CN117172109A - 一种离网光伏制氢***的容量优化方法 - Google Patents
一种离网光伏制氢***的容量优化方法 Download PDFInfo
- Publication number
- CN117172109A CN117172109A CN202311133522.4A CN202311133522A CN117172109A CN 117172109 A CN117172109 A CN 117172109A CN 202311133522 A CN202311133522 A CN 202311133522A CN 117172109 A CN117172109 A CN 117172109A
- Authority
- CN
- China
- Prior art keywords
- cell array
- electrolytic cell
- photovoltaic
- energy storage
- storage battery
- 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
- 229910052739 hydrogen Inorganic materials 0.000 title claims abstract description 84
- 239000001257 hydrogen Substances 0.000 title claims abstract description 84
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 title claims abstract description 83
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000004146 energy storage Methods 0.000 claims abstract description 73
- 238000010248 power generation Methods 0.000 claims abstract description 40
- 238000003860 storage Methods 0.000 claims abstract description 22
- 238000013178 mathematical model Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 27
- 238000007599 discharging Methods 0.000 claims description 11
- 241000282345 Meles Species 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 4
- 239000007789 gas Substances 0.000 claims description 2
- 241000282346 Meles meles Species 0.000 abstract description 10
- 210000004027 cell Anatomy 0.000 description 81
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 235000012907 honey Nutrition 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005868 electrolysis reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 235000019645 odor Nutrition 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 210000000352 storage cell Anatomy 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 150000002431 hydrogen Chemical class 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 235000019562 intensity of smell Nutrition 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
