该研究发表于2021年2月的《电工技术学报》（Transactions of China Electrotechnical Society）第36卷第3期，作者为来自西南交通大学电气工程学院的李奇、赵淑丹、蒲雨辰、陈维荣，以及国网山东省电力公司烟台供电公司的于瑾。

本研究隶属于电力系统与新能源技术交叉领域，具体聚焦于微电网（Microgrid）的规划与优化设计。研究的核心背景源于全球范围内的能源危机与环境问题，推动能源结构向以风电、光伏为代表的分布式发电转型。微电网作为整合分布式电源、储能与负荷的有效形式，其关键技术之一在于系统内各设备的容量优化配置，这直接关系到微电网的投资经济性、运行安全稳定性和供电可靠性。传统的微电网容量配置研究多集中于风光柴蓄（风能、太阳能、柴油发电机、蓄电池）的协调配合，而对氢储能系统的关注相对较少。氢能具有清洁、高效、能量密度大等优势，电氢耦合能够实现能量的跨时间尺度存储与高效转换，有望提升可再生能源的消纳能力和系统的长期稳定运行能力。因此，本研究旨在提出一种考虑电氢耦合的混合储能孤岛直流微电网容量优化配置方法。具体目标是以单位电量成本、负载失电率和能量过剩率为综合评价指标，通过优化算法求解，得到光伏阵列、蓄电池、电解槽、燃料电池等关键设备的最优容量配置方案，并在保证系统经济性的同时，显著提升其供电可靠性。

本研究的工作流程严谨且系统，主要包括以下几个步骤：

第一步，建立微电网系统结构及数学模型。研究首先构建了一个包含光伏阵列、蓄电池、电解槽、燃料电池、储氢罐、直流负荷及DC-DC变换器的孤岛直流微电网架构。然后，为系统中的每个关键元件建立了精确的数学模型。对于光伏电池，模型考虑了实际光照强度和环境温度对输出功率的影响（公式1-3）。对于蓄电池，模型详细描述了其充放电过程中的能量状态变化（公式4-5），并设定了荷电状态（State of Charge, SOC）约束以及最大充放电功率限制（公式6-7）。对于氢储能系统（电解槽-储氢罐-燃料电池），模型分别定义了电解槽制氢功率（公式8）、燃料电池发电功率（公式9）以及储氢罐的储能状态变化（公式10），并同样设置了基于设备容量和储氢罐状态（引入等效荷电状态SOHC）的输入输出功率限制（公式11-12）。这些模型为后续的容量优化和运行模拟提供了精确的计算基础。

第二步，构建微电网优化配置模型。此步骤将容量配置问题转化为一个多目标优化问题。优化变量为光伏阵列容量（C_pv）、蓄电池容量（C_bat）、电解槽容量（C_el）和燃料电池容量（C_fc）。目标函数设定为三个：1）经济性指标：单位电量成本（Levelized Cost of Energy, LCE），即系统等年值投资费用（包括设备投资、辅助设备、重置和运维成本）与年负荷消耗能量的比值（公式13-18）；2）供电可靠性指标一：负载失电率（Loss of Power Supply Probability, LPSP），即系统缺额能量与负荷总需求能量的比值（公式19）；3）供电可靠性指标二：能量过剩率（Energy Excess Rate, EER），即系统无法消纳的盈余能量与负荷总需求能量的比值（公式20）。这三个目标分别从成本、缺电风险和弃光风险三个维度评估配置方案的优劣。此外，模型还包含了功率平衡约束（公式21）、储能设备充放电/存储深度约束（SOC与SOHC范围，公式22）以及各设备容量上下限约束（公式24）。

第三步，设计运行控制策略与模型求解方法。为模拟微电网的实际运行，研究制定了一套明确的运行控制策略（图2）。其核心逻辑是分层优先级控制：当光伏出力大于负荷需求时，多余功率优先给蓄电池充电，蓄电池饱和后再启动电解槽制氢；当光伏出力不足时，优先由蓄电池放电补偿，蓄电池能量不足时再启动燃料电池发电。这套策略决定了能量流的方向，直接影响LPSP和EER的计算结果。在求解方法上，研究采用粒子群优化算法来求解上述复杂的多目标非线性优化问题。研究将多目标通过加权法转化为单目标函数（公式25），即计算各目标函数值与其理想值相对误差的加权平方和。求解流程（图3）包括：初始化粒子群（代表不同的容量配置组合），利用全年的光照和负荷数据（8760小时）进行系统运行仿真，根据运行结果计算三个目标函数值，进而计算加权总目标函数值，并通过粒子群算法的迭代机制不断更新粒子位置（即容量配置方案），最终寻找到使加权总目标函数最小的最优配置方案。

