一种基于参数优化的微网混合储能系统剩余功率分解方法与流程

1.本发明属于光储微电网混合储能系统领域，具体涉及一种基于参数优化的微网混合储能系统剩余功率分解方法。


背景技术：

2.近年来，可再生能源如光伏、风电等在分布式微电网中渗透率不断增加，但大部分可再生能源易受天气、温度和湿度等环境因素影响，导致其能量供应具有波动性、随机性和不可预测性的特点，给系统的功率平衡以及电能质量带来较大影响，为平抑功率波动而配置相应储能系统的需求变得不可或缺。
3.混合储能系统能够很好的解决目前新能源微电网运行存在的问题，其基本控制是将储能系统需补偿的直流微网内不平衡功率按照频率高低进行分解。其中，低频段的平均功率波动幅值小，但持续时间长，需补偿的能量大，因此适合电池这类能量型储能器件补偿；高频段的瞬时功率波动幅值大，但持续时间短，因而需要超级电容这类功率型器件进行平抑。目前，相关学者已提出多种混合储能功率分配方法，有的文献采用集合经验模态分解(eemd)或低通滤波的算法实现能量型储能和功率型储能之间的功率分配，但eemd数据计算量大，运行时间长；采用低通滤波方法需要设置合适的截止频率来实现混合储能功率合理分配。有的文献通过对微电网净负荷功率进行离散傅里叶变换，从而获取混合储能各自承担的功率分量，进而对混合储能系统的容量进行优化配置。有的文献提出了基于经验模态分解(emd)和神经网络的平抑风功率波动的混合储能系统容量优化配置方法，为混合储能系统充放电功率分解提供了较好的解决方案。
4.变分模态分解法(vmd)在获得合理的分解模态数和二次惩罚因子时能够合理的分解功率信号，可采用智能优化算法获取最优匹配结果。通过比较分析可以发现，如今对于微电网剩余功率分配智能算法方面，以粒子群算法参数优化vmd为主，但忽略了功率重构误差的影响，且粒子群算法寻优结果最优值组合稳定性较差，不同学习因子及惯性权重对分解结果也有较大的影响。


