一种多类型储能系统优化运行方法与流程

1.本发明涉及储能系统优化技术领域，尤其涉及一种多类型储能系统优化运行方法。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.近年来，随着煤、石油等化石燃料的大规模开采与使用，一方面化石燃料储备急剧减少，能源危机问题随之而来；另一方面，化石燃料的燃烧使得环境污染问题愈发严重，co2的排放导致温室效应加剧。为此，大力发展可再生能源，寻找新的低碳清洁能源形式成为当下亟待解决的问题。在“碳达峰”与“碳中和”背景下，发展“零碳”能源成为一大亮点。氢能被认为是最环保的能源，也是化石能源和可再生能源之间过渡和转换的桥梁，大力发展氢能，将有助力实现“碳达峰”和“碳中和”，也解决了能源危机问题。在未来，终端电气化和氢能全面利用将是全人类不断奋斗的目标，在电氢能源发展火热现状下，研究电储能与氢储能的优化运行策略具有十分重要的现实意义。
4.电储能与氢储能的多类型储能系统的研究对于电氢综合能源的发展是非常重要的研究课题。目前，国内外学者对电储能、氢储能也有一定的研究。但大多学者都将电储能模型与氢储能模型几乎考虑的完全一致，没有充分考虑电池储能与氢储能两者在能量转移特性上的区别，无法突出氢储能在长时间尺度下的能量转移效果；且在系统同时使用电储能与氢储能的多类型储能研究中，大多学者也没有关注使用氢储能对电池储能寿命的影响问题。由于电池的能量密度较低且存在自放电现象，适合于短期储能；氢储能具有能量密度高的特点，适合于长期储能，与电池储能存在互补性。考虑到氢储能具有长时间存储的特性，若采用和电池储能完全相同的模型，将氢储能一天结束时刻的能量soe（state of energy）设置与初始时刻相同，这种模型可能限制了氢储能在某些条件下的灵活使用，无法体现氢储能的日间能量转移特性。虽然现有研究较为全面，但仍然存在着没有全面考虑电储能与氢储能存储时间特性的问题。


技术实现要素：

5.针对现有技术存在的没有充分考虑氢储能各类特性，缺少适合长时间尺度的能量优化方法的问题，本发明提供了一种多类型储能系统优化运行方法，考虑了电池储能与氢储能不同能量转移特性，重点考虑在日前优化调度运行中，对氢储能的日内调度结束时刻能量进行优化，从而实现考虑长时间尺度的能量优化方案。
6.以下是本发明的技术方案。
7.一种多类型储能系统优化运行方法，包括以下步骤：输入未来若干日的风光资源预测信息，利用蒙特卡洛法模拟生成若干随机场景，根据离预测日的远近为每日设置不同的标准差；
采用k
‑
means聚类算法将随机场景缩减成典型场景；建立电储能模型、氢储能模型、电转氢模型以及氢燃料电池模型并设置约束条件，建立电储能寿命模型以及碳排放指标模型；根据上述场景及模型建立目标函数；以成本总和最低为目标，对目标函数求解得到日前调度运行方案。
8.本发明提出的方法在进行日前优化调度时，不仅考虑未来24小时的风光资源预测信息影响，还考虑了未来（n
‑
1）天风光资源预测信息的影响，并且考虑到多日风光资源预测的不准确性，利用蒙特卡洛模拟可以生成大量随机数的特点，采用蒙特卡洛模拟的方法生成大量随机场景，根据未来第一天到第n天与预测日距离越来越远，分别给每天设置不同的标准差；同时兼顾考虑了多日风光资源预测信息的不准确性带来的影响以及电池储能与氢储能不同能量转移特性。能够很好提升系统整体的运行经济性，增加系统可再生能源的消纳能力以及提高了系统电储能的寿命，且对环境友好程度大大提升。其中，风光资源预测信息为未来n天的风机和光伏预测出力信息（kw）。
9.其中，利用蒙特卡洛法生成随机数并利用k
‑
means算法将大量场景缩减为典型场景，这是一种用法多变的算法组合。其中的蒙特卡洛方法，又称随机抽样或统计试验方法，是使用随机数（或更常见的伪随机数）来解决很多计算问题的方法。k
‑
means聚类是一种迭代求解的聚类分析算法，其步骤是，将数据预分为k组，则随机选取k个对象作为初始的聚类中心，然后计算每个对象与各个种子聚类中心之间的距离，把每个对象分配给距离它最近的聚类中心。
