一种储能分组的风光储耦合制氢系统调度方法

技术领域

本发明涉及到可再生能源制氢技术领域，具体涉及到一种储能分组的风光储耦合制氢系统调度方法。

背景技术

随着社会经济的不断发展，对煤、石油、天然气等化石能源的需求和开采与日俱增，导致了能源紧张、环境污染以及气候变化等诸多全球性挑战问题。应对这些挑战，可再生能源的发展是解决问题的关键因素。就风、光可再生能源，我国太阳能和风能的资源十分丰富。而且经过几十年的发展，目前太阳能发电、风力发电技术已趋于成熟，在可预见的将来，太阳能光伏发电和风力发电的技术和经济性都将达到与常规能源相当的水平。

然而可再生能源具有很强的波动性和间歇性，导致电能品质较差，很多情况下达不到供电系统要求的稳定性，有时电网发生小范围波动时，就无法保证对重要负荷的稳定供电。因此,可再生能源发电在时间尺度上具有随机性和不稳定性,在空间尺度上具有明显的区域差异性，这些问题造成了严重的可再生资源浪费问题。

为了协调电网与分布式发电的矛盾，最大限度地发挥分布式发电在经济、能源和环境方面的优势，直流微电网解决上述问题有突出的优势，直流微电网对于交流和交直流微电网来说，直流微电网的结构简单、控制方便、能量转换环节少，直流微电网的研究已经成为了微电网研究的重要部分。由于风能、太阳能等可再生分布式能源具有波动性，同时微电网系统负荷具有不可预测性，使得直流微电网的直流母线功率会有一定的波动起伏，这对微电网的电能质量和稳定性都会有一定影响。

为减少可再生能源和负荷不确定引起的波动等现象，使系统功率基本平衡和电力系统稳定运行，通常情况下在直流微电网中添加储能装置。目前储能装置使用最广泛地时蓄电池，蓄电池对于其他储能单元来说，蓄电池使用成本较低，具有较长时间的使用历史，应用技术已经十分成熟。通过储能装置对微电网系统大范围功率波动起伏进行抑制，从而达到微电网稳定运行的目的。当微电网在孤岛模式运行时，储能装置在微电网系统中可以起到对电能的“削峰填谷”作用，可以维持微电网内部的稳定。

微电网为维持微电网系统的功率稳定，需要使蓄电池频繁充放电，导致蓄电池的使用寿命大大减少，而且蓄电池存在自动放电问题，只能作为短期储能装置，同时蓄电池引起的环境污染的情况也日益严重。而氢气储能则展现了良好的高效性、低排放、可长距离运输和广泛应用的优势。从可再生能源中获得氢能，一方面解决了可再生能源的能量密度低、稳定性差等不可靠因素，另一方面解决了并网安全性较差及传统蓄电池储能不能长期储存的缺点，对减少可再生能源的不必要浪费及就地消纳具有重要意义。

发明内容

针对现有可再生能源消纳能力存在不足，本发明拟解决的技术问题是，提供一种储能分组的风光储耦合制氢系统调度方法。该调度方法在现有精确的风机、光伏、储能和PEM电解槽数学模型的基础上，针对日内风、光等可再生能源发电的波动性、不确定性造成系统能量波动问题，提出了一种储能分组的风光储耦合制氢系统调度方法，并将改进的金豺算法求解稳定性调度模型，当日前源、荷预测功率与日内实际功率出现波动时，仍然可以有效地维持可再生能源制氢系统稳定运行，解决了当前储能在平抑可再生能源制氢系统功率频繁波动时寿命损耗大、日前预测误差降低系统稳定性和可再生能源消纳率较低等技术问题，从而提高制氢系统装置的可靠性。

本发明为解决上述技术问题所采用的技术方案是，提供一种储能分组的风光储耦合制氢系统调度方法，其特征在于，该方法包括下述步骤：

第一步、建立离网型风光可再生能源制氢系统

离网型微电网制氢系统主要由风机发电、光伏发电、PEM电解槽、储能电池组组成，当风光可再生能源发电量超出负载用电量时，利用PEM电解槽制氢对多余电量进行消纳，并利用储能电池充电对多余电量进行存储；当风光可再生能源发电量不足时，在储能电池放电的同时，PEM电解槽在满足使用约束条件下降低运行功率或停机来满足负载的优先供电需求，通过储能电池与PEM电解槽间的合理配置，降低风光可再生能源发电波动性和间歇性对负载造成的不利影响；

