基于改进人工蜂群算法的配电系统储能优化控制策略

作者：肖俊阳 罗金阁 马伟哲 程武 平曾通

单位：深圳供电局有限公司

引用本文：肖俊阳, 罗金阁, 马伟哲, 等. 基于改进人工蜂群算法的配电系统储能优化控制策略[J]. 储能科学与技术, 2025, 14(6): 2567-2574.

DOI：10.19799/j.cnki.2095-4239.2025.0031

本文亮点：1、提出了基于电力物联网的配电系统储能优化控制策略。 2、实现了电池储能系统即插即用的能量流架构。

摘 要 为解决高比例间歇性新能源接入对电网造成的波动影响，提高配电网对新能源的接纳能力，本工作提出了基于改进人工蜂群算法的配电系统储能优化控制策略。首先，对储能系统结构解析，并构建包含功率-容量模型、能量转换效率模型、荷电状态(SOC)模型的储能系统数学模型；接着，提出分布式储能系统双层优化控制模型，上层以系统电压偏差最小、系统稳定为目标构建稳定控制模型，下层以新能源消纳、系统有功网损为目标构建优化控制模型，对分布式储能进行功率分配；然后，引入人工蜂群算法(artificial bee colony，ABC)求解模型，采用柯西变异增强算法全局搜索能力，结合动态惯性权重机制提升收敛速度，提高模型求解精度和速度。最后，以典型IEEE33节点配电网络为例，验证所提策略有效性。结果表明所提控制策略能有效提升新能源消纳，充分发挥储能系统的调节作用，有利于保障配电网灵活可靠运行。

关键词 储能系统；控制策略；人工蜂群算法；柯西变异；惯性权重；新能源

随着全球能源结构变革以及可再生能源技术的快速发展，新能源在电力系统中的渗透率持续提升。然而，由于新能源具有波动性和随机性，引发电网电压波动、功率不平衡等问题，从而对电网的安全稳定运行带来严峻挑战。为了缓解这些问题，提高新能源的消纳能力，储能系统(battery energy storage system，BESS)作为一种重要的调节手段，可在电力供需不匹配时进行充放电调节，以平抑新能源出力波动，增强配电网的灵活性和可靠性。

文献[3]表明储能系统在调节新能源出力波动、改善电网功率平衡方面发挥着重要作用；文献[4]进一步指出，单一的储能调节手段可能存在局限性，而采用分布式电源、储能系统以及其他多种分布式能源的协同控制策略，能够在更大程度上提升系统的灵活性和稳定性。与此同时，文献[]强调，利用储能提升分布式电源的消纳比例，是智能电网未来发展的重要方向之一。

在含高比例新能源的配电系统优化控制方面，现有研究主要围绕储能系统的优化调度展开。文献[7]针对风力发电出力波动性较强、易导致电网功率不平衡的问题，提出了一种综合考虑风功率波动与电池荷电状态(state of charge，SOC)的储能系统平滑控制策略。文献[8]提出采用功率型储能装置来平抑并网功率中的高频波动部分，以提高新能源出力的平稳性，但降低了整体经济性。文献[9]提出一种基于遗传-模拟退火算法的储能系统优化控制策略；文献[10]提出了一种基于变调节因子SOC下垂控制策略；文献[11]提出一种基于改进交替方向乘子算法的电压分布式控制方法。然而，上述研究主要聚焦于功率分配与SOC约束管理，较少研究系统运行的经济性，没有综合考虑新能源消纳和储能收益。

针对上述问题，本工作在充分考虑配电网电压稳定性和系统运行经济性的基础上，提出了上层优化用于确定储能电站群的总有功/无功功率，以提升整体调度能力；下层优化则进一步对储能单元的功率分配进行细化，并利用改进ABC算法求解各储能单元的最优功率分配方案。

1 储能系统数学模型

参与调节的BESS数学建模是实现储能系统高效运行和优化调控的关键，参与电网调节控制的模型主要包括储能功率-容量模型、能量转换效率模型、SOC模型，为电网的智能化和高效运行提供了重要支撑，提升电网的稳定性和可靠性，优化资源配置，促进配电网向更加智能化、高效化的方向发展。

