年珩,陳磊磊,趙建勇,馬潤生,趙文強,王克榮

(1.浙江大學 電氣工程學院,杭州 310027; 2.國網(wǎng)青海省電力公司電力科學研究院,西寧 810003)

0 引 言

風力發(fā)電、光伏發(fā)電以天氣為主導,不確定性強,部分地區(qū)存在棄風、棄光現(xiàn)象,造成電能資源浪費。氫能具備無污染特性,相較于傳統(tǒng)化石能源對環(huán)境更加友好。風光制氫系統(tǒng)利用風能、太陽能發(fā)出的多余電量制氫,即可實現(xiàn)氫能的綠色制取,也可實現(xiàn)電能的充分利用,是風光消納、綠色制氫的主要手段之一。風光制氫系統(tǒng)中電解水技術包括堿性電解槽、質子交換膜電解槽和固體氧化物電解槽制氫[1],其中堿性電解槽是當前唯一滿足大規(guī)模制氫的電解水制氫設備[2]。

能量管理是制氫系統(tǒng)中重要的環(huán)節(jié)之一,目前針對風光制氫系統(tǒng)能量管理的研究有一些研究成果,文獻[3-7]針對不同決策因素提出了多種能量管理策略,優(yōu)化制氫系統(tǒng)功率分配。文獻[8-9]針對不同運行模式提出能量管理策略,實現(xiàn)各單元之間的功率協(xié)調優(yōu)化。文獻[10]針對低碳化需求問題,該文提出基于模型預測控制(Model Predictive Control,MPC)的離網(wǎng)電氫耦合系統(tǒng)功率調控方法。針對包含堿性電解槽的系統(tǒng)能量管理研究也有一些研究成果,文獻[11-14]針對電解槽特性提出了優(yōu)化模型,可有效提高系統(tǒng)產(chǎn)氫量。文獻[15]提出堿性電解槽陣列輪值協(xié)調控制策略,可有效提升電解槽陣列壽命和運行安全性并降低投資。文獻[16-17]研究混合儲能供電系統(tǒng)對電解槽運行的影響。

目前針對包含堿性電解槽的系統(tǒng)能量管理研究不包含冷、熱備用狀態(tài)識別,在實際生產(chǎn)、使用過程中通常采用熱備用,長時間熱備用會造成制氫系統(tǒng)內電能浪費,影響系統(tǒng)產(chǎn)氫量和經(jīng)濟效益。文中提出一種基于堿性電解槽狀態(tài)識別的風光制氫系統(tǒng)能量管理優(yōu)化策略,進行電解槽備用狀態(tài)的精準判斷。首先風光制氫系統(tǒng)各模塊建模,其次確定系統(tǒng)目標、約束條件、智能算法,之后確定系統(tǒng)能量管理策略,最后通過算例驗證方法的有效性。

1 風光制氫系統(tǒng)

1.1 系統(tǒng)組成

風光制氫系統(tǒng)結構包括風力發(fā)電模塊、光伏發(fā)電模塊、儲能電池模塊、堿性電解槽模塊,其中電解槽模塊包括多組設備,如圖1所示。

圖1 風光制氫系統(tǒng)結構示意

風力、光伏發(fā)電模塊為系統(tǒng)發(fā)電單元,儲能電池模塊具備儲存、釋放電量功能,堿性電解槽模塊為用電單元。風光制氫系統(tǒng)采用孤島運行模式,能量管理以儲能電池、堿性電解槽為對象,涉及制氫量最大、發(fā)電消納率最高等目標,解決電解槽常熱備用資源浪費問題。

1.2 光伏發(fā)電模塊

光伏發(fā)電將太陽能轉化為電能為系統(tǒng)供電,模塊計算公式如下[18]:

(1)

Pph=UI

(2)

式中Um、IM分別為當取得最大功率時對應的電壓和電流;IS為二極管飽和電流;Voc為端電壓;Pph為光伏出力,單位為kW。

1.3 風力發(fā)電模塊

風力發(fā)電將風能轉化為電能為系統(tǒng)供電,模塊計算公式如下[19]:

(3)

(4)

