基于功率預(yù)測的光儲(chǔ)發(fā)電系統(tǒng)控制策略優(yōu)化

王勝輝，王政宇,2，陳 姝，李瀟瀟，王志喜

(1.沈陽工程學(xué)院，遼寧沈陽 110136；2.國網(wǎng)吉林省電力有限公司四平供電公司，吉林 四平 136000；3.遼寧能源投資(集團(tuán))有限責(zé)任公司，遼寧沈陽 110000；4.遼寧太陽能研究應(yīng)用有限公司運(yùn)維部，遼寧沈陽 110136)

目前，棄光現(xiàn)象的原因主要有兩點(diǎn)：第一點(diǎn)是快速增長的裝機(jī)容量與輸送通道等設(shè)施的建設(shè)之間的矛盾；第二點(diǎn)是光伏的間歇性和不穩(wěn)定性會(huì)對電網(wǎng)造成較大的影響，導(dǎo)致電網(wǎng)不得不選擇性接受光伏的電能。因此，光儲(chǔ)聯(lián)合運(yùn)行方式逐漸成為解決這一系列問題的有效手段。在光儲(chǔ)式發(fā)電系統(tǒng)中，儲(chǔ)能部分可以儲(chǔ)存過剩的光伏發(fā)電的電能、平抑太陽能發(fā)電輸出功率的波動(dòng)[1]、改善電能質(zhì)量。光儲(chǔ)發(fā)電系統(tǒng)的控制策略可以動(dòng)態(tài)調(diào)整能量在光伏、儲(chǔ)能系統(tǒng)和電網(wǎng)之間的流動(dòng)方向，更加有效地減輕光伏輸出功率的波動(dòng)，提高電網(wǎng)大規(guī)模接納光伏發(fā)電的能力，減少棄光現(xiàn)象。光儲(chǔ)發(fā)電系統(tǒng)的控制策略有：考慮區(qū)域自治的儲(chǔ)能電站功率協(xié)調(diào)控制策略[2]、以經(jīng)濟(jì)性為目標(biāo)的光儲(chǔ)電站優(yōu)化控制策略[3]、以凈收益最大為控制目標(biāo)，考慮計(jì)劃跟蹤模式的光儲(chǔ)電站優(yōu)化控制策略[4]、多種工作模式協(xié)同運(yùn)行與切換控制策略[5]等。

在平抑光伏波動(dòng)控制策略的研究中，多數(shù)采用的是低通濾波方法。由于該方法具有滯后性，其求解的平抑目標(biāo)與實(shí)際功率曲線相比存在延遲現(xiàn)象，不利于多個(gè)功能的綜合運(yùn)行。而光伏功率預(yù)測作為一種超前預(yù)知的光伏輸出功率測量方法，可以解決這一問題。光伏功率預(yù)測方法眾多，例如：基于KPCA 與混合蛙跳算法的光伏電站發(fā)電量預(yù)測算法[6]、基于數(shù)據(jù)挖掘的光伏發(fā)電量預(yù)測算法[7]、基于思維進(jìn)化算法和BP 神經(jīng)網(wǎng)絡(luò)算法的預(yù)測方法[8]等。

本文提出一種基于功率預(yù)測的光儲(chǔ)發(fā)電系統(tǒng)的優(yōu)化控制策略。首先，改進(jìn)光伏功率預(yù)測算法，將基于跟隨行為的人工魚群算法與BP 神經(jīng)網(wǎng)絡(luò)結(jié)合，提高預(yù)測算法的速度和精確度。其次，將光伏功率預(yù)測數(shù)據(jù)作為影響因素，納入控制策略的考慮范圍內(nèi)。在保證輸出的前提下，抑制光伏出力的波動(dòng)。

1 光伏功率預(yù)測算法優(yōu)化

1.1 人工魚群基本行為

(1)覓食行為

以求最大值為例，假設(shè)第i條人工魚的某一時(shí)刻狀態(tài)為Xi，在其搜索范圍內(nèi)隨機(jī)選擇一個(gè)狀態(tài)Xj，滿足公式(1)：

式中：Rand()為0 到1 之間的隨機(jī)數(shù)。

如果Yi

如果不滿足前進(jìn)條件，則重新在搜索范圍內(nèi)選擇一個(gè)狀態(tài)，判斷是否滿足移動(dòng)的條件。反復(fù)選擇Try number(設(shè)定的重復(fù)次數(shù))次之后，如果仍然沒有移動(dòng)，則隨機(jī)移動(dòng)一步。

