考虑氢储动态效率的电氢耦合微网长期容量优化_朱显辉.pdf

第 49 卷 第 3 期：1128-1139 高电压技术 Vol.49,No.3:1128-1139 2023 年 3 月 31 日 High Voltage Engineering March 31,2023 DOI:10.13336/j.1003-6520.hve.20220249 2023 年 3 月 31 日第 49 卷 March 考虑氢储动态效率的电氢耦合微网长期容量优化 朱显辉1，胡 旭1，师 楠2，张 尧1，钟敬文1（1.黑龙江科技大学电气与控制工程学院，哈尔滨 150022；2.黑龙江科技大学工程训练与基础实验中心，哈尔滨 150022）摘 要：双碳目标下风光氢联系日益密切，合理的容量优化是保证电氢耦合系统稳定运行的有效途径。针对风光氢储超级电容联合运行的独立微网，提出了一种长期容量优化方法。通过考量氢储系统的动态效率，优化产氢和耗氢设备的工作区间，制定了合理的微网运行控制策略。为反映真实的风光气象因素长期变化趋势，基于皮尔森相关系数和灰色滚动预测法进行典型日长期预测，得到了模型输入样本。以微网的经济性、可靠性和低碳性综合最优为目标构建了容量优化模型，并采用非线性动态权重的多目标粒子群算法求解出 Pareto 集，同时引入隶属度分析法给出了最佳规划方案。仿真结果表明：相比于当前研究成果，所提方法得益于对氢储单元动态特性的分析和输入样本的改进，能够给出更优越的配置结果。关键词：电氢耦合；长期预测；氢储动态效率；容量优化；典型日选取 Long-term Capacity Optimization of Electrohydrogen Coupled Microgrid Considering Dynamic Efficiency of Hydrogen Storage ZHU Xianhui1,HU Xu1,SHI Nan2,ZHANG Yao1,ZHONG Jingwen1(1.School of Electrical&Control Engineering,Heilongjiang University of Science&Technology,Harbin 150022,China;2.Engineering Training&Basic Experiment Center,Heilongjiang University of Science&Technology,Harbin 150022,China)Abstract：Under the carbon peaking and carbon neutrality goals,the connection among wind energy,solar energy and hydrogen energy is increasingly close,and reasonable capacity allocation is an effective way to ensure the stable opera-tion of the electro-hydrogen coupling system.A long-term capacity optimization method was proposed for an independent microgrid with combined operation of wind-photo-hydrogen storage-ultracapacitors.By considering the dynamic effi-ciency of hydrogen storage system,the working interval of hydrogen production and hydrogen consumption equipment was optimized,and a reasonable control strategy of microgrid operation was developed.In order to reflect the real long-term trend of the meteorological factors,the long-term forecast of typical days was carried out based on the Pearson