基于改進PSO的多目標新能源微電網HESS模型

摘要：針對目前我國電網混合儲能控制系統存在運行成本高、控制效果低的問題。提出了一種基于多目標的新能源微電網混合儲能控制系統（HESS）模型，以降低可再生能源電力波動和最低運行成本為目標函數建立優化方程。提出了一種改進粒子群算法（PSO）獲得多目標函數權重參數，從而計算最優存儲系統控制信號。實驗結果表明，與傳統儲能控制模型相比，所提基于多目標的新能源微電網混合儲能控制模型的優化混合儲能容量在整個運行周期內可節省4.3%的運行成本。所提模型在抑制總線功率波動方面更為出色，可有效延長電池的使用壽命。

關鍵詞：微電網；可再生能源；混合儲能控制系統；粒子群算法

中圖分類號：TP391.9文獻標志碼：A文章編號：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，隨著混合微電網[1]

的快速發展，可再生能源發電的比例正在逐年增加。然而，可再生能源[2]的輸出功率可能會因天氣和季節等不可控因素而發生變化，故無法制定精確的發電計劃。特別是對于含有可再生能源的獨立微電網，由于其無法從大型電網供電，將會在負載側造成嚴重的安全隱患。為此，可基于物聯網、通信、計算機等技術[3-5]檢測微電網系統中電流、電壓等數據，從而有助于實現混合微電網儲能控制優化分析過程[6-9]。提出一種改進二階低通濾波功率分配策略對混合微電網中超級電容器和電池功率進行修正，從而提升混合儲能單元使用壽命[10-12]。提出一種考慮電池壽命的混合儲能系統（HESS）微電網優化配置方法[13-14]。為提高HESS系統優化方案，本研究以降低可再生能源電力波動和最低建設運行成本為目標函數建立優化方程。

1微電網結構

1. 1可再生能源微電網系統

可再生能源微電網系統主要由風力發電系統、光伏陣列、HESS、DC/AC轉換設備、DC/DC轉換設備和負載組成[15]。可再生能源微電網系統結構示意圖如圖1所示。

2 HESS優化模型

2. 1目標函數

考慮到可再生能源的輸出功率變化迅速，將1分鐘設置為調度周期。可再生能源電力波動目標函數如建立方程（1）和方程（2）：

式中：F1為可再生能源的功率波動；n為調度周期的數量；PDGi為穩定后第i個調度周期的輸出功率；PDGi-1為第i-1個調度周期的輸出功率。

式中：Pdgi為尚未通過HESS穩定的可再生能源的輸出功率；Psci為超級電容器在第i次調度周期中的輸出功率；Pbali為電池在第i次調度周期中的輸出功率。

微電網的運行和最低建設運營成本目標函數具體定義為：

式中：F為建設和運營成本；m為電池的存儲單21元的每一度電的成本，且包括其配套設備的成本；m2為超級電容器的存儲單元每一度電的成本，包括其配套設備成本；m3為電池參與微電網長期調度時的調度成本；m4為超級電容器參與微電網長遠調度時的規劃成本；Ebat為電池裝機容量；Esc為超級電容器裝機容量；ηbat為能量轉換電池效率；ηsc為超級電容器的能量轉換效率；P′bat為電池參與電網長期調度時的平均功率；′Psc為超級電容器參與電網長期規劃時的平均電力。

2. 2約束條件

HESS優化模型約束條件包括：儲能系統的剩余容量約束、微電網運行約束、微電網的功率平衡約束[16]。

為了防止儲能單元的過充電和過放電，儲能系統的剩余容量約束，具體定義為如下：

式中：SOCsc為HESS中超級電容器的充電狀態

（SOC）；SOCbat為HESS中蓄電池的充電狀態。

考慮到微電網中可再生能源的不穩定狀態，HESS需要能夠在一定時間內輸出相對較大的功率，以滿足微電網的正常運行[17]。同時，還需要考慮不能超過每個儲能單元和每個功率轉換器的最大允許輸出功率。因此，微電網運行約束描述如下：

