基于改进麻雀算法的混合储能容量配置.pdf

文章编号：162023)03-0512-09May2023JournalofJilirntormcienceEdition2023年5月No.3Vol.41第41卷第3 期吉林大学学报（信息科学版）基于改进麻雀算法的混合储能容量配置王广宇，刘伟（东北石油大学电气信息工程学院，黑龙江大庆16 3318）摘要：针对传统的分配策略在混合储能系统中存在可用容量差异，且混合储能系统会因为可用容量不够而停运的问题，提出一种采用改进麻雀算法的功率分配策略。该策略将混合储能体系内有效存储容量占总体容量之比最优化作为目标，并利用改进麻雀算法能更好地解决锂电池跟超级电容之间的功率分配问题。并且利用超级电容器高功率、低能量密度的特点，针对实际工作中会发生可用容量不够的问题，提出运用锂离子电池根据转移电流调整超级电容器的残余有效储能容量的方法，并利用模糊控制的转移电流求解方法，使超级电容器始终保持一定的有效储能容量，从而增强了超级电容器的持续运营能力。仿真实验结果表明，该策略具有快速性、稳定性及有效性。关键词：分布式光伏发电；混合储能；容量配置；改进麻雀算法；模糊控制中图分类号：TP391.9；T M 912文献标志码：ACapacity Allocation of Hybrid Energy StorageBased on Improved Sparrow AlgorithmWANG Guangyu,LIU Wei(School of Electrical and Information Engineering,Northeast Petroleum University,Daqing 163318,China)Abstract:Aiming at the problem that the traditional distribution strategy has a difference in available capacity inthe hybrid energy storage system,and the hybrid energy storage system will be out of service due to insufficientavailable capacity,a power distribution strategy using improved sparrow algorithm is proposed.The ratio of theeffective storage capacity to the overall capacity in the system is the optimization objective.And the improvedsparrow algorithm can better solve the power distribution problem between lithium batteries and super capacitors.Aiming at the characteristics of high power and low energy density of supercapacitors,and the problem ofinsufficient available capacity in practical work,a method using lithium-ion batteries to adjust the residualeffective energy storage capacity of supercapacitors according to the transfer current is proposed.The controlledtransfer current solution method ensures that the supercapacitor always maintains a certain effective energy storagecapacity,thereby enhancing the continuous operation capability of the supercapacitor.Finally,the rapidity,stability and effectiveness of the strategy proposed are verified by simulation.Key words:distributed photovoltaic power generation;hybrid energy storage;capacity allocation;improvedsparrow algorithm;fuzzy control0引言光伏发电作为洁净能源系统的主要组成部分，需要通过其他装置直接并人光伏发电系统，否则将给收稿日期：2 0 2 2-0 5-0 2基金项目：黑龙江省自然科学基金资助项目（E201332）作者简介：王广宇（1995一），男，山东滨州人，东北石油大学硕士研究生，主要从事电力系统及其自动化研究，（Tel）8 6-18562116258（E-m a i l)6 0 2 518 97 3 q q.c o m；通讯作者：刘伟（197 1一），男，黑龙江宾县人，东北石油大学教授，博士，博士生导师，主要从事电力系统及其自动化研究，（Tel)86-13845966361（E-ma i l)l i u w e i n e p u.e d u.c n。