CN117254531B - 基于aem的可再生能源智能调度系统 - Google Patents
基于aem的可再生能源智能调度系统 Download PDFInfo
- Publication number
- CN117254531B CN117254531B CN202311468870.7A CN202311468870A CN117254531B CN 117254531 B CN117254531 B CN 117254531B CN 202311468870 A CN202311468870 A CN 202311468870A CN 117254531 B CN117254531 B CN 117254531B
- Authority
- CN
- China
- Prior art keywords
- power
- energy
- energy storage
- grid
- power generation
- 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
- 238000004146 energy storage Methods 0.000 claims abstract description 131
- 239000001257 hydrogen Substances 0.000 claims abstract description 85
- 229910052739 hydrogen Inorganic materials 0.000 claims abstract description 85
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000010248 power generation Methods 0.000 claims description 127
- 239000000446 fuel Substances 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 38
- 230000005611 electricity Effects 0.000 claims description 33
- 238000007726 management method Methods 0.000 claims description 28
- 238000006243 chemical reaction Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 26
- 230000008901 benefit Effects 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000005622 photoelectricity Effects 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 238000002485 combustion reaction Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000005684 electric field Effects 0.000 claims description 3
- 238000005868 electrolysis reaction Methods 0.000 claims description 3
- 239000007789 gas Substances 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims 1
- -1 hydrogen ions Chemical class 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000001301 oxygen Substances 0.000 description 3
- 229910052760 oxygen Inorganic materials 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005984 hydrogenation reaction Methods 0.000 description 1
- 239000003014 ion exchange membrane Substances 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Classifications
-
- 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
- H02J15/00—Systems for storing electric energy
- H02J15/008—Systems for storing electric energy using hydrogen as energy vector
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
-
