集成风能和氢储能设施的最佳能源管理：一种混合随机-IGDT框架

《International Journal of Hydrogen Energy》：Optimal energy management of integrated wind and hydrogen storage facilities: A hybrid stochastic-IGDT framework

风能随机性与负荷需求不确定性协同管理机制研究。提出混合优化框架融合信息间隙决策理论与随机规划，通过6节点系统仿真验证。5%运营预算提升可抵御11.5%负荷需求偏差，量化成本权衡效应，揭示氢储能长周期调节优势。

　　

Morteza Nazari-Heris

东卡罗来纳大学工程系，美国北卡罗来纳州格林维尔，27858

摘要

可变可再生能源的整合，特别是风能，给电力系统带来了显著的随机性，而电力需求的演变性质（由价格敏感负载和电气化驱动）则产生了深层次的不确定性。本研究提出了一种混合优化框架，结合了信息差距决策理论（IGDT）和随机规划（SP），以分别管理这两种不确定性。与传统方法不同，后者将单一的不确定性处理方法强加于不同的变量上，该框架利用随机规划处理风能数据，借助可靠的历史概率数据，并应用IGDT处理负载需求，从而有效应对概率分布未知或不可靠的严重非概率不确定性。所提出的模型通过通用代数建模系统（GAMS）在一个包含热电厂、风力发电和氢能存储（HES）的代表性6节点测试系统上进行了验证。这种基于模拟的方法允许在没有现实世界实验变量干扰的情况下严格测试非线性存储约束。结果表明，采用风险规避策略并增加5%的运营预算，可以抵御11.5%的负载需求低估风险。此外，广泛的敏感性分析揭示了系统鲁棒性与运营成本之间的关键权衡，为电网运营商提供了“鲁棒性成本”的实际衡量标准。研究中的比较分析表明，尽管氢能存储的往返效率低于锂离子电池，但其长期能量转移能力使其特别适合缓解多日风能供应不足的问题。

引言

由于环境问题和气候变化，以及全球化石燃料资源的减少，过去几十年中，风能发电场和光伏系统等可再生能源在能源系统中的渗透率有所增加[1]。国际能源署（IEA）宣布，到2030年，风能的总供应量预计将达到2182太瓦[2]。将高比例的可再生能源整合到能源系统中面临的一个重要挑战是可再生能源出力的不确定性，这给系统运营商的电力供需平衡带来了复杂性[3]。因此，电力系统运营商提出了多种方法来应对这一问题，包括应用需求响应计划进行系统管理并与风能发电场协调[4]，将储能设施纳入系统[5]，以及设计新的能源市场，如灵活调峰产品[6]。能源系统正在发生变化，以适应不断增长的能源需求和可再生能源的快速普及。相应地，储能技术得到了发展，以提高绿色能源的整体利用率。这些技术增加了缓冲能力，并支持家庭和商业用电[7]。近年来，可再生能源和电池的整合与发展取得了显著进展，引发了广泛的研究和开发[8]。

储能系统是一种众所周知的设备，用于在非高峰时段捕获产生的能量，以便在高峰时段使用。在电力系统中，使用了多种储能设施，如抽水蓄能[9]、压缩空气储能[10]、钠硫（NaS）[11]和电池。氢储能（HS）是一种流行的储能方式，它可以在系统的非高峰时段将电能以氢的形式储存起来，然后在高峰时段将其转换回电能。HS系统通过电解将电能转换为氢能，并利用基于氢的燃气轮机在高峰时段供电。HS的一个主要优势是可以在依赖氢的行业中使用储存的氢，或者将其输入天然气系统以利用气体材料[12]。

多项研究关注了在能源系统中应用储能设施。在参考文献[13]中，提出了一种新的NaS储能控制方法，该方法基于更新的预测数据来减少储能规模的能量存储性能损失。在参考文献[14]中，研究了径向系统中储能设施的运行和规划，其中储能用于在风力涡轮机高渗透率的情况下平衡负载和服务。在参考文献[15]中评估了抽水蓄能在解决随机单元承诺模型中的作用。参考文献[16]的作者提出了一种响应表面方法（RSM），用于优化混合能源系统中的光伏系统，以满足该地区对水、热能和电能的需求。所研究的系统包括光伏、内燃机、锅炉、燃料箱和电池储能。所提出的方法在考虑研究地点的气候、地理以及技术和经济因素的同时，提供了最理想的光伏系统规模。在参考文献[17]中，研究了微电网中储能和可再生能源的优化，其中采用了一种基于教学学习的优化程序来获得最佳系统配置。在参考文献[18]中，评估了储能和可再生能源在联合电力、天然气和热能系统中的作用，研究了将一种能量形式转换为另一种形式的能力。在参考文献[19]中，提出了一种针对连接风能单元的飞轮和LiFePO4储能单元的能源管理程序，其中使用了同时扰动随机逼近方法。在参考文献[20]中，研究了热能存储在多载能系统中的作用，展示了储能单元在非高峰时段储存额外热量并在高峰时段释放热量的有效性。在参考文献[21]中，提出了一种基于瓶颈评估和设计空间的光伏系统储能通用规模方法，该方法使用时间序列模拟来处理系统功率输出超过功率负载的情况。在参考文献[22]中，提出了一种用于分配和协调快速响应和慢响应储能控制方法的概率模型，以补偿风能的变化。在参考文献[23]中，作者提出了一种两级方案，通过降低系统运行成本来管理电网中的储能，从而增加储能所有者的利润。储能单元的所有者和电力系统的运营商被视为两个代理，前者寻求确定系统的最低运行成本，而后者则旨在最大化利润。在参考文献[24]中，作者评估了考虑能源来源之间联系的能源网络的运行，这些能源来源也被称为多载能系统。所提出的方案旨在研究天然气、电力、热能和水能来源及其在多载能系统运行中的相互作用，同时考虑了天然气和电力网络的限制以及所有能源载体的相互依赖性。

