基于差分進化粒子群神經網絡的用戶側儲能容量優化配置

蘭國龍，陳佳橋，葉恒志，陳旭海, 廖寶文

(1.中國水利水電第四工程局有限公司,北京 100071；2.中國電建集團福建省電力勘測設計院有限公司,福建 福州 350003)

0 引 言

隨著智能電網和能源互聯網的發展，電力系統對儲能[1]的需求日漸增大。電化學儲能以其靈活和動態響應快速的特點廣泛應用于電力系統的發電、輸電、配電和用電等各環節，其多重運行效益和經濟價值日益凸顯。

用戶側儲能的應用需要解決經濟性及循環壽命的問題，現有研究主要包括以下三個方面：一是儲能容量配置優化與經濟性分析[2-3]，通過建立用戶側儲能應用的成本收益分析模型，分析儲能投資的經濟性，確定最佳的容量配置與運行方案，現有工作主要考慮的收益類型包括削峰填谷及需量控制；二是系統能量管理與優化控制[4]，在儲能系統接入后，需要考慮與電網及終端用戶系統的其他設備，如分布式可再生能源發電和負荷等，共同協調運行，以優化電池儲能的實際收益，另外需要考慮對多個儲能系統間的充放電功率分配及均衡控制，提高電池效率及使用壽命；三是儲能應用領域[5-6]的拓展，通過增加用戶側儲能系統的功能與服務類型，提高儲能應用的收益。

目前儲能系統成本較高，本文采用差分進化-粒子群算法對用戶側儲能進行優化配置，彌補了差分進化算法搜索速度慢和粒子群算法[7]易出現局部最優的缺陷，在保證系統運行可靠性的同時，有效降低系統運行成本，提高系統經濟性。

1 用戶側儲能模型建立

1.1 儲能系統運行目標

配置儲能系統的主要目的是為運營商帶來經濟上的收益。本文針對峰谷價差套利對儲能系統功率容量及控制策略進行優化配置。

1.2 約束條件

-Pn≤Pc(t)≤Pn

(1)

SOC(t+1)=SOC(t)-Pc(t)Δt

(2)

(3)

根據國家發展改革委關于兩部制電價用戶基本電價執行方式的通知:Pzb為主變容量；P1為容量電費;P2為需量電費；Pload為負荷功率；PN為基本電量；Pneed為需要功率；Qsurplus為剩余容量；Zn為額定容量。

(4)

Pc=min([Pneed,Qsurplus/Δt,Pn])

(5)

Pneed=PN-Pload

(6)

Qsurplus=Zn-Q(t)

(7)

儲能控制策略如圖1所示。

圖1 用戶側儲能控制策略

2 差分粒子群算法

2.1 差分進化算法

差分進化算法通過把種群中兩個隨機選擇的不同個體加權差向量，加到第三個個體上，以此“變異”操作來產生新的目標個體；再通過“交叉”產生試驗個體；最后“選擇”適應度函數值較小的個體，為下一代的目標個體。種群中所有個體都需進行以上操作，實現個體進化。

對D維目標個體xi,G(i=1,2,…,NP)，變異操作如下。

vi,G+1=xr1,G+F·(xr2,G-xr3,G) (r1≠r2≠r3≠i)

(8)

式中：D為個體維度；i為個體在種群中的序列；G為進化代數；NP為種群大小；r1、r2、r3為隨機選擇的序號且互不相同；F為變異算子。

2.2 粒子群算法

在粒子群算法中，每個粒子以一定的速度在解空間運動，同時向自身歷史最佳位置和領域歷史最佳位置聚集，通過每一次的疊代，實現個體的進化。

在一個D維目標搜索空間，有N個粒子組成的群體，粒子根據式(9)～式(10)更新自身速度與位置：

vij(t+1)=w×vij(t)+c1r1[pij(t)-xij(t)]

+c2r2[gj(t)-xij(t)]

