0 引言
电氢能源系统的规划与应用研究已受到广泛关注，Dai等[5]讨论了氢电耦合的几种典型模式，重点分析了氢能成本、储存和优化等关键问题；Pan等[6]提出了一种考虑氢气季节性制储技术的电-氢综合能源系统规划方法，表现出季节能量互补性的不同潜力；王永利等[7]通过能量梯级利用，结合电池储能与氢储能对电氢混合储能系统进行规划，实现太阳能不稳定消纳的调节；Shi等[8]考虑电氢混合系统需求侧信息的不确定性，提出用于太阳能、风能和氢能联合运行的优化方法，降低用户对外部能源的依赖；李奇等[9]以单位电量成本、负载失电率和能量过剩率为目标函数，得到孤岛电氢微网综合经济性与供电可靠性最优的容量配置结果。上述研究中电氢能源系统以单向制氢为主，且需要单独的电氢转换组件，存在转换效率低、能量难以回收的缺陷。可逆固体氧化物电池（Reversible Solid Oxide Cell, RSOC）具备电氢双向转换能力，其卓越的效率可进一步提升电氢能源系统能量流动的灵活性与经济性，具有良好的发展前景[10]。
目前已经开展将RSOC应用于电氢耦合系统的研究，Königshofer等[11]集中分析材料、电池、电堆对RSOC堆栈在实际工业发电厂性能表现的影响；王秋杰等[12]建立RSOC的电氢双向转换二次函数模型，使得电-氢转换效率随时间序列变化，工作于最优转换效率区间；Buffo等[13]提出一种并网型RSOC联产系统，低电价时期RSOC利用集成在系统中的专用风力发电站的电力生产氢气，同时存储氢气在用电高峰期用于电力生产；Hutty等[14]基于RSOC的高转换效率，规划基于光伏功能的电氢耦合系统，分析运营投资的回报周期；高赐威等[15]考虑风光电氢的不确定性，构建电氢一体化能源站的RSOC容量规划模型，实现投资经济和能源效率双目标的平衡；Califano等[16]研究基于RSOC的高度集成微电网，充分利用RSOC运行时间降低能源平均化成本；冯兴等[17]考虑特高压通道传输能力的不确定性，对新能源大基地场景规划RSOC应用方案。上述电氢能源系统的研究集中于减少弃风弃光，而对公路交通氢能汽车的用氢需求考虑较少，同时当前氢能系统研究多停留在个别环节耦合，未考虑RSOC的能量耗散以及降解退化问题。
综上，有关电氢耦合系统的研究多以单向制氢为主，氢电转换设备运营年限不长、电氢转换能量利用率低，同时，对公路交通场景下电动汽车与氢燃料汽车协同补能需求考虑较少，且在容量规划中未充分纳入RSOC运行特性、能量耗散及降解退化等因素。针对上述研究不足，本文面向高速公路服务区补能场景，构建含RSOC的公路交通电氢耦合微电网系统架构，设计兼顾RSOC运行经济性和能量流动灵活性的微网系统能量控制策略和容量优化配置方法，并以沈海高速路段某服务区为例，利用改进粒子群优化算法进行算例求解分析，验证所提方法的有效性。
1 含RSOC的电氢耦合微电网系统架构
为满足高速公路服务区电动汽车充电与氢燃料汽车加氢的协同补能需求，并提高风、光等可再生能源的消纳水平，本文选取含RSOC的电氢耦合微电网系统作为研究对象。该系统既是后续设备建模、能量控制与容量优化配置的基础对象，也为分析公路交通场景下电氢协同供能机制提供了系统框架。该系统架构如图1所示。
本文提出的公路交通电氢耦合微电网系统架构主要包含发电设备、充电站、加氢机、RSOC、储氢库以及余热利用单元。发电设备包括风力发电（Wind Turbine, WT）设备、光伏发电（Photovoltaic, PV）设备和燃气轮机（Gas Turbine, GT）。该系统以RSOC和储氢库（Hydrogen Storage Tank, HST）为核心，通过电能与氢能之间的双向转换和氢能存储，为电动汽车（Electric Vehicle, EV）和氢燃料汽车（Hydrogen Fuel Cell Vehicle, HFCV）提供能源补给服务。上述系统架构体现了公路交通“源—荷—氢储—热回收”多环节的协同耦合关系，为后续容量优化配置与运行分析明确了各单元的组成。
