[0001] 本发明属于联合发电控制领域，尤其涉及一种兆瓦级光‑储‑氢联合发电系统运行优化控制方法及系统。

[0002] 本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

[0003] 氢能作为清洁、高效的能源形式，以绿氢为核心，包含光伏发电、制氢、储氢、储能、氢燃料电池的“光‑储‑氢”联合发电系统，利用光伏发电、电网谷电制氢并储氢，结合储能电池，在电网用电高峰时，通过燃料电池及储能电池发电，能够保障电力充足，实现削峰填谷的同时降低系统运行成本，在实现高效能源转换和灵活调控方面优势显著。但随着氢发电所需功率的增加，单堆燃料电池受制造成本等因素的限制无法满足大功率如兆瓦级氢发电系统的需求，因此需要多个电堆按一定的拓扑方式组合成多堆燃料电池，这就对含多堆燃料电池的“光‑储‑氢”联合发电系统的运行优化管控提出了更高的要求。

[0004] 目前“光‑储‑氢”联合发电系统的运行优化控制方面还普遍存在以下的问题：

[0005] (1)对氢能发电的运行优化在车载环境应用较多，在固定式发电领域的研究较少，且往往只是针对单堆燃料电池，或对多个电堆采用简单的平均功率分配或逐级分配策略，没有考虑到各个电堆由退化引起的性能不一致，导致系统运行效率低、设备寿命降低快，尤其对于包含光伏、储能、储氢等环节的兆瓦级“光‑储‑氢”联合发电系统，系统多能耦合，电堆数量更多，传统的方法效果更差，且很少有考虑联合发电系统与电网调峰灵活适配问题。

[0006] (2)现有的有限时域优化的滚动优化方法，利用模型预测控制(MPC)通过在评估当前功率分配时并考虑将来的系统条件来提供次优解决方案，在对“光‑储‑氢”联合发电系统运行优化控制领域方面有了一些研究，但是基本都是针对单堆燃料电池，且都往往基于离线拟合的模型参数甚至出厂参数来进行滚动优化控制，没有考虑优化时由运行条件变化等因素引起的电堆性能出现的大幅度波动，导致MPC所使用的电堆模型参数发生变化，最终优化结果精度低且效果差。

[0035] 下面结合附图与实施例对本发明作进一步说明。

[0036] 应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

[0037] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

[0038] 实施例一

[0039] 如图1所示，本实施例提供了一种兆瓦级光‑储‑氢联合发电系统运行优化控制方法，其具体包括第一优化控制阶段和第二优化控制阶段。

[0040] 第一优化控制阶段为考虑系统削峰填谷及各电堆工作性能的日前经济优化调度阶段。在第一优化控制阶段中，以系统峰谷调节效果最优、系统运维成本最小、各电堆退化最少及各电堆最佳工作点追踪性能最优为目标，结合日前源荷预测结果及日前系统各设备性能参数，制定系统各设备日前调度计划。

[0041] 第二优化控制阶段为基于电堆模型参数在线更新的MPC日内滚动优化控制阶段。在第二优化控制阶段中，不断更新MPC所使用的各电堆模型参数，以实时跟踪各电堆性能漂移；基于MPC滚动优化框架，根据短期源荷预测来调整系统各设备输出功率来跟踪和修正日前调度计划；再以日内滚动优化控制的电网、各电堆、储能电池的出力计划与日前调度计划得出的设备出力计划间的偏差最小为目标，及以各电堆输出功率连续波动幅度最小并使各电堆输出功率跟踪更新后的各电堆最佳工作点作为优化目标进行滚动优化。

[0042] 兆瓦级“光‑储‑氢”联合发电系统结构图如图2所示，主要包括光伏发电系统、电网供能网络、质子交换膜电解槽(PEM)、储氢罐、兆瓦级多堆燃料电池发电系统、储能电池，终端用电单元。其中，兆瓦级多堆燃料电池发电系统采用并联式拓扑结构，由m个质子交换膜燃料电池电堆(PEMFC)组成，每个电堆通过一个单向DC/DC变换器连接于直流母线并通过DC/AC逆变器转换后为用户供电，各电堆输出可独立进行控制。

[0043] 通过绿电谷电制氢、氢储能、电储能和多堆燃料电池发电保障用户峰电时段高效供能，通过本发明提出的运行优化控制方法实现多个电堆以及储能电池间的协调灵活供能，降低系统能耗及运维成本，提高多堆发电系统的运行效率同时，最大程度减少电堆退化，并实现电网削峰填谷。