在电池储能系统的充放电过程中，能量损耗主要来源于风扇、电磁阀的反应损失，可以通过具体的数学模型对这些损耗进行描述和量化。

风扇供电损失电量_F表示为：

(1)

电磁阀供电损失电量E_V表示为：

(2)

式中，、分别为电池储能系统的启动、停止时间；、、分别为风扇、电磁阀、循环泵的额定功率；为电池组数。

因此，储能电池充、放电时的损失电量可以由式(3)表示：

(3)

式中，、分别为充、放电时的损电率；、分别为充、放电时的实际功率。

BESS充放电功率约束如下：

(4)

式中，为充放电功率；为额定充放电功率；=1时充电，=-1时放电。

在时间段+1内储能电量的变化情况即可根据储能系统充放电表示为：

(5)

式中、为储能系统在、+1时段的电量，、分别为储能系统充放电效率。

时段内的截止SOC即可表示为：

(6)

式中，为当日BESS的起始SOC，为时段内的截止SOC，为系统额定电量。

2 考虑新能源消纳的分布式储能优化控制策略

为确保含新能源接入的配电网安全稳定运行，需充分考虑风电和光伏出力的随机性以及负荷需求的动态变化特性。由于传统固定充放电策略难以适应实时运行环境，因此需要根据两次全局优化之间的系统需求，动态调整分布式储能系统(distributed energy storage，DESS)的充放电计划，以提升配电网运行的灵活性和可靠性。

针对上述问题，本工作提出了一种双层优化控制策略，以协调分布式储能系统的运行，提升新能源消纳水平并优化配电网运行性能。上层优化控制层以电压偏差最小为目标，确定分布式储能系统的总有功/无功出力；下层优化控制层则侧重于配电网的经济性优化，综合考虑系统网损最小化和新能源消耗最小化目标，进一步优化分布式储能功率的分配策略。通过该双层优化控制策略，能够有效平抑负荷峰谷波动，提高新能源消纳能力，增强配电网的安全性与经济性。

2.1稳定控制层模型

上层稳定控制层的目标为系统各节点电压偏差最小，旨在根据新能源出力的不确定性及负荷状态的动态变化，确定使节点电压偏差最小的目标有功/无功功率总量。

（1）目标函数

目标函数可表示为：

(7)

式中，为节点的电压实际值；为节点个数；为额定电压。

（2）约束条件

①无功功率满足如下约束条件：

(8)

式中，、为储能电站在时刻的无功功率、充/放电功率；、为储能电站的最大视在功率、最大无功功率裕量。

②储能电站充放电功率需满足如下条件：

(9)

式中，、为储能电站的充电和放电功率；、、、为储能电站充/放电功率的最小值和最大值；为储能电站的荷电状态；、分别为储能电站荷电状态的最小和最大值。

③储能电站荷电状态需满足以下条件：

(10)

式中，为储能电站的自放电率；为时间间隔。

④系统中各节点功率平衡约束：

(11)

(12)

式中，、、、、、为节点的新能源、储能、其他有功、无功功率；、为节点、的电压；为节点、间的相角差；、为节点导纳矩阵的实部和虚部。

⑤储能电站容量满足如下条件：

(13)

式中，为储能电站容量；、为储能电站的容量最小、最大值。

2.2优化控制层模型

优化控制层将稳定控制层的总有功/无功作为初始优化条件，在满足配电网安全运行的前提下，以系统有功网损最小和新能源损耗最小为目标，进一步细化到各储能单元的具体功率分配。

（1）目标函数

①有功网络损耗率最小：

(14)

式中，为储能电站的个数。

②新能源损耗率最小：

(15)

式中，为新能源数量；、、为节点上新能源有功出力、并网有功功率的实际值、额定功率。

③多目标优化函数：

(16)

