高速铁路牵引变电所混合储能系统的优化选型与调度Yuanli Liu, Minwu Chen, Shaofeng Lu, Yinyu Chen, and Qunzhan Li摘要交流电气化铁路混合储能系统的集成（HESS）正在引起广泛的兴趣。
然而，很少有人关注整个项目期间混合储能系统最优的规模和每日的调度。
因此，一个新的铁路牵引变电所能量管理（RTSEM）系统双层模型被开发了，它包括了日间混合储能系统调度的从级和混合储能系统分级的主级。
从级是通过协调混合储能系统、牵引负荷再生制动能量和可再生能源制定的混合整数线性规划（MILP）模型。
至于主级的模型，综合了将电池老化和更换成本考虑在内，在项目期间进行的成本研究。
采用基于嵌入式CPLEX求解器的“灰狼”优化技术，实现了对系统的优化，解决了牵引变电所能量管理的问题。
并以中国的高速铁路为例对该模型进行了验证。
给出了几种不同系统元件情况下的仿真结果还对几个参数进行了灵敏度分析。
结果表明随着混合储能系统和可再生能源的整合，其显示出了巨大的经济节约潜力。
关键词：铁路牵引变电所能量管理；混合储能系统；混合储能整数线性规划；双层模型；电池退化1.引言碳排放量的急剧增加推动了全球气候变化，并给人类和自然系统带来了风险[1,2]，全球关于减少大气温室气体（GHGS）已达成共识[3,4]。
中国政府承诺在“十三五”期间（2015-2020年）减少碳排放，将排放强度降低至18％[5]。
来自国际能源署（IEA）的联合报告和国际铁路联盟（UIC）表明，2015年交通运输部门占全球碳排放量的24.7％，铁路部门占运输总碳排放的比例是4.2％，而中国相对应的比例为10.6％;15.3% [6]。
最值得一提的是，2005年至2015年中国与铁路相关的每位旅客每公里能源消耗和每单位碳排放量分别增长了44.1％和96.8％，大部分增长来自于高速铁路（HSR）的快速扩张[6]。
因此，铁路系统以及高铁系统的能源节约尤其受到了广泛的关注。
在节能方面，一些方法提供了见解，例如再生制动能量和可再生能源技术。
基于脉冲宽度调制的四象限转换器的列车（HST）[7]由于具有高速和巨大的牵引力，在制动模式下产生的再生制动功率（RBP）相当可观。
例如，最大CRH-380AL电动多单元（EMU）的制动力最大为20 MW。
因此，储能系统（ESS）在铁路系统中存储大量制动能量的应用不断增长[8]。
当前，车载ESS用于制动能量回收的工业应用包括西门子的Sitras SES，庞巴迪的MITRAC节能器和阿尔斯通的STEEM项目[9-11]。
但是，尺寸和重量的限制给高铁中的储能系统车载应用带来了障碍。
相比之下，安装在路边的储能系统可能是更好的解决方案。
而且，铁路网络和可再生能源（RES）有利于当地的可再生能源利用。
例如，兰州至新疆的高铁线路横穿了西北地区中国拥有丰富的太阳能和风能，而当地却无法获得可再生能源的消费。
关于再生制动功率和可再生能源的利用方式，除了提供给HST外，它们还可以用于为储能设备（例如混合储能系统）充电以供进一步使用。
因此，增加混合储能系统的再生制动功率和可再生能源利用率有助于实现节能目标。
此外，从另一个角度来看，也可以为铁路运营商节省成本。
对于当前的铁路电力系统，牵引负荷的剧烈随机波动和牵引变压器过载能力的苛刻要求导致利用率极低牵引变压器的速度和高需求收费。
此外，反馈到电网的再生制动功率包含大量的谐波分量和负序分量，因为牵引载荷的相位不对称性，严重危害电网的安全性和稳定性电力系统[12]。
因此，将收取由此产生的罚款。
