CN117408489A - 一种并网型光伏制氢耦合系统能源优化调度方法 - Google Patents
一种并网型光伏制氢耦合系统能源优化调度方法 Download PDFInfo
- Publication number
- CN117408489A CN117408489A CN202311488352.1A CN202311488352A CN117408489A CN 117408489 A CN117408489 A CN 117408489A CN 202311488352 A CN202311488352 A CN 202311488352A CN 117408489 A CN117408489 A CN 117408489A
- Authority
- CN
- China
- Prior art keywords
- data
- hydrogen production
- electricity price
- power
- photovoltaic
- 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
Links
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 88
- 239000001257 hydrogen Substances 0.000 title claims abstract description 88
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 88
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 84
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 230000008878 coupling Effects 0.000 title claims abstract description 12
- 238000010168 coupling process Methods 0.000 title claims abstract description 12
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 12
- 230000005611 electricity Effects 0.000 claims abstract description 80
- 238000010248 power generation Methods 0.000 claims abstract description 46
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000037430 deletion Effects 0.000 claims description 13
- 238000012217 deletion Methods 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 13
- 230000035772 mutation Effects 0.000 claims description 13
- 238000012952 Resampling Methods 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000008439 repair process Effects 0.000 claims description 9
- 238000004321 preservation Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 description 4
- 238000005868 electrolysis reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 239000002699 waste material Substances 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- 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
- H02J3/381—Dispersed generators
