基于量子粒子群的氢混合储能容量配置系统、方法及应用与流程

cn110556868a，公开一种考虑电压稳定性的风电接入系统储能充放电控制方法， 包括如下步骤：步骤s1：利用风电预测值确定典型风电出力场景；步骤s2：以 风电接入系统整体电压稳定指标最小为目标函数，并确定约束条件，以此建立储 能充放电控制模型；步骤s3：利用量子粒子群求解储能充放电控制模型，从而获 得各个时间段储能装置充放电方案。然而，该现有技术目的为改善系统电压稳定 性，获取得到详细的充放电方案。本发明只考虑简单的能量充放电过程，未选择 复杂的充放电策略。
6.传统储能多采用蓄电池和超级电容的混合储能方式进行短时的能量支撑。氢 储能相比于蓄电池可以长时间大规模储存能量，且氢气在利用时对环境无污染， 具有能量密度高的优点。选取氢气和超级电容作为载体，利用风电波峰制氢和储 能来“削峰”，风电波谷通过对氢氧燃料电池供氢和超级电容放电来满足负荷需求 的目标。超级电容器功率密度大，充放电周期短，适合补偿短时高频波动，可作 为功率型储能单元；氢储能具有更好的能量密度和更强的持续供电能力，可作为 长期能量型储能单元。氢混合储能系统的容量配置与系统成本和收益相关联，基 于风
‑
氢混合储能的基本构成，在考虑满足负荷供电要求的前提下，建立氢混合 储能系统容量配置模型，以储能设备的综合成本为优化目标，负荷缺电率和荷电 状态限制为约束条件，寻求最优的氢混合储能系统的容量配置方案。


技术实现要素：

7.本发明所要解决就的技术问题是：风电天然具有随机性、不确定性，电力系 统容量有限，大规模风电机组并网势必会对电力系统的安全稳定带来不利的影响。 氢储能加超级电容器作为储能系统能够平抑风电场输出有功功率波动，能够有效 平滑风电功率，改善供电质量，使风电场输出有功功率满足电力系统的要求。为 减少储能系统的综合成本，利用量子粒子群对其配置容量进行优化。
8.技术方案如下：
9.一种基于量子粒子群的氢混合储能容量配置系统，其特征为：包括风电场 氢混合储能装置，所述风电场氢混合储能装置包括风力发电机组、负荷均衡 器、电解槽、压缩机、储氢设备、超级电容器、ac/dc转换器、燃料电池；风 电发电机组将风能转换为电能，其电能优先供给地区负荷需求，盈余的电量分 别输入电解槽
‑
压缩机
‑
储氢设备以及超级电容器中，将电能转换为储氢设备中 的氢能以及超级电容器中的极化电解质储能；当风电场发电不足时，由储氢设 备向燃料电池供氢发电以及超级电容器放电，提供缺失部分电能，该系统通过 氢储能以及超级电容器储能，解决了风电出力与地区负荷需求不匹配的矛盾。
10.本发明公开一种基于量子粒子群的氢混合储能容量配置方法，其技术方案 为：包括如下步骤：
11.步骤1：获取风电场的输出功率以及地区负荷需求功率的历史数据，并计 算得到不平衡功率；
12.步骤2：建立氢混合储能系统充放电数学模型；
13.步骤3：建立氢混合储能系统容量优化配置模型；
14.步骤4：使用基于量子粒子群算法的储能容量优化配置方法求得最优混合 储能容量配置结果，并与基于标准粒子群算法的容量配置方法作比较。
15.本发明还公开一种将基于量子粒子群的氢混合储能容量配置方法应用于氢 混合
储能系统。
16.有益效果
17.采用了氢储能加超级电容的混合储能系统，能够发挥氢能能量密度大、绿色环保以及 超级电容功率密度大、充放电效率高的优点，随着新能源的大规模并网，系统调峰周期变长， 氢储能拥有更大优势，采用量子粒子群的配置方法，具有收敛速度更快、不易陷于局部最优 等优点。
附图说明
18.图1为本发明风电场氢混合储能系统结构图：
19.图2为本发明风电场氢混合储能系统优化思路图；
20.图3为储能系统充放电流程图：氢混合储能装置的充放电流程。其中，e
h
(k)、 e
h
(k
‑
1)是k时刻和k
‑
1时刻储氢设备容量，η
dj
、η
ys
、η
hd
表示电解槽效率、压 缩机效率、燃料电池发电效率，e
hma
、e
hmin
表示储氢设备最大、最小容量，δ p(k)为k时刻不平衡电量。e
c
(k)、e
c
(k
‑
1)是k时刻和k
‑
1时刻超级电容储能 量，η
cc
η
cd
为超级电容充、放电效率，e
cmax
、e
cmin
表示超级电容最大、最小储能 量，α为超级电容消纳的不平衡功率比例。
21.图4为本发明qpso流程图；
22.图5
‑
8为方案1
‑
