CN116757491A - 基于人工鱼群算法的储能系统优化配置方法及储能系统 - Google Patents

Abstract

本发明公开了一种基于人工鱼群算法的储能系统优化配置方法及储能系统。该优化配置方法包括如下步骤：建立风光互补混合储能系统的生命周期费用模型；通过改进的人工鱼群算法求解最优解；将得到的最优解以最小生命周期成本为目标函数进行优化，得到蓄电池的个数、超级电容器的个数；通过负荷缺电率判定负荷供电水平，以验证所得到的蓄电池的个数、超级电容器的个数是否成立；根据成立的蓄电池的个数、超级电容器的个数，完成对风光互补混合储能系统的优化配置。本发明通过对人工鱼群算法的视野范围、移动步长、拥挤度因子等进行相应的调整，使得改进的人工鱼群算法能够有效避免优化结果陷入局部最优解，在经济性和可靠性方面都更有优势。

Description

基于人工鱼群算法的储能系统优化配置方法及储能系统

技术领域

本发明涉及一种基于人工鱼群算法的储能系统优化配置方法，同时也涉及采用该优化配置方法的风光互补混合储能系统(简称为储能系统)，属于风光发电储能技术领域。

背景技术

我国正在积极探索低碳发展的道路，风能、太阳能等可再生能源已经得到长足的发展。据国家能源局统计，截至2022年底，全国可再生能源装机容量约12.13亿千瓦，占全国发电总装机容量的47.3％。其中，风电约3.65亿千瓦、太阳能发电约3.93亿千瓦，风电光伏年发电量突破1万亿千瓦时。

然而，风能和太阳能具有间歇性、不稳定性等特征。为了实现风光互补混合发电系统供电的连续性、可靠性以及稳定性，往往需要在风光互补混合发电系统里安装适合的储能系统，以达到对功率波动的平抑效果。目前，有人尝试将蓄电池作为储能系统。蓄电池具有高效的能量比，控制简单方便，可以快捷地对电能进行充放控制，但是其使用周期短，容易损耗，同时还具有一定的污染问题，会显著加大储能系统的使用成本。

在专利号为ZL 201811246418.5的中国发明专利中，公开了一种基于改进鱼群算法的独立风光储微网的优化配置算法。该方法利用粒子飞行速度、惯性权重来改进人工鱼群算法的觅食行为、聚群行为、追尾行为；利用粒子群算法对适应度值最高的精英人工鱼群进行更新；在人工鱼群算法中，找到适应度值最高的人工鱼，利用粒子群算法进行更新，直到满足要求的精度或迭代次数。但是，现有的人工鱼群算法中，固定参数因子的限制使得该算法存在易陷入局部最优解和算法收敛速度不足的缺陷。

发明内容

本发明所要解决的首要技术问题在于提供一种基于人工鱼群算法的储能系统优化配置方法。

本发明所要解决的另一技术问题在于提供一种采用上述优化配置方法的风光互补混合储能系统。

为实现上述技术目的，本发明采用以下的技术方案：

根据本发明实施例的第一方面，提供一种基于人工鱼群算法的储能系统优化配置方法，包括如下步骤：

S1：建立风光互补混合储能系统的生命周期费用模型；

S2：通过改进的人工鱼群算法求解最优解；

S3：将步骤S2得到的最优解以最小生命周期成本为目标函数进行优化，得到蓄电池的个数、超级电容器的个数；

S4：通过负荷缺电率判定负荷供电水平，以验证步骤S3中得到的蓄电池的个数、超级电容器的个数是否成立：当负荷缺电率小于或等于预设值时，则蓄电池的个数、超级电容器的个数成立；当负荷缺电率大于预设值时，则蓄电池的个数、超级电容器的个数不成立，返回步骤S3，直至蓄电池的个数、超级电容器的个数成立；

