基于洪水算法的机务段微电网光储容量优化配置

安小宇; 李汭; 卢法龙

doi:10.12404/j.issn.1671-1815.2501778

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (4) :1518-1527 DOI: 10.12404/j.issn.1671-1815.2501778

电工技术

基于洪水算法的机务段微电网光储容量优化配置

安小宇 ¹ ,
李汭 ¹ ,
卢法龙 ²^,^*

作者信息 +

Optimal Configuration of Photovoltaic and Energy Storage Capacity for Microgrid in Locomotive Depot Based on Flood Algorithm

AN Xiao-yu ¹ ,
LI Rui ¹ ,
LU Fa-long ²^,^*

Author information +

文章历史 +

摘要

针对新能源机车（new energy locomotives，NELs）接入光储（photovoltaic energy storage，PVES）微电网的迫切现实需求，提出基于洪水算法的机务段微电网光储容量优化配置方法。首先，结合新能源机车蓄电池、储能站等柔性负荷特征，构建面向新能源机车机务段微电网的光储容量优化配置数学模型。其次，以负荷缺电率、弃光率、光伏能源渗透率作为评价指标，选取春夏秋冬4个典型日进行算例分析。最后，采用洪水算法对所建模型进行求解，并对比分析3种新能源机车充电方案和4种优化算法。仿真结果表明，洪水算法能够在更少的迭代次数内达到最优解，证实了其在复杂优化问题中的高效性和优越性。优化所得配置方案充分调动了新能源机车蓄电池充电这一柔性负荷的灵活性，实现了“荷随源变”，平均光伏发电渗透率达93.98%，保证了矿区铁路运输的低碳化和经济性。

Abstract

In response to the pressing practical requirements associated with new energy locomotives （NELs） integrated into photovoltaic energy storage （PVES） microgrids，a methodology was proposed for optimizing the configuration of PVES capacity within the locomotive depot microgrid，utilizing a flood algorithm. Firstly，by integrating the flexible load characteristics associated with NEL batteries and energy storage stations，a mathematical model was developed to optimize the configuration of PVES capacity. Secondly，four typical days in spring，summer，autumn and winter were selected for example analysis，utilizing the load shortage rate，light rejection rate and photovoltaic energy penetration rate as key evaluation metrics. Finally，the flood algorithm was employed to solve the model，followed by a comparative analysis of three NEL charging schemes alongside four optimization algorithms. The findings from the simulation indicate that the flood algorithm is capable of attaining the optimal solution in fewer iterations，thereby demonstrating its efficiency and superiority in addressing complex optimization challenges. The optimized configuration scheme effectively harnesses the flexibility of the flexible load of NEL battery charging system，achieving “load following source”. The average penetration rate of photovoltaic power generation attains 93.98%，thereby promoting the low carbonization and economic viability of railway transportation in mining regions.

Graphical abstract

关键词

机务段微电网 / 柔性负荷 / 光储微（PVES）电网 / 洪水算法 / 优化配置 / 新能源机车（NEL）

Key words

locomotive depot microgrid / flexible load / photovoltaic energy storage （PVES） microgrid / flood algorithm / optimize configuration / new energy locomotive（NEL）

引用本文

引用格式 ▾

安小宇, 李汭, 卢法龙. 基于洪水算法的机务段微电网光储容量优化配置[J]. 科学技术与工程, 2026, 26(4): 1518-1527 DOI:10.12404/j.issn.1671-1815.2501778

AN Xiao-yu, LI Rui, LU Fa-long. Optimal Configuration of Photovoltaic and Energy Storage Capacity for Microgrid in Locomotive Depot Based on Flood Algorithm[J]. Science Technology and Engineering, 2026, 26(4): 1518-1527 DOI:10.12404/j.issn.1671-1815.2501778

登录浏览全文

4963

注册一个新账户忘记密码

积极扩大新能源、清洁能源在交通运输领域应用，加快推动新能源机车推广应用，是落实国家“双碳”目标、助力铁路行业低碳发展的重要举措。与传统工商业园区微电网不同，面向矿用新能源机车的机务段微电网的主要负荷是新能源机车蓄电池充电负荷，具有柔性负荷占比高、稳定性高、可控性高等特点。

太阳能作为一种新型可再生能源，具有储量丰富、清洁灵活、可循环使用等优点，能有效降低污染气体排放和缓解能源供需矛盾，在世界范围内得到了蓬勃发展。由于分布式光伏出力具有波动性与不确定性，大量分布式光伏并网导致电力系统的灵活性和可靠性不足，增加了电网调峰难度和弃光可能性。将分布式光伏与储能系统相结合，并利用柔性负荷在电网中的运行特性，可对电网供电做出调整，从而平缓短期内出现的光伏与负荷波动问题，实现削峰填谷、提高整个系统经济效益和环境效益，推动中国能源体系绿色低碳转型。

