基于氢的燃料与电能混合驱动综合能源工厂优化调度方法与流程

1.本发明属于综合能源系统技术领域，具体涉及一种基于氢的燃料与电能混合驱动综合能源工厂优化调度方法。


背景技术：

2.随着环境问题日益严峻和能源需求的不断上升，如何有效减少二氧化碳排放以及可再生能源波动性是关注的热点话题。氢能具有清洁低碳、安全高效等优势，将氢能与综合能源系统中电、热、冷、气等不同能源相结合，可有效发挥氢能的多方面效益，提高新能源的利用率，减少对化石能源的依赖。随着绿色清洁电力在电网种的占比越来越高，通过建立基于氢的火电与电能混合驱动综合能源工厂以实现最小成本的工业企业降碳转型逐渐成为可能。该混合驱动综合能源工厂分为基于氢的电能工厂及传统火电工厂，采用“低碳电力最大化+热电灵活调整”的总策略实现工业园区整体降碳的目的。
3.然而，虽然目前氢能利用及热电调控方法较为成熟，但在未来复杂场景下的调控仍然处于空白。目前基于氢能的综合能源系统中氢电双向转换及储氢系统的利用模式较为单一，氢利用与传统火电的协调性并未充分考虑，未综合考虑综合能源系统中各种能源的转换利用模式和用户侧不同能源负荷需求响应，如何将氢能应用于综合能源系统中，且对多种能源进行有效利用和模式转化应用，提高能源梯级利用，降低碳排放量，保证系统运行经济性是目前急需解决的问题。
4.基于上述技术问题，需要设计一种新的基于氢的燃料与电能混合驱动综合能源工厂优化调度方法。


技术实现要素：

5.本发明所要解决的技术问题是，克服现有技术的不足，提供一种基于氢的燃料与电能混合驱动综合能源工厂优化调度方法，能够对以单一火电机组燃料为输入的综合能源工厂进行改造，引入电网电能，形成以燃料和电能混合驱动的新型综合能源工厂，并扩展建设氢电双向转换及储氢系统将氢能有效利用，实现基于氢的火电与电能混合驱动，促进能源梯级利用，减少对化石能源的依赖，以及引入综合能源工厂总成本最低和碳排放量最小为调度目标，获取最优调度策略，能够有效提升利用电能降低碳排放量，并保证了系统运行经济性，同时降低了碳排放量，并保证了系统运行经济性。
6.为了解决上述技术问题，本发明的技术方案是：
7.本发明提供了一种基于氢的燃料与电能混合驱动综合能源工厂优化调度方法，包括：
8.在以单一火电机组燃料为输入，以多能流为输出的综合能源工厂基础上，引入电网电能作为输入增加项，形成以燃料和电能混合驱动的新型综合能源工厂，并在新型综合能源工厂内通过扩展建设电能驱动的氢电双向转换及储氢系统，以氢为媒介结合能源在生产和使用过程中衍生的能源副产品，构建基于氢的火电与电能混合驱动综合能源工厂，输
出满足用户侧负荷需求的多种能流；
9.分别对综合能源工厂进行用户侧多种能流负荷需求预测，结合电网提供的分时段电能量，确定多种能流负荷的需求响应时段，并根据能源价格机制及需求响应信号进行能源供给侧和用户侧的需求响应协同，确定分时段的不同能源响应量；
10.结合不同时间尺度下的储氢量、不同能流负荷需求量、以及燃料和电能供给量，并以综合能源工厂总体成本最低和碳排放量最小为目标建立多时间尺度优化调度模型，求解获得火电机组、氢电双向转换及储氢系统和电网电能的最优运行策略；所述综合能源工厂总体成本包括用户侧用能成本和负荷响应成本最低和能源供给侧运行维护成本。
11.进一步，所述氢电双向转换及储氢系统包括电解槽、氢燃料电池、储氢装置和甲烷反应器；所述氢电双向转换及储氢系统中氢能利用模式至少包括电解制氢模式、氢转热-电模式和氢制甲烷模式；
12.所述电解制氢模式表示为：
[0013][0014]
p
etzh,t
为t时段电解槽产氢功率；μ
etzh,t
为t时段电解槽产氢效率；p
etz,t
为电解槽t时段用电功率；ψ
etz,i
为产氢效率函数的多项式系数；p
etz,n
为电解槽额定功率值；为t时段储氢装置的储氢水平；分别为t时段储氢装置的充、放电功率；分别为储氢装置的充、放电效率；为储氢装置的额定容量；
[0015]
所述氢转热-电模式表示为：
[0016][0017]
p
fce,t
为氢燃料电池t时段发电功率；h
fch,t
为氢燃料电池t时段产热功率；p
fcin,t
为t时段氢燃料电池消耗的氢能功率；μ
fce,t
、μ
fch,t
分别为氢燃料电池发电效率、产热效率；ψ
fce,i
、ψ
fch,i
分别为发电效率函数、产热效率函数的多项式系数；p
fc,n
为氢燃料电池额定功率值；
[0018]
所述氢制甲烷模式表示为：
[0019][0020]
p
mt,t
、p
mth,t
分别为甲烷反应器输出的天然气功率及消耗的氢能功率；μ
mt
为甲烷反应器的甲烷化效率；为天然气的低位热值；κ
mol
为氢气转甲烷的摩尔折算系数；为
单位体积的甲烷质量。
[0021]
进一步，所述基于氢的火电与电能混合驱动综合能源工厂输出的多种能流至少电、热和气。
[0022]
进一步，通过所述基于氢的火电与电能混合驱动综合能源工厂，以燃料和电能为输入，以氢为媒介结合能源在生产和使用过程中衍生的能源副产品，进行多能流耦合转化，输出多能流；
[0023]
所述多能流耦合转化模型表示为：
[0024][0025]
c为耦合矩阵，表示各类型能源之间的耦合因子，即多类型能源输入与输出间的稳态综合转换系数；l为不同能源形式的能源输出；p为不同能源形式的能源输入。
[0026]
进一步，所述基于综合能源工厂数字孪生模型，分别对综合能源工厂进行用户侧多种能流负荷需求预测，包括：
[0027]
基于综合能源工厂数字孪生模型获取包括电负荷、热负荷、气负荷多种能流相关的历史数据，并统一计量单位后进行累加获得总负荷数据后，进行数据预处理获得预处理后的历史负荷数据；
[0028]
第一阶段：采用神经网络模型lstm训练负荷峰值发生预测模型，预测未来一小时负荷是否为峰值；所述负荷峰值发生预测模型的损失函数中加入惩罚因子μ1、μ2，使预测的峰值发生概率与峰值实际发生概率之间的交叉熵损失最小化，损失函数表示为：
[0029][0030]
yk为编码向量，yk＝[1,0]表示k时刻的实际正常负荷，yk＝[0,1]表示k时刻的实际峰值负荷；pk为编码向量，pk＝[1,0]表示k时刻被预测为正常负荷的概率，pk＝[0,1]表示k时刻被预测为峰值负荷的概率；
[0031]
第二阶段：负荷预测阶段，包括：
[0032]
通过综合相关性分析方法筛选不同等级特征，保留强特征中的关键信息，去除弱特征中的预测噪声，获得不同负荷与总负荷之间的相关性；