式中，₁、₂为惯性权重。

（2）约束条件

优化控制层的约束条件遵循稳定控制层模型的约束条件，详见2.1小节。

3 基于改进ABC算法的双层控制模型求解

3.1ABC算法及其改进

ABC算法模拟了蜜蜂在自然界中寻找食物的行为，并通过信息共享来优化觅食策略。具体而言，该算法模仿了蜜蜂在采集花蜜时的两种主要行为：一部分蜜蜂首先发现食物源，并通过舞蹈等方式吸引其他蜜蜂跟随，另一部分蜜蜂则在已知蜜源附近探索新的蜜源，从而提高整个蜂群的觅食效率。

算法主要由三种类型的蜜蜂协同完成搜索任务：雇佣蜂、观察蜂和侦查蜂。

（1）雇佣蜂：主要负责对当前已发现的食物源进行局部搜索，以期找到质量更优的食物源，并将相关信息传递给观察蜂，以便后续的进一步优化。

(17)

式中，为搜索后的参数值，为当前参数值，为另一个随机可行解中相同位置的参数值，为(-1，1)的随机数。

（2）观察蜂：观察蜂在接收到有关食物源的信息后，会依据适应度值对可行解的选择概率进行计算。随后，通过轮盘赌选择机制，从多个可行解中筛选出一个最优或较优的解，并对其进行进一步优化，以提高食物采集的效率并增强群体的适应性。概率计算为

(18)

式中，为适应度值，SN为种群规模。

（3）侦查蜂：当某一可行解的更新次数超过设定的阈值maxLimit后，若仍未能获得显著的改进，则该可行解将被舍弃，以避免在低效解空间中浪费计算资源。与此同时，原本负责该可行解的观察蜂会转换角色，成为侦查蜂。

(19)

然而，传统的人工蜂群算法在领域搜索机制上存在不足，易陷入局部最优解，同时算法采用固定步长导致搜索效率低下，因此为使得算法求解结果跳出局部最优解且加快搜索效率，引入柯西变异和动态惯性权重机制优化人工蜂群算法。

在观察蜂阶段引入柯西变异，使其跳出局部最优，公式如下：

(20)

式中，为柯西变异强度系数，为标准柯西分布随机数。

采用惯性权重机制平衡蜂群搜索速度与精度，非线性惯性权重函数如下所示：

(21)

式中，为当前迭代次数，为最大迭代次数。改进后的位置更新公式为：

(22)

3.2基于改进ABC算法的模型求解

基于改进ABC算法求解双层优化控制模型流程如下所示：

（1）输入初始条件并计算系统节点电压，并判断各节点电压是否超出安全运行范围；

（2）若检测到某些节点电压超出允许范围，则启动上层优化计算，采用ABC算法在可行解空间内进行遍历搜索，寻找使系统节点电压偏差最小的最优解；

（3）基于上层优化结果，对储能电站的功率进行进一步优化分配，将优化函数作为适应度函数，通过优化算法求解出各储能电站的具体功率分配方案，并输出储能充放电功率；

（4）若系统节点电压未超出安全范围，则不执行无功优化，而是直接进行功率分配计算。对储能电站的充放电功率进行计算与分配，并最终输出储能电站无功调节量。

4 算例分析

4.1系统参数设置

为验证本工作提出的储能系统优化控制策略的有效性，本工作选取如图2所示的标准的IEEE 33节点配电网系统作为仿真验证平台，以评估所提出方法在复杂配电网环境下的适用性与有效性。配电网的基准电压设定为12.66 kV，各节点电压的允许波动范围为0.95～1.05 pu，为模拟分布式能源并网运行的实际情况，在系统中接入光伏、风电及储能系统，具体配置如表1所示。分别在节点8和节点27接入光伏，每个节点的光伏发电额定功率均为200 kW，总光伏装机容量为400 kW；在节点12接入风电，其额定功率为300 kW。此外，储能系统分别接入至节点9、节点11和节点26，每个储能单元的容量为500 kWh，最大充放电功率为250 kW，自放电率为0.05，充放电效率为0.95。各接入风电、光伏及储能设备的具体参数如表1所示。

表1   设备参数

4.2仿真结果分析

本工作选取节点8、节点12和节点27作为研究对象进行对比分析，并进一步选取节点8作为典型节点进行详细研究。

从图3可以观察到，在储能系统未参与调节的情况下，节点8在多个时段的电压水平低于0.95 pu，无法满足电压稳定性的要求，从而可能影响用户的电能质量。然而，当储能系统采用本工作提出的优化控制策略后，节点8的电压始终保持在0.95～1.05 pu的合理范围内，电压波动显著减少，电压偏差被有效抑制，验证了所提控制策略在提升电压稳定性方面的有效性。