2 电氢耦合微电网系统模型
在明确系统组成及其能量耦合关系的基础上，进一步建立发电单元、氢制储单元及交通补能负荷的数学模型，为后续能量控制策略设计和容量优化配置提供支撑。
2.1 发电单元模型
电氢耦合微电网主要发电单元为风力发电和光伏发电，由于其具体模型在文献中经常使用，本文不再赘述，参见文献[18]。
2.2 氢制储单元模型
2.2.1 RSOC电氢转换模型
式（1）中：MSOEC(t)、MSOFC(t)分别为t时刻RSOC在SOEC模式下的产氢量和SOFC模式下的耗氢量，单位 kg；PSOEC(t)、 ${\mathit{P}}_{\mathit{S}\mathit{O}\mathit{E}\mathit{C}}^{\mathit{H}}\left(\mathit{t}\right)$ 分别为t时刻RSOC在SOEC模式下的耗电功率和耗热功率，单位 kW；PSOFC(t)为RSOC在SOFC模式下的发电功率，单位 kW；ηSOEC、ηSOFC分别为RSOC在SOEC模式下的电解效率和在SOFC模式下的发电效率；Lh为氢气热值，取39 kW·h/kg。
RSOC在各类燃料电池中余热利用价值最高，在本系统内余热一般直接用于服务区内基础设施的取暖、烘干，可利用热量的计算公式为：
式（2）中：HRSOC(t)为RSOC热回收功率，单位 kW； ${\mathit{\eta }}_{\mathit{S}\mathit{O}\mathit{F}\mathit{C}}^{\mathit{H}}$ 为RSOC在SOFC模式下的热回收效率； ${\mathit{P}}_{\mathit{S}\mathit{O}\mathit{F}\mathit{C}}^{\mathit{H}}\left(\mathit{t}\right)$ 为RSOC在SOFC模式下的产热功率，单位 kW。
RSOC目前的发展受寿命限制较大，RSOC降解可由不同现象引起，并发生在RSOC系统的不同层面：电解液、密封、堆栈、辅助设备和整个系统。其可以是机械退化，也可以是化学退化，通过测量面积比电阻可得到一定时间范围内的降解率[20]，见式（3）。本文后续构建的降解惩罚成本，并非对上述完整退化机理的精确建模，而是基于输出电压偏差和功率变化的一种规划阶段简化表征，用于在系统设计与经济性评估中反映降解趋势的影响，适用于工程近似分析。
式（3）中：Dd(t)为t时刻RSOC的降解率；V(t)为t时刻RSOC的实际输出电压，单位 mV；VR为RSOC的理想输出电压，单位 mV。
2.2.2 储氢系统模型
HST能够存储RSOC产生的氢气，HST容量状态模型如下：
式（4）中：SHST(t)为t时刻HST容量状态；ΔmHST为t时段HST容量变化量，单位 kg；MHST为HST总容量，单位 kg；Δt为时间间隔，本文取1 h。
2.3 充能负荷模型
利用概率模型模拟电-氢汽车负荷，充能负荷主要受道路功能、出行目的及时段特征影响，而并非直接由补能介质类型决定，汽车拥有者并不会因为加注能源种类的不同显著改变自己的交通习惯与出行安排[21]。因此本文假设所有抵达服务区的同类车辆具备相同的参数及充能特性，该假设适用于缺少分类实测数据时的规划阶段估算，后续可结合实测车辆类型、货运比例和服务区停靠行为进一步修正，汽车充能时刻的概率密度函数表示如下：
