基于差分進(jìn)化粒子群神經(jīng)網(wǎng)絡(luò)的用戶側(cè)儲(chǔ)能容量?jī)?yōu)化配置

蘭國(guó)龍，陳佳橋，葉恒志，陳旭海, 廖寶文

(1.中國(guó)水利水電第四工程局有限公司,北京 100071；2.中國(guó)電建集團(tuán)福建省電力勘測(cè)設(shè)計(jì)院有限公司,福建 福州 350003)

0 引 言

隨著智能電網(wǎng)和能源互聯(lián)網(wǎng)的發(fā)展，電力系統(tǒng)對(duì)儲(chǔ)能[1]的需求日漸增大。電化學(xué)儲(chǔ)能以其靈活和動(dòng)態(tài)響應(yīng)快速的特點(diǎn)廣泛應(yīng)用于電力系統(tǒng)的發(fā)電、輸電、配電和用電等各環(huán)節(jié)，其多重運(yùn)行效益和經(jīng)濟(jì)價(jià)值日益凸顯。

用戶側(cè)儲(chǔ)能的應(yīng)用需要解決經(jīng)濟(jì)性及循環(huán)壽命的問(wèn)題，現(xiàn)有研究主要包括以下三個(gè)方面：一是儲(chǔ)能容量配置優(yōu)化與經(jīng)濟(jì)性分析[2-3]，通過(guò)建立用戶側(cè)儲(chǔ)能應(yīng)用的成本收益分析模型，分析儲(chǔ)能投資的經(jīng)濟(jì)性，確定最佳的容量配置與運(yùn)行方案，現(xiàn)有工作主要考慮的收益類型包括削峰填谷及需量控制；二是系統(tǒng)能量管理與優(yōu)化控制[4]，在儲(chǔ)能系統(tǒng)接入后，需要考慮與電網(wǎng)及終端用戶系統(tǒng)的其他設(shè)備，如分布式可再生能源發(fā)電和負(fù)荷等，共同協(xié)調(diào)運(yùn)行，以優(yōu)化電池儲(chǔ)能的實(shí)際收益，另外需要考慮對(duì)多個(gè)儲(chǔ)能系統(tǒng)間的充放電功率分配及均衡控制，提高電池效率及使用壽命；三是儲(chǔ)能應(yīng)用領(lǐng)域[5-6]的拓展，通過(guò)增加用戶側(cè)儲(chǔ)能系統(tǒng)的功能與服務(wù)類型，提高儲(chǔ)能應(yīng)用的收益。

目前儲(chǔ)能系統(tǒng)成本較高，本文采用差分進(jìn)化-粒子群算法對(duì)用戶側(cè)儲(chǔ)能進(jìn)行優(yōu)化配置，彌補(bǔ)了差分進(jìn)化算法搜索速度慢和粒子群算法[7]易出現(xiàn)局部最優(yōu)的缺陷，在保證系統(tǒng)運(yùn)行可靠性的同時(shí)，有效降低系統(tǒng)運(yùn)行成本，提高系統(tǒng)經(jīng)濟(jì)性。

1 用戶側(cè)儲(chǔ)能模型建立

1.1 儲(chǔ)能系統(tǒng)運(yùn)行目標(biāo)

配置儲(chǔ)能系統(tǒng)的主要目的是為運(yùn)營(yíng)商帶來(lái)經(jīng)濟(jì)上的收益。本文針對(duì)峰谷價(jià)差套利對(duì)儲(chǔ)能系統(tǒng)功率容量及控制策略進(jìn)行優(yōu)化配置。

1.2 約束條件

-Pn≤Pc(t)≤Pn

(1)

SOC(t+1)=SOC(t)-Pc(t)Δt

(2)

(3)

根據(jù)國(guó)家發(fā)展改革委關(guān)于兩部制電價(jià)用戶基本電價(jià)執(zhí)行方式的通知:Pzb為主變?nèi)萘?；P1為容量電費(fèi);P2為需量電費(fèi)；Pload為負(fù)荷功率；PN為基本電量；Pneed為需要功率；Qsurplus為剩余容量；Zn為額定容量。