第3 期王广宇，等：基于改进麻雀算法的混合储能容量配置513系统之间带来稳定性问题1-2 。为克服光伏发电产生的电力波动现象，在光伏设备上连接储能系统具有显著成效3-4。混合储能介质主要分成能量型储能和高功率型储能5，其中以锂离子电池和超级电容组成的混合储能系统是最常见的形式6 。Chong等7 提出了利用模糊控制的储能控制策略，从而实现了超级电容器的高效能的特点，并提高了电池的寿命。Han等8 在设备层运用双模控制器与下垂控制技术组合使用以提高系统的稳定性，其上层使用等效损耗的最小决策分配系统净输出功率。陈若奇等9 运用具有可变阈值的储能系统控制策略，并不要求有准确的波动变化预测数据，只需参考历史数据进行控制，但跟环境的变化程度有很大关联。Stamatia等10 给出了一种与混合储能系统多变数的模糊调节方式，并较好地完成直流微电网母线压力平抑效应，但没有考虑到分布式网络结合储能系统之间的协同匹配问题。Wen等1 在保护交流母线接通电流时避免了蓄电池发生过充过放现象，但未充分研究考虑超级电容的实际工作情况。根据上述问题，笔者建立了各种混合储能的功率分配策略，以分布式储能系统中剩余存储容量利用的最大化为目标建立了目标函数，并通过优化的麻雀计算进行求解，获得了在各种混合储能模式中的最佳输人出力电量；然后引人了转移电流（锂离子动力电池就是使用转移电流控制超级电容器的SOC（St a t eOf Charge），使超级电容器始终保持相应的储能容量，从而提高了混合储能系统的连续可调性能。最后通过在Matlab/Simulink上模拟对比分析，证实了笔者所提技术的有效性。1基于混合储能的分布式光伏发电并网系统1.1光伏发电混合储能系统拓扑图P.PVDC/DC光伏电池阵列DC/AC电网PPBS锂电池DC/DCPPload负荷P超级电容DC/DCU混合储能系统图1光伏发电混合储能系统拓扑图Fig.1Photovoltaic hybrid energy storagesystem topology1.2混合储能系统的建模光伏发电混合储能系统拓扑图如图1所示，其分布式光伏发电系统12 盒能量平衡关系如下：Ppv=P,+Pind,(1)PMv=Pwv+PHEs,(2)PHESSs=P+Pu,(3)其中Pw为混合储能体系与光伏电池阵列总输出功率之和；Ps为光伏系统与公共电网输出功率；Pload为负荷消耗功率；Ppv为光伏阵列输出功率；PHEss为储能系统充放电功率；P为锂电池充放电功率；Pu为超级电容器充放电功率。以分布式混合系统中多余的有效存储容量占整体容量比例最大化为总体目标，构建目标函数。在保证储能系统可以平抑光伏微电网中对光电输出功率和负荷需求产生的不均匀功率基础上，尽量确保在各种混合储能系统中均可以预留相应的储能容量，建立工作目标函数如下：(CHss(t-1)-PHess,T)nmaxPpv(t)PLoad(t),C HEss;,max其中F为设定目标函数，CHss（t-1)为第i个混合储能体系上完成一个循环时储存总储能，CHssmax为第i个混合储能体系最高储能容量，Ppv（t)和PLoad（t)分别为光伏微电网内总光伏产出能量和最高负荷要求点亮，PHEs,为第i个混合储能系统输出功率，T为执行周期。在设定目标函数后，要对分布式混合储能系统实际状况设定约束条件。本文中约束条件主要如下。1）总容量约束。光伏发电产出功率和分布式混合储能管理系统总的产出电量之和，总是小于光伏微电网内所有负载产出电量的总和，如下：514第41卷吉林大学学报（信息科学版）Ppv(t)+Z Pres(t)=Pra(t)。(5)2）混合储能系统容量约束。其当前储备电量如下：CHESs,min CHEss(t)CHESSs mx,(6)其中CHESsmin为储存电量最小值，CHEss.mx为为储存电量最大值。3）最大功率约束。实际过程中各类现实因素的限制（如年限，容量）如下：PHESs;(（t）PHESs;,max d,Ppv(t)PLload(t),(7)(PHEs:(t)PLad(t),其中 PieEssmad 为混合储能系统i的最大放电功率，Pies mx.6为混合储能系统i的最大充电功率。4）可调度性约束。因为可用容量不能是负值，因此需要设定约束如下：CHess;(t-1)-PHess,T 0,Ppv(t)0,Ppv(t)Pload(t)。2改进的麻雀算法2.1标准麻雀算法麻雀搜索方法（SSA：Sp a r r o w Se a r c h A l g o r i t h m）主要模拟麻雀的觅食行为和反捕食行为，按照其行为可将麻雀分为几种不同的角色。种群中适应度值高的个体称为发现者，其捕食能力强，自身能量高。剩余个体称为跟随者，同时从种群中选取一定比例的麻雀个体作为侦察者，进行侦察对种群预警，如果发现危险则放弃食物向安全位置移动。