【《混合储能系统容量配置的经济性模型以及容量配置算法研究》18000字】

I混合储能系统容量配置的经济性模型以及容量配置算法研究摘要随着分布式发电在国内大环境支持下的稳步发展，微电网的供电质量也将因为分布式发电输入功率的不稳定而有所降低。给微电网添加合适的能量存储系统，不仅能够起到削峰填谷的效果，同时还能够提高微电网的可靠性。但是建设储能设施需要的高昂的成本，因此研究含储能系统的微电网的经济性问题具有非常重大的意义。在该背景下，本文以风光储微电网的结构和模型为基础，重点研究了混合储能系统容量配置的经济性模型以及容量配置的算法等。论文主要研究了包含混合储能系统的风光直流微电网结构，分析了储能系统中，光伏与风力两种发电系统的输出功率特性。对储能系统中的蓄电池及超级电容的充放电模型进行了建模，并对处于充放电过程中的蓄电池和超级电容器进行了研究，剖析其能量和荷电状态。本文针对混合储能系统的容量配置问题采用了人工蜂群算法进行优化，由于人工蜂群算法有着较快的收敛速度，出色的寻优能力，使用控制参数较少，鲁棒性强，因此能够找到最优解的概率相对较高。本文使用了人工蜂群算法及其衍生的改进算法，4个测试函数仿真实验结果显示，与传统的人工蜂群算法相比，本文中所使用的改进人工蜂群算法将会具有较高的择优精度。针对混合储能系统的经济性问题，建立了一套以蓄电池及超级电容器充放电受限、负荷缺电率及能源损失率等为约束条件的混合储能系统经济效益模型。算例研究结果也验证了通过改进后的人工蜂群算法求解得到的方案在设计中具有较高的经济性。关键词：微电网，混合储能，容量配置，人工蜂群算法目录摘要………………ⅠABSTRACT………………Ⅱ第1章绪论………………………11.1研究背景及选题意义………………11.2微电网尚存的问题与难点……………21.3储能技术研究现状……………………31.4混合储能系统容量配置的研究………41.5本章小结………………5第2章风光储直流微电网结构与建模………………102.1风光储联合微电网结构……………………102.2光伏发电模型……………………152.3风力发电模型……………………202.4混合储能系统…………202.4.1蓄电池充放电模型………………252.4.2超级电容充放电模型……………252.5本章小结………25第3章混合储能系统容量配置方法…………………303.1混合储能系统容量配置模型………303.1.1优化目标…………………303.1.2约束条件…………………303.2基于人工蜂群算法的混合储能容量配置方法…303.2.1人工蜂群算法工作原理…………303.2.2人工蜂群算法的改进……………303.2.3算法测试…………303.3风光储混合储能容量配置算例分析……………303.3.1优化配置结果及比较分析………303.4本章小结…………30第4章总结与展望………………304.1总结……………304.2展望…………………30第1章绪论1.1研究背景及选题意义电能与社会的发展、人民的生活息息相关，是支撑着现代社会的不可或缺的能源。工业生产、国防安全、交通、日常生活等各个方面都离不开电。根据国家能源局最新发布的统计资料，1-11月，全国范围内的全社会累计用电总量66772亿千瓦时，同比上一季度增长2.5%，其中，11月份全国范围内的全社会累计用电总量6467亿千瓦时，同比上一季度增长9.4%。与此同时，传统的集中式发电也向外暴露出一些缺点，例如发电过程中消耗的化石燃料带来了巨大的碳排放量，制造成本高、运营难度大等问题，难以满足广大用户对其系统的安全性和运营可靠性的需求。[1]。因此，分布式发电，一种综合利用可再生能源而非化石燃料作为其能量的来源的发电方式，因其绿色、无污染、可靠性高、分散独立且资源综合利用率高等特点，已经逐渐走入人们大众的视野，引起了世界范围内许多国家的广泛重视。常见的分布式发电技术主要有：风力发电、光伏发电、潮汐能和生物质能发电等[2]。与其他传统集中式发电方法相比，分布式发电因其采用了可再生能源，对环境污染小，环保性更高；当大型电网系统发生故障时，分布式发电系统可以自动断开其与大型输电系统的连接，独立向系统进行供电，可靠性更高；分布式发电设备的容量和体积都较小，安装地点可选择的范围更广，且投资少、建设周期短。目前，风力发电、光伏等自然能源发电引领着分布式发电的前进方向[3]。风能和其他能量来源例如太阳能的功率波动很大，既是不可间断的，又是极不稳定的[4]。这提高了大规模推广风能和太阳能的门槛。间断的、极不稳定的使用令风能和太阳能接入到电网后，会对整个电力系统产生冲击，严重危害了电网的安全和正常运行[5]。为了尽量减少这种因素所带来的影响，研究人员提出一种更加灵活和智能的形式-微电网。将各式各样的分布式电源集合起来组成一个微电网，以微电网的形式投入使用和运行，目的是有效地解决分布式电源在并网中存在的问题，提高了配电网适应分布式电源接入的能力，保证电力供应时的安全可靠。为了使风能和太阳能成为连续、稳定的能源，从而最终成为能与常规能源相竞争的替代能源，人们提出了风光互补微电网[6]。风能与太阳能在时空和地域均具备非常强烈的相互作用。我国是属于典型的季风气候地区，一般来说冬天大风，太阳的辐射小;夏季风力较小，太阳的辐射较多。将二者的优势结合，研发出风光互补发电系统，可以取长补短，弥补二者的不足。这样做比让风力发电和太阳能发电独立开来更加科学、实用、经济。