本發明涉及能源系統調度，具體為一種氫能源電力耦合系統的動態優化方法。

背景技術：

1、隨著新能源發電技術的發展，越來越多的新能源發電裝置在電網中代替了傳統火力發電裝置，由于新能源發電具有波動性、隨機性、反調峰特性等特點，導致相應電網的穩定性變差、輸電質量下降，現有技術通常采用蓄電池進行儲能調節，但這會受限于環境污染、轉換效率等蓄電池本身不可改變的屬性問題，故而有學者提出采用轉換效率更高、更環保的氫能源調節新能源發電裝置的輸出特性，如利用氫燃料電池等，但是氫燃料電池的動態特性也導致了相應新能源發電裝置出現了動態變化、難以控制的問題。

2、中國專利，公開號：cn117411037a，公開日：2024年1月16日，公開了一種考慮動態可調節容量的混合儲能參與電力系統有功功率調度控制方法，包括：基于儲能電站的負荷運行特性，建立考慮儲能電站負荷變化的混合儲能動態可調節容量分析模型；重構包含鋰離子電池和氫燃料電池的混合儲能參與電力系統調度控制約束；建立考慮調度收益的混合儲能參與電力系統調度的模型，對不同條件下的混合儲能參與電網調度的情況進行分析；對混合儲能下發調度指令，利用混合儲能的峰谷套利提高電力系統調度經濟性；基于指令跟蹤誤差和鋰電池荷電狀態，建立混合儲能響應調度指令的有功功率控制模型；利用模型預測控制對儲能的出力進行滾動優化，并利用反饋校正環節對儲能的出力誤差進行修正；而該發明沒有考慮氫燃料電池為電力系統帶來的動態特性，導致電力系統的穩定性差。

技術實現思路

1、本發明的目的是針對現有技術未考慮氫燃料電池為電力耦合系統帶來的動態特性，導致氫能源電力耦合系統穩定性差的問題；提出了一種氫能源電力耦合系統的動態優化方法，通過對氫能源電力耦合系統歷史運行數據進行預處理得到訓練數據集、測試數據集，基于所述歷史運行數據辨識出對應的氫能源電力耦合系統參數，根據改進的蜜獾算法及訓練數據集構建并訓練氫能源電力耦合模型，接著基于所述氫能源電力耦合系統參數及測試數據集驗證氫能源電力耦合模型的性能，最后將氫能源電力耦合系統實時運行數據輸入性能驗證合格的氫能源電力耦合模型得到最優參數，所述氫能源電力耦合系統響應于最優參數執行動態優化動作，顯著提升了氫能源電力耦合系統的穩定性。

2、第一方面，本發明實施例中提供的一種技術方案是，一種氫能源電力耦合系統的動態優化方法，包括以下步驟：

3、s1、獲取氫能源電力耦合系統歷史運行數據，并對所述歷史運行數據進行預處理得到訓練數據集、測試數據集；

4、s2、基于卷積神經網絡及極限學習機網絡辨識歷史運行數據對應的氫能源電力耦合系統參數，根據基于混沌學習機制改進的蜜獾算法及訓練數據集構建并訓練氫能源電力耦合模型；

5、s3、基于所述氫能源電力耦合系統參數及測試數據集驗證完成訓練的氫能源電力耦合模型是否合格，若是，則輸出最優氫能源電力耦合模型，若否，則執行s1；

6、s4、采集氫能源電力耦合系統實時運行數據，并將所述實時運行數據輸入最優氫能源電力耦合模型得到最優參數；

7、s5、氫能源電力耦合系統響應于最優參數執行動態優化動作。

8、本方案中，對歷史運行數據進行預處理得到訓練數據集、測試數據集，可以確保數據的完整性和準確性，并且，氫能源電力耦合系統參數會在運行過程中伴隨運行時間發生變化，即所述氫能源電力耦合系統參數具有時序結構，故而可以基于卷積神經網絡及極限學習機網絡辨識歷史運行數據對應的氫能源電力耦合系統參數，明確以所述氫能源電力耦合系統參數為代表的氫能源電力耦合系統在過去最接近當前時間尺度的歷史狀態，同時，根據基于混沌學習機制改進的蜜獾算法及訓練數據集構建并訓練可以預測所述氫能源電力耦合系統狀態變化的氫能源電力耦合模型，并利用所述氫能源電力耦合系統參數及測試數據集驗證氫能源電力耦合模型的性能，確保所述氫能源電力耦合模型的有效性及其對數據的處理能力，最后將采集的實時運行數據輸入氫能源電力耦合模型得到與預測的氫能源電力耦合系統狀態變化相對應的最優參數，所述氫能源電力耦合系統響應于最優參數執行動態優化動作，顯著提升了氫能源電力耦合系統的穩定性。

