蘭國龍，陳佳橋，葉恒志，陳旭海, 廖寶文

(1.中國水利水電第四工程局有限公司,北京 100071；2.中國電建集團福建省電力勘測設(shè)計院有限公司,福建 福州 350003)

0 引 言

隨著智能電網(wǎng)和能源互聯(lián)網(wǎng)的發(fā)展，電力系統(tǒng)對儲能[1]的需求日漸增大。電化學儲能以其靈活和動態(tài)響應(yīng)快速的特點廣泛應(yīng)用于電力系統(tǒng)的發(fā)電、輸電、配電和用電等各環(huán)節(jié)，其多重運行效益和經(jīng)濟價值日益凸顯。

用戶側(cè)儲能的應(yīng)用需要解決經(jīng)濟性及循環(huán)壽命的問題，現(xiàn)有研究主要包括以下三個方面：一是儲能容量配置優(yōu)化與經(jīng)濟性分析[2-3]，通過建立用戶側(cè)儲能應(yīng)用的成本收益分析模型，分析儲能投資的經(jīng)濟性，確定最佳的容量配置與運行方案，現(xiàn)有工作主要考慮的收益類型包括削峰填谷及需量控制；二是系統(tǒng)能量管理與優(yōu)化控制[4]，在儲能系統(tǒng)接入后，需要考慮與電網(wǎng)及終端用戶系統(tǒng)的其他設(shè)備，如分布式可再生能源發(fā)電和負荷等，共同協(xié)調(diào)運行，以優(yōu)化電池儲能的實際收益，另外需要考慮對多個儲能系統(tǒng)間的充放電功率分配及均衡控制，提高電池效率及使用壽命；三是儲能應(yīng)用領(lǐng)域[5-6]的拓展，通過增加用戶側(cè)儲能系統(tǒng)的功能與服務(wù)類型，提高儲能應(yīng)用的收益。

目前儲能系統(tǒng)成本較高，本文采用差分進化-粒子群算法對用戶側(cè)儲能進行優(yōu)化配置，彌補了差分進化算法搜索速度慢和粒子群算法[7]易出現(xiàn)局部最優(yōu)的缺陷，在保證系統(tǒng)運行可靠性的同時，有效降低系統(tǒng)運行成本，提高系統(tǒng)經(jīng)濟性。

1 用戶側(cè)儲能模型建立

1.1 儲能系統(tǒng)運行目標

配置儲能系統(tǒng)的主要目的是為運營商帶來經(jīng)濟上的收益。本文針對峰谷價差套利對儲能系統(tǒng)功率容量及控制策略進行優(yōu)化配置。

1.2 約束條件

-Pn≤Pc(t)≤Pn

(1)

SOC(t+1)=SOC(t)-Pc(t)Δt

(2)

(3)

根據(jù)國家發(fā)展改革委關(guān)于兩部制電價用戶基本電價執(zhí)行方式的通知:Pzb為主變?nèi)萘?；P1為容量電費;P2為需量電費；Pload為負荷功率；PN為基本電量；Pneed為需要功率；Qsurplus為剩余容量；Zn為額定容量。

(4)

Pc=min([Pneed,Qsurplus/Δt,Pn])

(5)

Pneed=PN-Pload

(6)

Qsurplus=Zn-Q(t)

(7)

儲能控制策略如圖1所示。

圖1 用戶側(cè)儲能控制策略

2 差分粒子群算法

2.1 差分進化算法

差分進化算法通過把種群中兩個隨機選擇的不同個體加權(quán)差向量，加到第三個個體上，以此“變異”操作來產(chǎn)生新的目標個體；再通過“交叉”產(chǎn)生試驗個體；最后“選擇”適應(yīng)度函數(shù)值較小的個體，為下一代的目標個體。種群中所有個體都需進行以上操作，實現(xiàn)個體進化。

對D維目標個體xi,G(i=1,2,…,NP)，變異操作如下。

vi,G+1=xr1,G+F·(xr2,G-xr3,G) (r1≠r2≠r3≠i)

(8)

式中：D為個體維度；i為個體在種群中的序列；G為進化代數(shù)；NP為種群大??；r1、r2、r3為隨機選擇的序號且互不相同；F為變異算子。

2.2 粒子群算法

在粒子群算法中，每個粒子以一定的速度在解空間運動，同時向自身歷史最佳位置和領(lǐng)域歷史最佳位置聚集，通過每一次的疊代，實現(xiàn)個體的進化。

在一個D維目標搜索空間，有N個粒子組成的群體，粒子根據(jù)式(9)～式(10)更新自身速度與位置：

vij(t+1)=w×vij(t)+c1r1[pij(t)-xij(t)]

+c2r2[gj(t)-xij(t)]

(9)

xij(t+1)=xij(t)+vij(t+1)

i=1,2,…,N;j=1,2,…,D

(10)

