考虑源侧不确定性的风能-太阳能-氢能储能系统的两阶段鲁棒最优容量配置方法

《Electric Power Systems Research》：Two-stage robust optimal capacity configuration method for wind solar hydrogen storage system considering source-side uncertainty

风光氢储系统两阶段鲁棒优化模型结合需求响应机制，有效平衡经济性与系统鲁棒性，降低储能容量20%和总成本7.08%。

　　

苗苗·马 | 张瑞 | 郭星星 | 傅国斌 | 丁宇杰

中国华北电力大学可再生能源替代电力系统国家重点实验室，北京

摘要

由于电源侧的不确定性以及负荷侧调节能力不足，风能-太阳能-氢储能系统（WS-HSS）的规划具有挑战性，这往往导致过度投资和供应不可靠。因此，本文提出了一种两阶段鲁棒优化（RO）方法来配置WS-HSS的容量，以平衡系统的经济效率和鲁棒性。首先，通过使用多面体不确定性集来完全捕捉电源侧的不确定性波动范围。然后引入需求响应（DR）来减少关键设备的容量需求和总成本。随后，构建一个两阶段RO模型，在确保系统鲁棒性的同时最小化总成本。为了高效求解该模型，采用了列生成与约束（CG）算法来动态搜索代表不确定性的关键情景，从而提高计算效率。案例研究表明，所提出的方法在成本效益和鲁棒性之间取得了平衡，将储能系统的容量减少了约20%，并将WS-HSS的总成本降低了7.08%。

引言

近年来，日益严重的气候问题推动了全球能源发展，使能源转型成为许多国家的优先事项[1]、[2]。值得一提的是，风能和太阳能对于引导能源转型至关重要[3]。然而，风能和太阳能具有间歇性、随机性和波动性，这给可再生能源电网带来了不稳定性和弃电问题[4]、[5]、[6]。合理的容量配置可以提高系统适应风能和太阳能波动的能力[7]。混合电-氢储能系统可以进一步平滑可再生能源的波动，并提高系统的运行灵活性[8]。因此，多能源互补系统的容量配置已成为未来能源发展的重要方向之一[9]、[10]。

关于容量配置的现有文献大致可以分为确定性和不确定性优化方法。确定性方法作为基础，已被广泛应用[11]、[12]、[13]、[14]、[15]。参考文献[11]提出了一种使用Gray Wolf Optimization（GWO）算法进行离网多能源系统容量配置的优化方法。参考文献[12]结合了GWO和Particle Swarm Optimization（PSO）的复合控制算法来配置风能-氢能混合动力系统（WPHCPS）模型的容量。参考文献[13]提出了一种针对电-氢集成能源系统（EH-ES）的最优协调配置方法。参考文献[14]开发了一种集成风能的混合储能系统模型，并使用非支配顺序遗传算法进行多目标容量配置。参考文献[15]建立了一个电-氢混合储能系统（EHH-ESS）的两层规划模型，并基于改进的Gray Targeted Decision Making（IGTDM）开发了多目标MOMA算法以实现系统的最优配置并增强其稳定性。然而，这些研究忽略了多能源互补系统中可再生能源（RES）的不确定性，从而导致设备配置冗余、过度投资和资源浪费。

为了解决这些不确定性，引入了随机优化（SO）和分布式鲁棒优化（DRO）。SO利用概率分布来建模不确定性[16]、[17]、[18]。然而，SO的有效性高度依赖于假设的概率分布的准确性，可能无法充分抵御极端情景，从而限制了其鲁棒性。DRO通过在不确定性集内针对最坏情况分布进行优化来减轻分布依赖性[19]、[20]、[21]、[22]，从而在分布信息不完整的情况下提高系统鲁棒性。尽管有这一优势，DRO通常计算密集，且不确定性集的构建既复杂又需要大量数据。

相比之下，鲁棒优化（RO）提供了一个有吸引力的替代方案，它只需要不确定性集而无需精确的概率分布，因此提供了一个计算上更易处理的框架，重点是对抗不确定性的最坏情况实现。参考文献[23]提出了一种RO模型，用于量化光伏发电、绿色电力交易价格和氢气需求波动对光伏/电池/氢能系统规模设计的影响。然而，在某些情况下，RO方法可能过于保守，从而牺牲了经济性能。值得注意的是，两阶段RO框架通过允许在不确定性暴露后调整运营决策，进一步推进了这种方法，从而在鲁棒性和经济效率之间取得了平衡[24]、[25]、[26]。例如，两阶段RO已应用于集成充电站[24]和集成能源系统[25]、[26]。然而，在将这种先进的两阶段RO框架应用于风能-太阳能-氢储能系统（WS-HSS）的容量配置方面，仍存在明显的研究空白。

