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与流程

1.本发明属于新能源制氢储氢优化调度技术领域，具体涉及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。


背景技术：

2.近年来，面对化石能源日渐枯竭和由其引发的大气污染、气候变化等环境问题，稳妥推进能源结构优化、实现可再生能源对化石能源的有序替代是世界各国在能源政策方面达成的共识。但由于受到现有技术能力和电力基础设施的制约，可再生能源在保持电力供给的稳定性方面还有不足。可再生能源发电受自然条件影响较大，呈现出间歇性发电的特点，这会对电网系统的稳定和安全产生不利影响。在电力系统中，储能技术是解决大规模可再生能源发电并网所引发问题的有效技术。区别于传统电池的储能特点，氢储能可以把充足富余的可再生能源电力进行电解水，制备出氢气并储存起来，进而实现在可再生能源转型中的大规模能量储存。电解水制氢技术是大规模新能源制氢中的核心技术。
3.国内外学者对电解水设备效率提升和优化风光储制氢系统调度方法做了大量研究，优化调度的研究主要有风光储制氢系统结构的优化和优化算法的改进两个方面，优化的最终目的都是为了提高系统的经济性。优化算法的改进大部分是对收敛速度和精度的优化。
4.粒子群优化算法(pso)用在风光储制氢系统的优化调度上取得了很好的效果。粒子群优化算法是一种基于种群的随机搜索算法，其灵感来自鸟类群落在搜索食物时的自然行为。与其他搜索算法类似，pso从随机生成的可能解的群体开始，粒子通过自己的经验和同龄人的最佳经验决定下一步行动，通过一步步地迭代计算收敛于问题的全局最优解。群中的每个粒子都是问题的潜在解，并且对应于由其位置确定的适应度值。粒子的速度决定了其运动的方向和距离，速度随自身和其他粒子的运动进行动态调整，从而实现个体在可行解空间中的优化。
5.pso算法应用于风光储制氢系统的优化调度中效果不错，但利用传统的粒子群算法求解模型时，迭代计算过程中会陷入局部最优解，无法得到全局最优解。而且，现有技术中对目标函数和约束条件的确定不符合实际生产，导致系统的经济性较低。


技术实现要素：

6.本发明的目的在于提供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，建立了以系统日运行成本最低的制氢系统日前处理模型，利用模拟退火算法的特性对传统pso算法进行了改进，利用改进的自适应模拟退火粒子群算法进行求解，从而得到日运行成本最低的制氢系统日前调度方案，克服现有技术中存在的上述技术问题。
7.为此，本发明提供的技术方案如下：
8.一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，包括以下步骤：
9.s1：建立风光储制氢系统各部分数学模型，包括光伏发电模型、风力发电模型、蓄电池储能设备模型和碱性电解槽模型；
10.s2：考虑弃风弃光惩罚成本，并根据s1中的风光储制氢系统各部分数学模型得到各部分日内运行成本，将系统日运行成本之和作为目标函数，建立优化调度模型，并确定系统正常运行时的各项约束，包括系统功率平衡约束条件、蓄电池储能系统约束、电网交互功率约束和氢气生产约束；
11.s3：采用自适应模拟退火粒子群算法对优化调度模型进行优化求解，得到风光储制氢系统典型日内24小时逐时最低日运行成本对应的各时段电网购电功率、蓄电池运行功率、风力发电功率、光伏发电功率以及电解槽运行功率；
12.s4：根据s3中得到的各时段电网购电功率、蓄电池运行功率、风力发电功率、光伏发电功率以及电解槽运行功率对风光储制氢系统进行设定，实现对风光储制氢系统经济性优化调度。
13.s1中光伏发电模型和风力发电模型分别为：
14.s11：光伏发电模型：
[0015][0016]
式中，为光伏阵列在光照强度g(t)时的输出功率；g
stc
、t
stc
、p
stc
分别为标准测试环境下的光照强度、光伏阵列温度和最大输出功率；k为温度系数，一般k＝-0.45；t(t)为t时刻光伏阵列的表面温度；
[0017]
s12：风力发电模型：
[0018]
风电机组模型中单台风电机组输入风速v与预测输出功率p
t
的关系为：
[0019][0020]
