基于智能微網的混合儲能配置方法

范宏，周獻遠

（上海電力學院電氣工程學院，上海 200090）

基于智能微網的混合儲能配置方法

范宏，周獻遠

（上海電力學院電氣工程學院，上海 200090）

由于能源危機和環境約束，智能微網越來越引起人們的關注。根據美國電力可靠性解決方案協會定義，微網是功率10 MW以下，由多種分布式發電單元、儲能單元、負荷及控制裝置組成的系統[1-2]。

針對微電源的隨機性和間歇性，微電源的結構優化及控制策略設計愈發重要。配置儲能裝置能夠有效提高可再生能源發電的可控性和可調度性[3-5]。采用小容量、長壽命、高功率比輔助大容量、相對循環次數受限、高相對能量比、低功率比的混合儲能環節，可對微網功率波動按時間特性進行分類補償，取得了大幅度優于單一儲能的系統性能和經濟性。

目前，混合儲能系統的研究主要集中在控制策略上，容量配置的相關研究較少。文獻[6]提出了綜合考慮各儲能元件（state of charge，SOC）狀態和蓄電池使用壽命的分布式電源控制策略，利用PSCAD/EMTDC仿真算例驗證了控制策略的合理性與有效性。文獻[7]依據風電波動特性區分混合儲能設備功率，在提高系統可靠性的同時延長了電池壽命。文獻[8]采用神經網絡策略完成儲能設備的協調配合，減少了儲能電池容量。文獻[9]著重闡述了傳統粒子群算法易出現的搜索能力不強、陷入局部最優和早熟收斂等問題。

本文通過對粒子群的研究，針對粒子群易出現的早熟和局部搜索能力不強的問題，提出了改進粒子群優化算法，并將其應用到光伏發電系統的儲能容量優化上。結果表明，利用改進后的粒子群優化，在收斂速度上明顯優于未改進的方法；并且在經濟性上取得了較低的成本投入，延長了儲能系統的使用壽命。

1 含光伏的混合儲能模型分析

圖1為基于蓄電池/超級電容的混合儲能的獨立光伏發電系統[10-11]。儲能系統在光伏發電并網中起到重要作用，可提供短時電能，抑制功率不穩定造成的波動，提高電能質量，在離網型光伏發電系統中可以有效提供負荷波動帶來的功率缺額，同時在系統處于不發電狀態下也能對重要負荷提供一定時間的電力支持。本文對系統各個環節建立模型，見圖1。

圖1 含光伏的微網系統結構圖Fig.1 Structure of microgrid with photovoltaic system

1.1 光伏電池陣列模型

光伏電池等效數學模型為

式中：Vm、Im、Voc、Isc分別為標準參考條件下的最大功率點的電壓、最大功率點的電流、開路電壓和短路電流；Sref、Tref分別為標準測試下的參考光照強度和參考溫度，其值分別為1 000 W/m2、25 ℃；ΔS、ΔT、D1、Φ為中間量；a、b為無量綱補償系數，其值分別為0.005 4，0.21；RS為串聯電阻。

1.2 儲能裝置模型

1.2.1 蓄電池模型

基本的蓄電池模型如圖2所示，該模型結構簡單，由一個理想電壓源和一個等效內阻串聯組成。由歐姆定律可得流過電池的電流，考慮到荷電狀態、電解液等因素的變化對內阻的影響，因此精度不高。本文研究的重點不在于電池的建模上，因此以基本模型進行建模。

1.2.2 超級電容器模型

超級電容器是一種復雜的電容網絡，每一支路都具有各自的電阻以及相應的特性時間常數。這就使得存儲的能量與荷電狀態、電壓等級、放置時間甚至放電電流的大小有關。本文采用經典的RC模型，如圖3所示，等效串聯電阻ESR一般很小，在電容的充放電過程中會產生能量損耗，一般以熱量的形式表現出來；等效并聯電阻EPR反映超級電容的漏電特性，一般很大，故通過的電流很小。在實際應用中，由于超級電容一般處于快速和頻繁的充放電狀態，EPR在實際中可以忽略。所以可簡化為電容C和電阻R的串聯模型，如圖4所示。

