吕磊 王红蕾

摘  要： 微电网下新能源的使用促使了人们对能量优化调度的研究，储能装置是其中的关键一部分，准确识别其存储容量是实现微电网电力优化调度的任务之一。为实现对微电网下储能装置的实时容量在线识别，利用BP神经网络结构建立了储能装置容量识别模型，并引入了优化的粒子群算法PSO，实现了储能装置的实时容量在线识别。通过对比传统的BP神经网络识别结果，采用PSO?BP神经网络识别模型的容量误差在0.3%～2.4%之间，传统的BP神经网络误差范围为1.0%～21%，表明采用PSO?BP神经网络识别模型明显优于传统的BP神经网络识别模型。

关键词： 容量识别; 储能装置; 识别建模; BP神经网络; 粒子群算法; 在线识别

中图分类号： TN711?34; TM912                   文献标识码： A                     文章编号： 1004?373X（2020）12?0069?05

Abstract： The use of new energy under the micro?grid has prompted the research on energy optimal scheduling. The energy storage device is the key part， and the accurate identification of its storage capacity is one of the tasks to realize the optimal dispatching of micro?grid power. The capacity identification model of energy storage device is established by means of the structure of BP neural network， so as to realize the on?line identification of the real?time capacity of energy storage device under the microgrid; and the optimized particle swarm optimization （PSO） algorithm is introduced to realize the on?line identification of the real?time capacity of energy storage device. In comparison with the recognition results of traditional BP neural network， the capacity error of the recognition model based on PSO?BP neural network is 0.5%～13%， and the error range of the traditional BP neural network is 1.0%～21%. The recognition model using PSO?BP neural network is obviously better than that of the traditional BP neural network recognition model.

Keywords： capacity identification; energy storage device; identification modeling; BP neural network; particle swarm optimization; on?line identification

0  引  言

新能源作為未来发电的重要部分，在减少环境污染方面具有重大影响，而储能装置作为新能源发电必不可少的组成部分，在提高电能质量、维护系统稳定性、电源应急备用、提高经济效益等方面发挥了不可或缺的作用[1]。对储能装置进行容量识别，对微电网的能量管理与调度极具实质意义，鉴于这一技术的重要作用，储能装置的容量识别得到了广泛的关注。因BP神经网络的结构简单，可调的参数多，可操作性好，故采用BP神经网络构建储能装置的实时容量识别模型是一种简便可行的方法。文中识别的储能装置是基于磷酸铁锂电池组和铅炭电池组的，由于电池组的容量与电池组的充电和放电电流、两端电压、工作温度和电池组循环次数有关，而且电池内部复杂的物理和化学机制使得难以获得精确的数学模型，这就造成了难以准确识别储能装置容量值的一个现实问题。为此，文中介绍了一种以神经网络为代表的智能算法，用于识别储能装置的容量[2]，并建立了基于优化粒子群算法的改进BP神经网络识别模型，通过实现对储能装置容量的识别、对提高微电网的可再生能源的利用效率，以及对微电网的电力调度和需求侧管理具有重要的意义。

1  微电网网源荷能量优化调度简介

实现微电网下对清洁能源的有效利用以及源网荷能量优化调度，除了柔性接入各种不同的集中式清洁能源、储能装置以及电动汽车充放电装置以外，还需从储能装置的经济优化调度、削峰填谷的优化调度和多馈线互联经济运行三个角度进行深入分析。具体来说，微电网下网源荷能量的优化调度，首先要满足电能的要求，需要满足电能提供的连续可靠以及保证电能的质量与安全，在此前提下，对源网荷进行资源优化配置，并在调度服务和时空规模上执行多维协调和交互，以实现配电网高效运行。微电网系统源网荷能量优化调度方法可以根据分布式电源、微电网、储能装置、可控负荷等调度对象的分布，构建“微电网功率平滑?配电区能量平衡?配电网能源优化”配电网调度模型，构建“原地自治?部分平衡?区域协调?整体消纳”的调度机制。基于此，对储能装置的容量识别是实现微电网下能量优化调度的一个关键研究部分。城市柔性互联配电系统结构如图1所示，由端口I～IV构成五端系统，中间包含交流配电网部分（端口I～Ⅲ与节点①～③之间）、直流配电中心部分（节点①～⑤之间）、交流微电网部分（节点④与端口IV之间）、直流微电网部分（节点⑤与端口V之间）。

2  BP神经网络在储能装置容量识别模型上的改进

2.1  储能装置容量识别模型的建立

本文研究的储能装置主要基于电池组，一般来说电池的性能将会对识别结果产生影响。通常，估计电池性能用得最多的是数学建模方法，但是数学模型的搭建直接受电池内部所发生反应的影响，这种影响的本质特征是反应时的物理化学规律。这一过程用到了大量的假设条件和经验参数，估计精度是有限的，并且模型的表达式是多参数的偏微分方程组，方案解决过程非常麻烦，只能解决一些简单的问题[3]。而对于实际工作状态下的电池组，其内部反应十分复杂，显而易见，这种方法一般来说无法满足实际的需要。为了避开电池组内部的复杂性， 一种实用和方便的方法应运而生，利用BP神经网络对电池组建模，也即是对储能装置的建模，并利用此模型结合常用的神经网络算法，对处于充放电工况下的储能装置进行容量识别。

