适用于固体氧化物燃料电池微电网的能量管理方法技术

本发明专利技术公开了一种适用于固体氧化物燃料电池微电网的能量管理方法，属于燃料电池新能源领域。本发明专利技术包括：建立考虑微电网的经济性和SOFC的耐久性两个优化指标的微电网能量管理最优控制问题，将该能量管理最优控制问题的求解拆分为以天为周期的日前规划和以分钟为单位的实时调度两个时间尺度进行解决：日前规划阶段，基于长短期记忆神经网络预测的日前净功率数据，采用深度确定性策略梯度强化学习算法对未来24小时SOFC发电功率进行日前规划，以为实时调度提供最优初始值，降低实时优化的计算需求；实时调度阶段，采用广义模型预测控制算法进行实时调度，以消除日前规划阶段的预测误差，实时的平衡功率需求。实时的平衡功率需求。实时的平衡功率需求。

【技术实现步骤摘要】
适用于固体氧化物燃料电池微电网的能量管理方法


[0001]本专利技术属于燃料电池新能源
，具体涉及一种适用于基于固体氧化物燃料电池的微电网(Micro
‑
Grid)的能量管理方法。

技术介绍

[0002]微电网是指由分布式电源、储能装置、能量转换装置、负荷、监控和保护装置等组成的小型发配电系统。为了克服可再生能源(如：光伏、风机)发电受天气影响而产生的间歇性与随机性，通常将储能设备(如：锂电池、电解槽)、辅助发电系统(如：固体氧化物燃料电池)与可再生能源相结合，构成微电网系统，以满足时变的负载需求。在满足负载需求的情况下，由于多个能源设备间的耦合与相互作用，存在多种功率分配方案，而不同的功率分配方案的运行成本、效率等运行指标不同。为此，需要能量管理策略适当协调各能源设备间的功率分配比例，以实现运行成本、效率等目标的最优。
[0003]现阶段，微电网的能量管理策略主要分为基于规则的、基于优化的和基于学习的三类能量管理策略。基于规则的能量管理策略依赖于专家经验设计的功率分配规则表，难以在不同负载需求的场景实现上述目标的最优；基于优化的能量管理策略需要尽可能精确的微电网动态模型，随着微电网设备的增加，建模难度与计算负担都将增加，难以在满足复杂的运行约束下，实时的获取最优上述目标的对应的功率分配；基于学习的能量管理策略依靠实际的运行数据，修正自身算法参数与决策过程以实现上述目标的最优。对于存在复杂非线性的固体氧化物燃料电池的微电网，尽管上述的能量管理策略均能提供满足负载需求的功率分配，但难以在可再生能源发电的间歇性与随机性影响下，实时的获取具有最优运行成本和效率的功率分配。