[0044] 电堆在运行过程中存在随时间逐渐发生的退化现象，同时还受到未纳入模型中的操作条件的影响。为了综合考虑这些影响，本实施例采用电堆模型参数在线更新模块不断根据实时电堆输出情况更新电堆模型参数，确保模型能够跟踪实际场景控制系统的真实状态，减少因工作条件变化或其他因素引起的电堆性能变化，以便进行各电堆间的功率优化分配。

[0045] 在本实施例中，电堆模型采用半经验稳态模型，基于该模型，可以通过以下等式来计算输出电压VFC(V)：

[0046] VFC＝N[VO‑blogJ‑RinternalJ+αJσln(1‑βJ)]    (1)

[0047] 其中，N为电堆中单电池数量，VO为电池可逆电势(V)，b是塔菲尔斜率(V)，J为实际2 ‑1
电流密度(cmA )，Rinternal为电堆内阻(Ω)，α为半经验参数，σ是与水淹有关的无量纲数(介于1到4之间)，β为极限电流密度的倒数。

[0048] 电堆的效率η通过下式计算：

[0049]

[0050] 其中，PFC是电堆输出功率(W)，LHV为低热值氢气(121，MJ kg‑1)，mH2是氢流量(kgs‑1)。

[0051] 每个电堆都有一个独立的在线模型来表征自己的运行性能，并通过在线参数更新模块实时更新各电堆模型参数。本实施例电堆模型参数在线更新模块采用自适应遗忘因子最小二乘法(ARLS)，自适应遗忘因子的引入使其能够在学习新数据的同时适度地遗忘旧数据，其能够根据系统的动态变化调整遗忘因子，在处理动态环境和实时数据时表现出色。

[0052] 电堆在线参数更新模块利用实际各电堆的输出电压、输出电流等输出情况，结合每个电堆的半经验模型，利用自适应遗忘因子最小二乘法(ARLS)更新模型参数，以实时跟踪电堆的真实运行状态。

[0053] 自适应遗忘因子最小二乘法(ARLS)框架如下：

[0054] y(t)＝wH(t)*u(t)+v(t)    (3)

[0055] w(t)＝w(t‑1)+k(t)*e(t)    (4)

[0056]

[0057] e(t)＝d(t)‑wH(n‑1)*u(t)    (6)

[0058] w(t)＝w(t‑1)+k(t)*e(t)    (7)

[0059]

[0060]

[0061] 其中，y(t)为估计输出，w(t)是要更新的参数向量，d(t)是测量输出，u(t)是包含模型参数变量的输入向量，v(t)是输出的不确定性，k(t)是卡尔曼增益，P(t)是协方差矩阵，e(t)是误差，λ(t)是方向遗忘因子(0＜λ≤1)，β(t)是用于抵消参数突然大幅变化影响的额外矩阵。

[0062] 通过下列对应关系将本实施例所需的电堆参数辨识集成到上述ARLS框架中：

[0063]

[0064] 其中，VFC‑extimated为电堆估计输出电压，VFC‑measured为采集的电堆实际输出电压。

[0065] 经在线参数辨识模块更新模型参数后，可以得到各电堆实际性能参数，包括效率曲线ηFCi＝f(PFCi)，并求得最大效率输出功率点PFCi‑ηmax，最大输出功率PFCi‑Pmax等，并确定各电堆最优输出功率工作点，供日内调度计划使用。

[0066] 由于电堆在低功率区间与高功率区间运行会有较高的退化(低功率区间0＜PFCi≤0.1PFCi‑Pmax，高功率区间0.9PFCi_Pmax≤PFCi≤PFCi_Pmax)；取最大效率大于PFCi_ηmax×90％的效率区间(即PFCi_0.9ηmax1≤PFCi≤PFCi_0.9ηmax2)，综合考虑选择各电堆的高效运行区间，保证电堆在安全、正常高效运行。

[0067] 在具体实施过程中，在第一优化控制阶段中的总目标函数由第一目标函数和第二目标函数构成；第一目标函数以系统峰谷调节效果最优为目标；第二目标函数以系统运维成本最小、各电堆退化最少及各电堆最佳工作点追踪性能最优为目标。

