[0001] 本发明属于电网运行与控制技术技术领域，尤其涉及一种概率优化的光储氢直流系统优化配置方法。

[0002] 分布式光伏发电不同于传统电源，其出力具有随机性和波动性，稳定性差，容易受季节、天气等多方面因素的影响，无法将其当作稳定电源来完全接纳。因此，配电网对分布式光伏的接纳能力，即分布式光伏极限并网容量需要进行准确评估和分析，这对促进分布式光伏安全、经济消纳具有十分重要的作用。

[0003] 传统的确定性分布光伏并网容量优化模型并未考虑分布式光伏出力的波动性，难以适用于分布式光伏并网容量评估。为此，随机规划模型、鲁棒规划模型、概率优化规划模型，分别被引入到分布式光伏并网容量评估。分布式光伏并网容量随机规模需要建立光伏出力的概率模型，这对于实际的光伏出力建模精度要求较高。而分布式光伏并网容量鲁棒规模则不需要建立精确的概率模型，而仅需要获取光伏出力的区间集合，但鲁棒规划结果较为保守，不利于最大化消纳分布式光伏。概率优化规划模型是指允许分布式光伏并网容量不满足配电网的某些不等式约束条件，但是必须使得满足配电网约束条件的概率不低于事先设定的置信水平。与大多数微电网容量规划问题类似，并网型光储微电网容量规划问题的难点在于其供给侧的光伏发电存在不确定性。求解这类带不确定性的决策问题，现有的研究大多采用随机优化方法，具体地，它们假设不确定的参数满足某种概率分布，如光伏发电量，再以微电网的投资成本和运行成本的期望值最小化为目标，求解对应的容量规划问题。

[0076] 为了能够更清楚地理解本发明的上述目的、特征和优点，下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

[0077] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

[0078] 下面参照图1和图2描述本发明一些实施例的技术方案。

[0079] 实施例1

[0080] 本发明提供了一个实施例，是概率优化的光储氢直流系统优化配置方法，如图1所示，图1是本发明方法流程示意图。

[0081] 本发明解决现有问题的关键在于本发明基于如下的假设条件：首先，现实中的光伏发电和储能电池充放电均为直流电，与外部电网的电力交换和微电网内的用电负荷一般为交流电，但由于不单独考虑逆变器等能量转换装置，故不再区分交、直流电，同时忽略交、直流电转换时的能量损失。第二，不单独考虑储能电池的重置成本，而是将其包含在运维成本中；微电网与外部电网的电力交换成本假定为每周期末结算一次；周期化成本所用到的贴现率假定在各周期之间保持不变。第三，以概率1不允许发生缺电，并假设外部电网能在任意时刻接受并消纳微电网上网的电能，此外，不考虑配售电公司对微电网从外部电网购电量及向外部电网售电量的“考核”；不考虑需求侧的需求响应；忽略储能电池每次放电对电池容量的损耗，但电池运行一定期限后由于容量衰减所需的重置成本仍需包含在运维成本中被考虑；忽略微电网与外部电网间进行电力传输时在线路上的功率损耗。