correlation coefficient and grey rolling prediction method,and the optimized input samples were obtained.A capacity op-timization model was established to optimize the economy,reliability and low carbon of microgrid,a multi-objective particle swarm optimization algorithm(IMOPSO)with nonlinear dynamic weight was used to solve the Pareto set,and the membership analysis method was introduced to give the optimal planning scheme.Simulation results show that,com-pared with the current research results,the proposed method benefits from the analysis of dynamic characteristics of hydrogen storage units and the improvement of input samples,and can give better configuration results.Key words：electrohydrogen coupling;long-term forecast;dynamic efficiency;capacity optimization;typical day selec-tion 0 引言1 在双碳目标的激励下，风光互补分布式微网的发展势头迅猛。为应对风光出力的不确定性，需在微网中增加储能环节，储能容量的配置不仅直接关 基金资助项目：国家自然科学基金(51677057)。Project supported by National Natural Science Foundation of China(51677057).系到系统供电的可靠性，对微网的经济性和碳排放同样影响重大，已成为电力系统亟待解决的关键科学问题，对其进行研究具有重要意义1-3。蓄电池能够抑制微网中风光出力的波动，针对其最优容量配置问题，部分学者采用元启发优化算法，比如粒子群算法4、遗传算法5和萤火虫算法6等进行了求解。但受自身容量的限制，蓄电池仅能提供短时能量存储和转换，在容量较大微网中的适朱显辉，胡 旭，师 楠，等：考虑氢储动态效率的电氢耦合微网长期容量优化 1129 用性不高。相比较而言，能量密度较高的氢能可进行时间尺度较长的大规模能量存储，更适用于平抑风光出力的波动，受到了一定关注。文献7-8分析了微网的经济性指标，以长期制氢为储能单元构建了容量配置模型。文献9基于场景缩减法评估了电氢耦合多能源系统的经济效益和环保性，并利用 CPLEX求解器确定了微网各单元最优容量。但上述文献采用的单一储能环节很难满足不同工况下系统的实际需求，应用受限。为模拟更真实的运行工况，对含多种储能环节容量配置研究的热度逐渐提高。比如，文献10-11综合考虑运行成本及系统可靠性，构建了基于粒子群算法的氢蓄耦合微网的容量配置求解模型。文献12结合超级电容器和氢储单元作为混合储能系统，提高了系统运行的稳定性。在考虑微网低碳性的前提下，文献13-14分别采用超松弛交替方向乘子法(alternating direction method of multipliers，ADMM)和帝国竞争算法配置微网容量。文献15结合系统运营成本和碳减排效益作为目标函数，提出了风光储微网容量配置方法，并利用遗传粒子群算法给出最优方案。文献16根据风荷的预测结果，给出了一种混合储能超前控制策略，提高了储能的利用效率。文献10-16主要针对多储能环节微网的容量配置进行研究，取得了一定进展，给出了一些有益结论。但上述研究多采用等值年函数对微网成本进行归算，该方法以历史典型年数据作为输入样本，并基于输入样本给出氢储容量的配置结果，无法完全反映气候变化所导致的风光长期发展趋势。此外，由于氢储装置的动态特性对容量优化具有较大影响，而上述成果也未考虑实际工况下氢储装置的动态效率问题，因此，无法保证其所得容量配置结果为全局最优解。