摘要：針對(duì)目前我國(guó)電網(wǎng)混合儲(chǔ)能控制系統(tǒng)存在運(yùn)行成本高、控制效果低的問(wèn)題。提出了一種基于多目標(biāo)的新能源微電網(wǎng)混合儲(chǔ)能控制系統(tǒng)（HESS）模型，以降低可再生能源電力波動(dòng)和最低運(yùn)行成本為目標(biāo)函數(shù)建立優(yōu)化方程。提出了一種改進(jìn)粒子群算法（PSO）獲得多目標(biāo)函數(shù)權(quán)重參數(shù)，從而計(jì)算最優(yōu)存儲(chǔ)系統(tǒng)控制信號(hào)。實(shí)驗(yàn)結(jié)果表明，與傳統(tǒng)儲(chǔ)能控制模型相比，所提基于多目標(biāo)的新能源微電網(wǎng)混合儲(chǔ)能控制模型的優(yōu)化混合儲(chǔ)能容量在整個(gè)運(yùn)行周期內(nèi)可節(jié)省4.3%的運(yùn)行成本。所提模型在抑制總線功率波動(dòng)方面更為出色，可有效延長(zhǎng)電池的使用壽命。

關(guān)鍵詞：微電網(wǎng)；可再生能源；混合儲(chǔ)能控制系統(tǒng)；粒子群算法

中圖分類號(hào)：TP391.9文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1001-5922（2024）10-0133-04

A multi-objective new energy microgrid HESS model based"on improved PSO

CHEN Zehan，YE Xinxin，ZHANG Jiaxin

（Hainan Haikou Power Supply Company，Haikou 571199，China）

Abstract：Aiming at the problems of high operating cost and low control effectiveness in current hybrid energy stor?age control systems，a multi-objective based hybrid energy storage control system（HESS）model for new energy mi?crogrid was proposed. An optimization equation was established with the objective function of reducing renewableenergy power fluctuations and minimum operating costs. An improved particle swarm optimization（PSO）algorithmwas proposed to obtain multiple objective function weight parameters to calculate the optimal storage system controlsignal. Experimental results showed that compared to traditional energy storage control models，the optimized hy?brid energy storage capacity of the proposed multi-objective hybrid energy storage control model for new energy mi?crogrids could save 4.3% of operating costs during the entire operating cycle. The proposed model was more effec?tive in suppressing bus power fluctuations，effectively extending the battery life.

Key words：microgrid；renewable energy；hybrid energy storage control system；particle swarm optimization

近年來(lái)，隨著混合微電網(wǎng)[1]

的快速發(fā)展，可再生能源發(fā)電的比例正在逐年增加。然而，可再生能源[2]的輸出功率可能會(huì)因天氣和季節(jié)等不可控因素而發(fā)生變化，故無(wú)法制定精確的發(fā)電計(jì)劃。特別是對(duì)于含有可再生能源的獨(dú)立微電網(wǎng)，由于其無(wú)法從大型電網(wǎng)供電，將會(huì)在負(fù)載側(cè)造成嚴(yán)重的安全隱患。為此，可基于物聯(lián)網(wǎng)、通信、計(jì)算機(jī)等技術(shù)[3-5]檢測(cè)微電網(wǎng)系統(tǒng)中電流、電壓等數(shù)據(jù)，從而有助于實(shí)現(xiàn)混合微電網(wǎng)儲(chǔ)能控制優(yōu)化分析過(guò)程[6-9]。提出一種改進(jìn)二階低通濾波功率分配策略對(duì)混合微電網(wǎng)中超級(jí)電容器和電池功率進(jìn)行修正，從而提升混合儲(chǔ)能單元使用壽命[10-12]。提出一種考慮電池壽命的混合儲(chǔ)能系統(tǒng)（HESS）微電網(wǎng)優(yōu)化配置方法[13-14]。為提高HESS系統(tǒng)優(yōu)化方案，本研究以降低可再生能源電力波動(dòng)和最低建設(shè)運(yùn)行成本為目標(biāo)函數(shù)建立優(yōu)化方程。