第四步，进行算例分析与算法对比。研究选取中国西北某地区的全年实际光照和负荷数据作为输入（图4，图5），并设定了具体的设备参数和成本参数（表1）。首先，研究对比了粒子群优化算法与回溯搜索算法在求解该问题时的性能。在相同的权重系数（w1=0.5， w2=0.3， w3=0.2）下，两种算法均得到了可行的容量配置方案（表3）。PSO算法得到的方案在单位电量成本（0.6966元/kWh）上略高于BSA算法（0.6881元/kWh），但其负载失电率（0.1270）和能量过剩率（0.1211）均低于BSA算法（0.1361， 0.1373），且PSO算法的收敛速度显著快于BSA算法（约13次迭代 vs 46次迭代，图6）。这表明PSO算法在寻求经济性与可靠性平衡方面更具优势，且计算效率更高。

第五步，分析权重系数对配置结果的影响。研究进一步分析了目标函数中权重系数不同所导致的配置倾向差异（表5）。设置了三种权重方案：均衡型（方案1：0.5， 0.3， 0.2）、经济主导型（方案2：0.8， 0.1， 0.1）和可靠主导型（方案3：0.2， 0.4， 0.4）。结果表明，当经济性权重较高时（方案2），系统单位电量成本最低（0.6213元/kWh），但可靠性指标LPSP和EER最差（0.1475， 0.1677），配置倾向于成本更低的光伏和蓄电池，而减少昂贵的氢储能设备容量。当可靠性权重较高时（方案3），单位电量成本最高（0.7929元/kWh），但可靠性指标最好（0.1266， 0.1190）。这清晰地揭示了微电网规划中经济性与可靠性之间存在权衡关系，决策者可根据实际需求调整权重。

第六步，进行半实物仿真验证。为验证优化所得容量配置方案及其运行控制策略在实际工况下的有效性，研究采用了RT-LAB半实物仿真平台（图7）进行实时仿真测试。将基于最优配置方案（PSO算法结果）搭建的系统模型在OP5600硬件在环仿真器中运行，仿真步长为0.1ms。实验结果（图8，图9）显示，系统能够严格按照预设的运行控制策略进行功率分配：光伏不足时，蓄电池优先放电，不足部分由燃料电池补充；光伏过剩时，蓄电池优先充电，满额后启动电解槽制氢。电储能与氢储能系统表现出良好的互补特性，有效平抑了功率波动，减少了弃光，维持了直流母线功率平衡，证明了所提配置方案和运行策略的实际可行性与有效性。

本研究的结论明确且具有指导意义。首先，研究证实了将电氢耦合混合储能系统应用于孤岛微电网容量优化配置的可行性与优越性。其次，通过对比证明，粒子群优化算法（PSO）相比于回溯搜索算法（BSA）在本问题上具有更快的收敛速度和更好的综合优化性能，是求解此类问题的有效工具。第三，研究定量揭示了微电网容量配置中经济性与供电可靠性之间的内在矛盾（Trade-off），即更高的供电可靠性通常需要更高的投资成本。因此，在实际工程设计中，需要根据项目具体需求（如对供电可靠性的严格要求或对投资成本的敏感程度）来合理设定优化目标的权重系数，这是减少系统冗余投资、实现定制化最优设计的关键。

本研究的亮点突出。在研究内容上，首次在孤岛直流微电网容量优化配置中深度融合了电储能（蓄电池）与氢储能（电解槽-储氢罐-燃料电池）系统，并明确了其作为长期、大容量储能对提升系统可靠性和可再生能源利用率的价值，具有前瞻性。在研究方法上，构建了以单位电量成本（LCE）、负载失电率（LPSP）和能量过剩率（EER）为核心的多目标优化模型，综合评价更为全面；并创新性地将全年8760小时的时序运行模拟嵌入优化算法迭代中，使配置结果更能反映长期运行特性。在研究验证上，不仅进行了数字仿真和算法对比，更进一步采用了RT-LAB半实物仿真平台进行实时验证，增强了研究结论的可靠性和工程实用性。最后，研究中对权重系数敏感性的分析，为微电网规划者提供了重要的决策参考，指明了配置方案的经济性-可靠性 Pareto 前沿的调节方法。

此外，研究在讨论部分也指出了未来可进一步探索的方向，例如考虑引入交流负荷、需求侧响应等因素对系统优化配置和运行的影响，这为后续研究提供了有价值的思路。本研究由国家自然科学基金、四川省科技计划以及霍英东教育基金会等项目资助，体现了其学术价值和应用潜力受到了多方认可。