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种并网型光伏制氢耦合系统能源优化调度方法,主要包括光伏功率预测,动态电价预测及制氢系统能源调度决策。光伏功率预测提供未来光伏组件发电数据,动态电价预测提供未来新能源动态电价,制氢能源调度决策依据所预测的光伏功率数据和动态新能源电价情况,对制氢系统用能进行优化调度,实现降低能耗成本,提高制氢效率的目标。本发明根据光伏功率预测数据和动态电价预测数据对制氢系统能源进行精细化调度,提高用电效率及光伏发电的消纳比例,降低电解制氢系统用能成本。
Description
技术领域
本发明涉及一种并网型光伏制氢耦合系统能源优化调度方法,属于综合能源调度的技术领域。
背景技术
随着新能源快速发展,我国光伏电站在快速且大规模的扩建,光伏发电量占比日益增长,但光伏发电具有间歇性,波动性的特点,导致光伏发电不能较好的消纳和利用,当供需不平衡时甚至会出现电网吸收不足,弃光限电的现象,直接导致能源浪费和经济损失。
目前电解水制氢过程用能主要是以市电为主,市电电价相比新能源电价一般较高,导致使用市电进行电解水制氢成本较高,且市电制氢使用化石燃料产生的电能,会释放大量的温室气体和污染物,对环境造成负面影响,另外市电制氢依赖于传统的能源结构,而且能源供应受到能源分布和供应链的限制。这也就意味着,在资源短缺的情况下,市电电价会有着较大的波动,导致市电制氢成本进一步提升。
如果能有效的结合光伏发电系统和电解制氢系统,在光伏发电能力较充足的时间利用电解制氢系统对光伏发电进行消纳,在市电成本相对较高时,切换至使用光伏发电进行制氢,将会极大的降低电解制氢成本,提高光伏发电量消纳。
发明内容
为了解决上述存在的问题,本发明公开了一种并网型光伏制氢耦合系统能源优化调度方法,其具体技术方案如下:
一种并网型光伏制氢耦合系统能源优化调度方法,包括以下步骤:
步骤1、建立光伏功率预测模型:首先,下载并解析GFS气象数据,对气象数据特征进行筛选,以筛选出与光伏发电相关的气象数据特征,包括辐照度、温度、云量的特征数据;其次,对光伏历史发电实测数据进行预处理,包括缺失检测并修补,突变值检测并修复;再次,对处理后的特征数据及光伏发电数据重采样,使其在时间维度统一;最后,对所得的数据进行归一化处理,并构建数据使用多层感知机(MLP)算法建立光伏功率预测模型;
步骤2、部署光伏功率预测模型:将建立好的光伏功率预测模型部署至预测服务器,配套相应GFS下载解析数据,基于下载解析好的气象数据,应用光伏功率预测模型预测未来1-4小时的光伏发电功率;
步骤3、建立动态电价预测模型:同样地,对获取的历史电价数据预处理,包括缺失检测并修补,突变值检测并调整,并对数据进行重采样、归一化处理;最后,使用变分模态(VMD)分解处理后的数据,使用LSTM算法对分解后的数据预测进行电价预测;
步骤4、部署动态电价预测模型:将建立好的动态电价预测模型部署至预测服务器,配套相应实测数据采集程序,基于采集的历史用电时序数据,应用动态电价时序预测模型预测未来1-4小时的电力市场电价;
步骤5、获取设备信息及工业目标,设备信息及工业目标包括电解槽的保温功率、氢气产量指标、制氢周期、制氢额定功率,拟定制氢能源调度决策算法的目标函数和边界条件;
步骤6、将预测的光伏发电功率和动态市场电价数据输入制氢能源调度决策算法,应用粒子群优化算法(PSO)求解出未来1-4小时的最优制氢系统用能配比方案。
进一步的,所述步骤1和2光伏功率预测算法建模和预测具体过程为:
a1)、美国全球气象数据(GFS)下载,解析及特征提取;
a2)、光伏历史发电数据异常点位处理,异常点位包括缺失和/或突变异常;
a3)、GFS数据和光伏实测数据整合,使气象数据和实测数据处于同一时间维度上;
a4)、气象数据和实测数据重采样,使合并后的数据采样时间间隔变为15Min;
a5)、对重采样的数据进行归一化,为训练模型做准备;
a6)、基于归一化后的数据采用多层感知机(MLP)算法,建立光伏功率预测模型,用于预测光伏电站未来1-4小时的发电量。
进一步的,所述步骤3和4动态电价预测算法建模和预测具体过程为:
b1)、历史电价数据异常点位处理,异常点位包括缺失和/或突变异常;
b2)、历史电价数据重采样,使数据采样时间间隔变为15Min;
b3)、对重采样后的电价数据进行归一化,为训练模型做准备;
b4)、使用变分模态(VMD)分解处理归一化后的历史电价数据,并且采用长短期记忆网络(LSTM)建立动态电价预测模型,用于预测未来1-4小时新能源电价。
进一步的,所述步骤5和6的制氢能源调度决策算法具体过程为:
c1)、优化目标函数:
c2)、边界条件:
公式中参数解释:
N为制氢周期,适用短期和长期;
为第t时间段内制氢系统从电网获取的功率;
为第t时间段内制氢系统从光伏发电获取的功率;
为第t时间段从电网用电成本电价;
为第t时间段从新能源用电成本电价;
Δt为第t时间段内累计用电时长;
ht为第t时间段制氢速率;
