基于克里金法、NSGA-III算法和随机多准则决策方法的风光氢氨耦合系统双层容量优化配置

《Energy》：Two-layer capacity optimization configuration of wind-photovoltaic-hydrogen-ammonia coupling system based on Kriging, NSGA-III algorithm, and stochastic MCDM

　　

摘要

为促进基于绿氢的大规模制氨发展，提升风光氢氨（WPHA）耦合系统的经济可行性，本研究提出了一种基于改进NSGA-III算法的风光氢氨耦合系统双层容量优化配置方法。首先，建立了风光发电制氢及氢氨合成框架内的关键模型。其次，构建了风光氢氨耦合系统的上层容量规划优化模型，以投资成本、风光利用率、系统收入及氢/氨生产成本为目标函数。基于经济性、绿色性和安全性目标，建立了下层运行优化模型。第三，采用基于Kriging代理模型的NSGA-III算法和Gurobi求解器对双层模型进行求解，并提出了融合模糊BWM与CRITIC主客观赋权方案以及SMAA-TODIM的随机多准则决策方法（MCDM）。最后，利用内蒙古风光数据进行的案例研究结果表明：拉丁超立方抽样生成的100个初始方案分布均匀，其中49个方案位于第一非支配层；采用二阶多项式的Kriging预测使目标函数预测误差低于0.63%；本研究提出的基于Kriging模型的改进NSGA-III算法将运行时间减少了96.06%，获得的50个方案全部位于Pareto面上；通过三种不同赋权方案下的随机MCDM，方案T27（98:63:368:19:37:2183）始终被选为最优配置方案。讨论表明，所提方法在决策鲁棒性和解集质量方面具有优越性。

引言

在全球能源系统向低碳发展的背景下，构建以高比例可再生能源为主体的新型电力系统已成为关键发展路径[1]。然而，风能和太阳能等可再生能源的间歇性和波动性给电力系统的稳定运行带来了巨大挑战[2]。因此，开发高效可靠的能量转换和储存技术，以实现可再生能源的大规模并网和时空平衡，是当前研究的重点[3]。近年来，"电-氢-氨"链已成为极具前景的解决方案[4]。风光氢氨（WPHA）耦合系统可将剩余的风能和光伏电力转化为绿氢，进而合成绿氨，实现电-氢-氨的多能协同和长时储存[5]。然而，风光出力的强间歇性与氨合成工艺对氢源的高稳定性要求之间存在严重冲突。此外，耦合系统内各组件的异质性和复杂性也给系统容量配置带来了挑战，需要高维、非线性和多目标优化[6]。因此，制约WPHA耦合系统大规模部署的核心瓶颈在于如何在经济性、低碳性和可靠性之间实现科学平衡，从而合理确定各组件的容量配比。

针对WPHA耦合系统，现有研究主要集中在系统可行性分析[7]、系统布局优化[8]和运行策略优化[9]等方面。目前，对WPHA耦合系统的研究仍相对较少，而风光氢系统的研究更为普遍[10]。在系统可行性分析方面，文献[11]探讨了海上风电场生产绿氨的技术和经济可行性。此外，将储能或并网集成到绿氢生产系统中，对混合风光系统具有更大的优势[12]。在系统布局方面，文献[13]利用地理空间模拟和决策优化模型，评估了中国WPHA项目布局的适宜性和优先级。在系统运行方面，文献[14]基于模型预测控制，提出了水电-光伏-氢-氨系统的两层功率优化与控制策略。然而，目前的研究主要集中于系统运行仿真和技术经济评估[15]，缺乏针对系统组件（如风机、光伏板、电解槽、储氢罐、氨合成设备和储氨罐）协同容量优化的基本规划问题的精细化建模和求解方法。

在系统容量配置建模方面，通常构建以最小化总成本[16]或最大化收益[17]为目标函数的单目标优化模型。然而，WPHA耦合系统本质上是复杂的多目标优化系统，需要同时平衡多个相互冲突的目标，包括系统投资成本、可再生能源弃风弃光率[18]、绿氨生产成本[19]和系统可靠性[20]。文献[21]提出了一种考虑经济、环境和可靠性因素的风光氢耦合系统多目标配置优化模型。现有研究通常缺乏对运行精细度的充分考虑，一般采用典型日场景进行案例分析[22]，而忽略了长期季节性变化。这可能导致配置结果与实际运行状况存在偏差。文献[23]建立了包含季节性储氢的风电储能系统优化模型，但仍采用四季典型日进行案例研究。鉴于实际需求，迫切需要建立长期双层（规划-运行）框架，以提高配置方案的可靠性。

在求解系统容量配置模型方面，由于WPHA系统容量配置的高维、非线性和多约束特性[24]，传统数学规划方法在面对大规模问题时可能面临计算效率低或收敛困难等挑战。对于单目标问题，可采用粒子群优化[25]和灰狼优化[26]等进化算法。对于多目标问题，早期研究主要采用经典非支配排序遗传算法II（NSGA-II）[27]或加权方法[28]。其他方法包括基于分解的多目标进化算法（MOEA/D）[29]、多目标粒子群优化算法（MOPSO）[30]、多目标冠豪猪优化算法[31]和多目标麋群优化（MOEHO）[32]。文献[33]将NSGA-II与深度强化学习（DRL）结合，求解风光氢系统的多目标最优调度策略。然而，当面对高维决策变量和复杂约束时，NSGA-II容易出现早熟收敛和多样性下降的问题[34]。非支配排序遗传算法III（NSGA-III）专门针对高维目标优化问题设计，通过基于参考点的选择机制保持种群多样性，相比NSGA-II等传统算法表现出优越的性能[35]。尽管如此，标准NSGA-III在处理复杂约束和加速收敛方面仍有改进空间[36]。因此，有必要引入自适应算子、局部搜索策略或其他增强机制[37]来开发改进的NSGA-III算法，从而更高效、精确地求解WPHA系统多目标容量配置模型。