圖2 基本的蓄電池模型Fig.2 Basic battery model

圖3 經典RC超級電容模型Fig.3 Classic RC super capacitor model

圖4 簡化的超級電容模型Fig.4 A simplified model of super capacitor

2 基于智能微網的儲能容量優化配置

2.1 基本粒子群算法

粒子群優化算法中，每個優化問題的解被看作是搜索空間中的一個粒子，所有的粒子都有一個適應度值，這個適應度值由優化目標函數決定。每個粒子還有一個速度決定他們飛行的方向和距離?；镜乃惴擅枋鰹閇12-13]：粒子的種群規模為N，其中的粒子個體i在飛行過程中主要有在第k次迭代過程中個體尋找到的個體最優值pbest以及整個群體在當前時刻找到的群體中的最優值gbest，速度和位置的更新方程為

2.2 改進粒子群算法

基本的粒子群算法收斂速度很快，但與其他進化算法一樣，易陷入局部最優，因此必須對原有算法作適當的改進，以避免這種收斂“早熟”，求得全局最優解。改進算法中粒子根據式來更新自己的速度：

式中：wmax、wmin分別為w的最大值和最小值，一般將其分別設置為0.9和0.4；stmax、st分別為最大迭代次數和當前迭代次數。開始W較大，能提高全局搜索能力，到后面收斂到一定區域時，需要在局部區域有更高的搜索精度，隨著迭代次數的增加，w越來越小，可以滿足搜索需要。

2.3 目標函數與約束條件

無論是獨立的光伏系統、獨立的風力系統還是二者的互補發電系統，配置混合儲能系統的最終目的都是為了提高系統的供電可靠性和系統的穩定性[14-17]。配置的儲能容量越大供電可靠性越高，由于當前的儲能裝置費用還比較高，在配置儲能裝置時要考慮系統的經濟成本。單純的考慮系統的一次性投資不能完整體現出整個系統在運行過程中的費用，因此有必要考慮系統的運行維護費用、折舊費用及裝置損壞后的更換費用。這樣，增加了計算的復雜程度，因此在綜合考慮的基礎上將所有的費用折算成一種總費用。由于系統在運行中存在個別單體損壞的可能性，設置單體損壞的百分數都為2%，目標函數表達式：

式中：nb、nc分別為蓄電池和超級電容的單體的個數；Prb、Prc分別為蓄電池和超級電容單體的價格；mb、mc分別為蓄電池和超級電容的系統的維護系數；Eb、Ec分別為蓄電池和超級電容的儲能容量分別為平均盈余容量、尖峰功率；Pb、Pc分別為蓄電池和超級電容部分釋放的功率。

2.4 粒子群優化算法的步驟

一般粒子群的優化步驟主要為[16-17]：

1）初始化粒子群，包括粒子群規模，學習因子，最大迭代次數或者收斂精度，粒子的初始速度和初始位置，以及粒子的最大速度和最小速度。

2）確定粒子種群的評價標準，計算粒子種群的適應度值。

3）計算粒子個體的當前適應度值，并與粒子所記錄的歷史最好的個體適應度值進行比較，如果當前適應度值優于歷史記錄值，則更新個體適應度值，否則保持歷史最好個體適應度值。

4）根據粒子個體最新的適應度值，將該值與整個種群的歷史最優適應值進行比較，如果個體最新適應值優于種群歷史最優值，則更新種群的最優適應值，否則保持種群最優值不變。

5）按照速度和位置的計算公式，對粒子的速度和位置更新。

6）確定更新后的適應度值是否滿足了設定的收斂精度要求，或者迭代的次數是否達到了設定的最大次數，如果滿足其中的一個則終止計算，輸出最后的結果；否則跳到第二步繼續運行，直到達到設定的終止條件結束運行。

3 算例分析

根據粒子群優化方法，以南京地區2011年的光照、溫度及平均日照小時數等數據為例，以光伏組成的發電系統為優化對象，以容量、功率等約束條件，系統的經濟最優目標為優化目標，通過合理的配置系統的儲能容量數量以達到經濟投資最優。相關數據參照中國氣象科學數據共享網及軟件提供的一些參考信息，同時使用Matlab軟件對相關數據進行編程處理，使用Homer軟件對相關數據進行離散。圖5、圖6分別為全年日不同大小負荷的分布圖、系統電柱狀圖。

