一种面向沙漠区域的混合储能与风光预测协同优化方法与流程

本发明涉及一种混合储能与风光预测协同优化方法，尤其涉及一种面向沙漠区域的混合储能与风光预测协同优化方法，属于能源。

背景技术：

1、沙漠戈壁区域能源资源丰富，但由于地理环境复杂和气候条件不稳定，传统能源供应方式难以满足需求。面向沙漠戈壁区域的混合储能系统具有很高的应用潜力，能够有效整合风能、太阳能等可再生能源，并提高能源利用效率。电池储能系统(bess)作为目前发展成熟且广泛应用的储能方案，是混合储能系统中至关重要的组成部分。同时，氢储能系统(hes)和热储能系统(tes)在沙漠戈壁区域具有独特优势，可以提高系统的灵活性和稳定性。风电预测模型优化是实现风光协同的关键，通过对风速、风向、气压等气象因素进行精准预测，可以提高风能发电效率，减少对传统能源的依赖。考虑碳排放的协同优化，可以有效降低能源供应过程中的碳排放量，符合环保和可持续发展的要求。

技术实现思路

1、本发明要解决的技术问题是提供一种面向沙漠区域的混合储能与风光预测协同优化方法。

2、为实现上述目的，本发明采用如下技术方案：

3、一种面向沙漠区域的混合储能与风光预测协同优化方法，包括以下步骤：

4、步骤s1：建立多能互补系统模型：

5、多能互补系统模型包括风力发电模块、光伏发电模块、混合储能模块、用户负载模块、燃气锅炉模块、热电联产机组模块、电网购售电模块，风力发电模块和光伏发电模块将可再生能源转化为电能，直接供给用户负载模块或通过电网购售电模块进行交易，燃气锅炉模块、热电联产机组模块向用户负载模块提供满足用户的热负荷需求的热能；混合储能模块中包括bess模块、hes模块、tes模块，混合储能模块在电能过剩时存储剩余的电力；

6、步骤s2：建立风光预测模型：风光预测模型由风光出力不确定性模块与bp神经网络组成；风光出力不确定性模型生成的出力不确定度与风速、光照强度作为输入特征一起输入到bp神经网络；

7、步骤s3：将风光预测模型与多能互补系统模型级联，利用差异化创造性搜索算法联合优化，得到最佳的能源供应和储能调度方案，包括以下步骤：

8、步骤s3-1：初始化参数：首先，设定种群数量和决策变量的范围，然后随机生成初始种群xi，初始种群xi由1个以上个体组成；所述个体包含的变量包括：hes中电解槽制氢电功率pbc，bess的充电功率pbd，hes中电解槽获取的电功率pele,in，hes中电解槽制氢电功率pele，out，hes中燃料电池获取的电功率pfc，in，hes中燃料电池产生的电功率pfc，out，tes的蓄热功率ptc，tes的放热功率ptd，热电联产机组输出电功率pchp，风电机组实际输出功率ppv，光伏机组的实际输出功率ppw，目标函数ctot为多能互补系统的总运行成本：

9、xi，d＝lbd+u(0，1)×(ubd-lbd)    (1)

10、式中，xi，d表示第i个候选解xi＝[xi，1xi，2…xi，d]的第d个参数，d为候选解的参数数量；候选解的个数为np；u(0，1)表示区间(0，1)上的均匀分布，lbd和ubd分别表示第d个参数的下界和上界；

11、步骤s3-2：适应度评估：以每个个体对应的目标函数值ctot作为初始适应度值：

12、f(xi)＝ctot(xi)     (2)