[0033]
分析不同负荷在总负荷中的占比系数；
[0034]
基于不同负荷与总负荷之间的相关性以及不同负荷在总负荷中的占比系数，对历史负荷数据进行处理后输入至已训练的神经网络模型中，获得不同负荷预测数据，再将不同负荷预测数据、总负荷数据进行反归一化处理，利用不同负荷预测数据乘以总负荷数据获得不同负荷预测结果。
[0035]
进一步，所述需求响应通过进行响应时段的电、热、气可削减负荷和电、热、气可转移负荷调控方式，改善系统总体负荷；
[0036]
其中，所述电、热、气可削减负荷表示为：
[0037][0038]
p
cute,t
、h
cuth,t
、g
cutq,t
分别为t时段电可削减负荷、热可削减负荷和气可削减负荷参与削减调节后的负荷功率；分别为t时段电、热、气可削减负荷参与削减调节前的功率；b
cute,t
、b
cuth,t
、b
cutq,t
为0-1变量，分别表示电、热、气可削减负荷的状态系数，当值为1时表明t时段电、热、气可削减负荷发生削减调节，当值为0时表明t时段电、热、气可削减负荷未发生削减调节；θ
e,t
、θ
h,t
、θ
q,t
分别为t时段电、热、气可削减负荷的削减比例，0≤θ
e,t
≤1，0≤θ
h,t
≤1，0≤θ
q,t
≤1，当值为1时表明可削减负荷被全部削减；
[0039][0040]
t
cute,min
、t
cuth,min
、t
cutq,min
分别为电、热、气可削减负荷的最小连续削减时间；t
cute,max
、t
cuth,max
、t
cutq,max
分别为电、热、气可削减负荷的最大连续削减时间；
[0041]
所述电、热、气可转移负荷表示为：
[0042][0043]
p
shifte0,t
、h
shifth0,t
、g
shiftq0,t
分别为t时段电、热、气可转移负荷参与调节前的负荷功率；p
shifte,t
、h
shifth,t
、g
shiftq,t
分比为t时段电、热、气可转移负荷参与调节后的负荷功率；[t
begin
,t
end
]为电、热、气可转移负荷的可接受转移时间区间；t为调度周期；
[0044][0045]bshifte,t
、b
shifth,t
、b
shiftq,tbcutq,t
为0-1变量，分别表示电、热、气可转移负荷的状态系数，当值为1时表明t时段电、热、气可转移负荷发生负荷转移，当值为0时表明t时段电、热、气可转移负荷未发生负荷转移；p
shifte,max
、h
shifth,max
、g
shiftq,max
分别为电、热、气可转移负
荷参与转移调节的最大功率；p
shifte,min
、h
shifth,min
、g
shiftq,min
分别为电、热、气可转移负荷参与转移调节的最小功率；
[0046][0047]
t
sfe,min
、t
sfh,min
、t
sfq,min
分别为电、热、气可转移负荷参与转移调节需满足的最小转移时间。
[0048]
进一步，所述结合不同时间尺度下的储氢量、不同能流负荷需求量、以及燃料和电能供给量，并以综合能源工厂总体成本最低和碳排放量最小为目标建立多时间尺度优化调度模型，包括：
[0049]
基于分时段的不同能源响应量确定不同时间尺度下的不同能流负荷需求量，再结合储氢装置在不同时间尺度下的储氢量、燃料和电能供给量，设置多时间尺度优化调度策略；其中，多时间尺度包括日前优化调度、日内优化调度和实时优化调度；所述日内优化调度是以日前优化调度计划作为日内调度的基准运行点和优化调度依据，并考虑日内储氢量、不同能流负荷需求量、以及燃料和电能供给量的预测误差，对日前优化调度结果进行修正获得日内优化调度计划；所述实时优化调度是以日内优化调度计划作为实时调度的基准运行点和优化调度依据，并考虑实时储氢量、不同能流负荷需求量、以及燃料和电能供给量的预测误差，对日内优化调度结果进行修正获得实时优化调度计划；
[0050]
以综合能源工厂总体成本最低和碳排放量最小为目标函数，所述综合能源工厂总体成本包括用户侧用能成本和负荷响应成本最低和能源供给侧运行维护成本；所述目标函数表示为：
[0051]
minf1＝cu+c
idr
+c
es,om
；
[0052][0053]
f1为综合能源工厂总体成本；t为调度周期，可设置为日前优化调度周期、日内优化调度周期和实时优化调度周期；cu为用户侧用能成本，包括用户购买电、热和氢能的成本；c
idr
为负荷响应成本，包括电、热、氢可转移负荷调节补偿成本和电、热、氢可转移负荷调节补偿成本，c
idr
＝c
cut,e
+c
cut,h
+c
cut,q
+c
shift,e
+c
shift,h
+c
shift,q
；c
es,om
为能源供给侧运行维护成本，包括火电机组、氢电双向转换及储氢系统和电网电能运行维护成本；f2为碳排放量，包括火电机组运行时产生的碳排放量和外购非新能源输出电量产生的碳排放量，基于新能源输出的电能为绿电，具有零碳属性，通过电网购买绿电对应的碳排放量为零；α
c,j
、β
c,j
、γ
c,j
为火电机组j的碳排放系数；p
c,j,t
为t时段火电机组j的出力；u
j,t
为火电机组j在t时段的运行状态，1表示火电机组开机，0表示火电机组停机；p
buy,d
为外购非新能源输出电量；μd为外购电的碳排放系数；
[0054][0055][0056]cg
为火电机组运行维护成本；ai、bi、ci为火电机组i的燃煤成本系数；p
g,i,t
为火电机组i在t时段的输出功率；为第i台火电机组的启停成本；u
i,t
为第i台火电机组在t时段的运行状态；ch为氢电双向转换及储氢系统运行维护成本；k
el
、k
fe
、kh、km分别为电解槽单位运维成本、氢燃料电池单位运维成本、储氢装置单位运维成本、甲烷反应器单位运维成本；c
re
为通过电网进行电能购买的运行维护成本；k
t
为t时刻电能购买单位成本；p
ge,t
为t时刻通过电网购买的电能量；
[0057]
设置约束条件，包括电、热、气的功率平衡约束、用户侧可削减负荷约束和可转移负荷约束、火电机组运行约束、氢电双向转换及储氢系统运行约束和电网获取电能的范围约束；
[0058]
依据目标函数和约束条件建立优化调度模型。
[0059]
