CN114357681B - 一种考虑综合因素指标的制氢加氢站布点优化方法 - Google Patents
一种考虑综合因素指标的制氢加氢站布点优化方法 Download PDFInfo
- Publication number
- CN114357681B CN114357681B CN202210012943.0A CN202210012943A CN114357681B CN 114357681 B CN114357681 B CN 114357681B CN 202210012943 A CN202210012943 A CN 202210012943A CN 114357681 B CN114357681 B CN 114357681B
- Authority
- CN
- China
- Prior art keywords
- hydrogen
- hydrogen production
- node
- station
- constraint
- 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
- 239000001257 hydrogen Substances 0.000 title claims abstract description 513
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 513
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 506
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 283
- 238000009826 distribution Methods 0.000 title claims abstract description 132
- 238000005984 hydrogenation reaction Methods 0.000 title claims abstract description 125
- 238000005457 optimization Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000000446 fuel Substances 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 241000251555 Tunicata Species 0.000 claims abstract description 26
- 230000009194 climbing Effects 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 125000004435 hydrogen atom Chemical group [H]* 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 150000002431 hydrogen Chemical class 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007792 addition Methods 0.000 description 34
- 230000008878 coupling Effects 0.000 description 11
- 238000010168 coupling process Methods 0.000 description 11
- 238000005859 coupling reaction Methods 0.000 description 11
- 238000011160 research Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 239000007789 gas Substances 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 241000251557 Ascidiacea Species 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Fuel Cell (AREA)
Abstract
本发明提出了一种考虑综合因素指标的制氢加氢站布点优化方法。本发明,引入多节点配电网模型,分别构建节点电压偏差指标、有功功率裕度水平指标、有功网损指标、交通流量指标、制氢加氢站服务范围指标、用户满意度指标;分别构建有功功率上限约束、机组爬坡速率约束、节点电压约束、功率平衡方程约束、燃料电池汽车充氢数量及总需求约束、制氢加氢站数量约束、制氢加氢站服务范围约束、制氢加氢站重合度约束;构建制氢加氢站布点优化目标,结合多个约束条件,通过樽海鞘群优化算法优化求解得到多节点配电网模型中制氢加氢站优化接入节点。本发明有效减少配电网电压偏差,提升线路功率裕度和减少电网的网损,提升制氢加氢站交通路网布点的便捷性。
Description
技术领域
本发明属于新能源优化技术领域,尤其涉及一种考虑综合因素指标的制氢加氢站布点优化方法。
背景技术
氢燃料电池汽车是氢能应用领域最为重要的一环,从一定意义上来讲,新能源革命的顺利推进离不开新能源电池汽车的迅猛发展。而随着燃料电池汽车的普及,制氢加氢站将会逐渐取代部分传统的汽车加油站,但由于制氢加氢站的制氢特性与负荷不确定性,制氢加氢站的布点优化策略与电动汽车充电站的布点方式不可一概而论。目前对电动汽车充电站的布点研究主要集中在平衡充电站经营者与用户之间的利益和降低充电站布置的综合成本。而以电解制氢为代表的制氢加氢站由于模型的特殊性,接入电网后会对电网运行带来一定程度的冲击,因此在考虑其布点优化策略时需要侧重考虑其对配电网的影响,其次由于电动汽车与燃料电池汽车的续航里程和需求特性的差异,使得制氢加氢站和电动汽车充电站工作方式也存在很大的不同,同时由于氢能的化学特性,在布点优化策略中需要额外考虑到周围住户的接受程度,因此开展对制氢加氢站布点优化策略的研究刻不容缓。
近年来,国内外学者对于制氢加氢站的布点优化问题做了大量的研究,为将经典的氢供应链网络设计模型与加氢站规划模型相结合,通过重点设计整个氢气供应网络的数学模型以生成新的模型公式;针对加氢站选址优化模型,以加氢站供应半径、氢源产能和地理信息因素为约束条件,以提高氢能的适用性和水平;为实现制氢加氢站提出最佳运营策略,通过向纯电动汽车和氢燃料电池汽车的用户出售电力和氢气来实现利润最大化;通过为加氢站提供了一个长期的位置规划,以满足不断增长的氢需求。
