基于源-荷功率預測的微電網儲能優化配置

摘" 要：隨著可再生能源發電比例的增加，微電網中風光儲一體化系統的穩定性和經濟性成為研究的熱點。傳統的儲能配置方法多依賴于歷史數據，難以動態適應風電、光伏和負荷的變化。該文提出一種基于源-荷功率預測的儲能優化配置方法，結合CNN-BiLSTM網絡模型對風電、光伏出力及負荷進行實時預測。根據實時源-荷預測功率預測數據，通過粒子群優化（Particle Swarm Optimization， PSO）算法對儲能進行動態優化配置。結果表明，所提方法能夠有效提高儲能系統的經濟性和穩定性，顯著減少功率波動，提升系統的整體運行效率。

關鍵詞：儲能；功率預測；優化配置；CNN-BiLSTM；PSO

中圖分類號：TM615" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2025）06-0016-04

Abstract： With the increase in the proportion of renewable energy power generation， the stability and economy of wind， light and storage integrated systems in microgrids have become a research hotspot. Traditional energy storage configuration methods rely on historical data and are difficult to dynamically adapt to changes in wind power， photovoltaics and loads. This paper proposes an energy storage optimization configuration method based on source-load power prediction， which combines the CNN-BiLSTM network model to predict wind power， photovoltaic output and load in real time. Based on the real-time source-charge prediction power prediction data， the energy storage is dynamically optimized and configured through the Particle Swarm Optimization （PSO） algorithm. The results show that the proposed method can effectively improve the economy and stability of the energy storage system， significantly reduce power fluctuations， and improve the overall operating efficiency of the system.

Keywords： energy storage; power prediction; optimal configuration; CNN-BiLSTM; PSO

隨著微電網中可再生能源的比例逐步提高，其不確定性帶來的功率波動對電網電壓、頻率產生的影響愈加凸顯[1]。如何合理配置儲能以平衡能源供需，成為微電網研究中的關鍵問題[2]。在信息-物理-社會系統（Cyber-Physical-Social System， CPSS）架構下，通過物聯網技術，實現了對電力系統運行狀態的實時監控和全面感知[3-4]。這種實時數據交互與協同控制，使得如何優化儲能配置以應對源-荷不確定性至關重要。

儲能的優化配置往往是根據歷史負荷和發電數據進行的靜態設計，如線性規劃、動態規劃、遺傳算法、粒子群優化算法（Particle Swarm Optimization， PSO）等[5]。為了進一步提升儲能系統的優化效果，可以結合多目標優化算法，如改進的粒子群算法或遺傳算法，以同時考慮經濟性、環境成本和能源利用率等多方面因素[6]。同時，通過引入需求響應機制，可以更好地平衡供需關系，提高儲能系統的充放電效率和壽命。在實際應用中，還可以利用模糊邏輯或人工神經網絡等智能算法，進一步提高預測精度和優化效果[7]。通過結合深度學習和智能優化算法，可以實現微電網儲能系統的高效、動態優化配置，從而應對可再生能源的不確定性和波動性，確保微電網的安全穩定運行和經濟效益最大化。但是這些方法較少考慮源-荷功率的實時波動對儲能配置的影響。如果能實現風光、負荷等源-荷功率的實時預測，將有助于儲能系統的實時優化配置。近年來，以卷積神經網絡（Convolutional Neural Network， CNN）、長短期記憶網絡（Long Short-Term Memory， LSTM）及其改進模型雙向長短期記憶網絡（Bidirectional Long Short-Term Memory， BiLSTM）等為代表的深度學習算法成為新能源發電功率預測的研究熱點[8-9]。

綜上，本文提出一種新型儲能單元實時優化方法，基于CNN-BiLSTM算法實時預測微電網源-荷功率，并利用粒子群優化（PSO）算法實現儲能單元的動態優化配置，實現最大化的風光消納、最小化功率波動，提升系統的穩定性和經濟性。

1" 源-荷功率預測算法設計

針對風電、光伏發電功率及負荷不確定性功率，構建圖1所示的深度學習模型。

首先，實時采集來自風電、光伏和負荷的功率數據，數據預處理。對數據進行缺失值填充、歸一化等預處理，并將數據按時間切分成固定長度的時間窗口，完成滑動窗口數據的實時更新。滑動窗口的長度保持固定，隨著新數據的到來，窗口會向前滑動，舍棄最舊的數據，并加入新的數據。每次滑動窗口更新后，系統都根據新的數據來更新模型的輸入。這一過程可以通過進一步優化模型結構、引入注意力機制等方法提高預測精度；同時加強數據預處理和特征選擇工作，確保數據質量滿足模型訓練的要求。