进一步，所述求解获得火电机组、氢电双向转换及储氢系统和电网电能的最优运行策略，包括：将综合能源工厂总体成本目标和碳排放量目标各赋予一个权重，再累加作为新的目标函数，在调度约束条件下采用智能优化算法求解优化调度模型，获得火电机组和氢电双向转换及储氢系统的最优出力策略、设备启停策略，以及通过电网分时段获取的电能量策略；所述综合能源工厂总体成本目标和碳排放量目标之间的权重分配表明综合能源工厂对不同目标的侧重程度，通过不断调整各目标对应的权重大小获得令决策者满意的最终解。
[0060]
进一步，所述在求解优化调度模型获得火电机组、氢电双向转换及储氢系统和电网电能的最优运行策略之后，还包括建立设备滞后调控模型，获取设备调控滞后时间，并提前该滞后时间对能源侧供给设备进行调控，具体包括：
[0061]
当调节火电机组、氢电双向转换及储氢系统时，需要经过产电、产热、产气、产氢，传输电、热、气、氢能和储氢、电转氢、氢转热-电、氢制气的过程，最终将能源传输至用户侧，
使得用户侧对电、热和气的变化响应存在一段时间滞后，定义为设备调控响应滞后时间；
[0062]
获取系统运行数据，包括火电机组运行数据、电解槽运行数据、氢燃料电池运行数据、储氢装置运行数据，甲烷反应器运行数据、系统各设备属性信息；
[0063]
通过在用户侧设置电、热和气变化检测点，采集相应能源调控响应变量和分析设备调控前后该响应变量是否有明显变化，并将能源调控响应变量作为设备调控滞后时间的辨识参数；
[0064]
将系统运行数据和检测点采集的相关响应变量数据作为训练样本，进行数据预处理和特征提取后获得影响调控滞后的关键变量，并采用深度学习算法进行模型训练后，建立设备滞后调控模型；
[0065]
基于设备滞后调控模型获取设备调控滞后时间，并提前该滞后时间对能源侧供给设备进行调控。
[0066]
本发明的有益效果是：
[0067]
本发明提出在以单一火电机组燃料为输入，以多能流为输出的综合能源工厂基础上，引入电网电能作为输入增加项，形成以燃料和电能混合驱动的新型综合能源工厂，并在新型综合能源工厂内通过扩展建设电能驱动的氢电双向转换及储氢系统，以氢为媒介结合能源在生产和使用过程中衍生的能源副产品，构建基于氢的火电与电能混合驱动综合能源工厂，输出满足用户侧负荷需求的多种能流；分别对综合能源工厂进行用户侧多种能流负荷需求预测，结合电网提供的分时段电能量，确定多种能流负荷的需求响应时段，并根据能源价格机制及需求响应信号进行能源供给侧和用户侧的需求响应协同，确定分时段的不同能源响应量；结合不同时间尺度下的储氢量、不同能流负荷需求量、以及燃料和电能供给量，并以综合能源工厂总体成本最低和碳排放量最小为目标建立多时间尺度优化调度模型，求解获得火电机组、氢电双向转换及储氢系统和电网电能的最优运行策略；所述综合能源工厂总体成本包括用户侧用能成本和负荷响应成本最低和能源供给侧运行维护成本；能够对以单一火电机组燃料为输入的综合能源工厂进行改造，引入电网电能，形成以燃料和电能混合驱动的新型综合能源工厂，并扩展建设氢电双向转换及储氢系统将氢能有效利用，实现基于氢的火电与电能混合驱动，促进能源梯级利用，减少对化石能源的依赖，同时实时收集综合能源系统中各类能源价格和用户用能信息，控制用户的可削减负荷和可转移负荷进行不同的需求响应，有效挖掘与利用用户参与需求响应的能力，以及引入综合能源工厂总成本最低和碳排放量最小为调度目标，获取最优调度策略，能够有效提升利用电能中的绿电降低碳排放量，并保证了系统运行经济性。
[0068]
其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
[0069]
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
[0070]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的
附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0071]
图1为本发明一种基于氢的燃料与电能混合驱动综合能源工厂优化调度方法流程图；
[0072]
图2为本发明基于氢的燃料与电能混合驱动综合能源工厂结构示意图；
[0073]
图3为本发明氢电双向转换及储氢系统中氢能利用模式示意图。
具体实施方式
[0074]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0075]
实施例1
[0076]
图1是本发明所涉及的一种基于氢的燃料与电能混合驱动综合能源工厂优化调度方法流程图。
[0077]
图2是本发明所涉及的基于氢的燃料与电能混合驱动综合能源工厂结构示意图。
[0078]
如图1、2所示，本实施例1提供了一种基于氢的燃料与电能混合驱动综合能源工厂优化调度方法，包括：
[0079]
在以单一火电机组燃料为输入，以多能流为输出的综合能源工厂基础上，引入电网电能作为输入增加项，形成以燃料和电能混合驱动的新型综合能源工厂，并在新型综合能源工厂内通过扩展建设电能驱动的氢电双向转换及储氢系统，以氢为媒介结合能源在生产和使用过程中衍生的能源副产品，构建基于氢的火电与电能混合驱动综合能源工厂，输出满足用户侧负荷需求的多种能流；
[0080]
分别对综合能源工厂进行用户侧多种能流负荷需求预测，结合电网提供的分时段电能量，确定多种能流负荷的需求响应时段，并根据能源价格机制及需求响应信号进行能源供给侧和用户侧的需求响应协同，确定分时段的不同能源响应量；
[0081]
结合不同时间尺度下的储氢量、不同能流负荷需求量、以及燃料和电能供给量，并以综合能源工厂总体成本最低和碳排放量最小为目标建立多时间尺度优化调度模型，求解获得火电机组、氢电双向转换及储氢系统和电网电能的最优运行策略；所述综合能源工厂总体成本包括用户侧用能成本和负荷响应成本最低和能源供给侧运行维护成本。
[0082]
在实际的应用中，该混合驱动综合能源工厂在能源负荷侧，综合考虑供电、供热、供除盐水、供氢、供压缩空气等多种能源产品，可能流的相互转化，基于现有燃煤或燃气驱动的火力发电厂，扩展建设电能驱动的制氢、储氢、用氢系统，与现有的火力发电厂进行整体集成优化，以氢为媒介实现低碳能源生产和供应，形成低碳、燃料与电能混合动力驱动的新型能源工厂。充分利用原有火电厂外送电、热等能源产品的基础建设通道，实现能源供应的低碳转型。通过在混合动力综合能源工厂围墙内的绿色电低碳替代，保留既有的电力、热力、除盐水、压缩空气等能源输送网络及下游用能工艺设备，可以减少末端用能设备低碳转型的设备投资。