式中：v为风电机组轮毂高度处的实际风速，m/s；vi为切入风速；vo为切出风速；vn为额定风速；pn为风电机组的额定功率，kw；ρ为空气密度，kg/m3；r为风电机组叶片长度，m；
[0021]
t时段风电场预测的可调度风电总量表示为：
[0022][0023]
式中：m为风电机组的总数量；为第j台风电机组在t时刻的预测输出功率；δt为相邻时间段。
[0024]
s1中蓄电池储能设备模型和碱性电解槽模型分别为：
[0025]
s13：蓄电池储能设备模型：
[0026]
蓄电池装置起到削峰填谷的作用，其数学模型可表示为：
[0027]
[0028]
式中：e(t)为蓄电池在t时段的总能量，kw
·
h；σ为蓄电池的自放电效率；和分别为蓄电池装置在t时段充电和放电功率，kw；η
ch
和η
dis
分别为蓄电池装置充电和放电效率；
[0029]
s14：碱性电解槽模型：
[0030]qel
＝p
el
·
δt
·
ρ
·
η
el
[0031]
式中：q
el
为氢气产量，m3；p
el
为碱性电解槽输入功率，kw；δt为电解槽运行时间，h；ρ为电解槽电-氢转换参量，m3/kw
·
h；η
el
为电解槽工作效率，％。
[0032]
s2中建立优化调度模型为：
[0033]cday
＝c
new
c
pen
c
ele
c
sto
c
grid
c
com
[0034]
式中，c
day
、c
new
、c
pen
、c
ele
、c
sto
、c
grid
、c
com
分别为系统调度日内运行成本、风电及光伏电站运行成本、弃风弃光惩罚成本、碱性电解槽制氢成本、储能装置维护成本、向电网购电成本、储氢罐储氢成本；
[0035]
其中，风电及光伏电站运行成本c
new
＝kwpw(t) k
pv
p
pv
(t)，式中：kw、k
pv
分别为风电、光伏电站的运行成本，元/kw；pw(t)、p
pv
(t)分别为风电、光伏在t时段的调度功率，kw；
[0036]
弃风弃光惩罚成本式中：kw、k
pv
分别为弃风、弃光惩罚成本系数；
[0037][0038]
分别为t时段的弃风量、弃光量；
[0039]
碱性电解槽制氢成本c
ele
(t)＝p
el
(t)
×cper_ele
c
water
，式中：p
el
(t)为t时段碱性电解槽输入功率，kw；c
per_ele
为碱性电解槽运行成本，元/千瓦时；c
water
为水耗成本，元/nm3；
[0040]
蓄电池储能装置维护成本c
sto
(t)＝p
bat
(t)
×cper_bat
，式中，p
bat
(t)为蓄电池的充/放电功率，p
bat
(t)＝e(t)/t；c
per_bat
为蓄电池装置单位电量维护成本，元/千瓦时；
[0041]
储氢罐储氢成本c
com
(t)＝q
el
×cper_com
，式中：q
el
为氢气产量，m3；c
per_com
为储氢罐单位储氢成本，元/nm3；
[0042]
电网购电成本c
grid
(t)＝p
grid
(t)
×cper_grid
，式中：p
grid
(t)为t时段系统向电网购电功率，kw；c
per_grid
为电网工业售电的分时电价，元/千瓦时。
[0043]
s2中系统功率平衡约束条件、蓄电池储能系统约束、电网交互功率约束和氢气生产约束分别为：
[0044]
s221：系统功率平衡约束：
[0045][0046][0047]
式中：p
renew
(t)为可再生能源出力，即风光互补发电在t时段的最大出力功率，kw；p
bat
(t)为t时段蓄电池的充/放电功率，其中蓄电池放电功率为正值，充电功率为负值，kw；p
grid
(t)为t时段系统向电网购电功率，kw；p
el
(t)为t时段碱性电解槽输入功率，kw；
[0048]
s222：蓄电池储能系统约束：
[0049]
蓄电池的容量与上一时段的容量和上一时段内的充放电功率和自放电量有关，蓄电池t时段的荷电状态为：
[0050][0051]
式中：为蓄电池t时段的荷电状态；σ为蓄电池的自放电率；ηc为蓄电池充/放电效率；e
bat
为蓄电池总容量，kw
·
h；同p
bat
(t)；
[0052]
s223：电网交互功率约束：
[0053][0054]
式中：和分别为系统从电网购电最小功率和最大功率，kw；
[0055]
s224：电解槽运行功率约束：
[0056][0057]
式中：和分别为碱性电解槽生产状态时的最小运行功率和最大运行功率，kw；
[0058]
