0 引言
在低碳能源转型背景下，氢能设备应用的快速发展将持续推高城市氢能需求[1-3]。分布式电氢耦合能源站（Distributed Electro-Hydrogen coupled energy Station, DEHS）作为一种新型耦合模式备受关注[4-5]，其作为电-氢能源枢纽，既可耦合配电网运行[6]，亦能响应供氢需求。面向高比例分布式光伏接入的新型配电网，长期“源-荷”不平衡问题日益凸显。DEHS可依托氢储能的长周期特性，通过优化电氢双向转换与储能调度，有效缓解该问题。然而，其接入位置与配置容量直接影响调节效能，并会改变配电网潮流分布、电压质量[7]及网损水平[8]。因此，亟须结合新型配电网与DEHS运行特点，开展其规划方法研究。
针对DEHS的优化配置问题，国内外学者进行了相关研究，文献[9-10]讨论了将制氢站与微电网集成的方法，文献[9]提出了一个两阶段随机规划模型与混合整数规划，以优化制氢站的选址和容量配置，并通过增广Benders分解算法解决随机规划问题；文献[10]研究了氢作为微电网中的储能系统，使用混合整数线性规划模型确定氢储能的最佳位置及调度。文献[11-12]分析了光伏加氢站的成本效益，文献[11]介绍了一种光伏辅助加氢站系统，通过光伏辅助降低对电网的依赖，并减少年运行费用；文献[12]探讨了并网光伏电站制氢的经济性和优化问题，提供了系统容量、年产氢量和成本的详细分析。文献[13-14]探讨了加氢站规划，包括不同工况下的加氢系统性能[13]和并网氢气加氢站的规划[14]。文献[15-16]针对高比例新能源接入的配电网的消纳问题，通过调控电池储能[15]和构建多能微网[16]实现消纳和配电网经济运行。文献[17-19]集中探讨了氢能在实现低碳城市交通和配电网络中的应用：文献[17]考虑燃料电池汽车加氢行为影响下负荷时空分布特性，构建燃料电池汽车交通流量与加氢行为的优化调度模型；文献[18]提出了一种光储充电站和加氢站的联合规划方法，考虑了碳排放流和新能源汽车的时空特性；文献[19]考虑由电动汽车与氢燃料汽车间用车需求可替代性，提出一种含新能源汽车共享站的电-氢微能源网（VSEHS）两阶段规划框架。文献[20-21]聚焦电-氢综合站本体规划，通过氢气供需平衡约束及站内设备出力，实现站域协同经济性配置。文献[22]着重探讨了氢储能在长时间尺度上所展现出的作为长期储能手段的能力。文献[23]提出了一种多能互补的电池储能与氢储能的混合储能规划策略，借助氢储能成功地实现了新能源能量的转移。文献[24]运用不同时间尺度的储氢方式，来应对系统在短期以及中长期面临的能源供应与负荷需求不平衡问题。
现有关于DEHS的相关研究在空间尺度上，未考虑配电网分区结构特征，包括多区域潮流互济、负荷时空差异等因素，导致DEHS布局与电网协同优化仅局限于局部节点层面，难以实现跨区域资源协调；在时间尺度上，氢储能的长周期调节特性如季节性储氢应对风光出力不均、跨周/月源荷平衡未被充分纳入规划框架。研究亟须耦合配电网分区特性与氢能跨周期存储能力，构建时空协同的电氢耦合规划模型。
因此，本文以配电网为主体，提出分区-选址-定容的DEHS优化策略，首先在分区层面上建立基于改进边权重的配电网分区模块度指标，并运用基于变异策略的离散粒子群算法（Mutation Discrete Particle Swarm Optimization, MDPSO）进行求解。由于利用经典聚类方法在处理数据时，难以保留时序连续性，无法满足本文DEHS选址与容量配置需求。因此，运用基于ward法的源-荷时间数据缩减方法，对源-荷数据进行时序缩减。在此基础上建立DEHS的选址与定容模型。其中，选址模型基于动态最优潮流（Dynamic Optimal Flow, DOPF），以配电网网损最小为目标，运用MDPSO对DEHS接入位置进行规划。在定容层面上，以选址规划为基础，考虑电-氢储能长短周期特性，以全生命周期成本最低为目标，包括设备投资、运维及置换成本，对各设备最优容量进行求解。最后，通过分析分区不同指标下及不同场景下对配电网的影响及DEHS经济性情况，验证了本文所提优化策略的有效性。
1 DEHS 系统接入配电网场景
接入配电网的DEHS结构如图1所示。配电网完成分区后，在各区域内接入DEHS，用于改善配电网电压波动及减少配电网网损。DEHS中的电池储能与氢储能，可向配电网输送功率，也可以吸收功率，同时DEHS也要满足分区内氢负荷。
图1 接入配电网的DEHS结构
Fig.1 DEHS structure connected to the distribution network
DEHS站内由分布式光伏、电池储能、电解槽、燃料电池和储氢设备构成。光伏为DEHS提供能源，电池储能与氢储能协同参与配电系统下发的功率任务。
2 配电网分区与DEHS 选址
2.1 考虑时变特性的基于电气距离的边权重改进
配电网电压变化矩阵[25]为
式中，SP与SQ分别为有功和无功电压灵敏度矩阵；ΔP、ΔQ分别为有功、无功功率的变化量矩阵。
在节点j注入有功功率和无功功率，则有功、无功功率对支路i-j电气距离灵敏度为
式中，S P,ij为节点j有功功率变化对节点i电压的灵敏度系数，S P ,jj为节点j自身有功功率变化对自身电压的灵敏度系数；同理 SQ ,ij与 S Q,jj为无功的电压灵敏度系数，分别对应节点j无功功率变化对节点i及自身电压的影响； 
与
