CN110210071A - 一种基于遗传算法的全钒液流电池储能系统运行优化方法 - Google Patents

Abstract

本发明公开了一种基于遗传算法的全钒液流电池储能系统运行优化方法，包括步骤：1、根据全钒液流电池的等效电路模型建立全钒液流电池的数学模型；2、参数辨识；3、构建瞬时能量效率方程；4、构建最高的瞬时能量效率的代价函数来最小化能量损耗，并确定约束条件；5、构建适应度函数、选择概率函数、变异概率函数；6、采用遗传算法计算，输入功率值P_Ch/Dis和剩余电量SOC求解得到瞬时能量效率误差的绝对值小于规定的数值时的最高瞬时能量效率，以及对应的流速、温度和电压。本发明以温度、流速、电流三个因素，采用遗传算法，对全钒液流电池的储能系统进行优化，提高电堆的瞬时能量效率，进而提高全钒液流电池的系统效率。

Description

一种基于遗传算法的全钒液流电池储能系统运行优化方法

技术领域

本发明涉及电力系统储能技术领域，具体地指一种基于遗传算法的全钒液流电池储能系统运行优化方法。

背景技术

遗传算法于20世纪60年代提出，该算法是一种借鉴生物的自然选择和遗传进化机制而开发出来的全局概率搜索算法。它模仿自然界生物遗传进化过程中“物竞天择、适者生存”的原理，借用生物遗传学的观点，通过计算机找到种群中最优异的个体。遗传算法对问题本身求解要求不高，它所需要的仅是对该算法所产生的每个个体进行评价，使“适应度”(用于度量某个物种对生存环境的适应程度)好的个体有更多机会进化。

如今能源短缺及其造成的环境问题已成为时代热题，而新能源技术是目前解决该问题最有效的方案之一。新能源的发展，需要更高的储能技术水平。在储能方面，蓄电池能有效缓解新能源发电带来的问题。因此发展储能技术至关重要，对于解决能源危机是一条可行的道路。储能技术的发展对于能源的高效利用有着潜在的促进作用。

全钒液流储能电池(VRB)是当前世界发展速度最快的大容量储能技术，其成本低、可靠性高、操作和维修费用少，是最适合风能发电平滑输出的储能设备。全钒液流电池功率大、能够频繁以大电流充放电，它拥有更长时间的寿命，并且全钒液流储能电池的生产、使用和回收利用过程对环境的污染较小，是一种十分环保的蓄能元件。不过，全钒液流电池储能系统的能量效率并不理想。

目前全钒液流电池系统在各个方面的优化已经有了具体的控制方法。但各种方法均是对一种因素进行优化从而提高能量效率。事实上，各个因素相互关联，优化其中一种因素，可能导致其他损耗增加，从另一方面降低能量效率。因此，需要各个因素选取合适的值，从而达到最高的能量效率。

发明内容

本发明的目的是为了解决上述背景技术存在的不足，而提出一种基于遗传算法的全钒液流电池储能系统运行优化方法，通过遗传算法，对全钒液流电池储能系统进行优化，达到降低能量耗散、提升系统效率、优化储能系统运行的目的。

为实现上述目的，本发明设计了一种基于遗传算法的全钒液流电池储能系统运行优化方法，其特殊之处在于，所述方法包括如下步骤：

所述方法包括如下步骤：

步骤1：根据全钒液流电池的等效电路模型建立全钒液流电池的数学模型，并采用式(1)—式(5)对所示的方程对数学模型进行表示：

η_ohmic＝I*R_ohmic (2)