[0068] 例如，以系统削峰填谷效果最优为目标建立目标函数F1：

[0069]

[0070] 以系统经济性最优、电堆最优工作点跟踪性能最优、各电堆退化最小为目标，建立目标函数F2：

[0071]

[0072] 其中，第一优化控制阶段中的总目标函数为第一目标函数与其权重系数加权后再与第二目标函数累加得到。

[0073] Min F＝αF1+F2    (13)

[0074] 其中α为权重系数，α取值越大，电网峰谷差越小，削峰填谷效果越好；α越小，系统经济性、电堆最优工作点跟踪性能、各电堆退化指标越优。

[0075] 其中，日前优化调度周期本文取值为T1＝24h，日前优化时间尺度Δt1＝15min，即Nr＝4×24＝96。Pnet(t)、 分别为t时段系统向电网购电功率与调度周期内电网平均负荷；fdev、fwpv、fwpv、ftra、fdeg分别为系统各设备运维成本、弃光惩罚成本、电网交互成本、各电堆最优工作点跟踪性能指标、不同操作条件下的调度时间内各电堆退化成本。

[0076] (1)系统各设备运维成本fdev为：

[0077]

[0078] 其中，cPV、cPEM、cBA、cHT、cFC分别为光伏发电系统、PEM电解槽、储能电池、储氢罐、燃料电池的运维成本系数；PPV(t)、PPEM(t)、PED(t)、PHT(t)、PFCi(t)为光伏发电系统、PEM电解槽、储能电池、储氢罐、电堆i在t时段的功率(其中，储能电池PBA(t)＞0为放电状态，PBA(t)＜0为充电状态，PBA(t)＝0为静置状态；储氢罐PHT(t)＞0为充氢，PHT(t)＜0为放氢，PHT(t)＝0为静置状态)。

[0079] (2)弃光惩罚成本fwpv为：

[0080] fdev＝γ*ΔPPV(t)*Δt1    (15)

[0081] 其中，其中γ为弃光惩罚系数，ΔPPV(t)为弃光功率。

[0082] (3)考虑分时电价的电网交互成本fnet为：

[0083]

[0084] 其中，εe(t)为分时电价，Pnet(t)为电网购电功率。

[0085] (4)各电堆最优工作点跟踪性能指标ftra为：

[0086]

[0087] 其中，Ki为偏离最优工作点的惩罚系数(电堆退化程度越大，Ki值越大)，PFCi_opt为通过日前调度时刻电堆模型参数在线更新模块更新的电堆i模型计算的最优工作点，本发明取电堆i的最大效率输出点PFCi‑ηmax作为电堆i的最优工作点，即PFCi_opt＝PFCi‑ηmax。

[0088] (5)不同操作条件下的调度时间内各电堆退化成本fdeg为：

[0089]

[0090] ΔVFCi＝αon/offNcycie.i+αhighΔthigh,i+αlowΔtlow,i+αshiftNshift,i+αonΔtshift,i  (19)[0091] 其中，ΔVFCi为电堆i在调度周期内由退化引起的在输出额定电流时的电压下降，VFCi‑nom为电堆i未发生退化时的输出额定电流时电压降(VFCi‑nom*10％表示电堆i寿命中止时的额定电流下的电压下降)，CFCi为电堆i价格；αon/off、αhigh、αlow、αshift、αon分别为影响电堆退化的启停系数、高功率区间运行系数、低功率区间运行系数、输出功率快速波动系数(功率变化绝对值大于最大功率的10％)、自然衰减系数；Ncycle,i为电堆i调度周期内启停次数，Nshift，i为电堆i输出功率快速波动次数，Δthigh，i，Δtlow,i、Δtshift，i分别为调度周期内电堆i高功率区间运行时间、低功率区间运行时间、自然衰变下持续时间(运行时间)。

[0092] 在具体实施过程中，第一优化控制阶段还包括运行约束，所述运行约束包括：电功率平衡约束、氢能平衡约束、储能设备各个时刻的状态、储氢罐各个时刻的状态、各电堆高效正常工作区间约束以及电解槽、储氢罐、储能系统正常工作约束。

[0093] (1)电功率平衡约束：

[0094]

[0095] (2)氢能平衡约束：

[0096]

[0097] 其中，ηPEM为PEM电解槽效率，ηFCi为电堆i电效率。

[0098] (3)储能设备t时刻的状态SBA(t)为：

[0099]

