电热气氢综合能源系统随机优化调度

收稿日期：2022-07-27

基金项目：国家自然科学基金（52177073）

通信作者：李春燕（1975—），女，博士、副教授，主要从事需求响应、综合能源系统优化调度方面的研究。lcycqu@cqu.edu.cn

DOI：10.19912/j.0254-0096.tynxb.2022-1124 文章编号：0254-0096（2023）11-0522-08

摘 要：首先，分析电解槽以及燃料电池等设备工作特点，计及设备的动态能效，建立氢系统设备的精细化模型；其次，建立各种能源间的耦合关系模型，通过电热氢多种储能实现电热气氢系统的能量平衡；最后，计及电热气负荷的波动与可再生能源的不确定性，以日运行成本最小为目标，建立电热气氢综合能源系统随机优化调度模型。算例分析验证了该优化模型能有效消纳风光资源、降低日运行成本、减少环境污染，具有较好的经济性与环保性。

关键词：氢能；太阳能；综合能源系统；随机优化

中图分类号：TM715""""""""""" """""""""" """"""文献标志码：A

0 引 言

随着全球气候问题日益严重，世界主要国家都在积极参与推进碳减排目标。加快发展风能、太阳能等可再生能源，是实现能源低碳化的核心［1-2］。近些年，风光水能源并网的比例逐年增加，由于风光能源出力的不确定性，弃风弃光问题非常严峻［2］。为促进可再生能源的消纳，氢能作为一种低碳二次能源得到快速发展［3-6］。

现有研究大多将氢能融入电热系统中，以提高系统运行经济性。文献［3］计及电动汽车随机充电需求，建立气-风-光-氢综合能源系统的容量配置优化模型。文献［4］考虑风光出力的不确定性，构建了电氢一体化能源站的可逆固体氧化物电池以及储氢库容量规划模型。文献［5］对含P2G（power to gas）-CCS（carbon capture and storage）和燃气掺氢的虚拟电厂进行研究，提出基于阶梯碳交易机制的虚拟电厂优化调度策略。文献［6］提出含氢储、热储的电热混合储能模型，对多源微网自治优化运行策略进行了研究。

已有研究鲜有考虑可再生能源的不确定性与用户侧负荷的波动性。事实上，氢系统的运行受可再生能源出力的影响很大，因此需对计及不确定性的电热气氢综合能源系统的随机优化调度开展研究。目前，对氢系统设备建模已有相关研究。文献［7］建立电解槽的产出模型，且建立风-氢能源调度优化模型。文献［8］对电解槽在不同运行功率下的效率-功率关系进行研究，建立风-氢系统短期经济调度优化模型。文献［9］将电转气过程划分为电解制氢和氢气甲烷化两个过程，提出考虑电转气精细化模型的联合优化调度模型。文献［10］分析电转气装置的能源耦合方式，对其精细化模型进行了详细分析。然而，现有研究建立的氢系统设备数学模型简单，鲜见计及设备运行过程中能效的变化，同时缺乏对氢能利用各环节能源设备整体精细化建模，无法综合反映氢能利用各环节相关能源设备具体能效特性对综合能源系统运行的影响。事实上，氢系统设备在运行过程中受负载功率的影响，其工作效率呈非线性变化的趋势，从而影响电热气氢综合能源系统的优化调度。因此，在电热气氢综合能源系统优化调度中需计及氢系统设备动态能效的影响。

综上，为充分发挥氢能在综合能源系统的作用，提高可再生能源的利用效率，本文提出电热气氢综合能源系统（integrated electric-heating-gas-hydrogen energy system，IEHGHES）的构架，建立电解槽、燃料电池的动态能效模型并对系统中多种能源间的能量转换设备、储能设备等建立相应的数学模型。为挖掘电热气氢综合系统的灵活性，充分考虑电热氢多形式储能。在此基础上，考虑以日运行成本最小化为目标，建立计及电热气负荷波动与可再生能源不确定性的电热气氢综合能源系统随机优化调度模型。

