基于PSO-BP神經(jīng)網(wǎng)絡(luò)的儲(chǔ)能裝置實(shí)時(shí)容量識(shí)別與實(shí)現(xiàn)

呂磊 王紅蕾

摘 ?要： 微電網(wǎng)下新能源的使用促使了人們對(duì)能量?jī)?yōu)化調(diào)度的研究，儲(chǔ)能裝置是其中的關(guān)鍵一部分，準(zhǔn)確識(shí)別其存儲(chǔ)容量是實(shí)現(xiàn)微電網(wǎng)電力優(yōu)化調(diào)度的任務(wù)之一。為實(shí)現(xiàn)對(duì)微電網(wǎng)下儲(chǔ)能裝置的實(shí)時(shí)容量在線識(shí)別，利用BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)建立了儲(chǔ)能裝置容量識(shí)別模型，并引入了優(yōu)化的粒子群算法PSO，實(shí)現(xiàn)了儲(chǔ)能裝置的實(shí)時(shí)容量在線識(shí)別。通過(guò)對(duì)比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)識(shí)別結(jié)果，采用PSO?BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型的容量誤差在0.3%～2.4%之間，傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)誤差范圍為1.0%～21%，表明采用PSO?BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型明顯優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型。

關(guān)鍵詞： 容量識(shí)別; 儲(chǔ)能裝置; 識(shí)別建模; BP神經(jīng)網(wǎng)絡(luò); 粒子群算法; 在線識(shí)別

中圖分類號(hào)： TN711?34; TM912 ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2020）12?0069?05

Abstract： The use of new energy under the micro?grid has prompted the research on energy optimal scheduling. The energy storage device is the key part， and the accurate identification of its storage capacity is one of the tasks to realize the optimal dispatching of micro?grid power. The capacity identification model of energy storage device is established by means of the structure of BP neural network， so as to realize the on?line identification of the real?time capacity of energy storage device under the microgrid; and the optimized particle swarm optimization （PSO） algorithm is introduced to realize the on?line identification of the real?time capacity of energy storage device. In comparison with the recognition results of traditional BP neural network， the capacity error of the recognition model based on PSO?BP neural network is 0.5%～13%， and the error range of the traditional BP neural network is 1.0%～21%. The recognition model using PSO?BP neural network is obviously better than that of the traditional BP neural network recognition model.

Keywords： capacity identification; energy storage device; identification modeling; BP neural network; particle swarm optimization; on?line identification

0 ?引 ?言

新能源作為未來(lái)發(fā)電的重要部分，在減少環(huán)境污染方面具有重大影響，而儲(chǔ)能裝置作為新能源發(fā)電必不可少的組成部分，在提高電能質(zhì)量、維護(hù)系統(tǒng)穩(wěn)定性、電源應(yīng)急備用、提高經(jīng)濟(jì)效益等方面發(fā)揮了不可或缺的作用[1]。對(duì)儲(chǔ)能裝置進(jìn)行容量識(shí)別，對(duì)微電網(wǎng)的能量管理與調(diào)度極具實(shí)質(zhì)意義，鑒于這一技術(shù)的重要作用，儲(chǔ)能裝置的容量識(shí)別得到了廣泛的關(guān)注。因BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)簡(jiǎn)單，可調(diào)的參數(shù)多，可操作性好，故采用BP神經(jīng)網(wǎng)絡(luò)構(gòu)建儲(chǔ)能裝置的實(shí)時(shí)容量識(shí)別模型是一種簡(jiǎn)便可行的方法。文中識(shí)別的儲(chǔ)能裝置是基于磷酸鐵鋰電池組和鉛炭電池組的，由于電池組的容量與電池組的充電和放電電流、兩端電壓、工作溫度和電池組循環(huán)次數(shù)有關(guān)，而且電池內(nèi)部復(fù)雜的物理和化學(xué)機(jī)制使得難以獲得精確的數(shù)學(xué)模型，這就造成了難以準(zhǔn)確識(shí)別儲(chǔ)能裝置容量值的一個(gè)現(xiàn)實(shí)問(wèn)題。為此，文中介紹了一種以神經(jīng)網(wǎng)絡(luò)為代表的智能算法，用于識(shí)別儲(chǔ)能裝置的容量[2]，并建立了基于優(yōu)化粒子群算法的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型，通過(guò)實(shí)現(xiàn)對(duì)儲(chǔ)能裝置容量的識(shí)別、對(duì)提高微電網(wǎng)的可再生能源的利用效率，以及對(duì)微電網(wǎng)的電力調(diào)度和需求側(cè)管理具有重要的意義。