H为制氢周期内的氢气产量指标;
ξ为系统用电功率转换成电解槽功率的转换因子;
为电解槽保温功率;
Pat为第t时间段压力容器压力;
为压力容器压力阈值;
为第t时间段新能源并网功率;
为第t时间段光伏发电功率;
c3)、根据制氢能源调度决策算法的优化目标以及边界条件,应用粒子群优化算法,得出整个制氢周期各时段最优且平稳的系统用电方案。
进一步的,所述粒子群优化算法根据约束条件在解空间中迭代搜索,通过个体极值和种群极值更新粒子的速度和位置,从而找出目标函数最优解,即系统的最优用电方案。
本发明的工作原理是:
光伏发电是企业得到电能的一种方法,企业可以自助选用自己的光伏发电的电能,也可以选用市电。如何在预测出未来几个小时的光伏发电功率,以及市电成本,权衡用电成本,进而决策市电使用比例,需要经过精密的计算,得出最实惠用电模式,优化用电调度。
本发明的有益效果是:
本发明根据预测数据提前对制氢系统用能进行精细化调度,提高用电效率,节约用电成本。
本发明结合光伏功率预测数据和动态新能源电价数据,优化能源调度,提高光伏发电的消纳比例,降低电解制氢系统用能成本。
附图说明
图1是本发明的流程图,
图2是本发明实际生产中补充因素图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。应理解下述具体实施方式仅用于说明本发明而不用于限制本发明的范围。
结合附图1可见,本发明并网型光伏制氢耦合系统能源优化调度方法,主要包括光伏功率预测,动态电价预测及制氢系统能源调度决策三部分,光伏功率预测提供未来几个小时的光伏电站发电数据,动态电价预测未来几个小时的用电价格,制氢系统能源调度依据预测光伏功率数据和动态电价,对制氢过程用能功率进行优化,使负荷用能构成最优化。
光伏功率预测:光功率预测算法基于GFS的辐照数据应用MLP来拟合历史发电功率建立预测模型(MLP为一种成熟的神经网络模型,本专利仅仅为使用该模型算法,并没有对该算法提出新的设计,不是本专利的核心改进点,对于该算法,本专利不做赘述),包括特征提取,异常值检测及数据整合等数据预处理过程。特征选择主要用于提取与发电相关的气象要素。由于实测光伏发电数据存在缺失,突变及拉直线等问题,建模前对其进行了异常值检测及修复。动态电价预测:电价预测模型基于历史新能源电价波动数据使用VMD分解成多个时间序列,并基于分解后的多个时间序列应用LSTM算法预测未来新能源电价,包括数据预处理,特征重构等流程(VMD分解及LSTM算法也是常规的成熟算法,本专利并未对该算法做出新的设计,仅仅是使用该算法,故不再赘述)。数据预处理主要用于剔除异常电价数据,确保数据合理性,进而提高模型预测的精度。
制氢系统能源调度:依据预测功率数据和动态电价数据,对制氢系统用能进行优化调度,得出最优的系统用能方案,解决光伏系统和制氢系统一体化难协调控制,光伏发电消纳难,市电电解制氢成本高的问题。预测的新能源电价高于市电价格时,优先使用市电,反之则优先使用新能源发电。该算法的目标主要是上文的目标函数,即使制氢过程的用电成本最小。
本发明具体过程为:
步骤1、建立光伏功率预测模型:首先,下载并解析GFS气象数据,对气象数据特征进行筛选,以筛选出与光伏发电相关的气象数据特征,包括辐照度、温度、云量的特征数据;其次,对光伏历史发电实测数据进行预处理,包括缺失检测并修补,突变值检测并修复;再次,对处理后的特征数据及光伏发电数据重采样,使其在时间维度统一;最后,对所得的数据进行归一化处理,并构建数据使用多层感知机(MLP)算法建立光伏功率预测模型;
步骤2、部署光伏功率预测模型:将建立好的光伏功率预测模型部署至预测服务器,配套相应GFS下载解析数据,基于下载解析好的气象数据,应用光伏功率预测模型预测未来1-4小时的光伏发电功率;
光伏功率预测算法建模和预测具体过程为:
a1)、美国全球气象数据(GFS)下载,解析及特征提取;
a2)、光伏历史发电数据异常点位处理,异常点位包括缺失和/或突变异常;
a3)、GFS数据和光伏实测数据整合,使气象数据和实测数据处于同一时间维度上;
a4)、气象数据和实测数据重采样,使合并后的数据采样时间间隔变为15Min;
a5)、对重采样的数据进行归一化,为训练模型做准备;
a6)、基于归一化后的数据采用多层感知机(MLP)算法,建立光伏功率预测模型,用于预测光伏电站未来1-4小时的发电量。
步骤3、建立动态电价预测模型:同样地,对获取的历史电价数据预处理,包括缺失检测并修补,突变值检测并调整,并对数据进行重采样、归一化处理;最后,使用变分模态(VMD)分解处理后的数据,使用LSTM算法对分解后的数据预测进行电价预测;
步骤4、部署动态电价预测模型:将建立好的动态电价预测模型部署至预测服务器,配套相应实测数据采集程序,基于采集的历史用电时序数据,应用动态电价时序预测模型预测未来1-4小时的电力市场电价;
