CN115833244A - 一种风-光-氢-储系统经济调度方法 - Google Patents

Abstract

本发明为一种风‑光‑氢‑储系统经济调度方法，该调度方法考虑电池和制氢两种储能方式，将富余的风能、光能进行存储，并利用电池在负荷功率不足时进行放电调节功率的平衡；分析制氢装置的运行特性，通过对其运行区间的划分对两种储能进行协调控制；对风‑光‑氢‑储系统在日前风、光、负荷数据下执行协调控制进行优化求解，最后得到电池和制氢的日前功率分配计划，从而实现系统的经济性调度。利用储能电池和制氢储能两种方式吸收富余功率，在减少弃风弃光同时售卖氢气取得运营效益；利用储能电池放电补充负荷功率，并针对两种储能方式进行协调控制，能够提高系统经济性的同时尽可能使发电量跟随负荷曲线。

Description

一种风-光-氢-储系统经济调度方法

技术领域

本发明属于新能源电力系统优化调度领域，涉及一种风-光-氢-储系统经济调度方法。

背景技术

在我国“碳达峰”、“碳中和”的双碳背景之下，推动能源转型和消费革命，建设以新能源为主体的绿色、低碳、安全、清洁的能源体系。如今以风能、太阳能等新型能源代替传统化石能源是现在能源结构转型的关键，如何保证新能源安全接入电网，协调各能源间的出力并优化发电的经济性是保障电力行业长远发展的前提。因此，研究新能源系统的优化调度问题对于电网的经济稳定运行、提高发电量与负荷的匹配度具有重要意义。

在众多电力系统优化调度算法中，智能优化算法逐渐展现出其优势。其中白鲨优化算法(White Shark Optimizer,WSO)由Malik Braik等人于2022年提出，对于处理多限制的复杂数学问题非常有效，白鲨算法属于仿生类的元启发式算法，其核心理念和基础思路受到白鲨捕猎时的行为的启发，包括它们在海里航行和觅食时的非凡听觉和嗅觉，对觅食行为进行建立等效数学模型，以适应白鲨在探索和开发之间的充分平衡，并帮助搜索代理探索和开发搜索空间的每个潜在区域，以实现所提问题的全面精准优化。该算法思路新颖，策略高效。

在现有的新能源调度研究中，大多数仅运用储能电池进行富余电量的存储，忽略了氢存储这一有效方式。在新能源系统中，加入制氢装置可将富足的风、光转化为绿色、清洁的氢能进行长期储存，制氢过程中仅会产生氧气一种副产品，可被直接排放到大气当中，整个反应可以达到零污染，制氢得到的氢气还可以售卖给各个加氢站获得运营收益。系统中加入适量的储能电池进行功率平衡调节，并对两种储能进行差异化控制以实现更多的运营效益，这样在保证供给负荷的同时能够很大程度上提高系统运行的经济性。

发明内容

本发明的目的为针对新能源系统调度问题，提出一种风-光-氢-储系统经济调度方法。该方法考虑电池和制氢两种储能方式，将富余的风能、光能进行存储，并利用电池在负荷功率不足时进行放电调节功率的平衡；分析制氢装置的运行特性，通过对其运行区间的划分对两种储能进行协调控制并优化求解，实现系统的经济调度。

本发明的技术方案为：

一种风-光-氢-储系统经济调度方法，包括如下步骤：

步骤一、建立包括风机、光伏电池、储能电池和制氢装置的新能源系统数学模型，选取储能电池为磷酸铁锂电池，制氢装置为碱性电解槽；

步骤二、提出包括系统运行成本、运营收益以及负荷缺电惩罚的目标函数，并加入对应的限制条件；具体包括以下步骤：

步骤1、通过对T个时段的系统运行成本、运营收益与负荷缺电惩罚的叠加得到待优化的目标函数；

步骤2、为储能电池和制氢装置设置运行功率、爬坡率等限制，保证各单元在调度时能够正常运行；

步骤三、分析碱性电解槽的运行特性，对储能与电解槽的协调控制；具体包括以下步骤：

步骤1、根据碱性电解槽数学模型求得其功率与运行效率之间的关系，用画图软件画出其功率-效率曲线，分析最优的运行区间；

步骤2、根据碱性电解槽的最优运行区间，设计系统运行策略，达到对储能与电解槽的协调控制的目的；

步骤四、使用Tent映射对WSO算法进行混沌初始化，引入莱维飞行策略增强算法全局寻优的能力，同时引入随机游动策略增强算法进行局部寻优，获得改进的WSO算法，记为I-WSO，实现对WSO算法初始化和搜索能力的提升；

对日前风、光和负荷数据进行处理，即将一天24小时划分为T(T＝96)个时段，每隔15分钟记录一次数据，得到风力发电、光伏发电的负荷图以及风光联合功率、本地负荷曲线图；其中风光联合功率、本地负荷曲线图由风力发电、光伏发电的负荷图获得，从风光联合功率、本地负荷曲线图中可以确定各个时段的功率是剩余还是不足，确定风光发电功率在不同时段与本地负荷功率之间的关系，用于执行协调控制策略；利用I-WSO算法在满足限制条件情况下执行步骤三的协调控制策略对目标函数进行优化求解，得到电池和和制氢两种储能方式的日前调度计划。