第二步、建立风光可再生能源制氢系统数学模型

2-1储能电池组数学模型

以磷酸铁锂电池为储能电池组构建储能数学模型，储能电池组充放电数学模型：

其中：SOC(t),SOC(t-1)分别为储能电池组t时刻和t-1时刻的荷电状态，E

2-2PEM电解槽数学模型

PEM电解槽的电解制氢关系式为：

其中：F

第三步、设置储能分组的日内系统能量调度模式

根据日内微电网制氢系统中当前时刻风光可再生能源预测误差功率P

P

P

其中：P

所述制氢系统双储能调度模式具体为：

3-1双储能一般运行模式

一般模式1：当系统波动功率大于当前电解槽运行功率，且电解槽运行功率小于最大运行功率，即当系统满足式(7)时，系统功率平衡表达式为式(8)，P

P

其中：P

此模式下，储能误差调度组E

一般模式2：当系统波动功率大于当前PEM电解槽运行功率，且PEM电解槽运行功率大于其最大运行功率，即当系统满足式(10)时，系统功率平衡表达式为式(11)；

P

此模式下，储能误差调度组E

一般模式3：当系统波动功率小于当前PEM电解槽运行功率，且PEM电解槽运行功率大于其最小运行功率，即当系统满足式(12)时，系统功率平衡表达式为式(13)；

P

其中：P

此模式下，储能误差调度组E

一般模式4：当系统波动功率小于当前PEM电解槽运行功率，且PEM电解槽运行功率大于最小运行功率，即当系统满足式(14)时，系统功率平衡表达式为式(15)；

P

此模式下，储能误差调度组E

3-2双储能协作运行模式

协作模式1：当系统前一时刻预测误差功率大于0，后一时刻预测误差功率小于0，同时系统波动功率大于当前PEM电解槽运行功率，且储能误差调度组E

此模式下，为减少储能误差调度组E

式中：E

协作模式2：当系统前一时刻预测误差功率小于0，后一时刻预测误差功率大于0，同时系统波动功率小于当前PEM电解槽运行功率，且储能误差调度组E

此模式下，为减少储能误差调度组E

式中：E

协作模式3：当系统波动功率大于当前PEM电解槽运行功率，且储能误差调度组E

P

此模式下，储能平抑波动组E

协作模式4：当系统波动功率小于当前PEM电解槽运行功率，且误差调度组E

P

此模式下，储能平抑波动组E

协作模式5：当系统波动功率大于当前PEM电解槽运行功率，且储能平抑波动组E

P

此模式下，储能误差调度组E

协作模式6：当系统波动功率小于当前PEM电解槽运行功率，且平抑波动组E

P

此模式下，储能误差调度组E

3-3双储能特殊情况运行模式

特殊模式1：当系统波动功率大于PEM电解槽最大运行功率，同时储能误差调度组E

特殊模式2：当系统波动功率小于PEM电解槽最小运行功率，同时储能误差调度组E

第四步、系统优化调度模型

4-1设定系统优化调度目标函数

优化目标为在满足系统约束条件下，通过储能电池组平滑系统功率波动，并利用PEM电解槽消纳剩余风、光功率进行制氢，使风光可再生能源制氢系统的过剩或不足功率与风光可再生能源总出力比值最小，以维持整个系统功率平衡，提高系统整体稳定性，目标函数为：

P

P

其中：P

4-2设定系统约束条件

系统功率平衡约束：

P

储能电池组约束：

SOC

SOC

P

SOC

SOC

P

其中：SOC

PEM电解槽约束：

P

|P

其中：P

第五步、利用改进的金豺算法求系统优化调度模型的解

所述改进的金豺算法采用反向学习初始化，并将猎物能量消耗函数改为非线性递减函数；将步骤四中的目标函数设置为改进的金豺算法的适应度函数，变量为调度周期内PEM电解槽的出力功率、储能误差调度组E

第六步、根据步骤五中得到的系统最优适应度值所对应的调度周期内PEM电解槽的出力功率、储能误差调度组E

与现有技术相比，本发明的有益效果是：本发明调度方法在现有精确的风机、光伏、储能和PEM电解槽数学模型的基础上，针对日内风、光等可再生能源发电的波动性、不确定性造成系统能量波动问题，设置储能分组的日内系统能量调度模式，并用改进的金豺算法求解稳定性调度模型，当日前源、荷预测功率与日内实际功率出现波动时，仍然可以有效地维持可再生能源制氢系统稳定运行，解决了当前储能在平抑可再生能源制氢系统功率频繁波动时寿命损耗大、日前预测误差降低系统稳定性和可再生能源消纳率较低等技术问题，从而提高制氢系统的可靠性。

附图说明

图1是本发明一种储能分组的风光储耦合制氢系统调度方法一种实施例的离网型风光可再生能源制氢系统结构示意图。

图2是本发明一种储能分组的风光储耦合制氢系统调度方法一种实施例的改进的金豺算法流程与原理示意图。

图3是实施例1中当地的日内预测的风机出力、光伏出力与本地负荷预测需求曲线。

图4是实施例1中当地的日内实际风光总出力和本地实际负荷需求曲线。

具体实施方式

下面结合具体实施例及附图对本发明技术方案进行进一步阐述。

本发明提供一种储能分组的风光储耦合制氢系统调度方法，该方法包括下述步骤：

第一步、建立离网型风光可再生能源制氢系统

离网型微电网制氢系统主要由风机发电、光伏发电、PEM电解槽、储能电池组组成，当风光可再生能源发电量超出负载用电量时，利用PEM电解槽制氢对多余电量进行消纳，并利用储能电池充电对多余电量进行存储；当风光可再生能源发电量不足时，在储能电池放电的同时，PEM电解槽在满足使用约束条件下降低运行功率或停机来满足负载的优先供电需求，通过储能电池与PEM电解槽间的合理配置，降低风光可再生能源发电波动性和间歇性对负载造成的不利影响，保障系统稳定运行。

第二步、建立风光可再生能源制氢系统数学模型

2-1储能电池组数学模型

目前国内电池储能系统中，磷酸铁锂电池应用最为广泛，本文以磷酸铁锂电池为储能电池组构建储能数学模型。储能电池组充放电数学模型：

其中：SOC(t),SOC(t-1)分别为储能电池组t时刻和t-1时刻的荷电状态，E

储能电池循环寿命是指电池失效前的循环次数，由于储能电池在调度周期内放电深度和放电次数不同，其循环寿命衰减速度也不同。电池组放电深度与其循环寿命之间的关系，使用四阶函数法拟合函数关系式为：

其中：L

2-2PEM电解槽数学模型

面对风光可再生能源发电的不确定性，综合考虑碱性电解槽和PEM电解槽的特性，最终选用PEM电解槽。PEM电解槽具有效率高，工作电流密度大，操作方便，适应风光可再生能源波动能力强等特点，电解制氢关系式为：

其中：F

第三步、设置储能分组的日内系统能量调度模式

根据日内微电网制氢系统中当前时刻风光可再生能源预测误差功率P

P

P

其中：P

所述制氢系统双储能调度模式具体为：

3-1双储能一般运行模式

一般模式1：当系统波动功率大于当前电解槽运行功率，且电解槽运行功率小于最大运行功率，即当系统满足式(7)时，系统功率平衡表达式为式(8)，P

P

其中：P

此模式下，储能误差调度组E

一般模式2：当系统波动功率大于当前PEM电解槽运行功率，且PEM电解槽运行功率大于其最大运行功率，即当系统满足式(10)时，系统功率平衡表达式为式(11)。

P

此模式下，储能误差调度组E

一般模式3：当系统波动功率小于当前PEM电解槽运行功率，且PEM电解槽运行功率大于其最小运行功率，即当系统满足式(12)时，系统功率平衡表达式为式(13)。

P

其中：P

此模式下，储能误差调度组E

一般模式4：当系统波动功率小于当前PEM电解槽运行功率，且PEM电解槽运行功率大于最小运行功率，即当系统满足式(14)时，系统功率平衡表达式为式(15)。

P

此模式下，储能误差调度组E

3-2双储能协作运行模式

协作模式1：当系统前一时刻预测误差大于0，后一时刻预测误差小于0，同时系统波动功率大于当前PEM电解槽运行功率，且储能误差调度组E

此模式下，为减少储能误差调度组E

式中：E

协作模式2：当系统前一时刻预测误差小于0，后一时刻预测误差大于0，同时系统波动功率小于当前PEM电解槽运行功率，且储能误差调度组E

此模式下，为减少储能误差调度组E

式中：E

协作模式3：当系统波动功率大于当前PEM电解槽运行功率，且储能误差调度组E

P

此模式下，储能平抑波动组E

协作模式4：当系统波动功率小于当前PEM电解槽运行功率，且误差调度组E

P

此模式下，储能平抑波动组E

协作模式5：当系统波动功率大于当前PEM电解槽运行功率，且储能平抑波动组E

P

此模式下，储能误差调度组E

协作模式6：当系统波动功率小于当前PEM电解槽运行功率，且平抑波动组E

P

此模式下，储能误差调度组E

3-3双储能特殊情况运行模式

特殊模式1：当系统波动功率大于PEM电解槽最大运行功率，同时储能误差调度组E

特殊模式2：当系统波动功率小于PEM电解槽最小运行功率，同时储能误差调度组E

第四步、系统优化调度模型

4-1设定系统优化调度目标函数

优化目标为在满足系统约束条件下，通过储能电池组平滑系统功率波动，并利用PEM电解槽消纳剩余风、光功率进行制氢，使风光可再生能源制氢系统的过剩或不足功率与风光可再生能源总出力比值(作为风光可再生能源制氢系统的功率波动率)最小，以维持整个系统功率平衡，提高系统整体稳定性，目标函数为：

P

P

其中：P

4-2设定系统约束条件

系统功率平衡约束：

P

储能电池组约束：

SOC

SOC

P

SOC

SOC

P

其中：SOC

PEM电解槽约束：

P

|P

其中：P

第五步、利用改进的金豺算法求系统优化调度模型的解

金豺算法(GJO)是新提出的一种元启发式算法，其灵感来自于金豺在觅食过程中一系列行为的变化，可分为初始化阶段、探索阶段和开发阶段，同其他元启发式算法相比，金豺算法有调节参数少、寻优能力强和便于实现等优点。原算法初始化采用随机初始化方式，这种随机方式可能使种群初始的搜索范围狭小，达不到对全部可行域搜索的效果，对初始解进行反向学习，以提高初始解在搜索域的分布能力。

所述改进的金豺算法在原算法的基础上，采用反向学习初始化，并将猎物能量消耗函数改为非线性递减函数，改进的金豺算法的三个阶段具体过程为：

5-1反向学习初始化

设X＝(x

其中：其中：rand(0,1)表示0到1间的随机数，i∈[1，n]，x

5-2金豺算法探索阶段

在此阶段，提出金豺搜索猎物的方式。根据金豺搜索和等待猎物的天性和本能，狩猎由雄性负责领导，母豺跟随公豺。雄性和雌性金豺跟随猎物并更新自身的位置，公式为：

其中：Prey(t)表示第t次迭代的猎物所在位置，Y

其中：猎物的逃脱能量E表示为：

其中：E

本实施例中，将猎物能量消耗函数改为非线性递减函数，具体公式表示为：

式中：c

其中：rl具体公式表示为：

rl＝0.05levy(y)(49)