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/36—Hydrogen production from non-carbon containing sources, e.g. by water electrolysis
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明为一种离网光伏制氢***的容量优化方法，首先构建离网光伏制氢***各组成部分的数学模型，包括光伏阵列、储能电池组、电解槽阵列及储氢罐阵列的数学模型；接着，根据光伏发电功率和储能电池组电量建立不同模式下的电解槽阵列动态运行模型；然后，设计容量优化的目标函数和约束条件；最后，对蜜獾算法进行改进，利用改进的蜜獾算法对目标函数进行求解，得到离网光伏制氢***的容量优化结果。该方法针对光伏发电的波动性、不确定性以及***制氢成本较高的问题，制定了***的能量管理策略，构建了电解槽阵列动态运行模型，当光伏发电功率出现波动时，使电解槽阵列处于待机状态，保证***稳定运行的同时减少了电解槽从停机到运行过程中的启动时间，还避免了电解槽反复启停导致电解槽寿命下降的问题。
Description
技术领域
本发明属于光储能消纳及可再生能源制氢技术领域，具体涉及到一种离网光伏制氢***的容量优化方法。
背景技术
随着光伏发电技术的发展，我国的光伏装机总容量不断提升，已达世界前列，大量的光伏发电为减少碳排放提供了有效的解决途径，但高容量的装机同样也带来了许多复杂的问题，光伏发电较大的不确定性给光伏发电并网带来了很大的困难，光伏发电的弃光现象突出，光伏发电得不到充分利用，因此，目前需要一种新的途径来满足光伏发电消纳及降低碳排放的需要。近年来，离网***的提出为光伏发电消纳提供了一种新的解决方案，离网***不依赖电网，不受地域的限制，可以实现光伏发电的就地消纳。氢能作为一种清洁能源，可与离网光伏发电***耦合，使用光伏设备产生的电能为电解水制氢提供能源，而氢气的生产及使用过程中，产生的副产物只有水，是一种完全的清洁能源，因此，将离网光伏***和电解水技术结合使用，能够实现光伏发电消纳以及降低碳排放量。
虽然离网光伏制氢***因其光伏发电消纳率更高、碳排放量低、应用前景广阔，而越来越受到重视，但是离网光伏制氢***依旧存在很多问题。例如，电解槽状态受光伏发电和储能电池电量等因素影响，目前，离网制氢***容量优化方法多采用简单的电解槽启停模型，由于光照资源及负荷需求具有很强的偶然性与随机性，因此采用简单的电解槽启停模型并不能精确地反映电解槽的实际运行过程，导致整个***的容量配置过高，设备冗余不能被充分利用，从而导致整个***的制氢成本增加。电解槽在实际工作过程中分为冷启动和热启动，两种启动方式所需时间不同，故会影响***的制氢产量，而现有的容量优化方法中电解槽一般采用冷启动方式，启动时间长，缩短了电解槽工作时间，导致***的制氢产量降低。因此，本发明提出一种离网光伏制氢***的容量优化方法。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，提供一种离网光伏制氢***的容量优化方法。
为实现上述目的，本发明采用的技术方案如下：
一种离网光伏制氢***的容量优化方法，其特征在于，包括如下步骤：
步骤一：构建离网光伏制氢***各组成部分的数学模型，包括光伏阵列、储能电池组、电解槽阵列及储氢罐阵列的数学模型；
步骤二：建立不同模式下的电解槽阵列动态运行模型；
停机模式下的电解槽阵列动态运行模型为：
式中：Y(t)、Y(t-1)为t、t-1时刻电解槽阵列的状态，I表示电解槽阵列处于停机状态，S表示电解槽阵列处于待机状态，L表示电解槽阵列处于正常运行状态，SOC(t)为t时刻储能电池组的荷电状态，λ为使电解槽阵列启动的储能电池组荷电状态阈值，Pe,wt为电解槽阵列待机功率，Ppv(t)为t时刻光伏发电功率，Pe,min为电解槽阵列最小运行功率；
待机模式下的电解槽阵列动态运行模型为：
式中：DOD为储能电池组最大放电深度；
运行模式下的电解槽阵列动态运行模型为：
电解槽阵列状态和光伏发电功率不同，储能电池组充放电功率也不同，储能电池组充放电功率表示为：
