基于遗传算法的电池管理策略

赵向阳，王杏玄,，罗文

(1.北京航空航天大学自动化科学与电气工程学院，北京100191；2.江西仪能新能源微电网协同创新有限公司，江西 吉安343100)

基于遗传算法的电池管理策略

赵向阳1，王杏玄1,2，罗文2

(1.北京航空航天大学自动化科学与电气工程学院，北京100191；2.江西仪能新能源微电网协同创新有限公司，江西 吉安343100)

电池储能可提高风、光等可再生能源在微电网中的接入水平，常规研究只考虑了通过储能控制微电网与配电网交互功率的波动性。研究含新能源发电的微电网与配电网交互功率成本最低或收益最高的蓄电池充放电策略及电池容量、初始荷电状态与优化效果的问题，建立了在最大功率跟踪风机出力情况下的交换功率最经济模型。在求解算法方面，采用以自然选择和遗传理论为基础的高效全局寻优搜索的遗传算法，以电池充放电功率、荷电状态和系统功率平衡为约束。最后针对风电和负荷波动的影响，经算例证明，以交互功率费用为目标经遗传算法优化电池调度后，可在不影响其波动性的基础上很大程度地提高交互功率的经济性，为今后制定储能电池更加完善的充放电管理策略提供一定的借鉴意义。

微电网；电池管理；遗传优化

0 引言

微电网一般由风力发电、太阳能发电等可再生能源发电和负荷、储能装置组成，可分为并网和孤岛两种运行模式。并网可在很大程度上保证微电网安全运行，但是其与配电网的交互功率通常有一定的约束限制。随着微电网并网功率的增大，其交互功率的波动性将引起配电网的频率稳定。不同时间尺度的功率波动由不同方式的储能来消纳，许多学者对交换功率的波动性进行了相关研究[1～4]。文献[5] 立足于不同的实际电网情况研究了储能系统参与电网调频的工程应用。文献[6]采用移动平均算法，在有效减少储能使用次数的基础上平滑了风电并网功率。对交换功率的经济性进行研究的文献[7]以交换功率与配电网的电价为目标函数，在讨论预测值与实际值误差的基础上，指出通过调度电池充放电，仍然可以保持微电网的运行费用最低或收益最大，但是没有讨论电池不同的初始值对优化效果影响。文献[8]设置了不同容量的微电网，分别以单向购电、单向售电为目标进行优化，但是没有将其与双向购售电进行比较。大多数文献都有对于电池容量及充放电功率的约束，但是对其灵敏度问题并没有深入研究。文献[9]利用直流电源、双向的电池放电转换器和电池荷电状态制定电池的有序充电放电策略。文献[10]在考虑电池寿命的基础上避免过充过放，其对文献[9]的电池有序充放电策略深入探讨并建立了微电网导入功率、导出功率时各机组的优先级顺序，但是文中仅对荷源动态变化后电池荷电状态及相应电压变化进行仿真，而没有对提出的整体调度策略给出实际的仿真效果以及相应分析。智能算法[11～13]中粒子群算法和遗传算法在组合问题中应用越来越多，得到学术界和工程界的广泛关注。

本文在讨论微电网余额功率(发电功率减负荷功率)的基础上，主要研究通过控制起三次调频作用的电池充放电策略用以消纳某天小时级的功率波动。采用遗传算法，以微电网与配电网交互功率的经济性为目标进行优化，并对电池不同容量、不同初始电荷量的优化效果进行比较分析。

1 电池的管理策略

1.1 目标函数

(1)

式中：pgrid(t)<0，|pgrid(t)|为t时段微电网的售电功率；pgrid(t)>0，pgrid(t)为t时段微电网的购电功率；c(t)为配电网电价，假设售购电价一样[8]。Δt为调度时间间隔，本文为Δt=1h，总调度时段即未知量个数为n=24，t∈{1,2, 3…24}；f(pgrid)为负表示微电网售电利润，正值则为其依靠配电网供电的运行成本。

