(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210953920.X (22)申请日 2022.08.10 (71)申请人 南京工程学院 地址 211167 江苏省南京市江宁区科 学园 弘景大道1号 (72)发明人 谭志豪　孟高军　孙玉坤　张仰飞　 谭文轶　袁野　 (74)专利代理 机构 南京钟山专利代理有限公司 32252 专利代理师 牛婧 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 30/27(2020.01) G06N 3/00(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) H02J 3/00(2006.01) H02J 3/38(2006.01) G06F 111/04(2020.01) G06F 111/06(2020.01) G06F 111/08(2020.01) G06F 119/06(2020.01) (54)发明名称 一种可再生能源制氢系统容量优化配置方 法 (57)摘要 本发明公开了一种可再生能源制氢系统容 量优化配置方法， 包括： 采集某地区包括历史风 速、 温度、 辐射的历史数据集， 利用CS ‑WNN神经网 络模型建立该地区可再生能源出力的短期预测 模型， 预测出某时间段内该地区可再生能源出力 数据； 以系统运行总成本、 负荷缺电率和可再生 能源浪费率最小化建立评价目标函数， 以系统稳 定运行及系统环境影响为约束条件， 确定可再生 能源制氢系统运行调控 方式， 建立可再生能源制 氢系统容量配置数学模型； 采用蛛 网多目标寻优 算法对可再生能源制氢系统容量配置数学模型 进行求解， 得到可再生能源制氢系统容量优化配 置方法。 该容量优化配置方法有效提高了可再生 能源制氢系统运行经济性， 保证了系统运行稳定 性。 权利要求书6页 说明书14页 附图4页 CN 115130785 A 2022.09.30 CN 115130785 A 1.一种可 再生能源制氢系统容 量优化配置方法， 其特 征在于， 包括如下步骤： 步骤1、 采集某地区包括历史风速、 温度、 辐射的历史数据集， 基于归一化后的历史数据 集， 利用CS ‑WNN神经网络模型建立该地区可再生能源出力的短期预测模型， 预测出某时间 段内该地区可 再生能源出力数据； 步骤2、 根据预测的该地区可再生能源出力数据， 以系统运行总成本、 负荷缺电率和可 再生能源浪费率最小化建立评价 目标函数， 以系统稳定运行及系统环境影响为约束条件， 确定可再生能源制氢系统运行调控方式， 建立可 再生能源制氢系统容 量配置数 学模型； 步骤3、 采用蛛网多目标寻优算法对可再生能源制氢系统容量配置数学模型进行求解， 得到可再生能源制氢系统容 量优化配置方法。 2.根据权利要求1所述的一种可再生 能源制氢系统容量优化配置方法， 其特征在于， 步 骤1包括如下子步骤： 步骤101、 采集某地区包括历史风速、 温度、 辐射的历史数据集， 对历史数据集中的每一 类数据进行归一 化处理： 其中， yz为第z类归一化后的历史数据， 为第z类历史数据中的最小值， 为第z类 历史数据的最大值， 为第z类归一化后的历史数据上区间阈值， 为第z类归一化后的 历史数据下区间阈值； 步骤102、 在小波神经网络WNN中嵌入布谷鸟搜索算法CS作为神经网络模型， 初始化小 波神经网络WNN中的隐含层权值 μlj、 输出层权值 μjw、 小波基函数的伸缩因子 aj、 小波基函数 的平移因子bj以及鸟巢数V和鸟巢 位置最大迭代次数M； 步骤103、 将归一化后的历史数据作为神经网络模型的输入， 通过小波神经网络WNN计 算出每个鸟巢下的可再生能源出力数据预测值和预测误差适应度值， 将预测误差适应度值 最小的鸟巢 位置标记为 最佳鸟巢 位置并保留到下一代； 步骤104、 将步骤103中除最佳位置外的鸟巢采用线性递减的步长策略进行鸟巢位置更 新， 并通过小波神经网络WNN计算更新鸟巢位置后可再生能源出力数据预测值和预测误差 适应度值， 将更新鸟巢位置后预测误差适应度值与最佳鸟巢位置的预测误差适应度值进 行 比较， 保留预测误差适应度值 最小的鸟巢 位置， 作为更新后的最佳鸟巢 位置； 步骤105、 将步骤104中除更新后的最佳鸟巢位置外的鸟巢采用线性递减的步长策略进 行鸟巢位置更新， 并按第m代第v个鸟巢被发现的概率Pv(m)<r丢弃更新后的鸟巢位置， 通过 小波神经网络WNN计算保留鸟巢位置后可再生能源出力数据预测值和预测误差适应度值， 将预测误差适应度值 最小的鸟巢 位置作为当代位置最优鸟巢 位置； 步骤106、 重复步骤103 ‑105， 直至达到鸟巢位置最大迭代次数， 得到最终的最优鸟巢位 置， 将最终的最优鸟巢位置解码成使神经网络模型输出误差最小的隐含层权值、 输出层权 值、 小波基函数 的伸缩因子、 小波基函数的平移因子， 完成对神经网络模型的训练， 将训练 好的神经网络模型作为该地区可 再生能源出力的短期预测模型； 步骤107、 实时采集该地区包括历史风速、 温度、 辐射数据， 输入该地区可再生能源出力 的短期预测模型中， 输出某时间段内该地区可 再生能源出力数据的预测值。权　利　要　求　书 1/6 页 2 CN 115130785 A 23.根据权利要求2所述的一种可再生 能源制氢系统容量优化配置方法， 其特征在于， 所 述可再生能源出力数据预测值的计算过程 为： 其中， 为第v个鸟巢在w个神经网络模型输出节点下的可再生能源出力数据的预测 值， L为神经网络模型的输入层节 点数， l为L的索引， J为神经网络模 型的隐含层节 点数， j为 J的索引， 为第l个神经网络模型输入层节点的第z类归一化后的历史数据， 为小波基函数， 所述可再生能源出力数据预测误差适应度值的计算过程 为： 其中， fv为第v个鸟巢下的可再生能源出力数据预测误差适应度值， 为第v个鸟巢下 的第w个神经网络模 型输出节点的风光出力数据的实际值， W为神经网络模型的输出节点个 数。 4.根据权利要求2所述的一种可再生 能源制氢系统容量优化配置方法， 其特征在于， 所 述鸟巢位置的更新过程 为： 采用Levy飞行随机路径机制更新鸟巢 位置： 其中， Xm+1为更新后的第m+1代鸟巢位置， Xm为第m代鸟巢位置， αv(m)为第m代第v个鸟巢 位置的更新步长， αmax为鸟巢位置更新的最大 步长， αmin为鸟巢位置更新 的最小步长， fv为第v个鸟巢下的可再生能源出力数据预测误差 适应度值， v为V的索引， Levy( β )为 Levy随机路径， Levy( β )与m服从Levy分布， 为点乘。 5.根据权利要求2所述的一种可再生 能源制氢系统容量优化配置方法， 其特征在于， 所 述第m代第v个鸟巢被发现的概 率Pv(m)的计算过程 为： 权　利　要　求　书 2/6 页 3 CN 115130785 A 3