城轨交通地面储能系统的能量管理策略综述

刘宇嫣，林 飞，杨中平

（北京交通大学电气工程学院，北京 100044）

截至2020年底，中国城市轨道交通运营线路总长度达7969.7 km，总电能耗为172.4亿kWh，同比增长12.9%。其中，牵引能耗为84亿kWh，占总电耗的49%[1]。在我国建设资源节约型、环境友好型社会的大背景下，降低牵引能耗对促进城市轨道交通行业的可持续发展、实现“双碳”目标具有重要意义。

再生制动技术已广泛应用于城轨交通列车中，充分利用列车再生制动能量是降低城轨交通牵引能耗的有效手段。再生制动能量的回收利用主要有列车运行图优化、能量回馈型和能量存储型等几种方式。列车运行图优化方式通过调整运行图以增加相邻列车间的牵引与制动过程的重叠面积，达到再生制动能量直接被列车利用的目的，可以有效降低牵引能耗[2-3]。能量回馈型是指在牵引变电所配置逆变装置和升压变压器，直接将列车再生制动能量回馈到交流电网中[4-5]。能量存储型是指在列车制动时将再生能量存储在地面或车载储能装置中，并在列车牵引时进行释放[6-7]。地面储能系统可回收利用再生制动能量，实现节能、稳压、削峰和紧急牵引等功能[8]。随着储能技术的快速发展，储能方式已经成为世界上解决城轨再生能量利用问题的主流方式之一[9]。

相比车载储能系统，采用地面储能系统不会增加列车重量，同时不占用安装空间，并且具有安装灵活和开发成本低的优点[10]。选择合适的储能元件是在应用中获得最佳储能性能的关键。在设计储能系统时，需要考虑能量密度、功率密度、充放电率、持久性和全寿命周期成本等因素[11]。目前应用于城轨交通的储能元件主要有飞轮、超级电容和电池[12]。

城市轨道交通列车位置与负荷的实时变化，导致牵引供电系统的网络拓扑及参数具有时变性，使其成为一个复杂的非线性时变系统。在多列车运行工况下，列车、储能系统、变电所之间存在着复杂的能量交互。因此，无论采用何种储能元件，都需要设计合理的能量管理策略(energy management strategy，EMS)来进行充放电的管理，提升储能系统的性能[13]。

笔者首先介绍地面储能系统的组成与控制，然后对能量管理策略的国内外研究现状进行介绍和分析，最后对未来的研究趋势进行展望。

1 地面式储能系统的组成与控制

地面式储能系统一般由储能模组和变流器组成，若储能元件为超级电容或电池，则变流器为双向DC/DC变流器，若采用飞轮储能，则变流器为逆变器。本文以前者为例介绍储能系统的能量管理策略。地面式储能系统并联在直流接触网正负母线两端，通过 DC/DC变流器来控制储能系统的充放电，实现储能元件与牵引网之间的能量流动[14]，如图1所示。

图1 地面式储能系统组成Figure 1 Schematic of ground-based energy storage system

1.1 地面式储能系统的控制构架

地面式储能系统的控制可分为两层，上层为能量管理层，下层为变流器控制层，如图2所示。能量管理层获取到牵引供电系统中列车、变电所及储能系统等状态信息，以优化目标为导向，由能量管理策略计算得到控制指令，该控制指令可以为电压、电流或者功率值。在目前实际应用的系统中，能量管理层通常给出储能系统充放电的动作电压阈值，并把该阈值作为电压控制指令值送入下层的变流器控制层。能量管理策略对储能系统的节能、稳压等控制目标具有重要影响。

图2 地面式储能系统控制框架Figure 2 Control framework of ground-based energy storage system

变流器控制层根据接收到的指令值，一般采用成熟的电压电流双闭环方案得到变换器所需的PWM信号，完成对储能模组的充放电，如图3所示[15]。电压外环由牵引网电压与电压指令值的误差，通过比例积分控制器(proportional integral，PI)输出电流参考值调节牵引网网压。参考电流通过限流环节可避免储能系统过流充放电，从而得到电流指令。电流内环 PI控制器根据电流指令产生控制 IGBT开通和关断的脉冲信号。保证系统稳定性以及提高储能系统的动态性能是变流器控制策略的主要任务。

图3 电压电流双闭环控制结构Figure 3 Voltage and current double closed loop control structure diagram