(2)聚集行為

假設(shè)第i條人工魚的某一時(shí)刻狀態(tài)為Xi，在當(dāng)前狀態(tài)搜索到同伴的數(shù)量為n，中心位置Xc，根據(jù)公式(3)判斷：

式中：δ為擁擠度因子；Yc和Yi分別為中心位置和當(dāng)前位置的食物濃度。如果成立，表示中心食物濃度較高且不擁擠，則向中心方向移動(dòng)一步；如果不成立，則執(zhí)行覓食行為。

(3)追尾行為

假設(shè)第i條人工魚的某一時(shí)刻狀態(tài)為Xi，在當(dāng)前狀態(tài)搜索附近同伴，找到同伴中食物濃度最大的Yj，其位置為Xj，根據(jù)公式(4)判斷：

如果成立，表明同伴Xj處具有濃度較高的食物并且不太擁擠，則向同伴Xj方向移動(dòng)一步；如果不成立，則執(zhí)行覓食行為。

(4)隨機(jī)行為

該行為是覓食行為的一個(gè)缺省行為，即在視野范圍內(nèi)隨機(jī)選擇一個(gè)位置向其移動(dòng)，下一個(gè)狀態(tài)的位置為：

1.2 基于跟隨行為的人工魚群算法

在基本人工魚群算法的追尾行為中根據(jù)公式(4)判斷目標(biāo)位置是否擁擠而向該方向移動(dòng)。公式中的擁擠度因子是固定值，但在解決實(shí)際問題當(dāng)中，很難給出適合的擁擠度因子的值。不適當(dāng)?shù)膿頂D度因子對算法的速度和精度有很大的影響。為解決此問題，將人工蜂群算法[9]中的覓食行為定義為跟隨行為，并在基本人工魚群算法中采用這種跟隨行為，以此減少參數(shù)設(shè)置。

具體方法如下：設(shè)第i條人工魚的某一時(shí)刻狀態(tài)為Xi，在視野范圍內(nèi)搜索到最優(yōu)伙伴的狀態(tài)為Xj。跟隨魚通過觀察引領(lǐng)魚判斷解的適應(yīng)度值來選擇最優(yōu)解，并依據(jù)選擇概率的大小選擇跟隨的引領(lǐng)魚。適應(yīng)度值fiti和選擇概率Pi的計(jì)算公式如下：

式中：fi為第i個(gè)解的目標(biāo)函數(shù)值；Np為人工魚群的總體數(shù)量。

1.3 基于跟隨行為的人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的光伏功率預(yù)測算法設(shè)計(jì)

本文采用此方法預(yù)測光伏功率，因此，以光伏發(fā)電系統(tǒng)為例。想要運(yùn)用此方法解決問題，首先要確定神經(jīng)網(wǎng)絡(luò)模型。影響光伏輸出功率的因素有很多，包括：輻照度、溫度、云量、太陽入射角和時(shí)間等。一些因素很難精確預(yù)測出，且對光伏的輸出功率影響較小，所以本文只選擇一些主要影響因素作為BP 神經(jīng)網(wǎng)絡(luò)的輸入。輸入層神經(jīng)元為3 個(gè)，輸出層的神經(jīng)元為1 個(gè)。對于隱含層和隱含層中神經(jīng)元個(gè)數(shù)的選擇目前還沒有明確的規(guī)定。本文采用Kolmogorov 定理確定隱含層神經(jīng)元個(gè)數(shù)：

式中：s為隱含層神經(jīng)元數(shù)；n為輸入層神經(jīng)元數(shù)。因此，這里隱含層選擇一層，隱含層中神經(jīng)元的個(gè)數(shù)根據(jù)經(jīng)驗(yàn)公式計(jì)算出為7 個(gè)，網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖1 所示。

圖1 網(wǎng)絡(luò)結(jié)構(gòu)示意圖

圖1 中：W為輸入層和隱含層之間的權(quán)值；V為隱含層和輸出層之間的權(quán)值；a和b分別為隱含層和輸出層的閾值。BP 神經(jīng)網(wǎng)絡(luò)樣本訓(xùn)練的本質(zhì)就是調(diào)節(jié)以上幾個(gè)參數(shù)，使輸出達(dá)到期望的值。因此，將這些參數(shù)設(shè)置為人工魚的狀態(tài)，則人工魚可以表示為：