然而上述研究大多考虑的是加氢站的模型与尺寸,且大多都是离网模式,难以描述制氢加氢站对于电网的影响。基于以上考虑,通过建立制氢加氢站选址和规模的稳健模型,考虑燃料电池汽车充氢需求的不确定性,并将其接入电网时的附加损耗纳入模型,同时对加氢站各单元进行制氢规划和容量调整,来降低加氢站运行成本。但以上研究缺少对于路网因素的考虑,对于汽车加氢需求与服务范围都没有确定的模型。因此目前对于制氢加氢站的布点优化研究主要集中在制氢加氢站的建模,运行成本的优化以及制氢方式的研究上面,针对制氢对电网影响这一方面的研究存在很大的空洞,且未将制氢加氢站布点优化与交通网相结合,也没有考虑到燃料电池汽车加氢的波动性。
同时由于制氢加氢站模型的特殊性,在其制氢时间段会对接入节点的电压造成波动,其次制氢加氢站作为一个大型负荷,在运行时会对配电网的潮流分布和网损产生影响,且制氢加氢站在交通网络中的交通流量和服务范围也会因为制氢加氢站布点位置的不同而存在差异。同时由于氢的化学特性,从现实和心理两个方面来讲,在考虑周围住户对制氢加氢站接受程度后的布点策略,无疑更有助于制氢加氢站在实际生活中的建设推进。因此,在考虑制氢加氢站的布点优化问题时应该考虑如下两个问题:
需要将制氢加氢站布点优化问题与配电网和交通网相耦合,构建制氢加氢站的布点优化模型。
通过改进的樽海鞘群优化算法对模型进行求解,所得策略需解决在考虑配电网与氢燃料汽车耦合影响条件下配电网运行不稳定,交通网服务范围与交通流量不均衡的问题。
发明内容
本发明首次提出了一种综合考虑配电网与氢燃料汽车耦合影响的制氢加氢站布点优化策略。首先,对氢燃料汽车用户用氢时序曲线进行蒙特卡罗仿真模拟,达成对制氢加氢站工作模式的深入分析;其次,以兼顾交通路网与电力网的安全运行为目标,构建了在交通-电力网络框架下考虑配电网与氢燃料汽车耦合影响的制氢加氢站布点优化模型,进一步利用改进的樽海鞘群优化算法对模型进行求解得到最优的制氢加氢站布点优化方案。
本发明的上述问题主要是通过以下技术方案得以解决的:
一种考虑综合因素指标的制氢加氢站布点优化方法,其特征在于,包括以下步骤:
步骤1:引入多节点配电网模型,分别构建节点电压偏差指标、有功功率裕度水平指标、有功网损指标、交通流量指标、制氢加氢站服务范围指标、用户满意度指标;
步骤2:分别构建有功功率上限约束、机组爬坡速率约束、节点电压约束、功率平衡方程约束、燃料电池汽车充氢数量及总需求约束、制氢加氢站数量约束、制氢加氢站服务范围约束、制氢加氢站重合度约束;
步骤3:根据步骤1所述的节点电压偏差指标、有功功率裕度水平指标、有功网损指标、交通流量指标、制氢加氢站服务范围指标、用户满意度指标构建制氢加氢站布点优化目标,将有功功率上限约束、机组爬坡速率约束、节点电压约束、功率平衡方程约束、燃料电池汽车充氢数量及总需求约束、制氢加氢站数量约束、制氢加氢站服务范围约束、制氢加氢站重合度约束作为制氢加氢站布点优化目标的约束条件,通过樽海鞘群优化算法优化求解得到多节点配电网模型中制氢加氢站优化接入节点;
作为优选,步骤1所述节点电压偏差指标,定义为:
其中,S1为节点电压偏差指标;S1-a为电压波动水平指标;N为配电网节点数;t∈T,t为制氢时间内t时刻,T为制氢总时长;Ubus-i,t为节点i在t时刻的节点电压偏差;Ubus-i,t,min为节点i在t时刻额定电压偏差的最小值;Ubus-i,t,max为节点i在t时刻额定电压偏差的最大值;UN为额定电压;为节点i在计算时段内电压波动水平的均值。
步骤1所述有功功率裕度水平指标,定义为:
其中,S2为有功功率裕度水平指标;S2-a为考虑功率波动和最大功率偏差对目标函数的影响系数;k∈K,k为与节点i相连的第k条交流线,K为与节点i相连的交流线总数;PFCV,t为在t时刻与节点i相连的交流线的平均功率;Pk,t为在t时刻与节点i相连的线路k的有功功率水平;a为功率波动在影响系数中的权重;b为最大功率偏差在影响系数中的权重;Pk-max为与节点i相连的线路k的传输功率上限。
步骤1所述有功网损指标,定义为:
其中,S3为有功网损指标;Gij为节点i和节点j间的支路的电导;Ui为节点i的电压幅值;Uj为节点j的电压幅值;nl∈NL,nL为多节点配电网模型中第nL条输电线路,NL为多节点配电网模型中输电线路数量;θi为节点i电压的相角,θj为节点j电压的相角。
步骤1所述交通流量指标,定义为:
其中,S4为交通流量指标;Fu为线路起点u的车辆权重系数;Fv为线路终点v的车辆权重系数;l∈L,l为多节点交通网模型中第l条交通路径,L为多节点交通网模型中交通路径数量;duv_l为交通路网中线路起点u,终点v的路径长度;N_JT为路网总节点。
步骤1所述制氢加氢站服务范围指标,定义为:
其中,S5为制氢加氢站服务范围指标,m∈M,m为第m个制氢加氢站,M为制氢加氢站总数量;Sm_CS表示第m个制氢加氢站对用户的吸引力,PHPRS_m表示第m个制氢加氢站的功率,λq表示路网节点q的其他因素影响权重,dHPRS_l表示燃料电池汽车到达制氢加氢站路径l的长度,EFCV表示单位距离的耗氢量,PFCV代表制氢加氢站氢价;
步骤1所述用户满意度指标,定义为:
其中,S6为用户满意度指标;S_num为制氢加氢站的数量对于用户满意度的影响;为数量因素在用户满意度中的权重;S_ljd为邻近度对于用户满意度的影响;nm_o∈Nm_o,nm_o为第m个制氢加氢站服务范围包含的第o个节点,Nm_o为第m个制氢加氢站服务范围包含总节点;kb_m∈Kb_m,kb_m为与第m个制氢加氢站相连的第b条路径,Kj_m为与第m个制氢加氢站相连路径总数;lb_m为与第m个制氢加氢站相连的第b条路径d的长度;LN_JT表示路网中总的路径长度;nEV_u表示路网节点u的车辆数;NEV表示交通路网总车辆数。
作为优选,步骤2所述有功功率上限约束,定义为:
式中,Pij,t为线路lij在t时刻的有功功率;Pij max为线路lij在t时刻的有功功率上限。
步骤2所述机组爬坡速率约束,定义为:
式中,Px gr为机组x有功出力单位时间变化上限;-Px gr为机组x有功出力单位时间变化下限;为机组x在t时刻的有功功率;/>为机组x在t-1时刻的有功功率。
步骤2所述节点电压约束,定义为:
Ubus-i,t,min≤Ubus-i,t≤Ubus-i,t,max
式中,Ubus-i,t为节点i在t时刻的节点电压偏差;Ubus-i,t,min为节点i在t时刻额定电压偏差的最小值;Ubus-i,t,max为节点i在t时刻额定电压偏差的最大值。
步骤2所述功率平衡方程约束,定义为:
式中,Pi为节点i处输入的有功功率;Qi为节点i处输入的无功功率;PLi为节点i处负荷的有功功率;QLi为节点i处负荷的无功功率;Gij为支路的电导;Bij为支路的电纳;Ui节点i的节点电压;Uj为节点j的节点电压;PDGi为注入节点i的有功功率;QDGi注入节点i的无功功率;θij为电压的相角差。
步骤2所述燃料电池汽车充氢数量及总需求约束,定义为:
式中,NFCV_m为第m个制氢加氢站中燃料电池汽车的充氢数量;NHPRS_m为第m个制氢加氢站的允许充氢台数;V为制氢加氢站内储氢罐的数量;SCQG为储氢罐的容量;SFCV为燃料电池汽车的容量。
步骤2所述制氢加氢站数量约束,定义为:
nq_HPRS=1
式中,nq_HPRS为路网节点q处制氢加氢站的数量,在规划过程中,每个路网节点只能建设一座制氢加氢站。
步骤2所述制氢加氢站服务范围约束,定义为:
2≤NHPRS_m≤10
式中,NHPRS_m为第m个制氢加氢站的影响范围包含节点数。
步骤2所述制氢加氢站重合度约束,定义为:
式中:NHPRS_m为第m个制氢加氢站的影响范围包含节点数;NHPRS_s为第s个制氢加氢站的影响范围包含节点数,即制氢加氢站服务范围;ξ表示两个制氢加氢站服务范围内相同的节点数,即重合度。
作为优选,步骤3所述制氢加氢站布点优化目标,定义为:
式中:S为制氢加氢站在制氢时间段的优化布点综合指标;k1为母线节点电压偏差量在综合指标里的比例系数;k2为交流线有功功率裕度水平在综合指标里的比例系数;k3为全网的网损水平在综合指标里的比例系数;k4为交通流量在综合指标里的比例系数;k5为制氢加氢站服务范围在综合指标里的比例系数;k6为用户满意度在综合指标里的比例系数;S1为母线节点电压偏差量;S2为交流线有功功率裕度水平;S3为全网的网损水平;S4为交通流量;S5为制氢加氢站服务范围;S6为用户满意度。
步骤3所述通过樽海鞘群优化算法优化求解得到多节点配电网模型中制氢加氢站优化接入节点,具体为:
步骤3.1,输入制氢加氢站优化数量及寻优策略个数
在初始阶段输入H个寻优策略,即搜索个体;同时输入单个寻优策略内对应制氢加氢站数量R,生成H×R的欧式空间如下:
X为欧式空间;H为空间维度,即寻优策略个数;R为种群数量,即寻优策略内制氢加氢站数量;
步骤3.2,初始化制氢加氢站布点位置
通过樽海鞘群优化算法来初始化寻优策略内制氢加氢站布点位置,空间中第i个制氢加氢站布点优化策略用Xi表示:
为第i个策略内第r个制氢加氢站布点位置。
步骤3.3,针对制氢加氢站布点策略寻优
领导者作为X矩阵的第一个向量,代表当前寻优过程的最优策略,在未满足结束条件前,引导后面的制氢加氢站寻优策略朝着最优布点优化策略靠近,领导者的位置更新公式为:
其中,Fj为领导者与制氢加氢站最优布点策略在j维空间的位置;maxj和minj分别为j维空间取值的上下边界;c2决定移动长度,c3决定移动方向;c1为收敛因子,c2和c3是区间[0,1]内产生的随机数;
其中,t,Tmax分别为当前的迭代次数和最大迭代次数。
追随者的位置更新公式如下:
其中,表示t次迭代第i个制氢加氢站布点优化策略在j维空间的坐标;
步骤3.4,输出制氢加氢站布点优化策略
当满足终止条件后,输出制氢加氢站最优布点策略,即当前欧式空间首相量Xi_min,具体公式如下:
其中,为输出的制氢加氢站最优布点策略内第r个制氢加氢站布点位置。
针对 在寻优过程中易陷入局部搜索的问题,对H个搜索个体设置权重,合理应用全局信息,避免限入局部范围内的最优值而提前结束搜索。权重公式如下:
其中,KW为总体权重;fb为当前排序末尾处制氢加氢站优化布点目标函数;fF,fxi为当前所有制氢加氢站寻优策略目标函数最优值和第xi个寻优策略目标函数值;F为制氢加氢站最优布点策略位置;(fb-f)/α为个体权重。改进后的领导者公式为:
xi=ωxi+rand×(KW-xi)
其中,l为当前迭代次数,改进后的公式保证ω在整个探索过程中可以控制个体寻优位置,避免陷入局部位置而得不到最优值;
针对全局搜索与局部搜索不平衡问题,添加自适应惯性权重,在探索初期扩大搜索范围,后期增强局部搜索能力,自适应惯性权重公式如下:
改进后的追随者的位置公式如下:
本发明具有如下优点:提出一种综合考虑配电网与氢燃料汽车耦合影响的制氢加氢站布点优化策略,以兼顾交通路网与电力网的安全运行为目标,构建了在交通-电力网络框架下考虑配电网与氢燃料汽车耦合影响的制氢加氢站布点优化模型,进一步利用改进的樽海鞘群算法对模型进行求解;所求得制氢加氢站布点优化策略,不仅可有效减少配电网电压偏差,提升线路功率裕度和减少电网的网损,而且可提升制氢加氢站交通路网布点的便捷性。
附图说明
图1是充氢需求分布图。
图2是制氢加氢站工作模型图。
图3是制氢加氢站优化布点模型框图。
图4是路-电耦合框架图图。
图5是夜间负荷需求分布图。
图6是初始策略制氢时段各定量指标图。
图7是初始策略充氢时刻各节点电压偏差图。
图8是初始策略服务范围图。
图9是寻优流程图。
图10是优化策略制氢时段各定量指标图。
图11是优化策略充氢时刻各节点电压偏差图。
图12是优化策略服务范围图。
图13是改进的樽海鞘群优化算法与樽海鞘群优化算法寻优过程比较图。
图14是本发明步骤流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
下面结合附图1-14,介绍本发明的具体实施方式。
一种考虑综合因素指标的制氢加氢站布点优化方法,其特征在于,包括以下步骤:
步骤1:引入多节点配电网模型,分别构建节点电压偏差指标、有功功率裕度水平指标、有功网损指标、交通流量指标、制氢加氢站服务范围指标、用户满意度指标;
根据北京理工大学电动汽车国家工程实验室利用电动汽车服务与管理中心(SMC-EV)的数据对大型燃料电池汽车的运行状况进行如下分析:
1)燃料电池汽车的日行驶里程主要集中在70-230公里,80%以上的公交车日均行驶里程在210公里以内,日均行驶里程147公里。物流车辆日行驶里程集中在90-170公里。近90%的物流车辆日行驶里程在310公里以内,平均178公里。
2)公交车加油行驶里程有两个高峰,分别在210-250公里和130-160公里之间。平均行驶里程为203公里;且65%的车辆在行驶里程达到40-50%时开始下一次氢燃料补给,9%的车辆在行驶里程达到50-60%时才开始补给。所有车辆的氢燃料续航里程不超过其行驶里程的60%;对于物流车辆而言,加油间隔的行驶距离大多集中在190-230公里,57%的车辆在行驶里程达到60-70%时开始下一次氢燃料补给,17%的车辆在行驶里程达到70-80%时开始下一次补给。
3)物流车辆单程时长集中在30-60分钟,很少超过70分钟,而公交车的单程时长大多在70分钟以上,集中在70-90分钟之间。
4)两种车型在第一次行程开始和最后一次行程结束时均存在明显的集群。公交行程一般从早上6点到晚上7点。很少有在下午6点之前开始第一次行驶或在晚上7点结束。此外,16%的公交车在晚上10点结束最后一次旅程。对于物流车,54%的车辆首次出行开始时间集中在每天早上6点至8点,57%的车辆出行结束时间集中在晚上6点至8点。从比较结果来看,公交出行的起始时间分布相对集中,几乎没有车辆在早上6点之前开始出行,而物流车在早上6点之前开始运行的车辆相对较多,这也体现了物流行业的特点。对于一天最后一次出行的结束时间,在下午6点之前物流车比公交车完成最后一次出行的比例更高。一般来说,物流车辆的起止时间较早,公交车的起止时间较晚,出行规律如下:
表1燃料电池汽车出行规律
对以上数据进行分析,通过蒙特卡罗对单座制氢加氢站的日加氢车辆数和加氢量进行模拟。在考虑每个车辆不同行驶里程区间内的加氢特性,每日的工作时间以及单次行驶里程和耗氢量的影响因素后,得到每日制氢加氢站的充氢需求以及充氢时刻分布如附图1所示。
按照两类燃料电池汽车的工作区间,以1.5h为一间隔,将加氢时段分为11段,可知在中午时段内加氢需求最高,对一个月内的数据进行归纳整理取均值,得到单座制氢加氢站一天加氢需求约为934.74kg。