1.2 能量管理策略效果的影响因素

城市轨道交通牵引供电系统是一个复杂的非线性时变系统，储能系统的优化控制会受到多环境变量、多限制条件的影响。储能系统、列车、变电所共同影响着牵引供电系统的能量流动[16]。所以，能量管理策略的设计也需要考虑三者的影响。其中，供电系统空载电压、列车运行图和储能系统容量配置对储能系统能量管理的影响最大。

1.2.1 空载电压

牵引变电所通常由降压变压器和整流机组组成，将10/35 kV高压交流电转换为750 V或1 500 V的直流电压[17]。整流机组一般采用 24脉波二极管整流，其电流具有单向流动性[18]。当列车牵引时，变电所提供电流；当列车制动时，若无邻近牵引列车回收再生制动能量，牵引网压升高，车载制动电阻启动或采取空气制动，将制动能量转换为热能进行消耗[19]。传统的能量管理策略一般以牵引网压为判据，通过比较牵引网压与充放电电压阈值的大小来判断储能系统是否充放电。但由于受城市电网的影响，牵引网空载电压并不是固定值，而是实时波动的，因此固定的充放电阈值可能导致储能系统发生“充而不放”或“无法充电”的现象[20]，所以能量管理策略的设计需要考虑空载电压这一影响因素。

1.2.2 列车运行图

列车运行图主要包括停站时间、运行时间和发车间隔3个影响因素。一般停站时间和运行时间相对固定，发车间隔受人流密度的影响而变化[21]。发车间隔对能量流动影响较大，并且存在一定规律。当发车间隔较小时，系统内列车牵引和制动过程重叠时间增大，牵引和制动列车之间能量交互增多，牵引变电站输出峰值功率较大；当发车间隔较大时，列车剩余再生能量较大，牵引变电站输出峰值功率较小[22]。发车间隔的变化会导致牵引供电系统的能量流发生变化，因此发车间隔也是储能系统能量管理策略必须考虑的因素。

1.2.3 储能系统容量配置

受到安装空间、成本等因素制约，储能系统的容量总是有限的；而储能元件的荷电状态(state of charge，SOC)范围又与其寿命相关。因此，能量管理策略与容量配置相互耦合，互相影响。设计合理的能量管理策略必须考虑容量配置的约束，而不同的能量管理策略下所得到的优化容量配置方案也不同[23]。

2 储能系统的能量管理策略

城轨交通储能系统的能量管理策略决定了不同时间段、不同状态下储能系统的工作模式以及充放电功率。目前，国内外学者为充分发挥储能系统的节能、稳压及削峰优势，对地面储能系统中的能量管理策略进行了大量研究，根据设计思路和问题目标可将地面式储能系统的EMS分为基于网压的EMS、基于列车的EMS和基于优化策略的EMS 3种能量管理策略。

2.1 基于网压的EMS

列车的牵引与制动对牵引供电网所产生的最直观现象就是网压的波动。基于网压的 EMS是通过判断网压实际值与充放电阈值间的大小关系来决定储能系统的充放电状态[24-26]。当网压高于充电阈值时，储能系统充电；当网压低于放电阈值时，储能系统放电；当网压介于充电阈值和放电阈值之间时，储能系统处于待机状态；当网压高于上限值或低于下限值时，储能系统处于停机状态。储能系统的状态转换关系如图4所示。充放电阈值对储能装置充放电能量影响明显，充电阈值过高，高于车载制动电阻启动电压时，储能装置可吸收能量减少，充电阈值过低则会影响列车间的能量交互；放电阈值越低，储能装置可放电能量越少[27]。文献[28，29]考虑了储能系统的SOC，将储能系统SOC限定在合理的范围内，避免其过充过放。

图4 储能系统充放电状态转换关系Figure 4 Charge–discharge state transition diagram of energy storage system

恒定的充放电阈值难以适应空载电压波动和发车间隔的变化，无法达到最佳的节能效果。为了解决空载电压波动而导致的储能系统充放电性能不佳的问题，文献[30]根据24脉波不控整流机组的空载特性，通过中压网络换算出空载电压值，使充放电阈值在空载电压上下波动。但由于列车的牵引和制动也会造成中压电网电压的下降和上升，所以通过此方法得到的空载电压值与实际值存在着一定的误差。

文献[31]提出一种空载电压辨识方法，如图5所示。此方法利用历史电压电流值模拟变电所输出特性，利用神经网络来预测实时的空载电压值。此方法理论上具有更高的精确性，但工程应用的实际效果还有待检验。

