本發(fā)明屬于光伏發(fā)電制氫儲能系統(tǒng)能量管理技術，尤其涉及一種基于pso優(yōu)化的光伏制氫系統(tǒng)能量管理方法。

背景技術：

1、模糊邏輯的應用非常廣泛，特別是在人工智能領域。比如控制系統(tǒng)中模糊控制系統(tǒng)使用模糊邏輯來處理具有模糊性和不確定性的輸入，從而實現(xiàn)智能化的控制。模糊邏輯通過引入模糊集合、模糊規(guī)則和模糊推理，為處理不確定性和模糊性問題提供了有效的數(shù)學工具和方法。現(xiàn)有的基于模糊邏輯控制的能量管理策略很多事基于專家經(jīng)驗，其隸屬度函數(shù)與規(guī)則是人為制定的，因此具有一定的局限性。

技術實現(xiàn)思路

1、鑒于上述現(xiàn)有技術的不足，本發(fā)明針對光伏發(fā)電制氫儲能系統(tǒng)的中需要最大化制氫量同時盡量減小電解槽功率波動的目標，提供一種基于pso優(yōu)化的光伏制氫系統(tǒng)能量管理方法。

2、本發(fā)明的一種基于pso優(yōu)化的光伏制氫系統(tǒng)能量管理方法，光伏制氫系統(tǒng)包括光伏發(fā)電組件、電池組件以及堿性電解槽組件。能量管理具體為：

3、步驟1：制定模糊邏輯控制(fuzzy?logic?control，flc)與低通濾波器結(jié)合的控制方法，flc的一個輸入是光伏發(fā)電功率與電解槽額定功率的差值，另一個是電池的soc，flc的輸出是電池的充放電功率；低通濾波器環(huán)節(jié)，將傳遞給堿性電解槽的功率進行高低頻分量的分離，將低頻的功率用于電解槽實際運行制氫，高頻分量傳遞給電池。

4、步驟2：以最大化系統(tǒng)制氫量和最小化電解槽功率波動性指標作為優(yōu)化目標，建立優(yōu)化目標模型。

5、(1)制氫量的計算公式表示為：

6、

7、式中，是制氫量，n是采樣點總數(shù)，是氫氣的密度，δ是采樣間隔，并且第k個采樣點滿足tk＝tk-1+δ；為電解槽制氫量，通過以下方式計算：

8、

9、式中，pae是電解槽的功率，ηae是堿性電解槽的制氫效率，是氫氣的熱值。

10、(2)電解槽功率波動性指標表示為：

11、

12、式中，wvi電解槽功率波動性指標，n是總的采樣點個數(shù)，pae(k)是電解槽實時的功率，pave是電解槽的動態(tài)平均功率，被表示為：

13、

14、式中，pae(k-1)，pae(k-2)和pae(k-3)分別代表了前三個時刻電解槽的運行功率。

15、(3)系統(tǒng)的優(yōu)化目標表示為：

16、

17、步驟3：考慮電池荷電狀態(tài)的約束函數(shù)。

18、光伏面板的輸出功率是太陽輻射和溫度的函數(shù)，表示為：

19、

20、式中，k表示離散時間軸，sri表示太陽輻射強度，tpv表示光伏組件溫度，sri,stc是標準測試條件下的太陽輻射強度，tamb,stc是標準測試條件的環(huán)境溫度，kt是溫度系數(shù)，ppv,rated是標準測試條件下光伏組件的額定輸出功率；其中，tpv的計算公式為：

21、

22、式中，tamb是環(huán)境溫度，此外，tamb,noc和sri,noc分別為額定運行條件的環(huán)境溫度和太陽輻射強度，tpv,noc是標稱狀態(tài)下的電池溫度。