动态电价预测算法建模和预测具体过程为:
b1)、历史电价数据异常点位处理,异常点位包括缺失和/或突变异常;
b2)、历史电价数据重采样,使数据采样时间间隔变为15Min;
b3)、对重采样后的电价数据进行归一化,为训练模型做准备;
b4)、使用变分模态(VMD)分解处理归一化后的历史电价数据,并且采用长短期记忆网络(LSTM)建立动态电价预测模型,用于预测未来1-4小时新能源电价。
步骤5、获取设备信息及工业目标,设备信息及工业目标包括电解槽的保温功率、氢气产量指标、制氢周期、制氢额定功率,拟定制氢能源调度决策算法的目标函数和边界条件;
步骤6、将预测的光伏发电功率和动态市场电价数据输入制氢能源调度决策算法,应用粒子群优化算法(PSO)求解出未来1-4小时的最优制氢系统用能配比方案。
制氢能源调度决策算法具体过程为:
c1)、优化目标函数:
c2)、边界条件:
公式中参数解释:
N为制氢周期,适用短期和长期;
为第t时间段内制氢系统从电网获取的功率;
为第t时间段内制氢系统从光伏发电获取的功率;
为第t时间段从电网用电成本电价;
为第t时间段从新能源用电成本电价;
Δt为第t时间段内累计用电时长;
ht为第t时间段制氢速率;
H为制氢周期内的氢气产量指标;
ξ为系统用电功率转换成电解槽功率的转换因子;
为电解槽保温功率;
Pat为第t时间段压力容器压力;
为压力容器压力阈值;
为第t时间段新能源并网功率;
为第t时间段光伏发电功率;
c3)、根据制氢能源调度决策算法的优化目标以及边界条件,应用粒子群优化算法,得出整个制氢周期各时段最优且平稳的系统用电方案。
粒子群优化算法根据约束条件在解空间中迭代搜索,通过个体极值和种群极值更新粒子的速度和位置,从而找出目标函数最优解,即系统的最优用电方案。
本专利在应用时,结合图2,同时考虑制氢系统的压力容器、压力阈值、电解槽保温功率、制氢周期、制氢产量、制氢额定功率等,综合多种因素给出较为合理的制氢系统能源调度决策。这些因素为常规因素,且通常为当前生产所知道的参数数据。
本发明方案所公开的技术手段不仅限于上述技术手段所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (5)
1.一种并网型光伏制氢耦合系统能源优化调度方法,其特征在于,包括以下步骤:
步骤1、建立光伏功率预测模型:首先,下载并解析GFS气象数据,对气象数据特征进行筛选,以筛选出与光伏发电相关的气象数据特征,包括辐照度、温度、云量的特征数据;其次,对光伏历史发电实测数据进行预处理,包括缺失检测并修补,突变值检测并修复;再次,对处理后的特征数据及光伏发电数据重采样,使其在时间维度统一;最后,对所得的数据进行归一化处理,并构建数据使用多层感知机(MLP)算法建立光伏功率预测模型;
步骤2、部署光伏功率预测模型:将建立好的光伏功率预测模型部署至预测服务器,配套相应GFS下载解析气象数据,基于下载解析好的气象数据,应用光伏功率预测模型预测未来1-4小时的光伏发电功率;
步骤3、建立动态电价预测模型:同样地,对获取的历史电价数据预处理,包括缺失检测并修补,突变值检测并调整,并对历史电价数据进行重采样、归一化处理;最后,使用变分模态(VMD)分解处理后的电价数据,使用LSTM算法对分解后的电价数据预测进行电价预测;
步骤4、部署动态电价预测模型:将建立好的动态电价预测模型部署至预测服务器,配套相应实测数据采集程序,基于采集的历史用电时序数据,应用动态电价时序预测模型预测未来1-4小时的电力市场电价;
步骤5、获取设备信息及工业目标,设备信息及工业目标包括电解槽的保温功率、氢气产量指标、制氢周期和制氢额定功率,拟定制氢能源调度决策算法的目标函数和边界条件;
步骤6、将预测的光伏发电功率和动态市场电价数据输入制氢能源调度决策算法,应用粒子群优化算法(PSO)求解出未来1-4小时的最优制氢系统用能配比方案。
2.根据权利要求1所述的并网型光伏制氢耦合系统能源优化调度方法,其特征在于,所述步骤1和2光伏功率预测算法建模和预测具体过程为:
a1)、美国全球气象数据(GFS)下载,解析及特征提取;
a2)、光伏历史发电数据异常点位处理,异常点位包括缺失和/或突变异常;
a3)、GFS数据和光伏实测数据整合,使气象数据和实测数据处于同一时间维度上;
a4)、气象数据和实测数据重采样,使合并后的数据采样时间间隔变为15Min;
a5)、对重采样的数据进行归一化,为训练模型做准备;
a6)、基于归一化后的数据采用多层感知机(MLP)算法,建立光伏功率预测模型,用于预测光伏电站未来1-4小时的发电量。
3.根据权利要求1所述的并网型光伏制氢耦合系统能源优化调度方法,其特征在于,所述步骤3和4动态电价预测算法建模和预测具体过程为:
b1)、历史电价数据异常点位处理,异常点位包括缺失和/或突变异常;
b2)、历史电价数据重采样,使数据采样时间间隔变为15Min;
b3)、对重采样后的电价数据进行归一化,为训练模型做准备;
b4)、使用变分模态(VMD)分解处理归一化后的历史电价数据,并且采用长短期记忆网络(LSTM)建立动态电价预测模型,用于预测未来1-4小时新能源电价。
4.根据权利要求1所述的并网型光伏制氢耦合系统能源优化调度方法,其特征在于,所述步骤5和6的制氢能源调度决策算法具体过程为:
c1)、优化目标函数:
c2)、边界条件:
公式中参数解释:
N为制氢周期,适用短期和长期;
为第t时间段内制氢系统从电网获取的功率;
为第t时间段内制氢系统从光伏发电获取的功率;
为第t时间段从电网用电成本电价;
为第t时间段从新能源用电成本电价;
Δt为第t时间段内累计用电时长;
ht为第t时间段制氢速率;
H为制氢周期内的氢气产量指标;
ξ为系统用电功率转换成电解槽功率的转换因子;
为电解槽保温功率;
Pat为第t时间段压力容器压力;
为压力容器压力阈值;
为第t时间段新能源并网功率;
为第t时间段光伏发电功率;
c3)、根据制氢能源调度决策算法的优化目标以及边界条件,应用粒子群优化算法(PSO),得出整个制氢周期各时段最优且平稳的系统用电方案。
5.根据权利要求4所述的并网型光伏制氢耦合系统能源优化调度方法,其特征在于,所述粒子群优化算法(PSO)根据约束条件在解空间中迭代搜索,通过个体极值和种群极值更新粒子的速度和位置,从而找出目标函数最优解,即系统的最优用电方案。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311478623 | 2023-11-08 | ||
CN2023114786235 | 2023-11-08 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117408489A true CN117408489A (zh) | 2024-01-16 |
Family
ID=89496071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311488352.1A Pending CN117408489A (zh) | 2023-11-08 | 2023-11-09 | 一种并网型光伏制氢耦合系统能源优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117408489A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240153A (zh) * | 2021-04-09 | 2021-08-10 | 水发兴业能源(珠海)有限公司 | 光伏发电数据预测方法、装置、计算设备及存储介质 |
CN115600858A (zh) * | 2022-09-30 | 2023-01-13 | 中国电建集团西北勘测设计研究院有限公司(Cn) | 一种考虑弃风弃光惩罚的风光储制氢系统经济性优化调度方法 |
CN115760213A (zh) * | 2022-11-29 | 2023-03-07 | 国网河南省电力公司南阳供电公司 | 短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 |
CN116540545A (zh) * | 2023-05-23 | 2023-08-04 | 四川大学 | 一种基于伊藤过程的光伏发电制氢集群随机优化调度方法 |
CN116632823A (zh) * | 2023-05-24 | 2023-08-22 | 上海电力大学 | 基于功率转换模型与多层感知机的短期光伏功率预测方法 |
-
2023
- 2023-11-09 CN CN202311488352.1A patent/CN117408489A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240153A (zh) * | 2021-04-09 | 2021-08-10 | 水发兴业能源(珠海)有限公司 | 光伏发电数据预测方法、装置、计算设备及存储介质 |
CN115600858A (zh) * | 2022-09-30 | 2023-01-13 | 中国电建集团西北勘测设计研究院有限公司(Cn) | 一种考虑弃风弃光惩罚的风光储制氢系统经济性优化调度方法 |
CN115760213A (zh) * | 2022-11-29 | 2023-03-07 | 国网河南省电力公司南阳供电公司 | 短期电价预测模型的构建方法、短期电价预测方法、计算机可读介质、电子设备 |