在种群中，发现者大多聚集在种群的中心，同时，种群中大多麻雀为了获取更多的食物会向能量高的麻雀中心靠拢，而在种群边缘的个体容易受到其余捕食者的攻击。因此选取一定的麻雀作为侦察者，一旦发现捕食者时，便会发出鸣叫警示种群，并不断向种群中心靠拢，更新位置以确保安全。则有X=x1,x2,x,T,x;=;,1,X;,2,Xi,d(9)其中d为待优化问题变量维数，n为数量。问题变量维数，n为数量。因此，所有麻雀的适应力值被描述成：Fx=f(x),f(x2),f(xn)T,f(x;)=f(xi,1),f(xi,2),f(xi,d),(10)其中f为适应度值。在每次迭代过程中，发现者的位置信息定义如下：1Rfe，Yt+1(12)Xij+K(IX-X,f:=fe,worst(f-fu)+8其中Xbest为最佳位置，为步长控制参数，K=-1,1 为一个随机数，f。和f分别为全局最佳及最差的适应度值，为最小常数，Xbest为最佳位置，K为当前麻雀移动的方向和步长控制参数。当f.f。时，表示当前麻雀位于群体边界，易遭到袭击；=f.时，表示种群中间的麻雀要飞向其他麻雀以此降低它们被捕食的可能性。515第3期王厂储能容量配置2.2改进的麻雀算法1）Si n 混沌初始化种群。Sin混沌模型是一种映射折叠次数为无限的模型14，笔者利用Sin混沌对麻雀算法完成了种群初始化，如下：2xn+1sinn=0,1,N,(13)-1x1,x#0。2）动态自适应权重。可以参考惯性权重的思路，在发现者位置变更方式中，进一步导人动态权重因子15-16 ,权重系数的计算公式以及修改后的发现者位置更新如下：2(1-t/litermax).ee-2(1-/litermax)e2(1-/litermax)(14)e=(Xi,+(f.g-X,)Rrmd,R2 ST,(15)IX+Q,R2STo3）改进的麻雀位置更新如下：(16)IXiest+(Xwost-Xiest),f:=fg。4）柯西变异和反向学习策略。利用反向学习机制寻找到相应的反向解，然后再进行重新评估以比较并保存最好的解法17 ，将反向学习策略加入到麻雀算法中，如下：Xbet(t)=ub+r(lb-Xest(t),(17)X+1l=Xbesr(t)+b,(Xb e s(t)-Xb e s t(t),(18)其中Xbest（t)为在第t代最优解的反向解，b,为信息交换控制参数，如下：一维柯西分布18 根概率密度如下：选择P概率决定如下：(19)itermaxitermaxf(x)=axE(-8,+8),(20)(a+x),Xt)=X(t)+Ceachy(0,1)X(t)。(21)20P,=-exp(+。(22)iter通过对比新旧两者的适应度分配数值，决定是否要改变位置。贪婪规则如下：Xi，(X)f(Xi e t),Xbest(23)Xiet，f(Xi)f(Xb e s t),其中f(x）为x的位置适应度值。改进的麻雀算法步骤如下：1）初始化麻雀种群；2）计算各麻雀的适应度分配值，找出当前最佳及最差适应度分配值；3）选部分麻雀为发现者，按式（15）调整；4）余下麻雀为跟随者，按式（2 3）调整；5)随机选取麻雀为警戒者，按（16)调整；6）最优预测值进行扰动；7）根据贪婪规则式（2 3），决定位置的更新；8）判断是否完成结果要求，如果是，则进行下一步，否则跳转步骤2）；属其516吉林大学学报（信息科学版）第41卷9）输出最优值。3基于模糊控制的转移电流技术修正超级电容器SOC笔者采用超级电容的目标功率值Psc（t）和超级电容的SOC（St a t e O f Ch a r g e，Ss c）作为模糊控制输人，而转移电流系数为模糊控制输出。从而使超级电容器工作中存有足够剩余电量。1）定义输入、输出的模糊子集和隶属函数：Psc(t)Xi(t)(24)Psc,maxSsc(t)X,(t)(25)Ssc.max其中Psc（t)为超级电容目前的目标功率，Ssc,max为超级电容的最大SOC。2）去模糊化。笔者采用重心法去模糊化，超级电容器的负荷系数如下：Z Eui(X,(t)g(X(t)ag(t)(26)Z Zui:(X(t)z;(X,(t)中i:（X（t)）为模糊输人X（t)对应的第i个隶属度值，z（Xz（t)）为模糊输人X（t)对应的第j个隶值，为输人X（t）和X,（t）条件下的输出量，则第i个转移电流计算如下：(27)4优化配置算例分析4.1并网系统仿真模型建立根据并网模型下逆变器所采用的控制方法，利用Matlab/Simulink平台搭建仿真模型，如图2 所示。Vdc BoostDeblockvSCControlVConvertersMPPTControlP(IncrementalConductance)Vabc_primVabcB1PmeanP(kW)Ir(W/m)V.pVV.pVrPulseslabcprimlabcB1Temp(deg.C)PulsesTempPmean(kW)LpVVdc_mesDVdcVmean(V)DutyCycleDPVIrradianceL13-Leval vScSC(W/m)BoostConverterUtility GridRamp-upAaA-AaVdcTempBM-000CCDiYgC-CCpIrradianceTempPV Array3-Leval BridgeLB1Temperatureload(degC)HESS图2混合储能系统的光伏并网仿真模型Fig.2Photovoltaic grid-connected simulation model of hybrid energy storage system光伏电池通过boost电路连接直流母线，锂电池和超级电容器分别采用双向DC/DC变换器和直流母线连接，所有能量单元则经由并网逆变器连接电网。