光储系统通常包括光伏组件和储能设备，通过合理配置光伏功率和储能容量，能够实现系统的最佳经济性与可靠性。文献[1]提出了两种适用于农村住宅的光储直柔系统拓扑结构，通过技术性和经济性两个角度的分析，对比了不同拓扑结构在不同光伏和储能容量配置下的系统性能。文献[2]构建了计及源网荷储协同运行的储能系统框架，提高了新能源消纳能力和电网运行经济性。文献[3]建立了考虑负荷匹配度的容量优化配置模型，实现了考虑源荷匹配的风光容量配置优化方法。文献[4]提出一种基于分时电价机制的储能策略，并通过能量平衡原则对储能系统的实时充放电功率进行统计，从而实现了对储能功率和容量的最优配置。文献[5]提出了一种正则化粒子群优化算法，用于社区微电网的实时能量管理问题，由此制定了电化学储能电池的最佳充放电策略。文献[6]提出一种协同规划方法，通过考虑多主体的利益和博弈关系，实现配电网中的源、网、荷、储的优化配置。文献[7]提出了一种基于多指标优化的两级优化策略，以新能源发电消纳率最大和系统平准化度电成本最小为优化目标进行配置，实现了经济性、环保性和可靠性的最优平衡。文献[8]提出一种计及源荷互补特性的一体化项目优化配置方法，优化了风光额定功率配比、容量配置和负荷接入位置。文献[9]提出了一种含混合储能的风光储系统容量优化配置模型，通过建立重力储能和蓄电池储能的混合储能系统，实现了风光储系统的容量最优配置。文献[10]提出了一种结合风光储能系统的电动汽车快速充电站优化设计方法，通过多目标优化模型和混合优化算法，实现了电力成本和污染排放的最小化。文献[11]提出了一种针对风能、光伏、水电和抽水蓄能混合发电系统的最优容量配置双层规划模型，通过引入两阶段鲁棒优化和列与约束生成算法，实现了不同能源容量的合理分配。文献[12]提出了考虑部分蓄电池储能的优化配置方法，通过合理配置储能容量，有效缓解了源荷出力波动对系统运行的影响。

随着能源系统的不断发展，柔性负荷在光储系统优化中的作用日益凸显，不仅可以优化负荷曲线，减少储能设备的容量需求，降低投资成本，还可以显著提升系统的经济性、灵活性和稳定性。文献[13]研究了电/热柔性负荷对区域综合能源系统储能优化配置的影响，柔性负荷的参与能够优化负荷曲线，减少储能设备的容量，降低储能设备的投资费用，使系统的经济性达到最优。文献[14]通过柔性负荷在两阶段源网荷储互动策略中发挥的重要作用，不仅提高了配电网的灵活性和稳定性，还为各参与主体带来了显著的经济效益。文献[15]构建了一个“源-网-储-荷”相协调的含多类型柔性负荷的优化能量管理策略，提高了光伏出力与负荷的匹配性，减少了蓄电池容量冗余，提高了可再生能源利用率和系统经济性。文献[16]提出了一种基于柔性负荷调度优化的微能源网与用户多目标演化博弈模型，综合考虑微能源网和用户的优化目标及约束条件，通过演化博弈理论实现了双方的动态协调，最终达到演化稳定状态。文献[17]提出了一种计及多类型可调度柔性负荷响应的电力系统经济调度策略，通过工商业负荷的协同调度，提高了新能源消纳水平并降低了系统运行成本。

综上所述，已有源网荷储优化配置的相关研究主要利用储能设施提供备用和平抑新能源出力波动，但其应用场景中的新能源发电渗透率低，仍依赖于配电主网提供调峰调频、爬坡等辅助服务。与传统工商业园区微电网不同，面向矿用新能源机车的机务段微电网的主要负荷是新能源机车蓄电池充电负荷，且新能源机车属于计划作业，机务段微电网具有柔性负荷占比高、负荷可控性高、功率调度灵活性高等特点。因此，以系统年综合总成本最小化为目标，综合考虑弃光率、光伏能源渗透率和负荷缺电率3个关键评价指标，通过引入洪水算法求解容量配置优化问题，旨在实现光储系统的最优配置，提高机务段微电网新能源发电渗透率和经济效益。