分别为有功和无功功率对支路i-j电气距离灵敏度（i=1, 2, ···, n）（假设有n个节点），
或
越大表明节点j对节点i的影响越小，即两节点电气距离越远。
从静态角度分析，两个节点间的电气距离不仅与自身有功、无功功率有关还与其他节点有功、无功功率有关，且 
与 
不成比例，故节点i和j的电气距离可表示为
式中，τ 为有功功率对电压的影响系数；i, j, k为配电网中任意节点，k=1,2,···,n。
从动态角度分析，配电网负荷和可再生能源出力的时变性会引起电气距离的时变性[26]，因此本文对电气距离进行动态修正为
式中，Lij,t为t时刻节点i与j之间的电气距离；T为总时长。
因此，改进的配电网边权重为
式中，Lmax为动态电气距离矩阵中的最大值。
2.2 考虑基于改进边权重的配电网分区模块度指标
基于改进边权重的配电网加权分区模块度指标为
其中
式中，Aij为节点i与j边权重，i与j不连接时，Aij=0；δ(i, j)为分区系数，i与j在同一分区内时，δ(i,j)=1，否则δ(i, j)=0。
Q体现分区的规模和区内节点的耦合强度。Q值越大，则区内结构强度越高，区内节点耦合强度越高。通常Q取值在0.3～0.7[27]。
2.3 基于动态最优潮流的DEHS 选址
本文考虑氢负荷即燃料电池车续航长，DEHS加氢辐射能力大，故在配电网分区基础上，开展区内DEHS单站选址。传统的静态最优潮流难以满足DEHS多时段优化的需求，因此采用基于支路潮流法的动态最优潮流模型进行区内选址[28]。
DEHS选址以全时段配电网网损最小为目标，其表达式为
式中，
为t时刻节点i与j之间支路电流二次方的大小；rij为节点i与j之间的电阻的大小；Δt为两时刻的时间间隔。
在动态最优潮流通用约束的基础上，引入节点选址约束，其表达式为
式中，Pin,i,t为t时刻节点i与DEHS交互功率；Pin,max为交互功率上限值； ck为分区后的节点集合；M为集合总数。
3 基于源-荷时间序列缩减的DEHS 容量配置
3.1 源-荷时间序列缩减方法
针对氢储能长周期特性（调度周期大于24 h），本文基于凝聚型层次聚类，相异度采用ward法，在合并过程中加入邻接约束（只有相邻的两类能进行合并）[29]。将时间序列中相邻的数据点两两合并，直接实现时间序列的长度削减。单簇质心 hu的计算公式为
式中，xω 为u类时间序列中第ω 个时刻的数值；u为该类时间序列集合；
为u类集合中的个数。
两类簇合并判别公式为
式中，Duv为加权欧氏距离；h v为v类时间序列的单簇质心；
为v类集合中的个数。
原始时间点 xp（ p = 1,2,… ,T*）与典型时间点 hq（ q = 1,2,… ,N ）之间的对应联系为
式中，T*为原始时间序列总长度；N为聚类后时间序列总长度； lo（ o = 1,2,… ,N ）为第o簇聚类个数，同时也被记作典型时间点的权重。
不同储能设备其周期不同，对于不同储能周期边界典型点采用分权重方式[29]，将边界点进行分割，该方法可同时满足储能设备日内调节与跨日能量转移的建模需求，具体约束方程为
式中，Sg,0为初始储能设备g的能量状态；z为所有设备类型的集合；Tg为储能设备典型充放周期；φ (·)为聚类后典型点与原始时间点的映射关系，则φ( x p )= hq ；ψ 为储能设备g总运行周期数；l φ (ψ Tg)为原始时间点 ψ Tg所代表原始时间簇中点的个数；S g ,φ (ψ T g ) -1和 S g , φ (ψ Tg )分别为第ψ 个周期 开始前和结束后的储能设备g的能量状态。
3.2 设备模型
DEHS内光伏用于电解槽制氢和承担选址节点下的功率任务。由于光伏出力的间歇性，无法完全吸收光伏产生的电能，因此存在一定的光伏弃电功率，光伏出力表达式为
式中，Ppv,t为t时刻光伏实际发电功率；Ppvr,t为t时刻光伏用于电解槽制氢的功率和选址节点并网功率；Ppvl,t为t时刻的弃电功率。
电解槽模型选用的是碱式电解槽，其产氢速率为
式中，Qel,t为t时刻碱式电解槽产氢速率；ηel,t为t时刻电解槽制氢效率；Pel,t为t时刻电解槽功率。考虑到电解槽制氢效率与电解槽功率是非线性关系，其安全稳定运行区间为额定功率的20%～100%。
因碱性电解制氢机组产氢速率与功率近似为二次函数关系，可以通过电解制氢机组在不同功率运行点的能耗监测数据（包括电解槽与辅机总能耗）进行拟合建模，表示为
式中，ael为拟合二次项系数；bel和cel为碱性电解制氢机组产氢速率拟合系数。
在碱性电解制氢机组的长期运行中，其系统寿命会存在一定程度的衰减，表现为电解槽电压变化率，即电解槽产氢能耗升高。根据电解槽运行状态不同，可以将其运行工况划分为运行、启动和停机，本文进行的计算均为h级，因此不考虑电解槽冷启动过程。为了对其寿命衰减程度进行量化计算，基于不同工况下的电压衰减实验增量值，电解电压衰减增量表示为[29]
燃料电池模型选用质子交换膜燃料电池（Proton Exchange Membrane Fuel Cell, PEMFC），其功率与耗氢速率表达式为
式中，Pfc,t为t时刻PEMFC输出的电功率；η fc,t为t时刻燃料电池转化效率；Qfc,t为t时刻燃料电池耗氢速率；QH HV为氢气高热值。
燃料电池受其运行时长影响，其寿命会存在一定程度的衰减，表现在燃料电池电压的变化上，为了对其寿命衰减程度进行量化计算，基于不同工况下的电压衰减实验增量值，燃料电池电压衰减增量ΔU fc[29]表示为
式中，
为燃料电池启动时的电压衰减增量；
