CN115693727A - 一种港-船多能源融合系统及其多层次能量管理方法 - Google Patents

Abstract

本发明公开了一种港‑船多能源融合系统及其多层次能量管理方法，包括负载模块、新能源模块、储能模块及能量管理模块；所述负载模块包括港口的电力负载和氢能负载；所述新能源模块包括风力发电模块、光伏发电模块，用于为电力负载供电；所述储能模块包括电化学储能模块、氢能储能模块和制氢装置，所述氢能储能模块用于为氢能负载供氢；所述能量管理模块包括预测层，所述预测层通过神经网络预测模型分别预测风力发电模块的发电量、光伏发电模块的发电量、电力负载的负荷以及氢能负载的负荷，决定电化学储能模块的储电量和氢能储能模块的储氢量。本发明能够决定较长时间尺度上的储氢量以及各能量源的实时最优决策。

Description

一种港-船多能源融合系统及其多层次能量管理方法

技术领域

本发明涉及多能源融合、管理技术领域，尤其涉及一种港-船多能源融合系统及其多层次能量管理方法。

背景技术

航运业在社会经济发展中起着至关重要的作用，航运业对港口环境带来的影响也受到越来越多的关注。传统内燃机船舶在靠港时会释放CO2等温室气体以及SO2、NOX等有害气体，对气候和港口周边的居民健康造成不利影响。以太阳能、风能和氢能为代表的清洁能源能够通过一定的技术转换为工业生产所需要的电力能源，并且可以实现有害气体和物质的零排放。因此，在港口采用风、光、储、氢组成的港-船多能源融合系统为靠港船舶和港口机械设备供能可以减少污染。然而，风、光能源产电量以及港口靠港船舶的负载均存在不确定性，给多能源融合系统的能量管理带来一定挑战。

发明内容

为了解决背景技术中提到的至少一个技术问题，本发明的目的在于提供一种港-船多能源融合系统及其多层次能量管理方法，能够决定较长时间尺度上的储氢量以及各能量源的实时最优决策。

为实现上述目的，本发明提供如下技术方案：

一种港-船多能源融合系统，包括负载模块、新能源模块、储能模块及能量管理模块；

所述负载模块包括港口的电力负载和氢能负载；

所述新能源模块包括风力发电模块、光伏发电模块，用于为电力负载供电；

所述储能模块包括电化学储能模块、氢能储能模块和制氢装置，所述氢能储能模块用于为氢能负载供氢；

所述能量管理模块包括预测层，所述预测层通过神经网络预测模型分别预测风力发电模块的发电量、光伏发电模块的发电量、电力负载的负荷以及氢能负载的负荷，决定电化学储能模块的储电量和氢能储能模块的储氢量。

进一步的，还包括母线，所述风力发电模块、光伏发电模块经母线连接至电力负载。

进一步的，还包括外部加氢站，用于在氢能储能模块储氢不足时，为氢能负载供氢。

进一步的，还包括外部电网，用于在风力发电模块、光伏发电模块、电化学储能模块共同供电不足时，为电力负载供电。

进一步的，所述能量管理模块还包括实时优化层，所述实时优化层采用最小等效燃油消耗法对新能源模块和储能模块的能量流动进行试试决策，确定分配至电力负载和氢能负载的能量。

一种港-船多能源融合系统的多层次能量管理方法，包括以下步骤：

S1、采用训练好的神经网络预测模型分别预测下一周期风力发电模块的发电量、光伏发电模块的发电量、电力负载的负荷以及氢能负载的负荷；

S2、计算风力发电模块的发电量、光伏发电模块的发电量的总和与电力负载的负荷的第一差值；若该第一差值大于0，则在下一周期将该第一差值对应的电量分配至制氢装置用于制氢或存储至电化学储能模块并进入S3；否则在下一周期从电化学储能模块中调度该第一差值对应的电量用于为电力负载供电；