- 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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于AEM的可再生能源智能调度系统，涉及可再生能源智能调度领域，其技术方案要点包括：驱动层基于并网条件下的风‑光‑电多能源综合模型对可再生能源RE的发电量进行预测；处理层对各个时刻中可再生能源RE的发电量和区域供电量进行分析和调用：处理层包括处理模块和储能管理模块，处理模块基于供电成本对电网中电力输送的最大利润值，在不同应用场景下对可再生能源RE的电量输送进行选择，处理模块根据分析公式对并电网中所能获取的最大利润进行计算；储能管理模块用于RE发电富余时电力的氢化存储，以及并电网供电不足时氢电的释放充电，实现不同应用场景下对不同类型可再生能源电力的调度。
Description
技术领域
本发明涉及可再生能源智能调度领域，更具体地说，它涉及基于AEM的可再生能源智能调度系统。
背景技术
虽然近年来新能源发展速度较快，风电和光伏作为可再生能源的代表，具有无污染和可持续等诸多优点，发展前景广阔，但其出电力的间歇性给电网优化调度带来一定挑战，可再生能源大规模并网加剧了电力系统面临的不确定性，一方面，水电大多有季节性，丰水和枯水期发电量变化较大；风电也受风能的不确定性限制；光伏发电能量密度低，受气候环境影响大，对日照资源地域依赖性强，进而导致不同时间段的发电量不同，且导致每一种可再生能源的发电成本各不相同，另一方面，电网在供电富余或者供电不足时需要对电力进行协调调用，一旦遇到电力、热力供应紧张、电网严重故障以及重大保电需要时，需要对电力进行紧急调用，且如果不能对富余的电力进行合理利用，会造成资源的浪费，这要求在电力系统优化调度中，不仅要提高可再生能源出力预测精度，还要充分发挥储能、可中断负荷等灵活性资源的作用，在电网规划运行中，考虑灵活性可提高电力系统对可再生能源的消纳能力，也可提高电力系统应对突发事件的响应能力。
专利号为CN111740445B的发明公开了一种可再生能源并网的电力调度方法及系统，包括：基于预测的可再生能源的功率和调度间隔，以及储能系统在上个调度间隔中的充放电状态和荷电状态，对当前调度间隔中可再生能源并网的功率进行设置；对储能系统荷电状态预测，基于设置的可再生能源并网的功率及预测储能系统荷电状态对储能系统充放电状态进行控制，并通过调节储能系统充放电发生转换的前一个调度间隔的并网功率，以使储能系统始终运行在设定的荷电状态之间，该设计涉及了储能系统充放电状态的控制，但对于储能设备基于电转氢储能的设计却未曾涉及，因此，基于上述问题，本发明根据利润收益值对并电网中可再生能源发电类型和电转氢储能进行设计。
发明内容
针对现有技术存在的可再生能源RE的发电成本不同和储能设备调用不当的问题，本发明的目的在于提供基于AEM的可再生能源智能调度系统，实现并电网在区域输电过程中可再生能源和储能设备的电力调用。
为实现上述目的，本发明提供了如下技术方案：
基于AEM的可再生能源智能调度系统，所述智能调度系统包括驱动层和处理层：驱动层基于并网条件下的风－光－电多能源综合模型对可再生能源RE的发电量进行预测；
处理层基于线性程序中的IDDRR 算法对各个时刻中可再生能源RE的发电量和区域供电量进行分析和调用：处理层包括处理模块和储能管理模块，处理模块基于供电成本对电网中电力输送的最大利润值，在不同应用场景下对可再生能源RE的电量输送进行选择，处理模块基于线性程序中的IDDRR 算法，根据分析公式对并电网中所能获取的最大利润进行计算；储能管理模块用于RE发电富余时电力的氢化存储，以及并电网供电不足时氢电的释放充电。
优选的，所述驱动层基于并网条件下的常规风－光－电多能源综合模型，引入电转氢供能捕集运行模式，构建包含风电、光电和氢电的多区域综合能源系统IES ，驱动层包括数据库，数据库基于电网在各时刻的历史电量供应，构建每一天中各个时刻的电力供应预测模型；
设定需要供电的时间为一年中的第T天，并平均划分出n个时刻，设定每个时刻为i，数据库基于往年同天和同年往期的供电数据记录以及区域内对第T天的预先购电量，基于卷积神经网络构建出第T天中每个时刻i的电力需求量。
优选的，所述处理层包括处理模块，处理模块根据风电、光电和氢电的供电成本进行最小值选择，基于电网电力输送的利益最大化和成本最小化进行不同可再生能源RE的电量输送选择，处理模块基于线性程序中的IDDRR 算法，根据分析公式对并电网中所能获取的最大利润进行计算，所述分析公式如下：
式中，C为并电网售电获取的利润值，为i时刻的对外售电单价，/>为i时刻的出售电力总额，/>为i时刻的发电成本单价，/>为i时刻的发电电力总额，/>为i时刻流出各个储能设备ESD的放电电力总额或者调用电力设备输出的电力总额，/>为i时刻流入每个ESD的电力能量总额，/>为i时刻ESD放电时的循环成本单价或者调用电力的平均单价，/>为i时刻ESD充电时获取的利润单价；
其中，i为第T天中各个时刻的标号，m为放电储能设备ESD的标号，l为放电储能设备ESD的数量，s为充电储能设备ESD或者调用电力设备的标号，a为充电储能设备ESD或者调用电力设备的数量。
优选的，所述处理模块包括选择单元，选择单元根据风力发电单价和光伏发电成本单价对RE供电类型进行先后选择：
当，即i时刻的风力发电成本单价/>低于光伏发电成本单价/>时，选择单元基于一级选择模型对风力发电类型进行优先级选择，一级选择模型如下：
当，即i时刻的风力发电成本单价/>高于光伏发电成本单价/>时，选择单元基于二级选择模型对光伏发电类型进行优先级选择，二级选择模型如下：
式中，为i时刻的风力发电电力总额，/>为i时刻的光伏发电电力总额。