s225：氢气生产约束
[0059][0060]
式中：为t时段系统的储氢余量，nm3；为t时段碱性电解槽制氢速率，nm3/h；为t时段需求侧氢气负荷，nm3；为日前运行计划末尾时段系统的氢气余量，nm3。
[0061]
s222蓄电池储能系统约束还包括充放电功率上下限约束、蓄电池荷电状态上下限约束，具体如下：
[0062]
蓄电池充放电功率上下限约束为：
[0063][0064]
式中：和分别为蓄电池充电功率限值和放电功率限值，kw；
[0065]
蓄电池荷电状态上下限约束为：
[0066][0067]
式中：和分别为蓄电池最小荷电状态值和最大荷电状态值。
[0068]
采用自适应模拟退火粒子群算法对优化调度模型进行优化求解过程如下：
[0069]
步骤1：设置初始参数，包括种群大小n、最大迭代次数m、变量维数d、初始温度、温度衰减系数；
[0070]
步骤2：输入风电、光伏、储能电池、电解槽设备参数约束生成初始粒子，包括粒子位置和速度；
[0071]
步骤3：计算初始种群中每个粒子的适应度值，找到目标函数的最优值，并记录个
体最佳位置和全局最佳位置；
[0072]
步骤4：设置模拟退火的初始温度，自适应改变ω、c1、c2；ω为惯性权重系数；c1表示自身认知因子；c2表示社会认知因子；
[0073]
步骤5：根据metropolis准则对粒子进行模拟退火算法邻域搜索；
[0074]
步骤6：采用速度更新公式更新各粒子最佳位置和种群的全局最佳位置；
[0075]
步骤7：判断是否达到最大迭代次数，如果未达到，返回步骤s34；否则，停止迭代；
[0076]
步骤8：输出当前最优粒子，即寻优结果，算法终止。
[0077]
步骤6中速度更新公式为：
[0078][0079]
式中，表示第i个粒子第k 1次迭代时的速度；和分别代表第i个粒子第k次迭代时的速度和位置；ω为惯性权重系数；c1表示自身认知因子；c2表示社会认知因子；r1和r2为随机数；p
ibest
为第i个粒子的个体最优位置。
[0080]
本发明的有益效果是：
[0081]
本发明提供的这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，以经济性为优先目标，在目标函数中考虑弃风弃光惩罚成本，建立了以系统日运行成本最低的制氢系统日前调度模型，在此基础上，对约束条件进行了调整，考虑了分时电价和需求侧氢气响应对风光储制氢系统日前调度模型带来的影响，不仅使得调度方法更符合实际生产，还能提高系统整体经济性。
[0082]
本发明采用参数自适应算法，利用改进的自适应模拟退火粒子群算法进行求解，从而得到日运行成本最低的制氢系统日前调度方案。该优化调度方法考虑了真实电力生产中新能源发电的间歇性，可以更加真实地反应风光制氢生产过程，有利于经济调度的实现。
[0083]
下面将做进一步详细说明。
附图说明
[0084]
图1是本发明自适应模拟退火粒子群算法流程图；
[0085]
图2是风光储制氢系统组成结构图；
[0086]
图3是光伏发电模型、风力发电模型曲线；
[0087]
图4是氢负荷需求曲线；
[0088]
图5是风光储制氢系统日前调度计划；
[0089]
图6是碱性电解槽制氢速率及储氢罐氢气余量示意图；
[0090]
图7是蓄电池储能设备荷电状态示意图。
具体实施方式
[0091]
以下由特定的具体实施例说明本发明的实施方式，本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。
[0092]
现介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在示例性实施方式中的术语
并不是对本发明的限定。
[0093]
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
[0094]
实施例1：
[0095]
本实施例提供了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，包括以下步骤：
[0096]
s1：建立风光储制氢系统各部分数学模型，包括光伏发电模型、风力发电模型、蓄电池储能设备模型和碱性电解槽模型；
[0097]