式中θ為槳矩角;λ為葉尖速比;Pwi為風電出力,單位為kW;ρ為所處環(huán)境的空氣密度;R為風葉的半徑;v為輸入地的實際風速。

1.4 儲能電池模塊

儲能電池具備充、放電能力,系統(tǒng)能量管理以儲能電池充放電功率為對象。電池充放電狀態(tài)受荷電狀態(tài)(State of Charge,SOC)影響,過充、過放均影響儲能電池使用壽命。文中取過充狀態(tài)為荷電大于80%,過放狀態(tài)為荷電低于20%,將過充、過放作為系統(tǒng)優(yōu)化目標之一,荷電狀態(tài)計算公式如下[20]:

(5)

式中Pba為充放電功率;Cba表示儲能電池容量;Vba為充放電電壓。

1.5 堿性電解槽模塊

堿性電解槽運行狀態(tài)可分為工作狀態(tài)、備用狀態(tài),其中備用狀態(tài)包括冷備用狀態(tài)、熱備用狀態(tài)[11]。系統(tǒng)能量管理以堿性電解槽制氫功率為對象,涉及電解槽工作狀態(tài)識別問題。電解槽制氫量為風光制氫系統(tǒng)重要影響因子,影響系統(tǒng)經(jīng)濟性、能量利用率。電解槽制氫功率存在安全下限,通常為額定功率的10%[21],10%～100%額定功率與制氫量的關系如下[22]:

Vhp=-11.24Php2+232.7Php+8.89

(6)

式中Vhp為制氫量,單位為Nm3;Php為制氫裝置運行功率,單位為MW。

當電解槽低于功率下限時,電解槽不制氫處于備用狀態(tài)。冷備用狀態(tài)消耗較低功率,維持控制單元、防凍系統(tǒng)部件用電,需要大約20 min轉換為工作狀態(tài)[23]。熱備用狀態(tài)消耗較高功率,不僅需要維持控制單元、防凍系統(tǒng)部件用電,還需維持槽溫和壓力,但幾乎可以直接轉換至工作狀態(tài),轉換時間可忽略不計。

2 能量管理模型

2.1 目標函數(shù)

風光制氫系統(tǒng)中提高風光發(fā)電消納、售氫收益均是系統(tǒng)重要目標,提高風光發(fā)電消納是研究風光制氫主要原因之一,提高售氫收益有利于避免資源浪費,提高系統(tǒng)經(jīng)濟收益。

(1)風光消納率

風光消納率是系統(tǒng)消耗風力發(fā)電、光伏發(fā)電功率占總發(fā)電功率的比例,計算公式如下:

(7)

式中C為風光消納率,單位為%;Pba為蓄電池充放電功率,正值充電負值放電,單位為kW;Pwi為風電出力,單位為kW;Ppv為光伏出力,單位為kW。

(2)售氫收益比

售氫收益是制氫系統(tǒng)售氫量乘以售氫價格,售氫收益比為系統(tǒng)收益占最大收益比例,計算公式如下:

(8)

式中E為售氫收益比,單位為%;Ch為售氫單價,單位為元/Nm3。

2.2 約束條件

(1)系統(tǒng)功率平衡約束

系統(tǒng)功率依據(jù)實際運行,堿性電解槽功率、儲能電池充放電功率總和不超過風力發(fā)電、光伏發(fā)電總和,即[24]:

(9)

(2)光伏發(fā)電約束

光伏發(fā)電模塊依據(jù)系統(tǒng)配置存在出力上限,即:

(10)

式中P為光伏最大出力,單位為kW。

(3)風力發(fā)電約束

風力發(fā)電模塊依據(jù)系統(tǒng)配置存在出力上限,即:

(11)

(4)儲能電池功率約束

儲能電池依據(jù)系統(tǒng)配置充放電均存在功率上下限,即:

(12)

(5)堿性電解槽功率約束

堿性電解槽依據(jù)運行特性存在安全功率限制,即[25]:

(13)

