能源區塊鏈環境下基于BAS-PSO 的風儲聯合系統經濟效應價值分析模型研究

劉吉成，鄭文青，王慧慧

（1.華北電力大學經濟與管理學院，北京 102206；2.新能源電力與低碳發展研究北京市重點實驗室（華北電力大學），北京 102206；3.同方知網（北京）技術有限公司，北京 100192）

隨著經濟的快速發展，電網用電負荷日益增長導致電網調度受到了極大的沖擊［1-3］，發展可再生能源迫在眉睫。其中，以風電為代表的清潔能源因其清潔無污染、技術成本低等特點在中國得到快速發展。然而由于風力發電的波動性與隨機性等問題［4］，能源利用率已成為發展風電的主要挑戰，在此背景下基于能源區塊鏈和儲能的風儲系統應運而生。能源區塊鏈以其特殊的去中心化結構和共識機制，在深度融合其他數字技術的基礎上實現多能源主體的協同合作，提高能源利用率，而利用儲能裝置可以有效減少由風力發電造成的多種擾動［5］。但是，當前風儲系統大規模應用時十分容易受到系統運行成本的制約［6］。因此，為了提高能源利用效率、達到最優的系統經濟效應，將能源區塊鏈和儲能引入風電系統并探究能源區塊鏈環境下風儲聯合系統的經濟效應價值分析尤為重要。

開展風儲聯合系統經濟效應的價值分析研究，可以為提升系統整體的經濟價值提供理論依據。然而關于風儲聯合系統的研究大多集中在促進風電并網的積極意義上［7］，而對經濟效應的研究主要集中在三個層面。首先，在風儲系統構建的基礎上，研究系統收益對不同風儲系統經濟性因素的敏感程度。鑒于此王剛等［8］構建了含有多種資源的園區綜合能源系統優化調度模型，分析天然氣價格的變動與系統收益間的內在關系。李廣洋等［9］則以新能源補貼退坡及建設配套儲能系統為研究對象，分析項目的收益率與選取的項目造價、年有效利用小時數等變量之間的關系；其次，提升風儲系統的經濟效應更多涉及到儲能容量配置，因此更多學者從優化儲能容量配置的角度，尋求提升系統經濟效應的模式。俞曉冬等［10］分別從電網側、可再生能源側以及用戶側角度出發，構建滿足不同目標的儲能容量配置模型。沈子奇等［11］在原有蓄電池壽命模型的目標中計入儲能電池更換成本；最后，智能算法的學習能力與自適應性對風儲聯合系統運行的優化效果顯著，部分學者在儲能容量配置的基礎上結合智能算法優化系統運行結果，提升系統效益。夏新茂等［12］采用改進型量子遺傳算法，以內點法將約束問題轉化為非約束問題，提高全局尋優能力,降低儲能系統經濟性成本。Yang 等［13］利用基于分層排序方法的改進蟻群算法，尋找儲能容量目標函數下的最優解。

綜上，學者們從風儲系統經濟效應的影響因素分析到風儲系統的系統優化層層深入地進行了研究，但更多的是對風儲系統的經濟效應影響因素和容量配置進行研究，而風儲系統經濟效應研究與智能算法、信息技術的結合還處于起步階段。這是因為目前風儲聯合系統經濟效應的研究大多受限于傳統的電力系統環境中。

隨著互聯網和數字技術的發展，風儲聯合系統與數字化、信息化的結合越來越密切，數據資產和新型電力系統結構成為風電產業炙手可熱的新發展優勢，因此影響系統經濟效應的關鍵因素逐漸發生變化。其中，以融合其他多種信息技術為特點的能源區塊鏈近年來逐漸被風電產業所認可，其信息安全技術、能量控制管理等方面的設計，推動了風儲聯合系統的結構化改革，促進了能源主體一體化的自治生態模式發展。楊錫運等［14］基于異構能源區塊鏈的結構模式設計了一種綜合能源系統交易模型，利用智能合約建立了基于價格約束的匹配拍賣機制，保障了清潔能源用戶的供能優先級和交易的可靠性。朱西平等［15］研究了區塊鏈視角下各能源主體的儲能優化配置模型，通過配置合適的儲能系統盡可能地實現自給自足。通過在電力系統中的不同實踐，證實了能源區塊鏈下的風儲聯合系統可以有效解決傳統集中資源配置帶來的效率低下、隱私安全等問題。通過算法優化經濟效應價值分析模型是十分必要的，但是許多智能算法在計算效率和適用性上存在一定的局限，有待進一步改進。