但是单纯的风光互补系统只能满足系统长期调度的需求，针对于短期实时调度，风光互补系统并不能够满足需求。因此，风光储联合发电系统应运而生，储能在其中发挥着重要的作用[7]。现阶段的风光储发电系统主要有两种，一种是以大容量的风力发电系统、光伏发电系统和储能电站为能源核心，与传统的火力发电厂一起并入电网，参与微电网的能源调度[8]。另外一种是以分布式电源的形式并入微电网，然后参与微电网的调度计划[9]。随着我国的先进储能设备的研究水平日益提升，储能设备的容量与配置等的相关问题已经引起了相关专业人士的普遍重视。而目前针对容量控制策略的研究比较多，而在储能系统的容量配置这个方面还是存在许多的问题。在大部分时候我们所使用的储能系统都是按照实际应用的经验进行配置或者是按照简单的储能元件来进行配置，这些都将直接影响到整个系统的运行经济性。[10]。因此，做好混合储能容量配置问题的研究工作对于保障我国风光互补系统和微电网实现其经济、可靠、稳定等目标都具有十分重要的意义。1.2微电网尚存的问题与难点随着分布式电源发电技术的日益成熟，大量的光伏发电系统、风力发电系统接入电网，在微电网中光伏和风力发电机的发电量所占的比例也逐年升高。与此同时，光伏发电系统和风力发电系统并网运行后，对电力系统产生的负面影响也慢慢显现出来，主要体现在对电力系统的频率、稳定性以及发电计划和调度的影响这三个方面，具体为：(1)对电力系统频率的影响。光伏发电系统的输出功率主要受到设备接收的光照强度和所处环境的温度的影响，风力发电系统的输出功率主要受到实时输入风速的影响，而由于设备接收的光照强度、所处环境的温度与实时输入风速极其不稳定且很难及时预测，导致光伏发电系统与风力发电系统的输出功率长期处于难以控制的状态，因此很难及时精确地对其进行预测。对于电网来说，光伏发电场和风力发电场相较于目前传统的火力发电厂，更相近于一个干扰源。特别是并网机组较大时，如果系统没有足够的备用容量或者是电气之间的联系相对较弱，电力系统的频率将严重受到来自风光电场不稳定的输出功率的影响，使电能的质量下降，特别是对频率敏感型的用电设备而言，会严重影响它们的正常工作[11]。(2)对电力系统稳定性的影响。由于我国地理环境的特点，人口数量庞大，电力需求高的东部地区与风能和光能充足的西北地区相距甚远，导致大量的风光电场于电力系统末端薄弱点处接入电网。众所周知，在风光能的传输和利用过程中，风力发电场与光伏发电场需要在向微电网输出有功功率的同时吸收无功功率，由于其输出功率极不稳定，将降低微电网无功功率的稳定性，电网电压会出现波动和闪变的现象，带来负面影响[12]。在另一方面，大量风光电场接入电网将会导致电力系统的整体潮流分布变得非常复杂，该变化往往是传统微电网在设计时未考虑的，这将会严重不利于系统的稳定运行。(3)对电力系统发电计划和调度的影响。在传统的电力系统中，通常需要先对发电机组的出力和负荷情况进行预测，然后依此制定发电计划。由于风光机组的输出功率常有波动，导致难以对其出力进行预测。由于输出功率的不稳定，导致风光发电场不管是被看作电源还是负荷，这都会给电力系统调度产生极大的不便。但是，风光发电场都是由调度部门统一控制并网运行，这样会使调度工作的实施难度增大。而且，由于受到不可控因素的影响，风光电场的发电量波动情况往往与用户所需电量波动的情况相反，在用电设备有限的情况下，大规模的功率波动是电力系统无法承担的，在这种情况下，风光电场不得不出现大量的弃风和弃光现象，风光资源得不到充分的利用[13]。1.3储能技术研究现状随着储能技术的发展，其容量不断加大，成本也在不断降低，逐渐可以被电力系统所接受。储能系统的技术种类繁多，根据其储能技术应用原则，储能技术主要有三种分类，分别为机械储能、电化学储能和电磁储能。其中，机械储能包括抽水蓄能、压缩空气储能、飞轮储能;电化学储能包括经典电池储能﹑液流电池储能;电磁储能包括超导储能、超级电容器储能。每一种储能应用模式均应该具备自己的优劣势与其相适应的应用场景。(1)机械储能抽水蓄能电站广泛用于工业生产中，包括上池和下池，机组像常规水轮机一样发电，同时可当水泵将下池水抽到上池。当电力系统处于低负荷运行，机组用做水泵运行，在上池蓄水;处于高负荷时，机组像常规水轮机一样运行，为电网提供电能，实现低储高发、削峰填谷[]。两个蓄水池之间的标准高度相差在70m-600m，其工作效率在70%-80%，但是，抽水蓄能电站的建造是对于地理环境和条件的要求很严格，建设的周期也非常长，初始工程投资大，并会导致一系列生态和移民问题。压缩空气储能就是在电网负荷较低时，使用电能进行空气压缩，使储气罐中的空气被高压密封于其中，在电网处于高峰或大负荷的情况下，通过释放压缩空气从而促使汽轮机进行发电的一种储能技术[9-1]。这种储能方式整体结构复杂，制造成本高，工作效率在30%~40%，经济性较差，未得到规模的商业化应用[]。飞轮储能就是一种通过加速飞轮到极高运行速度的方式，把能量作为旋转驱动力的形态储存在该体系中。由能量守恒定律分析可知，当飞轮释放足够的能量时，飞轮的转速减慢；而进行储能工作过程时，飞轮的转速也会较储能之前的数值有所提高。飞轮的储能电动机可在较短的时间内产生较大的能量，具有很高的功率和密度，储能的工作效率保持在95%左右，但工作的过程中飞轮与轴承上的摩擦力使能量损失很高，需要复杂的冷却工艺，为了改进这个缺陷，可以考虑使用带超导体的磁力轴承电机或无传动轴承电机。