优选的，所述处理模块接收到区域用电请求时，在i-1时刻，区域用电对i-1时刻的下一时刻i时刻进行电量预先购买，记为i时刻的出售电力总额，驱动层基于数据库对综合能源系统IES中RE可发电总量进行预测，可再生能源RE包括风力发电总量和光伏发电总量，当i时刻的风力发电电力总额/>和光伏发电电力总额/>均能满足出售电力总额时，将风力发电成本单价/>与光伏发电成本单价/>进行对比，优先选择成本较低的发电类型；当i时刻的风力发电电力总额/>或者光伏发电电力总额/>中只要一个满足出售电力总额/>时，依旧优先选择成本较低的发电类型，实现利润值C的最大化。
通过处理模块基于分析公式对可再生能源发电过程中所能获取的利润最大值进行判断，选择单元根据风力发电单价和光伏发电成本单价对RE供电类型进行先后选，并根据不同的选择生成不同的电力消耗成本，优先选择成本较低的发电类型，为分析公式中电网发电电力总价值提供数据支持，实现利润值的最大化，不仅降低电网供电过程中的运维成本的消耗，而且增加了电网的营收，通过对不同应用场景下对可再生能源发电类型的选择，实现对不同类型电力的调用，优先对价值比较低的电力进行消耗，将高价值电力进行存储或者在价格高峰期进行售卖，提高社会效益和经济效益。
优选的，所述处理层包括储能管理模块，储能管理模块用于RE发电富余时电力的氢化存储和并电网供电不足时氢电的释放充电，储能管理模块包括储能设备ESD的电转氢供能模型构造，储能设备ESD包括电化储氢设备，电转氢供能模型包括电解槽模型、储氢罐模型和燃料电池的数学模型；
电解槽模型：
式中：为i时段电解槽的输出功率，/>为i时段电解槽的输入功率，/>为电制氢的转化功率；
储氢罐模型：
式中：为i-1时段储氢罐储存容量，/>为i时段储氢罐储存容量，/>为i时段储氢罐充气功率，/>为i时段储氢罐放气功率，/>为储氢效率，/>为放氢效率；
燃料电池的数学模型：
式中：为i时段燃料电池输出总功率，/>为i时段燃料电池输出的电功率，为i时段燃料电池输出的热功率，/>为i时段燃料电池的输入功率，/>为i时段燃料电池的气转电效率，/>为i时段燃料电池的气转热。
优选的，所述储能管理模块基于RE发电富余对储能设备ESD进行电转氢储能，具体通过式（1）、式（2）、式（4）和式（5）来体现，通过对电解槽输入功率的求取，获取储能设备ESD中储氢罐所存储的容量以及所存储的电功率：
公式（7）
通过公式（7），获取RE发电富余时储能设备ESD所能存储的电力，其中，为第一转换效率。
优选的，所述储能管理模块基于RE发电不足时对储能设备ESD进行氢转电放能，具体通过式（3）和式（6）来体现，当RE发电难以满足用电供电需求时，可以通过储能设备ESD的燃料电池对并电网进行电力补充，当储能设备ESD对并电网进行电力补充时，存在两种情况，包括储能设备ESD供电满足并电网的电力需求和储能设备ESD供电不满足并电网的电力需求：
当储能设备ESD供电满足并电网的电力需求时，根据公式（8）获取储能设备ESD中氢化燃料电池所能释放的电力，
公式（8）
式中，为第二转换效率；
当储能设备ESD供电不满足并电网的电力需求时，并电网向上级电网进行电力调用，根据公式（9）获取并电网需要消耗的成本，
公式（9）
式中，为燃料电池输出的电功率的平均单价，/>为调用电力总量，/>为调用电力的平均单价。
优选的，所述储能管理模块在并电网供电不足时的电力补充和电力富余时的储能，其补充过程具体为：当i时刻的出售电力总额小于i时刻的发电电力总额/>时，即电网发电量供大于求时，将多余的电能经电解水制氢并储存起来；当i时刻的出售电力总额等于i时刻的发电电力总额/>时，即电网发电量正好满足需求量，由RE发电进行提供，当i时刻的出售电力总额/>大于i时刻的发电电力总额/>时，即电网发电量供不应求时，储氢罐放气经燃料电池燃烧放电进行优先供电，剩余缺额由上级电网的电力进行补充。
优选的，所述可再生能源智能调度系统应用于云处理平台，云处理平台连接电场中多个供电设备，计算机通过云处理平台对每个时刻的不同类型RE产生的电力进行调用，并基于利润值C最大的原则对成本进行最优选择，进而确定风力发电或者光伏发电的调用，以及并电网电力供应富余和不足时对储能设备ESD的处理，满足不同应用场景下对可再生能源RE发电量的调用。
储能管理模块基于RE发电不足时对储能设备ESD进行氢转电放能，根据公式（7）获取RE发电富余时，电转氢供能模型获取富余可再生能源电力在电转氢存储时留存的有效电功率，以及储能设备在进行放电时所能释放的有效电力，RE发电不足时分成储能设备ESD供电满足并电网的电力需求和储能设备ESD供电不满足并电网的电力需求两种情况，当储能设备ESD供电不满足并电网的电力需求时，并电网向上级电网进行电力调用，并根据公式（9）获取并电网需要消耗的成本；当储能设备ESD供电满足并电网的电力需求时，根据公式（8）获取储能设备ESD中氢化燃料电池释放电力需要消耗的成本，为分析公式中获取电网利益最大化提供详实可靠的数据支持。
与现有技术相比，本发明具备以下有益效果：
1、本发明中，通过处理模块基于分析公式对可再生能源发电过程中所能获取的利润最大值进行判断，选择单元根据风力发电单价和光伏发电成本单价对RE供电类型进行先后选，并根据不同的选择生成不同的电力消耗成本，优先选择成本较低的发电类型，为分析公式中电网发电电力总价值提供数据支持，实现利润值的最大化，不仅降低电网供电过程中的运维成本的消耗，而且增加了电网的营收，通过对不同应用场景下对可再生能源发电类型的选择，实现对不同类型电力的调用，优先对价值比较低的电力进行消耗，将高价值电力进行存储或者在价格高峰期进行售卖，提高社会效益和经济效益。
