蒋伟,陈照光,颜浩
(上海电力大学 电子信息与工程学院,上海 200090)
随着社会的不断发展,用电需求不断增加,人们对环境问题的越来越关注。光伏能源、风能等成为了能源发展的必然趋势[1]。目前,居民用电量的比重越来越大,但用电效率比较低。为了提高用户侧用电效率,家庭能源管理系统(Home Energy Management System, HEMS)成为国内研究的热点。
家庭能源管理系统是作为智能电网在用户侧的延伸,利用主控制器采集设备工作信息,完成对用电设备的控制和调度,在满足用户舒适水平的前提下,减少电能消耗[2-3]。文献[4-5]以用电费用和用户舒适度为优化目标,建立智能家庭能源优化控制模型,通过智能算法求解。但是优化模型没有计及储能投资成本带来的影响。文献[6]将家庭储能分为充电组和调度组,将蓄电池的充放电造成的折旧成本考虑在内,提出了一种基于双蓄电池组的家庭可再生能源日内实时优化策略。但文中没有考虑不同储能电池的特性对模型的影响。文献[7]提出了一种家用电动汽车退役动力电池梯次利用于家庭储能的容量优化配置方案,综合考虑梯次储能的投资成本,以用户投入最少为目标函数。文献[8]与传统家庭储能系统不同,提出一种基于能量云的新型电力调度架构,不再考虑用户的对储能电池的初始投资,用户只需支付对储能的租借费用,以电力成本最小为目标,建立优化模型。但没有对求解模型的算法的优劣作对比。文献[9]根据液流电池和锂电池的特性分别用以补偿混合储能总功率指令的高频部分和低频部分,以微电网购电费用和联络线功率波动两者最小为目标建立多目标优化模型。但多目标模型中没有考虑储能设备充放电过程中的折旧损耗。
针对家庭能源管理系统中的储能投资成本高的问题,在以上文献的基础上,文中利用不同储能电池的特性,提出了配置混合储能的家庭能源管理系统模型,并提出一种改进的人工蜂群算法对模型求解。最后对分别采用配置单蓄电池和混合储能方案的家庭能源管理模型,进行经济性对比分析,验证所提储能配置模型和算法的有效性。
家庭能源管理系统是由家用电器主控制器、光伏发电系统、储能设备、智能设备、智能电能表等组成,通过家庭能源管理控制中心进行合理调度提高系统运行的经济性[10-12]。系统拓扑图如图1所示。
图1 家庭能源系统拓扑图
根据家庭用户中负荷的特性,总体可分为刚性负荷和柔性负荷两大类,刚性负荷不参与用电调度过程,在用户需用时,没有时间延迟。对于柔性负荷可分为可中断负荷和不可中断负荷,如电饭煲、热水器、空调等[13]。
将一天划分为H个连续时间间隔,每个时间间隔为Δh=24*60/H。a用来表示家用电器的编号。Sa(h)表示家用电器a的在h时刻的工作状态,h∈{1,2,…,H},当Sa(h)=1时,用电电器a在h时刻启用;当Sa(h)=0时,用电电器a在h时刻停用。[αa,βa]表示用电电器a完成工作所允许的时间范围。da表示用电电器a完成工作任务所用的时长。
(1)
(2)
为了简便计算,对于柔性负荷,当停用时,负荷功率为零;当启用时,负荷功率为Pa。因此所有家庭设备所消耗的计算功率为:
(3)
式中Pndef(h)为刚性负荷在h时刻消耗功率;A为柔性负荷的个数;Papp(h)为所有家用设备在h时刻消耗功率总和。
储能设备在家庭能源系统中,不仅能够消纳多余的光伏能源,也能够根据实时电价信息,在低电价时段,从大电网购电存储储能设备中;在高电价时段,由储能设备供电给用电电器[14]。储能设备充放电过程的折旧损耗与储能的等效循环次数有关,决定储能设备的寿命时长,进而影响家庭能源系统运行的经济性[15]。不同储能设备动态折损损耗计算公式为:
(4)
(5)
式中ECn(h)为储能设备n在h时刻损耗剩余容量;SOHn,ini为设备n初始使用的寿命水平值;SOHn,end为设备n退役时的寿命水平值。
储能设备n的荷电状态SOC可表示为储能电池的剩余能量与损耗剩余容量的比值,具体公式为:
(6)
SOCn,min≤SOCn(h)≤SOCn,max
(7)
(8)
(9)
式中Un(h)表示储能设备n在h时刻的充放电状态,当Un(h)为1时,储能设备n处于充电状态;当Un(h)为0时,储能设备n处于放电状态;在任意时刻,储能设备n充放电功率应满足以下限制约束。
在满足用户用电需求的同时,也要保证用户每天用电费用最低,其包括每天购电费用、储能设备每天的投资费用、光伏系统每天的投资费用、光伏发电补贴费用及多余光伏的售电费用。具体公式如下:
(10)
为了使家庭能源管理系统稳定运行,须满足一些约束条件。家庭能源管理的调度问题的约束如下所示:
(1)等式约束。在用户、混合储能系统和电网之间要满足功率平衡。表示为:
(11)
(2)不等式约束。如式(7)~式(9)所示。
人工蜂群算法可以解决线性和非线性以及离散与连续的多目标、多约束的问题[16-18]。传统的人工蜂群算法的采蜜蜂阶段和跟随蜂阶段有着相同的搜索策略,具有良好的全局搜索能力,但与其他智能算法有着类似的缺陷,局部搜索能力弱,收敛速度慢。为了提高的算法性能,文中提出在跟随蜂阶段引入差分进化的变异、交叉和选择算子。此算法在保留人工蜂群算法良好的全局搜索能力的前提下,提高局部搜索能力及加快收敛速度,对家庭能源管理系统模型求解。
采蜜蜂根据搜索公式寻找储能设备n的容量配置、家用设备的用电时段和储能设备在每个时段的充放电功率。
x′i,d=xi,d+φi,d(xi,d-xk,d)
(12)
式中i,k∈{1,2,…,SN},且i与k互斥,SN为种群的大小;i∈{1,2,…,D},D为变量个数。Фi,d∈[-1,1]且为随机数。
由采蜜蜂阶段搜索到的蜜源位置,通过信息共享,跟随蜂按照概率公式选择蜜源。为了提高跟随蜂的搜索能力,引进差分进化算子。
3.3.1 差分进化的变异算子
对于目标个体 ,从当前代随机选择3个互不相关的个体进行变异,具体公式如下所示:
(13)
式中r1,r2,r3∈{1,2,…,SN}是随机产生的整数且满足i≠r1≠r2≠r3,F∈[0,1]为缩放比例因子。
3.3.2 差分进化的交叉算子
对目标个体xi和变异个体vi,进行交叉得到实验个体wi,具体公式如下所示:
(14)
式中CR∈[0,1]为交叉概率;Drand∈{1,2,…,D}为随机固定值。
3.3.3 差分进化的选择算子
经过交叉操作阶段后,得到新的个体与当前的个体的效用值做对比,效用值大的个体将保留下一代。
(15)
式中WG(wi)为个体wi的效用值;WG(xi)为个体xi的效用值。
由当采蜜蜂和跟随蜂阶段搜索完整个空间时,当一些蜜源在迭代过程中没有得到改善,则将丢弃蜜源并将对应的蜜源的采蜜蜂转变为侦察蜂,侦察蜂通过式(16)继续搜索。
(16)
图2 改进人工蜂群算法流程图
以一个带有各种用电设备的典型家庭为案例进行研究,仿真将一天作为调度周期并划分为48个时间段。铅酸蓄电池和锂电池的基本参数如表1所示。选取典型日的光伏、家用设备用电及实时电价信息的初始数据如图3所示。
表1 储能设备基本参数
图3 输入参数的初始数据