式(1)中，E_ocv为电池电压源，代表了VRB电堆在不同SOC下的平衡电动势EMF，由能斯特方程导出，E₀表示标准电极电位；SOC为电池的荷电状态，即剩余电量；R表示摩尔气体常数；T表示当前温度；z表示反应中电子转移数；F表示法拉第常数；k₁、k₂表示为修正SOC不准确而添加的修正系数；式(2)中，η_ohmic为欧姆过电势，代表了双极板、薄膜、电解质上的等效压降，R_ohmic表示钒电池的等效内阻，代表了双极板、薄膜、电解质的等效电阻之和，I表示输入电流；式(3)中，η_act为活化过电势，代表了电极电化学反应迟延而引起的电极电位偏离，由Butler-Volmer公式导出，N表示电堆中的单电池数；i₁表示电流密度，i₀表示交换电流密度；式(4)中η_con为浓差过电势，代表了电极表面反应物与体相反应物浓度差异引起的电极电位偏离,由Nernst方程与Fick定律导出,k₃表示修正系数，k_m表示电解液表面的局部传质系数，a为传质系数，Q表示电解质流速，A_ed表示多孔电极的截面积，C_b表示体积浓度；式(5)中，R_sh//R_diff为自放电损耗电阻与旁路电流损耗电阻，由电解液的导电性与钒电池的流体管道设计决定，σ表示电解液的导电性，l表示电极长度，s表示电极宽度，R_a,c表示管道等效电阻；

步骤2：对所述全钒液流电池的数学模型进行参数辨识，得到模型系数E₀、R_ohmic、k₁、k₂、k₃、A_ed的值，完成全钒液流电池数学模型的建立；

步骤3：构建如式(6)所示的瞬时能量效率方程。

式(6)中，η_e为瞬时能量效率，由钒电池电堆接受到的净能量P _{^′ Ch/Dis}与输入钒电池电堆的总能量P_Ch/Dis之比得到；

步骤4：为获得最高的瞬时能量效率，构建如式(7)所示的代价函数来最小化能量损耗，流速限制的最小流速以式(8)所示公式确定，其中C_v为原始体积浓度，并确定相关约束条件，式中P_Loss表示能量损耗；

(i)功率守恒,P_Ch/Dis＝U_stack*I

(ii)输入\出限制,P_min≤P≤P_max

(iii)流速限制,Q_min≤Q≤Q_max

(iv)端电压限制,U_min≤U₀≤U_max

(v)充放电电流限制,I_min≤I≤I_max

(vi)温度限制,T_min≤T≤T_max

(vii)SOC限制,SOC_min≤SOC≤SOC_max；

步骤5：构建适应度函数、选择概率函数、变异概率函数，如式(9)、(10)、(11)所示：

适应度函数：

选择概率：

变异概率：P(x_ij)＝C (11)

式(11)中i为种群代数，j为个体编号，式(12)中C为给定常数；

步骤6：采用遗传算法对式(7)进行计算，输入功率值P_Ch/Dis和剩余电量SOC求解得到瞬时能量效率误差的绝对值小于规定的数值时的最高瞬时能量效率，以及该效率对应的流速、温度和电流值，即得到流速、温度、电流的最优值。

优选地，所述步骤6的具体过程为：

步骤601：输入功率值P_Ch/Dis和剩余电量SOC，在约束条件内，初始化一个含有M个个体的种群，确定个体的基因d、算法的总迭代终止条件；

步骤602：根据式(1)～(9)计算个体适应度，找出适应度值最大的个体X_ij；

步骤603：根据式(10)确定个体的选择概率；

步骤604：根据选择概率和式(11)，采用轮盘赌法，对个体实行交叉变异生成子代；

步骤605：校准子代，不允许个体存在越界现象，根据式(1)～(10)计算子代适应度，找出子代适应度值最大个体X_(i+1)j′。

步骤606：重复步骤602至步骤605直至迭代得到的瞬时能量效率误差的绝对值小于规定的数值；

步骤607：输出电池此时的最高瞬时能量效率，以及该效率对应的流速、温度和电流值。

优选地，所述步骤4中，由于内部电动势无法直接测量，通过式(6-1)间接分析功率损失来估算瞬时能量效率。

P_Loss表示由欧姆损耗、浓差过电势损耗、活化过电势损耗、自放电损耗和旁路电流损耗构成的能量损耗，P_Loss的展开表示如式(6-2)：

P_Loss＝P_act+P_ohmic+P_con+P_diff+P_shunt (6-2)

与已有技术相比，本方面有益效果体现在：

本发明通过遗传算法对全钒液流电池进行多参数优化。已知该电池的总输入功率P_Ch/Dis，通过该算法找到使能量效率最高的参数值，即此时的流速，电流和温度值。同时改变全钒液流电池的多参数值，一定程度上避免了参数相互影响从而增加的额外损耗，提高全钒液流电池的能量效率，实现全钒液流电池的运行优化。