为此，它显示了通过应用混合储能系统和能源流管理节省成本的潜力。
智能电网技术展现了铁路供电中能源管理系统的潜力。
智能电网中的电池尺寸调整和能源管理已被广泛研究。
近年来，例如并网光伏（PV）系统[13]，风电场[14]，主动配电系统[15]和微电网处于独立模式或并网模式[16-19]。
然而牵引负载的特性与传统负载有很大不同，在这些文献中很少对混合储能系统进行研究。
因此，在应用于电气化铁路系统时进行了检查，混合储能系统的规模和调度策略需要重新调整。
许多研究人员致力于解决上述在铁路系统中的问题。
Khayyam等[20]开发了铁路能源管理系统（REM-S）架构，协调负载，再生，存储和分布式能源，以获取最佳能源利用。
它为将智能电网的研究成果应用于铁路系统提供了启发。
用于DC和AC系统的混合铁路变电站（HRPS）的通用架构是通过将RES和存储单元与铁路系统集成，在文献[21]中提出。
基于HRPS[21]中的系统，在文献[22,23]中开发了相应的模糊逻辑能量管理策略进行可行性分析。
但是，电池的退化和更换被忽略了。
在文献[24,25]中，一种变电站能量管理的分层结构，确定了包括在途列车的牵引能耗和优化，以最大程度地减少电费。
但是，没有考虑存储设备的投资成本。
文献[26]中的智能火车站能源建立了制动能量利用和初始状态的管理系统模型电荷（SOC）尤其是不确定因素。
不幸的是，它仅仅是着重于减少用电量的电费而很少关注全面的成本分析。
在文献[27]中，电池储能系统（BESS）的优化模型制定运营策略以最大化所有者的净收益。
然而降级成本的评估是脱机的，即它不包含在优化模型中。
此外，未考虑地铁列车的再生制动能量。
在文献[28]中提出了一种利用RES和制动能量优化铁路ESS调度的方法，而没有考虑投资成本。
在文献[29]中，用于制动的HESS的最佳尺寸研究了能量利用率，但仅根据周期估算了电池寿命，并且每个循环的放电深度（DOD）被忽略，因此电池寿命和日常费用有待进一步提高。
前面提到的研究和此处未提及的许多其他研究给出了确定尺寸的方法，从不同的角度来看铁路系统中的储能设备或能源管理忽略了项目期间内的综合成本研究，没有考虑用于电池寿命估计更加准确的在线方法。
因此，本文旨在提供有关此问题的见解。
本文的重点概述如下：项目周期范围内HESS规模与HESS日常调度的交互作用通过考虑电池退化的使用期限制定了双层模型●通过最大程度地减少牵引负荷，可以大大减少铁路运营商的电费，制动功率的利用并减轻了反馈给公用电网的功率的罚款●不同电价方案，项目服务期限和初始投资的影响还分析了HESS的SOC本文其余部分的结构如下。
第2节介绍了RTSEM系统和包括的所有元素的说明。
第3节和第4节提出了问题主级和从级的公式。
在第5节中，“灰狼”优化提出了嵌入CPLEX求解器的方法。
在第6节中，进行了案例研究，给出了相关结果。
最后，在第7节中得出结论。
2.系统说明2.1 系统和模型框图在常规的电气化铁路系统中，牵引网提供25kV单相工频交流电（AC）给HST的电源。
在这项研究中，RTSEM系统的方案如图1所示，它基于在先前的研究中提出的混合铁路变电站的架构[21,24]。
为电源方向和相应的符号做出了约定。
RTSEM系统主要由公用电网，光伏发电机，电池组成存储系统，超级电容存储系统和HST组成。
重要的是要HST具有双重“负载”和“电源”的属性，具体取决于列车是处于牵引模式还是再生制动模式。
HST的这一特殊功能与常规功率负载有很大不同，虽然增加了操作模式的多样性和能源管理的复杂性。