因此根据超级电容器与锂电池的特性，笔者设计了将被平抑的功率差通过分频调节，超级电容器可承受较高频的输出功率震荡，而锂电池承担低频的功率波动，图3为分频模块仿真图。图4为Boost模型的小信号模拟仿真结果，当双边DC/DC逆变器同时工作于Boost模型下，储能管理系统作为电力能源同时进行出力。而双边逆变器则在一次开关周期内，存在开关启动和闭合的两个状态。图5为Buck模型的小信号模拟仿真结果，当双边DC/DC逆变器同时工作于Buck模式下，储能系统进行吸收能量。王广宇基于改进麻雀算法的混储能容量配置第3 期517Scope4Scope3Iref-c4PID(s)1Uref0.01s+1Iref-bPIDcontroller5UdcImTransferFcn图3分频控制系统仿真Fig.3Frequency division control system simulationUref2ConstantPID(s)Ib-refPID controllerDivide SaturationPWM-boostIbUb0RepertingSequenceConstantlSwitch图4Boost控制电路仿真Fig.4Boost control circuit simulationConstantPID(s)Ib-refPID controllerDivide SaturationPWM-buck1Ib5UbUdc2RepertingConstantlSwitchSequence图5Buck控制电路仿真Fig.5Buck control circuit simulation4.2算例仿真及分析笔者以30 0 MW的光伏微电网混合储能系统为对象进行算例研究。区别以下3种不同类型，其中混合储能容量分别为6 5.5MWh、40 M W h和30.5MWh，并分别称为1号，2 号，3号混合储能体系。在不同的混合储能体系中，锂离子动力电池和超级电容的容量比例也不同，分别为5：1、5.5：1、5.2：1。1号混合储能系统的锂离子电池的初始SOC为32%、超级电容S0C为6 0%，2 号混合储能系统的锂离子电池的初始SOC为54%、超级电容SOC为40%，3号混合储能系统的锂离子电池的初始SOC为7 8%、超级电容S0C为7 0%。图6 为混合储能电路仿真。NOTCurrentB_SOCvoltageBCurrentB_voltageSOCNOTB-SOCBD_SC图6混合储能电路仿真Fig.6Hybrid tank circuit simulation图动价放输出S518第41卷吉林大学报（信息科学版）图7 为混合储能系统所承受的波动功率图。如图7 所示，为平抑光伏微电网系统在某日的10：30-11：0 0 的光伏系统产出电量与最高负载需求间的差异电量，可以将光伏输出与负荷之间的差额功率作为系统平抑目标，由此得到分布式混合储能系统间的分配结果。图8 和图9表明，平抑光伏微电网效率变化后，通过改进麻雀算法对混合储能设备的输出功率分布进行再分配。如图9中在110 0 s左右时，微电网中产生电力增多，1号混合储能系统因储能容量较大，用于完成最高的平抑功率，3号储能系统担负较少的平抑任务。此时，3号混合储能系统的SOC比例由44%增加了56.5%，S0C提高了12.5%8MW/OIX率-4-80481216时间10/s图7混合储能系统所承受的波动功率Fig.7Graph of the fluctuating power experiencedby the hybrid energy storage system如果根据传统平均能量分配方法，3号混合储能系统的SOC会由44%提高至8 0%，而SOC上升36%，所以此方案将3号混合储能系统的SOC上升从36%下降至12.5%，减少了2 3.5%，从而增加了3号混合储能系统的可用容量及持续可调度能力。图10 为笔者与传统分配方式下，2 号混合储能系统的超级电容器的出力功率曲线。从图10 可见，笔者分配方法SOC在2 40 s及1200s等功率变化大的时段可以及时解决所需的平抑功率，同时在37 0 s等功率变化小的时间段可以减小3号混合储能系统输出42号混合储能系统输出1号混合储能系统输出MWOIX率22-40481216时间10 2/s图8不同混合储能系统输出功率Fig.8Different hybrid energy storage system401号混合储能系统352号混合储能系统3号混合储能系统30252015100481216时间10 2/s图9不同混合储能系统当前储能容量变化Fig.9Changes in energy storage capacity功率，保证可用SOC余量。