式中P為電解槽最大出力,單位為kW。

2.3 SPEA2+GA算法

風光制氫系統(tǒng)能量管理采用強度帕雷托進化算法2(Improving the Strength Pareto Evolutionary Algorithm,SPEA2)與遺傳算法(Genetic Algorithm,GA)結合求解最優(yōu)功率分配。SPEA2算法可以同時計算多個決策變量、目標變量,為多目標優(yōu)化算法。風光制氫系統(tǒng)中孤島模式下通常包含風光消納率、經(jīng)濟收益等多個目標,包含蓄電池功率、多組電解槽功率多個決策變量,系統(tǒng)可利用SPEA2算法結合模塊模型、目標函數(shù)求解系統(tǒng)各模塊功率分配最優(yōu)值。算法步驟包括[26]:(1)程序初始化。確定最大迭代次數(shù)M、種群個數(shù)、檔案大小,定義初始種群P0,外部檔案A0;(2)適應度計算。依據(jù)風光消納率、系統(tǒng)收益比,計算種群Pm對應目標,計算出每組解的適應度;(3)適應度排序。依據(jù)適應度從小到大對解集Am進行排序,若Am的長度超過檔案大小,則利用近鄰估算密度刪減相近的值;(4)更新種群。對外部檔案Am采用二元錦標賽方法選擇個體進入種群,對更新后的種群進行交叉、變異。若迭代次數(shù)達到最大迭代次數(shù)跳出循環(huán);(5)尋找最優(yōu)解。依據(jù)風光制氫系統(tǒng)期望在最優(yōu)解集中選出最優(yōu)解。

GA算法是一種通過模擬自然進化過程搜索最優(yōu)解的方法,已被人們廣泛使用。風光制氫系統(tǒng)可利用GA算法,基于堿性電解槽制氫曲線實現(xiàn)總功率的最優(yōu)分配,達到制氫量最大目標。具體內容如下[27-33]:(1)算法初始化。確定最大進化迭代次數(shù)G,計算染色體長度,隨機生成染色體R0;(2)適應度計算。依據(jù)目標計算Rt中染色體適應度,依據(jù)計算結果從小到大排序;(3)選擇運算。將選擇算子作用于染色體,根據(jù)適應度選擇一些優(yōu)良基因遺傳到下一代群體;(4)交叉運算。將交叉算子作用于染色體,對選中的成對染色體以某一概率交換它們之間的部分基因,產(chǎn)生新的染色體;(5)變異運算。將變異算子作用于染色體,對選中的個體以某一概率改變某一個或一些基因值;(6)循環(huán)操作。染色體Rt經(jīng)過選擇、交叉和變異運算之后得到下一代群體Rt+1,若達到最大迭代次數(shù)則跳出循環(huán),取最大適應度的染色體作為最優(yōu)解輸出。

SPEA2+GA算法流程框圖如圖2所示。

圖2 SPEA2+GA算法流程框圖

3 能量管理策略

風電制氫系統(tǒng)中光伏發(fā)電、風力發(fā)電、儲能電池模塊、堿性電解槽均服從能量管理調度,系統(tǒng)能量管理結構如圖3所示。除儲能電池外,其余模塊功率均為單向流動。

圖3 風電制氫系統(tǒng)能量管理結構

堿性電解槽冷、熱備用狀態(tài)需要依據(jù)系統(tǒng)目標函數(shù)、約束條件、天氣數(shù)據(jù)、荷電狀態(tài)、制氫公式作為輸入量,采用GA、SPEA2算法計算確定。能量管理框圖如圖4所示。

圖4 風光制氫系統(tǒng)能量管理框圖

堿性電解槽冷、熱備用狀態(tài)確定具體流程如圖5所示,在建立模塊模型、約束條件、管理目標基礎上,首先采用SPEA2算法求解T2時刻多臺電解槽總功率,依據(jù)售氫收益比最高目標采用GA算法分配功率至單臺電解槽,以GA算法分配結果為參考再次采用SPEA2算法計算T1時刻各模塊功率。若電解槽連續(xù)處于備用狀態(tài),則T1時刻為冷備用狀態(tài),否則T1時刻為熱備用狀態(tài)或工作狀態(tài)。

圖5 風光制氫系統(tǒng)能量管理流程圖

4 算例分析

風光制氫系統(tǒng)包括風力發(fā)電模塊1組,額定功率25 MW;光伏發(fā)電模塊1組,額定功率10 MW;儲能電池模塊1組,初始SOC為20%;堿性電解槽模塊4組,額定功率為2.5 MW,安全功率范圍10%～100%。GA算法迭代次數(shù)為200,種群數(shù)量為200。SPEA2算法迭代次數(shù)為400,種群數(shù)量為200,檔案數(shù)量為200。風電、光伏模塊輸入量以某地區(qū)典型天氣數(shù)據(jù)為例,白天光照充足、晚上風力充足。