10.而本发明由于考虑电储能与氢储能两种储能的不同存储特性，考虑氢储能具有长时间存储的特性，将氢储能用于日间能量转移，电储能用于日内能量转移，从而可以将电储能与氢储能互补利用，更好的用于电
‑
氢综合能源系统优化，因此需要考虑多日的风机和光伏出力的不确定性，进而使用了蒙特卡洛模拟的方法与k
‑
means聚类的方法，对蒙特卡洛的均值和标准差，k
‑
means聚类的聚类数目以及聚类对象进行了针对性的选取。
11.本发明中利用蒙特卡洛法模拟生成若干随机场景，表示为：；式中：表示生成的场景，表示本发明利用的蒙特卡洛生成随机数的函数，、分别为蒙特卡洛法模拟生成风光大量场景的均值和标准差。本发明选取风机和光伏出力的预测值作为均值，选取风机和光伏出力预测值的百分比作为标准差。本发明在考虑第一天优化时，同时考虑未来两天的预测信息，将第一天的标准差设置为预测值的10%，第二天的标准差设置为预测值的20%；进行第二天优化时，将第二天的标准差重新调整为预测值的10%，将第三天的标准差设置为预测值的20%。
12.作为优选，所述电储能模型包括：电储能t时刻的电量模型为：；式中：为t时刻的电储能的电量；是上一时刻的蓄电池电量；为t
时刻蓄电池的放电功率；为t时刻蓄电池的充电功率；为时间间隔；、分别为充电效率、放电效率；电储能出力约束为：电储能出力约束为：电储能出力约束为：式中：为t时刻电储能的充电功率；为电储能的放电效率；、分别是电储能充电功率最大值、放电功率最大值，、表示充电标志位、放电标志位，属于变量，且充放电不能同时进行；电储能每时刻电量都需要满足电储能电量上限、下限：式中：、分别表示电储能电量上下限；同时，还需满足每日结束时刻能量与初始时刻能量相等的约束：。
13.作为优选，所述氢储能模型包括：t时刻氢储能中氢气状态表示为：式中：表示t时刻氢储能中氢气状态，、分别表示t时刻氢储能的充能功率、放能功率；、表示氢储能的充能效率、放能效率；氢储能出力约束为：氢储能出力约束为：氢储能出力约束为：式中：、分别表示氢储能充能功率上限、下限；、分别表示氢储能放能功率上限、下限；、分别表示充能功率标志位、放能功率标志位，属于变量； 表示氢储能充放能不能同时进行；氢气体积在每时刻需在氢储能体积上限、下限内：式中：、分别表示氢储能体积上下限；由于氢储能更适合长时间存储，这里不再对每日氢储能结束时刻能量进行模型约束，而是根据可再生能源情况进行优化。
14.作为优选，所述电转氢模型包括：其中电转氢为电转气第一阶段，此过程能量转化效率75%
‑
85%，完整的电转气效率45%
‑
65%；电转氢利用电解水产生氢气，t时刻的产氢速率为：式中：为t时刻的产氢速率；电解水装置的转换效率；为电解水装置消耗的电功率；为氢气的高位热值，进行单位转换；其中，单位时间内的产氢速率即为产氢体积：该式亦表示电转氢出力约束。
15.作为优选，所述氢燃料电池模型包括：氢燃料电池其产生的电能与消耗的氢气之间的关系为：式中：为t时刻氢燃料电池产生的电能，为消耗的氢气体积，为氢燃料电池的工作效率，该式亦表示氢燃料电池出力约束。
16.作为优选，所述电储能寿命模型包括：采用不同电荷状态下储能寿命损耗权重的加权吞吐量法对储能寿命进行测算；电荷状态与寿命损耗权重对应的数学模型为：其中，为t时刻电荷状态，由于储能寿命与电荷状态对应的损耗权重和电池充放电功率都有关，因此，一个周期内电储能的能量吞吐量为：式中：为t时刻电储能对应的充电或放电功率；为t时刻的寿命损耗权重；电储能在全寿命周期内的总的能量吞吐量近似为定值，表示为：式中：n为不同放电深度的统计次数；为第i次循环次数；为第i次放电深度；为电储能的额定容量；电储能寿命损耗系数为：
电储能寿命折损成本为：式中： 为已消耗的能量吞吐量，为电储能在全寿命周期内的总的能量吞吐量，为电储能总的投资成本；当电储能的能量吞吐量达到全寿命周期内总的能量吞吐量时，电储能报废，其使用寿命为：作为优选，所述碳排放指标模型中，耗电类设备碳排放皆由火力机组发电产生，碳排放成本为：式中：t为天数，为每千克co2的排放成本；为外购电力折算成碳排放系数；为外购电量。
