp的倒数为适应度函数Zp，即
S74.精英保留：
根据个体适度值大小进行排列，最优秀的个体直接保留到下一代种群作为子代，跳过选择算子。这一步骤加快遗传算法的搜索效率。
S75.选择父代：
通过选择算子选取优秀的个体进入交叉变异环节。本发明采取轮盘对赌算法对种群进行优胜劣汰，通过对得到的目标函数适度值进行累加，并归一化处理。以随机概率方式选取个体，种群中个体被选为父代的概率与其适度值成正比，意味着适度值越高的个体，作为父代的概率越大。轮盘对赌法步骤为：
(1)计算种群中染色体和/>的适度值：
(2)计算种群中染色体的适度值之和：
(3)计算种群中染色体的选择概率：
kp＝eval(Zp)/S p＝1,2,..P.
(4)计算种群中染色体的选择概率：
(5)在[0,1]区间内随机生成概率数r，若r＜q1，则选取首条染色体和/>如果r＞q1，则选取第q条染色体，使得qp-1＜r＜qk成立。
S76.交叉更新个体：
本发明采取Order-Based Crossover(OBX)的交叉方法，每条染色体随机与另一条染色体进行交叉重组。父代染色体通过交叉算子进行基因重组产生子代，提高了种群个体的多样性和随机性，从而提高搜寻最优解的效率。通过选择算子选择一对染色体作为父代，随机选取父代染色体X中的基因，将选取的基因遗传到子代染色体基因位置不变，父代X剩下的基因则对应位置遗传至子代/>由父代染色体Y将基因对应遗传至子代染色体/>和/>基因空缺的位置。
S77.变异更新个体：
变异算子采用随机单点变异改变对应位置的基因值，首先，设置染色体的变异概率pm。产生一个随机概率r。当pm＜r时，该染色体的第m个基因不发生变异；当pm＞r时，第m个基因进行变异遗传，改变原有的基因编码。变异的具体过程可以描述为：二进制编码0变异为1，编码1变异为0。通过基因变异的方式提高算法全局搜索能力，能够防止陷入局部最优解的问题和缩短求解时间。
S78.加入新个体：
经过交叉变异后，模拟自然界外来个体的入侵，加入随机初始化的个体作为子代进行迭代，能够有效的解决局部最优的问题。
S79.判断是否满足判定标准，如果满足标准，则终止和导出此时的种群中的最优的能源互联网规划决策变量组；否则返回步骤S72。
S710.最优解解码：
迭代结束后，根据设备数量的上下限，电力、天然气以及氢能源的转换效率，将最优解的二进制基因编码转换为对应的十进制数值。
对于实施方式中的约束，将约束归类到电网、天然气网、氢能源网以及交通网中，其具体约束分别如下：
电网中，风电出力与火电出力之和等于制氢站买入电量；
电网各个节点保持平衡运行；
火电机组、风电机组以及光伏板的发电功率上限满足约束；
为保证电力线稳定运行，电力传输线的功率满足一定约束。
其计算公式分别如下：
其中，和/>分别代表电网系统火电机组输出功率、风电机组输出功率和电网总提供功率；Tn为电网节点关联矩阵；/>为节点输出功率；/>为电力传输线关联矩阵；/>为电力传输线的功率流量；/>为节点n处的电力负荷；/>和Pi PG 为火电机组输出功率上下限；/>和/>为风电机组和光伏模块输出功率的上限；/>和fl P 为传输线上流动功率的上下限。
天然气网中，制氢站的天然气购买量等于进入无二氧化碳收集装置的蒸汽转化设备的量与有二氧化碳收集装置的蒸汽转化设备的量的和；
其中，和/>分别代表不带二氧化碳回收装置的甲烷蒸汽转化装置消耗天然气量、带二氧化碳回收装置的甲烷蒸汽转化装置消耗天然气量和总消耗天然气量。
天然气管道网的各个节点也必须保持平衡运行；
其中，Gn为天然气网节点关联矩阵；为节点输出功率；/>为天然气管道传输关联矩阵；/>为天然气的功率流量；/>为节点n处的天然气负荷。
甲烷蒸汽转化设备与碳收集装置的工作强度上限受到约束；
其中，和/>为甲烷蒸汽转化装置的工作功率上限和二氧化碳捕捉收集装置的工作功率上限。
天然气源的输出量受到约束；
其中，和Pi GG 为天然气源的输出功率的上下限。
天然气管道的气体压力受到约束；
其中，和fl G 为天然气管道线性化需要满足的线路传输功率的上下限。
氢能源网中，氢气管道受到的气体压力受到约束；
制氢站制氢能力受约束；
在制氢站内部，其电解制氢量与蒸汽转化制氢量之和等于总输出氢气产量；
其中，和fl H 为氢气管道线性化需要满足的线路传输功率的上下限；/>和Pi HG 为制氢站制氢功率上下限；/>为电解水制氢量；/>为甲烷蒸汽转化制氢量；/>为氢气输出量。
交通网中，其约束为符合出行规律的约束，平衡分配过程中应该满足交通流守恒的条件，即OD间各条径路上的交通量之和应等于OD交通总量；
其中，为出发地为r目的地为s的OD间的第k条径路上的流量；Qrs为出发地r和目的s之间的OD交通量。
径路流量应该满足非负约束；
其中，为出发地为r目的地为s的OD间的第k条径路上的流量；
径路交通量和路段交通量之间应该满足如下的条件：
其中，为出发地为r目的地为s的OD间的第k条径路上的流量；/>为出发地为r目的地为s的OD间的第k条径路上的流量；/>为路段-径路相关变量，即0-1变量，如果路段a属于从出发地为r目的地为s的OD间的第k条径路，则/>为1，否则/>为0；xa为路段a上的交通流量。