[0082] 本发明概率优化的光储氢直流系统优化配置方法，具体包括以下步骤：

[0083] S1.初始分配方案制定。

[0084] 根据单组光伏发电数据参数定制初始的电力分配方案，将光伏发电产生的电能分配给储存能源以及制氢能源。

[0085] S2.实时电力消耗检测。

[0086] 将可能出现的影响因素参数输入统计数据中，获取预测数据。

[0087] S3.数据处理

[0088] 用于对实时电力消耗进行数据的监测并上传至任何电站监视每日电量消耗的系统；

[0089] S4.电力负荷预测。

[0090] 根据上传的实时用电数据判断初始分配方案是否需要进行调整。

[0091] S5.模拟电力优化分配。

[0092] 当实时用电量大于初始分配的储存能源总量时，则通过存储的制氢能源转换为电能进行用电的供给。

[0093] S6.分配结果校对。

[0094] 根据能源转换过程中的损耗数值判断分配结果是否合理。

[0095] 其中，步骤S1中，初始分配方案中存储能源即用于市政供电，氢能源即将多余的电能通过电解槽进行氢能源的制取，之后集中存储在储氢罐中。

[0096] 其中，所述步骤S2中，数据处理，将可能出现的影响因素参数输入统计数据中，获取预测数据，包括：

[0097] s(is)为光伏出力的误差值；

[0098] ev(iev)为制氢负荷误差值；

[0099] a(i)为两者联合的概率性序列，计算公式为：

[0100]

[0101] 其中：s(is)为光伏出力预测误差的具体数值；ev(iev)为制氢负荷预测误差的相应数值；a(i)为经过特定运算处理后，光伏出力误差与制氢负荷误差相结合形成的整体概率性序列。

[0102] 在此基础上引入序列运算法，同时满足约束条件。

[0103]

[0104] 上式中：Pr为数学中概率probability；εs，εev分别为光伏出力和制氢单元制氢负荷预测所产生的误差系数；Pel(t)为储能单元在t时刻下电解槽的充电功率，充电功率即输入功率；Pe2(t)为储能单元在t时刻下的放电功率；Pev(t)为制氢单元的制氢功率；σ记为较小的常数；α为上式的置信水平；为PPg(t)为Pg为电网购电功率；Ps为光伏发电系统的额定输出功率定义为。其中，步骤S3中，对实时电力消耗的监测，即通过市政后台实时监控居民用电量，判断居民用电的高峰，从而根据高峰用电量进行优化分配方案的重新制定。

[0105] 如图2所示，图2是本发明中电力负荷预测流程示意图。所述步骤S4中，电力负荷预测的具体步骤如下：

[0106] S41.系统正常运行模式下，建立约束条件，约束条件如下：

[0107] |Pg(t)+Pe2(t)‑Pe1(t)+a‑1((1‑α)·N)≤σ

[0108] 上式中，Pe2(t)与Pe1(t)分别为储能系统在t时刻的放电与充电功率；σ为一较小的‑1常数；α为式成立的置信水平，a 为a的反序列；N为N组数据样本，a为光伏出力及充电负荷的联合概率性序列，当Pe2(t)＞Pe1(t)时，即光伏出力无法达到供电需求，即需要利用制氢能源获取电能；

[0109] S42.根据Pe2(t)－Pe1(t)，获取氢消耗数据，t时刻电解槽氢气产出量Eel(t)为：

[0110]

[0111] 上式中，Pel(t)为储能单元在t时刻下电解槽的充电功率，充电功率即为输入功率，单位为kW；ηel为电解制氢效率；σ为热值与电能的转换系数， 为氢的低位热值，单位为3
kJ/m；

[0112] S43.根据上述步骤计算的所需氢的数值，计算氢存储量是否达到临界，计算公式如下：t时刻储氢罐的储氢量Ehs(t)为：

[0113] Ehs(t)＝(1‑τ)Ehs(t‑1)+Eel(t)ξhel‑Efc(t)/ξhfc‑Ehfev(t)/ξhhfev[0114] 式中：τ为损失系数；ξhel为电解槽产氢的输入转换系数；Efc(t)为t时刻储氢系统为3
燃料电池提供的氢气量，m ；ξhfc为供给燃料电池的输出转换系数Ehfev(t)为t时刻用电消耗
3
加氢需求，m；ξhhfev为供给用电消耗的输出转换系数。

[0115] S44.根据步骤S2中，将概率优化进行确定性的等价变换，得到式子如下：

[0116] |Pg(t)+Pe2(t)‑Pe1(t)+a‑1((1‑α)·N)≤σ

[0117] 上式中，Pe2(t)为储能系统在t时刻的放电功率；Pe1(t)储能系统在t时刻的充电功率。

[0118] σ为一较小的常数；α为式成立的置信水平，a‑1为a的反序列，a为光伏出力及充电负荷的联合概率性序列，将s(is)以及ev(iev)带入步骤S2中的概率性序列计算公式中，根据概率预测结果判断是否进行方案的分配确认；N为N组数据样本。