粒子群的具體參數：粒子群規模為50，進化代數為200，罰函數因子為1 000，采用變權重系數的優化算法，最大權重為0.9，最小為0.4，學習因子都設為2，與固定權重系數算法的結果進行比較，代入相關數據，并利用標準的粒子群和改進的粒子群進行優化。優化的結果為：結果的前2個分別為所需的蓄電池和超級電容的個數，最后1個為最優適應度值，即文中的最小費用。適應度值的變化圖形如圖7所示。

圖5 全年日不同大小負荷的分布圖Fig.5 Distribution map of different sizes of loads for the whole year

圖6 系統電量柱狀圖Fig.6 System energy histogram

圖7 不同粒子群算法尋優結果對比圖Fig.7 Comparison of the results of different particle swarm optimization algorithms

變權重系數的結果為

固定權重系數的結果為

由最終的結果和曲線圖（見圖7）可知：由于改進權重的方法在每次運算的時候都需要進行權重的加減乘除運算，增加了系統的開銷時間，固定權重系數執行時間略短。變權重法收斂的更快，大概80，而固定權重法需要150代左右才能穩定。同時在經濟性上取得了較低的成本投入，可以為最終系統的容量配置提供較好的參考。

4 結語

本文對光伏電池、儲能模型進行闡述，以南京地區2011年的光照、溫度及平均日照時數為參考數據、含光伏的發電系統為優化對象。通過對粒子群研究，以容量、功率為約束條件，系統經濟最優為目標，利用改進后的粒子群優化算法，其在收斂速度上明顯優于未改進的方法，取得了預定的效果，并在經濟性上取得了較低的成本投入，同時，可以為最終系統的容量配置提供較好的參考，延長了儲能系統的使用壽命。對未來新能源技術的發展探索與有著一定的借鑒意義。

[1]黃偉，孫昶輝，吳子平，等.含分布式發電系統的微網技術研究綜述[J].電網技術，2009，33（9）：14-18.HUANG Wei，SUN Changhui，WU Ziping，et al.A review on microgrid technology containing distributed generation system[J].Power System Technology，2009，33（9）：14-18.

[2]楊仁花，黃偉，關麗，等.微網結構和運行控制[J].電網與清潔能源，2010，26（1）：48-55.YANG Renhua，HUANG Wei，GUAN Li，et al.Structure and operation control of microgrid[J].Power System and Clean Energy，2010，26（1）：48-55.

[3]張翼.電力儲能技術發展和應用[J].江蘇電機工程，2012，31（4）：81-84.ZHANG Yi.Development and application of power storage technology[J].Jiangsu Electrical Engineering，2012，31（4）：81-84.

[4]李凡，李嘉俊，李倩.基于混合儲能的并網光伏發電系統功率控制研究[J].電力與能源，2013，34（6）：557-561.LI Fan，LI Jiajun，LI Qian.Power control of gridconnected photovoltaic power generation system based on hybrid energy storage[J].Power&Energy，2013，34（6）：557-561.

[5]張衛東，劉祖明，申蘭先.利用儲能平抑波動的光伏柔性并網研究[J].電力系統自動化設備，2013，33（5）：106-111.ZHANG Weidong，LIU Zuming，SHEN Lanxian.Research on photovoltaic flexible grid by using energy storage to compress fluctuations[J].Electric Power Automation Equipment，2013，33（5）：106-111.

[6]燕躍豪，鮑薇，李光輝，等.基于混合儲能的可調度型分布式電源控制策略[J].華北電力大學學報，2014，41（2）：28-35.YAN Yuehao，BAO Wei，LI Guanghui，et al.Control strategy of dispatchable distributed generation[J].Journal of North China Electric Power University，2014，41（2）：28-35.

[7]ABBEY C，STRUNG K，BOOS G.A knowledge-based approach for control of two-level energy storage for wind energy systems[J].IEEE Tran son Energy Conversion，2009，2（24）：539-547.

[8]侯世英，房勇，孫韜，等.混合儲能系統在獨立光伏發電系統功率平衡中的應用[J].電網技術，2011，35（5）：183-187.HOU Shiying，FANG Yong，SUN Tao，et al.Application of hybrid energy storage system in power balance of standalone photovoltaic power system[J].Power System Technology，2011，35（5）：183-187.