由于引人了转移电流，使用锂电池依照储能状态调节超级电容器充手，从而使超级电容器可以更合理地反映所需电量。图11是笔者与传统算法的超级电容SOC对比120.7笔者方法SC输出功率转移电流修正超级电容的SOC0.6不修正超级电容的SOC传统方法SC输出功率80.5MW/率00.4430.300.20.1004812160481216时间10 2/s时间10/s图10超级电容出力功率图11超级电容SOC变化Fig.10Super capacitor output powerFig.11Super capacitor SOC change从图11可知，若不使用转移电流进行调节，超级电容器的SOC则会产生很大变动。约在390 s900s时间里，因为超级电容器发出的电能大于充人，使其SOC逐步减少，这不利于混合储能系统的稳定运营。而使用转移电流对超级电容器的S0C做出调整，其整体变动幅度较小，约在30%6 0%的范围内，所以其剩余能量足够用于平抑光伏输出功率与负载之间产生的波动功率。厂基干改进麻林雀算法日储能容量配置第3期5195结语笔者首先利用改进麻雀算法以更好地解决锂电池与超级电容之间的功率分配问题及光伏输出与负荷需求之间的差额功率在不同储能体系之间的合理分配。在充分考虑到超级电容器的容量限制，以及易形成过充和过放，导致混合储能系统对功率变化的应对能力下降基础上，采用转移电流，锂离子电池通过转移电流调整超级电容器的SOC值，使超级电容器始终保持在一定的储能容量内，以便于迅速适应系统的功率变化，使超级电容器能更快速地适应系统要求，从而增强了整体系统的连续可调度性能。参考文献：1 马苗苗，邵黎阳，刘向杰分布式预测控制在微电网协调控制中的应用J吉林大学学报（工学版），2 0 2 0，50（6）：2258-2265.MA M M,SHAO L Y,LIU X J.Application of Distributed Predictive Control in Coordinated Control of Microgrid J.Journalof Jilin University(Engineering Edition),2020,50(6):2258-2265.2 王金玉，王娇娇，孟子慧风力机与储能系统协调控制降低风电波动J吉林大学学报（信息科学版），2 0 19，37(3):299-304.WANG J Y,WANG J J,MENG Z H.Coordinated Control of Wind Turbine and Energy Storage System to Reduce Wind PowerFluctuations J.Journal of Jilin University(Information Science Edition),2019,37(3):299-304.【3 李吉晨，赵川，汪马翔，等大规模光伏并网功率多源协调控制方法研究J自动化与仪器仪表，2 0 2 1（4）：6 4-66,70.LI J C,ZHAO C,WANG M X,et al.Research on Multi-Source Coordinated Control Method of Large-Scale Photovoltaic Grid-Connected Power J.Automation and Instrumentation,2021(4):64-66,70.【4 王智方，钟建伟，张钦惠，等基于混合储能光伏微网孤岛运行下的能量管理J.电工材料，2 0 2 0（5）：48-51,55.WANG Z F,ZHONG J W,ZHANG Q H,et al.Energy Management under Islanding Operation of Photovoltaic MicrogridBased on Hybrid Energy Storage J.Electrical Materials,2020(5):48-51,55.5 张国驹，唐西胜，齐智平.超级电容器与蓄电池混合储能系统在微网中的应用J电力系统自动化，2 0 10，34（12)：85-89.ZHANG G J,TANG X S,QI Z P,et al.Application of Supercapacitor and Battery Hybrid Energy Storage System in MicrogridJ.Automation of Electric Power Systems,2010,34(12):85-89.6JPRANOY KUMAR SINGHA ROY,H BORA KARAYAKA,YAN J Y,et al.Investigations into Best Cost Battery-Supercapacitor Hybrid Energy Storage System for a Utility Scale PV Array J.Journal of Energy Storage,2019(6):30-35.7JCHONG L W,WONG Y W,RAJKUMAR R K,et al.An Optimal Control Strategy for Standalone PV System with Battery-Supercapacitor Hybrid Energy Storage System J.Journal of Power Sources,2016,331:553-565.8 JHAN Y,CHEN W,LI Q,et al.Two-Level Energy Management Strategy for PV-Fuel Cell-Battery-Based DC Microgrid J.International Journal of Hydrogen Energy,2019(5):12-15.