基于最近鄰聚類的光伏-制氫系統運行備用容量需求預估模型

周冬旭,徐荊州,張 燦,魏鵬超

(國網南京供電公司信息通信分公司,江蘇省 南京市 210000)

0 引言

光伏-制氫工廠主要設備設施包括光伏組件、匯流箱、支架、接地裝置等。光伏組件根據制氫站輸入電壓和電流要求進行串、并聯配置,從而提高系統效率[1]。隨著光伏裝機規模的持續擴張及發電成本的進一步下降,預計未來光伏制氫的成本將進一步下降,進入發展正循環。從能源轉型角度看,發展氫能產業對于減少油氣對外依賴、提高能源安全水平、減少大氣污染排放、改善生態環境,有著重大現實意義[2-5]。中國氫能聯盟發布的白皮書顯示,到2050年,我國可再生能源電解制氫將占氫氣供應結構的70%。這意味著光伏制氫將在未來的能源轉型中扮演重要角色。而運行備用容量需求預測對于光伏-制氫系統來說具有重要意義[6]。在實際運行中,光伏-制氫系統可能會受到多種因素的影響,如天氣變化、設備故障等,這些因素可能會導致系統的運行出現異常,甚至導致系統崩潰[7]。通過運行備用容量需求預測,可有效地預測系統的最大輸出功率,從而為系統的穩定運行提供保障。此外,備用容量也可為系統的擴容和升級提供空間,使其能更好地適應未來能源市場的需求?；诖?文獻[8]在充分考慮受端電網高比例可再生能源消納的基礎上,提出了一種儲能需求評估方法,提高了預估的可靠性,但對于異常因子作用下的抗干擾能力相對偏低;文獻[9]以時變備用需求為導向,設計了一種含大規模風電的電力系統機組組合滾動優化方法,在一定程度上提高了時變備用需求分析的精度,但其對應的時間成本偏高;文獻[10]以離散傅里葉變換(discrete Fourier transform,DFT)為基礎,設計了一種多時間尺度系統備用需求分析方法,該方法提高了需求預估的準確性,但對于基礎數據質量的要求較高;文獻[11]建立了計及需求響應的含風光發電的電力系統多目標優化調度模型,以經濟和環保成本之和最小建立目標函數,但其預估值與實際值偏差較大;文獻[12]提出了基于負荷與風電出力場景集的運行備用動態調度方法,建立了機組出力和備用決策動態協調優化模型,但該方法投入成本較高。

為此,本文基于最近鄰聚類,研究構建光伏-制氫系統的運行備用容量需求預估模型,并根據測試結果,分析驗證所構建模型在實際預估應用中的效果。

1 光伏-制氫系統運行備用容量需求預估模型

1.1 運行參數最近鄰聚類處理

光伏-制氫系統運行數據最突出的特點是具有不確定性,因此在對光伏-制氫系統運行參數進行聚類處理時,往往存在分類異常的情況[13-14]。鑒于此,本文引入最近鄰聚類中的不確定自然最近鄰機制[15],將擁有較少近鄰不確定數據對象所處的區域設置為稀疏區域,將擁有較多近鄰不確定數據對象所處的區域設置為稠密區域,以此凸顯光伏-制氫系統運行數據特點,從而提高聚類處理效果。在此基礎上,根據近鄰數數量,按稠密點、稀疏點、噪聲點的分類標準,將數據集中的不確定光伏-制氫系統運行數據對象進行劃分處理。此劃分標準可簡單理解為:(1)稠密點,即擁有較多近鄰的光伏-制氫系統運行數據點;(2)稀疏點,即擁有較少近鄰的光伏-制氫系統運行數據點;(3)噪聲點,即擁有極少近鄰的光伏-制氫系統運行數據點。其劃分機制如圖1所示。

圖1 整體光伏-制氫系統運行數據集劃分方式示意圖Fig.1 Schematic diagram of partition mode for operation data set of integrated photovoltaic-hydrogen production system

本文充分考慮了整體光伏-制氫系統運行數據在分布上的不唯一性,對不確定自然鄰域與鄰域密度因子進行有機結合,定義不確定自然鄰域因子,并借助閾值參數實現對原始光伏-制氫系統運行數據集中噪聲點的清洗。

