国网 | 深度报告：风-储-氢-燃机协同平抑功率波动运行配置策略

随着“双碳”目标推进，电力系统亟需进行低碳化转型[1]，氢能作为一种潜在的清洁能源备受关注。特别是在掺氢燃机技术的进步下，风-储-氢-燃机系统可以有效解决大规模风电并网所带来的波动性、消纳率和经济性等问题[2-3]。然而，如何将电力系统与氢能以及燃机耦合，制定相应的控制策略和技术解决方案是目前迫切需要解决的技术难题之一。因此，从减少波动性、提升经济性，并确保系统的稳定性和可靠性等方面考虑，亟需开展风-储-氢-燃机协同平抑功率波动运行配置策略的研究，进而推动电力系统向低碳化转型的顺利进行[4-5]。

目前，单一储能技术不能够完全满足现代新型电力系统对能量存储、平抑波动和成本效益等方面日益增加的复杂要求[6]。相对而言，电氢耦合技术具备低碳清洁、高能量密度和长时间存储等诸多优势[7]，能够有效平抑波动、主动支撑系统[8-10]。混合储能系统功率的分配策略和容量配置等研究成为当前热点。在平抑波动和功率分配方面，关于混合储能系统的方案呈现出多样性。其中有研究专注设计了一种风-氢一体化能源系统集成超级电容器，以平滑风力发电波动，采用该策略优化碱性电解槽的运行模式，电解槽的切换时间减少了93.5%，制氢量提高了44.18%以上，系统经济性提高了4.30%[11]。利用混合储能系统，包括不同类型的能量存储设备，如氢储能、电化学储能、超级电容器等，可调节可再生能源的波动性，通过设计分层控制策略，旨在保持储能装置的荷电状态在合理水平，避免过度放电，并为补偿风电波动留出储能空间[12-13]。研究表明通过各设备的功率调整可以提高其使用寿命，但其在优化配置方面考虑不充分。

在研究混合储能系统容量配置方面，一种电-氢混合储能系统方案将氢储能作为主要储能形式，电化学储能作为辅助形式，旨在稳定大规模风电并网引起的波动，此系统制定了考虑碱性电解槽运行特性的混合储能能量管理策略，并建立了容量优化配置模型，以总成本最小为目标；另一研究策略是将电化学储能视为短时储能，氢储能作为长时储能，并提出了一种考虑电氢混合储能系统效率特性的经济下垂控制方法[14-15]；李彦哲[16]等综合考虑了微电网运行的经济性和环境效益，以最小化总净现值成本为目标函数，同时以可再生能源利用率和负荷缺失率为评价指标，建立了微电网容量优化配置模型。在典型风氢耦合系统中，袁铁江等[17]引入天然气及碳捕集系统，构建了以最小化期望年化成本为目标的系统优化配置模型，考虑了弃风、碳捕集、储气及功率平衡等约束，实现天然气与风电制氢系统的耦合；对于离网风氢耦合供氢系统，Yang[18]采用氢气和电池混合储能，并对其进行优化设计，总成本降低了1.35%；而针对微电网容量配置结果不能完全平抑母线波动和电压波动的问题，提出了考虑微电网经济性和稳定性的电氢耦合混合储能的微电网容量配置方案[19]。

从该领域国内外相关研究成果来看，目前仍然缺乏一种能够同时兼顾合理分配功率、平抑风电波动、实现系统容量经济配置的风-储-氢-燃机运行配置策略。现有的配置策略主要集中在利用氢储能和电化学储能模块设计分配策略和优化模型，所提策略没有充分发挥氢储能的长时储能特性，且缺乏考虑燃气轮机的参与优势，燃气轮机的掺氢能力在用氢和负荷调节过程中没有严格的约束关系，提高了制氢与储氢的灵活性，使其在功率分配方面具有较强的潜力，有助于实现风-储-氢-燃机系统的协同耦合，从而制定优化容量配置策略。

因此，本文从电-氢-电双向耦合的角度出发，提出了一种以氢储能与燃气轮机为主、电池储能为辅的风-储-氢-燃机混合储能运行配置策略，对功率进行平滑滤波，在此基础上，构建SC-ALK电解槽（super capacitor-alkaline electrolyzer，SC-ALK）制氢系统容量优化模型，灵活运用燃料电池、掺氢燃机、燃气轮机弥补功率缺额，然后，以风-储-氢-燃机系统的平准化度电成本最低为目标，通过改进粒子群算法进行容量配置，得到最优容量配置方案。最后，通过全国七大地理区域（西南、西北、华中、华东、华北、华南、东北）的风电数据进行算例分析，对各地区风电场设备的容量配置结果与经济性结果进行对比，为全国地理区域化风-储-氢-燃机经济制氢容量测算提供理论参考。

1.1 风-储-氢-燃机系统结构

本文所设计的风-储-氢-燃机系统基本结构如图1所示，该系统主要包括发电模块和氢储能模块，发电模块包括风力机组、燃气轮机、掺氢燃机、电池储能组成，氢储能模块包括SC-ALK电解槽（提高电解槽的适应性和寿命）、储氢罐，燃料电池。该系统优先采用电池储能，其次利用氢储能来维持系统稳定，减少风电波动。

