基于NSGA-Ⅲ與模糊聚類的光儲式充電站儲能系統(tǒng)優(yōu)化運行方法

付張杰，王育飛，薛花，張宇,，時珊珊，方陳

(1．上海電力大學(xué)電氣工程學(xué)院，上海市 200090；2．國網(wǎng)上海市電力公司電力科學(xué)研究院，上海市 200437)

0 引 言

電動汽車的快速普及使得人們對公共充電設(shè)施日益關(guān)注[1]。光儲式充電站作為全新的充電設(shè)施，可實現(xiàn)可再生能源與電動汽車的就地集成，已得到廣泛認可。儲能系統(tǒng)作為光儲式充電站最重要的組成部分之一，調(diào)度周期內(nèi)其參與運行的容量將直接關(guān)系到充電站的綜合性能。儲能系統(tǒng)參與運行的容量過高會增加儲能系統(tǒng)運維成本[2]，而參與運行的容量過低會使系統(tǒng)平滑網(wǎng)側(cè)供電功率和削峰填谷的能力弱化，同時較大程度上會降低光伏能源利用效率，因此對儲能系統(tǒng)運行過程進行優(yōu)化研究具有重要意義[3]。

目前，針對儲能系統(tǒng)參與運行的優(yōu)化研究已取得相應(yīng)成果。文獻[4-5]以系統(tǒng)綜合運行成本和蓄電池循環(huán)電量為目標函數(shù)建立儲能系統(tǒng)優(yōu)化運行模型，采用帶精英策略的非支配排序遺傳算法(nondominated sorting genetic algorithm with elitist，NSGA-Ⅱ)進行求解得到優(yōu)化運行方案，使系統(tǒng)整體性能得到提升。文獻[6]采用遺傳算法求解計及用戶需求響應(yīng)的儲能系統(tǒng)優(yōu)化運行模型，同時結(jié)合臨界條件驗證了儲能系統(tǒng)可有效提高配電網(wǎng)的運行水平。文獻[7]采用二次規(guī)劃數(shù)學(xué)模型對儲能系統(tǒng)充放電功率進行優(yōu)化，同時結(jié)合遺傳算法，得到了適用于儲能電站的優(yōu)化運行策略。文獻[8]計及分布式能源出力和充電負荷的不確定性，采用粒子群優(yōu)化 (particle swarm optimization，PSO) 算法對儲能系統(tǒng)出力方案進行尋優(yōu)，阻抑了系統(tǒng)的不確定性。文獻[9]考慮分時電價和機組運行效率等因素，建立了兼顧系統(tǒng)經(jīng)濟性和機組運行穩(wěn)定性的調(diào)度模型，通過粒子群優(yōu)化算法求解分析驗證了所提模型的有效性。上述研究針對儲能系統(tǒng)優(yōu)化運行涉及的智能算法包括遺傳算法、NSGA-Ⅱ和粒子群優(yōu)化算法。其中遺傳算法和NSGA-Ⅱ針對儲能系統(tǒng)優(yōu)化運行多維非線性特點有較好的適用性，解決了具有非支配關(guān)系的兩目標優(yōu)化問題，使系統(tǒng)綜合性能得到有效提升。但隨著儲能系統(tǒng)運行所考慮利益主體的增加，優(yōu)化目標個數(shù)與問題維數(shù)相應(yīng)增加，將出現(xiàn)求解困難的現(xiàn)象，無法完成具有非支配關(guān)系的三目標及以上的優(yōu)化問題。而粒子群優(yōu)化算法應(yīng)用于儲能系統(tǒng)優(yōu)化運行，通過對優(yōu)化目標設(shè)置權(quán)重進而加權(quán)求和的方式，將多目標轉(zhuǎn)換為單目標進行求解[10],有效解決了高維的多目標求解問題，同時避免了遺傳算法和NSGA-Ⅱ復(fù)雜的Pareto前端曲面，簡化了問題求解的復(fù)雜度，可考慮多種影響因素和不同利益主體得到儲能系統(tǒng)優(yōu)化運行方案。但該算法對優(yōu)化目標權(quán)重的設(shè)置存在一定主觀性，容易使優(yōu)化過程陷入局部最優(yōu)解。