1微電網(wǎng)結(jié)構(gòu)

1. 1可再生能源微電網(wǎng)系統(tǒng)

可再生能源微電網(wǎng)系統(tǒng)主要由風(fēng)力發(fā)電系統(tǒng)、光伏陣列、HESS、DC/AC轉(zhuǎn)換設(shè)備、DC/DC轉(zhuǎn)換設(shè)備和負(fù)載組成[15]?？稍偕茉次㈦娋W(wǎng)系統(tǒng)結(jié)構(gòu)示意圖如圖1所示。

2 HESS優(yōu)化模型

2. 1目標(biāo)函數(shù)

考慮到可再生能源的輸出功率變化迅速，將1分鐘設(shè)置為調(diào)度周期?？稍偕茉措娏Σ▌?dòng)目標(biāo)函數(shù)如建立方程（1）和方程（2）：

式中：F1為可再生能源的功率波動(dòng)；n為調(diào)度周期的數(shù)量；PDGi為穩(wěn)定后第i個(gè)調(diào)度周期的輸出功率；PDGi-1為第i-1個(gè)調(diào)度周期的輸出功率。

式中：Pdgi為尚未通過(guò)HESS穩(wěn)定的可再生能源的輸出功率；Psci為超級(jí)電容器在第i次調(diào)度周期中的輸出功率；Pbali為電池在第i次調(diào)度周期中的輸出功率。

微電網(wǎng)的運(yùn)行和最低建設(shè)運(yùn)營(yíng)成本目標(biāo)函數(shù)具體定義為：

式中：F為建設(shè)和運(yùn)營(yíng)成本；m為電池的存儲(chǔ)單21元的每一度電的成本，且包括其配套設(shè)備的成本；m2為超級(jí)電容器的存儲(chǔ)單元每一度電的成本，包括其配套設(shè)備成本；m3為電池參與微電網(wǎng)長(zhǎng)期調(diào)度時(shí)的調(diào)度成本；m4為超級(jí)電容器參與微電網(wǎng)長(zhǎng)遠(yuǎn)調(diào)度時(shí)的規(guī)劃成本；Ebat為電池裝機(jī)容量；Esc為超級(jí)電容器裝機(jī)容量；ηbat為能量轉(zhuǎn)換電池效率；ηsc為超級(jí)電容器的能量轉(zhuǎn)換效率；P′bat為電池參與電網(wǎng)長(zhǎng)期調(diào)度時(shí)的平均功率；′Psc為超級(jí)電容器參與電網(wǎng)長(zhǎng)期規(guī)劃時(shí)的平均電力。

2. 2約束條件

HESS優(yōu)化模型約束條件包括：儲(chǔ)能系統(tǒng)的剩余容量約束、微電網(wǎng)運(yùn)行約束、微電網(wǎng)的功率平衡約束[16]。

為了防止儲(chǔ)能單元的過(guò)充電和過(guò)放電，儲(chǔ)能系統(tǒng)的剩余容量約束，具體定義為如下：

式中：SOCsc為HESS中超級(jí)電容器的充電狀態(tài)

（SOC）；SOCbat為HESS中蓄電池的充電狀態(tài)。

考慮到微電網(wǎng)中可再生能源的不穩(wěn)定狀態(tài)，HESS需要能夠在一定時(shí)間內(nèi)輸出相對(duì)較大的功率，以滿足微電網(wǎng)的正常運(yùn)行[17]。同時(shí)，還需要考慮不能超過(guò)每個(gè)儲(chǔ)能單元和每個(gè)功率轉(zhuǎn)換器的最大允許輸出功率。因此，微電網(wǎng)運(yùn)行約束描述如下：

