【《基于氢能应用的综合能源系统优化设计》8500字（论文）】

基于氢能应用的综合能源系统优化设计目录TOC\o"1-3"\h\u11711基于氢能应用的综合能源系统优化设计 1100581.1基于氢能应用的新疆综合能源系统构建 120691.1.1目标函数构建 296301.1.2运行约束条件 5216821.2粒子群算法优化设计 666821.2.1粒子群算法概述 6217341.2.2改进粒子群算法 7150141.2.3改进粒子群算法流程 8249401.3基于氢能应用的新疆综合能源系统经济性分析 9219491.1.1家庭综合能源系统场景设置 9114741.1.2家庭综合能源系统相关参数设置 104271.1.3家庭综合能源系统典型日优化容量配置 11210611.4小结 16本文所构建的基于氢能应用的新疆综合能源系统，通过耦合不同类型的供能、储能与能量转换设备，从而消纳新疆富裕的化石能源与新能源，以实现用户侧的不同能源需求，并大幅度提高对新疆新能源的利用率。本章在第二章新疆新能源消纳系统结构框架下进行系统的构建，通过分析系统源-荷侧的能量流动关系，对系统进行条件约束，并实现对系统的容量优化配置。在保证新疆新能源消纳情况的同时对系统经济性进行分析，可以实现对新疆新能源消纳“小”的方面的应用。1.1基于氢能应用的新疆综合能源系统构建在构建的基于氢能应用的新疆综合能源系统框架下，通过系统中各种类型的能量供给与能量转换过程搭建出系统优化模型，并在此基础上通过参考各设备的参数、新疆当地的用户侧负荷数据、电价以及天然气购买费用等相关因素，以系统日经济成本最小、供能可靠性最高、新能源利用率最大等条件作为目标函数，通过在Matlab上使用改进的粒子群算法以寻得目标的最优化。基于氢能应用的新疆综合能源系统流程框架包含4个模块，其具体流程如下所示：图3-1基于氢能应用的新疆综合能源系统流程图1.1.1目标函数构建基于氢能应用的新疆综合能源系统优化模型选择系统的日经济成本最小、供能可靠性最高、新能源利用率最大三个条件为系统的目标函数，以此来确保系统的经济与可靠。（1）系统日经济成本系统的日经济成本与系统的建设成本、运维成本、燃料购入成本以及外部购能成本密切相关，其具体公式如下[52]：（3-1）其中，系统的建设成本与设备的容量密切相关：（3-2）式中：为综合能源系统的内部设备；为系统总的设备个数；为第件设备的容量；为第件设备的单位价格；为通货膨胀率，本文取5%；为系统第件设备的使用年限。运维成本计算公式如下：（3-3）式中：为综合能源系统第件设备的固定运维成本系数；为系统第件设备的可变运维成本系数；为系统第件设备在时刻的运行功率。燃料购入成本如下所示：（3-4）式中：为综合能源系统燃料成本系数，取；为系统每日CH4产量；为甲烷低热值，取。外部购能成本如下所示：（3-5）式中：、分别为综合能源系统外部购电、购气的成本；、分别表示第时刻系统对电能与天然气的需求量。（2）系统供能可靠性为保证综合能源系统日常运行，将系统供能可靠性作为目标函数之一。供能可靠性主要包含供电可靠性与供热可靠性两方面，而供热可靠性与供电可靠性又与系统供能充足率和供能可靠时间两部分密切相关。其中，供能充足率是指综合能源系统充足供应能量的时间占一天时间的百分比；供能可靠时间是指综合能源系统提供稳定能源供应时间占一天时间的百分比。供能可靠性、供电可靠性与供热可靠性具体公式如下：（3-6）式中：、、分别为系统供能可靠性系数、供电可靠性系数与供热可靠性系数；、分别为对应的供能系统可靠性权重，取值均为0.5。下面分别给出系统供电可靠性系数与供热可靠性系数的计算公式：供电可靠性系数：（3-7）式中：为供电充足率，为供电可靠时间。在综合能源系统中，当风光发电、燃料电池发电与热电联供系统电出力之和小于系统电负荷时，系统出现供电不足，此时，计算公式如下：（3-8）（3-9）供热可靠性系数：（3-10）式中：为供热充足率，为供热可靠时间。