1 IEHGHES模型

1.1 IEHGHES结构

IEHGHES结构如图1所示，主要包含电、热、气、氢4个子系统。电负荷主要由燃气轮机、燃料电池、蓄电池与风光能源提供，多余的风光能源可通过氢能系统进行消纳。质子交换膜电解槽与电母线连接，通过电解水制造氢气，制得的氢气存入储氢罐中。质子交换膜电解槽、燃料电池、燃气轮机在工作过程中产生的热量通过余热回收装置进行回收，提高热能利用率。

1.2 IEHGHES数学模型

1.2.1 氢系统能量转换设备精细化模型

现有研究大多认为电解槽制氢效率固定不变而未考虑其实际工况，为充分发挥电解槽在综合能源系统中的作用，建立其准确的能效模型具有重要意义。本文研究电解槽、燃料电池的精细化模型，建立动态能效模型。

1）电解槽

为促进可再生能源的消纳，可利用电解槽消纳多余的可再生能源制造氢气。以质子交换膜电解槽为例，能量转换关系为：

[Qel=PelηelLH2]" （1）

[Tel=Pel（1-ηel）]"" （2）

[ηel=ηuηi] （3）

[ηi=1-IlossIEZ=1-2AFDH2SH2ΔpIEZ∙eM]" （4）

[ηu=UtnUEZ≈UtnUtn+Ea+IEZRohm]""""" （5）

式中：[Qel]——氢气流量，m3/h；[Pel]——电解槽的耗电功率，kW；[ηel]——制氢效率，受电流效率[ηi]和电压效率[ηu]影响；[LH2]——氢气的低热值，kWh/m3；[Tel]——制氢过程的产热功率，kW；[Iloss]——损耗电流，A；[IEZ]——电解槽工作电流，A；[A]——质子交换膜的有效面积，m2；[F]——法拉第常数，C/mol；[DH2]——氢气的扩散速率，m2/s；[SH2]——氢气的溶解度系数，mol/（Pa·m3）；[Δp]——交换膜两侧氢气压差，Pa；[eM]——交换膜厚度，μm；[Utn]——水电解热中性电压，与运行温度有关，V；[UEZ]——电源电压，V；[Ea]——阳极过电压，V；[Rohm]——电解槽等效电阻，Ω。

联立式（3）～式（5）可得：

[ηel=Utn（IEZ∙eM-2AFDH2SH2Δp）/IEZ∙eMUtn+Ea+IEZRohm=f1（IEZ）] （6）

又有：

[IEZ=PelUEZ=f2（Pel）]" （7）

联立式（6）～式（7）有：

[ηel=f1f2（Pel）=g1（Pel）]""""" （8）

由式（6）可知，电解槽制氢效率受工作电流、设备参数等因素影响。电解槽制氢效率与工作电流成非线性关系，因而与实际功率也成非线性关系，本文采用多项式拟合方法将其简化为如式（9）所示的函数关系［11］：

[ηel=a1+a2Pel+a3（Pel）2]"""" （9）

式中：[a1、][a2、][a3]——方程系数。

2）燃料电池

以氢气为原料的质子交换膜燃料电池（proton exchange membrane fuel cell，PEMFC）的数学模型为：

[Pfc=QfcLH2ηfc] （10）

[Tfc=QfcLH2（1-ηfc）]"" （11）

[ηfc=μfUFC∙IFCENernst∙IFC]""""" （12）

[UFC=ENernst-Vact-Vcon-Voh]""" （13）

[Vact=-ξ1+ξ2T+ξ3Tln（CO2）+ξ4TlnIFC=F1IFC] （14）

[Vcon=-Bln1-IFCImax=F2IFC]""" （15）

[Voh=IFCρM·l/A+RC=F3IFC] （16）

式中：[Pfc]——燃料电池的输出电功率，kW；[Qfc]——燃料电池的耗氢流量，m3/h；[ηfc]——燃料电池的效率；[Tfc]——燃料电池的输出热功率，kW；[μf]——燃料的利用率；[UFC]、[ENernst]——燃料电池的输出电压、热动力电势，V；[IFC]——燃料电池的输出电流，A。

