【精彩论文】基于改进人工蜂群算法的区域电网储能系统能量管理优化策略

‍

基于改进人工蜂群算法的区域电网储能系统能量管理优化策略

王子琪, 张慧媛, 许军, 程杰慧

（华北电力大学 电气与电子工程学院，北京 102206）

摘要：为提高新能源消纳水平及系统运行效率，需对储能系统充放电功率进行优化，以平抑功率波动，降低网络损耗，提高经济效益。基于源荷状态判断储能各时段充放电状态，以区域日网损降低收益、日高储低放套利收益及日环境效益最大为目标，综合考虑储能自身约束及网架潮流状态约束等条件，建立了区域电网储能能量管理优化模型。求解过程中提出了一种改进人工蜂群算法（improved artificial bee colony，IABC），并针对吐鲁番区域网架结构及运行特点进行了建模仿真。结果表明，对储能进行能量管理优化可提升整体经济效益，且改进人工蜂群算法具有很好的全局搜索能力及收敛性。

引文信息

王子琪, 张慧媛, 许军, 等. 基于改进人工蜂群算法的区域电网储能系统能量管理优化策略[J]. 中国电力, 2022, 55(9): 16-22, 55.

WANG Ziqi, ZHANG Huiyuan, XU Jun, et al. An energy management optimization strategy for regional power grid energy storage system based on improved artificial bee colony algorithm[J]. Electric Power, 2022, 55(9): 16-22, 55.

引言近年来，以新能源大规模开发利用为特征的能源变革蓬勃兴起。而风电、光伏发电具有波动性及随机性，抑制了新能源产业发展^[1-3]。储能技术能源利用率高、响应速度快，可提高新能源的消纳水平，提升电力系统安全性、经济性及灵活性。储能系统可优化储能的充放电功率，进行能量管理，从而平抑功率波动，降低网络损耗，提高系统运行效率^[4-8]。储能系统的能量管理策略主要考虑网络损耗、削峰填谷等多个方面，属于多约束的非线性规划问题^[9]。常用的求解算法有粒子群算法^[10-12]、遗传算法^[13-14]和混合整数规划^[15]等。文献[10-12]改进了粒子群算法中粒子位置表达形式及更新过程，来优化储能单元充放电功率。文献[13]提出了混合储能系统实时调度和经济运行规划，将动态规划与遗传算法相结合，协调了储能充放电过程及功率分配。文献[14]建立了不同场景下光蓄微电网调度模型，采用改进多种群实编码遗传算法，使得其种群个体可根据充放电功率进行修正。文献[15]建立了风储联合日运行优化调度模型，将优化问题转化为混合整数线性规划问题来求解。人工蜂群算法（artificial bee colony，ABC）是一种模仿自然界中蜜蜂采蜜行为的群智能优化算法，搜索能力强大，且结构简单易于实现^[16-17]。该算法已在车间调度、人工神经网络等多个领域得到广泛应用，本文采用人工蜂群算法来求解储能能量管理优化问题^[18-19]。

本文首先基于源荷状态确定储能各时段充放电选择，以区域日网损降低收益、日高储低放套利收益及日环境效益最大为目标，建立储能能量管理优化模型；其次针对吐鲁番区域网架结构及运行特点提出一种改进人工蜂群算法（improved artificial bee colony，IABC）；最后对其建模仿真，求解储能能量管理策略，验证所提方法的有效性及合理性。

1  储能系统能量管理优化模型

1.1  基于源荷状态判断储能状态

为加快求解速度，提高求解效率，可在能量管理优化前确定储能在各时段的充、放电选择。当风电、光伏与常规火电机组预测出力之和大于负荷预测值时，储能充电；当风电、光伏与常规火电机组预测出力之和小于负荷预测值时，储能放电。

