能源区块链环境下基于BAS-PSO 的风储联合系统经济效应价值分析模型研究

刘吉成，郑文青，王慧慧

（1.华北电力大学经济与管理学院，北京 102206；2.新能源电力与低碳发展研究北京市重点实验室（华北电力大学），北京 102206；3.同方知网（北京）技术有限公司，北京 100192）

随着经济的快速发展，电网用电负荷日益增长导致电网调度受到了极大的冲击［1-3］，发展可再生能源迫在眉睫。其中，以风电为代表的清洁能源因其清洁无污染、技术成本低等特点在中国得到快速发展。然而由于风力发电的波动性与随机性等问题［4］，能源利用率已成为发展风电的主要挑战，在此背景下基于能源区块链和储能的风储系统应运而生。能源区块链以其特殊的去中心化结构和共识机制，在深度融合其他数字技术的基础上实现多能源主体的协同合作，提高能源利用率，而利用储能装置可以有效减少由风力发电造成的多种扰动［5］。但是，当前风储系统大规模应用时十分容易受到系统运行成本的制约［6］。因此，为了提高能源利用效率、达到最优的系统经济效应，将能源区块链和储能引入风电系统并探究能源区块链环境下风储联合系统的经济效应价值分析尤为重要。

开展风储联合系统经济效应的价值分析研究，可以为提升系统整体的经济价值提供理论依据。然而关于风储联合系统的研究大多集中在促进风电并网的积极意义上［7］，而对经济效应的研究主要集中在三个层面。首先，在风储系统构建的基础上，研究系统收益对不同风储系统经济性因素的敏感程度。鉴于此王刚等［8］构建了含有多种资源的园区综合能源系统优化调度模型，分析天然气价格的变动与系统收益间的内在关系。李广洋等［9］则以新能源补贴退坡及建设配套储能系统为研究对象，分析项目的收益率与选取的项目造价、年有效利用小时数等变量之间的关系；其次，提升风储系统的经济效应更多涉及到储能容量配置，因此更多学者从优化储能容量配置的角度，寻求提升系统经济效应的模式。俞晓冬等［10］分别从电网侧、可再生能源侧以及用户侧角度出发，构建满足不同目标的储能容量配置模型。沈子奇等［11］在原有蓄电池寿命模型的目标中计入储能电池更换成本；最后，智能算法的学习能力与自适应性对风储联合系统运行的优化效果显著，部分学者在储能容量配置的基础上结合智能算法优化系统运行结果，提升系统效益。夏新茂等［12］采用改进型量子遗传算法，以内点法将约束问题转化为非约束问题，提高全局寻优能力,降低储能系统经济性成本。Yang 等［13］利用基于分层排序方法的改进蚁群算法，寻找储能容量目标函数下的最优解。

综上，学者们从风储系统经济效应的影响因素分析到风储系统的系统优化层层深入地进行了研究，但更多的是对风储系统的经济效应影响因素和容量配置进行研究，而风储系统经济效应研究与智能算法、信息技术的结合还处于起步阶段。这是因为目前风储联合系统经济效应的研究大多受限于传统的电力系统环境中。

随着互联网和数字技术的发展，风储联合系统与数字化、信息化的结合越来越密切，数据资产和新型电力系统结构成为风电产业炙手可热的新发展优势，因此影响系统经济效应的关键因素逐渐发生变化。其中，以融合其他多种信息技术为特点的能源区块链近年来逐渐被风电产业所认可，其信息安全技术、能量控制管理等方面的设计，推动了风储联合系统的结构化改革，促进了能源主体一体化的自治生态模式发展。杨锡运等［14］基于异构能源区块链的结构模式设计了一种综合能源系统交易模型，利用智能合约建立了基于价格约束的匹配拍卖机制，保障了清洁能源用户的供能优先级和交易的可靠性。朱西平等［15］研究了区块链视角下各能源主体的储能优化配置模型，通过配置合适的储能系统尽可能地实现自给自足。通过在电力系统中的不同实践，证实了能源区块链下的风储联合系统可以有效解决传统集中资源配置带来的效率低下、隐私安全等问题。通过算法优化经济效应价值分析模型是十分必要的，但是许多智能算法在计算效率和适用性上存在一定的局限，有待进一步改进。

