一种基于PSO优化的光伏制氢系统能量管理方法

本发明属于光伏发电制氢储能系统能量管理技术，尤其涉及一种基于pso优化的光伏制氢系统能量管理方法。

背景技术：

1、模糊逻辑的应用非常广泛，特别是在人工智能领域。比如控制系统中模糊控制系统使用模糊逻辑来处理具有模糊性和不确定性的输入，从而实现智能化的控制。模糊逻辑通过引入模糊集合、模糊规则和模糊推理，为处理不确定性和模糊性问题提供了有效的数学工具和方法。现有的基于模糊逻辑控制的能量管理策略很多事基于专家经验，其隶属度函数与规则是人为制定的，因此具有一定的局限性。

技术实现思路

1、鉴于上述现有技术的不足，本发明针对光伏发电制氢储能系统的中需要最大化制氢量同时尽量减小电解槽功率波动的目标，提供一种基于pso优化的光伏制氢系统能量管理方法。

2、本发明的一种基于pso优化的光伏制氢系统能量管理方法，光伏制氢系统包括光伏发电组件、电池组件以及碱性电解槽组件。能量管理具体为：

3、步骤1：制定模糊逻辑控制(fuzzy logic control，flc)与低通滤波器结合的控制方法，flc的一个输入是光伏发电功率与电解槽额定功率的差值，另一个是电池的soc，flc的输出是电池的充放电功率；低通滤波器环节，将传递给碱性电解槽的功率进行高低频分量的分离，将低频的功率用于电解槽实际运行制氢，高频分量传递给电池。

4、步骤2：以最大化系统制氢量和最小化电解槽功率波动性指标作为优化目标，建立优化目标模型。

5、(1)制氢量的计算公式表示为：

6、

7、式中，是制氢量，n是采样点总数，是氢气的密度，δ是采样间隔，并且第k个采样点满足tk＝tk-1+δ；为电解槽制氢量，通过以下方式计算：

8、

9、式中，pae是电解槽的功率，ηae是碱性电解槽的制氢效率，是氢气的热值。

10、(2)电解槽功率波动性指标表示为：

11、

12、式中，wvi电解槽功率波动性指标，n是总的采样点个数，pae(k)是电解槽实时的功率，pave是电解槽的动态平均功率，被表示为：

13、

14、式中，pae(k-1)，pae(k-2)和pae(k-3)分别代表了前三个时刻电解槽的运行功率。

15、(3)系统的优化目标表示为：

16、

17、步骤3：考虑电池荷电状态的约束函数。

18、光伏面板的输出功率是太阳辐射和温度的函数，表示为：

19、

20、式中，k表示离散时间轴，sri表示太阳辐射强度，tpv表示光伏组件温度，sri,stc是标准测试条件下的太阳辐射强度，tamb,stc是标准测试条件的环境温度，kt是温度系数，ppv,rated是标准测试条件下光伏组件的额定输出功率；其中，tpv的计算公式为：

21、

22、式中，tamb是环境温度，此外，tamb,noc和sri,noc分别为额定运行条件的环境温度和太阳辐射强度，tpv,noc是标称状态下的电池温度。

23、电池的功率满足等式：

24、pbat＝ppv-pae

25、式中，pae是电解槽的运行功率。

26、电池容量的计算方式为：

27、ebat(k)＝ebat,0+pbat·δ

28、式中，ebat,0是电池初始时刻的能量，δ是采样间隔。

29、最终得电池荷电状态公式为：

30、

31、式中，ebat(k)表示当前时刻电池的容量，定义充电状态下pbat为正，放电为负；考虑到电池的充放电效率不同，电池的充放电功率进一步定义为：

32、

33、式中，ηchar是电池充电效率，ηdischar是电池放电效率。

34、为了保证电池的使用寿命，避免过度充电与过度放电，应该控制电池的soc在合适的区间，即约束函数表示为：

35、socmin＜soc<socmax

36、式中，电池的最大荷电状态socmax等于标称容量socnominal；socmin是电池允许的最小荷电状态，表示为：

37、socmin＝ηdodsocnominal

38、式中，ηdod是电池的放电深度。

39、步骤4：利用优化粒子群优化算法将模糊逻辑控制器中包括规则和隶属度函数在内的参数作为决策变量进行寻优，求解优化目标模型。

40、首先定义pso的参数，包括最大迭代次数、粒子数以及迭代终止条件，其次初始化粒子种群，包括flc隶属度函数与规则在内的27个决策变量，将这些参数代入flc中，导入太阳辐照度数据，进行pso算法的计算和迭代，直到满足终止条件，分别得到典型工况下对应的flc策略的参数。

41、pso中的每一代种群由n个粒子构成，其表示为x＝{x1,x2,...,xn}。在优化搜索过程中，粒子群中每个粒子的位置都会通过如下的公式更新：

42、

43、式中，d是迭代轴，d是最大迭代次数，i是每一代种群中的某个粒子，n是种群的粒子数量，v是粒子的速度。粒子群中每个粒子的位置通过以下方式更新：

44、

45、式中，ω是惯性权重，c1和c2是加速度系数，一般取值为c1＝c2＝1，r1和r2是从[0,1]范围内的均匀分布随机数生成的两个对角矩阵，pi是第d次迭代中第i个粒子的个体历史最佳值，gbest是当前所有粒子的全局最佳值。其中个体历史最佳值pi通过以下方式更新：

46、

47、式中，j是当前迭代的代数，i代表种群中的每一个粒子，种群中当前所有粒子的全局最佳值gbest可以被表示为：

48、

49、式中，pi是每个粒子的个体历史最佳值。

50、pso优化流程图如图4所示，主要包括：

51、(1)设置算法的最大迭代次数为50、粒子种群数150，终止条件为连续5次适应度函数值误差在1％以内或者达到最大迭代次数，flc的隶属度函数与规则作为决策变量分别如图2所示，每一个粒子表示一组决策变量代表的向量，并生成初始种群作为搜索起点。

52、(2)计算当前种群的适应度函数，本研究的适应度函数即系统制氢量与电解槽波动性指标为：

53、

54、(3)对每个粒子，将其适应度值与其经过位置的历史最优适应度值作比较，保留较好的作为当前的最佳粒子pbest，将pbest与当前全局最佳适应度值对应的粒子gbest作比较，保留较好的将其作为当前全局最佳适应度值对应的粒子gbest。

55、(4)由公式

56、

57、更新种群中粒子的位置与速度。

58、(5)检查终止条件是否满足，例如达到最大迭代次数、目标函数值是否收敛等，否则转到(2)重复迭代过程

59、(6)当终止条件满足时，算法停止并输出最优解，即对应的最优隶属度函数与规则。

60、本发明的有益技术效果为：

61、本发明减少了光伏制氢系统的波动性，提高了制氢的稳定性和最终的制氢量。由图6可以看出，优化之后的系统制氢量提升了5％，功率波动性指标减少了28％。