1 光储系统模型

1.1 系统结构

光储系统主要由光伏设备、储能设备以及相关配电设备组成，并与上级电网连接，如图1所示。

光伏装置是光储系统的核心部分，通常由多个太阳能光伏板串联或并联组合而成，由光电效应将太阳光转化为电能。储能装置用于存储多余的电能，确保在光照不足或用电高峰时能够提供电力支持。负荷主要包括新能源机车充电负荷和机务段日常生产负荷。光伏装置在阳光照射下发电，多余的电力存储在储能装置中以作为备用。通过这种结构，光储系统不仅能够提高可再生能源的利用率，还可以增强电力系统的可靠性与稳定性。

1.2 光伏系统数学模型

光伏组件的实际输出功率通常可以用一个综合的模型来描述，该模型考虑了太阳能辐射、环境温度、组件老化以及标准条件下的额定功率等因素^[18]。输出功率模型可表示为

（1）${P}_{out}={P}_{rated}\frac{G}{{G}_{STC}}[1+\beta （T-{T}_{STC}）]$

式（1）中：P_out为光伏设备的输出功率；P_rated为光伏设备在标准测试条件下的额定功率；G为实际太阳能辐射强度，通常以实时测量值为基础；G_STC为标准测试条件下的辐照度；β为光伏组件的温度系数，由制造商提供，通常反映温度的影响；T为光伏组件的实际温度；T_STC为标准测试条件下的温度，通常为25 ℃。

辐照度G的变化直接影响光伏组件的输出功率，实际辐照度越高，输出功率就越大。因此，实际辐照度与标准辐照度的比值G/G_STC是调节输出功率的重要因素。温度T对光伏组件的表现有显著影响，通常温度升高会导致输出功率下降，通过1+β（T-T_STC）可以量化这种影响。

1.3 储能系统数学模型

蓄电池有相对较高的能量密度，能够在相对较小的空间内存储大量电能，且其安装和使用相对简单，适合快速部署，能够有效地与太阳能等可再生能源系统结合使用，存储在发电时产生的多余电能，以便在需求高峰期或发电不足时使用。同时，蓄电池可以快速响应负荷需求的变化，提供快速的充放电能力，这对电力系统的平衡和稳定至关重要。因此选择蓄电池作为储能设备，并对其进行数学建模。储能系统的充放电功率数学模型分别为

（2）P_ch（t）=$\frac{[SOC（t）-（1-\sigma ）SOC（t-1）]{P}_{ESS}}{{\eta }_{c}\Delta t}$

（3）P_dis（t）=$\frac{[（1-\sigma ）SOC（t-1）-SOC（t）]{P}_{ESS}{\eta }_{d}}{\Delta t}$

式中：P_ch（t）、P_dis（t）为t时刻的充电、放电功率；SOC（t）为t时刻蓄电池荷电状态；SOC（t-1）为t-1时刻蓄电池荷电状态；σ为反映每小时电池自放电率的参数，即蓄电池在不使用时的能量损失；Δt为时间间隔，h；η_c、η_d分别为蓄电池充电、放电效率；P_ESS为储能设备的额定容量。

2 光储容量优化配置模型

2.1 目标函数

以系统年综合总成本最小化为目标，充分利用柔性负荷的运行特点，并以弃光率、光伏能源渗透率以及负荷缺电率作为评价指标。在保证满足负荷需求和其他约束条件的情况下，合理地配置柔性负荷的充放电状态和储能设备的容量，使光伏系统投资成本、储能系统投资成本、光储系统运行维护成本、从上级电网购电成本和弃光惩罚成本的总成本达到最小化，实现经济最优化。其目标函数表示为

（4）$C=min（{C}_{PV}+{C}_{ESS}+{C}_{OM}+{C}_{grid}+{C}_{W}）$

式（4）中：C为系统年综合总成本；C_PV为光伏系统投资成本：C_ESS为储能系统投资成本；C_OM为光储系统运行维护成本；C_grid为从上级电网购电成本；C_W为弃光惩罚成本。

2.1.1 光伏系统投资成本费用

光伏系统投资成本主要考虑光伏组件的购置费用成本，其计算公式为

（5）${C}_{PV}={P}_{PV}{C}_{PV1}{f}_{D}$

（6）${f}_{D}=\frac{r（1+r{）}^{m}}{（1+r{）}^{m}-1}$

式中：P_PV为光伏设备的总容量；C_PV1为光伏组件单位容量的价格；f_D为折旧系数；r为折旧率；m为光伏电源使用年限。

2.1.2 储能系统投资成本费用

储能系统投资成本主要考虑蓄电池的购置费用成本，其计算公式为

（7）${C}_{ESS}={P}_{ESS}{C}_{ESS1}{f}_{D}$

式（7）中：P_ESS为储能设备的总容量；C_ESS1为储能设备单位容量的价格。

2.1.3 光储系统年均运维成本费用

以年为单位，光储系统运行维护成本主要考虑各设备在正常运行周期内的运行和维护成本费用，其计算公式为

（8）${C}_{OM}={C}_{PV}{y}_{pv}+{C}_{ESS}{y}_{ess}$

式（8）中：y_pv、y_ess分别为光伏系统、储能系统的运维成本占各投资成本的比例。

2.1.4 从上级电网购电成本费用

以年为单位，当光储系统无法向负荷正常供电时，为了让负荷能够正常运行，此时需要从上级电网购电以年为单位来补充差额，在考虑分时电价的情况下，从上级电网购电成本的计算公式为

