[引用]涂菁菁,赵鹏,邹伟东.基于PSO-KELM-GWO算法的氢-蓄混合储能系统容量优化配置研究[J].太阳能,2024,(12):49-56.
DOI: 10.19911/j.1003-0417.tyn20240524.03文章编号：1003-0417(2024)12-49-08
基于 PSO-KELM-GWO 算法的氢 - 蓄混合储能系统容量优化配置研究
涂菁菁 1*，赵 鹏 1 ，邹伟东 2
(1. 中国能源建设集团投资有限公司，北京 100022；2. 北京理工大学，北京 100081)
摘 要：针对风储联合项目成本过高、经济效益欠佳的问题，建立了风 - 氢 - 蓄混合系统容量优化配置模型，对该系统平抑风电机组输出功率波动、跟踪系统负荷需求的性能进行研究。研究结果表明：根据项目实际需求，建立氢 - 蓄混合储能系统以负荷缺电率和能量损失率为系统评价指标，考虑全生命周期成本，以粒子群优化核极限学习机算法预测风电机组输出功率为输入值，并提出改进的灰狼算法对目标函数进行求解，能够获得更优解。通过仿真分析，所提出的算法模型能够在混合储能技术利用、减少弃风、提高负荷供电质量等方面对新能源项目投资决策起到一定的参考作用。
关键词：氢储能系统；蓄电池；负荷缺电率；能量损失率；灰狼算法
中图分类号：TM614/TK91 文献标志码：A
为有效平抑新能源发电的波动性和不稳定性，近几年，混合储能系统的配套开发建设受到了广泛关注。储能技术的应用不仅能提高新能源发电的并网容量，还能提高响应电网调度的灵活性 [1-2]。然而，对于目前将蓄电池作为常用储能介质的风 - 储联合项目而言，过高的项目成本和持续不佳的经济效益是常态问题 [3]。
为实现优势互补，混合储能技术的搭配方式受到广泛讨论。比如：文献 [4] 提出了 1 种结合蓄电池和超级电容的混合储能系统；文献 [5] 针对独立微电网中的源 - 荷供需量不平衡问题，提出了 1 种功率型储能和能量型储能相结合的混合储能系统；文献 [6] 以微电网运行成本最小为目标函数，利用猫群算法对所提模型进行求解，确定出风电、光伏发电和蓄电池的最优容量配置方案。已有研究多采用常规的蓄电池作为储能介质，较少考虑新型储能介质 ( 比如：氢储能 )对风储联合项目降本增效的作用。
氢储能技术的应用，尤其是其与新能源发电的耦合应用，让不稳定的新能源电力输出转化为氢气，不仅可以实现电力存储与消纳，还能够在一定程度上解决因新能源发电波动性导致的“弃风”、“弃光”问题。此外，氢气的可运输性可使在地理上分布不均衡的新能源得以重新分配，实现不同能源间的协同优化，提升能源利用效率 [7-8]。
蓄电池储能技术具有安装灵活、响应快、充放电快的优势；氢储能技术具有存储时间长、能量密度高和无污染等优势 [9]。当短时间内需要大量电能时，蓄电池可快速释放存储的电能；而在长时间尺度上，氢储能可提供稳定且持久的电能供应。因此，在实际工程应用中，将蓄电池与氢储能 ( 下文简称为“氢 - 蓄混合储能”) 技术结合能够充分发挥各自优势，展现出显著的互补性。而且，与单独使用蓄电池或氢储能相比，氢 - 蓄混合储能不仅能更好地应对电能需求和负荷供应的变化，还可以优化能源配置，提高能源利用效率 [10]。随着技术发展，对氢 - 蓄混合储能技术进行研究具有一定的实际工程意义。
本文将燃料电池引入氢储能系统数学模型，并与蓄电池共同组成氢 - 蓄混合储能系统，以风电作为新能源电源，构成风 - 氢 - 蓄混合系统，其工作原理示意图如图 1 所示，以氢 - 蓄混合储能系统全生命周期内成本最优为目标，进行氢 -蓄混合储能系统容量优化配置研究。
首先，采用粒子群优化核极限学习机(particleswarm optimization-kernel extreme learningmachine，PSO-KELM) 算法进行风电机组输出功率预测，并优化实测数据，作为混合储能系统模型的输入。然后，采用灰狼优化 (grey wolfoptimization，GWO) 算法对目标函数进行求解，为提高 GWO 全局搜索能力，引入基于步长欧氏距离的比例权重，提出改进灰狼优化 (improvedgrey wolf optimization，IGWO) 算法；并以负荷缺电率和能量损失率作为风 - 氢 - 蓄混合系统运行可靠性评价指标，提出氢 - 蓄混合储能系统能量管理策略，建立综合考虑购置、运维和后期处置成本的氢 - 蓄混合储能系统全生命周期成本最后目标函数。最后，将本文提出 IGWO 算法与GWO 算法和遗传算法 (genetic algorithm，GA)进行比较，验证本研究所提出算法的有效性。