在综合能源系统中，当燃气锅炉与热电联供系统热出力之和小于系统热负荷时，系统出现供热不足，此时，计算公式如下：（3-11）（3-12）（3）系统新能源利用率为提高新能源消纳率，增加新能源供电比例，因此将系统新能源利用率作为系统的一个重要指标进行分析。与系统供能可靠性类似，系统新能源利用率主要包括新能源消纳率与新能源渗透率两方面。其中，新能源消纳率是指被电负荷或电解水制氢所消耗的电力占据新能源发电理论出力的百分比；新能源渗透率是指新能源的理论出力占系统总负荷的百分比。其具体公式如下所示：（3-13）式中：、、为系统新能源利用率、新能源消纳率与新能源渗透率；为新能源消纳率与新能源渗透率的三种不同计算情况；、分别为权重因子，取值均为0.5。根据新能源出力与系统负荷需求间的关系，将三种计算形式表示出来：1.在所构建的基于氢能应用的新疆综合能源系统中，当新能源出力大于系统总负荷时，因新能源未被系统完全消纳，新能源消纳率小于1，此时系统风光发电用于电解水制氢以避免能量浪费；因能源供给过剩，系统的负荷由新能源全额出力，系统新能源渗透率为1。具体计算公式如下：（3-14）（3-15）式中：为时刻综合能源系统的总负荷量，具体计算公式如下：（3-16）2.当新能源出力小于系统总的负荷需求但又大于电负荷与电解槽输入的功率之和时，因新能源未被系统完全消纳，新能源消纳率小于1；由于新能源供给能量低于系统负荷需求量，需要系统其余部分出力，此时新能源渗透率也小于1。具体公式如下：（3-17）（3-18）1.当系统新能源出力小于电负荷与电解槽功率之和时，新能源出力被全额消纳，新能源消纳率为1；由于系统负荷出力不完全由新能源系统出力提供，故新能源渗透率小于1。具体公式如下：（3-19）（3-20）1.1.2运行约束条件为保证基于氢能应用的新疆综合能源系统的稳定运行，系统需要满足各项约束条件，根据本文所构建系统的各设备组成结构，采用能量约束与设备稳定运行约束。（1）系统能量约束条件对于CHP系统来说，综合观察其能量流动平衡，总体可分为两种，一种为电能能量流动平衡，另一种为热能能量流动平衡。其能量流动平衡方程式为：（3-21）（2）设备运行约束设备运行约束主要为设备出力的上下限约束。在CHP系统中，需要进行约束的设备分别为热电联产机组、燃气锅炉、电解槽与甲烷化装置，具体约束条件如下所示：（3-22）式中：、分别为CHP系统最大电能输出功率与热能输出功率；为对应的锅炉最大输出功率；为对应的电解槽最大输出功率；为对应的甲烷化装置最大输出功率。1.2粒子群算法优化设计1.2.1粒子群算法概述随着科学技术的进步，许多工程问题愈加复杂，直接求解太过困难，此时可以选择采用智能算法对其进行求解。粒子群算法（ParticleSwarmOptimization，PSO）凭借其逻辑性强、操作简单、收敛性强等特点被广泛应用，是一种高效的搜索方法。PSO算法由Kennedy和Eberhart于1995年提出，其算法灵感来源于鸟群的觅食行为。在鸟群的觅食过程中，鸟群中每只鸟都相当于寻找食物的一条路径，鸟群之中信息共享，当发现食物时，每只鸟都会通过种群的最佳位置与个体的最佳位置不断修改前进路线，最终汇聚到食物附近。PSO算法借鉴其理念将其应用于维空间中，它将鸟群中的每只鸟都看作一个没有重量、没有体积的点，在维空间中其位置用表示，速度用表示。种群中每个粒子有其个体当前的最佳位置，此外，每个粒子也都清楚的知道群体的最佳位置，通过不断修改自身的位置，让自己不断向群体最佳位置靠近，最终得出系统的最优解。PSO算法作为一种迭代寻优的方法，在求解过程中每个粒子下个方位及速度都由其上个位置和速度以及当前粒子个体最佳位置与群体最佳位置决定。粒子的速度和位置更新公式如下：（3-23）式中：为种群粒子的个体学习因子，为种群粒子的社会学习因子；、为0～1之间的随机数；为粒子的惯性权重。