王子琪，張慧媛，許軍，程杰慧

(華北電力大學(xué) 電氣與電子工程學(xué)院，北京 102206)

0 引言

近年來，以新能源大規(guī)模開發(fā)利用為特征的能源變革蓬勃興起。而風(fēng)電、光伏發(fā)電具有波動性及隨機(jī)性，抑制了新能源產(chǎn)業(yè)發(fā)展[1-3]。儲能技術(shù)能源利用率高、響應(yīng)速度快，可提高新能源的消納水平，提升電力系統(tǒng)安全性、經(jīng)濟(jì)性及靈活性。儲能系統(tǒng)可優(yōu)化儲能的充放電功率，進(jìn)行能量管理，從而平抑功率波動，降低網(wǎng)絡(luò)損耗，提高系統(tǒng)運(yùn)行效率[4-8]。

儲能系統(tǒng)的能量管理策略主要考慮網(wǎng)絡(luò)損耗、削峰填谷等多個方面，屬于多約束的非線性規(guī)劃問題[9]。常用的求解算法有粒子群算法[10-12]、遺傳算法[13-14]和混合整數(shù)規(guī)劃[15]等。文獻(xiàn)[10-12]改進(jìn)了粒子群算法中粒子位置表達(dá)形式及更新過程，來優(yōu)化儲能單元充放電功率。文獻(xiàn)[13]提出了混合儲能系統(tǒng)實(shí)時調(diào)度和經(jīng)濟(jì)運(yùn)行規(guī)劃，將動態(tài)規(guī)劃與遺傳算法相結(jié)合，協(xié)調(diào)了儲能充放電過程及功率分配。文獻(xiàn)[14]建立了不同場景下光蓄微電網(wǎng)調(diào)度模型，采用改進(jìn)多種群實(shí)編碼遺傳算法，使得其種群個體可根據(jù)充放電功率進(jìn)行修正。文獻(xiàn)[15]建立了風(fēng)儲聯(lián)合日運(yùn)行優(yōu)化調(diào)度模型，將優(yōu)化問題轉(zhuǎn)化為混合整數(shù)線性規(guī)劃問題來求解。人工蜂群算法（artificial bee colony，ABC）是一種模仿自然界中蜜蜂采蜜行為的群智能優(yōu)化算法，搜索能力強(qiáng)大，且結(jié)構(gòu)簡單易于實(shí)現(xiàn)[16-17]。該算法已在車間調(diào)度、人工神經(jīng)網(wǎng)絡(luò)等多個領(lǐng)域得到廣泛應(yīng)用，本文采用人工蜂群算法來求解儲能能量管理優(yōu)化問題[18-19]。

本文首先基于源荷狀態(tài)確定儲能各時段充放電選擇，以區(qū)域日網(wǎng)損降低收益、日高儲低放套利收益及日環(huán)境效益最大為目標(biāo)，建立儲能能量管理優(yōu)化模型；其次針對吐魯番區(qū)域網(wǎng)架結(jié)構(gòu)及運(yùn)行特點(diǎn)提出一種改進(jìn)人工蜂群算法（improved artificial bee colony，IABC）；最后對其建模仿真，求解儲能能量管理策略，驗(yàn)證所提方法的有效性及合理性。

1 儲能系統(tǒng)能量管理優(yōu)化模型

1.1 基于源荷狀態(tài)判斷儲能狀態(tài)

為加快求解速度，提高求解效率，可在能量管理優(yōu)化前確定儲能在各時段的充、放電選擇。當(dāng)風(fēng)電、光伏與常規(guī)火電機(jī)組預(yù)測出力之和大于負(fù)荷預(yù)測值時，儲能充電；當(dāng)風(fēng)電、光伏與常規(guī)火電機(jī)組預(yù)測出力之和小于負(fù)荷預(yù)測值時，儲能放電。

1.2 目標(biāo)函數(shù)

1.3 約束條件

2 改進(jìn)人工蜂群算法

人工蜂群算法分為以下3個過程：引領(lǐng)蜂的搜索選擇過程；跟隨蜂的概率選擇及搜索選擇過程；當(dāng)某個食物源經(jīng)Nlimit次循環(huán)仍無改善，該食物源將被放棄，偵察蜂進(jìn)行隨機(jī)搜索選擇過程。該算法控制參數(shù)少，易于實(shí)現(xiàn)，但隨著問題規(guī)模增大，算法搜索全局最優(yōu)效率降低，可進(jìn)一步將算法進(jìn)行改進(jìn)。