[0100] 其中，θ为储能设备自放电系数， 为储能设备储电放电效率。

[0101] (4)储氢罐t时刻的状态SHT(t)为：

[0102]

[0103] 其中， 为储氢罐储氢放氢效率。

[0104] (5)各电堆高效正常工作区间约束：

[0105] 电堆关闭时，PFCi＝0。

[0106] 电堆启动时，即PFCi≠0时，

[0107] 0.1PFCi_Pmax≤PFCi(t)≤0.9PFCi_Pmax    (24)

[0108] PFCi_0.9ηmax1≤PFCi≤PFCi_0.9ηmax2    (25)

[0109] 式(24)为电堆i正常工作区间约束；式(25)为电堆i高效率区间约束。

[0110] (6)电解槽、储氢罐、储能系统正常工作约束：

[0111]

[0112] 其中，PPME_min、PPEM_max为PEM电解槽最小输入功率与最大输入功率；PBA_max为储能设备的充/放电功率的最大值；PHT_max为储氢罐的储/放氢功率的最大值；xBA_max为储能设备最大容量(储能设备的最优安全工作范围为xBA_max的40％和95％之间)；xBA_max为储氢罐最大容量。

[0113] 在系统的日内运行期间，由于光伏发电与负荷波动，导致日前计划实际运行时产生源荷不匹配问题，导致各电堆、储能设备输出波动较大，影响系统的稳定运行。并且，日内运行时可能因为运行条件的改变或突发状况的影响等其他因素导致电堆性能发生较大漂移，使得模型参数无法准确合适描述电堆实时的运行性能和最优工作点，导致优化效果差，甚至增大电堆的退化程度。

[0114] 本实施例利用第二优化控制阶段，也就是基于电堆模型在线更新的MPC日内滚动优化控制，抑制电网波动和储能波动，减少源荷预测误差对日前调度计划的影响，并实现各电堆的实时精准的最优功率输出控制，最大限度减少各电堆退化。

[0115] 在第二优化控制阶段中，采集各电堆实时输出电压、电流、功率数据，在电堆参数在线更新模块中根据式(1)‑(10)更新各电堆模型参数，并更新各电堆各项性能参数，如最大效率工作点PFCi‑ηmax、最大输出功率PFCi‑Pmax，以及各项运行约束(式(24)‑(25))。

[0116] 选择电网交互功率Pnet(t)、电解槽输入功率PPEM(k)、储能电池充放电功率PBA(t)、储能电池荷电状态SBA(t)、各电堆输出功率PFCi(t)为系统状态变量x(t)；选择电解槽输入功率的变化ΔPPEM(k)、储能电池充放电功率的变化ΔPBA(k)、各电堆输出功率的变化ΔPFCi(t)作为控制变量u(t)；选择短期预测的光伏功率波动ΔPPV(k)、电负荷波动ΔPL(k)作为扰动变量ω(t)；选择电网交互功率Pnet(t)、储能电池荷电状态SBA(t)、各电堆输出功率ΔPFCi(t)作为输出变量。第二优化控制阶段的系统的日内状态控制预测模型表示如下：

[0117] x(t+1)＝Ax(t)+Bu(t)+Cω(t)    (27)

[0118] y(t)＝Dx(t)    (28)

[0119] 其中，x(t)＝[Pnet(t)，PPEM(t)，PBA(t)，SBA(t)，PFC1(t)，…，PFCm(t)]T，[0120] u(t)＝[ΔPPEM(k)，ΔPBA(k)，ΔPFC1(k)，…，ΔPFCm(k)]T，

[0121] ω(t)＝[ΔPPV(k)，ΔPL(k)]T，

[0122] y(t)＝[Pnet(t)，SBA(t)，PFC1(t)，…，PFCm(t)]T。

[0123] t的时间分辨率为15min，k的时间分辨率为5min，则状态空间矩阵A，B，C，D可以表示如下：

[0124]

[0125]

[0126]

[0127]

[0128] 滚动时长为P＝2h，时间粒度为Δk＝5min，反复迭代式(27)、式(28)情况下得到系统的M步向前预测值(M＝24)。

[0129] 为了减少电网、储能电池及各电堆的功率波动，并且考虑到日内各电堆受运行条件或突发状况影响而导致其发生性能较大漂移，在模型参数在线更新模块更新各电堆模型参数的基础上，更新各电堆性能参数及约束，以日内滚动优化控制的电网、各电堆、储能电池的出力计划与日前调度计划得出的设备出力计划间的偏差最小为目标，并以各电堆输出功率连续波动幅度最小及使各电堆输出功率跟踪更新后的最佳工作点作为优化目标进行滚动优化。滚动优化控制的目标函数为：

