摘" 要：隨著可再生能源發(fā)電比例的增加，微電網(wǎng)中風(fēng)光儲(chǔ)一體化系統(tǒng)的穩(wěn)定性和經(jīng)濟(jì)性成為研究的熱點(diǎn)。傳統(tǒng)的儲(chǔ)能配置方法多依賴于歷史數(shù)據(jù)，難以動(dòng)態(tài)適應(yīng)風(fēng)電、光伏和負(fù)荷的變化。該文提出一種基于源-荷功率預(yù)測的儲(chǔ)能優(yōu)化配置方法，結(jié)合CNN-BiLSTM網(wǎng)絡(luò)模型對風(fēng)電、光伏出力及負(fù)荷進(jìn)行實(shí)時(shí)預(yù)測。根據(jù)實(shí)時(shí)源-荷預(yù)測功率預(yù)測數(shù)據(jù)，通過粒子群優(yōu)化（Particle Swarm Optimization， PSO）算法對儲(chǔ)能進(jìn)行動(dòng)態(tài)優(yōu)化配置。結(jié)果表明，所提方法能夠有效提高儲(chǔ)能系統(tǒng)的經(jīng)濟(jì)性和穩(wěn)定性，顯著減少功率波動(dòng)，提升系統(tǒng)的整體運(yùn)行效率。

關(guān)鍵詞：儲(chǔ)能；功率預(yù)測；優(yōu)化配置；CNN-BiLSTM；PSO

中圖分類號：TM615" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號：2095-2945（2025）06-0016-04

Abstract： With the increase in the proportion of renewable energy power generation， the stability and economy of wind， light and storage integrated systems in microgrids have become a research hotspot. Traditional energy storage configuration methods rely on historical data and are difficult to dynamically adapt to changes in wind power， photovoltaics and loads. This paper proposes an energy storage optimization configuration method based on source-load power prediction， which combines the CNN-BiLSTM network model to predict wind power， photovoltaic output and load in real time. Based on the real-time source-charge prediction power prediction data， the energy storage is dynamically optimized and configured through the Particle Swarm Optimization （PSO） algorithm. The results show that the proposed method can effectively improve the economy and stability of the energy storage system， significantly reduce power fluctuations， and improve the overall operating efficiency of the system.

Keywords： energy storage; power prediction; optimal configuration; CNN-BiLSTM; PSO

隨著微電網(wǎng)中可再生能源的比例逐步提高，其不確定性帶來的功率波動(dòng)對電網(wǎng)電壓、頻率產(chǎn)生的影響愈加凸顯[1]。如何合理配置儲(chǔ)能以平衡能源供需，成為微電網(wǎng)研究中的關(guān)鍵問題[2]。在信息-物理-社會(huì)系統(tǒng)（Cyber-Physical-Social System， CPSS）架構(gòu)下，通過物聯(lián)網(wǎng)技術(shù)，實(shí)現(xiàn)了對電力系統(tǒng)運(yùn)行狀態(tài)的實(shí)時(shí)監(jiān)控和全面感知[3-4]。這種實(shí)時(shí)數(shù)據(jù)交互與協(xié)同控制，使得如何優(yōu)化儲(chǔ)能配置以應(yīng)對源-荷不確定性至關(guān)重要。

儲(chǔ)能的優(yōu)化配置往往是根據(jù)歷史負(fù)荷和發(fā)電數(shù)據(jù)進(jìn)行的靜態(tài)設(shè)計(jì)，如線性規(guī)劃、動(dòng)態(tài)規(guī)劃、遺傳算法、粒子群優(yōu)化算法（Particle Swarm Optimization， PSO）等[5]。為了進(jìn)一步提升儲(chǔ)能系統(tǒng)的優(yōu)化效果，可以結(jié)合多目標(biāo)優(yōu)化算法，如改進(jìn)的粒子群算法或遺傳算法，以同時(shí)考慮經(jīng)濟(jì)性、環(huán)境成本和能源利用率等多方面因素[6]。同時(shí)，通過引入需求響應(yīng)機(jī)制，可以更好地平衡供需關(guān)系，提高儲(chǔ)能系統(tǒng)的充放電效率和壽命。在實(shí)際應(yīng)用中，還可以利用模糊邏輯或人工神經(jīng)網(wǎng)絡(luò)等智能算法，進(jìn)一步提高預(yù)測精度和優(yōu)化效果[7]。通過結(jié)合深度學(xué)習(xí)和智能優(yōu)化算法，可以實(shí)現(xiàn)微電網(wǎng)儲(chǔ)能系統(tǒng)的高效、動(dòng)態(tài)優(yōu)化配置，從而應(yīng)對可再生能源的不確定性和波動(dòng)性，確保微電網(wǎng)的安全穩(wěn)定運(yùn)行和經(jīng)濟(jì)效益最大化。但是這些方法較少考慮源-荷功率的實(shí)時(shí)波動(dòng)對儲(chǔ)能配置的影響。如果能實(shí)現(xiàn)風(fēng)光、負(fù)荷等源-荷功率的實(shí)時(shí)預(yù)測，將有助于儲(chǔ)能系統(tǒng)的實(shí)時(shí)優(yōu)化配置。近年來，以卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）、長短期記憶網(wǎng)絡(luò)（Long Short-Term Memory， LSTM）及其改進(jìn)模型雙向長短期記憶網(wǎng)絡(luò)（Bidirectional Long Short-Term Memory， BiLSTM）等為代表的深度學(xué)習(xí)算法成為新能源發(fā)電功率預(yù)測的研究熱點(diǎn)[8-9]。

