趙向陽，王杏玄,，羅文

(1.北京航空航天大學(xué)自動化科學(xué)與電氣工程學(xué)院，北京100191；2.江西儀能新能源微電網(wǎng)協(xié)同創(chuàng)新有限公司，江西 吉安343100)

基于遺傳算法的電池管理策略

趙向陽1，王杏玄1,2，羅文2

(1.北京航空航天大學(xué)自動化科學(xué)與電氣工程學(xué)院，北京100191；2.江西儀能新能源微電網(wǎng)協(xié)同創(chuàng)新有限公司，江西 吉安343100)

電池儲能可提高風(fēng)、光等可再生能源在微電網(wǎng)中的接入水平，常規(guī)研究只考慮了通過儲能控制微電網(wǎng)與配電網(wǎng)交互功率的波動性。研究含新能源發(fā)電的微電網(wǎng)與配電網(wǎng)交互功率成本最低或收益最高的蓄電池充放電策略及電池容量、初始荷電狀態(tài)與優(yōu)化效果的問題，建立了在最大功率跟蹤風(fēng)機(jī)出力情況下的交換功率最經(jīng)濟(jì)模型。在求解算法方面，采用以自然選擇和遺傳理論為基礎(chǔ)的高效全局尋優(yōu)搜索的遺傳算法，以電池充放電功率、荷電狀態(tài)和系統(tǒng)功率平衡為約束。最后針對風(fēng)電和負(fù)荷波動的影響，經(jīng)算例證明，以交互功率費用為目標(biāo)經(jīng)遺傳算法優(yōu)化電池調(diào)度后，可在不影響其波動性的基礎(chǔ)上很大程度地提高交互功率的經(jīng)濟(jì)性，為今后制定儲能電池更加完善的充放電管理策略提供一定的借鑒意義。

微電網(wǎng)；電池管理；遺傳優(yōu)化

0 引言

微電網(wǎng)一般由風(fēng)力發(fā)電、太陽能發(fā)電等可再生能源發(fā)電和負(fù)荷、儲能裝置組成，可分為并網(wǎng)和孤島兩種運行模式。并網(wǎng)可在很大程度上保證微電網(wǎng)安全運行，但是其與配電網(wǎng)的交互功率通常有一定的約束限制。隨著微電網(wǎng)并網(wǎng)功率的增大，其交互功率的波動性將引起配電網(wǎng)的頻率穩(wěn)定。不同時間尺度的功率波動由不同方式的儲能來消納，許多學(xué)者對交換功率的波動性進(jìn)行了相關(guān)研究[1～4]。文獻(xiàn)[5] 立足于不同的實際電網(wǎng)情況研究了儲能系統(tǒng)參與電網(wǎng)調(diào)頻的工程應(yīng)用。文獻(xiàn)[6]采用移動平均算法，在有效減少儲能使用次數(shù)的基礎(chǔ)上平滑了風(fēng)電并網(wǎng)功率。對交換功率的經(jīng)濟(jì)性進(jìn)行研究的文獻(xiàn)[7]以交換功率與配電網(wǎng)的電價為目標(biāo)函數(shù)，在討論預(yù)測值與實際值誤差的基礎(chǔ)上，指出通過調(diào)度電池充放電，仍然可以保持微電網(wǎng)的運行費用最低或收益最大，但是沒有討論電池不同的初始值對優(yōu)化效果影響。文獻(xiàn)[8]設(shè)置了不同容量的微電網(wǎng)，分別以單向購電、單向售電為目標(biāo)進(jìn)行優(yōu)化，但是沒有將其與雙向購售電進(jìn)行比較。大多數(shù)文獻(xiàn)都有對于電池容量及充放電功率的約束，但是對其靈敏度問題并沒有深入研究。文獻(xiàn)[9]利用直流電源、雙向的電池放電轉(zhuǎn)換器和電池荷電狀態(tài)制定電池的有序充電放電策略。文獻(xiàn)[10]在考慮電池壽命的基礎(chǔ)上避免過充過放，其對文獻(xiàn)[9]的電池有序充放電策略深入探討并建立了微電網(wǎng)導(dǎo)入功率、導(dǎo)出功率時各機(jī)組的優(yōu)先級順序，但是文中僅對荷源動態(tài)變化后電池荷電狀態(tài)及相應(yīng)電壓變化進(jìn)行仿真，而沒有對提出的整體調(diào)度策略給出實際的仿真效果以及相應(yīng)分析。智能算法[11～13]中粒子群算法和遺傳算法在組合問題中應(yīng)用越來越多，得到學(xué)術(shù)界和工程界的廣泛關(guān)注。