4的仿真结果图；其中：
23.图5(a)为本发明方案1储能成本优化下降过程；此图5(b)为本发明方案1最 优储能时风电场输出功率；
24.图6(a)为本发明方案2储能成本优化下降过程；图6(b)为本发明方案2最 优储能时风电场输出功率；
25.图7(a)为本发明方案3储能成本优化下降过程；图7(b)为本发明方案3最优 储能时风电场输出功率；
26.图8(a)为本发明方案4储能成本优化下降过程；图8(b)为本发明方案4最优 储能时风电场输出功率；
27.其中附图5
‑
8中的(a)横坐标代表迭代次数，纵坐标代表目标成本，体现了随着迭 代次数增加，目标成本函数逐渐下降的过程，最终得到最优配置容量。其中(b)横坐标代 表时间，纵坐标代表功率，带圆圈的直线、带交叉的直线、带菱形的直线分别代表风电机 组输出功率、负荷需求功率、带储能的风电场平衡后的出力情况。可以看出经过平抑后的 风电场出力明显符合了地区负荷功率需求，达到了“削峰填谷”的效果。
具体实施方式
28.风电场氢混合储能系统结构图如图一所示，风电机组出力供给负荷需求，当 风力发电高峰时，将风电功率波动分解为低频部分和高频部分，高频部分通过超 级电容器吸收、低频部分通过电解槽制氢、通过压缩机将氢气存储于储氢设备中。 当风力发电处于低谷时，通过储氢设备向氢氧燃料电池供氢发电以及超级电容放 电，来补足负荷缺电量，并且多余的氢气可向外售卖获得收益。
29.一种基于量子粒子群的氢混合储能容量配置系统，其特征为：风电场氢混 合储能系统结构包括风力发电机组、负荷均衡器、电解槽、压缩机、储氢设 备、超级电容器、ac/dc
转换器、燃料电池等设备。工作原理如下：风电发电 机组将风能转换为电能，其电能优先供给地区负荷需求，盈余的电量分别输入 电解槽
‑
压缩机
‑
储氢设备以及超级电容器中，将电能转换为储氢设备中的氢能 以及超级电容器中的极化电解质储能。当风电场发电不足时，由储氢设备向燃 料电池供氢发电以及超级电容器放电，提供缺失部分电能，该系统通过氢储能 以及超级电容器储能，解决了风电出力与地区负荷需求不匹配的矛盾。在华北 电力大学电站能量传递转化与系统教育部重点实验室中完成相关研究工作，研 究所需资金属能动之光”研究计划资助项目。
30.本发明公开一种基于量子粒子群的氢混合储能容量配置方法，其技术方案 为：包括如下步骤：
31.步骤1：获取风电场的输出功率以及地区负荷需求功率的历史数据，并根 据计算式得到风电场出力与负荷需求的不平衡功率：
32.δp(k)＝p
w
(k)
‑
p
l
(k)
33.其中δp(k)为k时刻的不平衡功率，p
w
(k)为风电场功率，p
l
(k)为地区负 荷功率，代表风电功率与负荷需求的关系。将获取的风电场功率和负荷需求功 率依次输入，得到每一时刻的不平衡功率。
34.步骤2：建立氢混合储能系统充放电数学模型。
35.(1)风电场出力大于负荷功率需求，即不平衡功率δp(k)>0时，向超级 电容充电以及电解槽制氢气并存储，充电数学模型如下：
36.e
h
(k)＝e
h
(k
‑
1) δp(k)
·
α
·
t
·
η
dj
·
η
ys
37.e
c
(k)＝e
c
(k
‑
1) δp(k)
·
(1
‑
α)
·
t
·
η
cc
38.其中，e
h
(k)、e
c
(k)为k时刻储氢设备容量和超级电容器容量，e
h
(k
‑
1)、e
c
(k
‑
1)为k
‑ꢀ
1时刻储氢设备容量和超级电容器容量，δp(k)为步骤1中的不平衡功率，α为消纳的不 平衡功率用于制氢的比例，η
dj
、η
ys
为电解槽效率和压缩机效率，η
cc
为超级电容充电效 率，t为时间间隔；
39.(2)风电场出力小于负荷功率需求，即不平衡功率δp(k)<0时，超级电容放电以及 储氢设备向燃料电池供氢发电，放电数学模型如下：
40.e
h
(k)＝e
h
(k
‑
1) δp(k)
·
α
·
t/η
hd
41.e
c
(k)＝e
c
(k
‑
1) δp(k)
·
(1
‑
α)
·
t/η
cd
42.其中，η
hd
为燃料电池放电效率，η
cd
为超级电容器放电效率
43.步骤3：建立氢混合储能系统容量优化配置模型，包括建立容量配置模型 的优化目标函数以及确定约束条件：
44.(1)建立的关于成本的优化目标函数包括以下四个方面：购买建造成本、运行维护成 本、弃风惩罚成本、售氢收益。