式中：Pucmin為超級電容器和功率轉換器能夠承受的最小和最大功率；Pbatmin和Pucmax為電池和功率轉換器能夠承受的最大功率；Pmax為在一定時間內輸出滿足微電網的正常運行的最大功率。

3基于改進PSO的多目標優化算法

3. 1自適應權重PSO算法

PSO是一種模擬粒子群飛行過程的智能算法，其優點是算法過程簡單，參數比其他算法少，易于實現。PSO中位置和速度根據方程（6）進行更新：

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；w為飛行過程中每個粒子的慣性權重，該值越大，全局優化能力越強；vijt為第i行和第j列的粒子在t處的速度；c1和c2為算法的學習因子；r和r為隨機數；pt為每個粒子的最優適應度；xt為第i行和第j列中粒子在t處的位ij置；gt為每個粒子的全局最優適應度。bestij慣性常數w為粒子群優化算法中一個非常重要的常數[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，與慣性權重固定的PSO算法相比，慣性權重遞減的自適應優化方法可以在不損失算法速度的情況下保證搜索精度，從而可以根據方程（7）改變w的值：

式中：w′為w的參考值；k′和k″為補償系數；vid為當前粒子速度；e為系統的允許誤差。

3. 2最壞粒子消除策略

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

3. 3多目標函數權重

由于經典粒子群算法只能計算單個目標函數，然而HESS包括可再生能源電力波動和建設運營成本雙目標函數問題。傳統的做法是為多個目標函數設置一組參數λ（i=12），且參數之和為1。i這種方式可根據每個目標函數的重要程度對整體函數進行優化，然而人工設置的權重依賴個人經驗。

經典的多目標函數方程如下所示：

式中：F為多目標函數；λi（i=12m）為權重；Fi（i=12m）為各單個目標函數；m為單個目標函數的個數。

在傳統的基于權重的多目標函數基礎上，本文提出了一種基于當前值與平均值之差作為判別原理的方法，并利用熵權法確定加權系數。具體方法如式（9）所示：

式中：ji為當前粒子與平均適應度之間的差異；fji為每個目標函數的當前粒子的適應度；fav為每個目標函數的所有粒子的適應度的平均值。

當前粒子與平均適應度之間的差異反映了當前粒子根據當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，則會增加當前配置與最佳解決方案之間的差距。同時，使用熵權法在每個目標函數之前確定每個權重系數，具體步驟如下：

步驟1：根據目標函數的數量確定回路控制變量m（本研究取m為2），并找到單個目標函數的最優解為fi；

步驟2：將每個單個目標的最優解代入不同的目標函數，得到相應的目標函數適應度fj；i

步驟3：計算每個目標函數的最優解的差值ij；

步驟4：計算每個目標函數的平均差ui：

步驟5：計算每個目標函數的加權因子λi：

3. 4算法執行

使用改進的粒子群算法對HESS雙目標函數進行求解，算法的執行過程如圖2所示。

4仿真與分析

4. 1參數設置與仿真環境

本節基于MATLAB 2019A對所提基于多目標的新能源微電網混合儲能控制模型進行了分析和驗證。

仿真時微電網模型及數據主要通過SIMULINK獲取，電力系統參數設置如下：電池電壓為70～85 V，超級電容電壓為60～75 V，DC總線電壓為120 V，單個電池最大輸出功率為800 W，超級電容最大輸出功率為2 000 W，傳輸效率設置為0.95，采用頻率設置為40 kHz，開關頻率設置為10 kHz，直流母線額定負載設置為3 000 W。

模型運行硬件環境為Intel Core i9-9280X CPU，內存為64 G，操作系統為WIN10 64位。

4. 2優化性能對比

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

由圖3可以看出，所提改進PSO模型收斂性較好，MOGA和NAGA-II模型收斂性相差不大，傳統PSO模型收斂性最差。仿真結果驗證了自適應權重、最壞粒子消除、熵權法確定加權系數等策略的有效性。