为燃料电池停机时的电压衰减增量；
为燃料电池正常运行时的电压衰减增量；
和 
分别为t时刻燃料电池启动/停机标识位；
为t时刻燃料电池运行标识位。燃料电池电压变化量ΔU fc与电解槽相同，当电压变化率达到额定的10%～20%时，认为设备需要维护或更换，同样取20%。
电池储能借助电化学反应来完成能量的存储与释放，考虑到电池存在一定的自放电率α，其电池储能表达式为
式中，SOCt为t时刻电池电量百分比；η c为电池储能充电效率；η f为电池储能放电效率；Pess,c,t为t时刻电池储能充电功率；Pess,f,t为t时刻电池储能放电功率；Cess为电池储能的额定容量； Δ t为时间间隔。
电池储能的寿命衰减大致可分为两部分，即日历老化和运行损耗。运行损耗的电池容量衰减率为
式中，Δ S ess,t为电池储能荷电状态曲线中相邻t时刻和t-1时刻荷电状态差值的绝对值；aess和bess为电池储能运行损耗的寿命参数。
电池储能因日历老化引发的容量衰减 ΔU ess,ca的数学表达式可表示为
式中，
和
为电池储能日历老化的寿命参数。
储氢设备作为连接电解槽、燃料电池及加氢设备的重要储存环节，其表达式为
式中，LOHt为t时刻储氢装置储氢水平（%）；Qload,t为t时刻氢负荷消耗的氢气量；Cloh为储氢罐的额定容量。
3.3 目标函数
以DEHS全生命周期成本C最小为目标建立函数为
式中，Cic为设备一次投资成本；Com为设备运行维护成本；Crep为设备置换成本。具体各项成本展开式分别为
式中，R为配置设备的集合，包括光伏、电解槽、燃料电池、电池储能及储氢罐；θ 为设备编号；C ic,θ为第θ 种设备的投资成本； E r,θ 为第θ 种设备配置容量； C om,θ 为第θ 种设备单位容量运行维护成本；Pθ ,t为t时刻第θ 种设备运行功率；cpvl为弃光惩罚成本；X为生命周期内需要更换的设备集合，包括电解槽、燃料电池及电池储能；ν 为各设备需要更换的次数；Lg为设备g寿命衰减模型评估后的使用年限；Cg为设备g重新购置的成本；r为年利率，本文取8%；y为各设备使用年限； σθ 为第θ 种设备的等额分付资本回收系数， σθ 的计算公式为
3.4 约束条件
DEHS内光伏功率约束为
式中，Ppvl,z为光伏总弃电功率；Ppv,z为光伏总发电功率；β 为光伏弃电系数，这里取10%。
电解槽运行过程中，将其运行状态分为三种：启动、停机及运行状态，因此构建电解槽制氢功率约束及启停约束，具体公式为
式中，Pel,min为电解槽运行最小功率；Pel,max为电解槽运行最大功率；符号∧和符号¬分别为逻辑交和逻辑非运算。
燃料电池运行的过程与电解槽相似，也将其运行状态分为三种：启动、停机和运行状态，其输出功率约束及启停约束为
式中，P fc ,max、P fc,min分别为PEMFC输出电功率量大、最小值。
电解槽与燃料电池在理论上允许同时启动，在同一时刻形成电-氢-电回路，即电解槽制氢产生氢气，燃料电池使用氢气产生电能，电能再次被电解槽吸收，产生氢气。在该工况下，电能被大量浪费在转化过程中，效率极低，因此在电解槽与燃料电池的功率调控中加入不能同时运行的状态约束，表达式为
电池储能的充放电功率约束及荷电状态约束为
式中，κ c,t为t时刻电池充电标识位（ κ c,t=1时电池充电， κ c,t=0时电池不充电）； κ f,t为t时刻电池放电标识位（ κ f,t=1时电池放电， κ f,t=0时电池不放电）；Pess,c,max为电池充电功率最大值；Pess,f,max为电池放电功率最大值；SOCmax、SOCmin分别为电池储能荷电状态上、下限。
储氢设备容量约束为
式中，LOHmax与LOHmin分别为储氢设备储氢量的最大和最小值。
根据DEHS系统运行过程中功率的输入输出平衡，构建系统功率平衡方程，即
式中，Pin,t为t时刻DEHS接入节点交互功率。
4 求解流程
在本文的DEHS接入配电网的选址定容优化问题中，求解流程分为两部分，第一部分为源-荷时间序列缩减，第二部分为DEHS的分区-选址-定容流程。
时间序列缩减：构建邻接矩阵Λ，该矩阵中，非对角元素用于表征两个不同元素的邻接关系，相邻则取1，不相邻则取0；所有对角元素统一置0。
分区层：引入邻接表来表示配电网节点间支路的开断情况，邻接表更新方式如图2所示，从而形成独立区域。利用MDPSO进行求解，其决策变量为邻接表的行。由于DPSO无法确定分区数量，因此在 DPSO中引入一个决策变量用以确定分区数量。DPSO容易陷入局部最优解，因此为了提高全局寻优能力，以邻接表的行作为决策变量进行变异操作，变异操作为
图2 邻接表更新方式
Fig.2 Neighbor table update method
式中，itern为当前迭代次数；e itern为第itern次迭代决策变量值；c为变异因子，取值范围为本次迭代种群中最小定义域；rand为(0, 1]之间的随机数。由于该决策变量为整数，因此需要在变异操作完成之后对其进行取整操作。
变异率pm计算公式为
式中，p m,min为最小变异率；p m ,max为最大变异率；iter为最大迭代次数。
选址层：配电网分区确定后，将各区节点集合作为参数输入DEHS选址层中，由于各个区域节点编号不统一，因此对各个区域节点编号进行编码，编码方式如图3所示。目标函数通过调用Gurobi求解器进行动态最优潮流计算，最终求解出DEHS安装位置及节点交互功率。
图3 算法编译过程
