王勝輝，王政宇,2，陳 姝，李瀟瀟，王志喜

(1.沈陽工程學院，遼寧沈陽 110136；2.國網吉林省電力有限公司四平供電公司，吉林 四平 136000；3.遼寧能源投資(集團)有限責任公司，遼寧沈陽 110000；4.遼寧太陽能研究應用有限公司運維部，遼寧沈陽 110136)

目前，棄光現(xiàn)象的原因主要有兩點：第一點是快速增長的裝機容量與輸送通道等設施的建設之間的矛盾；第二點是光伏的間歇性和不穩(wěn)定性會對電網造成較大的影響，導致電網不得不選擇性接受光伏的電能。因此，光儲聯(lián)合運行方式逐漸成為解決這一系列問題的有效手段。在光儲式發(fā)電系統(tǒng)中，儲能部分可以儲存過剩的光伏發(fā)電的電能、平抑太陽能發(fā)電輸出功率的波動[1]、改善電能質量。光儲發(fā)電系統(tǒng)的控制策略可以動態(tài)調整能量在光伏、儲能系統(tǒng)和電網之間的流動方向，更加有效地減輕光伏輸出功率的波動，提高電網大規(guī)模接納光伏發(fā)電的能力，減少棄光現(xiàn)象。光儲發(fā)電系統(tǒng)的控制策略有：考慮區(qū)域自治的儲能電站功率協(xié)調控制策略[2]、以經濟性為目標的光儲電站優(yōu)化控制策略[3]、以凈收益最大為控制目標，考慮計劃跟蹤模式的光儲電站優(yōu)化控制策略[4]、多種工作模式協(xié)同運行與切換控制策略[5]等。

在平抑光伏波動控制策略的研究中，多數采用的是低通濾波方法。由于該方法具有滯后性，其求解的平抑目標與實際功率曲線相比存在延遲現(xiàn)象，不利于多個功能的綜合運行。而光伏功率預測作為一種超前預知的光伏輸出功率測量方法，可以解決這一問題。光伏功率預測方法眾多，例如：基于KPCA 與混合蛙跳算法的光伏電站發(fā)電量預測算法[6]、基于數據挖掘的光伏發(fā)電量預測算法[7]、基于思維進化算法和BP 神經網絡算法的預測方法[8]等。

本文提出一種基于功率預測的光儲發(fā)電系統(tǒng)的優(yōu)化控制策略。首先，改進光伏功率預測算法，將基于跟隨行為的人工魚群算法與BP 神經網絡結合，提高預測算法的速度和精確度。其次，將光伏功率預測數據作為影響因素，納入控制策略的考慮范圍內。在保證輸出的前提下，抑制光伏出力的波動。

1 光伏功率預測算法優(yōu)化

1.1 人工魚群基本行為

(1)覓食行為

以求最大值為例，假設第i條人工魚的某一時刻狀態(tài)為Xi，在其搜索范圍內隨機選擇一個狀態(tài)Xj，滿足公式(1)：

式中：Rand()為0 到1 之間的隨機數。

如果Yi

如果不滿足前進條件，則重新在搜索范圍內選擇一個狀態(tài)，判斷是否滿足移動的條件。反復選擇Try number(設定的重復次數)次之后，如果仍然沒有移動，則隨機移動一步。

(2)聚集行為

假設第i條人工魚的某一時刻狀態(tài)為Xi，在當前狀態(tài)搜索到同伴的數量為n，中心位置Xc，根據公式(3)判斷：

式中：δ為擁擠度因子；Yc和Yi分別為中心位置和當前位置的食物濃度。如果成立，表示中心食物濃度較高且不擁擠，則向中心方向移動一步；如果不成立，則執(zhí)行覓食行為。