因此，本文充分考慮電力系統發展的信息化趨勢，在考慮結合信息化技術與智能算法的基礎上，提出一種能源區塊鏈環境下基于BAS-PSO 的風儲聯合系統經濟效應價值分析模型。首先，在對能源區塊鏈及風儲聯合系統進行論述的基礎上構建能源區塊鏈環境下的風儲聯合系統及運行模型。然后，從風儲聯合系統的經濟性角度出發，以系統運行收益為目標，考慮電池損耗對系統的影響，提出了風儲聯合系統經濟效應價值分析模型。同時，選擇粒子群算法（particle swarm optimization,PSO）與天牛須搜索算法(beetle antennae search,BAS)混合的BASPSO 組合算法優化系統運行過程，計算出風儲系統在考慮和未考慮電池損耗成本情況下的系統收益和損耗成本。通過運行方式對比分析和敏感性分析，驗證模型的有效性，以期為風儲聯合系統的經濟效應價值分析研究作出理論與實踐貢獻。

1 能源區塊鏈環境下的風儲聯合系統

1.1 能源區塊鏈背景

隨著新一代信息技術的發展和應用，區塊鏈作為一種新型數據結構形式于2008 年被正式提出［16］，區塊鏈可以通過去中心化和去信任的方式實現數據自主管理［17］。目前，區塊鏈技術在能源領域已經成為一個現實的前景［18］，“能源區塊鏈”的概念應運而生，它主要具有以下四大特征：信息共享的能源交易環境、協同自治的運行過程、能源主體的去中心化模式以及基于加密技術的可信任機制［19-20］。目前，基于底層云計算設備的支持，能源區塊鏈主鏈由源端、儲能、電網、售電和用戶這五個能源主節點構成。各個節點基于統一的共識機制進行基礎的運作，并在智能合約的基礎上相互合作交易。每一個區塊主體都享有查看區塊信息的權力，因此各個能源主節點可以實現在信息共享環境下的協同合作。能源互聯網的基本框架圖如圖1 所示。

圖1 能源區塊鏈基本框架

能量管理、協調控制和能源應用構成能源區塊鏈的三個層次，其層次架構關系如圖2 所示。鏈條中的利益主體根據需求選擇能源服務，進而推動能源交易和能源調度，形成能源服務、能源交易和能源調度的良好循環。利益主體的行為觸發協調控制層中的各種機制判斷主體行為的合理性，并在能量管理層進行相應的能量數據記錄。

圖2 能源區塊鏈關系

能源區塊鏈以“協同合作，安全自治”為核心，以實現整體利益最大化作為最終目的，圍繞“清潔能源、分布式、合作、智能”4 個關鍵詞，不僅影響了能源系統的運作架構，還極大地提高了能源的利用效率，避免了原有格局中信息不對稱帶來的交易成本。其活躍的能量流動促進了消納問題的解決，推動了消費模式的多元化發展，使各種能源可以更高效地生產、消費、互換、交易。

1.2 能源區塊鏈環境下的風儲聯合系統

傳統的風儲聯合系統難免存在因信息不對稱導致的信息滯后、電力資源浪費等問題。因此，本文提出基于能源區塊鏈的風儲聯合系統，由分布式風電機組、儲能系統、用戶和外部電網組成，如圖3所示。通過區塊鏈條貫穿整個系統運行過程，協同系統中的信息流與能量流，促進系統中各主體協同合作。