S3、根据制氢装置的电能-氢气转化率，计算生产预测到的氢能负载的负荷所需的电量，并计算所述第一差值与该所需的电量的第二差值；若该第二差值大于0，则将该第二差值的电量存储至电化学储能模块，对应预测到的氢能负载的负荷所需的电量分配至制氢模块；若该第二差值小于0，则从电化学储能模块中抽调对应第二差值的电量至制氢模块用于制氢；

S4，在下一周期的运行阶段，实时采集风力发电模块的发电量、光伏发电模块的发电量以及电化学储能模块的输出电量、氢能储能模块的输出氢气量；

S5，将所述风力发电模块的发电量、光伏发电模块的发电量、电化学储能模块的输出电量、氢能储能模块的输出氢气量分别换算为等效燃油消耗；

S6，构建求解所述风力发电模块的发电量、光伏发电模块的发电量、电化学储能模块的输出电量、氢能储能模块的输出氢气量的等效燃油消耗总和的最优方程即可确定风力发电模块、光伏发电模块、电化学储能模块、氢能储能模块向电力负载或氢能负载提供的能量。

进一步的，所述神经网络预测模型的训练方法包括如下步骤：

S11、分割时间周期；

S12、构建数组，每一组数据包括每一周期的风力发电模块的发电量/光伏发电模块的发电量/电力负载的负荷/氢能负载的负荷以及上一周期对应该风力发电模块的发电量/光伏发电模块的发电量/电力负载的负荷/氢能负载的负荷的影响参数信息；

S13、采集若干所述数组构建训练集；

S14、将所述训练集分别输入对应的神经网络预测模型进行训练。

一种终端设备，包括存储器、处理器以及存储在所述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如上所述的港-船多能源融合系统的多层次能量管理方法。

一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上所述的港-船多能源融合系统的多层次能量管理方法。

与现有技术相比，本发明的有益效果是：

本发明通过对风力发电模块的发电量、光伏发电模块的发电量、电力负载的负荷以及氢能负载的负荷的预测能够决定较长时间尺度上的储氢量；另一方面，通过最小等效燃油消耗法对系统中风力发电模块、光伏发电模块、电化学储能模块、氢能储能模块的能量流动进行实时最优决策，能够确定各能量源向电力负载或氢能负载提供的能量。

附图说明

图1为本发明的系统框架图。

图2为本发明的多层次能量管理方法流程图。

图3为本发明的神经网络预测模型的训练方法流程图。

具体实施方式

下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一：

请参阅图1，本实施例提供一种港-船多能源融合系统，包括负载模块、新能源模块、储能模块及能量管理模块；

所述负载模块包括港口的电力负载和氢能负载；

所述电力负载为由电驱动的设备，包括照明设备、桥吊、门式起重机等；所述氢能负载为由氢驱动的设备，包括氢动力集卡、氢动力叉车、氢动力堆高机等。

所述新能源模块包括风力发电模块、光伏发电模块，用于为电力负载供电；还包括母线，所述风力发电模块、光伏发电模块经母线连接至电力负载。

所述储能模块包括电化学储能模块、氢能储能模块和制氢装置，其中，电化学储能模块负责短期能量储存，所述氢能储能模块，负责长期能量存储，用于为氢能负载供氢；

所述能量管理模块包括预测层，所述预测层通过神经网络预测模型分别预测风力发电模块的发电量、光伏发电模块的发电量、电力负载的负荷以及氢能负载的负荷，决定电化学储能模块的储电量和氢能储能模块的储氢量。从而在满足用能的条件下决定氢气的储量以及储能模块的储能量，并通过风能、光能的富裕发电量制备氢气。

还包括外部能源模块，所述外部能源模块包括外部加氢站和外部电网中的至少一个。其中：

外部加氢站，用于在氢能储能模块储氢不足时，为氢能负载供氢。

外部电网，用于在风力发电模块、光伏发电模块、电化学储能模块共同供电不足时，为电力负载供电。

由于预测层没有考虑实时用能的不确定性，因此，于另一实施例中，能量管理模块还包括实时优化层，所述实时优化层采用最小等效燃油消耗法对新能源模块和储能模块的能量流动进行试试决策，确定分配至电力负载和氢能负载的能量。