针对上述问题，本文在综合考量微网经济性、可靠性和环境因素的基础上，采用滚动灰色算法预测长时间尺度的风光数据，并将其作为容量配置的输入样本，建立考虑氢储系统动态效率的微网模型，最后利用多目标粒子群算法(multi-objective particle swarm optimization algorithm,MOPSO)对微网各单元的最优容量进行计算，力图给出一种既能反映长期气候变化趋势，又更接近于真实工况的容量配置方法，以期为含风光储微网的优化分析提供借鉴。1 微电网数学模型及动态效率分析 为提高所提方法的普适性，采用文献17-18中所示微网各单元典型的数学模型进行容量优化求解。根据文献19，质子交换膜式电解槽和低温燃料电池在氢储环节中应用最为广泛，为此选取两者作为产氢和耗氢设备。1.1 电解槽制氢效率分析 由文献20可知，电解槽的功率 Pel和效率 el皆与单位电流密度 j 有关，因此通过改变单位电流密度计算对应的功率和效率值，并通过多种函数进行关系拟合，测得利用 8 阶傅里叶函数拟合效果最好，均方根误差为 0.42%，得到的模型为()()()()()()()()()()89elel99elel98elel98elel88elel6el7.663 102.65 10 cos2.396 10 cos 22.362 10 sin 22.724 10 cos 33.866 10 sin 31.409 10 cos 46.819 10 sin 43.254 10 cos 55.339 10 sin 52.655 10 cos 61.688 1xPxPxPxPxPxPxPxPxPxP=+()()()()()8el77elel65elel0 sin 61.512 10 cos 72.341 10 sin 71.928 10 cos 89.144 10 sin 81.049xPxPxPxPxPx+=(1)通过拟合得到的电解槽功率与效率的关系特性曲线如图1所示。由图1可知，电解槽的功率标幺值和效率值(功率的额定值为50 kW，效率的额定值为1)取值在01之间，当输入功率标幺值取0.3007时，电解功率最大为81.38%。当输入功率达到额定值时效率为65.86%，负载率大于30.07%后效率处于下降状态，但总体的效率依然较高。图 1 电解槽功率标幺值效率曲线 Fig.1 Power unit value-efficiency curve of electrolytic cell 1130 高电压技术 2023,49(3)1.2 燃料电池发电效率分析 根据实际的电压、电流和功率数据，并利用文献21所示方法分析可知，改变电流即可得到燃料电池不同的功率Pfc与效率fc数据，利用所得数据选择7阶傅里叶函数进行曲线拟合，均方根误差为0.1%，得到关系模型为()()()()()()()()()()9fc99fcfc99fcfc89fcfc88fcfc77fcfc2.199 103.424 10 cos1.786 10 sin1.489 10 cos 22.134 10 sin 21.693 10 cos 31.313 10 sin 31.705 10 cos 44.632 10 sin 49.433 10 cos 58.562 10 sin 51.972 1yPyPyPyPyPyPyPyPyPyP=+()()()()76fcfc77fcfc0 cos 65.161 10 sin 61.486 10 cos 73.404 10 sin 70.9087yPyPyPyPy=(2)拟合的功率与效率关系曲线如图2所示。图2中，燃料电池的功率标幺值和效率值取值在01之间，燃料电池输出功率标幺值为0.2478时，其效率达到最大值49.47%，当功率为额定值时效率为46.67%。燃料电池效率达最大值后虽然下降，但仍然较高。此外，为保证较高的输出效率，电解槽和燃料电池应工作于最优工作区间，在该区间内工作效率较高且产氢和耗氢的量也较大，反之亦然。进一步分析图1和图2所示效率与功率的关系可知，氢储环节的输出功率变化时，其所对应的效率也随之产生动态变化，且变化的幅值较为剧烈。当所需转换的风光出力为某一定值时，较剧烈的效率变化必然对氢储系统的容量需求产生较大的影响，进而影响到氢储系统的容量配置的结果。2 运行控制策略及输入样本分析 2.1 微网运行控制策略 由于制氢储能的动作响应时间往往不能完全满足微网瞬时充放电需求，同时超级电容具有功率密度高、储能循环寿命长且充放电速度快的优点。