本文在討論微電網(wǎng)余額功率(發(fā)電功率減負(fù)荷功率)的基礎(chǔ)上，主要研究通過控制起三次調(diào)頻作用的電池充放電策略用以消納某天小時級的功率波動。采用遺傳算法，以微電網(wǎng)與配電網(wǎng)交互功率的經(jīng)濟(jì)性為目標(biāo)進(jìn)行優(yōu)化，并對電池不同容量、不同初始電荷量的優(yōu)化效果進(jìn)行比較分析。

1 電池的管理策略

1.1 目標(biāo)函數(shù)

(1)

式中：pgrid(t)<0，|pgrid(t)|為t時段微電網(wǎng)的售電功率；pgrid(t)>0，pgrid(t)為t時段微電網(wǎng)的購電功率；c(t)為配電網(wǎng)電價，假設(shè)售購電價一樣[8]。Δt為調(diào)度時間間隔，本文為Δt=1h，總調(diào)度時段即未知量個數(shù)為n=24，t∈{1,2, 3…24}；f(pgrid)為負(fù)表示微電網(wǎng)售電利潤，正值則為其依靠配電網(wǎng)供電的運行成本。

1.2 約束條件

(1)功率平衡約束

(2)

式中：pb(t)為電池充放電功率，pb(t)<0，電池放電；pb(t)>0，電池充電；pgene(t)、pload(t)為t時段微電網(wǎng)的發(fā)電功率和負(fù)荷功率。

(2)電池充放電功率約束

(3)

t時段的電池充/放電功率|x(t)|的約束最大不超過R=1 600 kW(制定原則：電池最小容量的約束和余額功率幅值)。

(3)荷電狀態(tài)的相關(guān)約束

(4)

(5)

(6)

式(4)反映了相鄰時段電池的荷電狀態(tài)關(guān)系；式(5～6)則反映在任何時段都要滿足其荷電狀態(tài)的約束，且本文假設(shè)蓄電池在一天中充放電功率平衡，即在每個調(diào)度周期的始、末時刻，蓄電池荷電狀態(tài)相等，以此來保證下一個調(diào)度周期內(nèi)仍有相同規(guī)模的電池調(diào)度空間。對蓄電池來說，通常取hsoc,max=1，而考慮到電池過度放電對其壽命的不利影響，hsoc,min常取為 0.2。

(4)余額功率：微電網(wǎng)的發(fā)電功率與負(fù)荷功率之差：p=pgene-pload。

無電池作用時，微電網(wǎng)與配電網(wǎng)的交換功率pgrid與為余額功率p大小相等。

2 遺傳算法

組合優(yōu)化問題的決策變量一般求解方法分為經(jīng)典優(yōu)化算法和新型智能優(yōu)化算法。經(jīng)典算法包括：優(yōu)先順序法、動態(tài)規(guī)劃法、分支定界法等；近年來，一類基于生物學(xué)、人工智能的現(xiàn)代啟發(fā)式算法已經(jīng)廣泛應(yīng)用于組合優(yōu)化問題、運輸問題、工程設(shè)計優(yōu)化等領(lǐng)域[11～13]。目前流行的現(xiàn)代啟發(fā)式算法有：人工神經(jīng)網(wǎng)絡(luò)、遺傳算法、模擬退火法、Tabu搜索法、螞蟻算法和粒子群算法。遺傳算法的基本流程如圖1所示。經(jīng)典算法在高維問題時極其容易陷入維數(shù)災(zāi)而導(dǎo)致計算速度較慢，而智能算法則能很好地克服傳統(tǒng)方法的局限性，通過構(gòu)造出一些啟發(fā)式規(guī)則，并按照既定的方向優(yōu)化，效果較好。