式中：Pb(t)为t时刻储能电池组充放电功率，Pe,norm为电解槽阵列额定功率；
步骤三，设计容量优化的目标函数和约束条件；
目标函数表示为：
式中，为***年度总氢气产量，F(t)为t时刻***的氢气产量，k为***年度总制氢时长，Q(t)为惩罚函数，C为***的年度总成本；
目标函数的约束条件包括设备数量约束和储能电池组荷电状态和充、放电功率约束；
步骤四：对蜜獾算法进行改进，利用改进的蜜獾算法对目标函数进行求解，得到离网光伏制氢***的容量优化结果。
与现有技术相比，本发明的有益效果在于：
1.本发明的容量优化方法在现有的光伏发电、储能电池组、电解槽阵列、储氢罐阵列数学模型的基础上，针对光伏发电的波动性、不确定性以及***制氢成本较高的问题，在容量优化中根据电解槽阵列的状态、光伏发电功率、储能电池组电量制定***的能量管理策略，构建了电解槽阵列动态运行模型，当光伏发电功率出现波动时，可以使电解槽阵列处于待机状态，保证***稳定运行的同时减少了电解槽从停机到运行过程中的启动时间，还避免了电解槽反复启停导致电解槽寿命下降的问题。
2.电解槽冷启动为从停机状态切换到正常运行状态，热启动为从待机状态切换到正常运行状态，电解槽冷启动和热启动所需时间不同，不同启动方式会影响***的制氢产量，因此在电解槽模型和电解槽动态运行模型中考虑了电解槽的冷启动和热启动，同时在容量优化的目标函数中引入惩罚函数，有利于提高***的制氢产量，同时降低单位制氢成本。
3.使用改进的蜜獾算法求解目标函数，对***中的设备数量进行优化，实现最优的容量配置，避免设备冗余，降低了***的单位制氢成本，同时具有更快的求解速度。
附图说明
图1是本发明的离网光伏制氢***的结构示意图；
图2是本发明的整体流程图；
图3是使用改进的蜜獾算法进行优化求解的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案进行详细说明，但并不以此限定本申请的保护范围。
本发明是一种离网光伏制氢***的容量优化方法，具体包括如下步骤：
步骤一：离网光伏制氢***主要由光伏阵列、储能电池组、电解槽阵列和储氢罐阵列组成；分别建立离网光伏制氢***中光伏阵列、储能电池组、电解槽阵列及储氢罐阵列的数学模型；
1-1、光伏阵列数学模型
式中：Ppv(t)为t时刻光伏发电功率，Npv为光伏板数量，Ypv为光伏板额定容量，fpv为综合光伏损失系数，G(t)为t时刻的实际太阳能辐照度，Gstc为标准测试条件下的太阳能辐照强度，β为温度系数，Tc(t)为t时刻光伏板的实际温度，Tc.stc为光伏板在标准测试条件下的温度。
1-2、储能电池组数学模型
式中，Pb(t)为t时刻储能电池组充放电功率，Pb(t)为正数表示储能电池组处于充电状态，Pb(t)为负数表示储能电池组处于放电状态；Pb,input(t)为t时刻储能电池组应充放电功率，Nbs为储能电池数量，Pbc,max为储能电池的最大充电功率，Pbdc,max为储能电池的最大放电功率。
储能电池组电量用荷电状态SOC表示：
式中，SOC(t)为t时刻储能电池组的荷电状态，SOC(t-1)为t-1时刻储能电池组的荷电状态，Cb为储能电池容量，V为储能电池的额定电压，Δt为***的时间分辨率间隔，ηb为储能电池充放电效率。
1-3、电解槽阵列数学模型
式中，Pe(t)为t时刻电解槽阵列实际运行功率，Pe,norm为电解槽阵列额定功率，Pe,min为电解槽阵列最小运行功率，Pe,wt为电解槽阵列待机功率，Pe,input(t)为t时刻***提供给电解槽阵列的功率；
为了简化计算，使用一次多项式对氢气生产速率进行计算，氢气生产速率表达式为：
1-4、储氢罐阵列数学模型
式中，R为理想气体常数，为t、t-1时刻的储氢罐压力，TH2为储氢罐工作温度，VH2为储氢罐容量，/>和/>分别为电解槽阵列的产氢量及氢负荷，/>为储氢罐最小压力，/>为储氢罐最大压力。
步骤二：为了尽可能减少电解槽的启动和关闭次数，根据光伏发电功率、储能电池组电量制定***的能量管理策略，建立电解槽阵列动态运行模型；
电解槽阵列运行模型为：
式中，Y(t)为t时刻电解槽阵列的状态，I表示电解槽阵列处于停机状态，S表示电解槽阵列处于待机状态，L表示电解槽阵列处于正常运行状态；
2-1、停机模式下的电解槽阵列动态运行模型为：
式中：λ为使电解槽阵列启动的储能电池组荷电状态阈值，本实施例中λ取值为0.8；