储能系统的效率受多种因素影响，本发明以温度、流速、电流三个因素，采用遗传算法，对全钒液流电池的储能系统进行优化。在恒定功率P_Ch/Dis下，当全钒液流电池在不同SOC时，得出在此刻达到最大能量效率的值，从而达到提升整体系统效率，优化系统运行方式的目的。本发明在不增加多余成本下，根据全钒液流电池工作状态调整各参数值，提高电堆的瞬时能量效率，进而提高全钒液流电池的系统效率。

附图说明

图1为本发明提出的一种基于遗传算法的全钒液流电池储能系统运行优化方法的流程图。

图2为本发明提出的一种基于遗传算法的全钒液流电池储能系统运行优化方法的遗传算法流程图

图3为全钒液流电池的等效电气模型图。

图4为本发明优化结果示意图。

具体实施方式

以下结合附图和具体实施例对本发明作进一步的详细描述。

本发明提出一种基于遗传算法的全钒液流电池储能系统运行优化技术，包括建立全钒液流电池的数学模型，对全钒液流电池的数学模型进行参数辨识，采用遗传算法对全钒液流电池的瞬时能量效率进行实时优化，得到不同SOC下运行时的最高瞬时能量效率，以及该效率对应的流速、温度和电流值。

具体实例中以5kW/3.3kWh的全钒液流电池为例进行描述，全钒液流电池的参数如表1所示。

表1全钒液流电池的参数

如图1所示，本发明提出的全钒液流电池运行优化方法按如下步骤进行，

步骤1：根据全钒液流电池的等效电路模型建立全钒液流电池的数学模型，并采用式(1)—式(5)对所示的方程对数学模型进行表示：

η_ohmic＝I*R_ohmic (2)

式(1)中，E_ocv为电池电压源，代表了VRB电堆在不同SOC下的平衡电动势(EMF)，由能斯特方程导出，E₀表示标准电极电位，SOC表示电池的荷电状态，即剩余电量；N表示电堆中的单电池数，本实例为37；R表示摩尔气体常数，为8.314J/(K·mol)；T表示当前温度；z表示反应中电子转移数,取1；F表示法拉第常数,96500C/mol；k₁、k₂表示为修正SOC不准确而添加的修正系数；式(2)中，η_ohmic为欧姆过电势，代表了双极板、薄膜、电解质上的等效压降，R_ohmic表示钒电池的等效内阻，即上述三者的等效电阻之和，I表示输入电流。式(3)中，η_act为活化过电势，代表了电极电化学反应迟延而引起的电极电位偏离，由Butler-Volmer公式导出，i₁表示电流密度，i₀表示交换电流密度。式(4)中，η_con为浓差过电势，代表了电极表面反应物与体相反应物浓度差异引起的电极电位偏离,由Nernst方程与Fick定律导出,k₃表示修正系数，k_m表示电解液表面的局部传质系数，a为传质系数，约为1.6×10^-4，Q表示电解质流速，A_ed表示多孔电极的截面积，C_b表示体积浓度，充电时为C_V*(1-SOC)，放电时为C_V*SOC，C_V为原始体积浓度，本例为1.5mol/L。式(5)中，R_sh//R_diff为自放电损耗电阻与旁路电流损耗电阻，由电解液的导电性与钒电池的流体管道设计决定，σ表示电解液的导电性，l表示电极长度，63cm，s表示电极宽度，75cm，R_a,c表示管道等效电阻。

步骤2：对所述的全钒液流电池的数学模型进行参数辨识，得到模型系数E₀、R_ohmic、k₁、k₂、k₃、A_ed的值，如表2所示，完成全钒液流电池数学模型的建立。

表2辨识得到的参数值与模型误差

E<sub>0</sub>(V)	R<sub>ohmic</sub>(Ω)	R<sub>sh</sub>//R<sub>diff</sub>(Ω)	k<sub>1</sub>	k<sub>2</sub>	k<sub>3</sub>	RMSE
							52.3	0.04838	83.33	1.645	1.63	2.5	0.128