$\mathit{f}\left({\mathit{t}}_{\mathit{v}}\right)=\left\{\begin{array}{cc}\frac{1}{\sqrt{2\mathit{\pi }}{\mathit{\sigma }}_{\mathit{t}}}\mathit{e}\mathit{x}\mathit{p}\left[-\frac{({\mathit{t}}_{\mathit{v}}-{\mathit{\mu }}_{\mathit{t}}{)}^{2}}{2{\mathit{\sigma }}_{\mathit{t}}^{2}}\right]\mathit{ }\mathit{ }\mathit{ }\mathit{ }\mathit{ }\mathit{ }\mathit{ }\mathit{ }\mathit{ }\mathit{ }& \mathit{ }\mathit{ }\mathit{ }\mathit{ }\mathit{ }\mathit{ }\mathit{ }{\mathit{\mu }}_{\mathit{t}}-12\le {\mathit{t}}_{\mathit{v}}24\\ \frac{1}{\sqrt{2\mathit{\pi }}{\mathit{\sigma }}_{\mathit{t}}}\mathit{e}\mathit{x}\mathit{p}\left[-\frac{({\mathit{t}}_{\mathit{v}}+24-{\mathit{\mu }}_{\mathit{t}}{)}^{2}}{2{\mathit{\sigma }}_{\mathit{t}}^{2}}\right]& \mathit{ }\mathit{ }\mathit{ }\mathit{ }\mathit{ }0{\mathit{t}}_{\mathit{v}}{\mathit{\mu }}_{\mathit{t}}-12\end{array}\right.$
式（5）中：f(tv)表示第v类汽车到达服务区的时刻服从正态分布概率密度函数；tv为汽车到达服务区时刻；μt为此概率密度函数均值，取17.6；σt为标准差，取3.4[22]；v为汽车集合，1代表EV，2代表HFCV。
汽车用户行驶里程概率密度函数表示如下：
式（6）中：f(xv)表示第v类汽车至服务区充能的单日行驶里程服从对数正态分布概率密度函数；xv为第v类汽车的单日行驶里程；μx为此概率密度函数均值，取3.2；σx为标准差，取0.88[22]。
EV电池容量与HFCV储氢容量服从如下均匀分布：
式（7）中：f(Sv)表示第v类汽车的容量概率密度函数；Sv为第v类汽车的容量； ${\mathit{S}}_{\mathit{v}}^{\mathit{m}\mathit{a}\mathit{x}}$ , ${\mathit{S}}_{\mathit{v}}^{\mathit{m}\mathit{i}\mathit{n}}$ 为第v类汽车容量上、下限。
假设EV和HFCV的充能行为具有独立性的特征，利用蒙特卡洛法对汽车行驶里程、充能时刻、汽车能量状态随机抽样，从而求取每辆汽车的充电时间、加氢需求，累加得出总用电负荷和总用氢负荷。当连续两次增加抽样次数后典型日总电负荷与总氢负荷的期望值变化率均小于1%时，判定蒙特卡洛抽样结果收敛。
基于上述模型，计算得到系统在典型运行场景下的风光出力以及电氢负荷时序数据，为系统设备容量配置模型提供输入。
3 电氢耦合微电网系统容量配置优化
本文以电氢耦合微电网系统综合成本最小为优化目标，以PV、WT、GT、RSOC、HST的容量作为规划的决策变量，构建公路交通微电网优化配置模型。
3.1 目标函数
规划问题采用等年金法来考虑资金的价值，从而对规划项目进行经济评价[23]。本文将最小化电氢耦合微电网系统年均总成本F作为优化目标，该成本包括年均投资成本Cinv、年均运维成本Com、弃电成本Closs、缺氢惩罚成本Cshort，以及RSOC降解惩罚成本CPu，计算模型为：
1）电氢耦合微电网投资成本
年均投资成本Cinv是各部分等效年均投资成本总和：