1.2  目标函数

以日网损减少收益、日峰谷价差套利收益及日环境效益最大为目标，进行储能能量管理优化，其表达式为

式中：F₁为日目标效益；f₁为日网损减少收益；f₂为日峰谷价差套利收益；f₃为日环境效益。（1）日网损降低收益为式中： P′_loss.t 为储能能量管理优化前网损值；T为总时段；b为区域支路总数； P_l.t 和 Q_l.t 分别为t时刻支路l的有功和无功功率； U_l.t 为t时刻支路l末端电压幅值； R_l 为支路l的电阻； ρ_t 为t时刻电价。（2）储能在电价较低即负荷低谷时充电，电价较高时即负荷高峰时放电，从而实现峰谷价差套利。日峰谷价差套利收益为（3）储能环境效益主要指储能参与系统后代替常规火电机组发电所减少污染物排放产生的效益。日环境效益为式中： C_n 为第n项污染物的环境成本； E_bess 为储能日放电电量；N为污染物总数。1.3  约束条件（1）功率平衡约束为式中： P_s 为电网输入功率； P_bess.m 为第m个储能的充放电功率，放电时， P_bess.m＞0 ，充电时， P_bess.m＜0 ； P_load.i 为第i个负荷的功率； P_wt.j为第j个风电输出功率； P_pv.k 为第k个光伏输出功率。（2）节点电压约束为式中： U_imax 和 U_imin 分别为系统节点i电压的上限和下限。（3）SOC约束为式中： E_SOC(t) 为t时刻储能系统荷电状态； E_SOCmin 和 E_SOCmax 分别为储能系统最小和最大荷电状态。充电时 E_SOC(t) 为放电时E_SOC(t)为式中： η_c 和 η_d 分别为储能系统的充电效率和放电效率； Δt 为单位时段； E_bess 为系统额定容量。储能进行能量管理的初始时刻和结束时刻荷电状态需保持一致，即式中： E_SOC(0) 和 E_SOC(T) 分别为储能在初始时刻和结束时刻的荷电状态。（4）储能充放电次数约束为

式中： N_ch 和 N_dis 分别为储能系统充电和放电次数； N₁ 和 N₂ 分别为储能最大充、放电次数，其中连续的充电时段/放电时段记为充电1次/放电1次。

2  改进人工蜂群算法

人工蜂群算法分为以下3个过程：引领蜂的搜索选择过程；跟随蜂的概率选择及搜索选择过程；当某个食物源经 N_limit 次循环仍无改善，该食物源将被放弃，侦察蜂进行随机搜索选择过程。该算法控制参数少，易于实现，但随着问题规模增大，算法搜索全局最优效率降低，可进一步将算法进行改进。

2.1  自适应递减惯性权重

参考粒子群算法（particle swarm optimization，PSO）中，惯性权重相关内容，可在引领蜂搜索公式中引入自适应递减的惯性权重^[20]，平衡算法全局搜索与局部搜索能力，具体计算式为

式中：w为自适应递减因子； w_max 和 w_min 分别为w最大和最小值；n为当前迭代次数； n_max 为最大迭代次数。

当 n_max=300 ， w_max 和 w_min 取不同值时，w与n关系曲线，如图1所示。当 w_max=1.4 时， w_min 越大，算法后期局部搜索能力越强，可更好接近最优解；当w_min=0.9 时， w_max 越小，达到最大迭代次数时的w越小，算法后期收敛精度越高。

图1  自适应递减因子与迭代次数的关系曲线

Fig.1  The relationship betweenw and n

2.2  锦标赛选择策略

人工蜂群算法中跟随蜂采用轮盘赌法进行概率选择。早期，高适应值个体适应度高，容易多次被选中，易陷入局部最优；后期，个体适应度值相差不大，搜索过程趋于停滞，可以进一步对选择策略进行改进。

锦标赛选择策略（tournament selection）将种群在第n代个体适应度值进行两两比较，若当前个体的适应度值高于另一个体，则该个体分值加一，对每个个体重复这一过程，最终由积分值确定选择的权重，积分高则权重大^[21]。具体计算式为

式中： p_i 为第 i 个食物源被选择的概率； M 为初始种群数量； A_i 、A_j分别为第i、j个个体经过比较后所得分值。该方法不涉及具体适应度值，仅在个体间进行比较，从而降低了高适应度值个体对算法的影响，在一定程度上提高算法全局收敛性，避免过早收敛。2.3  差分进化思想在跟随蜂搜索公式中引入差分进化思想，即随机选择一个个体作为变异个体，再随机选取另外的4个个体两两做差分，引导开发最优区域来提高其开发能力，克服局部最优解束缚^[22-23]。改进后的跟随蜂搜索公式为式中： v_ij 为生成新食物源位置； x_rj 为邻域附近随机选择的食物源位， r₁,r₂,r₃,r₄,r₅∈{1,2,⋯,M} ， i≠r₁≠r₂≠r₃≠r₄≠r₅ ； ϕ_ij 为 [−1,1] 之间的随机数。