图5 空载电压辨识流程Figure 5 No-load voltage identification flow chart

牵引网压的变化是由变电所、列车和储能系统共同作用的结果，因此基于网压来控制储能系统充放电也成为后续能量管理策略改进的基础。基于网压的EMS主要依赖本地变电所和储能系统的状态信息来调节充放电阈值，无需获取周边储能、变电所和列车的状态信息。该策略能在一定程度上达到节能稳压的效果，并且实现方式简单可靠，在实际工程中得到广泛应用。但此策略由于仅以网压为判据无法解耦列车运行工况与变电所之间的能量流动关系，难以适应牵引供电系统负载变化。

2.2 基于列车运行状态的EMS

储能系统的核心作用是回收列车的再生制动能量，所以列车运行工况的变化是储能系统工作状态转换的根本依据。基于列车运行状态的EMS结构如图6所示，其能量管理系统除了考虑变电所和储能系统状态外，还需加入列车运行工况作为能量管理的判据。目前，对基于列车运行状态的 EMS研究主要分为两类，一类是基于储能系统邻近列车的运行工况，还有一类是基于事先确定的列车运行图的变化规律。

图6 基于列车运行状态的EMS框架Figure 6 EMS frame diagram base on train operation status

文献[32，33]为优化节能效果、最小化线路压降，根据列车速度计算得到可释放的最大制动能量，并以此为依据动态调整电压阈值。文献[34，35]为最大化再生制动能量回收，避免车载制动电阻启动，通过列车实时功率、位置信息动态调节充电电压阈值。这几种方法更适用于单列车运行工况，当储能系统邻近站间存在多辆列车时，难以考虑列车交互与储能系统吸收之间的耦合关系。文献[36，37]则研究了不同发车间隔下，供电系统能量与功率的流动关系，将发车间隔作为已知条件，动态调节充放电阈值，可有效解决发车间隔波动的问题。

基于列车运行状态的 EMS能更全面考虑列车、变电所和储能系统的运行状态，有利于提高再生制动能量的利用率。该能量管理策略的实现除了需要已知本地变电站和储能系统信息以外，还需获得移动列车的状态信息或者列车数据中心的实时信息，在一定程度上增加了系统应用的复杂度。此外，该策略在考虑线路上多车运行工况时，往往仅以列车运行图作为输入条件，但在实际中还需考虑司机驾驶习惯、列车运行时间误差等不确定因素的影响。

2.3 基于优化策略的EMS

上述方法都是从直观经验出发，并考虑主要的影响因素，提升能量管理策略的效果。还有研究者在建立完整数学模型的基础上，以某种性能指标为优化目标，通过最优化求解方法，期望得到全局最优解。

文献[38]建立了双车运行模型，将储能系统的最优控制问题看作一个经典的等周问题，通过欧拉—拉格朗日方程求得解析解。在此基础上，文献[39]建立了变电站输出能量和线路损耗最小化的目标函数，通过拉格朗日乘子求得最优解。文献[40]为最小化变电站输出能量，以最小化变电站电流均方根为目标来跟踪储能最优电压指令。文献[41]提出了一种基于动态规划的混合储能系统运行优化策略。然而由于牵引供电系统拓扑结构随列车的移动实时变化，动态规划无法实现在线最优控制。此外，由于系统模型和电路参数误差使得理论解在实际运行中与理想结果存在一定的差距。随着控制系统计算能力的提升，采用机器学习等人工智能方法成为地面式储能能量管理策略研究中的新思路。文献[42]利用神经网络预测地面储能系统 SOC最小状态，通过调节阈值来跟随储能系统的SOC，保证其在列车制动时能最大化回收再生制动能量。文献[43]通过神经网络模糊控制，以储能SOC和列车与储能之间的距离作为输入量实时调节充放电阈值。还有学者利用强化学习等方法，实现储能系统的全局最优控制[44-45]。图7为基于强化学习的储能系统能量管理示意图。控制代理通过与环境之间的交互，实时学习储能系统的充放电规则。通过强化学习，控制主体(相当于控制器)观察某一时刻的环境状态，并通过试错行为获得能表示状态相对价值最大奖励累积值。一般来说，当被控对象(环境)的状态转移概率未知或人类专家知识不足时，通常很难用建模的方法来描述控制规则。但通过强化学习，不用建立精确的环境模型，可以利用反复试错所获取的奖励值来不断更新控制规则。