（9）${C}_{grid}={P}_{gird}{C}_{buy}$

式（9）中：P_gird为从上级电网购电的年购电量；C_buy为从上级电网购电的分时电价。

2.1.5 弃光惩罚成本费用

以年为单位，当光伏出力过剩时，将会出现弃光现象，从而产生弃光惩罚费用，其计算公式为

（10）${C}_{W}={P}_{PVwaste}{C}_{waste}$

式（10）中：P_PVwaste为年弃光量；C_waste为弃光惩罚单位成本。

2.2 约束条件

在光储系统容量优化配置过程中，需要增加一定的约束条件，以保证优化结果满足相应评价指标。由于储能设备和新能源机车的充放电量受电池的充放电功率和SOC的约束，因此主要针对系统整体的功率平衡、储能设备SOC、机车蓄电池SOC、储能设备充放电功率和机车蓄电池充电功率进行约束。新能源机车蓄电池本质上也是一个储能设备，其工作特性和约束条件与储能系统基本一致，主要区别在于储能设备需要同时考虑充放电功率约束，而机车蓄电池只需考虑充电功率约束。以下给出的储能SOC约束和充电功率约束同样适用于机车蓄电池。

2.2.1 功率平衡约束

功率平衡是电力系统安全稳定运行的基本要求，促使电力系统合理安排发电计划，优化电力资源的配置，其表达式为

（11）$\begin{array}{l}{P}_{load}\left(t\right)={P}_{pv}\left(t\right)+{P}_{dis}\left(t\right)+{P}_{grid}\left(t\right)+\\ {P}_{LPSP}\left(t\right)-{P}_{ch}\left(t\right)-{P}_{w}\left(t\right)\end{array}$

式（11）中：P_load（t）为t时刻总负荷功率，包括新能源机车充电负荷和机务段日常生产负荷；P_pv（t）为t时刻光伏发电功率；P_dis（t）为t时刻储能放电功率；P_grid（t）为t时刻电网供电功率；P_LPSP（t）为t时刻负荷缺电功率；P_ch（t）为t时刻储能充电功率；P_w（t）为t时刻弃电功率。

2.2.2 储能和机车蓄电池的SOC约束

储能SOC约束是保护储能设备安全运行的关键措施，合理的SOC约束有助于优化储能设备的运行策略，可以保障储能系统的长期可靠运行，其表达式为

（12）$SO{C}_{min}\le SOC\le SO{C}_{max}$

式（12）中：SOC_max为储能荷电状态上限；SOC_min为储能荷电状态下限。

2.2.3 储能和机车蓄电池的充放电功率约束

储能充放电功率约束是保障储能设备安全运行的重要条件，合理的充放电功率约束可以使储能设备更好地匹配电网的运行需求，有助于延长储能设备的使用寿命。其表达式为

（13）$\left\{\begin{array}{l}0\le {P}_{ch}\left(t\right)\le min\{{P}_{chmax},{P}_{chmax}(t\left)\right\}\\ 0\le {P}_{dis}\left(t\right)\le min\{{P}_{dismax},{P}_{dismax}(t\left)\right\}\\ {P}_{chmax}\left(t\right)=\frac{{E}_{b}[SO{C}_{max}-(1-\sigma \left)SOC\right(t-1\left)\right]}{{\eta }_{c}\Delta t}\\ {P}_{dismax}\left(t\right)=\frac{{E}_{b}\left[\right(1-\sigma \left)SOC\right(t-1)-SO{C}_{min}]{\eta }_{d}}{\Delta t}\end{array}\right.$

式（13）中：P_ch（t）、P_dis（t）分别为t时刻储能充电功率、放电功率；P_chmax（t）、P_dismax（t）分别为t时刻储能充电功率上限、放电功率上限；E_b为蓄电池的额定容量。