綜上，本文提出一種新型儲(chǔ)能單元實(shí)時(shí)優(yōu)化方法，基于CNN-BiLSTM算法實(shí)時(shí)預(yù)測微電網(wǎng)源-荷功率，并利用粒子群優(yōu)化（PSO）算法實(shí)現(xiàn)儲(chǔ)能單元的動(dòng)態(tài)優(yōu)化配置，實(shí)現(xiàn)最大化的風(fēng)光消納、最小化功率波動(dòng)，提升系統(tǒng)的穩(wěn)定性和經(jīng)濟(jì)性。

1" 源-荷功率預(yù)測算法設(shè)計(jì)

針對風(fēng)電、光伏發(fā)電功率及負(fù)荷不確定性功率，構(gòu)建圖1所示的深度學(xué)習(xí)模型。

首先，實(shí)時(shí)采集來自風(fēng)電、光伏和負(fù)荷的功率數(shù)據(jù)，數(shù)據(jù)預(yù)處理。對數(shù)據(jù)進(jìn)行缺失值填充、歸一化等預(yù)處理，并將數(shù)據(jù)按時(shí)間切分成固定長度的時(shí)間窗口，完成滑動(dòng)窗口數(shù)據(jù)的實(shí)時(shí)更新?；瑒?dòng)窗口的長度保持固定，隨著新數(shù)據(jù)的到來，窗口會(huì)向前滑動(dòng)，舍棄最舊的數(shù)據(jù)，并加入新的數(shù)據(jù)。每次滑動(dòng)窗口更新后，系統(tǒng)都根據(jù)新的數(shù)據(jù)來更新模型的輸入。這一過程可以通過進(jìn)一步優(yōu)化模型結(jié)構(gòu)、引入注意力機(jī)制等方法提高預(yù)測精度；同時(shí)加強(qiáng)數(shù)據(jù)預(yù)處理和特征選擇工作，確保數(shù)據(jù)質(zhì)量滿足模型訓(xùn)練的要求。

然后，構(gòu)建CNN-BiLSTM模型，并進(jìn)行模型訓(xùn)練、校驗(yàn)和模型更新，如圖2所示。CNN用于從時(shí)序數(shù)據(jù)中提取局部特征，包括風(fēng)電和光伏的短期波動(dòng)、負(fù)荷的周期性變化等。BiLSTM能夠同時(shí)處理數(shù)據(jù)的前向和后向長期依賴性，不僅能利用歷史數(shù)據(jù)，還可以結(jié)合未來的已知信息來提高預(yù)測精度。這種模型結(jié)構(gòu)在多變量輸入和超前多步預(yù)測方面展現(xiàn)出了顯著的優(yōu)勢和潛力。

最后，調(diào)度系統(tǒng)根據(jù)實(shí)時(shí)預(yù)測結(jié)果進(jìn)行儲(chǔ)能系統(tǒng)的動(dòng)態(tài)優(yōu)化。在預(yù)測的基礎(chǔ)上，系統(tǒng)會(huì)設(shè)定儲(chǔ)能的充放電策略。如果預(yù)測到風(fēng)電或光伏輸出過高，儲(chǔ)能系統(tǒng)將吸收多余的電量進(jìn)行存儲(chǔ)；如果預(yù)測到系統(tǒng)負(fù)荷過大，儲(chǔ)能系統(tǒng)則可以釋放電量供電。同時(shí)，隨著實(shí)際功率數(shù)據(jù)的更新，預(yù)測模型會(huì)適當(dāng)調(diào)整參數(shù)以提高預(yù)測精度。這種動(dòng)態(tài)優(yōu)化方法可以有效地解決源-荷不確定性對系統(tǒng)的影響，提高系統(tǒng)的穩(wěn)定性和可再生能源的消費(fèi)水平。通過靈活調(diào)整各設(shè)備的輸出，提出的多時(shí)間尺度優(yōu)化操作方法能夠使系統(tǒng)運(yùn)行更加平穩(wěn)，提高系統(tǒng)的穩(wěn)定性和可再生能源的消納能力。