基于參考點的非支配排序遺傳算法(reference-point based nondominated sorting genetic algorithm,NSGA-Ⅲ)通過引入?yún)⒖键c機制來構(gòu)造超平面，有效解決了高維、具有非支配關(guān)系的多目標函數(shù)求解問題。自2014年由Kalyanmoy Det提出以來，已在圖像識別[11]、船舶配載規(guī)劃[12]等領(lǐng)域得到應(yīng)用，但目前尚未發(fā)現(xiàn)其在儲能系統(tǒng)優(yōu)化運行領(lǐng)域的應(yīng)用。而模糊聚類作為一種通過建立相似關(guān)系對客觀事物進行聚類的分析方法，多應(yīng)用于故障診斷[13]。其構(gòu)建的模糊隸屬度函數(shù)對于數(shù)據(jù)集準確客觀篩選具有重要意義，可應(yīng)用于Pareto前端曲面的分析。目前NSGA-Ⅲ和模糊聚類結(jié)合的研究成果較少。

鑒于此，本文從光儲式充電站整體角度分析，兼顧充電站運行的經(jīng)濟性和網(wǎng)側(cè)負荷波動水平，以儲能系統(tǒng)功率、荷電狀態(tài)和電網(wǎng)側(cè)供電功率等為約束條件，建立以電網(wǎng)側(cè)負荷方差最小、儲能系統(tǒng)運行維護成本最小和向電網(wǎng)購電費用最小為目標函數(shù)的儲能系統(tǒng)優(yōu)化運行模型。提出一種NSGA-Ⅲ與模糊聚類結(jié)合的優(yōu)化算法對模型進行求解，并在MATLAB仿真環(huán)境下，對所提優(yōu)化算法求解儲能系統(tǒng)優(yōu)化運行模型的可行性和有效性進行驗證。

1 光儲式充電站運行策略與負荷特性分析

1.1 系統(tǒng)結(jié)構(gòu)

文中光儲式充電站僅從電網(wǎng)購電，不考慮能量的倒送。光儲式充電站主要由光伏電池陣列、鋰電池儲能系統(tǒng)、DC/DC變換器、AC/DC變換器、公共電網(wǎng)、中央控制器等部分組成，如圖1所示。

圖1 充電站系統(tǒng)結(jié)構(gòu)圖Fig.1 Structure diagram of a charging station

1.2 運行模式

在光儲式充電站內(nèi)，遵循光伏電能優(yōu)先給負荷供電的原則，以此減小充電站對電網(wǎng)功率的需求。當光伏發(fā)電功率大于負荷充電功率時，利用剩余的光伏電能對電量未滿的儲能電池組充電；當光伏發(fā)電功率小于負荷充電功率，且分時電價為谷電價時，公共電網(wǎng)對電量未滿的儲能電池組充電同時向差額負荷供電；當光伏發(fā)電功率小于負荷充電功率，且分時電價高于谷電價時，滿足放電條件的儲能電池組和公共電網(wǎng)協(xié)調(diào)配合向差額負荷供電。

1.3 充電負荷分析

文中光儲式充電站服務(wù)對象為電動私家車和電動出租車，其中影響充電負荷的主要因素為電動汽車規(guī)模、起始充電時間、日行駛距離等因素[14-15]。

根據(jù)全美家用車輛調(diào)查[16](National Household Travel Survey，NHTS)的實驗統(tǒng)計，電動私家車的起始充電時間服從N(17.6,3.4)的正態(tài)分布，如式(1)所示：

(1)

式中：μS和σS分別為電動私家車起始充電時間的期望值和標準差；t1為電動私家車起始充電時間。

同時假設(shè)電動出租車起始充電時間服從均勻分布，即

f′S(t2)=rand(24,1)

(2)

式中：rand (24,1)表示在區(qū)間[1,24]生成的隨機整數(shù)；t2為電動出租車起始充電時間。

根據(jù)全國旅行調(diào)查結(jié)果分析[17]，電動私家車和電動出租車日行駛距離分別服從Log-N(45,0.88)的對數(shù)正態(tài)分布和N(155.02,41.53)的正態(tài)分布，概率密度函數(shù)如式(3)、(4)所示：