在迭代过程中，影响粒子群算法性能的因素有很多，包括粒子群的规模、学习因子的选择、最大速度的限制以及惯性权重的设置。代表种群中个体经验与群体经验的、用于调节粒子的运动步长，而选取适当的、值能够提高算法的运行速度，加快求解过程。粒子最大速度的选择影响了算法对最优解的搜索，当选择较大的速度时，虽然有助于算法对种群的全局开发，但可能导致粒子在搜索过程中遗漏全局的最优解；当选择较小的速度时，将有利于提高算法对种群的局部搜索能力，但这却影响了算法的运行速度，使得其对种群的探索过于缓慢，且有较大可能陷入局部最优的陷阱中。惯性权重的设置是其中最为关键的因素，选择较大的值有利于提高算法的全局搜索能力，但却会造成局部搜索能力的减弱；较小的值则有利于加强算法的局部搜索能力，而全局搜索能力将会被减弱。为了平衡算法的全局搜索与局部搜索的能力，选择在不同的迭代过程中选用不同的惯性权重。在搜索初期选用较大的惯性权重，使得算法能够快速搜索整个种群，不容易进入局部寻优的陷阱中；在搜索后期选择较小的惯性权重，使得算法能够对种群局部进行细致搜索，能够较快的找到全局最优值[53]。1.2.2改进粒子群算法虽然PSO算法概念清晰、逻辑简单，但它全局搜索能力相对较差，容易陷入局部最优的困境，为了改善当前PSO算法所面对的诸多问题，选择通过改进PSO算法最为关键的几种因素来提高算法在迭代过程中的寻优问题[54]。（1）惯性权值变化惯性权重的选取是影响PSO算法迭代速度与全局寻优的最为关键的因素之一，为了使算法在前期能够快速搜索全局，在后期迅速找到局部最优解，本文提出了一种基于权重控制因子调节惯性权重的变化策略。该策略通过不断改变当前的惯性权重因子的大小以此来确保惯性权重在种群进化过程中始终处于满足寻优条件的最佳值，从而有效解决了前期算法难以开展与后期算法容易陷入最优解附近发生震荡的现象。一般而言，的取值选择在之间，大量数据表明，当的选择处于之间时，算法的全局搜索能力最高，当处于之间时，算法的局部寻优能力最好。构建出的惯性权重变化数学模型如下：(3-24)式中：为权重控制因子，取值为8，为算法当前所处的迭代次数，为算法设置的种群迭代总次数。当算法进行迭代计算时，惯性权值最高可达到0.95，最小可接近0.4，符合所知的数据范围。（2）最大速度选择PSO算法中对粒子的最大速度设置影响对全局最优与局部最优的选择。当选择较大或较小的速度进行寻优都会导致对种群探索的不充分，从而造成寻优解不满足最优解的结果。为了提高PSO算法的性能，本文提出了一种粒子速度随迭代次数衰减的控制策略，能有效防止粒子因速度过大而进入种群范围边界而进行的无效化寻优搜索，或因速度过小而式中处于局部寻优并无法进行全局寻优的境地。所构建的粒子速度衰减数学模型如下：(3-25)式中：、分别为种群中粒子的最大速度与最小速度。（3）粒子速度的选择PSO算法在迭代过程中的基本思想是在迭代过程中将群体中适应值最好的一部分粒子的速度与位置替换适应值最差的一部分的速度与位置，通过不断优化个体当前最优值，不断接近群体的最优值。但在迭代过程中，整个种群的多样性势必衰竭，可能会错失群体最优值，因此，对粒子的速度进行优化设计，通过提高种群的多样性优势来改善全局与局部的收敛性。速度优化数学模型如下：(3-26)式中：、为随机数。1.2.3改进粒子群算法流程改进粒子群算法的主要流程如下所示[55]：（1）初始化粒子种群及系统内各个参数，随机生成粒子的初始位置与初始速度，并求取每个粒子的适应度值。（2）初始化种群的个体最优值与群体最优值，通过不断迭代计算每个粒子的适应度值，并将各粒子的当前位置与适应度值储存于中，将群体中最优个体的位置与速度储存于中。（3）对算法中惯性权值、最大速度、粒子速度进行更新代替。（4）将当前粒子适应度值与种群全局当前最优值进行对比并进行替代，若当前最优值为种群最优值，则迭代接受；若不为种群最优值，则并不断重复步骤（2）、（3）的过程以实现对种群最优值的求解。