Fig.3 Algorithm compilation process
容量配置层：DEHS选址完成后，将DEHS安装位置及交互功率作为参数输入容量层中，容量配置目标函数通过调用Gurobi求解器进行求解，最终求解出各设备配置最佳容量。
具体求解流程如图4所示。
图4 DEHS分区-选址-定容求解流程
Fig.4 DEHS partition-site selection-constant volume solution flow chart
5 算例分析
5.1 参数设置
本文基于IEEE 33节点系统进行负荷修改及增加光伏接入，负荷选取吉林某地真实负荷，共有四类负荷，分别为居民负荷、商业负荷、工业负荷及混合负荷，光伏容量为600 kW。各类数据均为一个季度数据（2 160 h），聚类数N设置为168。时间缩减前、后及运行典型周的光伏及负荷出力曲线具体见附录。氢气负荷每日平均为27 kg。不同负荷及光伏设备接入位置如图5所示。DEHS设备运行与设备经济参数参见表1和表2，设备寿命衰减参数见附录。算法设置：种群个数为100；最大迭代次数Iter=400；pm,min设置为0.3，pm,max设置为0.6。表1中，PelN为电解槽的额定容量；PfcN为燃料电池的额定容量。表2中Yel、Yfc及Yess为电解槽、燃料电池及电池储能的实际使用年限，具体计算公式及说明见附录。
表1 设备运行参数
Tab.1 Device operating parameters
参 数电解槽启动最小功率Pel,min /kW电解槽运行最大功率Pel,max /kW PEMFC 启动最小功率Pfc,min /kW PEMFC 运行最大功率Pfc,max /kW电池储能荷电状态下限SOCmin(%)电池储能荷电状态上限SOCmax(%)电池储能充电效率ηc(%)电池储能放电效率ηf(%)储氢设备储氢下限LOHmin(%)储氢设备储氢上限LOHmax(%)电解槽拟合二次项系数ael电解槽拟合一次项系数bel电解槽拟合常系数cel电池储能自放电率 α(%)数 值0.2PelN PelN 0.05PfcN PfcN 0.2 0.8 0.95 0.95 0.1 1-9.132 244.1-61.1 0.006
表2 设备经济参数[30-31]
Tab.2 Economic parameters of the equipment[30-31]
设备名称光伏设备电解槽燃料电池投资成本1 500 元/kW 1 800 元/kW 1 650 元/kW运维30 元/kW 36 元/kW 30 元/kW使用年限15 年/kW Yel 年/kW Yfc 年/kW储氢设备电池储能3 000 元/kg 1 200 元/(kW·h)35 元/kg 6/(kW·h)15 年/kg Yess 年/(kW·h)
图5 改进IEEE 33节点配电系统
Fig.5 Improved IEEE 33 node power distribution system
5.2 算例验证
本文对负荷修改及光伏接入的IEEE 33节点系统进行算例验证，求出Q为0.673 0，总网损为4.33 MW·h，利用式（1）～式（9）进行分区与选址，其结果如图6所示。
图6 分区内DEHS选址示意图
Fig.6 Schematic diagram of DEHS site selection within the zoning
由图6可知，通过本文方法将配电网分成了五个区域（分区①～⑤）。各区域无单独节点，由划分的区域可知，①内无新能源接入，主干支路上节点2、3划分入同一区域，与节点2相连的整条支路划入①，与节点3相连的整条支路划入①，①内DEHS选址位置在节点3。②有新能源接入，接入节点全部位于主干支路，与节点 5相连支路被分开，②内DEHS选址位置在节点5。③有新能源接入，全部接入节点位于主干支路上，③内DEHS选址位置在节点11。④有新能源接入，全部接入节点位于主干支路上，④内DEHS选址位置在节点16。⑤接入节点为除节点6外的支路上其他所有节点，⑤内DEHS选址位置在节点32。
DEHS容量配置层，通过Gurobi求解器对DEHS站内各设备容量及运行情况进行求解，结果见表3。
表3 各分区配置结果
Tab.3 The configuration result of each partition
分区光伏设备/电解槽/燃料电池/电池储能/储氢总成本/编号①kW 3 264.38 kW 856.95 kW 694.91(kW·h)9 644.77设备/kg 3 993.49万元842.57②③④⑤1 732.13 1 020.79 1 093.15 1 890.59 589.29 528.79 488.21 648.48 416.48 329.241 273.74 503.39 5 962.06 4 762.77 4 218.13 7 933.81 1 875.47 1 373.78 1 096.15 1 767.62 515.04 408.61 376.06 611.40
由表3可知，DEHS容量配置中光伏设备在各分区内承担主要能源输出。由于各分区内DEHS需承担下游氢能汽车的加氢需求即氢负荷，因此光伏设备作为主要能源来源。
对原始时间序列典型周运行情况进行分析，各分区交互功率如图7所示。
图7 分区内节点交互功率
Fig.7 Node interaction power in a partition