该储能装置由于输出响应速度快，达到分钟级，多用于电力系统调峰调频[]。(2)电化学储能电化学储能主要通过可充电电池来实现。目前常用的储能电池有铅酸电池﹑锂离子电池、钠离子电池、钠硫电池和液流电池等[16-17]铅酸电池有悠久的应用历史，储能费用少，可靠性高，效率也较高，广泛地应用于工业和交通运输、电力等领域。但由于铅酸电池的循环使用寿命较短，能量密度较低，充电时间缓慢，而且容易污染环境。目前针对铅酸电池的研究主要集中于铅酸电池循环使用寿命短这个问题上，研究人员通过将碳加入铅酸电池中，可将电池寿命提升一个数量级以上，提高了电池的工作性能。锂离子电池在早期极大程度上推动了各种移动电子设备和元器件相关产品的快速发展，它主要具有电源能耗低和高能量密度、工作电压高、充电利用效率高、循环放电使用寿命长、环境友好等优点，随着国家政策的扶持及新能源发电在电网的高渗透率，锂离子电池规模化用于电网储能系统，主要用于风光互补系统，提高DG消纳能力。但是锂离子电池却存在着很大的安全性问题，低温时使用性能不佳，过充和过放的能力较弱[]。随着对锂离子电池的要求和使用量不断扩大，而锂的存储量有限且分散不均，导致性价比不高，而锂电池的安全问题同样也不可忽略，这就严重制约了我们对锂离子电池储能行业的重视。钠具有与锂相似的物理和化学特征，同时钠拥有非常丰富的储量，约占地壳总储量的2.64%，并且易于提取、在许多地方都能采集。钠离子电池因其具有经济实惠和安全性强等特点，在大规模储能配置中有较大潜力[]。液流电池是一种新型的蓄电池，是利用正负极电解液分开，各自循环的一种高性能蓄电池，具有容量高、使用领域（环境）广、循环使用寿命长的特点，是一种新能源产品。与传统电池不同，液流电池具有相对独立的功率和容量，可据需求分别进行调整，但同时存在关键材料制约和实际成本偏高等问题［］。液流电池材料技术的应用研究主要重点集中于液流电极电池材料、电解液和塑料隔膜电池材料三个方面，对电极材料经表面改性来提升电化学活性和使用寿命。在适当地利用提高同类电解剂溶液产物浓度的技术基础上，向同类电解液中直接掺加羟基吡啶、明胶或者羟基硫酸钠等多种化学添加剂已逐渐成为目前关于提高电解液浓度技术基础研究主要技术课题之一。(3)电磁储能电磁储能主要包括超导磁性储能和超级电容器两类。超导磁储能是一种利用超导线圈作为电磁能储存载体的技术。因为超导体的电阻值为零，因此能量转换过程中无损耗，效率极高。因此超导磁存储器的特点是它具有工作效率高、响应速度快、使用寿命长、污染小、有功和无功率的输出可以自由控制等优点。但是其高昂的成本制约了规模化应用，据研究表明：高温超导材料会极大程度降低超导磁储能系统的成本，简化运行条件，提高其性能和寿命。目前对超导磁储能的仿真研究主要集中于仿真实验和小型样机的仿真为主，尚未得到规模化的应用，日本已经研制出1kV/6kV等级的微型样机，并对其进行模拟和仿真的研究。英国利用一种下垂式控制手段，将储能系统寿命延长26%。中国科学院成功地研制了目前全球首台在风电场并网正常运行的超导磁储能系统，该装置主要采用2种高温超导带材混合绕制的结构，充分发挥了各自的优势，具有先进的技术性，已经在甘肃省玉门市并网正常运行，而且其运行的结果也表明该系统已经能有效地提高了风电场并网的安全和可靠性，提升了电网的电能品质。超级电容器是一种介于传统电容器和锂离子电池二者之间的特殊储能电源，工作期间不需要进行任何化学反应，这种储能的过程可逆，并且可多次地进行反复充电和放电。相比较于蓄电池来说，超级储能电容器是一种新型的储能设备，它具有环境适应力强、温度稳定特性好、使用寿命长、可快速充电等诸多优点。超级电容器在电力系统中多用于分布式发电的储能装置和电网故障时的后备电源等，平抑电网电压波动，解决电压暂降和短时中断等问题[]。然而，超级电容器的能量密度小，成本高，电极材料的应用也是提升其性能、降低成本的一个有待攻关的部分。当前的研究主要集中于优化电极材料结构，增强离子扩散的能力，同时针对碳材料、导电聚合物和各种金属化合物等多种电极材料的应用特点进行了复合，综合各自的优点，提高电化学性能。表1-1列举了储能技术发展现状[]：表1-1储能技术发展现状储能技术主要特点功率范围应用时间应用场合抽水蓄能容量大、寿命长100MW-2000MW日级削峰填谷、系统备用压缩空气功率范围广、环保100MW-300MW日级频率控制、新能源出力平抑飞轮储能储能周期长、效率高5kW-1.5MW分钟级调峰/频、平滑功率输出锂电池能量密度高、充放电快千瓦级-兆瓦级小时级备用能源、电动汽车液流电池100%充放电、寿命长100kW-100MW小时级抑制功率波动、新能源发电超导储能功率大、响应速度快10kW-1MW分钟级电能质量、提高稳定性超级电容器功率密度高、寿命长1kW-100kW分钟级平滑功率、电能质量1.4混合储能系统容量配置的研究文献[]中针对风电场容量优化问题，将储能装置的容量考虑进去，把约束条件设置为储能装置平抑功率波动的能力和经济性，最终获得了恰当的储能优化配置容量。文献[]中主要分析了分布式发电站中储能装置的容量配置问题，主要对储能装置的建造成本、工作成本等进行了研究，结合电站自身的运行方式等条件，最终得到了经配置优化后的结果。