(3)

(4)

式中：μD1和σD1、μD2和σD2分別為電動私家車和電動出租車的日行駛距離期望與標準差；s1和s2分別為電動私家車和電動出租車的日行駛距離。

根據(jù)上述電動汽車出行規(guī)律的概率密度函數(shù)，采用蒙特卡洛算法隨機地抽樣各類電動汽車的起始充電時間和日行駛距離，分析可得不同時段充電站內(nèi)電動汽車的充電數(shù)量與動力電池的初始荷電狀態(tài)，進一步計算可得充電站日負荷需求。

2 儲能系統(tǒng)優(yōu)化運行模型

基于上述充電站系統(tǒng)結(jié)構(gòu)，儲能系統(tǒng)優(yōu)化運行應(yīng)兼顧充電站經(jīng)濟性指標和電網(wǎng)側(cè)運行的技術(shù)性指標。在滿足站內(nèi)負荷需求的基礎(chǔ)上，選取電網(wǎng)側(cè)負荷方差最小、儲能系統(tǒng)運行維護成本最小和向電網(wǎng)購電費用最小為優(yōu)化目標。以儲能系統(tǒng)運行維護成本最小和向電網(wǎng)購電費用最小為優(yōu)化目標，可降低充電站不必要的運行成本。以電網(wǎng)側(cè)負荷方差最小為優(yōu)化目標，能有效降低系統(tǒng)網(wǎng)側(cè)供電功率的波動，使網(wǎng)側(cè)等效負荷曲線趨于平緩，保證電網(wǎng)平穩(wěn)運行。

2.1 目標函數(shù)

1)電網(wǎng)側(cè)負荷方差最小。

當光伏出力無法滿足負荷需求時，儲能系統(tǒng)和電網(wǎng)協(xié)調(diào)配合，可減小網(wǎng)側(cè)供電功率波動。建立電網(wǎng)側(cè)負荷方差最小模型如式(5)所示：

(5)

式中：T為時段總數(shù)，文中考慮運行周期為一天，且以1 h為單位時間段，即T=24；RVar為運行周期內(nèi)電網(wǎng)側(cè)負荷方差；Pgrid(t)為電網(wǎng)在時段t的供電功率；Pgrid_avr為運行周期內(nèi)電網(wǎng)供電功率的平均值，可表示為：

(6)

2)儲能系統(tǒng)運行維護成本最小。

儲能系統(tǒng)運行維護成本與運行周期內(nèi)儲能系統(tǒng)參與運行的最大功率值和總電量有關(guān)。建立儲能系統(tǒng)運行維護成本最小模型如式(7)所示:

CKeep=CpPBess_run+CeEBess_run

(7)

式中：CKeep為運行周期內(nèi)儲能系統(tǒng)運行維護成本；PBess_run和EBess_run分別為儲能系統(tǒng)參與運行的最大功率值和總電量；Cp和Ce分別為儲能系統(tǒng)單位功率和單位電量的維護成本。

PBess_run和EBess_run可根據(jù)一天內(nèi)各時段儲能系統(tǒng)充放電功率計算得到，如式(8)、(9)所示：

PBess_run=max[PBess(1),PBess(2),…,
PBess(24)]

(8)

(9)

式中：PBess(t)為儲能系統(tǒng)在時段t的充放電功率。

3)向電網(wǎng)購電費用最小。

儲能系統(tǒng)和電網(wǎng)協(xié)調(diào)配合向負荷供電，可減小從電網(wǎng)的購電費用，建立向電網(wǎng)購電費用最小模型如式(10)所示：

(10)

式中：Cgrid為運行周期內(nèi)向電網(wǎng)的購電費用；Price(t)為時段t的電網(wǎng)電價；Δt為單位調(diào)度時長，本文取1 h。

2.2 約束條件

1)儲能系統(tǒng)荷電狀態(tài)約束。

儲能系統(tǒng)過度充放電會影響其使用壽命，規(guī)定儲能系統(tǒng)的荷電狀態(tài)(state of charge，SOC)應(yīng)滿足以下約束：