由图6和图7可知，分区①内无光伏接入，该分区DEHS节点下交互为正，说明该站需要向配电网输送功率；在分区②～⑤明显受其区域内接入光伏的影响，交互功率在每日的8:00—18:00时出现明显下降趋势，节点交互功率在光伏渗透高的时刻出现交互功率过负现象，此时DEHS作为负荷需要吸收配电网功率，以调节配电网潮流。
分区①内无光伏接入，分区②～⑤内有光伏接入。选取典型分区内设备运行状况（分区①），设备运行状况如图8所示。
图8 分区①设备运行状况
Fig.8 Partition ① device running status
由图7和图8可知，分区①内DEHS与电网的交互功率为正，由站内光伏、电池储能及燃料电池共同承担。在0:00—7:00时，电池承担主要功率；在7:00—16:00时，光伏产生的电能少部分用于承担配电网功率，大部分用于电解槽进行制氢和电池充电；在17:00以后，电池持续放电以满足配电网需求。在70～80 h，电池没有充到足够的电能以支撑其放电，因此燃料电池启动持续放电。后续时刻与每天对应时刻情况相同，不再解释。
5.3 算例对比分析
为了进一步验证本文所提方法的有效性，本文设置了三组对照方案。方案1：本文所提的改进电气距离边权重的配电网分区；方案2：电气距离边权重的配电网分区；方案3：不带边权重的配电网分区。
由于模块度指标只体现划分区域的结构强度，无法得知区域内节点间电气耦合强弱，因此为了量化评估电气耦合强度，本文定义分区内电压偏差量作为评判电气耦合强弱的方法，表达式为
式中，
为分区电压平均值；Uβ 为分区内节点的电压；
为第k个分区节点集合中的个数。
通过对三组对照方案计算得到模块度指标、分区电压偏差量和配电网网损见表4。
表4 分区选址方案对比
Tab.4 Comparison of zoning and site selection schemes
方案分区数模块度Q 分区电压配电网偏差量网损/(MW·h)未规划9.795 1 5 0.672 8 0.018 5 4.341 2 5 0.670 4 0.021 3 4.409 3 5 0.680 7 0.022 1 4.509
由表4可知，方案1考虑改进的电气边权重的模块度指标比方案2的模块度指标提升了0.36%。方案 1的分区电压偏差量比方案 2的降低了13.15%。方案1的网损比方案2的减少了1.54%。方案 3不考虑电气距离边权重的模块度 Q值为0.680 7，说明方案3的划分方案具有更好的结构强度。但是在分区电压偏差量上，方案1比方案3降低了16.29%，说明区内节点电气联系更紧密。在配电网网损上，方案1比未规划情况下减少55.68%，比方案2和方案3分别减少了1.54%和3.73%。因此，本文的方案1既能在兼顾结构特性的同时增强分区节点的电气耦合强度，还能降低配电网的损耗。
不同方案下的配电网分区划分见表5。
表5 不同方案分区对比
Tab.5 Comparison of different schemes
方案1方案2方案3分区①分区②分区③2, 3, 19, 20, 21,22, 23, 24, 25 4, 5, 6, 7, 8 9, 10, 11, 12, 13, 14 2, 3, 19, 20, 21,22, 23, 24, 25 2, 19, 20, 21, 22 4, 5, 6, 7, 8, 9 3, 4, 5, 23, 24, 25 10, 11, 12, 13 6, 7, 8, 9, 10, 11, 12, 13分区④分区⑤15, 16, 17, 18 26, 27, 28, 29,30, 31, 32, 33 14, 15, 16, 17, 18 26, 27, 28, 29,30, 31, 32, 33 14, 15, 16, 17.18 26, 27, 28, 29,30, 31, 32, 33
不同方案下配电网典型日电压分布如图9a～图9d所示。
图9 不同方案配电网电压
Fig.9 Distribution network voltage for different schemes
由图9可知，未规划的配电网电压的最小值为0.942(pu)。方案1的电压最小值为0.997 1(pu)。方案1电压的最小值比未规划电压的最小值提升了5.85%。方案2的最小值为0.996 2(pu)，比未规划提升了5.75%。方案3的最小值为0.992(pu)，比未规划提升了5.31%。电压波动性方面，方案1比方案2和方案3分别减少了23.86%和75.45%。因此，方案1对配电网电压的提升最为明显。
不同方案下配电网接入DEHS的光伏、电解槽、燃料电池、储氢设备及电池总容量见表6。
表6 不同方案下配电网接入DEHS 安装总容量及成本
Tab.6 The total installed capacity and cost of connecting the distribution network to DEHS under different scenarios
方案1方案2方案3光伏总容量/kW9 001.059 077.569 202.67电解槽总容量/kW3 111.743 158.733 170.24燃料电池总容量/kW 2 217.772 240.832 257.24电池储能总容量/(kW·h)32 521.5534 765.5439 903.94储氢设备总容量/kg 10 106.5010 278.3110 426.88总成本/万元2 753.682 797.192 829.68