其中,對于光伏-制氫系統運行數據集中的不確定自然特征值而言,本文將不確定自然鄰域搜索算法到達不確定自然穩定狀態的輸出結果作為對應特征值的計算結果,具體計算公式為

式中:λ為光伏-制氫系統運行數據集中的不確定自然特征值參量;k為不確定自然鄰域搜索算法到達不確定自然穩定狀態的迭代次數[16];n為迭代過程中輸出的不確定反向最近鄰數;x為不確定自然鄰域數據點[17];ω(x)為光伏-制氫系統不確定數據對象;f(ω(x))為不確定自然鄰域搜索函數,其具體可表示為

即:當ω(x)取值為0時,對應的不確定自然鄰域搜索函數輸出結果為1;當ω(x)取值不為0時,對應的不確定自然鄰域搜索函數輸出結果則為0。光伏-制氫系統不確定數據對象的不確定反向最近鄰數為0時,則輸出其對應的不確定自然鄰域搜索結果,否則舍棄當前的光伏-制氫系統運行數據。

此時的光伏-制氫系統不確定數據對應的不確定自然鄰域密度因子為

式中γx為光伏-制氫系統不確定數據x的不確定反向最近鄰參數;ψx為光伏-制氫系統不確定數據x的不確定自然最近鄰參數。

由此即可不含噪點地確定光伏-制氫系統不確定數據集。本文對光伏-制氫系統運行數據中不確定k-最近鄰數據的劃分方式可表示為

式中:Gk(x)為不確定k-最近鄰數據的劃分結果;D為不含噪點的不確定光伏-制氫系統不確定數據集;y為光伏-制氫系統中的不確定數據對象數量;Pl為第l個氫設備額定輸出功率;ζ為詹森-香農散度參數[18-20]。由此,實現了對光伏-制氫系統運行參數的最近鄰聚類處理。

1.2 運行備用容量需求預估模型的構建

本文構建的光伏-制氫系統運行備用容量需求預估模型如圖2所示。

圖2 光伏-制氫系統運行備用容量需求預估模型Fig.2 Prediction model of standby capacity demand for photovoltaic-hydrogen production system

圖2所示的光伏-制氫系統運行備用容量需求預估模型中,為實現對光伏-制氫系統不確定數據對應不確定自然鄰域數據集的高維映射,本文設置具體的核函數為高斯徑向基函數(radial basis function,RBF),借助其徑向對稱的特點,實現對數據衰減速率的最大限度控制[21-22]。高斯RBF函數可表示為

式中:i為輻照度[23];σ為Gk(x)i與Gk(x)光伏-制氫系統運行參數最近鄰聚類的可感知變量。

然后,將所有的RBF輸出結果映射到同一個空間中,得到的光伏-制氫系統運行備用容量需求結果可表示為

式中b為光伏-制氫系統運行參數最近鄰聚類的關聯系數。

由此即可實現對光伏-制氫系統運行備用容量需求預估模型的構建,最大限度保障預估結果的可靠性。

2 應用測試

2.1 測試環境

本文依托某實際的光伏-制氫系統開展測試研究。光伏-制氫系統主要由光伏發電系統和電解水制氫系統構成。其中,光伏發電系統主要由太陽能電池板、逆變器和蓄電池組成,不同組成部分的具體配置情況如表1所示。

表1 光伏發電系統結構配置Table 1 Structural configuration of photovoltaic power generation system

而逆變器的主要作用是將太陽能電池板輸出的直流電轉換為交流電,供負載使用。該逆變器具有較高的轉換效率,可保證系統的正常運行。鉛酸蓄電池主要用于儲存電能,保證在沒有陽光的情況下系統仍可正常運行。

其次是電解水制氫系統,其主要由電解槽、氣液分離器和氣體干燥器組成。對應的電解槽采用堿性電解槽,將水分解為氫氣和氧氣。電解槽的工作電壓為2V,電流密度為1kA/m2,電解效率為90%。氣液分離器采用旋風式氣液分離器,可將氫氣和氧氣中攜帶的水分和雜質去除,提高氫氣的純度。氣體干燥器采用了吸附式氣體干燥器,可將氫氣中殘余的水分和雜質去除,提高氫氣的干燥度和純度。