45.1.1购买建造成本:购买成本指对电解槽、压缩机、储氢设备以及超级电容的购买成本， 与配置的容量大小有关，计算式如下：
46.f1＝λ
dj
q
dj
λ
ys
q
ys
λ
h
e
h
λ
c
e
c
47.其中，f1代表购买建造成本，λ
dj
、q
dj
表示电解槽单位额定容量费用、需配置的容量，λ
ys
、 q
ys
表示压缩机单位额定容量费用、需配置的容量，λ
h
、e
h
表示储氢设备单位额定容量费用、 需配置的容量，λ
c
、e
c
表示超级电容单位额定容量费用、需配置的容量。
48.1.2运行维护成本:运行维护成本f2，规定t时间的运维成本计算式如下：
[0049][0050]
其中，f2代表运维成本，l
dj
、l
ys
、l
h
、l
c
表示各自设备的运维成本占建造成本的比例，t表示 运行时间。
[0051]
1.3弃风惩罚成本:风电场出力高峰时，会向储能装置充电，当储能装置容量不足，为 保护电力设备以及电网的稳定，通常会选择弃风处理，造成了能量的损失浪费。因此设置惩 罚成本有关计算式如下：
[0052]
f3＝η
l
∑e
loss
[0053]
其中，f3代表惩罚成本，η
l
代表弃风惩罚系数，e
loss
表示弃风能量值。
[0054]
1.4售氢收益:
[0055]
f4＝η
hs
∑e
hs
[0056]
其中，f4代表售氢收益，η
hs
代表收益系数，e
hs
表示售氢量。
[0057]
综上所述，优化的总成本f为：
[0058]
f＝f1 f2 f3‑
f4[0059]
(2)确定的约束条件包括以下方面：
[0060]
2.1风电有功功率平衡约束：
[0061]
p
l
(t) p
cn
(t) p
loss
(t)＝p
w
(t)
[0062]
其中，p
w
(t)为风电场出力、p
l
(t)为负荷需求、p
cn
(t)为储能系统功率、p
loss
(t)为弃风功率。
[0063]
2.2负荷缺电率(loss of power supply probability,lpsp)表示运行时间长度t内，风电 场未能满足负载需求缺少提供的电量e
lps
(t)与负载总需求量e
l
(t)的比值，通常规定负荷缺电 率存在上限值为lpsp
max
，负荷缺电率lpsp计算式如下：
[0064][0065]
规定k时刻的不平衡功率δp(k)为风电场功率p
w
(k)与负载功率p
l
(k)的差值，代表风 电功率与负荷需求的关系，t为运行时间长度。
[0066]
δp(k)＝p
w
(k)
‑
p
l
(k)
[0067]
若δp(k)>0,则风电场功率盈余，向储能系统充电且e
lps
＝0；若δp(k)<0,则风电场功率 不足，储能系统向负荷放电补充，如下式：
[0068]
e
lps
(t)＝[p
l
(t)
‑
p
w
(t)η]δt
[0069]
其中，e
lps
(t)为t时刻负荷缺电量，p
l
(t)、p
w
(t)为t时刻负载需求功率与风电场输出功率， η为逆变器效率，δt为采样时间间隔。
[0070]
2.3系统运行功率平衡约束
[0071]
风电输入电解槽中电解制得的氢气通过压缩机进行压缩，可以直接出售或储存到储氢设 备中，系统运行功率平衡约束为：
[0072]
p
hc,t
＝p
dj,t
×
η
dj
×
η
ys
[0073]
p
hc,t
＝p
hs,t
p
es,t
/η
es
[0074]
其中，p
hc,t
、p
dj,t
为储氢罐储氢功率、电解槽功率，η
dj
、η
ys
为电解槽效率、压 缩机效率，p
hs,t
为储氢罐售氢功率，p
es,t
为氢氧燃料电池平衡的功率。
[0075]
2.4电解槽最优运行功率约束
[0076]
p
dj,min
<p
dj,t
<p
dj,max
[0077]
在系统运行期间，电解槽将保持在最优运行期间，其中，p
dj,t
为电解槽功率，p
dj,min
、p
dj,max
为电解槽功率最小值、最大值。
[0078]
2.5储氢罐容量约束：
[0079]
e
hmi
<e
h
(t)<e
hmax
[0080]
超级电容荷电状态约束：
[0081]
e
cmin
<e
c
(t)<e
cmax
[0082]
其中，e
h
(t)、e
c
(t)表示t时刻储氢罐、超级电容的储能量，e
hmin
、e
cmin
表示储氢罐、超级 电容的最小储能量，e
hmax
、e