s2：考虑弃风弃光惩罚成本，并根据s1中的风光储制氢系统各部分数学模型得到各部分日内运行成本，将系统日运行成本之和作为目标函数，建立优化调度模型，并确定系统正常运行时的各项约束，包括系统功率平衡约束条件、蓄电池储能系统约束、电网交互功率约束和氢气生产约束；
[0098]
s3：采用自适应模拟退火粒子群算法对优化调度模型进行优化求解，得到风光储制氢系统典型日内24小时逐时最低日运行成本对应的各时段电网购电功率、蓄电池运行功率、风力发电功率、光伏发电功率以及电解槽运行功率；
[0099]
s4：根据s3中得到的各时段电网购电功率、蓄电池运行功率、风力发电功率、光伏发电功率以及电解槽运行功率对风光储制氢系统进行设定，实现对风光储制氢系统经济性优化调度。
[0100]
本发明提供的这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，以经济性为优先目标，在目标函数中弃风弃光惩罚成本，建立了以系统日运行成本最低的制氢系统日前调度模型，在此基础上，对约束条件进行了调整，不仅使得调度方法更符合实际生产，还能提高系统整体经济性。
[0101]
实施例2：
[0102]
在实施例1的基础上，本实施例提供了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，s1中光伏发电模型和风力发电模型分别为：
[0103]
s11：光伏发电模型：
[0104]
光伏电池组的输出功率是随太阳光照射强度、温度等不确定因素变化而变化的，光伏阵列的输出功率为：
[0105][0106]
式中，为光伏阵列在光照强度g(t)时的输出功率；g
stc
、t
stc
、p
stc
分别为标准测试环境下的光照强度、光伏阵列温度和最大输出功率；k为温度系数，一般k＝-0.45；t(t)为t时刻光伏阵列的表面温度；
[0107]
s12：风力发电模型：
[0108]
风电机组模型中单台风电机组输入风速v与预测输出功率p
t
的关系为：
[0109][0110]
式中：v为风电机组轮毂高度处的实际风速，m/s；vi为切入风速；vo为切出风速；vn为额定风速；pn为风电机组的额定功率，kw；ρ为空气密度，kg/m3；r为风电机组叶片长度，m；
[0111]
t时段风电场预测的可调度风电总量表示为：
[0112][0113]
式中：m为风电机组的总数量；为第j台风电机组在t时刻的预测输出功率；δt为相邻时间；
[0114]
s13：蓄电池储能设备模型：
[0115]
蓄电池装置起到削峰填谷的作用，其数学模型可表示为：
[0116][0117]
式中：e(t)为蓄电池在t时段的总能量，kw
·
h；σ为蓄电池的自放电效率；和分别为蓄电池装置在t时段充电和放电功率，kw；η
ch
和η
dis
分别为蓄电池装置充电和放电效率；
[0118]
s14：碱性电解槽模型：
[0119]
电解槽电-气转换关系与产生氢气体积数量表达式：
[0120]qel
＝p
el
·
δt
·
ρ
·
η
el
[0121]
式中：q
el
为氢气产量，m3；p
el
为碱性电解槽输入功率，kw；δt为电解槽运行时间，h；ρ为电解槽电-氢转换参量，m3/kw
·
h；η
el
为电解槽工作效率，％。
[0122]
本实施例建立风光储制氢系统各部分数学模型，通过数学建模的方式获得风电、光伏的出力特性曲线等。
[0123]
实施例3：
[0124]
在实施例1的基础上，本实施例提供了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，s2中建立优化调度模型为：
[0125]cday
＝c
new
c
pen
c
ele
c
sto
c
grid
c
com
[0126]
式中，c
day
、c
new
、c
pen
、c
ele
、c
sto
、c
grid
、c
com
分别为系统调度日内运行成本、风电及光伏电站运行成本、弃风弃光惩罚成本、碱性电解槽制氢成本、储能装置维护成本、向电网购电成本、储氢罐储氢成本；
[0127]
其中，风电及光伏电站运行成本c
new
＝kwpw(t) k
pv
p
pv
(t)，式中：kw、k
pv
分别为风电、光伏电站的运行成本，元/kw；pw(t)、p
pv
(t)分别为风电、光伏在t时段的调度功率，kw；
[0128]
弃风弃光惩罚成本式中：kw、k
pv
分别为弃风、弃光惩罚成本系数；
[0129][0130]
分别为t时段的弃风量、弃光量；
