基于最近邻聚类的光伏-制氢系统运行备用容量需求预估模型

周冬旭,徐荆州,张 灿,魏鹏超

(国网南京供电公司信息通信分公司,江苏省 南京市 210000)

0 引言

光伏-制氢工厂主要设备设施包括光伏组件、汇流箱、支架、接地装置等。光伏组件根据制氢站输入电压和电流要求进行串、并联配置,从而提高系统效率[1]。随着光伏装机规模的持续扩张及发电成本的进一步下降,预计未来光伏制氢的成本将进一步下降,进入发展正循环。从能源转型角度看,发展氢能产业对于减少油气对外依赖、提高能源安全水平、减少大气污染排放、改善生态环境,有着重大现实意义[2-5]。中国氢能联盟发布的白皮书显示,到2050年,我国可再生能源电解制氢将占氢气供应结构的70%。这意味着光伏制氢将在未来的能源转型中扮演重要角色。而运行备用容量需求预测对于光伏-制氢系统来说具有重要意义[6]。在实际运行中,光伏-制氢系统可能会受到多种因素的影响,如天气变化、设备故障等,这些因素可能会导致系统的运行出现异常,甚至导致系统崩溃[7]。通过运行备用容量需求预测,可有效地预测系统的最大输出功率,从而为系统的稳定运行提供保障。此外,备用容量也可为系统的扩容和升级提供空间,使其能更好地适应未来能源市场的需求。基于此,文献[8]在充分考虑受端电网高比例可再生能源消纳的基础上,提出了一种储能需求评估方法,提高了预估的可靠性,但对于异常因子作用下的抗干扰能力相对偏低;文献[9]以时变备用需求为导向,设计了一种含大规模风电的电力系统机组组合滚动优化方法,在一定程度上提高了时变备用需求分析的精度,但其对应的时间成本偏高;文献[10]以离散傅里叶变换(discrete Fourier transform,DFT)为基础,设计了一种多时间尺度系统备用需求分析方法,该方法提高了需求预估的准确性,但对于基础数据质量的要求较高;文献[11]建立了计及需求响应的含风光发电的电力系统多目标优化调度模型,以经济和环保成本之和最小建立目标函数,但其预估值与实际值偏差较大;文献[12]提出了基于负荷与风电出力场景集的运行备用动态调度方法,建立了机组出力和备用决策动态协调优化模型,但该方法投入成本较高。

为此,本文基于最近邻聚类,研究构建光伏-制氢系统的运行备用容量需求预估模型,并根据测试结果,分析验证所构建模型在实际预估应用中的效果。

1 光伏-制氢系统运行备用容量需求预估模型

1.1 运行参数最近邻聚类处理

光伏-制氢系统运行数据最突出的特点是具有不确定性,因此在对光伏-制氢系统运行参数进行聚类处理时,往往存在分类异常的情况[13-14]。鉴于此,本文引入最近邻聚类中的不确定自然最近邻机制[15],将拥有较少近邻不确定数据对象所处的区域设置为稀疏区域,将拥有较多近邻不确定数据对象所处的区域设置为稠密区域,以此凸显光伏-制氢系统运行数据特点,从而提高聚类处理效果。在此基础上,根据近邻数数量,按稠密点、稀疏点、噪声点的分类标准,将数据集中的不确定光伏-制氢系统运行数据对象进行划分处理。此划分标准可简单理解为:(1)稠密点,即拥有较多近邻的光伏-制氢系统运行数据点;(2)稀疏点,即拥有较少近邻的光伏-制氢系统运行数据点;(3)噪声点,即拥有极少近邻的光伏-制氢系统运行数据点。其划分机制如图1所示。

图1 整体光伏-制氢系统运行数据集划分方式示意图Fig.1 Schematic diagram of partition mode for operation data set of integrated photovoltaic-hydrogen production system

本文充分考虑了整体光伏-制氢系统运行数据在分布上的不唯一性,对不确定自然邻域与邻域密度因子进行有机结合,定义不确定自然邻域因子,并借助阈值参数实现对原始光伏-制氢系统运行数据集中噪声点的清洗。

其中,对于光伏-制氢系统运行数据集中的不确定自然特征值而言,本文将不确定自然邻域搜索算法到达不确定自然稳定状态的输出结果作为对应特征值的计算结果,具体计算公式为

式中:λ为光伏-制氢系统运行数据集中的不确定自然特征值参量;k为不确定自然邻域搜索算法到达不确定自然稳定状态的迭代次数[16];n为迭代过程中输出的不确定反向最近邻数;x为不确定自然邻域数据点[17];ω(x)为光伏-制氢系统不确定数据对象;f(ω(x))为不确定自然邻域搜索函数,其具体可表示为

即:当ω(x)取值为0时,对应的不确定自然邻域搜索函数输出结果为1;当ω(x)取值不为0时,对应的不确定自然邻域搜索函数输出结果则为0。光伏-制氢系统不确定数据对象的不确定反向最近邻数为0时,则输出其对应的不确定自然邻域搜索结果,否则舍弃当前的光伏-制氢系统运行数据。

此时的光伏-制氢系统不确定数据对应的不确定自然邻域密度因子为

式中γx为光伏-制氢系统不确定数据x的不确定反向最近邻参数;ψx为光伏-制氢系统不确定数据x的不确定自然最近邻参数。

由此即可不含噪点地确定光伏-制氢系统不确定数据集。本文对光伏-制氢系统运行数据中不确定k-最近邻数据的划分方式可表示为

式中:Gk(x)为不确定k-最近邻数据的划分结果;D为不含噪点的不确定光伏-制氢系统不确定数据集;y为光伏-制氢系统中的不确定数据对象数量;Pl为第l个氢设备额定输出功率;ζ为詹森-香农散度参数[18-20]。由此,实现了对光伏-制氢系统运行参数的最近邻聚类处理。

1.2 运行备用容量需求预估模型的构建

本文构建的光伏-制氢系统运行备用容量需求预估模型如图2所示。

图2 光伏-制氢系统运行备用容量需求预估模型Fig.2 Prediction model of standby capacity demand for photovoltaic-hydrogen production system

图2所示的光伏-制氢系统运行备用容量需求预估模型中,为实现对光伏-制氢系统不确定数据对应不确定自然邻域数据集的高维映射,本文设置具体的核函数为高斯径向基函数(radial basis function,RBF),借助其径向对称的特点,实现对数据衰减速率的最大限度控制[21-22]。高斯RBF函数可表示为

式中:i为辐照度[23];σ为Gk(x)i与Gk(x)光伏-制氢系统运行参数最近邻聚类的可感知变量。

然后,将所有的RBF输出结果映射到同一个空间中,得到的光伏-制氢系统运行备用容量需求结果可表示为

式中b为光伏-制氢系统运行参数最近邻聚类的关联系数。

由此即可实现对光伏-制氢系统运行备用容量需求预估模型的构建,最大限度保障预估结果的可靠性。

2 应用测试

2.1 测试环境

本文依托某实际的光伏-制氢系统开展测试研究。光伏-制氢系统主要由光伏发电系统和电解水制氢系统构成。其中,光伏发电系统主要由太阳能电池板、逆变器和蓄电池组成,不同组成部分的具体配置情况如表1所示。

表1 光伏发电系统结构配置Table 1 Structural configuration of photovoltaic power generation system

而逆变器的主要作用是将太阳能电池板输出的直流电转换为交流电,供负载使用。该逆变器具有较高的转换效率,可保证系统的正常运行。铅酸蓄电池主要用于储存电能,保证在没有阳光的情况下系统仍可正常运行。

其次是电解水制氢系统,其主要由电解槽、气液分离器和气体干燥器组成。对应的电解槽采用碱性电解槽,将水分解为氢气和氧气。电解槽的工作电压为2V,电流密度为1kA/m2,电解效率为90%。气液分离器采用旋风式气液分离器,可将氢气和氧气中携带的水分和杂质去除,提高氢气的纯度。气体干燥器采用了吸附式气体干燥器,可将氢气中残余的水分和杂质去除,提高氢气的干燥度和纯度。

在测试光伏-制氢系统的具体运行过程中,光伏发电系统的运行环境温度为-40～80℃,相对湿度为0～95%,海拔高度不超过2km。制氢系统的运行环境温度为0～40℃,相对湿度为30%～70%,海拔高度不超过1km。在运行控制阶段,相关可执行参数上限如表2所示。

表2 光伏-制氢测试系统的整体运行控制基准Table 2 Overall operation control benchmark of photovoltaic-hydrogen production test system

此外,为确保系统的正常运行,需要控制进水电解槽的水流量、氢气出口压力、氧气出口压力等参数。

光伏-制氢系统运行备用容量需求预估模型参数设置如下:邻域半径为0.1m,邻近点的数量为10,迭代次数为100,窗口大小为5,簇数为20。

2.2 测试结果与分析

采集连续7天内光伏-制氢系统运行备用容量的实际数据(真实需求),并将其作为基准值与预估模型给出的预估结果进行比较。通过比较实际需求与预估结果的差异,评估预估模型的性能。首先,本文对连续7天内,光伏-制氢测试系统运行备用容量的最大值进行预估,并与实际需求进行比较,得到的测试结果如图3所示。

图3 最大备用容量需求预估结果对比图Fig.3 Comparison chart of prediction results for maximum standby capacity demand

由图3可见,在3种不同的光伏-制氢系统运行备用容量预估方法下,对容量需求最大值预估结果与实际需求之间的偏差表现出了较为明显的差异。其中:在可再生能源消纳备用容量需求预估方法下,最大偏差达到了1.254GW(测试第3天);在DFT备用容量需求预估方法下,最大偏差也达到了800MW(测试第7天);相比之下,本文设计的预估方法的测试结果与实际值之间的偏差始终稳定在250MW 以内,且最小偏差仅为40MW。与对照组相比,在本文设计的预估方法在准确性方面具有明显优势。

其次,本文对连续7天内光伏-制氢测试系统运行备用容量的最小值进行预估,并与实际需求进行比较,得到的测试结果如图4所示。

图4 最小备用容量需求预估结果对比图Fig.4 Comparison chart of prediction results for minimum standby capacity demand

由图4可见:采用可再生能源消纳备用容量需求预估方法,出现了预估结果低于实际需求的情况,具体为对第6天的运行备用容量最小值预估结果低于实际需求369MW,对第7天的运行备用容量最小值预估结果低于实际需求127MW;采用DFT备用容量需求预估方法,也表现出了与可再生能源消纳备用容量需求预估方法相同的问题,其中,对第1天的运行备用容量最小值预估结果低于实际需求297MW,对第6天的运行备用容量最小值预估结果低于实际需求263MW,这对于实际的光伏-制氢系统运行而言,极有可能造成能源供给短缺,无法满足实际应用需求的情况;相比之下,在本文设计方法的测试结果中,对于光伏-制氢测试系统运行备用容量最小值的预估值与实际需求的误差始终稳定在150MW 以内,且仅出现1次预估值低于实际值的情况,对应的偏差也仅为2MW。

对不同方法下能量管理成本进行统计,得到的测试结果如表3所示。

表3 能量管理成本对比表Table 3 Comparison table of energy management cost

由表3可见:3种方法中,本文设计的预估方法对应的能量管理成本投入最低,分别低于可再生能源消纳备用容量需求预估方法6467元,低于DFT备用容量需求预估方法5157元;从单日能量管理成本投入的角度进行分析,采用本文设计的预估方法,其成本为2623元,低于可再生能源消纳备用容量需求预估方法924元,低于DFT备用容量需求预估方法739元。由此可见,借助本文设计的基于最近邻聚类的光伏-制氢系统运行备用容量需求预估模型,可在保障光伏-制氢系统顺利运行的基础上,极大程度地降低具体运行成本。

3 结论

本文构建的基于最近邻聚类的光伏-制氢系统运行备用容量需求预估模型,切实实现了对光伏-制氢系统运行备用容量需求的精准预估。测试结果表明,本文方法下的最大备用容量需求预估精度和最小备用容量需求预估精度较高,且能量管理成本较低。由此表明,本文方法在估计光伏-制氢系统的备用容量需求方面是有效的。但由于研究条件有限,本文方法在数据空间处理方面还存在不足,在之后的研究中将利用机器学习等方法进一步提高计算算力。