根据上节所述燃料电池汽车出行规律,在晚上10点之后,燃料电池汽车的加氢需求将急剧减少,且根据图1的氢气需求分布图可知,燃料电池汽车在早上和晚上的加氢需求较小。一辆燃料电池汽车的加氢时间约为3分钟,夜晚12点之前,制氢加氢站基本上可以完成加氢任务,12点之后开始制氢工作,制氢加氢站的工作模型如附图2所示。
基于燃料电池汽车运行特点和制氢加氢站的工作模式,综合考虑电力网络影响指标、制氢加氢站交通路网指标和用户心理影响指标等多方面目标,构建制氢加氢站优化布点模型,具体优化模型框架如附图3所示。
在电力网络层面:设S1为电压偏差,制氢加氢站接入配电网后通过布点优化减小S1;S2为交流线有功功率裕度,是衡量电力***稳定运行的重要指标;S3为整体网损,S3过大会导致电能损失和能源浪费,降低S3是重要的经济性目标。
在交通网络层面:设S4为制氢加氢站捕获的交通流量,通过布点优化应尽可能捕获交通流量来满足用户充氢需求;S5为制氢加氢站服务范围,大范围服务网是氢供应链与氢能交易模式成功运行的前提;
在用户心理层面:设S6为用户满意度,国内外存在许多因未考虑用户接受程度而遭到强烈阻扰导致方案不能正常实施的案例,且国内外关于制氢加氢站布点优化的文献也少有对于用户满意度的考虑。S6是方案正常执行的基础条件。
步骤1所述节点电压偏差指标,定义为:
其中,S1为节点电压偏差指标;S1-a为电压波动水平指标;N=30为配电网节点数;t∈T,t为制氢时间内t时刻,T=6h为制氢总时长;Ubus-i,t为节点i在t时刻的节点电压偏差;Ubus-i,t,min为节点i在t时刻额定电压偏差的最小值;Ubus-i,t,max为节点i在t时刻额定电压偏差的最大值;UN为额定电压;为节点i在计算时段内电压波动水平的均值。
步骤1所述有功功率裕度水平指标,定义为:
其中,S2为有功功率裕度水平指标;S2-a为考虑功率波动和最大功率偏差对目标函数的影响系数;k∈K,k为与节点i相连的第k条交流线,K为与节点i相连的交流线总数;PFCV,t为在t时刻与节点i相连的交流线的平均功率;Pk,t为在t时刻与节点i相连的线路k的有功功率水平;a=0.5为功率波动在影响系数中的权重;b=0.5为最大功率偏差在影响系数中的权重;Pk-max为与节点i相连的线路k的传输功率上限。
步骤1所述有功网损指标,定义为:
其中,S3为有功网损指标;Gij为节点i和节点j间的支路的电导;Ui为节点i的电压幅值;Uj为节点j的电压幅值;nl∈NL,nL为多节点配电网模型中第nL条输电线路,NL为多节点配电网模型中输电线路数量;θi为节点i电压的相角,θj为节点j电压的相角。
步骤1所述交通流量指标,定义为:
其中,S4为交通流量指标;Fu为线路起点u的车辆权重系数;Fv为线路终点v的车辆权重系数;l∈L,l为多节点交通网模型中第l条交通路径,L为多节点交通网模型中交通路径数量;duv_l为交通路网中线路起点u,终点v的路径长度;N_JT为路网总节点。
步骤1所述制氢加氢站服务范围指标,定义为:
其中,S5为制氢加氢站服务范围指标,m∈M,m为第m个制氢加氢站,M=3为制氢加氢站总数量;Sm_CS表示第m个制氢加氢站对用户的吸引力,PHPRS_m表示第m个制氢加氢站的功率,λq表示路网节点q的其他因素影响权重,dHPRS_l表示燃料电池汽车到达制氢加氢站路径l的长度,EFCV=1kg/100km表示耗氢量,PFCV=70元/kg代表制氢加氢站氢价;
步骤1所述用户满意度指标,定义为:
其中,S6为用户满意度指标;S_num为制氢加氢站的数量对于用户满意度的影响;为数量因素在用户满意度中的权重;S_ljd为邻近度对于用户满意度的影响;nm_o∈Nm_o,nm_o为第m个制氢加氢站服务范围包含的第o个节点,Nm_o为第m个制氢加氢站服务范围包含总节点;kb_m∈Kb_m,kb_m为与第m个制氢加氢站相连的第b条路径,Kj_m为与第m个制氢加氢站相连路径总数;lb_m为与第m个制氢加氢站相连的第b条路径d的长度;LN_JT表示路网中总的路径长度;nEV_u表示路网节点u的车辆数;NEV表示交通路网总车辆数。
步骤2:分别构建有功功率上限约束、机组爬坡速率约束、节点电压约束、功率平衡方程约束、燃料电池汽车充氢数量及总需求约束、制氢加氢站数量约束、制氢加氢站服务范围约束、制氢加氢站重合度约束;
步骤2所述有功功率上限约束,定义为:
式中,Pij,t为线路lij在t时刻的有功功率;Pij max为线路lij在t时刻的有功功率上限。
步骤2所述机组爬坡速率约束,定义为:
式中,Px gr为机组x有功出力单位时间变化上限;-Px gr为机组x有功出力单位时间变化下限;为机组x在t时刻的有功功率;/>为机组x在t-1时刻的有功功率。
步骤2所述节点电压约束,定义为:
Ubus-i,t,min≤Ubus-i,t≤Ubus-i,t,max
式中,Ubus-i,t为节点i在t时刻的节点电压偏差;Ubus-i,t,min为节点i在t时刻额定电压偏差的最小值;Ubus-i,t,max为节点i在t时刻额定电压偏差的最大值。
步骤2所述功率平衡方程约束,定义为:
式中,Pi为节点i处输入的有功功率;Qi为节点i处输入的无功功率;PLi为节点i处负荷的有功功率;QLi为节点i处负荷的无功功率;Gij为支路的电导;Bij为支路的电纳;Ui节点i的节点电压;Uj为节点j的节点电压;PDGi为注入节点i的有功功率;QDGi注入节点i的无功功率;θij为电压的相角差。
步骤2所述燃料电池汽车充氢数量及总需求约束,定义为:
式中,NFCV_m为第m个制氢加氢站中燃料电池汽车的充氢数量;NHPRS_m为第m个制氢加氢站的允许充氢台数;V为制氢加氢站内储氢罐的数量;SCQG为储氢罐的容量;SFCV为燃料电池汽车的容量。
步骤2所述制氢加氢站数量约束,定义为:
nq_HPRS=1
式中,nq_HPRS为路网节点q处制氢加氢站的数量,在规划过程中,每个路网节点只能建设一座制氢加氢站。
步骤2所述制氢加氢站服务范围约束,定义为:
2≤NHPRS_m≤10
式中,NHPRS_m为第m个制氢加氢站的影响范围包含节点数。
步骤2所述制氢加氢站重合度约束,定义为:
式中:NHPRS_m为第m个制氢加氢站的影响范围包含节点数;NHPRS_s为第s个制氢加氢站的影响范围包含节点数,即制氢加氢站服务范围;ξ=5为两个制氢加氢站服务范围内相同的节点数,即重合度。
本方案采用IEEE30标准算例与30路网节点的耦合框架进行仿真分析,相应交通路线-电力拓扑耦合框架如附图4所示,图中单位距离为1KM,相应制氢加氢站位置用黄色节点表示,制氢加氢站数量以M取3为例,图中所连虚线为路-电耦合节点。
最初制氢加氢站布点位置为原先路网加油站位置,位于9、12、21节点。对于三级站,本方案制氢加氢站选取储氢罐模型为额定压力35MPa-35000L的氢气瓶(车用:额定压力35MPa-140L的III型氢气瓶)。根据理想气体状态方程:
PV=nRT
P为压强;V为气体体积;n为物质的量;T为温度;R为摩尔气体常数。在标准状态下一座制氢加氢站的加氢能力约为每天1079kg。