[0083]
在实际的应用中，优化调度方法还包括构建基于氢的火电与电能混合驱动综合能
源工厂数字孪生模型，并基于综合能源工厂数字孪生模型对火电机组、氢电双向转换及储氢系统和电网电能的最优运行策略进行仿真验证分析后，下发对应指令至综合能源工厂进行执行。
[0084]
所述构建基于氢的火电与电能混合驱动综合能源工厂数字孪生模型，包括：
[0085]
在基于氢的火电与电能混合驱动综合能源工厂的不同位置或不同运行环节上设置多个物理传感器和虚拟传感器，采集综合能源工厂的实际传感数据和虚拟传感数据；
[0086]
基于采集的综合能源工厂的实际传感数据和虚拟传感数据，结合实际综合能源工厂各物理实体对象的结构、物理特性、运行逻辑规则和行为耦合关系，采用数字孪生技术构建与实际综合能源工厂相映射的综合能源工厂数字孪生模型；
[0087]
将所述实际综合能源工厂和综合能源工厂数字孪生模型进行在线同步仿真，并利用实际综合能源工厂的运行数据和综合能源工厂数字孪生模型的仿真数据对所构建的数字孪生模型进行迭代优化；
[0088]
其中，所述综合能源工厂数字孪生模型包括各个物理实体对象的孪生智能体，各个孪生智能体通过预设的深度强化学习算法进行物理实体对象的数据学习、特征提取和模型训练后建立，再将各个孪生智能体进行组装和融合后获得综合能源工厂数字孪生模型；
[0089]
所述综合能源工厂数字孪生模型和实际综合能源工厂之间采用5g数字孪生通信方式进行信息交互，该通信方式包括现场层、边缘层和云计算三层；所述现场层利用5g网络连接传感器、执行器、物理设备节点；所述边缘层接入现场层设备，通过时间敏感型网络tsn和sdn，进行智能感知、数据分析；所述云计算层进行全局调度智能决策。
[0090]
图3是本发明所涉及的氢电双向转换及储氢系统中氢能利用模式示意图。
[0091]
如图3所示，在本实施例中，所述氢电双向转换及储氢系统包括电解槽、氢燃料电池、储氢装置和甲烷反应器；所述氢电双向转换及储氢系统中氢能利用模式至少包括电解制氢模式、氢转热-电模式和氢制甲烷模式；
[0092]
所述电解制氢模式表示为：
[0093][0094]
p
etzh,t
为t时段电解槽产氢功率；μ
etzh,t
为t时段电解槽产氢效率；p
etz,t
为电解槽t时段用电功率；ψ
etz,i
为产氢效率函数的多项式系数；p
etz,n
为电解槽额定功率值；为t时段储氢装置的储氢水平；分别为t时段储氢装置的充、放电功率；分别为储氢装置的充、放电效率；为储氢装置的额定容量；
[0095]
所述氢转热-电模式表示为：
[0096][0097]
p
fce,t
为氢燃料电池t时段发电功率；h
fch,t
为氢燃料电池t时段产热功率；p
fcin,t
为t时段氢燃料电池消耗的氢能功率；μ
fce,t
、μ
fch,t
分别为氢燃料电池发电效率、产热效率；ψ
fce,i
、ψ
fch,i
分别为发电效率函数、产热效率函数的多项式系数；p
fc,n
为氢燃料电池额定功率值；
[0098]
所述氢制甲烷模式表示为：
[0099][0100]
p
mt,t
、p
mth,t
分别为甲烷反应器输出的天然气功率及消耗的氢能功率；μ
mt
为甲烷反应器的甲烷化效率；为天然气的低位热值；κ
mol
为氢气转甲烷的摩尔折算系数；为单位体积的甲烷质量。
[0101]
需要说明的是，可以根据场景的需求进行氢能模式的利用，当不需要天然气时，可不设置甲烷反应器，当需要其他能流时，可以通过能流转化的方式设置其他能流转化设备，例如当需要压缩空气时，可以设置压缩机由电驱动获取压缩空气。
[0102]
在本实施例中，所述基于氢的火电与电能混合驱动综合能源工厂输出的多种能流至少电、热和气。
[0103]
需要说明的是，以电能输入至氢电双向转换及储氢系统产生的氢能为媒介，并利用储氢装置储存；电包括从电网上分时段获取的电能和由常规火电机组输出的电，以及通过氢燃料电池进行氢能转电过程产生的电；热包括供热火电机组输出的热和氢能转电过程中释放的热量；气包括火电机组燃料燃烧过程中产生的气和利用氢制甲烷过程产生的气。
[0104]
需要说明的是，综合能源工厂除了包括火电机组、氢电双向转换及储氢系统和电网电能之外，还可包括热电联产机组、燃气轮机、燃气锅炉、吸收式制冷剂、储热、储气、储电等装置，用户侧还可以包括氢负荷、冷负荷，氢能可以作为输出满足用户的氢负荷需求，也可以作为媒介进行能流的转化，电网电能优先选用可再生能源产生的电能，将丰富的清洁能源产生的电通过电网输送来利用；绿电能够直接激励可再生能源的发展，购买和利用绿电意味着综合能源工厂外购电力对应的碳排放量几乎为零，综合能源工厂本身的碳排放量因购买绿电而减少。
[0105]
在本实施例中，通过所述基于氢的火电与电能混合驱动综合能源工厂，以燃料和电能为输入，以氢为媒介结合能源在生产和使用过程中衍生的能源副产品，进行多能流耦合转化，输出多能流；
[0106]
所述多能流耦合转化模型表示为：
[0107][0108]
c为耦合矩阵，表示各类型能源之间的耦合因子，即多类型能源输入与输出间的稳态综合转换系数；l为不同能源形式的能源输出；p为不同能源形式的能源输入。
[0109]
需要说明的是，综合能源工厂作为能源信息接收处理和能源转换载体，可实时收集综合能源系统中各类能源价格和用户用能信息，并作为能源供给侧和用户实际负荷的枢纽，通过自动控制用户的可削减负荷和可转移负荷、以及氢电双向转换及储氢系统、火电机组和电网电能进行不同的需求响应。
[0110]
在本实施例中，所述基于综合能源工厂数字孪生模型，分别对综合能源工厂进行用户侧多种能流负荷需求预测，包括：
[0111]
基于综合能源工厂数字孪生模型获取包括电负荷、热负荷、气负荷多种能流相关的历史数据，并统一计量单位后进行累加获得总负荷数据后，进行数据预处理获得预处理后的历史负荷数据；
[0112]
第一阶段：采用神经网络模型lstm训练负荷峰值发生预测模型，预测未来一小时负荷是否为峰值；所述负荷峰值发生预测模型的损失函数中加入惩罚因子μ1、μ2，使预测的峰值发生概率与峰值实际发生概率之间的交叉熵损失最小化，损失函数表示为：
[0113][0114]
yk为编码向量，yk＝[1,0]表示k时刻的实际正常负荷，yk＝[0,1]表示k时刻的实际峰值负荷；pk为编码向量，pk＝[1,0]表示k时刻被预测为正常负荷的概率，pk＝[0,1]表示k时刻被预测为峰值负荷的概率；