获得Pareto解后，决策者仍需要通过多维度权衡来选择最终方案，这构成了一个多准则决策方法（MCDM）问题，需要根据实际偏好进行平衡[38]。常用方法包括逼近理想解排序法（TOPSIS）[39]、熵权法[40]和模糊决策[41]。文献[42]采用CRITIC-TOPSIS方法求解水光储混合系统的容量配置。WPHA耦合系统涉及多个利益相关方，单一赋权方法难以满足多方谈判需求。文献[43]利用最佳-最差法（BWM）和CRITIC主客观赋权方法确定目标权重，然后采用TODIM方法对水、风、光和储能资源进行综合容量配置决策。现有研究往往忽视决策过程中的不确定性传播，导致推荐方案在参数扰动下性能下降。文献[44]通过集成随机多准则可接受性分析（SMAA）和灰色累积前景理论（GCPT），提出了用于长期梯级水库调度的随机MCDM模型。此外，方案决策必须考虑工程不确定性和决策者主观性，以确保最终方案具有足够的说服力和鲁棒性。

综上所述，虽然多能互补系统容量优化配置研究已取得初步进展，但在"电-氢-氨"链的长周期精细化建模、高效双层求解方法以及多主体鲁棒决策等方面仍有较大提升空间。为此，本研究提出了一种基于改进NSGA-III算法的双层容量优化框架：构建多目标双层容量优化模型（上层规划、下层运行）；引入改进NSGA-III算法与Gurobi相结合的求解方法；并提出了融合模糊BWM和CRITIC的组合赋权方法，进一步发展了SMAA-TODIM用于方案的随机MCDM。

本研究的主要创新和贡献如下：（1）构建了多目标双层优化配置模型（上层规划、下层运行），综合考虑系统经济性、能源利用效率和可靠性。在8760小时时间尺度上运行，实现了投资与运行的协同优化；（2）针对标准NSGA-III的计算瓶颈，设计了基于Kriging代理模型的策略，在保持解集多样性的同时加速非支配排序；（3）集成SMAA-2和TODIM方法对Pareto容量配置方案进行后评价，量化参数不确定性对目标性能的影响，为决策者提供鲁棒且可解释的建议。（4）在内蒙古案例研究中进行了仿真分析，验证了所提方法在收敛速度、解集质量和决策鲁棒性方面的优越性，为WPHA项目的大规模实施提供了理论支持和工程参考。

段落摘要

风光氢氨耦合系统框架

本研究设计的风光氢氨耦合系统模型如图1所示。它主要包括可再生能源出力、制氢和制氨模块。系统以风能和光伏电力为主能源，以电化学储能和电网电力为辅助供电，通过水电解制氢及后续氨合成。

风力发电模型

风力发电通过叶片捕获空气的动能，将机械能转化为……

双层容量优化配置模型的基本框架

为实现WPHA耦合系统的容量优化，本研究提出了一种多目标双层容量优化配置模型。上层进行多目标容量规划优化，下层进行多目标系统运行优化。两层之间的关系如图2所示。上层的目的是最小化系统年投资成本，最大化风光能年利用率，……

双层容量优化配置模型的求解方法

本研究采用基于Kriging模型的NSGA-III算法持续寻找最优容量配置方案。在给定容量配置下，以最小化运行成本为目标进行系统运行仿真，利用Gurobi求解器进行计算。仿真结果反馈到容量配置方案中，作为评估方案五个目标函数的依据，从而实现方案……

系统参数

(1) 风光出力参数

本研究以内蒙古一个600 MW风电项目和400 MW光伏项目作为案例进行分析。通过整合历史风光出力数据，获得了代表性的8760小时出力场景，如图6所示。

(2) 氢氨需求参数

日氢需求不得超过200 kNm3。除运输成本外，对应的氢价格为1800元/kNm3。日氨需求不得超过……

结论

本研究以内蒙古WPHA耦合系统为研究对象，提出了一种基于Kriging、NSGA-III算法和随机多属性决策的双层容量优化配置方法。主要发现包括：

(1) 基于拉丁超立方抽样的初始训练结果，49个方案位于第一非支配层，42个方案位于第二层，9个方案位于第三层。100个方案的分布相对均匀，保证了……

CRediT作者贡献声明

王永利：监督、资源、方法论。吉正森：撰写—原稿、软件、方法论、资金获取、数据管理。李万英：撰写—审稿与编辑、撰写—原稿、可视化、软件、方法论、形式分析。

利益冲突

作者声明在本工作中不存在利益冲突。

竞争性利益声明

? 作者声明不存在已知的竞争性经济利益或个人关系可能影响本论文所报告的工作。

致谢

本研究由山东省自然科学基金（ZR2026QC0620）和可再生能源电源电力系统国家重点实验室（LAPS25010）资助。

李万英 | 吉正森 | 王永利
山东理工大学，山东淄博 255000，中国