当t-1时刻电解槽阵列处于停机状态时，若t时刻储能电池组荷电状态SOC大于等于λ，且t时刻光伏发电功率大于等于电解槽阵列待机功率同时小于电解槽阵列最小运行功率，则t时刻电解槽阵列转为待机状态；若t时刻储能电池组荷电状态SOC大于等于λ且光伏发电功率大于等于电解槽阵列最小运行功率，则t时刻电解槽阵列转为正常运行状态；若t时刻储能电池组荷电状态SOC小于λ或电解槽阵列待机功率大于光伏发电功率，则t时刻电解槽阵列转为停机状态；
2-2、待机模式下的电解槽阵列动态运行模型为：
式中：DOD为储能电池组最大放电深度；
当t-1时刻电解槽阵列处于待机状态时，若t时刻储能电池组荷电状态大于1-DOD且小于λ，或光伏发电功率大于等于电解槽阵列待机功率且小于电解槽阵列最小运行功率，则t时刻电解槽阵列维持待机状态；若t时刻储能电池组荷电状态大于等于λ且光伏发电功率大于等于电解槽阵列最小运行功率，则t时刻电解槽阵列转为正常运行状态；若t时刻储能电池组荷电状态小于1-DOD且光伏发电功率小于电解槽阵列最小运行功率，则t时刻电解槽阵列转为停机状态；
2-3、运行模式下的电解槽阵列动态运行模型为：
当t-1时刻电解槽阵列处于正常运行状态时，若t时刻储能电池组荷电状态小于等于1-DOD，且光伏发电功率大于等于电解槽阵列待机功率同时小于电解槽阵列最小运行功率，则t时刻电解槽阵列转为待机状态；若t时刻储能电池组荷电状态大于1-DOD或光伏发电功率大于等于电解槽阵列最小运行功率，则t时刻电解槽阵列维持正常运行状态；若t时刻储能电池组荷电状态小于等于1-DOD且光伏发电功率大于电解槽阵列待机功率，则t时刻电解槽阵列转为停机状态；
2-4、储能电池组充放电功率
电解槽阵列状态和光伏发电功率不同，储能电池组充放电功率大小也不同，当电解槽阵列处于停机状态时，光伏发电全部用于储能电池的充电；当电解槽阵列处于待机状态时，若光伏发电功率小于电解槽阵列待机功率，则储能电池放电；若光伏发电功率大于电解槽阵列待机功率，则储能电池充电。当电解槽阵列处于正常运行状态时，若光伏发电功率大于电解槽阵列额定功率，则储能电池充电；若光伏发电功率小于电解槽阵列最小运行功率，则储能电池放电；
储能电池组充放电功率表示为：
步骤三，设计容量优化的目标函数和约束条件；
3-1、容量优化的目标函数为：
式中，为***年度总氢气产量，F(t)为t时刻***的氢气产量，k为***年度总制氢时长，Q(t)为惩罚函数，C为***的年度总成本；
C＝Ccap_eq+Ccom (13)
Ccap_eq＝Ccap(r(1+r)Y/(1+r)Y-1) (14)
Ccap＝Ccap_pv+Ccap_bat+Ccap_ele+Ccap_g (15)
Com＝Com_pv+Com_bat+Com_ele+Com_g (16)
式中：Ccap_eq为***的年度投资成本，Com为***的年度运行维护成本，Ccap为***的初始投资成本，r为贴现率，Y为***的使用寿命，Ccap_pv、Ccap_bat、Ccap_ele、Ccap_g分别为光伏发电机组、储能电池组、电解槽和储氢罐的初始投资成本，Com_pv、Com_bat、Com_ele、Com_g分别是光伏阵列、储能电池组、电解槽阵列、储氢罐阵列的年度运行维护成本。
由于电解槽冷启动及热启动会对电解槽生产氢气产生一定影响，电解槽冷启动需要40-60分钟的启动时间，热启动需要20分钟的启动时间，因此根据电解槽阵列状态对目标函数添加惩罚函数Q(t)，惩罚函数表达式为：
式中，M为系数；
3-2、目标函数的约束条件
设备数量约束：光伏板数量Npv、储能电池数量Nbs、电解槽数量Nel及储氢罐数量Ng只能为非负整数；
储能电池约束：为了避免储能电池产生过充或过放，对储能电池组的荷电状态和充、放电功率进行约束，则有：
式中：Pbc为储能电池充电功率，Pbdc为储能电池放电功率。
步骤四：对蜜獾算法进行改进，利用改进的蜜獾算法对目标函数进行求解，得到离网光伏制氢***的容量优化结果；
4-1、基于精英反向学习策略对种群进行初始化；
种群个体代表目标函数的一个解，表示离网光伏制氢***中各设备的数量；传统蜜獾算法的种群初始化是在搜索域内随机生成，但是个体范围不够广，并不会均匀覆盖到全部搜索域；为了增加初始化种群的多样性，提高算法的搜索效率，使用精英反向学习策略优化初始化的种群，产生精英反向学习的种群个体；初始化的种群个体数量为2N，精英反向学习后的种群个体数量为N；
xoij＝lbj+ubj-xij(19)