技术实现思路

[0004]本专利技术的目的在于：针对上述存在的问题，提供一种适用于基于固体氧化物燃料电池微电网的能量管理方法，以实时的获取具有最优运行成本和效率的功率分配。
[0005]为实现上述专利技术目的，本专利技术提供的适用于基于固体氧化物燃料电池微电网的多时间尺度能量管理方法包含日前规划和实时调度两阶段：日前规划阶段，基于日前预测的净功率数据进行日前的功率规划，并将得到的未来24小时的最佳功率参考点作为实时功率分配的参考值，以降低实时优化的计算需求；实时调度阶段，消除预测误差影响，保障微电网的功率分配平衡。
[0006]本专利技术提供的适用于固体氧化物燃料电池微电网的能量管理方法包括下列步骤：
[0007]步骤1：建立微电网能量管理最优控制优化目标函数(即最优控制问题)，该优化目标函数的优化指标包括：经济性指标和耐久性指标；
[0008]其中，优化目标函数的约束条件为：光伏电池的光伏功率P
pv
、风力涡轮发电机的风机功率P
wt
、固体氧化物燃料电池SOFC系统的净功率P
fc
、锂电池功率P
bat
和制氢设备功率P
el
之和与负载功率需求P
load
相平衡；
[0009]进一步的，微电网为具有光伏电池、小型风力涡轮发电机、固体氧化物燃料电池、锂电池和电解槽的隔离式直流微电网系统；
[0010]步骤2：将建立的优化目标函数的求解拆分为以天为周期的日前规划和以分钟为单位的实时调度两个时间尺度；
[0011]步骤3：对优化目标函数的日前规划时间尺度，采用长短期记忆神经网络对可再生能源的日前发电功率P
PV
、P
wt
和负载功率需求P
load
进行日前功率预测；
[0012]步骤4：对优化目标函数的日前规划时间尺度，基于负载功率需求P
load
的日前预测功率，利用深度确定性策略梯度强化学习算法对未来24小时SOFC系统的净功率P
fc
进行日前预测，得到净功率P
fc
的日前预测结果；
[0013]步骤5：对优化目标函数的实时调度时间尺度，通过广义模型预测控制算法对净功率P
fc
的日前预测结果进行实时调度，消除每个日前调度时刻的预测结果中的误差，以平衡实时的负载功率需求。
[0014]进一步的，微电网能量管理最优控制优化目标函数具体设置为：
[0015][0016]s.t.y＝P
pv
+P
wt
+P
fc
+P
bat
+P
el
＝P
load
[0017]其中，u为最优控制策略集的第一个控制动作，t0为初始时间，t为当前时间；T
EV
＝N
×
Δt为整个调度周期，Δt为采样间隔，N为调度周期包含的采样点数；a1，a2分别为J
econ
(t)和J
life
(t)的预置权重系数，且a1与a2的和为1，通过调整权重系数的比例，可以调整经济性指标和耐久性指标的优先级，P
pv
光伏功率，P
wt
为风机功率，P
fc
为SOFC系统的净功率，P
bat
为锂电池功率，P
el
为制氢设备功率，P
load
为负载的功率需求。
[0018]为了微电网操作的安全性，考虑如下限制条件：
[0019](1)功率范围限制：|P
bat
|≤N
bat
P
r,bat
、0≤P
fc
≤N
fc
P
r,fc
、
‑
N
el
P
r,el
≤P
el
≤0；
[0020](2)功率变化限制：|ΔP
bat
|≤0.5N
bat
P
r,bat
、|ΔP
fc
|≤0.25N
fc
P
r,fc
、|ΔP
el
|≤0.5N
el
P
r,el
；
[0021](3)存储容量限制：0.2≤SoC≤0.8、0.05≤LoH≤0.95。
[0022]其中，N
i
和P
r,i
分别为第i个对象的设备数和额定输出功率，i∈{pv,wt,fc,bat,el,tank}，pv,wt,fc,bat,el,tank分别为光伏、风机、燃料电池、锂电池、电解槽和储氢罐，SoC为电池荷电状态，LoH为氢气水平。
[0023]进一步的，经济性指标J
econ
(t)和耐久性指标J
life
(t)具体为：
[0024]J
life
＝C
inv,fc
(N
fc
)V
d
；
[0025]其中，t表示时刻，LHV
H2
为氢本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.适用于固体氧化物燃料电池微电网的能量管理方法，其特征在于，包括以下步骤：步骤1：建立微电网能量管理最优控制优化目标函数，该优化目标函数的优化指标包括：经济性指标和耐久性指标；其中，优化目标函数的约束条件为：光伏电池的光伏功率P
pv
、风力涡轮发电机的风机功率P
wt
、固体氧化物燃料电池SOFC系统的净功率P
fc
、锂电池功率P
bat
和制氢设备功率P
el
之和与负载功率需求P
load
相平衡；步骤2：将建立的优化目标函数的求解拆分为以天为周期的日前规划和以分钟为单位的实时调度两个时间尺度；步骤3：对优化目标函数的日前规划时间尺度，采用长短期记忆神经网络对可再生能源的日前发电功率P
PV
、P
wt
和负载功率需求P
load
进行日前功率预测；步骤4：对优化目标函数的日前规划时间尺度，基于负载功率需求P
load
的日前预测功率，利用深度确定性策略梯度强化学习算法对未来24小时SOFC系统的净功率P
fc
进行日前预测，得到净功率P
fc
的日前预测结果；步骤5：对优化目标函数的实时调度时间尺度，通过广义模型预测控制算法对净功率P
fc
的日前预测结果进行实时调度，消除每个日前调度时刻的预测结果中的误差。2.如权利要求1所述的方法，其特征在于，步骤1中，微电网能量管理最优控制优化目标函数具体设置为：s.t.y＝P
pv
+P
wt
+P
fc
+P
bat
+P
el
＝P
load
其中，u为最优控制策略集的第一个控制动作，t0为初始时间，t为当前时间，T
EV
＝N
×
Δt为调度周期，Δt为采样间隔，N为调度周期包含的采样点数，J
econ
(t)为经济性指标，J
life
(t)为耐久性指标，a1，a2分别为J
econ
(t)和J
life
(t)的预置权重系数，且a1与a2的和为1，y为优化目标函数的约束条件；且对应的功率和存储容量的限制条件设置为：(1)功率范围限制：|P
bat
|≤N
bat
P
r,bat
、0≤P
fc
≤N
fc
P
r,fc
、
‑
N
el
P
r,el
≤P
el
≤0；(2)功率变化限制：|ΔP
bat
|≤0.5N
bat
P
r,bat
、|ΔP
fc
|≤0.25N
fc
P
r,fc
、|ΔP
el
|≤0.5N
el
P
r,el
；(3)存储容量限制：0.2≤SoC≤0.8、0.05≤LoH≤0.95；其中，N
i
和P
r,i
分别为第i个对象的设备数和额定输出功率，i∈{pv,wt,fc,bat,el,tank}，pv,wt,fc,bat,el,tank分别为光伏、风机、燃料电池、锂电池、电解槽和储氢罐，SoC为电池荷电状态，LoH为氢气水平。3.如权利要求2所述的方法，其特征在于，经济性指标J
econ
(t)和耐久性指标J
life
(t)具体为：其中，LHV
H2
为氢气的低热值，η
fc
(
·
)为SOFC效率函数，V
d
为SOFC电压退化率。4.如权利要求2所述的方法，其特征在于，步骤2具体为：
(2
‑
1)以天为周期的日前规划：周期为24小时，间隔为1小时，将优化目标函数中的对应参数设置为：T
EV
＝24，Δt＝1，N＝24；(2
‑
2)分钟为单位的实时调度：周期为1小时，间隔为5分钟，并将优化目标函数中的对应参数设置为：T
EV
＝60，Δt＝5，N＝12。5.如权利要求2所述的方法，其特征在于，步骤3中，对可再生能源的日前发电功率P
PV
、P
wt
和负载功率需求P
load
预测具体为：其中，f(
·
)为LSTM神经网模型的输出，为未来一天24小时的负载功率，x
d
＝{x
d,0
,x
d,1
,..，,x
d,23
}为第d天的预测输入，x
d,t
为第d天的第t个...

【专利技术属性】
技术研发人员：吴小娟，罗浩文，凌兴鹏，张卫东，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：