《Renewable Energy》：Design optimization method for electricity-hydrogen energy storage system under uncertainties
编辑推荐：
本研究提出一种考虑风光互补特性的两阶段协同优化方法，用于不确定性条件下的混合可再生能源-氢电池混合电力系统设计。首先通过Vine-Copula模型刻画风-光联合不确定性，构建包含光伏、风电、负荷及储能设备的系统模型。第二阶段采用模糊妥协规划实现经济性（总成本5.38×10^6$）与韧性（停电损失最小化）的协同优化，验证表明电池-氢能混合储能比单一系统更具成本效益，并建立储能容量与调度策略的动态关联模型。
孙帅|黄克雷|童张发|江英华
广西大学化学与化学工程学院，广西石化资源加工与工艺强化技术重点实验室，南宁530004，中国
摘要
本文提出了一种在不确定性条件下，针对混合电力系统与氢能储能系统的协同设计优化方法。首先，开发了一种新的建模方法，用于描述太阳能和风能不确定性之间的相互依赖性以及与负荷不确定性之间的关系。接着构建了一个两阶段协同设计优化模型：第一阶段确定可再生能源的容量；第二阶段在兼顾经济性和韧性的前提下，确定混合储能系统的容量和电力调度方案。最后，通过一个光伏-风能-蓄电池-氢能混合电力系统的案例研究验证了该方法的有效性。研究结果表明，所提出的不确定性模型能够准确描述混合电力系统的随机性和波动特性；在平衡点上，系统的年总成本和运营成本分别为5.38×10^6美元和2.00×10^5美元。在该系统中，蓄电池储能系统优于氢能储能系统，而两者结合使用更有利于提升经济性和韧性。此外，本文还全面分析了投资成本和运营成本对混合电力系统的影响。
引言
随着全球对应对气候变化和环境问题的共识日益增强，向绿色能源结构转型已成为当务之急[1]。利用太阳能、风能[2]、生物质能[3]等可再生能源（RE）资源，可以实现污染物和温室气体的零排放或低排放[4]。根据国际可再生能源机构（IRENA）的最新报告，截至2024年底，全球可再生能源装机容量达到3,870吉瓦，占总电力容量的46%[5]。因此，整合丰富的、环保的可再生能源资源是构建可持续混合电力系统（HPS）的有效途径[6]。
然而，可再生能源的固有间歇性和波动性（即使是生物质能的微小波动[7]）也可能对电网稳定性和电力供应可靠性构成挑战[8]。采用多种类型的可再生能源进行发电有助于缓解这些波动，因为它们在日、周和季节时间尺度上具有互补的发电特性[9]。在储能方面，储能系统在稳定可再生能源波动方面具有显著优势[10]。蓄电池储能系统（BSS）和氢能储能系统（HSS）在储能时长和容量上相互补充，已在可再生能源系统中得到广泛应用[11]。因此，构建一个整合多种可再生能源和混合电力-氢能储能系统（HESS）的HPS，有助于克服可再生能源的固有缺陷。然而，由于系统的复杂组成和结构、多种能源/材料类型[12]，以及供需双方的不确定性，对HPS的设计和运行优化产生了显著影响。因此，迫切需要开发一种高效的优化方法，在可再生能源供应和负荷需求高度波动的情况下，同时考虑经济性和运行性能，以优化带有HESS的HPS的设计和运行。
在HPS中，供需双方的不确定性对系统的设计和运行优化具有重要影响。可再生能源的不确定性主要源于受天气系统影响的随机气象变化[13]。许多学者对可再生能源的不确定性进行了研究。高等人[14]提出了一种两阶段可调鲁棒优化模型，用于有效管理微电网运行中的可再生能源不确定性。为了解决可再生能源发电和负荷的不确定性，Bagheri等人[15]开发了一种两阶段随机规划模型，用于最优分布式能源资源选择和削峰。Wang等人[16]采用鲁棒优化方法，为面临参数不确定性的客户制定了全面的鲁棒调度计划。Vahid等人[17]利用Weibull分布和Beta分布分别表征风速和太阳辐射的变异性，以生成情景。Qui?ones等人[18]采用编码器-解码器序列到序列模型，并结合长短期记忆（Long Short-Term Memory）和门控循环单元（Gated Recurrent Unit）架构，预测微电网站点的风能和太阳辐照度。