基于改進人工蜂群算法的家庭儲能容量優化配置

蔣偉,陳照光,顏浩

(上海電力大學 電子信息與工程學院,上海 200090)

0 引 言

隨著社會的不斷發展,用電需求不斷增加,人們對環境問題的越來越關注。光伏能源、風能等成為了能源發展的必然趨勢[1]。目前,居民用電量的比重越來越大,但用電效率比較低。為了提高用戶側用電效率,家庭能源管理系統(Home Energy Management System, HEMS)成為國內研究的熱點。

家庭能源管理系統是作為智能電網在用戶側的延伸,利用主控制器采集設備工作信息,完成對用電設備的控制和調度,在滿足用戶舒適水平的前提下,減少電能消耗[2-3]。文獻[4-5]以用電費用和用戶舒適度為優化目標,建立智能家庭能源優化控制模型,通過智能算法求解。但是優化模型沒有計及儲能投資成本帶來的影響。文獻[6]將家庭儲能分為充電組和調度組,將蓄電池的充放電造成的折舊成本考慮在內,提出了一種基于雙蓄電池組的家庭可再生能源日內實時優化策略。但文中沒有考慮不同儲能電池的特性對模型的影響。文獻[7]提出了一種家用電動汽車退役動力電池梯次利用于家庭儲能的容量優化配置方案,綜合考慮梯次儲能的投資成本,以用戶投入最少為目標函數。文獻[8]與傳統家庭儲能系統不同,提出一種基于能量云的新型電力調度架構,不再考慮用戶的對儲能電池的初始投資,用戶只需支付對儲能的租借費用,以電力成本最小為目標,建立優化模型。但沒有對求解模型的算法的優劣作對比。文獻[9]根據液流電池和鋰電池的特性分別用以補償混合儲能總功率指令的高頻部分和低頻部分,以微電網購電費用和聯絡線功率波動兩者最小為目標建立多目標優化模型。但多目標模型中沒有考慮儲能設備充放電過程中的折舊損耗。

針對家庭能源管理系統中的儲能投資成本高的問題,在以上文獻的基礎上,文中利用不同儲能電池的特性,提出了配置混合儲能的家庭能源管理系統模型,并提出一種改進的人工蜂群算法對模型求解。最后對分別采用配置單蓄電池和混合儲能方案的家庭能源管理模型,進行經濟性對比分析,驗證所提儲能配置模型和算法的有效性。

1 家庭能源系統模型

1.1 家庭能源系統拓撲圖

家庭能源管理系統是由家用電器主控制器、光伏發電系統、儲能設備、智能設備、智能電能表等組成,通過家庭能源管理控制中心進行合理調度提高系統運行的經濟性[10-12]。系統拓撲圖如圖1所示。

圖1 家庭能源系統拓撲圖

1.2 家用電器模型

根據家庭用戶中負荷的特性,總體可分為剛性負荷和柔性負荷兩大類,剛性負荷不參與用電調度過程,在用戶需用時,沒有時間延遲。對于柔性負荷可分為可中斷負荷和不可中斷負荷,如電飯煲、熱水器、空調等[13]。

將一天劃分為H個連續時間間隔,每個時間間隔為Δh=24*60/H。a用來表示家用電器的編號。Sa(h)表示家用電器a的在h時刻的工作狀態,h∈{1,2,…,H},當Sa(h)=1時,用電電器a在h時刻啟用;當Sa(h)=0時,用電電器a在h時刻停用。[αa,βa]表示用電電器a完成工作所允許的時間范圍。da表示用電電器a完成工作任務所用的時長。

(1)

(2)

為了簡便計算,對于柔性負荷,當停用時,負荷功率為零;當啟用時,負荷功率為Pa。因此所有家庭設備所消耗的計算功率為:

(3)

式中Pndef(h)為剛性負荷在h時刻消耗功率;A為柔性負荷的個數;Papp(h)為所有家用設備在h時刻消耗功率總和。

1.3 混合儲能設備模型

儲能設備在家庭能源系統中,不僅能夠消納多余的光伏能源,也能夠根據實時電價信息,在低電價時段,從大電網購電存儲儲能設備中;在高電價時段,由儲能設備供電給用電電器[14]。儲能設備充放電過程的折舊損耗與儲能的等效循環次數有關,決定儲能設備的壽命時長,進而影響家庭能源系統運行的經濟性[15]。不同儲能設備動態折損損耗計算公式為:

(4)

(5)

式中ECn(h)為儲能設備n在h時刻損耗剩余容量;SOHn,ini為設備n初始使用的壽命水平值;SOHn,end為設備n退役時的壽命水平值。

儲能設備n的荷電狀態SOC可表示為儲能電池的剩余能量與損耗剩余容量的比值,具體公式為:

(6)

SOCn,min≤SOCn(h)≤SOCn,max

(7)

(8)

(9)

式中Un(h)表示儲能設備n在h時刻的充放電狀態,當Un(h)為1時,儲能設備n處于充電狀態;當Un(h)為0時,儲能設備n處于放電狀態;在任意時刻,儲能設備n充放電功率應滿足以下限制約束。

2 家庭能源系統調度目標

2.1 用戶每天用電費用

在滿足用戶用電需求的同時,也要保證用戶每天用電費用最低,其包括每天購電費用、儲能設備每天的投資費用、光伏系統每天的投資費用、光伏發電補貼費用及多余光伏的售電費用。具體公式如下:

(10)

2.2 約束條件

為了使家庭能源管理系統穩定運行,須滿足一些約束條件。家庭能源管理的調度問題的約束如下所示:

(1)等式約束。在用戶、混合儲能系統和電網之間要滿足功率平衡。表示為:

(11)

(2)不等式約束。如式(7)～式(9)所示。

3 改進的人工蜂群算法

人工蜂群算法可以解決線性和非線性以及離散與連續的多目標、多約束的問題[16-18]。傳統的人工蜂群算法的采蜜蜂階段和跟隨蜂階段有著相同的搜索策略,具有良好的全局搜索能力,但與其他智能算法有著類似的缺陷,局部搜索能力弱,收斂速度慢。為了提高的算法性能,文中提出在跟隨蜂階段引入差分進化的變異、交叉和選擇算子。此算法在保留人工蜂群算法良好的全局搜索能力的前提下,提高局部搜索能力及加快收斂速度,對家庭能源管理系統模型求解。

3.1 初始化蜜源階段

3.2 采蜜蜂尋蜜階段

采蜜蜂根據搜索公式尋找儲能設備n的容量配置、家用設備的用電時段和儲能設備在每個時段的充放電功率。

x′i,d=xi,d+φi,d(xi,d-xk,d)

(12)

式中i,k∈{1,2,…,SN},且i與k互斥,SN為種群的大小;i∈{1,2,…,D},D為變量個數。Фi,d∈[-1,1]且為隨機數。

3.3 跟隨蜂尋蜜階段

由采蜜蜂階段搜索到的蜜源位置,通過信息共享,跟隨蜂按照概率公式選擇蜜源。為了提高跟隨蜂的搜索能力,引進差分進化算子。

3.3.1 差分進化的變異算子

對于目標個體 ,從當前代隨機選擇3個互不相關的個體進行變異,具體公式如下所示:

(13)

式中r1,r2,r3∈{1,2,…,SN}是隨機產生的整數且滿足i≠r1≠r2≠r3,F∈[0,1]為縮放比例因子。

3.3.2 差分進化的交叉算子

對目標個體xi和變異個體vi,進行交叉得到實驗個體wi,具體公式如下所示:

(14)

式中CR∈[0,1]為交叉概率;Drand∈{1,2,…,D}為隨機固定值。

3.3.3 差分進化的選擇算子

經過交叉操作階段后,得到新的個體與當前的個體的效用值做對比,效用值大的個體將保留下一代。

(15)

式中WG(wi)為個體wi的效用值;WG(xi)為個體xi的效用值。

3.4 偵察蜂尋蜜階段

由當采蜜蜂和跟隨蜂階段搜索完整個空間時,當一些蜜源在迭代過程中沒有得到改善,則將丟棄蜜源并將對應的蜜源的采蜜蜂轉變為偵察蜂,偵察蜂通過式(16)繼續搜索。

(16)

圖2 改進人工蜂群算法流程圖

4 算例分析

以一個帶有各種用電設備的典型家庭為案例進行研究,仿真將一天作為調度周期并劃分為48個時間段。鉛酸蓄電池和鋰電池的基本參數如表1所示。選取典型日的光伏、家用設備用電及實時電價信息的初始數據如圖3所示。