2" 源-荷功率預(yù)測下的儲(chǔ)能粒子群優(yōu)化模型構(gòu)建

2.1" 目標(biāo)函數(shù)及約束條件

基于上述算法原理，針對儲(chǔ)能動(dòng)態(tài)優(yōu)化配置，構(gòu)建數(shù)學(xué)模型。儲(chǔ)能系統(tǒng)動(dòng)態(tài)優(yōu)化的目標(biāo)函數(shù)是基于最小化功率波動(dòng)和儲(chǔ)能損失并滿足負(fù)荷需求而給出，也即功率波動(dòng)最小化、儲(chǔ)能損失最小化并滿足負(fù)荷需求。

1）功率波動(dòng)最小化：減少系統(tǒng)中不同能源之間的功率波動(dòng)，確保能量供需平衡。

2）儲(chǔ)能損失最小化：通過優(yōu)化充放電策略，降低儲(chǔ)能系統(tǒng)的能量損失，提高系統(tǒng)整體效率。

3）預(yù)測誤差最小化：減少由于風(fēng)光電力預(yù)測誤差帶來的不穩(wěn)定性，使得儲(chǔ)能系統(tǒng)能夠更好地適應(yīng)不確定性和變化。

基于此，定義目標(biāo)函數(shù)為

式中：ＰＥＳＳ（t）為t時(shí)刻儲(chǔ)能系統(tǒng)的充放電功率，Ｐwind（t）、Ｐsolar（t）分別為t時(shí)刻風(fēng)力發(fā)電單元、光伏發(fā)電單元的輸出功率，Ｐl(wèi)oad（t）為負(fù)荷需求，？琢、？茁、γ為權(quán)重系數(shù)，CＥＳＳ為儲(chǔ)能容量，ε（t）為預(yù)測功率與實(shí)際功率之間的誤差，代表了不確定性，Loss（t）為儲(chǔ)能損失功率。

對應(yīng)的約束條件主要考慮儲(chǔ)能系統(tǒng)容量限制、系統(tǒng)功率平衡、儲(chǔ)能充放電功率限制、儲(chǔ)能SOC（State of Charge， SOC）限制，具體如下：

式中：ＣＥＳＳ、Ｃreser？淄e、Ｃmax、ＣESS_max分別表示儲(chǔ)能系統(tǒng)容量、最低儲(chǔ)備容量、最大容量、最大功率。Ｐwind（t）、Ｐsolar（t）、ＰＥＳＳ（t）分別表示t時(shí)刻風(fēng)力發(fā)電、光伏發(fā)電及儲(chǔ)能系統(tǒng)的功率。SOC（t）、SOCmax、SOCmin分別表示t時(shí)刻儲(chǔ)能系統(tǒng)的SOC、SOC最大值、SOC最小值。

2.2" 基于PSO的儲(chǔ)能優(yōu)化配置

根據(jù)CNN-BiLSTM預(yù)測模型得到的實(shí)時(shí)功率預(yù)測數(shù)據(jù)，基于PSO實(shí)現(xiàn)儲(chǔ)能系統(tǒng)動(dòng)態(tài)優(yōu)化，以滿足目標(biāo)函數(shù)。PSO通過模擬鳥群覓食的過程，迭代更新每個(gè)粒子的位置，搜索最優(yōu)解。粒子的位置表示儲(chǔ)能容量和充放電策略，速度表示調(diào)整步長。每個(gè)粒子根據(jù)適應(yīng)度函數(shù)更新自身的位置和速度，最終找到最優(yōu)的儲(chǔ)能配置。

基于PSO的儲(chǔ)能優(yōu)化的主要步驟包括：

1）粒子表示：每個(gè)粒子表示一個(gè)儲(chǔ)能配置，包含儲(chǔ)能容量和在各時(shí)間步的充放電功率。由CNN-BiLSTM模型提供的風(fēng)力、光伏和負(fù)荷預(yù)測數(shù)據(jù)作為PSO優(yōu)化的輸入，粒子在每個(gè)時(shí)間步調(diào)整儲(chǔ)能充放電功率，依據(jù)預(yù)測的風(fēng)光負(fù)荷數(shù)據(jù)進(jìn)行優(yōu)化。