图7 基于强化学习的EMS框架Figure 7 EMS frame diagram based on reinforcement learning

通常，强化学习中的环境模型被定义为(S，A，R，P，γ)。其中，S表示一组状态，A表示一组动作，R表示奖励函数，P表示转移概率集，γ表示贴现率。代理在t时刻观察环境状态st，根据策略πt输出一个动作at。环境转换到状态st+1，代理根据转换获得奖励rt+1。基于这个奖励，代理更新策略π。

文献[44]利用时序差分学习来获取充放电规则。其迭代更新公式如(1)所示。

文献[45]建立了节能率和稳压率的优化目标，利用Q学习算法来获取代理策略，其迭代更新公式如式(2)所示。

基于机器学习的能量管理策略可以获得近似全局最优的策略，使储能系统在复杂多变的牵引供电系统中实现最优控制成为可能。但该能量管理策略也具有维数灾难、训练时间长、落地应用困难等问题，还需进一步改进与解决。

本文通过上述分析对比，对这3种能量管理策略的优缺点进行了总结，如表1所示。

表1 3种能量管理策略的优缺点Table 1 Pros and cons of the three EMSs

3 能量管理策略研究展望

3.1 多储能系统协调控制

目前大部分文献所研究的对象是单个牵引变电站内的地面式储能系统，但实际应用中一条线路会配置多套储能装置，构成复杂的“牵引网—列车—储能系统”耦合关系。

对于多储能系统协调控制可以分为集中控制和分布式控制两种结构[46]。集中式控制结构是通过中央能量管理系统对每个单独的储能系统进行统一管理[47]，随着储能系统数量的增加，对中央能量管理系统的计算速度要求急剧上升，其控制复杂性也会急剧增加[48]。相比于集中式控制结构，分布式控制结构下各储能系统独立决策，通过储能系统间的信息交互完成能量管理[49]，具有较高的鲁棒性，能有效解决实时性问题。文献[50]提出了集中—分布式牵引供电系统的智能能量管理结构，然而该文献只对多储能能量管理提出设想，并未对具体控制算法进行详细探讨。文献[51]提出多储能系统分布式协调控制策略，建立了多储能系统决策的合作式马尔科夫博弈模型，采用基于值解耦网络的多储能系统协调控制方法，通过“集中学习，分散控制”的方法实现各储能系统的独立决策，如图8所示。多储能系统如何协调配合使全线路节能效果最优，是当前需要探讨的重要课题。

图8 多储能系统协调控制示意Figure 8 Coordinated control diagram of multiple energy storage systems

3.2 车-地储能协调控制

目前，大部分研究工作对地面或车载储能系统进行单一的考虑，随着再生能量回收技术的发展，越来越多的城轨列车取消制动电阻；通过配置车载储能系统，与地面储能系统协同进行再生能量回收成为消除再生失效的重要手段。随着轨道交通通信技术的发展，车载与地面储能系统的互联协调运行也将是城轨交通储能应用的重要趋势。同时引入车载和地面储能设备，对整个系统进行顶层设计，开展二者协调控制等方面研究，发挥车、地储能系统各自优势，进一步提高再生能量利用率，可以完全或接近完全消除再生制动失效的发生，车-地储能系统协调控制示意图如图 9所示。目前针对车-地储能系统协调控制的研究较少。日本三菱公司[52]建立了车载储能与地面储能系统协调控制的框架，利用车载储能系统在线预测列车功率，实时优化车载储能系统充放电时间，从而防止列车再生失效的发生。文献[53]提出了一种车-地储能系统协调控制策略，根据不同工况下地面储能系统和车载储能系统的阈值变化规律来合理分配功率，以此来降低再生失效率。

图9 车-地储能系统协调控制示意Figure 9 Coordinated control diagram of on-board and ground energy storage systems

4 结论

地面储能系统能量管理技术的发展和成熟，将更有利于其推广与应用。本文根据设计思路和实际应用中的特点将能量管理策略划分为基于网压的EMS、基于列车状态的EMS和基于优化策略的EMS 3种策略。目前，在实际应用中地面储能系统大多采用基于网压的EMS。随着通信水平、数据处理速度的提升，在今后基于列车运行状态的EMS和基于优化策略的EMS将会更具吸引力。最后，在单站储能系统 EMS研究的基础上，对多储能系统协调控制和车-地储能系统协调控制未来的发展趋势和研究方向进行了展望。