(3)追尾行為

假設第i條人工魚的某一時刻狀態(tài)為Xi，在當前狀態(tài)搜索附近同伴，找到同伴中食物濃度最大的Yj，其位置為Xj，根據公式(4)判斷：

如果成立，表明同伴Xj處具有濃度較高的食物并且不太擁擠，則向同伴Xj方向移動一步；如果不成立，則執(zhí)行覓食行為。

(4)隨機行為

該行為是覓食行為的一個缺省行為，即在視野范圍內隨機選擇一個位置向其移動，下一個狀態(tài)的位置為：

1.2 基于跟隨行為的人工魚群算法

在基本人工魚群算法的追尾行為中根據公式(4)判斷目標位置是否擁擠而向該方向移動。公式中的擁擠度因子是固定值，但在解決實際問題當中，很難給出適合的擁擠度因子的值。不適當的擁擠度因子對算法的速度和精度有很大的影響。為解決此問題，將人工蜂群算法[9]中的覓食行為定義為跟隨行為，并在基本人工魚群算法中采用這種跟隨行為，以此減少參數設置。

具體方法如下：設第i條人工魚的某一時刻狀態(tài)為Xi，在視野范圍內搜索到最優(yōu)伙伴的狀態(tài)為Xj。跟隨魚通過觀察引領魚判斷解的適應度值來選擇最優(yōu)解，并依據選擇概率的大小選擇跟隨的引領魚。適應度值fiti和選擇概率Pi的計算公式如下：

式中：fi為第i個解的目標函數值；Np為人工魚群的總體數量。

1.3 基于跟隨行為的人工魚群優(yōu)化BP 神經網絡的光伏功率預測算法設計

本文采用此方法預測光伏功率，因此，以光伏發(fā)電系統(tǒng)為例。想要運用此方法解決問題，首先要確定神經網絡模型。影響光伏輸出功率的因素有很多，包括：輻照度、溫度、云量、太陽入射角和時間等。一些因素很難精確預測出，且對光伏的輸出功率影響較小，所以本文只選擇一些主要影響因素作為BP 神經網絡的輸入。輸入層神經元為3 個，輸出層的神經元為1 個。對于隱含層和隱含層中神經元個數的選擇目前還沒有明確的規(guī)定。本文采用Kolmogorov 定理確定隱含層神經元個數：

式中：s為隱含層神經元數；n為輸入層神經元數。因此，這里隱含層選擇一層，隱含層中神經元的個數根據經驗公式計算出為7 個，網絡結構示意圖如圖1 所示。

圖1 網絡結構示意圖

圖1 中：W為輸入層和隱含層之間的權值；V為隱含層和輸出層之間的權值；a和b分別為隱含層和輸出層的閾值。BP 神經網絡樣本訓練的本質就是調節(jié)以上幾個參數，使輸出達到期望的值。因此，將這些參數設置為人工魚的狀態(tài)，則人工魚可以表示為：

式中：w11、w12、w13為輸入層到隱含層第一個神經元的權值；a1為隱含層第一個神經元的閾值；w1n,…wmn為輸入層神經元到隱含層第n個神經元的權值；an為隱含層第n個神經元的閾值；v11、v21、v31、v41為隱含層神經元到輸出層第一個神經元的權值；b1為輸出層第一個神經元的閾值；v1k,…vnk為隱含層各個神經元到輸出層第k個神經元的權值；bk為輸出層第k個神經元的閾值。

人工魚群算法默認情況下尋求最大值，因此，水域中食物的濃度設置為BP 神經網絡總誤差的倒數。這樣，人工魚群算法求出的最大值對應的就是誤差的最小值。任意人工魚xz和xc之間的歐式距離可以表示為：

2 基于功率預測的光儲發(fā)電系統(tǒng)控制策略優(yōu)化

2.1 控制策略優(yōu)化設計

該控制策略中含有三個約束條件：光伏出力狀態(tài)、蓄電池儲能程度、光伏功率預測。光伏出力狀態(tài)可分為不出力和出力，出力狀態(tài)一般在早上7 點到下午6 點之間，不出力狀態(tài)一般在夜晚。蓄電池儲能程度可劃分為欠儲能狀態(tài)、滿儲能狀態(tài)、極限狀態(tài)。其中過欠儲能狀態(tài)是指電量低于設定放電深度；欠儲能是指電量在充滿狀態(tài)和放電深度設定值之間。光伏功率預測作用是預測下一時段的發(fā)電量，根據預測的輸出功率和當前輸出功率的差可分為光伏在下一時刻輸出波動大和輸出波動小，其中，光伏輸出波動大的情況還分為正向波動大和負向波動大，它們分別表示下一時段光伏出力比當前時段差值的大小。該控制策略是將預測的發(fā)電量曲線與當前的發(fā)電量相比較來判斷功率流動方向，控制電能的輸出或儲存。