式中：RLPS 为负荷缺电率，是风电机组无法满足混合系统负荷需要而产生的功率缺失与混合系统负荷的比值；RLPP 为能量损失率，是风电机组输出功率满足混合系统负荷需求后并有剩余而产生的过剩输出功率与风电机组输出功率的比值；T 为采样周期；r 为周期 T 中的某个时间间隔；Pw(t) 为第 t 个时间间隔时风电机组输出功率；Pl(t) 为第 t 个时间间隔时混合系统负荷所需功率。
为了充分利用氢储能系统和蓄电池的互补优势，在氢 - 蓄混合储能系统中，考虑以下运行策略：当风电机组输出功率过剩时，氢储能系统通过电解槽将风电机组输出功率转化为氢气储存在储氢罐中；当风电机组输出功率不足时，燃料电池通过燃烧由储氢罐提供的氢气来发电，以满足负荷所需电能。氢 - 蓄混合储能系统运行策略如图 2 所示。图中：dP(t) 为在第 t 个时间间隔内风电机组输出功率 Pw(t) 和负荷所需功率 Pn(t) 的差值；Pch_max(t)、Pdh_max(t) 分别为第 t 个时间间隔内氢储能系统最大充电功率和最大放电功率；Pcb_max(t)、Pdb_max(t) 分别为第 t 个时间间隔内蓄电池最大充电功率和最大放电功率；ELPP、ELPS 分别为氢 - 蓄混合储能系统过剩功率和缺失功率；Pe_max(t) 为第 t 个时刻电解槽输出功率的最大值；Pf_max(t) 为第 t 个时刻燃料电池输出功率的最大值；①～⑥均为运行策略。
如图 2 所示，在该运行策略中：
1) 运行策略①表示风电机组输出功率在满足混合系统负荷后，将剩余的功率用于电解槽制氢，并将制得的氢存入储氢罐中，且储氢罐未装满。
2) 运行策略②表示风电机组满足混合系统负荷后有富余，先供给电解槽制氢，并将氢气输送至储氢罐；再为蓄电池充电，且未充满。
3) 运行策略③表示风电机组满足混合系统负荷后有富余，供给电解槽制氢，并将氢气输送至储氢罐，且使储氢罐内氢气容量达到上限；并对蓄电池充电也达到饱和状态，且此时仍有剩余功率。
4) 运行策略④表示风电机组输出功率不能够满足混合系统负荷需求，此时产生的缺额功率由燃料电池燃烧氢气发电供给至负荷。
5) 运行策略⑤表示当风电机组不能满足混合系统负荷时，燃料电池将可燃烧氢气全部用来发电至完全放电后为仍无法满足混合系统的负荷需求，则缺额部分由蓄电池供给。
6) 运行策略⑥表示当风电机组不能满足混合系统负荷时，待燃料电池和蓄电池完全输出功率后，仍不能满足风电机组系统已有负荷对功率的需求，则此时将产生混合系统缺失功率。
2 氢 - 蓄混合储能系统全生命周期费用
2.1 目标函数
本研究从项目实际情况出发，考虑项目全生命周期费用，通常以购置成本、运维成本和后期处置成本组成氢 - 蓄混合储能系统优化目标函数[12]。为便于后续研究，以不同类型成本系数方式计入总成本，总成本即是购置成本、运维成本和后期处置成本之和，同时也是燃料电池、电解槽、储氢罐和蓄电池的成本之和，因此，设计总成本最小化 Cmin 的计算式为：
算每个灰狼个体的函数值，并对得到的适应度进行排序。本文将目标函数作为适应度函数。
步骤 4)：更新灰狼位置，分别计算 ω 层狼对 α、β 和 δ 层狼的学习率。
步骤 5)：更新系数向量 A 和 C 的值，重新对参数 a 进行计算。
步骤 6)：判断迭代次数是否达到最大值。若是，则程序停止并输出此时对应的位置参数；若否，返回至步骤 3，重新进入下一轮搜索计算。
4 仿真实验
4.1 基础数据和参数设置
本文以某50MW风电场风速的实测数据和负荷曲线为例，单台风电机组的额定功率为2MW，采样时长为24h，采样间隔为15 min。首先，利用 PSO-KELM 算法进行风电机组输出功率预测，以历史数据对模型进行训练，以风速作为模型输入，风电机组输出功率作为输出，从而获得风电机组输出功率序列，后续作为混合储能系统容量配置模型的输入。目标函数值为全生命周期混合储能系统投资成本，以目标函数为适应度函数，风电机组输出功率和混合储能系统负荷的差值为不平衡功率。IGWO 算法参数选取为：种群数设定为30，最大迭代次数设定为 100，非线性控制参数的初始值和终值分别为 2 和 0。仿真实验中所选取的氢 - 蓄混合储能系统基本参数如表 1 所示。为了验证 PSO-KELM 算法的有效性，将其与支持向量机 (SVM) 算法和 KELM 算法对风电机组输出功率的预测值和其实测值进行对比，如图 3 所示。
4.2 储能系统容量配置结果分析
为了分析和比较不同组合方案对风电场投资建设经济性的影响，本研究设计了 3 种储能方案：方案 1 为风电机组与蓄电池组合方案，方案2 为风电机组与氢储能系统组合方案，方案 3 为风电机组、蓄电池和氢储能系统组合方案，配置结果如表 2 所示，其中，表中容量均为标幺值。
由表２可以看出：用方案2和方案3时负荷缺电率比方案1分别下降了约 14% 和 13%，说明氢储能和氢 - 蓄混合储能系统在降低负荷缺电率方面比单独使用蓄电池更有效。方案2负荷缺电率和能量损失率都相对更优，但投资成本较高。方案 3 的目标函数值最高，说明采用混合储能系统投资成本较采用单一介质高。但在模拟时间段内采用混合储能系统平均提高风电发电量约 26%，而单独采用氢储能系统可提高约 22%。