进一步讲，上述步骤一中具体包括以下步骤：

步骤1-1:建立发电单元的等效数学模型：

步骤1-1-1:建立风力发电机模型，风力发电机输出功率P_Wind(t)如式(1)所示：

式中，v(t)为t时段风速；V_in为切入风速；V_out为切出风速；V_ra为额定风速；P_ra为风机的额定功率；

步骤1-1-2:建立光伏电池模型，光伏电池输出功率P_PV(t)如式(2)所示：

式中，P_st为标准测试条件光伏电池输出功率；K_D为光伏电池降额因数；G_act(t)为t时段实际光照强度；G_st为标准测试条件下光照强度；α为功率温度系数；T_w为电池板工作温度；T_r为参考温度；

步骤1-2:建立储能单元的等效数学模型：

步骤1-2-1:建立磷酸铁锂电池模型，磷酸铁锂电池的剩余电量C_soc(t)如式(3)所示：

式中，ε为电池自放电效率；η^-为电池放电效率；η⁺为电池充电效率；P_SB(t)为t时段电池交互功率，其中P_SB(t)<0表示放电，P_SB(t)>0表示充电；

步骤1-2-2:建立氢储能单元模型，碱性电解槽化学反应方程式如式(4)，氢储能单元输入功率表示为式(5)：

P_cell＝V_cell I_cell (5)

I_cell＝i_den S_cell (7)

式中，V_cell为碱性电解槽输入电压；I_cell为碱性电解槽输入电流；r₁、r₂、s、q₁、q₂、q₃为经验系数；A为电极面积；T为工作温度；i_den为电流密度；S_cell为电极面积；V_rev为可逆电势，标准条件下取1.23V；

上述步骤二中提出目标函数，设置限制条件具体包括以下步骤：

步骤2-1:提出包括系统运行成本、运营收益与负荷缺电惩罚的目标函数如式(8)：

F＝min(C_om-C_ope+C_loss) (8)

式中，F为储能和制氢装置总成本；C_om为运行成本；C_ope为运营收益；C_loss为负荷缺电惩罚；T为一天的时段数，T＝96；D_wind、D_PV、D_sb、D_cell分别为风力发电机、光伏电池、磷酸铁锂电池和碱性电解槽的单位功率运维成本；C为单位氢气价格；

为t时段的产生的氢气体积；q_s为惩罚因子；P_g(t)为t时段发电量；P_s(t)为t时段负荷电量；

步骤2-2:设定各单元限制条件；

步骤2-2-1:设定功率平衡限制如式(12):

P_Wind(t)+P_PV(t)＝P_SB(t)+P_cell(t)+P_s(t) (12)

步骤2-2-2:设定磷酸铁锂电池交互功率限制如式(13)，荷电状态限制如式(14)，周期运行限制如式(15)：

C_soc(0)＝C_soc(T) (15)

式中，

为磷酸铁锂电池交互功率的下限和上限；SOC_min、SOC_max为磷酸铁锂电池荷电状态的下限和上限；C_s为硫酸铁锂电池容量；

步骤2-2-3:设定电解槽运行限制如式(16)、(17):

式中，

为碱性电解槽运行的最小、最大功率；

为碱性电解槽最大爬坡率；

上述步骤三分析碱性电解槽的运行特性，设计系统运行控制策略具体包括以下步骤：

步骤3-1:分析碱性电解槽效率特性，碱性电解槽运行效率可表示为式(17)：

式中，η为碱性电解槽运行效率；V_th为热中性电势，标准条件下取V_th＝1.48V；在得到碱性电解槽运行效率后，利用画图软件画出功率-效率曲线，对曲线进行特性分析，考虑碱性电解槽高效运行和产氢量两个因素来确定碱性电解槽最优的运行区间，针对功率-效率曲线得到碱性电解槽最优的运行区间，保证电解槽高效运行；

步骤3-2:以经济最优为目标设定系统运行控制策略：

步骤3-2-1:当风光发电功率大于本地负荷功率P_load(t)和碱性电解槽运行上限功率

之和，即

时：当磷酸铁锂电池荷电状态大于0.5，即

时剩余电量C_soc(t)，C_s为硫酸铁锂电池容量，设定碱性电解槽功率上限运行，即

剩余功率P_SB由磷酸铁锂电池吸收；当磷酸铁锂电池荷电状态小于或等于0.5，即

时，设定电解槽运行功率范围为

剩余功率P_SB由磷酸铁锂电池吸收；

步骤3-2-2:当风光发电功率大于本地负荷功率和碱性电解槽运行下限功率之和且小于或等于本地负荷功率和碱性电解槽运行上限功率之和，即

时，设定碱性电解槽运行功率范围为

剩余功率或不足功率由磷酸铁锂电池吸收或补充；

步骤3-2-3:当风光发电功率小于或等于本地负荷功率和碱性电解槽运行下限功率之和，即

时，为保证负荷供电，设定碱性电解槽功率下限运行，即

不足功率由蓄电池放电补充；

上述步骤四中改进的WSO算法具体包括以下步骤：

步骤4-1:初始化算法参数，其中包括最大迭代次数I，种群规模N，变量空间维度D，变量上界x_max、下界x_min；

步骤4-2:选取Tent映射对WSO算法的初始解做混沌处理，能够在保证种群多样性的同时，提高种群质量，提高遍布均匀性，利于算法后续搜索过程；

步骤4-2-1:在(0,1)内随机产生一个值记为z₁，记d＝1；

步骤4-2-2:Tent映射表达式为式(18):

式中α为混沌序列内粒子的个数，rand(0,1)为(0,1)内的随机数；

步骤4-2-3:对Tent映射表达式通过贝努利变换得到混沌变量z_d+1，如式(19)所示：

步骤4-2-4:d＝d+1；判断d是否达到变量空间维度D，是则保存产生的一个D维混沌序列，否则返回步骤4-2-2，重新计算下一维度的混沌变量，直至生成一个D维的混沌序列；