1 ?微電網(wǎng)網(wǎng)源荷能量?jī)?yōu)化調(diào)度簡(jiǎn)介

實(shí)現(xiàn)微電網(wǎng)下對(duì)清潔能源的有效利用以及源網(wǎng)荷能量?jī)?yōu)化調(diào)度，除了柔性接入各種不同的集中式清潔能源、儲(chǔ)能裝置以及電動(dòng)汽車充放電裝置以外，還需從儲(chǔ)能裝置的經(jīng)濟(jì)優(yōu)化調(diào)度、削峰填谷的優(yōu)化調(diào)度和多饋線互聯(lián)經(jīng)濟(jì)運(yùn)行三個(gè)角度進(jìn)行深入分析。具體來(lái)說(shuō)，微電網(wǎng)下網(wǎng)源荷能量的優(yōu)化調(diào)度，首先要滿足電能的要求，需要滿足電能提供的連續(xù)可靠以及保證電能的質(zhì)量與安全，在此前提下，對(duì)源網(wǎng)荷進(jìn)行資源優(yōu)化配置，并在調(diào)度服務(wù)和時(shí)空規(guī)模上執(zhí)行多維協(xié)調(diào)和交互，以實(shí)現(xiàn)配電網(wǎng)高效運(yùn)行。微電網(wǎng)系統(tǒng)源網(wǎng)荷能量?jī)?yōu)化調(diào)度方法可以根據(jù)分布式電源、微電網(wǎng)、儲(chǔ)能裝置、可控負(fù)荷等調(diào)度對(duì)象的分布，構(gòu)建“微電網(wǎng)功率平滑?配電區(qū)能量平衡?配電網(wǎng)能源優(yōu)化”配電網(wǎng)調(diào)度模型，構(gòu)建“原地自治?部分平衡?區(qū)域協(xié)調(diào)?整體消納”的調(diào)度機(jī)制?；诖?，對(duì)儲(chǔ)能裝置的容量識(shí)別是實(shí)現(xiàn)微電網(wǎng)下能量?jī)?yōu)化調(diào)度的一個(gè)關(guān)鍵研究部分。城市柔性互聯(lián)配電系統(tǒng)結(jié)構(gòu)如圖1所示，由端口I～I(xiàn)V構(gòu)成五端系統(tǒng)，中間包含交流配電網(wǎng)部分（端口I～Ⅲ與節(jié)點(diǎn)①～③之間）、直流配電中心部分（節(jié)點(diǎn)①～⑤之間）、交流微電網(wǎng)部分（節(jié)點(diǎn)④與端口IV之間）、直流微電網(wǎng)部分（節(jié)點(diǎn)⑤與端口V之間）。

2 ?BP神經(jīng)網(wǎng)絡(luò)在儲(chǔ)能裝置容量識(shí)別模型上的改進(jìn)

2.1 ?儲(chǔ)能裝置容量識(shí)別模型的建立

本文研究的儲(chǔ)能裝置主要基于電池組，一般來(lái)說(shuō)電池的性能將會(huì)對(duì)識(shí)別結(jié)果產(chǎn)生影響。通常，估計(jì)電池性能用得最多的是數(shù)學(xué)建模方法，但是數(shù)學(xué)模型的搭建直接受電池內(nèi)部所發(fā)生反應(yīng)的影響，這種影響的本質(zhì)特征是反應(yīng)時(shí)的物理化學(xué)規(guī)律。這一過(guò)程用到了大量的假設(shè)條件和經(jīng)驗(yàn)參數(shù)，估計(jì)精度是有限的，并且模型的表達(dá)式是多參數(shù)的偏微分方程組，方案解決過(guò)程非常麻煩，只能解決一些簡(jiǎn)單的問(wèn)題[3]。而對(duì)于實(shí)際工作狀態(tài)下的電池組，其內(nèi)部反應(yīng)十分復(fù)雜，顯而易見，這種方法一般來(lái)說(shuō)無(wú)法滿足實(shí)際的需要。為了避開電池組內(nèi)部的復(fù)雜性， 一種實(shí)用和方便的方法應(yīng)運(yùn)而生，利用BP神經(jīng)網(wǎng)絡(luò)對(duì)電池組建模，也即是對(duì)儲(chǔ)能裝置的建模，并利用此模型結(jié)合常用的神經(jīng)網(wǎng)絡(luò)算法，對(duì)處于充放電工況下的儲(chǔ)能裝置進(jìn)行容量識(shí)別。