xij＝lbj+r1(ubj-lbj)(20)
式中：xij表示初始化的种群个体，xoij表示精英反向学习的种群个体，lbj和ubj分别表示第j维变量搜索域的上、下界，r1为介于0～1之间的随机数；
4-2、根据式(21)计算种群个体的气味强度；气味强度与猎物源强度及猎物与蜜獾之间的距离相关，气味强度越大，蜜獾的运动速度越快；将目标函数作为适应度函数，计算种群个体的适应度值，将每代种群中适应度值最大的种群个***置作为最优种群个***置；
S＝(xi-xi+1)2 (22)
di＝xprey-xi (23)
式中：Ii为第i个种群个体的气味强度，r2为介于0～1之间的随机数，S为猎物源强度或集中强度，di为猎物与第i个种群个体的距离，xprey为当代最优种群个***置，xi、xi+1为第i、i+1个种群个体的位置；
根据式(24)更新密度因子ε；
ε＝W×exp(-m/Tmax) (24)
其中，W为大于1的常数(默认为2)，Tmax为种群最大迭代次数，m为当前迭代次数；
4-3、根据气味强度及柯西变异策略更新种群个***置；
随机选择采蜜阶段及挖掘阶段，在挖掘阶段，蜜獾的觅食轨迹被设计为类似心形线的形状，觅食运动轨迹可表示为：
xinew＝xprey+F·τ·Ii·xprey+F·r3·ε·di·|cos(2πr4)·(1-cos(2πr5))| (25)
式中，xinew为第i个种群个体更新后的位置，τ≥1表示种群个体捕获猎物的能力，默认取值为6；F表示搜索方向标志，r3、r4、r5均为介于0～1之间的随机数；
在采蜜阶段，种群个体跟随蜜获取蜂蜜的的运动轨迹表示为：
xinew＝xprey+F·r6·ε·di(26)
式中：r6为介于0～1之间的随机数；
为了避免优化过程陷入局部最优的情况，在蜜獾算法中引入柯西变异策略进一步更新种群个***置，以增加种群的多样性，提高算法的全局搜索能力，利用柯西变异能够在当前种群个体附近生成更大的扰动，从而使得柯西分布函数的范围比较广，柯西变异过程可表示为：
xinewx＝xinew+xinew·Cauchy(0,1) (27)
式中：xinewx为第i个种群个体经柯西变异后的位置，Cauchy(0,1)为柯西变异算子；
4-4、反复迭代，直到达到最大迭代次数，输出最优种群个体，并计算最优种群个体的适应度值，得到***的容量优化结果。
实施例
本实施例选取600s时间分辨率的太阳能辐照度及氢负荷数据进行计算，单个光伏板的功率为0.55kw，综合光伏损失系数fpv为0.213，温度系数β为-0.34％/℃，单个储能电池的容量Cb为148Ah，储能电池充放电效率ηb为95％，电解槽阵列额定功率Pe,norm为10kw，电解槽阵列最小运行功率Pe,min为3kw，电解槽阵列待机功率Pe,wt为2.5kw，单个储氢罐的容量vH2为1kg，***的使用寿命Y设为20年，贴现率r为5％。
为了验证本发明方法的优越性，分别利用传统蜜獾算法(HBA)、粒子群算法(PSO)和本发明的改进蜜獾算法(RC-HBA)对式(12)的目标函数进行求解，在相同参数下通过多次实验并取平均值进行比较，对比结果如表1所示。
表1三种算法容量优化结果对比
| 算法名称 | 制氢单位成本(元/kg) | 收敛所需迭代次数 |
| HBA | 34.7 | 15 |
| PSO | 34.4 | 16 |
| RC-HBA | 34.1 | 13 |
从表1可知，相比于粒子群算法和传统蜜獾算法，改进的蜜獾算法有着更高的求解速度和精度，这是由于精英反向学习策略利用精英个体比一般个体包含更多有效信息的特点，通过当代种群中的精英个体构造反向种群，以增加种群多样性，并从当代种群和反向种群构成的新种群中选取最优个体作为新一代种群个体，进入下一次的迭代，提高了求解速度。通过柯西变异策略进一步更新种群个***置，避免算法陷入局部最优解，有利于提高求解精度。
为验证电解槽阵列动态运行模型的优越性，将电解槽阵列动态运行模型与采用简单的电解槽阵列启动模型进行对比，电解槽阵列启动次数取12个月平均值，两种模型的容量优化方法都使用改进的蜜獾算法(RC-HBA)对目标函数进行求解，对比结果如表2所示。
表2不同电解槽阵列运行模型下的容量优化结果对比
从表2可知，两种模型下电解槽阵列具有相同的启动次数，但是采用电解槽阵列动态运行模型的容量优化方法将电解槽阵列的启动分为冷启动和热启动，明显降低了光伏板、储能电池、电解槽的使用数量和单位制氢成本，而储氢罐的数量略有增加，是由于产生了更多的氢气，因此采用本发明的电解槽阵列动态运行模型具有更低的制氢成本与更高的氢气产量。
