TWI639962B

TWI639962B - 一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法

Info

Publication number: TWI639962B
Application number: TW106131817A
Authority: TW
Inventors: 王順忠; 劉益華
Original assignee: 龍華科技大學
Priority date: 2017-09-15
Filing date: 2017-09-15
Publication date: 2018-11-01
Also published as: TW201915838A

Abstract

一種粒群最佳化模糊邏輯控制(fuzzy logic control,FLC)充電法，包括：依一目前電池電量輸入歸屬函數對一目前電池電量進行一第一模糊化運算及依一電池電量變動量輸入歸屬函數對一電池電量變動量進行一第二模糊化運算，其中，該目前電池電量輸入歸屬函數及該電池電量變動量輸入歸屬函數均係依一粒群演算法(particle swarm optimization,PSO)預先決定；依該第一模糊化運算之一第一模糊化結果及該第二模糊化運算之一第二模糊化結果映射一規則庫以產生一第三模糊化結果；依一輸出歸屬函數對該第三模糊化結果進行一解模糊化運算以得出一充電率；以及將該充電率乘以一電池額定功率以決定一充電功率指令。

Description

一種應用於智慧電網之粒群最佳化模糊邏輯控制充電法

本發明係有關於智慧電網電能調度最佳化，特別是關於一種應用於智慧電網之電池儲能模組最佳化充電法。

現今石化燃料和核能仍然是全球能源的主要來源，然而，由於石化能源愈來愈短缺，且使用石化燃料所排放大量温室氣體會造成地球環境、氣候和生態的惡化，世界各國乃於2015年在法國巴黎舉行的第21屆聯合國氣候變化大會(COP21)中通過減碳協議-巴黎協議，以控制温室氣體排放，並訂定在2100年全球平均氣温上升不超過2℃的目標。電能為人類能否繼續邁向文明的首要議題，由於環保觀念與永續發展已成為全球共識，如何更有效率的使用現有的能源，並積極開發新的替代能源，是目前工程科技界首要之務。

在許多新興的能源發展中，具有低碳排放和高能源安全性的可再生能源成為最有希望的新一代能源產生技術。全球已經為部署再生能源發電系統做了許多投資和努力，同時政府也為促進這種能源轉型提供了許多的獎勵措施。而隨著許多的再生能源投入到現有的電網系統，勢必對電網的運作安全性與可靠度造成衝擊。由於各種再生能源產出位置不同、出力特性及容量大小也不同，故各種再生能源在與電網併接時可能會產生不同的衝擊；加上如風能和太陽能等再生能源為間歇性能源，電能的輸出量受當地氣候因素影響甚巨，故以再生能源供電一般並無法滿足瞬間的負載增減需求。因此，如能透過電池儲能系統(battery storage system,BSS)儲存多餘的電能，不但能補充尖峰用電需求，也能賣電給電力公司，既可解決能源費用高漲和電力不足的問題，也可緩和電場興建之壓力，減少環境污染。

為了將分散式再生能源發電併入電網，目前的電網乃須針對基礎建設做重新設計和整體升級，智慧電網(smart grid)便是在這股浪潮下所產生的電力系統架構，其係透過整合不同的再生能源例如風力、太陽能發電以及儲能系統形成多元及分散性的電力網絡。不同於傳統電網只允許電力從發電機流向消費者，智慧電網著重於再生能源的整合、電能的雙向傳輸與調度以及資料數據的解析與分享，以達到最佳化電力資源之利用。

隨著太陽能發電的投資成本下降和發電方式革新，太陽能發電系統的安裝已變得更具吸引力。然而，在回賣電價下降而零售能源價格卻上漲的情況下，當地家庭發電給自己家庭使用將可得到更多的利潤。因此，一般住宅會裝設具有強健性和高效率的蓄電池儲能系統，以補償經常波動的太陽能發電。使用電池存儲系統，住宅客戶可以保存太陽能供無陽光時使用，功率損耗也可以通過系統中適當的電力調度策略來消除。