此外，虽然两阶段RO有效处理了电源侧的不确定性，但它常常忽视了负荷侧灵活性的潜力。需求响应（DR）机制可以通过调度可转移负荷来显著改善系统经济性[27]、[28]、[29]。然而，在WS-HSS容量配置的两阶段RO模型中整合DR的方法尚未得到探索。

总之，本文提出了一种新颖的两阶段鲁棒优化方法用于WS-HSS的容量配置，其中包含了DR机制。与以往的研究相比，本文的贡献总结如下：

1. 提出了用于WS-HSS容量配置的两阶段RO算法，有效平衡了系统的鲁棒性和经济效率。

2. 应用DR机制后，总成本降低了7.08%。

使用多面体不确定性集来表征可再生能源的不确定性，并引入了可调的保守参数以提高系统的稳定性。

基于风能、太阳能、电池储能和氢能之间的协同作用，开发了一种多能源互补性的优化框架，提高了系统的整体效率。

本文的结构如下：第2节解释了负荷需求响应（Load DR）。第3节介绍了优化后的系统模型。第4节讨论了两阶段RO模型，第5节展示了仿真结果。最后，第6节总结了本文。

节选内容

负荷需求响应

由于WS-HSS包含可分级负荷，因此在提供DR服务期间的电力使用特征可以描述如下[30]： $\sum _{t=1}^{N_T}{P}_{\text{DR}}\left(t\right)\Delta t=D_{\text{DR}}$ $D_{\text{DR}}^{\min }$ $P_{\text{DR}}^{\max }$ 其中 P_DR(t) 是时间 t 的实际可转移负荷； $P_{\text{DR}}^{\min }$ $P_{\text{DR}}^{\max }$ P_DR(t) 是时间 t 的可转移负荷的最大值和最小值，受客户舒适度要求的影响； $P_{\text{DR}}^{\min }$

系统描述

WS-HSS的架构如图1所示，图中红色表示发电量，蓝色表示电力消耗，绿色表示氢气的流动方向。该架构包括三个主要部分：电源侧、能量转换侧和负荷侧。电源侧包括风力涡轮机（WT）、光伏（PV）和电网能量。能量转换侧包括电解器（ELE）、氢储存罐（HST）和燃料电池（FC）。

两阶段鲁棒优化模型

在本文中，整个决策过程分为两个阶段：规划阶段和运行阶段。规划阶段的决策变量包括 E_cap,WT、E_cap,PV、E_cap,ELE、E_cap,FC、E_cap,HST 和 E_cap,BAT；运行阶段的决策变量包括 P_WT(t)、P_PV(t)、P_ELE(t)、P_FC(t)、P_BAT(t)、P_{buy(t)、Psell(t)、PDR(t)、PDR1(t) 和 PDR2(t)。采用这种“两阶段”方法也为后续引入不确定性因素提供了良好的基础。}

结果分析

为了验证其有效性，我们将所提出的方法应用于WS-HSS。在本文中，基于多面体不确定性集构建了一个两阶段RO模型，并在Matlab R2023a环境中使用CG算法以分解方式求解该模型，结果通过调用YALMIP工具箱中的商业求解器Gurobi来处理。设备参数见表1 [41]、[42]、[43]。

结论

本文建立了一个考虑风能和太阳能不确定性的WS-HSS模型，基于两阶段RO方法。主要发现总结如下：

• 采用了两阶段RO配置方法进行WS-HSS的容量配置，结果表明该方法有效平衡了系统的成本效益和鲁棒性。
• 引入DR后，储能系统的容量减少了约20%，并将WS-HSS的总成本降低了7.08%。
• 该方法

CRediT作者贡献声明

苗苗·马：写作——审稿与编辑、撰写初稿、可视化、验证、监督、软件、资源、项目管理、方法论、调查、数据整理。张瑞：撰写初稿、可视化、验证、软件、方法论、调查、数据整理。郭星星：撰写初稿、软件、方法论、调查。傅国斌：审稿与编辑、监督、资源、项目管理。丁宇杰：写作——

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的竞争性财务利益或个人关系。