基于PSO-BP神經網絡的儲能裝置實時容量識別與實現

呂磊 王紅蕾

摘 ?要： 微電網下新能源的使用促使了人們對能量優化調度的研究，儲能裝置是其中的關鍵一部分，準確識別其存儲容量是實現微電網電力優化調度的任務之一。為實現對微電網下儲能裝置的實時容量在線識別，利用BP神經網絡結構建立了儲能裝置容量識別模型，并引入了優化的粒子群算法PSO，實現了儲能裝置的實時容量在線識別。通過對比傳統的BP神經網絡識別結果，采用PSO?BP神經網絡識別模型的容量誤差在0.3%～2.4%之間，傳統的BP神經網絡誤差范圍為1.0%～21%，表明采用PSO?BP神經網絡識別模型明顯優于傳統的BP神經網絡識別模型。

關鍵詞： 容量識別; 儲能裝置; 識別建模; BP神經網絡; 粒子群算法; 在線識別

中圖分類號： TN711?34; TM912 ? ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）12?0069?05

Abstract： The use of new energy under the micro?grid has prompted the research on energy optimal scheduling. The energy storage device is the key part， and the accurate identification of its storage capacity is one of the tasks to realize the optimal dispatching of micro?grid power. The capacity identification model of energy storage device is established by means of the structure of BP neural network， so as to realize the on?line identification of the real?time capacity of energy storage device under the microgrid; and the optimized particle swarm optimization （PSO） algorithm is introduced to realize the on?line identification of the real?time capacity of energy storage device. In comparison with the recognition results of traditional BP neural network， the capacity error of the recognition model based on PSO?BP neural network is 0.5%～13%， and the error range of the traditional BP neural network is 1.0%～21%. The recognition model using PSO?BP neural network is obviously better than that of the traditional BP neural network recognition model.

Keywords： capacity identification; energy storage device; identification modeling; BP neural network; particle swarm optimization; on?line identification

0 ?引 ?言

新能源作為未來發電的重要部分，在減少環境污染方面具有重大影響，而儲能裝置作為新能源發電必不可少的組成部分，在提高電能質量、維護系統穩定性、電源應急備用、提高經濟效益等方面發揮了不可或缺的作用[1]。對儲能裝置進行容量識別，對微電網的能量管理與調度極具實質意義，鑒于這一技術的重要作用，儲能裝置的容量識別得到了廣泛的關注。因BP神經網絡的結構簡單，可調的參數多，可操作性好，故采用BP神經網絡構建儲能裝置的實時容量識別模型是一種簡便可行的方法。文中識別的儲能裝置是基于磷酸鐵鋰電池組和鉛炭電池組的，由于電池組的容量與電池組的充電和放電電流、兩端電壓、工作溫度和電池組循環次數有關，而且電池內部復雜的物理和化學機制使得難以獲得精確的數學模型，這就造成了難以準確識別儲能裝置容量值的一個現實問題。為此，文中介紹了一種以神經網絡為代表的智能算法，用于識別儲能裝置的容量[2]，并建立了基于優化粒子群算法的改進BP神經網絡識別模型，通過實現對儲能裝置容量的識別、對提高微電網的可再生能源的利用效率，以及對微電網的電力調度和需求側管理具有重要的意義。

1 ?微電網網源荷能量優化調度簡介

實現微電網下對清潔能源的有效利用以及源網荷能量優化調度，除了柔性接入各種不同的集中式清潔能源、儲能裝置以及電動汽車充放電裝置以外，還需從儲能裝置的經濟優化調度、削峰填谷的優化調度和多饋線互聯經濟運行三個角度進行深入分析。具體來說，微電網下網源荷能量的優化調度，首先要滿足電能的要求，需要滿足電能提供的連續可靠以及保證電能的質量與安全，在此前提下，對源網荷進行資源優化配置，并在調度服務和時空規模上執行多維協調和交互，以實現配電網高效運行。微電網系統源網荷能量優化調度方法可以根據分布式電源、微電網、儲能裝置、可控負荷等調度對象的分布，構建“微電網功率平滑?配電區能量平衡?配電網能源優化”配電網調度模型，構建“原地自治?部分平衡?區域協調?整體消納”的調度機制。基于此，對儲能裝置的容量識別是實現微電網下能量優化調度的一個關鍵研究部分。城市柔性互聯配電系統結構如圖1所示，由端口I～IV構成五端系統，中間包含交流配電網部分（端口I～Ⅲ與節點①～③之間）、直流配電中心部分（節點①～⑤之間）、交流微電網部分（節點④與端口IV之間）、直流微電網部分（節點⑤與端口V之間）。

2 ?BP神經網絡在儲能裝置容量識別模型上的改進

2.1 ?儲能裝置容量識別模型的建立

本文研究的儲能裝置主要基于電池組，一般來說電池的性能將會對識別結果產生影響。通常，估計電池性能用得最多的是數學建模方法，但是數學模型的搭建直接受電池內部所發生反應的影響，這種影響的本質特征是反應時的物理化學規律。這一過程用到了大量的假設條件和經驗參數，估計精度是有限的，并且模型的表達式是多參數的偏微分方程組，方案解決過程非常麻煩，只能解決一些簡單的問題[3]。而對于實際工作狀態下的電池組，其內部反應十分復雜，顯而易見，這種方法一般來說無法滿足實際的需要。為了避開電池組內部的復雜性， 一種實用和方便的方法應運而生，利用BP神經網絡對電池組建模，也即是對儲能裝置的建模，并利用此模型結合常用的神經網絡算法，對處于充放電工況下的儲能裝置進行容量識別。