然后，構建CNN-BiLSTM模型，并進行模型訓練、校驗和模型更新，如圖2所示。CNN用于從時序數據中提取局部特征，包括風電和光伏的短期波動、負荷的周期性變化等。BiLSTM能夠同時處理數據的前向和后向長期依賴性，不僅能利用歷史數據，還可以結合未來的已知信息來提高預測精度。這種模型結構在多變量輸入和超前多步預測方面展現出了顯著的優勢和潛力。

最后，調度系統根據實時預測結果進行儲能系統的動態優化。在預測的基礎上，系統會設定儲能的充放電策略。如果預測到風電或光伏輸出過高，儲能系統將吸收多余的電量進行存儲；如果預測到系統負荷過大，儲能系統則可以釋放電量供電。同時，隨著實際功率數據的更新，預測模型會適當調整參數以提高預測精度。這種動態優化方法可以有效地解決源-荷不確定性對系統的影響，提高系統的穩定性和可再生能源的消費水平。通過靈活調整各設備的輸出，提出的多時間尺度優化操作方法能夠使系統運行更加平穩，提高系統的穩定性和可再生能源的消納能力。

2" 源-荷功率預測下的儲能粒子群優化模型構建

2.1" 目標函數及約束條件

基于上述算法原理，針對儲能動態優化配置，構建數學模型。儲能系統動態優化的目標函數是基于最小化功率波動和儲能損失并滿足負荷需求而給出，也即功率波動最小化、儲能損失最小化并滿足負荷需求。

1）功率波動最小化：減少系統中不同能源之間的功率波動，確保能量供需平衡。

2）儲能損失最小化：通過優化充放電策略，降低儲能系統的能量損失，提高系統整體效率。

3）預測誤差最小化：減少由于風光電力預測誤差帶來的不穩定性，使得儲能系統能夠更好地適應不確定性和變化。

基于此，定義目標函數為

式中：ＰＥＳＳ（t）為t時刻儲能系統的充放電功率，Ｐwind（t）、Ｐsolar（t）分別為t時刻風力發電單元、光伏發電單元的輸出功率，Ｐload（t）為負荷需求，？琢、？茁、γ為權重系數，CＥＳＳ為儲能容量，ε（t）為預測功率與實際功率之間的誤差，代表了不確定性，Loss（t）為儲能損失功率。

對應的約束條件主要考慮儲能系統容量限制、系統功率平衡、儲能充放電功率限制、儲能SOC（State of Charge， SOC）限制，具體如下：

式中：ＣＥＳＳ、Ｃreser？淄e、Ｃmax、ＣESS_max分別表示儲能系統容量、最低儲備容量、最大容量、最大功率。Ｐwind（t）、Ｐsolar（t）、ＰＥＳＳ（t）分別表示t時刻風力發電、光伏發電及儲能系統的功率。SOC（t）、SOCmax、SOCmin分別表示t時刻儲能系統的SOC、SOC最大值、SOC最小值。

2.2" 基于PSO的儲能優化配置

根據CNN-BiLSTM預測模型得到的實時功率預測數據，基于PSO實現儲能系統動態優化，以滿足目標函數。PSO通過模擬鳥群覓食的過程，迭代更新每個粒子的位置，搜索最優解。粒子的位置表示儲能容量和充放電策略，速度表示調整步長。每個粒子根據適應度函數更新自身的位置和速度，最終找到最優的儲能配置。

基于PSO的儲能優化的主要步驟包括：

1）粒子表示：每個粒子表示一個儲能配置，包含儲能容量和在各時間步的充放電功率。由CNN-BiLSTM模型提供的風力、光伏和負荷預測數據作為PSO優化的輸入，粒子在每個時間步調整儲能充放電功率，依據預測的風光負荷數據進行優化。

2）適應度函數：每個粒子的適應度函數用于衡量該配置的優劣，也即目標函數，具體如公式（1）所示。適應度函數包含功率波動最小化、儲能損失最小化和負荷需求。粒子群優化（PSO）算法會根據這個適應度函數來評估每一個粒子的優劣。

3）粒子更新：粒子的位置表示儲能系統的充放電策略，速度表示粒子調整的步長，PSO更新參見公式（3）。

式中：？淄i（t）為粒子i在時間步t的速度，xi（t）為粒子的位置，pbesti為粒子個人歷史最優位置，gbest為全局最優位置，？棕為慣性權重，c1、c2為加速常數，r1、r2為隨機數。