步骤3：构建如式(6)所示的瞬时能量效率概念。

式(6)中，η_e为瞬时能量效率，是钒电池电堆接受到的净能量P_C'_h/Dis与输入钒电池电堆的总能量P_Ch/Dis之比。由于内部电动势无法直接测量，可以通过式(6-1)间接分析功率损失来估算瞬时能量效率。

式(7)中，P_Loss表示由欧姆损耗P_act、浓差过电势损耗P_ohmic、活化过电势损耗P_con、自放电损耗P_diff和旁路电流损耗P_shunt构成的能量损耗，P_Loss可由式(6-2)展开表示。

P_Loss＝P_act+P_ohmic+P_con+P_diff+P_shunt (6-2)

步骤4：为获得最高的瞬时能量效率，构建如式(7)所示的代价函数来最小化能量损耗，并确定相关约束条件。

本实例为在恒定功率P_Ch/Dis＝4000W，SOC＝0.4的状态下进行优化计算，流速限制中，最小流速以式(8)所示公式确定。

(i)功率守恒,P_Ch/Dis＝U_stack*I

(iii)流速限制,Q_min≤Q≤30m³/h

(iv)端电压限制,40V≤U₀≤60V

(v)充放电电流限制,60A≤I≤120A

(vi)温度限制,5℃≤T≤35℃

(vii)SOC限制,0.1≤SOC≤0.9

步骤5：构建适应度函数，选择概率函数，变异概率函数，如式(9)、(10)、(11)所示

适应度函数：

选择概率：

变异概率：P(x_ij)＝0.001 (11)

式(11)中i为种群代数，j为个体编号，式(12)中C为给定常数；

步骤6：采用遗传算法对式(7)进行优化计算，制定如图2的优化流程，具体过程如下：

步骤601：输入功率值P_Ch/Dis＝4000W及SOC＝0.4，在约束条件内，初始化一个含有50个个体的种群，确定各个体基因(Iij，Qij，Tij)。算法终止条件为连续五代子代适应度最大值与其父代适应度最大值相差不超过0.1％。

步骤602：根据式(9)，计算个体适应度，找出适应度值最大的个体Xij。

步骤603：根据式(1)～(10)，确定个体的选择概率。

步骤604：根据选择概率和式(11)，采用轮盘赌法，对个体进行交叉(通过将子代基因二进制码对应的位置进行互换)，变异(直接改变个体个别位置的二进制代码)概率，生成子代。

步骤605：校准子代，不允许个体存在越界现象。根据式(1)～(10)计算子代适应度，找出子代适应度值最大的个体X_(i+1)j′。

步骤606：重复步骤602至步骤605直至迭代得到的瞬时能量效率误差的绝对值小于规定的数值。

步骤607：输出当P_Ch/Dis＝4000W，SOC＝0.4时，电池的最高瞬时能量效率以及该效率对应的流速、电流、温度值。

本领域的技术人员应当理解，此处所述的具体实施方案仅用解释本发明专利，并不用于限制本发明专利。在本发明专利的精神和原则之内作出的任何修改、等同替换和改进等，均应包含在本发明专利的保护范围之中。

Claims (3)

1.一种基于遗传算法的全钒液流电池储能系统运行优化方法，其特征在于：所述方法包括如下步骤：

步骤1：根据全钒液流电池的等效电路模型建立全钒液流电池的数学模型，并采用式(1)—式(5)对所示的方程对数学模型进行表示：

η_ohmic＝I*R_ohmic (2)

式(1)中，E_ocv为电池电压源，代表了VRB电堆在不同SOC下的平衡电动势EMF，由能斯特方程导出，E₀表示标准电极电位；SOC为电池的荷电状态，即剩余电量；R表示摩尔气体常数；T表示当前温度；z表示反应中电子转移数；F表示法拉第常数；k₁、k₂表示为修正SOC不准确而添加的修正系数；式(2)中，η_ohmic为欧姆过电势，代表了双极板、薄膜、电解质上的等效压降，R_ohmic表示钒电池的等效内阻，代表了双极板、薄膜、电解质的等效电阻之和，I表示输入电流；式(3)中，η_act为活化过电势，代表了电极电化学反应迟延而引起的电极电位偏离，由Butler-Volmer公式导出，N表示电堆中的单电池数；i₁表示电流密度，i₀表示交换电流密度；式(4)中h_con为浓差过电势，代表了电极表面反应物与体相反应物浓度差异引起的电极电位偏离,由Nernst方程与Fick定律导出,k₃表示修正系数，k_m表示电解液表面的局部传质系数，a为传质系数，Q表示电解质流速，A_ed表示多孔电极的截面积，C_b表示体积浓度；式(5)中，R_sh//R_diff为自放电损耗电阻与旁路电流损耗电阻，由电解液的导电性与钒电池的流体管道设计决定，σ表示电解液的导电性，l表示电极长度，s表示电极宽度，R_a,c表示管道等效电阻；

步骤2：对所述全钒液流电池的数学模型进行参数辨识，得到模型系数E₀、R_ohmic、k₁、k₂、k₃、A_ed的值，完成全钒液流电池数学模型的建立；

步骤3：构建如式(6)所示的瞬时能量效率方程。

式(6)中，η_e为瞬时能量效率，由钒电池电堆接受到的净能量P′_Ch/Dis与输入钒电池电堆的总能量P_Ch/Dis之比得到；

步骤4：为获得最高的瞬时能量效率，构建如式(7)所示的代价函数来最小化能量损耗，并确定相关约束条件，流速限制中，最小流速以式(8)所示公式确定，其中C_v为原始体积浓度，式中P_Loss表示能量损耗；

(i)功率守恒,P_Ch/Dis＝U_stack*I

(ii)输入\出限制,P_min≤P≤P_max

(iii)流速限制,Q_min≤Q≤Q_max

(iv)端电压限制,U_min≤U₀≤U_max

(v)充放电电流限制,I_min≤I≤I_max

(vi)温度限制,T_min≤T≤T_max

(vii)SOC限制,SOC_min≤SOC≤SOC_max；

步骤5：构建适应度函数、选择概率函数、变异概率函数，如式(9)、(10)、(11)所示：

适应度函数：

选择概率：

变异概率：P(x_ij)＝C (11)

式(11)中i为种群代数，j为个体编号，式(12)中C为给定常数；

步骤6：采用遗传算法对式(7)进行计算，输入功率值P_Ch/Dis和剩余电量SOC求解得到瞬时能量效率误差的绝对值小于规定的数值时的最高瞬时能量效率，以及该效率对应的流速、温度和电压，即得到流速、温度、电流的最优值。

2.根据权利要求1所述的一种基于遗传算法的全钒液流电池储能系统运行优化方法，其特征在于：所述步骤6的具体过程为：

步骤601：输入功率值P_Ch/Dis和剩余电量SOC，在约束条件内，初始化一个含有M个个体的种群，确定个体的基因d、算法的总迭代终止条件；

步骤602：根据式(1)～(9)计算个体适应度，找出适应度值最大的个体X_ij；

步骤603：根据式(10)确定个体的选择概率；

步骤604：根据选择概率和式(11)，采用轮盘赌法，对个体实行交叉变异生成子代；

步骤605：校准子代，不允许个体存在越界现象，根据式(1)～(10)计算子代适应度，找出子代适应度值最大个体X_(i+1)j′。

步骤606：重复步骤602至步骤605直至迭代得到的瞬时能量效率误差的绝对值小于规定的数值；

步骤607：输出电池此时的最高瞬时能量效率，以及该效率对应的流速、温度和电压。

3.根据权利要求1所述的一种基于遗传算法的全钒液流电池储能系统运行优化方法，其特征在于：所述步骤4，由于内部电动势无法直接测量，通过式(6-1)间接分析功率损失来估算瞬时能量效率。

所述步骤4中P_Loss表示由欧姆损耗、浓差过电势损耗、活化过电势损耗、自放电损耗和旁路电流损耗构成的能量损耗，P_Loss的展开表示如式(6-2)：

P_Loss＝P_act+P_ohmic+P_con+P_diff+P_shunt (6-2)

式(6-2)中，P_act表示欧姆损耗、P_ohmic表示浓差过电势损耗、P_con表示活化过电势损耗、P_diff表示自放电损耗和P_shunt表示旁路电流损耗。