BP神经网络是一种具有信号前向传输和误差反向传播的多层前馈神经网络[4]。储能装置容量识别属于模式识别问题，三层网络结构就可以解决。容量识别结果的影响因素很多，BP神经网络的网络节点数可以根据实验结果来进行调整，增加输入层节点数，即考虑较多的因素，并不能提高神经网络的识别精度，反而增加了学习时间。例如电池的老化程度，这些参数的获取很困难，它们对电池容量的识别影响程度有限，经过以上考虑，最终选择了电池组的电流与电压作为输入;电池组容量作为输出;隐含层根据经验公式：

将得到的电流、电压数据通过输入层传输到隐含层中的每个神经元，中间层处理和转换每组数据，由最后一个隐含层神经元传递到输出层，这是一次正向的学习过程; 当实际输出容量值与预期容量值不匹配时，误差根据梯度下降方法由输出层反向传播给隐含层和输入层。两个过程不断重复的运行，使得神经网络的权值和阈值得到连续调整，直到为允许的误差范围或设定的次数为止。

2.2  PSO?BP神经网络识别模型的改进

考虑到电池组在充放电过程中，储能装置电池组自身温度（T）的影响，PSO?BP神经网络识别模型加入了影响电池组容量值的温度参数。鉴于BP神经网络识别模型利用优化的粒子群算法，利用较少的样本就能达到期望的结果[5]。考虑温度参数并不会增加多少学习时间，为此将电压、电流、温度三个参数作为输入，容量值作为输出，以提高模型的识别精确度。PSO?BP神经网络识别储能装置容量值的拓扑结构图如图3所示。

2.3  样本选取及仿真测试结果

所得的电压、电流、容量数据是从学校与贵州电网公司所合作的项目——“城市配电网柔性互联关键设备及技术的研究工程”配电中心处获取的，时间为2019年1月。对所得的数据经过处理后，选取40组为训练样本，15组为测试样本，如表1、表2所示。温度数据充放电情况下基本不变，为13 ℃左右。

BP神经网络的训练与测试利用Matlab来完成，将表1、表2的数据输入到网络中，使用LM算法进行训练与测试，仿真结果如图4～图6所示。

从仿真结果来看，BP神经网络虽然具有一定程度的拟合能力，但是不可否认的是识别结果精度有限，达不到预期要求。从图中可以看到识别结果大都在误差允许的范围内，但是个别预测误差较大。通过分析，影响误差精度的因素较多，参数的设置、样本的选取及样本数量等都会对结果产生较大影响。这些都可以通过外部的努力来弥补，最主要的是网络训练中的初始权值和阈值是随机产生的，它对训练的模型精度具有较大影响。为了提高BP神经网络的识别精度，将重点考虑权重和阈值的影响，对权重和阈值进行不断优化，可以显著提高识别精度。针对这样的特点，通过粒子群优化算法改进了BP神经网络。

3  优化的PSO?BP神经网络在储能装置实时容量识别中的实现

3.1  优化网络权重和阈值的粒子群算法

粒子群算法（Particle Swarm Optimization， PSO）最早是由Eberhart和Kennedy于1995年提出[6]，它的基本概念源于对鸟群觅食行为的研究，PSO算法受这种生物种群行为的启发，以用来解决优化问题。在PSO中，每个粒子都代表问题的一个解，对应一个适应度值。粒子速度决定粒子运动的距离和方向，并且通过自身和其他粒子的运动而动态调整，从而实现个体在可解空间中的优化过程。

采用PSO算法的过程首先将BP神经网络正向学习后得到的容量输出与期望容量输出的误差，通过PSO算法先进行初始化以找到个体极值和群体极值，即在BP神经网络中寻找权重和阈值;然后更新速度和位置，并在计算适应度后更新原始的个体极值和群体极值;最后将获得的最优神经网络权重和阈值送入BP神经网络中验证[7?8]。

假设粒子群群体X=（X1，X2，…，Xn）由n个粒子组成，通常粒子的维数为Q，使得在群体中存在n个粒子，每个粒子是Q维的，由n个粒子组成的群体搜索Q个维度（即每个粒子的维数）。每个粒子表示为Xi=（Xi1，Xi2，…，XiQ），在Q维搜索空间中表示第i个粒子的位置，也代表问题的一个潜在解。根据目标函数，可以计算与每个粒子位置Xi对应的适应度值[9]。对应于每个粒子的速度可以表示为Vi=（Vi1，Vi2，…，ViQ），每个粒子在搜索时应考虑两个因素：

式中：ω是保持原始速度的系数，称为惯性权重;d=1，2，…，D;i=1，2，…，n;k为当前迭代次数;vid为粒子的速度;c1是跟踪其自身历史最优值的粒子权重系数，它代表粒子自身的认知，称为加速度因子，通常设为2;c2是粒子跟踪群体最优值的权重系数，它表示粒子对整个群体知识的认知，称为加速度因子，通常设为2;ξ和η是[0，1]区间内均匀分布的随机数[11]。

3.2  粒子群優化后的网络模型仿真结果