9、作為優選，所述s1中，對歷史運行數據進行預處理得到訓練數據集、測試數據集的具體過程為：

10、s111、對所述歷史運行數據進行清洗得到完備數據集，并基于歷史運行數據的采集源對完備數據集進行集成得到集成數據集；

11、s112、基于預設的訓練-測試比例將所述集成數據集劃分為訓練數據集、測試數據集。

12、本方案中，可以利用統計法及線性插值法對歷史運行數據進行清洗，其中，所述統計法能夠發現數據中的異常值和缺失值，在將所述異常值刪除后，數據中只剩下了缺失值，所述線性插值法能夠填充數據中的缺失值，確保數據的連續、完整，而此時的數據過于繁雜，可以基于數據的采集源，如傳感器、測量設備等再次進行統計，將同名不同義，或者同名不同屬性的數據建立不同的標簽進行區別，將同名同義，或者同名同屬性的數據建立同一個標簽成為一個整體，將重復的數據刪除，進而得到具有代表性的、整潔的集成數據集，同時為了契合后續步驟，可以劃分集成數據集中80％的數據作為訓練數據集，劃分集成數據集中20％的數據作為測試數據集。

13、作為優選，所述s2中，基于卷積神經網絡及極限學習機網絡辨識歷史運行數據對應的氫能源電力耦合系統參數的具體過程為：

14、s211、根據歷史運行數據的時間變化尺度及卷積神經網絡輸入數據要求將歷史運行數據轉換為二維矩陣數據集；

15、s212、將所述二維矩陣數據集輸入卷積神經網絡得到運行數據特征集，并將所述運行數據特征集輸入極限學習機網絡得到對應的氫能源電力耦合系統參數。

16、本方案中，由于卷積神經網絡的輸入數據通常為二維數據或者三維數據，結合所述歷史運行數據對應有氫能源電力耦合系統參數及時間尺度，可以根據所述歷史運行數據的時間變化尺度及對應氫能源電力耦合系統參數將所述歷史運行數據轉換為二維矩陣數據集，確保所述卷積神經網絡可以對歷史運行數據進行有效處理，但是所述卷積神經網絡只能提取數據內包含的特征，故而可以利用極限學習機網絡對卷積神經網絡提取的特征進一步處理，準確剖析出歷史運行數據對應的氫能源電力耦合系統參數。

17、作為優選，所述s2中，根據基于混沌學習機制改進的蜜獾算法及訓練數據集構建并訓練氫能源電力耦合模型的具體過程為：

18、s221、基于對立學習機制改進蜜獾算法的種群初始化公式得到個體生成公式，并基于混沌機制改進蜜獾算法的隨機值更新公式得到隨機值混沌更新公式；

19、同步地，基于訓練數據集對應的氫能源電力耦合系統中電氣設備的設備特征建立目標函數；s222、基于所述個體生成公式、隨機值混沌更新公式及傳統蜜獾算法構建氫能源電力耦合模型；

20、s223、將所述訓練數據集輸入完成構建的氫能源電力耦合模型進行訓練；

21、所述氫能源電力耦合模型至少包括氣味強度公式、位置更新公式、隨機值混沌更新公式、個體生成公式及目標函數。

22、本方案中，為避免陷入局部最優的情況，基于對立學習機制改進蜜獾算法的種群初始化公式得到個體生成公式，提供更多的探索性結果，但這也導致了相應解空間變得更大，探索最優解的時間更長，故而基于混沌機制改進蜜獾算法的隨機值更新公式得到隨機值混沌更新公式，可以提高在所述解空間中探索最優解的速度，其次，基于訓練數據集對應氫能源電力耦合系統中電氣設備的設備特征建立目標函數，使所述氫能源電力耦合模型與對應的氫能源電力耦合系統緊密聯系，有效提高所述氫能源電力耦合模型對氫能源電力耦合系統運行狀態的預測能力。

23、作為優選，所述s221中，所述個體生成公式具體為：

24、

25、zj＝lbj+r1×(ubj-lbj)；

26、式中，zj為第j個蜜獾個體對應的候選解，為候選解的上限，z-j為候選解的下限，為候選解的對立解，lbj為候選解搜索空間的下界，ubj為候選解搜索空間的上界，r1為第一隨機值，j表示第j個蜜獾個體。

27、作為優選，所述s221中，所述隨機值混沌更新公式具體為：

28、r1new＝r1+δi×r1；

29、

30、δi+1＝4δi×(1-δi)；

31、式中，r1new為第一隨機值的更新值，r1為第一隨機值，為第二隨機值的更新值，r2為第二隨機值，為第三隨機值的更新值，r3為第三隨機值，δi為第i代混沌值，δi+1為第i+1代混沌值。