图1 风-储-氢-燃机系统结构图

1.2 各设备模型

1.2.1 燃气轮机模型

燃气轮机是消耗天然气的设备，天然气的消耗量一般由下式计算：

式中：P_g,t为燃气轮机的输出功率；β表示燃气轮机的发电效率；发电效率通常在30%到50%之间，本部分取40%；δ为天然气的最小燃烧热值，为33.50MJ/m3。

1.2.2 电池储能模型

在风-储-氢-燃机系统中加入电池储能可以提高供电的可靠性，降低系统中风能的弃用率。当风电功率大于上网负荷时，电池充电；反之，电池放电，电池充放电时存储能量的计算公式如下：

式中：E_bat,t为t时刻电池储能的电量；P_{bat_ch,t}和P_{bat_dh,t}为电池的充放电功率；nch和ndh为电池充放电效率，SOC_t为荷电状态，P_{bat_N}为电池储能容量。

1.2.3 氢储能模型

1）电解槽制氢一般通过将水电解为氢气和氧气实现能量的转换与共存，其模型如下：

式中：Wel,t为t时刻所制氢气的质量；nel为制氢效率，Pel,t为t时刻电解槽功率；Δt为时间间隔；Eideal为理想情况下的1kg氢气等效转换的电能，为39.2kWh/kg[20]。

传统的制氢系统难以应对风电的功率波动，导致电解槽功率出现大幅波动，影响制氢效率和产氢稳定性，本文在传统的制氢模型的基础上引入超级电容器，用于对电解槽功率进行指数平滑滤波，从而抑制风电波动。指数平滑滤波是一种常用的时间序列数据平滑方法，用于消除数据中的波动，以便更清晰地显示数据的趋势，指数平滑的公式如下：

超级电容器存储的功率可表示为：

式中：S_i,t为t时刻的第i次平滑结果，α_s表示平滑系数，用于控制新数据的权重，通常取值范围为[0,1]，本文取0.15。

2）燃料电池输出功率模型如下：

式中：W_fc,t为t时刻输入氢气的质量，n_fc为燃料电池转换效率。

3）储氢罐的数学模型如下：

式中：tank_sH,t为t时刻储氢罐储存的氢气质量；nH为储氢效率，LOH_t为t时刻的荷氢状态，tank_{sH_N}为储氢罐容量。

在系统运行过程中，氢储能系统在t时刻所能输出的最大功率受到两方面因素的限制，一是系统中各元件自身容量的限制，二是储氢罐剩余容量的限制。其中电解槽功率上限为：

式中：P_el,N为电解槽的容量；tank_{sH_max}与tank_{sH_mjn}分别为储氢罐的上限和下限。

1.2.4 掺氢燃机模型

掺氢燃机通过消耗混氢天然气进行能量转换，模型如下：

式中：P_s,t^GT为掺氢燃机在t时段的出力；η_s^GT为掺氢燃机的能源转换效率；V_s,t^GT为掺氢燃机在t时段所使用混合气体的体积；q_HHV^Mix为混合气体的体积高热值。

2.1 目标函数

经济性和环境绩效是衡量能源系统优化程度的两个重要指标。故本文在同时兼顾考虑经济性和环境效益等因素的情况下，以平准化度电成本(levelized cost of electricity，LCOE)最低为优化目标构建了目标函数，其表达式为：

式中：C_pa,i为年主设备投资置换费用，包括新型滤波电解槽、储氢罐、电池储能、燃料电池、燃气轮机等设备；C_om,i,t为年设备运行维护费用；C_wind,t、C_g,t分别为风电、气电购电成本；C_ct,t为燃机的碳排放成本；C_t^off为弃风的惩罚成本；R_h,t为售氢收益；ε为切换系数，场景3时ε取1，否则取0；Ws为系统年发电量。

式中：CRF为资金回收系数；k为实际年利率；L_sf,i为设备i的寿命(20年)；P_i^max为各类设备的装机容量；ci表示各类设备的单价；P_i,t为第i个设备的运行功率；c_oc,i^FIX和c_oc,i^VAR是固定和可变的维护成本。

式中：Tc为碳税基价；c_wind,t、c_g,t表示风电、气电考虑设备投资维护后的综合购电单价；c_w,t表示处理水单价，为3.32元/吨；P_Q,t^off为弃风功率；λ_sq为弃风的单位惩罚成本；λ_h为售氢价格，P_a,t为产氢量。

年碳排放（annual carbon emissions，ACE）是衡量能源系统环境绩效的重要指标之一，其表达式为：

式中：Q_gas,t为燃气轮机排放天然气的体积；φ₁表示燃烧1立方米天然气所排放的二氧化碳，本文φ₁取2.3kg/m³[15]；β为燃气轮机的发电效率；δ燃气轮机的二氧化碳排放因子（kg/kW·h）。