式（13）～式（16）中具体参数解释见文献［12］。联立式（12）～式（16）可得：

[ηfc=μf1-F1IFC+F2IFC+F3IFCENernst=h1（IFC）]" （17）

又有：

[IFC=PfcUFC=h2（Pfc）] （18）

联立式（17）～式（18）可得：

[ηfc=h1h2（Pfc）=g2（Pfc）]""" （19）

与电解槽类似，以燃料电池输出功率为自变量，利用多项式函数对其进行拟合［13］，可得：

[ηfc=ibi（Pfc）i-1]" （20）

1.2.2 电热气氢能源转换关系

电热气氢能源转换设备数学模型为：

[P=Aη]" （21）

[P=[Pmt，Tmt，Teh，Tgb]T]""""" （22）

[A=diag[GmtLgas，GmtLgas，Peh，GgbLgas]] （23）

[η=[ηmt，1-ηmt，ηeh，ηgb]T]" （24）

式中：[P]——输出功率矩阵；[A]——输入功率矩阵；[η]——效率矩阵；[Pmt]、[Tmt]——燃气轮机发电、发热功率，kW；[Teh]——电锅炉的热功率，kW；[Tgb]——燃气锅炉的热功率，kW；[Gmt]——燃气轮机消耗天然气流量，m3/h；[Lgas]——天然气低热值，kWh/m3；[Peh]——电锅炉消耗电功率，kW；[Ggb]——燃气锅炉消耗天然气量，m3/h；[ηmt]——燃气轮机发电效率；[ηeh]——电锅炉的效率；[ηgb]——燃气锅炉的效率。

余热回收装置收集电解槽、燃料电池、燃气轮机工作中产生的废热，供给热系统，其数学模型为：

[Tr=（Tel+Tfc+Tmt）ηr] （25）

式中：[Tr]——余热回收装置的热功率，kW；[ηr]——工作效率。

1.2.3 储能元件

储能元件的数学模型如式（26）所示。式（30）表示同一时刻充放能状态互补。式（31）表示在调度周期内充放能总量保持平衡。

[S（t）=S（t-1）+xc（t）ηc-xd（t）ηdΔt]""""" （26）

[Smin≤S≤Smax] （27）

[μcxc，min≤xc≤μcxc，max]""""" （28）

[μdxd，min≤xd≤μdxd，max]"""" （29）

[μc+μd≤1] （30）

[txc=txd] （31）

式中：[S（t）]——[t]时刻总储电、热、氢量；[xd]、[xc]——相应能量（电、热、氢）的释放与储存速率；[ηc]、[ηd]——能量充放效率；[Δt]——单位调度时间；S——总储电、热、氢量；[Smax、][Smin]——储能上限和下限；[xc，min、][xc，max、][xd，min、][xd，max]——充放速率限制；[μc、][μd]——充放能状态标志，0-1变量。

2 IEHGHES优化调度模型

考虑风光能源的不确定性以及电、热、气负荷的波动，以24 h为调度周期，建立该综合能源系统的日前随机优化调度模型。以IEHGHES日运行成本最小为目的，通过对系统中各能量转换设备、储能设备的出力情况以及外部购能需求的协调调度，实现电热气氢综合能源系统的经济运行。

2.1 基于随机场景的不确定性模型

由于气象因素和物理条件的变化，IEHGHES中风光出力以及电热气负荷具有不确定性。本文基于随机场景建立风、光以及负荷的不确定模型，应用概率密度函数（probability density function，PDF）和轮盘赌算法生成大量场景，采用同步回代场景缩减方法消除较低概率的场景，从而将随机优化问题转化为确定性问题。

文献［14］表明多能源系统运行的不确定性分布特性十分复杂，工程上为简化计算，将风电和光伏出力以及电、热、气负荷的预测误差近似为遵循正态分布。基于不确定性变量的概率密度函数生成相关场景，流程为：

1）将代表原始分布的零均值作为中心，以每小时作为时间尺度，把每个不确定变量的PDF离散为7个不同的预测误差水平[（0，±σ，±2σ，][±3σ）]，[σ]代表标准差。