圖3 基于能源區塊鏈的風儲聯合系統

當風電機組發電供能時，電能流向電網，其發電信息寫入區塊鏈條并傳遞給電網。當用戶負荷已滿足或用電需求處于低谷的信息，將此信息反饋給風電機組，風電機組將剩余的電能轉存到儲能系統中［21］。當儲能系統讀取到用戶負荷無法被滿足或用電需求處于高峰的信息，儲能系統將調動存儲的電能供給用戶。信息隨著能量流動在區塊鏈條中進行傳遞和存儲，能量流隨著信息傳遞而調度，在能源區塊鏈下的風儲聯合系統中，信息傳遞的及時性就是能量調度的及時性，達到“削峰填谷”的效果。

2 風儲聯合系統運行模型

2.1 儲能系統運行模型

儲能系統的運行主要包括儲能的充放電部分和電池損耗部分。

（1）儲能充放電模型。風儲聯合系統中儲能充放電模型由充電和放電兩部分組成。電池電荷狀態和充電/放電之間的關系如式（1）所示。

同時，儲能充放電時應滿足儲能設備的功率約束。系統充電時，儲能設備的功率應滿足：

為防止儲能電池的充電過度或是放電過度對電池的性能造成損害，能源區塊鏈的協調控制機制將在智能合約中寫入需要控制的系統荷電狀態，確保其數值范圍應滿足以下條件：

（2）電池損耗模型。實際儲能系統運行過程中電池需要頻繁地進行不同深度的充電、放電，難以簡單地通過充放電深度去估計儲能電池壽命［1］。因此，為了綜合考慮上述各類因素對儲能電池使用壽命的影響，本文采用電池吞吐量評估法對電池壽命的損耗進行評估，計算方法如式（5）。

圖4 損耗系數和SOC 值關系

基于此，為了控制儲能電池的出力情況，避免因其功率變動幅度過大而對電池造成損害，使得使用周期降低甚至減少系統的經濟價值，能源區塊鏈中的智能合約同樣對儲能電池的功率變化范圍限制如下：

2.2 外部電網運行模型

在風儲聯合系統中，電網和用戶之間的電能交易模式是：

2.3 風電輸出模型

在風儲聯合系統中，如圖3 所示，風電機組的輸出功率可以表示為用戶負荷與轉存電能的和，如式(11)所示 。

3 風儲聯合系統經濟效應價值分析模型及求解算法

3.1 經濟效應目標函數

風儲聯合系統的經濟效應受風電機組效率、儲能系統運行效益等方面的影響。其中，儲能系統作為風儲聯合系統的核心部分，其運行效益對風儲聯合系統的經濟效應起到決定性作用。在儲能系統運行過程中，產生的成本主要由運維成本及電池損耗成本構成。目前，電池損耗作為儲能系統的主要成本在儲能系統運行優化中的研究相對較少。因此，本文也將重點考慮電池損耗在風儲聯合系統經濟效應價值分析中的影響，以系統的運行收益最大化為優化目標，建立經濟效應價值分析模型，目標函數如式（12）所示。

3.2 基于BAS-PSO 的求解算法

3.2.1 粒子群算法（PSO）

PSO 在搜索空間中設置僅有速度和位置屬性的無質量粒子，每個粒子憑借自身的速度和位置獨立尋找最優解，通過將個體極值的信息在粒子群體內共享，找到所有粒子中個體極值最優的粒子［23］。粒子的速度和位置的公式如下：

3.2.2 天牛須搜索算法（BAS）

BAS 算法是于2017 年提出的啟發式仿真優化搜索算法［24］，通過模擬天牛尋找食物的過程尋找目標函數的最優解。天牛主要利用自身的長須感知食物的氣味，從而控制行動方向和距離以搜索食物的實際位置。其優勢在于在搜索過程中個體數量少，消耗的搜索成本也很小，比較適用于低維度問題的尋優過程，而且在沒有目標函數和具體梯度的信息下可以實現高效地自動尋優。如圖5 所示，質心的兩側是天牛的兩須，天牛的運動步長與兩須之間距離的比值固定不變。

