基于源-荷功率预测的微电网储能优化配置

摘" 要：随着可再生能源发电比例的增加，微电网中风光储一体化系统的稳定性和经济性成为研究的热点。传统的储能配置方法多依赖于历史数据，难以动态适应风电、光伏和负荷的变化。该文提出一种基于源-荷功率预测的储能优化配置方法，结合CNN-BiLSTM网络模型对风电、光伏出力及负荷进行实时预测。根据实时源-荷预测功率预测数据，通过粒子群优化（Particle Swarm Optimization， PSO）算法对储能进行动态优化配置。结果表明，所提方法能够有效提高储能系统的经济性和稳定性，显著减少功率波动，提升系统的整体运行效率。

关键词：储能；功率预测；优化配置；CNN-BiLSTM；PSO

中图分类号：TM615" " " 文献标志码：A" " " " " 文章编号：2095-2945（2025）06-0016-04

Abstract： With the increase in the proportion of renewable energy power generation， the stability and economy of wind， light and storage integrated systems in microgrids have become a research hotspot. Traditional energy storage configuration methods rely on historical data and are difficult to dynamically adapt to changes in wind power， photovoltaics and loads. This paper proposes an energy storage optimization configuration method based on source-load power prediction， which combines the CNN-BiLSTM network model to predict wind power， photovoltaic output and load in real time. Based on the real-time source-charge prediction power prediction data， the energy storage is dynamically optimized and configured through the Particle Swarm Optimization （PSO） algorithm. The results show that the proposed method can effectively improve the economy and stability of the energy storage system， significantly reduce power fluctuations， and improve the overall operating efficiency of the system.

Keywords： energy storage; power prediction; optimal configuration; CNN-BiLSTM; PSO

随着微电网中可再生能源的比例逐步提高，其不确定性带来的功率波动对电网电压、频率产生的影响愈加凸显[1]。如何合理配置储能以平衡能源供需，成为微电网研究中的关键问题[2]。在信息-物理-社会系统（Cyber-Physical-Social System， CPSS）架构下，通过物联网技术，实现了对电力系统运行状态的实时监控和全面感知[3-4]。这种实时数据交互与协同控制，使得如何优化储能配置以应对源-荷不确定性至关重要。

储能的优化配置往往是根据历史负荷和发电数据进行的静态设计，如线性规划、动态规划、遗传算法、粒子群优化算法（Particle Swarm Optimization， PSO）等[5]。为了进一步提升储能系统的优化效果，可以结合多目标优化算法，如改进的粒子群算法或遗传算法，以同时考虑经济性、环境成本和能源利用率等多方面因素[6]。同时，通过引入需求响应机制，可以更好地平衡供需关系，提高储能系统的充放电效率和寿命。在实际应用中，还可以利用模糊逻辑或人工神经网络等智能算法，进一步提高预测精度和优化效果[7]。通过结合深度学习和智能优化算法，可以实现微电网储能系统的高效、动态优化配置，从而应对可再生能源的不确定性和波动性，确保微电网的安全稳定运行和经济效益最大化。但是这些方法较少考虑源-荷功率的实时波动对储能配置的影响。如果能实现风光、负荷等源-荷功率的实时预测，将有助于储能系统的实时优化配置。近年来，以卷积神经网络（Convolutional Neural Network， CNN）、长短期记忆网络（Long Short-Term Memory， LSTM）及其改进模型双向长短期记忆网络（Bidirectional Long Short-Term Memory， BiLSTM）等为代表的深度学习算法成为新能源发电功率预测的研究热点[8-9]。

综上，本文提出一种新型储能单元实时优化方法，基于CNN-BiLSTM算法实时预测微电网源-荷功率，并利用粒子群优化（PSO）算法实现储能单元的动态优化配置，实现最大化的风光消纳、最小化功率波动，提升系统的稳定性和经济性。

1" 源-荷功率预测算法设计

针对风电、光伏发电功率及负荷不确定性功率，构建图1所示的深度学习模型。

首先，实时采集来自风电、光伏和负荷的功率数据，数据预处理。对数据进行缺失值填充、归一化等预处理，并将数据按时间切分成固定长度的时间窗口，完成滑动窗口数据的实时更新。滑动窗口的长度保持固定，随着新数据的到来，窗口会向前滑动，舍弃最旧的数据，并加入新的数据。每次滑动窗口更新后，系统都根据新的数据来更新模型的输入。这一过程可以通过进一步优化模型结构、引入注意力机制等方法提高预测精度；同时加强数据预处理和特征选择工作，确保数据质量满足模型训练的要求。