S5：根据成立的蓄电池的个数、超级电容器的个数，完成对风光互补混合储能系统的优化配置。

其中较优地，所述步骤S1中，所述生命周期费用模型为：

minC＝(f_b+f_Ob+f_Mb+f_Db)N_bC_b+(f_c+f_oc+f_Mc+f_Dc)N_cC_c

其中，minC为最小生命周期成本，f_b为蓄电池的折旧系数，f_Ob为蓄电池的运行系数，f_Mb为蓄电池的维护系数，f_Db为蓄电池处理系数，N_b为蓄电池的个数，C_b为蓄电池的单价，f_c为超级电容器的折旧系数，f_Oc为超级电容器的运行系数，f_Mc为超级电容器的维护系数，f_Dc为超级电容器的处理系数，N_c为超级电容器的个数，C_c为超级电容器的单价。

其中较优地，所述步骤S2包括如下子步骤：

S21：确定人工鱼群个数、改进的视野范围、改进的移动步长、尝试次数、改进的拥挤度因子、迭代次数、最大迭代次数；

S22：将第i条人工鱼的状态设为Xi，通过人工鱼群算法中的群聚行为得到Xnext1，Ynext1，通过人工鱼群算法中的追尾行为得到Xnext2，Ynext2；

S23：判定Ynext1是否小于Ynext2；

若是，则Xi＝Xnext1；若否，则Xi＝Xnext2；

S24：判定i是否大于等于人工鱼群个数；

若是，则i＝i+1，进行持续迭代；若否，则返回步骤S21；

S25：达到最大迭代次数，确定最优解。

其中较优地，通过下式获得改进的视野范围：

其中，Visual(t)为t时刻的改进的视野范围值，最小值设为3，Visual(t-1)为t－1时刻的改进的视野范围值。

其中较优地，参数α的计算公式为：

其中，S为大于1的正整数。

其中较优地，通过下式获得改进的移动步长：

Step(t)＝Step(t-1)*α+Step_min

其中，Step(t)为t时刻的改进的移动步长值，Step(t-1)为t－1时刻的改进的移动步长值，Step_min为改进的移动步长最小值。

其中较优地，通过下式获得改进的拥挤度因子δ：

其中较优地，通过下式获得负荷缺电率：

其中，E_lps(t)为t时刻的负荷缺电量，El(t)为t时刻的负荷总需求量，t为当前时间点，T为次日零时。

根据本发明实施例的第二方面，提供一种风光互补混合储能系统，将蓄电池-超级电容器混合作为储能装置，其中采用上述基于人工鱼群算法的储能系统优化配置方法。

与现有技术相比较，本发明通过对人工鱼群算法的视野范围、移动步长、拥挤度因子等进行相应的调整，使得改进的人工鱼群算法能够有效避免优化结果陷入局部最优解，从而使得优化结果在经济性和可靠性方面都更有优势。利用本发明，可以使风光互补混合储能系统达到总运行成本最低及最低的新能源发电弃用率的要求。

附图说明

图1为本发明实施例提供的一种基于人工鱼群算法的储能系统优化配置方法的流程图；

图2为本发明实施例中，求解最优解的流程图；

图3为本发明实施例中，视野范围与迭代次数的关系图；

图4为本发明实施例中，移动步长与迭代次数的关系图；

图5为本发明实施例中，拥挤度因子与迭代次数的关系图；

图6为本发明实施例中，最小生命周期与人工鱼群算法迭代次数的关系图；

图7为本发明实施例中，负荷缺电率的变化情况对比图；

图8为本发明实施例提供的一种采用上述优化配置方法的储能系统示意图。

具体实施方式

下面结合附图和具体实施例对本发明的技术内容进行详细具体的说明。

前已述及，蓄电池可以快捷地对电能进行充放控制，但是其使用周期短，容易损耗，同时还具有一定的污染问题，会显著加大储能系统的使用成本。另一方面，超级电容的功率性能好，寿命长，不易损坏，污染小。为了优化储能系统中蓄电池的充放电状态，降低其维修成本，延长寿命，本发明考虑到二者的互补特性，将蓄电池和超级电容器混合作为储能装置。因此，在风光互补混合储能系统中合理配置储能装置，也就是蓄电池和超级电容器的数量就是一个值得研究的课题。