1.3基于氢能应用的新疆综合能源系统经济性分析为了更为直观的观察所构建的基于氢能应用的新疆家庭综合能源系统的系统稳定性与经济性的优势，本文选取家庭作为能源消纳场所进行分析，同时对不同环境下的能源消纳情况进行分析比对，从而在多方面综合评价该系统。1.1.1家庭综合能源系统场景设置在基于氢能应用的新疆家庭综合能源系统中，新能源由于受环境因素影响较大，难以进行稳定的能源输出，再加上用户侧对于能源的需求呈现出的季节性变化，这些均会对系统的稳定性造成严重的影响。因此，考虑到氢储能在家庭综合能源系统中处于不同场景下的消纳能力对于经济性的影响是本文的研究重点。考虑不同环境下的场景设置如下：（1）Ⅰ类场景：在全年风光数据中，选择风速与光照强度的均值，其对应春、秋季节典型的日家庭负荷，此时用户侧对于电热负荷消纳能力处于正常运行状态。（2）Ⅱ类场景：在全年风光数据中，选择风速与光照强度最小值，其对应夏季典型日负荷值，此时用户侧对于电负荷消纳较大而热负荷消纳较小。（3）Ⅲ类场景：在全年风光数据中，选择风速与光照强度最大值，其对应冬季典型的日家庭负荷，此时用户侧电负荷出力较小而热负荷出力较大。考虑到上述三种不同场景下的负荷对于新能源的消纳能力，以不同情况下系统运行特性、供能可靠性以及新能源利用率为系统的约束条件，对系统进行容量优化配置，以确定基于氢能应用的新疆家庭综合能源系统的经济性与可靠性。（a）不同季节家庭综合能源电负荷（b）不同季节家庭综合能源热负荷图3-2不同季节家庭综合能源电/热负荷（a）Ⅰ类典型风光场景（b）Ⅱ类典型风光场景（c）Ⅲ类典型风光场景图3-3不同场景的日风光数据1.1.2家庭综合能源系统相关参数设置本文所构建的基于氢能应用的新疆家庭综合能源系统中的关键设备有风光发电机组、热电联供系统、燃气锅炉、电解槽、甲烷化装置以及储氢罐等部分组成。而为了探究系统的经济性，对系统的各设备参数的设置是必不可少的，参数主要包括系统设备单位投资成本、各设备的运行维护成本、各设备的使用年限。同时考虑在系统运行过程中，将会对外界排放不同种类的废弃物，对环境造成不同程度的污染，为计算简便，将其等效为经济方面的损失[56]，并入系统日经济成本内。系统各设备参数设置如下表3-1所示，：表3-1基于氢能应用的新疆家庭综合能源系统设备参数表设备单位投资成本固定运维成本可变运维成本设备使用年限风力发电机8580.5181.40.725光伏机组43552620.125热电联产系统6550131196.520燃气锅炉4912.5131196.525电解槽262066.8/20储氢罐60.9//20天然气储罐60.9//20甲烷化装置1146.365.5/201.1.3家庭综合能源系统典型日优化容量配置根据所选择的应用场景不同，在所提出的目标函数及运行约束条件的基础上，得出系统的容量优化配置的结果也不尽相同。同时由于系统氢气储存罐的容量单位与系统供能设备的单位不相同，为了便于计算，将储气罐的单位换算成以的单位。具体公式如下:（3-27）式中：、均为储氢罐最大储氢容量，单位分别为与；为氢气的低热值，取33。为了验证本文所构建的基于氢能应用的新疆家庭综合能源系统的经济性与可靠性，提出了两种关于系统容量配置的方法，分别通过系统单目标优化与多目标优化的设计方案，实现对系统经济成本最低的容量配置[57-58]。具体内容如下：方案1：以风速、光照强度与用户侧负荷数据为输入条件，以日系统经济成本最低为目标函数，对基于氢能应用的新疆家庭综合能源系统进行单目标优化。方案2：以风速、光照强度与用户侧负荷数据为输入条件，以日系统经济成本最低、供能可靠性最高、新能源利用率最大为目标函数，对基于氢能应用的新疆家庭综合能源系统进行多目标优化。