式中：Pucmin為超級(jí)電容器和功率轉(zhuǎn)換器能夠承受的最小和最大功率；Pbatmin和Pucmax為電池和功率轉(zhuǎn)換器能夠承受的最大功率；Pmax為在一定時(shí)間內(nèi)輸出滿足微電網(wǎng)的正常運(yùn)行的最大功率。

3基于改進(jìn)PSO的多目標(biāo)優(yōu)化算法

3. 1自適應(yīng)權(quán)重PSO算法

PSO是一種模擬粒子群飛行過(guò)程的智能算法，其優(yōu)點(diǎn)是算法過(guò)程簡(jiǎn)單，參數(shù)比其他算法少，易于實(shí)現(xiàn)。PSO中位置和速度根據(jù)方程（6）進(jìn)行更新：

ì?vijt+1=wvijt+c1r1（pbtestij-xijt） +c2r2（gbtestij-xijt）

ít+1（6）?tt+1

?xij=xij+vij

式中：t為算法的迭代次數(shù)；w為飛行過(guò)程中每個(gè)粒子的慣性權(quán)重，該值越大，全局優(yōu)化能力越強(qiáng)；vijt為第i行和第j列的粒子在t處的速度；c1和c2為算法的學(xué)習(xí)因子；r和r為隨機(jī)數(shù)；pt為每個(gè)粒子的最優(yōu)適應(yīng)度；xt為第i行和第j列中粒子在t處的位ij置；gt為每個(gè)粒子的全局最優(yōu)適應(yīng)度。bestij慣性常數(shù)w為粒子群優(yōu)化算法中一個(gè)非常重要的常數(shù)[18]。w的值越大，粒子的搜索速度就越快，但搜索精度就越低。w的值越小，粒子的搜索速度就越慢，但搜索精度就越高。因此，與慣性權(quán)重固定的PSO算法相比，慣性權(quán)重遞減的自適應(yīng)優(yōu)化方法可以在不損失算法速度的情況下保證搜索精度，從而可以根據(jù)方程（7）改變w的值：

式中：w′為w的參考值；k′和k″為補(bǔ)償系數(shù)；vid為當(dāng)前粒子速度；e為系統(tǒng)的允許誤差。

3. 2最壞粒子消除策略

為了發(fā)揮粒子中所有粒子所應(yīng)具有的優(yōu)勢(shì)，提高算法的效率，本文在改進(jìn)PSO算法中引入了最壞粒子消除策略。在HESS的每次尋優(yōu)過(guò)程中，將適應(yīng)度最小的粒子替換為適應(yīng)度最好的粒子，并設(shè)置新的速度和位置，且保持最佳粒子適應(yīng)度不變，從而增強(qiáng)算法的收斂性和局部搜索能力。

3. 3多目標(biāo)函數(shù)權(quán)重

由于經(jīng)典粒子群算法只能計(jì)算單個(gè)目標(biāo)函數(shù)，然而HESS包括可再生能源電力波動(dòng)和建設(shè)運(yùn)營(yíng)成本雙目標(biāo)函數(shù)問(wèn)題。傳統(tǒng)的做法是為多個(gè)目標(biāo)函數(shù)設(shè)置一組參數(shù)λ（i=12），且參數(shù)之和為1。i這種方式可根據(jù)每個(gè)目標(biāo)函數(shù)的重要程度對(duì)整體函數(shù)進(jìn)行優(yōu)化，然而人工設(shè)置的權(quán)重依賴個(gè)人經(jīng)驗(yàn)。

經(jīng)典的多目標(biāo)函數(shù)方程如下所示：

式中：F為多目標(biāo)函數(shù)；λi（i=12m）為權(quán)重；Fi（i=12m）為各單個(gè)目標(biāo)函數(shù)；m為單個(gè)目標(biāo)函數(shù)的個(gè)數(shù)。