2.2 约束条件

容量配置优化模型考虑的约束条件包括电功率平衡约束、各装置容量约束、制氢储氢系统约束、储氢安全性约束、设备输出功率约束，具体如下：

① 电功率平衡约束：

式中：P_load,t为并网功率；P_ES,t为补偿功率，为储能系统需要吸收或释放的功率。

②各装置容量约束：

式中：C_fc,N，C_bat,N，C_s,N分别为燃料电池、电池储能、燃气轮机的最大容量。

③制氢储氢系统约束：

式中：load_h,t为恒定氢负荷（场景3）；tank_{sH_max}与tank_{sH_min}分别为储氢罐容量的最大值和最小值。

④储氢安全性约束：

式中：Q_tank,max代表以电解槽装机容量x₁满负荷制氢、此制氢流量连续存储时长为x₂的储氢容量。

⑤设备输出功率约束：

式中：P_s.max与P_s.min分别为燃气轮机的功率上限和下限；P_w.max与P_w.min分别为风电功率的最大值和最小值。

3.1 运行控制策略

风-储-氢-燃机的运行控制策略在电网中起着关键作用，它决定了各设备的出力顺序，直接影响电池储能和氢储能系统的工作情况，进而影响整个配置方案的优劣。为了能够更直观的展现风-储-氢-燃机系统运行策略流程，本文将系统划分成18种运行状态，并按照当上网负荷大于风电功率时的系统运行状态（对应工况①-⑦)、当上网负荷小于风电功率时的系统运行状态（对应工况⑧-⑱)将运行策略流程分成两部分。

数字①-⑦所表示的对应时间段内的工况，可描述为当上网负荷大于风电功率时，功率差额优先由电池储能供给，仍不满足功率差额时，再由燃料电池、掺氢燃机、燃机这三种不同场景能源设备供给。具体工况如下：

1)当上网负荷大于风电功率时，且电池储能能补足功率差额时，对应工况①；

2)当选择燃料电池优先弥补上网功率差额时（场景1）：当上网负荷大于风电功率时，且电池储能不能补足功率差额时，则需燃料电池填补上网功率差额，若仍不足，再由燃机供给差额功率，对应工况②-③；

3)当选择掺氢燃机优先弥补上网功率差额时（场景2）：当上网负荷大于风电功率时，且电池储能不能补足功率差额时，则需掺氢燃机填补上网功率差额，若仍不足，再由燃机供给差额功率，对应工况④-⑤；

4)当选择仅使用燃机弥补上网功率差额时（场景3）：当上网负荷大于风电功率时，且电池储能不能补足功率差额时，此时，功率差额全部由燃机供给，对应工况⑥-⑦。

数字⑧-⑱所表示的对应时间段内的工况，可描述为当上网电量小于风电功率时，多余电量优先由电池储能存储，其次由电解槽制氢储存在储氢罐中。具体工况如下：

5)当风电功率大于上网负荷时，且电池储能能够完全存储多余电量时，为工况⑧；

6)当风电功率大于上网负荷时，且电池储能不能完全存储多余电量时，多余功率由电解槽制氢，当此功率介于电解槽所需功率最小值与电解槽额定功率之间时，为工况⑨-⑫；当此功率大于电解槽额定功率时，为工况⑬-⑮；当此功率在0和电解槽所需功率最小值之间时，为工况⑯-⑱。

图2 风-储-氢-燃机运行控制策略图

3.2 模型求解方法

在风-储-氢-燃机系统中，以电解槽、储氢罐、电池储能的容量为优化变量，结合本文的运行控制策略，建立优化配置模型。因在传统的粒子群优化（PSO）算法中，惯性权重ω通常被设定为常数或线性变化的方式，经常容易使算法陷入局部最优解。故为了平衡PSO算法的全局和局部搜索能力，本文采用了改进粒子群算法（即采用非线性递减方法来调整惯性权重ω的值）。

具体而言，本文的方法是通过非线性递减方式调整惯性权重ω,使其在算法的不同迭代阶段具有不同的取值。在算法的前期，惯性权重较大，这样可以促使粒子进行全局快速搜索，以便尽快找到潜在的最优解。而在后期，惯性权重逐渐减小，这样粒子将更加专注于局部搜索，以寻找更精确的最优解。其表达式如下：

式中：δ₁为系数，取0.8；T_max为最大迭代次数；n为1~1.5的随机数。

这种调整方式充分利用了前期的探索和后期的精确搜索，有助于避免陷入局部最优解，并提高算法的收敛性和搜索效果。

本文采用改进粒子群算法求解优化变量的流程图如图3所示，步骤如下：

1）先设置基本参数，包括储能罐初始状态系数、设备基本参数等；

2）设定粒子迭代次数、种群大小，在边界范围内初始化粒子速度、位置；

3）将初始化粒子代入控制策略，输入不同地区的风电数据、负荷数据，求取系统各设备容量，根据式（12）和式（22）得出平准化度电成本和碳排放量；

4）对初始粒子求适应度值，并初次筛选局部最优解和全局最优解；

5）判断是否满足最大迭代次数，若满足，输出结果；否则，将更新后的粒子代入第3）步，迭代循环至最大迭代次数终止，得到最优容量配置。