然而在設計與實現上，智慧電網亦存在著電力系統工程或電信技術等方面涉及複雜與高度的最佳化問題。文獻中關於智慧電網最佳化議題主要包含以下三方面：

1.智慧電網的容量規劃最佳化：混合發電系統期望具有適當的容量或持續滿足負載需求能力，同時以盡可能低的投資和成本，在尋找電力系統的最佳配置，或甚至最佳位置、類型和安裝之前，需要提前確定一個或多個具體準則，通常會以電能損失概率和負荷概率損失來衡量電力的可靠度，而淨現值成本、能源平均成本、和生命週期成本則被用來作為經濟指標。容量規劃最佳化方法基本上可分為概率法，分析法，疊代法和計算智能法。有文獻採用統計方法來描述電池和超級電容器的容量分佈，此類方法是屬於概率容量規劃最佳化方法；另外為研究不同容量規劃和光伏電池系統價格對自身消費和自給自足程度的影響，有文獻進行技術經濟分析和敏感性分析，此類分析方法是屬於容量規劃最佳化的分析法。而有文獻提出再生能源混合最佳化模型之模擬工具，被廣泛應用於分析和模型驗證，此類方法是基於疊代的方法。有文獻提出了一種整合再生能源最佳化模型，在現場條件和季節負荷分佈已知時，基於能源成本和可靠性指標最佳化不同的再生能源系統容量選項。對於計算智能方法的應用，有文獻利用基因演算法來最佳化智慧電網系統所需的組件；此外，基於成本、可靠度、和碳排放標準的考量，有文獻提出基於粒群最佳化方法來處理此多目標的規劃問題。總之，這些容量規劃最佳化技術的選擇取決於可用的信息、目標、和簡單性。

2.智慧電網電力調度最佳化：有文獻先建立混合系統中的元件之數學模型，並提出了基於模糊邏輯控制(fuzzy logic control,FLC)之監控系統的小時能量管理，來達成電力的調度和電能管理；亦有文獻藉由數學方法提出了基於混合整數非線性規劃的電力調度策略，以獲得最便宜的價格和分散式能源的最大利用率；或有文獻將限制條件歸納到混合整數線性規劃模型內，並將功率削減策略整合到負載和功率管理中。此外，基於計算智能的方法被廣泛應用於混合發電系統，有文獻就由基因演算法最佳化了由風力發電機，微型渦輪機，太陽能電池陣列和蓄電池組成的獨立型混合發電系統。另一方面，有學者提出杜鵑搜尋法來最佳化具電池組，光伏系統和柴油發電機運轉的模糊邏輯控制系統，從而實現多目標的最小化，其包括供電概率的損失、過剩能量、和均一化能源成本能夠實現。為了最小化柴油發電機和電池組提供的能源，有文獻對風速和負載功率進行了準確的預測。也有文獻提出一種階層控制策略，其由用於獨立混合發電系統的主從控制所組成，主控制策略負責確定參考功率，而從屬控制策略修改這些參考以滿足動態限制。另外有學者提出了一種基於立群最佳化的方法來解決多目標最佳化問題，其目的是最小化總運營成本、燃料排放、和負載概率的損失。在另一個類似的研究中提出伴隨模糊技術的差分演化算法。對於併網架構，有文獻設計了一個微電網電力系統的監督策略，所提出的策略能夠切換運轉模式，以最小化操作成本。也有文獻考慮了太陽能功率準位和燃料電池的控制模式，以最小化操作模式的變化數量，並控制太陽能和燃料電池分別在最大功率點和高效率下運行。

3.智慧電網控制設計最佳化：為了充分利用混合發電系統中的子系統，控制策略在進一步提高效率和與其他子系統的合作扮演很重要的角色，針對智慧電網中之電池存儲系統，已經有許多文獻提出不同的操作策略。例如，在文獻中當考量到光伏電池系統時，配電系統運營商和地區電力公司的需求有很清楚的說明，其中最佳化電池充電功率是由動態規劃法來決定，各種充電目標先被納入目標函數，然後進行多目標最佳化，所提出的動態規劃法每隔15分鐘執行一次剩餘電量值離散化，從而評估從一天開始的初始剩餘電量到一天結束的所有可能的充電軌跡，因此可得到具有最小目標函數值相對應的剩餘電量序列之最佳電池充電曲線。此方法不像先前文獻先設定目標，而是由自消耗比、自供給率、峰值電壓降低比、和損失比率等指標來確定不同方法之間的特徵，並利用這些指標來分析住宅光伏儲能系統的不同控制策略。另一方面，有文獻結合計算智能和先進控制技術來提升更寬廣的電池儲能系統應用，例如，為了降低操作成本，有文獻利用進化演算法最佳化閉迴路控制器中負責充放電控制的參數，以這種方式，如果饋入(feed-in)補償稅率是可變的，則可降低能源成本。另外有文獻採用牛頓-拉夫生線性規化疊代演算法，於微電網的能量管理，並用基因演算法做具有分散式儲能系統之分散式再生能源發電系統之容量規劃。此外，基於模糊邏輯控制的方法常被應用於電池儲能系統中，以執行不同目的的控制技術，有文獻為了降低微電網的操作成本，提出了一種前日調度的演算法，並建立了一個模糊專家系統來控制儲能系統的輸出功率。為了最小化微電網公共耦合點的有效功率交換，有文獻考量了電池的剩餘電量，並為微電網中的電池儲能系統設計了基於模糊邏輯控制的控制策略，以根據不同的操作模式調整電池儲能系統的有效功率參考值。而為了保持電池循環壽命，有文獻設計了一種模糊邏輯控制機制以使電池儲能系統操作在所要的剩餘電量範圍內。