本发明未述及之处适用于现有技术。
Claims (4)
1.一种离网光伏制氢***的容量优化方法，其特征在于，包括如下步骤：
步骤一：构建离网光伏制氢***各组成部分的数学模型，包括光伏阵列、储能电池组、电解槽阵列及储氢罐阵列的数学模型；
步骤二：建立不同模式下的电解槽阵列动态运行模型；
停机模式下的电解槽阵列动态运行模型为：
式中：Y(t)、Y(t-1)为t、t-1时刻电解槽阵列的状态，I表示电解槽阵列处于停机状态，S表示电解槽阵列处于待机状态，L表示电解槽阵列处于正常运行状态，SOC(t)为t时刻储能电池组的荷电状态，λ为使电解槽阵列启动的储能电池组荷电状态阈值，Pe,wt为电解槽阵列待机功率，Ppv(t)为t时刻光伏发电功率，Pe,min为电解槽阵列最小运行功率；
待机模式下的电解槽阵列动态运行模型为：
式中：DOD为储能电池组最大放电深度；
运行模式下的电解槽阵列动态运行模型为：
电解槽阵列状态和光伏发电功率不同，储能电池组充放电功率也不同，储能电池组充放电功率表示为：
式中：Pb(t)为t时刻储能电池组充放电功率，Pe,norm为电解槽阵列额定功率；
步骤三，设计容量优化的目标函数和约束条件；
目标函数表示为：
式中，为***年度总氢气产量，F(t)为t时刻***的氢气产量，k为***年度总制氢时长，Q(t)为惩罚函数，C为***的年度总成本；
目标函数的约束条件包括设备数量约束和储能电池组荷电状态和充、放电功率约束；
步骤四：对蜜獾算法进行改进，利用改进的蜜獾算法对目标函数进行求解，得到离网光伏制氢***的容量优化结果。
2.根据权利要求1所述的离网光伏制氢***的容量优化方法，其特征在于，惩罚函数的表达式为：
式中，M为系数，Pe(t)为t时刻电解槽阵列实际运行功率。
3.根据权利要求1或2所述的离网光伏制氢***的容量优化方法，其特征在于，光伏阵列的数学模型为：
式中：Npv为光伏板数量，Ypv为光伏板额定容量，fpv为综合光伏损失系数，G(t)为t时刻的实际太阳能辐照度，Gstc为标准测试条件下的太阳能辐照强度，β为温度系数，Tc(t)为t时刻光伏板的实际温度，Tc.stc为光伏板在标准测试条件下的温度；
储能电池组的数学模型为
式中，Pb,input(t)为t时刻储能电池组应充放电功率，Nbs为储能电池数量，Pbc,max为储能电池的最大充电功率，Pbdc,max为储能电池的最大放电功率；
电解槽阵列的数学模型为：
式中，Pe,input(t)为t时刻***提供给电解槽阵列的功率；
储氢罐阵列的数学模型为：
式中，R为理想气体常数，为t、t-1时刻的储氢罐压力，TH2为储氢罐工作温度，VH2为储氢罐容量，/>和/>分别为电解槽阵列的产氢量及氢负荷，/>为储氢罐最小压力，为储氢罐最大压力。
4.根据权利要求1所述的离网光伏制氢***的容量优化方法，其特征在于，对蜜獾算法的改进包括采用精英反向学习策略对种群进行初始化以及柯西变异策略生成新的种群。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311133522.4A CN117172109A (zh) | 2023-09-04 | 2023-09-04 | 一种离网光伏制氢***的容量优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311133522.4A CN117172109A (zh) | 2023-09-04 | 2023-09-04 | 一种离网光伏制氢***的容量优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117172109A true CN117172109A (zh) | 2023-12-05 |
Family
ID=88929346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311133522.4A Pending CN117172109A (zh) | 2023-09-04 | 2023-09-04 | 一种离网光伏制氢***的容量优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172109A (zh) |
-
2023