因此为兼顾储能系统的快速响应和大规模能量长期存储的需求，以超级电容器和氢储相结合作为微网的混合储能环节，得到了较为广泛的应用。针对混合储能环节，为得到较高的动态效率特性，按照电解槽和燃料电池工作于最优区间，且以先超级电容后氢储单元的充放电顺序为原则，制定混合储能的运行控制策略。根据风电PW、光电PPV与负荷Pload的差值dP判断微网运行情况。在风光发电功率大于负荷需求的情况下，即dP=PW+PPVPload0时，混合储能系统进行蓄能操作，此时超级电容及电解槽处于运行状态，而燃料电池则处于停机状态。充电过程的具体工作模式如表1所示。在风光发电功率小于负荷需求的情况下，即dP0时，电解槽停止工作，此时，燃料电池和超级电容进行辅助放电以满足负荷需求。放电过程具体的工作模式如表2所示。考虑储能系统的充放电功率极值，结合氢储系统的最优工作区间和表1、表2所示的充放电工作模式，即可得到维持电解槽和燃料电池工作于最优区间的微网运行控制策略。图 2 燃料电池功率标幺值效率关系曲线 Fig.2 Fuel cell power unit value-efficiency relationship curve 表 1 充电过程工作模式 Table 1 Working mode of charging process 工作模式 超级电容 电解槽 A1 不工作 最优区间外运行 A2 不工作 最优区间内运行 A3 正常充电 最优区间外运行 A4 正常充电 最优区间内运行 A5 对电解槽放电 最优区间内运行 A6 部分充电 最优区间内运行 A7 正常充电 不工作 表 2 放电过程工作模式 Table 2 Working mode of discharge process 工作模式 超级电容 燃料电池 B1 不工作 最优区间外运行 B2 不工作 最优区间内运行 B3 正常放电 不工作 B4 正常放电 最优区间外运行 B5 正常放电 最优区间内运行 B6 部分放电 最优区间内运行 朱显辉，胡 旭，师 楠，等：考虑氢储动态效率的电氢耦合微网长期容量优化 1131 首先，分析超级电容充放电是否能够填补风光出力与负荷需求差值，若能满足则电解槽和燃料电池不工作(A7/B3)。其次，判断经超级电容消纳后的源荷差值是否位于电解槽或燃料电池的最优工作区间内，若位于区间内则正常工作(A4/B5)，否则位于最优工作区间外工作(A3/B4)；或者使超级电容部分充放电，以保证电解槽和燃料电池工作于最优区间(A6/B6)。此外为保证电解槽工作于最优区间，存在通过超级电容对其进行放电的工作状态(A5)。最后若源荷差值小于超级电容最低输出功率，则电解槽和燃料电池在最优区间外(A1/B1)或区间内工作(A2/B2)。2.2 优化配置输入样本分析 风速、风向、温度和相对湿度的变化对风电出力影响极大，而光照强度、温度和空气质量同样对光伏出力具有重要影响，文献22的研究结果不仅论证了气候变化存在较为明显的趋势，同样证明了以十年为时间跨度对气候的变化趋势进行研究是合理可行的。为充分刻画风光随气候的长期变化趋势，本文同样采用十年的历史数据，对风光进行预测。2.2.1 典型日的选取 一个月内每日的风力、光伏和负荷的变化趋势相似，因此在每月中选取一天作为当月的典型日，反映风光和负荷的走势。所选典型日的气象因素及负荷应与每月的平均日变化曲线最相近，即相关性最大。分析得出一年中各月的风光、负荷每日24 h的变化曲线。曲线的计算模型为 ,11Ni ki j kjPPN=(3)式中：k=0,1,2，23；i=1，2，3，12；Pi,j,k为第i月第j天第k小时的风电、光伏和负荷量；Pi,k为第i月日平均变化曲线的第k小时的风电、光伏和负荷量；N为第i月的天数。皮尔森相关系数可以很好地反映两组时间序列的线性关系，系数的绝对值越大则相关性越 强23，因此利用每日各时数据与平均变化曲线评估相关性，选取相关性最强的样本作为典型日。典型日的计算方式为 ()()()231,2,0,z23231221,2,00maxii jkijNii jkkP PPP=(4)式中：P1,i为第i月日平均变化曲线与曲线数据样本均值的差值；P2,i,j为第i月第j天变化曲线与序列样本均值的差值；|i,z|为第i月皮尔森相关系数最大绝对值，第z天即为第i月所选典型日。2.2.2 灰色滚动预测 灰色预测通过鉴别各因素间的差异程度，进行关联分析。