其中：levy(y)表示莱维飞行分布函数，具体公式可表示为：

levy(y)＝0.01μσ/|ν|

/>

其中：μ和v表示(0,1)内的随机数，β为默认常数，设置为1.5，Γ为标准的Gamma函数积分运算。

最终，金豺位置变化表示为：

Y(t+1)＝(Y

5-3金豺算法开发阶段

在此阶段，提出金豺围捕猎物的方式。当猎物发现被金豺骚扰时，开始逃逸躲避，其能量在逃逸躲避过程中逐步降低，金豺对猎物进行围捕，公式表示为：

所述改进的金豺算法除采用反向学习初始化并将猎物能量消耗函数改为非线性递减函数之外，其余设置及操作同常规。

利用改进的金豺算法求系统优化调度模型的解的具体过程为：

步骤1：初始化参数，设置金豺种群数N、算法最大迭代次数it

步骤2：使用反向学习初始化种群，确定变量初始化位置。

步骤3：将步骤四中的目标函数(即式(32))设置为适应度函数，计算种群适应度值，并记录当前适应度最优值。

步骤4：更新金豺猎物位置和金豺对应位置。

步骤5：使用改进的猎物能量消耗函数计算当前猎物的逃脱能量E，当逃脱能量E的绝对值小于1时，金豺使用开发阶段式(53)围捕猎物，当逃脱能量E的绝对值大于1时，使用探索阶段式(46)搜索猎物，并由式(52)计算金豺的最终位置。

步骤6：迭代次数加1，并判断当前迭代次数是否大于设置的最大迭代值。若否，则跳转至步骤3，继续迭代计算；若是，则迭代结束，输出上一次迭代计算后得到的系统最优适应度值和全局最优解。

第六步、根据步骤五中得到的系统最优适应度值所对应的调度周期内PEM电解槽的出力功率、储能误差调度组E

本发明设计的离网型风光可再生能源耦合制氢系统(简称制氢系统，参见图1)包括：光伏发电模块、风机发电模块、本地负载模块、储能电池组模块、PEM电解槽制氢模块、储氢模块和能量管理中心模块。其中，光伏发电模块、风机发电模块、本地负载模块、储能电池组模块、PEM电解槽制氢模块分别通过DC/DC转换器、AC/DC转换器、DC/AC转换器、DC/DC转换器、DC/DC转换器与直流母线相连，能量管理中心对各模块能量进行管理与分配。所述光伏发电、风机发电、储能电池、PEM电解槽制氢、储氢模块和能量管理中心、直流母线技术、微网技术、DC/DC转换器、AC/DC转换器、DC/AC转换器均为现有技术。

实施例1

为验证本发明提出的一种储能分组的风光储耦合制氢系统调度方法的有效性，在一个含有1台额定功率为120kw的PEM电解槽和总容量为500kwh的储能电池组的微电网仿真系统模型中测试。制氢系统各部分具体参数如表1所示，算法参数设置种群数为100、最大迭代数为1000。调度周期为1d，共分为96个时段，即每15分钟记录一次。负荷(负载)为当地用电负荷，日前风、光预测出力曲线和负荷预测需求曲线如图3-4所示。

表1制氢系统各部分具体参数

首先验证改进的金豺算法(IGJO)对求解本文模型的有效性，分别使用改进的金豺算法(IGJO)、金豺算法(GJO)、萤火虫算法(FA)、粒子群算法(PSO)四种算法求解最优解，在相同参数设置和实验条件下通过10次实验排除随机性，取平均值进行比较，同时对比每个算法的标准差，对比结果如表2所示。

表2四种对比算法优化结果具体数据

由表2对比结果可知，IGJO算法在寻优精度相较于其他算法效果最好，IGJO算法寻优平均值为1.619％，可再生能源整体消纳率IGJO算法求解为99.344％。

为验证储能分组日内调度策略的有效性，与储能不分组日内调度策略对比。单储能电池容量设置为电池组总容量，最大和最小出力功率分别为储能分组情况的总和。两种情况均使用IGJO算法求解与对比，调度结果如表3所示。

表3储能分组与单组储能调度方式结果对比数据

由表3可知，储能分组调度策略和单组储能调度策略，均能较好的平抑系统波动，储能分组调度策略系统总波动率为1.879％，单组储能策略系统总波动率为1.882％。储能分组调度策略相较于单组储能调度策略，在平抑预测误差波动、提高可再生能源消纳率和减少储能寿命损耗几方面优势明显，储能分组调度策略平抑预测误差率为89.992％，可再生能源消纳率为99.264％，储能平均寿命损耗为0.021％，储能平均充放电切换次数为6次，PEM电解槽平均功率为66.374kw；而单组储能调度策略平抑预测误差率为71.510％，可再生能源消纳率为98.918％，平均寿命损耗为0.034％，储能平均充放电切换次数为14次，PEM电解槽平均功率为65.896kw。

本发明未述及之处适用于现有技术。