[0115]
第二阶段：负荷预测阶段，包括：
[0116]
通过综合相关性分析方法筛选不同等级特征，保留强特征中的关键信息，去除弱特征中的预测噪声，获得不同负荷与总负荷之间的相关性；
[0117]
分析不同负荷在总负荷中的占比系数；
[0118]
基于不同负荷与总负荷之间的相关性以及不同负荷在总负荷中的占比系数，对历史负荷数据进行处理后输入至已训练的神经网络模型中，获得不同负荷预测数据，再将不同负荷预测数据、总负荷数据进行反归一化处理，利用不同负荷预测数据乘以总负荷数据获得不同负荷预测结果。
[0119]
需要说明的是，通过负荷峰值发生预测模型，可以提前获知下一小时是否为负荷峰值时刻，针对峰值时期可以提前划定是否需要进行需求响应的时段，并依据负荷峰值和正常值状态进行负荷预测，获得未来时刻的负荷值，便于后续的系统优化调度，实现能源供给侧和需求侧的供需协调。同样也可以构建电网电能峰值发生预测模型，提前获知电能的产出高峰时期，并结合电能电价和不同时段的电能预测值，分时段获取电能。
[0120]
在本实施例中，所述需求响应通过进行响应时段的电、热、气可削减负荷和电、热、气可转移负荷调控方式，改善系统总体负荷；
[0121]
其中，所述电、热、气可削减负荷表示为：
[0122][0123]
p
cute,t
、h
cuth,t
、g
cutq,t
分别为t时段电可削减负荷、热可削减负荷和气可削减负荷参与削减调节后的负荷功率；分别为t时段电、热、气可削减负荷参与削减调节前的功率；b
cute,t
、b
cuth,t
、b
cutq,t
为0-1变量，分别表示电、热、气可削减负荷的状态系数，当值为1时表明t时段电、热、气可削减负荷发生削减调节，当值为0时表明t时段电、热、气可削减负荷未发生削减调节；θ
e,t
、θ
h,t
、θ
q,t
分别为t时段电、热、气可削减负荷的削减比例，0≤θ
e,t
≤1，0≤θ
h,t
≤1，0≤θ
q,t
≤1，当值为1时表明可削减负荷被全部削减；
[0124][0125]
t
cute,min
、t
cuth,min
、t
cutq,min
分别为电、热、气可削减负荷的最小连续削减时间；t
cute,max
、t
cuth,max
、t
cutq,max
分别为电、热、气可削减负荷的最大连续削减时间；
[0126]
所述电、热、气可转移负荷表示为：
[0127][0128]
p
shifte0,t
、h
shifth0,t
、g
shiftq0,t
分别为t时段电、热、气可转移负荷参与调节前的负荷功率；p
shifte,t
、h
shifth,t
、g
shiftq,t
分比为t时段电、热、气可转移负荷参与调节后的负荷功率；[t
begin
,t
end
]为电、热、气可转移负荷的可接受转移时间区间；t为调度周期；
[0129][0130]bshifte,t
、b
shifth,t
、b
shiftq,tbcutq,t
为0-1变量，分别表示电、热、气可转移负荷的状态系数，当值为1时表明t时段电、热、气可转移负荷发生负荷转移，当值为0时表明t时段电、
热、气可转移负荷未发生负荷转移；p
shifte,max
、h
shifth,max
、g
shiftq,max
分别为电、热、气可转移负荷参与转移调节的最大功率；p
shifte,min
、h
shifth,min
、g
shiftq,min
分别为电、热、气可转移负荷参与转移调节的最小功率；
[0131][0132]
t
sfe,min
、t
sfh,min
、t
sfq,min
分别为电、热、气可转移负荷参与转移调节需满足的最小转移时间。
[0133]
需要说明的是，综合需求响应可以实现综合能源系统中多种能源的供给与需求之间的互动，可以有效提高多种能源需求侧的响应能力。综合能源工厂可实现能源间的相互转换，用户侧可根据实时电价、气价、热价来选择供能方式，减小了系统运行成本的同时也缓解了系统的能源供给压力。可削减负荷可以承担系统供能中一定程度的负荷中断、功率下降或减少时间运行，根据实际供能用能情况，通过部分/完全削减相应可削减负荷功率，满足系统整体用能供需，缓解用能紧张。可转移负荷为系统中可灵活调节的负荷，可转移负荷有可接受转移时间区间，在此区间内，根据具体供能需求，通过将负荷转移至其余时段，满足系统整体用能供需。
[0134]
在本实施例中，所述结合不同时间尺度下的储氢量、不同能流负荷需求量、以及燃料和电能供给量，并以综合能源工厂总体成本最低和碳排放量最小为目标建立多时间尺度优化调度模型，包括：
[0135]
基于分时段的不同能源响应量确定不同时间尺度下的不同能流负荷需求量，再结合储氢装置在不同时间尺度下的储氢量、燃料和电能供给量，设置多时间尺度优化调度策略；其中，多时间尺度包括日前优化调度、日内优化调度和实时优化调度；所述日内优化调度是以日前优化调度计划作为日内调度的基准运行点和优化调度依据，并考虑日内储氢量、不同能流负荷需求量、以及燃料和电能供给量的预测误差，对日前优化调度结果进行修正获得日内优化调度计划；所述实时优化调度是以日内优化调度计划作为实时调度的基准运行点和优化调度依据，并考虑实时储氢量、不同能流负荷需求量、以及燃料和电能供给量的预测误差，对日内优化调度结果进行修正获得实时优化调度计划；
[0136]
以综合能源工厂总体成本最低和碳排放量最小为目标函数，所述综合能源工厂总体成本包括用户侧用能成本和负荷响应成本最低和能源供给侧运行维护成本；所述目标函数表示为：
[0137]
minf1＝cu+c
idr
+c
es,om
；
[0138][0139]
f1为综合能源工厂总体成本；t为调度周期，可设置为日前优化调度周期、日内优化调度周期和实时优化调度周期；cu为用户侧用能成本，包括用户购买电、热和氢能的成
本；c
idr
为负荷响应成本，包括电、热、氢可转移负荷调节补偿成本和电、热、氢可转移负荷调节补偿成本，c
idr
＝c
cut,e
+c
cut,h
+c
cut,q
+c
shift,e
+c
shift,h
+c
shift,q
；c
es,om
为能源供给侧运行维护成本，包括火电机组、氢电双向转换及储氢系统和电网电能运行维护成本；f2为碳排放量，包括火电机组运行时产生的碳排放量和外购非新能源输出电量产生的碳排放量，基于新能源输出的电能为绿电，具有零碳属性，通过电网购买绿电对应的碳排放量为零；α