处理原始数据生成有规律的序列，然后建立相应的微分方程，从而预测事物未来的发展趋势，最后得到预测模型24。图3所示为灰色滚动预测的具体流程。文献25的结论验证了灰色预测方法在可再生能源中长期预测领域的可行性，因此选用灰色预测方法实现对各因素的长期预测。根据单点滑动窗口原理，将前一时刻预测值与历史数据结合作为下一时刻输入序列进行预测。3 容量优化模型及求解 微网系统主要包括风光互补发电单元、氢储和超级电容结合的混合储能系统，设置优化变量为微网各单元的装配容量以及产氢与耗氢设备的工作区间下限。3.1 目标函数 综合考虑系统经济性、可靠性和环境成本，以3者为目标函数进行优化配置。3.1.1 经济性 系统的经济性包括各装置的安装运行成本、售 图 3 灰色滚动预测流程图 Fig.3 Grey rolling prediction flow chart 1132 高电压技术 2023,49(3)电收益、置换成本以及弃风弃光惩罚。各装置的安装成本与其装机容量、型号等有关，且各装置的使用寿命不同，运行过程中需要对部分设备进行置换，因此需计入重置成本。微网总安装置换成本为 ()1AE111+LSaaabbbabWrg M Pt Y P=(5)式中：ga、Ma、Pa分别为第a类装置的单位装机成本、安装数量和额定容量；L为微网装配分布式电源类别数；rAE为辅助设备的投资成本与主设备投资成本比例系数，取0.1；tb、Yb、Pb分别为需置换的第b类装置的单位置换成本、置换数量和额定容量；S为需置换的装置总类别数。系统在运行的过程中，各单元会产生一定损耗，运维成本为 21LaaaaWe M Q=(6)式中：ea、Qa分别为第a类设备单位运维成本和总发电量。当储能装置内部能量达到上限，或微网输出功率满足负荷需求后的剩余功率超过储能单元最大消纳功率时，产生弃电现象。设置弃电惩罚为 3e1()TtWP t=(7)式中：Pe(t)为t时刻系统弃电量；为弃风惩罚系数；T为系统运行总时间。当dP(t)0时，Pe(t)为0，否则 eelelmaxccmax()d()()()P tP tN PtN Pt=(8)式中：Nel、Nc分别为电解槽和超级电容配置数量；Pelmax(t)、Pcmax(t)分别为电解槽和超级电容t时刻最大工作功率。微网通过售电盈利Cd，将系统的总经济收益作为表征系统的经济性指标，即 ()1d123fCWWW=+(9)3.1.2 可靠性 当微网无法满足负荷需求时产生负荷缺电，系统缺电率越小其可靠性越高，即：()Puload1()/()TtLttPP=(10)loadloaduload()()()()0()0()()0zzzPtP tPtPP ttPtP t=，(11)式中：LP为系统的负荷缺电率；Pu(t)、Pz(t)分别为t时刻缺电量和各装置总输出功率。微网输出功率可反映风光出力在各采样点间的波动状况，从而体现系统整体的稳定性26。波动越小系统就越稳定。系统波动性可表述为 11P11(1)()/(1)TTzzzttFP tP tP t=+(12)式中FP为系统功率的波动性。根据微网的负荷缺电率及输出功率波动综合表征系统的可靠性，对两者赋予相同权重作为可靠性指标函数，即 2PP0.50.5fLF=+(13)3.1.3 环境成本 微网的碳排放场景主要集中于各设备生产运输及建设阶段。同时由于运营阶段仍需更换损耗部件，相应的运输过程会产生碳排放。此外，系统设备废弃后的拆解和运输过程也会产生碳排放。因此总排碳量为 ()outpt,b,wd,1=MaaaaaaCCCCE=+(14)式中：Cpt,a、Cb,a、Cwd,a分别为第a类设备的生产运输、建设和设备废弃阶段的碳排放；a、Ea分别为第a类设备运营阶段的单位电量碳排放系数和发电量。微网由风光电站及储能系统构成，运行过程中碳排放量较小可忽略。为体现风光氢微网的低碳性，相比于同容量电网，微网的碳减排量为 ()subWPVFCD=CEEEE+(15)式中：EW、EPV、EFC、ED分别为风机、光伏、燃料电池和超级电容对负荷供电总量；是电网的碳排放因子，设置为0.598 kg/kWh。将微网的碳净减排量作为系统的碳排放评价指标，即 3suboutfCC=(16)3.2 约束条件 3.2.1 功率平衡约束 当风光资源过剩时，微网产生弃电，过少时会出现缺电，功率平衡约束为 WPVloadelCDeloadWPVDfcu,d0,d0PPPPPPPPPPPPPPP+=+=+(17)式中PC、PD为超级电容的充放电功率。