圖1 遺傳算法流程圖

GA模擬自然界生物進(jìn)化過程，采用人工進(jìn)化的方式對目標(biāo)空間進(jìn)行隨機(jī)優(yōu)化搜索。將問題域中的可行解看作是群體的一個個體或染色體，并將每一個個體編碼成符號串形式，對群體反復(fù)進(jìn)行基于遺傳學(xué)的選擇、交叉、變異等操作，以適應(yīng)度函數(shù)的優(yōu)劣來控制搜索方向，同時以全局并行搜索的方式來搜索群體中的最優(yōu)個體，以逐步收斂到最優(yōu)解[13]。

3 基于GA的電池充放電策略求解流程

本文采用GA程序求解某調(diào)度日的電池充放電功率組合的染色體規(guī)模為N=50，未知量個數(shù)D=24，則一個染色體個體x即為規(guī)劃的電池充放電功率序列pb：pb=[pb(1),pb(2),…pb(23),pb(24)]，最大迭代次數(shù)DTmax=200，hsoc,max=1，hsoc,min=0.2。

本文使用罰方法的方法處理約束條件，在原目標(biāo)函數(shù)的基礎(chǔ)上，再增加對不可行解的懲罰將約束作為新的目標(biāo)函數(shù)[14]；此外，本文把非染色體(電池荷電狀態(tài)hsoc及微電網(wǎng)與配電網(wǎng)交互功率pgrid)在適應(yīng)度函數(shù)中用增加罰函數(shù)的方式加以約束，組成GA的適應(yīng)度評價函數(shù)：

ffitness=f(x)+γ1×φ(soc)+γ2×φ(pgrid)

(7)

式中：γ1、γ2分別為對電池荷電量、交換功率越限的懲罰因子；φ(soc)、φ(pgrid)分別為對電池荷電量、交換功率不等式約束的判斷函數(shù)。

遺傳算法用于優(yōu)化電池的充放電策略的流程如圖2所示。

圖2 遺傳算法優(yōu)化電池充放電策略調(diào)度流程圖

4 算例分析

4.1 系統(tǒng)介紹

假設(shè)微電網(wǎng)由風(fēng)力發(fā)電和負(fù)荷組成[7]，功率分別如圖3～4所示，電池容量由調(diào)度策略制定(4.2節(jié))，設(shè)定每個調(diào)度間隔Δt=60 min，一天共n=24個調(diào)度段。

設(shè)定微電網(wǎng)從配電網(wǎng)的購、售電價相等，配電網(wǎng)一天的電價如圖5所示，微電網(wǎng)余額功率如圖6所示。

圖3 微電網(wǎng)發(fā)電功率曲線

圖4 微電網(wǎng)的負(fù)荷功率曲線

圖5 配電網(wǎng)電價曲線

圖6 微電網(wǎng)余額功率曲線

4.2 調(diào)度目標(biāo)及調(diào)度策略

以經(jīng)濟(jì)性為目標(biāo)，僅受電價刺激的電池充放電規(guī)律一般如下：

余額功率為正時，微電網(wǎng)售電：

(1)電價低時，電池充電甚至?xí)漭^多的電使hsoc(t)=hsoc,max，即將較少的余額功率在低電價時售給配電網(wǎng)；

(2)電價高時電池則一般不充電甚至放電(當(dāng)hsoc(t)太低時則需要充電，防止在余額功率為負(fù)時需要購電)，即將較多的功率高價售給配電網(wǎng)，多盈利。

余額功率為負(fù)，微電網(wǎng)購電：

(1)電價低時電池少放電，即允許大量購買電價較低的電；

(2)電價高時，電池多放電甚至放完hsoc(t)=hsoc,min，即從配電網(wǎng)購買較少的高價電，減小購電成本。

需要說明的是，電價的高低不僅在于余額功率全為正或全為負(fù)時的比較，還在于正、負(fù)時的交叉比較。電池行為除受電價刺激外，還受電池hsoc(t)及電池最大充放電功率的約束。