技术实现要素：

5.本发明针对现有技术中的不足，提供一种基于参数优化的微网混合储能系统剩余功率分解方法，采用乌燕鸥算法进行vmd参数优化，获得分解模态数和二次惩罚因子的最优解组合，并进行功率分配。本发明采用以下技术方案：
6.一种基于参数优化的微网混合储能系统剩余功率分解方法，包括以下步骤：
7.步骤1：搭建光储微电网模型，用于获取系统剩余功率；
8.步骤2：预设vmd的分解模态数和二次惩罚因子；
9.步骤3：采用乌燕鸥算法对vmd的分解模态数和二次惩罚因子进行优化，获取分解模态数和二次惩罚因子的全局最优组合及对应的vmd分解结果。
10.进一步地，步骤1中，所述光储微电网模型包括光伏系统、混合储能系统、直流负荷
和交流负荷，光伏系统和混合储能系统通过各自的dc/dc变换器将电能汇总至公共直流母线，直流负荷直接接入公共直流母线，交流负荷通过dc/ac逆变器接入公共直流母线；混合储能系统包括蓄电池和超级电容，并通过功率分配系统对混合储能系统进行功率分配；
11.所述系统剩余功率p
hess
表示为：
12.p
hess
＝p
ld-p
new
，
13.其中，p
ld
为负荷功率且p
ld
＝p
ld1
p
ld2
，p
ld1
和p
ld2
分别表示直流负荷和交流负荷的功率，p
new
为光伏功率；p
hess
＜0时混合储能系统充电，p
hess
＞0时混合储能系统放电。
14.进一步地，所述步骤3包括以下步骤：
15.s3.1、初始化乌燕鸥算法的参数并开始迭代优化；
16.s3.2、更新乌燕鸥算法中的变量因素sa和随机变量cb；
17.s3.3、进行乌燕鸥算法中的迁移、攻击操作，获取分解模态数和二次惩罚因子；
18.s3.4、利用获取的分解模态数和二次惩罚因子对系统剩余功率进行vmd分解，并计算分解后的重构功率与系统剩余功率的相关系数；
19.s3.5、若未达到乌燕鸥算法的最大迭代次数，则由s3.2继续执行；否则停止迭代优化，根据相关系数将相关性最大时的分解模态数和二次惩罚因子作为全局最优组合，并取此时的vmd分解结果为最终分解结果。
20.进一步地，所述s3.1中，初始化乌燕鸥算法的参数包括种群数量、最大迭代次数、寻优维度以及分解模态数和二次惩罚因子的取值范围，并初始化乌燕鸥的位置为预设的分解模态数和二次惩罚因子。
21.进一步地，所述s3.2中，
22.sa＝c
f-(z
×
(cf/max
iterations
))，
23.cb＝0.5
×rrand
，
24.其中，sa表示避免碰撞的变量因素，z为迭代次数，cf为控制变量，max
iterations
为最大迭代次数；cb是使探索更加全面的随机变量，r
rand
是0到1之间的随机数。
25.进一步地，所述s3.3中，
26.迁移操作包括以下步骤：
27.冲突避免：冲突避免：表示乌燕鸥的当前位置，也就是当前的分解模态数和二次惩罚因子，表示的是在不与其他乌燕鸥碰撞的情况下应当处于的位置；
28.聚集：聚集：表示移动过程函数，表示当前最优乌燕鸥个体的位置；
29.位置更新：更新是指在朝向最优解的位置更新轨迹更新是指在朝向最优解的位置更新轨迹定义了搜索代理和最佳搜索代理之间的差距；
30.所述攻击操作为：所述攻击操作为：为更新后的乌燕鸥位置，x'＝r
×
sin(i)，y'＝r
×
cos(i)，z'＝r
×
i，r＝u
×eiv
，r为螺旋半径，i表示[0，2π]之间的螺旋角，u和v是定义螺旋攻击的常数；
[0031]
更新后的乌燕鸥位置即为迭代优化后的分解模态数和二次惩罚因子。
[0032]
进一步地，所述s3.4中，利用迭代优化后的分解模态数和二次惩罚因子对系统剩余功率进行vmd分解，得到蓄电池承担功率p
bat
和超级电容承担功率p
sc
，重构功率为p
bat
p
sc
，计算重构功率与系统剩余功率的皮尔逊相关系数，皮尔逊相关系数越大表明重构功率与系统剩余功率的相关性越强。
[0033]
本发明的有益效果是：本发明结合皮尔逊相关系数，将乌燕鸥算法引入到vmd参数优化中，通过重构信号与原始信号之间的皮尔逊相关系数值确定vmd算法中分解模态数和二次惩罚因子的最优组合，并基于此最优组合对微网混合储能系统的剩余功率进行vmd分解，获得频谱图及分解后的重构功率信号，相比于现有技术，本发明能够更加准确的获得混合储能功率分配信号。
附图说明
[0034]
图1为本发明方法中搭建的光储微电网模型示意图；
[0035]
图2为本发明方法的主要流程示意图；
[0036]
图3为本发明方法分解信号的频谱图；
[0037]
图4为stoa(gwo)、pso参数优化获得的功率重构信号局部放大对比图；
[0038]
图5为stoa(gwo)、pso参数优化获得的功率重构信号与原始功率信号之间的误差图。
具体实施方式
[0039]
现在结合附图对本发明作进一步详细的说明。
[0040]
本发明提出的一种基于参数优化的微网混合储能系统剩余功率分解方法，主要包括以下步骤：
[0041]
(1)搭建光储微电网模型以获取系统剩余功率
[0042]
如图1所示，光储微电网模型主要包括光伏系统、混合储能系统、直流负荷和交流负荷，光伏系统和混合储能系统通过各自的dc/dc变换器与公共直流母线连接。其中，光伏系统采用单向dc/dc变换器，实现升压功能和最大功率点跟踪，而混合储能系统采用双向dc/dc变换器，以实现功率可控的充放电。直流负荷直接接入公共直流母线，交流负荷通过dc/ac逆变器接入公共直流母线；混合储能系统包括蓄电池和超级电容，并通过功率分配系统对混合储能系统进行功率分配。
[0043]
光伏发电系统及负荷系统功率的差值称为系统剩余(波动)功率，系统剩余功率p
hess
可表示为：p
hess
＝p
ld-p
new
，其中，p
ld
为负荷功率且p
ld
＝p
ld1
p
ld2
，p
ld1
和p
ld2
分别表示直流负荷和交流负荷的功率，p
new
为光伏功率；p
hess
＜0时混合储能系统充电，p
hess
＞0时混合储能系统放电。
[0044]
(2)预设vmd的分解模态数和二次惩罚因子
[0045]
(3)获取分解模态数和二次惩罚因子的全局最优组合及对应的vmd分解结果
[0046]