BP神經網絡是一種具有信號前向傳輸和誤差反向傳播的多層前饋神經網絡[4]。儲能裝置容量識別屬于模式識別問題，三層網絡結構就可以解決。容量識別結果的影響因素很多，BP神經網絡的網絡節點數可以根據實驗結果來進行調整，增加輸入層節點數，即考慮較多的因素，并不能提高神經網絡的識別精度，反而增加了學習時間。例如電池的老化程度，這些參數的獲取很困難，它們對電池容量的識別影響程度有限，經過以上考慮，最終選擇了電池組的電流與電壓作為輸入;電池組容量作為輸出;隱含層根據經驗公式：

將得到的電流、電壓數據通過輸入層傳輸到隱含層中的每個神經元，中間層處理和轉換每組數據，由最后一個隱含層神經元傳遞到輸出層，這是一次正向的學習過程; 當實際輸出容量值與預期容量值不匹配時，誤差根據梯度下降方法由輸出層反向傳播給隱含層和輸入層。兩個過程不斷重復的運行，使得神經網絡的權值和閾值得到連續調整，直到為允許的誤差范圍或設定的次數為止。

2.2 ?PSO?BP神經網絡識別模型的改進

考慮到電池組在充放電過程中，儲能裝置電池組自身溫度（T）的影響，PSO?BP神經網絡識別模型加入了影響電池組容量值的溫度參數。鑒于BP神經網絡識別模型利用優化的粒子群算法，利用較少的樣本就能達到期望的結果[5]。考慮溫度參數并不會增加多少學習時間，為此將電壓、電流、溫度三個參數作為輸入，容量值作為輸出，以提高模型的識別精確度。PSO?BP神經網絡識別儲能裝置容量值的拓撲結構圖如圖3所示。

2.3 ?樣本選取及仿真測試結果

所得的電壓、電流、容量數據是從學校與貴州電網公司所合作的項目——“城市配電網柔性互聯關鍵設備及技術的研究工程”配電中心處獲取的，時間為2019年1月。對所得的數據經過處理后，選取40組為訓練樣本，15組為測試樣本，如表1、表2所示。溫度數據充放電情況下基本不變，為13 ℃左右。

BP神經網絡的訓練與測試利用Matlab來完成，將表1、表2的數據輸入到網絡中，使用LM算法進行訓練與測試，仿真結果如圖4～圖6所示。

從仿真結果來看，BP神經網絡雖然具有一定程度的擬合能力，但是不可否認的是識別結果精度有限，達不到預期要求。從圖中可以看到識別結果大都在誤差允許的范圍內，但是個別預測誤差較大。通過分析，影響誤差精度的因素較多，參數的設置、樣本的選取及樣本數量等都會對結果產生較大影響。這些都可以通過外部的努力來彌補，最主要的是網絡訓練中的初始權值和閾值是隨機產生的，它對訓練的模型精度具有較大影響。為了提高BP神經網絡的識別精度，將重點考慮權重和閾值的影響，對權重和閾值進行不斷優化，可以顯著提高識別精度。針對這樣的特點，通過粒子群優化算法改進了BP神經網絡。

3 ?優化的PSO?BP神經網絡在儲能裝置實時容量識別中的實現

3.1 ?優化網絡權重和閾值的粒子群算法

粒子群算法（Particle Swarm Optimization， PSO）最早是由Eberhart和Kennedy于1995年提出[6]，它的基本概念源于對鳥群覓食行為的研究，PSO算法受這種生物種群行為的啟發，以用來解決優化問題。在PSO中，每個粒子都代表問題的一個解，對應一個適應度值。粒子速度決定粒子運動的距離和方向，并且通過自身和其他粒子的運動而動態調整，從而實現個體在可解空間中的優化過程。

采用PSO算法的過程首先將BP神經網絡正向學習后得到的容量輸出與期望容量輸出的誤差，通過PSO算法先進行初始化以找到個體極值和群體極值，即在BP神經網絡中尋找權重和閾值;然后更新速度和位置，并在計算適應度后更新原始的個體極值和群體極值;最后將獲得的最優神經網絡權重和閾值送入BP神經網絡中驗證[7?8]。

假設粒子群群體X=（X1，X2，…，Xn）由n個粒子組成，通常粒子的維數為Q，使得在群體中存在n個粒子，每個粒子是Q維的，由n個粒子組成的群體搜索Q個維度（即每個粒子的維數）。每個粒子表示為Xi=（Xi1，Xi2，…，XiQ），在Q維搜索空間中表示第i個粒子的位置，也代表問題的一個潛在解。根據目標函數，可以計算與每個粒子位置Xi對應的適應度值[9]。對應于每個粒子的速度可以表示為Vi=（Vi1，Vi2，…，ViQ），每個粒子在搜索時應考慮兩個因素：

式中：ω是保持原始速度的系數，稱為慣性權重;d=1，2，…，D;i=1，2，…，n;k為當前迭代次數;vid為粒子的速度;c1是跟蹤其自身歷史最優值的粒子權重系數，它代表粒子自身的認知，稱為加速度因子，通常設為2;c2是粒子跟蹤群體最優值的權重系數，它表示粒子對整個群體知識的認知，稱為加速度因子，通常設為2;ξ和η是[0，1]區間內均勻分布的隨機數[11]。

3.2 ?粒子群優化后的網絡模型仿真結果