式中：w11、w12、w13為輸入層到隱含層第一個(gè)神經(jīng)元的權(quán)值；a1為隱含層第一個(gè)神經(jīng)元的閾值；w1n,…wmn為輸入層神經(jīng)元到隱含層第n個(gè)神經(jīng)元的權(quán)值；an為隱含層第n個(gè)神經(jīng)元的閾值；v11、v21、v31、v41為隱含層神經(jīng)元到輸出層第一個(gè)神經(jīng)元的權(quán)值；b1為輸出層第一個(gè)神經(jīng)元的閾值；v1k,…vnk為隱含層各個(gè)神經(jīng)元到輸出層第k個(gè)神經(jīng)元的權(quán)值；bk為輸出層第k個(gè)神經(jīng)元的閾值。

人工魚群算法默認(rèn)情況下尋求最大值，因此，水域中食物的濃度設(shè)置為BP 神經(jīng)網(wǎng)絡(luò)總誤差的倒數(shù)。這樣，人工魚群算法求出的最大值對應(yīng)的就是誤差的最小值。任意人工魚xz和xc之間的歐式距離可以表示為：

2 基于功率預(yù)測的光儲(chǔ)發(fā)電系統(tǒng)控制策略優(yōu)化

2.1 控制策略優(yōu)化設(shè)計(jì)

該控制策略中含有三個(gè)約束條件：光伏出力狀態(tài)、蓄電池儲(chǔ)能程度、光伏功率預(yù)測。光伏出力狀態(tài)可分為不出力和出力，出力狀態(tài)一般在早上7 點(diǎn)到下午6 點(diǎn)之間，不出力狀態(tài)一般在夜晚。蓄電池儲(chǔ)能程度可劃分為欠儲(chǔ)能狀態(tài)、滿儲(chǔ)能狀態(tài)、極限狀態(tài)。其中過欠儲(chǔ)能狀態(tài)是指電量低于設(shè)定放電深度；欠儲(chǔ)能是指電量在充滿狀態(tài)和放電深度設(shè)定值之間。光伏功率預(yù)測作用是預(yù)測下一時(shí)段的發(fā)電量，根據(jù)預(yù)測的輸出功率和當(dāng)前輸出功率的差可分為光伏在下一時(shí)刻輸出波動(dòng)大和輸出波動(dòng)小，其中，光伏輸出波動(dòng)大的情況還分為正向波動(dòng)大和負(fù)向波動(dòng)大，它們分別表示下一時(shí)段光伏出力比當(dāng)前時(shí)段差值的大小。該控制策略是將預(yù)測的發(fā)電量曲線與當(dāng)前的發(fā)電量相比較來判斷功率流動(dòng)方向，控制電能的輸出或儲(chǔ)存。

2.2 控制策略運(yùn)行機(jī)制

光儲(chǔ)電站控制輸出電量的核心是對儲(chǔ)能系統(tǒng)充放電進(jìn)行控制。以平抑光伏輸出波動(dòng)為目標(biāo)，同時(shí)考慮儲(chǔ)能系統(tǒng)的剩余能量、額定功率等因素的影響?？刂撇呗允菍ο乱粫r(shí)刻光伏的輸出功率進(jìn)行預(yù)測，通過計(jì)劃發(fā)電功率和預(yù)測發(fā)電功率之間的偏差，制定相應(yīng)的儲(chǔ)能系統(tǒng)的期望輸出值。

儲(chǔ)能系統(tǒng)的實(shí)時(shí)輸出功率會(huì)受到儲(chǔ)能系統(tǒng)的剩余電量、額定功率等因素的限制。儲(chǔ)能系統(tǒng)輸出功率的約束條件如下：

式中：Pb(max)為儲(chǔ)能系統(tǒng)的最大輸出功率；SOE(t)為儲(chǔ)能系統(tǒng)t時(shí)刻的能量狀態(tài)。為了避免儲(chǔ)能系統(tǒng)過充過放，需設(shè)置限制值，a為儲(chǔ)能系統(tǒng)允許下限制，b為儲(chǔ)能系統(tǒng)允許上限制，本文取a=0.4，b=0.9。公式(11)為儲(chǔ)能輸出的功率限制；公式(12)為t時(shí)刻儲(chǔ)能系統(tǒng)能量狀態(tài)的約束，其中SOE(t)的計(jì)算公式如下：