cmax
表示储氢罐、超级电容的最大储能量。
[0083]
步骤4：使用基于量子粒子群算法的储能容量优化配置方法求得最优混合储能 容量配置结果，并与基于标准粒子群算法的容量配置方法作比较。
[0084]
量子粒子群(qpso)优化的计算流程：
[0085]
在qpso算法中,设种群规模为m,在进化过程中,粒子以一定概率取加或减,更新每 个粒子的位置,并生成新的粒子群体,由公式(1)至(4)决定:
[0086]
p＝a
×
pbest(i) (1
‑
a)
×
gbest
ꢀꢀ
(1)
[0087][0088][0089][0090]
其中，a、u为0至1之间的随机数，p用于每代粒子位置的更新，mbest是每代 粒子群中个体最优的中间位置，即平均值，position(i)为第i代粒子的位置，gbest为 种群最优值，pbest(i)为迭代i次的个体最优，b为收缩扩张系数，在qpso收敛过程 中线性减小，iter为当前迭代次数，t为设定的最大迭代次数。
[0091]
优化计算流程如下：
[0092]
(1)风电场有关数据设置：输入2个工作日，采样时间为1h的风电场有功功率输出、 地区负载需求，以及储能系统优化的额定容量，初始荷电状态。
[0093]
(2)粒子群参数的设置：规定设置粒子的个数100、储能维数为2、迭代次数100、等 参数。
[0094]
(3)粒子群的初始化：随机获得符合约束的n个d维的粒子位置。
[0095]
(4)适应度的计算：根据把粒子位置代入目标函数公式得到适应度值。
[0096]
(5)个体最优、种群最优的更新：比较适应度值，以此来更新个体最优、种群最优。
[0097]
(6)根据公式(1)
‑
(4)更新粒子位置。
[0098]
(7)迭代次数检验：如果迭代次数到达限制，则跳出循环，得出最终种群最优值即是 最优解；反之，重复步骤(4)～(6)。
[0099]
基于量子粒子群的容量配置仿真
[0100]
qpso算法建立了以粒子吸引点为中心的delta势阱场，并引入平均最优位置来更
新粒 子的位置，提高了算法的全局搜索能力，相比于标准粒子群，能够更快得到优化结果。
[0101]
选取某风电场装机容量为60mw，地区负荷为40mw，两个工作日的风电场发电功率以及 地区负荷需求如下表所示，弃风惩罚为0.95元/kw
·
h，售氢收益为8.5元/m3(标准大气压 下)，氢氧燃料电池效率55％，α为0.3。
[0102]
第一天风电场发电功率及地区负荷需求
[0103][0104]
第二天风电场发电功率及地区负荷需求
[0105][0106]
储能装置参数规格
[0107][0108]
所有方案的电解槽容量按照不弃风的情况下配置，压缩机容量为电解槽容量的75％。 基于粒子群算法：
[0109]
方案一：无弃风率要求，氢储能和超级电容的配置结果。
[0110]
方案二：要求弃风率＜5％，氢储能和超级电容的配置结果。
[0111]
基于量子粒子群算法：
[0112]
方案三：无弃风率要求，氢储能和超级电容的配置结果。
[0113]
方案四：要求弃风率<5％，氢储能和超级电容的配置结果。
[0114]
配置结果汇总：
[0115][0116]
由于氢储能成本较高，因此若不考虑环保因素，方案一和方案三为成本最低 的储能配置结果，这两种配置方案满足供电系数要求，并将多余的部分弃风处理， 因此售氢收益为零。若为了提高风电利用率，如方案二和方案四的增加弃风率小 于等于5％的约束条件，可以看到储氢容量增大，进而进一步的减少了负荷缺电 量，从方案二(方案四)与方案一(方案三)的平衡后风电场输出功率37h
‑
38h 时间段的负荷缺电量比较可以看出。同时对粒子群和量子粒子群的配置方法分析， 量子粒子群拥有更快的收敛速度，能够更快得到最优结果，拥有更好的配置效果。
[0117]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的 技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述 的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种 变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的 保护范围由所附的权利要求书及其等同物界定。