为此，如图1所示，本发明实施例首先提供一种基于人工鱼群算法的储能系统优化配置方法，至少包括如下步骤：

S1：建立风光互补混合储能系统的生命周期费用模型。

在本发明的一个实施例中，所建立的生命周期费用模型为：

minC＝C_I+C₀+C_M+C_D

C_I＝N_bC_bf_b+N_cC_cf_c

C_O＝N_bC_bf_Ob+N_cC_cf_Oc

C_M＝N_bC_bf_Mb+N_cC_cf_Mc

C_D＝N_bC_bf_Db+N_cC_cf_Dc

minC＝(f_b+f_Ob+f_Mb+f_Db)N_bC_b+(f_c+f_Oc+f_Mc+f_Dc)N_cC_c

其中，minC为最小生命周期成本，f_b为蓄电池的折旧系数，f_Ob为蓄电池的运行系数，f_Mb为蓄电池的维护系数，f_Db为蓄电池处理系数，N_b为蓄电池的个数，C_b为蓄电池的单价，f_c为超级电容器的折旧系数，f_Oc为超级电容器的运行系数，f_Mc为超级电容器的维护系数，f_Dc为超级电容器的处理系数，N_c为超级电容器的个数，C_c为超级电容器的单价。

另外，C_I为购买费用，C_O为运行费用(包括实验、安装、损耗、人工费用等)，C_M为维护费用(包括故障前后的维护费用)，C_D为处理费用(包括报废费用和残值费用)；f为折旧系数，d为折旧率，L为设备的寿命(单位：年)。

生命周期成本的四大主要构成要素，主要包括购买费用、为运行费用(包括实验、安装、损耗、人工费用等)、维护费用(包括故障前后的维护费用)、处理费用(包括报废费用和残值费用)。以生命周期费用为目标函数对风光互补混合储能系统的蓄电池和超级电容器的数目优化，可以使得生命周期成本在满足电力系统稳定连续发电的要求下最低。

S2：通过改进的人工鱼群算法求解最优解。

人工鱼群算法(artificial fish swarms algorithm，简称为AFSA)为李晓磊在2002年从鱼找寻食物的现象中表现的种种移动寻觅特点中得到启发而阐述的仿生学优化方案(参见李晓磊等人的论文《一种基于动物自治体的寻优模式：鱼群算法》，刊载于《系统工程理论与实践》2002，22(11)：32-38.)。在一片水域中，鱼往往能自行或尾随其他鱼找到营养物质多的地方，因而鱼生存数目最多的地方一般就是本水域中营养物质最多的地方，人工鱼群算法就是根据这一特点，通过构造人工鱼来模仿鱼群的觅食、聚群及追尾行为，从而实现寻优。

人工鱼群拥有以下几种典型行为：

(1)觅食行为：一般情况下鱼在水中随机地自由游动，当发现食物时，则会向食物逐渐增多的方向快速游去。

(2)聚群行为：鱼在游动过程中为了保证自身的生存和躲避危害会自然地聚集成群，鱼聚群时所遵守的规则有三条：

分隔规则：尽量避免与临近伙伴过于拥挤；

对准规则：尽量与临近伙伴的平均方向一致；

内聚规则：尽量朝临近伙伴的中心移动。

(3)追尾行为：当鱼群中的一条或几条鱼发现食物时，其临近的伙伴会尾随其快速到达食物点。

(4)随机行为：单独的鱼在水中通常都是随机游动的，这是为了更大范围地寻找食物点或身边的伙伴。

人工鱼群算法的具体实施步骤包括：

1.初始化设置，包括种群规模N、每条人工鱼的初始位置、人工鱼的视野(Visual)、步长(step)、拥挤度因子δ、重复次数(Trynumber)；

2.计算初始鱼群各个体的适应值，取最优人工鱼状态及其值赋予给公告牌；

3.对每个个体进行评价，对其要执行的行为进行选择，包括觅食(Pray)、聚群(Swarm)、追尾(Follow)和评价行为(bulletin)；

4.执行人工鱼的行为，更新自己，生成新鱼群；

5.评价所有个体。若某个体优于公告牌，则将公告牌更新为该个体；

6.当公告牌上最优解达到满意误差界内或者达到迭代次数上限时算法结束，否则转步骤3。

在本发明实施例中，用人工鱼群算法中的人工鱼表示为给定范围内产生的随机数组一组实数，即蓄电池和超级电容器的数目。将适应度函数定义为生命周期成本。迭代求解人工鱼在N次(N为正整数，下同)迭代中经历过的鱼群最优位置，得出最优的蓄电池、超级电容器的数量以及最小生命周期成本。