圖5 天牛須基本結構

隨著天牛的位置發生移動，其左右兩須的朝向也會改變，定義如下：

3.2.3 基于天牛須思想的改進粒子群算法（BASPSO）

通過將天牛須搜索算法與粒子群智能算法進行結合，得到BAS-PSO 算法。每一個粒子可視作一個天牛，其初始位置和速度的設定過程與標準PSO 的過程相同，結合天牛須搜索算法的搜索思想，在增加群體中每一個個體本身對環境空間的判斷基礎上，通過比較每一次迭代期間左右須所對應的適應度函數值，確定更優的結果，從而得到更新后的天牛群的方向和坐標。BAS-PSO 優化算法的計算流程如圖6 所示。

圖6 BAS-PSO 優化算法流程

（4）完成迭代過程后，可得到全局最優解和最優解所在位置。

4 算例分析

4.1 基礎數據及參數設置

針對某地區居民用戶歷史負荷曲線和電價曲線，分析風儲系統運行過程的具體經濟效應價值。該地區采用峰谷分時電價，其中基本風電價格（平段電價）為0.61 元/(kW·h)，低谷電價為0.34 元/(kW·h)，峰谷電價為1.04 元/(kW·h)，電價峰谷差為0.7 元/(kW·h)，容量電價為33 元/(kW·月)，儲能系統參數及運行成本、收益參數如表1 所示，該地區的日負荷曲線和峰谷電價曲線如圖7 所示。

表1 系統參數

圖7 分時電價及用電負荷曲線

4.2 算例結果分析

4.2.1 基于電池損耗和運行方式的風儲聯合系統經濟效應價值分析

利用BAS-PSO 算法對風儲聯合系統經濟效應價值分析模型進行優化，根據前文提供的儲能系統的各個參數，計算系統運行的收益和成本損耗情況，對比三種優化方式下模型的收益結果。其中，未經智能算法優化的儲能系統按照每天充放電各4 小時運行，深度充放電能力為85%。經過優化的儲能系統按照得到的出力曲線運行。計算系統收益及損耗情況如表2 所示。

表2 系統收益及成本情況

由表2 可知，損耗成本對儲能系統的經濟效應價值產生的影響很大。無論是否采用智能算法對儲能系統運行方式進行優化，都能明顯看到儲能系統在考慮損耗的情況下最終收益值要小于沒有考慮損耗成本情況的收益值。通過計算可知，在采用BASPSO算法優化、PSO算法優化以及未經優化的情況下，損耗成本分別占儲能系統年收益的10.9%、11.6%和12.8%，該比例處于10%～13%，也就是說，儲能系統運行產生的全部收益中，將有10%～13%因此系統成本損耗而浪費，因此，應當對儲能系統的損耗成本進行估算，以優化儲能的運行方式，進而提高儲能系統的經濟效應價值。

此外，對比幾種算法優化的情況下日收益、年收益以及損耗成本可知，經過BAS-PSO 算法優化的儲能系統得到的日收益和年收益最大，由系統造成損耗成本占比最小。未經算法優化的儲能系統得到的日收益和年收益最小，由系統造成損耗成本占比最大。PSO 算法優化后的儲能系統得到的收益和成本位于上述兩種情況之間，這反映了本文提出的BAS-PSO 算法在一定程度上解決標準粒子群算法尋優能力不足的問題，使其具備更好的全局尋優能力。