综合来看，合理的氢 - 蓄容量配置方案有助于降低系统负荷缺电率，而蓄电池作为传统储能介质，具有成本低的优势。不同组合方案下的储能系统充放电量与不平衡功率之间的变化曲线如图 4 所示。
由图4可知：氢 - 蓄混合储能、氢储能和蓄电池储能系统的充放电量均能够跟踪风电机组输出功率的不平衡变化，从而满足负荷变化需求。
4.3 不同算法对比分析
为了进一步验证有效性，针对方案3，将IGWO 算法结果分别与 GWO 算法、GA 算法进行比较。为了便于进行比较，设置相同的种群数
由图5和表3可知：相较于GWO算法和GA算法，IGWO算法的收敛速度更快，经IGWO算法优化，采用氢 - 蓄混合储能系统能够满足负荷要求并减少能量损失，从而得到相对更优的容量配置结果，使投资成本最低。
5 结论
本文通过对风 - 氢 - 蓄混合系统建立模型和仿真实验，以负荷缺电率和能量损失率为系统评价指标，验证了文中所提 IGWO 算法不仅能够充分发挥各项储能的技术优势，而且能够提高风电利用率和负荷供电质量。经仿真，通过与传统 GWO、GA 算法相比较，经 IGWO 算法计算能得到更优解。此外，以项目全生命周期费用为目标函数，更符合工程实际，对工程项目投资建设具有一定的指导意义。
[ 参考文献 ]
[1] YAN H G，ZHANG W D，KANG J D，et al. Thenecessity and feasibility of hydrogen storage for largescale，long-term energy storage in the new power systemin China[J]. Energies，2023，16(13)：4837.
[2] KOUSKSOU T，BRUEL P，JAMIL A，et al. Energystorage：applications and challenges[J]. Solar energymaterials and solar cells，2014，120：59-80.
[3]张盛，郑津洋，戴剑锋，等 . 可再生能源大规模制氢及储氢系统研究进展 [J]. 太阳能学报，2024，45(1)：457-465.
[4]刘刚，袁至，王维庆，等 . 基于混合储能的双馈风电机组的电网支撑能力提升策略 [J]. 可再生能源，2022，40(10)：1387-1395.
[5]马永翔，唐浦容，闫群民，等 . 基于 VMD-STFT 提升源-荷互动可靠性的混合储能优化配置[J]. 可再生能源，2023，41(12)：1626-1633.
[6]张宁 . 基于猫群算法的风光储微电网电源容量优化配置研究 [J]. 太阳能，2022(4)：69-75.
[7]李佳琪，徐潇源，严正 . 大规模新能源汽车接入背景下的电氢能源与交通系统耦合研究综述 [J]. 上海交通大学学报，2022，56(3)：253-266.
[8] BAKHTIARI H，ALI NAGHIZADEH R. Multi-criteriaoptimal sizing of hybrid renewable energy systemsincluding wind，photovoltaic，battery，and hydrogenstorage with ɛ-constraint method[J]. IET renewable powergeneration，2018，12(8)：883-892.
[9]赵一凡，程友良，张铁青，等 . 绿氢制储运用技术及配套基础设施建设综述与建议 [J]. 电工技术，2024(7)：22-29.
[10] 陈永权，方瑜 . 多组合虚拟电厂中氢储能低碳经济配置与优化 [J]. 电网与清洁能源，2024，40(3)：107-118.
[11] 马丙泰，刘海涛，张匡翼，等 . 基于学习因子异步变化CPSO 混合储能容量优化配置 [J]. 自动化与仪器仪表，2022(7)：125-130.
[12] 李争，罗晓瑞，徐若思，等 . 风光 - 氢储微电网系统多目标容量优化配置 [J]. 热能动力工程，2023，38(4)：131-138.
[13] 赵鹏，涂菁菁，杨锡运 . 基于 PSO-KELM 的风功率预测研究 [J]. 电测与仪表，2020，57(11)：24-29.
[14] MIRJALILI S，MIRJALILI S，LEWIS A. Grey wolf optimizer[J]. Adv eng softw，2014，69：46-61.
[15] 张晓凤，王秀英 . 灰狼优化算法研究综述 [J]. 计算机科学，2019，46(3)：30-38.