【9 陈若奇，钟建伟，罗春景，等基于混合储能的光伏微电网控制策略研究【J电工材料，2 0 2 1（4）：2 6-2 8.CHEN R Q,ZHONG J W,LUO C J,et al.Thunderstorm Cloud Prediction with DBSCAN and LS-SVM Algorithm J.Electrical Materials,2021(4):26-28.1O JSTAMATIA DIMOPOULOU,ALICE OPPERMANN.A Markov Decision Process for Managing a Hybrid Energy Storage SystemJ.Journal of Energy Storage,2018,19:160-169.11JWEN S,WANG S,LIU G,et al.Energy Management and Coordinated Control Strategy of PV/HESS AC Microgrid duringIslanded Operation J.IEEE Access,2018,7:4432-4441.12刘蕊，吴奎华，冯亮，等含高渗透率分布式光伏的主动配电网电压分区协调优化控制J太阳能学报，2 0 2 2，43(2):189-197.LIU R,WU K H,FENG L,et al.Coordinated Optimal Control of Voltage Zoning in Active Distribution Network withDistributed Photovoltaics with High Penetration Rate J.Solar Energy Journal,2022,43(2):189-197.13JXUE J K,SHEN B.A Novel Swarm Intelligence Optimization Approach:Sparrow Search Algorithm J.Systems Science&Control Engineering,2020,8(1):22-34.（责任编辑：张洁）520第41卷吉林大学学报（信息科学版）14杨万里，周雪婷，陈孟娜基于Logistic映射的新型混沌简化PSO算法J计算机与现代化，2 0 19（12）：15-2 0.YANG W L,ZHOU X T,CHEN M N.New Chaotic Simplified Particle Swarm Optimization Algorithm Based on LogisticMapping J.Computer and Modernization,2019(12):15-20.15JWANG X W,WANG W,WANG Y.An Adaptive Bat AlgorithmC/LNCS 7996:Proceedings of the 9th InternationalConference on Intelligent Computing Theories and Technology.Berlin,Heidelberg:Springer,2013:216-223.16王依柔，张达敏，樊英，非均匀变异的互利自适应缎蓝园丁鸟优化算法J计算机工程与科学，2 0 2 0，42（12）：2233-2241.WANG Y R,ZHANG D M,FAN Y.A Mutually Beneficial Adaptive Satin-Blue Gardener Bird Optimization Algorithm forNon-Uniform Mutation J.Computer Engineering and Science,2020,42(12):2233-2241.17JWEN G L,GE H M,LI H P,et al.A Multi-Objective Particleswarm Optimization Algorithm Based on Reverse Learning J.Electronics Science Technology and Application,2020,7(2):19-25.18JWANG W H,XU L,CHAU K W,et al.Yin-Yang Fire Fly Algorithm Based on Dimensionally Cauchy Mutation J.ExpertSystems with Applications,2020,150:113216.