- 2023-09-04 CN CN202311133522.4A patent/CN117172109A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110544935A (zh) | 一种电-氢多能互补直流微电网协调调度方法 | |
| CN110084443B (zh) | 一种基于qpso优化算法的换电站运行优化模型分析方法 | |
| CN104242335A (zh) | 一种基于额定容量的风光储发电单元容量优化配置方法 | |
| CN116667325B (zh) | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 | |
| CN116307021A (zh) | 一种新能源制氢***的多目标能量管理方法 | |
| CN111144633A (zh) | 一种cchp微电网运行优化方法 | |
| Huangfu et al. | An optimal energy management strategy with subsection bi-objective optimization dynamic programming for photovoltaic/battery/hydrogen hybrid energy system | |
| CN115622101A (zh) | 一种促进可再生能源消纳的储能优化配置双层规划方法 | |
| CN114722728A (zh) | 一种风光储混合储能容量优化配置方法及*** | |
| CN115411770B (zh) | 一种可再生能源***的能量管理方法 | |
| CN115940284B (zh) | 一种考虑分时电价的新能源制氢***的运行控制策略 | |
| CN117134409A (zh) | 考虑电-氢-热互补的微网***及其多目标优化配置方法 | |
| CN116845983A (zh) | 一种基于电解槽功率连续的风光制氢功率预分配方法 | |
| CN116805803A (zh) | 基于自适应mpc的风光储离网制氢***能量调度方法 | |
| CN116362396A (zh) | 一种风光储耦合制氢***的容量优化配置方法及*** | |
| CN113937767B (zh) | 一种基于改进鲸鱼算法的微电网容量优化配置方法 | |
| CN113468723B (zh) | 一种离网风光氢冷能源***优化配置方法 | |
| CN117172109A (zh) | 一种离网光伏制氢***的容量优化方法 | |
| Wang et al. | Capacity Optimization of Island Integrated Energy System Considering Hydrogen Energy Access | |
| Yu et al. | Double-layer planning configuration with distributed PV power and energy storage system | |
| Haodong et al. | Capacity configuration of solar-based battery-hydrogen hybrid energy storage for microgrids | |
| Zhang et al. | Optimization of multi-objective micro-grid based on improved particle swarm optimization algorithm | |
| CN115238505B (zh) | 基于风光场站的热电氢联供型***优化配置方法及*** | |
| Jia | Research on Two-level and Two-stage Scheduling Optimization Model of Distributed Photovoltaic Generation Energy System | |
| Shi | Research on optimal configuration of off-grid PH coupling system based on MPC |
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 |