(11)

式中：SOC(t)為儲能系統(tǒng)在t時段的荷電狀態(tài)值；E(t)為儲能系統(tǒng)在t時段的電量；SOCmax和SOCmin分別為儲能系統(tǒng)荷電狀態(tài)上、下限值。

2)系統(tǒng)功率平衡約束。

電動汽車充電功率、光伏發(fā)電功率、儲能系統(tǒng)充放電功率和電網(wǎng)供電功率的平衡關(guān)系如式(12)、(13)所示。

儲能系統(tǒng)充電時，滿足：

PPV(t)+Pgrid(t)=Pload(t)+PBess,ch(t)

(12)

儲能系統(tǒng)放電時，滿足：

Pload(t)=PPV(t)+PBess,disch(t)+Pgrid(t)

(13)

式中：PBess,ch(t)、PBess,disch(t)分別為t時段儲能系統(tǒng)充、放電功率；PPV(t)為t時段的光伏發(fā)電功率；Pload(t)為t時段的負荷充電功率。

3)電網(wǎng)供電功率約束。

電網(wǎng)供電功率的上限受到光儲式充電站變壓器和AC/DC變流模塊額定容量的約束，如式(14)所示：

Pgrid(t)≤min(PTr,PAD)

(14)

式中：PTr和PAD分別為充電站變壓器和AC/DC變流模塊的額定容量。

3 NSGA-Ⅲ與模糊聚類結(jié)合的儲能系統(tǒng)優(yōu)化運行模型求解方法

3.1 基于NSGA-Ⅲ的儲能系統(tǒng)運行模型求解

文中儲能系統(tǒng)優(yōu)化運行問題，可轉(zhuǎn)換為求解滿足等式約束和不等式約束的目標函數(shù)最小值的優(yōu)化模型，該求解模型可表示為：

(15)

式中：f(xc，xs)為系統(tǒng)總體優(yōu)化目標；f1(xc，xs)、f2(xc，xs)、f3(xc，xs)為子目標函數(shù)，分別表示電網(wǎng)側(cè)負荷方差、儲能系統(tǒng)運行維護成本和向電網(wǎng)購電費用；hi(xc，xs)為等式約束條件；gi(xc，xs)為不等式約束條件；xc為控制決策變量，為各時段電網(wǎng)供電功率、儲能系統(tǒng)參與運行的總電量和最大功率值；xs為狀態(tài)變量，為各時段儲能系統(tǒng)充放電功率。

由式(15)可知該模型求解屬于復(fù)雜非線性、多目標約束優(yōu)化組合問題。NSGA-Ⅱ在二維環(huán)境中，采用擁擠度距離篩選位于同一非支配層中的優(yōu)良個體，得到優(yōu)化結(jié)果。然而針對上述優(yōu)化問題，因f1(xc，xs)、f2(xc，xs)、f3(xc，xs)三者之間為非支配關(guān)系，在二維篩選環(huán)境下無法進行種群尋優(yōu)，即NSGA-Ⅱ?qū)⒉辉龠m用于文中所提模型的求解。鑒于此，本文采用NSGA-Ⅲ尋找滿足上述約束條件下，使系統(tǒng)整體性能綜合最優(yōu)的儲能系統(tǒng)優(yōu)化運行方案。

區(qū)別于NSGA-Ⅱ，NSGA-Ⅲ采取的2個重要操作為：超平面上參考點的設(shè)置和種群個體的自適應(yīng)歸一化。

1)單位超平面上參考點的設(shè)置將種群個體篩選環(huán)境從二維平面拓展到三維空間，有效解決了具有非支配關(guān)系的多目標優(yōu)化問題。參考點的初始化如式(16)所示，由該式產(chǎn)生的H個參考點均勻地分布在單位超平面上，保證了后續(xù)優(yōu)良個體篩選的多樣性。

(16)

式中：H為參考點總數(shù)；M為優(yōu)化目標數(shù)量；p為每個優(yōu)化目標分段數(shù)，決定了數(shù)量為H的參考點在單位超平面上的分布位置，文中p取值為4。