2、本发明中，储能管理模块基于RE发电不足时对储能设备ESD进行氢转电放能，根据公式（7）获取RE发电富余时，电转氢供能模型获取富余可再生能源电力在电转氢存储时留存的有效电功率，以及储能设备在进行放电时所能释放的有效电力，RE发电不足时分成储能设备ESD供电满足并电网的电力需求和储能设备ESD供电不满足并电网的电力需求两种情况，当储能设备ESD供电不满足并电网的电力需求时，并电网向上级电网进行电力调用，并根据公式（9）获取并电网需要消耗的成本；当储能设备ESD供电满足并电网的电力需求时，根据公式（8）获取储能设备ESD中氢化燃料电池释放电力需要消耗的成本，为分析公式中获取电网利益最大化提供详实可靠的数据支持。
附图说明
图1为本发明提出基于AEM的可再生能源智能调度系统的结构示意图；
图2为本发明中调度系统的方法示意图；
图3为本发明中电转氢供能单元结构图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
可再生能源大规模并网加剧了电力系统面临的不确定性，一方面，水电大多有季节性，丰水和枯水期发电量变化较大；风电也受风能的不确定性限制；光伏发电能量密度低，受气候环境影响大，对日照资源地域依赖性强，进而导致不同时间段的发电量不同，且导致每一种可再生能源的发电成本各不相同，另一方面，电网在供电富余或者供电不足时需要对电力进行协调调用，一旦遇到电力、热力供应紧张、电网严重故障以及重大保电需要时，需要对电力进行紧急调用，且如果不能对富余的电力进行合理利用，会造成资源的浪费，这要求在电力系统优化调度中，不仅要提高可再生能源出力预测精度，还要充分发挥储能、可中断负荷等灵活性资源的作用，在电网规划运行中，考虑灵活性可提高电力系统对可再生能源的消纳能力，也可提高电力系统应对突发事件的响应能力。
实施例一
参照图1和图2，实施例一对本发明提出的基于AEM的可再生能源智能调度系统做进一步说明。
可再生能源大规模并网加剧了电力系统面临的不确定性，水电大多有季节性，丰水和枯水期发电量变化较大；风电也受风能的不确定性限制；光伏发电能量密度低，受气候环境影响大，对日照资源地域依赖性强，进而导致不同时间段的发电量不同，且导致每一种可再生能源的发电成本各不相同，基于利润最大化的前提下，需要对发电成本进行控制，故而针对不同的应用场景需要选择不同的发电模式，实现电网在电力售卖过程中的利益收益值最大。
基于AEM的可再生能源智能调度系统，所述智能调度系统包括驱动层和处理层：驱动层基于并网条件下的风－光－电多能源综合模型对可再生能源RE的发电量进行预测。
驱动层基于并网条件下的常规风－光－电多能源综合模型，引入电转氢供能捕集运行模式，构建包含风电、光电和氢电的多区域综合能源系统IES ，驱动层包括数据库，数据库基于电网在各时刻的历史电量供应，构建每一天中各个时刻的电力供应预测模型；设定需要供电的时间为一年中的第T天，并平均划分出n个时刻，设定每个时刻为i，数据库基于往年同天和同年往期的供电数据记录以及区域内对第T天的预先购电量，基于卷积神经网络构建出第T天中每个时刻i的电力需求量。
处理层包括处理模块，处理模块根据风电、光电和氢电的供电成本进行最小值选择，基于电网电力输送的利益最大化和成本最小化进行不同可再生能源RE的电量输送选择，处理模块基于线性程序中的IDDRR算法，根据分析公式对并电网中所能获取的最大利润进行计算，所述分析公式如下：
式中，C为并电网售电获取的利润值，为i时刻的对外售电单价，/>为i时刻的出售电力总额，/>为i时刻的发电成本单价，/>为i时刻的发电电力总额，/>为i时刻流出各个储能设备ESD的放电电力总额或者调用电力设备输出的电力总额，/>为i时刻流入每个ESD的电力能量总额，/>为i时刻ESD放电时的循环成本单价或者调用电力的平均单价，/>为i时刻ESD充电时获取的利润单价；
其中，i为第T天中各个时刻的标号，m为放电储能设备ESD的标号，l为放电储能设备ESD的数量，s为充电储能设备ESD或者调用电力设备的标号，a为充电储能设备ESD或者调用电力设备的数量。
分析公式基于电网中i时刻所被购买的电量和自身的发电量计算所能赢得的最大利润值，表示一天中出售电力所获取的价值总额，/>表示一天中并电网出售整体发电电力所获取的价值总额，/>表示发电电力不能满足并电网出售电力时，各个储能设备ESD或者调用电力设备所输出的电力价值总额，当发电电力满足并电网出售电力时，/>，/>表示发电电力满足并电网出售电力且电力有剩余时，转化为电力存储所获取的价值总额，当发电电力不满足并电网出售电力时，。
处理模块包括选择单元，选择单元根据风力发电单价和光伏发电成本单价对RE供电类型进行先后选择：
当，即i时刻的风力发电成本单价/>低于光伏发电成本单价/>时，选择单元基于一级选择模型对风力发电类型进行优先级选择，一级选择模型如下：
当，即i时刻的风力发电成本单价/>高于光伏发电成本单价/>时，选择单元基于二级选择模型对光伏发电类型进行优先级选择，二级选择模型如下：
式中，为i时刻的风力发电电力总额，/>为i时刻的光伏发电电力总额。
处理模块接收到区域用电请求时，在i-1时刻，区域用电对i-1时刻的下一时刻i时刻进行电量预先购买，记为i时刻的出售电力总额，驱动层基于数据库对综合能源系统IES中RE可发电总量进行预测，可再生能源RE包括风力发电总量和光伏发电总量，当i时刻的风力发电电力总额/>和光伏发电电力总额/>均能满足出售电力总额/>时，将风力发电成本单价/>与光伏发电成本单价/>进行对比，优先选择成本较低的发电类型；当i时刻的风力发电电力总额/>或者光伏发电电力总额/>中只要一个满足出售电力总额时，依旧优先选择成本较低的发电类型，实现利润值C的最大化。