因此，本文充分考虑电力系统发展的信息化趋势，在考虑结合信息化技术与智能算法的基础上，提出一种能源区块链环境下基于BAS-PSO 的风储联合系统经济效应价值分析模型。首先，在对能源区块链及风储联合系统进行论述的基础上构建能源区块链环境下的风储联合系统及运行模型。然后，从风储联合系统的经济性角度出发，以系统运行收益为目标，考虑电池损耗对系统的影响，提出了风储联合系统经济效应价值分析模型。同时，选择粒子群算法（particle swarm optimization,PSO）与天牛须搜索算法(beetle antennae search,BAS)混合的BASPSO 组合算法优化系统运行过程，计算出风储系统在考虑和未考虑电池损耗成本情况下的系统收益和损耗成本。通过运行方式对比分析和敏感性分析，验证模型的有效性，以期为风储联合系统的经济效应价值分析研究作出理论与实践贡献。

1 能源区块链环境下的风储联合系统

1.1 能源区块链背景

随着新一代信息技术的发展和应用，区块链作为一种新型数据结构形式于2008 年被正式提出［16］，区块链可以通过去中心化和去信任的方式实现数据自主管理［17］。目前，区块链技术在能源领域已经成为一个现实的前景［18］，“能源区块链”的概念应运而生，它主要具有以下四大特征：信息共享的能源交易环境、协同自治的运行过程、能源主体的去中心化模式以及基于加密技术的可信任机制［19-20］。目前，基于底层云计算设备的支持，能源区块链主链由源端、储能、电网、售电和用户这五个能源主节点构成。各个节点基于统一的共识机制进行基础的运作，并在智能合约的基础上相互合作交易。每一个区块主体都享有查看区块信息的权力，因此各个能源主节点可以实现在信息共享环境下的协同合作。能源互联网的基本框架图如图1 所示。

图1 能源区块链基本框架

能量管理、协调控制和能源应用构成能源区块链的三个层次，其层次架构关系如图2 所示。链条中的利益主体根据需求选择能源服务，进而推动能源交易和能源调度，形成能源服务、能源交易和能源调度的良好循环。利益主体的行为触发协调控制层中的各种机制判断主体行为的合理性，并在能量管理层进行相应的能量数据记录。

图2 能源区块链关系

能源区块链以“协同合作，安全自治”为核心，以实现整体利益最大化作为最终目的，围绕“清洁能源、分布式、合作、智能”4 个关键词，不仅影响了能源系统的运作架构，还极大地提高了能源的利用效率，避免了原有格局中信息不对称带来的交易成本。其活跃的能量流动促进了消纳问题的解决，推动了消费模式的多元化发展，使各种能源可以更高效地生产、消费、互换、交易。

1.2 能源区块链环境下的风储联合系统

传统的风储联合系统难免存在因信息不对称导致的信息滞后、电力资源浪费等问题。因此，本文提出基于能源区块链的风储联合系统，由分布式风电机组、储能系统、用户和外部电网组成，如图3所示。通过区块链条贯穿整个系统运行过程，协同系统中的信息流与能量流，促进系统中各主体协同合作。

图3 基于能源区块链的风储联合系统

当风电机组发电供能时，电能流向电网，其发电信息写入区块链条并传递给电网。当用户负荷已满足或用电需求处于低谷的信息，将此信息反馈给风电机组，风电机组将剩余的电能转存到储能系统中［21］。当储能系统读取到用户负荷无法被满足或用电需求处于高峰的信息，储能系统将调动存储的电能供给用户。信息随着能量流动在区块链条中进行传递和存储，能量流随着信息传递而调度，在能源区块链下的风储联合系统中，信息传递的及时性就是能量调度的及时性，达到“削峰填谷”的效果。

2 风储联合系统运行模型

2.1 储能系统运行模型

储能系统的运行主要包括储能的充放电部分和电池损耗部分。

（1）储能充放电模型。风储联合系统中储能充放电模型由充电和放电两部分组成。电池电荷状态和充电/放电之间的关系如式（1）所示。

同时，储能充放电时应满足储能设备的功率约束。系统充电时，储能设备的功率应满足：

为防止储能电池的充电过度或是放电过度对电池的性能造成损害，能源区块链的协调控制机制将在智能合约中写入需要控制的系统荷电状态，确保其数值范围应满足以下条件：

（2）电池损耗模型。实际储能系统运行过程中电池需要频繁地进行不同深度的充电、放电，难以简单地通过充放电深度去估计储能电池寿命［1］。因此，为了综合考虑上述各类因素对储能电池使用寿命的影响，本文采用电池吞吐量评估法对电池寿命的损耗进行评估，计算方法如式（5）。

图4 损耗系数和SOC 值关系

基于此，为了控制储能电池的出力情况，避免因其功率变动幅度过大而对电池造成损害，使得使用周期降低甚至减少系统的经济价值，能源区块链中的智能合约同样对储能电池的功率变化范围限制如下：