式（9）中：Cvpv, Cvwt, Cvgt, Cvhst, Cvrsoc分别为PV、WT、GT、HST和RSOC的等效年均投资成本，单位 元。
2）电氢耦合微电网运维成本
微网系统等效年均运维成本Com计算模型与年均投资成本相似：
式（10）中：Copv, Cowt, Cogt, Cohst, Corsoc分别为PV、WT、GT、HST和RSOC的等效年均运维成本，单位 元。
3）电氢耦合微电网弃电成本
电氢微网系统风光机组的弃电成本表示为：
式（11）中： ${\mathit{p}}_{\mathit{w}\mathit{t}}^{\mathit{l}\mathit{o}\mathit{s}\mathit{s}}\left(\mathit{t}\right)$ , ${\mathit{p}}_{\mathit{p}\mathit{v}}^{\mathit{l}\mathit{o}\mathit{s}\mathit{s}}\left(\mathit{t}\right)$ 为t时刻风力发电、光伏发电弃电量，单位 kW；cwt, cpv为弃风、弃光惩罚价格，单位 元/kW。
4）电氢耦合微电网缺氢惩罚成本
电氢微网系统在负荷较大时，易出现氢供应不足或者RSOC因缺氢无法发电的情况，因此本文引入缺氢成本从而避免储氢库容量不合理的偏低配置：
式（12）中：Cshort为每年购买氢气的成本，即缺氢惩罚成本，单位 元；ch氢气市场价格，单位 30 元/kg；Qh为氢气缺失量，单位 kg。
5）电氢耦合微电网RSOC降解惩罚成本
根据RSOC降解退化模型公式，对RSOC能量开关的频率和幅度进行限制，本文的惩罚函数惩罚SOFC和SOEC之间频繁的模式切换，以延长RSOC运营年限，具体公式如下：
式（13）中：CPu为RSOC降解惩罚成本，单位 元；PRSOC为RSOC的实际输出功率，单位 kW； ${\mathit{D}}_{\mathit{d}}^{\mathit{t}}$ 为t时段RSOC降解率变化量；PΔ为t时段RSOC功率变化量；C1、C2代表惩罚因子，分别取8、0.1[24]。
3.2 约束条件
1）RSOC出力约束
RSOC氢电转换系统运行约束和爬坡约束为：
式（14）中：χSOEC、χSOFC表示0-1变量，代表RSOC处于电解状态或者发电状态，两者不同时为1； ${\mathit{P}}_{\mathit{S}\mathit{O}\mathit{E}\mathit{C}}^{\mathit{m}\mathit{a}\mathit{x}}$ 、 ${\mathit{P}}_{\mathit{S}\mathit{O}\mathit{E}\mathit{C}}^{\mathit{m}\mathit{i}\mathit{n}}$ 为RSOC最大、最小电解功率，单位 kW； ${\mathit{P}}_{\mathit{S}\mathit{O}\mathit{F}\mathit{C}}^{\mathit{m}\mathit{a}\mathit{x}}$ 、 ${\mathit{P}}_{\mathit{S}\mathit{O}\mathit{F}\mathit{C}}^{\mathit{m}\mathit{i}\mathit{n}}$ 为RSOC最大、最小发电功率，单位 kW； ${\mathit{P}}_{\mathit{R}\mathit{S}\mathit{O}\mathit{C}}^{\mathit{u}\mathit{p}}$ 、 ${\mathit{P}}_{\mathit{R}\mathit{S}\mathit{O}\mathit{C}}^{\mathit{d}\mathit{o}\mathit{w}\mathit{n}}$ 为RSOC上下爬坡的最大功率，单位 kW。