1.2 约束条件

(1)功率平衡约束

(2)

式中：pb(t)为电池充放电功率，pb(t)<0，电池放电；pb(t)>0，电池充电；pgene(t)、pload(t)为t时段微电网的发电功率和负荷功率。

(2)电池充放电功率约束

(3)

t时段的电池充/放电功率|x(t)|的约束最大不超过R=1 600 kW(制定原则：电池最小容量的约束和余额功率幅值)。

(3)荷电状态的相关约束

(4)

(5)

(6)

式(4)反映了相邻时段电池的荷电状态关系；式(5～6)则反映在任何时段都要满足其荷电状态的约束，且本文假设蓄电池在一天中充放电功率平衡，即在每个调度周期的始、末时刻，蓄电池荷电状态相等，以此来保证下一个调度周期内仍有相同规模的电池调度空间。对蓄电池来说，通常取hsoc,max=1，而考虑到电池过度放电对其寿命的不利影响，hsoc,min常取为 0.2。

(4)余额功率：微电网的发电功率与负荷功率之差：p=pgene-pload。

无电池作用时，微电网与配电网的交换功率pgrid与为余额功率p大小相等。

2 遗传算法

组合优化问题的决策变量一般求解方法分为经典优化算法和新型智能优化算法。经典算法包括：优先顺序法、动态规划法、分支定界法等；近年来，一类基于生物学、人工智能的现代启发式算法已经广泛应用于组合优化问题、运输问题、工程设计优化等领域[11～13]。目前流行的现代启发式算法有：人工神经网络、遗传算法、模拟退火法、Tabu搜索法、蚂蚁算法和粒子群算法。遗传算法的基本流程如图1所示。经典算法在高维问题时极其容易陷入维数灾而导致计算速度较慢，而智能算法则能很好地克服传统方法的局限性，通过构造出一些启发式规则，并按照既定的方向优化，效果较好。

图1 遗传算法流程图

GA模拟自然界生物进化过程，采用人工进化的方式对目标空间进行随机优化搜索。将问题域中的可行解看作是群体的一个个体或染色体，并将每一个个体编码成符号串形式，对群体反复进行基于遗传学的选择、交叉、变异等操作，以适应度函数的优劣来控制搜索方向，同时以全局并行搜索的方式来搜索群体中的最优个体，以逐步收敛到最优解[13]。

3 基于GA的电池充放电策略求解流程

本文采用GA程序求解某调度日的电池充放电功率组合的染色体规模为N=50，未知量个数D=24，则一个染色体个体x即为规划的电池充放电功率序列pb：pb=[pb(1),pb(2),…pb(23),pb(24)]，最大迭代次数DTmax=200，hsoc,max=1，hsoc,min=0.2。

本文使用罚方法的方法处理约束条件，在原目标函数的基础上，再增加对不可行解的惩罚将约束作为新的目标函数[14]；此外，本文把非染色体(电池荷电状态hsoc及微电网与配电网交互功率pgrid)在适应度函数中用增加罚函数的方式加以约束，组成GA的适应度评价函数：

ffitness=f(x)+γ1×φ(soc)+γ2×φ(pgrid)

(7)