即路段上的流量应该是由各个的途经该路段的径路的流量累加而成。
此外，径路的总阻抗和路段的阻抗之间应该满足如下的条件，即径路的阻抗应该是该径路途经的各个路段的阻抗的累加，公式表示为：
其中，为出发地为r目的地为s的OD间的第k条径路的阻抗；/>为路段-径路相关变量，即0-1变量，如果路段a属于从出发地为r目的地为s的OD间的第k条径路，则/>为1，否则/>为0；xa为路段a上的交通流量；ta为路段a的交通阻抗，也称为行驶时间。
综上所述，本发明提出一种考虑氢能源车的碳导向能源互联网规划方法。考虑了碳排放约束对能源互联网规划结果的影响，通过碳流模型将碳排放对环境的影响以数值化的方式在制氢站上呈现，针对碳排量的分析具有可追踪，可量化的特点，使得选址和规划结果能实现低碳排和经济性的双赢。同时，在交通出行方面，提出了新的考虑氢能源车需求的均衡交通流分配模型，该模型考虑了氢能源车的续航和加氢站的位置，能更加精准量化出行路线选择结果并分析结果对加氢站选址位置的影响。将上述碳排放责任和用户出行时间均纳入规划目标，使得规划更加具有通用性和指导意义。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (1)
1.一种氢能源车的碳导向能源互联网规划方法，其特征在于，包括以下步骤：
制氢站选址的成本模型构建过程：
S1.在电网和制氢站中规划低碳设备，并计算对应的设备成本；
S2.对甲烷转化制氢和电解水制氢进行动态控制，并计算对应的设备成本和能源成本；
S3.通过碳排放流模型将碳排放责任从能源侧到制氢站的转移，并计算对应的碳排放成本；
S4.引入氢气生产中碳排量参数，进行目标成本数学模型的构建；
加氢站选址的成本模型构建过程：
S5.构建氢能源车需求的交通流分配模型，并计算对应的交通成本；
求解最优选址方案的最优结果：
S6.将制氢站和加氢站的选址进行组合，计算各个组合方案中成本选择最优的组合方案模型；
S7.通过遗传算法对优化的组合方案模型进行优化求解，确定并输出成本最优的结果；
所述步骤S1具体包括：
S11.在电网中接入风电机组；在制氢站内部建设甲烷蒸汽转化设备和与之配套使用的二氧化碳捕捉存储设备，同时规划厂建光伏板组；在电力网、天然气网以及氢能源网络规划电力线、天然气管道和氢气管道；
S12.根据步骤S11规划设备类型和数量，计算全系统目标函数中的设备成本如下：
式中，CEL、CGL、CHL分别是候选的电力线、天然气管道和氢气管道；CCWD、CCPV、CCS、CCSC分别为候选风电、光伏、甲烷蒸汽转化设备以及二氧化碳捕捉存储设备；各个X均为对应设备建设情况的0/1变量；
所述步骤S2具体包括：
对海水电解和甲烷蒸汽转化的实时产氢量规划，其规划结果确定了制氢站能源使用以及设备运行成本如下：
式中，表示购电和天然气的成本；表示电解和甲烷蒸汽转化过程中设备的运行维护成本；
所述步骤S3具体包括：
利用碳排放流模型计算制氢站使用电力和天然气生产氢气过程中产生的碳排放量，碳排放流模型中制氢站节点碳排放强度的计算如下：
其中，ρb,t表示节点b在t时刻的碳排放强度，表示当前节点火电入网功率，/>表示火电机组碳排放强度，/>表示当前节点流入功率碳排放率，表示当前节点所有接入功率的和，Rb,t表示碳排放率，ρb,t表示此节点的碳排放强度，Pb,t表示此节点的消耗功率，Fb表示特定节点的碳排放量；
在给定系统碳排放约束后，超额碳排放的计算如下：
其中，为系统分配的碳排放配额，/>为当前制氢站实际碳排放总量；
其中，Cpenal表示碳排放超标惩罚成本，表示所有制氢站超标额度之和，μ为收敛系数；
所述步骤S4具体为：
能源互联网规划的目标函数的构建，其包括四个部分：设备成本Cequip、操作成本Copera、交通成本Ctraff和碳排放超标惩罚成本Cpenal，其公式如下：
min f＝Cequip+Copera+Ctraff+Cpenal；
所述步骤S5具体包括：
S51.输入氢能源车的起始终止点集；
S52.遍历选出所有可行路径；
S53.根据加氢站和氢能源车续航里程情况约束可行路径集；其约束如下：
其中，rO、rD分别为车辆的初始油量和终点要求剩余油量，dc和R分别为路段距离和氢能源车总里程；对不同段的dc/R进行求和，即得到车辆到达加氢站前、车辆离开加氢站后以及车辆全程的氢气油耗；
S54.将可行路径车流转换到道路车流；
S55.根据均衡模型原理，利用fmincon函数求解最优车流情况；其中，均衡模型的目标函数为道路上所有车流的时间的积分之和，其计算如下：
其中，ta为路段a的交通阻抗，也称为行驶时间；xa路段a上的交通流量；对于ta，采用BPR函数，其公式如下所示：
ta＝t0·{1+0.15·(xa/ca)4}
其中，Ca为路段a的道路容量；ta表示路段自由行驶时间；
所述步骤S6具体包括：
S61.从候选的多个制氢站位置中选出最终要规划数量的制氢站；
S62.从候选的多个加氢站位置中选出最终要规划数量的加氢站；
S63.将步骤S61和S62的侯选位置组合成方案X，带入能源互联网进行设备建设、能源使用和交通流生成的规划步骤；
