基于負荷預測的儲能功率分配優化策略

高東學,李文啟,李程昊,2,高 澤,孟高軍

（1.國網河南省電力公司電力科學研究院，河南 鄭州450052；2.華中科技大學 電氣與電子工程學院，湖北武漢430074；3.南京工程學院 電力工程學院，江蘇 南京211167）

0 引言

功率平衡是電力系統穩定運行的基本要求。隨著電力系統負荷特性發生巨大的改變，電力系統中的峰谷差也日益擴大[1]，[2]。此外，源-荷之間短時間內的有功功率平衡也遭到破壞，系統短時的有功功率出現不平衡，造成系統頻率波動，影響電網的安全穩定[3]，[4]。隨著儲能技術的快速發展，儲能成為電網調峰、調頻的一個行之有效的手段[5]，[6]。

針對儲能參與電力系統調峰、調頻輔助服務等相關問題，國內外學者開展了廣泛而深入的研究。對于儲能控制策略的研究，文獻[7]針對儲能系統參與電網一次調頻，提出了一種自適應優化控制策略，在考慮儲能系統自身狀態的基礎上有效地滿足了儲能參與電網調頻的需求。文獻[8]以削峰填谷為目標，對儲能的充放電方式進行優化，制定了儲能參與電網調峰的充放電控制策略。在容量規劃配置方面，文獻[9]基于全壽命周期理論提出了一種以凈效益最大為目標的儲能二次調頻容量配置方法，提供了一種有效的儲能配置規劃方案。文獻[10]提出了一種用于松弛調峰瓶頸的儲能系統容量配置方法，為高滲透率新能源并網背景下的儲能容量配置提供了參考。

相較于大電網而言，儲能電站有限的容量可能無法同時充分滿足電力系統調峰、調頻需求。為此，本文提出了一種基于負荷預測的儲能電站調峰、調頻功率分配策略。通過引入遺傳算法，對BP神經網絡的權值與閾值進行優化，構建更為精確的電力負荷預測模型。基于負荷預測，綜合考慮儲能參與調峰、調頻輔助服務成本與收益，并結合儲能電站容量限制，提出一種儲能參與調頻、調峰的技術經濟模型，實現了儲能電站參與電力系統輔助服務的功率與容量的合理分配。

1 基于GA-BP神經網絡的負荷預測模型

1.1 BP神經網絡原理

（1）BP神經網絡基本結構

圖1 BP神經網絡基本結構Fig.1 Basic structure of BPneural network

BP神經網絡（圖1）是一種按誤差逆傳播算法訓練的多層前饋網絡，其神經網絡結構由輸入層、隱含層和輸出層3個部分組成[11]。

在BP神經網絡中，輸入層與輸出層節點個數可根據需求進行設置。假設輸入層神經元個數為M個，輸出層神經元個數為N個，則隱含層的神經元個數為

式中：L為[1，10]內的整數。

（2）BP神經網絡學習過程

BP神經算法的訓練過程由兩個學習過程組成。其中：正向傳播階段，將信息數據由BP神經網絡的輸入層輸入，經過隱含層處理，最終達到輸出層；若輸出數據不滿足期望要求，則進入反向傳播階段。將誤差反向向各層傳遞，隱含層與輸出層不斷調整相應權值與閾值，使輸出滿足要求[12]。

①正向數據傳播過程

根據BP神經網絡的設計，可以得到神經網絡每層的輸入與輸出。設輸入層的第i（i=1，2，···，M）個神經元節點的輸入為ti，則輸入層到隱含層節點j（j=1，2，···，8）的輸入nethj為

②反向誤差傳播過程

選取預測模型的輸出性能指標函數：

式中：dk為期望輸出值。

當預測期望輸出結果不滿足要求時，開始反向傳遞過程，修正各層之間的連接權值與隱含層、輸出層的閾值。

本文采用梯度下降法進行調整，按照輸出性能指標函數值對連接權值與閾值進行負方向搜索，使得預測輸出誤差逐步減小。

首先確定BP神經預測模型的全局誤差，假設BP神經網絡預測模型的訓練樣本數量為N，其表達式為隱含層與輸入層之間的連接權值修正表達式為

當連接權值與閾值調整完畢，BP神經網絡繼續開始傳播學習，通過輸出層輸出，直到神經網絡誤差滿足要求或者學習次數完畢，BP神經網絡預測模型算法結束，輸出最終的Yok。

1.2 遺傳算法優化BP神經網絡

在常規BP預測模型中，由于BP神經網絡各層之間的連接權值W和各層閾值B初始值的分配是隨機的，在BP神經網絡搜索的過程中具有很大的不確定性[13]，導致最后輸出結果偏差加大，負荷預測結果不準確，并且加大了預測模型的計算成本。本文采用GA算法對BP神經網絡中的缺陷進行優化，形成更為準確的GA-BP負荷預測模型。