2）储氢库容量、储放速率约束
储氢库相关约束如下：
式（15）中：SHST(t)为储氢库t时刻的容量；Smin、Smax为储氢库最小、最大容量状态；dHST为储氢库充放氢速率，单位 kg/h； ${\mathit{\psi }}_{\mathit{m}\mathit{i}\mathit{n}}$ 、 ${\mathit{\psi }}_{\mathit{m}\mathit{a}\mathit{x}}$ 为储氢库充放氢速率最小、最大值，单位 kg/h。
3）微网功率供需平衡约束
电力供需负荷满足如下平衡关系：
式（16）中：PWT(t)为t时刻风力发电功率；PPV(t)为t时刻光伏发电功率； ${\mathit{P}}_{\mathit{G}\mathit{T}}^{\mathit{E}}\left(\mathit{t}\right)$ 为t时刻燃气轮机发电功率；PLOSS(t)为t时刻风光机组发电总削减量；PEV(t)为t时刻电动汽车负荷。
4）能源机组出力约束
风电机组、光伏机组与燃气轮机功率约束为：
式（17）中：Ω代表发电机组集合；PΩ(t)代表各发电机组出力功率，单位 kW；PΩ,min，PΩ,max分别为各机组最小、最大发电功率，单位 kW。
由于所建立的容量优化配置模型具有多变量、非线性和多约束等特征，传统解析方法难以直接求解，因此本文采用改进粒子群优化算法对模型进行求解。
4 电氢耦合微电网系统规划求解方法
式（18）中： ${\mathit{v}}_{\mathit{d}}^{\mathit{i}}(\mathit{k}+1)$ 和 ${\mathit{x}}_{\mathit{d}}^{\mathit{i}}(\mathit{k}+1)$ 分别为第i个粒子在第k+1次迭代的速度、位置，w为惯性权重；λ为加速因子；μ为0~1的随机数； ${\mathit{p}}_{\mathit{d}}^{\mathit{i}}\left(\mathit{k}\right)$ 、 ${\mathit{g}}_{\mathit{d}}^{\mathit{i}}\left(\mathit{k}\right)$ 为粒子i在第k次迭代的个体、全局最优值。
为缓解PSO求解中的早熟收敛现象，本文引入一种新的惯性权重调整策略，使算法在寻优后期具备较好的局部寻优能力：
式（19）中：w(t)为新惯性权重；wmax、wmin为最大、最小惯性权重；nk、Nk为当前迭代次数、最大迭代次数；α为粒子在粒子群中的排名；β为粒子群大小。
为克服PSO在前期迭代中收敛速度较慢的问题，本文设置加速因子λ1、λ2，在寻优初期加大个体加速因子，在寻优后期加大群体加速因子，以加快收敛速度：
式（20）中：η1、η2为0~1的随机数；γ1、γ2为加速影响因子，两者和为1；θ1、θ2为加速权重系数；λ1s和λ1e、λ2s和λ2e分别为λ1和λ2的起始值和终止值。
在每个迭代周期调整权重参数和加速因子，以平衡个体认知能力和群体认知能力，加速收敛，提高寻优的整体性能。求解流程如图2所示，步骤如下。
步骤1：初始化PSO参数，将设备参数、典型日地理信息以及电氢负荷数据输入系统。随机生成的粒子包含速度、位置、加速因子与惯性权重。
步骤2：以微网系统年均总成本最小为优化目标，考虑微网各设备运行约束，构建优化配置模型。
步骤3：针对优化配置模型设置能量运行控制策略。
步骤4：进行改进PSO求解迭代，比较当前粒子极值与群体极值，动态调整加速因子和惯性权重，提高寻优的速度和精度。
步骤5：循环更新全局最优解，获得电氢耦合微电网系统最优配置方案及对应目标函数值，进行运行分析。
为最大化消纳清洁能源出力，保障公路交通系统供能可靠性，设计微网系统能量运行控制策略如图3所示，详细步骤如下。
步骤1：计算系统在t时刻的不平衡功率，若风光出力不足以满足电负荷需求进入步骤2，否则进入步骤3。