2）適應(yīng)度函數(shù)：每個(gè)粒子的適應(yīng)度函數(shù)用于衡量該配置的優(yōu)劣，也即目標(biāo)函數(shù)，具體如公式（1）所示。適應(yīng)度函數(shù)包含功率波動(dòng)最小化、儲(chǔ)能損失最小化和負(fù)荷需求。粒子群優(yōu)化（PSO）算法會(huì)根據(jù)這個(gè)適應(yīng)度函數(shù)來評估每一個(gè)粒子的優(yōu)劣。

3）粒子更新：粒子的位置表示儲(chǔ)能系統(tǒng)的充放電策略，速度表示粒子調(diào)整的步長，PSO更新參見公式（3）。

式中：？淄i（t）為粒子i在時(shí)間步t的速度，xi（t）為粒子的位置，pbesti為粒子個(gè)人歷史最優(yōu)位置，gbest為全局最優(yōu)位置，？棕為慣性權(quán)重，c1、c2為加速常數(shù)，r1、r2為隨機(jī)數(shù)。

每次更新粒子位置時(shí)，PSO通過不斷調(diào)整粒子的位置和速度，搜索最優(yōu)的儲(chǔ)能配置，使得目標(biāo)函數(shù)最小化，從而實(shí)現(xiàn)儲(chǔ)能系統(tǒng)的優(yōu)化。通過合理設(shè)置權(quán)重系數(shù)，PSO能夠在實(shí)際的微電網(wǎng)系統(tǒng)中，平衡功率波動(dòng)、儲(chǔ)能損失與預(yù)測誤差，最終找到一個(gè)既能滿足負(fù)荷需求又能提升系統(tǒng)穩(wěn)定性和能效的最優(yōu)儲(chǔ)能配置。PSO的全局最優(yōu)解代表了最佳的儲(chǔ)能充放電策略，實(shí)現(xiàn)功率平衡并最小化儲(chǔ)能損失，確保最大程度滿足適應(yīng)度函數(shù)。

3" 仿真驗(yàn)證

為了驗(yàn)證所提算法有效性，針對某基于CPSS的園區(qū)微電網(wǎng)，含風(fēng)力發(fā)電、光伏發(fā)電、儲(chǔ)能系統(tǒng)及園區(qū)負(fù)荷。其中，負(fù)荷功率最高為100 kW，風(fēng)電、光伏和儲(chǔ)能系統(tǒng)容量均為50 kWh。其中光伏單元在6：00-18：00進(jìn)行光伏發(fā)電輸出，其他時(shí)間光伏無功率輸出。利用所構(gòu)建的源-荷CNN-BiLSTM預(yù)測模型，利用滑動(dòng)窗口技術(shù)，實(shí)現(xiàn)了風(fēng)電、光伏、負(fù)荷功率的在線預(yù)測。

圖3展示了基于CNN-BiLSTM預(yù)測模型的典型數(shù)據(jù)下的全天源-荷功率預(yù)測結(jié)果，模型評價(jià)指標(biāo)分別為MSE=0.012 9，RMSE=0.113 4，MAE=0.103 3。因此，所設(shè)計(jì)功率預(yù)測模型精度較高。結(jié)合源-荷功率的歷史數(shù)據(jù)，并參考源-荷功率實(shí)時(shí)預(yù)測數(shù)據(jù)，利用PSO實(shí)現(xiàn)對儲(chǔ)能系統(tǒng)的優(yōu)化調(diào)度。參考源-荷功率預(yù)測與不考慮功率預(yù)測情況下的儲(chǔ)能優(yōu)化配置分別如圖4、圖5所示。