文献[]中针对风电中的储能系统进行了研究，主要在分布式储能和集中式储能的结构方面，以及两种储能的容量配置范围方面做了详细的对照研究。文献[]中针对分布式网络中储能系统的能量管理问题，提出了一种分层优化方法。在大规模的新能源光伏发电系统并网的条件下，针对目前储能发电系统容量最佳和优化存在的问题，把短期优化结果和资源的可持续目标相结合，给出合理的优化方案。文献[]关于新能源发电在并网情况下，给出了一种储能电池的容量配置方案。文中主要选用蓄电池作为储能装置，利用早晚的阶梯电价，对储能电池进行充放电，其中充电主要依靠电网提供。最后把储能电池的总体运行费用进行经济性分析。文献[]中针对独立的风光互补式发电系统，给出了一种以高效率和低功耗为主要特点的基于以供电可靠性作为约束条件的混合储能容量配置设计方案，构建了储能设备的综合优化模型，通过该设计算法对其应用实际情况进行了仿真和分析，验证了一种混合储能设备比单一的储能设备具有更高的使用经济性。当前时期，以能量型储能元件和功率型储能元件组成的混合储能系统逐渐被专家学者所关注和研究，不仅需要关注研究混合储能中各储能装置的控制策略，也要关注容量的优化配置研究，因为合理的质量控制策略以及对容量的优化和配置对于电力系统运行时的稳定性、可靠度和经济性都将发挥至关重要的影响。所以混合储能的研究对工程应用上有着重大意义。1.5本章小结本章首先简要详细介绍了这篇论文的主要选题研究领域背景和其主要选题研究意义，然后又详细介绍了目前在储能微网中仍然在存的一些主要问题与研究重点，储能技术的基础研究及其发展趋势现状以及重点总结了目前我国混合式发电储能微网系统的发电容量与能源配置等各个方面的相关研究进展情况。

风光储直流微电网结构与建模本章主要研究的对象为含混合储能系统的风光混合微电网，深入介绍了光伏发电系统和风力发电系统的基本设计、工作结构原理和基本功能，构建了光伏发电系统、风力发电系统和净负荷功率等数学模型，以及蓄电池和超级电容器在充放电过程中的数学模型。其中建立蓄电池和超级电容的充放电模型主要是为了考虑混合储能系统运行控制策略中的蓄电池和超级电容器的SOC和功率等限制条件；光伏发电、风力发电输出功率模型的建立主要是为了生成光伏和风力的输出功率曲线。2.1风光储联合微电网结构风力发电机组、光伏阵列和储能装置的选择以及并网方式的选取是本文风光储直流微电网研究的基础。在为我们的风光储直流式微电网进行容量配置之前，我们还需要建立一套诸如风力发电系统、光伏发电系统及其储能系统的相关数学模型。本文中我们所需要研究的太阳能微电网系统主要是由光伏太阳能发电系统、风力发电系统、负载和混合储能系统四部分组成，混合储能系统则是由蓄电池和超级太阳能电容器四部分组成的，微电网的拓扑结构如图2.1所示。当光伏和风力发电系统的发电量之和大于用电负荷所需要消耗的电量的时候，该混合储能系统工作于充电模式，提高了太阳能和风能的利用率：当光伏和风力发电系统的发电量之和低于负荷所需要消耗的电量的时候，该混合储能系统工作于放电模式，可以提高微电网的供电可靠性。图2.1微电网系统结构2.2光伏发电模型光伏发电系统包括太阳能电池系统、逆变器系统和光伏控制器这三个大部分组合而成。其中逆变器把由太阳能电池驱动而产生的直流电能逆变为三相交流电后再并入到电网之中；光伏控制器的作用是使太阳能电池始终跟踪在最大功率点跟踪状态。光伏发电主要是指利用光生伏特效应，使太阳能转换成电能，在此期间外界环境中光照强度和温度的变化会对输入功率产生直接影响。光伏发电系统的光伏发电量除了与太阳能电池容量大小有关外，也和光照强度、外界环境的温度有紧密的关系。太阳能电池的P-V特性及其随外界光照强度和温度的变化而产生的曲线如图2.2(a)和图2.2(b)所示。光伏阵列的输出功率主要与光照强度和温差有关，可以表示为(2-1)PPV(t)是光伏阵列在t时刻的输出功率；Pr为光伏阵列额定输出功率；Rc(t)为t时刻时外界环境中的光照强度；Rr为标准环境下的外界环境中的额定光照强度；Tc(t)为t时刻时外界环境的温度；Tr为标准环境下外界环境中的额定温度；k为功率温度系数；nPV是太阳能电池板阵列单元数。(a)温度保持定值时的P-V特性曲线(b)光照强度保持定值时的P-V特性曲线图2.2太阳能电池P-V特性随光照强度和温度变化的曲线图2.3某光伏电站一天内光伏出力光伏阵列是由太阳能电池串并联组合而成的，在温度一定的情况下，其输出功率出力主要受到光照强度的影响，某光伏电站典型日光伏输出功率曲线如图2.3所示，由图中可知，在凌晨和夜间光照强度为零的时候，光伏系统输出功率为零，随着光照强度的增加，在正午时刻光伏系统输出功率最大，输出功率波动曲线与负荷曲线基本一致。2.3风力发电模型目前直流发电机、异步发电机、同步发电机以及双馈发电机是在风力发电系统中通常会使用的发电机组6，本文采用的发电机组是目前常用的永磁直驱同步发电机组。该机组的优点在于可靠性较高，机械损耗较小。为了使风力资源的利用率得到提升，通常采用恒频变速发电技术。风力发电的主要工作原理是通过发电机的扇叶使风能转换成机械能，机械的动力再次作用于一台发电机，然后又把所有的机械能都转换成了电能，最终实现电能的输出。风力发电机的最大输出功率主要和外界环境中的最大风速相关，但并不是当时的风速越高，风力发电机的最大输出功率就会变得越大，二者之间是一种非线性关系。在风力发电系统中，通常会设置启动风速和截止安全风速。