2.2 外部电网运行模型

在风储联合系统中，电网和用户之间的电能交易模式是：

2.3 风电输出模型

在风储联合系统中，如图3 所示，风电机组的输出功率可以表示为用户负荷与转存电能的和，如式(11)所示 。

3 风储联合系统经济效应价值分析模型及求解算法

3.1 经济效应目标函数

风储联合系统的经济效应受风电机组效率、储能系统运行效益等方面的影响。其中，储能系统作为风储联合系统的核心部分，其运行效益对风储联合系统的经济效应起到决定性作用。在储能系统运行过程中，产生的成本主要由运维成本及电池损耗成本构成。目前，电池损耗作为储能系统的主要成本在储能系统运行优化中的研究相对较少。因此，本文也将重点考虑电池损耗在风储联合系统经济效应价值分析中的影响，以系统的运行收益最大化为优化目标，建立经济效应价值分析模型，目标函数如式（12）所示。

3.2 基于BAS-PSO 的求解算法

3.2.1 粒子群算法（PSO）

PSO 在搜索空间中设置仅有速度和位置属性的无质量粒子，每个粒子凭借自身的速度和位置独立寻找最优解，通过将个体极值的信息在粒子群体内共享，找到所有粒子中个体极值最优的粒子［23］。粒子的速度和位置的公式如下：

3.2.2 天牛须搜索算法（BAS）

BAS 算法是于2017 年提出的启发式仿真优化搜索算法［24］，通过模拟天牛寻找食物的过程寻找目标函数的最优解。天牛主要利用自身的长须感知食物的气味，从而控制行动方向和距离以搜索食物的实际位置。其优势在于在搜索过程中个体数量少，消耗的搜索成本也很小，比较适用于低维度问题的寻优过程，而且在没有目标函数和具体梯度的信息下可以实现高效地自动寻优。如图5 所示，质心的两侧是天牛的两须，天牛的运动步长与两须之间距离的比值固定不变。

图5 天牛须基本结构

随着天牛的位置发生移动，其左右两须的朝向也会改变，定义如下：

3.2.3 基于天牛须思想的改进粒子群算法（BASPSO）

通过将天牛须搜索算法与粒子群智能算法进行结合，得到BAS-PSO 算法。每一个粒子可视作一个天牛，其初始位置和速度的设定过程与标准PSO 的过程相同，结合天牛须搜索算法的搜索思想，在增加群体中每一个个体本身对环境空间的判断基础上，通过比较每一次迭代期间左右须所对应的适应度函数值，确定更优的结果，从而得到更新后的天牛群的方向和坐标。BAS-PSO 优化算法的计算流程如图6 所示。

图6 BAS-PSO 优化算法流程

（4）完成迭代过程后，可得到全局最优解和最优解所在位置。

4 算例分析

4.1 基础数据及参数设置

针对某地区居民用户历史负荷曲线和电价曲线，分析风储系统运行过程的具体经济效应价值。该地区采用峰谷分时电价，其中基本风电价格（平段电价）为0.61 元/(kW·h)，低谷电价为0.34 元/(kW·h)，峰谷电价为1.04 元/(kW·h)，电价峰谷差为0.7 元/(kW·h)，容量电价为33 元/(kW·月)，储能系统参数及运行成本、收益参数如表1 所示，该地区的日负荷曲线和峰谷电价曲线如图7 所示。

表1 系统参数

图7 分时电价及用电负荷曲线

4.2 算例结果分析

4.2.1 基于电池损耗和运行方式的风储联合系统经济效应价值分析

利用BAS-PSO 算法对风储联合系统经济效应价值分析模型进行优化，根据前文提供的储能系统的各个参数，计算系统运行的收益和成本损耗情况，对比三种优化方式下模型的收益结果。其中，未经智能算法优化的储能系统按照每天充放电各4 小时运行，深度充放电能力为85%。经过优化的储能系统按照得到的出力曲线运行。计算系统收益及损耗情况如表2 所示。

表2 系统收益及成本情况

由表2 可知，损耗成本对储能系统的经济效应价值产生的影响很大。无论是否采用智能算法对储能系统运行方式进行优化，都能明显看到储能系统在考虑损耗的情况下最终收益值要小于没有考虑损耗成本情况的收益值。通过计算可知，在采用BASPSO算法优化、PSO算法优化以及未经优化的情况下，损耗成本分别占储能系统年收益的10.9%、11.6%和12.8%，该比例处于10%～13%，也就是说，储能系统运行产生的全部收益中，将有10%～13%因此系统成本损耗而浪费，因此，应当对储能系统的损耗成本进行估算，以优化储能的运行方式，进而提高储能系统的经济效应价值。