在傳統(tǒng)的基于權(quán)重的多目標(biāo)函數(shù)基礎(chǔ)上，本文提出了一種基于當(dāng)前值與平均值之差作為判別原理的方法，并利用熵權(quán)法確定加權(quán)系數(shù)。具體方法如式（9）所示：

式中：ji為當(dāng)前粒子與平均適應(yīng)度之間的差異；fji為每個(gè)目標(biāo)函數(shù)的當(dāng)前粒子的適應(yīng)度；fav為每個(gè)目標(biāo)函數(shù)的所有粒子的適應(yīng)度的平均值。

當(dāng)前粒子與平均適應(yīng)度之間的差異反映了當(dāng)前粒子根據(jù)當(dāng)前飛行軌跡和速度的飛行與最佳值之間的差異。如果差異很大，則會(huì)增加當(dāng)前配置與最佳解決方案之間的差距。同時(shí)，使用熵權(quán)法在每個(gè)目標(biāo)函數(shù)之前確定每個(gè)權(quán)重系數(shù)，具體步驟如下：

步驟1：根據(jù)目標(biāo)函數(shù)的數(shù)量確定回路控制變量m（本研究取m為2），并找到單個(gè)目標(biāo)函數(shù)的最優(yōu)解為fi；

步驟2：將每個(gè)單個(gè)目標(biāo)的最優(yōu)解代入不同的目標(biāo)函數(shù)，得到相應(yīng)的目標(biāo)函數(shù)適應(yīng)度f(wàn)j；i

步驟3：計(jì)算每個(gè)目標(biāo)函數(shù)的最優(yōu)解的差值ij；

步驟4：計(jì)算每個(gè)目標(biāo)函數(shù)的平均差ui：

步驟5：計(jì)算每個(gè)目標(biāo)函數(shù)的加權(quán)因子λi：

3. 4算法執(zhí)行

使用改進(jìn)的粒子群算法對(duì)HESS雙目標(biāo)函數(shù)進(jìn)行求解，算法的執(zhí)行過(guò)程如圖2所示。

4仿真與分析

4. 1參數(shù)設(shè)置與仿真環(huán)境

本節(jié)基于MATLAB 2019A對(duì)所提基于多目標(biāo)的新能源微電網(wǎng)混合儲(chǔ)能控制模型進(jìn)行了分析和驗(yàn)證。

仿真時(shí)微電網(wǎng)模型及數(shù)據(jù)主要通過(guò)SIMULINK獲取，電力系統(tǒng)參數(shù)設(shè)置如下：電池電壓為70～85 V，超級(jí)電容電壓為60～75 V，DC總線電壓為120 V，單個(gè)電池最大輸出功率為800 W，超級(jí)電容最大輸出功率為2 000 W，傳輸效率設(shè)置為0.95，采用頻率設(shè)置為40 kHz，開(kāi)關(guān)頻率設(shè)置為10 kHz，直流母線額定負(fù)載設(shè)置為3 000 W。

模型運(yùn)行硬件環(huán)境為Intel Core i9-9280X CPU，內(nèi)存為64 G，操作系統(tǒng)為WIN10 64位。

4. 2優(yōu)化性能對(duì)比

首先，將所提改進(jìn)PSO與PSO（λ=λ=0.5）、12多目標(biāo)遺傳算法（MOGA）、精英策略的快速非支配排序遺傳算法（NSGA-II）的運(yùn)行時(shí)間進(jìn)行了比較。圖3所示為不同模型適應(yīng)度函數(shù)變化圖。

由圖3可以看出，所提改進(jìn)PSO模型收斂性較好，MOGA和NAGA-II模型收斂性相差不大，傳統(tǒng)PSO模型收斂性最差。仿真結(jié)果驗(yàn)證了自適應(yīng)權(quán)重、最壞粒子消除、熵權(quán)法確定加權(quán)系數(shù)等策略的有效性。

