导航：X技术最新专利计算;推算;计数设备的制造及其应用技术

  1.本发明涉及新能源技术领域，尤其涉及一种利用电解水制氢消纳弃风电量的制氢容量规划方法。

  2.近年来，风力发电发展迅猛，但仍存在弃风现象，风电场弃风不仅降低了可再次生产的能源利用率，同时也导致风电场收益减少，风电发展受到一定制约，亟需寻找解决途径。事实上，氢能作为一种能源形式具有广阔的应用前景。受价格因素影响，全球氢能的大多数来自为天然气制氢，而水电解制氢量占比不到0.1％。电解水制氢受电价影响较大，降低电价成本是推广并发展电解水制氢的重要手段之一，而利用弃风发电制氢明显降低了用电成本。

  3.现有规划研究多基于统计性数据来进行分析，对于电解水制氢的实际分时用电情况关注较少，忽略了实际分时用电情况，规划准确度较低。

  4.本发明的目的是为了提供一种利用电解水制氢消纳弃风电量的制氢容量规划方法，有效提升了电解水制氢容量规划的准确性。

  5.为解决以上技术问题，本发明的技术方案为：一种利用电解水制氢消纳弃风电量的制氢容量规划方法，包括：

  6.步骤1：利用年度负荷预测值和典型日负荷曲线，并引入负荷调整系数，模拟生成每天的日负荷曲线：根据规划地区历史风电出力模拟计算风电场模拟时序出力曲线，并采用通过日负荷曲线获得的风电消纳空间结合风电场模拟时序出力曲线计算风电场年弃风电量；

  8.步骤3：以制氢效益最大为目标建立目标函数，并建立约束条件，利用粒子群算法求解所建立的电解水制氢消纳弃风电量模型，得到制氢容量配置方案。

  11.步骤102：假设每周随机有2个大负荷日，3个中负荷日，双休日则是2个小负荷日，结合实际日历计算每日的负荷曲线]

  式中：和分别表示m月大负荷日、中负荷日和小负荷日的日负荷曲线，kw；α表示负荷调整系数；py表示年度负荷预测值，kw；表示m月负荷标幺值，由往年负荷曲线已知；表示以小时为时间尺度的m月典型日负荷标幺值曲线中，负荷调整系数的约束模型：

  步骤201：通过规划地区历史风电出力和对应风电装机容量计算历史风电出力标幺值曲线：根据拟建风电场装机容量和历史风电出力标幺值曲线计算风电场模拟时序出力曲线]

  式中：表示风电场模拟时序出力曲线，kw；cw表示拟建风电场装机容量，kw；表示历史风电出力标幺值曲线：计算日负荷曲线与已知的电网最小出力曲线的差值得到风电消纳空间；

  步骤204：计算风电场模拟时序出力曲线与风电消纳空间的差值得年弃风量。

  步骤301：考虑制氢厂的初始建设成本、后期运维成本、消耗水成本以及售氢售氧收益，以制氢效益最大为目标建立目标函数：

  表示单位容量制氢厂投资所需成本；co表示运维成本；cs表示用水成本；β表示单位制氢耗水量；和分别表示第n年制氢、制氧产量，制氧产量为制氢产量的一半；表示制氢设备容量；n表示运行年限；is表示社会平均折现率，取8％；

