呂磊 王紅蕾

摘 ?要： 微電網(wǎng)下新能源的使用促使了人們對能量優(yōu)化調(diào)度的研究，儲能裝置是其中的關(guān)鍵一部分，準(zhǔn)確識別其存儲容量是實現(xiàn)微電網(wǎng)電力優(yōu)化調(diào)度的任務(wù)之一。為實現(xiàn)對微電網(wǎng)下儲能裝置的實時容量在線識別，利用BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)建立了儲能裝置容量識別模型，并引入了優(yōu)化的粒子群算法PSO，實現(xiàn)了儲能裝置的實時容量在線識別。通過對比傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)識別結(jié)果，采用PSO?BP神經(jīng)網(wǎng)絡(luò)識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)識別模型明顯優(yōu)于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)識別模型。

關(guān)鍵詞： 容量識別; 儲能裝置; 識別建模; BP神經(jīng)網(wǎng)絡(luò); 粒子群算法; 在線識別

中圖分類號： TN711?34; TM912 ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識碼： A ? ? ? ? ? ? ? ? ? ? 文章編號： 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]。對儲能裝置進(jìn)行容量識別，對微電網(wǎng)的能量管理與調(diào)度極具實質(zhì)意義，鑒于這一技術(shù)的重要作用，儲能裝置的容量識別得到了廣泛的關(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)建儲能裝置的實時容量識別模型是一種簡便可行的方法。文中識別的儲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)確識別儲能裝置容量值的一個現(xiàn)實問題。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，用于識別儲能裝置的容量[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)識別模型，通過實現(xiàn)對儲能裝置容量的識別、對提高微電網(wǎng)的可再生能源的利用效率，以及對微電網(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)源荷能量優(yōu)化調(diào)度簡介

實現(xiàn)微電網(wǎng)下對清潔能源的有效利用以及源網(wǎng)荷能量優(yōu)化調(diào)度，除了柔性接入各種不同的集中式清潔能源、儲能裝置以及電動汽車充放電裝置以外，還需從儲能裝置的經(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)行三個角度進(jìn)行深入分析。具體來說，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，對源網(wǎng)荷進(jìn)行資源優(yōu)化配置，并在調(diào)度服務(wù)和時空規(guī)模上執(zhí)行多維協(xié)調(diào)和交互，以實現(xiàn)配電網(wǎng)高效運(yùn)行。微電網(wǎng)系統(tǒng)源網(wǎng)荷能量優(yōu)化調(diào)度方法可以根據(jù)分布式電源、微電網(wǎng)、儲能裝置、可控負(fù)荷等調(diào)度對象的分布，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。基于此，對儲能裝置的容量識別是實現(xiàn)微電網(wǎng)下能量優(yōu)化調(diào)度的一個關(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)在儲能裝置容量識別模型上的改進(jìn)

2.1 ?儲能裝置容量識別模型的建立

本文研究的儲能裝置主要基于電池組，一般來說電池的性能將會對識別結(jié)果產(chǎn)生影響。通常，估計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)時的物理化學(xué)規(guī)律。這一過程用到了大量的假設(shè)條件和經(jīng)驗參數(shù)，估計精度是有限的，并且模型的表達(dá)式是多參數(shù)的偏微分方程組，方案解決過程非常麻煩，只能解決一些簡單的問題[3]。而對于實際工作狀態(tài)下的電池組，其內(nèi)部反應(yīng)十分復(fù)雜，顯而易見，這種方法一般來說無法滿足實際的需要。為了避開電池組內(nèi)部的復(fù)雜性， 一種實用和方便的方法應(yīng)運(yùn)而生，利用BP神經(jīng)網(wǎng)絡(luò)對電池組建模，也即是對儲能裝置的建模，并利用此模型結(jié)合常用的神經(jīng)網(wǎng)絡(luò)算法，對處于充放電工況下的儲能裝置進(jìn)行容量識別。

BP神經(jīng)網(wǎng)絡(luò)是一種具有信號前向傳輸和誤差反向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)[4]。儲能裝置容量識別屬于模式識別問題，三層網(wǎng)絡(luò)結(jié)構(gòu)就可以解決。容量識別結(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)實驗結(jié)果來進(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)的識別精度，反而增加了學(xué)習(xí)時間。例如電池的老化程度，這些參數(shù)的獲取很困難，它們對電池容量的識別影響程度有限，經(jīng)過以上考慮，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)驗公式：

將得到的電流、電壓數(shù)據(jù)通過輸入層傳輸?shù)诫[含層中的每個神經(jīng)元，中間層處理和轉(zhuǎn)換每組數(shù)據(jù)，由最后一個隱含層神經(jīng)元傳遞到輸出層，這是一次正向的學(xué)習(xí)過程; 當(dāng)實際輸出容量值與預(yù)期容量值不匹配時，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。兩個過程不斷重復(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)識別模型的改進(jìn)

考慮到電池組在充放電過程中，儲能裝置電池組自身溫度（T）的影響，PSO?BP神經(jīng)網(wǎng)絡(luò)識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)并不會增加多少學(xué)習(xí)時間，為此將電壓、電流、溫度三個參數(shù)作為輸入，容量值作為輸出，以提高模型的識別精確度。PSO?BP神經(jīng)網(wǎng)絡(luò)識別儲能裝置容量值的拓?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，時間為2019年1月。對所得的數(shù)據(jù)經(jīng)過處理后，選取40組為訓(xùn)練樣本，15組為測試樣本，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)練與測試?yán)肕atlab來完成，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)練與測試，仿真結(jié)果如圖4～圖6所示。

從仿真結(jié)果來看，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。從圖中可以看到識別結(jié)果大都在誤差允許的范圍內(nèi)，但是個別預(yù)測誤差較大。通過分析，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)量等都會對結(jié)果產(chǎn)生較大影響。這些都可以通過外部的努力來彌補(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)的識別精度，將重點(diǎn)考慮權(quán)重和閾值的影響，對權(quán)重和閾值進(jìn)行不斷優(yōu)化，可以顯著提高識別精度。針對這樣的特點(diǎn)，通過粒子群優(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)在儲能裝置實時容量識別中的實現(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)，以用來解決優(yōu)化問題。在PSO中，每個粒子都代表問題的一個解，對應(yīng)一個適應(yīng)度值。粒子速度決定粒子運(yùn)動的距離和方向，并且通過自身和其他粒子的運(yùn)動而動態(tài)調(diào)整，從而實現(xiàn)個體在可解空間中的優(yōu)化過程。

采用PSO算法的過程首先將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PSO算法先進(jìn)行初始化以找到個體極值和群體極值，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，并在計算適應(yīng)度后更新原始的個體極值和群體極值;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)中驗證[7?8]。

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

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)，它表示粒子對整個群體知識的認(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