(1.新疆大学电气工程学院，新疆 乌鲁木齐 830047；2.河北民族师范学院物理与电子工程学院(承德市新能源发电与并网工程技术研究中心)，河北 承德 067000)

0 引 言

近年来，传统化石能源日益枯竭，促使中国建成多个千万千瓦级的新能源发电基地,以光伏为代表的发电技术得到快速发展[1]，现有光伏电站功率的随机性、波动性和功率预测的不准确性导致大规模光伏发电在可靠性和稳定性方面还不能完全满足电网的并网要求。优化光伏电站输出功率波动是光伏发电并网运行亟待解决的关键技术[2-3]。

为平滑光伏发电出力波动性加入储能系统是目前最普遍的方式，它可以在一定程度上降低光伏发电功率波动，而针对光储联合发电系统控制策略，国内外专家学者也在开展相关研究工作。其中，为平抑光伏发电输出功率，文献[4-5]从混合储能的储能荷电状态、储能出力以及相关约束进行协调控制，在平抑功率波动方面起到了一定效果，但未考虑粒子群算法。文献[6-7]考虑光伏出力需求的波动性，对可靠性评估算法进行改进，功率平抑取得一定进步，但未考虑多代理思想。文献[8]基于短期光伏发电预测功率及预测误差的随机性，采用机会约束规划的储能系统控制方法，对储能电站并网进行测试证明了其优越性。文献[9-10]采用储能日前优化调度方法，提高了风光储联合发电系统的出力与计划出力匹配能力，平抑了功率波动。文献[11-14]从光伏的最大功率跟踪工作点控制和混合储能系统协调控制策略平抑了光伏并网功率波动。目前将粒子群算法用到光储电站控制策略的公开文献较少,尚处于探索阶段[15-17]。

下面在现有功率平抑方法的基础上，利用多代理系统理论建立了多代理控制系统仿真模型，结合粒子群算法建立控制策略目标函数，对目标函数值扩大解空间搜索范围，寻优计算约束条件和目标函数，探索出平抑功率波动的最优解同时对储能荷电状态和放电深度进行了优化。该策略基于某光储电站历史输出功率进行仿真验证，结果表明，所提策略在平抑功率波动、储能主代理的荷电状态管理方面得到了有效提高。

1 储能电站代理模型

为实现储能电站代理系统自治功能。模型主要包含以下4个模块：

1) 算法模块主要通过竞争学习算法，实现单个代理与其他代理之间的学习竞争功能，确定单个代理的功率值。并根据代理的功率值，结合代理下各储能电池荷电状态(state of charge，SOC)确定单个代理所对应各储能换流器的充放电功率值，以达到限制充放电功率的目的。

2)控制模块主要通过算法模块计算上级中各储能系统换流器(power conversion system，PCS)的充放电功率值，有效控制下级子站代理模块所对应的换流器充放电功率。

3)数据库模块主要根据其他代理的通信请求发送和接受对应数据并对代理所对应的各种数据进行实时存储。

4)通信模块主要负责采集储能电池换流器和储能电池运行数据并实现代理之间的通信功能。

多个代理的仿真模型根据竞争和合作关系完成储能电站总充放电功率需求。比如以荷电状态为主要考虑因素对储能电站进行分区，在完成功率输出工作时，荷电状态值比较低的代理期望少放电多充电，然而荷电状态比较高的代理期望多放电少充电。电站多代理结构如图1所示。

图1 电站多代理结构

2 多代理粒子群算法的控制策略

结合多代理思想，将储能电站分割成多个代理区，同时结合粒子群算法，扩大解空间搜索范围。在多代理粒子群算法中，生成的粒子的个数为储能单元代理的个数，代表所要求解的个数。将储能电站控制层级分为两级：主代理与各储能单元区代理。储能电站主代理为解决多代理各储能单元区代理粒子群算法最优区间，通过协商通信明确各储能单元区代理充放电功率参考值，将储能总需求分配给各个储能单元区代理，各储能换流器最终实际充放电功率的确定还需考虑储能子单元限制范围内的荷电状态及最大充放电功率等参数。