从节点8的电压波动曲线可以观察到，在18：00—22：00时间段内，电压容易出现跌落现象，为了分析储能系统在该时间段内的响应情况，本工作列出了该时段内储能系统的具体出力情况，如图4所示。

在18：00时，节点8的电压超出安全范围，出现越限现象。此时，储能电站首先通过发出无功功率进行初步调节，使电压恢复至允许范围内。然而，稳定控制层在对系统状态进行持续监测后发现，电压仍然存在越限行为，为了确保电网的稳定运行，系统立即启动双层控制策略，对功率分配方案进行重新优化，并将调整结果上传至储能检测控制模块。其中，储能系统的有功出力遵循“吸收为正，发出为负”的原则，而无功出力的定义则相反，即“发出为正，吸收为负”。

结果如图5所示，分布式储能电站积极参与配电网调控，通过合理分配有功和无功功率，实现对电网运行状态的优化。实验结果表明，采用该控制策略后，有功网络损耗率得到了显著降低，相较于储能未参与调控的情况，有功损耗整体上呈现下降趋势，进一步提高了系统有功功率的有效利用率。此外，储能电站的介入使得系统运行更加灵活，可以在负荷高峰时段合理释放储能功率，在负荷低谷时段进行充电储能，从而优化功率流向，降低整体能耗。

图6为储能电站参与调控前后新能源有功损耗，在储能电站参与调控后，新能源出力值与实际并网功率的差值减小，在新能源出力较高、负荷需求较低的时段，储能系统主动吸收多余的可再生能源，将其存储起来；而在新能源出力较低、负荷需求较高的时段，储能系统则释放存储的能量，补充电网功率需求，从而减少新能源发电因功率超出可并网能力而被弃用的情况。

4.3不同算法求解模型对比

为验证本工作所提采用改进人工蜂鸟算法求解分布式储能双层优化控制模型的优越性，将改进ABC算法与传统优化求解方法粒子群算法、遗传算法与人工蜂鸟算法求解结果进行对比分析，结果表明采用改进ABC算法求解得到分布式储能功率分配结果，在平抑配电网波动和降低新能源损耗上效果更好，且改进ABC算法具有更强的寻优能力、更快的收敛速度和更短的计算时间，算法收敛速度和精度得到有效改善，能够跳出局部最优解，相比于传统的PSO算法、GA算法和ABC算法，本工作提出的改进ABC算法在高维非线性优化问题中具有更优的求解精度和更高的寻优效率，有功损耗结果如图7所示。

5 结论

本工作提出了一种基于改进ABC算法的配电系统储能优化控制策略，以应对高比例间歇性新能源接入带来的电网波动问题，试验表明：

（1）研究构建了储能系统数学模型，并基于双层优化控制策略进行调度优化，上层优化以最小化电压偏差，确定储能电站群的总有功/无功功率；下层优化在此基础上进一步优化储能功率分配，以最小化新能源损耗和系统有功网损为目标。

（2）为了提升优化求解能力，本工作引入了改进ABC算法，其中采用柯西变异增强全局搜索能力，并结合动态惯性权重机制提高算法收敛速度和寻优精度，与传统优化方法相比，改进ABC算法展现出更强的寻优能力、更快的收敛速度和更优的优化效果。最后通过算例验证，证明所提优化控制策略在实现对计划外的分布式能源波动和负荷变化的消纳方面具有重要作用。

通讯作者：肖俊阳（1988—），男，硕士，高级工程师，研究方向为电网建设、微电网。

第一作者：肖俊阳（1988—），男，硕士，高级工程师，研究方向为电网建设、微电网。

基金信息：中国南方电网有限责任公司科技项目（090000KK52222150，SZKJXM20222148）。

原标题：《储能科学与技术》文章|肖俊阳 等：基于改进人工蜂群算法的配电系统储能优化控制策略