BP神經(jīng)網(wǎng)絡(luò)是一種具有信號(hào)前向傳輸和誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)[4]。儲(chǔ)能裝置容量識(shí)別屬于模式識(shí)別問(wèn)題，三層網(wǎng)絡(luò)結(jié)構(gòu)就可以解決。容量識(shí)別結(jié)果的影響因素很多，BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)可以根據(jù)實(shí)驗(yàn)結(jié)果來(lái)進(jìn)行調(diào)整，增加輸入層節(jié)點(diǎn)數(shù)，即考慮較多的因素，并不能提高神經(jīng)網(wǎng)絡(luò)的識(shí)別精度，反而增加了學(xué)習(xí)時(shí)間。例如電池的老化程度，這些參數(shù)的獲取很困難，它們對(duì)電池容量的識(shí)別影響程度有限，經(jīng)過(guò)以上考慮，最終選擇了電池組的電流與電壓作為輸入;電池組容量作為輸出;隱含層根據(jù)經(jīng)驗(yàn)公式：

將得到的電流、電壓數(shù)據(jù)通過(guò)輸入層傳輸?shù)诫[含層中的每個(gè)神經(jīng)元，中間層處理和轉(zhuǎn)換每組數(shù)據(jù)，由最后一個(gè)隱含層神經(jīng)元傳遞到輸出層，這是一次正向的學(xué)習(xí)過(guò)程; 當(dāng)實(shí)際輸出容量值與預(yù)期容量值不匹配時(shí)，誤差根據(jù)梯度下降方法由輸出層反向傳播給隱含層和輸入層。兩個(gè)過(guò)程不斷重復(fù)的運(yùn)行，使得神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值得到連續(xù)調(diào)整，直到為允許的誤差范圍或設(shè)定的次數(shù)為止。

2.2 ?PSO?BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型的改進(jìn)

考慮到電池組在充放電過(guò)程中，儲(chǔ)能裝置電池組自身溫度（T）的影響，PSO?BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型加入了影響電池組容量值的溫度參數(shù)。鑒于BP神經(jīng)網(wǎng)絡(luò)識(shí)別模型利用優(yōu)化的粒子群算法，利用較少的樣本就能達(dá)到期望的結(jié)果[5]?？紤]溫度參數(shù)并不會(huì)增加多少學(xué)習(xí)時(shí)間，為此將電壓、電流、溫度三個(gè)參數(shù)作為輸入，容量值作為輸出，以提高模型的識(shí)別精確度。PSO?BP神經(jīng)網(wǎng)絡(luò)識(shí)別儲(chǔ)能裝置容量值的拓?fù)浣Y(jié)構(gòu)圖如圖3所示。

2.3 ?樣本選取及仿真測(cè)試結(jié)果

所得的電壓、電流、容量數(shù)據(jù)是從學(xué)校與貴州電網(wǎng)公司所合作的項(xiàng)目——“城市配電網(wǎng)柔性互聯(lián)關(guān)鍵設(shè)備及技術(shù)的研究工程”配電中心處獲取的，時(shí)間為2019年1月。對(duì)所得的數(shù)據(jù)經(jīng)過(guò)處理后，選取40組為訓(xùn)練樣本，15組為測(cè)試樣本，如表1、表2所示。溫度數(shù)據(jù)充放電情況下基本不變，為13 ℃左右。

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與測(cè)試?yán)肕atlab來(lái)完成，將表1、表2的數(shù)據(jù)輸入到網(wǎng)絡(luò)中，使用LM算法進(jìn)行訓(xùn)練與測(cè)試，仿真結(jié)果如圖4～圖6所示。