  表示步骤2所得弃风电量，kwh；t表示运行时间，h；η表示标立方氢气耗电量，nm3/kwh；

  步骤304：上述模型构成电解水制氢消纳弃风电量模型，通过粒子群算法进行求解，得到电解制氢设备容量。

  步骤3041：以电解水制氢设备容量作为粒子，并随机生成一定种群数量的粒子群，

  步骤3042：以制氢收益作为适应度值，利用步骤3041设置的初始参数计算，保存最优适应度值和其对应的粒子作为粒子最优位置；

  步骤3043：判断是不是达到迭代次数，若否，则转至步骤3044，否则转至步骤3046；

  式中：k表示第几次迭代；表示第i个粒子第k次的速度；表示第i个粒子第k次的位置；表示第i个粒子第k+1次的速度即更新后的速度；表示第i个粒子第k+1次的位置即更新后的位置；表示第i个粒子更新至第k次后的历史最优位置；表示更新至第k次后粒子群历史最优位置；ω表示惯性权重，表示保持原速度的系数；c1表示个体学习因子，即粒子跟踪历史最优值的权重系数；c2表示社会学习因子，即粒子跟踪群体最优值的权重系数；ξ和η表示随机生成的[0,1]区间的随机数；

  步骤3045：计算并比较当前适应度值与历史最优适应度值，若当前适应度值更优，则作为最优适应度值保存，并保存其对应的粒子最优位置后，再转至步骤3043，否则直接转至步骤3043；步骤3046：输出粒子群最优位置和最优适应度值，计算结束。

  本发明基于规划地区往年风电出力历史数据模拟生成以小时为时间尺度的风电出力曲线，再根据电网消纳空间得到弃风电量，以经济性最优为目标基于详细弃风电量优化并采用粒子群算法求解电解水制氢容量配置，本发明考虑了以小时为时间尺度的风电出力数据，有效提升了电解水制氢容量规划的准确性；规划效果更好，经济效果更优。

  为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明作进一步详细说明。

  请参考图1，本发明为一种利用电解水制氢消纳弃风电量的制氢容量规划方法，其包括：步骤1：利用年度负荷预测值和典型日负荷曲线，并引入负荷调整系数，模拟生成每天的日负荷曲线：建立负荷调整系数的约束模型，计算得到负荷调整系数；

  步骤102：假设每周随机有2个大负荷日，3个中负荷日，双休日则是2个小负荷日，结合实际日历计算每日的负荷曲线]

  式中：和分别表示m月大负荷日、中负荷日和小负荷日的日负荷曲线，kw；α表示负荷调整系数；py表示年度负荷预测值，kw；表示m月负荷标幺值，由往年负荷曲线已知；表示以小时为时间尺度的m月典型日负荷标幺值曲线：根据规划地区历史风电出力模拟计算风电场模拟时序出力曲线，并采用通过日负荷曲线获得的风电消纳空间结合风电场模拟时序出力曲线计算风电场年弃风电量；步骤2具体包括：

  步骤201：从规划角度来说，风电场日出力曲线预测较为困难，本发明考虑利用历史风电出力数据来进行模拟；通过规划地区历史风电出力和对应风电装机容量计算历史风电出力标幺值曲线：根据拟建风电场装机容量和历史风电出力标幺值曲线计算风电场模拟时序出力曲线]

  式中：表示风电场模拟时序出力曲线，kw；cw表示拟建风电场装机容量，kw；表示历史风电出力标幺值曲线：计算日负荷曲线与已知的电网最小出力曲线的差值得到风电消纳空间；其中，电网最小出力曲线为电网参数，为已知量；

  步骤204：计算风电场模拟时序出力曲线与风电消纳空间的差值得年弃风量。

  步骤3：以制氢效益最大为目标建立目标函数，并建立约束条件，利用粒子群算法求解所建立的电解水制氢消纳弃风电量模型，得到制氢容量配置方案；步骤3具体包括：

  步骤301：考虑制氢厂的初始建设成本、后期运维成本、消耗水成本以及售氢售氧收益，以制氢效益最大为目标建立目标函数：

  表示单位容量制氢厂投资所需成本；co表示运维成本；cs表示用水成本；β表示单位制氢耗水量；和分别表示第n年制氢、制氧产量，制氧产量为制氢产量的一半；表示制氢设备容量；n表示运行年限；is表示社会平均折现率，取8％；