17.作为优选，所述目标函数为：作为优选，所述目标函数为：作为优选，所述目标函数为：作为优选，所述目标函数为：作为优选，所述目标函数为：式中：表示系统购售电成本，表示电储能寿命折损成本，表示碳排放成本，表示不同场景下的修正调整惩罚成本，、分别表示t时刻的购、售电成本；为日前t时刻计划购电量；为场景下的t时刻修正购电量；为日前t时刻计划售电量；为场景下的t时刻修正售电量；为日前计划的电储能寿命损耗系数；为场景下修正的电储能寿命损耗系数。
18.本发明的实质性效果包括：充分考虑电储能能量密度低，氢储能能量密度高的特点，为了突出氢储能长时间存储的特点，将仿真时长从较短时长扩展成多日，对氢储能日内调度结束时刻能量进行优化，从而实现考虑长时间尺度的能量优化方案，并在考虑氢储能
的同时去优化电储能的寿命和系统对环境的影响程度，能够很好提升系统整体的运行经济性，增加系统可再生能源的消纳能力以及提高了系统电储能的寿命，且对环境友好程度大大提升。
附图说明
19.图1是本发明实施例的一种流程图；图2是本发明实施例的电储能寿命soc对应的损耗权重图；图3是本发明实施例的风机和光伏的预测出力图；图4是本发明实施例的风机出力随机场景的示意图；图5是本发明实施例的光伏出力随机场景的示意图；图6是本发明实施例的风机出力典型场景的示意图；图7是本发明实施例的风机出力典型场景的示意图。
具体实施方式
20.下面将结合实施例，对本技术的技术方案进行描述。另外，为了更好的说明本发明，在下文中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本发明同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未做详细描述，以便于凸显本发明的主旨。
21.实施例：一种多类型储能系统优化运行方法，本实施例考虑了氢储能具有日间能量转移的特性，系统会减轻对电池储能的过分充放使用，对电池储能的寿命存在一定的保护作用；考虑了氢能源使用对环境不会造成影响，对环境的友好程度较高，系统碳排放含量大大降低，另外考虑到电
‑
氢综合能源系统只有外购电量会导致燃煤产生碳排放，因此对这一部分成本进行优化计算。
22.本实施例包括如图1所示的以下步骤：根据预报信息，输入未来多日（n天）的风光预测信息；利用蒙特卡洛模拟生成大量随机场景，根据每日离预测日距离远近设置不同的标准差；采用k
‑
means聚类的方法将随机场景缩减成典型场景；建立电储能模型、氢储能模型、电转氢模型以及氢燃料电池模型并设置约束条件，建立电储能寿命模型以及碳排放指标模型；包括了建立电储能寿命模型与碳排放指标模型；建立日前优化调度运行的电储能与氢储能运行约束、功率平衡约束、耦合设备约束和修正调整阶段的电储能与氢储能运行约束、功率平衡约束、耦合设备约束；建立包括购售电成本、储能寿命折损成本、碳排放成本与不同概率场景下的系统出力调整惩罚成本；利用matlab下的gurobi求解器求解，得到当天的调度运行方案。
23.本实施例综合考虑系统的购售电成本、储能寿命折损成本、碳排放环境成本以及风光出力不确定性带来的调整修正惩罚成本，以及日前计划出力的电储能充放电约束，氢储能充放约束、功率守恒约束和考虑修正阶段的电储能充放约束、氢储能充放约束以及功
率守恒约束，在matlab下的yalmip工具箱调用gurobi求解器进行求解。
24.其中，预测风光日前计划出力会受到风光实际出力的影响，计划会存在一定的修正，这里主要考虑风光场景的不确定性带来的修正惩罚成本。
25.另外，本实施例中，利用蒙特卡洛法模拟生成若干随机场景，可以表示为：
ꢀꢀꢀꢀꢀꢀ
（1）式中：表示生成的场景，表示本发明利用的蒙特卡洛生成随机数的函数，、分别为蒙特卡洛模拟生成风光大量场景的均值和标准差。本实施例选取风机和光伏出力的预测值作为均值，选取风机和光伏出力预测值的百分比作为标准差。在考虑第一天优化时，同时考虑未来两天的预测信息，将第一天的标准差设置为预测值的10%，第二天的标准差设置为20%；进行第二天优化时，将第二天的标准差重新调整为10%，将第三天的标准差设置为20%。