2.3 评价指标

在光储系统容量优化配置过程中，需要增加一定的评价指标来衡量优化结果是否达到预定标准。共设置三个评价指标，分别为负荷缺电率、弃光率和光伏能源渗透率。

2.3.1 负荷缺电率

负荷缺电率是衡量电力系统供电可靠性的重要指标，用于衡量在未完全满足负荷要求的情况下系统性能不佳的可能性。其表达式为

（14）${g}_{LPSP}=\frac{\sum _{t=1}^{n}{P}_{LPSP}（t）}{\sum _{t=1}^{n}{P}_{load}（t）}\times 100\%$

（15）${g}_{LPSP}\le {g}_{LPSPmax}$

式中：g_LPSP为负荷缺电率；g_LPSPmax为负荷缺电率的上限；P_LPSP（t）为t时刻负荷缺电量；P_load（t）为t时刻负荷用电量。

2.3.2 弃光率

弃光率是评估电网对光伏能源消纳能力的重要指标。从光伏发电系统自身来看，弃光率可以反映系统配置是否合理。其表达式为

（16）${g}_{PV}=\frac{\sum _{t=1}^{n}{P}_{PVwaste}（t）}{\sum _{t=1}^{n}{E}_{S}（t）}\times 100\%$

（17）${g}_{PV}\le {g}_{PVmax}$

式中：g_PV为弃光率；g_PVmax为弃光率的上限；E_S为光伏发电量；P_PVwaste为年弃光量。

2.3.3 光伏能源渗透率

光伏能源渗透率可以直观地反映光伏发电在电力系统中的占比，是衡量一个地区从传统能源向清洁能源转型进度的重要指标，其表达式为

（18）${g}_{EE}=\frac{\sum _{t=1}^{n}{E}_{S}（t）}{\sum _{t=1}^{n}{E}_{t}（t）}\times 100\%$

（19）${g}_{EE}\ge {g}_{EEmax}$

式中：g_EE为光伏能源渗透率；g_EEmax为光伏能源渗透率的下限；E_t为总用电量。

3 储能容量优化配置求解方法

3.1 洪水算法

洪水算法^[19]是一种基于自然现象的群体智能优化算法，其引入了一种新的元启发式优化算法，灵感来自河流流域洪水事件中水团的复杂运动和流动模式，模拟了洪水冲击下的水流的扩散、汇聚和分散等特性，探索解空间并寻找全局最优解，以解决复杂的优化问题。此外，该算法还引入了种群内突变或运动的新方程，以加快优化速度，促进种群多样性。利用该算法进一步增强了逃避局部最优的能力，并通过产生新的种群来增强种群多样性。该算法的迭代性质模拟了改进解决方案的搜索过程，提供了更多类似于自然界中观察到的循环模式和流体流动的机会。通过整合这些概念，洪水算法通过模拟自然现象中表现出的行为来增强优化性能，为推进优化算法和模拟自然现象提供了一个很好的前景。

3.2 求解流程

在洪水算法的常规运动阶段，算法主要模拟水体在流域中的自然流动。洪水算法在常规运动阶段的一般运动方程为

（20）${S}_{i}^{new}={S}_{best}+rand（{S}_{j}-{S}_{i}）$

式（20）中：${S}_{i}^{new}$为第i个种群成员的新解；S_best为当前最优解；rand为[0,1]之间的随机数；S_i为种群中的第i个随机种群成员的解；S_j为种群中的第j个随机种群成员的解。

算法还可以考虑土壤的渗透性。通过优化函数的代价值来调整，代价值越低，表示土壤的渗透性越差，洪水发生的可能性越高。渗透效应的计算公式为

（21）${P}_{ei}={\left[\frac{f（{S}_{i}）-{f}_{min}}{{f}_{max}-{f}_{min}}\right]}^{2}$

式（21）中：P_ei为第i个种群成员的渗透概率；f（S_i）为第i个种群成员时的目标函数值；f_max、f_min分别为当前洪水算法迭代为止找到的优化函数的最佳值和最差值。

在洪水算法中，随着洪水耗尽会导致渗透概率降低，因此洪水的概率会降低。如果rand>rand+P_e_i，则常规运动阶段的运动方程计算公式变为

（22）${S}_{i}^{new}$=$\frac{（{P}_{k}{）}^{randn}}{Iter}$[rand（S_max-S_min）+S_min]+S_i

（23）${P}_{k}=\frac{Ite{r}_{max}-Iter}{Ite{r}_{max}}$

式中：P_k为第k次迭代的耗水系数；Iter为当前迭代次数；Iter_max为算法设定的最大迭代次数；rand（·）为正态分布，其值在无限负到无限正之间变化；S_max、S_max分别为解空间中的最大值和最小值。