步骤4-2-5:利用步骤4-2-1至步骤4-2-4产生N个D维的混沌序列Z₁,…,Z_N，z是数值，Z是由z组成的序列，并将其通过式(20)生成种群的初始位置，将其描述为矩阵形式如式(21):

X_i＝x_min+(x_max-x_min)Z_i (20)

步骤4-3:计算全局最优解X_best，记k＝1；

步骤4-4:计算个体向猎物移动速度，更新公式如(22)：

式中，i＝1,2,…,N，i代表第几个个体，d代表个体中第几个维度；

为新的速度矢量；

为当前速度矢量；X_best,k为在第k代得到的最优位置；

为当前位置向量；X_best为全局最优位置；c₁、c₂为(0,1)内的随机数；p₁、p₂代表白鲨个体的力量；μ为建议收缩因子；k为当前迭代次数；p_min、p_max为p₁、p₂的最小值和最大值，p_min＝0.5，p₂＝1.5；Υ为加速度系数，Υ＝4.125；

步骤4-5:向最佳猎物的位置更新；当白鲨个体听到猎物运动引起的波浪声或闻到气味后，其位置会发生如下更新：

式中，

为新的个体位置；

为一个否定运算符；a、b为二元向量；X_O表示逻辑向量；f表示波动频率；mv表示运动力；f_min、f_max为最小和最大波动频率，f_min＝0.07，f_max＝0.75；a₀、a₁表示管理勘探和开发行为的两个正数；

步骤4-6:更新全局最优解；

步骤4-7:引入莱维飞行策略；为增强算法全局寻优的能力，引入莱维飞行策略，为减小算法计算量，保证算法寻优的速度，设定当rand(0,1)>0.5时执行以下策略，否则

步骤4-8:更新k+1代最优值，由于莱维飞行策略会使个体位置发生移动，但并不知道移动后位置的好坏，按照如下公式更新k+1代最优值：

式中，F(X_best,k+1)为X_best,k+1代入目标函数得到的值；

为

代入目标函数得到的值；

步骤4-9:向最佳个体的位置更新；当r₃<S_s且i＝1时，白鲨个体会向最优个体位置移动，作如下更新：

式中，

为更新的位置；sgn(r₂-0.5)用来改变搜索方向；r₁、r₂、r₃为(0,1)内的随机数；

为猎物和白鲨间的距离；a₂为控制勘探和开发的正数，a₂＝0.0005；

步骤4-10:根据鱼群行为更新位置：当r₃<S_s且i>1时，白鲨个体不仅会根据式(34)向最佳个体做位置更新，还会根据式(38)做鱼群行为位置更新：

步骤4-11:引入随机游动策略增强算法局部寻优能力，计算得到X_best,k+1并对其进行随机游动处理：

X′_best,k+1＝X_best,k+1+ε(X_k+1,g-X_k+1,w) (40)

式中，X′_best,k+1为引入随机游动策略后的k+1代最优个体；ε为缩放因子，ε～U(0,1)；X_k+1,g、X_k+1,w为k+1代两个随机解；

步骤4-12:更新全局最优解和k+1代最优解：

步骤4-13:k＝k+1，判断是否达到最大迭代次数I，是则跳出循环执行步骤4-14；否则返回步骤4-4；

步骤4-14:输出X_best、F(X_best)；

步骤4-15:对日前风、光和负荷数据进行处理，将一天24小时划分为96个时段，每隔15分钟记录一次数据，得到风力发电、光伏发电和负荷曲线图；

步骤4-16:利用I-WSO算法在满足限制条件情况下执行步骤三的协调控制对目标函数进行优化求解；输入风、光、负荷数据，将目标函数代入I-WSO算法，迭代得出最优成本以及磷酸铁锂电池和碱性电解槽的日前调度计划；

与现有技术相比，本文的有益效果是：

针对风、光等新能源本身所具有的间歇性与波动性接入电网不能满足负荷需求，发电量与负荷功率曲线偏离较大，且整体含有大量弃风弃光，经济性和可靠性都不能得到保障而提出，本发明中利用储能电池和制氢储能两种方式吸收富余功率，在减少弃风弃光同时售卖氢气取得运营效益；利用储能电池放电补充负荷功率，并针对两种储能方式进行协调控制，能够提高系统经济性的同时尽可能使发电量跟随负荷曲线。

本发明采用I-WSO算法对系统模型求解，改进后的WSO算法搜索能力快且寻优精度高，利用I-WSO算法对系统模型在日前风、光、负荷数据下进行优化求解，将结果与其他智能算法进行对比，结果显示I-WSO算法的收敛速度和精度均有所提高，系统经济性较之前提高了20.97％，能够有效的提高系统的经济性，能够得到磷酸铁锂电池和碱性电解槽的日前功率分配计划，从而实现系统的经济性调度。

附图说明

图1是本发明风-光-氢-储系统经济调度方法的方法流程示意图。

图2是本发明一种实施例的新能源系统结构示意图。

图3是碱性电解槽功率-效率曲线。

图4是本发明系统对两种储能进行协调控制的控制策略流程图。

图5是本发明调度算法流程图。

图6是风力发电机和光伏电池功率曲线。

图7是风光联合发电和本地负荷的功率曲线图。

图8是不同优化算法获得的优化结果对比图。

图9是碱性电解槽日前调度计划。

图10是磷酸铁锂电池日前调度计划及荷电状态。

具体实施方式

以下结合附图对本发明实施方式作进一步详述。

为了更为具体地描述本发明,下面结合附图及具体实施方式对本发明的技术方案进行详细说明。

在本实施例中该调度方法的结构图如图1所示，包括对新能源系统的建模建立新能源系统数学模型，建立经济性指标目标函数、设置系统各单元运行限制条件，分析碱性电解槽运行特性并给出系统运行的协调控制的控制策略，处理日前数据，利用改进的WSO算法对系统模型进行求解，从而得到考虑经济性的日前调度计划。