由表6可知，方案1光伏配置总容量比方案2和方案3分别减少了0.84%和2.19%。电解槽配置总容量比方案 2和方案 3分别减少了 1.49%和1.85%。燃料电池总容量方案1比方案2和方案3分别减少了1.03%和1.75%。电池储能总容量方案1比方案2和方案3分别减少了6.45%和18.50%。储氢设备总容量方案1比方案2和方案3分别减少了1.67%和3.07%。方案1总成本比方案2和方案3分别减少1.56%和2.69%。综上说明采用方案1可减少DEHS安装容量及成本。
针对不同场景下的容量配置分析，本文设计了两种不同的场景验证电-氢储能经济性。场景1：系统中采用电池储能作为唯一的储能设备，电解槽只作为氢气供应来源；场景2：系统采用电池、氢储的混合储能系统，即本文所讲的电-氢储能，用于对比验证所提电-氢储能多时间尺度运行模型的有效性与优势。在本文中有5个分区，任选其中1个分区进行容量配置。选取分区④，容量配置结果见表7。
表7 不同场景下系统容量配置结果
Tab.7 System capacity configuration results in different
scenarios场景光伏/kW电解槽/kW燃料电池储能/电池/kW (kW·h)储氢/kg成本/万元1 2 1 041.77 1 093.15 222.92 488.21—273.74 10 046.66 469.13 4 218.13 1 096.15 604.98 376.06
由表7可知，在光伏容量上，场景1比场景2增加了4.93%；在电解槽容量上，场景2比场景1增加了119%，由于场景2中需要给燃料电池供应氢气，因此在电解槽容量上显著增长；在电池储能容量上，场景2比场景1降低了58%，避免了电池在长期储能中的过度配置；在储氢设备容量上，场景2比场景1增加了133.66%，受到燃料电池用氢的影响，储氢设备显著增加；在总成本上，场景2比场景1减少了37.84%，说明适度的氢储能接入能显著地降低成本，验证了氢储能在长周期、大容量储能成本上的潜力。
6 结论
本文从配电网角度出发，对配电网进行区域划分，在此基础上建立DEHS分区-选址-定容优化策略，通过MDPSO进行求解。基于IEEE 33节点系统，结合吉林某地区真实光伏及负荷数据进行算例分析，得出主要结论如下：
1）通过不同分区指标下的对比分析，在配电网分区阶段，所提策略既能提升分区结构强度（比方案2提升0.36%），又能提升分区内节点的电气耦合强度（电压偏差上所提策略比方案2和方案3分别降低了13.15%和16.29%）。
2）在以分区为基础的选址与定容上，DEHS既对配电网起到了缓解新能源对配电网带来的冲击，减少了配电网的网损（所提策略比未规划情况下减少55.68%，比方案2和方案3分别减少了1.54%和3.73%），DEHS站内在保证最小成本（所提策略比方案2和方案3减少1.56%和2.69%）、各设备间最优协调运行下，对分区内的氢负荷提供支撑。
3）通过不同场景下的对比分析，DEHS中电池储能容量显著减少，比单一电池储能情况下减少了58%，避免了电池在长期储能中的过度配置；在总成本上，场景2比场景1减少了37.84%，说明适度的氢储能接入能显著地降低成本，验证了氢储能在长周期、大容量储能成本上的潜力。在光伏波动大的区域，电-氢储能系统通过分工协作，提高了经济性，为新型电力系统储能规划提供了重要参考。
附 录
1. 光伏及负荷原始时间序列与缩减后的时间序列如附图1～附图5所示（红色为典型周）。
附图1居民负荷出力曲线
App.Fig.1 Residential load output curves
附图2商业负荷出力曲线
App.Fig.2 Commercial load output curves
附图3工业负荷出力曲线
App.Fig.3 Industrial load output curves
附图4混合负荷出力曲线
App.Fig.4 Mixed load output curves
附图5光伏出力曲线
App.Fig.5 PV output curves
2. DEHS设备寿命衰减参数
附表1 设备寿命衰减参数
App.Tab.1 Equipment life decay parameters s
参 数 数 值电解槽启动电压衰减增量 el onλ 5×10-5电解槽停机电压衰减增量 el λ 2×10-6 off电解槽运行电压衰减增量 el opλ 1×10-6燃料电池启动电压衰减增量 fc onλ 2×10-5燃料电池停机电压衰减增量 fc λ 3×10-4 off燃料电池运行电压衰减增量 fc opλ 1×10-5电池储能运行损耗的寿命参数aess 5 000电池储能运行损耗的寿命参数bess 0.8电池储能日历老化的寿命参数 ess 1λ 1.37×10-4电池储能日历老化的寿命参数 ess k 9.5×10-6 2
3. 电解槽、燃料电池及电池储能使用年限说明
式中， ΔU elN 、ΔU fcN及ΔU essN分别为电解槽、燃料电池及电池储能的设备更换电压衰减量。
[1]国家发展改革委, 国家能源局. 氢能产业发展中长期规划（2021-2035 年）[EB/OL]. (2022-03-24)2022.[2024-04-16]. https://www.gov.cn/xinwen/2022-03/24/5680975/files/6b388f7c324a4b1db0b30dc6f52b7e02.pdf.