式中：Qo為儲(chǔ)能系統(tǒng)初始能量；Q為儲(chǔ)能系統(tǒng)額定容量：dt=1 min。

本文儲(chǔ)能系統(tǒng)按恒功率進(jìn)行充放電，當(dāng)儲(chǔ)能系統(tǒng)按最大額定功率充電1 min 時(shí)，儲(chǔ)能系統(tǒng)能量狀態(tài)的變化量如下：

利用該公式確定儲(chǔ)能系統(tǒng)充放電的臨界狀態(tài)。

考慮功率預(yù)測參數(shù)后，增加判斷條件：

式中：P(t)為實(shí)際光伏的光伏輸出功率；Pf(t+1)為電站預(yù)測t+1時(shí)刻光伏輸出功率；P為光伏裝機(jī)容量。公式(15)表示t時(shí)刻與t+1 時(shí)刻光伏輸出功率之間波動(dòng)較小，儲(chǔ)能系統(tǒng)按照表1 中的操作正常工作。

表1 儲(chǔ)能系統(tǒng)出力控制

t時(shí)刻與t+1 時(shí)刻光伏輸出功率之間波動(dòng)較大，并且t時(shí)刻到t+1 時(shí)刻光伏輸出功率呈減小趨勢。若此時(shí)儲(chǔ)能系統(tǒng)處在工作狀態(tài)三或四時(shí)，儲(chǔ)能系統(tǒng)工作狀態(tài)改變?yōu)閮?yōu)先充電，限制放電。

t時(shí)刻與t+1 時(shí)刻光伏輸出功率之間波動(dòng)較大，并且t時(shí)刻到t+1 時(shí)刻光伏輸出功率呈增長趨勢。若此時(shí)儲(chǔ)能系統(tǒng)處在工作狀態(tài)二或三時(shí)，儲(chǔ)能系統(tǒng)工作狀態(tài)改變?yōu)閮?yōu)先放電，限制充電。

3 仿真計(jì)算

3.1 基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的光伏功率預(yù)測算法仿真計(jì)算

對改進(jìn)后的光伏功率預(yù)測方法進(jìn)行建模仿真。仿真所用數(shù)據(jù)是利用Pvsyst 軟件計(jì)算得出。具體地點(diǎn)選擇沈陽市，并從NASA 網(wǎng)站查詢相關(guān)的天氣數(shù)據(jù)、環(huán)境溫度等影響光伏發(fā)電的因素。

(1)驗(yàn)證預(yù)測精度。設(shè)定BP 神經(jīng)網(wǎng)絡(luò)中的相關(guān)參數(shù)：最大訓(xùn)練次數(shù)為500 次，學(xué)習(xí)率為0.1。設(shè)定人工魚群算法中的相關(guān)參數(shù)：最大迭代次數(shù)100 次，人工魚數(shù)量為20 條。

無優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)仿真結(jié)果如圖2 所示，圖中虛線為實(shí)際的功率輸出，實(shí)線曲線為預(yù)測的功率輸出。整體來看，沒有優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測效果大致符合實(shí)際功率輸出趨勢，但在功率波動(dòng)較頻繁的時(shí)刻，預(yù)測的輸出值存在很大的偏差。

圖2 無優(yōu)化功率預(yù)測算法預(yù)測值與實(shí)際值曲線對比

優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)仿真結(jié)果如圖3 所示。將優(yōu)化后的實(shí)際和預(yù)測功率輸出對比圖與優(yōu)化前的相比較，可以看出優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)預(yù)測的功率輸出曲線更加接近實(shí)際的功率輸出曲線，在功率變化較大的20～25 s 和30～35 s 時(shí)，無優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)預(yù)測精度平均誤差為17.62%和23.17%，優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)在上述時(shí)間段的平均誤差分別為10.47%和13.41%，表明優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)比無優(yōu)化的預(yù)測結(jié)果更準(zhǔn)確、更加貼近實(shí)際值。