4. 3運(yùn)行成本對(duì)比

將所提基于多目標(biāo)的新能源微電網(wǎng)混合儲(chǔ)能控制模型與傳統(tǒng)儲(chǔ)能控制模型[9]的運(yùn)行成本進(jìn)行了比較。對(duì)比的指標(biāo)分別選?。?jiǎn)蝹€(gè)負(fù)載循環(huán)中儲(chǔ)能控制系統(tǒng)的等效放電量（p0）、超級(jí)電容器在單個(gè)負(fù)載循環(huán)中的等效放電量（p）、電池在整個(gè)運(yùn)行周期中1的更換次數(shù)（n2）、超級(jí)電容器在整個(gè)運(yùn)行周期中更換次數(shù)（n3）、每批電池充電成本（c4）、每批超級(jí)電容器充電成本（c）、單個(gè)電池運(yùn)行成本（c）、單個(gè)超級(jí)56電容器運(yùn)行成本（c）、單個(gè)HESS運(yùn)行成本（c）78。

表1所示為不同模型經(jīng)濟(jì)效益分析對(duì)比結(jié)果。

由表1可以看出，所提基于多目標(biāo)的新能源微電網(wǎng)混合儲(chǔ)能控制模型的優(yōu)化混合儲(chǔ)能容量在整個(gè)運(yùn)行周期內(nèi)可節(jié)省4.3%的運(yùn)行成本。此外，所提控制模型下需要更換電池及超級(jí)電容器的次數(shù)也顯著減少。

4. 4可再生能源中功率波動(dòng)結(jié)果分析

以一天為調(diào)度周期，選電池功率、超級(jí)電容功率以及總線功率為指標(biāo)，對(duì)比了所提基于多目標(biāo)的新能源微電網(wǎng)混合儲(chǔ)能控制模型與相同配置下的傳統(tǒng)混合儲(chǔ)能控制模型[19-20]抑制功率波動(dòng)效果。需注意，傳統(tǒng)混合儲(chǔ)能控制模型不使用優(yōu)化機(jī)制。不同模型抑制功率波動(dòng)效果比較結(jié)果如圖4所示。

由圖4可以看出，傳統(tǒng)模型中不使用優(yōu)化控制機(jī)制，盡管超級(jí)電容器承受了大部分高頻波動(dòng)，但發(fā)電機(jī)組產(chǎn)生的并網(wǎng)功率無(wú)法控制，導(dǎo)致電池在6：00～15：00因放電功率過(guò)大而被安全模塊切斷?？傮w來(lái)看，所提優(yōu)化控制模型在抑制總線功率波動(dòng)方面更為出色，且電池的工作狀態(tài)也得到了顯著改善，基本避免了過(guò)度充電和過(guò)度放電，從而有效延長(zhǎng)了電池的使用壽命。

5結(jié)語(yǔ)

本文對(duì)新能源微電網(wǎng)混合儲(chǔ)能控制進(jìn)行了研究與分析，建立了一種多目標(biāo)優(yōu)化新能源微電網(wǎng)混合儲(chǔ)能控制模型。該模型可基于改進(jìn)PSO算法搜索最優(yōu)控制策略，有效降低新能源微電網(wǎng)混合儲(chǔ)能運(yùn)行成本以及提高抑制功率波動(dòng)效果。所提多目標(biāo)優(yōu)化新能源微電網(wǎng)混合儲(chǔ)能控制模型可為混合微電網(wǎng)儲(chǔ)能控制的發(fā)展提供一定借鑒作用。

【參考文獻(xiàn)】

[1]趙洪.分布式電源交直流混合供電的微電網(wǎng)系統(tǒng)研究[J].科技創(chuàng)新與應(yīng)用，2023，13（6）：89-92.

[2]魏韡，范越，謝睿，等.平抑高比例新能源發(fā)電功率波動(dòng)的風(fēng)-光-儲(chǔ)容量最優(yōu)配比[J].電力建設(shè)，2023，44（3）：138-147.