[2]潘光胜, 顾伟, 张会岩, 等. 面向高比例可再生能源消纳的电氢能源系统[J]. 电力系统自动化, 2020,44(23): 1-10.Pan Guangsheng, Gu Wei, Zhang Huiyan, et al.Electricity and hydrogen energy system towards accomodation of high proportion of renewable energy[J]. Automation of Electric Power Systems,2020, 44(23): 1-10.
[3]洪芦诚, 王梓萩, 林今, 等. 电-碳-绿证市场背景下电氢协同典型形态及参与模式研究综述[J]. 电工技术学报, 2025, 40(23): 7498-7514.Hong Lucheng, Wang Ziqiu, Lin Jin, et al. A review of typical forms and participation models of electricity-hydrogen synergy in the context of electricity-carbon-green certificate markets[J]. Transactions of China Electrotechnical Society, 2025,40(23): 7498-7514.
[4]李志伟, 赵雨泽, 吴培, 等. 基于㶲经济分析的电氢能源系统区间鲁棒优化调度[J]. 电工技术学报,2025, 40(11): 3514-3528.Li Zhiwei, Zhao Yuze, Wu Pei, et al. Interval robust optimal scheduling of electricity and hydrogen energy system based on exergoeconomic analysis[J].Transactions of China Electrotechnical Society, 2025,40(11): 3514-3528.
[5]王士博, 孔令国, 蔡国伟, 等. 电力系统氢储能关键应用技术现状、挑战及展望[J]. 中国电机工程学报, 2023, 43(17): 6660-6681.Wang Shibo, Kong Lingguo, Cai Guowei, et al.Current status, challenges and prospects of key application technologies for hydrogen storage in power system[J]. Proceedings of the CSEE, 2023,43(17): 6660-6681.
[6]蒙军, 任洲洋, 王皓. 氢能交互下的多区域电氢综合能源系统可靠性提升策略[J]. 电工技术学报,2024, 39(16): 5011-5027.Meng Jun, Ren Zhouyang, Wang Hao. Reliability improvement strategies of multi-region electricityhydrogen integrated energy systems considering hydrogen interaction between different regions[J].Transactions of China Electrotechnical Society, 2024,39(16): 5011-5027.
[7]Chai Yuanyuan, Guo Li, Wang Chengshan, et al.Network partition and voltage coordination control for distribution networks with high penetration of distributed PV units[J]. IEEE Transactions on Power Systems, 2018, 33(3): 3396-3407.
[8]毕锐, 刘先放, 丁明, 等. 以提高消纳能力为目标的可再生能源发电集群划分方法[J]. 中国电机工程学报, 2019, 39(22): 6583-6592.Bi Rui, Liu Xianfang, Ding Ming, et al. Renewable energy generation cluster partition method aiming at improving accommodation capacity[J]. Proceedings of the CSEE, 2019, 39(22): 6583-6592.
[9]Cao Xiaoyu, Sun Xunhang, Xu Zhanbo, et al. Hydrogenbased networked microgrids planning through twostage stochastic programming with mixed-integer conic recourse[J]. IEEE Transactions on Automation Science and Engineering, 2022, 19(4): 3672-3685.
[10]Diaz I U, de Queiróz Lamas W, Lotero R C.Development of an optimization model for the feasibility analysis of hydrogen application as energy storage system in microgrids[J]. International Journal of Hydrogen Energy, 2023, 48(43): 16159-16175.
[11]Sun Jing, Peng Yonggang, Xiong Jia. A photovoltaicassisted in situ hydrogen refueling station system and its capacity optimization method[C]//2023 5th Asia Energy and Electrical Engineering Symposium(AEEES), Chengdu, China, 2023: 1540-1545.
[12]Barhoumi E M, Okonkwo P C, Zghaibeh M, et al.Optimization of PV-grid connected system based hydrogen refueling station[C]//2022 8th International Conference on Control, Decision and Information Technologies (CoDIT), Istanbul, Turkey, 2022: 1603-1607.
[13]Toghyani S, Baniasadi E, Afshari E. Performance assessment of an electrochemical hydrogen production and storage system for solar hydrogen refueling station[J]. International Journal of Hydrogen Energy,2021, 46(47): 24271-24285.
[14]Tabandeh A, Hossain M J, Khalilpour K. A planning framework for integration of distribution systems with grid-connected hydrogen refuelling stations[C]//2022 IEEE PES 14th Asia-Pacific Power and Energy Engineering Conference (APPEEC), Melbourne,Australia, 2023: 1-6.
[15]董雷, 杨子民, 乔骥, 等. 基于分层约束强化学习的综合能源多微网系统优化调度[J]. 电工技术学报, 2024, 39(5): 1436-1453.Dong Lei, Yang Zimin, Qiao Ji, et al. Optimal scheduling of integrated energy multi-microgrid system based on hierarchical constraint reinforcement learning[J]. Transactions of China Electrotechnical Society, 2024, 39(5): 1436-1453.
[16]李鹏, 钟瀚明, 马红伟, 等. 基于深度强化学习的有源配电网多时间尺度源荷储协同优化调控[J].电工技术学报, 2025, 40(5): 1487-1502.Li Peng, Zhong Hanming, Ma Hongwei, et al. Multitimescale optimal dispatch of source-load-storage coordination in active distribution network based on deep reinforcement learning[J]. Transactions of China Electrotechnical Society, 2025, 40(5): 1487-1502.