在洪水算法迭代过程中增加或减少种群规模的概率随时间逐渐降低。这些新粒子将取代最差的解，并被添加到系统中。由式（23）可以看出，新粒子会在最佳位置附近。

（24）${S}_{e}^{new}$=rand[rand（S_max-S_min）+S_min]+S_best

（25）$e=1:{N}_{e}$

式中：${S}_{e}^{new}$为第e次迭代时的新解；S_best为当前最优解；N_e为总迭代次数。

洪水算法的基本流程图如图2所示。

4 算例分析

4.1 算例参数

以中国平煤神马集团铁运处机务段微电网为对象，基于该地区历史气象数据和相关运行数据进行算例分析。光伏设备总装机容量为2.6 MW，每台新能源机车蓄电池容量为1 500 kW·h，一共4辆，分别在00：00—06：00、06：00—12：00、12：00—18：00时、18：00—24：00时4个时段内进行充电。选取春、夏、秋、冬4个典型日的光伏系统和负荷数据进行分析，其中光伏发电量和日常负荷用电量如图3所示，光伏系统的具体运行参数如表1所示。以系统年综合总成本最小化为优化目标，对储能容量进行优化配置。

4.2 新能源机车充电方案对比分析

根据新能源机车充电负荷的工作特点，可以采用以下3种方案。

（1）方案1。将新能源机车充电负荷作为刚性负荷，四辆机车均在最短的时间内完成充电。

（2）方案2。将新能源机车充电负荷作为刚性负荷，四辆机车在各充电阶段以平均功率充电，即充电功率恒定。

（3）方案3。将新能源机车充电负荷作为柔性负荷，各时段的充电功率可以灵活调整。

在 MATLAB 中进行求解，不同方案下各典型日的最优储能容量和系统年综合总成本如表2所示。

可见，在方案3的情况下，各典型日的储能容量均低于方案1和方案2，各典型日的系统年综合总成本，相较于方案1分别降低了24.3%、20.5%、24.6%、23.7%，相较于方案2分别降低了14.3%、8.6%、13.9%、17.3%。因此，将新能源机车充电负荷作为柔性负荷参与光储系统的优化配置，可以显著降低系统年综合总成本，更符合经济性要求。

夏季光伏辐照充足，出力较大，光伏出力与实际负荷的差值最大，所需配置的储能容量最大，系统年综合总成本最高，光伏能源渗透率最高，可达99.91%。相反，冬季光伏出力较小，光伏出力与实际负荷的差值最小，所需配置的储能容量最小，系统年综合总成本最低，但光伏能源渗透率最低，仅83.31%。总体而言，各典型日的最优储能容量介于4 067~5 225 kW·h，除了冬日，其他3个典型日的光伏能源渗透率均高达95%以上，4个典型日的平均光伏能源渗透率为93.98%。

4.3 算例仿真结果与分析

在新能源机车充电负荷作为柔性负荷的情况下，各典型日24 h的功率（电量）分布如图4所示，4台机车的充电量与SOC曲线如图5所示。

由于冬季光伏出力不足，系统在04：00—08：00需要向电网购电，使得光伏能源渗透率较低，而其他3个典型日的购电量较少，使得光伏能源渗透率较高。通过对4辆机车蓄电池的荷电状态（SOC）曲线和实时充电量分析可知，4辆新能源机车均在规定时间内完成充电，即满足分别在06：00、12：00、18：00、24：00充电至90%的充电需求。由于07：00—08：00储能设备剩余电量不足，B机车充电工作延时至光伏发电时段（主要介于09：00—12：00），从而有效地减少了购电量，最大化利用光伏发电。可见，新能源机车作为柔性负荷，可以根据光伏发电量的分布特点，合理地安排充电时间和充电量，从而实现“荷随源变”，最大程度利用光伏发电，降低弃光率，有效提高了光储系统的新能源渗透率和运行经济性。

通过储能设备SOC的变化趋势，可以初步判断储能容量与光伏发电量以及负荷需求之间的匹配程度。如图6所示，储能电池的SOC在限定范围0.1~0.9内变化。通过对储能SOC曲线图的分析，可以全面了解储能系统的运行状态和性能表现，从而科学合理地优化储能容量，最终实现光储系统的高效稳定运行和系统经济效益的最大化。

4.4 求解算法对比分析

分别采用洪水算法（flood algorithm，FLA）、麻雀搜索算法（sparrow search algorithm，SSA）、灰狼优化算法（grey wolf optimization algorithm，GWO）和改进的灰狼优化算法（improved grey wolf optimization algorithm，IGWO）对种群数量为100、最大迭代次数为200的仿真模型重复进行50次的仿真实验。选取其中具有代表性的收敛曲线，春季典型日的收敛曲线如图7所示（为了更清晰地观察收敛曲线图，此处仅截取了迭代过程中的前50次），不同典型日在不同算法下的最优迭代次数如表3所示。