本文风力发电系统输出的功率数学模型如式(2-2)。(2-2)在式(2-2)中，Pw(t)是风力发电机t时刻的输出功率，Pr是风力发电机的额定输出功率，v(t)是t时刻的实际风速，vi是启动风速，vr是风机的额定风速，vo是风机的截止安全风速，也称之为切出风速。同时由式(2-2)也可得知风电机组的输出功率与实际风速的关系是一个三段的函数，其中：(1)当实际风速大小低于切入风速时，风机无法启动，当实际风速大小大于切出风速时，为了保护风机，风机将不工作；(2)当实际风速大小大于启动风速的同时也小于额定风速的情况下，风机输出功率会随着实际风速的增加而增加；(3)当实际风速大小在大于额定功率的同时且小于切出风速的时候，风机的输出功率为额定值。图2.4为风电机组输出功率特性曲线。图2.4风电机组功率特性曲线由于对风速不可人为控制，导致风力发电机组输入功率较为不稳定。某地典型日内风电场负荷输出功率的曲线图如下图2.5所示，可知风力发电在早上7点左右到晚上6点之间的一个的时间段内输出的功率相对较小，风电场输出的功率一般在晚上较大，这种时间段输出功率特性其实与风电场负荷输出功率波动的曲线相差较大，也就是说在用电量高峰期风力发电机组所需要输出的功率较小，在用电低谷期的时候，风电机组输出功率却很大。图2.5某风电场典型日的功率变化2.4混合储能系统现阶段，我们通常将储能单元划分为能量型以及功率型两个大类。常用于能量型储能单元中的蓄电池，具有储能成本较低，能量密度较高的特点。常用于功率型储能单元中的超级电容器，具有可循环使用年限较长，充放电速度较快的特点。两种储能单元构成的混合储能系统，能够在功能上实现优势互补。本文采用的正是以蓄电池和超级电容器构成的混合储能系统作为研究对象。2.4.1蓄电池充放电模型储能装置在微电网中是不可或缺的一部分，其中蓄电池在储能单元中扮演着十分重要的角色。现阶段，根据对电池单元的正极材料种类进行归类，我们大致可以把蓄电池材料划分为三类，包括钠硫电池、铅酸复合电池和锂离子电池。每次在进行充放电时，蓄电池内部的所储存的总能量也是不断发生变化的，我们通常用实际储存的能量来表示蓄电池的状态，一般采用SOC表示蓄电池的剩余容量[7]。电池能够等效地表现为由一个极化内阻Ro、欧姆内阻R1和一个极化电容C共同构成，其等效电路的模型结构如图2.6所示。电池的剩余容量是与上一次充放电周期末结束时刻的剩余容量、蓄电池充放电效率、负载的能力和容量、放电后的功率与放电周期共同决定的。图2.6蓄电池等效电路模型(2-3)(2-4)在时间△t内，假设此时蓄电池的充放电功率为△p，此时蓄电池的内部存储的电能变化和剩余容量SOC变化如以上(2-3)、(2-4)式所示。在公式(2-3)、(2-4)中，Esc(t)为第t-1结束时刻超级电容器内部存储的所有能量，△p=U·△i为超级电容器在充放电时的功率，当△p的值大于零时，蓄电池将处于充电模式下工作，当△p的值小于零时，蓄电池将处于放电模式下工作，如果蓄电池在工作过程中，其端电压大小保持不变，则蓄电池的充放电功率△p将会随电流变化量△i的增大而增大，△t为蓄电池的充放电时间，SOCsc(0)为蓄电池初始时刻的SOC，Esc(t)为蓄电池初始时刻内部存储的电能。2.4.2超级电容充放电模型超级电容器将能量以电场能的形式存储起来，其快速响应的特性有利于微电网的稳定运行。与其他形式的储能单元相比，超级电容器优点突出，其中：(1)功率密度高，能够瞬时提供大功率；(2)使用寿命非常长，循环使用次数一般超过十万次；(3)运行过程中可靠性非常高，基本上很少需要维护；(4)串并联方便，其中串联增加电容器组的电压等级，并联增加电容器组的容量；(5)对环境友好。限制超级电容器推广使用的主要原因是成本高昂。超级电容器可以等效为一个由电阻R和电容C构成的电路，其等效电路模型如图所示。计算超级电容器的SOC时与计算蓄电池的SOC时使用的是同样的办法。在单位时间内，当超级电容器的充放电功率大小为△p的时候，超级电容器内部储存的能量和剩余容量SOC的关系式如式(2-5)、(2-6)所示。(2-5)(2-6)在公式(2-5)、(2-6)中，Esc(t)为第t-1结束时刻超级电容器内部储存的可供使用的能量，△p=U·△i为超级电容器的充放电功率，当△p的值大于零时，超级电容将处于充电模式下工作，当△p的值小于零时，超级电容器将处于放电模式下工作，如果超级电容器在工作过程中，其端电压大小保持不变，则超级电容器的充放电功率△p将会随电流变化量△i的增大而使功率增大，△t为超级电容器的充放电过程所需的时间，SOCsc(0)为超级电容器初始时刻的SOC，Esc(t)为超级电容初始时刻内部存储的电能。2.5本章小结本章针对所提出的风光储直流微电网系统，对该系统的两种分布式电源和两种存储功率的单元构建了一个数学模型。首先，重点介绍风光储直流微电网的基本拓扑结构，分析其基本工作原理;然后，研究了微电网中的光伏和风力发电系统、风力发电系统功率的输出特性的同时，也分析了混合储能中蓄电池和超级电容器的充放电特性，为接下来的混合储能运行控制策略以及后续容量配置模型中的约束条件做铺垫。