[0119] S45.若预测光伏发电持续发电量足够供电，则确认分配方案，若预测光伏发电持续发电量不足够供电则发出警报，由工作人员制定应对措施。

[0120] 其中，步骤S5具体为：根据步骤S4制定的优化后的分配方案，通过历史用电数据模拟检测优化后的分配方案是否能够符合用电供给，若足够完成供电，则确认该方案，重新进行能源的分配，若不足以完成供电，则重新制定分配方案，通过对优化后的分配方案进行模拟化，能够避免因为直接使用方案后出现分配不合理而无法修改的情况，有效的避免了因为分配不合理导致的供电出错。

[0121] 其中，步骤S5中，模拟分配方案供电过程中，实时预测太阳辐照度、周边温度数据以及历史居民用电趋势均为影响预测结果的重要参数。通过将分配方案可能出现的影响因素考虑进去，能够避免模拟分配的方案与实际环境不相符导致预测结果出现严重的误差，导致分配方案无法更好的完成能源分配，例如，在模拟分配方案时，若是临近夜晚，则需要考虑此时光伏出力的减少，此时，即需要对应的增加氢转换电能的占比，若是临近晌午，则需要相对应的减少氢转换电能的占比，如此使得分配方案更加合理，预测的结果也更为精准。

[0122] 其中，步骤S2中，储氢罐的氢存储量进行临界值的设定，临界值用于判断储氢罐是否蓄满，若储氢罐内含量过多时，则说明太阳电池的存储能源消耗过低，存在用电异常。通过对储氢罐内设置存储含量的临界值，根据储氢罐内氢存储量过多或者过少，判断存储能源的电量供给消耗增大或者减少，进一步判断分配方案是否出现异常。

[0123] 在上述光储氢直流系统优化配置过程中，本发明基于分布鲁棒优化方法，实现对于光储氢直流系统中制氢负荷量的预测，通过对结果的预测、实际影响因素的预测以及不确定因素的考量，能够极大的减少预测结果的误差，从而使得优化后的配置方案更为准确。

[0124] 其中，制氢负荷误差值受电解槽运行功率及爬坡约束，如下式：

[0125] 即

[0126]

[0127] 上式中， 为电解制氢系统最大制氢功率，计量单位为kW；Ief(t)为避免在t时刻电解槽与燃料电池同时运行的0/1变量； 分别为电解槽上、下坡最大速率，计量单位为kW/h；Δt为时间间隔，计量单位为h。

[0128] 储氢罐运行时储氢量及储放速率约束，如下式：

[0129]

[0130]3

[0131] 上式中， 分别为储氢罐储氢量最小值和最大值，计量单位为m ；3
分别为储氢罐储放最大速率和储氢罐储放最小速率，计量单位为m/h；Ehs(t)为t时刻储氢罐的储氢量；Ehs(t‑1)为(t‑1)时刻的储氢量。

[0132] 在上述技术方案中，因其不包含优化变量的概率优化，把上述优化作为模型1，光伏出力与制氢负荷的误差系数为两种独立的随机变量，两者分别有不同的概率分布，序列即按相同步长进行排列的1组离散数值，概率性序列如下式所述：

[0133]

[0134] a(i)≥0

[0135] 上式中：a为一个概率性序列；a(i)为在当序列在离散点i取值时的概率分布，当i大于N或小于0时，a(i)的值为0；

[0136] 光伏出力及制氢负荷的概率密度分布：

[0137] 在基础上考虑随机性后引入在概率优化下的功率平衡约束，公式如下：

[0138]