2.2 控制策略運行機制

光儲電站控制輸出電量的核心是對儲能系統(tǒng)充放電進行控制。以平抑光伏輸出波動為目標，同時考慮儲能系統(tǒng)的剩余能量、額定功率等因素的影響?？刂撇呗允菍ο乱粫r刻光伏的輸出功率進行預測，通過計劃發(fā)電功率和預測發(fā)電功率之間的偏差，制定相應的儲能系統(tǒng)的期望輸出值。

儲能系統(tǒng)的實時輸出功率會受到儲能系統(tǒng)的剩余電量、額定功率等因素的限制。儲能系統(tǒng)輸出功率的約束條件如下：

式中：Pb(max)為儲能系統(tǒng)的最大輸出功率；SOE(t)為儲能系統(tǒng)t時刻的能量狀態(tài)。為了避免儲能系統(tǒng)過充過放，需設置限制值，a為儲能系統(tǒng)允許下限制，b為儲能系統(tǒng)允許上限制，本文取a=0.4，b=0.9。公式(11)為儲能輸出的功率限制；公式(12)為t時刻儲能系統(tǒng)能量狀態(tài)的約束，其中SOE(t)的計算公式如下：

式中：Qo為儲能系統(tǒng)初始能量；Q為儲能系統(tǒng)額定容量：dt=1 min。

本文儲能系統(tǒng)按恒功率進行充放電，當儲能系統(tǒng)按最大額定功率充電1 min 時，儲能系統(tǒng)能量狀態(tài)的變化量如下：

利用該公式確定儲能系統(tǒng)充放電的臨界狀態(tài)。

考慮功率預測參數后，增加判斷條件：

式中：P(t)為實際光伏的光伏輸出功率；Pf(t+1)為電站預測t+1時刻光伏輸出功率；P為光伏裝機容量。公式(15)表示t時刻與t+1 時刻光伏輸出功率之間波動較小，儲能系統(tǒng)按照表1 中的操作正常工作。

表1 儲能系統(tǒng)出力控制

t時刻與t+1 時刻光伏輸出功率之間波動較大，并且t時刻到t+1 時刻光伏輸出功率呈減小趨勢。若此時儲能系統(tǒng)處在工作狀態(tài)三或四時，儲能系統(tǒng)工作狀態(tài)改變?yōu)閮?yōu)先充電，限制放電。

t時刻與t+1 時刻光伏輸出功率之間波動較大，并且t時刻到t+1 時刻光伏輸出功率呈增長趨勢。若此時儲能系統(tǒng)處在工作狀態(tài)二或三時，儲能系統(tǒng)工作狀態(tài)改變?yōu)閮?yōu)先放電，限制充電。

3 仿真計算

3.1 基于跟隨行為人工魚群優(yōu)化BP 神經網絡的光伏功率預測算法仿真計算

對改進后的光伏功率預測方法進行建模仿真。仿真所用數據是利用Pvsyst 軟件計算得出。具體地點選擇沈陽市，并從NASA 網站查詢相關的天氣數據、環(huán)境溫度等影響光伏發(fā)電的因素。

(1)驗證預測精度。設定BP 神經網絡中的相關參數：最大訓練次數為500 次，學習率為0.1。設定人工魚群算法中的相關參數：最大迭代次數100 次，人工魚數量為20 條。

無優(yōu)化的BP 神經網絡仿真結果如圖2 所示，圖中虛線為實際的功率輸出，實線曲線為預測的功率輸出。整體來看，沒有優(yōu)化的BP 神經網絡的預測效果大致符合實際功率輸出趨勢，但在功率波動較頻繁的時刻，預測的輸出值存在很大的偏差。