3.2.2 最优区间约束 由1.2节可知，电解槽和燃料电池最优区间约束为 elinelelaxfcinfcfcaxPPPPPP(18)式中：Pelax、Pelin分别为电解槽最优工作区间上、下朱显辉，胡 旭，师 楠，等：考虑氢储动态效率的电氢耦合微网长期容量优化 1133 限；Pfcax、Pfcin分别为燃料电池最优工作区间上、下限。3.2.3 最大功率约束 电解槽和燃料电池由于储氢罐内存储的能量和自身特性的限制，存在最大功率约束 elmaxelmaxelfcminfcmaxfc()()min()()()min()CQQ tPtttCQ tQPttt=，(19)式中：Cel、Cfc分别为电解槽和燃料电池的装机容量；Qmax、Qmin分别为储氢罐的最大、最小储氢容量；t为时间步长；Q(t)为t时刻储氢罐的储氢量。3.2.4 储氢罐的等效荷电状态约束 为直观地反映储氢罐的存储状态，定义储氢罐等效荷电状态及约束为 SOChPEPEmaxSOCh()()/0.2()0.8ttt=(20)式中：PE()t为t时刻结束时储氢罐内的压强；PEmax为储氢罐最大压强；SOCh(t)为t时刻储氢罐等效荷电状态。3.2.5 超级电容的荷电状态和功率约束 为延长超级电容使用寿命，应避免其内部电量用尽，设置荷电约束为 SOCCminCCmaxDminDDmax0.10.9()()()()PP tPtPP tPt(21)式中：PCmin、PDmin分别为超级电容自身特性决定的充放电功率最小值；PCmax(t)、PDmax(t)分别为t时刻超级电容充放电最大值。3.2.6 各装置容量约束 微网各单元作为优化变量，考虑配置结果的合理性，设置各单元的容量约束为 WWmaxPVPVmaxelelmaxhyhymaxfcfcmaxCCmax000000NNNNNNNNNNNN(23)式中：fmin、fa分别为当前种群中粒子适应度的最小值和平均值；fc为当前粒子适应度。改进多目标粒子群算法求解流程如图4所示。图 4 改进粒子群算法流程图 Fig.4 Flow chart of improved multi-objective particle swarm optimization algorithm 1134 高电压技术 2023,49(3)改进多目标粒子群算法通过引入非线性动态权重，在迭代前期选用大权重扩大全局搜索范围，后期采用小权重增加局部寻优能力，能够改善算法性能。为实现微电网的容量优化配置，将各单元装配数目作为优化变量。基于前述章节的电解槽和燃料电池的最优区间分析，在加入区间下限并结合所建目标函数，即可得到优化后的Pareto解。根据文献28中所提分段线性函数分析Pareto集中各粒子的综合隶属度，将模糊评价最优粒子作为最终配置方案。4 算例分析 4.1 仿真场景 为验证所提微网氢储容量优化配置方法，选取19982019年的风光和20002009年的负荷实测数据。基于前述分析，设置微网长期规划的年限为10 a。原始数据步长为0.5 h，相对于微网长期规划步长过小。因此，按照尺度缩放的方式将原始数据步长换算为1 h，以每小时的平均数据作为所选取典型日的初始数据。4.2 输入样本结果分析 鉴于当前微网容量配置方法多采用历史数据进行，无法准确反映未来周期内的风速和光照变化趋势的问题。本文采用未来预测数据进行容量优化，预测未来十年典型日数据作为微网优化配置的输入样本，以全面描述气象长期变化趋势对风光的影响效果。4.2.1 典型日选取结果分析 一个月内每天的风速vp、光照Rp和负荷Qp变化相似，每日的日发电量较为相近。并且由于全生命周期中极端天气情况的出现较为稀少，对微网容量优化结果的影响也相对较小，因此根据月平均变化曲线从每月中选取的典型日能够反映当月的出力情况。基于所给出的皮尔森相关系数法，通过每日24 h的数据值筛选代表当月数据的典型日。此外，考虑到全周期的长时间尺度，典型日日内的气候变化情况对于全周期容量优化的影响不大，且所提方法重点考虑长时间尺度的风光变化趋势对容量优化结果的影响，因此通过计算典型日各要素数据的平均值作为最终的选取结果，所得结果如图5图7所示。