为验证配置混合储能系统对家庭用户经济性产生的影响,将分别对含单储能和混合储能的家庭能源系统两种情况进行优化及分析。具体情况如下:
(1)情况一:配置铅酸蓄电池的家庭能源系统优化结果及分析。为证明所提出算法的优点,将其与传统人工蜂群算法、粒子群算法分别应用于该模型中,进行比较分析。设初始种群为40,最大迭代次数为200。铅酸蓄电池的配置结果和用户每天用电费用如表2所示;各算法的收敛特性曲线如图4所示。
表2 单储能模型的寻优结果
图4 各算法的收敛特性曲线
从表2可以看出,文中算法同其他算法优化结果相比,其效果更为明显。在用户每天用电费用方面,文中算法相比粒子群算法和人工蜂群算法分别低1.6元和0.5元。从图4中可以看出,文中算法在模型求解上,收敛速度快,迭代次数大约在58次左右就能获得最优值;从图中也可以看出不易陷入局部最优,寻优效果更好。
(2)情况二:配置铅酸蓄电池及锂电池组合的家庭能源系统优化结果及分析。三种算法的优化结果如表3所示;各算法的收敛特性曲线如图5所示。
表3 混合储能模型的寻优结果
图5 各算法的优化结果
从表3和图5可以看出,文中所提算法与其他算法比较,都能找出更小值。通过和表2比较分析,用相同算法求解模型时,在用户每天用电费用方面,配置混合储能的家庭能源系统其值更小。以文中算法求解配置混合储能和单储能的两种家庭能源系统模型的优化结果作比较,前者比后者用户每天承担费用少5.2元。原因由表1的储能设备参数可知,锂电池和铅酸蓄电池相比较,前者等效循环次数大,在储能充放电过程折旧损耗相对后者小,因此延长锂电池的寿命时长。但前者单位容量费用和单位功率费用相对后者大,初始投资费用高。而配置单储能的家庭能源系统因等效循环次数小或因单位容量和单位功率费用高的问题增大用户每天承担费用,因此利用混合储能电池各自特性配合调度以提高经济性,调度结果如图6和图7所示。
图7 混合储能充放电功率和荷电状态
从图6和图7可以看出,在低电价时段部分柔性负荷转移此时段,在光伏能源不能满足供电需求时,将从电网购电,一部分满足负荷用电,另一部分存储到储能设备中,如在00:00~4:00时段。在高电价时段部分柔性负荷将转移,当光伏能源充足时,首先用光伏供电;当光伏能源不足时,由混合储能和电网两种方式供电,如6:00~8:00和15:00~16:00时段。当光伏能源多余时,低售电价时段多余光伏存储混合储能设备中;高售电价时段多余光伏出售电网,如8:00~15:00时段。
为验证所提算法能稳定求解文中配置混合储能模型,取各算法运行30次的运行结果进行对比分析,分析结果见表4。平均优化耗时为算法求解模型30次时,平均每次计算时长。平均迭代次数为算法找到最小适应值的迭代次数总和的平均值。寻优比率为算法找到最小适应值次数与总次数的比率。
表4 各算法的性能参数
从表4中可以看出,在迭代次数方面,和粒子群算法及传统人工蜂群算法相比,文中算法稳定在55次左右明显小于其他两种算法,运行耗时上,文中算法只用了16.3 s,明显更优,且文中算法寻优比率较其他算法更高。因此,可以得出,文中改进的人工蜂群算法可以有效求解配置混合储能的家庭能源系统模型,而且具有快速收敛到最优解,寻优效率高的特点。
(1)文中以用户每天用电费用最低为目标建立含混合储能的家庭能源系统模型,采用改进的人工蜂群算法求解。并与含单储能的家庭能源系统相比,结果表明,前者经济性更有优势;
(2)针对传统人工蜂群算法收敛速度慢、局部搜索能力弱的问题,文中引入差分进化交叉、变异和选择算子。此方法增加种群多样性,提高局部搜索能力,使算法跳出局部最优解,提高了收敛速度。