实施例二：

本实施例提供基于实施例一的港-船多能源融合系统的多层次能量管理方法，如图2所示，包括以下步骤：

S1、采用训练好的神经网络预测模型分别预测下一周期风力发电模块的发电量、光伏发电模块的发电量、电力负载的负荷以及氢能负载的负荷；

S2、计算风力发电模块的发电量P_风、光伏发电模块的发电量P_光的总和P_风+P_光与电力负载的负荷P_电负荷的第一差值(P_风+P_光- P_电负荷)，记为ΔP₁；若该第一差值ΔP₁大于0，则说明风力发电模块和光伏发电模块的总发电量足以供应电力负载的负荷，则在下一周期将该第一差值ΔP₁对应的电量分配至制氢装置用于制氢或存储至电化学储能模块并进入S3；否则说明风力发电模块和光伏发电模块的总发电量足以供应电力负载的负荷，在下一周期从电化学储能模块中调度该第一差值ΔP₁对应的电量用于为电力负载供电。

S3、根据制氢装置的电能-氢气转化率，计算生产预测到的氢能负载的负荷Q_氢负荷所需的电量P_氢负荷，即P_氢负荷＝Q_氢负荷/t；其中t 为本发明的制氢装置的电能-氢气转化率，根据历史转化数据统计求得。

并计算所述第一差值ΔP₁与该所需的电量P_氢负荷的第二差值ΔP₂；若该第二差值大于0，则说明S2中求得的多余的电量ΔP₁足以转化为氢能负载所需氢气量，将该第二差值的电量存储至电化学储能模块，此时将对应预测到的氢能负载的负荷所需的电量P_氢负荷分配至制氢模块用于制氢；若该第二差值ΔP₂小于0，则说明S2中求得的多余的电量ΔP₁不足以转化为氢能负载所需氢气量，此时需要从电化学储能模块中抽调对应第二差值ΔP₂的电量至制氢模块用于制氢，从而满足氢能负载所需氢气量的供应。

S4、在下一周期的运行阶段，实时采集风力发电模块的发电量P′_风、光伏发电模块的发电量P′_光以及电化学储能模块的输出电量、氢能储能模块的输出氢气量Q_氢能储能；

S5，将所述风力发电模块的发电量P′_风、光伏发电模块的发电量P′_光以及电化学储能模块的输出电量P′_{电化学储能}、氢能储能模块的输出氢气量Q_氢能储能分别换算为向电力负载或氢能负载供能的等效燃油消耗T_ij；其中，下标i代表能源种类，i＝1，2，3，4，依次代表前述的风力发电模块的发电量P′_风、光伏发电模块的发电量P′_光以及电化学储能模块的输出电量P′_{电化学储能}、氢能储能模块的输出氢气量Q_氢能储能；下标j代表功能的对象，即j＝1代表向电力负载供能， j＝2代表向氢能负载供能。

需要注意的是，风力发电模块的发电量、光伏发电模块的发电量和电化学储能模块的输出电量无法直接为氢能负载供电，因此不存在相应的等效燃油消耗；同理，氢能储能模块也无法为电力负载功能，相应的等效燃油消耗亦不存在。

例如：T₁₁代表的就是风力发电模块的发电量用于向电力负载供能的等效燃油消耗。

在本方案中，等效燃油消耗的换算由以下方法实现：

针对每一类型负载j(包括电力负载和氢能负载)，获取每一种类的能源i单独向其供能时达到额定工作量的能耗S_ij；比如针对桥吊(电力负载)，由风力发电模块单独向其功能时，搬运100顿货物所需的能耗；