然而上述方法的運算複雜度較高，也無法滿足用電戶多樣的能源使用行為而達到最低的操作成本，因此本領域亟需一新穎的最佳化模糊邏輯控制充電法。

本發明之一目的在於揭露一種粒群最佳化模糊邏輯控制充電法，其係以目前的電池電量(state of charge,SOC)和電池電量變動量△SOC作為模糊邏輯控制輸入變數，以有效地進行模糊邏輯控制運算，並防止不當的充放電所產生的電池損壞。

本發明之另一目的在於揭露一種粒群最佳化模糊邏輯控制充電法，其係採用粒群演算法來最佳化SOC和△SOC輸入歸屬函數的論域設定值，以滿足多樣的能源使用行為而達到最低的操作成本。

本發明之又一目的在於揭露一種粒群最佳化模糊邏輯控制充電法，其能使98.6%的房屋實現最低操作成本，亦能最小化單一房屋每年平均電能費用支出。

為達前述目的，一種粒群最佳化模糊邏輯控制充電法乃被提出，其係利用一控制電路實現，包括以下步驟：輸入一目前電池電量及將該目前電池電量與一前次電池電量比較以得出一電池電量變動量；依一目前電池電量輸入歸屬函數對該目前電池電量進行一第一模糊化運算以獲得一第一模糊化結果及依一電池電量變動量輸入歸屬函數對該電池電量變動量進行一第二模糊化運算以獲得一第二模糊化結果，其中，該目前電池電量輸入歸屬函數及該電池電量變動量輸入歸屬函數均係依一粒群演算法預先決定；依該第一模糊化結果及該第二模糊化結果映射一規則庫以產生一第三模糊化結果；依一輸出歸屬函數對該第三模糊化結果進行一解模糊化運算以得出一充電率；以及將該充電率乘以一電池額定功率以決定一充電功率指令。

在一實施例中，該目前電池電量輸入歸屬函數對應到五個語意參數，其中S代表小，MS代表中的小，M代表中，ML代表中的大，L代表大；該電池電量變動量輸入歸屬函數對應到五個語意參數，其中NL代表負的大，NS代表負的小，Z代表零，PS代表正的小，PL代表正的大；該輸出歸屬函數對應到五個語意參數，其中S代表小，MS代表中的小，M代表中，ML代表中的大，L代表大。在一實施例中，該目前電池電量輸入歸屬函數及該電池電量變動量輸入歸屬函數經該粒群演算法預先決定後均剩下三個模糊子集。

在一實施例中，該粒群演算法係利用一適應值函數來實現最小化多住宅電能管理操作成本。

在一實施例中，該適應值函數為：其中，Cost(t)為一系統總操作成本，P_grid-buy為由一電網所購買的電能，C_buy為購買的稅率，P_grid-sell為饋入該電網的電能，C_sell為饋入的稅率，C_battery為一電池模組的成本，SOH_remain代表該電池模組的剩餘SOH(state of health；健康狀態)。

為使貴審查委員能進一步瞭解本發明之結構、特徵及其目的，茲附以圖式及較佳具體實施例之詳細說明如後。

步驟a‧‧‧輸入一目前電池電量及將該目前電池電量與一前次電池電量比較以得出一電池電量變動量

步驟b‧‧‧依一目前電池電量輸入歸屬函數對該目前電池電量進行一第一模糊化運算以獲得一第一模糊化結果及依一電池電量變動量輸入歸屬函數對該電池電量變動量進行一第二模糊化運算以獲得一第二模糊化結果，其中，該目前電池電量輸入歸屬函數及該電池電量變動量輸入歸屬函數均係依一粒群演算法預先決定

