本发明专利技术公开了一种直流能耗的优化方法、装置、设备和存储介质，所述方法包括：基于电解槽的温度、系统压力、电流密度和碱液浓度，以及所述电解槽的电极属性和隔膜属性，建立表征电解槽直流能耗的目标能耗模型；设置粒子群中各个粒子在不同工况条件下的初始位置和初始移动速度，并基于预设参数更新各个所述粒子的位置和移动速度；基于所述目标能耗模型，将更新后各个所述粒子的位置对应的电解槽直流能耗中的最小值作为目标直流能耗；在所述目标直流能耗满足预设条件的情况下，将所述目标直流能耗对应的粒子的位置确定为所述目标能耗模型的最优解集。本发明专利技术提供的技术方案，在一定程度上能够降低电解槽在电解水制氢过程中电解槽设备的运行成本。设备的运行成本。设备的运行成本。
【技术实现步骤摘要】
直流能耗的优化方法、装置、电子设备和存储介质
[0001]本专利技术涉及电解水制氢
，具体涉及一种直流能耗的优化方法、装置、电子设备和存储介质。
技术介绍
[0002]目前，具备商业化的电解水制氢技术主要有碱性电解水制氢技术和PEM电解水制氢技术。电解水制氢成本主要来源于制氢设备和运行成本等，而运行成本中直流能耗非常关键，是影响经济性的重要原因之一。现有技术中，电解槽运行大多都是依据厂商提供的数据或者额定状态进行运行，但在这种条件下电解槽的直流能耗并不是一定是最优的，从而增加了电解槽通过电解水制氢过程中电解槽设备的运行成本。
技术实现思路
[0003]有鉴于此，本专利技术实施方式提供了一种直流能耗的优化方法、装置、电子设备和存储介质，在一定程度上能够降低电解槽在电解水制氢过程中电解槽设备的运行成本。
[0004]本专利技术一方面提供了一种直流能耗的优化方法，所述方法包括：基于电解槽的温度、系统压力、电流密度和碱液浓度，以及所述电解槽的电极属性和隔膜属性，建立表征电解槽直流能耗的目标能耗模型；设置粒子群中各个粒子在不同工况条件下的初始位置和初始移动速度，并基于预设参数更新各个所述粒子的位置和移动速度；所述工况条件至少包括下列中的两个：温度、系统压力、电流密度和碱液浓度；所述预设参数包括：粒子群个数、迭代次数、惯性权重、学习因子和迭代步长范围；基于所述目标能耗模型，将更新后各个所述粒子的位置对应的电解槽直流能耗中的最小值作为目标直流能耗；在所述目标直流能耗满足预设条件的情况下，将所述目标直流能耗对应的粒子的位置确定为所述目标能耗模型的最优解集，并且将所述目标直流能耗作为所述目标能耗模型的最优解。
[0005]在一个实施方式中，基于电解槽的温度、系统压力、电流密度和碱液浓度，以及所述电解槽的电极属性和隔膜属性，建立表征电解槽直流能耗的目标能耗模型，包括：基于电解槽的温度、碱液浓度和系统压力，构建表征所述电解槽中可逆电压的第一数值模型；基于电解槽的温度、系统压力、电流密度，构建表征所述电解槽中电极极化过电位的第二数值模型；基于电解槽的温度、碱液浓度、电流密度、电极属性和隔膜属性，构建表征所述电解槽中欧姆过电位的第三数值模型；其中，所述电极属性包括：阴极厚度、阳极厚度、阴极面积、阳极面积；所述隔膜属性包括：隔膜厚度、隔膜曲折率、隔膜孔隙率、隔膜面积、第一距离和第二距离；所述第一距离表征阴极到所述隔膜的距离；所述第二距离表征阳极到所述隔膜的距离；基于所述第一数值模型、所述第二数值模型和所述第三数值模型，构建表征电解槽直流能耗的目标能耗模型。
[0006]在一个实施方式中，直流能耗的优化方法还包括：基于电解槽的温度、系统压力和电流密度，构建表征电解槽电解水过程中生成的氧气中氢气浓度的氧中氢浓度数值模型。
[0007]在一个实施方式中，在将所述目标直流能耗对应的粒子的位置确定为所述目标能