由表3可知，相比于其他3种算法，洪水算法具有更快的收敛速度，在各典型日场景下分别于第37、35、38、30次达到最优解，体现了洪水算法在光储容量优化配置模型求解中的优越性。

5 结论

提出了一种基于洪水算法的机务段微电网光储容量优化配置方法。结合新能源机车蓄电池、储能站等柔性负荷特征，构建了面向新能源机车机务段微电网的光储容量优化配置数学模型，采用洪水算法求解模型，并在 MATLAB软件平台分别对春夏秋冬4个典型日进行算例仿真分析，可以得到如下结论。

（1）优化所得配置方案充分调动了新能源机车蓄电池充电这一柔性负荷的灵活性，可以根据光伏出力特点，灵活安排新能源机车蓄电池的充电时间和充电功率，实现了“荷随源变”，提高了光伏发电渗透率，为新能源发电就近就地消纳提供了新途径。

（2）通过春夏秋冬4个典型日的算例分析可知，储能容量介于4 067~5 225 kW·h，储能容量平均值为4 874.75 kW·h，平均系统年综合总成本为949 408元，平均光伏能源渗透率为93.98%，提高了新能源就近就地消纳水平和机务段微电网的绿电占比，保证了矿区铁路运输的低碳化和经济性。

（3）在求解光储容量优化配置问题中，相较于麻雀搜索算法、灰狼优化算法和改进的灰狼优化算法，洪水算法能够在更少的迭代次数内达到最优解，证实了其在复杂优化问题中的高效性和优越性，为解决此类问题提供了新思路和新方法。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	王朝亮, 肖涛, 李少杰, 等. 农村住宅建筑光储直柔系统性能研究[J]. 中国电力, 2024, 57(3): 160-169.

[2]	Wang Chaoliang, Xiao Tao, Li Shaojie, et al. Performance investigation of PEDF system applied in rural areas[J]. Electric Power, 2024, 57(3): 160-169.

[3]	王勇, 刘梦晨, 王辉, 等. 计及源网荷储协同运行的城市配网侧储能系统规划调度[J]. 电工电能新技术, 2024, 43(3): 73-82.

[4]	Wang Yong, Liu Mengchen, Wang Hui, et al. Planning and scheduling of energy storage system for urban distribution network considering cooperative operation of generation, grid, load, and storage[J]. Advanced Technology of Electrical Engineering and Energy, 2024, 43(3): 73-82.

[5]	赵振宇, 解冰清. 计及风光互补特性的风光容量优化配置模型[J]. 太阳能学报, 2023, 44(8): 149-156.

[6]	Zhao Zhenyu, Xie Bingqing. Optimal allocation model of wind-solar capacity considering wind-solar complementary characteristics[J]. Acta Energiae Solaris Sinica, 2023, 44(8): 149-156.

[7]	杨锡运, 张璜, 修晓青, 等. 基于商业园区源/储/荷协同运行的储能系统多目标优化配置[J]. 电网技术. 2017, 41(12): 3996-4003.

[8]	Yang Xiyun, Zhang Huang, Xiu Xiaoqing, et al. Multi-objective optimal configuration of energy storage systems based on coordinated operation of source/storage/load in commercial park[J]. Power System Technology, 2017, 41(12): 3996-4003.

[9]	Hossain M, Pota H, Squartini S, et al. Modified PSO algorithm for real-time energy management in grid-connected micro grids[J]. Renewable Energy, 2019, 136: 746-757.

[10]	刘自发, 张子腾. 考虑多主体博弈的配电网源网荷储协同规划[J]. 电网技术, 2023, 47(12): 5046-5057.

[11]	Liu Zifa, Zhang Ziteng. Collaborative planning of distribution network source-network-load-storage considering multi-agent game[J]. Power System Technology, 2023, 47(12): 5046-5057.

[12]	郭富强, 汪鹏, 赵凯明. 基于多指标优化的园区源网荷储系统配置[J]. 科学技术与工程, 2023, 23(14): 6018-6026.

[13]	Guo Fuqiang, Wang Peng, Zhao Kaiming. Configuration of source-grid-load-storage system in an industrial park based on multi-indicator optimization[J]. Science Technology and Engineering, 2023, 23(14): 6018-6026.

[14]	孟旭瑶, 付立军, 赖心怡, 等. 计及源荷互补特性的“源网荷储一体化项目”优化配置[J]. 电力自动化设备, 2024, 44(7): 123-131.

