基于遺傳算法的電池管理策略

趙向陽，王杏玄,，羅文

(1.北京航空航天大學自動化科學與電氣工程學院，北京100191；2.江西儀能新能源微電網協同創新有限公司，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.北京航空航天大學自動化科學與電氣工程學院，北京100191；2.江西儀能新能源微電網協同創新有限公司，江西 吉安343100)

電池儲能可提高風、光等可再生能源在微電網中的接入水平，常規研究只考慮了通過儲能控制微電網與配電網交互功率的波動性。研究含新能源發電的微電網與配電網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、初始荷電狀態與優化效果的問題，建立了在最大功率跟蹤風機出力情況下的交換功率最經濟模型。在求解算法方面，采用以自然選擇和遺傳理論為基礎的高效全局尋優搜索的遺傳算法，以電池充放電功率、荷電狀態和系統功率平衡為約束。最后針對風電和負荷波動的影響，經算例證明，以交互功率費用為目標經遺傳算法優化電池調度后，可在不影響其波動性的基礎上很大程度地提高交互功率的經濟性，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；電池管理；遺傳優化

0 引言

微電網一般由風力發電、太陽能發電等可再生能源發電和負荷、儲能裝置組成，可分為并網和孤島兩種運行模式。并網可在很大程度上保證微電網安全運行，但是其與配電網的交互功率通常有一定的約束限制。隨著微電網并網功率的增大，其交互功率的波動性將引起配電網的頻率穩定。不同時間尺度的功率波動由不同方式的儲能來消納，許多學者對交換功率的波動性進行了相關研究[1～4]。文獻[5] 立足于不同的實際電網情況研究了儲能系統參與電網調頻的工程應用。文獻[6]采用移動平均算法，在有效減少儲能使用次數的基礎上平滑了風電并網功率。對交換功率的經濟性進行研究的文獻[7]以交換功率與配電網的電價為目標函數，在討論預測值與實際值誤差的基礎上，指出通過調度電池充放電，仍然可以保持微電網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化效果影響。文獻[8]設置了不同容量的微電網，分別以單向購電、單向售電為目標進行優化，但是沒有將其與雙向購售電進行比較。大多數文獻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[9]利用直流電源、雙向的電池放電轉換器和電池荷電狀態制定電池的有序充電放電策略。文獻[10]在考慮電池壽命的基礎上避免過充過放，其對文獻[9]的電池有序充放電策略深入探討并建立了微電網導入功率、導出功率時各機組的優先級順序，但是文中僅對荷源動態變化后電池荷電狀態及相應電壓變化進行仿真，而沒有對提出的整體調度策略給出實際的仿真效果以及相應分析。智能算法[11～13]中粒子群算法和遺傳算法在組合問題中應用越來越多，得到學術界和工程界的廣泛關注。

本文在討論微電網余額功率(發電功率減負荷功率)的基礎上，主要研究通過控制起三次調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，以微電網與配電網交互功率的經濟性為目標進行優化，并對電池不同容量、不同初始電荷量的優化效果進行比較分析。

1 電池的管理策略

1.1 目標函數

(1)

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

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時段微電網的發電功率和負荷功率。

(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)荷電狀態的相關約束

(4)

(5)

(6)

式(4)反映了相鄰時段電池的荷電狀態關系；式(5～6)則反映在任何時段都要滿足其荷電狀態的約束，且本文假設蓄電池在一天中充放電功率平衡，即在每個調度周期的始、末時刻，蓄電池荷電狀態相等，以此來保證下一個調度周期內仍有相同規模的電池調度空間。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：微電網的發電功率與負荷功率之差：p=pgene-pload。

無電池作用時，微電網與配電網的交換功率pgrid與為余額功率p大小相等。

2 遺傳算法

組合優化問題的決策變量一般求解方法分為經典優化算法和新型智能優化算法。經典算法包括：優先順序法、動態規劃法、分支定界法等；近年來，一類基于生物學、人工智能的現代啟發式算法已經廣泛應用于組合優化問題、運輸問題、工程設計優化等領域[11～13]。目前流行的現代啟發式算法有：人工神經網絡、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。經典算法在高維問題時極其容易陷入維數災而導致計算速度較慢，而智能算法則能很好地克服傳統方法的局限性，通過構造出一些啟發式規則，并按照既定的方向優化，效果較好。