(4)

Pc=min([Pneed,Qsurplus/Δt,Pn])

(5)

Pneed=PN-Pload

(6)

Qsurplus=Zn-Q(t)

(7)

儲(chǔ)能控制策略如圖1所示。

圖1 用戶側(cè)儲(chǔ)能控制策略

2 差分粒子群算法

2.1 差分進(jìn)化算法

差分進(jìn)化算法通過(guò)把種群中兩個(gè)隨機(jī)選擇的不同個(gè)體加權(quán)差向量，加到第三個(gè)個(gè)體上，以此“變異”操作來(lái)產(chǎn)生新的目標(biāo)個(gè)體；再通過(guò)“交叉”產(chǎn)生試驗(yàn)個(gè)體；最后“選擇”適應(yīng)度函數(shù)值較小的個(gè)體，為下一代的目標(biāo)個(gè)體。種群中所有個(gè)體都需進(jìn)行以上操作，實(shí)現(xiàn)個(gè)體進(jìn)化。

對(duì)D維目標(biāo)個(gè)體xi,G(i=1,2,…,NP)，變異操作如下。

vi,G+1=xr1,G+F·(xr2,G-xr3,G) (r1≠r2≠r3≠i)

(8)

式中：D為個(gè)體維度；i為個(gè)體在種群中的序列；G為進(jìn)化代數(shù)；NP為種群大小；r1、r2、r3為隨機(jī)選擇的序號(hào)且互不相同；F為變異算子。

2.2 粒子群算法

在粒子群算法中，每個(gè)粒子以一定的速度在解空間運(yùn)動(dòng)，同時(shí)向自身歷史最佳位置和領(lǐng)域歷史最佳位置聚集，通過(guò)每一次的疊代，實(shí)現(xiàn)個(gè)體的進(jìn)化。

在一個(gè)D維目標(biāo)搜索空間，有N個(gè)粒子組成的群體，粒子根據(jù)式(9)～式(10)更新自身速度與位置：

vij(t+1)=w×vij(t)+c1r1[pij(t)-xij(t)]

+c2r2[gj(t)-xij(t)]

(9)

xij(t+1)=xij(t)+vij(t+1)

i=1,2,…,N;j=1,2,…,D

(10)

式中：x為第i個(gè)粒子位置；v為第i個(gè)粒子速度；p為第i個(gè)粒子最優(yōu)個(gè)體位置；g為D維全局最優(yōu)位置;r1和r2為學(xué)習(xí)因子;c1和c2為[0,1]范圍內(nèi)的均勻隨機(jī)數(shù);w為慣性權(quán)重，表示粒子對(duì)當(dāng)前速度繼承能力。粒子群算法流程如圖2所示。

圖2 粒子群算法流程圖

2.3 差分-粒子群優(yōu)化算法

如圖3所示，差分進(jìn)化算法具有較強(qiáng)全局最優(yōu)解的搜索能力，魯棒性強(qiáng)，但要獲得精確度高的解，需要較多的時(shí)間。粒子群算法收斂速度快，但控制參數(shù)對(duì)算法性能影響較大，且算法早期速度快，易出現(xiàn)早熟現(xiàn)象。

因此本文提出混合差分算法和粒子群算法的優(yōu)化算法，通過(guò)改進(jìn)粒子更新自身速度和位置公式(9)，以綜合兩種算法的優(yōu)點(diǎn)，避免算法早熟。

vij(G+1)=w·vij(G)+c1r1[xi(G+1)-xij(G)]

(11)

式中：x為第i個(gè)粒子位置；v為第i個(gè)粒子速度；c1為學(xué)習(xí)因子；r1為[0,1]范圍內(nèi)的均勻隨機(jī)數(shù)；w為慣性權(quán)重；xi(G+1)為經(jīng)過(guò)差分優(yōu)化的全局最優(yōu)位置；G為進(jìn)化代數(shù)。