式中：x為第i個粒子位置；v為第i個粒子速度；p為第i個粒子最優(yōu)個體位置；g為D維全局最優(yōu)位置;r1和r2為學習因子;c1和c2為[0,1]范圍內(nèi)的均勻隨機數(shù);w為慣性權(quán)重，表示粒子對當前速度繼承能力。粒子群算法流程如圖2所示。

圖2 粒子群算法流程圖

2.3 差分-粒子群優(yōu)化算法

如圖3所示，差分進化算法具有較強全局最優(yōu)解的搜索能力，魯棒性強，但要獲得精確度高的解，需要較多的時間。粒子群算法收斂速度快，但控制參數(shù)對算法性能影響較大，且算法早期速度快，易出現(xiàn)早熟現(xiàn)象。

因此本文提出混合差分算法和粒子群算法的優(yōu)化算法，通過改進粒子更新自身速度和位置公式(9)，以綜合兩種算法的優(yōu)點，避免算法早熟。

vij(G+1)=w·vij(G)+c1r1[xi(G+1)-xij(G)]

(11)

式中：x為第i個粒子位置；v為第i個粒子速度；c1為學習因子；r1為[0,1]范圍內(nèi)的均勻隨機數(shù)；w為慣性權(quán)重；xi(G+1)為經(jīng)過差分優(yōu)化的全局最優(yōu)位置；G為進化代數(shù)。

3 仿真驗證

建立儲能系統(tǒng)功率容量配比的數(shù)據(jù)庫如圖3所示，并在送入網(wǎng)絡(luò)訓練前，進行數(shù)據(jù)歸一處理。在BP神經(jīng)網(wǎng)絡(luò)訓練中，網(wǎng)絡(luò)初始權(quán)重經(jīng)由差分-粒子群算法優(yōu)化得到，輸入層至隱含層活化函數(shù)為tansig，輸出層為purelin。

圖3 儲能容量優(yōu)化配置流程

由圖4可見，算法進化方向由適應(yīng)度函數(shù)最小值方向搜索，即預(yù)測樣本與期望值的誤差矩陣范數(shù)最小。圖5～圖8為神經(jīng)網(wǎng)絡(luò)訓練誤差曲線，經(jīng)過差分-粒子群混合算法優(yōu)化改進的網(wǎng)絡(luò)MSE(均方誤差)值更小，網(wǎng)絡(luò)訓練效果得到了較大的提升。

圖4 差分-粒子群適應(yīng)度進化曲線

圖5 隨機初始權(quán)值與閾值訓練誤差曲線

圖6 粒子群優(yōu)化初始權(quán)值與閾值訓練誤差曲線

圖7 差分進化優(yōu)化初始權(quán)值與閾值訓練誤差曲線

圖8 差分-粒子群優(yōu)化初始權(quán)值與閾值訓練誤差曲線

圖9～圖12為網(wǎng)絡(luò)訓練擬合結(jié)果，圖中R稱為可決因數(shù)，其值越接近1，則說明網(wǎng)絡(luò)模型性能越好。仿真結(jié)果表明，經(jīng)過差分-粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的仿真結(jié)果更加向真實值聚集。

圖9 隨機初始權(quán)值與閾值網(wǎng)絡(luò)訓練擬合結(jié)果

圖10 粒子群優(yōu)化初始權(quán)值與閾值網(wǎng)絡(luò)訓練擬合結(jié)果

圖11 差分進化優(yōu)化初始網(wǎng)絡(luò)訓練擬合結(jié)果

圖12 差分-粒子群優(yōu)化初始權(quán)值與閾值網(wǎng)絡(luò)訓練擬合結(jié)果

表1為網(wǎng)絡(luò)訓練結(jié)果。結(jié)果表明，差分-粒子群優(yōu)化算法于其他三種算法中耗時最短，誤差最小，網(wǎng)絡(luò)性能表現(xiàn)最佳，證明了差分粒子混合優(yōu)化算法用于改進BP神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)性能獲得較大改善。

表1 網(wǎng)絡(luò)訓練結(jié)果

基于差分-粒子群容量優(yōu)化算法配置儲能規(guī)模為4 MW/6 MWh，采用三充三放的運行策略，儲能通過峰谷價差套利年節(jié)省電費約為223萬元，不計儲能損耗及稅收儲能回收期約為7年。

4 結(jié)束語

本文在已有研究的基礎(chǔ)上，提出了一種基于差分進化和粒子群混合優(yōu)化算法的用戶側(cè)儲能容量優(yōu)化方法。在傳統(tǒng)的粒子群優(yōu)化算法中加入差分進化算法作為輔助變異算子，改變粒子群優(yōu)化算法的速度更新公式，提高了計算效率以及全局搜索能力。仿真結(jié)果表明，采用差分進化粒子群算法時，收斂速度較差分進化法和粒子群算法有明顯的提高，從而具有更強的尋優(yōu)能力，成功地解決了用戶側(cè)儲能系統(tǒng)的容量優(yōu)化問題，提高了用戶側(cè)儲能的經(jīng)濟性。