式（1）、式（2）、式（3）、式（4）、式（5）和式（6）分别应用于不同场景下，处理模块对可再生能源RE发电产生电力的选择，式（1）、式（2）和式（3）应用于风力发电成本单价低于或等于光伏发电成本单价时，选择单元基于风力发电和光伏发电是否满足电力需求进行电力类型的匹配，式（4）、式（5）和式（6）应用于风力发电成本单价高于光伏发电成本单价时，选择单元基于风力发电和光伏发电是否满足电力需求进行电力类型的匹配。
本实施例中，通过处理模块基于分析公式对可再生能源发电过程中所能获取的利润最大值进行判断，选择单元根据风力发电单价和光伏发电成本单价对RE供电类型进行先后选，并根据不同的选择生成不同的电力消耗成本，优先选择成本较低的发电类型，为分析公式中电网发电电力总价值提供数据支持，实现利润值的最大化，不仅降低电网供电过程中的运维成本的消耗，而且增加了电网的营收，通过对不同应用场景下对可再生能源发电类型的选择，实现对不同类型电力的调用，优先对价值比较低的电力进行消耗，将高价值电力进行存储或者在价格高峰期进行售卖，提高社会效益和经济效益。
实施例二
参照图1、图2和图3，实施例二对本发明提出的基于AEM的可再生能源智能调度系统做进一步说明。
电网在供电富余或者供电不足时需要对电力进行协调调用，一旦遇到电力、热力供应紧张、电网严重故障以及重大保电需要时，需要对电力进行紧急调用，且如果不能对富余的电力进行合理利用，会造成资源的浪费，这要求在电力系统优化调度中，不仅要提高可再生能源出力预测精度，还要充分发挥储能、可中断负荷等灵活性资源的作用，在电网规划运行中，考虑灵活性可提高电力系统对可再生能源的消纳能力，也可提高电力系统应对突发事件的响应能力。
处理层包括储能管理模块，储能管理模块用于RE发电富余时电力的氢化存储和并电网供电不足时氢电的释放充电，储能管理模块包括储能设备ESD的电转氢供能模型构造，储能设备ESD包括电化储氢设备，电转氢供能模型包括电解槽模型、储氢罐模型和燃料电池的数学模型；
电解槽模型：
式中：为i时段电解槽的输出功率，/>为i时段电解槽的输入功率，/>为电制氢的转化功率；
储氢罐模型：
式中：为i-1时段储氢罐储存容量，/>为i时段储氢罐储存容量，/>为i时段储氢罐充气功率，/>为i时段储氢罐放气功率，/>为储氢效率，/>为放氢效率；
燃料电池的数学模型：
式中：为i时段燃料电池输出总功率，/>为i时段燃料电池输出的电功率，为i时段燃料电池输出的热功率，/>为i时段燃料电池的输入功率，/>为i时段燃料电池的气转电效率，/>为i时段燃料电池的气转热。
AEM制氢技术是一种新型的碱性离子膜水分解制氢技术，主要包括电解槽、电极、电解质和电源等四个部分，整个制氢过程中，水分子在电解槽中发生电解反应，分解为氢离子和氧离子，同时由于过程中存在的离子交换膜只允许质子（H+）通过，阻挡氢氧根离子（OH-）通过，因此产生的氢离子会向阴极移动，而氧离子则向阳极移动，最终在阴极处还原成氢气，阳极处被氧化为氧气，通过这种方法，AEM制氢技术可以高效地制备高纯度的氢气。
储能管理模块基于RE发电富余对储能设备ESD进行电转氢储能，具体通过式（1）、式（2）、式（4）和式（5）来体现，通过对电解槽输入功率的求取，获取储能设备ESD中储氢罐所存储的容量以及所存储的电功率：
公式（7）
通过公式（7），获取RE发电富余时储能设备ESD所能存储的电力，其中，为第一转换效率。
根据公式（7）获取RE发电富余时，储能设备ESD所能存储的不同可再生能源产生的电力以及电力在电解槽所产生的输出功率，基于电转氢供能模型获取富余可再生能源电力在电转氢存储时留存的有效电功率，以及储能设备在进行放电时所能释放的有效电力，进而对电-氢-电转化过程中电力的流转和有效放电总量提供详实可靠的数据支持，实现储能设备在进行能量转换过程中储能设备电力有效输出的观测。
储能管理模块基于RE发电不足时对储能设备ESD进行氢转电放能，具体通过式（3）和式（6）来体现，当RE发电难以满足用电供电需求时，可以通过储能设备ESD的燃料电池对并电网进行电力补充，当储能设备ESD对并电网进行电力补充时，存在两种情况，包括储能设备ESD供电满足并电网的电力需求和储能设备ESD供电不满足并电网的电力需求：
当储能设备ESD供电满足并电网的电力需求时，根据公式（8）获取储能设备ESD中氢化燃料电池所能释放的电力，
公式（8）
式中，为第二转换效率；
当储能设备ESD供电不满足并电网的电力需求时，并电网向上级电网进行电力调用，根据公式（9）获取并电网需要消耗的成本，
公式（9）
式中，为燃料电池输出的电功率的平均单价，/>为调用电力总量，/>为调用电力的平均单价。
储能管理模块在并电网供电不足时的电力补充和电力富余时的储能，其补充过程具体为：当i时刻的出售电力总额小于i时刻的发电电力总额/>时，即电网发电量供大于求时，将多余的电能经电解水制氢并储存起来；当i时刻的出售电力总额/>等于i时刻的发电电力总额/>时，即电网发电量正好满足需求量，由RE发电进行提供，当i时刻的出售电力总额/>大于i时刻的发电电力总额/>时，即电网发电量供不应求时，储氢罐放气经燃料电池燃烧放电进行优先供电，剩余缺额由上级电网的电力进行补充。
可再生能源智能调度系统应用于云处理平台，云处理平台连接电场中多个供电设备，计算机通过云处理平台对每个时刻的不同类型RE产生的电力进行调用，并基于利润值C最大的原则对成本进行最优选择，进而确定风力发电或者光伏发电的调用，以及并电网电力供应富余和不足时对储能设备ESD的处理，满足不同应用场景下对可再生能源RE发电量的调用。