26.图3为风机和光伏的预测出力图，生成大量的风机出力随机场景和光伏出力随机场景分别如图4和图5所示。
27.另外，考虑到蒙特卡洛模拟生成的场景数太多，不便于后期对这么多随机场景进行分析研究，因此需要采用选取几种典型场景进行详细分析。本实施例采用k
‑
means聚类的方法进行场景缩减，k
‑
means聚类是一种迭代求解的聚类分析算法，其步骤是，根据蒙特卡洛模拟生成的大量随机场景后，选择需要的聚类数目，例如聚类成5个典型场景，将预测数据分成k组，随机选择k个随机数据作为一开始的聚类中心，之后计算每个对象与聚类中心之间的距离，选出每个对象距离自己最近的聚类中心。聚类中心包括分配给他的对象就代表完成了一次聚类。每分配一次数据，聚类中心都会重新计算，这个过程一直不断重复直到满足最终聚类搜索范围。其中图6和图7分别是为利用k
‑
means聚类生成的风机和光伏的典型场景。
28.下面对本实施例涉及到的模型、目标函数、约束条件等进行说明。
29.电储能模型电储能t时刻的电量模型为：（2）式中：为t时刻的电储能的电量；是上一时刻的蓄电池电量；为t时刻蓄电池的放电功率；为t时刻蓄电池的充电功率；为时间间隔；、分别为充放电效率。
30.电储能出力约束为：（3）（4）（5）式中：为t时刻电储能的充电功率；为电储能的放电效率；、
分别是电储能充放电功率最大值，、表示充放电标志位，属于变量，且充放电不能同时进行，这里用式（4）表示。
31.电储能每时刻电量都需要满足电储能电量上下限： （6）式中：、分别表示电储能电量上下限。
32.此外，考虑到电储能日内能量转移特性，还需满足每日结束时刻能量与初始时刻能量相等的约束：（7）氢储能模型t时刻氢储能中氢气状态可表示为： （8）式中：表示t时刻氢储能中氢气状态，、分别表示t时刻氢储能的充放功率；、表示氢储能的充放效率。
33.氢储能出力约束为：（9）（10）（11）式中：、分别表示氢储能充能功率上下限；、分别表示氢储能放能功率上下限；、分别表示充放能功率标志位，属于变量；（10）式表示氢储能充放能不能同时进行。
34.氢气体积在每时刻需在氢储能体积上下限内：（12）式中：、分别表示氢储能体积上下限。
35.由于氢储能更适合长时间存储，这里不再对每日氢储能结束时刻能量进行模型约束，而是根据可再生能源情况进行优化。
36.电转氢（p2h）模型其中电转氢为电转气（p2g）第一阶段，此过程能量转化效率可达75%
‑
85%，而完整的电转气效率只有45%
‑
65%。
37.p2h主要是通过利用电解水，产生氢气，t时刻的产氢速率为：
ꢀ
（13）式中：为t时刻的产氢速率；电解水装置的转换效率；为电解水装置消耗的电功率；为氢气的高位热值，进行单位转换。
38.单位时间内的产氢速率即为产氢体积：（14）氢燃料电池模型氢燃料电池可以看作是电解水的逆反应，其产生的电能与消耗的氢气之间的关系为：（15）式中：为t时刻氢燃料电池产生的电能，为消耗的氢气体积，为氢燃料电池的工作效率。
39.电储能寿命模型本实施例考虑到电池储能寿命不仅与电池的soc有关，还和电池的充放电频率深度有关，从图2可以看出电池soc不同对应的损耗权重也不一样，尤其当电储能处于较低soc时，储能寿命损耗权重反而更大。这里采用考虑不同soc下储能寿命损耗权重的加权吞吐量法对储能寿命进行测算，并将储能寿命折损成本考虑进目标函数中。
40.图2中储能soc与寿命损耗权重对应的数学模型为：
ꢀꢀ
（16）由于储能寿命与soc对应的损耗权重和电池充放电功率都有关，因此，一个周期内，电储能的能量吞吐量为： （17）式中：为t时刻电储能对应的充放电功率；为t时刻的寿命损耗权重。
41.电储能在全寿命周期内的总的能量吞吐量近似为定值，可以表示为：
ꢀꢀꢀ