此时，根据方案1、方案2得出不同的系统容量配置结果：表3-2不同设计方案容量优化配置结果设备方案风光发电热电联产甲烷化装置燃气锅炉电解槽储氢罐天然气储罐功率（容量）方案120.7611.805.261.3911.21212.90446.22方案222.6715.039.954.7516.14294.05546.76为对比上述容量优化配置方案的经济性，选择其在所构建的Ⅰ、Ⅱ、Ⅲ类不同场景下的经济性分析。表3-3不同设计方案在Ⅰ、Ⅱ、Ⅲ类场景下的目标函数对比场景设计方案系统日经济成本（元）供能可靠性新能源利用率Ⅰ137.8989.45%65.35%244.0995.56%77.78%Ⅱ148.1781.47%55.46%250.7191.74%72.53%Ⅲ139.6582.15%78.04%244.1991.92%85.36%通过对表3-3进行对比分析，可以看出，无论是处于哪种应用场景，方案2的系统日经济成本都要高于方案1的系统日经济成本。相比于场景Ⅱ对电负荷的高需求与场景Ⅲ对热负荷的高需求，由于场景Ⅰ受环境的影响造成对电负荷与热负荷的需求适中，因此只需要考虑场景Ⅱ与场景Ⅲ条件下系统的极端出力情况就可以满足对设备选择的较高要求。从结果上看，经济成本、供能可靠性与新能源利用率等因素受用户侧的要求影响，难以评价其优劣性，为进一步分析系统的运行特性与优化成果，选择2个方案在不同场景下进行优化。（a）方案1的电功率优化（b）方案2的电功率优化图3-4Ⅰ类场景下两种方案的电功率优化（a）方案1的热功率优化（b）方案2的热功率优化图3-5Ⅰ类场景下两种方案的热功率优化从图3-4与图3-5可以看出，在Ⅰ类场景下2种设计方案均可以满足用户侧对于电、热负荷的需求，其中由图3-4可以看出方案2对电力供应主要由新能源发电供应，热电联供系统在风光发电量匮乏的阶段时为系统的主要电力供应单元，当系统处于18时至次日的8时区域内，此时热电联供系统处于以电定热模式，用于补充新能源的出力。同时系统多余电力采用电解水制氢的方式进行消纳；当热电联供系统处于以热定电模式时，此时系统出力以热负荷为主，同时燃气锅炉进行补充发热，但可以看出的是当系统处于晚18时至24时的阶段，此时造成了大量的热能浪费。（a）方案1的电功率优化（b）方案2的电功率优化图3-6Ⅱ类场景下两种方案的电功率优化（a）方案1的热功率优化（b）方案2的热功率优化图3-7Ⅱ类场景下两种方案的热功率优化由图3-6、3-7可知，在夏季场景中，热负荷消纳少而电负荷消纳多，此时系统由新能源与热电联供系统共同对电负荷出力，考虑到当前场景受环境因素影响较大，新能源系统主要由光伏发电供给能量。同时因热负荷需求较少，热电联供系统此时多选用以电定热模式为用户侧供给电力，并且由于电量需求过高，此时亟需外界购能以满足负荷要求。且从图中可看出，相比于方案1对外界的大幅度购买电力，方案2更加注重能源的内部供给，减少对外界的依赖。（a）方案1的电功率优化（b）方案2的电功率优化图3-8Ⅲ类场景下两种方案的电功率优化（a）方案1的热功率优化（b）方案2的热功率优化图3-9Ⅲ类场景下两种方案的热功率优化在图3-8、3-9可以看出，在当前冬季场景下，新疆家庭综合能源系统负荷需求与夏季场景的负荷需求截然相反。当前新能源出力是系统电负荷的主要承担者，约输出系统当前电力需求的80%以上的电量。此时热电联供系统主要采用以热定电模式，对于一天内的大部分时间，该热电联供系统与燃气锅炉都能为其提供足够的热负荷，但考虑到负荷高峰期，此时仍需要向外界购买热能以满足系统需要。其中，方案2的供热不足最低，只占当日供热总负荷的1.96%，而方案1的供热不足却占当日的1.84%。结合Ⅰ、Ⅱ、Ⅲ场景中不同方案下系统的电热负荷供给量与能源损失量可知，热电联供系统可以联合新能源出力更好的满足负荷侧对电热的需求，同时系统中电解槽为新能源出力提供消纳途径，并且当系统电热负荷需求过高时，由燃料电池与甲烷化装置可为其提供电、热负