其基本思路為用個體代替BP神經網絡中的初始權值W0與閾值B0，個體值初始化的BP神經網絡的預測誤差作為個體適應度值，然后通過選擇、交叉、變異操作尋找最優個體，即最優的BP神經網絡初始權值和閾值。

GA算法優化BP神經網絡基本流程如圖2所示。用GA算法優化所獲得的最優個體取代BP神經網絡訓練時隨機挑選的初始值，把它當作BP網絡訓練時新的權值和閾值。然后BP網絡再進行新一輪訓練，就可以得到最優結果。

圖2 GA算法優化BP神經網絡流程Fig.2 Optimization of BPnerve by GA algorithm

1.3 GA-BP負荷預測模型參數與結構設置

（1）GA-BP負荷預測模型拓撲確定

電力系統的負荷預測受到諸多因素的影響，根據統計分析，本文首先確定了BP神經網絡的輸入層為14個神經元，對應輸入包括所需預測時刻的連續前3 d相同時刻、前一時刻和后一時刻的負荷數據，此外還包括外部因素：預測時刻當天的最高溫度、最低溫度、平均溫度、降水概率以及節日類型[14]。輸出層設定為1個神經元節點，對應預測時刻的歸一化負荷值。

本文取L為4，根據式（1）取整數可得隱含層神經元個數為8。因此，可以得到BP神經負荷預測模型的基本結構為14-8-1。

（2）負荷預測相關數據的預處理

對于影響電力負荷預測的因素，無法直接對其進行比較，須預處理，使之能夠在GA-BP神經網絡輸入層中進行識別與處理。

在本文中，首先對外部因素進行預處理。依據歷史負荷數據，結合歷史氣候狀況、日類型等歷史影響數據，將各個特征外部影響因素進行歸一化處理，映射到特定數值空間中。其歸一化映射結果如表1所示。

表1 特征量映射表Table 1 Feature mapping table

然后對負荷歷史數據進行歸一化映射處理，將24 h分為24個時間段，每個時段為一類，對每一類數據都進行歸一化處理[15]。

式中：Ta為某時刻的歷史負荷數據；Tmin與Tmax分別為負荷在該時間區間段的最小值與最大值；T*為歸一化處理數據，當GA-BP神經網絡預測模型輸出結果后，再逆向還原得到預測時刻的負荷結果。

將負荷預測相關數據輸入至確定好拓撲結構的GA-BP神經網絡負荷預測模型中，通過GABP預測模型的自學習整定，輸出的結果Yok即為所預測時刻的負荷數據歸一化結果，將所有時刻的歸一化數據進行逆向還原，即可得到精確的日負荷曲線。

2 基于負荷預測結果的可優化儲能電站功率經濟分配模型

2.1 基于負荷預測結果的電力系統調峰、調頻需求計算

①系統日調峰需求

通過上節所建立的GA-BP神經網絡負荷預測模型，可以得到較為精準的負荷預測數據?；谪摵深A測數據，根據計算，可以得到預測當天的電力系統調峰需求量。其表達式為[16]

式中：Pmax，Pmin分別為預測當天的負荷峰、谷值。

②系統實時調頻需求

系統頻率變化的本質是系統有功功率不平衡導致的，系統調頻需求就是補償不平衡負荷的有功功率分量。

根據預測當年的負荷變化分量Pload、調頻機組發電計劃分量PG-plan以及聯絡線調節計劃分量Pline，可得到系統各時段的調頻需求[17]。

其中，基于負荷預測數據與歷史實際數據，可得預測當天的負荷變化分量Pload。

式中：ΔPload為負荷預測偏差，由歷史負荷實際數據與預測數據之差的平均值所得。

③儲能電站的功率調度分配

本文在考慮系統調峰需求與調頻需求的基礎上，充分考慮儲能電站的容量，引入了儲能電站調峰參與因子α與調頻參與因子β，對一個運行工作日內有限的儲能電站功率進行分配。其表達式為

式中：Pess為儲能電站功率容量；P1，P2分別為儲能電站所分配的可參與系統調峰、調頻功率容量。

2.2 基于負荷預測結果功率分配方案的經濟評估模型

對于1 d內的儲能電站功率容量具體分配方案，本文采用基于最優經濟效益的分配方案。即在計及儲能電站參與系統調峰、調頻成本與收益的基礎上，構建以儲能電站經濟收益最大為目標的經濟評估模型，對參與因子αi，βi進行優化求解，在最大程度上保證儲能電站的調度經濟性。

①調峰、調頻調度不足懲罰成本

因為對儲能電站的調峰、調頻功率容量進行了分配，可能會導致系統調峰、調頻容量不足的現象，因此引入懲罰系數。

式中：ppun1為調峰電量不足懲罰成本；Elack，1為按所分配功率容量下的儲能電站參與調峰對應不足電量；ppun2為調頻功率不足的懲罰成本；Plack，i為第i次調頻的缺額功率。