圖2 無優(yōu)化功率預測算法預測值與實際值曲線對比

優(yōu)化后的BP 神經網絡仿真結果如圖3 所示。將優(yōu)化后的實際和預測功率輸出對比圖與優(yōu)化前的相比較，可以看出優(yōu)化后的BP 神經網絡預測的功率輸出曲線更加接近實際的功率輸出曲線，在功率變化較大的20～25 s 和30～35 s 時，無優(yōu)化BP 神經網絡預測精度平均誤差為17.62%和23.17%，優(yōu)化后的BP 神經網絡在上述時間段的平均誤差分別為10.47%和13.41%，表明優(yōu)化后的BP 神經網絡比無優(yōu)化的預測結果更準確、更加貼近實際值。

圖3 優(yōu)化后功率預測算法預測值與實際值曲線對比

(2)驗證預測速度。設定BP 神經網絡中的相關參數：目標精度為0.01，學習率為0.1。設定人工魚群算法中的相關參數：目標精度為0.01，人工魚數量為20 條。

無優(yōu)化的BP 神經網絡誤差如圖4 所示。該算法精度趨近0.01 時，迭代了約100 次。前期的誤差逼近速度很快，但隨著誤差值接近目標值，速度也逐步減慢。

圖4 無優(yōu)化的BP神經網絡誤差

優(yōu)化后的BP 神經網絡誤差如圖5 所示。改進后算法精度趨近0.01 時，迭代了約50 次。雖然前期誤差逼近速度較改進前慢，但隨著誤差值接近目標值，速度也逐步加快。由此可以得出：在設定相同精度的情況下，無優(yōu)化的BP 神經網絡功率預測算法需要迭代100 次達到設定的精度值，優(yōu)化后的BP 神經網絡功率預測算法迭代50 次可達到設定的精度值，算法速度得到提升。

圖5 優(yōu)化后的BP神經網絡誤差

為進一步驗證本文給出的光伏功率預測算法的有效性，將同樣屬于非線性預測算法中典型的支持向量機預測算法建模仿真，分析比較兩種光伏功率預測算法的仿真結果。

圖6 為兩種光伏功率預測算法的預測曲線圖，圖中黑色實線為實際光伏輸出功率曲線，紅色點畫線為支持向量機預測算法預測的光伏輸出功率曲線，藍色虛線為基于跟隨行為人工魚群優(yōu)化BP 神經網絡的光伏功率預測算法預測的光伏輸出功率曲線。從圖中可以看出，基于跟隨行為人工魚群優(yōu)化BP 神經網絡的光伏功率預測算法預測的光伏輸出功率曲線更加貼近實際的光伏輸出功率曲線，尤其是在輸出功率波動較大的情況下。為了更明顯地比較出兩種光伏功率預測算法的預測精度，建模仿真得到誤差曲線，如圖7 所示。

圖6 光伏輸出功率預測曲線

圖7 預測誤差曲線

圖7 中紅色實線為支持向量機預測算法的誤差曲線，藍色虛線為基于跟隨行為人工魚群優(yōu)化BP 神經網絡的光伏功率預測算法的誤差曲線。從圖中可以看出支持向量機預測算法與基于跟隨行為人工魚群優(yōu)化BP 神經網絡的光伏功率預測算法相比預測誤差較大，并計算得到平均誤差分別為0.212 和0.147。因此，通過以上仿真分析證明了本文給出的基于跟隨行為人工魚群優(yōu)化BP 神經網絡的光伏功率預測算法的有效性。

3.2 基于功率預測的光儲電站控制策略的仿真計算

對基于光伏功率預測的控制策略建模仿真。為證明本文給出的控制策略能夠更好地平抑輸出功率的波動，對PID控制策略、基于BP 神經網絡功率預測控制策略和基于跟隨行為人工魚群優(yōu)化BP 神經網絡的功率預測控制策略的光儲發(fā)電系統(tǒng)建模仿真，分析比較仿真結果。

