本发明专利申请属于大数据加工，具体涉及一种电氢可逆微网长期容量优化方法、系统、设备及介质。
背景技术：
1、随着全球能源问题和环境问题日益突显，能源转型和可持续发展成为重要的全球议题。传统的化石燃料能源不仅对环境产生负面影响，还面临资源枯竭的挑战。因此，转向利用可再生能源(如太阳能、风能等)和氢能等绿色能源来满足能源需求，成为了全球范围内的共识。
2、近年来，通过可再生能源发电的整合来追求低碳经济，促进了可再生能源发电增加到现有的配电系统中。在先进的可再生能源发电技术的推动下，小规模分布式风电和光伏发电成本大幅降低，促进了微电网的快速发展。微电网是一种小型电力系统，由不同形式的分布式电源(如微型风力涡轮机、光伏板和发电机)组成，容量从几千瓦到几兆瓦不等，还包括储能设备和不同的电力需求。将多种形式的局部分布式发电设施整合在一起并网运行是一种有效的模式。
3、电能氢能能源互联是一种将电能和氢能相互转换和储存的技术。在可再生能源不稳定的情况下，其电能供应处于波峰时，使用电解水将过剩的电能转换成氢气，并将其存储，再由燃料电池等其它手段转化成电能。这种技术有助于平衡能源供需，并提供了一种可大规模转化的能源储存手段。
4、在风能/太阳能发电系统混合电氢储能电站(hess)容量优化中，如何根据负荷需求，通过分配合适的hess容量，有效降低投资和运行成本，充分利用风能和太阳能，是一个优化问题，优化的目标是使整个生命周期内的一次性投资和运行成本最小化，和确保电氢储能系统的可靠性，低碳性，约束条件是电力的利用率和可靠性。
5、目前，现有技术配置的电氢可逆微网长期容量相对于实际的需求具有一定的差异，无法精准的对容量进行优化配置，从而使得电网系统在进行能源的存储和转化的时候，无法将多元的电能转化为氢能，也无法将氢能还原为电能进行供应，因此，目前对于能源的利用效率严重不足。
技术实现思路
1、为克服上述现有技术的不足，本发明专利申请提出了一种电氢可逆微网长期容量优化方法，包括：
2、对历史风光数据进行预测得到未来设定时间尺度的风光数据；
3、基于电解槽制氢效率模型、燃料电池发电效率模型、微网模型以及未来设定时长的风光数据，求解预先构建的多目标函数，得到微网中各个发电机组的最优出力功率；
4、基于微网中各个发电机组的最优出力功率，对微网的长期容量进行优化；
5、所述多目标函数，基于微网模型、电解槽制氢效率模型以及燃料电池发电效率模型，以经济性、可靠性和环境成本最优为目标变量，以微网中各个发电机组的出力功率为决策变量建立。
6、作为优选的，所述求解预先构建的多目标函数，得到微网中各个发电机组的最优出力功率，包括：
7、将所述未来设定时间尺度的风光数据增加到预先构建的约束条件中；
8、使用改进的多目标粒子群算法，结合约束条件对多目标函数进行求解，得到微网中各个发电机组的最优出力功率；
9、其中，所述改进的多目标粒子群算法包括：在每一次更新迭代的时候，基于粒子的拥挤距离和支配情况更新粒子的适应度，并基于粒子的适应度确定当前迭代的粒子的权重；
10、所述约束条件至少基于以下的模型进行构建：微网模型、电解槽制氢效率模型和燃料电池发电效率模型。
11、作为优选的，所述使用改进的多目标粒子群算法，结合约束条件对多目标函数进行求解，得到微网中各个发电机组的最优出力功率，包括：
12、将微网中各个发电机组的出力功率分别作为粒子的各个维度，基于粒子在各维度的值确定各粒子的拥挤距离，基于各粒子对应的多目标函数值确定各粒子的支配情况，并基于支配情况和拥挤距离确定各粒子的适应度；
13、初始化各个粒子的位置和速度；
14、基于各粒子的位置迭代各粒子的拥挤距离，基于各粒子的拥挤距离和支配情况迭代各粒子的适应度，并基于各粒子的适应度迭代各粒子的权重，基于各粒子的权重迭代各粒子的位置，直至满足迭代的收敛条件，输出各粒子最终的位置和速度；
15、基于各个粒子最终的位置和速度，确定得到微网中各个发电机组的最优出力功率。
16、作为优选的，所述粒子的权重，通过以下计算式进行计算：
17、
18、式中，ω为粒子的权重，ωmax为粒子的权重的最大值；ωmin粒子的权重的最小值；f为粒子的适应度；fmin为粒子所在种群中全部粒子适应度的最小值；fa为粒子所在种群中全部粒子适应度的平均值。
19、作为优选的，所述粒子的适应度，通过以下计算式进行计算：
20、f＝r(i)+d(i)
21、式中，f为第i个粒子的适应度，r(i)为第i个粒子在迭代过程中的支配情况，d(i)为第i个粒子的拥挤距离。
22、作为优选的，所述微网模型，包括：光伏阵列发电单元模型、风力发电机模型、蓄电池模型、电解槽-储氢罐-燃料电池模型以及超级电容模型。
23、作为优选的，所述对历史风光数据进行预测得到未来设定时间尺度的风光数据，包括：
24、基于获取到的历史设定时间尺度的风光数据，使用灰色滚动预测算法得到未来设定时间尺度的风光数据。
25、基于同一发明构思，本发明专利申请还提出了一种电氢可逆微网长期容量优化系统，包括：
26、风光数据获取模块，用于对历史风光数据进行预测得到未来设定时间尺度的风光数据；
27、发电机出力计算模块，用于基于电解槽制氢效率模型、燃料电池发电效率模型、微网模型以及未来设定时长的风光数据，求解预先构建的多目标函数，得到微网中各个发电机组的最优出力功率；
28、微网容量优化模块，用于基于微网中各个发电机组的最优出力功率，对微网的长期容量进行优化；
29、所述多目标函数，基于微网模型、电解槽制氢效率模型以及燃料电池发电效率模型，以经济性、可靠性和环境成本最优为目标变量，以微网中各个发电机组的出力功率为决策变量建立。
30、作为优选的，所述发电机出力计算模块求解预先构建的多目标函数，得到微网中各个发电机组的最优出力功率，包括：
31、将所述未来设定时间尺度的风光数据增加到预先构建的约束条件中；
32、使用改进的多目标粒子群算法，结合约束条件对多目标函数进行求解，得到微网中各个发电机组的最优出力功率；
33、其中，所述改进的多目标粒子群算法包括：在每一次更新迭代的时候，基于粒子的拥挤距离和支配情况更新粒子的适应度，并基于粒子的适应度确定当前迭代的粒子的权重；
34、所述约束条件至少基于以下的模型进行构建：微网模型、电解槽制氢效率模型和燃料电池发电效率模型。
35、作为优选的，所述发电机出力计算模块使用改进的多目标粒子群算法，结合约束条件对多目标函数进行求解，得到微网中各个发电机组的最优出力功率，包括：
36、将微网中各个发电机组的出力功率分别作为粒子的各个维度，基于粒子在各维度的值确定各粒子的拥挤距离，基于各粒子对应的多目标函数值确定各粒子的支配情况，并基于支配情况和拥挤距离确定各粒子的适应度；
37、初始化各个粒子的位置和速度；
38、基于各粒子的位置迭代各粒子的拥挤距离，基于各粒子的拥挤距离和支配情况迭代各粒子的适应度，并基于各粒子的适应度迭代各粒子的权重，基于各粒子的权重迭代各粒子的位置，直至满足迭代的收敛条件，输出各粒子最终的位置和速度；
39、基于各个粒子最终的位置和速度，确定得到微网中各个发电机组的最优出力功率。
40、作为优选的，所述发电机出力计算模块中粒子的权重，通过以下计算式进行计算：
41、
42、式中，ω为粒子的权重，ωmax为粒子的权重的最大值；ωmin粒子的权重的最小值；f为粒子的适应度；fmin为粒子所在种群中全部粒子适应度的最小值；fa为粒子所在种群中全部粒子适应度的平均值。
43、作为优选的，所述发电机出力计算模块中粒子的适应度，通过以下计算式进行计算：
44、f＝r(i)+d(i)
45、式中，f为第i个粒子的适应度，r(i)为第i个粒子在迭代过程中的支配情况，d(i)为第i个粒子的拥挤距离。
46、作为优选的，所述发电机出力计算模块中的微网模型，包括：光伏阵列发电单元模型、风力发电机模型、蓄电池模型、电解槽-储氢罐-燃料电池模型以及超级电容模型。
47、作为优选的，所述风光数据获取模块，具体用于：
48、基于获取到的历史设定时间尺度的风光数据，使用灰色滚动预测算法得到未来设定时间尺度的风光数据。
49、基于同一发明构思，本发明专利申请又提出了一种计算机设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序；
50、当所述一个或多个程序被所述一个或多个处理器执行时，实现上述的一种电氢可逆微网长期容量优化方法。
51、基于同一发明构思，本发明专利申请再提出了一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现上述的一种电氢可逆微网长期容量优化方法。
52、与最接近的现有技术相比，本发明专利申请具有的有益效果如下：
53、本发明专利申请提供了一种电氢可逆微网长期容量优化方法、系统、设备及介质，包括：对历史风光数据进行预测得到未来设定时间尺度的风光数据；基于电解槽制氢效率模型、燃料电池发电效率模型、微网模型以及未来设定时长的风光数据，求解预先构建的多目标函数，得到微网中各个发电机组的最优出力功率；基于微网中各个发电机组的最优出力功率，对微网的长期容量进行优化；所述多目标函数，基于微网模型、电解槽制氢效率模型以及燃料电池发电效率模型，以经济性、可靠性和环境成本最优为目标变量，以微网中各个发电机组的出力功率为决策变量建立。本发明专利申请通过历史的风光数据预测到未来的风光数据，并基于未来的风光数据、电解槽制氢效率模型、燃料电池发电效率模型以及微网模型得到微网中各个发电机的最优出力功率，最后对微网的容量进行长期优化，从而实现了精确的容量配置，使得电网系统可以更有效地储存和转换能源，将多余的电能转化为氢能进行储存，或者将储存的氢能还原为电能供应，从而提高整体能源利用效率。
1.一种电氢可逆微网长期容量优化方法，其特征在于，包括：
2.如权利要求1所述的方法，其特征在于，所述求解预先构建的多目标函数，得到微网中各个发电机组的最优出力功率，包括：
3.如权利要求2所述的方法，其特征在于，所述使用改进的多目标粒子群算法，结合约束条件对多目标函数进行求解，得到微网中各个发电机组的最优出力功率，包括：
4.如权利要求3所述的方法，其特征在于，所述粒子的权重，通过以下计算式进行计算：
5.如权利要求3所述的方法，其特征在于，所述粒子的适应度，通过以下计算式进行计算：
6.如权利要求1所述的方法，其特征在于，所述微网模型，包括：光伏阵列发电单元模型、风力发电机模型、蓄电池模型、电解槽-储氢罐-燃料电池模型以及超级电容模型。
7.如权利要求1所述的方法，其特征在于，所述对历史风光数据进行预测得到未来设定时间尺度的风光数据，包括：
8.一种电氢可逆微网长期容量优化系统，其特征在于，包括：
9.如权利要求8所述的系统，其特征在于，所述发电机出力计算模块求解预先构建的多目标函数，得到微网中各个发电机组的最优出力功率，包括：
10.如权利要求9所述的系统，其特征在于，所述发电机出力计算模块使用改进的多目标粒子群算法，结合约束条件对多目标函数进行求解，得到微网中各个发电机组的最优出力功率，包括：
11.如权利要求10所述的系统，其特征在于，所述发电机出力计算模块中粒子的权重，通过以下计算式进行计算：
12.如权利要求10所述的系统，其特征在于，所述发电机出力计算模块中粒子的适应度，通过以下计算式进行计算：
13.如权利要求8所述的系统，其特征在于，所述发电机出力计算模块中的微网模型，包括：光伏阵列发电单元模型、风力发电机模型、蓄电池模型、电解槽-储氢罐-燃料电池模型以及超级电容模型。
14.如权利要求8所述的系统，其特征在于，所述风光数据获取模块，具体用于：
15.一种计算机设备，其特征在于，包括：一个或多个处理器；存储器，用于存储一个或多个程序；
16.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现权利要求1至7中任一项所述的一种电氢可逆微网长期容量优化方法。