②儲能電站調頻、調峰收益

儲能電站的調頻收益來自儲能電站為電力系統提供有償的調頻服務。

式中：R1為儲能電站提供的調頻功率補償收益；R2為調頻電量效益；EAGC為單日調頻時間內的調頻電量。

儲能電站的調峰收益來自峰谷電價收益以及調峰收益。

式中：R3為調峰的電量補貼；Ereq為所采用的調峰功率αPreq條件下的日調峰電量；R4為電網日綜合差價，元/（MW·h）；η為能量轉換效率。

因此，儲能電站的經濟技術模型為

2.3 優化求解

采用粒子群算法以經濟收益最大化，即max（Rearn）為目標，對α，β進行最優化求解。其基本思想為設置一個由m個粒子組成的粒子群，將參與因子的數值當做搜索中的位置點，由每個粒子去搜尋儲能電站經濟最大化時的粒子位置，得出個體粒子最優點與全局最優點，更新搜索位置即可得出α，β的數值。

各部分功率約束條件為

式中：SOC（0）為儲能每時段的初始電量；P為該時段用于調峰、調頻所輸出的有功功率；Vess為端口輸出電壓；C為儲能電容值。

粒子群算法流程如圖3所示。

圖3 粒子群算法流程Fig.3 Particle swarm optimization process

具體過程如下：

①輸入儲能電站經濟技術模型的各個參數、等式和儲能容量限制約束不等式。隨機初始化粒子的位置αi，βi與速度v1i，v2i（速度為尋優步長與方向），設置迭代次數；

②開始粒子群算法迭代求解，計算各個粒子在不同位置的目標函數max（），尋出各個粒子搜尋的當前個體最優Pbest，對當前個體最優進行比較得到當前全局最優Gbest。目標函數最優即為約束條件下的當前粒子搜索得到的儲能電站最大調峰調頻模式選擇經濟收益；

③根據當前個體最優Pbest與全局最優Gbest更新粒子的速度與位置。判斷迭代是否結束，當迭代次數結束時，算法結束；若未結束，粒子繼續重復步驟②，③搜索。

通過粒子群算法可以得到預測當天的儲能電站功率分配管理方案。

3 仿真分析

以某地區的電網負荷數據為例，對該地的負荷進行預測。本文依托MATLAB仿真模型對所提負荷預測模型以及基于負荷預測的儲能電站功率經濟分配方案進行了驗證。

首先根據仿真，BP神經網絡預測模型與本文所提GA-BP神經網絡預測模型的預測結果與某1 d的實際值進行對比，結果如圖4、圖5所示。

由圖4可以看出，傳統的負荷預測模型與實際值相比具有較大的誤差，在負荷劇烈變動時，差異更為明顯。在圖5中，由于BP神經網絡的初值經過遺傳算法的優選，避免陷入局部最優，擴大了搜索空間，增加了全局最優值的獲取概率，其負荷預測精確度高。

圖4 BP神經網絡負荷預測模型預測值與實際值對比Fig.4 Comparison between predicted value and actual value of BPneural network load forecasting mode

圖5 GA-BP神經網絡負荷預測模型預測值與實際值對比Fig.5 Comparison between predicted value and actual value of GA-BPneural network load forecasting model

基于該地歷史數據，對該地進行連續20 d的日負荷預測，將本文所提經濟最優分配方案與常規容量等比分配方案收益進行仿真對比，見圖6。

圖6 常規分配方案與本文最優經濟方案收益對比Fig.6 Comparison of benefitsbetween conventional distribution scheme and optimal economic scheme in this paper

通過對比分析可知，在儲能電站容量有限的情況下，采用本文所提的基于負荷預測結果的經濟優化容量分配方案所獲得的收益高于等比分配方案。等比分配方案無法在輔助服務收益與運行成本之間進行優化決策，因此無法在每個時間段內得到儲能電站最優化收益結果，并且隨著時間的增加，按經濟最優分配方案與普通等比分配方案所獲得的收益逐漸拉大，顯示了本文所提優化方法在進行儲能電站功率容量分配的有效性，可在一定程度上保證儲能電站參與電力系統調峰、調頻輔助服務的調度經濟性。

4 結語

本文通過建立一種基于GA-BP神經網絡的負荷預測模型，為儲能參與調峰、調頻功率需求分配提供了參考依據。在此基礎上，結合儲能電站容量限制，提出了儲能電站參與電力系統調峰、調頻的參與因子功率分配策略。隨后，計及儲能電站調峰、調頻成本與收益，建立了基于所提分配策略的儲能參與調峰、調頻的經濟模型，并采用粒子群算法對其調峰、調頻參與因子進行最優化求解。最后，利用仿真軟件，驗證了所提功率分配策略的有效性。為未來儲能電站的經濟調度運行提供了參考。