[15]	Meng Xuyao, Fu Lijun, Lai Xinyi, et al. Optimal configuration of “source-network-load-storage integrated project” considering source-load complementarity characteristics[J]. Electric Power Automation Equipment, 2024, 44(7): 123-131.

[16]	向开端, 王辉, 彭婷婷, 等. 含混合储能的风光储系统容量优化配置[J]. 科学技术与工程, 2023, 23(31): 13415-13422.

[17]	Xiang Kaiduan, Wang Hui, Peng Tingting, et al. Optimal capacity allocation of wind-solar-storage system with hybrid energy storage[J]. Science Technology and Engineering, 2023, 23(31): 13415-13422.

[18]	Sun B J. Amulti-objective optimization model for fast electric vehicle charging stations with wind, PV power and energy storage[J]. Journal of Cleaner Production, 2021, 288: 125594.

[19]	Zhou H, Lu L, Shen L, et al. Two-stage robust optimal capacity configuration of a wind, photovoltaic, hydropower, and pumped storage hybrid energy system[J]. Frontiers in Energy Research, 2023, 11: 1275232.

[20]	曹娜, 韩志鹏, 于群. 基于废弃矿井的综合能源系统容量优化配置[J]. 科学技术与工程, 2024, 24(32): 13844-13854.

[21]	Cao Na, Han Zhipeng, Yu Qun. Optimal capacity allocation of integrated energy systems based on abandoned mines[J]. Science Technology and Engineering, 2024, 24(32): 13844-13854.

[22]	许周, 孙永辉, 谢东亮, 等. 计及电/热柔性负荷的区域综合能源系统储能优化配置[J]. 电力系统自动化, 2020, 44(2): 53-59.

[23]	Xu Zhou, Sun Yonghui, Xie Dongliang, et al. Optimal configuration of energy storage for integrated region energy system considering power/thermal flexible load[J]. Automation of Electric Power Systems, 2020, 44(2): 53-59.

[24]	陈璨, 樊小伟, 张文浩, 等. 促进分布式光伏消纳的两阶段源网荷储互动优化运行策略[J]. 电网技术, 2022, 46(10): 3786-3799.

[25]	Chen Can, Fan Xiaowei, Zhang Wenhao, et al. Two-staged generation-grid-load-energy storage interactive optimization operation strategy for promotion of distributed photovoltaic consumption[J]. Power System Technology, 2022, 46(10): 3786-3799.

[26]	杨丽君, 黄凯婷, 孔晓磊, 等. 考虑柔性负荷的并网型微电网系统容量优化配置[J]. 太阳能学报, 2021, 42(2): 309-316.

[27]	Yang Lijun, Huang Kaiting, Kong Xiaolei, et al. Capacity optimization configuration of grid-connected microgrid system considering flexible load[J]. Acta Energiae Solaris Sinica, 2021, 42(2): 309-316.

[28]	耿世平, 牛东晓, 郭晓鹏, 等. 计及多能源柔性负荷调度的微能源网多目标演化博弈[J]. 电力建设, 2020, 41(11): 101-115.

[29]	Geng Shiping, Niu Dongxiao, Guo Xiaopeng, et al. Multi-objective evolutionary game of micro energy grid considering multi-energy flexible load scheduling[J]. Electric Power Construction, 2020, 41(11): 101-115.

[30]	张斌, 司大军, 李文云, 等. 计及多类型可调度柔性负荷响应的电力系统经济调度策略[J]. 电工电能新技术, 2023, 42(4): 39-47.

[31]	Zhang Bin, Si Dajun, Li Wenyun, et al. Economic dispatching strategy of power system considering multi-type schedulable flexible load response[J]. Advanced Technology of Electrical Engineering and Energy, 2023, 42(4): 39-47.

[32]	王江江, 邓洪达, 刘艺, 等. 数据中心综合能源系统配置与运行的集成优化[J]. 科学技术与工程, 2023, 23(5): 1968-1977.

[33]	Wang Jiangjiang, Deng Hongda, Liu Yi, et al. Integrated optimization of configurations and operations of integrated energy system for data center[J]. Science Technology and Engineering, 2023, 23(5): 1968-1977.

[34]	Ghasemi M, Golalipour K, Zare M, et al. Flood algorithm (FLA): an efficient inspired meta-heuristic for engineering optimization[J]. The Journal of Supercomputing, 2024, 80(15): 22913-23017.

基金资助

河南省重点研发与推广专项(252102241023)

河南省自然科学基金青年科学基金(232300420316)

PDF (16455KB)

访问

被引

详细

导航

Received	Published	Revised
2025-03-17	2026-02-08	2025-11-10
Online Date
2026-09-21

摘要