然后，构建CNN-BiLSTM模型，并进行模型训练、校验和模型更新，如图2所示。CNN用于从时序数据中提取局部特征，包括风电和光伏的短期波动、负荷的周期性变化等。BiLSTM能够同时处理数据的前向和后向长期依赖性，不仅能利用历史数据，还可以结合未来的已知信息来提高预测精度。这种模型结构在多变量输入和超前多步预测方面展现出了显著的优势和潜力。

最后，调度系统根据实时预测结果进行储能系统的动态优化。在预测的基础上，系统会设定储能的充放电策略。如果预测到风电或光伏输出过高，储能系统将吸收多余的电量进行存储；如果预测到系统负荷过大，储能系统则可以释放电量供电。同时，随着实际功率数据的更新，预测模型会适当调整参数以提高预测精度。这种动态优化方法可以有效地解决源-荷不确定性对系统的影响，提高系统的稳定性和可再生能源的消费水平。通过灵活调整各设备的输出，提出的多时间尺度优化操作方法能够使系统运行更加平稳，提高系统的稳定性和可再生能源的消纳能力。

2" 源-荷功率预测下的储能粒子群优化模型构建

2.1" 目标函数及约束条件

基于上述算法原理，针对储能动态优化配置，构建数学模型。储能系统动态优化的目标函数是基于最小化功率波动和储能损失并满足负荷需求而给出，也即功率波动最小化、储能损失最小化并满足负荷需求。

1）功率波动最小化：减少系统中不同能源之间的功率波动，确保能量供需平衡。

2）储能损失最小化：通过优化充放电策略，降低储能系统的能量损失，提高系统整体效率。

3）预测误差最小化：减少由于风光电力预测误差带来的不稳定性，使得储能系统能够更好地适应不确定性和变化。

基于此，定义目标函数为

式中：ＰＥＳＳ（t）为t时刻储能系统的充放电功率，Ｐwind（t）、Ｐsolar（t）分别为t时刻风力发电单元、光伏发电单元的输出功率，Ｐload（t）为负荷需求，？琢、？茁、γ为权重系数，CＥＳＳ为储能容量，ε（t）为预测功率与实际功率之间的误差，代表了不确定性，Loss（t）为储能损失功率。

对应的约束条件主要考虑储能系统容量限制、系统功率平衡、储能充放电功率限制、储能SOC（State of Charge， SOC）限制，具体如下：

式中：ＣＥＳＳ、Ｃreser？淄e、Ｃmax、ＣESS_max分别表示储能系统容量、最低储备容量、最大容量、最大功率。Ｐwind（t）、Ｐsolar（t）、ＰＥＳＳ（t）分别表示t时刻风力发电、光伏发电及储能系统的功率。SOC（t）、SOCmax、SOCmin分别表示t时刻储能系统的SOC、SOC最大值、SOC最小值。

2.2" 基于PSO的储能优化配置

根据CNN-BiLSTM预测模型得到的实时功率预测数据，基于PSO实现储能系统动态优化，以满足目标函数。PSO通过模拟鸟群觅食的过程，迭代更新每个粒子的位置，搜索最优解。粒子的位置表示储能容量和充放电策略，速度表示调整步长。每个粒子根据适应度函数更新自身的位置和速度，最终找到最优的储能配置。

基于PSO的储能优化的主要步骤包括：

1）粒子表示：每个粒子表示一个储能配置，包含储能容量和在各时间步的充放电功率。由CNN-BiLSTM模型提供的风力、光伏和负荷预测数据作为PSO优化的输入，粒子在每个时间步调整储能充放电功率，依据预测的风光负荷数据进行优化。

2）适应度函数：每个粒子的适应度函数用于衡量该配置的优劣，也即目标函数，具体如公式（1）所示。适应度函数包含功率波动最小化、储能损失最小化和负荷需求。粒子群优化（PSO）算法会根据这个适应度函数来评估每一个粒子的优劣。

3）粒子更新：粒子的位置表示储能系统的充放电策略，速度表示粒子调整的步长，PSO更新参见公式（3）。

式中：？淄i（t）为粒子i在时间步t的速度，xi（t）为粒子的位置，pbesti为粒子个人历史最优位置，gbest为全局最优位置，？棕为惯性权重，c1、c2为加速常数，r1、r2为随机数。