在測試光伏-制氫系統的具體運行過程中,光伏發電系統的運行環境溫度為-40～80℃,相對濕度為0～95%,海拔高度不超過2km。制氫系統的運行環境溫度為0～40℃,相對濕度為30%～70%,海拔高度不超過1km。在運行控制階段,相關可執行參數上限如表2所示。

表2 光伏-制氫測試系統的整體運行控制基準Table 2 Overall operation control benchmark of photovoltaic-hydrogen production test system

此外,為確保系統的正常運行,需要控制進水電解槽的水流量、氫氣出口壓力、氧氣出口壓力等參數。

光伏-制氫系統運行備用容量需求預估模型參數設置如下:鄰域半徑為0.1m,鄰近點的數量為10,迭代次數為100,窗口大小為5,簇數為20。

2.2 測試結果與分析

采集連續7天內光伏-制氫系統運行備用容量的實際數據(真實需求),并將其作為基準值與預估模型給出的預估結果進行比較。通過比較實際需求與預估結果的差異,評估預估模型的性能。首先,本文對連續7天內,光伏-制氫測試系統運行備用容量的最大值進行預估,并與實際需求進行比較,得到的測試結果如圖3所示。

圖3 最大備用容量需求預估結果對比圖Fig.3 Comparison chart of prediction results for maximum standby capacity demand

由圖3可見,在3種不同的光伏-制氫系統運行備用容量預估方法下,對容量需求最大值預估結果與實際需求之間的偏差表現出了較為明顯的差異。其中:在可再生能源消納備用容量需求預估方法下,最大偏差達到了1.254GW(測試第3天);在DFT備用容量需求預估方法下,最大偏差也達到了800MW(測試第7天);相比之下,本文設計的預估方法的測試結果與實際值之間的偏差始終穩定在250MW 以內,且最小偏差僅為40MW。與對照組相比,在本文設計的預估方法在準確性方面具有明顯優勢。

其次,本文對連續7天內光伏-制氫測試系統運行備用容量的最小值進行預估,并與實際需求進行比較,得到的測試結果如圖4所示。

圖4 最小備用容量需求預估結果對比圖Fig.4 Comparison chart of prediction results for minimum standby capacity demand

由圖4可見:采用可再生能源消納備用容量需求預估方法,出現了預估結果低于實際需求的情況,具體為對第6天的運行備用容量最小值預估結果低于實際需求369MW,對第7天的運行備用容量最小值預估結果低于實際需求127MW;采用DFT備用容量需求預估方法,也表現出了與可再生能源消納備用容量需求預估方法相同的問題,其中,對第1天的運行備用容量最小值預估結果低于實際需求297MW,對第6天的運行備用容量最小值預估結果低于實際需求263MW,這對于實際的光伏-制氫系統運行而言,極有可能造成能源供給短缺,無法滿足實際應用需求的情況;相比之下,在本文設計方法的測試結果中,對于光伏-制氫測試系統運行備用容量最小值的預估值與實際需求的誤差始終穩定在150MW 以內,且僅出現1次預估值低于實際值的情況,對應的偏差也僅為2MW。

對不同方法下能量管理成本進行統計,得到的測試結果如表3所示。

表3 能量管理成本對比表Table 3 Comparison table of energy management cost

由表3可見:3種方法中,本文設計的預估方法對應的能量管理成本投入最低,分別低于可再生能源消納備用容量需求預估方法6467元,低于DFT備用容量需求預估方法5157元;從單日能量管理成本投入的角度進行分析,采用本文設計的預估方法,其成本為2623元,低于可再生能源消納備用容量需求預估方法924元,低于DFT備用容量需求預估方法739元。由此可見,借助本文設計的基于最近鄰聚類的光伏-制氫系統運行備用容量需求預估模型,可在保障光伏-制氫系統順利運行的基礎上,極大程度地降低具體運行成本。

3 結論

本文構建的基于最近鄰聚類的光伏-制氫系統運行備用容量需求預估模型,切實實現了對光伏-制氫系統運行備用容量需求的精準預估。測試結果表明,本文方法下的最大備用容量需求預估精度和最小備用容量需求預估精度較高,且能量管理成本較低。由此表明,本文方法在估計光伏-制氫系統的備用容量需求方面是有效的。但由于研究條件有限,本文方法在數據空間處理方面還存在不足,在之后的研究中將利用機器學習等方法進一步提高計算算力。