圖3 優(yōu)化后功率預(yù)測算法預(yù)測值與實(shí)際值曲線對比

(2)驗(yàn)證預(yù)測速度。設(shè)定BP 神經(jīng)網(wǎng)絡(luò)中的相關(guān)參數(shù)：目標(biāo)精度為0.01，學(xué)習(xí)率為0.1。設(shè)定人工魚群算法中的相關(guān)參數(shù)：目標(biāo)精度為0.01，人工魚數(shù)量為20 條。

無優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)誤差如圖4 所示。該算法精度趨近0.01 時(shí)，迭代了約100 次。前期的誤差逼近速度很快，但隨著誤差值接近目標(biāo)值，速度也逐步減慢。

圖4 無優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)誤差

優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)誤差如圖5 所示。改進(jìn)后算法精度趨近0.01 時(shí)，迭代了約50 次。雖然前期誤差逼近速度較改進(jìn)前慢，但隨著誤差值接近目標(biāo)值，速度也逐步加快。由此可以得出：在設(shè)定相同精度的情況下，無優(yōu)化的BP 神經(jīng)網(wǎng)絡(luò)功率預(yù)測算法需要迭代100 次達(dá)到設(shè)定的精度值，優(yōu)化后的BP 神經(jīng)網(wǎng)絡(luò)功率預(yù)測算法迭代50 次可達(dá)到設(shè)定的精度值，算法速度得到提升。

圖5 優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)誤差

為進(jìn)一步驗(yàn)證本文給出的光伏功率預(yù)測算法的有效性，將同樣屬于非線性預(yù)測算法中典型的支持向量機(jī)預(yù)測算法建模仿真，分析比較兩種光伏功率預(yù)測算法的仿真結(jié)果。

圖6 為兩種光伏功率預(yù)測算法的預(yù)測曲線圖，圖中黑色實(shí)線為實(shí)際光伏輸出功率曲線，紅色點(diǎn)畫線為支持向量機(jī)預(yù)測算法預(yù)測的光伏輸出功率曲線，藍(lán)色虛線為基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的光伏功率預(yù)測算法預(yù)測的光伏輸出功率曲線。從圖中可以看出，基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的光伏功率預(yù)測算法預(yù)測的光伏輸出功率曲線更加貼近實(shí)際的光伏輸出功率曲線，尤其是在輸出功率波動(dòng)較大的情況下。為了更明顯地比較出兩種光伏功率預(yù)測算法的預(yù)測精度，建模仿真得到誤差曲線，如圖7 所示。

圖6 光伏輸出功率預(yù)測曲線

圖7 預(yù)測誤差曲線

圖7 中紅色實(shí)線為支持向量機(jī)預(yù)測算法的誤差曲線，藍(lán)色虛線為基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的光伏功率預(yù)測算法的誤差曲線。從圖中可以看出支持向量機(jī)預(yù)測算法與基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的光伏功率預(yù)測算法相比預(yù)測誤差較大，并計(jì)算得到平均誤差分別為0.212 和0.147。因此，通過以上仿真分析證明了本文給出的基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的光伏功率預(yù)測算法的有效性。

3.2 基于功率預(yù)測的光儲(chǔ)電站控制策略的仿真計(jì)算

對基于光伏功率預(yù)測的控制策略建模仿真。為證明本文給出的控制策略能夠更好地平抑輸出功率的波動(dòng)，對PID控制策略、基于BP 神經(jīng)網(wǎng)絡(luò)功率預(yù)測控制策略和基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略的光儲(chǔ)發(fā)電系統(tǒng)建模仿真，分析比較仿真結(jié)果。

(1)光伏側(cè)輸出較平穩(wěn)。選擇較平穩(wěn)的光伏輸出功率曲線。如圖8 所示，光伏輸出功率波動(dòng)較小，光伏功率變化比較平滑，是理想的光伏功率輸出情況。在該情況下，利用Matlab軟件仿真出PID 控制策略、基于BP 神經(jīng)網(wǎng)絡(luò)功率預(yù)測控制策略、基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略下的光儲(chǔ)發(fā)電系統(tǒng)輸出功率曲線，比較并分析。

圖8 光伏側(cè)輸出功率曲線(平穩(wěn))