[0139] 其中：εs，εev分别为光伏出力和制氢负荷预测所产生的误差系数；Pe2(t)与Pe1(t)分别为储能系统在t时刻的放电与充电功率；σ为一较小的常数；α为式成立的置信水平；Pg为向电网购电的功率；Pg为电网购电功率；Ps为光伏发电系统的额定输出功率，Pev(t)为制氢单元的制氢功率。

[0140] 将概率优化进行确定性的等价变换，得到式子如下：

[0141] |Pg(t)+Pe2(t)‑Pe1(t)+a‑1((1‑α)·N)≤σ

[0142] 上式中，Pe2(t)与Pe1(t)分别为储能系统在t时刻的放电与充电功率，σ为一较小的‑1常数，α为式成立的置信水平，a 为a的反序列，a为光伏出力及充电负荷的联合概率性序列；

[0143] 采用MATLAB对建设和运行成本最低为目标的光储氢直流微电网优化规划模型进行建模的和求解，约束步骤如下：

[0144] (1)模型求解过程中迭代生成决策随机变量Ppv，即光伏出力额定功率,调用生成联合概率分布的函数；

[0145] (2)根据光伏出力及制氢需要的负荷误差概率分布采用抽样模拟法各生成N个样本值，N为抽样模拟的次数，本发明中取3000；

[0146] (3)对生成的预测值抽样样本根据大小进行排列,并采用球型插值法对概率分布进行离散化处理，以Ts为采样步长对2组数据分别进行采样,本发明采样步长为0.001；

[0147] (4)对采样得到的离散化数据进行卷积运算，得到联合概率分布；

[0148] (5)返回联合概率分布中概率为1‑α所对应的功率数值。把增加概率优化下的基于ADMM优化算法设为模型2；

[0149] 模型功率平衡预测中，σ取1，α取0.95。通过仿真分析对比传统模型与本发明的概率预测下的模型验证其提出基于概率预测下模型的有效性。

[0150] 模型1.忽略光伏出力及制氢负荷的预测误差，模型采用确定等式功率平衡约束条件，并且为了应对不确定性因素，充电负荷量为预测值的1.1倍。

[0151] 模型2.考虑光伏出力及制氢负荷的预测误差,模型采用本发明所提的基于概率预测下的优化配置方法，在采用序列运算理论对功率平衡约束进行确定性等价变换过程中,生成随机变量样本值为100个；在对概率分布进行离散化处理时，采样周期设置为1。

[0152] 实施例2

[0153] 本发明又提供了一个实施例，是概率优化的光储氢直流系统优化配置装置，包括：

[0154] 制定模块，用于根据单组光伏发电数据参数制定初始电力分配方案，将光伏发电产生的电能分配给储存能源和制氢能源。

[0155] 数据处理模块，用于将可能出现的影响因素参数输入统计数据中，进行数据处理，获取预测数据；

[0156] 监测模块，用于对实时电力消耗进行数据的监测并上传至任何电站监视每日电量消耗的系统；

[0157] 预测模块，用于电力负荷预测，根据上传的实时用电数据判断初始分配方案是否需要进行调整；

[0158] 优化分配模块，用于模拟电力优化分配，当实时用电量大于初始分配的储存能源总量时，通过存储的制氢能源转换为电能，进行用电的供给；

[0159] 判断模块，用于根据能源转换过程中的损耗数值，判断分配结果是否合理。

[0160] 所述概率优化的光储氢直流系统优化配置装置，用于实现如实施例1所述的任概率优化的光储氢直流系统优化配置方法的步骤。

[0161] 实施例3

[0162] 基于同一发明构思，本发明实施例还提供了一种计算机设备，包括存储介质、处理器及存储在存储介质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计算机程序时实现实施例1所述的概率优化的光储氢直流系统优化配置方法的步骤。

[0163] 实施例4

[0164] 基于同一发明构思，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现实施例1所述的概率优化的光储氢直流系统优化配置方法的步骤。

[0165] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。

[0166] 本发明是参照根据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。

[0167] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。

[0168] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。

[0169] 最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。