储能管理模块基于RE发电不足时对储能设备ESD对并电网进行电力补充时，储能设备ESD供电满足并电网的电力需求和储能设备ESD供电不满足并电网的电力需求两种情况下的管理：当储能设备ESD供电不满足并电网的电力需求时，并电网向上级电网进行电力调用，并根据公式（9）获取并电网需要消耗的成本；当储能设备ESD供电满足并电网的电力需求时，根据公式（8）获取储能设备ESD中氢化燃料电池释放电力需要消耗的成本，为分析公式提供详实可靠的数据支持。
本实施例中，储能管理模块基于RE发电不足时对储能设备ESD进行氢转电放能，根据公式（7）获取RE发电富余时，电转氢供能模型获取富余可再生能源电力在电转氢存储时留存的有效电功率，以及储能设备在进行放电时所能释放的有效电力，RE发电不足时分成储能设备ESD供电满足并电网的电力需求和储能设备ESD供电不满足并电网的电力需求两种情况，当储能设备ESD供电不满足并电网的电力需求时，并电网向上级电网进行电力调用，并根据公式（9）获取并电网需要消耗的成本；当储能设备ESD供电满足并电网的电力需求时，根据公式（8）获取储能设备ESD中氢化燃料电池释放电力需要消耗的成本，为分析公式中获取电网利益最大化提供详实可靠的数据支持。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术用户来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.基于AEM的可再生能源智能调度系统，其特征在于，所述可再生能源智能调度系统包括驱动层和处理层：
驱动层基于并网条件下的风－光－电多能源综合模型对可再生能源RE的发电量进行预测；
处理层基于线性程序中的IDDRR 算法对各个时刻中可再生能源RE的发电量和区域供电量进行分析和调用：处理层包括处理模块和储能管理模块，处理模块基于供电成本对电网中电力输送的最大利润值，在不同应用场景下对可再生能源RE的电量输送进行选择，处理模块基于线性程序中的IDDRR 算法，根据分析公式对并电网中所能获取的最大利润进行计算；储能管理模块用于RE发电富余时电力的氢化存储，以及并电网供电不足时氢电的释放充电；
所述驱动层基于并网条件下的常规风－光－电多能源综合模型，引入电转氢供能捕集运行模式，构建包含风电、光电和氢电的多区域综合能源系统IES ，驱动层包括数据库，数据库基于电网在各时刻的历史电量供应，构建每一天中各个时刻的电力供应预测模型；
设定需要供电的时间为一年中的第T天，并平均划分出n个时刻，设定每个时刻为i，数据库基于往年同天和同年往期的供电数据记录以及区域内对第T天的预先购电量，基于卷积神经网络构建出第T天中每个时刻i的电力需求量；
所述处理层包括处理模块，处理模块根据风电、光电和氢电的供电成本进行最小值选择，基于电网电力输送的利益最大化和成本最小化进行不同可再生能源RE的电量输送选择，处理模块基于线性程序中的IDDRR 算法，根据分析公式对并电网中所能获取的最大利润进行计算，所述分析公式如下：
式中，C为并电网售电获取的利润值，为i时刻的对外售电单价，/>为i时刻的出售电力总额，/>为i时刻的发电成本单价，/>为i时刻的发电电力总额，/>为i时刻流出各个储能设备ESD的放电电力总额或者调用电力设备输出的电力总额，/>为i时刻流入每个ESD的电力能量总额，/>为i时刻ESD放电时的循环成本单价或者调用电力的平均单价，/>为i时刻ESD充电时获取的利润单价；
其中，i为第T天中各个时刻的标号，m为放电储能设备ESD的标号，l为放电储能设备ESD的数量，s为充电储能设备ESD或者调用电力设备的标号，a为充电储能设备ESD或者调用电力设备的数量；
所述处理模块包括选择单元，选择单元根据风力发电单价和光伏发电成本单价对RE供电类型进行先后选择：
当，即i时刻的风力发电成本单价/>低于光伏发电成本单价/>时，选择单元基于一级选择模型对风力发电类型进行优先级选择，一级选择模型如下：
当，即i时刻的风力发电成本单价/>高于光伏发电成本单价/>时，选择单元基于二级选择模型对光伏发电类型进行优先级选择，二级选择模型如下：
式中，为i时刻的风力发电电力总额，/>为i时刻的光伏发电电力总额。
2.根据权利要求1所述的基于AEM的可再生能源智能调度系统，其特征在于，所述处理模块接收到区域用电请求时，在i-1时刻，区域用电对i-1时刻的下一时刻i时刻进行电量预先购买，记为i时刻的出售电力总额，驱动层基于数据库对综合能源系统IES中RE可发电总量进行预测，可再生能源RE包括风力发电总量和光伏发电总量，当i时刻的风力发电电力总额/>和光伏发电电力总额/>均能满足出售电力总额/>时，将风力发电成本单价与光伏发电成本单价/>进行对比，优先选择成本较低的发电类型；当i时刻的风力发电电力总额/>或者光伏发电电力总额/>中只要一个满足出售电力总额/>时，依旧优先选择成本较低的发电类型，实现利润值C的最大化。
3.根据权利要求1所述的基于AEM的可再生能源智能调度系统，其特征在于，所述处理层包括储能管理模块，储能管理模块用于RE发电富余时电力的氢化存储和并电网供电不足时氢电的释放充电，储能管理模块包括储能设备ESD的电转氢供能模型构造，储能设备ESD包括电化储氢设备，电转氢供能模型包括电解槽模型、储氢罐模型和燃料电池的数学模型；
电解槽模型：
式中：为i时段电解槽的输出功率，/>为i时段电解槽的输入功率，/>为电制氢的转化功率；
储氢罐模型：
式中：为i-1时段储氢罐储存容量，/>为i时段储氢罐储存容量，/>为i时段储氢罐充气功率，/>为i时段储氢罐放气功率，/>为储氢效率，/>为放氢效率；
燃料电池的数学模型：
式中：为i时段燃料电池输出总功率，/>为i时段燃料电池输出的电功率，/>为i时段燃料电池输出的热功率，/>为i时段燃料电池的输入功率，/>为i时段燃料电池的气转电效率，/>为i时段燃料电池的气转热。