所述步骤S7具体包括：
S71.设定初始参数：对选址的制氢站24小时电解水制氢量；天然气转化制氢量；制氢站内部规划光伏板数量；甲烷蒸汽转化装置数量；二氧化碳捕捉储存装置数量；电网、天然气网、氢能源网线路管道规划位置决策变量；以及风电场位置变量进行组合组成需要优化的集体数集；
S72.种群初始化：采用的是直接的二进制编码，每个个体由一条56位二进制的基因构成的染色体组成；采用随机Halton序列生成初始种群：(种群个体数)*{(控制时域)+(光伏)+(甲烷蒸汽转化装置)+(二氧化碳捕捉储存装置)+(电网候选传输线)+(天然气网候选新管线)+(候选氢气管道)+(候选风电接入决策变量)}；
S73.计算个体适度值：在搜寻全局规划最优解时，设置目标函数Fp的倒数为适应度函数Zp，即
S74.精英保留：根据个体适度值大小进行排列，最优秀的个体直接保留到下一代种群作为子代，跳过选择算子；
S75.选择父代：采取轮盘对赌算法对种群进行优胜劣汰，通过对得到的目标函数适度值进行累加，并归一化处理；以随机概率方式选取个体，种群中个体被选为父代的概率与其适度值成正比；
S76.交叉更新个体：采取Order-Based Crossover交叉方法，每条染色体随机与另一条染色体进行交叉重组；
S77.变异更新个体：变异算子采用随机单点变异改变对应位置的基因值，设置染色体的变异概率pm，产生一个随机概率；当pm＜r时，该染色体的第m个基因不发生变异；当pm＞r时，第m个基因进行变异遗传，改变原有的基因编码；
S78.加入新个体：经过交叉变异后，模拟自然界外来个体的入侵，加入随机初始化的个体作为子代进行迭代；
S79.判断是否满足判定标准，如果满足标准，则终止和导出此时的种群中的最优的能源互联网规划决策变量组；否则返回步骤S72；
S710.最优解解码：迭代结束后，根据设备数量的上下限，电力、天然气以及氢能源的转换效率，将最优解的二进制基因编码转换为对应的十进制数值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211200182.8A CN115619132B (zh) | 2022-09-29 | 2022-09-29 | 一种氢能源车的碳导向能源互联网规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211200182.8A CN115619132B (zh) | 2022-09-29 | 2022-09-29 | 一种氢能源车的碳导向能源互联网规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115619132A CN115619132A (zh) | 2023-01-17 |
| CN115619132B true CN115619132B (zh) | 2023-12-26 |
Family
ID=84860867
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211200182.8A Active CN115619132B (zh) | 2022-09-29 | 2022-09-29 | 一种氢能源车的碳导向能源互联网规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115619132B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485062B (zh) * | 2023-06-19 | 2023-08-29 | 江苏集萃清联智控科技有限公司 | 一种露天矿卡车调度方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113364049A (zh) * | 2021-06-09 | 2021-09-07 | 福州大学 | 一种考虑交通流量捕获的风-氢-电网耦合规划方法 |
| CN113672857A (zh) * | 2021-08-11 | 2021-11-19 | 北理新源(佛山)信息科技有限公司 | 一种基于氢能源汽车、制氢厂数据进行加氢站选址的方法 |
| CN114357681A (zh) * | 2022-01-07 | 2022-04-15 | 湖北工业大学 | 一种考虑综合因素指标的制氢加氢站布点优化方法 |
| CN114565480A (zh) * | 2022-01-13 | 2022-05-31 | 西安理工大学 | 考虑碳排放量的区域分布式多能源系统多目标规划方法 |
-
2022
- 2022-09-29 CN CN202211200182.8A patent/CN115619132B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113364049A (zh) * | 2021-06-09 | 2021-09-07 | 福州大学 | 一种考虑交通流量捕获的风-氢-电网耦合规划方法 |