2）确定每个不确定变量在每个预测误差区间的概率，分别用[α1，D、][α2，D、][α3，D、][α4，D、][α5，D、][α6，D、][α7，D]表示，[D∈ℂ]，其中[ℂ]为不确定变量集。

3）使用轮盘赌算法在每个小时内为每个不确定变量生成随机场景。

4）确定在不同场景内每小时的不确定变量的值。对应场景的新值为由PDF确定的每个不确定变量的误差加上它们的预测值。

[V（s， t）=Vforecast（t）+ΔV（s， t），" s=1，…，Ns]" （32）

式中：[V（s， t）]——[t]时段场景[s]中不确定变量的值；[Vforecast（t）]——[t]时段不确定变量的预测值；[ΔV（s，t）]——[t]时段场景[s]中不确定变量的预测误差。

对于每个场景，其概率等于每个不确定变量对应的场景概率的乘积。场景[s]的概率为[ps]：

[ps=i∈1，2，3，4，5，6，7D∈ℂαi，D]""" （33）

本文中，由于不确定变量的数量为5，每小时每个不确定变量生成7个情景，因此每小时生成的组合情景数为75=16807。由于场景数量众多，对于含有非线性方程的优化调度模型的求解，计算量非常大。选择具有差异性的典型场景来近似全部场景十分重要。因此，采用同步回代场景缩减方法消除较低概率的场景。

2.2 目标函数

IEHGHES优化调度模型目标函数为：

[min"""Co=s（Cbuy，s+Ccom，s+Cen+Cp，s）·ps]"""" （34）

[Cbuy，s=tpEt·Pgrids+pT·Tgrids+pG·Ggrids]"""""" （35）

[Ccom，s=tPndspPnd+TndspTnd+GndspGnd]"""""" （36）

[Cen=t（Tmt+Tgb）βSO2+（Tmt+Tgb）βNO2+（Tmt+Tgb）βCO2]""""" （37）

[Cp，s=tPre_ss·pf] （38）

式中：[Co]——系统日运行成本；[Cbuy，s]、[Ccom，s]、[Cen]、[Cp，s]——对应场景下的购能成本、失负荷补偿成本、环境成本、弃风弃光惩罚成本；[pEt、][pT、][pG]——购电、购热、购气单价；[Pgrids]、[Tgrids]——[s]场景下的购电、购热功率，kW；[Ggrids]——[s]场景下的购气量，m3/h；[Pnds、][Tnds、][Gnds]——[s]场景下的电、热、气失负荷功率；[pPnd、][pTnd、][pGnd]——电、热、气失负荷单位功率补偿价格；[βSO2、][βNO2、][βCO2]——燃气轮机、燃气锅炉生产单位热功率排放的SO2、NO2、CO2的惩罚价格，元/kWh；[Pre_ss]——[s]场景下的弃风弃光功率，kW；[pf]——弃风弃光单位惩罚价格，元/kWh。

2.3 约束条件

2.3.1 功率平衡约束

可再生能源包括风力发电与光伏发电：

[Pwts+Ppvs=Pres]" （39）

[Pre_ss+Pre_ns=Pres]""" （40）

式中：[Pwts]、[Ppvs]——风力、光伏出力；[Pres]——可再生能源总功率，kW；[Pre_ns]——可再生能源并网功率，kW。

电、热、气、氢系统功率平衡约束：

[Pgrids+Pre_ns+Pfc+Pd+Pmt=Peh+Pel+Pc+Ploads-Pnds]" （41）

[Tgrids+Tr+Td+Tgb+Teh=Tc+Tloads-Tnds]" （42）

[GgridsLgas=（Gmt+Ggb）Lgas+Gloads-Gnds]""""" （43）

[Qel=Hc] （44）

[Qfc=Hd]"""""" （45）

式中：[Pc]、[Pd]——蓄电池充放电功率，kW；[Tc]、[Td]——蓄热罐充放热功率，kW；[Hc]、[Hd]——储氢罐充放氢速率，m3/h；[Ploads]、[Tloads]、[Gloads]——[s]场景下的电、热、气负荷功率，kW。

2.3.2 设备运行约束

IEHGHES系统主要设备有电解槽、燃料电池、燃气轮机、电锅炉、燃气锅炉、余热回收装置，其运行出力以及爬坡约束为：

[Pminel≤Pel≤Pmaxel] （46）

[-ΔPmaxel≤Pel（t）-Pel（t-1）≤ΔPmaxel]""" （47）

[Pminfc≤Pfc≤Pmaxfc]"""""" （48）

[-ΔPmaxfc≤Pfc（t）-Pfc（t-1）≤ΔPmaxfc]"" （49）

[Pminmt≤Pmt≤Pmaxmt]""" （50）

[-ΔPmaxmt≤Pmt（t）-Pmt（t-1）≤ΔPmaxmt]""""" （51）

[Tmineh≤Teh≤Tmaxeh]""""" （52）

[-ΔTmaxeh≤Teh（t）-Teh（t-1）≤ΔTmaxeh]" （53）

[Tmingb≤Tgb≤Tmaxgb]"""" （54）

[-ΔTmaxgb≤Tgb（t）-Tgb（t-1）≤ΔTmaxgb]"""""" （55）

[Tminr≤Tr≤Tmaxr]""" （56）

式中：[Pmaxel]、[Pminel]——电解槽最大、最小出力，kW；[ΔPmaxel]——电解槽最大爬坡功率，kW；[Pmaxfc]、[Pminfc]——燃料电池最大、最小出力，kW；[ΔPmaxfc]——燃料电池最大爬坡功率，kW；[Pmaxmt]、[Pminmt]——燃气轮机最大、最小出力，kW；[ΔPmaxmt]——燃气轮机最大爬坡功率，kW；[Tmaxeh]、[Tmineh]——电锅炉最大、最小功率，kW；[ΔTmaxeh]——电锅炉最大爬坡功率，kW；[Tmaxgb]、[Tmingb]——燃气锅炉最大、最小功率，kW；[ΔTmaxgb]——燃气锅炉最大爬坡功率，kW；[Tmaxr]、[Tminr]——余热回收装置最大、最小输出功率，kW。

2.3.3 购能约束

为保证电网联络线及气网管道的安全性，电、热、气、氢的购买量需满足如下约束：

[Pmingrid≤Pgrids≤Pmaxgrid]""" （57）

[Tmingrid≤Tgrids≤Tmaxgrid]""" （58）

[Gmingrid≤Ggrids≤Gmaxgrid]" （59）

式中：[Pmaxgrid]、[Pmingrid]——最大、最小购电量，kW；[Tmaxgrid]、[Tmingrid]——最大、最小购热量，kW；[Gmaxgrid]、[Gmingrid]——最大、最小购气量，m3/h。

2.4 模型的求解

由目标函数（式（34）），等式约束（式（1）～式（2）、式（9）～式（11）、式（20）～式（26）、式（31）、式（35）～式（45）），不等式约束式（式（27）～式（30）、式（46）～式（59））构成IEHGHES优化调度模型。由于式（28）～式（30）含有整数变量，且式（9）和式（20）具有非线性特征，因此IEHGHES优化调度是混合整数非线性规划模型。采用SOS-2分段线性化方法对式（9）和式（20）进行线性化处理，将模型转换为混合整数线性规划问题，可由Cplex商业软件快速求解。模型求解流程如图2所示。

3 算例分析

参数设置：IEHGHES中电热气负荷及风光出力数据如图3所示。优化调度周期为24 h，以1 h为时间尺度。购电价格采用分时电价，谷时段为00：00—07：00，平时段为08：00—11：00及17：00—19：00，峰时段为12：00—16：00及20：00—23：00。

谷、平、峰时段电价分别为0.17、0.49、0.83 元/kWh。购热价格为0.35 元/kWh，天然气价格为2.5 元/m3。系统中相关设备的参数见表1。

案例设置：为体现IEHGHES促进可再生能源的消纳作用，设置3个对比案例，如表2所示。案例1是本文模型，包含电解槽、燃料电池以及电热氢多形式储能，且计及电解槽和燃料电池的动态能效；案例2中电解槽和燃料电池的效率固定不变，取值0.7；案例3未考虑氢系统，仅为传统电热气综合能源系统。采用随机场景生成方法，将众多生成的场景

经同步回代场景缩减方法缩减为10个典型场景，每个场景的概率如表3所示。

3.1 电解槽与燃料电池动态能效

图4为电解槽与燃料电池的动态能效曲线。风光能源充足时，电解槽利用多余的能量制氢储能，其制氢效率随电解槽的出力而改变；当风光资源不足时，电解槽不工作，其效率为0；燃料电池在用电高峰期将储存的氢能转化为电能，在19：00之后燃料电池高负荷运行，效率基本维持在0.8。

3.2 系统优化调度结果

图5分别为案例1～3的电、热、气系统调度结果。由各案例的电系统调度结果可知：案例1在风光资源充足时，进行蓄电池储能与氢储能；在用电高峰期蓄电池放电，减少系统购电成本。案例2未考虑氢设备动态能效，且设定的效率值较低，电解槽、燃料电池出力较案例1略有减少，限制了储氢装置对可再生能源的利用。由于案例3中不含氢设备，在蓄电池充满电后不能消纳多余的可再生能源，造成弃风弃光现象。

由各案例的热系统调度结果可知：IEHGHES储热罐在用热低谷时段储热，在用热高峰期放热。案例1在傍晚，电热负荷同时处于高峰期，余热回收装置利用燃料电池与燃气轮机工作产生的热量，为系统提供热能。案例3中由于缺少氢设备，余热回收装置只能利用燃气轮机产生的热量，需从外部购买更多热量以满足热负荷需求。由各案例的气系统调度结果可知：系统从气网购买大量天然气，其中大部分天然气被燃气轮机、燃气锅炉消耗。对比案例3，案例1主要使用电锅炉进行供热，从而燃气锅炉用气量较少，节约了购气成本。综上所述，氢系统的参与提升了电热气系统之间的关联性，使得系统在可再生能源充足时储存更多能量，并在负荷高峰期释放能量，以减少系统日运行成本。

3.3 风光能源利用率分析

图6为不同案例风光能源利用率曲线。表4为不同案例风光能源消纳率。由于氢系统的参与，案例1中风光消纳能力显著提高，能源消纳率达到95.63%。在凌晨时段，风力资源丰富，电负荷处于谷期，电解槽利用多余的风能制氢，此时其效率较高；在中午时段，此时光能充足，电负荷处于峰期，可用于制氢的能量减少，其效率相较于凌晨有所下降。由于案例2中未考虑氢设备的动态能效，未能准确反映产氢与耗氢设备的工作区间，在凌晨时段，其风光利用率较案例1低；在中午时段，由于储氢罐容量限制，电解槽的出力较案例1低，风光能源消纳率较案例1略有下降，为94.85%。案例3的风光能源消纳率最低，为92.53%。因此，将氢气耦合电热气系统，精细化电解槽与燃料电池的模型，能有效提高风光能源消纳率，减少弃风弃光现象。

3.4 日运行成本分析

表5为不同案例成本比较结果。案例1的日运行成本为5230.36元，较其他案例更经济。由于氢系统的加入提供了新的能量储存方式，消纳了更多的可再生能源，其弃风弃光惩罚最低。由于案例2中电解槽和燃料电池的效率固定，其弃风弃光惩罚成本约为案例1的2倍。案例3中无氢系统的参与，其弃风弃光惩罚最高。可看出：以氢能源为媒介，实现电气热系统的耦合，能减小系统的日运行成本，促进可再生能源的消纳。

3.5 天然气价格的影响

根据气系统调度结果可知，IEHGHES需购入大量天然气满足电热气负荷的需要，因此气价对系统调度成本具有重要影响。图7为天然气价格对系统成本的影响曲线。其中星形和菱形的曲线的坐标为右轴，其余曲线坐标为左轴。随着

气价的增加，系统的弃风弃光惩罚成本基本不变，环境成本有所降低，当气价约为5 元/m3时，环境惩罚成本为0，即燃气轮机、燃气锅炉停止运行。为满足负荷需要，购电购热成本应有所增加，因而系统日运行成本呈现上升趋势。

4 结 论

本文以电热气氢综合能源系统为研究对象，提出其最优经济调度策略，探究了氢系统的加入对可再生能源的消纳作用，实现了电-热-气-氢能量耦合。结果表明：以氢气为媒介，可协调系统中各设备的调度情况，IEHGHES系统可促进可再生能源的消纳。建立电解槽、燃料电池动态能效模型，精细化其工作过程，能提高氢能的利用率。

［参考文献］

［1］"""" 黄大为， 齐德卿， 于娜， 等. 利用制氢系统消纳风电弃风的制氢容量配置方法［J］. 太阳能学报， 2017， 38（6）： 1517-1525.

HUANG D W， QI D Q， YU N， et al. Capacity allocation method of hydrogen production system consuming abandoned wind power［J］. Acta energiae solaris sinica， 2017， 38（6）： 1517-1525.

［2］"""" 董砚， 卢禹， 雷兆明， 等. 风电消纳下多台制氢机组优化调度研究［J］. 太阳能学报， 2021， 42（11）： 299-306.

DONG Y， LU Y， LEI Z M， et al. Research on optimal scheduling of multiple hydrogen production units under wind power consumption［J］. Acta energiae solaris sinica， 2021， 42（11）： 299-306.

［3］"""" 周建力， 乌云娜， 董昊鑫， 等. 计及电动汽车随机充电的风-光-氢综合能源系统优化规划［J］. 电力系统自动化， 2021， 45（24）： 30-40.

ZHOU J L， WU Y N， DONG H X， et al. Optimal planning of"" wind-photovoltaic-hydrogen" integrated" energy" system considering"" random"" charging"" of"" electric"" vehicles［J］. Automation of electric power systems， 2021， 45（24）： 30-40.

［4］"""" 高赐威， 王崴， 陈涛. 基于可逆固体氧化物电池的电氢一体化能源站容量规划［J］. 中国电机工程学报， 2022，42（17）： 6155-6170.

GAO C W， WANG W， CHEN T. Capacity planning of electric-hydrogen"" integrated"" energy"" station"" based"" on reversible"" solid"" oxide"" battery［J］." Proceedings" of"" the CSEE， 2022， 42（17）： 6155-6170.

［5］"""" 陈登勇， 刘方， 刘帅. 基于阶梯碳交易的含P2G-CCS耦合和燃气掺氢的虚拟电厂优化调度［J］. 电网技术， 2022， 46（6）： 2042-2054.

CHEN D Y， LIU F， LIU S. Optimization of virtual power plant scheduling coupling with P2G-CCS and doped with gas hydrogen"" based"" on"" stepped" carbon" trading［J］." Power system technology， 2022， 46（6）： 2042-2054.

［6］"""" 滕云， 孙鹏， 罗桓桓， 等. 计及电热混合储能的多源微网自治优化运行模型［J］. 中国电机工程学报， 2019， 39（18）： 5316-5324， 5578.

TENG Y， SUN P， LUO H H， et al. Autonomous optimization" operation" model" for" multi-source" microgrid considering"" electrothermal"" hybrid"" energy""" storage［J］. Proceedings of the CSEE， 2019， 39（18）： 5316-5324， 5578.

［7］"""" 魏繁荣. 基于负荷弹性的新能源发电柔性高效就地化消纳策略研究［D］. 武汉： 华中科技大学， 2018.

WEI F R. Studies on load resilience based flexible and effective locally-accommodating strategies of renewable energy generation［D］. Wuhan： Huazhong University of Science and Technology， 2018.

［8］"""" 魏繁荣， 随权， 林湘宁， 等. 考虑制氢设备效率特性的煤风氢能源网调度优化策略［J］. 中国电机工程学报， 2018， 38（5）： 1428-1439.

WEI F R， SUI Q， LIN X N， et al. Energy control scheduling optimization strategy for coal-wind-hydrogen energy grid under consideration of the efficiency features of hydrogen production equipment［J］. Proceedings of the CSEE， 2018， 38（5）： 1428-1439.

［9］"""" 赵有林， 邱晓燕， 赵长枢， 等. 考虑电转气精细化模型的气电联合微网日前优化调度［J］. 电气传动， 2021， 51（11）： 68-74.

ZHAO Y L， QIU X Y， ZHAO C S， et al. Day ahead optimal scheduling of microgrid in gas-electricity combined system considering" refined" model" of" powe r to"" gas［J］. Electric drive， 2021， 51（11）： 68-74.

［10］""" 朱兰， 王吉， 唐陇军， 等. 计及电转气精细化模型的综合能源系统鲁棒随机优化调度［J］. 电网技术， 2019， 43（1）： 116-126.

ZHU L， WANG J， TANG L J， et al. Robust stochastic optimal dispatching of integrated energy systems considering refined power-to-gas model［J］. Power system technology， 2019， 43（1）： 116-126.

［11］""" CHAE M J， KIM J H， MOON B， et al. The present condition and outlook for hydrogen-natural gas blending technology［J］. Korean journal of chemical engineering， 2022， 39（2）： 251-262.

［12］""" CORREA J M， FARRET F A， POPOV V A， et al. Sensitivity analysis of the modeling parameters used in simulation of proton exchange membrane fuel cells［J］. IEEE transactions on energy conversion， 2005， 20（1）： 211-218.

［13］""" HE" Y" H，" WU" G." PGM-Free" oxygen-reduction" catalyst development for proton-exchange membrane fuel cells： challenges，""" solutions，"" and"" promises［J］." Accounts" of materials research， 2022， 3（2）： 224-236.

［14］""" HUANG C， ZHANG H C， SONG Y H， et al. Demand response for industrial micro-grid considering photovoltaic power uncertainty and battery operational cost［J］. IEEE transactions on smart grid， 2021， 12（4）： 3043-3055.

［15］""" 郑连华， 文中， 邱智武， 等. 计及光热电站和氢储能的综合能源系统低碳优化运行［J/OL］. 电测与仪表， 2022：1-9（2022-05-31）. http：//kns.cnki.net/kcms/detail/23.1202.TH. 20220530.1813.003.html

ZHENG L H， WEN Z， QIU Z W， et al. Low-carbon optimized operation of an integrated energy system that takes into account solar thermal power plants and hydrogen storage［J/OL］. Electrical measurement amp; instrumentation， 2022：1-9（2022-05-31）. http：//kns.cnki.net/kcms/detail/23.1202.TH. 20220530.1813.003.html

［16］""" 李天格， 胡志坚， 陈志， 等. 计及电-气-热-氢需求响应的综合能源系统多时间尺度低碳运行优化策略［J］. 电力自动化设备， 2023， 43（1）： 16-24.

LI T G， HU Z J， CHEN Z， et al. Multi-time scale low-carbon operation optimization strategy of integrated energy system considering electricity-gas-heat-hydrogen demand response［J］. Electric power automation equipment， 2023，43（1）： 16-24.

STOCHASTIC OPTIMAL SCHEDULING OF INTEGRATED

ELECTRIC- HEAT-GAS-HYDROGEN ENERGY SYSTEM

Deng Yulong，Li Chunyan，Shao Changzheng，Zhang Qian

（State Key Laboratory of Power Transmission Equipment Technology， Chongqing University， Chongqing 400044， China）

Abstract：Firstly， the working characteristics of electrolyzers and fuel cells have been analyzed. A refined model of the hydrogen system equipment is built considering the dynamic efficiency. Secondly， the coupling relationship model between energy sources is constructed， the energy balance of the integrated energy system is realized by introducing multiple energy storages. Finally， a stochastic optimal scheduling model of the integrated electric-heat-gas-hydrogen energy system is established considering the fluctuation of load and the uncertainty of renewable energy. Case studies verify that the proposed optimization model can effectively consume wind and photovoltaic energy， reduce operation cost and mitigate environmental pollution.

Keywords：hydrogen energy； solar energy； integrated energy system； stochastic programming