由于选取非线性多目标函数，改进后的人工蜂群算法前期全局搜索能力强，后期可局部进行较强搜索，从而提高全局收敛性，避免早熟。

3  优化流程

基于改进人工蜂群算法的区域电网储能能量管理优化模型流程如图2所示。

图2  优化模型流程

Fig.2  Flow chart of optimization model

4  算例仿真4.1  算例介绍本文对吐鲁番地区4个储能电站进行能量管理优化，将基于该区域网架结构、实际参数及目标函数，调整人工蜂群算法参数，对算法进行改进。

吐鲁番区域电网拓扑如图3所示。该地区共有117个节点，包括1个调峰火电机组、2个常规火电机组、16个风电场、5个光伏电站、4个储能电站、其余均为负荷节点。储能电站相关参数如表1所示，储能经过前期优化配置，分别安装在节点17、18、19、20，其容量均为25 MW/100 MW·h。常规火电机组发电产生的污染物主要为SO₂、NO_x、CO₂等，为简化计算将环境成本设定为0.11元/(kW·h)^[24]。

图3  吐鲁番区域电网结构

Fig.3  The power grid topology of Turpan region

表1  储能电站相关参数

Table 1  Relevant parameters of energy storage station

IABC算法经多次仿真调试，参数设定如表2所示。优化前储能为每日一充一放，设置储能在00:00—01:00时段放电，16:00—17:00时段充电。

表2  IABC算法相关参数

Table 2  Relevant parameters of IABC algorithm

吐鲁番区域风电、光伏、常规火电机组及日负荷预测曲线如图4所示。

图4  机组出力及负荷预测曲线

Fig.4  Unit output and load forecasting curves

区域的分时电价如表3所示^[25]。

表3  区域分时电价

Table 3  Regional time of use electricity price

4.2  仿真分析经区域储能能量管理策略优化后，其日目标效益为22076.92元，与优化前的效益13805.57元相比，区域日目标效益增加了8271.35元，增长了59.9%。因此，进行储能能量管理优化可很好提升区域的整体经济效益。

为验证IABC算法的优越性，将其与ABC算法及PSO算法比较，不同算法收敛曲线如图5所示。由图5可知，IABC算法的收敛速度及收敛精度均得到提高，增加了得到全局最优解的可能性。由此可见，IABC算法优于PSO算法及ABC算法。

图5  不同算法收敛曲线

Fig.5  Convergence curves of different algorithms

优化前后日负荷曲线如图6所示。由图6可知，采用改进IABC算法进行储能能量管理优化后，可很好发挥储能电站削峰填谷的优势，降低负荷波动，达到较好平抑效果，有利于电网安全稳定运行。

图6  优化前后日负荷曲线

Fig.6  Daily load curves before and after optimization

IABC算法优化后，得到一个周期内储能出力计划及E_SOC变化如图7所示。由图7可知，在01:00—12:00时段及23:00—24:00时段储能放电，E_SOC值下降，但4个储能电站下降幅度不同。当E_SOC达到0.1时，为避免深度放电带来的不利影响，将限制其放电；在12:00—23:00时段储能充电，E_SOC值上升，上升幅度不同，当E_SOC达到0.9时，为避免深度充电带来的不利影响，将限制其充电。储能电站优化后均为一充两放，通过限制储能充放电次数，降低了储能损耗，延长了储能寿命。

图7  储能出力计划及E_SOC变化Fig.7  Energy storage output plan and E_SOC change5  结论本文建立了区域电网储能能量管理优化模型，在所提出的改进人工蜂群算法中引入自适应递减的惯性权重，改进了引领蜂搜索方程，采用锦标赛选择法改进跟随蜂选择策略，在跟随蜂搜索方程中引入差分进化思想，最后以吐鲁番地区电网网架结构实际数据仿真调试，确定算法参数，进行建模仿真，得出以下结论。（1）提出的优化策略提升了区域整体经济效益，有利于电网安全稳定运行，相较于ABC算法及PSO算法，IABC优化后的整体经济效益更好。（2）提出的改进人工蜂群算法具有很好全局搜索性能、收敛精度高、稳定性好，且保持了种群多样性，可有效避免过早陷入局部最优的问题。

（责任编辑　于静茹）

作者介绍

王子琪（1996—），女，通信作者，硕士，从事储能技术研究，E-mail：[e-mail];

★

张慧媛（1963—），女，硕士，副教授，从事直流微电网与储能技术研究，E-mail：[e-mail];

★

许军（1980—），男，博士，讲师，从事直流电网与储能技术研究，E-mail：[e-mail];

★

程杰慧（1996—），女，硕士，从事电网调度优化研究，E-mail：[e-mail].

欢迎点击文后“阅读原文”跳转期刊官网，获取更多信息！

 往期回顾 

编辑：于静茹

校对：杨彪

审核：方彤

声明

根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。