式中：γ1、γ2分别为对电池荷电量、交换功率越限的惩罚因子；φ(soc)、φ(pgrid)分别为对电池荷电量、交换功率不等式约束的判断函数。

遗传算法用于优化电池的充放电策略的流程如图2所示。

图2 遗传算法优化电池充放电策略调度流程图

4 算例分析

4.1 系统介绍

假设微电网由风力发电和负荷组成[7]，功率分别如图3～4所示，电池容量由调度策略制定(4.2节)，设定每个调度间隔Δt=60 min，一天共n=24个调度段。

设定微电网从配电网的购、售电价相等，配电网一天的电价如图5所示，微电网余额功率如图6所示。

图3 微电网发电功率曲线

图4 微电网的负荷功率曲线

图5 配电网电价曲线

图6 微电网余额功率曲线

4.2 调度目标及调度策略

以经济性为目标，仅受电价刺激的电池充放电规律一般如下：

余额功率为正时，微电网售电：

(1)电价低时，电池充电甚至会充较多的电使hsoc(t)=hsoc,max，即将较少的余额功率在低电价时售给配电网；

(2)电价高时电池则一般不充电甚至放电(当hsoc(t)太低时则需要充电，防止在余额功率为负时需要购电)，即将较多的功率高价售给配电网，多盈利。

余额功率为负，微电网购电：

(1)电价低时电池少放电，即允许大量购买电价较低的电；

(2)电价高时，电池多放电甚至放完hsoc(t)=hsoc,min，即从配电网购买较少的高价电，减小购电成本。

需要说明的是，电价的高低不仅在于余额功率全为正或全为负时的比较，还在于正、负时的交叉比较。电池行为除受电价刺激外，还受电池hsoc(t)及电池最大充放电功率的约束。

根据本文微电网特点，设置不同电池容量Qmax及不同初始荷电量hsoc(1)的3种调度方案：

策略1Qmax=2 MWh，hsoc(1)=0.6；

策略2Qmax=10 MWh，hsoc(1)=0.4；

策略3Qmax=10 MWh，hsoc(1)=0.6。

4.3 调度结果

(1)策略1的调度效果如图7、8所示。

图7 策略1的电池调度图

图8 策略1的电池hsoc图

由图可知：余额功率为正：1～7点；16～24点；余额功率为负：8～14点；电价低：4，5，13点。

由于初始电量hsoc(1)=0.6，电池可充可放，余额功率为正时段：1、2点电价较高，故电池以放电(放到最大hsoc(1)=hsoc,min)的形式向配电网售电为获得更大利益；3、4、5电价较低且hsoc很低电池充电，6电价较高电池以较小放电功率获利，在7点电池充电为即将到来的需要放电时段积蓄电量；余额功率为负时段：8、9时段电价较低，10～12高电价，故在8、9、10充电，在高电价11点放电；13～15电价以及其hsoc较低故充电，以在后面较高电价时段放电获得收益；其后在保持hsoc稳定的前提下，由于余额功率为负，电池以放电(减少购电)为主，特殊时刻在较低电价时充电(23点)但是又在较高电价时放电(24点)。

(2)策略2的调度效果如图9、10所示。

(3)策略3的调度效果如图11、12所示。

图9 策略2的电池调度图

图10 策略2的电池hsoc图

图11 策略3的电池调度图

图12 策略3的电池hsoc图

4.4 调度结果

三种不同策略的调度效果如表1所示。

表1 交互功率的不同调度策略效果对比

对实际管理中的电池而言，根据不同容量对电池容量单位投资额所获得的效率不同[14，15]，电池的容量可能发生变化。因此管理者需要分析电池容量、初始的荷电量在什么范围时，优化效果最好。

(1)相同电池容量下，最优解对电池初始荷电状态的敏感性由策略2、3可见。

(2)相同电池初始荷电状态下，最优解对电池容量的敏感性由策略1、3可见。

5 结论

储能单元对于微电网的稳定运行发挥着重要作用。本文针对含风力发电场的微电网提出了基于遗传算法优化储能电池充放电的调度策略，建立了在最大功率跟踪风机出力情况下微电网与配电网的交换功率最经济模型。并以初始荷电状态和电池容量不同组合的三种策略，验证了依靠单纯增大电池容量并不一定能在交互功率的费用和波动性方面起到更好的调节效果，并且还会造成电池投入成本增大以及使电池利用率大大降低。

[1]王增新.蓄电池在智能微网中的应用研究[D].保定：华北电力大学,2012.

[2]俞斌,桑丙玉,刘欢，等.智能微网中铅酸电池储能系统控制策略[J].电网与清洁能源,2013,29(12):119-125.