(17)

式中：ASF(x,w)為各目標軸對應(yīng)的額外點；x為種群St中的個體；fi(x)為個體x的第i個轉(zhuǎn)換目標；w為轉(zhuǎn)換權(quán)重。

(18)

基于NSGA-Ⅲ的儲能系統(tǒng)多目標運行模型求解流程如圖2所示，詳細求解步驟如下：

1)初始化系統(tǒng)參數(shù)。輸入典型日光伏發(fā)電功率數(shù)據(jù)和NSGA-Ⅲ初始參數(shù)，設(shè)置決策變量上下限，同時根據(jù)式(16)初始化產(chǎn)生單位超平面上數(shù)量為H的參考點。

2)計算電動汽車充電功率。分析電動私家車和電動出租車出行特征，對其日行駛距離和起始充電時間等特征量建模，統(tǒng)計不同時段內(nèi)電動汽車充電數(shù)量，計算得出充電站日負荷功率曲線。

圖2 多目標模型求解流程圖Fig.2 Flow chart of the multi-objective modelsolving process

i=1,2,...,N

(19)

4)計算目標函數(shù)適應(yīng)度值并進行快速非支配排序。將Pt代入式(5)—(10)中計算得到優(yōu)化目標的適應(yīng)度值，結(jié)合個體與參考點的關(guān)聯(lián)數(shù)量完成對Pt的快速非支配排序。

5)對Pt中前N/2個優(yōu)勢個體進行交叉變異操作，得到子代Qt，隨后將Pt和Qt合并得到Rt。對Rt進行快速非支配排序，將非支配層中的個體放入新種群St中,直到St的個體數(shù)大于N。

6)種群個體的自適應(yīng)歸一化。尋找St中各目標函數(shù)的理想點，同時由式(17)計算得到各目標軸的額外點，進而構(gòu)建超平面，根據(jù)超平面與目標軸的截距利用式(18)將目標函數(shù)歸一化。計算St中每個個體到參考點的最短距離，并記錄各參考點所關(guān)聯(lián)的個體數(shù)量。

7)精英保留。根據(jù)目標函數(shù)適應(yīng)度值、個體關(guān)聯(lián)參考點的數(shù)量對St進行非支配排序，從St中篩選出前N個個體作為父代種群Pt+1。

8)終止條件。判斷種群的迭代次數(shù)，若滿足終止條件則輸出最終優(yōu)化的Pareto解集，否則進入下一次循環(huán)。

3.2 基于模糊聚類的Pareto最優(yōu)解集篩選

采用NSGA-Ⅲ求解儲能系統(tǒng)多目標運行模型得到的Pareto最優(yōu)解集，可為儲能系統(tǒng)優(yōu)化運行提供多種解決方案。但隨著優(yōu)化目標數(shù)量的增加，優(yōu)化求解得到的Pareto最優(yōu)解集所含信息量更大、復(fù)雜度更高，對決策人員選擇實施方案造成一定的困難。對此，本文采用模糊聚類的方法得到儲能系統(tǒng)運行的最優(yōu)折衷方案。

基于模糊聚類的Pareto最優(yōu)解集篩選過程如下：首先，將Pareto解集中每個個體的單目標函數(shù)值按式(20)所示的模糊隸屬度函數(shù)進行歸一化處理。

(20)

然后，采用熵權(quán)法[18]計算得到各優(yōu)化目標的權(quán)重系數(shù)。將模糊化處理后的單目標值按照權(quán)重系數(shù)聚類求和，如式(21)所示：

(21)

式中：γm為個體目標加權(quán)聚類求和后的值；ωζ為第ζ個目標的權(quán)重；W為Pareto前沿解的個數(shù)。

最后，將每個個體加權(quán)求和后的目標值排序，得到最符合利益主體需求的解，對篩選出的最優(yōu)解進行反模糊化得到光儲式充電站儲能系統(tǒng)折衷最優(yōu)運行方案。

4 算例分析

4.1 算例數(shù)據(jù)