但是，仍显示出相当节省经济的潜力。
值得注意的是，对包含大量牵引变电所（TSS）和电源的部分可能会导致大规模的问题。
由于高铁线路的不同牵引变电所是通过中性部分断电，本文重点介绍每个电源独立的部分。
图1.RTSEM系统的结构图图2为本文提出的双层模型的框图。
上块计算机仿真和场景是预处理过程，为以下过程提供输入参数：以下模型。
在这项研究中，混合储能系统的规模和综合成本计算是在项目服务期限内实施。
因此为了反映项目总成本与混合储能系统的日程安排之间的紧密联系提出了一个双层模型。
主级别模型专注于混合储能系统的最佳大小，而从级别模型则涉及混合储能系统的日程安排。
额定功率作为主控级模型的决策变量电池容量和超级电容被视为从级模型的边界参数。
电池在从级模型中计算出的使用寿命，HESS运行时间和每日电费为返回到主模型以相应地评估某些类型的成本。
日间HESS的运行被视为在项目周期期内重复进行。
图2.双层优化模型概述2.2 牵引负荷和再生制动功率作为建议模型的输入参数，铁路牵引载荷和再生制动功率曲线应以准确有效的方式确定。
两种预测牵引载荷的常用方法包括[28]：●基于牵引力和供电量计算的计算机仿真方法●基于安装在牵引变电站仪表中的测量数据的统计模型或抽样方法为了便于分析不同的操作条件，在这里采用计算机仿真方法。
预先在计算机中需要许多HST和HSR线参数仿真方法，例如高速的牵引力，行驶阻力和制动力，坡度，曲线高铁线路的半径和速度限制，以及牵引的等效阻抗和电力系统导纳[28]。
通常，这些要求的参数可以从铁路调查和设计机构获得。
受益于供电系统运行过程负载仿真软件的巨大进步，铁路运营商铁路牵引负荷预测及再生制动根据上述参数和时间表预先设置的电源可以轻松实现。
在这项研究中，牵引力仿真是通过商用软件执行的SIGNON WEBAnet [30]。
考虑到计算资源的限制并节省了计算时间，采样仿真结果的处理应适当设计减少时间[28,29]中通过组合短的30s 时间段形成更长的时间段来应用，该方法具有不同时间段之间持续时间不相等的缺陷。
功率采样时间在本研究中，混合储能系统的配置文件和调度时间间隔确定为1分钟，事实上，在短时间内牵引负载和混合储能系统的功率曲线变化不大。
2.3 光伏发电的不确定性表示当我们关注HESS 的规模配置和长期规划时在项目周期范围内，必须包括天气条件的随机特征。
通常，使用一系列场景和相应的概率来描述随机处理和数据处理[31]，因此本节采用基于场景的技术。
本文考虑了以光伏发电为代表的可再生能源附近的可再生能源消耗。
关于场景生成，为了尽可能描述光伏发电的不确定性，使用年度太阳辐照度曲线在这里生成365种不同的方案。
将所有场景应用于随机双层模型需要大量的计算资源和时间成本，因此应该在求解精度和计算速度之间进行权衡实现[32–34]。
旨在解决计算复杂度和时间上的矛盾局限性，在以前的研究中开发了场景减少方法[31,35,36]。
在[31]场景中约简算法拒绝低概率方案，并将那些近似于根据概率量度彼此形成代表相对良好的情景子集根据统计指标与初始方案近似。
}{1,2,3,4s ∈ （2-1） 可将各种算法应用于场景减少，包括快速后退方法，快速后退/前进方法和快速后退/后退方法[31,35]。
鉴于不同这些算法之间的计算性能和准确性，它们适用于不同诸如问题大小和目标精度之类的场合[32,37,38]。
例如，前进方法以最大的计算资源提供最佳的解决方案精度，同时快速向后移动该方法所需的计算量最少，但准确性较低[32,38]。