如图2所示，在现有的人工鱼群算法的基础上，本发明实施例提供的通过改进的人工鱼群算法求解最优解的流程，包括如下子步骤：

S21：确定人工鱼群个数(N)、改进的视野范围(Visual)、改进的移动步长(Step)、尝试次数(try_number)、改进的拥挤度因子(δ)、迭代次数(gen)、最大迭代次数(MAXGEN)。

其中，迭代次数的初始值为1，并且为正整数。鱼群中的每条人工鱼均为给定范围内产生的随机数组，即蓄电池和超级电容器的数量。

S22：将第i条人工鱼的当前状态设为Xi，在其感知范围内随机选择一个状态Xj，如果Yi＜Yj，则向该方向前进一步；反之，再重新随机选择状态Xj，判断是否满足前进条件。这样反复进行尝试次数(try_number)后，如果仍不满足前进条件，则随机移动一步；探索当前领域内的伙伴数目nf及中心位置Xc，如果Yc/nf＜δYi(δ为拥挤度)，则朝向伙伴的中心位置方向前进一步；否则执行觅食行为；探索当前领域内的伙伴数目nf及伙伴中Yj为最小的伙伴Xj，如果Yj/nf＜δYi，则朝向伙伴Xj的方向前进一步；否则执行觅食行为；随机行为的实现较简单，就是在视野中随机选择一个状态，然后向该方向移动；随机行为从本质上是觅食行为的一个缺省行为。

在此基础上，通过人工鱼群算法中的群聚行为得到Xnext1，Ynext1，通过人工鱼群算法中的追尾行为得到Xnext2，Ynext2。

其中，Y＝f(X)表示当前状态Xi的目标函数值。即，Ynext1是对应于Xnext1的目标函数值，Ynext2是对应于Xnext2的目标函数值。在本发明的一个实施例中，目标函数为最小生命周期成本，但不限于此。

S23：判定Y_next1是否小于Y_next2？

若是，则X_i＝X_next1；若否，则X_i＝X_next2。

S24：判定i是否大于等于人工鱼群个数N？

若是，则i＝i+1，进行持续迭代；若否，则返回步骤S21。

S25：达到最大迭代次数，确定最优解。

在本发明的一个实施例中，通过下式获得改进的视野范围：

其中，Visual(t)为t时刻的改进的视野范围值，最小值设为3；Visual(t-1)为t－1时刻的改进的视野范围值。

需要说明的是，在此仅以改进的视野范围值的最小值设为3为例进行说明。该最小值的具体取值范围根据实际场景而定，本发明实施例中对此不予限制。

其中，参数α的计算公式为：

其中，S为大于1的正整数。

需要说明的是，在本发明实施例中仅以S取值为3、5、7、10为例进行说明。具体取值情况根据实际场景而定，本发明对此不予限制。

如图3所示，随着迭代次数的增加α从1逐渐衰减为0。如图3所示，视野范围(Visual)在初期会逐渐增加增从而增强人工鱼的全局搜索能力，达到某一极大值视野范围(Visual)会随之减小直至减小为本发明设置的最小值3。由图3可知，随着S的增大，达到极大值得迭代次数以及极大值也会随之增大。当S＝1时，视野范围(Visual)达到极小值过快，极小值也相对较小以至于优化效果可能会不佳。经过迭代运算后可知，S＝5时改进的视野范围的运算结果为最佳。

在本发明的一个实施例中，改进的移动步长的计算公式为：

Step(t)＝Step(t-1)*α+Step_min

其中，Step(t)为t时刻的改进的移动步长值，Step(t-1)为t－1时刻的改进的移动步长值，Step_min为改进的移动步长最小值。

如图4所示，移动步长会随着迭代次数的增加而逐渐增加，在前期移动步长较小有助于提高求解精度，后期增大则是以便于加快收敛速度。经过迭代运算后可知，S＝5时改进的移动步长的运算结果为最佳。