第3章混合储能系统容量配置方法微电网混合储能系统容量优化配置是一个经济性的问题，对这种复杂并且非线性问题进行求解时，通常需要算法有较好求解速度与精度，能够快速求得最优解。目前，传统的智能算法的应用已经相当广泛，但这些算法一般更适合结果单一的结构系统，对复杂非线性问题的求解存在一定的局限。通常将多种智能算法结合在一起，对单一智能算法进行优化，提高算法的性能。本章节在前文所提的微电网混合储能系统的基础上建立了以储能单元充放电限制、负荷缺电率和能量损失率等为约束条件，建立了混合储能系统的经济效益模型。针对单一人工蜂群算法的求解精度低，收敛率和搜索速度慢的问题，在蜂群搜索策略中融合了多种搜索策略，这些搜索策略有的是全局收敛能力强，有的是局部搜索收敛能力强，通过不同搜索策略的特点和优势相互互补，形成了一种需要改进的单一人工蜂群算法，通过与测试函数的对比分析验证了一种新型改进人工蜂群算法的准确和有效性，并将其应用于微电网混合储能系统的容量优化配置的复杂非线性优化求解中，得到了混合储能系统容量的最优配比。3.1混合储能系统容量配置模型3.1.1优化目标储能成本占微电网建设的总成本的比重较大。即使能够保证微电网稳定运行，若配置的混合储能系统容量过大，其建设以及运行维护成本也会随之大量增加。若配置的混合储能系统容量过少，虽然可以降低成本，提高经济性，但是往往难以达到确保微电网稳定运行的目标。根据独立微电网风光输出功率与用户负荷需求，本节以混合储能系统的全寿命周期的成本最小为目标，建立了混合储能系统的容量优化配置数学模型，其目标函数如式(4-1)所示：(3-1)其中(3-2)(3-3)公式(3-1)、公式(3-2)和公式(3-3)中，minC为目标函数输出值，为最小年度综合总费用；CIC、CMC分别是为了满足微网运行需要而设计的混合存储系统所需要的投入费用和运营维护费用；CBC和CSCC分别是蓄电池和超级电容器投资建造所需费用;λEbat、λPbat依次是蓄电池的单位能量成本与单位功率成本;mbat为蓄电池从开始使用到被替换掉期间的总充放电次数；n是1年中蓄电池累计的充放电循环次数。我们在研究和分析混合储能设备的经济性时，超级储能电容器因为其充放电的次数极高，通常要求超过10万次，而微电网系统的工作年限一般为20年[]，因此我们通常不考虑超级电容器的维护成本，而只考虑其购置的成本。蓄电池则由于其较少的循环使用寿命，一般为3000次左右[]，在微电网的工作年限期间，一般需要多次更换蓄电池，来确保混合储能系统满足微电网功率波动时对能量和功率两个方面的需求。3.1.2约束条件微电网除稳定运行在需要的功率平衡的条件下还需要满足：(1)储能系统运行的约束条件为了防止混合储能系统中各储能单元出现过度充电或放电的现象，我们通常将各个储能单元的SOC设定在一定的范围区间内。(3-4)公式(3-4)中，SOCbat是蓄电池储能单元的SOC；SOCsc是超级电容器储能单元的SOC。当微电网工作在孤岛运行模式时，需要确保用户重要用电负荷的正常使用。当微电网工作在并网模式下时，混合储能装置在提高可再生能源的使用效率同时，也需要能够给负荷提供一定输出功率。因此对混合储能系统中各储能单元的要求如公式(3-5)、(3-6)、(3-7)所示。(3-5)(3-6)(3-7)公式(3-5)、公式(3-6)和公式(3-7)中，Pbat_min、Pbat_max定义为蓄电池能承受的最小和最大功率;Psc_min、Psc_max为超级电容能承受的最小和最大功率。(2)负荷缺电率负荷缺电功率fL为负荷整体总电缺乏量和负荷整体总能源供应需求量的比值，如式(3-10)所示，负荷缺电率fL反应了供电的可靠性，负荷缺电率越小，则表示供电的可靠程度越高。为了使微电网平稳有序地运行，需要设置一个最大缺电率，令负荷只能稳定在一定范围内，不产生较大的波动。(3-8)(3-9)公式(3-8)、(3-9)中，El为负载时的缺电容量;Etotal为总负荷要求；fL_max为系统所能够允许承受的最高负荷缺电率，这是衡量微电网是否稳定工作的重要指标之一。(3)能量损失率能量利用率fe1为新能源总发电量超过负荷需求量所损失的能量占新能源总发电量的比值，反应了可再生能源是否被充分利用。为了新能源的利用率得到有效提高，使弃风弃光的情况不再发生，我们需要设定一个最大的能量损失率，来确保可再生能源被充分利用。(3-10)(3-11)公式(3-10)、(3-11)中，Es为新能源整体的总发电量与负荷总需求量的差值;En为新能源总发电量;fe1_max为能量最大损失率，这是衡量微电网是否稳定工作的指标之一。3.2基于人工蜂群（ArtificialBeeColony）算法的混合储能容量配置方法3.2.1人工蜂群算法工作原理蜜蜂在寻找食物源时存在着明显的分工和共享信息的机制，而人工蜂群算法是对蜜蜂寻找食物源过程的模拟。蜂群按照其工作特性不同一般可以将蜂群分成三类(即侦察蜂、跟随蜂和引领蜂)[]。引领蜂主要负责的一项工作就是在食物源的相邻域之间进行搜寻，进而把这些食物源的信息通过蜂间传递到跟随蜂，跟随蜂根据贪婪法则对食物进行挑选然后开采新的食物源。在跟随蜂开采至一定时间之后，相对应的引领蜂根据各种食物质量的优势和情况来选择是否转变为侦察蜂对最近更换的食物来源。在对优化问题的函数进行分析和求解时，不同的食物源函数所对应的是其问题多种解。一个食物源的优劣程度主要取决于这个目标函数的最大适应度和其大小，而且这个食物源的最大优质程度也会随着其最大适应度的取值提高而增强。人工蜂群算法是针对蜂群在寻找食物源时所表现的行为经过分析后所提出来的一种算法。