對比圖4、圖5可知，帶預(yù)測的優(yōu)化的最佳適應(yīng)度（Best Fitness）更低，說明帶預(yù)測的優(yōu)化效果相對更好，優(yōu)化結(jié)果越優(yōu)。因?yàn)橥ㄟ^利用預(yù)測模型來提前預(yù)估未來的功率需求和生成情況，優(yōu)化算法可以根據(jù)預(yù)測結(jié)果來調(diào)整儲(chǔ)能配置，避免過度依賴歷史數(shù)據(jù)或?qū)崟r(shí)數(shù)據(jù)的不確定性。如果沒有預(yù)測信息，直接使用歷史數(shù)據(jù)來做優(yōu)化，可能導(dǎo)致系統(tǒng)更依賴于過去的行為，而不能有效地應(yīng)對未來可能的變化。尤其在風(fēng)能和光伏等可再生能源的波動(dòng)較大的情況下，缺少預(yù)測可能導(dǎo)致儲(chǔ)能系統(tǒng)配置的效率較低，適應(yīng)度較高。因此，源-荷功率預(yù)測的引入應(yīng)該能夠提前預(yù)判負(fù)荷波動(dòng)，減少系統(tǒng)的不穩(wěn)定性，從而獲得更低的適應(yīng)度值，意味著更高效的優(yōu)化。

4" 結(jié)論

本文提出一種基于源-荷功率預(yù)測的微電網(wǎng)儲(chǔ)能優(yōu)化配置方法，結(jié)合改進(jìn)的CNN-BiLSTM深度學(xué)習(xí)算法對風(fēng)電、光伏和負(fù)荷進(jìn)行短期預(yù)測，并利用粒子群優(yōu)化算法（PSO）進(jìn)行儲(chǔ)能系統(tǒng)的配置優(yōu)化。結(jié)果表明，與傳統(tǒng)優(yōu)化方法相比，本文提出的基于深度學(xué)習(xí)與PSO的儲(chǔ)能動(dòng)態(tài)優(yōu)化方法，能夠根據(jù)實(shí)時(shí)預(yù)測的風(fēng)光發(fā)電和負(fù)荷數(shù)據(jù)動(dòng)態(tài)調(diào)整儲(chǔ)能配置，可顯著提高儲(chǔ)能容量配置的效率，平抑功率波動(dòng)并降低系統(tǒng)損耗，能夠?qū)崿F(xiàn)更高的靈活性與實(shí)時(shí)性，提升系統(tǒng)的穩(wěn)定性和經(jīng)濟(jì)性。

參考文獻(xiàn)：

[1] 高波，高明明，和紅梅，等.交流電壓分區(qū)協(xié)調(diào)控制方法的設(shè)計(jì)與仿真[J].計(jì)算機(jī)仿真，2023，40（5）：150-153，161.

[2] 王博，楊德友，蔡國偉.高比例新能源接入下電力系統(tǒng)慣量相關(guān)問題研究綜述[J].電網(wǎng)技術(shù)，2020，44（8）：2998-3007.

[3] 郝鵬，周文璐，王培璐.集中式儲(chǔ)能參與的微電網(wǎng)需求響應(yīng)研究[J].科技創(chuàng)新與應(yīng)用，2024，14（33）：38-42.

[4] 高波，李兆澤，王兵銳，等.基于泛在電力物聯(lián)網(wǎng)技術(shù)的智慧城市建設(shè)研究[J].科技創(chuàng)新與應(yīng)用，2022，12（34）：20-23.

[5] 周濤，賀偉，李會(huì)芳，等.新型電力系統(tǒng)下儲(chǔ)能輔助運(yùn)行與優(yōu)化配置研究綜述[J/OL].南京信息工程大學(xué)學(xué)報(bào)，1-25[2025-02-12].https：//doi.org/10.13878/j.cnki.jnuist.20241019001.

[6] 姚路錦.提升風(fēng)電有功支撐能力的源儲(chǔ)協(xié)同優(yōu)化控制研究[D].北京：華北電力大學(xué)（北京），2024.

[7] 楊澳.基于混合儲(chǔ)能系統(tǒng)微電網(wǎng)模型的容量配置及實(shí)時(shí)優(yōu)化調(diào)度研究[D].貴陽：貴州大學(xué)，2024.

[8] 楊歡紅，施穎，黃文燾，等.考慮實(shí)時(shí)需求側(cè)響應(yīng)的光儲(chǔ)充電站容量優(yōu)化配置方法[J].智慧電力，2023，51（7）：51-58.

[9] 師芊芊.計(jì)及復(fù)雜天氣條件的新能源功率預(yù)測及優(yōu)化配置研究[D].北京：北方工業(yè)大學(xué)，2024.

基金項(xiàng)目：國家級大學(xué)生創(chuàng)新創(chuàng)業(yè)項(xiàng)目（202310085006，202410085006）；河北省滄州市科技項(xiàng)目（222102001）；河北省高等學(xué)校科學(xué)研究項(xiàng)目（ZC2023092）

*通信作者：高波（1989-），男，碩士，講師。研究方向?yàn)槿斯ぶ悄芘c新能源發(fā)電技術(shù)。