圖9 為PID 控制策略、基于BP 神經(jīng)網(wǎng)絡(luò)功率預(yù)測控制策略、基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略下的光儲(chǔ)發(fā)電系統(tǒng)輸出功率曲線。圖中藍(lán)色實(shí)線為基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略下的光儲(chǔ)發(fā)電系統(tǒng)輸出功率曲線，該控制策略對功率預(yù)測進(jìn)行了改進(jìn)，故圖例中簡稱為“改進(jìn)后”；紅色虛線為PID 控制策略下的光儲(chǔ)發(fā)電系統(tǒng)輸出功率曲線，因該控制沒有考慮功率預(yù)測，只是簡單的線性控制，故圖例中簡稱為“無控制”；黑色點(diǎn)畫線為基于BP 神經(jīng)網(wǎng)絡(luò)功率預(yù)測控制策略下的光儲(chǔ)發(fā)電系統(tǒng)輸出功率曲線，該控制策略考慮了功率預(yù)測對控制策略的影響，但功率預(yù)測算法是早期傳統(tǒng)的基于BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測算法，故圖例中簡稱為“改進(jìn)前”。從圖中可以看出，PID 控制策略、基于BP 神經(jīng)網(wǎng)絡(luò)功率預(yù)測控制策略和基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略都可以平抑光伏輸出功率的波動(dòng)，但基于BP 神經(jīng)網(wǎng)絡(luò)功率預(yù)測控制策略和基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略會(huì)根據(jù)預(yù)測的光伏輸出功率，有選擇地控制儲(chǔ)能系統(tǒng)的充放電，從而在某種意義上實(shí)現(xiàn)能量的轉(zhuǎn)移，能夠更好地平抑光伏的輸出功率。而對比基于BP 神經(jīng)網(wǎng)絡(luò)功率預(yù)測控制策略和基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略下的光儲(chǔ)發(fā)電系統(tǒng)輸出功率曲線，可以看出雖然兩種控制策略都可以平抑光伏的輸出功率波動(dòng)，但由于基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略中的光伏預(yù)測方法的精度提高，使控制結(jié)果更加符合實(shí)際的光伏輸出功率情況，從而提高了控制策略平抑光伏輸出功率的效果，并且這種平抑效果的差距會(huì)隨著光伏功率波動(dòng)的增大而增大。

圖9 不同控制策略下光儲(chǔ)發(fā)電系統(tǒng)的輸出功率曲線(平穩(wěn))

(2)光伏側(cè)輸出不穩(wěn)定。選擇多峰的光伏輸出功率曲線。從圖10 中可以看出，這條光伏輸出功率曲線波動(dòng)幅值較大、頻率較多，是一種不理想的光伏功率輸出情況。在該情況下，利用Matlab 軟件仿真出PID 控制策略、基于BP 神經(jīng)網(wǎng)絡(luò)功率預(yù)測控制策略、基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略下的光儲(chǔ)發(fā)電系統(tǒng)輸出功率曲線，比較并分析。

圖10 光伏側(cè)輸出功率曲線(不穩(wěn)定)