為了便于光儲式充電站儲能系統(tǒng)優(yōu)化運行問題的分析和求解，設(shè)定如下條件。

1)光儲式充電站采用直流快速充電模式，站內(nèi)充電樁個數(shù)為30個，單臺充電樁的充電功率為60 kW。鋰電池儲能系統(tǒng)額定功率為2 MW，額定電量為10 MW·h，配電變壓器的額定容量為2 MV·A。AC/DC變流模塊的額定功率為1 500 kW。

2)假設(shè)充電站服務(wù)范圍內(nèi)電動汽數(shù)量為500輛，其中電動私家車和電動出租車數(shù)量比為7∶3，通過蒙特卡洛算法仿真得到充電站日充電負荷需求，功率曲線如圖3所示。選取某地典型日光伏預(yù)測數(shù)據(jù)為基礎(chǔ)數(shù)據(jù)，設(shè)定光伏出力占比為18%，功率曲線如圖4所示。

圖3 電動汽車日充電功率需求Fig.3 Power demand of EVs in a day

圖4 典型日光伏功率數(shù)據(jù)Fig.4 Photovoltaic power data in typical day

3)光儲式充電站向電網(wǎng)購電電價采用上海市電網(wǎng)售電電價[19]。

4.2 仿真分析

在MATLAB環(huán)境下，對儲能系統(tǒng)優(yōu)化運行模型進行仿真求解。NSGA-Ⅲ算法參數(shù)設(shè)置如下：初始種群數(shù)量N為200，最大迭代次數(shù)Gmax為1 000，交叉概率為0.9，變異概率為1/24。結(jié)合光伏出力特性、負荷數(shù)據(jù)和充電站運行策略對儲能系統(tǒng)運行方案進行優(yōu)化，得到Pareto最優(yōu)解集，如圖5所示。

由圖5可知，儲能系統(tǒng)優(yōu)化運行的最優(yōu)解均勻地分布在Pareto前端曲面上，體現(xiàn)解集的多樣性與收斂性，可為儲能系統(tǒng)優(yōu)化運行提供多種方案。同時各優(yōu)化目標之間存在非支配關(guān)系，若降低電網(wǎng)側(cè)負荷方差和向電網(wǎng)購電費用，將使鋰電池系統(tǒng)運行容量變大，進而導(dǎo)致儲能系統(tǒng)運行維護成本增加。因此在考慮儲能系統(tǒng)優(yōu)化運行時，運行人員需要從整體上權(quán)衡各個優(yōu)化目標，同時綜合考慮多種因素做出客觀決策。

為驗證本文所提優(yōu)化算法求解儲能系統(tǒng)優(yōu)化運行問題的有效性，從充電站整體角度出發(fā)，利用熵權(quán)法求得各個優(yōu)化目標的權(quán)重系數(shù)，分別采用NSGA-Ⅲ與模糊聚類結(jié)合的優(yōu)化算法和粒子群算法求解得到儲能系統(tǒng)參與運行的功率和電量，如表1所示。

圖5 Pareto解集Fig.5 Pareto solution set

表1 兩種算法的儲能運行容量求解結(jié)果Table 1 Energy storage operation capacity under two algorithms

由表1可見，相比于PSO，NSGA-Ⅲ與模糊聚類結(jié)合的優(yōu)化算法使儲能系統(tǒng)參與運行的功率和電量分別降低71 kW、95 kW·h。

基于以上兩種優(yōu)化算法求解得到系統(tǒng)運行優(yōu)化指標的折衷最優(yōu)解，如表2所示。

表2 兩種算法的優(yōu)化指標求解結(jié)果Table 2 Index opimization results of two algorithms

由表2可見，針對光儲式充電站儲能系統(tǒng)優(yōu)化運行，與PSO相比，NSGA-Ⅲ與模糊聚類結(jié)合的優(yōu)化算法使儲能系統(tǒng)運行維護成本和向電網(wǎng)的購電費用分別降低1.56%和0.93%，進一步減少了充電站不必要的綜合運行成本；電網(wǎng)側(cè)負荷方差下降6 619 kW2，同時結(jié)合圖6所示兩種優(yōu)化算法下電網(wǎng)側(cè)供電功率曲線可知，NSGA-Ⅲ與模糊聚類結(jié)合的優(yōu)化算法同時較大程度上降低了電網(wǎng)側(cè)負荷波動，提升了電網(wǎng)運行穩(wěn)定性，證明了所提算法的有效性。