c,j
、β
c,j
、γ
c,j
为火电机组j的碳排放系数；p
c,j,t
为t时段火电机组j的出力；u
j,t
为火电机组j在t时段的运行状态，1表示火电机组开机，0表示火电机组停机；p
buy,d
为外购非新能源输出电量；μd为外购电的碳排放系数；
[0140][0141][0142]cg
为火电机组运行维护成本；ai、bi、ci为火电机组i的燃煤成本系数；p
g,i,t
为火电机组i在t时段的输出功率；为第i台火电机组的启停成本；u
i,t
为第i台火电机组在t时段的运行状态；ch为氢电双向转换及储氢系统运行维护成本；k
el
、k
fe
、kh、km分别为电解槽单位运维成本、氢燃料电池单位运维成本、储氢装置单位运维成本、甲烷反应器单位运维成本；c
re
为通过电网进行电能购买的运行维护成本；k
t
为t时刻电能购买单位成本；p
ge,t
为t时刻通过电网购买的电能量；
[0143]
设置约束条件，包括电、热、气的功率平衡约束、用户侧可削减负荷约束和可转移负荷约束、火电机组运行约束、氢电双向转换及储氢系统运行约束和电网获取电能的范围约束；
[0144]
依据目标函数和约束条件建立优化调度模型。
[0145]
在实际的应用中，多时间尺度优化调度模型还可以细分设置为：
[0146]
日前优化调度模型：以综合能源工厂总体成本最低和碳排放量最小为目标函数，求解获得日前优化调度计划；
[0147]
日内优化调度模型：以日前优化调度计划作为日内调度的基准运行点和优化调度
依据，并考虑日内储氢量、不同能流负荷需求量、以及燃料和电能供给量的预测误差，对日前优化调度结果进行修正获得日内优化调度计划；目标函数在日前优化调度计划的基础上，还包括储氢量惩罚项，以t时段的储氢量和日前调度计划中t时段的储氢量的误差量、惩罚系数进行计算；
[0148]
实时优化调度模型：以日内优化调度计划作为实时调度的基准运行点和优化调度依据，并考虑实时储氢量、不同能流负荷需求量、以及燃料和电能供给量的预测误差，对日内优化调度结果进行修正获得实时优化调度计划；目标函数在日内优化调度计划的基础上，还包括火电机组和氢电双向转换及储氢系统中设备调整量最小。
[0149]
需要说明的是，还可以在优化调度模型中引入碳交易-绿证交易机制，综合能源工厂总体成本还包括碳交易成本和电能交易成本；
[0150]
将供应电能的电网绿电运营商作为绿证供给方，将火电机组作为绿证需求方，双方通过策略行为共同操控绿证市场，火电机组向电网绿电运营商购买相应数量的绿证来减少碳排放，电网绿电运营商通过绿证交易获取额外收益；火电机组通过购买绿证减少碳排放量的同时，增加了火电机组的碳配额，火电机组可将购买的绿证转换成碳配额。
[0151][0152]
p为碳交易价格；f2为碳排放量；e0为碳配额；α
gc
为绿证转移系数；为第i个火电机组在t时段下购买的绿证量；分别为火电机组购买绿证成本和电网电能运营商绿证收益；λ
gc
为绿证交易价格；θ为绿证配额比例；p
w,e,t
为第e种清洁能源产生的电能输出功率。
[0153]
在本实施例中，所述求解获得火电机组、氢电双向转换及储氢系统和电网电能的最优运行策略，包括：将综合能源工厂总体成本目标和碳排放量目标各赋予一个权重，再累加作为新的目标函数，在调度约束条件下采用智能优化算法求解优化调度模型，获得火电机组和氢电双向转换及储氢系统的最优出力策略、设备启停策略，以及通过电网分时段获取的电能量策略；所述综合能源工厂总体成本目标和碳排放量目标之间的权重分配表明综合能源工厂对不同目标的侧重程度，通过不断调整各目标对应的权重大小获得令决策者满意的最终解。
[0154]
在本实施例中，所述在求解优化调度模型获得火电机组、氢电双向转换及储氢系统和电网电能的最优运行策略之后，还包括建立设备滞后调控模型，获取设备调控滞后时间，并提前该滞后时间对能源侧供给设备进行调控，具体包括：
[0155]
当调节火电机组、氢电双向转换及储氢系统时，需要经过产电、产热、产气、产氢，传输电、热、气、氢能和储氢、电转氢、氢转热-电、氢制气的过程，最终将能源传输至用户侧，使得用户侧对电、热和气的变化响应存在一段时间滞后，定义为设备调控响应滞后时间；
[0156]
获取系统运行数据，包括火电机组运行数据、电解槽运行数据、氢燃料电池运行数据、储氢装置运行数据，甲烷反应器运行数据、系统各设备属性信息；
[0157]
通过在用户侧设置电、热和气变化检测点，采集相应能源调控响应变量和分析设
备调控前后该响应变量是否有明显变化，并将能源调控响应变量作为设备调控滞后时间的辨识参数；
[0158]
将系统运行数据和检测点采集的相关响应变量数据作为训练样本，进行数据预处理和特征提取后获得影响调控滞后的关键变量，并采用深度学习算法进行模型训练后，建立设备滞后调控模型；
[0159]
基于设备滞后调控模型获取设备调控滞后时间，并提前该滞后时间对能源侧供给设备进行调控。
[0160]
需要说明的是，设备调控在末端不能及时响应，存在一定时间的滞后，例如氢燃料电池的输出和燃料压强、电堆温度、冷却循环水流速等因素都相关，从氢燃料电池启动值最佳工作状态需要花费一定时间，因此能源的输出变化也有一个变化过程，获取设备调控滞后时间能够提高系统调度的精确性。
[0161]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统和方法，也可以通过其它的方式实现。以上所描述的系统实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0162]
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0163]
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0164]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。

技术特征：