表1总结了关于集成可再生能源和储能设施协同运行的文献。该表总结了每项研究的主要目标，以及每项研究中考虑的系统设备和应用的最佳化方法。根据对此表的分析，大多数研究的主要目标集中在能源管理、最优功率流、运营优化和混合能源系统的设计上，同时考虑了技术和经济角度。

此外，表2概述了用于解决电网中能源管理问题的不确定性处理方法的应用。该表列出了每项研究的关键目标、考虑的不确定参数以及使用的不确定性处理方法。根据对此表的分析，大多数研究的主要目标是处理可再生能源功率、电力市场价格、能源负载和电动汽车的不确定参数。

尽管关于负载不确定性的研究很多，但在有效结合概率方法（适用于数据丰富的变量，如风能）和非概率方法（适用于深度不确定性变量，如新定价方案下的未来负载）的框架方面存在明显差距。大多数现有研究使用单一方法，要么完全是随机的，要么完全是鲁棒的，这可能导致解决方案要么过于冒险，要么过于保守。参考文献[49]的作者提出了一种用于协调风能和氢能存储的随机概念，考虑了风能的不确定性。因此，本文旨在应用混合IGDT和随机规划来获得集成风能和氢能存储单元的最佳调度。电网运营商面临两种不同类型的不确定性：1. 随机不确定性，其特征是风能发电。风速遵循物理流体动力学定律，并且已经记录了几十年。因此，可以构建有效的概率密度函数（PDF），例如Weibull分布，从而可以使用随机规划（SP）在已知情景下最小化预期成本；2. 认知不确定性，其特征是未来负载需求，特别是在新的电价结构或高EV渗透率下。在这种情况下，历史数据可能无法预测未来行为，概率分布通常未知或不稳定。将随机方法应用于这种类型的不确定性意味着虚假的精确性，因为我们并不知道极端事件的概率。相反，将鲁棒优化（RO）应用于风能发电往往会导致过于保守的最坏情况解决方案，从而在经济上效率低下。本研究通过提出一种混合框架来解决这种二元性：SP用于利用风能的数据丰富特性，而IGDT用于管理数据贫乏的深度负载不确定性。IGDT不需要PDF；相反，它通过评估不确定参数（负载）在系统成本超过临界预算之前可以偏离多少来评估决策的鲁棒性。所提出的模型在参考文献[49]的6节点能源网络上进行了验证，该网络包括热电厂、电能负载、氢能存储和风力涡轮机。为了克服单一方法优化的局限性并阐明混合方法的实际效用，本研究由三个主要研究问题指导。

•

当风能数据是随机的，但负载数据高度不确定时，混合SP-IGDT框架如何有效地调度集成风能-HES系统？

•

增加运营预算与实现对负载预测误差的免疫之间有什么可量化的经济权衡？

•

在风险规避策略下，HES的运行行为与传统存储有何不同，这对可扩展性有何影响？

本研究的主要贡献如下。

•

本研究考虑了与风能变化性相一致的负载不确定性，因为负载具有不确定行为，这应在集成可再生能源和储能设施的能源管理中予以考虑。

•

为了解决文献中的空白，本文应用了混合IGDT和随机规划来获得集成风能和氢能存储单元的最佳调度。该混合模型应用于包括热电厂、氢能存储和风力涡轮机的6节点能源网络。

•

评估了IGDT的鲁棒性参数对集成能源系统运营成本和功率负载不确定性覆盖范围的影响。

本文的其余部分如下：第2节给出了问题表述和提出的混合不确定性处理方法。第3节给出了案例研究和模拟结果及其讨论。第4节专注于结果分析和讨论，最后第4节总结了研究。

部分摘录

问题表述

本节详细介绍了混合能源系统的数学建模。问题被构建为一个混合整数非线性规划（MINLP）模型。选择MINLP的原因是为了准确表示HES的非线性功率流方程和运营约束，避免线性近似带来的不准确性。

案例研究和模拟结果

所提出的混合随机-IGDT不确定性处理方法在参考文献[49]中介绍的6节点网络上进行了测试，该网络包括热电发电单元、功率负载、氢能存储和风力涡轮机。上述设备由系统运营商拥有。虽然6节点系统有效地展示了IGDT-SP混合模型的机制，但扩展到IEEE 118节点系统将揭示与传输拥堵相关的进一步约束。

结果分析和讨论

在本节中，对获得的运营优化结果进行了深入分析，并进行了敏感性分析，还将结果与其他方法进行了比较。为了管理功率负载的不确定性，应用的不确定性处理方法确定了第3节中的运营成本增加率。根据分析，通过将每日运行费用提高5%，系统运营商可以应对比预期值高11.5%的功率负载变化。

结论

本研究开发并验证了一种用于集成风能和氢能存储系统能源管理的混合随机-IGDT优化框架。通过严格区分风能的随机风险（通过随机规划处理）和负载的认知性质（通过IGDT处理），该模型提供了比单一方法更稳健且实际更灵活的运营计划。

结果确定了可量化的鲁棒性成本，将抽象概念转化为实际应用。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。