夜间负荷需求如附图5所示:
制氢加氢站具体参数如下表所示:
表2制氢加氢站参数
各个节点的影响因子权重如下:
表3影响因子权重表
节点 | 影响因子 | 节点 | 影响因子 | 节点 | 影响因子 |
1 | 1.3 | 11 | 0.8 | 21 | 0.9 |
2 | 1.4 | 12 | 1.0 | 22 | 0.7 |
3 | 1.5 | 13 | 1.2 | 23 | 1.4 |
4 | 1.3 | 14 | 1.3 | 24 | 1.2 |
5 | 0.7 | 15 | 1.3 | 25 | 1.1 |
6 | 0.9 | 16 | 1.1 | 26 | 1.0 |
7 | 0.7 | 17 | 0.9 | 27 | 0.9 |
8 | 0.6 | 18 | 0.7 | 28 | 0.7 |
9 | 1.2 | 19 | 1.2 | 29 | 0.6 |
10 | 1.1 | 20 | 1.2 | 30 | 0.2 |
首先,对原始方案进行评估,获得的交通路网指标,电网线路影响指标,心理学指标等结果如附图6所示。
在电网线路影响指标中,功率裕度过高,表明线路面临过载的风险,对应线路的有功功率如下:
表4各线路有功功率
6-9支路与9-10支路的功率传输大小相差2.5倍,12-14,12-16与4-12支路的功率传输大小相差近3.3倍,10-21与21-22支路的功率传输大小相差近14倍。存在功率传输不平衡的问题,不利于电网的稳定运行。夜间以十五分钟为一间隔,电压波动如附图7所示。在交通路网指标中,具体的节点交通流量与服务范围如下表所示:
表5路网因素表
表6服务范围信息表
策略 | 范围覆盖率 | 无覆盖节点数 | 重合比率 | 无覆盖百分比 |
原始策略 | 90.00% | 3 | 10.00% | 10.00% |
结合表5,6和附图8可看出当制氢加氢站布点在原先加油站位置时,继承了原本交通优势,在交通路网指标中交通流量与服务范围都占优,服务覆盖率达到了90%,具体的服务范围节点图如附图8所示。
初始策略用户满意度为2.93,具体制氢加氢站支路数、距离、数量、车流量对用户满意度的影响如下:
表7用户满意度影响表
定量指标 | 数量 | 支路数 | 距离 | 车流量 |
满意度影响值 | 0.2 | 0.25 | 0.14 | 0.09 |
根据各指标评估的结果,当制氢加氢站布点位置代替原有加油站位置时,虽在交通路网指标中继承了原有优势,但由于制氢加氢站的负荷特性,使其对于电网影响较大,不利于电网的稳定运行。
步骤3:根据步骤1所述的节点电压偏差指标、有功功率裕度水平指标、有功网损指标、交通流量指标、制氢加氢站服务范围指标、用户满意度指标构建制氢加氢站布点优化目标,将有功功率上限约束、机组爬坡速率约束、节点电压约束、功率平衡方程约束、燃料电池汽车充氢数量及总需求约束、制氢加氢站数量约束、制氢加氢站服务范围约束、制氢加氢站重合度约束作为制氢加氢站布点优化目标的约束条件,通过樽海鞘群优化算法优化求解得到多节点配电网模型中制氢加氢站优化接入节点;
步骤3所述制氢加氢站布点优化目标,定义为:
式中:S为制氢加氢站在制氢时间段的优化布点综合指标;k1=0.181为母线节点电压偏差量在综合指标里的比例系数;k2=0.181为交流线有功功率裕度水平在综合指标里的比例系数;k3=0.181为全网的网损水平在综合指标里的比例系数;k4=0.153为交通流量在综合指标里的比例系数;k5=0.160为制氢加氢站服务范围在综合指标里的比例系数;k6=0.143为用户满意度在综合指标里的比例系数;S1为母线节点电压偏差量;S2为交流线有功功率裕度水平;S3为全网的网损水平;S4为交通流量;S5为制氢加氢站服务范围;S6为用户满意度。
步骤3所述通过樽海鞘群优化算法优化求解得到多节点配电网模型中制氢加氢站优化接入节点,如附图9所示,具体为:
步骤3.1,输入制氢加氢站优化数量及寻优策略个数
在初始阶段输入H个寻优策略,即搜索个体;同时输入单个寻优策略内对应制氢加氢站数量R,生成H×R的欧式空间如下:
X为欧式空间;H为空间维度,即寻优策略个数;R为种群数量,即寻优策略内制氢加氢站数量;
步骤3.2,初始化制氢加氢站布点位置
通过樽海鞘群优化算法来初始化寻优策略内制氢加氢站布点位置,空间中第i个制氢加氢站布点优化策略用Xi表示:
为第i个策略内第r个制氢加氢站布点位置。
步骤3.3,针对制氢加氢站布点策略寻优
领导者作为X矩阵的第一个向量,代表当前寻优过程的最优策略,在未满足结束条件前,引导后面的制氢加氢站寻优策略朝着最优布点优化策略靠近,领导者的位置更新公式为:
其中,Fj为领导者与制氢加氢站最优布点策略在j维空间的位置;maxj和minj分别为j维空间取值的上下边界;c2决定移动长度,c3决定移动方向;c1为收敛因子,c2和c3是区间[0,1]内产生的随机数;
其中,t,Tmax分别为当前的迭代次数和最大迭代次数。
追随者的位置更新公式如下:
其中,表示t次迭代第i个制氢加氢站布点优化策略在j维空间的坐标;
步骤3.4,输出制氢加氢站布点优化策略
当满足终止条件后,输出制氢加氢站最优布点策略,即当前欧式空间首相量Xi_min,具体公式如下:
其中,为输出的制氢加氢站最优布点策略内第r个制氢加氢站布点位置。
针对 在寻优过程中易陷入局部搜索的问题,对H个搜索个体设置权重,合理应用全局信息,避免限入局部范围内的最优值而提前结束搜索。权重公式如下:
其中,KW为总体权重;fb为当前排序末尾处制氢加氢站优化布点目标函数;fF,fxi为当前所有制氢加氢站寻优策略目标函数最优值和第xi个寻优策略目标函数值;F为制氢加氢站最优布点策略位置;(fb-f)/α为个体权重。改进后的领导者公式为:
xi=ωxi+rand×(KW-xi)
其中,l为当前迭代次数,改进后的公式保证ω在整个探索过程中可以控制个体寻优位置,避免陷入局部位置而得不到最优值;
针对全局搜索与局部搜索不平衡问题,添加自适应惯性权重,在探索初期扩大搜索范围,后期增强局部搜索能力,自适应惯性权重公式如下:
改进后的追随者的位置公式如下:
现通过改进的樽海鞘群优化算法对优化布点模型进行求解,优化策略如下:
表8优化方案
制氢加氢站编号 | 1 | 2 | 3 |
节点 | 30 | 23 | 17 |
优化后各指标结果如附图10所示。
相较于初始布点策略,优化后的策略减小了对电网的影响,功率裕度等指标有了明显的降低,网损降低了1.52MW,各节点电压偏差如附图11所示,具体每条线路的有功功率如下:
表9各线路有功功率
每条线路功率传输都在约束条件之内,未出现线路过载情况,优化后的功率裕度指标为45.87,比初始方案下降了36.38,更有利于电网的稳定运行。各节点电压波动如附图11所示。
相较原方案,各节点电压偏差幅值更小,且更趋向于额定电压,减小了越界的风险。在交通路网指标中,具体的节点交通流量与服务范围如下:
表10路网因素表
表11服务范围信息表
策略 | 范围覆盖率 | 无覆盖节点数 | 重合比率 | 无覆盖百分比 |