本发明结合皮尔逊相关系数，并利用乌燕鸥算法对vmd的分解模态数和二次惩罚因子进行全局寻优，进而对系统剩余功率进行分解，如图2所示，其主要步骤如下：
[0047]
s3.1、初始化乌燕鸥算法的参数，包括种群数量、最大迭代次数、寻优维度(本发明中取2，即分解模态数和二次惩罚因子两个维度)以及分解模态数和二次惩罚因子的取值范
围，并初始化乌燕鸥的位置为预设的分解模态数和二次惩罚因子。
[0048]
s3.2、更新乌燕鸥算法中的变量因素sa和随机变量cb：
[0049]
sa＝c
f-(z
×
(cf/max
iterations
))，
[0050]
cb＝0.5
×rrand
，
[0051]
其中，sa表示避免碰撞的变量因素，z为迭代次数，cf＝2为控制变量，max
iterations
为最大迭代次数；cb是使探索更加全面的随机变量，r
rand
是0到1之间的随机数。
[0052]
s3.3、进行乌燕鸥算法中的迁移、攻击操作，获取分解模态数和二次惩罚因子。
[0053]
其中，迁移操作包括：
[0054]
冲突避免：冲突避免：表示乌燕鸥的当前位置，也就是当前的分解模态数和二次惩罚因子，表示的是在不与其他乌燕鸥碰撞的情况下应当处于的位置；
[0055]
聚集：聚集：表示移动过程函数，表示当前最优乌燕鸥个体的位置；
[0056]
位置更新：更新是指在朝向最优解的位置更新轨迹更新是指在朝向最优解的位置更新轨迹定义了搜索代理和最佳搜索代理之间的差距；
[0057]
攻击操作为：攻击操作为：为更新后的乌燕鸥位置，x'＝r
×
sin(i)，y'＝r
×
cos(i)，z'＝r
×
i，r＝u
×eiv
，r为螺旋半径，i表示[0，2π]之间的螺旋角，u和v是定义螺旋攻击的常数，其在本实施例中均取值为1。
[0058]
更新后的乌燕鸥位置即为迭代优化后的分解模态数和二次惩罚因子。
[0059]
s3.4、利用获取的分解模态数和二次惩罚因子对系统剩余功率进行vmd分解，得到蓄电池承担功率p
bat
和超级电容承担功率p
sc
：
[0060][0061]
其中，m为混合储能系统考虑各自功率特性的分界频率决定的值，uk(t)为分解得到的第k个分量，由于超级电容器的一次充放电循环时间一般小于50min，超级电容的充放电频率应大于0.3
×
10
–3hz，对应到图3中，选择低频功率分量imf8、imf9由蓄电池承担，其他高频功率分量由超级电容承担，即m＝7，k＝9。
[0062]
经vmd分解后的各分量大小将直接分配给蓄电池与超级电容进行消纳(配置相应容量)，因此分解后的各分量总和(功率重构信号)应与原始功率信号差值较小，配置才能更加准确。为此，计算重构功率p
bat
p
sc
与系统剩余功率的皮尔逊相关系数，皮尔逊相关系数越大表明重构功率与系统剩余功率的相关性越强、差值越小。
[0063]
s3.5、若未达到乌燕鸥算法的最大迭代次数，则由s3.2继续执行；否则停止迭代优化，根据相关系数将相关性最大时的分解模态数和二次惩罚因子作为全局最优组合，并取此时的vmd分解结果为最终分解结果。
[0064]
图3给出了经乌燕鸥算法优化后vmd分解的信号频谱图(此时分解模态数及二次惩
罚因子[k，a]＝[9,2502])，由图3可以看出，本发明方法对系统剩余功率的分解效果较好，避免了模态重叠及端点效应。
[0065]
以下内容分别对乌燕鸥算法(stoa)、gwo与pso参数优化vmd进行仿真分析，具体分析结果如下：
[0066]
表1中给出了stoa参数优化vmd运行两次结果内容，可以看出运行仿真时间在220秒左右，仿真寻优最优组合为[9，2502]，皮尔逊适应度函数值为0.99773。表2给出了gwo参数优化vmd结果，相比于stoa算法结果，最优组合及适应度函数值一致，运行时间远大于stoa算法，运行效率低；同时，基于gwo参数优化vmd分解多次仿真结果表明，gwo参数优化vmd仍会出现较小概率其他最优组合情况，功率重构误差偏大，但其重构误差基本优于粒子群参数优化结果。
[0067]
表1 stoa运行结果
[0068]
stoa时间已过223.515秒the best solution obtained by stoa is:9 2502the best optimal value of the objective funciton found by stoa:0.99773stoa时间已过222.917秒the best solution obtained by stoa is:9 2502the best optimal value of the objective funciton found by stoa:0.99773
[0069]
表2 gwo运行结果
[0070]
gwo时间已过735.955秒the best solution obtained by gwo is:9 2502the best optimal value of the objective funciton found by gwo is:0.99773gwo时间已过668.045秒the best solution obtained by gwo is:9 2502the best optimal value of the objective funciton found by gwo is:0.99773
[0071]
stoa与gwo参数最优组合一致条件下重构功率相同，下述分析考虑stoa结果即也表征gwo，图4给出了stoa(gwo)、pso参数优化获得的功率重构信号局部放大对比结果，可以看出stoa(gwo)功率重构信号与原始功率信号最为接近。重构后功率与原始功率信号之间的误差如图5所示，由图可以看出stoa重构误差明显小于pso参数优化条件下结果。pso参数优化条件下获得的重构功率与原始信号差距较大，并且不同学习因子及惯性权重对重构功率影响也较大。因此，相比于gwo/pso参数优化vmd结果中，本发明策略下获得[k，a]最优组合后，能够保证剩余功率重构误差小、效率佳，使得储能功率分配及容量配置相对更加准确。
[0072]
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。