【《混合储能系统容量配置方法分析案例》6800字】

混合储能系统容量配置方法分析案例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。1.1混合储能系统容量配置模型1.1.1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。1.1.2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。1.2基于人工蜂群（ArtificialBeeColony）算法的混合储能容量配置方法1.2.1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。1.2.2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1.1所示图1.1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。1.2.3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1.1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1.1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1.2D=60时三种算法的优化性能比较表1.3D=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。1.3风光储混合储能容量配置算例分析1.1.1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1.4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1.4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1.5所示。表1.5未配置储能装置时的fL和fel指标指标值fL0.3547fel0.2367由表1.5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1.1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1.6、图1.7和图1.8所示，最终的混合储能系统容量优化配置结果如表1.6所示。由图1.6、图1.7、图1.8和表1.6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，增加合适容量的混合储能装置能够提高供电系统的可靠性。与此同时，采用了传统ABC算法对于混合储能系统中的蓄电池进行了容量优化配置后所得的蓄电池存储容量为3960kwh，超级电容器存储容量为758kwh，成本估计为2.814千万元，寻到最优解时已迭代了80次；采用GABC算法对混合式储能系统的蓄电池进行容量优化配置得后到的蓄电池存储容量为4001kwh，超级电容器存储容量为701kwh，成本设定为2.6633千万元，寻到最优求解时已迭代了60次；采用本文经过改进的ABC算法对混合式储能系统进行了容量优化配置，所得蓄电池存储容量4099kWh，超级电容