[17] 袁铁江, 计力, 田雪沁, 等. 考虑燃料电池汽车加氢负荷的电-氢系统协同优化运行[J]. 电力系统自动化, 2023, 47(5): 16-25.Yuan Tiejiang, Ji Li, Tian Xueqin, et al. Synergistic optimal operation of electricity-hydrogen systems considering hydrogen refueling loads for fuel cell vehicles[J]. Automation of Electric Power Systems,2023, 47(5): 16-25.
[18]陈威, 王永恒, 沈欣炜, 等. 计及碳排放流的光储充一体化电站及加氢站协同规划[J]. 电力系统自动化, 2024, 48(13): 40-49.Chen Wei, Wang Yongheng, Shen Xinwei, et al.Synergistic planning of photovoltaic-storage-charging stations and hydrogen refueling stations considering carbon emission flows[J]. Automation of Electric Power Systems, 2024, 48(13): 40-49.
[19]王雨晴, 王文诗, 徐心竹, 等. 面向低碳交通的含新能源汽车共享站电-氢微能源网区间-随机混合规划方法[J]. 电工技术学报, 2023, 38(23): 6373-6390.Wang Yuqing, Wang Wenshi, Xu Xinzhu, et al.Hybrid interval/stochastic planning method for new energy vehicle sharing station-based electro-hydrogen micro-energy system for low-carbon transportation[J].Transactions of China Electrotechnical Society, 2023,38(23): 6373-6390.
[20]Ge Leijiao, Li Yuanzheng. Coupled multi-network constrained planning of energy supplying facilities for hybrid hydrogen-electric vehicles[M]//Smart Power Distribution Network: Situation Awareness, Planning,and Operation. Singapore: Springer Nature Singapore,2023: 85-114.
[21]李奇, 赵淑丹, 蒲雨辰, 等. 考虑电氢耦合的混合储能微电网容量配置优化[J]. 电工技术学报, 2021,36(3): 486-495.Li Qi, Zhao Shudan, Pu Yuchen, et al. Capacity optimization of hybrid energy storage microgrid considering electricity-hydrogen coupling[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 486-495.
[22]金昱烨, 方家琨, 艾小猛, 等. 含季节性氢储能的电力系统跨尺度全年时序生产模拟方法[J]. 电力系统自动化, 2025,49(14): 120-129.Jin Yuye, Fang Jiakun, Ai Xiaomeng, et al. Crosstime-scale annual chronological production simulation method for power system with seasonal hydrogen energy storage[J]. Automation of Electric Power Systems, 2025, 49(14): 120-129.
[23]Petkov I, Gabrielli P. Power-to-hydrogen as seasonal energy storage: an uncertainty analysis for optimal design of low-carbon multi-energy systems[J].Applied Energy, 2020, 274: 115197.
[24]Pan Guangsheng, Gu Wei, Lu Yuping, et al. Optimal planning for electricity-hydrogen integrated energy system considering power to hydrogen and heat and seasonal storage[J]. IEEE Transactions on Sustainable Energy, 2020, 11(4): 2662-2676.
[25]Li P，Li Y，Malik O. International journal of electrical power with energy systems[C]// IEEE International Symposium on Industrial Electronics, 2014: 749-759.
[26]丁明, 刘先放, 毕锐, 等. 采用综合性能指标的高渗透率分布式电源集群划分方法[J]. 电力系统自动化, 2018, 42(15): 47-52, 141.Ding Ming, Liu Xianfang, Bi Rui, et al. Method for cluster partition of high-penetration distributed generators based on comprehensive performance index[J]. Automation of Electric Power Systems,2018, 42(15): 47-52, 141.
[27]魏震波. 复杂网络社区结构及其在电网分析中的应用研究综述[J]. 中国电机工程学报, 2015, 35(7):1567-1577.Wei Zhenbo. Overview of complex networks community structure and its applications in electric power network analysis[J]. Proceedings of the CSEE,2015, 35(7): 1567-1577.
[28]高红均, 刘俊勇, 沈晓东, 等. 主动配电网最优潮流研究及其应用实例[J]. 中国电机工程学报, 2017,37(6): 1634-1645.Gao Hongjun, Liu Junyong, Shen Xiaodong, et al.Optimal power flow research in active distribution network and its application examples[J]. Proceedings of the CSEE, 2017, 37(6): 1634-1645.
[29]李子晨, 夏杨红, 孙勇, 等. 考虑氢能长短周期储能特性的电氢综合能源系统容量配置方法[J]. 电网技术, 2025, 49(1): 12-21.Li Zichen, Xia Yanghong, Sun Yong, et al. Optimal sizing of electricity-hydrogen integrated energy system considering multi-timescale operation of hydrogen storage system[J]. Power System Technology, 2025,49(1): 12-21.
[30] 孔令国, 王士博, 蔡国伟, 等. 零能耗建筑电-氢-热双层能量优化调控方法[J]. 中国电机工程学报,2022, 42(17): 6196-6207.Kong Lingguo, Wang Shibo, Cai Guowei, et al. Zero energy building electricity-hydrogen-heat doublelayer energy optimization control method[J]. Proceedings of the CSEE, 2022, 42(17): 6196-6207.
[31]左逢源, 张玉琼, 赵强, 等. 计及源荷不确定性的综合能源生产单元运行调度与容量配置两阶段随机优化[J]. 中国电机工程学报, 2022, 42(22): 8205-8214.Zuo Fengyuan, Zhang Yuqiong, Zhao Qiang, et al.Two-stage stochastic optimization for operation scheduling and capacity allocation of integrated energy production unit considering supply and demand uncertainty[J]. Proceedings of the CSEE,2022, 42(22): 8205-8214.