步骤2：若储氢库能满足氢需求，则将释放多余氢气，RSOC以SOFC模式发电，若RSOC发电量仍不能满足电需求或者储氢库不能满足氢需求，则由燃气轮机发电，若仍有电量缺额则计算此时的不平衡功率。
步骤3：RSOC以SOEC模式消纳多余风光，判断RSOC最大制氢功率是否能全部消纳多余出力，计算RSOC制氢功率。若RSOC制氢量能满足氢需求，则存储多余氢气；若不能，则调用储氢库储存的氢气满足氢需求，若仍有氢量缺额计算此时的缺氢量。
步骤4：计算更新各出力单元功率和储氢库容量状态，确定缺氢额以及弃电量并进入下一时刻t+1，t=8 760时循环结束，其中8 760为一年总小时数。
5 算例分析
为验证所提系统架构、容量优化配置方法及求解算法的有效性，以沈海高速公路某服务区为例开展算例仿真分析，并通过多方案对比进一步评估本文所提系统的经济性与运行性能。
5.1 问题描述与场景设置
东北沿海地区可再生能源丰富，交通运输业发达，但由于人口、工业等密集度较低，电网覆盖率与支撑能力较为薄弱，由此导致交通系统与电网之间的联系不够紧密，交通系统开发的自洽能源系统弃风弃光现象较为严重。本文以沈海高速公路沈阳段某服务区为例，构建公路交通电氢耦合微电网系统，以实际路段采集的风速、辐照强度、温度和蒙特卡洛模拟电氢负荷情况作为系统输入，将燃气轮机作为辅助发电设备，验证电氢耦合微电网系统规划方法的有效性。
5.2 参数设置
为检验改进PSO对求解公路交通电氢耦合微电网系统容量优化配置模型的全局搜索能力与收敛特性，设置粒子群初始种群规模为100，最大迭代次数为1 000，RSOC以及相关设备参数如表1所示。
表1 RSOC及相关设备参数设置[25] |
| 对象 | 参数含义 | 取值 |
|---|---|---|
| 光伏设备 | 使用寿命/年 | 25 |
| 单元额定输出功率/kW | 0.27 | |
| 单位功率投资费用/（元/kW） | 3 500 | |
| 运行维护费用/（元/kW） | 0.11 | |
| 风力设备 | 使用寿命/年 | 20 |
| 单元额定输出功率/kW | 3.6 | |
| 单位功率投资费用/（元/kW） | 7 000 | |
| 运行维护费用/（元/kW） | 0.08 | |
| 燃气轮机 | 使用寿命/年 | 20 |
| 单元额定输出功率/kW | 50 | |
| 单位功率投资费用/（元/kW） | 16 000 | |
| 运行维护费用/（元/kW） | 0.09 | |
| RSOC | 预期使用寿命/年 | 10 |
| 单元最大制氢功率/kW | 168 | |
| 单元最大发电功率/kW | 35 | |
| 单位功率投资费用/（元/kW） | 8 000 | |
| 运行维护费用/（元/kW） | 0.22 | |
| 储氢库 | 单位容量投资费用/（元/kg） | 2 920 |
| 使用寿命/年 | 20 | |
| 单元额定容量/kg | 50 | |
| 运行维护费用/（元/kg） | 0.008 |
5.3 实验方案
为验证本文所提容量配置方法的优越性，设置以下5种实验方案，各个方案设置如下。
1）方案1：系统配置蓄电池，氢气全部外部采购。
2）方案2：系统配置PEM、HST和碱性燃料电池，考虑其余热利用。
3）方案3：系统配置RSOC和HST，考虑规避RSOC降解惩罚，不考虑其余热利用。
4）方案4：系统配置RSOC和HST，考虑RSOC余热回收，不考虑规避RSOC降解惩罚。
5）方案5：系统配置RSOC和HST，同时考虑规避RSOC降解惩罚以及其余热利用。
5.4 结果分析与讨论
表2 方案5微网系统最优配置容量 |
| 设备配置容量 | 数值 |
|---|---|
| 风力发电机机组装机容量/kW | 216 |