在本发明的一个实施例中，改进的拥挤度因子δ的计算公式为：

其中，参数β的最优取值为0.333，但也可以是其它取值，例如0.25、0.5等。参数β的具体取值根据实际场景而定，本发明对此不予限制。

需要说明的是，拥挤度因子δ的引入避免了人工鱼过度拥挤而陷入局部极值。拥挤度因子δ越小，表明允许的拥挤程度越小，那么人工鱼摆脱局部最优的能力越强；但是收敛的速度会有所减缓。本发明中采用指数式衰减变化策略对拥挤度因子δ进行改进，使拥挤度因子δ随迭代次数的增多而逐渐减小，以提高算法的搜索精度。

如图5所示，S越大，拥挤度因子δ衰减得会相对较慢，不太利于人工鱼群寻找最优解。经过迭代运算后可知，S＝5时改进的拥挤度因子的运算结果为最佳。

S3：将步骤S2得到的最优解以最小生命周期成本为目标函数进行优化，得到所需的蓄电池的个数、超级电容器的个数。

众所周知，风光出力在不同季节会有所差异，因此本发明以我国南部某地为例选取了一年四季当中每个季节一天24小时当中风光出力以及负荷的平均值来进行分析。如图6所示，一天24小时当中风光波动性相对较大，在白天，风光出力难以连续稳定得供电，因此需要储能系统来弥补这一不足。

人工鱼群算法改进之后，经过优化得出的最低生命周期成本明显低于为改进前的优化结果，节省比例为改进后的算法得出的优化结果比未改进的人工鱼群算法得出的最低生命周期成本节省的成本占为改进之前人工鱼群算法得出优化结果的比例。每个季节优化的结果对比得知节省比例大约为50％。如图6所示，通过本发明改进的人工鱼群算法得到的最小生命周期成本的均值远小于通过传统的人工鱼群算法得到的最小生命周期成本的均值，说明本发明改进的人工鱼群算法相比于传统的人工鱼群算法具有更高的经济性。

S4：通过负荷缺电率(Loss of Power Supply Probability，简称为LPSP)判定负荷供电水平，以验证步骤S3中得到的蓄电池的个数、超级电容器的个数是否成立。

当负荷缺电率小于或等于预设值时，则负荷供电的水平合格，即蓄电池的个数、超级电容器的个数成立；当负荷缺电率大于预设值时，则负荷供电的水平不合格，即蓄电池的个数、超级电容器的个数不成立。

在本发明的一个实施例中，负荷缺电率的计算公式为：

其中，E_lps(t)为t时刻的负荷缺电量，El(t)为t时刻的负荷总需求量，t为当前时间点，T为24时，即次日零时。

如图7所示，假设负荷缺电率的最大界限(LPSPmax)为0.05，以一天24小时为研究对象，一天当中负荷缺电率超过0.05认为不满足风光互补混合储能系统的可靠性约束条件。从图7中可以看出，本发明所提供的改进的人工鱼群算法和传统的人工鱼群算法均未超过最大界限，但本发明所提供的改进的人工鱼群算法的负荷缺电率总体上低于传统的人工鱼群算法的负荷缺电率，说明本发明所提供的改进的人工鱼群算法相比于传统的人工鱼群算法具有更高的可靠性。

S5：根据成立的蓄电池的个数、超级电容器的个数，完成对风光互补混合储能系统的优化配置。

如图8所示，本发明进一步提供一种采用上述优化配置方法的风光互补混合储能系统。该风光互补混合储能系统中将蓄电池-超级电容器混合作为储能装置，还包括风力发电机组、光伏阵列、控制器、蓄电池、超级电容器、变流器、负载等。这些都是本领域技术人员熟悉的常规设置，在此就不详细说明了。

与现有技术相比较，本发明在经济性能方面将最小生命周期费用作为目标函数，在可靠性能方面则以负荷缺电率为指标，通过对人工鱼群算法的视野范围、移动步长、拥挤度因子等进行相应的调整，使得改进的人工鱼群算法能够有效避免优化结果陷入局部最优解，从而使得优化结果在经济性和可靠性方面都更有优势。利用本发明，可以使风光互补混合储能系统达到总运行成本最低及最低的新能源发电弃用率的要求。

需要说明的是，上述多个实施例只是举例，各个实施例的技术方案之间可以进行组合，均在本发明的保护范围内。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