步驟c‧‧‧依該第一模糊化結果及該第二模糊化結果映射一規則庫以產生一第三模糊化結果

步驟d‧‧‧依一輸出歸屬函數對該第三模糊化結果進行一解模糊化運算以得出一充電率

步驟e‧‧‧將該充電率乘以一電池額定功率以決定一充電功率指令

圖1繪示本發明之粒群最佳化模糊邏輯控制充電法之一實施例步驟流程圖。

圖2繪示住宅型光伏電池儲能系統之運用情形示意圖。

圖3a繪示用戶平均每日之多餘功率。

圖3b繪示一年內用戶之最大多餘功率增量。

圖4繪示由Rosenkranz模型所得之磷酸鐵鋰電池之循環壽命對放電深度曲線。

圖5繪示本發明所採之輸入與輸出變數的歸屬函數。

圖6繪示本發明所採之模糊邏輯控制的系統架構。

圖7繪示模糊邏輯控制之規則庫推導情形。

圖8繪示某日的功率模擬結果剖面圖。

圖9繪示SOC和△SOC之最佳化輸入MF的論域設定值。

圖10a繪示貪婪法、FID法和FuzzyN法達成最低電能管理操作成本的百分比之模擬結果。

圖10b繪示計算系統總操作最小成本與FuzzyN法的成本差。

圖11繪示PSO每次疊代運算中記錄的g_best值。

圖12繪示74戶住宅在四種方法之年度電能管理操作成本。

請參照圖1，其繪示本發明之粒群最佳化模糊邏輯控制充電法之一實施例步驟流程圖。

如圖1所示，本發明之粒群最佳化模糊邏輯控制充電法包括以下步驟：輸入一目前電池電量及將該目前電池電量與一前次電池電量比較以得出一電池電量變動量(步驟a)；依一目前電池電量輸入歸屬函數對該目前電池電量進行一第一模糊化運算以獲得一第一模糊化結果及依一電池電量變動量輸入歸屬函數對該電池電量變動量進行一第二模糊化運算以獲得一第二模糊化結果，其中，該目前電池電量輸入歸屬函數及該電池電量變動量輸入歸屬函數均係依一粒群演算法預先決定(步驟b)；依該第一模糊化結果及該第二模糊化結果映射一規則庫以產生一第三模糊化結果(步驟c)；依一輸出歸屬函數對該第三模糊化結果進行一解模糊化運算以得出一充電率(步驟d)；以及將該充電率乘以一電池額定功率以決定一充電功率指令(步驟e)。

其中，該目前電池電量輸入歸屬函數對應到五個語意參數，其中S代表小，MS代表中的小，M代表中，ML代表中的大，L代表大；該電池電量變動量輸入歸屬函數對應到五個語意參數，其中NL代表負的大，NS代表負的小，Z代表零，PS代表正的小，PL代表正的大；該輸出歸屬函數對應到五個語意參數，其中S代表小，MS代表中的小，M代表中，ML代表中的大，L代表大。

該目前電池電量輸入歸屬函數及該電池電量變動量輸入歸屬函數經該粒群演算法預先決定後均剩下三個模糊子集，且該粒群演算法係利用一適應值函數來實現最小化多住宅電能管理操作成本。

以下將針對本發明的系統架構進行說明：

不同於先前電力調度策略只為單一房屋設計和驗證的研究，本案提出一具有適應性的控制演算法，以實現沒有氣象或負荷預測條件下的最低發電成本。

請參照圖2，其繪示住宅型光伏儲能系統之運用情形示意圖。

如圖所示，光伏發電系統所生成之發電量，除了能供家戶耗電使用之外，如有剩餘電力亦能向電池儲能系統進行充電。而電池儲能系統除了接受光伏發電系統充電外，也能向外界進行放電，並能視用電需求而決定向公共電網售電或購電。

請一併參照圖3a~圖3b，其中圖3a其繪示用戶平均每日之多餘功率；圖3b其繪示一年內用戶之最大多餘功率增量。

如圖所示，本發明研究的社區共74戶，其中每棟房屋均於屋頂安裝面積相同之光伏發電系統，由於各戶具有不同的能源使用行為，因此個別的用電消耗曲線彼此不同。

根據統計數據，平均4-6人之家庭每年消耗電量約為4.3MWh至4.75MWh之間。為了公平進行比較各種控制方法所需的成本，本發明將每年測量的家庭能源消耗數據訂為4.5MWh。

儘管每楝房屋的電能需求相同，但負載功率消耗型式仍不相同，因此可以清楚地看到不同功率消耗型式的特徵，但本發明不針對各種負載功率消耗型式進行分類。

其中，光伏發電數據係由設置於屋頂之太陽能電池以1秒的解析度所計算得到的，相同的光伏數據均適用於74個住戶房屋，但忽略了類比/數位轉換的功率損耗及太陽能電池模組的退化率，光伏發電的峰值功率按每年4017kWh的發電量定為4.4kWp。

在電池儲能系統方面，由於鋰離子電池在各種電化學技術中，其具有高效率、高可擴展性、和長循環壽命的特點，因此本發明之研究中，使用目前最先進的磷酸鐵鋰(LiFePO₄)電池，容量為4.4kWh。

對於固定式存儲系統中的電池，老化效應對於容量衰退有著至關重要的影響，甚至支配了電池的經濟性能，電池老化將增加電池更換成本。電池的老化效應是一種複雜的電化學反應過程，涉及許多變量，且存在定時老化和循環老化等導致容量衰退之情況，在本發明中將各別效應加總並考慮其總老化效應。