每次更新粒子位置时，PSO通过不断调整粒子的位置和速度，搜索最优的储能配置，使得目标函数最小化，从而实现储能系统的优化。通过合理设置权重系数，PSO能够在实际的微电网系统中，平衡功率波动、储能损失与预测误差，最终找到一个既能满足负荷需求又能提升系统稳定性和能效的最优储能配置。PSO的全局最优解代表了最佳的储能充放电策略，实现功率平衡并最小化储能损失，确保最大程度满足适应度函数。

3" 仿真验证

为了验证所提算法有效性，针对某基于CPSS的园区微电网，含风力发电、光伏发电、储能系统及园区负荷。其中，负荷功率最高为100 kW，风电、光伏和储能系统容量均为50 kWh。其中光伏单元在6：00-18：00进行光伏发电输出，其他时间光伏无功率输出。利用所构建的源-荷CNN-BiLSTM预测模型，利用滑动窗口技术，实现了风电、光伏、负荷功率的在线预测。

图3展示了基于CNN-BiLSTM预测模型的典型数据下的全天源-荷功率预测结果，模型评价指标分别为MSE=0.012 9，RMSE=0.113 4，MAE=0.103 3。因此，所设计功率预测模型精度较高。结合源-荷功率的历史数据，并参考源-荷功率实时预测数据，利用PSO实现对储能系统的优化调度。参考源-荷功率预测与不考虑功率预测情况下的储能优化配置分别如图4、图5所示。

对比图4、图5可知，带预测的优化的最佳适应度（Best Fitness）更低，说明带预测的优化效果相对更好，优化结果越优。因为通过利用预测模型来提前预估未来的功率需求和生成情况，优化算法可以根据预测结果来调整储能配置，避免过度依赖历史数据或实时数据的不确定性。如果没有预测信息，直接使用历史数据来做优化，可能导致系统更依赖于过去的行为，而不能有效地应对未来可能的变化。尤其在风能和光伏等可再生能源的波动较大的情况下，缺少预测可能导致储能系统配置的效率较低，适应度较高。因此，源-荷功率预测的引入应该能够提前预判负荷波动，减少系统的不稳定性，从而获得更低的适应度值，意味着更高效的优化。

4" 结论

本文提出一种基于源-荷功率预测的微电网储能优化配置方法，结合改进的CNN-BiLSTM深度学习算法对风电、光伏和负荷进行短期预测，并利用粒子群优化算法（PSO）进行储能系统的配置优化。结果表明，与传统优化方法相比，本文提出的基于深度学习与PSO的储能动态优化方法，能够根据实时预测的风光发电和负荷数据动态调整储能配置，可显著提高储能容量配置的效率，平抑功率波动并降低系统损耗，能够实现更高的灵活性与实时性，提升系统的稳定性和经济性。

参考文献：

[1] 高波，高明明，和红梅，等.交流电压分区协调控制方法的设计与仿真[J].计算机仿真，2023，40（5）：150-153，161.

[2] 王博，杨德友，蔡国伟.高比例新能源接入下电力系统惯量相关问题研究综述[J].电网技术，2020，44（8）：2998-3007.

[3] 郝鹏，周文璐，王培璐.集中式储能参与的微电网需求响应研究[J].科技创新与应用，2024，14（33）：38-42.

[4] 高波，李兆泽，王兵锐，等.基于泛在电力物联网技术的智慧城市建设研究[J].科技创新与应用，2022，12（34）：20-23.

[5] 周涛，贺伟，李会芳，等.新型电力系统下储能辅助运行与优化配置研究综述[J/OL].南京信息工程大学学报，1-25[2025-02-12].https：//doi.org/10.13878/j.cnki.jnuist.20241019001.

[6] 姚路锦.提升风电有功支撑能力的源储协同优化控制研究[D].北京：华北电力大学（北京），2024.

[7] 杨澳.基于混合储能系统微电网模型的容量配置及实时优化调度研究[D].贵阳：贵州大学，2024.

[8] 杨欢红，施颖，黄文焘，等.考虑实时需求侧响应的光储充电站容量优化配置方法[J].智慧电力，2023，51（7）：51-58.

[9] 师芊芊.计及复杂天气条件的新能源功率预测及优化配置研究[D].北京：北方工业大学，2024.

基金项目：国家级大学生创新创业项目（202310085006，202410085006）；河北省沧州市科技项目（222102001）；河北省高等学校科学研究项目（ZC2023092）

*通信作者：高波（1989-），男，硕士，讲师。研究方向为人工智能与新能源发电技术。