4.2.2 對比分析

為了更好地分析BAS-PSO 算法和PSO 算法對儲能系統運行優化程度的差異，在考慮系統損耗的條件下，對未經優化、PSO 算法優化以及BAS-PSO 算法優化的系統負荷曲線和去除儲能出力影響的合成負荷曲線進行比較。三種情況下的負荷曲線和合成負荷曲線如圖8 至圖10。由圖像可知，經BAS-PSO算法優化的儲能系統的合成負荷曲線最平滑。為了便于準確直觀地評估儲能系統“削峰填谷”的效果，此處選取計算合成負荷標準差的方式描述曲線波動情況，通過計算得到三種方式下儲能系統的合成負荷曲線的標準差分別是182.25、188.30 和215.28。由結果可知，經優化后的合成負荷曲線波動幅度要遠小于未經優化的情況，其中，BAS-PSO 算法的合成負荷標準差是最小的，產生的“削峰填谷”效果也是最好的。

圖8 BAS-PSO 算法優化后合成負荷曲線

圖9 PSO 算法優化后的合成負荷曲線

圖10 未經優化的合成負荷曲線

SOC 曲線描述了風儲系統中電池剩余容量的狀況，一般來說，SOC 值在大于0.5 時，儲能電池容量的使用效率更高。系統在三種算法優化情況下的SOC 值曲線變化如圖11 至13 所示，由圖可知，經BAS-PSO 算法所得的SOC 曲線峰值更大，且SOC值處于0.5 以上的區間更寬，這種運行方式能夠有效提高對電池容量的利用率，進而提高因峰谷電價差帶來的收益，隨著儲能電池的SOC 值長時間維持較高水平，有助于減少因荷電狀態造成的電池損耗，降低損耗成本，提高系統經濟效應。

圖11 BAS-PSO 算法優化后的儲能系統SOC 曲線

圖12 PSO 算法優化后的儲能系統SOC 曲線

圖13 未經優化的儲能系統SOC 曲線

4.2.3 敏感性分析

敏感性分析從參數設置方面分析、驗證風儲系統經濟效應價值分析模型設計的合理性和可靠性。本文通過對儲能系統最大充放電功率、充放電效率η和儲能系統荷電狀態最大值設置不同的參數，對比分析經濟效應價值分析模型的運行效果。

從表3 中可以看出，當儲能系統最大充放電功率為0.5、充放電效率為0.9、儲能系統荷電狀態最大值時，模型的預期年收益得到最大值68.5。整體來看，儲能系統最大充放電功率為500 時，預期年收益大于60 的情況最多。

表3 敏感性分析結果

表3（續）

當儲能系統最大充放電功率為700 時，雖然每次系統可充放的電量更大，但對電池的損耗也更大。同時，當充放電效率和儲能系統荷電狀態最大值越大，對電池造成的損耗也越大，系統維護成本逐漸增高，預期年收益越小。因此，當充放電效率和儲能系統荷電狀態為0.9 時，預期年收益反而小于參數為0.8 的情況。當儲能系統最大充放電功率為300時，儲能系統最大充放電的功率最小，系統的充放電相對受到限制，因此當充放電效率和儲能系統荷電狀態最大值越大時，其預期年收益越大。但因為最大充放電功率較小，所以對電池造成的損耗也相對較小。

5 結論

本文在考慮能源區塊鏈的特性與風儲聯合系統內涵的基礎上，構建了能源區塊鏈的風儲聯合系統。從風儲系統的經濟性角度出發，以系統運行收益為目標，構建了風儲系統經濟效應價值分析模型，并重點考慮電池損耗在系統經濟效應價值中的影響。同時，采用基于BAS-PSO 的算法對儲能系統運行過程進行優化，計算出儲能系統在考慮和未考慮電池損耗成本情況下的系統收益和損耗成本。通過運行方式對比分析和敏感性分析，驗證了算法的有效性，系統參數設置的合理性。本文模型能夠實現系統收益的最大化效果，同時可以保護儲能系統的電池，有效控制系統維護成本。因此在大力開展儲能系統建設時，應當對電池損耗的影響因素進行全面分析，以減少系統損耗成本，提高風儲系統的經濟效應。本文所建立的模型能夠實現優化系統經濟效應的同時保護儲能系統的電池，有效控制系統維護成本。為風儲聯合系統的運行優化、價值增值等方面提供一定的參考。