4.根据权利要求3所述的基于AEM的可再生能源智能调度系统，其特征在于，所述储能管理模块基于RE发电富余对储能设备ESD进行电转氢储能，具体通过式（1）、式（2）、式（4）和式（5）来体现，通过对电解槽输入功率的求取，获取储能设备ESD中储氢罐所存储的容量以及所存储的电功率：
公式（7）
通过公式（7），获取RE发电富余时储能设备ESD所能存储的电力，其中，为第一转换效率。
5.根据权利要求4所述的基于AEM的可再生能源智能调度系统，其特征在于，所述储能管理模块基于RE发电不足时对储能设备ESD进行氢转电放能，具体通过式（3）和式（6）来体现，当RE发电难以满足用电供电需求时，可以通过储能设备ESD的燃料电池对并电网进行电力补充，当储能设备ESD对并电网进行电力补充时，存在两种情况，包括储能设备ESD供电满足并电网的电力需求和储能设备ESD供电不满足并电网的电力需求：
当储能设备ESD供电满足并电网的电力需求时，根据公式（8）获取储能设备ESD中氢化燃料电池所能释放的电力，
公式（8）
式中，为第二转换效率；
当储能设备ESD供电不满足并电网的电力需求时，并电网向上级电网进行电力调用，根据公式（9）获取并电网需要消耗的成本，
公式（9）
式中，为燃料电池输出的电功率的平均单价，/>为调用电力总量，/>为调用电力的平均单价。
6.根据权利要求5所述的基于AEM的可再生能源智能调度系统，其特征在于，所述储能管理模块在并电网供电不足时的电力补充和电力富余时的储能，其补充过程具体为：当i时刻的出售电力总额小于i时刻的发电电力总额/>时，即电网发电量供大于求时，将多余的电能经电解水制氢并储存起来；当i时刻的出售电力总额/>等于i时刻的发电电力总额/>时，即电网发电量正好满足需求量，由RE发电进行提供，当i时刻的出售电力总额/>大于i时刻的发电电力总额/>时，即电网发电量供不应求时，储氢罐放气经燃料电池燃烧放电进行优先供电，剩余缺额由上级电网的电力进行补充。
7.根据权利要求1所述的基于AEM的可再生能源智能调度系统，其特征在于，所述可再生能源智能调度系统应用于云处理平台，云处理平台连接电场中多个供电设备，计算机通过云处理平台对每个时刻的不同类型RE产生的电力进行调用，并基于利润值C最大的原则对成本进行最优选择，进而确定风力发电或者光伏发电的调用，以及并电网电力供应富余和不足时对储能设备ESD的处理，满足不同应用场景下对可再生能源RE发电量的调用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311468870.7A CN117254531B (zh) | 2023-11-07 | 2023-11-07 | 基于aem的可再生能源智能调度系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311468870.7A CN117254531B (zh) | 2023-11-07 | 2023-11-07 | 基于aem的可再生能源智能调度系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117254531A CN117254531A (zh) | 2023-12-19 |
| CN117254531B true CN117254531B (zh) | 2024-01-26 |
Family
ID=89126609
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311468870.7A Active CN117254531B (zh) | 2023-11-07 | 2023-11-07 | 基于aem的可再生能源智能调度系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117254531B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015183517A1 (en) * | 2014-05-29 | 2015-12-03 | Causam Energy, Inc. | System, method, and data packets for messaging for electric power grid elements over a secure internet protocol network |
| CN114243694A (zh) * | 2021-12-15 | 2022-03-25 | 东北电力大学 | 考虑阶梯碳交易和需求响应的并网型微电网优化配置方法 |
| CN115423282A (zh) * | 2022-08-26 | 2022-12-02 | 国网青海省电力公司清洁能源发展研究院 | 一种基于奖惩阶梯型碳交易的电-氢-储综合能源网多目标优化调度模型 |
| CN116345505A (zh) * | 2023-04-03 | 2023-06-27 | 淮阴工学院 | 一种具备预测供能的柔性供电与制氢电力系统 |
| CN116995674A (zh) * | 2023-09-26 | 2023-11-03 | 深圳稳石氢能科技有限公司 | 一种基于aem实现的智能能源调度方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230170706A1 (en) * | 2021-11-30 | 2023-06-01 | Caterpillar Inc. | Hydrogen energy storage for power time shifting |