| CN113672857A (zh) * | 2021-08-11 | 2021-11-19 | 北理新源(佛山)信息科技有限公司 | 一种基于氢能源汽车、制氢厂数据进行加氢站选址的方法 |
| CN114357681A (zh) * | 2022-01-07 | 2022-04-15 | 湖北工业大学 | 一种考虑综合因素指标的制氢加氢站布点优化方法 |
| CN114565480A (zh) * | 2022-01-13 | 2022-05-31 | 西安理工大学 | 考虑碳排放量的区域分布式多能源系统多目标规划方法 |
Non-Patent Citations (3)
| Title |
|---|
| Carbon_Emission_Flow_Oriented_Tri-Level_Planning_of_Integrated_ElectricityHydrogenGas_System_with_Hydrogen_Vehicles;Xiang Wei 等;IEEE Transactions on INDUSTRY APPLICATIONS;第58卷(第2期);第I-V节 * |
| Collaborative_Planning_for_Electricity_Distribution_Network_and_Transportation_System_Considering_Hydrogen_Fuel_Cell_Vehicles;Yuechuan Tao 等;IEEE Transactions on Transportation Electrification;第6卷(第3期);第I-VII节 * |
| 考虑交通流量捕获的风-氢-电耦合网络规划;江岳文 等;电力系统自动化;第45卷(第22期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115619132A (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106385025B (zh) | 一种分布式电源与联络线多阶段协同规划方法 | |
| CN109063992A (zh) | 考虑区域综合能源系统优化运行的配电网扩展规划方法 | |
| CN106487005A (zh) | 一种考虑输配电价的电网规划方法 | |
| CN106503839A (zh) | 一种海上风电场环形集电网络分层规划方法 | |
| CN106941256B (zh) | 计及mpsc和mccc的配电网主变联络结构优化规划方法 | |
| CN106651628B (zh) | 基于图论的区域冷热电综合能源优化配置方法及装置 | |
| CN115619132B (zh) | 一种氢能源车的碳导向能源互联网规划方法 | |
| CN111030188A (zh) | 一种含分布式和储能的分层分级控制策略 | |
| CN105790282B (zh) | 一种含upfc电网的无功优化分析系统和方法 | |
| CN108306346A (zh) | 一种配电网无功补偿节能方法 | |
| CN110635518A (zh) | 一种基于光伏高渗透率的源网荷储优化方法 | |
| CN107681655A (zh) | 一种潮汐流能发电场协调规划方法 | |
| CN106803130A (zh) | 分布式电源接入配电网的规划方法 | |
| CN114066315A (zh) | 一种适应多元源荷接入的配电网规划系统 | |
| CN115147245B (zh) | 一种工业负荷参与调峰辅助服务的虚拟电厂优化调度方法 | |
| CN105552896B (zh) | 一种基于分布式光伏发电的配电网高峰负荷控制方法 | |
| CN103279661B (zh) | 基于混合量子进化算法的变电站容量优化配置方法 | |
| CN115618723B (zh) | 一种考虑燃煤机组及加油站退出的制氢网络运行方法 | |
| CN104978606A (zh) | 基于遗传算法的配电系统网络结构优化方法 | |
| Jeyakumar et al. | Application of multi objective evolutionary programming to combined economic emission dispatch problem | |
| CN117455034A (zh) | 一种用于海上风电输电方案优选的编码优化方法及终端 | |
| CN116776538A (zh) | 考虑不确定性的电力-天然气-氢气耦合网络低碳规划方法 | |
| CN116826862A (zh) | 一种电氢港口多能流与集装箱物流协同调度方法 | |
| CN110504675A (zh) | 一种交直流混合配电网改造规划方法及系统 | |
| CN113488990B (zh) | 基于改进的蝙蝠算法的微电网优化调度方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |