：本發明屬于遠洋海島綜合能源優化調度領域

背景技術

0、
背景技術：

1、海島所在區域擁有豐富的可再生能源資源，現有的研究主要集中在基于換電船舶的島間離散能量傳輸模式，即通過將富集島生產的清潔電能以移動電池組的形式進行運輸，解決海島間能源互補的問題。該模式的優點在于可以靈活調度電能，并確保在負荷波動時實現電能的最優經濟運行，尤其適用于有較強可再生能源資源(如風能、太陽能)的島嶼。然而，這一模式仍然面臨著一定的瓶頸，包括電池能量密度、換電效率、以及能源運輸過程中的損耗等問題，特別是在遠洋運輸中，由于電池技術的限制，其續航能力、充電時間和能源密度都受到一定影響。

2、相較于傳統電池技術，氫燃料電池船舶在遠洋海島能源供給系統中的應用提供了新的解決方案。與傳統的電池組相比，氫燃料電池在運輸過程中能夠有效減少能源的損失，并且由于氫氣可以通過液化或高壓儲存，在能源的儲備與運輸上具有更高的靈活性。盡管氫燃料電池技術在其他領域已有一定的應用，但目前鮮有研究將氫能作為新型儲能和交通載運設備的動力源，尤其是在遠洋海島能源供給的背景下。因此，探索氫燃料電池船舶作為能源運輸載體的應用，能夠進一步提高能源的儲存和運輸效率，為遠洋海島的能源供給提供更加綠色、可持續的解決方案。

技術實現思路

0、
技術實現要素：

1、本發明為了解決遠洋海島天然能源利用的問題，提出了一種基于改進灰狼優化算法的遠洋海島低碳調度方法

2、為了實現上述發明目的，本發明采用如下技術方案：

3、步驟1：構建電-氫-交通遠洋海島低碳調度模型

4、通過負荷中心島配置有源-網-荷一體化供電系統結構，考慮各種實際情況下的約束，分別構建負荷中心島模型和海上交通網模型。

5、構建負荷中心島模型約束條件如下：

6、1)潮流約束：

7、

8、式中：j∈i表示源、儲、荷等直接連接在節點i上；ui為節點i的電壓幅值；θij為節點ij之間的功角差；gij+bij為對應的導納參數；pdg、qdg、分別為分布式新能源、柴油發電機、儲能以及負荷的有功功率和無功功率。

9、2)線路功率約束：

10、-pl,max≤uiuj(gijcosθij+bijsinθij)≤pl,max??(2)

11、式中：-pl,max為線路l(兩端節點i、j)的最大傳輸功率。

12、3)電壓約束：

13、?umin≤ui≤umax?(3)

14、此處：umin、umax分別為節點電壓幅值上、下限，此處取1.1和0.9。

15、4)柴油發電機出力約束：

16、

17、式中：為柴油發電機最大出力，一般取額定功率為柴油發電機最小出力，取

18、5)風光分布式能源出力約束

19、

20、式中：分別為風光分布式能源出力最小值，分別為風光分布式能源出力最大值。

21、6)風光分布式能源余電制氫模型：

22、

23、式中：pex(t)為t時段風光分布式能源余電的功率，pep2g(t)為t時段電解氫模塊用電功率，

24、ppv(t)、pwind(t)為t時段風光分布式能源出力，pe-load(t)為t時段電負荷，ηp2g為電制氫能量轉換效率，為t時段儲氫量，為氫儲能設備容量的上限。

25、7)氫儲能模型構建：

26、氫儲能由儲氫罐、電解制氫裝置和氫氣燃料電池等組成。儲氫罐儲存氫氣，電解制氫裝置消耗電能制取氫氣，燃料電池通過燃燒氫氣提供電能。儲氫罐中所存儲氫能的計算過程下所示：

27、

28、式中，t表示調度時段的序號；表示t調度時段的氫儲能所儲能量，ηp2g、ηfc分別表示電解制氫裝置和氫氣燃料電池的能量轉化效率；δt表示調度時段的時間跨度。

29、氫儲能功率波動對應的壽命衰減成本：

30、

31、式中，κλ_fl表示電解制氫裝置和氫氣燃料電池的單位波動功率對應的壽命衰減成本；pλ_t表示電解制氫裝置和氫氣燃料電池的電功率；rλ_t表示電解制氫裝置和氫氣燃料電池的啟停狀態。

32、電解制氫裝置和氫氣燃料電池的啟停成本如式所示：

33、

34、

35、式中，κλ_su和κλ_sd分別表示為電解制氫裝置與氫氣燃料電池的單位啟停成本；rλ_su_t和rλ_sd_t分別表示電解制氫裝置和氫氣燃料電池的啟停狀態。

36、電解制氫裝置和氫氣燃料電池的維護成本

37、

38、式中，κλ_om表示電解制氫裝置和氫氣燃料電池的單位時間維護成本。

39、電解制氫裝置和氫氣燃料電池的歷史運行時間對應的壽命衰減成本如式所示：

40、

41、式中，κλ_age表示電解制氫裝置/氫氣燃料電池單位運行時間對應的壽命衰減成本；tλ_lt表示電解制氫裝置/氫氣燃料電池的預期壽命。

42、氫儲能的總運行成本為：

43、

44、構建海上交通網模型如下：

45、hfcs氫負荷的大小主要受行駛里程和返程時間以及加氫站供需量等因素影響，建立交通網模型如下。

46、每日用戶最后一次返程時刻概率密度函數為：

47、

48、式中：xt為用戶最后返程時間，ψt為期望值，γt為標準差。

49、hfcs用戶行駛里程概率密度函數定義為：

50、

51、式中：xs為用戶最后返程時間，ψs為期望值，γt為標準差。

52、hfcs加氫時長為：

53、

54、式中：ts為加氫時長，s為日行駛里程，ps為加氫量，σs為加氫效率，e為單位公里耗氫量。

55、單站加氫需求

56、?nm,hfcs≤nm,h?(17)

57、式中：nm,hfcs為第m個加氫站現有hfcs的數量，nm,h為第m個加氫站可接納的hfcs的數量。

58、交通網總加氫需求

59、

60、式中：m為交通網總加氫站數量，mm,cqz為儲氫站容量，me,hfcs為第e個hfcs容量，nhfcs為hfcs數量。

61、短期氫儲能模型

62、

63、式中：和分別為單位時間儲氫量、單位時間放氫量和短期氫儲能剩余氫氣總量，和分別為儲氫效率、放氫效率和sths的自釋放速率，csths為sths的配置容量，δt為單位時間步長。

64、共享氫儲能模型

65、

66、式中：和分別為單位時間儲氫量、單位時間放氫量和氫儲能剩余氫氣總量，和分別為儲氫效率、放氫效率和shs的自釋放速率，c?shs為shs的配置容量。shs的使用是在sths無法滿足氫負荷時進行使用的，其使用順序為：實時補足氫氣>sths>shs。

67、hfcs加氫要滿足一定的條件，實際氫量不能超過電池的總容量，但同時也不能小于用戶期望的氫量。假設船主在hfcs接入到加氫樁的時候，使用者將自己的期望信息如加氫離開時期望達到的荷氫狀態是sh，這就代表著當用戶決定離開時，hfcs的實際氫量應該大于或者等于希望值，將其用表達式表示為

68、

69、式中：sst,i為第i輛hfcs開始加氫的荷氫狀態，sen,i為第i量hfcs離開時荷氫狀態。

70、步驟2：構建電-氫-交通遠洋海島低碳雙層優化調度模型

71、a)上層交通網-遠洋海島運行模型

72、目標函數

73、

74、式中：f1表示遠洋海島運行成本，其中chs、cwt、cpv分別表示氫儲能運行成本、風力發電裝置運行成本、光伏發電裝置運行成本。f2表示加氫成本費用；為第i輛船在j時段的加氫狀態，只有兩個取值：0或者1，0表示不加氫，1表示加氫；pi為第i量船的功率大小；pj表示時段j的氫氣價格；n表示hfcs船的總數。

75、約束條件

76、氫儲能約束條件，功率平衡約束條件，hfcs加氫約束。

77、b)下層交通網-遠洋海島自洽模型

78、基于遠洋海島新能源-交通網雙向耦合架構建立低碳經濟優化調度目標函數，包括兩部分：一是系統電能和氫能自洽率最高；二是系統碳排放成本最低。

79、

80、

81、

82、

83、式中：η為電-氫-交通耦合遠洋海島日自洽率，fe為海島上的電負荷，fdg為分布式能源出力功率，fh為交通網氫負荷，fq為加氫站供能出力，f為系統碳排放成本，α為碳排放納稅金額，為碳排放成本。cc為碳交易價格，c為基礎單位碳價，β為階梯價格增長幅度，v為碳排放量區間長度。γ為碳交易價格中的獎勵系數；eg為從啟動柴油發電機產生的實際碳排放量，a1、b1、c1為柴油發電機的碳排放計算系數。ec為通過柴油發電機發電的碳排放權配額，χ為單位電量的碳排放權配額，pte為單位時間內通過柴油發電機發出的電量。

84、約束條件

85、配電網運行約束、電解槽設備運行約束、氫燃料電池設備運行約束、hfcs及加氫站約束、氫儲能設備運行約束。

86、步驟3：基于改進灰狼優化算法求解模型

87、灰狼算法是一種基于分析狼群間的等級制度和捕獵行為后總結出來的啟發式算法，可用于求解本文構建的雙層模型。算法中，α狼為領導者、β、γ、ω狼為輔助者，整個群體在α狼帶領下逐步找到最優解。傳統灰狼算法存在收斂速度慢的缺點，本文引入混沌對立學習、差分進化和個體擾動機制，改進算法的尋優能力和收斂速度。

88、1)tent對立學習優化種群初始化

89、在搜索空間中，使用混沌tent映射初始化灰狼位置，可形成初始種群x。再通過對立學習產生對立種群x′。在這兩個種群中進行適應度的排序，在這兩個種群中進行適應度的排序，排位靠前的個體將被確定為最終的初始種群。

90、使用tent映射創建的初始種群為：

91、

92、式中：i代表種群規模；i＝1,2,3,…,n；j代表混沌序列的索引，j＝1,2,3,…,d；μ代表混沌參數，其值在[0,2]范圍內。

93、利用對立學習機制產生對立解為：

94、?xi,j＝li,j+yi,j×(ui,j-li,j),xi∈x?(28)

95、式中：lij、uij代表元素xi∈x的下界和上界。并在其生成后比較適應度，保留最優解。

96、2)基于差分進化的位置更新

97、傳統灰狼算法首先將以隨機位置生成初始的灰狼種群位置，α、β、γ狼再通過式(29)～式(31)對獵物進行捕食并更新自身的位置。

98、

99、

100、

101、式中：d-灰狼與獵物的距離；c、a-系數向量，灰狼通過調整a和d來逐漸接近獵物，當迭代次數達到最大值tmax，算法結束運行；t-當前的迭代次數次；代表α、β、γ狼所要捕的獵物位置；xt代表灰狼自身位置；x1、x2、x3代表α、β、γ狼更新后的位置。

102、本文基于差分變異法，通過引入變異算子、交叉算子和選擇算子來提高種群數量和類別的豐富度，并優化位置更新過程。

103、①變異算子

104、通過下式表示變異解，其中，不同個體解之間的差分變化由變異算子所決定。

105、

106、式中：v表示變異解；t表示迭代數；x表示原種群解；n表示種群規模；r1、r2、r3表示[1,n]內的隨機整數；ω表示影響個體解之間的差分變化的變異算子。

107、②交叉算子

108、交叉算子對完成變異的個體解進行交叉處理，以增加群種的豐富度，如下式所示。

109、

110、式中：rand代表[0,1]內的隨機值；cr表示個體交叉系數。

111、③選擇算子

112、采用貪婪策略比較父代和子代個體，通過下式選擇新個體：

113、

114、式中：f(z)表示適應度函數。

115、

116、式中：pi代表灰狼選擇差分進化策略來更新位置的概率大小，若p≥rand，則不采用差分進化法更新位置，而是通過傳統灰狼算法更新位置；若p＜rand，則采用差分進化法更新位置。

117、3)個體擾動

118、個體擾動會增強全局搜索能力。當兩個灰狼逐漸趨近時，個體擾動會使灰狼向初始點收斂，從而保持種群多樣性，如下式所示。

119、

120、式中：dop表示擾動算子；表示灰狼i和灰狼j所處位置間的歐式距離；表示[a,b]內呈均勻分布的隨機量。