| CN117040000A (zh) * | 2023-08-10 | 2023-11-10 | 河南工业大学 | 一种耦合碳捕集和电制氢的综合能源系统热电优化方法 |
-
2023
- 2023-11-07 CN CN202311468870.7A patent/CN117254531B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2015183517A1 (en) * | 2014-05-29 | 2015-12-03 | Causam Energy, Inc. | System, method, and data packets for messaging for electric power grid elements over a secure internet protocol network |
| CN114243694A (zh) * | 2021-12-15 | 2022-03-25 | 东北电力大学 | 考虑阶梯碳交易和需求响应的并网型微电网优化配置方法 |
| CN115423282A (zh) * | 2022-08-26 | 2022-12-02 | 国网青海省电力公司清洁能源发展研究院 | 一种基于奖惩阶梯型碳交易的电-氢-储综合能源网多目标优化调度模型 |
| CN116345505A (zh) * | 2023-04-03 | 2023-06-27 | 淮阴工学院 | 一种具备预测供能的柔性供电与制氢电力系统 |
| CN116995674A (zh) * | 2023-09-26 | 2023-11-03 | 深圳稳石氢能科技有限公司 | 一种基于aem实现的智能能源调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117254531A (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110544935B (zh) | 一种电-氢多能互补直流微电网协调调度方法 | |
| CN110571857A (zh) | 基于光伏与燃料电池联合发电系统的能源管理协调系统 | |
| CN112109578A (zh) | 车辆能源补给站及其控制方法 | |
| CN112886645B (zh) | 一种基于氢能超高比例的新能源电力系统运行模拟方法 | |
| CN110783959A (zh) | 一种新能源发电系统的稳定状态控制系统 | |
| CN116599148A (zh) | 一种面向新能源消纳的氢电混合储能两阶段协同规划方法 | |
| Huangfu et al. | An optimal energy management strategy with subsection bi-objective optimization dynamic programming for photovoltaic/battery/hydrogen hybrid energy system | |
| CN114759599A (zh) | 光氢燃料电池热电联供系统、容量配置方法及介质 | |
| CN113452044B (zh) | 一种含氢与液态金属电池混合储能系统的风力光伏电网调度方法 | |
| CN112803567A (zh) | 基于智能楼宇光储供电设备的参数优化设计方法及系统 | |
| CN117254531B (zh) | 基于aem的可再生能源智能调度系统 | |
| CN112701685A (zh) | 车辆充电站及其控制方法 | |
| CN116822866A (zh) | 一种面向负荷侧资源的电网调控需求计算方法及系统 | |
| CN117114281A (zh) | 一种灵活资源多阶段规划方案的确定方法 | |
| CN117081041A (zh) | 一种港区多能源融合协调优化控制方法及系统 | |
| CN117154838A (zh) | 一种含氢储能的综合能源系统中长期低碳调度优化方法、系统、电子设备、存储介质 | |
| CN116613801A (zh) | 一种风光蓄电池混合氢储能发电系统日前优化调度方法 | |
| CN116742662A (zh) | 一种电氢耦合系统多时间尺度优化运行方法及系统 | |
| Ran et al. | Economic dispatch of off-grid photovoltaic generation system with hybrid energy storage | |
| CN115409399A (zh) | 一种面向新型电力系统的复合储能优化调度系统及方法 | |
| CN116191493A (zh) | 一种火电机组深度调峰和复合储能协同规划方法与装置 | |
| CN115764940A (zh) | 风电制氢微电网系统容量配置方法及系统 | |
| CN110417002B (zh) | 一种孤岛微电网能量模型的优化方法 | |
| Xiao et al. | Structure and Capacity Configuration of Substation Microgrid with Hydrogen Energy Storage | |
| CN116111592B (zh) | 一种考虑规模化电制氢运行特性的优化调度方法 |
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 |