[9]DEL VALLE Y，VENAYAGAMOORTHY G K，MOHAGHEGHI S，et al.Particle swarm optimization：basic concepts，variants and applications in power systems[J].IEEE Trans on Evolutionary Computation，2008，12（2）：171-195.

[10]李春華，朱新堅.基于混合儲能的光伏微網動態建模與仿真[J].電網技術，2013，37（1）：39-46.LIChunhua， ZHU Xinjian.Dynamicmodelingand simulation of hybrid energy storage-based photovoltaic microgrid[J].Power System Technology，2013，37（1）：39-46.

[11]黃宇淇，方賓義，孫錦楓.飛輪儲能系統應用于微網的仿真研究[J].電力系統保護與控制，2011，39（9）：83-88.HUANG Yuqi，FANG Binyi，SUN Jingfeng.Simulation research on the microgrid with flywheel energy storage system[J].Power System Protection and Control，2011，39（9）：83-88.

[12]陳紹新.多目標優化的粒子群算法及其應用研究[D].大連：大連理工大學，2007.

[13]居鳳霞.粒子群優化算法的改進及應用[D].廣州：華南理工大學，2014.

[14]劉夢璇，王成山，郭力，等.基于多目標的獨立微電網優化設計方法[J].電力系統自動化，2012，36（17）：34-39.LIU Mengxuan，WANG Chengshan，GUO Li，et al.Independent microgrid optimization design method based on multi-objectives[J].Automation of Electric Power Systems，2012，36（17）：34-39.

[15]楊珺，張建成，周陽，等.針對獨立風光發電中混合儲能容量優化配置研究[J].電力系統保護與控制，2013，（4）：38-44.YANG Jun，ZHANG Jiancheng，ZHOU Yang， et al.Research on capacity optimization of hybrid energy storage system in stand-alone wind/PV power generation system[J].Power System Protection and Control，2013，41（4），38-44.

[16]馬速良，馬會萌，蔣小平，等.基于Bloch球面的量子遺傳算法的混合儲能系統容量配置[J].中國電機工程學報，2015，35（3）：592-599.MA Suliang， MA Huimeng， JIANG Xiaoping， et al.Capacity configuration of the hybrid energy storage system based on bloch spherical quantum genetic algorithm[J].Proceedings of the CSEE，2015，35（3）：592-599.

[17]TELEKE S，ALDEBARAN M E，HUANG A Q，et al.Control strategies for battery energy storage for wind farm dispatching[J].IEEE Trans on Energy Conversion，2009，24（3）：725-732.

Hybrid Energy Storage Allocation Method Based on Smart Microgrid

FAN Hong，ZHOU Xianyuan
（School of Electrical Engineering，Shanghai University of Electric Power，Shanghai 200090，China）

The capacity configuration of smart microgrid is directly related to its power quality and economy.Considering the randomness of solar power generation，through the research on particle swarm，a hybrid energy storage allocation method based on smart microgrid is proposed in this paper and the method is applied to solve the optimization of storage system.The results show that the improved particle swarm optimization is better than the non-modified method in the speed of convergence and helps to reduce the cost and investment and prolongs the life the storage system.

smart microgrid； photovoltaic power system；hybrid energy storage；capacity optimization of energy storage system；improved PSO algorithm

智能微網的容量配置問題直接關系其電能質量和經濟性?？紤]到光伏發電系統的隨機性，通過對粒子群進行研究，提出了基于智能微網的混合儲能配置方法，并將其應用到儲能容量優化上。結果表明，利用改進粒子群優化算法，收斂速度上明顯優于未改進的方法，并在經濟性上取得了較低的成本投入，延長了儲能系統的使用壽命。

智能微網；光伏發電系統；混合儲能；儲能容量優化；改進粒子群優化算法

1674-3814（2017）09-0099-05

TM734

A

國家自然科學基金資助項目（51307104）。

Project Supported by the National Natural Science Foundation of China（51307104）.

2017-01-03。

范 宏（1978—），女，博士，副教授，主要研究方向為電力系統優化運行、電力系統規劃；

周獻遠（1991—），男，碩士研究生，研究方向為光伏并網對電能質量的影響了、電力系統實時仿真。

（編輯 董小兵）