4.2.2 预测模型精度验证 所研究的微网氢储容量的长期优化配置问题，图 5 19982019 年月典型日平均风速变化曲线 Fig.5 Variation curves of typical daily wind speed from 1998 to 2019 图 6 19982019 年月典型日平均光照变化曲线 Fig.6 Variation curves of typical daily mean solar irradiance during 1998 to 2019 图 7 20102019 年典型日平均负荷变化曲线 Fig.7 Typical daily average load variation curve from 2010 to 2019 需对未来十年的风光进行预测，预测结果的准确程度直接决定了所提方法的可信性和可行性。为此，需首先对预测模型的精度进行校验。基于前述章节所提的灰色滚动预测方法，采用19982009年的实测数据，预测20102019的风朱显辉，胡 旭，师 楠，等：考虑氢储动态效率的电氢耦合微网长期容量优化 1135 光数据，结果分别如图8和图9所示。对图8和图9误差进行分析可知，由于风光出力的不确定性，存在极端天气情况，进而对实际典型日的选取造成一定影响，会出现预测的结果在某些时段的误差相对较大。但整体上风速、太阳光照强度预测结果的平均相对误差分别为7.07%和12.10%，精度符合工程需求29-30，因此所提预测方法可行。基于图8和图9的预测结果，根据典型模型进行计算，即可得到典型日光伏和风电出力。相较于风光数据而言，负荷数据的变化较为稳定，为行文简洁，本文采用负荷的历史实测结果，结合风光出力预测结果进行氢储的优化配置研究。4.3 参数设置及 Pareto 集结果分析 综合考虑微网内各单元的运行情况，设置微网长期规划时间为10 a，超级电容、电解槽和燃料电池在此期间内更换一次。微网各单元具体参数如附录A表A1所示。风光储微网在生产、运输、运营及废弃阶段的的碳排放系数如附录A表A2所示。为将本文所提方法与当前其他研究方法进行对比，设置方案1为本文所提方法，方案2为文献31-33所给的采用历史典型年数据的方法，方案3为文献34-36所给定采用历史典型日的方法，方案4和方案5分别为基于方案2和方案3引入产氢和耗氢设备的动态特性的方法。为便于对比，方案1和方案2，方案4和方案5将微网的成本和建设废弃过程中产生的碳排放，均归算为与典型日时间范围一致的样本，方案3对成本和固定碳排放采用当前其他研究方法中的等值年函数进行折算。根据容量配置优化算法，5种方案均设置种群规模为50，迭代次数为1000次。方案1优化后得到的Pareto集如图10所示。图10中，同样利用前述章节所提单调性分段线性隶属度函数分析Pareto集，可得到不同方法的最优配置方案，以及电解槽Pem和燃料电池Pfcm的最优工作区间下限，如表3所示。表3中，各方案的源端装机容量相近，优化结果主要区别在于混合储能环节的装机容量。由此可知合理的储能容量对微网整体的性能影响极大，更加凸显了对氢储系统效率和混合储能控制策略研究的重要性。方案1系统中包含附录A表A1所示的光伏模 图 8 20102019 典型日平均风速预测结果 Fig.8 Prediction results of typical daily mean wind speed from 2010 to 2019 图 9 20102019 典型日平均太阳辐照度预测结果 Fig.9 Prediction results of typical daily mean solar irradiance from 2010 to 2019 图 10 方案 1 的 Pareto 集 Fig.10 Pareto set of scheme 1 表 3 优化配置结果 Table 3 Optimized configuration result 方案NW/台NPV/万台 Nel/台Nhy/台 NFC/台 Nc/台 Pem Pfcm1177 16 105115 223 335 0.2151 0.26322170 20 146150 147 220 3171 16 12372 89 153 4170 20 45 55 189 85 0.2915 0.13955172 5 171153 304 231 0.1310 0.26521136 高电压技术 2023,49(3)块的数量为16万台，优化得到的光伏电站额定功率为41.6 MW，实际装配风机数为177台，总风电装机容量为265.5 MW，符合实际的风电为主、光电为辅的装机情况。为进一步探讨各方案对微网整体性能的影响，应对微网进行长时间尺度的运行仿真，计算各方面指标以评价方案的优劣。