2.1 自適應(yīng)遞減慣性權(quán)重

參考粒子群算法（particle swarm optimization，PSO）中，慣性權(quán)重相關(guān)內(nèi)容，可在引領(lǐng)蜂搜索公式中引入自適應(yīng)遞減的慣性權(quán)重[20]，平衡算法全局搜索與局部搜索能力，具體計算式為

式中：w為自適應(yīng)遞減因子；wmax和wmin分別為w最大和最小值；n為當(dāng)前迭代次數(shù)；nmax為最大迭代次數(shù)。

當(dāng)nmax=300，wmax和wmin取不同值時，w與n關(guān)系曲線，如圖1所示。當(dāng)wmax=1.4時，wmin越大，算法后期局部搜索能力越強(qiáng)，可更好接近最優(yōu)解；當(dāng)wmin=0.9時，wmax越小，達(dá)到最大迭代次數(shù)時的w越小，算法后期收斂精度越高。

圖1 自適應(yīng)遞減因子與迭代次數(shù)的關(guān)系曲線Fig. 1 The relationship between wandn

2.2 錦標(biāo)賽選擇策略

人工蜂群算法中跟隨蜂采用輪盤賭法進(jìn)行概率選擇。早期，高適應(yīng)值個體適應(yīng)度高，容易多次被選中，易陷入局部最優(yōu)；后期，個體適應(yīng)度值相差不大，搜索過程趨于停滯，可以進(jìn)一步對選擇策略進(jìn)行改進(jìn)。

錦標(biāo)賽選擇策略（tournament selection）將種群在第n代個體適應(yīng)度值進(jìn)行兩兩比較，若當(dāng)前個體的適應(yīng)度值高于另一個體，則該個體分值加一，對每個個體重復(fù)這一過程，最終由積分值確定選擇的權(quán)重，積分高則權(quán)重大[21]。具體計算式為

式中：pi為第i個食物源被選擇的概率；M為初始種群數(shù)量；Ai、Aj分別為第i、j個個體經(jīng)過比較后所得分值。

該方法不涉及具體適應(yīng)度值，僅在個體間進(jìn)行比較，從而降低了高適應(yīng)度值個體對算法的影響，在一定程度上提高算法全局收斂性，避免過早收斂。

2.3 差分進(jìn)化思想

在跟隨蜂搜索公式中引入差分進(jìn)化思想，即隨機(jī)選擇一個個體作為變異個體，再隨機(jī)選取另外的4個個體兩兩做差分，引導(dǎo)開發(fā)最優(yōu)區(qū)域來提高其開發(fā)能力，克服局部最優(yōu)解束縛[22-23]。

改進(jìn)后的跟隨蜂搜索公式為

式中：vij為生成新食物源位置；xrj為鄰域附近隨機(jī)選擇的食物源位，r1,r2,r3,r4,r5∈ {1,2,···,M}，i≠r1≠r2≠r3≠r4≠r5；φij為[ - 1,1]之間的隨機(jī)數(shù)。

由于選取非線性多目標(biāo)函數(shù)，改進(jìn)后的人工蜂群算法前期全局搜索能力強(qiáng)，后期可局部進(jìn)行較強(qiáng)搜索，從而提高全局收斂性，避免早熟。

3 優(yōu)化流程

基于改進(jìn)人工蜂群算法的區(qū)域電網(wǎng)儲能能量管理優(yōu)化模型流程如圖2所示。

圖2 優(yōu)化模型流程Fig. 2 Flow chart of optimization model

4 算例仿真

4.1 算例介紹

本文對吐魯番地區(qū)4個儲能電站進(jìn)行能量管理優(yōu)化，將基于該區(qū)域網(wǎng)架結(jié)構(gòu)、實(shí)際參數(shù)及目標(biāo)函數(shù)，調(diào)整人工蜂群算法參數(shù)，對算法進(jìn)行改進(jìn)。

吐魯番區(qū)域電網(wǎng)拓?fù)淙鐖D3所示。該地區(qū)共有117個節(jié)點(diǎn)，包括1個調(diào)峰火電機(jī)組、2個常規(guī)火電機(jī)組、16個風(fēng)電場、5個光伏電站、4個儲能電站、其余均為負(fù)荷節(jié)點(diǎn)。儲能電站相關(guān)參數(shù)如表1所示，儲能經(jīng)過前期優(yōu)化配置，分別安裝在節(jié)點(diǎn) 17、18、19、20，其容量均為25 MW/100 MW·h。常規(guī)火電機(jī)組發(fā)電產(chǎn)生的污染物主要為SO2、NOx、CO2等，為簡化計算將環(huán)境成本設(shè)定為0.11 元/(kW·h)[24]。