上面对本发明所提供的基于人工鱼群算法的储能系统优化配置方法及储能系统进行了详细的说明。对本领域的一般技术人员而言，在不背离本发明实质内容的前提下对它所做的任何显而易见的改动，都将构成对本发明专利权的侵犯，将承担相应的法律责任。

Claims (9)

1.一种基于人工鱼群算法的储能系统优化配置方法，其特征在于包括如下步骤：

S1：建立风光互补混合储能系统的生命周期费用模型；

S2：通过改进的人工鱼群算法求解最优解；

S3：将步骤S2得到的最优解以最小生命周期成本为目标函数进行优化，得到蓄电池的个数、超级电容器的个数；

S4：通过负荷缺电率判定负荷供电水平，以验证步骤S3中得到的蓄电池的个数、超级电容器的个数是否成立：当负荷缺电率小于或等于预设值时，则蓄电池的个数、超级电容器的个数成立；当负荷缺电率大于预设值时，则蓄电池的个数、超级电容器的个数不成立，返回步骤S3，直至蓄电池的个数、超级电容器的个数成立；

S5：根据成立的蓄电池的个数、超级电容器的个数，完成对风光互补混合储能系统的优化配置。

2.如权利要求1所述的基于人工鱼群算法的储能系统优化配置方法，其特征在于：

所述步骤S1中，所述生命周期费用模型为：

minC＝(f_b+f_Ob+f_Mb+f_Db)N_bC_b+(f_c+f_Oc+f_Mc+f_Dc)N_cC_c

其中，minC为最小生命周期成本，f_b为蓄电池的折旧系数，f_Ob为蓄电池的运行系数，f_Mb为蓄电池的维护系数，f_Db为蓄电池处理系数，N_b为蓄电池的个数，C_b为蓄电池的单价，f_c为超级电容器的折旧系数，f_Oc为超级电容器的运行系数，f_Mc为超级电容器的维护系数，f_Dc为超级电容器的处理系数，N_c为超级电容器的个数，C_c为超级电容器的单价。

3.如权利要求1所述的基于人工鱼群算法的储能系统优化配置方法，其特征在于所述步骤S2包括如下子步骤：

S21：确定人工鱼群个数、改进的视野范围、改进的移动步长、尝试次数、改进的拥挤度因子、迭代次数、最大迭代次数；

S22：将第i条人工鱼的状态设为Xi，通过人工鱼群算法中的群聚行为得到Xnext1，Ynext1，通过人工鱼群算法中的追尾行为得到Xnext2，Ynext2；

S23：判定Ynext1是否小于Ynext2；

若是，则Xi＝Xnext1；若否，则Xi＝Xnext2；

S24：判定i是否大于等于人工鱼群个数；

若是，则i＝i+1，进行持续迭代；若否，则返回步骤S21；

S25：达到最大迭代次数，确定最优解。

4.如权利要求3所述的基于人工鱼群算法的储能系统优化配置方法，其特征在于通过下式获得改进的视野范围：

其中，Visual(t)为t时刻的改进的视野范围值，最小值设为3，Visual(t-1)为t－1时刻的改进的视野范围值。

5.如权利要求4所述的基于人工鱼群算法的储能系统优化配置方法，其特征在于参数α的计算公式为：

其中，S为大于1的正整数。

6.如权利要求3所述的基于人工鱼群算法的储能系统优化配置方法，其特征在于通过下式获得改进的移动步长：

Step(t)＝Step(t-1)*α+Step_min

其中，Step(t)为t时刻的改进的移动步长值，Step(t-1)为t－1时刻的改进的移动步长值，Step_min为改进的移动步长最小值。

7.如权利要求3所述的基于人工鱼群算法的储能系统优化配置方法，其特征在于通过下式获得改进的拥挤度因子δ：

其中，β为预设参数。

8.如权利要求1所述的基于人工鱼群算法的储能系统优化配置方法，其特征在于通过下式获得负荷缺电率：

其中，E_lps(t)为t时刻的负荷缺电量，El(t)为t时刻的负荷总需求量，t为当前时间点，T为次日零时。

9.一种风光互补混合储能系统，将蓄电池-超级电容器混合作为储能装置，其特征在于采用权利要求1～8中任意一项所述的基于人工鱼群算法的储能系统优化配置方法。