圖11 為PID 控制策略、基于BP 神經(jīng)網(wǎng)絡(luò)功率預(yù)測控制策略、基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略下的光儲(chǔ)發(fā)電系統(tǒng)輸出功率曲線。圖中藍(lán)色實(shí)線為基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略下的光儲(chǔ)發(fā)電系統(tǒng)輸出功率曲線，紅色虛線為PID 控制策略下的光儲(chǔ)發(fā)電系統(tǒng)輸出功率曲線，黑色點(diǎn)畫線為基于BP神經(jīng)網(wǎng)絡(luò)功率預(yù)測控制策略下的光儲(chǔ)發(fā)電系統(tǒng)輸出功率曲線。從圖中可以看出，PID 控制策略的系統(tǒng)不再有良好的抑制光伏輸出功率波動(dòng)的效果。雖然對光伏輸出功率起到了一定的緩沖作用，但整體仍然波動(dòng)較大，在8～10 s、12～14 s、14～15 s 時(shí)，系統(tǒng)輸出波動(dòng)分別為24.4%、16.4%和10.5%，在15～17 s 時(shí)，由于光伏輸出波動(dòng)較大，系統(tǒng)的輸出波動(dòng)甚至達(dá)到了31.2%。而基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略在光伏輸出功率多峰、波動(dòng)幅值較大的情況下，仍然可以有效地抑制光伏輸出功率的波動(dòng)。在下一時(shí)刻功率波動(dòng)之前，控制儲(chǔ)能系統(tǒng)充放電能，從而吸收因光伏輸出不穩(wěn)定而產(chǎn)生的波動(dòng)，有較好的平抑效果，在波動(dòng)較大的8～10 s、12～14 s、14～15 s、15～17 s，系統(tǒng)的功率輸出分別為3.9%、2.4%、4.6%、6.2%。對比基于BP 神經(jīng)網(wǎng)絡(luò)功率預(yù)測控制策略和基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略下的光儲(chǔ)發(fā)電系統(tǒng)輸出功率曲線，可以看出基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略比基于BP 神經(jīng)網(wǎng)絡(luò)功率預(yù)測控制策略平抑光伏波動(dòng)的效果更好，這是因?yàn)樵诠夥敵龉β什▌?dòng)較大的情況下，BP 神經(jīng)網(wǎng)絡(luò)功率預(yù)測法預(yù)測精度相對基于跟隨行為人工魚群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的功率預(yù)測算法較低，不準(zhǔn)確的功率預(yù)測會(huì)導(dǎo)致對下一時(shí)間段的光伏輸出總電量、光伏功率等參數(shù)產(chǎn)生預(yù)測誤差，使控制系統(tǒng)誤判斷，從而降低平抑效果。

圖11 不同控制策略下光儲(chǔ)發(fā)電系統(tǒng)輸出功率曲線(不穩(wěn)定)

以上是通過Simulink 仿真得到的結(jié)果，但在實(shí)際光儲(chǔ)電站運(yùn)行中會(huì)產(chǎn)生一些誤差。儲(chǔ)能系統(tǒng)方面，仿真模型中的儲(chǔ)能系統(tǒng)為理想儲(chǔ)能元件，而實(shí)際中儲(chǔ)能元件在工作時(shí)會(huì)產(chǎn)生大量的熱量改變工作環(huán)境的溫度，從而影響儲(chǔ)能元件。而且隨著工作時(shí)長的增加，儲(chǔ)能系統(tǒng)會(huì)出現(xiàn)一定的損耗，降低其性能。線路開關(guān)方面，本文仿真中采用的是ideal switch 理想開關(guān)元件，而在現(xiàn)實(shí)系統(tǒng)中，開關(guān)元件的開合都會(huì)產(chǎn)生波動(dòng)。損耗方面，仿真中的線路都默認(rèn)為無損耗，但在實(shí)際中都會(huì)產(chǎn)生線路損耗、接口損耗等。另外還有很多環(huán)境因素的影響，這些影響因素都會(huì)使仿真與實(shí)際產(chǎn)生一些誤差，對光儲(chǔ)發(fā)電系統(tǒng)輸出功率的波動(dòng)產(chǎn)生影響。

4 結(jié)論

本文提出了一種基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略，通過Matlab 仿真計(jì)算后，得到如下結(jié)論：

(1)儲(chǔ)能系統(tǒng)對平抑光伏輸出波動(dòng)有一定的作用，但屬于被動(dòng)式調(diào)節(jié)，易受儲(chǔ)能系統(tǒng)容量影響。PID 控制下的系統(tǒng)在環(huán)境變化大的8～10 s、12～14 s、14～15 s、15～17 s 時(shí)，系統(tǒng)輸出波動(dòng)分別達(dá)到了24.4%、16.4%、10.5%、31.2%，輸出功率波動(dòng)較大，平抑效果不理想。而基于跟隨行為人工魚群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略下的光儲(chǔ)發(fā)電系統(tǒng)，在上述波動(dòng)較大的時(shí)刻，輸出功率系統(tǒng)輸出波動(dòng)分別為3.9%、2.4%、4.6%、6.2%，系統(tǒng)輸出功率波動(dòng)較小。

(2)基于跟隨行為人工魚群優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)的功率預(yù)測控制策略下的光儲(chǔ)發(fā)電系統(tǒng)輸出功率無論是在光伏輸出平穩(wěn)還是在光伏輸出波動(dòng)較多的情況下，都有良好的平抑效果。雖沒有較高的功率輸出值，但輸出基本保持穩(wěn)定，對電網(wǎng)的影響較小，提高了電能質(zhì)量。