耗模型的最优解集，并且将所述目标直流能耗作为所述目标能耗模型的最优解的步骤之前，直流能耗的优化方法还包括：将所述更新后的工况条件的位置和预设工况条件，输入所述氧中氢浓度数值模型，得到所述更新后的各个工况条件的位置对应的氧中氢浓度；若所述氧中氢浓度小于预设阈值，将所述目标直流能耗对应的粒子的位置确定为所述目标能耗模型的最优解集，并且将所述目标直流能耗作为所述目标能耗模型的最优解。
[0008]在一个实施方式中，所述学习因子包括个体学习因子和群体学习因子，设置粒子群中各个粒子在不同工况条件下的初始位置和初始移动速度，并基于预设参数更新各个所述粒子的位置和移动速度，包括：设置粒子群中各个粒子在不同工况条件下的初始位置和初始移动速度；基于所述惯性权重、所述个体学习因子与所述群体学习因子，将所述粒子群中的各个粒子更新至目标位置。
[0009]在一个实施方式中，在基于所述惯性权重、所述个体学习因子与所述群体学习因子，将所述粒子群中的各个粒子更新至目标位置的步骤之前，直流能耗的优化方法还包括：设置用于表征惯性权重最大值的第一惯性权重，以及设置用于表征惯性权重最小值的第二惯性权重；基于所述第一惯性权重、所述第二惯性权重和所述迭代次数，以及当前迭代次数确定所述惯性权重。
[0010]在一个实施方式中，基于所述目标能耗模型，将更新后各个所述粒子的位置对应的电解槽直流能耗中的最小值作为目标直流能耗，包括：分别计算更新后各个所述粒子的位置对应的电解槽直流能耗；若更新后所述粒子的位置对应的电解槽直流能耗均小于所述粒子在更新之前的位置对应的电解槽直流能耗，将更新后所述粒子的位置对应的电解槽直流能耗作为所述粒子的个体直流能耗；若更新后各个所述粒子的位置的个体直流能耗中的最小值均小于各个所述粒子在更新之前的位置对应的电解槽直流能耗，将更新后各个所述粒子的位置的个体直流能耗中的最小值作为目标直流能耗。
[0011]在一个实施方式中，在所述目标直流能耗满足预设条件的情况下，将所述目标直流能耗对应的粒子的位置确定为所述目标能耗模型的最优解集，并且将所述目标直流能耗作为所述目标能耗模型的最优解，包括：在所述目标直流能耗和前一次迭代过程中的目标直流能耗之前的差异小于或等于预设差异的情况下，将所述目标直流能耗对应的粒子的位置确定为所述目标能耗模型的最优解集，并且将所述目标直流能耗作为所述目标能耗模型的最优解；或者，在所述目标直流能耗迭代更新的次数达到所述迭代次数的情况下，将所述目标直流能耗对应的粒子的位置确定为所述目标能耗模型的最优解集，并且将所述目标直流能耗作为所述目标能耗模型的最优解。
[0012]本专利技术另一方面还提供了一种直流能耗的优化装置，所述直流能耗的优化装置包括：目标能耗模型构建单元，用于基于电解槽的温度、系统压力、电流密度和碱液浓度，以及所述电解槽的电极属性和隔膜属性，建立表征电解槽直流能耗的目标能耗模型；粒子位置更新单元，用于设置粒子群中各个粒子在不同工况条件下的初始位置和初始移动速度，并基于预设参数更新各个所述粒子的位置和移动速度；所述工况条件至少包括下列中的两个：温度、系统压力、电流密度和碱液浓度；所述预设参数包括：粒子群个数、迭代次数、惯性权重、学习因子和迭代步长范围；目标直流能耗确定单元，用于基于所述目标能耗模型，将更新后各个所述粒子的位置对应的电解槽直流能耗中的最小值作为目标直流能耗；最优解确定单元，用于在所述目标直流能耗满足预设条件的情况下，将所述目标直流能耗对应的
粒子的位置确定为所述目标能耗模型的最优解集，并且将所述目标直流能耗作为所述目标能耗模型的最优解。
[0013]本专利技术另一方面还提供了一种电子设备，所述电子设备装置包括处理器和存储器，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时，实现上述的直流能耗的优化方法。