具体步骤如下：

步骤一、建立包括风机、光伏电池、储能电池和制氢装置的新能源系统数学模型，选取储能电池为磷酸铁锂电池，制氢装置为碱性电解槽，系统模型结构图如图2所示；

步骤1-1:建立发电单元的等效数学模型：

步骤1-1-1:建立风力发电机模型，其输出功率P_Wind(t)如式(1)所示：

式中，v(t)为t时段风速；V_in为切入风速；V_out为切出风速；V_ra为额定风速；P_ra为风机的额定功率；

步骤1-1-2:建立光伏电池模型，其输出功率P_PV(t)如式(2)所示：

式中，P_st为标准测试条件光伏电池输出功率；K_D为光伏电池降额因数；G_act(t)为t时段实际光照强度；G_st为标准测试条件下光照强度；α为功率温度系数；T_w为电池板工作温度；T_r为参考温度；

步骤1-2:建立储能单元的等效数学模型：

步骤1-2-1:建立磷酸铁锂电池模型，其剩余电量C_soc(t)如式(3)所示：

式中，ε为电池自放电效率；η^-为电池放电效率；η⁺为电池充电效率；P_SB(t)为t时段电池交互功率，也就是剩余功率，其中P_SB(t)<0表示放电，P_SB(t)>0表示充电；

步骤1-2-2:建立氢储能单元模型，碱性电解槽化学反应方程式如式(4)，输入功率表示为式(5)：

P_cell＝V_cell I_cell (5)

I_cell＝i_den S_cell (7)

式中，V_cell为碱性电解槽输入电压；I_cell为碱性电解槽输入电流；r₁、r₂、s、q₁、q₂、q₃为经验系数；A为电极面积；T为工作温度；i_den为电流密度；S_cell为电极面积；V_rev为可逆电势，标准条件下取1.23V；

步骤二、提出包括系统运行成本、运营收益以及负荷缺电惩罚的目标函数，并加入对应的限制条件；具体包括以下步骤：

步骤2-1:提出包括系统运行成本、运营收益与负荷缺电惩罚的目标函数如式(8)：

F＝min(C_om-C_ope+C_loss) (8)

式中，F为储能和制氢装置总成本；C_om为运维成本；C_ope为运营收益；C_loss为负荷缺电惩罚；T为一天的时段数，T＝96；D_wind、D_PV、D_sb、D_cell分别为风力发电机、光伏电池、磷酸铁锂电池和碱性电解槽的单位功率运维成本；C为单位氢气价格；

为t时段的产生的氢气体积；q_s为惩罚因子；P_g(t)为t时段发电量；P_s(t)为t时段负荷电量；

步骤2-2:设定各单元限制条件；

步骤2-2-1:设定功率平衡限制如式(12):

P_Wind(t)+P_PV(t)＝P_SB(t)+P_cell(t)+P_s(t) (12)

步骤2-2-2:设定磷酸铁锂电池交互功率限制如式(13)，荷电状态限制如式(14)，周期运行限制如式(15)：

C_soc(0)＝C_soc(T) (15)

式中，

为磷酸铁锂电池交互功率的下限和上限；SOC_min、SOC_max为磷酸铁锂电池荷电状态的下限和上限；C_s为硫酸铁锂电池容量；

步骤2-2-3:设定电解槽运行限制如式(16)、(17):

式中，

为碱性电解槽运行的最小、最大功率；

为碱性电解槽最大爬坡率；

步骤三、分析碱性电解槽的运行特性，设计系统运行控制策略；具体包括以下步骤：

步骤3-1:分析碱性电解槽效率特性，碱性电解槽运行效率可表示为式(17)：

式中，η为碱性电解槽运行效率；V_th为热中性电势，标准条件下取V_th＝1.48V；在得到碱性电解槽运行效率后，利用画图软件画出功率-效率曲线如图3所示，分析图可知，碱性电解槽的效率峰值在0.2p.u.左右，但过低的功率会导致氢气产量很低，所以既要考虑碱性电解槽高效运行又要考虑产氢量，设定碱性电解槽最优的运行区间在0.5p.u.-0.9p.u.；

步骤3-2:针对功率-效率曲线得到碱性电解槽最优的运行区间0.5p.u.-0.9p.u.，为了达到经济最优执行下述的协调控制的系统运行控制策略，其流程图如图4所示：

步骤3-2-1:当风光发电功率大于本地负荷功率和碱性电解槽运行上限功率之和，即

时：当磷酸铁锂电池荷电状态大于0.5，及

时，设定碱性电解槽功率上限运行，即

剩余功率由磷酸铁锂电池吸收；当磷酸铁锂电池荷电状态小于0.5，即

时，设定电解槽运行功率范围为

剩余功率由磷酸铁锂电池吸收；

步骤3-2-2:当风光发电功率大于本地负荷功率和碱性电解槽运行下限功率之和小于本地负荷功率和碱性电解槽运行上限功率之和，即

时，设定碱性电解槽运行功率范围为

剩余功率或不足功率由磷酸铁锂电池吸收或补充；

步骤3-2-3:当风光发电功率小于本地负荷功率和碱性电解槽运行下限功率之和，即

时，为保证负荷供电，设定碱性电解槽功率下限运行，即

不足功率由蓄电池放电补充；

步骤四、对WSO算法初始化和搜索能力进行改进，获得改进的WSO算法，记为I-WSO，其流程图如图5所示；对日前风、光和负荷数据进行处理，将一天24小时划分为T(T＝96)个时段，每隔15分钟记录一次数据，风力发电机和光伏电池输出功率图如图6所示，风光联合发电和负荷功率如图7所示；利用I-WSO算法在满足限制条件情况下对目标函数进行优化求解，得到各单元的日前调度计划；