4. 3運行成本對比

將所提基于多目標的新能源微電網混合儲能控制模型與傳統儲能控制模型[9]的運行成本進行了比較。對比的指標分別選取：單個負載循環中儲能控制系統的等效放電量（p0）、超級電容器在單個負載循環中的等效放電量（p）、電池在整個運行周期中1的更換次數（n2）、超級電容器在整個運行周期中更換次數（n3）、每批電池充電成本（c4）、每批超級電容器充電成本（c）、單個電池運行成本（c）、單個超級56電容器運行成本（c）、單個HESS運行成本（c）78。

表1所示為不同模型經濟效益分析對比結果。

由表1可以看出，所提基于多目標的新能源微電網混合儲能控制模型的優化混合儲能容量在整個運行周期內可節省4.3%的運行成本。此外，所提控制模型下需要更換電池及超級電容器的次數也顯著減少。

4. 4可再生能源中功率波動結果分析

以一天為調度周期，選電池功率、超級電容功率以及總線功率為指標，對比了所提基于多目標的新能源微電網混合儲能控制模型與相同配置下的傳統混合儲能控制模型[19-20]抑制功率波動效果。需注意，傳統混合儲能控制模型不使用優化機制。不同模型抑制功率波動效果比較結果如圖4所示。

由圖4可以看出，傳統模型中不使用優化控制機制，盡管超級電容器承受了大部分高頻波動，但發電機組產生的并網功率無法控制，導致電池在6：00～15：00因放電功率過大而被安全模塊切斷。總體來看，所提優化控制模型在抑制總線功率波動方面更為出色，且電池的工作狀態也得到了顯著改善，基本避免了過度充電和過度放電，從而有效延長了電池的使用壽命。

5結語

本文對新能源微電網混合儲能控制進行了研究與分析，建立了一種多目標優化新能源微電網混合儲能控制模型。該模型可基于改進PSO算法搜索最優控制策略，有效降低新能源微電網混合儲能運行成本以及提高抑制功率波動效果。所提多目標優化新能源微電網混合儲能控制模型可為混合微電網儲能控制的發展提供一定借鑒作用。

【參考文獻】

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

[2]魏韡，范越，謝睿，等.平抑高比例新能源發電功率波動的風-光-儲容量最優配比[J].電力建設，2023，44（3）：138-147.

[3]周霞，劉懿詩，戴劍豐，等.考慮風-儲-直參與調頻的電力系統頻率特征定量分析[J].電力系統保護與控制，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能協調控制策略研究[J].電力電容器與無功補償，2022，43（3）：143-152.

[5]鐘建栩，余少鋒，廖崇陽，等.基于云計算的電力設備智能監測系統[J].云南師范大學學報（自然科學版），2022，42（3）：37-41.

[6]張磊沖，胡治國，司少康，等.混合儲能單元功率分配策略[J].上海電機學院學報，2023，26（1）：28-33.

[7]陳中豪，徐良德，郭挺，等.基于IGG抗差的配電網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.權重系數自適應調整的混合儲能系統多目標模型預測控制[J].中國電機工程學報，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優化模型分析[J].粘接，2022，49（12）：178-181.

[11]彭也，馬遜，高豐，等.光伏溫室冬季蓄電-儲熱能源管理研究[J].云南師范大學學報（自然科學版），2023，43（2）：7-10.

[12]汪萌，王春，謝瓊瑤，等.含多種新能源的微電網經濟調度方法研究[J].電工材料，2023（5）：48-51.

[13]邱益林.智能電網可再生能源微電網系統設計分析[J].太陽能學報，2023，44（8）：568-568.

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

[15]趙娜，張蓮，王士彬，等.并網型風光氫儲微電網容量優化配置[J].湖南電力，2023，43（4）：48-55.

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

[17]王曉燕，楊哲，劉飛，等.計及不確定性的新能源微電網負荷線性規劃模型構建[J].微型電腦應用，2023，39（7）：53-56.

[18]閆嵩琦.數據防泄漏技術的電網信息化安全控制研究[J].粘接，2022，49（7）：137-140.

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

[20]陳厚仁，馬進偉，羅成龍，等.雙玻光伏組件HP-PV/T一體化系統實驗研究[J].云南師范大學學報（自然科學版），2023，43（1）：12-15.