為了計算循環老化的容量衰減，Rosenkranz等學者提出基於Wöhler曲線的模型，用來評估在等效全週期的假設下之電池循環老化。在給定的放電深度(depth of discharge,DoD)下，剩餘的循環壽命如方程式(1)所示。

其中，cycle lifetime係指二次電池在反覆充放電的使用下，電池容量逐漸下降之情形，通常以該二次電池之額定容量作標準，DoD為放電深度係指與該二次電池之額定容量比較之下，放電電量的比率。

請參照圖4，其繪示由Rosenkranz模型所得之磷酸鐵鋰電池之循環壽命對放電深度曲線。

如圖所示，其中循環壽命對放電深度曲線即Rosenkranz模型所稱之循環老化情形。假設本發明所使用之磷酸鐵鋰(LiFePO₄)電池有20年壽命，則定時老化可由每個取樣時間計算得知，更換電池的標準係指當該電池之剩餘容量減少到額定容量的80%，即80%電池健康狀況(SOH)。

以下介紹各種操作情況之經費計算。先前的文獻研究分析了家用電池儲能系統的可行性和必要性，盡管各國的能源激勵政策和法規不盡相同，但住宅電價上漲和電池成本下降在文獻中均有揭露。本發明的操作情況係假設有安裝電池儲能系統的投資比沒有安裝的系統更有利，而較有利的操作情況高度依賴於系統的組成、規格、和相關法規。

其中，電力零售稅額是由2004年至2014年德國的歷史價格推算得知，而電池的成本是從未來價值估算所推算得到。以20年的折舊期來算，根據之前文獻的分析，當零售電價高於33歐元/千瓦時，電池成本低於430歐元/千瓦時，則裝置電池儲能系統將可獲利，其中包含每年4%的利息和2%的通貨膨脹率，並設未來20年屋頂光伏發電系統的饋入電價為12.31歐元/千瓦，全面補貼家用光伏儲能系統的最大饋入限制為50%的峰值光伏功率。為了公平比較，所有的控制策略均係在相同的經費計算條件下，操作一年的時間來進行計算與比較。

在單戶家庭光伏電池儲能系統中，電池功率和電網功率可被視為是可控變數，以滿足功率平衡和負載需求，如方程式(2)所示。

P _load+P _PV+P _grid+P _battery=0 (2)

其中，P_load為負載需量、P_PV為光伏發電量、P_grid為電力系統功率、P_battery為電池充放電功率。

然而，電價上漲及低的饋入電價使得用戶不願使用電網的電力。因此，增加自我消費是較有利方式，故光伏發電越能滿足住戶用電需求，所需由電網購買的電力就越少，為了達此目的，充分利用電池電力變得相當重要。當光伏發電量不足時，電池能夠存儲剩餘電力和輸出存儲的電力，則淨功率如方程式(3)所示。

P _net=P _load-P _PV (3)

多餘功率則如方程式(4)所示，其中P_net為光伏發電量扣除電池儲能系統電量後之淨功率，其中P_surplus為多餘功率。

P _surplus=-P _net (4)

然而，由於電池容量隨時間和循環次數而降低的事實，以及由饋入限制導致的功率減少，使得電池儲能系統的充電/放電控制變得不容易，為了要獲得家用光伏電池儲能系統的最低運轉成本，需要一套周全的控制策略。

考慮到住宅用的光伏電池儲能系統具有非線性及動態等特性，習知對實際物理系統建模的控制方法已不再具有優勢，加上光伏電池儲能系統內存在許多變量和不確定性，導致習知的系統既不適合實際實驗也不適用於數學建模。

為了解決住宅光伏電池儲能系統的電力調度問題，本發明採用模糊邏輯控制(FLC)設計，由於FLC具有不需氣象預測亦能適當地將電能充電到電池中之優點，習知技術也有以目前電池電量(SOC)和剩餘功率作為輸入變數之FLC的充電方法來實現較低的操作成本。

本發明採用目前的SOC和△SOC作為FLC的輸入變數：

社區住戶用電型式的多樣化使得傳統的FLC充電方法用於單一戶中不再具有優勢，而剩餘電力的歸屬函數(membership function,MF)的論域設定值係固定的，無法滿足各種輸入剩餘電力的情況，故以剩餘電力為輸入變數的FLC充電方法未必是最佳的，為了有效地進行FLC運算，本發明採用目前的SOC和△SOC作為輸入變數，其中△SOC之定義如方程式(5)所示。

△SOC=SOC(t)-SOC(t-1) (5)