(1)光伏側輸出較平穩(wěn)。選擇較平穩(wěn)的光伏輸出功率曲線。如圖8 所示，光伏輸出功率波動較小，光伏功率變化比較平滑，是理想的光伏功率輸出情況。在該情況下，利用Matlab軟件仿真出PID 控制策略、基于BP 神經網絡功率預測控制策略、基于跟隨行為人工魚群優(yōu)化BP 神經網絡的功率預測控制策略下的光儲發(fā)電系統(tǒng)輸出功率曲線，比較并分析。

圖8 光伏側輸出功率曲線(平穩(wěn))

圖9 為PID 控制策略、基于BP 神經網絡功率預測控制策略、基于跟隨行為人工魚群優(yōu)化BP 神經網絡的功率預測控制策略下的光儲發(fā)電系統(tǒng)輸出功率曲線。圖中藍色實線為基于跟隨行為人工魚群優(yōu)化BP 神經網絡的功率預測控制策略下的光儲發(fā)電系統(tǒng)輸出功率曲線，該控制策略對功率預測進行了改進，故圖例中簡稱為“改進后”；紅色虛線為PID 控制策略下的光儲發(fā)電系統(tǒng)輸出功率曲線，因該控制沒有考慮功率預測，只是簡單的線性控制，故圖例中簡稱為“無控制”；黑色點畫線為基于BP 神經網絡功率預測控制策略下的光儲發(fā)電系統(tǒng)輸出功率曲線，該控制策略考慮了功率預測對控制策略的影響，但功率預測算法是早期傳統(tǒng)的基于BP 神經網絡的功率預測算法，故圖例中簡稱為“改進前”。從圖中可以看出，PID 控制策略、基于BP 神經網絡功率預測控制策略和基于跟隨行為人工魚群優(yōu)化BP 神經網絡的功率預測控制策略都可以平抑光伏輸出功率的波動，但基于BP 神經網絡功率預測控制策略和基于跟隨行為人工魚群優(yōu)化BP 神經網絡的功率預測控制策略會根據預測的光伏輸出功率，有選擇地控制儲能系統(tǒng)的充放電，從而在某種意義上實現(xiàn)能量的轉移，能夠更好地平抑光伏的輸出功率。而對比基于BP 神經網絡功率預測控制策略和基于跟隨行為人工魚群優(yōu)化BP 神經網絡的功率預測控制策略下的光儲發(fā)電系統(tǒng)輸出功率曲線，可以看出雖然兩種控制策略都可以平抑光伏的輸出功率波動，但由于基于跟隨行為人工魚群優(yōu)化BP 神經網絡的功率預測控制策略中的光伏預測方法的精度提高，使控制結果更加符合實際的光伏輸出功率情況，從而提高了控制策略平抑光伏輸出功率的效果，并且這種平抑效果的差距會隨著光伏功率波動的增大而增大。

圖9 不同控制策略下光儲發(fā)電系統(tǒng)的輸出功率曲線(平穩(wěn))

(2)光伏側輸出不穩(wěn)定。選擇多峰的光伏輸出功率曲線。從圖10 中可以看出，這條光伏輸出功率曲線波動幅值較大、頻率較多，是一種不理想的光伏功率輸出情況。在該情況下，利用Matlab 軟件仿真出PID 控制策略、基于BP 神經網絡功率預測控制策略、基于跟隨行為人工魚群優(yōu)化BP 神經網絡的功率預測控制策略下的光儲發(fā)電系統(tǒng)輸出功率曲線，比較并分析。

圖10 光伏側輸出功率曲線(不穩(wěn)定)