表1 儲能設備基本參數

圖3 輸入參數的初始數據

為驗證配置混合儲能系統對家庭用戶經濟性產生的影響,將分別對含單儲能和混合儲能的家庭能源系統兩種情況進行優化及分析。具體情況如下:

(1)情況一:配置鉛酸蓄電池的家庭能源系統優化結果及分析。為證明所提出算法的優點,將其與傳統人工蜂群算法、粒子群算法分別應用于該模型中,進行比較分析。設初始種群為40,最大迭代次數為200。鉛酸蓄電池的配置結果和用戶每天用電費用如表2所示;各算法的收斂特性曲線如圖4所示。

表2 單儲能模型的尋優結果

圖4 各算法的收斂特性曲線

從表2可以看出,文中算法同其他算法優化結果相比,其效果更為明顯。在用戶每天用電費用方面,文中算法相比粒子群算法和人工蜂群算法分別低1.6元和0.5元。從圖4中可以看出,文中算法在模型求解上,收斂速度快,迭代次數大約在58次左右就能獲得最優值;從圖中也可以看出不易陷入局部最優,尋優效果更好。

(2)情況二:配置鉛酸蓄電池及鋰電池組合的家庭能源系統優化結果及分析。三種算法的優化結果如表3所示;各算法的收斂特性曲線如圖5所示。

表3 混合儲能模型的尋優結果

圖5 各算法的優化結果

從表3和圖5可以看出,文中所提算法與其他算法比較,都能找出更小值。通過和表2比較分析,用相同算法求解模型時,在用戶每天用電費用方面,配置混合儲能的家庭能源系統其值更小。以文中算法求解配置混合儲能和單儲能的兩種家庭能源系統模型的優化結果作比較,前者比后者用戶每天承擔費用少5.2元。原因由表1的儲能設備參數可知,鋰電池和鉛酸蓄電池相比較,前者等效循環次數大,在儲能充放電過程折舊損耗相對后者小,因此延長鋰電池的壽命時長。但前者單位容量費用和單位功率費用相對后者大,初始投資費用高。而配置單儲能的家庭能源系統因等效循環次數小或因單位容量和單位功率費用高的問題增大用戶每天承擔費用,因此利用混合儲能電池各自特性配合調度以提高經濟性,調度結果如圖6和圖7所示。

圖7 混合儲能充放電功率和荷電狀態

從圖6和圖7可以看出,在低電價時段部分柔性負荷轉移此時段,在光伏能源不能滿足供電需求時,將從電網購電,一部分滿足負荷用電,另一部分存儲到儲能設備中,如在00:00～4:00時段。在高電價時段部分柔性負荷將轉移,當光伏能源充足時,首先用光伏供電;當光伏能源不足時,由混合儲能和電網兩種方式供電,如6:00～8:00和15:00～16:00時段。當光伏能源多余時,低售電價時段多余光伏存儲混合儲能設備中;高售電價時段多余光伏出售電網,如8:00～15:00時段。

為驗證所提算法能穩定求解文中配置混合儲能模型,取各算法運行30次的運行結果進行對比分析,分析結果見表4。平均優化耗時為算法求解模型30次時,平均每次計算時長。平均迭代次數為算法找到最小適應值的迭代次數總和的平均值。尋優比率為算法找到最小適應值次數與總次數的比率。

表4 各算法的性能參數

從表4中可以看出,在迭代次數方面,和粒子群算法及傳統人工蜂群算法相比,文中算法穩定在55次左右明顯小于其他兩種算法,運行耗時上,文中算法只用了16.3 s,明顯更優,且文中算法尋優比率較其他算法更高。因此,可以得出,文中改進的人工蜂群算法可以有效求解配置混合儲能的家庭能源系統模型,而且具有快速收斂到最優解,尋優效率高的特點。

5 結束語

(1)文中以用戶每天用電費用最低為目標建立含混合儲能的家庭能源系統模型,采用改進的人工蜂群算法求解。并與含單儲能的家庭能源系統相比,結果表明,前者經濟性更有優勢;

(2)針對傳統人工蜂群算法收斂速度慢、局部搜索能力弱的問題,文中引入差分進化交叉、變異和選擇算子。此方法增加種群多樣性,提高局部搜索能力,使算法跳出局部最優解,提高了收斂速度。