每次更新粒子位置時，PSO通過不斷調整粒子的位置和速度，搜索最優的儲能配置，使得目標函數最小化，從而實現儲能系統的優化。通過合理設置權重系數，PSO能夠在實際的微電網系統中，平衡功率波動、儲能損失與預測誤差，最終找到一個既能滿足負荷需求又能提升系統穩定性和能效的最優儲能配置。PSO的全局最優解代表了最佳的儲能充放電策略，實現功率平衡并最小化儲能損失，確保最大程度滿足適應度函數。

3" 仿真驗證

為了驗證所提算法有效性，針對某基于CPSS的園區微電網，含風力發電、光伏發電、儲能系統及園區負荷。其中，負荷功率最高為100 kW，風電、光伏和儲能系統容量均為50 kWh。其中光伏單元在6：00-18：00進行光伏發電輸出，其他時間光伏無功率輸出。利用所構建的源-荷CNN-BiLSTM預測模型，利用滑動窗口技術，實現了風電、光伏、負荷功率的在線預測。

圖3展示了基于CNN-BiLSTM預測模型的典型數據下的全天源-荷功率預測結果，模型評價指標分別為MSE=0.012 9，RMSE=0.113 4，MAE=0.103 3。因此，所設計功率預測模型精度較高。結合源-荷功率的歷史數據，并參考源-荷功率實時預測數據，利用PSO實現對儲能系統的優化調度。參考源-荷功率預測與不考慮功率預測情況下的儲能優化配置分別如圖4、圖5所示。

對比圖4、圖5可知，帶預測的優化的最佳適應度（Best Fitness）更低，說明帶預測的優化效果相對更好，優化結果越優。因為通過利用預測模型來提前預估未來的功率需求和生成情況，優化算法可以根據預測結果來調整儲能配置，避免過度依賴歷史數據或實時數據的不確定性。如果沒有預測信息，直接使用歷史數據來做優化，可能導致系統更依賴于過去的行為，而不能有效地應對未來可能的變化。尤其在風能和光伏等可再生能源的波動較大的情況下，缺少預測可能導致儲能系統配置的效率較低，適應度較高。因此，源-荷功率預測的引入應該能夠提前預判負荷波動，減少系統的不穩定性，從而獲得更低的適應度值，意味著更高效的優化。

4" 結論

本文提出一種基于源-荷功率預測的微電網儲能優化配置方法，結合改進的CNN-BiLSTM深度學習算法對風電、光伏和負荷進行短期預測，并利用粒子群優化算法（PSO）進行儲能系統的配置優化。結果表明，與傳統優化方法相比，本文提出的基于深度學習與PSO的儲能動態優化方法，能夠根據實時預測的風光發電和負荷數據動態調整儲能配置，可顯著提高儲能容量配置的效率，平抑功率波動并降低系統損耗，能夠實現更高的靈活性與實時性，提升系統的穩定性和經濟性。

參考文獻：

[1] 高波，高明明，和紅梅，等.交流電壓分區協調控制方法的設計與仿真[J].計算機仿真，2023，40（5）：150-153，161.

[2] 王博，楊德友，蔡國偉.高比例新能源接入下電力系統慣量相關問題研究綜述[J].電網技術，2020，44（8）：2998-3007.

[3] 郝鵬，周文璐，王培璐.集中式儲能參與的微電網需求響應研究[J].科技創新與應用，2024，14（33）：38-42.

[4] 高波，李兆澤，王兵銳，等.基于泛在電力物聯網技術的智慧城市建設研究[J].科技創新與應用，2022，12（34）：20-23.

[5] 周濤，賀偉，李會芳，等.新型電力系統下儲能輔助運行與優化配置研究綜述[J/OL].南京信息工程大學學報，1-25[2025-02-12].https：//doi.org/10.13878/j.cnki.jnuist.20241019001.

[6] 姚路錦.提升風電有功支撐能力的源儲協同優化控制研究[D].北京：華北電力大學（北京），2024.

[7] 楊澳.基于混合儲能系統微電網模型的容量配置及實時優化調度研究[D].貴陽：貴州大學，2024.

[8] 楊歡紅，施穎，黃文燾，等.考慮實時需求側響應的光儲充電站容量優化配置方法[J].智慧電力，2023，51（7）：51-58.

[9] 師芊芊.計及復雜天氣條件的新能源功率預測及優化配置研究[D].北京：北方工業大學，2024.

基金項目：國家級大學生創新創業項目（202310085006，202410085006）；河北省滄州市科技項目（222102001）；河北省高等學?？茖W研究項目（ZC2023092）

*通信作者：高波（1989-），男，碩士，講師。研究方向為人工智能與新能源發電技術。