(9)

xij(t+1)=xij(t)+vij(t+1)

i=1,2,…,N;j=1,2,…,D

(10)

式中：x為第i個粒子位置；v為第i個粒子速度；p為第i個粒子最優個體位置；g為D維全局最優位置;r1和r2為學習因子;c1和c2為[0,1]范圍內的均勻隨機數;w為慣性權重，表示粒子對當前速度繼承能力。粒子群算法流程如圖2所示。

圖2 粒子群算法流程圖

2.3 差分-粒子群優化算法

如圖3所示，差分進化算法具有較強全局最優解的搜索能力，魯棒性強，但要獲得精確度高的解，需要較多的時間。粒子群算法收斂速度快，但控制參數對算法性能影響較大，且算法早期速度快，易出現早熟現象。

因此本文提出混合差分算法和粒子群算法的優化算法，通過改進粒子更新自身速度和位置公式(9)，以綜合兩種算法的優點，避免算法早熟。

vij(G+1)=w·vij(G)+c1r1[xi(G+1)-xij(G)]

(11)

式中：x為第i個粒子位置；v為第i個粒子速度；c1為學習因子；r1為[0,1]范圍內的均勻隨機數；w為慣性權重；xi(G+1)為經過差分優化的全局最優位置；G為進化代數。

3 仿真驗證

建立儲能系統功率容量配比的數據庫如圖3所示，并在送入網絡訓練前，進行數據歸一處理。在BP神經網絡訓練中，網絡初始權重經由差分-粒子群算法優化得到，輸入層至隱含層活化函數為tansig，輸出層為purelin。

圖3 儲能容量優化配置流程

由圖4可見，算法進化方向由適應度函數最小值方向搜索，即預測樣本與期望值的誤差矩陣范數最小。圖5～圖8為神經網絡訓練誤差曲線，經過差分-粒子群混合算法優化改進的網絡MSE(均方誤差)值更小，網絡訓練效果得到了較大的提升。

圖4 差分-粒子群適應度進化曲線

圖5 隨機初始權值與閾值訓練誤差曲線

圖6 粒子群優化初始權值與閾值訓練誤差曲線

圖7 差分進化優化初始權值與閾值訓練誤差曲線

圖8 差分-粒子群優化初始權值與閾值訓練誤差曲線

圖9～圖12為網絡訓練擬合結果，圖中R稱為可決因數，其值越接近1，則說明網絡模型性能越好。仿真結果表明，經過差分-粒子群優化的BP神經網絡的仿真結果更加向真實值聚集。

圖9 隨機初始權值與閾值網絡訓練擬合結果

圖10 粒子群優化初始權值與閾值網絡訓練擬合結果

圖11 差分進化優化初始網絡訓練擬合結果

圖12 差分-粒子群優化初始權值與閾值網絡訓練擬合結果

表1為網絡訓練結果。結果表明，差分-粒子群優化算法于其他三種算法中耗時最短，誤差最小，網絡性能表現最佳，證明了差分粒子混合優化算法用于改進BP神經網絡，網絡性能獲得較大改善。

表1 網絡訓練結果

基于差分-粒子群容量優化算法配置儲能規模為4 MW/6 MWh，采用三充三放的運行策略，儲能通過峰谷價差套利年節省電費約為223萬元，不計儲能損耗及稅收儲能回收期約為7年。

4 結束語

本文在已有研究的基礎上，提出了一種基于差分進化和粒子群混合優化算法的用戶側儲能容量優化方法。在傳統的粒子群優化算法中加入差分進化算法作為輔助變異算子，改變粒子群優化算法的速度更新公式，提高了計算效率以及全局搜索能力。仿真結果表明，采用差分進化粒子群算法時，收斂速度較差分進化法和粒子群算法有明顯的提高，從而具有更強的尋優能力，成功地解決了用戶側儲能系統的容量優化問題，提高了用戶側儲能的經濟性。