[0131]
碱性电解槽制氢成本c
ele
(t)＝p
el
(t)
×cper_ele
c
water
，式中：p
el
(t)为t时段碱性电解槽输入功率，kw；c
per_ele
为碱性电解槽运行成本，元/千瓦时；c
water
为水耗成本，元/nm3；nm3表示标准立方米。
[0132]
假设电解槽每生产1/nm3氢气，需耗水0.89kg，电解用水成本为10元/t，生产1/nm3氢气的耗水成本为0.0089元。
[0133]
蓄电池储能装置维护成本c
sto
(t)＝p
bat
(t)
×cper_bat
，式中，p
bat
(t)为蓄电池的充/放电功率，p
bat
(t)＝e(t)/t；c
per_bat
为蓄电池装置单位电量维护成本，元/千瓦时；
[0134]
储氢罐储氢成本c
com
(t)＝q
el
×cper_com
，式中：q
el
为氢气产量，m3；c
per_com
为储氢罐单位储氢成本，元/nm3；
[0135]
电网购电成本c
grid
(t)＝p
grid
(t)
×cper_grid
，式中：p
grid
(t)为t时段系统向电网购电功率，kw；c
per_grid
为电网工业售电的分时电价，元/千瓦时。
[0136]
本实施例考虑弃风弃光惩罚成本，将系统日运行成本之和作为目标函数，考虑了分时电价，建立了基于系统日运行成本的风光储制氢系统日前优化调度模型，使得调度方法更符合实际生产。
[0137]
实施例4：
[0138]
在实施例1的基础上，本实施例提供了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，s2中系统功率平衡约束条件、蓄电池储能系统约束、电网交互功率约束和氢气生产约束分别为：
[0139]
s221：系统功率平衡约束：
[0140][0141][0142]
式中：p
renew
(t)为可再生能源出力，即风光互补发电在t时段的最大出力功率，kw；p
bat
(t)为t时段蓄电池的充/放电功率，其中蓄电池放电功率为正值，充电功率为负值，kw；p
grid
(t)为t时段系统向电网购电功率，kw；p
el
(t)为t时段碱性电解槽输入功率，kw；
[0143]
s222：蓄电池储能系统约束：
[0144]
蓄电池的容量与上一时段的容量和上一时段内的充放电功率和自放电量有关，蓄电池t时段的荷电状态为：
[0145][0146]
式中：为蓄电池t时段的荷电状态；σ为蓄电池的自放电率；ηc为蓄电池充/放电效率；e
bat
为蓄电池总容量，kw
·
h；同p
bat
(t)；
[0147]
s223：电网交互功率约束：
[0148]
[0149]
式中：和分别为系统从电网购电最小功率和最大功率，kw；
[0150]
s224：电解槽运行功率约束：
[0151][0152]
式中：和分别为碱性电解槽生产状态时的最小运行功率和最大运行功率，kw；
[0153]
s225：氢气生产约束
[0154][0155]
式中：为t时段系统的储氢余量，nm3；为t时段碱性电解槽制氢速率，nm3/h；为t时段需求侧氢气负荷，nm3；为日前运行计划末尾时段系统的氢气余量，nm3。
[0156]
本实施例确定系统正常运行时的状态约束和功率约束，在考虑功率交互的风光储制氢系统模型上加入负荷端氢气需求响应行为，考虑基于分时电价和需求侧氢气响应对风光储制氢系统日前调度模型带来的影响。
[0157]
实施例5：
[0158]
在实施例4的基础上，本实施例提供了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，s222蓄电池储能系统约束还包括充放电功率上下限约束、蓄电池荷电状态上下限约束，具体如下：
[0159]
蓄电池充放电功率上下限约束为：
[0160][0161]
式中：和分别为蓄电池充电功率限值和放电功率限值，kw；
[0162]
蓄电池荷电状态上下限约束为：
[0163][0164]
式中：和分别为蓄电池最小荷电状态值和最大荷电状态值。
[0165]
蓄电池除了满足容量变化约束外，本实施例还给出了充放电功率上下限约束、容量上下限约束和蓄电池日内容量始末相等约束，目的是满足蓄电池安全约束。
[0166]
实施例6：
[0167]