| 光伏阵列装机容量/kW | 697 |
| 燃气轮机装机容量/kW | 300 |
| RSOC制氢容量/kW | 504 |
| 储氢库容量/kg | 1 200 |
表3 各方案成本指标对比 单位：万元 |
| 方案 | 年均投资成本 | 年均运维成本 | 惩罚成本 | 总成本 | ||
|---|---|---|---|---|---|---|
| 弃电 惩罚 | 缺氢 惩罚 | 降解惩罚 | ||||
| 1 | 65.95 | 6.09 | 76.70 | 209.50 | — | 358.24 |
| 2 | 178.20 | 32.00 | 43.56 | 28.46 | — | 282.22 |
| 3 | 200.21 | 67.56 | 30.23 | 10.22 | — | 308.22 |
| 4 | 236.80 | 62.12 | 28.46 | 4.03 | 6.03 | 337.44 |
| 5 | 181.98 | 47.45 | 6.63 | 3.68 | — | 239.74 |
对比方案1和方案2，使用传统蓄电池储能投资、运维成本更低，但存在容量达到上限无法消纳风光的情况，弃风弃光成本较高，且氢气购、储、运会大量增加缺氢成本，由此体现出氢能合理利用的优势；对比方案2和方案5，虽然PEM投资成本、运维成本较RSOC低，但方案5惩罚成本比方案2低61.71 万元，说明在PEM低转换效率、燃料电池低工作温度环境下，新能源消纳水平较低，无法及时满足负荷，能量流动不灵活，经济性不如方案5。
对比方案3和方案5，方案3不考虑热能量利用，设备冷启动需要时间，制约了对氢负荷的满足；为保持风光消纳，RSOC与储氢规划容量会同步提升以降低系统惩罚成本，总成本较方案5高68.48 万元。对比方案4和方案5，方案5考虑RSOC模式切换的频率和幅度对寿命的影响，在模型中根据RSOC运行状态进行调整，避免了RSOC运行的降解惩罚成本，增加了RSOC运营年限，因此方案5年均投资成本和年均运维成本之和较方案4低69.49 万元。
由上述分析可见，方案5在综合成本上优于其他方案，主要原因在于该方案同时考虑了RSOC运行特性与余热利用，使系统在风光富余时段能够通过SOEC模式吸纳可再生能源，在负荷高峰时段能够通过SOFC模式或储氢释放实现补能支撑，并通过余热回收降低了额外能耗。因此，该方案在提高可再生能源利用率的同时，兼顾了系统运行灵活性与经济性。
由图4可知，2:00—8:00，服务区电动汽车与氢燃料汽车补能需求较低，而风电出力相对较高，系统出现富余电能。相较于直接弃风，RSOC在这个时段优先运行于SOEC模式，不仅能消纳多余风电，而且可以制取氢气满足氢需求、利用储氢库存储多余氢气，故储氢库容量处在上升状态。8:00—12:00，光伏发电功率逐渐增加，此时风光协同出力，但由于充电加氢负荷处在高峰期，RSOC利用多余电量制备氢气不能满足氢需求，此时需要储氢库放出部分氢气，储氢库容量下降一段时间。16:00—24:00，风光出力下降，无法满足电能用户需求，RSOC运行于SOFC模式，但由于爬坡速率和能量损失的限制，仍需要燃气轮机发电满足用电需求，此时储氢库为净放氢模式，同时为氢负荷和RSOC提供氢气。
由图5可知，东北地区夏季温度和光照强度较高而风速较低，因此光伏机组输出功率较高、风电机组输出功率较低。同时，由于夏季新能源出力波动更大，故需依赖RSOC和燃气轮机在夜间用电高峰期辅助发电。在氢需求高峰期，RSOC存制氢量不能完全满足要求，因此储氢库容量整体下降。
由图6可知，东北地区冬季风速较大，风电机组基本在全时段保持额定功率运行；与此同时，光伏产电明显不足，仅在9:00—15:00能有效利用太阳能。相较于过渡季和夏季，RSOC能在0:00—16:00保持SOEC模式运行，不仅能满足氢需求、增加储氢容量，还能减少夜晚燃气轮机的使用，从而获得更高的新能源渗透率。