目前的SOC能提供電池儲能系統必要信息，而本發明以△SOC做為輸入變數之一，則能防止防止不當的充放電所產生的電池損壞。

請參照圖5，其繪示本發明所採之輸入與輸出變數的歸屬函數。如圖所示，本發明之輸出變數為充電率(charging ratio,CR)，係由0到1範圍解模糊化後獲得，然後將CR乘以電池額定功率作為充電功率指令。

其中，每個變數均包含5個與語意程度相對應的模糊子集，語意參數S代表小，MS代表中的小，M代表中，ML代表中的大，L代表大，NL代表負的大，NS代表負的小，Z代表零，PS代表正的小，PL代表正的大。

請參照圖6，其繪示本發明所採之模糊邏輯控制的系統架構。

如圖所示，該系統架構係由模糊化輸入/輸出歸屬函數、模糊推論引擎、規則庫和解模糊化組成。

由於輸入歸屬函數SOC和△SOC各自對應5個語意參數，如SOC對應到S、MS、M、ML、L；△SOC對應到NL、NS、Z、PS、PL，因此模糊邏輯控制器會有25條規則。基於模擬的實證結果，可以推導出如表1所示之規則庫，其中，負的△SOC表示放電；正的△SOC則表示充電。

操作原理為電池儘可能在白天充電，同時適當保持電池容量以備中午時很有可能發生的功率減少需求，因此期望能從善用再生能源以及從儲能系統中減少功率損耗中獲益。

請參照圖7，其繪示模糊邏輯控制之規則庫推導情形。

如圖所示，其推論規則為：如果電池SOC為低(SOC為S)，且SOC正在快速下降(△SOC為NL)，則CR應該大(CR為L)，如圖中的Rule1(規則1)；然而，如果SOC增加非常快(△SOC為PL)，則CR應該略微降低(CR為MS)，即如圖中的Rule5(規則5)。

另一方面，如果電池SOC為高(SOC為L)，且SOC正在快速下降(△SOC為NL)，則CR應該略微降低(CR為MS)，即如圖中的Rule21(規則21)；然而，如果SOC增加非常快(△SOC為PL)，則CR應該為小(CR為S)，即如圖中的Rule25(規則25)。

總之，充電率係隨著SOC的增加而下降。相對於正的△SOC，負的△SOC時充電始終是首選。在負的△SOC時，電池可以儘量存儲太陽能，然而當△SOC為正，充電會變得較保守以防止電池太早滿充和功率削減損耗。

請參照圖8，其繪示某日的功率模擬結果剖面圖。

如圖所示，在時段A中，夜間無太陽能發電時，電池會放電並滿足負載需求；在中午之B時段，當剩餘電力大於饋入限制(feed-in limitation)時，它會將所有可能的削減功率(curtailment losses)充電到電池中，而不是由FLC控制。除了這兩個時段外，FLC負責決定充電功率。因此，充電到電池的功率是動態變化的，電池在晚上前會完全充飽電，當太陽能發電不足時，電池儲能系統總是放電，當超過體入限制時，使用所有削減功率的電量進行充電，換句話說，只有在饋入限制下有剩餘電力時，FLC才會動作。

本發明採用粒群演算法來最佳化SOC和△SOC輸入歸屬函數的論域設定值：

由圖5所示的輸入變數的歸屬函數(MF)可以看出模糊子集的值均勻分佈在對應的範圍內，由於MF的論域值設定主導了哪些規則應該被觸發，因此均勻分佈的模糊子集的輸入變數MF無法滿足各用戶多樣的電能使用行為而達到最低的運轉成本。同時亦須考量到隨著電池的老化效應及不同剩餘電能分佈的影響，因此最佳化輸入變數的MF的論域設定值設計成為關鍵問題。

由於粒群演算法(PSO)能簡單的實現在高維度空間中進行探索以獲得最佳解決方案，即PSO善於解決包含許多變數的高複雜性問題。本發明提出PSO來最佳化輸入MF的論域設定值，以進一步改善習知技術之均勻分佈的模糊子集的輸入變數MF無法在社區中達到最小化的運轉成本之問題。

PSO在1995年由Kennedy與Eberhart兩位學者提出，Kennedy與Eberhart透過觀察魚群與鳥群覓食過程得到啟發，當有一條魚或一隻鳥發現食物的所在位置，則會將資訊分享給其他同伴，最後全體都會往食物方向集中。若將每顆粒子當成鳥群或魚群中的個體，一開始所有粒子將隨機散佈於解空間中，透過比較各粒子的適應值(fitness)來決定全域最佳解位置。這些粒子基本上根據以下兩個準則移動：