32、作為優選，所述s223中，將所述訓練數據集輸入完成構建的氫能源電力耦合模型進行訓練的具體過程為：

33、a1、基于所述訓練數據集及個體生成公式建立蜜獾種群；

34、a2、基于所述蜜獾種群中的蜜獾個體及氣味強度公式確定獵物氣味強度；

35、a3、根據所述獵物氣味強度及位置更新公式更新蜜獾種群中蜜獾個體的位置；

36、同步地，基于所述蜜獾個體的位置更新次數及預設的最大迭代次數判斷訓練是否完成，若所述位置更新次數大于等于最大迭代次數，則判定訓練完成，若所述位置更新次數小于最大迭代次數，則判定訓練未完成并執行a2；

37、a4、當判定訓練完成后，基于氫能源電力耦合模型的目標函數評估完成訓練的蜜獾種群中蜜獾個體的適應度值，并將所述適應度值最高的蜜獾個體標記為最優個體。

38、本方案中，基于蜜獾個體的位置更新次數及預設的最大迭代次數判斷訓練是否完成，可以確保氫能源電力耦合模型在合理的時間內收斂，有效避免計算資源的浪費，還可以避免氫能源電力耦合模型陷入無限循環，且計算蜜獾個體的適應度值，可以量化蜜獾個體，進而識別出最優個體。

39、作為優選，所述s3中，基于氫能源電力耦合系統參數及測試數據集驗證完成訓練的氫能源電力耦合模型是否合格的具體過程為：

40、s311、將所述測試數據集輸入完成訓練的氫能源電力耦合模型得到測試參數，并根據測試參數及氫能源電力耦合模型的種群初始化公式建立測試蜜獾個體；

41、同步地，根據所述氫能源電力耦合系統參數及氫能源電力耦合模型的種群初始化公式建立驗證蜜獾個體；

42、s312、基于氫能源電力耦合模型的目標函數評估測試蜜獾個體的適應度得到測試適應度，并基于氫能源電力耦合模型的目標函數評估驗證蜜獾個體的適應度得到驗證適應度；

43、s313、基于所述測試適應度及驗證適應度進行比較判斷，若測試適應度大于驗證適應度，則判定完成訓練的氫能源電力耦合模型合格，若測試適應度小于等于驗證適應度，則判定完成訓練的氫能源電力耦合模型不合格；

44、同步地，將判定合格的氫能源電力耦合模型標記為最優氫能源電力耦合模型。

45、本方案中，所述氫能源電力耦合模型的目標函數評估測試數據集和氫能源電力耦合系統參數的適應度值，并且在評估前，所述測試數據集需要輸入氫能源電力耦合模型計算測試參數，所述氫能源電力耦合系統參數直接從歷史運行數據中提取得到，所以，評估適應度值的實質是計算測試數據集對應氫能源電力耦合系統預測運行狀態以及氫能源電力耦合系統參數對應氫能源電力耦合系統歷史運行狀態，通過所述預測運行狀態與歷史運行狀態的比較，有效保證了氫能源電力耦合模型的性能符合實際工況需求。

46、作為優選，所述s3中，氫能源電力耦合模型驗證不合格并執行s1前，還需進行循環停止判斷，所述循環停止判斷的具體過程為：

47、基于氫能源電力耦合模型的當前驗證次數及預設的循環閾值進行比較判斷，若當前驗證次數小于循環閾值，則判定循環未完成并繼續循環，若當前驗證次數大于等于循環閾值，則判定循環完成并停止循環。

48、本方案中，通過循環停止判斷，可以防止氫能源電力耦合模型陷入無意義的無限訓練過程，有效避免計算資源的浪費。

49、作為優選，所述s4中，將實時運行數據輸入最優氫能源電力耦合模型得到最優參數的具體過程為：

50、s411、對所述實時運行數據進行清洗得到實時完備數據集，并基于實時數據的采集源對實時完備數據集進行集成得到實時集成數據集；

51、s412、將所述實時集成數據集輸入最優氫能源電力耦合模型得到最優參數。

52、本發明至少具備如下實質性效果：

53、本技術對歷史運行數據進行預處理得到訓練數據集、測試數據集，可以確保數據的完整性和準確性，并且，氫能源電力耦合系統參數會在運行過程中伴隨運行時間發生變化，即所述氫能源電力耦合系統參數具有時序結構，故而可以基于卷積神經網絡及極限學習機網絡辨識歷史運行數據對應的氫能源電力耦合系統參數，明確以所述氫能源電力耦合系統參數為代表的氫能源電力耦合系統在過去最接近當前時間尺度的歷史狀態，同時，根據基于混沌學習機制改進的蜜獾算法及訓練數據集構建并訓練可以預測所述氫能源電力耦合系統狀態變化的氫能源電力耦合模型，并利用所述氫能源電力耦合系統參數及測試數據集驗證氫能源電力耦合模型的性能，確保所述氫能源電力耦合模型的有效性及其對數據的處理能力，最后將采集的實時運行數據輸入氫能源電力耦合模型得到與預測的氫能源電力耦合系統狀態變化相對應的最優參數，所述氫能源電力耦合系統響應于最優參數執行動態優化動作，顯著提升了氫能源電力耦合系統的穩定性。