该种算法中对于诱导引领蜂在食物源的邻域上对其他食物源进行搜索、跟随蜂会按一定概率进行搜素食物源与侦查蜂探索新的食物源这三个不同的行为方式做了一个循环，以此寻找出优化的问题最佳解。设第i个食物源(i=1，2.SN)在D维空间中的位置可以被定义为Xi=(xi1,xi2,……,xiD)。跟随蜂对这种食物的选择主要是依靠食物源的回报率和收益比例的高低情况来判断的，如果这种食物资源的回报率F(Xi)越高，那么这种食物源被其他跟随蜂所选择的的概率就会变得更大。跟随蜂选中食物源i的概率表示为：(3-12)在公式(3-12)中：F(Xi)为该食物源的适宜度，其中适宜度数值越高，跟随蜂选中该食物的几率就会越大。引领蜂和跟随蜂会对新的食物源进行搜索。搜索的新食物源位置可表示为Vi=(vi1,vi2,……,viD)，搜索公式为(3-13)公式(3-13)中：j和k随机产生满足i∈{1，2……SN}，k∈{1，2……D}且i≠k，r是任意随机数，其取值大小在-1和1之间。对食物源收益进行比较，若出现的新食物源的收益比原食物源好时，则选择新食物源，否则，就仍选择原来的食物源。在设定的迭代次数后，若某一个食物源没有获得一定程度的改进，则代表将其解为一个局部最优解，该一个食物源也就应当被放弃。而相应地的诱导蜂会改成跟随者继续追寻其他新鲜的食品来源。此时新的食物源的位置可表示为(3-14)公式(3-14)中：Xmax和Xmin分别为原来的食物Xi在每一维的上边界和下边界人工蜂群算法寻优求解的具体流程可用如下步骤表示：Step1：首先初始化，然后随机的产生数目为K个的食物源，进而计算出K个食物源的对应适应度F(Xi)的值；Step2：跟随蜂搜索食物源位置Xi的邻域，并根据式(3-13)进一步生成新的食物源位置Vi。对Xi与Vi的适应度进行计算，比较并保留更好的食物源位置；Step3：以选中的不同食物源的概率的大小为依据，跟随蜂会选取一个食物源并搜索该食物源所在位置Xi的邻域，并根据公式(3-13)进一步生成新的食物源位置Vi。对Xi和Vi的适应度大小进行计算，通过比较保留下更好的食物源位置；Step4：对食物源数目进行判断，若出现放弃的食物源则根据公式(3-13)来寻找新的食物源。若未出现放弃的食物源，则进入Step5；Step5：对已进行的迭代次数进行判断，如果尚未达到最大的迭代次数，则转入Step2，如果已经达到最大的迭代次数，则将食物源的最优位置进行输出。3.2.2人工蜂群算法的改进由上文公式(3-13)可知，跟随蜂以及引领蜂仅仅在Xij(t)周围的一维邻域内进行搜索，这也是算法搜索效率低的主要原因。针对提高ABC算法效率的相关研究中，文献[55]提出了一个恒定参数来调整搜索的维度数，当蜂群进行搜索工作时，首先生成一个大小在0与1之间的随机变量，通过将恒定参数与该随机变量进行比较，来判断是否对这个维度的邻域进行搜过工作。如果随机数大于恒定参数，则蜂群开始搜索该维度的邻域，如果随机数小于恒定参数，则蜂群不动作，等待下一步指令。由此可知，如果恒定参数的值越大，蜂群在寻找食物源时搜索邻域时的维度数也就越多，可以提高算法局部的搜索能力和加快算法收敛的速度。如果恒定参数的值越小，算法则具备较强的全局搜索能力。本节在提高算法符收敛效果方面也借鉴了这种思想，不同的是，我们引入的动态参数MR是一个逐渐增大的值，这样会让算法在收敛初期的全局收敛能力强，在收敛后期的局部收敛能力强。MR取值如式(3-15)所示：(3-15)式中，FE是算法在收敛过程中评价次数，是一个累计变化的数值，MaxFEs是算法初始时设定的最大评价次数，是恒定不变的。由上文公式(3-13)可知，新食物源的产生也只是在Xij(t)附近，这样会降低算法的种群多样性，降低算法局部的收敛能力，会让整个的寻优求解过程变得缓慢，降低求解的精度。公式(3-16)、(3-17)、(3-18)与(3-19)为近些年来国内外的学者们针对传统ABC算法在搜索策略上的不足提出的一些改进后的ABC算法搜索策略。(3-16)(3-17)(3-18)(3-19)其中，r,k∈{1,2……SN},r≠k≠i,j∈{1，2……D}；Xbest是种群的全局最优个体，式(3-16)【56】和式(3-17)【57】中新的食物源出现在随机选取的位置附近，这两种搜索策略能具有较强的全局收敛能力，但是其收敛的速度相对要慢一点；公式(3-18)[58]和式(3-19)[59]中新的食物源出现在全局最优解的周围，这两种搜索策略具有较强的局部收敛能力，但是它们跳出局部最优解的能力较差。上述四种搜索策略以及传统ABC算法的搜索策略都各有优缺点，但是它们在算法的结构以及蜂群的进化方式都是一样的，仅仅只是在性能方面有些许的不同，针对它们的共性以及差异性，可以相互取长补短，协同进化。因此，本文利用上述五种搜索策略相互取长补短，在传统的人工蜂群算法的基础上面引入了协同进化的思想。主要体现在，搜索策略集包含了五种搜索策略，蜂群在开始搜索工作时，需要依次从搜索策略集中选取一种策略作为蜂群寻找新食物源的方式，所以新食物源是在搜索策略集中五种策略的共同工作下形成的，新的搜索策略集如式(4-2O)所示。(3-20)其中，M=i(mod5)+1，M∈{1，2，3，4，5}。