(1)跟隨表現最佳的粒子。

(2)每個粒子會朝向自己最佳的位置移動。

透過這樣的方法，每個粒子最終會趨近最佳解或接近最佳解。

其中，速度運算方式如方程式(6)所示。

v _i(k+1)=wv _i(k)+c ₁ r ₁(p _best,i-x _i(k))+c ₂ r ₂(g _best-x _i(k)) (6)

位置更新運算方式如方程式(7)所示。

x _i(k+1)=x _i(k)+v _i(k+1) (7)

其中，x _i和v _i表示第i個粒子的位置和速度、k為疊代的次數、w表示為慣量、r ₁與r ₂為介於[0,1]間的亂數值、c ₁與c ₂表示學習係數，通常介於0~2之間、變數p _best,i儲存第i個粒子走過的最佳位置、變數g _best儲存所有粒子中最佳的位置。

本發明採用PSO來實現最小化多住宅電能管理操作成本，其實現程序如下：

步驟1：選擇參數

由於操作之限制，輸入MF的最大值和最小值都是固定的，SOC的輸入範圍為0%至100%，而根據與電池系統連接的轉換器的額定功率，△SOC的輸入範圍為-10%~10%。

請參照圖9，其繪示SOC和△SOC之最佳化輸入MF的論域設定值。

由於改變語意參數的論域值能改變MF之形狀與被觸發的斜率值。如圖所示，每個輸入MF中均剩下3個模糊子集，SOC為OP1、OP2、OP3；△SOC為OP4、OP5、OP6。亦即PSO中的每個粒子被認為是六維搜索空間中的可能解。解空間中各別粒子的位置可以表示為x_ij，其速度表示為v_ij，其中i是粒子數，j是粒子中的元素數，每個粒子代表一個解，並對應到一個適應值。

步驟2：初始化粒群演算法

在粒群演算法的初始化階段，粒群會被分配於固定的位置或是透過亂數的方式放置於搜尋的解空間中。為了公平的處理具有未知特性的解空間，本案使用最常用之均勻亂數分配的方式進行初始化。

步驟3：運算適應值

本發明之目的為最小化多住宅電能管理操作成本，其中單一住宅的總操作成本係由電池更換成本和電費(包括購買電價和回賣的收入)所組成。值得注意的是，當SOH為80%時，電池必須被汰換，由於一年的模擬範圍太短，而無法觀察到汰換情況，所以汰換的成本以老化效應的散逸SOH(額定容量的20%)來表示，而操作成本之運算，即適應值函數，如方程式(8)所示。

其中Cost(t)為系統總操作成本，P_grid-buy為由電網所購買的電能，C_buy為購電的稅率，P_grid-sell為饋入電網的電能，C_sell為饋入的稅率，C_battery為電池的成本，SOH_remain代表剩餘的SOH。

步驟4：更新區域和全域最佳適應值

在每次疊代運算中，計算每個粒子的適應值，對每個粒子當前適應值與個體歷史最佳值p_best比較，用更大的適應值更新當前p_best及對每個粒子當前個體適應值p_best與全域最佳值g_best比較，用更大的適應數值更新當前g_best。

步驟5：更新每個粒子的速度和位置

在PSO運算完所有的粒子後，每個粒子需要更新下一次速度和位置。

步驟6：終止條件

如果滿足終止條件時終止演算，此時當前全域最佳值g_best就是最佳適應值；如果不滿足終止條件，則返回步驟4。

模擬結果：

以下將針對先前文獻中的三種方法，貪婪法(Greedy method)、饋入阻尼法(Feed-in damping(FID)method)、正常模糊法(Normal fuzzy(FuzzyN)method)與本發明提出的粒群最佳化模糊邏輯控制充電法(Optimized Fuzzy(FuzzyOP))進行比較，以驗證所提方法之可行性和性能改善。

請一併參照圖10a~10b，其中圖10a其繪示貪婪法、FID法和FuzzyN法達成最低電能管理操作成本的百分比之模擬結果；圖10b其繪示計算系統總操作最小成本與FuzzyN法的成本差。

如圖所示，在進行最佳化輸入歸屬函數(MF)之前，分別對貪婪法、FID法和FuzzyN法進行了每10分鐘取樣的一年模擬，FuzzyN法與貪婪法、FID法相比，FuzzyN法在59%的房屋中實現了最低的電能管理操作成本。

相較於系統總操作最小成本，FuzzyN法在某些住宅中的額外費用仍有改善空間。為了改善FuzzyN法以降低大多數住宅的操作成本，在本發明中係使用PSO來最佳化輸入MF，考慮使用FuzzyN法獲得的最差的5個結果進行最佳化，則目標是利用方程式(8)來最小化5個住宅的總和成本，其PSO相關參數和配置如表2所示。