储能单元区代理通过储能电站主代理与储能单元区代理之间互相通信比较，在确定此区此时实际应发出功率之前，需要分别计算某一确定分区当前时刻功率参考值。粒子群算法控制流程如图2所示。算法如下：

1)接收上级调度总功率需求的储能电站主代理充放电功率计算为

(1)

图2 控制流程

当功率需求为正需要放电时，第i个单元区代理计算的放电功率值为

(2)

式中：i=1,2,3…n，n为储能单元区个数；SA_i(t-1)为第i个储能单元区代理(t-1)时刻储能变流器荷电状态的平均值；μA_i为第i个储能单元的运行工况参数。

当功率需求为负需要充电时，各单元区代理计算其充电功率值方法为

(3)

(4)

(5)

储能单元区代理处于放电状态时对其控制范围内的各储能换流器进行功率分配确定系数α、β，功率分配计算如(6)式：

(6)

单元功率参考值需要根据充电状态时的第i个储能单元区计算得到，功率分配计算为

(7)

(8)

(9)

(10)

(11)

(12)

(13)

(14)

功率上、下限区间微调如式(15)：

(15)

GA_b=min (ω1FA1+ω2FA2)

(16)

(17)

(18)

(19)

(20)

(21)

经过迭代算法后，上级储能主代理发出的调令在允许的范围内接近各个储能单元与光伏出力总和。

以多代理和粒子群算法相结合，个体粒子根据自身对问题理解，算法中粒子的速度用各储能单元区的各储能换流器的充放电功率表示，粒子的位置用各储能换流器对应的荷电状态表示。为探索出满足目标函数的储能主代理变流器充放电功率最优解，需要不断调整寻找探索出满足目标函数的位置和速度。

3 仿真分析

对某光伏电站实际运行数据在Matlab/simulink中进行仿真验证。该电站光伏装机50 MW，储能系统容量为15 MWh，分为多个储能单元区代理。各储能单元区的初始荷电状态按0.5～0.6均匀配置，储能荷电状态控制的上下限值设置为0.1～0.9之间。光储控制系统如图3所示。

图3 光储控制系统

光储功率曲线如图4所示，从图中功率波动走势看出原始光储总有功波动幅度较大，波动频率较多。光储系统在多代理粒子群算法的控制作用下能有效减小光储输出功率波动幅度，减少功率波动区域，因此基于多代理粒子群算法的光储系统控制策略平抑功率波动效果较好。

图4 光储功率曲线

功率波动率计算公式为

(22)

式中：Pmax为光储发电功率的最大值；Pmin为光储发电功率的最小值；Pz为光储电站装机容量。图5是输出功率波动率曲线，对比发现基于多代理粒子群算法的光储电站发电功率波动大幅度减小，10 min功率波动率在2%以内。

图5 功率波动率曲线

图6为电池储能电站的主代理对应的电池荷电状态变化趋势图，可看出储能系统充放电次数基本相同, 荷电状态初始值设为0.5。原光储电站荷电状态变化范围在0.35～0.95区间波动，超出最大值0.9的范围，表明储能系统充放电幅度较大，为深度充、放电，经过循环后荷电状态低于0.4。在多代理粒子群算法下光储电站荷电状态变化在0.5～0.9区间，表现为浅充浅放，经过一天的循环，最终使得储能电站主代理荷电状态回归0.5，与最初设置值基本保持在相对一致的状态。

图6 SOC变化曲线

4 结 语

在考虑储能系统平抑光伏波动、储能系统荷电状态情况下，提出多代理粒子群算法的光储电站控制策略，采用多代理粒子群算法建立控制策略目标函数。针对光储电站历史输出功率，对目标函数输出功率值扩大解空间搜索范围，寻优计算各储能单元区对应的储能子系统的充放电功率的约束条件和目标函数，探索出最优解。仿真结果表明，所提出的多代理粒子群算法在储能系统作用下有效减小了功率波动率，优化了光储电站主代理对应的电池荷电状态。