圖1 遺傳算法流程圖

GA模擬自然界生物進化過程，采用人工進化的方式對目標空間進行隨機優化搜索。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，對群體反復進行基于遺傳學的選擇、交叉、變異等操作，以適應度函數的優劣來控制搜索方向，同時以全局并行搜索的方式來搜索群體中的最優個體，以逐步收斂到最優解[13]。

3 基于GA的電池充放電策略求解流程

本文采用GA程序求解某調度日的電池充放電功率組合的染色體規模為N=50，未知量個數D=24，則一個染色體個體x即為規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，在原目標函數的基礎上，再增加對不可行解的懲罰將約束作為新的目標函數[14]；此外，本文把非染色體(電池荷電狀態hsoc及微電網與配電網交互功率pgrid)在適應度函數中用增加罰函數的方式加以約束，組成GA的適應度評價函數：

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。

遺傳算法用于優化電池的充放電策略的流程如圖2所示。

圖2 遺傳算法優化電池充放電策略調度流程圖

4 算例分析

4.1 系統介紹

假設微電網由風力發電和負荷組成[7]，功率分別如圖3～4所示，電池容量由調度策略制定(4.2節)，設定每個調度間隔Δt=60 min，一天共n=24個調度段。

設定微電網從配電網的購、售電價相等，配電網一天的電價如圖5所示，微電網余額功率如圖6所示。

圖3 微電網發電功率曲線

圖4 微電網的負荷功率曲線

圖5 配電網電價曲線

圖6 微電網余額功率曲線

4.2 調度目標及調度策略

以經濟性為目標，僅受電價刺激的電池充放電規律一般如下：

余額功率為正時，微電網售電：

(1)電價低時，電池充電甚至會充較多的電使hsoc(t)=hsoc,max，即將較少的余額功率在低電價時售給配電網；

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

余額功率為負，微電網購電：

(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時的比較，還在于正、負時的交叉比較。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。

根據本文微電網特點，設置不同電池容量Qmax及不同初始荷電量hsoc(1)的3種調度方案：

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 調度結果

(1)策略1的調度效果如圖7、8所示。

圖7 策略1的電池調度圖

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：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穩定的前提下，由于余額功率為負，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的調度效果如圖9、10所示。

(3)策略3的調度效果如圖11、12所示。

圖9 策略2的電池調度圖

圖10 策略2的電池hsoc圖

圖11 策略3的電池調度圖

圖12 策略3的電池hsoc圖

4.4 調度結果

三種不同策略的調度效果如表1所示。

表1 交互功率的不同調度策略效果對比

對實際管理中的電池而言，根據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，優化效果最好。

(1)相同電池容量下，最優解對電池初始荷電狀態的敏感性由策略2、3可見。

(2)相同電池初始荷電狀態下，最優解對電池容量的敏感性由策略1、3可見。

5 結論

儲能單元對于微電網的穩定運行發揮著重要作用。本文針對含風力發電場的微電網提出了基于遺傳算法優化儲能電池充放電的調度策略，建立了在最大功率跟蹤風機出力情況下微電網與配電網的交換功率最經濟模型。并以初始荷電狀態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節效果，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.蓄電池在智能微網中的應用研究[D].保定：華北電力大學,2012.

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

[3]張學清.風電預測、協同調度及電網電壓安全評估研究[D].濟南：山東大學,2013.

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

[5]李建林,楊水麗,高凱.大規模儲能系統輔助常規機組調頻技術分析[J].電力建設,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電波動率約束的電池儲能系統平滑風電出力控制策略[J]. 電力建設, 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.基于神經網絡的變壓器損耗計算方法[J].電力科學與工程,2015,31(1):44-48.

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

[13]趙向陽, 段江曼.微電網系統的調度策略及經濟運行優化研究[J].智能電網,2012,2(4): 99-107.

[14]余廷芳，林中達.部分解約束算法在機組負荷優化組合中的應用[J].中國電機工程學報,2009,29(2):107-112.

[15]劉繼春.電力調度優化理論及其應用[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。

科技部中小企業發展專項基金(SQ2013ZOC500004)。

趙向陽(1967-)，男，副教授，研究領域為微電網光伏發電及調度、電氣檢測及其信息技術，E-mail：kaileichen@163.com。

TM615

A

10.3969/j.issn.1672-0792.2015.07.002