依據(jù)圖6所示,光伏出力在白天9點～17點,風電出力在晚上21點～24點,呈風光互補特性。光伏出力較風電出力發(fā)電時間長,穩(wěn)定性相對較好。

圖6 光伏、風電出力

堿性電解槽制氫功率曲線與制氫量曲線圖形一致,其中常熱備用策略與冷熱狀態(tài)識別策略的制氫功率分配曲線存在交叉,主要是因為系統(tǒng)為孤島狀態(tài)受儲能電池影響功率分配不同,如圖7所示。系統(tǒng)制氫曲線與系統(tǒng)光伏、風電出力曲線圖形大致相同,在無出力時候以儲能電池滿足電解槽待機功率。制氫裝置最大功率為10 MW,每小時可制取氫氣最大2 103 Nm3。

圖7 系統(tǒng)制氫功率、制氫量曲線

儲能電池為堿性電解槽待機狀態(tài)主要供電電源,常熱備用策略比冷熱狀態(tài)識別策略在待機時段的輸出功率更高,如圖8所示。冷熱狀態(tài)識別策略的SOC曲線相較于常熱備用策略更加平穩(wěn),主要是因為支撐冷備用狀態(tài)消耗的功率更小。

圖8 系統(tǒng)儲能電池充放電功率、SOC曲線

冷熱狀態(tài)識別策略的1號～4號電解槽功率均相近,與常熱備用策略相比功率分配相差較大,如圖9、圖10所示,主要是因為風光制氫系統(tǒng)為孤島狀態(tài),系統(tǒng)總功率一定,0～8時刻功率分配不同會造成曲線整體存在較大差異。其中0～8時刻在電解槽備用時段,冷熱狀態(tài)識別策略的備用功率更低,采用的是冷備用狀態(tài)。

圖9 1號、2號電解槽制氫功率

圖10 3號、4號電解槽制氫功率

風光制氫系統(tǒng)采用常熱備用狀態(tài)、冷熱狀態(tài)識別策略新能源消納率均接近100%,在23時系統(tǒng)因為孤島模式,發(fā)電功率超過儲能電池及堿性電解槽額定容量和,系統(tǒng)無法消納全部電能,如圖11所示。冷熱狀態(tài)識別策略較常熱備用狀態(tài)系統(tǒng)售氫效益提升16.55%,主要是將連續(xù)熱備用狀態(tài)維持改為冷備用狀態(tài),節(jié)約電能用于制氫,冷熱狀態(tài)識別策略效果更優(yōu),系統(tǒng)功率分配更合理,如圖12、表1所示。其中圖12某些時刻售氫收益常熱備用策略比冷熱識別策略更高,如13時刻,是因為冷熱識別策略在此時刻將一部分電能充入儲能電池,充入電池電能會在下一時刻釋放出來,而常熱備用策略將13時刻所有電能均制氫從而導致制氫收益不同。然而系統(tǒng)電能充入儲能電池或制氫均滿足能量管理要求,所以從單一時刻并不能反映能量管理成效,從24小時累積售氫效益可有效反映冷熱識別策略的優(yōu)勢。

表1 24小時售氫收益統(tǒng)計

圖11 系統(tǒng)風光消納率曲線

圖12 系統(tǒng)售氫收益比曲線

5 結束語

針對包含風力發(fā)電模塊、光伏發(fā)電模塊、儲能電池模塊、堿性電解槽模塊的風光制氫系統(tǒng),堿性電解槽在備用狀態(tài)僅采用熱備用狀態(tài),需要儲能電池提供較高維持功率。在系統(tǒng)總發(fā)電量體一致、儲能電池初始電量一致的情況下,系統(tǒng)消耗更多電能用于維持電解槽熱備用狀態(tài),造成電能浪費,影響制氫產(chǎn)量,影響經(jīng)濟效益。同時儲能電池維持熱備用狀態(tài)較冷備用狀態(tài)功率大,儲能充放電功率波動更大影響電池使用壽命。文中提出的基于電解槽狀態(tài)識別的風光制氫系統(tǒng)能量管理優(yōu)化策略,能夠指導電解槽進行冷、熱備用狀態(tài)切換,準確判斷冷備用狀態(tài)運行,減少電解槽維持功率,提升系統(tǒng)經(jīng)濟效益。通過搭建風光制氫仿真算例,以風光消納率、售氫效益比為目標,采用SPEA2+GA算法求解驗證,算例結果顯示冷熱狀態(tài)識別策略效果更優(yōu)。文中優(yōu)化方法同樣適用于聯(lián)網(wǎng)模式,之后也將進一步開展電解槽策略狀態(tài)識別理論及復雜系統(tǒng)等方面研究,以擴展電解槽狀態(tài)識別策略的研究成果。