原始策略 | 83.33% | 5 | 13.33% | 16.67% |
由表10,11和附图12可知,通过改进的樽海鞘群优化算法求得的优化策略与原策略相比,虽在交通路网侧略失优势,服务覆盖范围下降了6.67%,交通流量指标升高了7.55,但在电力网络影响指标中,电压偏差,功率裕度与网损都有了明显的降低,总体来看,综合指标下降了0.5466,相较于原策略,减小了对电网运行指标的影响。具体的服务范围节点图如附图12所示。
用户满意度为3.85,上升了0.92,表明用户对优化策略的接受程度更高,制氢加氢站支路数,距离,数量,车流量对用户满意度的影响如下:
表12用户满意度影响表
定量指标 | 数量 | 支路数 | 距离 | 车流量 |
满意度影响值 | 0.2 | 0.13 | 0.07 | 0.12 |
由上表可知节点支路数与路径长度对于用户满意度的影响有了明显降低,虽然车流量的影响指标略微升高,但从用户满意度指标来看,影响不大。
综上所述,制氢加氢站若在原有加油站位置进行布点,虽继承了交通路网的优势,但对电网的运行指标影响较大,通过改进的樽海鞘群优化算法对本方案优化布点模型进行求解,新的策略虽在交通流量和服务范围方面略逊于原始策略,但明显降低了对电网的影响,相较于初始方案,更有利于电网的稳定运行。
针对本方案制氢加氢站布点优化问题,将改进的樽海鞘群优化算法与樽海鞘群优化算法寻优过程进行比较,比较结果如附图13所示。在500次迭代范围内,改进的樽海鞘群优化算法都先于樽海鞘群优化算法寻得最优值,更快达到收敛条件,且寻得的最优值更小。通过两种算法对模型进行求解,求得的结果如下:
表13算法比较信息表
相较于樽海鞘群优化算法,改进的樽海鞘群优化算法在求解模型时,电网指标与路网指标都略优于樽海鞘群优化算法求得的结果,且收敛速度以及求解精度上都优于樽海鞘群优化算法,改进的樽海鞘群优化算法在满足求解精度的同时,求解速度更快,所占内存更小,表明改进后的樽海鞘群优化算法更适合制氢加氢站优化布点模型的求解。
本方案建立了制氢加氢站优化布点模型如附图14所示。得到了在考虑配电网与氢燃料汽车耦合影响下的制氢加氢站最优布点策略。仿真结果表明:
1)制氢加氢站工作模式可建立在燃料电池汽车出行规律基础之上,对燃料电池汽车加氢规律进行分析,借助蒙特卡罗生成燃料电池汽车日充氢需求分布,是求解制氢加氢站优化布点模型的先决因素。
2)制氢加氢站优化布点模型针对制氢加氢站的制氢特性以及充氢需求的不确定性,将制氢加氢站布点优化问题与配电网和交通网相耦合,降低了网损,减小了节点电压偏差,稳定了线路功率的传输,同时扩大了服务范围网,减小了用户心理负担,满足了燃料电池汽车的加氢需求。
3)制氢加氢站优化布点模型通过改进的樽海鞘群优化算法进行求解,所得策略解决了在考虑配电网与氢燃料汽车耦合影响条件下配电网运行不稳定,交通网服务范围与交通流量不均衡的问题。
本发明中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (3)
1.一种考虑综合因素指标的制氢加氢站布点优化方法,其特征在于,包括以下步骤:
步骤1:引入多节点配电网模型,分别构建节点电压偏差指标、有功功率裕度水平指标、有功网损指标、交通流量指标、制氢加氢站服务范围指标、用户满意度指标;
步骤2:分别构建有功功率上限约束、机组爬坡速率约束、节点电压约束、功率平衡方程约束、燃料电池汽车充氢数量及总需求约束、制氢加氢站数量约束、制氢加氢站服务范围约束、制氢加氢站重合度约束;
步骤3:根据步骤1所述的节点电压偏差指标、有功功率裕度水平指标、有功网损指标、交通流量指标、制氢加氢站服务范围指标、用户满意度指标构建制氢加氢站布点优化目标,将有功功率上限约束、机组爬坡速率约束、节点电压约束、功率平衡方程约束、燃料电池汽车充氢数量及总需求约束、制氢加氢站数量约束、制氢加氢站服务范围约束、制氢加氢站重合度约束作为制氢加氢站布点优化目标的约束条件,通过樽海鞘群优化算法优化求解得到多节点配电网模型中制氢加氢站优化接入节点;
步骤3所述制氢加氢站布点优化目标,定义为:
式中:S为制氢加氢站在制氢时间段的优化布点综合指标;k1为母线节点电压偏差量在综合指标里的比例系数;k2为交流线有功功率裕度水平在综合指标里的比例系数;k3为有功网的网损水平在综合指标里的比例系数;k4为交通流量在综合指标里的比例系数;k5为制氢加氢站服务范围在综合指标里的比例系数;k6为用户满意度在综合指标里的比例系数;S1为母线节点电压偏差量;S2为交流线有功功率裕度水平;S3为有功网的网损水平;S4为交通流量;S5为制氢加氢站服务范围;S6为用户满意度;
步骤3所述通过樽海鞘群优化算法优化求解得到多节点配电网模型中制氢加氢站优化接入节点,具体为:
步骤3.1,输入制氢加氢站优化数量及寻优策略个数
在初始阶段输入H个寻优策略,即搜索个体;同时输入单个寻优策略内对应制氢加氢站数量R,生成H×R的欧式空间如下:
X为欧式空间;H为空间维度,即寻优策略个数;R为种群数量,即寻优策略内制氢加氢站数量;
步骤3.2,初始化制氢加氢站布点位置
通过樽海鞘群优化算法来初始化寻优策略内制氢加氢站布点位置,空间中第i个制氢加氢站布点优化策略用Xi表示:
为第i个策略内第r个制氢加氢站布点位置;
步骤3.3,针对制氢加氢站布点策略寻优
领导者作为X矩阵的第一个向量,代表当前寻优过程的最优策略,在未满足结束条件前,引导后面的制氢加氢站寻优策略朝着最优布点优化策略靠近,领导者的位置更新公式为:
其中,Fj为领导者与制氢加氢站最优布点策略在j维空间的位置;maxj和minj分别为j维空间取值的上下边界;c2决定移动长度,c3决定移动方向;c1为收敛因子,c2和c3是区间[0,1]内产生的随机数;
其中,t,Tmax分别为当前的迭代次数和最大迭代次数;
追随者的位置更新公式如下:
其中,表示t次迭代第i个制氢加氢站布点优化策略在j维空间的坐标;
步骤3.4,输出制氢加氢站布点优化策略
当满足终止条件后,输出制氢加氢站最优布点策略,即当前欧式空间首相量Xi_min,具体公式如下:
其中,为输出的制氢加氢站最优布点策略内第r个制氢加氢站布点位置;
针对在寻优过程中易陷入局部搜索的问题,对H个搜索个体设置权重,合理应用全局信息,避免限入局部范围内的最优值而提前结束搜索;权重公式如下:
其中,KW为总体权重;fb为当前排序末尾处制氢加氢站优化布点目标函数;fF,fxi为当前所有制氢加氢站寻优策略目标函数最优值和第xi个寻优策略目标函数值;F为制氢加氢站最优布点策略位置;(fb-f)/α为个体权重;改进后的领导者公式为:
xi=ωxi+rand×(KW-xi)
其中,l为当前迭代次数,改进后的公式保证ω在整个探索过程中可以控制个体寻优位置,避免陷入局部位置而得不到最优值;
针对全局搜索与局部搜索不平衡问题,添加自适应惯性权重,在探索初期扩大搜索范围,后期增强局部搜索能力,自适应惯性权重公式如下:
改进后的追随者的位置公式如下:
2.根据权利要求1所述的考虑综合因素指标的制氢加氢站布点优化方法,其特征在于,步骤1所述节点电压偏差指标,定义为:
其中,S1为节点电压偏差指标;S1-a为电压波动水平指标;N为配电网节点数;t∈T,t为制氢时间内t时刻,T为制氢总时长;Ubus-i,t为节点i在t时刻的节点电压偏差;Ubus-i,t,min为节点i在t时刻额定电压偏差的最小值;Ubus-i,t,max为节点i在t时刻额定电压偏差的最大值;UN为额定电压;Ubus-i为节点i在计算时段内电压波动水平的均值;
步骤1所述有功功率裕度水平指标,定义为:
其中,S2为有功功率裕度水平指标;S2-a为考虑功率波动和最大功率偏差对目标函数的影响系数;k∈K,k为与节点i相连的第k条交流线,K为与节点i相连的交流线总数;PFCV,t为在t时刻与节点i相连的交流线的平均功率;Pk,t为在t时刻与节点i相连的线路k的有功功率水平;a为功率波动在影响系数中的权重;b为最大功率偏差在影响系数中的权重;Pk-max为与节点i相连的线路k的传输功率上限;
步骤1所述有功网损指标,定义为:
其中,S3为有功网损指标;Gij为节点i和节点j间的支路的电导;Ui为节点i的电压幅值;Uj为节点j的电压幅值;nl∈NL,nL为多节点配电网模型中第nL条输电线路,NL为多节点配电网模型中输电线路数量;θi为节点i电压的相角,θj为节点j电压的相角;
步骤1所述交通流量指标,定义为:
其中,S4为交通流量指标;Fu为线路起点u的车辆权重系数;Fv为线路终点v的车辆权重系数;l∈L,l为多节点交通网模型中第l条交通路径,L为多节点交通网模型中交通路径数量;duv_l为交通路网中线路起点u,终点v的路径长度;N_JT为路网总节点;
步骤1所述制氢加氢站服务范围指标,定义为:
其中,S5为制氢加氢站服务范围指标,m∈M,m为第m个制氢加氢站,M为制氢加氢站总数量;Sm_CS表示第m个制氢加氢站对用户的吸引力,PHPRS_m表示第m个制氢加氢站的功率,λq表示路网节点q的其他因素影响权重,dHPRS_l表示燃料电池汽车到达制氢加氢站路径l的长度,EFCV表示单位距离的耗氢量,PFCV代表制氢加氢站氢价;
步骤1所述用户满意度指标,定义为:
其中,S6为用户满意度指标;S_num为制氢加氢站的数量对于用户满意度的影响;为数量因素在用户满意度中的权重;S_ljd为邻近度对于用户满意度的影响;nm_o∈Nm_o,nm_o为第m个制氢加氢站服务范围包含的第o个节点,Nm_o为第m个制氢加氢站服务范围包含总节点;kb_m∈Kb_m,kb_m为与第m个制氢加氢站相连的第b条路径,Kj_m为与第m个制氢加氢站相连路径总数;lb_m为与第m个制氢加氢站相连的第b条路径d的长度;LN_JT表示路网中总的路径长度;nEV_u表示路网节点u的车辆数;NEV表示交通路网总车辆数。
3.根据权利要求1所述的考虑综合因素指标的制氢加氢站布点优化方法,其特征在于,步骤2所述有功功率上限约束,定义为:
式中,Pij,t为线路lij在t时刻的有功功率;Pij max为线路lij在t时刻的有功功率上限;
步骤2所述机组爬坡速率约束,定义为:
式中,Px gr为机组x有功出力单位时间变化上限;-Px gr为机组x有功出力单位时间变化下限;为机组x在t时刻的有功功率;/>为机组x在t-1时刻的有功功率;
步骤2所述节点电压约束,定义为:
Ubus-i,t,min≤Ubus-i,t≤Ubus-i,t,max
式中,Ubus-i,t为节点i在t时刻的节点电压偏差;Ubus-i,t,min为节点i在t时刻额定电压偏差的最小值;Ubus-i,t,max为节点i在t时刻额定电压偏差的最大值;
步骤2所述功率平衡方程约束,定义为:
式中,Pi为节点i处输入的有功功率;Qi为节点i处输入的无功功率;PLi为节点i处负荷的有功功率;QLi为节点i处负荷的无功功率;Gij为支路的电导;Bij为支路的电纳;Ui为节点i的节点电压;Uj为节点j的节点电压;PDGi为注入节点i的有功功率;QDGi注入节点i的无功功率;θij为电压的相角差;
步骤2所述燃料电池汽车充氢数量及总需求约束,定义为:
式中,NFCV_m为第m个制氢加氢站中燃料电池汽车的充氢数量;NHPRS_m为第m个制氢加氢站的允许充氢台数;V为制氢加氢站内储氢罐的数量;SCQG为储氢罐的容量;SFCV为燃料电池汽车的容量;
步骤2所述制氢加氢站数量约束,定义为:
nq_HPRS=1
式中,nq_HPRS为路网节点q处制氢加氢站的数量,在规划过程中,每个路网节点只能建设一座制氢加氢站;
步骤2所述制氢加氢站服务范围约束,定义为:
2≤NHPRS_m≤10
式中,NHPRS_m为第m个制氢加氢站的影响范围包含节点数;
步骤2所述制氢加氢站重合度约束,定义为:
式中:NHPRS_m为第m个制氢加氢站的影响范围包含节点数;NHPRS_s为第s个制氢加氢站的影响范围包含节点数,即制氢加氢站服务范围;ξ表示两个制氢加氢站服务范围内相同的节点数,即重合度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210012943.0A CN114357681B (zh) | 2022-01-07 | 2022-01-07 | 一种考虑综合因素指标的制氢加氢站布点优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210012943.0A CN114357681B (zh) | 2022-01-07 | 2022-01-07 | 一种考虑综合因素指标的制氢加氢站布点优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114357681A CN114357681A (zh) | 2022-04-15 |
CN114357681B true CN114357681B (zh) | 2024-06-18 |
Family
ID=81107447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210012943.0A Active CN114357681B (zh) | 2022-01-07 | 2022-01-07 | 一种考虑综合因素指标的制氢加氢站布点优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114357681B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115619132B (zh) * | 2022-09-29 | 2023-12-26 | 哈尔滨工业大学(深圳) | 一种氢能源车的碳导向能源互联网规划方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222779A (zh) * | 2021-05-10 | 2021-08-06 | 合肥工业大学 | 一种基于改进樽海鞘群算法的配电网电压波动抑制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1719235B1 (en) * | 2004-01-23 | 2017-09-27 | Stuart Energy Systems Corporation | An energy network using electrolysers and fuel cells |