[3]周霞，劉懿詩(shī)，戴劍豐，等.考慮風(fēng)-儲(chǔ)-直參與調(diào)頻的電力系統(tǒng)頻率特征定量分析[J].電力系統(tǒng)保護(hù)與控制，2023，51（6）：30-44.

[4]牟杰，楊依睿，徐永海，等.接入電力電子變壓器的光伏及混合儲(chǔ)能協(xié)調(diào)控制策略研究[J].電力電容器與無(wú)功補(bǔ)償，2022，43（3）：143-152.

[5]鐘建栩，余少鋒，廖崇陽(yáng)，等.基于云計(jì)算的電力設(shè)備智能監(jiān)測(cè)系統(tǒng)[J].云南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，42（3）：37-41.

[6]張磊沖，胡治國(guó)，司少康，等.混合儲(chǔ)能單元功率分配策略[J].上海電機(jī)學(xué)院學(xué)報(bào)，2023，26（1）：28-33.

[7]陳中豪，徐良德，郭挺，等.基于IGG抗差的配電網(wǎng)多端行波故障定位方法[J].廣東電力，2022，35（11）：34-41.

[8]田志慧，趙興勇.不平衡電壓下交、直流混合微電網(wǎng)直流紋波抑制策略[J].可再生能源，2022，40（12）：1643-1649.

[9]林泓濤，姜久春，賈志東，等.權(quán)重系數(shù)自適應(yīng)調(diào)整的混合儲(chǔ)能系統(tǒng)多目標(biāo)模型預(yù)測(cè)控制[J].中國(guó)電機(jī)工程學(xué)報(bào)，2018，38（18）：5538-5547.

[10]高騫，楊俊義，洪宇，等.基于改造措施的智能配電系統(tǒng)優(yōu)化模型分析[J].粘接，2022，49（12）：178-181.

[11]彭也，馬遜，高豐，等.光伏溫室冬季蓄電-儲(chǔ)熱能源管理研究[J].云南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，43（2）：7-10.

[12]汪萌，王春，謝瓊瑤，等.含多種新能源的微電網(wǎng)經(jīng)濟(jì)調(diào)度方法研究[J].電工材料，2023（5）：48-51.

[13]邱益林.智能電網(wǎng)可再生能源微電網(wǎng)系統(tǒng)設(shè)計(jì)分析[J].太陽(yáng)能學(xué)報(bào)，2023，44（8）：568-568.

[14]鐘云南，陳行濱，占彤平，等.分層集群技術(shù)與數(shù)據(jù)流負(fù)載均衡研究[J].粘接，2022，49（12）：182-185.

[15]趙娜，張蓮，王士彬，等.并網(wǎng)型風(fēng)光氫儲(chǔ)微電網(wǎng)容量?jī)?yōu)化配置[J].湖南電力，2023，43（4）：48-55.

[16]李國(guó)慶，崔曉波，張斌，等.基于電壓自動(dòng)控制的新能源消納能力提高[J].自動(dòng)化與儀器儀表，2023（8）：186-189.

[17]王曉燕，楊哲，劉飛，等.計(jì)及不確定性的新能源微電網(wǎng)負(fù)荷線性規(guī)劃模型構(gòu)建[J].微型電腦應(yīng)用，2023，39（7）：53-56.

[18]閆嵩琦.數(shù)據(jù)防泄漏技術(shù)的電網(wǎng)信息化安全控制研究[J].粘接，2022，49（7）：137-140.

[19]邱燕超.數(shù)字化為新能源汽車充電提供新思路[N].中國(guó)電力報(bào)，2023-07-03（2）.

[20]陳厚仁，馬進(jìn)偉，羅成龍，等.雙玻光伏組件HP-PV/T一體化系統(tǒng)實(shí)驗(yàn)研究[J].云南師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，43（1）：12-15.