步骤4-1:初始化算法参数，其中包括最大迭代次数I，种群规模N，变量空间维度D，变量上界x_max、下界x_min；

步骤4-2:改进WSO算法初始化策略；随机初始化的初始种群生成随机性太高，遍布不均匀，不利于算法后续搜索过程，因此对初始解做混沌处理，这样能够在保证种群多样性的同时，提高种群质量。由于Tent映射的遍历均匀性优于常见的Logistic映射，故选取Tent映射对初始解做混沌处理；

步骤4-2-1:在(0,1)内随机产生一个值记为z₁，记d＝1；

步骤4-2-2:Tent映射表达式为式(18):

式中α为混沌序列内粒子的个数，rand(0,1)为(0,1)内的随机数；

步骤4-2-3:对Tent映射表达式通过贝努利变换得到混沌变量z_d+1，如式(19)所示：

步骤4-2-4:d＝d+1；判断d是否达到变量空间维度D，是则保存产生的一个D维混沌序列，否则返回步骤4-2-2，重新计算下一维度的混沌变量，直至生成一个D维的混沌序列；

步骤4-2-5:利用步骤4-2-1至步骤4-2-4产生N个D维的混沌序列Z₁,…,Z_N，Z是由z组成的序列，z即为混沌变量，并将其通过式(20)生成种群的初始位置，将其描述为矩阵形式如式(21):

X_i＝x_min+(x_max-x_min)Z_i (20)，

步骤4-3:计算全局最优解X_best，记k＝1；

步骤4-4:计算个体向猎物移动速度，更新公式如(22)：

式中，i＝1,2,…,N；

为新的速度矢量；

为当前速度矢量；X_best,k为在第k代得到的最优位置；

为当前位置向量；X_best为全局最优位置；c₁、c₂为(0,1)内的随机数；p₁、p₂代表白鲨个体的力量；μ为建议收缩因子；k为当前迭代次数；p_min、p_max为p₁、p₂的最小值和最大值，p_min＝0.5，p₂＝1.5；Υ为加速度系数，Υ＝4.125；

步骤4-5:向最佳猎物的位置更新；当白鲨个体听到猎物运动引起的波浪声或闻到气味后，其位置会发生如下更新：

式中，

为新的个体位置；

为一个否定运算符；a、b为二元向量；X_O表示逻辑向量；f表示波动频率；mv表示运动力；f_min、f_max为最小和最大波动频率，f_min＝0.07，f_max＝0.75；a₀、a₁表示管理勘探和开发行为的两个正数；

步骤4-6:更新全局最优解；

步骤4-7:引入莱维飞行策略；为增强算法全局寻优的能力，引入莱维飞行策略，为减小算法计算量，保证算法寻优的速度，设定当rand(0,1)>0.5时执行以下策略，否则

步骤4-8:更新k+1代最优值，由于莱维飞行策略会使个体位置发生移动，但并不知道移动后位置的好坏，按照如下公式更新k+1代最优值：

式中，F(X_best,k+1)为X_best,k+1代入目标函数得到的值；

为

代入目标函数得到的值；

步骤4-9:向最佳个体的位置更新；当r₃<S_s且i＝1时，白鲨个体会向最优个体位置移动，作如下更新：

式中，

为更新的位置；sgn(r₂-0.5)用来改变搜索方向；r₁、r₂、r₃为(0,1)内的随机数；

为猎物和白鲨间的距离；a₂为控制勘探和开发的正数，a₂＝0.0005；

步骤4-10:根据鱼群行为更新位置：当r₃<S_s且i>1时，白鲨个体不仅会根据式(35)向最佳个体做位置更新，还会根据式(38)做鱼群行为位置更新：

步骤4-11:引入随机游动策略增强算法局部寻优能力，在依次得到N个体的最新位置后，计算得到X_best,k+1并对其进行随机游动处理：

X′_best,k+1＝X_best,k+1+ε(X_k+1,i-X_k+1,j) (40)

式中，X′_best,k+1为引入随机游动策略后的k+1代最优个体；ε为缩放因子，ε～U(0,1)；X_k+1,i、X_k+1,j为k+1代两个随机解；

步骤4-12:更新全局最优解和k+1代最优解：

步骤4-13:k＝k+1，判断是否达到最大迭代次数I，是则跳出循环执行步骤4-14；否则返回步骤4-4；

步骤4-14:输出X_best、F(X_best)，即为得到的目标函数值和最优解向量；

步骤4-15:对日前风、光和负荷数据进行处理，将一天24小时划分为96个时段，每隔15分钟记录一次数据，得到以时间h为横坐标、功率kW为纵坐标的风力发电、光伏发电功率曲线、以及风光联合发电功率和本地负荷功率的功率曲线图，如图6-图7；

步骤4-16:利用I-WSO算法在满足限制条件情况下执行协调控制对目标函数进行优化求解；输入风、光、负荷数据，将目标函数代入I-WSO算法，迭代得出最优成本以及磷酸铁锂电池和碱性电解槽的日前调度计划；