CN110895638B (zh) * | 2019-11-22 | 2022-12-06 | 国网福建省电力有限公司 | 考虑电动汽车充电站选址定容的主动配电网模型建立方法 |
CN113468723B (zh) * | 2021-06-09 | 2022-05-20 | 天津大学 | 一种离网风光氢冷能源***优化配置方法 |
CN113364049B (zh) * | 2021-06-09 | 2024-05-07 | 福州大学 | 一种考虑交通流量捕获的风-氢-电网耦合规划方法 |
CN113725861B (zh) * | 2021-08-31 | 2022-11-01 | 湖北工业大学 | 一种基于灰狼算法的电动汽车充电站布点规划方案 |
-
2022
- 2022-01-07 CN CN202210012943.0A patent/CN114357681B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113222779A (zh) * | 2021-05-10 | 2021-08-06 | 合肥工业大学 | 一种基于改进樽海鞘群算法的配电网电压波动抑制方法 |
Non-Patent Citations (1)
Title |
---|
Wentao Huang,et al..An adaptive under-frequency optimal control strategy for power system combined pumped storage and under-frequency load shedding.Research Article.2021,第1-30页. * |
Also Published As
Publication number | Publication date |
---|---|
CN114357681A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | Charging scheduling strategy for different electric vehicles with optimization for convenience of drivers, performance of transport system and distribution network | |
CN109523051B (zh) | 一种电动汽车充电实时优化调度方法 | |
CN102880921B (zh) | 一种电动汽车充电站选址优化方法 | |
Tao et al. | Data-driven optimized layout of battery electric vehicle charging infrastructure | |
Yang et al. | Computational scheduling methods for integrating plug-in electric vehicles with power systems: A review | |
Zhang et al. | Multi-objective hydro-thermal-wind coordination scheduling integrated with large-scale electric vehicles using IMOPSO | |
Yang et al. | Optimal dispatching strategy for shared battery station of electric vehicle by divisional battery control | |
CN107104454A (zh) | 计及电动汽车功率可调控域的最优潮流节点电价计算方法 | |
Wu et al. | Charging demand forecasting of electric vehicles considering uncertainties in a microgrid | |
CN110189025B (zh) | 考虑不同负荷增长的电动汽车充电站规划方案获取方法 | |
Jin et al. | Optimal deadline scheduling for electric vehicle charging with energy storage and random supply | |
CN112865190A (zh) | 计及光伏和充电需求的光储充电站优化调度方法和*** | |
CN113725861B (zh) | 一种基于灰狼算法的电动汽车充电站布点规划方案 | |
CN113859018B (zh) | 大规模电动汽车群的分级充放电优化控制方法 | |
de Lima et al. | Joint optimal allocation of electric vehicle charging stations and renewable energy sources including CO2 emissions | |
CN106408216A (zh) | 基于电动汽车换电站时序响应模型的充电计划制定方法 | |
CN114357681B (zh) | 一种考虑综合因素指标的制氢加氢站布点优化方法 | |
CN109921420A (zh) | 弹性配电网恢复力提升方法、装置及终端设备 | |
Shaker et al. | Joint planning of electric vehicle battery swapping stations and distribution grid with centralized charging | |
CN115759606A (zh) | 一种电动汽车与氢燃料电池汽车充电加氢负荷模拟方法及装置 | |
Pan et al. | Optimal scheduling for unit commitment with electric vehicles and uncertainty of renewable energy sources | |
CN112016745B (zh) | 一种电动汽车充电站规划方法 | |
CN114169609A (zh) | 一种考虑光伏耦合的电动汽车充电站规划方法 | |
CN110570098A (zh) | 考虑换电需求与光伏不确定性电动汽车充换电站控制方法 | |
Su et al. | Cost minimization control for electric vehicle car parks with vehicle to grid technology |
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 |