1)设置粒子个数,迭代次数以及加速因子,并对粒子位置与速度进行初始化,使粒子初始位置位于限制范围内。
2)根据目标函数,计算每个个体的适应度进行评价,并对个体最优解与全局最优解进行保存。
3)初次更新粒子位置与速度。
4)计算位置和速度更新后的适应度值。
5)进行迭代运算,通过首次的个体最优解
与全局最优解对惯性权因子进行更新。之后带入
式(33)和(34),更新粒子位置与速度。
6)判断迭代结果是否满足终止条件,若满足,结束迭代并输出结果。否则返回步骤5,再次进行迭代运算。
本文采用变参数功率差控制策略,其流程图如图5所示。
图5 变参数功率差控制策略流程
3 算例分析
本文以上海某商业园区为例,对本控制策略的有效性进行分析。仿真所用日负荷预测曲线基于支持向量机算法得出[18],同时基于商业园区工作日的日负荷曲线整体相似的特点[19],得到了该商业园区的1月和10月工作日典型超短期日负荷预测曲线。
3.1 变参数功率差控制策略仿真
该商业园区源、储、荷各部分配置如下：光伏系统装机容量为3 MW;储能系统为锂电池,额定功率为1 MW,额定容量为2 MW∙h;1月最大负荷6.5 MW,10月最大负荷5.8 MW。该商业园区1月和10月的工作日典型日负荷预测曲线及该月内某日的光伏出力曲线如图6所示。
图6 商业园区1月和10月工作日典型日负荷预测曲线及光伏出力曲线
由图6可发现,10月负荷较1月负荷出现下降,但商业园区工作日的日负荷预测曲线形状相似,这与工作日的负荷曲线相似有很大关系。商业园区负荷有两个用电高峰时段,分别在上午10:30左右与下午14:30左右达到用电峰值,且峰值均会持续2~3h左右。11:30—13:00,负荷会出现短时的下降,在晚上22:00至凌晨5:00左右,负荷出现低谷。
基于该典型日负荷预测曲线,按照本控制策略的计算流程,分别计算得出：1月典型日负荷预测曲线均值Pavg=2.58 MW,放电下限P1=5.96 MW,充电上限P2=0.52 MW;10月典型日负荷预测曲线均值Pavg=2.40 MW,放电下限P1=5.21 MW,充电上限P2=0.50 MW。
基于图6中1月与10月负荷数据进行仿真,考虑采样数据的分辨率,每隔10 min对Sup、Sdown、k1、k2、k3、k4等6个参数进行更新一次。基于负荷预测曲线,以未来30 min的目标函数最优作为本区间的最优解,这样使本控制策略有了预见性和一定的全局性。
设置动态自适应粒子群算法粒子数n=50,最大迭代次数k=300,加速因子c1=c2=1.5;SOC上下
限Smin=0.2,Smax=0.8,储能系统自放电率为0,充放电效率均为100%,设定最大光伏倒送功率
约束为1 MW。依图5流程进行仿真,仿真结果如图7—9所示。
图7 变参数功率差控制策略作用下的SOC曲线
图7中可看出储能系统的SOC在整个周期内均保持在的上下边限[0.2,0.8]之间,实现了SOC变化范围的有效控制。这是因为本文方法引入6个参数变量,通过优化6个参数变量,而优化储能系统SOC区间与充放电功率,同时考虑未来30 min内的控制效果,实现对当前10 min内6个变量的滚动更新。考虑到当前储能系统成本仍然较高,而保持SOC在较优的变化范围内有利于延长储能系统的寿命,有效降低储能系统的运行成本。因此,本控制策略将有利于降低储能系统的工程成本。