在实施例4的基础上，本实施例提供了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，如图1所示，采用自适应模拟退火粒子群算法对优化调度模型进行优化求解过程如下：
[0168]
步骤1：设置初始参数，包括种群大小n、最大迭代次数m、变量维数d、初始温度、温度衰减系数；
[0169]
步骤2：输入风电、光伏、储能电池、电解槽设备参数约束生成初始粒子，包括粒子位置和速度；
[0170]
步骤3：计算初始种群中每个粒子的适应度值，找到目标函数的最优值，并记录个体最佳位置和全局最佳位置；
[0171]
步骤4：设置模拟退火的初始温度，自适应改变ω、c1、c2；ω为惯性权重系数；c1表示自身认知因子；c2表示社会认知因子；
[0172]
步骤5：根据metropolis准则对粒子进行模拟退火算法邻域搜索；
[0173]
步骤6：采用速度更新公式更新各粒子最佳位置和种群的全局最佳位置；
[0174]
步骤7：判断是否达到最大迭代次数，如果未达到，返回步骤s34；否则，停止迭代；
[0175]
步骤8：输出当前最优粒子，即寻优结果，算法终止。
[0176]
本发明利用自适应模拟退火粒子群算法进行求解，从而得到日运行成本最低的制氢系统日前调度方案。该优化调度方法考虑了真实电力生产中新能源发电的间歇性，可以更加真实地反应风光制氢生产过程，有利于经济调度的实现。
[0177]
实施例7：
[0178]
在实施例6的基础上，本实施例提供了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，步骤6中速度更新公式为：
[0179][0180]
式中，表示第i个粒子第k 1次迭代时的速度；和分别代表第i个粒子第k次迭代时的速度和位置；ω为惯性权重系数；c1表示自身认知因子；c2表示社会认知因子；r1和r2为随机数；p
ibest
为第i个粒子的个体最优位置。
[0181]
现有标准粒子群算法的速度更新公式为：
[0182][0183][0184]
式中：和分别代表第i个粒子第k次迭代时的速度和位置；ω为惯性权重系数，可以控制算法的开发和探索能力；c1、c2分别表示自身认知因子和社会认知因子；r1和r2为随机数；p
ibest
为第i个粒子的个体最优位置；g
best
为种群最佳位置。
[0185]
为了提高粒子群算法的寻优速度和精度，避免陷入局部最优解，本实施例采用如下双曲正切函数来控制惯性权重系数进行非线性自适应变化：
[0186]
ω＝(ω
max
ω
min
)/2 tanh(-4 8
×
(k
max-k)/k
max
)(ω
max-ω
min
)/2
[0187]
式中：ω
max
和ω
min
分别是惯性权重系数的最大值和最小值，分别经常取值0.95和0.4；k是当前迭代次数，k
max
是最大迭代次数。
[0188]
学习因子c1、c2表达式为：
[0189][0190][0191]
式中：c1(k)、c2(k)分别为学习因子c1、c2在第k次迭代时的取值；c
1max
、c
1min
、c
2max
、c
2min
分别为学习因子c1、c2的最大值和最小值。
[0192]
引入模拟退火操作，根据metropolis准则和温度指导种群以一定概率接受差解，采用轮盘赌策略从所有pi中确定全局最优备选值p'g，重写速度更新公式：
[0193][0194]
实施例8：
[0195]
为了对本发明方法的具体实施过程做进一步说明，本实施例以某风光储制氢系统为例，进行具体算例分析。
[0196]
1、算例参数
[0197]
该风光储制氢系统结构如图2所示，配置风电机组容量700kw，光伏电站容量900kw。系统向上级电网的购电功率上限400kw，电网售电采用峰谷分时电价机制，具体数据如表1所示。
[0198]
表1电网分时电价数据
[0199][0200]
优化模型以1h为时间间隔确定每日的调度计划，根据s1中给出的数学模型在matlab/simulink中建立风光联合发电系统模型，利用风速、温度、太阳辐照强度数据在simulink模型中计算风力发电机组和光伏系统的输出功率。系统中风电、光伏预测出力曲线如图3所示。
[0201]
系统中各储能设备的运行参数如表2所示。
[0202]
表2储能设备运行参数
[0203][0204]
氢负荷需求曲线如图4所示，其他参数取值如表3所示。
[0205]
表3其他参数取值
[0206][0207]