获取实现相同额定工作量的燃油型负载所需的燃油消耗S_燃油；该数据可以由数据库获取，也可以采用实验检测的方法得到；

计算每一种类的能源i单独向每一类型负载j供能的等效燃油因子α_ij，即α_ij＝S_燃油/S_ij；

由S5得到的风力发电模块、光伏发电模块以及电化学储能模块、氢能储能模块对负载j的供能量P_ij分别乘以对应的等效燃油因子即可得到对应的等效燃油消耗T_ij。

S6，构建求解所述风力发电模块的发电量、光伏发电模块的发电量、电化学储能模块的输出电量、氢能储能模块的输出氢气量的等效燃油消耗总和的最优方程即可确定风力发电模块、光伏发电模块、电化学储能模块、氢能储能模块向电力负载或氢能负载提供的能量。

具体的分为以下几种情况：

1、当S2中计算得到的第一差值ΔP₁大于0，则说明风力发电模块和光伏发电模块的总发电量足以供应电力负载的负荷，因此对电力负载的等效燃油消耗可以在这两者之间进行优化。同理，对氢能负载的供能虽然只能由氢能储能模块进行，但是氢能储能模块所需的氢气量来源于其他三个模块的供电，这其中又涉及到制氢装置的电能-氢气转化率t；因此该情况下，本方案的等效燃油消耗总和的最优方程如下：

P₁₁+P₁₂≤P′_风

P₂₁+P₂₂≤P′_光

P₃₂≤P′_{电化学储能}

Q₄₂≤Q_氢能储能

其中，J_min为最小等效燃油消耗，P_i1能源种类i对应电力负载的供电量；而P_i2为能源种类i对应氢能负载的供能量，在此具体为风力发电模块、光伏发电模块或电化学储能模块中供给制氢装置的电量； t为制氢装置的电能-氢气转化率；Q₄₂为氢能储能模块对应氢能负载的供氢量；α_i1(i＝1，2，3)为风力发电模块、光伏发电模块分别单独为电力负载供电的等效燃油因子；α₄₂为氢能储能模块单独向氢能负载供氢的等效燃油因子；P′_风、P′_光、P′_{电化学储能}、Q_氢能储能分别代表本周期内风力发电模块的发电量、光伏发电模块的发电量、电化学储能模块的输出电量、氢能储能模块的输出氢气量。

2、当S2中计算得到的第一差值ΔP₁小于0时，与第1种情况相比，区别在于，为电力负载供电的能量来源不仅限于风力发电模块、光伏发电模块，还包括电化学储能模块；而供给制氢装置的电量的能源则仅来源于电化学储能模块。因此该情况下，本方案的等效燃油消耗总和的最优方程变化如下：

P₁₁≤P′_风

P₂₁≤P′_光

P₃₁+P₃₂≤P′_{电化学储能}

Q₄₂≤Q_氢能储能

如图3所示，所述神经网络预测模型的训练方法包括如下步骤：

S11、分割时间周期；

S12、构建数组，每一组数据包括每一周期的风力发电模块的发电量/光伏发电模块的发电量/电力负载的负荷/氢能负载的负荷以及上一周期对应该风力发电模块的发电量/光伏发电模块的发电量/电力负载的负荷/氢能负载的负荷的影响参数信息；

以光伏发电模块为例，其影响参数信息包括气候信息(如光照、温度)、太阳能板的角度；

同理，风力发电模块的影响参数信息包括气候信息(风力)；

电力负载的负荷的影响参数信息包括待停靠的电力负载(如船舶) 的类型、吨位等；

S13、采集若干所述数组构建训练集；

S14、将所述训练集分别输入对应的神经网络预测模型进行训练。

实施例三：

一种终端设备，包括存储器、处理器以及存储在所述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如实施例二所述的港-船多能源融合系统的多层次能量管理方法。

实施例四：

一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如实施例二所述的港-船多能源融合系统的多层次能量管理方法。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

Claims (9)