（18）式中：n为不同放电深度的统计次数；为第i次循环次数；为第i次放电深度。为电储能的额定容量。
42.电储能寿命损耗系数为：
（19）电储能寿命折损成本为：
ꢀꢀ
（20）式中：为已消耗的能量吞吐量，为电储能在全寿命周期内的总的能量吞吐量，为电储能总的投资成本。
43.当电储能的能量吞吐量达到全寿命周期内总的能量吞吐量时，电储能报废，其使用寿命为：
ꢀꢀꢀ
（21）碳排放模型本发明中由于氢能源的使用，使得对环境友好程度大大增加，考虑系统使用的发电类设备皆为清洁能源，不考虑其生产运输途中造成的二氧化碳排放，即系统的耗电类设备碳排放皆来源于向电网购电，均由火力机组发电产生。将其追溯到一次能源侧所产生的二氧化碳排放量，其碳排放成本为： （22）式中：为每千克co2的排放成本；为外购电力折算成碳排放系数；为外购电量。
44.目标函数：本实施例考虑的目标函数为系统购售电费用、储能寿命折损费用、碳排放成本与不同概率场景下的修正调整惩罚费用最低；
ꢀꢀ
（23）
ꢀꢀ
（24）
ꢀꢀ
（25）
ꢀꢀ
（26）
ꢀꢀ
（27）式中：、分别表示t时刻的购、售电成本；为日前t时刻计划购电量；为场景下的t时刻修正购电量；为日前t时刻计划售电量；为场景下的t时刻修正售电量；为日前计划的电储能寿命损耗系数；为场景下修正的电储能寿命损耗系数。
45.考虑到不同场景出力的概率不确定性，尽可能让修正阶段的成本越少越好，以保
证日前计划出力更符合实际情况出力。
46.约束条件：约束条件需满足日前计划出力的电储能、氢储能约束、耦合设备约束和功率平衡约束和修正调整阶段的电储能、氢储能约束、耦合设备约束和功率平衡约束。
47.其中，约束条件的表达式由上述各个模型的表达式引出，式中参数的区别仅为：所有da上标都表示日前计划出力，xz上标表示修正调整阶段的出力。
48.①
日前计划出力约束电储能约束：
ꢀꢀ
（28）氢储能约束：
ꢀꢀꢀ
（29）p2h出力约束： （30）氢燃料电池出力约束： （31）电功率守恒约束: （32）氢体积守恒约束：
ꢀꢀꢀꢀ
（33）
②
修正调整阶段出力约束电储能约束：
ꢀꢀꢀꢀꢀ
（34）氢储能约束：
ꢀꢀꢀ
（35）p2h出力约束：（36）氢燃料电池出力约束：（37）电功率守恒约束：
ꢀꢀ
（38）氢体积守恒约束：
ꢀꢀꢀꢀꢀꢀꢀ
（39）通过以上实施方式的描述，所属领域的技术人员可以了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中可以根据需要而将上述功能分配由不同的功能模块完成，即将具体装置的内部结构划分成不同的功能模块，以完成以上
描述的全部或者部分功能。
49.在本技术所提供的实施例中，应该理解到，所揭露的结构和方法，可以通过其它的方式实现。例如，以上所描述的关于结构的实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个结构，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，结构或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
50.作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
51.另外，在本技术实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
52.集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本技术实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器(processor)执行本技术各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
53.以上内容，仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。