圖11 為PID 控制策略、基于BP 神經網絡功率預測控制策略、基于跟隨行為人工魚群優(yōu)化BP 神經網絡的功率預測控制策略下的光儲發(fā)電系統(tǒng)輸出功率曲線。圖中藍色實線為基于跟隨行為人工魚群優(yōu)化BP 神經網絡的功率預測控制策略下的光儲發(fā)電系統(tǒng)輸出功率曲線，紅色虛線為PID 控制策略下的光儲發(fā)電系統(tǒng)輸出功率曲線，黑色點畫線為基于BP神經網絡功率預測控制策略下的光儲發(fā)電系統(tǒng)輸出功率曲線。從圖中可以看出，PID 控制策略的系統(tǒng)不再有良好的抑制光伏輸出功率波動的效果。雖然對光伏輸出功率起到了一定的緩沖作用，但整體仍然波動較大，在8～10 s、12～14 s、14～15 s 時，系統(tǒng)輸出波動分別為24.4%、16.4%和10.5%，在15～17 s 時，由于光伏輸出波動較大，系統(tǒng)的輸出波動甚至達到了31.2%。而基于跟隨行為人工魚群優(yōu)化BP 神經網絡的功率預測控制策略在光伏輸出功率多峰、波動幅值較大的情況下，仍然可以有效地抑制光伏輸出功率的波動。在下一時刻功率波動之前，控制儲能系統(tǒng)充放電能，從而吸收因光伏輸出不穩(wěn)定而產生的波動，有較好的平抑效果，在波動較大的8～10 s、12～14 s、14～15 s、15～17 s，系統(tǒng)的功率輸出分別為3.9%、2.4%、4.6%、6.2%。對比基于BP 神經網絡功率預測控制策略和基于跟隨行為人工魚群優(yōu)化BP 神經網絡的功率預測控制策略下的光儲發(fā)電系統(tǒng)輸出功率曲線，可以看出基于跟隨行為人工魚群優(yōu)化BP 神經網絡的功率預測控制策略比基于BP 神經網絡功率預測控制策略平抑光伏波動的效果更好，這是因為在光伏輸出功率波動較大的情況下，BP 神經網絡功率預測法預測精度相對基于跟隨行為人工魚群優(yōu)化BP神經網絡的功率預測算法較低，不準確的功率預測會導致對下一時間段的光伏輸出總電量、光伏功率等參數產生預測誤差，使控制系統(tǒng)誤判斷，從而降低平抑效果。

圖11 不同控制策略下光儲發(fā)電系統(tǒng)輸出功率曲線(不穩(wěn)定)

以上是通過Simulink 仿真得到的結果，但在實際光儲電站運行中會產生一些誤差。儲能系統(tǒng)方面，仿真模型中的儲能系統(tǒng)為理想儲能元件，而實際中儲能元件在工作時會產生大量的熱量改變工作環(huán)境的溫度，從而影響儲能元件。而且隨著工作時長的增加，儲能系統(tǒng)會出現(xiàn)一定的損耗，降低其性能。線路開關方面，本文仿真中采用的是ideal switch 理想開關元件，而在現(xiàn)實系統(tǒng)中，開關元件的開合都會產生波動。損耗方面，仿真中的線路都默認為無損耗，但在實際中都會產生線路損耗、接口損耗等。另外還有很多環(huán)境因素的影響，這些影響因素都會使仿真與實際產生一些誤差，對光儲發(fā)電系統(tǒng)輸出功率的波動產生影響。

4 結論

本文提出了一種基于跟隨行為人工魚群優(yōu)化BP 神經網絡的功率預測控制策略，通過Matlab 仿真計算后，得到如下結論：

(1)儲能系統(tǒng)對平抑光伏輸出波動有一定的作用，但屬于被動式調節(jié)，易受儲能系統(tǒng)容量影響。PID 控制下的系統(tǒng)在環(huán)境變化大的8～10 s、12～14 s、14～15 s、15～17 s 時，系統(tǒng)輸出波動分別達到了24.4%、16.4%、10.5%、31.2%，輸出功率波動較大，平抑效果不理想。而基于跟隨行為人工魚群優(yōu)化BP神經網絡的功率預測控制策略下的光儲發(fā)電系統(tǒng)，在上述波動較大的時刻，輸出功率系統(tǒng)輸出波動分別為3.9%、2.4%、4.6%、6.2%，系統(tǒng)輸出功率波動較小。

(2)基于跟隨行為人工魚群優(yōu)化BP 神經網絡的功率預測控制策略下的光儲發(fā)電系統(tǒng)輸出功率無論是在光伏輸出平穩(wěn)還是在光伏輸出波動較多的情況下，都有良好的平抑效果。雖沒有較高的功率輸出值，但輸出基本保持穩(wěn)定，對電網的影響較小，提高了電能質量。