1.一种港-船多能源融合系统，其特征在于，包括负载模块、新能源模块、储能模块及能量管理模块；

所述负载模块包括港口的电力负载和氢能负载；

所述新能源模块包括风力发电模块、光伏发电模块，用于为电力负载供电；

所述储能模块包括电化学储能模块、氢能储能模块和制氢装置，所述氢能储能模块用于为氢能负载供氢；

所述能量管理模块包括预测层，所述预测层通过神经网络预测模型分别预测风力发电模块的发电量、光伏发电模块的发电量、电力负载的负荷以及氢能负载的负荷，决定电化学储能模块的储电量和氢能储能模块的储氢量。

2.根据权利要求1所述的一种港-船多能源融合系统，其特征在于，还包括母线，所述风力发电模块、光伏发电模块经母线连接至电力负载。

3.根据权利要求1所述的一种港-船多能源融合系统，其特征在于，还包括外部加氢站，用于在氢能储能模块储氢不足时，为氢能负载供氢。

4.根据权利要求1所述的一种港-船多能源融合系统，其特征在于，还包括外部电网，用于在风力发电模块、光伏发电模块、电化学储能模块共同供电不足时，为电力负载供电。

5.根据权利要求1所述的一种港-船多能源融合系统，其特征在于，所述能量管理模块还包括实时优化层，所述实时优化层采用最小等效燃油消耗法对新能源模块和储能模块的能量流动进行试试决策，确定分配至电力负载和氢能负载的能量。

6.一种基于权利要求5所述的港-船多能源融合系统的多层次能量管理方法，其特征在于，包括以下步骤：

S1、采用训练好的神经网络预测模型分别预测下一周期风力发电模块的发电量、光伏发电模块的发电量、电力负载的负荷以及氢能负载的负荷；

S2、计算风力发电模块的发电量、光伏发电模块的发电量的总和与电力负载的负荷的第一差值；若该第一差值大于0，则在下一周期将该第一差值对应的电量分配至制氢装置用于制氢或存储至电化学储能模块并进入S3；否则在下一周期从电化学储能模块中调度该第一差值对应的电量用于为电力负载供电；

S3、根据制氢装置的电能-氢气转化率，计算生产预测到的氢能负载的负荷所需的电量，并计算所述第一差值与该所需的电量的第二差值；若该第二差值大于0，则将该第二差值的电量存储至电化学储能模块，对应预测到的氢能负载的负荷所需的电量分配至制氢模块；若该第二差值小于0，则从电化学储能模块中抽调对应第二差值的电量至制氢模块用于制氢；

S4，在下一周期的运行阶段，实时采集风力发电模块的发电量、光伏发电模块的发电量以及电化学储能模块的输出电量、氢能储能模块的输出氢气量；

S5，将所述风力发电模块的发电量、光伏发电模块的发电量、电化学储能模块的输出电量、氢能储能模块的输出氢气量分别换算为等效燃油消耗；

S6，构建求解所述风力发电模块的发电量、光伏发电模块的发电量、电化学储能模块的输出电量、氢能储能模块的输出氢气量的等效燃油消耗总和的最优方程即可确定风力发电模块、光伏发电模块、电化学储能模块、氢能储能模块向电力负载或氢能负载提供的能量。

7.根据权利要求6所述的一种港-船多能源融合系统的多层次能量管理方法，其特征在于，

所述神经网络预测模型的训练方法包括如下步骤：

S11、分割时间周期；

S12、构建数组，每一组数据包括每一周期的风力发电模块的发电量/光伏发电模块的发电量/电力负载的负荷/氢能负载的负荷以及上一周期对应该风力发电模块的发电量/光伏发电模块的发电量/电力负载的负荷/氢能负载的负荷的影响参数信息；

S13、采集若干所述数组构建训练集；

S14、将所述训练集分别输入对应的神经网络预测模型进行训练。

8.一种终端设备，包括存储器、处理器以及存储在所述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如权利要求6至7任意一项所述的港-船多能源融合系统的多层次能量管理方法。

9.一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求6至7任意一项所述的港-船多能源融合系统的多层次能量管理方法。

Images