本实施例中，给出某典型日风、光、负荷日前功率曲线，数据来源于EirGrid Group和global solar atlas，根据本发明所提方法对该组数据进行日前优化调度，得到碱性电解槽和磷酸铁锂电池96个时段的日前调度计划，将该调度计划代入目标函数中可以得到单日运行成本，为了避免随机性，进行20次独立的实验计算，画出20次实验的平均收敛曲线，计算平均值和方差，通过与其他方法结果对比，本发明优化得到的运行成本更低，系统经济性更高，具体结果见仿真算例；

步骤4-17:输出优化结果及其对应的解，分析得到的运行成本值、系统运营效益、缺电率及碱性电解槽和磷酸铁锂电池的日前调度计划；

仿真算例：

本实例应用于某典型日的日前优化调度，对该日的日前风、光、负荷数据进行处理，将24小时分为96个时段，即每15分钟记录一次数据。通过本发明的基于I-WSO算法的风-光-氢-储系统经济调度方法，对该典型日进行日前优化调度，并与其他优化算法进行对比，来证明本发明所提算法具有较快的搜索速度以及较优的收敛精度，能够较大程度降低系统的运行成本，同时保证发电量跟随负荷曲线，进而减少供电不足的损失，提高整个系统的经济性。

根据步骤一建立风-光-氢-储系统的新能源系统数学模型，本发明中选取三台额定功率为64kW的碱性电解槽及三台额定容量为200kWh的磷酸铁锂电池进行日前优化调度，其中磷酸铁锂电池初始容量为120kWh。根据步骤二构造出经济性目标函数并为各单元设定限制条件，其中包括的参数及数值如表(1)所示：

表1系统各单元限制参数

为验证I-WSO算法的性能，选取典型的单峰测试函数和多峰测试函数进行测试，为避免随机性做10次独立实验，并将实验结果与其他智能优化算法进行对比，如表2所示。所有算法中参数均设置为：种群规模为20，迭代次数为1000，变量空间维度为30。

表2测试函数优化结果

通过分析表2中各算法对测试函数优化结果的平均值和方差可知，I-WSO算法平均值最小且标准差值最低，说明本发明调度方法具有更好的优化效果且具有较好的鲁棒性。

根据步骤四初始化I-WSO算法参数：最大迭代次数I为800，种群规模N为40，变量空间维度D为192，变量上界x_max、下界x_min根据表(1)确定。分析日前风、光、负荷数据如图6-图7可知，在0-2.5时、6-8时，15-19时风光联合输出功率不能满足负荷需求，在其他时段均出现富裕功率，利用本发明所提方法对系统进行经济性优化调度，并进行20次独立实验以验证I-WSO算法的稳定性。取20次实验结果平均值画出收敛曲线，并与改进前WSO算法和ASO算法进行对比如图8所示，可以看出I-WSO算法在第420次迭代出收敛于6962.89元，WSO算法在500次迭代收敛于8810.02元，ASO算法在480次迭代收敛于8116.84元，本文所提出的I-WSO算法收敛速度是最快的，且收敛精度是最高的，比改进前的WSO提高了20.97％。

将三种算法优化结果列举如表3，分析可知I-WSO算法优化结果平均值最优，ASO算法略优于WSO算法；对比方差可知I-WSO算法的方差值最低，ASO最高，表明I-WSO算法稳定性最高；此外，I-WSO算法优化得到的运营收益也是最高的，且其负荷供电不足占比为0.0420(低于5％)是三者最低，充分证明本发明所提方法可以有效提高系统的经济性。

表3三种算法20次实验结果

分析本文所提方法优化得出的碱性电解槽日前调度计划如图9所示，在0-8时由于风光联合出力较低电解槽处于功率下限运行，且没有较大波动；在8-11时由于风光联合出力较高且能够满足负荷，所以电解槽在该时段内功率成上升趋势，且爬坡率较大，在10时达到功率上限并在10-13时保持较高功率运行；在12-14时，风光联合出力下降，电解槽运行功率也呈下降趋势并在14时达到功率下限；在14-19时，电解槽持续保持下限运行且无较大波动；自19时开始，由于风功率的上升，负荷功率的下降，导致出现较多富余功率，电解槽功率呈较大趋势上升并在21时再次达到上限运行并保持至24时。

分析磷酸铁锂电池电池交互功率及其荷电状态如图10所示，0-3时、6-8时、15-20时电池处于放电状态，荷电状态持续下降，于3时和20时到达荷电状态下限，在8时接近下限运行；在3-6时、8-15时、20-24时电池充电，荷电状态持续上升，且于14时到达荷电状态上限。通过观察曲线可知电池充放电时交互功率均满足功率限制，荷电状态也未超出最大、最小值限制，电池利用率也较高。通过本方法优化得到的电解槽和电池的日前调度计划较为合理，系统负荷供电不足占比低于5％，能够达到供电需求，且整体经济性得到较大的提高，充分证明了本发明在经济性调度场景中的适用性。

以上所述仅是本发明的一个应用场景，凡依本发明申请专利范围所做的均等变化，或者应用到其他新能源电力系统经济性调度上，应属本发明的覆盖范围。

本发明未尽事宜为公知技术。

Claims (6)

1.一种风-光-氢-储系统经济调度方法，其特征在于，该调度方法考虑电池和制氢两种储能方式，将富余的风能、光能进行存储，并利用电池在负荷功率不足时进行放电调节功率的平衡；分析制氢装置的运行特性，通过对其运行区间的划分对两种储能进行协调控制；