  步骤302：建立电解水制氢容量的约束模型，对于电解水制氢容量，其受到容量上下限约束，如下式所示：

  在计算上述规划模型时，氢气产量不仅仅受制氢设备容量限制，还受到每日可供制氢设备使用弃风电量的限制，即某一时段内取制氢设备消耗电量和弃风电量较小值进行计算。

  表示步骤2所得弃风电量，kwh；t表示运行时间，h；η表示标立方氢气耗电量，nm3/kwh；

  步骤304：根据目标函数、电解水制氢容量的约束模型和氢气产量约束模型，建立电解水制氢消纳弃风电量模型，所建立的规划模型为非线性规划模型，为非凸非线性模型，通过粒子群算法进行求解，得到电解制氢设备容量；电解水制氢容量规划求解流程如图1所示，粒子群算法求解流程如图2所示；步骤304中，通过粒子群算法求解的具体步骤包括：

  步骤3041：以电解水制氢设备容量作为粒子，并随机生成一定种群数量的粒子群，设置种群位置、数量、速度、电解水制氢容量的下限和上限、迭代次数等初始参数值；

  步骤3042：以制氢收益作为适应度值，利用步骤3041设置的初始参数计算，保存最优适应度值和其对应的粒子作为粒子最优位置；

  步骤3043：判断是不是达到迭代次数，若否，则转至步骤3044，否则转至步骤3046；

  式中：k表示第几次迭代；表示第i个粒子第k次的速度；表示第i个粒子第k次的位置；表示第i个粒子第k+1次的速度即更新后的速度；表示第i个粒子第k+1次的位置即更新后的位置；表示第i个粒子更新至第k次后的历史最优位置；表示更新至第k次后粒子群历史最优位置；ω表示惯性权重，表示保持原速度的系数；c1表示个体学习因子，即粒子跟踪历史最优值的权重系数；c2表示社会学习因子，即粒子跟踪群体最优值的权重系数；ξ和η表示随机生成的[0,1]区间的随机数；

  步骤3045：计算并比较当前适应度值与历史最优适应度值，若当前适应度值更优，则作为最优适应度值保存，并保存其对应的粒子最优位置后，再转至步骤3043，否则直接转至步骤3043；

  为验证本发明方法的有效性，在建立的风电场制氢系统中测试其性能，具体进行以下实验：经过仔细修改的ieee14节点电力系统和比利时2021年风电数据来进行模拟，并假设并网风电场装机容量为100mw。

  以1h是为时间尺度，以效益最大化为目标，计算所得制氢容量配置为16.8529mw时，运行期间最大效益为2500.4万元。粒子群算法的计算迭代过程如图3所示。

  模拟总弃风电量为3865mwh，通过本发明方法配置制氢设备消纳弃风电量为2335.7mwh，能够准确的看出，由于以最大效益为目标，配置的制氢容量小于弃风规模，任旧存在一定量弃风。

  本发明的思路是基于规划地区往年风电出力历史数据得到风电出力标幺值曲线，然后利用标幺值曲线模拟生成以小时为时间尺度的新建风电场风电出力曲线，再结合电网风电的消纳空间得到弃风电量。以经济性最优建立目标函数，并对相关变量建立约束模型，通过粒子群算法求解所建立的模型得到电解水制氢容量配置。最后经过仔细修改的ieee14节点电力系统和比利时2021年风电数据来进行模拟，验证验证所提规划方法的有效性。

  本发明一种利用电解水制氢消纳弃风电量的制氢容量规划方法具有如下优势：相比于传统利用风电平均利用小时数的规划方法，本发明方法即包含了弃风数据的年平均特性，有最大限度地考虑了数据的时间特性，故容量配置更为精确，且总效益更高。

  以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还能做出若干简单推演或替换，都应当视为属于本发明的保护范围。

  1.计算机视觉 2.无线.计算机仿线.网络安全；物联网安全 、大数据安全 2.安全态势感知、舆情分析和控制 3.区块链及应用