[0014]本专利技术另一方面还提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序被处理器执行时，实现上述的直流能耗的优化方法。
[0015]通过根据电解槽的温度、系统压力、电流密度、碱液浓度，以及电解槽本身本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种直流能耗的优化方法，其特征在于，所述方法包括：基于电解槽的温度、系统压力、电流密度和碱液浓度，以及所述电解槽的电极属性和隔膜属性，建立表征电解槽直流能耗的目标能耗模型；设置粒子群中各个粒子在不同工况条件下的初始位置和初始移动速度，并基于预设参数更新各个所述粒子的位置和移动速度；所述工况条件至少包括下列中的两个：温度、系统压力、电流密度和碱液浓度；所述预设参数包括：粒子群个数、迭代次数、惯性权重、学习因子和迭代步长范围；基于所述目标能耗模型，将更新后各个所述粒子的位置对应的电解槽直流能耗中的最小值作为目标直流能耗；在所述目标直流能耗满足预设条件的情况下，将所述目标直流能耗对应的粒子的位置确定为所述目标能耗模型的最优解集，并且将所述目标直流能耗作为所述目标能耗模型的最优解。2.根据权利要求1所述的方法，其特征在于，基于电解槽的温度、系统压力、电流密度和碱液浓度，以及所述电解槽的电极属性和隔膜属性，建立表征电解槽直流能耗的目标能耗模型，包括：基于电解槽的温度、碱液浓度和系统压力，构建表征所述电解槽中可逆电压的第一数值模型；基于电解槽的温度、系统压力、电流密度，构建表征所述电解槽中电极极化过电位的第二数值模型；基于电解槽的温度、碱液浓度、电流密度、电极属性和隔膜属性，构建表征所述电解槽中欧姆过电位的第三数值模型；其中，所述电极属性包括：阴极厚度、阳极厚度、阴极面积、阳极面积；所述隔膜属性包括：隔膜厚度、隔膜曲折率、隔膜孔隙率、隔膜面积、第一距离和第二距离；所述第一距离表征阴极到所述隔膜的距离；所述第二距离表征阳极到所述隔膜的距离；基于所述第一数值模型、所述第二数值模型和所述第三数值模型，构建表征电解槽直流能耗的目标能耗模型。3.根据权利要求2所述的方法，其特征在于，所述方法还包括：基于电解槽的温度、系统压力和电流密度，构建表征电解槽电解水过程中生成的氧气中氢气浓度的氧中氢浓度数值模型。4.根据权利要求3所述的方法，其特征在于，在将所述目标直流能耗对应的粒子的位置确定为所述目标能耗模型的最优解集，并且将所述目标直流能耗作为所述目标能耗模型的最优解的步骤之前，所述方法还包括：将所述更新后的工况条件的位置和预设工况条件，输入所述氧中氢浓度数值模型，得到所述更新后的各个工况条件的位置对应的氧中氢浓度；若所述氧中氢浓度小于预设阈值，将所述目标直流能耗对应的粒子的位置确定为所述目标能耗模型的最优解集，并且将所述目标直流能耗作为所述目标能耗模型的最优解。5.根据权利要求1所述的方法，其特征在于，所述学习因子包括个体学习因子和群体学习因子，设置粒子群中各个粒子在不同工况条件下的初始位置和初始移动速度，并基于预设参数更新各个所述粒子的位置和移动速度，包括：
设置粒子群中各个粒子在不同工况条件下的初始位置和初始移动速度；基于所述惯性权重、所述个体学习因子与所述群体学习因子，将所述粒子群中的各个粒子更新至目标位置。6.根据权利要求5所述的方法，其特征在于，在基于所述惯性权重、所述个体学习因子与所述群...
【专利技术属性】
技术研发人员：蒋伟伟，顾玲俐，高学强，赵雄，沈稼轩，刘毅，
申请(专利权)人：中国长江三峡集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。