此外，对比几种算法优化的情况下日收益、年收益以及损耗成本可知，经过BAS-PSO 算法优化的储能系统得到的日收益和年收益最大，由系统造成损耗成本占比最小。未经算法优化的储能系统得到的日收益和年收益最小，由系统造成损耗成本占比最大。PSO 算法优化后的储能系统得到的收益和成本位于上述两种情况之间，这反映了本文提出的BAS-PSO 算法在一定程度上解决标准粒子群算法寻优能力不足的问题，使其具备更好的全局寻优能力。

4.2.2 对比分析

为了更好地分析BAS-PSO 算法和PSO 算法对储能系统运行优化程度的差异，在考虑系统损耗的条件下，对未经优化、PSO 算法优化以及BAS-PSO 算法优化的系统负荷曲线和去除储能出力影响的合成负荷曲线进行比较。三种情况下的负荷曲线和合成负荷曲线如图8 至图10。由图像可知，经BAS-PSO算法优化的储能系统的合成负荷曲线最平滑。为了便于准确直观地评估储能系统“削峰填谷”的效果，此处选取计算合成负荷标准差的方式描述曲线波动情况，通过计算得到三种方式下储能系统的合成负荷曲线的标准差分别是182.25、188.30 和215.28。由结果可知，经优化后的合成负荷曲线波动幅度要远小于未经优化的情况，其中，BAS-PSO 算法的合成负荷标准差是最小的，产生的“削峰填谷”效果也是最好的。

图8 BAS-PSO 算法优化后合成负荷曲线

图9 PSO 算法优化后的合成负荷曲线

图10 未经优化的合成负荷曲线

SOC 曲线描述了风储系统中电池剩余容量的状况，一般来说，SOC 值在大于0.5 时，储能电池容量的使用效率更高。系统在三种算法优化情况下的SOC 值曲线变化如图11 至13 所示，由图可知，经BAS-PSO 算法所得的SOC 曲线峰值更大，且SOC值处于0.5 以上的区间更宽，这种运行方式能够有效提高对电池容量的利用率，进而提高因峰谷电价差带来的收益，随着储能电池的SOC 值长时间维持较高水平，有助于减少因荷电状态造成的电池损耗，降低损耗成本，提高系统经济效应。

图11 BAS-PSO 算法优化后的储能系统SOC 曲线

图12 PSO 算法优化后的储能系统SOC 曲线

图13 未经优化的储能系统SOC 曲线

4.2.3 敏感性分析

敏感性分析从参数设置方面分析、验证风储系统经济效应价值分析模型设计的合理性和可靠性。本文通过对储能系统最大充放电功率、充放电效率η和储能系统荷电状态最大值设置不同的参数，对比分析经济效应价值分析模型的运行效果。

从表3 中可以看出，当储能系统最大充放电功率为0.5、充放电效率为0.9、储能系统荷电状态最大值时，模型的预期年收益得到最大值68.5。整体来看，储能系统最大充放电功率为500 时，预期年收益大于60 的情况最多。

表3 敏感性分析结果

表3（续）

当储能系统最大充放电功率为700 时，虽然每次系统可充放的电量更大，但对电池的损耗也更大。同时，当充放电效率和储能系统荷电状态最大值越大，对电池造成的损耗也越大，系统维护成本逐渐增高，预期年收益越小。因此，当充放电效率和储能系统荷电状态为0.9 时，预期年收益反而小于参数为0.8 的情况。当储能系统最大充放电功率为300时，储能系统最大充放电的功率最小，系统的充放电相对受到限制，因此当充放电效率和储能系统荷电状态最大值越大时，其预期年收益越大。但因为最大充放电功率较小，所以对电池造成的损耗也相对较小。

5 结论

本文在考虑能源区块链的特性与风储联合系统内涵的基础上，构建了能源区块链的风储联合系统。从风储系统的经济性角度出发，以系统运行收益为目标，构建了风储系统经济效应价值分析模型，并重点考虑电池损耗在系统经济效应价值中的影响。同时，采用基于BAS-PSO 的算法对储能系统运行过程进行优化，计算出储能系统在考虑和未考虑电池损耗成本情况下的系统收益和损耗成本。通过运行方式对比分析和敏感性分析，验证了算法的有效性，系统参数设置的合理性。本文模型能够实现系统收益的最大化效果，同时可以保护储能系统的电池，有效控制系统维护成本。因此在大力开展储能系统建设时，应当对电池损耗的影响因素进行全面分析，以减少系统损耗成本，提高风储系统的经济效应。本文所建立的模型能够实现优化系统经济效应的同时保护储能系统的电池，有效控制系统维护成本。为风储联合系统的运行优化、价值增值等方面提供一定的参考。