CN116540545A (zh) * | 2023-05-23 | 2023-08-04 | 四川大学 | 一种基于伊藤过程的光伏发电制氢集群随机优化调度方法 |
CN116632823A (zh) * | 2023-05-24 | 2023-08-22 | 上海电力大学 | 基于功率转换模型与多层感知机的短期光伏功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298138B (zh) | 一种综合能源系统优化方法、装置、设备及可读存储介质 | |
CN110880789B (zh) | 一种风电、光伏联合发电系统经济调度方法 | |
CN110729764B (zh) | 一种含光伏发电系统的优化调度方法 | |
CN116187601B (zh) | 一种基于负荷预测的综合能源系统运行优化方法 | |
Ganguly et al. | Solar–wind hybrid renewable energy system: current status of research on configurations, control, and sizing methodologies | |
CN116865236A (zh) | 一种基于新能源发电的中长期发电量预测方法及系统 | |
CN106845694A (zh) | 一种风能、太阳能管理系统 | |
CN110796307A (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN108075471B (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
Xu et al. | Enhanced design of an offgrid PV-battery-methanation hybrid energy system for power/gas supply | |
Shahinzadeh et al. | Smart design and management of hybrid energy structures for isolated systems using biogeography-based optimization algorithm | |
CN114021783A (zh) | 一种考虑社会类碳排放因素和短期效益的两阶段月度机组组合和检修计划优化方法 | |
CN113128786A (zh) | 一种基于空间网格搜索的风光水互补容量与选址优化方法 | |
Yan et al. | Operating power reserve quantification through PV generation uncertainty analysis of a microgrid | |
Okhuegbe et al. | Optimal sizing of hybrid energy systems in a microgrid: a review | |
CN112288130A (zh) | 一种基于两阶段多目标优化的新能源消纳计算方法 | |
CN116540545A (zh) | 一种基于伊藤过程的光伏发电制氢集群随机优化调度方法 | |
CN116822695A (zh) | 一种风光制氢系统容量优化配置方法、存储介质及设备 | |
CN112101987A (zh) | 一种多微网随机预测控制方法 | |
CN117408489A (zh) | 一种并网型光伏制氢耦合系统能源优化调度方法 | |
CN114444955A (zh) | 综合能源用关键参数数据挖掘及长期配置预测方法及系统 | |
Kapilan et al. | Recent Applications of Machine Learning in Solar Energy Prediction | |
Comendant et al. | Identifying the opportunity to meet the Republic of Moldova Electricity Demand by Combining Renewable Energy Sources and Energy Storage Systems | |
CN117744894B (zh) | 一种综合能源系统的主动学习代理优化方法 | |
CN117713211B (zh) | 基于环境分析的光伏并网智能调度方法及系统 |
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 |