4.4 长期规划验证 为充分验证所提容量优化方法的优越性，与当前研究成果(方案2和方案3)进行对比分析，进行为期10 a的微网运行仿真，得到各方案的指标见表4。由表4可知，本文所提方法(方案1)相较于当前的研究成果(方案2、3)，微网的经济效益分别增长了1.92%和8.64%，可靠性指标分别提升了6.71%和8.41%，碳排放分别降低了0.98%和0.40%，取得了较为显著的改善效果。本文所提方法效果较好的原因主要来自于两个方面，分别如下：1）构建了基于典型日风光长期历史数据的预测模型，给出了考量风光气象因素长期变化趋势的预测结果，并将其作为输入样本，使优化过程能够更加真实地反应实际风光随时间的演变规律，有效地提高了计算精度。2）本文所建模型中给出了氢储动态效率及其工作区间的优化结果，并将动态效率和工作区优化和容量配置相结合，在减小与实际运行状态偏差的同时，提高了风光利用率，减小了系统的计算误差。为充分论证风光长期变化趋势和氢储动态效率对优化结果的影响，在方案2的基础上增加了氢储单元动态效率环节构造了方案4，在方案3的基础上增加了产氢和耗氢设备的动态特性环节构造了方案5。分别对方案4和方案5进行仿真计算，所得结果如表5所示。由表4和表5可知，方案4相比方案2的经济性提高了0.49%，系统可靠性提高了1.03%，碳排放减少了0.90%。和方案3相比，方案5的经济性提高了3.7%，系统可靠性提高了2.03%，碳排放减少了0.02%。证明所构造的方案4和方案5在一定程度上提高了计算精度。方案4和方案5能够提高计算精度的根源在于，方案4和方案5在当前研究成果模型的基础上增加了氢储单元动态效率模型，能够更好地逼近产 表 4 方案 1、方案 2 和方案 3 的实际仿真结果 Table 4 Actual simulation results of scheme 1,scheme 2 and scheme 3 方案 f1/亿元 f2 f3/(108 kg)1 20.83 0.0999 58.00 2 20.43 0.1066 57.43 3 19.03 0.1083 57.77 表 5 方案 4 和方案 5 的实际仿真结果 Table 5 Actual simulation results of scheme 4 and scheme 5 方案 f1/亿元 f2 f3/(108 kg)4 20.44 0.1055 57.95 5 19.78 0.1061 57.78 氢和耗氢设备的最优工作区间和运行状态，从而得到更准确的计算结果。同时根据所得优化结果建立的微网模型，在实际运行中各项性能指标均有所提升，这一结论充分论证了氢储装置效率变化对容量优化配置结果具有较为重要的影响，不容忽略。此外，风光长期变化趋势对容量优化的影响效果，可以通过对比方案1、方案4和方案5的优化结果得到，3种方案均引入了产氢和耗氢设备的动态特性，但相对于方案4和方案5，方案1所得结果的微网收益分别提高了1.87%和5.04%；可靠性分别提高了5.61%和6.21%；系统的碳排放量分别降低了0.08%和0.37%。方案1所得结果优于方案4和方案5的原因为：方案1构建了典型日风光资源的长期预测模型，通过将预测数据作为输入样本，能够更准确地刻画气象因素的长期变化规律，因此能够给出更准确的计算精度，从另一个侧面验证了风光长期变化趋势对微网容量优化同样具有重要影响，若忽略该影响，同样会导致容量优化结果产生较大误差。因此，研究含氢储微网的容量优化问题时，综合考量气象长期变化和氢储系统动态特性的影响效果，不仅是提高系统经济性、可靠性和低碳性的重要前提，同样对微网的长期规划也具有重要的积极意义。为验证所提混合储能控制策略的实用性，在验证集中选取某典型日24 h数据点进行分析。图11为氢储系统Ph和超级电容Pc填补源荷差值的电量。其中，Pc0时超级电容充电，否则放电；Ph0时，电解槽电解水制氢，否则燃料电池放电。可知，所提混合储能控制策略能够最大限度地使电解槽和燃料电池处于最优区间内运行，从而降低能量的损耗。朱显辉，胡 旭，师 楠，等：考虑氢储动态效率的电氢耦合微网长期容量优化 1137 图 11 混合储能功率变化情况 Fig.11 Change of mixed energy storage power 图12为典型日储氢罐SOCh和超级电容SOCc的荷电状态变化情况，从中可知，超级电容充放电反应迅速，且工作频率高于氢