1.一种基于氢的燃料与电能混合驱动综合能源工厂优化调度方法，其特征在于，包括：在以单一火电机组燃料为输入，以多能流为输出的综合能源工厂基础上，引入电网电能作为输入增加项，形成以燃料和电能混合驱动的新型综合能源工厂，并在新型综合能源工厂内通过扩展建设电能驱动的氢电双向转换及储氢系统，以氢为媒介结合能源在生产和使用过程中衍生的能源副产品，构建基于氢的火电与电能混合驱动综合能源工厂，输出满足用户侧负荷需求的多种能流；分别对综合能源工厂进行用户侧多种能流负荷需求预测，结合电网提供的分时段电能量，确定多种能流负荷的需求响应时段，并根据能源价格机制及需求响应信号进行能源供给侧和用户侧的需求响应协同，确定分时段的不同能源响应量；结合不同时间尺度下的储氢量、不同能流负荷需求量、以及燃料和电能供给量，并以综合能源工厂总体成本最低和碳排放量最小为目标建立多时间尺度优化调度模型，求解获得火电机组、氢电双向转换及储氢系统和电网电能在不同时间尺度的最优运行策略；所述综合能源工厂总体成本包括用户侧用能成本和负荷响应成本最低和能源供给侧运行维护成本。2.根据权利要求1所述的基于氢的燃料与电能混合驱动综合能源工厂优化调度方法，其特征在于，所述氢电双向转换及储氢系统包括电解槽、氢燃料电池、储氢装置和甲烷反应器；所述氢电双向转换及储氢系统中氢能利用模式至少包括电解制氢模式、氢转热-电模式和氢制甲烷模式；所述电解制氢模式表示为：p
etzh,t
为t时段电解槽产氢功率；μ
etzh,t
为t时段电解槽产氢效率；p
etz,t
为电解槽t时段用电功率；ψ
etz,i
为产氢效率函数的多项式系数；p
etz,n
为电解槽额定功率值；为t时段储氢装置的储氢水平；分别为t时段储氢装置的充、放电功率；分别为储氢装置的充、放电效率；为储氢装置的额定容量；所述氢转热-电模式表示为：p
fce,t
为氢燃料电池t时段发电功率；h
fch,t
为氢燃料电池t时段产热功率；p
fcin,t
为t时段氢燃料电池消耗的氢能功率；μ
fce,t
、μ
fch,t
分别为氢燃料电池发电效率、产热效率；ψ
fce,i
、
ψ
fch,i
分别为发电效率函数、产热效率函数的多项式系数；p
fc,n
为氢燃料电池额定功率值；所述氢制甲烷模式表示为：p
mt,t
、p
mth,t
分别为甲烷反应器输出的天然气功率及消耗的氢能功率；μ
mt
为甲烷反应器的甲烷化效率；为天然气的低位热值；κ
mol
为氢气转甲烷的摩尔折算系数；为单位体积的甲烷质量。3.根据权利要求1所述的基于氢的燃料与电能混合驱动综合能源工厂优化调度方法，其特征在于，所述基于氢的火电与电能混合驱动综合能源工厂输出的多种能流至少电、热和气。4.根据权利要求1所述的基于氢的燃料与电能混合驱动综合能源工厂优化调度方法，其特征在于，通过所述基于氢的火电与电能混合驱动综合能源工厂，以燃料和电能为输入，以氢为媒介结合能源在生产和使用过程中衍生的能源副产品，进行多能流耦合转化，输出多能流；所述多能流耦合转化模型表示为：c为耦合矩阵，表示各类型能源之间的耦合因子，即多类型能源输入与输出间的稳态综合转换系数；l为不同能源形式的能源输出；p为不同能源形式的能源输入。5.根据权利要求1所述的基于氢的燃料与电能混合驱动综合能源工厂优化调度方法，其特征在于，分别对综合能源工厂进行用户侧多种能流负荷需求预测，包括：基于综合能源工厂数字孪生模型获取包括电负荷、热负荷、气负荷多种能流相关的历史数据，并统一计量单位后进行累加获得总负荷数据后，进行数据预处理获得预处理后的历史负荷数据；第一阶段：采用神经网络模型lstm训练负荷峰值发生预测模型，预测未来一小时负荷是否为峰值；所述负荷峰值发生预测模型的损失函数中加入惩罚因子μ1、μ2，使预测的峰值发生概率与峰值实际发生概率之间的交叉熵损失最小化，损失函数表示为：y
k
为编码向量，y
k
＝[1,0]表示k时刻的实际正常负荷，y
k
＝[0,1]表示k时刻的实际峰值负荷；p
k
为编码向量，p
k
＝[1,0]表示k时刻被预测为正常负荷的概率，p
k
＝[0,1]表示k时刻被预测为峰值负荷的概率；第二阶段：负荷预测阶段，包括：通过综合相关性分析方法筛选不同等级特征，保留强特征中的关键信息，去除弱特征中的预测噪声，获得不同负荷与总负荷之间的相关性；分析不同负荷在总负荷中的占比系数；
基于不同负荷与总负荷之间的相关性以及不同负荷在总负荷中的占比系数，对历史负荷数据进行处理后输入至已训练的神经网络模型中，获得不同负荷预测数据，再将不同负荷预测数据、总负荷数据进行反归一化处理，利用不同负荷预测数据乘以总负荷数据获得不同负荷预测结果。6.根据权利要求1所述的基于氢的燃料与电能混合驱动综合能源工厂优化调度方法，其特征在于，所述需求响应通过进行响应时段的电、热、气可削减负荷和电、热、气可转移负荷调控方式，改善系统总体负荷；其中，所述电、热、气可削减负荷表示为：p
cute,t
、h
cuth,t
、g
cutq,t
分别为t时段电可削减负荷、热可削减负荷和气可削减负荷参与削减调节后的负荷功率；分别为t时段电、热、气可削减负荷参与削减调节前的功率；b
cute,t
、b
cuth,t
、b
cutq,t
为0-1变量，分别表示电、热、气可削减负荷的状态系数，当值为1时表明t时段电、热、气可削减负荷发生削减调节，当值为0时表明t时段电、热、气可削减负荷未发生削减调节；θ
e,t
、θ
h,t
、θ
q,t
分别为t时段电、热、气可削减负荷的削减比例，0≤θ
e,t
≤1，0≤θ
h,t
≤1，0≤θ
q,t
≤1，当值为1时表明可削减负荷被全部削减；t
cute,min
、t
cuth,min
、t
cutq,min
分别为电、热、气可削减负荷的最小连续削减时间；t
cute,max
、t
cuth,max
、t
cutq,max
分别为电、热、气可削减负荷的最大连续削减时间；所述电、热、气可转移负荷表示为：p
shifte0,t
、h
shifth0,t
、g
shiftq0,t
分别为t时段电、热、气可转移负荷参与调节前的负荷功率；
p
shifte,t
、h
shifth,t
、g
shiftq,t
分比为t时段电、热、气可转移负荷参与调节后的负荷功率；[t
begin
,t
end
]为电、热、气可转移负荷的可接受转移时间区间；t为调度周期；b
shifte,t
、b
shifth,t
、b
shiftq,t b
cutq,t
为0-1变量，分别表示电、热、气可转移负荷的状态系数，当值为1时表明t时段电、热、气可转移负荷发生负荷转移，当值为0时表明t时段电、热、气可转移负荷未发生负荷转移；p
shifte,max
、h
shifth,max
、g
shiftq,max
分别为电、热、气可转移负荷参与转移调节的最大功率；p