請參照圖11，其繪示PSO每次疊代運算中記錄的g_best值。

如圖所示，g_best從第13次疊代開始下降，最終收斂於5戶房屋的年度總開支為3769.66歐元，最後也獲得輸入MF的最佳設定值。

請參照圖12，其繪示74戶住宅在四種方法之年度電能管理操作成本。

如圖所示，四種方法均先與理想預測方法進行比較，然後計算額外的成本後進行實際比較，使用理想預測方法獲得的結果為其他方法提供了改進空間的參考。

表3為四種方法中可達到最小成本之社區用戶比例之比較。在進行最佳化前，FuzzyN法有59.4%(44/74)房屋達成了最低成本，次佳的方法是貪婪法，社區中有25.7%(19/74)房屋達成了最低成本，可以推斷來自每戶住宅的多餘電力使得均勻分布的輸入MF並非適當的設計，因此PSO被用來決定最佳的輸入變數MF論愈值並實現更好的性能。而本發明(FuzzyOP法)因使用PSO最佳化，因此無最佳化前之相關數據，在進行最佳化後，本發明有98.6%(73/74)房屋達成了最低成本操作。

表4列舉了四種方法與理想預測法的平均成本，其中本發明(FuzzyOP法)相較其他三種方法具有操作成本最低之優勢。

綜合圖12、表3及表4可知，本發明提出的FuzzyOP法能在73個住宅中實現最低成本，即社區績效表現為98.6%，亦能達到單一住宅每年平均電能支出最低之目標。

藉由前述所揭露的設計，本發明乃具有以下的優點：

1.本發明揭露一種粒群最佳化模糊邏輯控制充電法，其係以目前的SOC(電池電量)和△SOC(電池電量變動量)作為FLC輸入變數，以有效地進行FLC運算及防止不當的充放電所產生的電池損壞。

2.本發明揭露一種粒群最佳化模糊邏輯控制充電法，其係採用粒群演算法來最佳化SOC和△SOC輸入歸屬函數的論域設定值，以滿足多樣的電源使用行為而達到最低的操作成本。

3.本發明揭露一種粒群最佳化模糊邏輯控制充電法，其能使98.6%的住宅實現最低操作成本，亦能最低化單一住宅每年平均電能支出。

本案所揭示者，乃較佳實施例，舉凡局部之變更或修飾而源於本案之技術思想而為熟習該項技藝之人所易於推知者，俱不脫本案之專利權範疇。

綜上所陳，本案無論就目的、手段與功效，在在顯示其迥異於習知之技術特徵，且其首先發明合於實用，亦在在符合發明之專利要件，懇請貴審查委員明察，並祈早日賜予專利，俾嘉惠社會，實感德便。

Claims

一種粒群最佳化模糊邏輯控制充電法，該粒群最佳化模糊邏輯控制充電法包括以下步驟：輸入一目前電池電量及將該目前電池電量與一前次電池電量比較以得出一電池電量變動量；依一目前電池電量輸入歸屬函數對該目前電池電量進行一第一模糊化運算以獲得一第一模糊化結果及依一電池電量變動量輸入歸屬函數對該電池電量變動量進行一第二模糊化運算以獲得一第二模糊化結果，其中，該目前電池電量輸入歸屬函數及該電池電量變動量輸入歸屬函數均係依一粒群演算法預先決定；依該第一模糊化結果及該第二模糊化結果映射一規則庫以產生一第三模糊化結果；依一輸出歸屬函數對該第三模糊化結果進行一解模糊化運算以得出一充電率；以及將該充電率乘以一電池額定功率以決定一充電功率指令；其中該粒群演算法係利用一適應值函數來實現最小化多住宅電能管理操作成本，且該適應值函數為：其中，Cost(t)為一系統總操作成本，P_grid-buy為由一電網所購買的電能，C_buy為購電的稅率，P_grid-sell為饋入該電網的電能，C_sell為饋入的稅率，C_battery為一電池模組的成本，SOH_remain代表該電池模組的剩餘SOH(state of health；健康狀態)。
如申請專利範圍第1項所述之粒群最佳化模糊邏輯控制充電法，其中該目前電池電量輸入歸屬函數對應到五個語意參數，其中S代表小，MS代表中的小，M代表中，ML代表中的大，L代表大；該電池電量變動量輸入歸屬函數對應到五個語意參數，其中NL代表負的大，NS代表負的小，Z代表零，PS代表正的小，PL代表正的大；該輸出歸屬函數對應到五個語意參數，其中S代表小，MS代表中的小，M代表中，ML代表中的大，L代表大。
如申請專利範圍第1項所述之粒群最佳化模糊邏輯控制充電法，其中該目前電池電量輸入歸屬函數及該電池電量變動量輸入歸屬函數經該粒群演算法預先決定三個模糊子集。