13、步骤s3-3：选择与最大适应度值对应的个体作为最佳个体xbest；

14、步骤s3-4：差异化知识获取：随机选择两个个体xr1、xr2，计算η和系数：

15、η系数的计算方法为：

16、

17、系数的计算方法为：

18、

19、

20、式中，t为迭代次数；符号[·]代表取整计算，ri，t是第i个个体在第t次迭代开始时的秩；xr1，d和xr2，d是在两个个体xr1、xr2的第d个参数值；

21、更新参数：

22、

23、式中：vi，d为第i个个体第d个参数值的更新值；

24、步骤s3-5：知识整合与新解生成：

25、计算收敛因子：

26、

27、式中，λt是在第t次迭代时的收敛因子；nfet表示在第t次迭代时函数计算的当前次数，nfemax表示函数计算的最大次数；

28、更新个体位置：

29、

30、式中，xbest，d是当前迭代中最佳个体的第d个参数；

31、使用林尼克分布生成随机数更新个体位置：

32、

33、式中，xe，d是个体的第d个参数，lk(α，σ)表示控制参数为α和σ的林尼克分布随机数生成器；

34、步骤s3-6：个体多样化：随机生成n个新个体：

35、

36、式中，vnp是第np个新个体，lb和ub是下界和上界；

37、步骤s3-7：回顾性评估：用新个体替换筛选出的个体：

38、

39、

40、式中，xi,t+1表示x在t+1次迭代时中的第i个个体；xbest,t表示x在t次迭代时的最优解；

41、步骤s3-8：判断是否到达最大迭代次数或满足停止条件，如果是，输出最终的最优解及其对应的最优适应度值；否则，转向步骤s3-7；

42、进一步，在所述步骤s1中，对多能互补系统的设备进行建模，包括以下过程：

43、s1-1.多能互补系统有风力发电模块、光伏发电模块、混合储能系统模块、用户负载模块、燃气锅炉模块和热电联产机组模块、电网购售电模块；

44、s1-2.各个模块建模如下：

45、风力发电建模为：

46、

47、式中，ppw和ppw,n分别为风电机组实际输出功率和额定输出功率；vpw和vpw,n分别为实际风速和额定风速；vin和vout分别为风机的切入风速和切出风速；

48、光伏发电建模为：

49、

50、tc＝ta+0.0138(1+0.0031ta)·(1-0.0042v)·s                       (17)

51、式中，ppv和ppv,n为光伏机组的实际输出功率和额定输出功率；fpv为光伏降额因子，考虑污垢、积雪和电池老化等影响，通常取值为0.9；s实际环境下的光照强度；st为标准工况下的光照强度，取值为1000w/m2；k光伏功率温度系数；tc为光伏机组实际环境下的温度；tt为标准测试工作环境温度，取值为25℃；ta为实际环境温度(℃)；v为光伏板安装位置的风速(m/s)；tt为实际环境下的光照强度(w/m2)；

52、bess建模为：

53、

54、socmin≤soct≤socmax      (20)

55、式中，soct、soct-1为t、t-1时刻bess的剩余电量；β、ce为bess的自放电率和额定容量；pbc、pbd为bess的充电功率和放电功率；ηbc、ηbd为bess的充电效率系数和放电效率系数；pmax，bc、pmax，bd分别为t时刻bess的最大充电功率、最大放电功率；pmax，c、pmax，d分别为t时刻bess的最大持续充电功率、最大持续放电功率；δt为时间间隔；

56、hes建模为：

57、

58、pmin，ele≤pele，t≤pmax，ele         (23)

59、pmin，fc≤pfc，t≤pmax，fc    (24)

60、λmin，ele≤λele，t≤λmin，ele     (25)

61、式中，pele,in、pele，out分别为hes中电解槽获取的电功率、电解槽制氢电功率；pfc，in、pfc，out分别为hes中燃料电池获取的电功率和产生的电功率；hele、hfc分别为电解槽和燃料电池产生的热功率；ηele、ηfc为电解槽和燃料电池的工作效率；pmax，ele、pmin，ele分别为电解槽的功率上下限；pmax，fc、pmin，fc分别为燃料电池的功率上下限；λmax，eh、λmin，eh分别为hes中储氢罐储能状态的上下限；

62、tes建模为：

63、

64、0≤ptc，t≤pmax，tcεtc，t                          (27)

65、0≤ptd，t≤pmax，tdεtd，t                          (28)

66、hmin，t≤ht，t≤hmax，t                          (29)

67、0≤εtc，t+εtd，t≤1                              (30)

68、式中，ht，t为t时刻tes的蓄热量；μ为tes的自放热率；ηtc、ηtd分别为tes的蓄热、放热效率；ptc，t、ptd，t分别为t时刻tes的蓄热、放热功率；εtc,t、εtd，t分别为tes在t时刻的蓄热、放热的二进制变量；hmax，t、hmin，t分别为tes的最大、最小蓄热量；

69、燃气锅炉机组建模为：

70、qgb＝pgbηgb                  (31)

71、式中：qgb为燃气锅炉机组输出的热功率；pgb为燃气锅炉机组的耗气功率；ηgb是燃气锅炉机组的热效率；

72、热电联产机组建模为：

73、pchp，g＝gchphg                           (32)

74、pchp＝pchp，gηchp                           (33)

75、pchp，h＝pchp，gηchp，h                          (34)

76、式中：pchp为热电联产机组输出的电功率；pchp,h为热电联产机组输出的热功率；pchp,g为热电联产机组输入的天然气功率；gchp为热电联产机组的耗气量；hg为天然气的低热值；ηchp和ηchp，g分别为热电联产机组的电效率和热效率；

77、电网购售电模块的模型为：

78、0≤pbe，t≤pmax，be                          (35)

79、0≤pse，t≤pmax，se                          (36)