为评价所提出的风光储制氢系统经济运行优化模型的性能和改进优化算法的有效性，本文的算例在matlab软件中采用自适应模拟退火粒子群算法求解。
[0208]
2.算例结果分析
[0209]
(1)系统日前运行计划及储能设备状态
[0210]
图5为风光储制氢系统的日前调度计划示意图，在此日前运行计划下系统日运行成本为9.61
×
103。如图5所示，电网购电时段为04：00-07：00时段，04：00时段电网购电398kw，05：00时段电网购电400kw，06：00时段电网购电398kw，07：00电网购电时段398kw；蓄电池运行功率01：00-24：00时段分别为-35.2kw、217kw、10kw、-472kw、295kw、-141kw、-323kw、0kw、369kw、-178kw、186kw、-140kw、-63.1kw、180kw、89.1kw、-473kw、-104kw、343kw、72.5kw、-78.6kw、20.7kw、-23kw、-167kw、59.3kw；正值表示放电，负值表示充电风力发电功率01：00-24：00时段分别为428kw、417kw、340kw、308kw、280kw、315kw、343kw、298kw、276kw、292kw、288kw、298kw、320kw、124kw、293kw、258kw、255kw、263kw、278kw、235kw、400kw、432kw、399kw、235kw。光伏发电时段为07：00-19：00，光伏发电功率分别为70kw、206kw、326kw、446kw、521kw、596kw、654kw、667kw、614kw、517kw、637kw、196kw、49.9kw。
[0211]
图6为系统内电解槽制氢速率及储氢罐氢气余量示意图。结合图5、图6可以看出，电解槽在风光出力大，电网电价谷时或氢负荷较低的时段提高电解功率，满足该时段氢气需求后对储氢罐进行补氢。例如04：00-07：00时段，正处于电网电价谷时且此时光伏出力很低，系统从电网购得低价电驱动电解槽设备大量制氢，为后续增大的氢负荷需求储备氢能。在风光出力小，电网电价高或负荷端氢气需求高于对应风光出力的产氢速率时，通过储氢罐剩余氢气和电解槽电解制氢共同满足用氢需求。在14：00-15：00这个时间段内有弃风现象，这是由于此时负荷端氢气需求较低，且储氢罐氢气余量较为充足，系统无需驱动电解槽大量制氢，电能过剩无处消耗。
[0212]
图7为蓄电池储能设备荷电状态示意图，结合图5、图6可以看出在氢气需求低、风光出力过大或电网电价谷时，蓄电池充电保存能量；在氢气需求高、风光出力不足或电网电价峰时，通过蓄电池放电维持电解槽工作。蓄电池起到“削峰填谷”作用，储能设备增加了系
统运行的稳定性与可靠性。
[0213]
(2)系统运行成本分析
[0214]
本节计算了风光储制氢系统中各部分运行成本，采用自适应模拟退火粒子群算法(bsapso)求解10次后取平均值作为最终计算结果，结果如表4所示。
[0215]
表4系统中各部分运行成本
[0216][0217]
由表1可知，在算例的储能参数下，系统仍存在一定的弃风弃光现象，这主要是由于模型未能够通过向电网售电来实现对风光能源的全部消纳，系统仅能从上级电网购电而不能出售多余电能给上级电网，系统没有与电网进行双向功率交换的功能。此外，储能电池配置容量有限也是原因之一，本算例中储能电池容量为800kwh。
[0218]
(3)算法对比
[0219]
表5是标准粒子群算法(pso)与自适应模拟退火粒子群算法(bsapso)在求解该模型优化结果时的目标函数值比较，可以看出自适应模拟退火粒子群算法效果更好。
[0220]
表5两种算法目标函数值比较
[0221][0222]
标准粒子群算法计算的风光储制氢系统日运行成本往往在1.41
×
104元左右，而自适应模拟退火粒子群算法计算的系统日运行成本仅仅大约为1.02
×
104元，成本上节省了约28％。这是由于前者在迭代计算过程中陷入了局部最优解，无法跳出局部优解去搜索全局最优解。bsapso算法中添加了模拟退火算子，具有概率突跳的特点，能够帮助跳出搜素过程中的局部最优解。此外，对惯性权重系数ω、学习因子等关键参数进行的自适应变化也增强了算法全局搜索能力。
[0223]
以上例举仅仅是对本发明的举例说明，并不构成对本发明的保护范围的限制，凡是与本发明相同或相似的设计均属于本发明的保护范围之内。