获得最优解的流程图如图3.1所示图3.1改进后的ABC算法寻求最优解流程图改进后的ABC算法寻优求解的具体步骤如下：Step1：对蜂群参数进行初始化，根据引领蜂的数量随机产生初始解；Step2：计算每个引领蜂寻找到的食物源适应度的值；Step3：针对所有引领蜂，根据式(3-15)和式(3-20)产生一种新的食物源，通过计算其适应程度，使适应性比较高的食物源成为接下来的新食物源；Step4：通过计算上一步产生的新鲜食物来源的选择目标函数值，通过公式(3-12)可以得出其相对应的选取概率pi；Step5：跟随蜂将以概率pi，的大小作为新食物源选取的判断依据，然后根据公式(4-15)和式(4-20)再次寻找新的食物源，对新食物源的目标函数值进行计算，选取适应度较高的食物源作为新的食物源；Step6：如果经过limit迭代次数后引领蜂对应的食物源一直不会发生改变，该引领蜂将会转换为侦查蜂，然后以公式(3-14)为根据生成新的食物源；Step7：将全局最优解记录下来，同时转入Step3，直到算法迭代次数达到设定的最大迭代次数为止。3.2.3算法测试为了分析改进ABC算法效果，本文利用了4个经典测试函数对传统的ABC算法、目前较为常用的GABC算法与改进ABC算法寻优效果进行对比，测试所使用到的函数如表3.1所示，其中U、M、S和N依次表示为单峰函数、多峰函数、可分函数以及不可分函数。本实验的仿真在IntelCorei5-7300HQCPU、8GB内存、2.50GHz主频的便携式计算机上实现，采用Matlab软件开发环境进行模拟分析。表3.1测试函数实验时，设定SN=30，limit=SN×D，本文设定的目标函数的最大评价次数是MaxFEs=5000×D。对上述三种算法分别仿真实验30次后得到四种最优值的结果。数值实验用MATLAB实现，3种算法在D=60和D=100时仿真结果如表4.2和表4.3所示。表3.2D=60时三种算法的优化性能比较表3.3D=100时三种算法的优化性能比较由表4.2和表4.3可以看出，在单峰函数仿真实验中，对于函数f1和f2，三种算法都未能求出理论最优值，但是在求解结果的精度与稳定性方面，与传统的ABC算法和常用的GABC算法相比，本文所提的改进后的ABC算法效果更好。在多峰值函数f3和f4的仿真实验中，特别是对于函数f3而言，采用改进后的ABC算法求解效果不理想，没有求解到理论的最优值。木文在传统ABC算法的基础上引入了动态参数来调整搜索维度数，这种思想与差分进化策略里面交叉操作比较相似，而且对于函数/而言，差分进化算法也无法取得比较好的求解效果。传统的ABC算法和常用的GABC算法均可以能够较为准确地求得函数f3的多种理论上的最优值，说明在对函数f3寻优求解时，如果搜索的维度数很高，会导致函数f3的不收敛。针对函数f4来说，传统的ABC算法和GABC算法均无法搜索寻得各种理论的最优值，而通过改进的ABC算法则是可以直接求得各种理论的最优值。多峰不可分函数f4是一种非常复杂且非线性的函数，通过优化算法对其进行寻优求解的时候，会存在大量局部最优的情况，本文所提的改进后的ABC算法通过引入了动态参数以及搜索策略集的形式，提高了算法跳出局部最优解的能力，改善了寻求求解的效果。四个测试函数f1、f2、f3和f4在D=60寻优求解时的收敛曲线分别如图图4.2-图4.5所示。由图可知，用改进ABC算法对函数f1和f2进行寻优求解时，两个函数收敛曲线类似于一条线性递减的直线，寻优求解速度极快。对于函数f3来说，尽管采用改进ABC算法的收敛曲线不是线性递减的，但是与另外两种算法比较，收敛速度更快，精度更高。对于f4来说，通常采用算法对其进行搜索维度的寻优求解时极易陷入一些局部最优求解，但是本文中所采用的是经过改进后的abc算法在搜索维度的过程中引入了动态参数来进行实时调整搜索维度参数以及增加的寻优策略集，与其他两种算法相比，本算法在设计上具备了更强的跳出部分局部最优解的能力，可以提高本算法的寻优效果。3.3风光储混合储能容量配置算例分析3.3.1优化配置结果及比较分析前文已经收集到我国某一地方典型的历史资料及其风速、温度和24小时内太阳能光照强度的数据，现以该地的微电网为主要研究对象，对其进行混合式储能系统的容量优化配置，表3.4所示为混合储能系统的主要参数，工程使用的总年限为20年，fL_max=0.05，fel_max=0.3。表3.4混合储能系统的主要参数(1)不含储能系统的微电网风光混合发电系统针对不含储能系统的微电网风光混合发电系统，其负荷缺电率fL和能量损失率fel。结果如表3.5所示。表3.5未配置储能装置时的fL和fel指标指标值fL0.3547fel0.2367由表3.5可知，如果孤立微电网不配置储能装置，系统的负荷缺电率和能量损尖率处于一个较高的水平。其中fL=0.3547，表示系统在工作过程总是有大量利用率低下的风能和太阳能；fel=0.2367，表示系统在工作过程中，长期处于缺电状态，系统的供电不稳定。(2)配置混合储能装置的孤立微电网风光发电系统针对3.1节所建立的优化模型，分别采用传统ABC算法、GABC算法以及本文所提的改进ABC算法分别对本算例中的风光混合微电网进行混合储能系统的容量优化配置。三种算法的迭代求解过程如图3.6、图3.7和图3.8所示，最终的混合储能系统容量优化配置结果如表3.6所示。由图3.6、图3.7、图3.8和表3.6的数据可知，负荷缺电率fL与能量损失率fel均在设定范围内，且与不含储能系统的微电网风光混合发电系统相比