然而，上述文献未能考虑特定区域内风能和光伏发电系统之间的相关性，这可能导致情景集不具代表性或存在偏差。考虑到这种风-光相关性，Fan等人[19]开发了一种短期多目标随机优化模型，用于风-光混合系统，并结合Vine-Copula和蒙特卡洛模拟以及TimeGAN进行情景生成。为了解决可再生能源输出的随机性和多类型负荷需求的不确定性，Zhang等人[20]提出了一种基于多尺度预测的最优运行方法，用于风-光-氢能储能系统（wind–solar–HSS）。然而，这些研究仅考虑了短期调度优化，未全面探讨风能和太阳能不确定性对HPS长期容量配置和电力调度方案的影响。因此，在设计带有HESS的HPS时，有必要考虑风能和光伏输出之间的相关性，以提高生成情景的质量，并分析在不确定性条件下，带有蓄电池和氢能的混合储能系统的设计和运行性能。
已有大量研究致力于HPS中氢能储能系统（HESS）的设计和运行优化。Tang等人[21]提出了一个优化框架，用于解决HESS的组件选型和能源管理问题，并利用粒子群优化（PSO）算法最小化混合系统的总成本。Zhang等人[22]开发了一种在分层碳交易机制下的HESS运行框架，整合了多种耦合设备和碳捕获系统，以最小化总运营成本。Jiang等人[23]综合考虑经济性和运行因素，优化了HESS的容量配置，以缓解孤岛微电网中的多时间尺度电力不平衡问题，从而最小化包括投资成本和运营费用（如削减和减载罚款）在内的总生命周期成本。Ge等人[24]建立了一个多目标优化模型，用于设计带有HESS的港口多能源系统，并评估了经济性和外包电力对系统的影响。Li等人[25]开发了一个分布式鲁棒模型，协调多微电网系统中的投资、运行和维护、风能和太阳能削减惩罚以及电力购买成本，旨在提高经济效率和可靠性。Tezer等人[26]采用非支配排序遗传算法，共同优化容量和功率管理，同时最小化年化成本和电力供应概率的损失。Chen等人[27]在正常运行场景和极端灾害场景下，考虑了经济优化和韧性增强。基于上述分析和讨论，减载、可再生能源削减、外包电力和电力销售不仅会影响带有HESS的HPS的设计和运行过程，还会对系统的经济性和韧性产生显著影响。因此，迫切需要建立一种综合方法，同时优化容量配置和电力调度方案，并定量评估带有HESS的HPS的经济性和韧性。表1总结了HPS中采用的储能技术类型、可再生能源不确定性建模方法和优化目标。
本研究的主要贡献如下：
(1)本研究使用Vine-Copula模型描述风能和光伏输出之间的相关性，并通过基于正态分布的典型日方法生成负荷波动，以表征供需不确定性。
(2)提出了一种针对带有HESS的HPS的两阶段容量配置和电力调度优化方法。
(3)构建了一个多目标优化模型，考虑经济性和韧性，并通过模糊妥协编程确定平衡解。
(4)通过敏感性分析，全面分析和讨论了投资成本和运营成本对HPS的影响。
本研究的其余部分安排如下：第2节介绍带有HESS的HPS的结构和建模；第3节描述了可再生能源发电和负荷不确定性的模型；第4节给出了带有HESS的HPS的两阶段优化模型；第5节基于2023年NASA POWER数据和纽约市UMass Smart数据集（2016年）验证了所提模型的有效性和适用性；第6节总结了本研究。
系统结构和建模
带有HESS的HPS的系统结构如图1所示。图中，发电侧包括可再生能源发电系统和电网。该系统利用光伏和风能为负荷供电，并考虑了光伏、风能和负荷的不确定性。电网可以向系统售电或从系统购电。在储能方面，HPS考虑了带有蓄电池和氢能储存装置的混合储能系统。
能源侧的不确定性
本文采用的方法用于描述风能和太阳能不确定性的相互依赖性，如图3所示。
本文提出的方法详细步骤如下：
步骤1：确定联合分布的气象因素。
根据方程（2）和方程（3），选择了三个气象因素——太阳辐照度、温度和风速——用于不确定性建模。
步骤2：获取气象因素的概率分布
第一阶段：可再生能源的容量优化
通过最小化可再生能源发电与负荷需求之间的总功率差来优化风能和光伏发电系统的额定容量，从而减轻HESS的调节负担。可再生能源容量优化模型的目标函数和约束条件如下：