shifte,min
、h
shifth,min
、g
shiftq,min
分别为电、热、气可转移负荷参与转移调节的最小功率；t
sfe,min
、t
sfh,min
、t
sfq,min
分别为电、热、气可转移负荷参与转移调节需满足的最小转移时间。7.根据权利要求1所述的基于氢的燃料与电能混合驱动综合能源工厂优化调度方法，其特征在于，所述结合不同时间尺度下的储氢量、不同能流负荷需求量、以及燃料和电能供给量，并以综合能源工厂总体成本最低和碳排放量最小为目标建立多时间尺度优化调度模型，包括：基于分时段的不同能源响应量确定不同时间尺度下的不同能流负荷需求量，再结合储氢装置在不同时间尺度下的储氢量、燃料和电能供给量，设置多时间尺度优化调度策略；其中，多时间尺度包括日前优化调度、日内优化调度和实时优化调度；所述日内优化调度是以日前优化调度计划作为日内调度的基准运行点和优化调度依据，并考虑日内储氢量、不同能流负荷需求量、以及燃料和电能供给量的预测误差，对日前优化调度结果进行修正获得日内优化调度计划；所述实时优化调度是以日内优化调度计划作为实时调度的基准运行点和优化调度依据，并考虑实时储氢量、不同能流负荷需求量、以及燃料和电能供给量的预测误差，对日内优化调度结果进行修正获得实时优化调度计划；以综合能源工厂总体成本最低和碳排放量最小为目标函数，所述综合能源工厂总体成本包括用户侧用能成本和负荷响应成本最低和能源供给侧运行维护成本；所述目标函数表示为：minf1＝c
u
+c
idr
+c
es,om
；f1为综合能源工厂总体成本；t为调度周期，可设置为日前优化调度周期、日内优化调度周期和实时优化调度周期；c
u
为用户侧用能成本，包括用户购买电、热和氢能的成本；c
idr
为
负荷响应成本，包括电、热、氢可转移负荷调节补偿成本和电、热、氢可转移负荷调节补偿成本，c
idr
＝c
cut,e
+c
cut,h
+c
cut,q
+c
shift,e
+c
shift,h
+c
shift,q
；c
es,om
为能源供给侧运行维护成本，包括火电机组、氢电双向转换及储氢系统和电网电能运行维护成本；f2为碳排放量，包括火电机组运行时产生的碳排放量和外购非新能源输出电量产生的碳排放量，基于新能源输出的电能为绿电，具有零碳属性，通过电网购买绿电对应的碳排放量为零；α
c,j
、β
c,j
、γ
c,j
为火电机组j的碳排放系数；p
c,j,t
为t时段火电机组j的出力；u
j,t
为火电机组j在t时段的运行状态，1表示火电机组开机，0表示火电机组停机；p
buy,d
为外购非新能源输出电量；μ
d
为外购电的碳排放系数；排放系数；c
g
为火电机组运行维护成本；a
i
、b
i
、c
i
为火电机组i的燃煤成本系数；p
g,i,t
为火电机组i在t时段的输出功率；s
ig
为第i台火电机组的启停成本；u
i,t
为第i台火电机组在t时段的运行状态；c
h
为氢电双向转换及储氢系统运行维护成本；k
el
、k
fe
、k
h
、k
m
分别为电解槽单位运维成本、氢燃料电池单位运维成本、储氢装置单位运维成本、甲烷反应器单位运维成本；c
re
为通过电网进行电能购买的运行维护成本；k
t
为t时刻电能购买单位成本；p
ge,t
为t时刻通过电网购买的电能量；设置约束条件，包括电、热、气的功率平衡约束、用户侧可削减负荷约束和可转移负荷约束、火电机组运行约束、氢电双向转换及储氢系统运行约束和电网获取电能的范围约束；依据目标函数和约束条件建立优化调度模型。8.根据权利要求1所述的基于氢的燃料与电能混合驱动综合能源工厂优化调度方法，其特征在于，所述求解获得火电机组、氢电双向转换及储氢系统和电网电能的最优运行策略，包括：将综合能源工厂总体成本目标和碳排放量目标各赋予一个权重，再累加作为新的目标函数，在调度约束条件下采用智能优化算法求解优化调度模型，获得火电机组和氢电双向转换及储氢系统的最优出力策略、设备启停策略，以及通过电网分时段获取的电能量
策略；所述综合能源工厂总体成本目标和碳排放量目标之间的权重分配表明综合能源工厂对不同目标的侧重程度，通过不断调整各目标对应的权重大小获得令决策者满意的最终解。9.根据权利要求1所述的基于氢的燃料与电能混合驱动综合能源工厂优化调度方法，其特征在于，所述在求解优化调度模型获得火电机组、氢电双向转换及储氢系统和电网电能的最优运行策略之后，还包括建立设备滞后调控模型，获取设备调控滞后时间，并提前该滞后时间对能源侧供给设备进行调控，具体包括：当调节火电机组、氢电双向转换及储氢系统时，需要经过产电、产热、产气、产氢，传输电、热、气、氢能和储氢、电转氢、氢转热-电、氢制气的过程，最终将能源传输至用户侧，使得用户侧对电、热和气的变化响应存在一段时间滞后，定义为设备调控响应滞后时间；获取系统运行数据，包括火电机组运行数据、电解槽运行数据、氢燃料电池运行数据、储氢装置运行数据，甲烷反应器运行数据、系统各设备属性信息；通过在用户侧设置电、热和气变化检测点，采集相应能源调控响应变量和分析设备调控前后该响应变量是否有明显变化，并将能源调控响应变量作为设备调控滞后时间的辨识参数；将系统运行数据和检测点采集的相关响应变量数据作为训练样本，进行数据预处理和特征提取后获得影响调控滞后的关键变量，并采用深度学习算法进行模型训练后，建立设备滞后调控模型；基于设备滞后调控模型获取设备调控滞后时间，并提前该滞后时间对能源侧供给设备进行调控。

技术总结
本发明公开了一种基于氢的燃料与电能混合驱动综合能源工厂优化调度方法，包括：在以单一火电机组燃料为输入，以多能流为输出的综合能源工厂基础上，引入电网电能作为输入增加项，形成以燃料和电能混合驱动的新型综合能源工厂，并在新型综合能源工厂内通过扩展建设电能驱动的氢电双向转换及储氢系统，以氢为媒介结合能源在生产和使用过程中衍生的能源副产品，构建基于氢的火电与电能混合驱动综合能源工厂，输出满足用户侧负荷需求的多种能流；根据能源价格机制及需求响应信号进行能源供给侧和用户侧的需求响应协同，确定响应时段和响应量；以综合能源工厂总体成本最低和碳排放量最小为目标建立多时间尺度优化调度模型，求解获得最优调度策略。获得最优调度策略。获得最优调度策略。


技术研发人员：谢金芳 时伟 裘天阅 穆佩红
受保护的技术使用者：英集动力科技（嘉兴）有限公司
技术研发日：2023.07.10
技术公布日：2023/9/7