23、電池的功率滿足等式：

24、pbat＝ppv-pae

25、式中，pae是電解槽的運行功率。

26、電池容量的計算方式為：

27、ebat(k)＝ebat,0+pbat·δ

28、式中，ebat,0是電池初始時刻的能量，δ是采樣間隔。

29、最終得電池荷電狀態(tài)公式為：

30、

31、式中，ebat(k)表示當前時刻電池的容量，定義充電狀態(tài)下pbat為正，放電為負；考慮到電池的充放電效率不同，電池的充放電功率進一步定義為：

32、

33、式中，ηchar是電池充電效率，ηdischar是電池放電效率。

34、為了保證電池的使用壽命，避免過度充電與過度放電，應該控制電池的soc在合適的區(qū)間，即約束函數(shù)表示為：

35、socmin＜soc<socmax

36、式中，電池的最大荷電狀態(tài)socmax等于標稱容量socnominal；socmin是電池允許的最小荷電狀態(tài)，表示為：

37、socmin＝ηdodsocnominal

38、式中，ηdod是電池的放電深度。

39、步驟4：利用優(yōu)化粒子群優(yōu)化算法將模糊邏輯控制器中包括規(guī)則和隸屬度函數(shù)在內(nèi)的參數(shù)作為決策變量進行尋優(yōu)，求解優(yōu)化目標模型。

40、首先定義pso的參數(shù)，包括最大迭代次數(shù)、粒子數(shù)以及迭代終止條件，其次初始化粒子種群，包括flc隸屬度函數(shù)與規(guī)則在內(nèi)的27個決策變量，將這些參數(shù)代入flc中，導入太陽輻照度數(shù)據(jù)，進行pso算法的計算和迭代，直到滿足終止條件，分別得到典型工況下對應的flc策略的參數(shù)。

41、pso中的每一代種群由n個粒子構成，其表示為x＝{x1,x2,...,xn}。在優(yōu)化搜索過程中，粒子群中每個粒子的位置都會通過如下的公式更新：

42、

43、式中，d是迭代軸，d是最大迭代次數(shù)，i是每一代種群中的某個粒子，n是種群的粒子數(shù)量，v是粒子的速度。粒子群中每個粒子的位置通過以下方式更新：

44、

45、式中，ω是慣性權重，c1和c2是加速度系數(shù)，一般取值為c1＝c2＝1，r1和r2是從[0,1]范圍內(nèi)的均勻分布隨機數(shù)生成的兩個對角矩陣，pi是第d次迭代中第i個粒子的個體歷史最佳值，gbest是當前所有粒子的全局最佳值。其中個體歷史最佳值pi通過以下方式更新：

46、

47、式中，j是當前迭代的代數(shù)，i代表種群中的每一個粒子，種群中當前所有粒子的全局最佳值gbest可以被表示為：

48、

49、式中，pi是每個粒子的個體歷史最佳值。

50、pso優(yōu)化流程圖如圖4所示，主要包括：

51、(1)設置算法的最大迭代次數(shù)為50、粒子種群數(shù)150，終止條件為連續(xù)5次適應度函數(shù)值誤差在1％以內(nèi)或者達到最大迭代次數(shù)，flc的隸屬度函數(shù)與規(guī)則作為決策變量分別如圖2所示，每一個粒子表示一組決策變量代表的向量，并生成初始種群作為搜索起點。

52、(2)計算當前種群的適應度函數(shù)，本研究的適應度函數(shù)即系統(tǒng)制氫量與電解槽波動性指標為：

53、

54、(3)對每個粒子，將其適應度值與其經(jīng)過位置的歷史最優(yōu)適應度值作比較，保留較好的作為當前的最佳粒子pbest，將pbest與當前全局最佳適應度值對應的粒子gbest作比較，保留較好的將其作為當前全局最佳適應度值對應的粒子gbest。

55、(4)由公式

56、

57、更新種群中粒子的位置與速度。

58、(5)檢查終止條件是否滿足，例如達到最大迭代次數(shù)、目標函數(shù)值是否收斂等，否則轉(zhuǎn)到(2)重復迭代過程

59、(6)當終止條件滿足時，算法停止并輸出最優(yōu)解，即對應的最優(yōu)隸屬度函數(shù)與規(guī)則。

60、本發(fā)明的有益技術效果為：

61、本發(fā)明減少了光伏制氫系統(tǒng)的波動性，提高了制氫的穩(wěn)定性和最終的制氫量。由圖6可以看出，優(yōu)化之后的系統(tǒng)制氫量提升了5％，功率波動性指標減少了28％。