圖6 兩種優(yōu)化算法下電網(wǎng)側(cè)供電功率曲線Fig.6 Power curve of grid under two algorithms

對應(yīng)表1和表2儲能系統(tǒng)優(yōu)化運行結(jié)果，得到兩種優(yōu)化算法在運行周期內(nèi)儲能系統(tǒng)充放電功率曲線，如圖7所示。

圖7 兩種優(yōu)化算法下儲能系統(tǒng)充放電功率曲線Fig.7 Power curve of energy storage under two algorithms

由圖 7可知，谷電價時段負荷功率水平較低，儲能系統(tǒng)處于充電狀態(tài)，負荷由電網(wǎng)向其供電，其余時段儲能系統(tǒng)和電網(wǎng)協(xié)調(diào)配合向負荷供電。圖7中局部放大圖再次證明了文中所提優(yōu)化算法可進一步降低儲能系統(tǒng)參與運行的最大功率值，進而降低儲能系統(tǒng)的運行維護成本。

由于電動汽車到站充電時間、電量需求和光伏功率預(yù)測數(shù)據(jù)客觀上存在誤差，將導(dǎo)致儲能系統(tǒng)無法按照日前計劃進行出力，進而影響優(yōu)化效果。此時需要對儲能系統(tǒng)運行方案進行調(diào)整，文中設(shè)定的規(guī)則為：1)以電動汽車日前起始充電時間為基準，實際起始充電時間采用就近原則進行調(diào)整；2)負荷高峰時段和平時段電價較高，優(yōu)先調(diào)整儲能系統(tǒng)放電功率；3)負荷谷時段電價較低，優(yōu)先調(diào)整電網(wǎng)側(cè)供電功率。

為分析上述數(shù)據(jù)預(yù)測誤差對儲能系統(tǒng)優(yōu)化運行結(jié)果的影響，按照表3所示誤差量級隨機生成多組數(shù)據(jù)模擬實際運行狀況。

表3 各誤差量級基礎(chǔ)數(shù)據(jù)Table 3 Basic data of different deviation levels

分別采用調(diào)整前的儲能系統(tǒng)運行方案和基于上述原則調(diào)整后的運行方案進行仿真分析，得到運行結(jié)果的相對偏差，如圖8所示。

圖8 誤差量級對運行結(jié)果的影響Fig.8 Impact of different deviation levels on operation result

由圖8可知，針對預(yù)測誤差導(dǎo)致運行過程中的不確定性，實時地調(diào)整儲能系統(tǒng)運行方案，可有效地降低誤差的影響程度。雖然運行結(jié)果和理想最優(yōu)解仍存在差距，但相較于調(diào)整前，其相對偏差已有效降低，驗證了儲能系統(tǒng)實時調(diào)整運行方案的有效性。

5 結(jié) 論

針對光儲式充電站綜合運行成本較高和網(wǎng)側(cè)負荷波動水平較大的問題，以儲能系統(tǒng)功率和荷電狀態(tài)等為約束條件，建立儲能系統(tǒng)優(yōu)化運行模型。采用NSGA-Ⅲ和模糊聚類相結(jié)合的優(yōu)化算法對模型求解，通過仿真驗證，得出如下結(jié)論：

1)建立的儲能系統(tǒng)優(yōu)化運行模型，在滿足負荷需求的基礎(chǔ)上，從全局上保證了優(yōu)化的合理性；

2)與PSO相比，采用NSGA-Ⅲ與模糊聚類結(jié)合的優(yōu)化算法求解儲能系統(tǒng)優(yōu)化運行問題，儲能系統(tǒng)運行維護成本、向電網(wǎng)的購電費用和電網(wǎng)側(cè)負荷方差均降低，光儲式充電站經(jīng)濟性指標和電網(wǎng)運行技術(shù)性指標得到進一步提升。