SSB蓄电池-氢能混合储能的能源系统成本效益优化：面向大学校园可持续电气化的技术经济与环境分析

2026-06-09 19:56:50

考虑到日益增长的动力需求和急迫的碳排放问题，迫切需求从传统的动力出产方式转向更可继续且环保的替代计划。为了完成具有本钱效益的转型，在每个时刻步优化动力组合是高效办理多样化动力的关键。本文提出了一种改善的莱维飞翔灰狼优化（ILFGWO）算法，用于混合可再生动力体系的容量规划和能量办理。该算法被应用于最小化三个功能指标：年化体系本钱（ASC）、平准化度电本钱（LCOE）和净现值本钱（NPC）。所提出的办法结合了根据维度学习的打猎、多邻域学习以及莱维飞翔散布，然后提高了其探究和开发能力。这种融合有助于灰狼优化（GWO）算法防止停滞问题，并经过将其功能与五种元启示式优化算法进行比较来验证这一点。研讨成果标明，所提算法优于其他算法，完成了6574.340（k€/yr）的ASC、0.5301（€/kWh）的LCOE以及75407.213（k€）的NPC。此外，经过对20次独立运转进行统计剖析，证明了所提ILFGWO算法的有用性。该技能经过完成最低最小值（6574.340 × 10³ €），表现优于其他优化办法，最大...

导言

动力需求的添加和环境应战正在加快传统动力体系向先进的动力出产技能的更替，这些技能通常被称为Renewable Energy Sources (RESs) [1]。RES既可以运转在并网方式下，也可以运转在离网方式下。考虑到当地资源的可用性，离网方式充分运用了RES来满意当地社区的动力和供暖需求。在电网衔接本钱过高或不可行的岛屿区域，离网体系正遭到越来越多的重视[2]。因为提高了动力的可取得性，并且可以经过削减对化石燃料的依赖来促进环境可继续发展，这些离网体系已变得至关重要。各种RES不依赖于电网网络即可用于发电。其间，Wind Turbines (WT)和Solar Photovoltaic (PV)是最牢靠的动力来源，因为它们广泛可得[3]。PV直接将阳光转化为电力，而WT则运用风的动能来发电。这两种动力在具有安稳日照和风力方式的区域尤为有用。当两者结合以在不同的天气条件和一天中的不一起间段发电时，它们会提高体系的可继续性和牢靠性[4]。虽然如此，这些RES本质上是不安稳的。PV的功率依赖于阳光，其强度在白天会有所变化，可能会r...
但是，当地的动力需求出现出不同的趋势，有时甚至与动力供应情况背道而驰。例如，在阴雨天PV发电量极低，但照明所需的电能需求却会添加。为了保持离网体系的安稳供电，有必要运用包含Battery Storage Systems（BSS）[7]和氢基储能在内的储能计划来贮存剩余能量。这些储能计划可以贮存来自可再生动力的剩余能量，并在首要动力无法供给或供应不足时加以运用，然后提高安稳性并削减可再生动力的间歇性。但是，电池仅能供给短期存储且容量有限[9]。因而，因为具有长期储能能力，像氢基储能这样的其他计划已明显遭到喜爱[10]。以氢气方式贮存的能量可以从头转化为电力供日后运用。经过整合包含电池和氢基储能在内的两种储能计划，可以树立一个更牢靠、更安稳的动力办理体系。为了构建具有本钱效益的混合动力办理体系，细心选择适宜的动力规划至关重要。规划超过所需容量的体系会导致本钱添加和资源浪费，而规划过小的体系则无法满意负载需求，因而优化体系规划十分必要[11]。
在文献中，存在多种用于动力体系优化规划的处理计划。一些研讨依赖于根据软件/工具的处理计划，而另一些研讨则选用了数学和传统优化办法来完成离网体系的优化规划。这些技能经过剖析动力需求和资源可用性，保证了体系的安稳性和本钱效益。在[12]中，作者运用Hybrid Optimization of Multiple Energy Resources（HOMER）评价了用于农村区域电气化的各种混合可再生动力体系（HRES）规划。研讨成果标明，根据净现值（NPC）和平准化动力本钱（LCOE），PV/WT/柴油/生物质是最佳规划计划。运用HOMER取得的成果与遗传算法（GA）进行了比较，比照显示HOMER的效果不如GA。GA是一种闻名的启示式优化办法，由Holland等人[13]提出。一项类似的研讨运用HOMER对氢气出产和加氢站的各种HRES规划进行了技能经济剖析[14]。研讨成果标明，与其他规划相比，PV/WT/BSS组合是具有最低NPC、LCOE和平准化氢气本钱的最佳规划计划。在[15]中，作者对澳大利亚五个不同区域的包含PV、WT、BSS和氢能技能的离网及并网HRES进行了技能经济剖析。运用了HOMER优化工具来确认最佳尺度的...
一些闻名的受天然启示的优化算法包含Particle Swarm Optimization (PSO) [16]算法、Ant Colony Optimization (ACO) [17]、Grey Wolf Optimization (GWO) [18]、Salp Swarm Algorithm (SSA) [19]以及Cuckoo Search Algorithm (CSA) [20]。这些是根据群体的受天然启示元启示式算法，模仿动物或昆虫的智能行为来处理杂乱的优化问题。Babangida等人提出了用于动力办理和确认HRES最佳装备的SSA [21]。该研讨的目标是在满意动力需求的一起下降动力出产本钱并提高体系牢靠性。Salp Swarm优化算法的功能与GA和HOMER进行了比较，成果标明所提出的算法比其他算法产生的LCOE更低。一项研讨提出了lévy Arithmetic Optimization算法，经过排放赏罚因子来优化经济排放调度问题[22]。该算法旨在下降动力本钱和碳排放水平。去中心化的多动力Micro Grid (MG)包含PV和WT两种首要动力，并由多个柴油发电机作为备份。为了证明所提算法的有用性，将其成果与传统的算术算法以及PSO、GA、CSA、ACO和Interior Search Algorithm等启示式优化技能进行了比较，成果显示出明显的本钱节省。
Alghamdi等人提出了一种改善的根据梯度的优化器来调度MG运转，在最大化RES运用率的一起最小化体系运转本钱[23]。该MG与电网进行能量交换。作者提出了两种场景，即MG衔接电池和不衔接电池的情况。所出现的本钱剖析验证了集成电池的MG经过恰当的充放电机制可以下降体系运转本钱。一项研讨提出了PSO用于MG组件（包含集成的PV和BSS）的最优规划，以最小化ASC[24]。Aykut等人比较了六种启示式优化算法在确认并网HRES最优装备方面的功能[25]。该研讨触及的体系包含PV、WT以及电池和超级电容器这两种储能选项。研讨成果标明，Chaos Game Optimization表现杰出，保持了0.24美元/kWh的LCOE，这是与其他同类算法相比最低的数值。所提出的办法在测验包含10%、20%降幅以及10%、20%增幅的动态负载变化时也显示出更优的成果。在文献[26]中，作者提出了Jaya算法来优化包含PV和BSS在内的散布式动力资源的运转。
在[27]中，作者运用Promoted Remora Optimization算法优化了MG运转，以保持需求与供应之间的平衡并下降运转本钱。所提出的体系包含PV、Fuel Cell（FC）和BSS，一起考虑并网和离网方式。该算法优化了荷电状况，最大化了体系功能，并下降了运转本钱。Mustafa等人提出了一种Differential Evolution（DE）办法，用于印度农村区域本地可用资源的容量规划[28]。为社会供电的潜在动力包含WT、PV、水电、生物质能、沼气和BSS。该研讨旨在确认动力资源的最优规划，以最小的动力本钱完成，一起考虑可再生动力出产的间歇性特征。该规划体系的总本钱为0.14 $/kWh，这比PSO和GA要低。文献[29]提出了一种根据DE算法的新办法，以优化经过HRES为反渗透海水淡化负载供电的LCOE。该体系包含PV和WT，旨在满意运转1kW淡化负载的高能量需求，一起保证与淡化水相关的本钱处于恰当范围内。经过DE取得的优化成果与HOMER进行了比较，其LCOE为0.39 $/kWh。在[30]、[31]中，作者提出了GWO算法来确认MG组件的最优尺度。所提出的al...
上述文献标明，HRES的容量规划和能量办理存在多种办法，包含根据软件的处理计划、数学优化办法以及受天然启示的优化技能。但是，选用正确的优化技能可以供给更准确且牢靠的成果。根据软件或工具的处理计划供给了难以解释的黑盒编码，且其核算本钱比现有优化技能更高。传统的优化办法如Linear Programming（LP）和MILP能为优化问题生成精确解。但是，它们面临着容易堕入部分极小值以及需求更多核算时刻来供给处理计划的应战。虽然受天然启示的优化技能具有极大的灵活性，并且在处理非凸、高度非线性或结构不良的问题时非常强壮，但在处理需求精确、可复现且可扩展的凸性、结构杰出及对时刻敏感的问题时，LP和MILP仍然是首选办法。这些技能之间的选择取决于问题的性质、所需的精度以及可用的核算资源。如今，受天然启示的优化技能已被广泛用于能量办理以及寻找HRES的最佳尺度。这些算法遭到社会生物协作行为的启示，它们集体向t中的有期望的位置移动。
本研讨提出了一种名为Improved Lévy Flight Grey Wolf Optimization（ILFGWO）算法的混合办法，该算法运用Dimension Learning-based Hunting（DLH）战略[34]和Lévy Flight（LF）散布来最大化全局查找域。DLH是一种更新的打猎办法，其间个体狼遵循多邻居学习方式，而LF则是带有偶尔长跳跃的随机游走。结合这两种办法增强了查找空间，然后防止了停滞问题。运用由DLH和lévy-assisted GWO查找战略生成的候选者，ILFGWO执行额外的过程，即选择获胜的候选狼，并在下一次迭代中将当前位置更新为更好的位置。在本研讨中，ILFGWO算法已被应用于HRES的能量办理和容量规划。考虑到天气资源的可用性，该体系中包含的首要组件是PV和WT，一起还包含两种储能选项，如BSS和根据氢的储能。所提出的HRES是一个完全离网体系，旨在满意意大利帕勒莫大学的动力需求。这项工作的创新之处总结如下：

• •
  本研讨选用ILFGWO算法对HRES的容量规划和能量办理进行了实施。据作者所知，尚无研讨探究过结合根据维度学习的捕猎战略与LF散布的GWO新特性，以防止部分极小值或早熟收敛问题。
• •
  经过实验和统计剖析，将所提算法的效率与其他state-of-the-art算法进行了比较。研讨成果标明功能得到了明显提高。
• •
  在本研讨中，考虑选用电池和氢能储能等multi-storage体系，以供给安稳且稳定的电力供应。