從仿真結(jié)果來(lái)看，BP神經(jīng)網(wǎng)絡(luò)雖然具有一定程度的擬合能力，但是不可否認(rèn)的是識(shí)別結(jié)果精度有限，達(dá)不到預(yù)期要求。從圖中可以看到識(shí)別結(jié)果大都在誤差允許的范圍內(nèi)，但是個(gè)別預(yù)測(cè)誤差較大。通過(guò)分析，影響誤差精度的因素較多，參數(shù)的設(shè)置、樣本的選取及樣本數(shù)量等都會(huì)對(duì)結(jié)果產(chǎn)生較大影響。這些都可以通過(guò)外部的努力來(lái)彌補(bǔ)，最主要的是網(wǎng)絡(luò)訓(xùn)練中的初始權(quán)值和閾值是隨機(jī)產(chǎn)生的，它對(duì)訓(xùn)練的模型精度具有較大影響。為了提高BP神經(jīng)網(wǎng)絡(luò)的識(shí)別精度，將重點(diǎn)考慮權(quán)重和閾值的影響，對(duì)權(quán)重和閾值進(jìn)行不斷優(yōu)化，可以顯著提高識(shí)別精度。針對(duì)這樣的特點(diǎn)，通過(guò)粒子群優(yōu)化算法改進(jìn)了BP神經(jīng)網(wǎng)絡(luò)。

3 ?優(yōu)化的PSO?BP神經(jīng)網(wǎng)絡(luò)在儲(chǔ)能裝置實(shí)時(shí)容量識(shí)別中的實(shí)現(xiàn)

3.1 ?優(yōu)化網(wǎng)絡(luò)權(quán)重和閾值的粒子群算法

粒子群算法（Particle Swarm Optimization， PSO）最早是由Eberhart和Kennedy于1995年提出[6]，它的基本概念源于對(duì)鳥群覓食行為的研究，PSO算法受這種生物種群行為的啟發(fā)，以用來(lái)解決優(yōu)化問(wèn)題。在PSO中，每個(gè)粒子都代表問(wèn)題的一個(gè)解，對(duì)應(yīng)一個(gè)適應(yīng)度值。粒子速度決定粒子運(yùn)動(dòng)的距離和方向，并且通過(guò)自身和其他粒子的運(yùn)動(dòng)而動(dòng)態(tài)調(diào)整，從而實(shí)現(xiàn)個(gè)體在可解空間中的優(yōu)化過(guò)程。

采用PSO算法的過(guò)程首先將BP神經(jīng)網(wǎng)絡(luò)正向?qū)W習(xí)后得到的容量輸出與期望容量輸出的誤差，通過(guò)PSO算法先進(jìn)行初始化以找到個(gè)體極值和群體極值，即在BP神經(jīng)網(wǎng)絡(luò)中尋找權(quán)重和閾值;然后更新速度和位置，并在計(jì)算適應(yīng)度后更新原始的個(gè)體極值和群體極值;最后將獲得的最優(yōu)神經(jīng)網(wǎng)絡(luò)權(quán)重和閾值送入BP神經(jīng)網(wǎng)絡(luò)中驗(yàn)證[7?8]。

假設(shè)粒子群群體X=（X1，X2，…，Xn）由n個(gè)粒子組成，通常粒子的維數(shù)為Q，使得在群體中存在n個(gè)粒子，每個(gè)粒子是Q維的，由n個(gè)粒子組成的群體搜索Q個(gè)維度（即每個(gè)粒子的維數(shù)）。每個(gè)粒子表示為Xi=（Xi1，Xi2，…，XiQ），在Q維搜索空間中表示第i個(gè)粒子的位置，也代表問(wèn)題的一個(gè)潛在解。根據(jù)目標(biāo)函數(shù)，可以計(jì)算與每個(gè)粒子位置Xi對(duì)應(yīng)的適應(yīng)度值[9]。對(duì)應(yīng)于每個(gè)粒子的速度可以表示為Vi=（Vi1，Vi2，…，ViQ），每個(gè)粒子在搜索時(shí)應(yīng)考慮兩個(gè)因素：

式中：ω是保持原始速度的系數(shù)，稱為慣性權(quán)重;d=1，2，…，D;i=1，2，…，n;k為當(dāng)前迭代次數(shù);vid為粒子的速度;c1是跟蹤其自身歷史最優(yōu)值的粒子權(quán)重系數(shù)，它代表粒子自身的認(rèn)知，稱為加速度因子，通常設(shè)為2;c2是粒子跟蹤群體最優(yōu)值的權(quán)重系數(shù)，它表示粒子對(duì)整個(gè)群體知識(shí)的認(rèn)知，稱為加速度因子，通常設(shè)為2;ξ和η是[0，1]區(qū)間內(nèi)均勻分布的隨機(jī)數(shù)[11]。

3.2 ?粒子群優(yōu)化后的網(wǎng)絡(luò)模型仿真結(jié)果