结合表3，含RSOC的电氢耦合微电网系统能利用风光互补特性进行电力调节，在用电低谷期制氢、电氢需求高峰期供能；RSOC能够有效弥补系统的弃电和缺氢情况，提高可再生能源利用率。
图7为RSOC电氢转换单元全年的出力分布。从全年分布来看，RSOC在SOEC模式下的功率和频率均大于SOFC模式。这是由于RSOC在SOEC模式下的效率更高，且能有效消纳弃风、弃光电量，从而降低系统的能量损失。虽然RSOC在SOFC模式下能够利用多余氢气发电，使系统具有良好的灵活性和可靠性，但“电-氢-电”转换过程的能量损耗会增加系统的成本，这也验证了方案5运营的可持续性。
储氢容量状态与RSOC工作模式相关，其容量范围在0.05~0.95，如图8所示。储氢库频繁充放气以满足氢需求，其容量在春冬季节处于较高水平。这是因为沈海高速沈阳段春冬季节风速较高，日照条件较好，风光总出力较高，氢气产量随之增加。然而，当实际路段遭遇连续阴雨或无风天等恶劣天气时，会出现储氢库容量低、缺氢现象。
表4 系统关键指标 |
| 绿电产量 /（MW·h） | 绿氢产量 /t | 污染物 减排量/t | 余热回收量 /（MW·h） | 运行费用 降低/万元 | 弃电率（%） |
|---|---|---|---|---|---|
| 1 607.9 | 127.3 | 1 039.1 | 47.2 | 42.48 | 6.18 |
5.5 优化算法对比
为全面评估所提优化算法性能，选取设备配置方案5，采用遗传算法、传统PSO和改进PSO对配置模型进行独立求解50次，并对运行时间、迭代次数以及成本进行统计分析，得出的平均结果如表5所示。参数设置方面，粒子群体规模统一为100，次数统一为1 000次。
表5 算法结果比较 |
| 算法 | 平均成本 /万元 | 平均运行时间 /s | 平均迭代次数 /轮 |
|---|---|---|---|
| 遗传算法 | 249.43 | 2 911 | 640 |
| 传统PSO | 243.12 | 2 718 | 590 |
| 改进PSO | 239.74 | 2 307 | 330 |
由于改进后的PSO引入惯性权重和动态因子，运行时间比遗传算法和传统PSO减少了604 s和411 s；迭代次数比遗传算法和传统PSO减少310轮和260轮。实验结果表明，改进的PSO算法可以提高搜索效率，加快收敛速度，提高寻优能力，有效降低系统总成本。
6 结论
本文考虑公路交通多种用能需求及RSOC双向制氢模型，针对风光出力的互补特性和能量利用情况，对公路交通电氢耦合微电网进行容量规划，所得结论如下。
1）通过对比5种实验方案的配置容量及年均成本，考虑RSOC降解模型和余热回收的系统能节省成本42.48 万元，弃电率仅6.18%，兼具经济性与灵活性双重优势。
2）对微网系统进行运行分析发现，RSOC可实现47.2 MW·h余热回收，在满足新能源汽车负荷需求的同时促进了新能源消纳，减排1 039.1 t，有效推动了公路交通与新能源的融合发展。
3）在模型求解方面，相比遗传算法和传统PSO算法，引入惯性权重与加速因子的改进粒子群算法可提高求解效率，为多能系统容量配置提供了更可靠的算法支撑。
综上，电氢耦合系统在优化配置过程中应综合考虑电氢转换效率、运行模式切换、设备退化及余热利用等多因素耦合作用。将RSOC运行特性纳入容量优化框架，有助于提升公路交通能源系统的运行灵活性与规划方案的合理性。建议在实际交通能源系统规划中，加强高速公路服务区电氢一体化补能设施、绿电制氢设施和储能设施的统筹规划。同时，可通过示范工程引领与绿氢认证、碳减排核算等政策机制，共同推动高速公路服务区实现由传统单向用能节点向综合能源服务节点的运营模式转型，助力交通系统加速实现“双碳”目标。