圖3 吐魯番區(qū)域電網(wǎng)結(jié)構(gòu)Fig. 3 The power grid topology of Turpan region

表1 儲能電站相關(guān)參數(shù)Table 1 Relevant parameters of energy storage station

IABC算法經(jīng)多次仿真調(diào)試，參數(shù)設(shè)定如表2所示。優(yōu)化前儲能為每日一充一放，設(shè)置儲能在00:00—01:00時段放電，16:00—17:00時段充電。

表2 IABC算法相關(guān)參數(shù)Table 2 Relevant parameters of IABC algorithm

吐魯番區(qū)域風(fēng)電、光伏、常規(guī)火電機(jī)組及日負(fù)荷預(yù)測曲線如圖4所示。

圖4 機(jī)組出力及負(fù)荷預(yù)測曲線Fig. 4 Unit output and load forecasting curves

區(qū)域的分時電價如表3所示[25]。

表3 區(qū)域分時電價Table 3 Regional time of use electricity price

4.2 仿真分析

經(jīng)區(qū)域儲能能量管理策略優(yōu)化后，其日目標(biāo)效益為22 076.92元，與優(yōu)化前的效益13 805.57元相比，區(qū)域日目標(biāo)效益增加了8 271.35元，增長了59.9%。因此，進(jìn)行儲能能量管理優(yōu)化可很好提升區(qū)域的整體經(jīng)濟(jì)效益。

為驗(yàn)證IABC算法的優(yōu)越性，將其與ABC算法及PSO算法比較，不同算法收斂曲線如圖5所示。由圖5可知，IABC算法的收斂速度及收斂精度均得到提高，增加了得到全局最優(yōu)解的可能性。由此可見，IABC算法優(yōu)于PSO算法及ABC算法。

圖5 不同算法收斂曲線Fig. 5 Convergence curves of different algorithms

優(yōu)化前后日負(fù)荷曲線如圖6所示。由圖6可知，采用改進(jìn)IABC算法進(jìn)行儲能能量管理優(yōu)化后，可很好發(fā)揮儲能電站削峰填谷的優(yōu)勢，降低負(fù)荷波動，達(dá)到較好平抑效果，有利于電網(wǎng)安全穩(wěn)定運(yùn)行。

圖6 優(yōu)化前后日負(fù)荷曲線Fig. 6 Daily load curves before and after optimization

IABC算法優(yōu)化后，得到一個周期內(nèi)儲能出力計劃及ESOC變化如圖7所示。由圖7可知，在01:00—12:00時段及23:00—24:00時段儲能放電，ESOC值下降，但4個儲能電站下降幅度不同。當(dāng)ESOC達(dá)到0.1時，為避免深度放電帶來的不利影響，將限制其放電；在12:00—23:00時段儲能充電，ESOC值上升，上升幅度不同，當(dāng)ESOC達(dá)到0.9時，為避免深度充電帶來的不利影響，將限制其充電。儲能電站優(yōu)化后均為一充兩放，通過限制儲能充放電次數(shù)，降低了儲能損耗，延長了儲能壽命。

圖7 儲能出力計劃及ESOC變化Fig. 7 Energy storage output plan andESOCchange

5 結(jié)論

本文建立了區(qū)域電網(wǎng)儲能能量管理優(yōu)化模型，在所提出的改進(jìn)人工蜂群算法中引入自適應(yīng)遞減的慣性權(quán)重，改進(jìn)了引領(lǐng)蜂搜索方程，采用錦標(biāo)賽選擇法改進(jìn)跟隨蜂選擇策略，在跟隨蜂搜索方程中引入差分進(jìn)化思想，最后以吐魯番地區(qū)電網(wǎng)網(wǎng)架結(jié)構(gòu)實(shí)際數(shù)據(jù)仿真調(diào)試，確定算法參數(shù)，進(jìn)行建模仿真，得出以下結(jié)論。

（1）提出的優(yōu)化策略提升了區(qū)域整體經(jīng)濟(jì)效益，有利于電網(wǎng)安全穩(wěn)定運(yùn)行，相較于ABC算法及PSO算法，IABC優(yōu)化后的整體經(jīng)濟(jì)效益更好。

（2）提出的改進(jìn)人工蜂群算法具有很好全局搜索性能、收斂精度高、穩(wěn)定性好，且保持了種群多樣性，可有效避免過早陷入局部最優(yōu)的問題。