80、式中，pbe，t、pmax，be分别为向上级电网的购电量和购电的上限值；pse，t、pmax，se为向上级电网的售电量与售电量的最大值；

81、进一步，在所述步骤s2中，对风光能源的预测进行建模，包括以下过程：

82、s2-1：对风光出力不确定性建模：

83、

84、式中，和为不确定的参数，为风力机组和光伏机组的净输出功率；和为风机机组、光伏机组预测出力值；ζi表示为在预测风力机组、光伏机组的出力时的不确定度，它的范围是0到1之间；k1和k2分别为风力机组和光伏机组实际输出与预测输出之间误差在整体不确定性中的影响程度；

85、步骤s2-2：收集数据：包括风速、光照强度、温度和风机机组与光伏机组发电总量的历史发电数据以及风光出力不确定因子，对收集的数据进行数据清洗、归一化和特征提取预处理；以最大化风光利用率为目标函数，使用粒子群算法优化bp神经网络的连接权重和偏置项；

86、优化目标函数为：

87、

88、式中，pwind(w，t)和psolar(s，t)分别表示在风力为w和光照强度为s时的风力发电机组和光伏发电机组的发电功率；f(w，t)表示在时刻t风力为w时的风能预测值；g(s，t)表示在时刻t光照强度为s时的光能预测值；

89、s2-3：建立多能互补系统运行成本优化模型：

90、minctot＝cp+cma+cop           (40)

91、相应的功率平衡约束条件为：

92、pload+pele，out+pbc+pfc，in＝pbe+pchp+pele，in+pbd+pfc，out+ppv+ppw           (41)

93、phl+εtcptc＝pchp，h+pgb+εtdptd                        (42)

94、式中，pload、phl、pbe、pchp，h、pgb、pchp、pele，in、pele，out、pbc、pbd、pfc，in、pfc，out、ptc、ptd、ppv、ppw分别代表多能互补系统的总负荷功率需求、系统总热负荷需求、从电网购买的电力功率、热电联产机组输出的热功率、燃气锅炉机组输出的热功率、热电联产机组输出电功率、hes中电解槽获取的电功率、hes中电解槽制氢电功率、bess的充电功率、bess的放电功率、hes中燃料电池获取的电功率、hes中燃料电池产生的电功率、tes的蓄热功率、tes的放热功率、风电机组实际输出功率、光伏机组的实际输出功率；εtc、εtd分别为tes蓄热、放热的二进制变量；

95、其中：

96、

97、cma＝∑icma，iscap，i        (44)

98、式中：i取1，表示表示光伏机组；i取2，表示风电机组；i取3，表示电池储能系统；i取4，表示热储能系统；i取5，表示热电联产机组；i取6，表示电解槽(elc)；i取7，表示储氢罐；i取8，表示燃料电池；i取9，表示燃气锅炉；i取10，表示吸收制冷机；i取11，表示电压制冷机；r为基准折现率；li为设备i的寿命周期；cp，i为设备i的单位投资成本；sp，i为设备i的单位容量；cma，i为设备i的年固定维护成本，scap，i为设备i的单位维护成本；

99、构建运行成本模型：

100、cop＝cele+cbg+cen+cab+cob+coe+cot       (45)

101、

102、式中，cele为与电网交易成本，cbg为购气成本，cen为燃气机组产生的环境成本，cab为弃光弃风惩罚成本，cob为ees的充放电损耗及维护成本，coe为hes的热量储存及充放热损耗成本，cot为tes的热量储存及充放热损耗成本；ρbe，t、ρse，t分别为t时刻与电网交易的购电分时电价和售电分时，pbe，t、pse，t分别为t时刻的购电功率和售电功率；fg为天然气的购买单价；pchp,t、pgb，t分别为热电联产机组和燃气锅炉机组在t时刻的输出功率；ηgb为燃气锅炉机组的工作效率；ηg为燃气锅炉机组与电网购电生产的环境成本；λw、λpv分别为弃风和弃光惩罚因子；δpaw，t、δpap，t分别为t时刻的弃风量和弃光量。

103、本发明结合电池储能和氢储能的混合储能系统设计，提高储能效率；采用粒子群算法优化的bp神经网络分类预测建立风光预测模型，有效提高了能源供给的精准性和可靠性；考虑了综合能源系统的环境友好性，符合现阶段提倡的碳中和、碳达峰的目标；利用差异化创造性搜索算法，将风能和光照的预测模型与含混合储能的多能互补系统优化模型进行联合优化，能够更有效地减少碳排放量，更充分地利用西部地区丰富的风光资源，提高能源供给的可靠性和经济性；同时，基于多目标优化的能源管理算法实现了经济性和可靠性的平衡。