根據(jù)本文微電網(wǎng)特點，設(shè)置不同電池容量Qmax及不同初始荷電量hsoc(1)的3種調(diào)度方案：

策略1Qmax=2 MWh，hsoc(1)=0.6；

策略2Qmax=10 MWh，hsoc(1)=0.4；

策略3Qmax=10 MWh，hsoc(1)=0.6。

4.3 調(diào)度結(jié)果

(1)策略1的調(diào)度效果如圖7、8所示。

圖7 策略1的電池調(diào)度圖

圖8 策略1的電池hsoc圖

由圖可知：余額功率為正：1～7點；16～24點；余額功率為負(fù)：8～14點；電價低：4，5，13點。

由于初始電量hsoc(1)=0.6，電池可充可放，余額功率為正時段：1、2點電價較高，故電池以放電(放到最大hsoc(1)=hsoc,min)的形式向配電網(wǎng)售電為獲得更大利益；3、4、5電價較低且hsoc很低電池充電，6電價較高電池以較小放電功率獲利，在7點電池充電為即將到來的需要放電時段積蓄電量；余額功率為負(fù)時段：8、9時段電價較低，10～12高電價，故在8、9、10充電，在高電價11點放電；13～15電價以及其hsoc較低故充電，以在后面較高電價時段放電獲得收益；其后在保持hsoc穩(wěn)定的前提下，由于余額功率為負(fù)，電池以放電(減少購電)為主，特殊時刻在較低電價時充電(23點)但是又在較高電價時放電(24點)。

(2)策略2的調(diào)度效果如圖9、10所示。

(3)策略3的調(diào)度效果如圖11、12所示。

圖9 策略2的電池調(diào)度圖

圖10 策略2的電池hsoc圖

圖11 策略3的電池調(diào)度圖

圖12 策略3的電池hsoc圖

4.4 調(diào)度結(jié)果

三種不同策略的調(diào)度效果如表1所示。

表1 交互功率的不同調(diào)度策略效果對比

對實際管理中的電池而言，根據(jù)不同容量對電池容量單位投資額所獲得的效率不同[14，15]，電池的容量可能發(fā)生變化。因此管理者需要分析電池容量、初始的荷電量在什么范圍時，優(yōu)化效果最好。

(1)相同電池容量下，最優(yōu)解對電池初始荷電狀態(tài)的敏感性由策略2、3可見。

(2)相同電池初始荷電狀態(tài)下，最優(yōu)解對電池容量的敏感性由策略1、3可見。

5 結(jié)論

儲能單元對于微電網(wǎng)的穩(wěn)定運行發(fā)揮著重要作用。本文針對含風(fēng)力發(fā)電場的微電網(wǎng)提出了基于遺傳算法優(yōu)化儲能電池充放電的調(diào)度策略，建立了在最大功率跟蹤風(fēng)機(jī)出力情況下微電網(wǎng)與配電網(wǎng)的交換功率最經(jīng)濟(jì)模型。并以初始荷電狀態(tài)和電池容量不同組合的三種策略，驗證了依靠單純增大電池容量并不一定能在交互功率的費用和波動性方面起到更好的調(diào)節(jié)效果，并且還會造成電池投入成本增大以及使電池利用率大大降低。

[1]王增新.蓄電池在智能微網(wǎng)中的應(yīng)用研究[D].保定：華北電力大學(xué),2012.

[2]俞斌,桑丙玉,劉歡，等.智能微網(wǎng)中鉛酸電池儲能系統(tǒng)控制策略[J].電網(wǎng)與清潔能源,2013,29(12):119-125.

[3]張學(xué)清.風(fēng)電預(yù)測、協(xié)同調(diào)度及電網(wǎng)電壓安全評估研究[D].濟(jì)南：山東大學(xué),2013.

[4]王鑫,郭佳歡,謝清華,等.超級電容器在微電網(wǎng)中的應(yīng)用[J].電網(wǎng)與清潔能源,2009,25(6):18-22.