3 仿真驗(yàn)證

建立儲(chǔ)能系統(tǒng)功率容量配比的數(shù)據(jù)庫(kù)如圖3所示，并在送入網(wǎng)絡(luò)訓(xùn)練前，進(jìn)行數(shù)據(jù)歸一處理。在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練中，網(wǎng)絡(luò)初始權(quán)重經(jīng)由差分-粒子群算法優(yōu)化得到，輸入層至隱含層活化函數(shù)為tansig，輸出層為purelin。

圖3 儲(chǔ)能容量?jī)?yōu)化配置流程

由圖4可見(jiàn)，算法進(jìn)化方向由適應(yīng)度函數(shù)最小值方向搜索，即預(yù)測(cè)樣本與期望值的誤差矩陣范數(shù)最小。圖5～圖8為神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線，經(jīng)過(guò)差分-粒子群混合算法優(yōu)化改進(jìn)的網(wǎng)絡(luò)MSE(均方誤差)值更小，網(wǎng)絡(luò)訓(xùn)練效果得到了較大的提升。

圖4 差分-粒子群適應(yīng)度進(jìn)化曲線

圖5 隨機(jī)初始權(quán)值與閾值訓(xùn)練誤差曲線

圖6 粒子群優(yōu)化初始權(quán)值與閾值訓(xùn)練誤差曲線

圖7 差分進(jìn)化優(yōu)化初始權(quán)值與閾值訓(xùn)練誤差曲線

圖8 差分-粒子群優(yōu)化初始權(quán)值與閾值訓(xùn)練誤差曲線

圖9～圖12為網(wǎng)絡(luò)訓(xùn)練擬合結(jié)果，圖中R稱為可決因數(shù)，其值越接近1，則說(shuō)明網(wǎng)絡(luò)模型性能越好。仿真結(jié)果表明，經(jīng)過(guò)差分-粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的仿真結(jié)果更加向真實(shí)值聚集。

圖9 隨機(jī)初始權(quán)值與閾值網(wǎng)絡(luò)訓(xùn)練擬合結(jié)果

圖10 粒子群優(yōu)化初始權(quán)值與閾值網(wǎng)絡(luò)訓(xùn)練擬合結(jié)果

圖11 差分進(jìn)化優(yōu)化初始網(wǎng)絡(luò)訓(xùn)練擬合結(jié)果

圖12 差分-粒子群優(yōu)化初始權(quán)值與閾值網(wǎng)絡(luò)訓(xùn)練擬合結(jié)果

表1為網(wǎng)絡(luò)訓(xùn)練結(jié)果。結(jié)果表明，差分-粒子群優(yōu)化算法于其他三種算法中耗時(shí)最短，誤差最小，網(wǎng)絡(luò)性能表現(xiàn)最佳，證明了差分粒子混合優(yōu)化算法用于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)性能獲得較大改善。

表1 網(wǎng)絡(luò)訓(xùn)練結(jié)果

基于差分-粒子群容量?jī)?yōu)化算法配置儲(chǔ)能規(guī)模為4 MW/6 MWh，采用三充三放的運(yùn)行策略，儲(chǔ)能通過(guò)峰谷價(jià)差套利年節(jié)省電費(fèi)約為223萬(wàn)元，不計(jì)儲(chǔ)能損耗及稅收儲(chǔ)能回收期約為7年。

4 結(jié)束語(yǔ)

本文在已有研究的基礎(chǔ)上，提出了一種基于差分進(jìn)化和粒子群混合優(yōu)化算法的用戶側(cè)儲(chǔ)能容量?jī)?yōu)化方法。在傳統(tǒng)的粒子群優(yōu)化算法中加入差分進(jìn)化算法作為輔助變異算子，改變粒子群優(yōu)化算法的速度更新公式，提高了計(jì)算效率以及全局搜索能力。仿真結(jié)果表明，采用差分進(jìn)化粒子群算法時(shí)，收斂速度較差分進(jìn)化法和粒子群算法有明顯的提高，從而具有更強(qiáng)的尋優(yōu)能力，成功地解決了用戶側(cè)儲(chǔ)能系統(tǒng)的容量?jī)?yōu)化問(wèn)題，提高了用戶側(cè)儲(chǔ)能的經(jīng)濟(jì)性。