对风-光-氢-储系统在日前风、光、负荷数据下执行协调控制进行优化求解，最后得到电池和制氢的日前功率分配计划，从而实现系统的经济性调度；

所述分析制氢装置的运行特性，通过对其运行区间的划分对两种储能进行协调控制的具体过程是：

步骤3-1:所述制氢装置为碱性电解槽，电池为磷酸铁锂电池，分析碱性电解槽效率特性，碱性电解槽运行效率表示为式(17)：

式中，η为碱性电解槽运行效率；V_th为热中性电势，标准条件下取V_th＝1.48V；V_cell为碱性电解槽输入电压；

在得到碱性电解槽运行效率后，利用画图软件画出功率-效率曲线，考虑碱性电解槽高效运行和产氢量两个因素针对功率-效率曲线来确定碱性电解槽最优的运行区间；

步骤3-2:以经济最优为目标设定系统运行控制策略：

步骤3-2-1:当风光发电功率大于本地负荷功率P_load(t)和碱性电解槽运行上限功率

之和，即

时：当磷酸铁锂电池荷电状态大于0.5，即

时剩余电量C_soc(t)，C_s为硫酸铁锂电池容量，设定碱性电解槽功率上限运行，即

剩余功率P_SB由磷酸铁锂电池吸收；当磷酸铁锂电池荷电状态小于或等于0.5，即

时，设定电解槽运行功率范围为

剩余功率由磷酸铁锂电池吸收；

步骤3-2-2:当风光发电功率大于本地负荷功率和碱性电解槽运行下限功率之和且小于或等于本地负荷功率和碱性电解槽运行上限功率之和，即

时，设定碱性电解槽运行功率范围为

剩余功率或不足功率由磷酸铁锂电池吸收或补充；

步骤3-2-3:当风光发电功率小于或等于本地负荷功率和碱性电解槽运行下限功率之和，即

时，为保证负荷供电，设定碱性电解槽功率下限运行，即

不足功率由蓄电池放电补充。

2.根据权利要求1所述的风-光-氢-储系统经济调度方法，其特征在于，所述调度方法包括以下步骤：

步骤一、建立包括风机、光伏电池、储能电池和制氢装置的新能源系统数学模型，选取储能电池为磷酸铁锂电池，制氢装置为碱性电解槽；

步骤二、设置包括系统运行成本、运营收益以及负荷缺电惩罚在内的目标函数，并加入对应的限制条件；具体包括以下步骤：

步骤1、通过对T个时段的系统运行成本、运营收益与负荷缺电惩罚的叠加得到待优化的目标函数；

步骤2、为储能电池和制氢装置设置运行功率、爬坡率的限制，保证储能电池和制氢装置在调度时能够正常运行；

步骤三、分析碱性电解槽的运行特性，达到对储能与电解槽的协调控制；

步骤四、使用Tent映射对WSO算法进行混沌初始化，引入莱维飞行策略增强算法全局寻优的能力，同时引入随机游动策略增强算法进行局部寻优，获得改进的WSO算法，记为I-WSO；

对日前风、光和负荷数据进行处理，即将一天24小时每隔一段时间记录一次数据，共将一天24小时划分T个连续时段，得到风光联合功率、本地负荷曲线图，确定风光发电功率在不同时段与本地负荷功率之间的关系；

再利用I-WSO算法在满足限制条件情况下执行协调控制对目标函数进行优化求解，得到电池和制氢两种储能方式的日前调度计划。

3.根据权利要求2所述的风-光-氢-储系统经济调度方法，其特征在于，每隔10-20min记录一次数据。

4.根据权利要求2所述的风-光-氢-储系统经济调度方法，其特征在于，所述新能源系统数学模型包括以下内容：

步骤1-1:建立发电单元的等效数学模型：

步骤1-1-1:建立风力发电机模型，其输出功率P_Wind(t)为式(1)：

式中，v(t)为t时段风速；V_in为切入风速；V_out为切出风速；V_ra为额定风速；P_ra为风机的额定功率；

步骤1-1-2:建立光伏电池模型，其输出功率P_PV(t)为式(2)：

式中，P_st为标准测试条件光伏电池输出功率；K_D为光伏电池降额因数；G_act(t)为t时段实际光照强度；G_st为标准测试条件下光照强度；α为功率温度系数；T_w为电池板工作温度；T_r为参考温度；

步骤1-2:建立储能单元的等效数学模型：

步骤1-2-1:建立磷酸铁锂电池模型，其剩余电量C_soc(t)为式(3)：

式中，ε为电池自放电效率；η^-为电池放电效率；η⁺为电池充电效率；P_SB(t)为t时段电池交互功率，其中P_SB(t)<0表示放电，P_SB(t)>0表示充电；

步骤1-2-2:建立氢储能单元模型，输入功率表示为式(5)：

P_cell＝V_cell I_cell (5)

I_cell＝i_den S_cell (7)

式中，V_cell为碱性电解槽输入电压；I_cell为碱性电解槽输入电流；r₁、r₂、s、q₁、q₂、q₃为经验系数；A为电极面积；T为工作温度；i_den为电流密度；S_cell为电极面积；V_rev为可逆电势，标准条件下取1.23V。

5.根据权利要求2所述的风-光-氢-储系统经济调度方法，其特征在于，所述目标函数为式(8)：

F＝min(C_om-C_ope+C_loss) (8)

式中，F为储能和制氢装置总成本；C_om为运行成本；C_ope为运营收益；C_loss为负荷缺电惩罚；T为一天的时段数；D_wind、D_PV、D_sb、D_cell分别为风力发电机、光伏电池、磷酸铁锂电池和碱性电解槽的单位功率运维成本；C为单位氢气价格；