[3]张学清.风电预测、协同调度及电网电压安全评估研究[D].济南：山东大学,2013.

[4]王鑫,郭佳欢,谢清华,等.超级电容器在微电网中的应用[J].电网与清洁能源,2009,25(6):18-22.

[5]李建林,杨水丽,高凯.大规模储能系统辅助常规机组调频技术分析[J].电力建设,2015,36(5): 105-110.

[6]陈跃燕，李相俊，韩晓娟，等. 基于移动平均法和风电波动率约束的电池储能系统平滑风电出力控制策略[J]. 电力建设, 2013, 34(7): 1-5.

[7]Mahat P, Escribano Jimenez J, Rodriguez Moldes E, et al. A Micro-Grid Battery Storage Management[C]. 2013 IEEE Power and Energy Society General Meeting (PES), Vancouver, BC, Canada, 21-25 July, 2013: 1-5.

[8]Zhao Z.Optimal Energy Management for Microgrids[D]. South Carolina: Clemson University,2012.

[9]Zamora R,Srivastava A K. Energy Management and Control Algorithms for Integration of Energy Storage Within Microgrid[C]. 2014 IEEE 23rd International Symposium On Industrial Electronics (IEEE), Istanbul, Turkey, 1-4 June, 2014: 1805-1810.

[10]Hasan H N, Haque M E, Negnevitsky M, et al.Control of Energy Storage Interface with a Bidirectional Converter for Photovoltaic Systems[C]. 2008 Australasian Universities Power Engineering Conference (AUPEC’08), Sydney, NSW, Australia, 14-17 December, 2008: 1-6.

[11]赵向阳，孙科.基于神经网络的变压器损耗计算方法[J].电力科学与工程,2015,31(1):44-48.

[12]李整,谭文,秦金磊.一种用于机组组合问题的改进双重粒子群算法[J].中国电机工程学报,2012，32(25):189-195.

[13]赵向阳, 段江曼.微电网系统的调度策略及经济运行优化研究[J].智能电网,2012,2(4): 99-107.

[14]余廷芳，林中达.部分解约束算法在机组负荷优化组合中的应用[J].中国电机工程学报,2009,29(2):107-112.

[15]刘继春.电力调度优化理论及其应用[M].北京：中国电力出版社，2010.

Battery Management Based on Genetic Algorithm Optimization

Zhao Xiangyang1, Wang Xingxuan1,2, Luo Wen2

(1.School of Automation Science and Electrical Engineering, Beihang University, Beijing 100191, China2.Jiangxi ENACS Renewable Energy Resources and Micro-Grid Innovations Co., LTD, Ji’an 343100, China)

Energy storage system can improve the capacity of renewable energy resources in the micro-grid like solar energy, wind energy and so forth. Conventional researches consider only the standard deviation of the interactive power between micro-grid and distribution network. Analyzing the charging and discharging strategy of the battery to get the lowest cost and the highest profit from the micro-grid, it is important to consider the battery capacity, the initial state of charge and the optimization effect, then the most economic model of the interaction power is established in the maximum power tracking of the output of the wind turbine. Genetic algorithm, an efficient global optimization search algorithm, based on natural selection and genetic theory, has the advantages of fast convergence, simple calculation, versatility and so on. Finally, an algorithm example on the battery state and power balance constraints optimizes battery scheduling to minimize the interactive power cost by the genetic algorithm. Thus the interactive power economy can be improved greatly on the basis of keeping the interaction power volatility at a certain value. The result shows that this research can play a guiding role in making a more comprehensive storage battery strategy of charging and discharging in the future.

micro-grid； battery management；genetic algorithm optimization

2015-05-08。

科技部中小企业发展专项基金(SQ2013ZOC500004)。

赵向阳(1967-)，男，副教授，研究领域为微电网光伏发电及调度、电气检测及其信息技术，E-mail：kaileichen@163.com。

TM615

A

10.3969/j.issn.1672-0792.2015.07.002