[0130]

[0131] E(t+k)＝x(t+k)‑xref(t+k)

[0132] N(t+k)＝[PFC1(t+k)‑PFC1_opt_rt，…，PFCm(t+k)‑PFCm_opt_rt]T

[0133] O(t+k)＝[PFC1(t+k)‑PFC1(t+k‑1)，…，PFCm(t+k)‑PFCm(t+k‑1)]T

[0134] 其中，xref(t+k)为t+k时段与状态变量相对应的日前优化期望值，E(t+k)为t+k时段状态变量与日前期望值的偏差；

[0135] 此处的状态变量指的是公式(27)处中(包含电网交互功率、电解槽输入功率、充放电功率、储能电池荷电状态、各电堆输出功率)的系统状态变量，即x(t)＝[Pnet(t)，PPEM(t)，refPBA(t)，SBA(t)，PFC1(t)，…，PFCm(t)]T；其中：x (t+k)表示的是t+k时段日前调度计划得到的电网交互功率、电解槽输入功率、充放电功率、储能电池荷电状态、各电堆输出功率的日前出力计划值构成的向量；E(t+k)表示的是t+k时段日内滚动优化控制与日前调度计划中各设备出力的偏差。

[0136] PFCi_opt为模型参数在线更新模块更新的电堆i的实时最优输出功率工作点(此处以最大效率输出功率点作为最优工作点)，N(t+k)为t+k时段各电堆输出与实时最优工作点的偏差；O(t+k)为t+k时段与前一时段各电堆的输出功率连续波动情况。Q、R、F分别为误差调节矩阵、输入调节矩阵、终端误差权重矩阵，用于调节状态矩阵与输入矩阵中多个状态量与输入量对控制输出的影响程度；L、Z为电堆偏离最优工作点误差权重矩阵、电堆输出功率连续波动权重矩阵，电堆的退化程度越大，其对应的权重越大，从而使每个电堆的输出功率尽可能靠近各自经参数更新后的最优工作点，并尽量减少功率连续波动，从而提升效率，降低退化。

[0137] 满足约束(20)‑(26)来求解上述基于MPC的优化问题，其中，电堆的约束条件采用经模型参数在线更新模块更新后的参数(PFCi‑Pmax，PFCi‑ηmax，ηFCi＝f(PFCi)等)。

[0138] 通过求解上述基于MPC的优化问题，可以获得系统在接下来的M个步骤中的控制量，但是仅执行第一步的控制指令。滚动优化的时间窗口图如图3所示。在执行基于MPC的滚动优化控制策略时，系统的短期预测功率将被更新，并根据当前最新状态预测输出，起到反馈校正的作用，保证了优化控制策略的稳定性。

[0139] 实施例二

[0140] 本实施例提供了一种兆瓦级光‑储‑氢联合发电系统运行优化控制系统，其具体包括如下模块：

[0141] 第一优化控制模块，其用于以系统峰谷调节效果最优、系统运维成本最小、各电堆退化最少及各电堆最佳工作点追踪性能最优为目标，结合日前源荷预测结果及日前系统各设备性能参数，制定系统各设备日前调度计划；

[0142] 第二优化控制模块，其用于不断更新MPC所使用的各电堆模型参数，以实时跟踪各电堆性能漂移；基于MPC滚动优化框架，根据短期源荷预测来调整系统各设备输出功率来跟踪和修正日前调度计划；再以日内滚动优化控制的电网、各电堆、储能电池的出力计划与日前调度计划得出的设备出力计划间的偏差最小为目标，及以各电堆输出功率连续波动幅度最小并使各电堆输出功率跟踪更新后的各电堆最佳工作点作为优化目标进行滚动优化。

[0143] 此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同。

[0144] 实施例三

[0145] 本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的兆瓦级光‑储‑氢联合发电系统运行优化控制方法中的步骤。

[0146] 实施例四

[0147] 本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的兆瓦级光‑储‑氢联合发电系统运行优化控制方法中的步骤。

[0148] 本发明是参照本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0149] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。