为t时段的产生的氢气体积；q_s为惩罚因子；P_g(t)为t时段发电量；P_s(t)为t时段负荷电量；P_SB(t)为t时段电池交互功率；P_PV(t)为光伏电池输出功率；P_Wind(t)风力发电机输出功率；P_cell为氢储能单元输入功率；

所述限制条件为：

设定功率平衡限制为式(12):

P_Wind(t)+P_PV(t)＝P_SB(t)+P_cell(t)+P_s(t) (12)

设定磷酸铁锂电池交互功率限制为式(13)，荷电状态限制为式(14)，周期运行限制为式(15)：

C_soc(0)＝C_soc(T) (15)

式中，

为磷酸铁锂电池交互功率的下限和上限；SOC_min、SOC_max为磷酸铁锂电池荷电状态的下限和上限；C_s为硫酸铁锂电池容量；C_soc(t)为磷酸铁锂电池的剩余电量；

设定电解槽运行限制为式(16)和式(17):

式中，

为碱性电解槽运行的最小、最大功率；

为碱性电解槽最大爬坡率。

6.根据权利要求2所述的风-光-氢-储系统经济调度方法，其特征在于，所述改进的WSO算法具体包括以下步骤：

步骤4-1:初始化算法参数，其中包括最大迭代次数I，种群规模N，变量空间维度D，变量上界x_max、下界x_min；

步骤4-2:改进WSO算法初始化策略；

步骤4-2-1:在(0,1)内随机产生一个值记为z₁，记d＝1；

步骤4-2-2:Tent映射表达式为式(18):

式中α为混沌序列内粒子的个数，rand(0,1)为(0,1)内的随机数；

步骤4-2-3:对Tent映射表达式通过贝努利变换得到混沌变量z_d+1，如式(19)所示：

步骤4-2-4:d＝d+1；判断d是否达到变量空间维度D，是则保存产生的一个D维混沌序列，否则返回步骤4-2-2，重新计算下一维度的混沌变量，直至生成一个D维的混沌序列；

步骤4-2-5:利用步骤4-2-1至步骤4-2-4产生N个D维的混沌序列Z₁,…,Z_N，Z是由z组成的序列，z即为混沌变量，并将其通过式(20)生成种群的初始位置，将其描述为矩阵形式如式(21):

X_i＝x_min+(x_max-x_min)Z_i (20)，

步骤4-3:计算全局最优解X_best，记k＝1；

步骤4-4:计算个体向猎物移动速度，更新公式如(22)：

式中，i＝1,2,…,N；

为新的速度矢量；

为当前速度矢量；X_best,k为在第k代得到的最优位置；

为当前位置向量；X_best为全局最优位置；c₁、c₂为(0,1)内的随机数；p₁、p₂代表白鲨个体的力量；μ为建议收缩因子；k为当前迭代次数，k＝1,2,…,I；p_min、p_max为p₁、p₂的最小值和最大值，p_min＝0.5，p₂＝1.5；Υ为加速度系数，Υ＝4.125；

步骤4-5:向最佳猎物的位置更新；当白鲨个体听到猎物运动引起的波浪声或闻到气味后，其位置会发生如下更新：

式中，

为新的个体位置；

为一个否定运算符；a、b为二元向量；X_O表示逻辑向量；f表示波动频率；mv表示运动力；f_min、f_max为最小和最大波动频率，f_min＝0.07，f_max＝0.75；a₀、a₁表示管理勘探和开发行为的两个正数；

步骤4-6:更新全局最优解；

步骤4-7:引入莱维飞行策略；为增强算法全局寻优的能力，引入莱维飞行策略，为减小算法计算量，保证算法寻优的速度，设定当rand(0,1)>0.5时执行以下策略，否则

步骤4-8:更新k+1代最优值，由于莱维飞行策略会使个体位置发生移动，但并不知道移动后位置的好坏，按照如下公式更新k+1代最优值：

式中，F(X_best,k+1)为X_best,k+1代入目标函数得到的值；

为

代入目标函数得到的值；

步骤4-9:向最佳个体的位置更新；当r₃<S_s且i＝1时，白鲨个体会向最优个体位置移动，作如下更新：

式中，

为更新的位置；sgn(r₂-0.5)用来改变搜索方向；r₁、r₂、r₃为(0,1)内的随机数；

为猎物和白鲨间的距离；a₂为控制勘探和开发的正数，a₂＝0.0005；

步骤4-10:根据鱼群行为更新位置：当r₃<S_s且i>1时，白鲨个体不仅会根据式(35)向最佳个体做位置更新，还会根据式(38)做鱼群行为位置更新：

步骤4-11:引入随机游动策略增强算法局部寻优能力，计算得到X_best,k+1并对其进行随机游动处理：

X′_best,k+1＝X_best,k+1+ε(X_k+1,g-X_k+1,w) (40)

式中，X′_best,k+1为引入随机游动策略后的k+1代最优个体；ε为缩放因子，ε～U(0,1)；X_k+1,g、X_k+1,w为k+1代两个随机解；

步骤4-12:更新全局最优解和k+1代最优解：

步骤4-13:k＝k+1，判断是否达到最大迭代次数I，是则跳出循环执行步骤4-14；否则返回步骤4-4，向最佳猎物的位置更新；

步骤4-14:输出X_best、F(X_best)；

步骤4-15:对日前风、光和负荷数据进行处理，将一天24小时划分为96个时段，每隔15分钟记录一次数据，得到风力发电、光伏发电和负荷曲线图；

步骤4-16:利用I-WSO算法在满足限制条件情况下对目标函数进行优化求解；输入风、光、负荷数据，将目标函数代入I-WSO算法，迭代得出最优成本以及磷酸铁锂电池和碱性电解槽的日前调度计划。

Images