[5]李建林,楊水麗,高凱.大規(guī)模儲能系統(tǒng)輔助常規(guī)機(jī)組調(diào)頻技術(shù)分析[J].電力建設(shè),2015,36(5): 105-110.

[6]陳躍燕，李相俊，韓曉娟，等. 基于移動平均法和風(fēng)電波動率約束的電池儲能系統(tǒng)平滑風(fēng)電出力控制策略[J]. 電力建設(shè), 2013, 34(7): 1-5.

[7]Mahat P, Escribano Jimenez J, Rodriguez Moldes E, et al. A Micro-Grid Battery Storage Management[C]. 2013 IEEE Power and Energy Society General Meeting (PES), Vancouver, BC, Canada, 21-25 July, 2013: 1-5.

[8]Zhao Z.Optimal Energy Management for Microgrids[D]. South Carolina: Clemson University,2012.

[9]Zamora R,Srivastava A K. Energy Management and Control Algorithms for Integration of Energy Storage Within Microgrid[C]. 2014 IEEE 23rd International Symposium On Industrial Electronics (IEEE), Istanbul, Turkey, 1-4 June, 2014: 1805-1810.

[10]Hasan H N, Haque M E, Negnevitsky M, et al.Control of Energy Storage Interface with a Bidirectional Converter for Photovoltaic Systems[C]. 2008 Australasian Universities Power Engineering Conference (AUPEC’08), Sydney, NSW, Australia, 14-17 December, 2008: 1-6.

[11]趙向陽，孫科.基于神經(jīng)網(wǎng)絡(luò)的變壓器損耗計算方法[J].電力科學(xué)與工程,2015,31(1):44-48.

[12]李整,譚文,秦金磊.一種用于機(jī)組組合問題的改進(jìn)雙重粒子群算法[J].中國電機(jī)工程學(xué)報,2012，32(25):189-195.

[13]趙向陽, 段江曼.微電網(wǎng)系統(tǒng)的調(diào)度策略及經(jīng)濟(jì)運行優(yōu)化研究[J].智能電網(wǎng),2012,2(4): 99-107.

[14]余廷芳，林中達(dá).部分解約束算法在機(jī)組負(fù)荷優(yōu)化組合中的應(yīng)用[J].中國電機(jī)工程學(xué)報,2009,29(2):107-112.

[15]劉繼春.電力調(diào)度優(yōu)化理論及其應(yīng)用[M].北京：中國電力出版社，2010.

Battery Management Based on Genetic Algorithm Optimization

Zhao Xiangyang1, Wang Xingxuan1,2, Luo Wen2

(1.School of Automation Science and Electrical Engineering, Beihang University, Beijing 100191, China2.Jiangxi ENACS Renewable Energy Resources and Micro-Grid Innovations Co., LTD, Ji’an 343100, China)

Energy storage system can improve the capacity of renewable energy resources in the micro-grid like solar energy, wind energy and so forth. Conventional researches consider only the standard deviation of the interactive power between micro-grid and distribution network. Analyzing the charging and discharging strategy of the battery to get the lowest cost and the highest profit from the micro-grid, it is important to consider the battery capacity, the initial state of charge and the optimization effect, then the most economic model of the interaction power is established in the maximum power tracking of the output of the wind turbine. Genetic algorithm, an efficient global optimization search algorithm, based on natural selection and genetic theory, has the advantages of fast convergence, simple calculation, versatility and so on. Finally, an algorithm example on the battery state and power balance constraints optimizes battery scheduling to minimize the interactive power cost by the genetic algorithm. Thus the interactive power economy can be improved greatly on the basis of keeping the interaction power volatility at a certain value. The result shows that this research can play a guiding role in making a more comprehensive storage battery strategy of charging and discharging in the future.

micro-grid； battery management；genetic algorithm optimization

2015-05-08。

科技部中小企業(yè)發(fā)展專項基金(SQ2013ZOC500004)。

趙向陽(1967-)，男，副教授，研究領(lǐng)域為微電網(wǎng)光伏發(fā)電及調(diào)度、電氣檢測及其信息技術(shù)，E-mail：kaileichen@163.com。

TM615

A

10.3969/j.issn.1672-0792.2015.07.002