图1 城轨牵引供电系统仿真平台
Fig.1 Simulation plat of traction power supply system
摘要 采用地面式混合储能系统能有效提升城轨牵引供电系统中再生制动能量的利用。该文针对传统固定阈值策略下，空载电压波动和发车间隔变化导致的储能系统回收再生制动能量效果差的现象，在双闭环控制的基础上，提出基于模糊逻辑的充放电阈值自适应调整策略。此外，考虑到电池和超级电容在功率密度、能量密度和价格方面的差异性，提出一种考虑节能率的综合经济效益最优的混合储能系统容量配置方法。构建包含电池/超级电容的全寿命周期成本和变电站耗电费用的容量配置目标函数，以北京八通线实际线路为例，利用并行遗传算法对该目标进行寻优求解，并分析节能率约束条件对容量配置结果的影响。此外，对所提出的充放电阈值自适应调整策略进行仿真研究，并在北京八通线梨园站1MW混合储能样机上完成了实验验证。
关键词：城轨交通 地面式混合储能系统 自适应能量管理 容量配置
城轨交通中牵引能耗占比最大，北京市城轨牵引能耗占总能耗的53%左右[1]。降低牵引能耗对促进城市轨道交通行业的可持续发展具有重要意义，其中充分利用列车再生制动能量是降低牵引能耗的关键。采用地面式储能系统是再生制动能量回收利用的主要方式之一。目前，超级电容、电池和飞轮储能均在轨道交通上得到了实际应用[2]。但单一的储能介质存在不能充分吸收再生制动能量和能量过冗余的问题。此外，考虑到供电故障时列车需紧急牵引及储能系统安全运行等问题，可以选择超级电容与电池结合的地面式混合储能系统（Hybrid EnergyStorage System, HESS）。地面式HESS可以充分发挥两种储能元件各自的优势，使系统兼顾吸收再生制动能量、削峰填谷及紧急牵引等多种功能。
地面式储能系统的能量管理是储能技术领域的主要研究方向。一般地面式储能系统的DC-DC变流器采用电压外环和电流内环的控制方式[3]。地面式储能系统大多采用固定阈值的能量管理策略[3-4]。文献[5]提出了通过列车运行状态观测列车功率特性和制动电阻特性来调节储能系统的充电电压阈值的方法。但该策略需要实时获取列车信息，使得系统通信复杂化，降低了设备运行可靠性。文献[6]利用10kV交流电压来估算空载电压值。文献[7]采用历史数据拟合出变电站负荷特性曲线，利用变电站实时电压和电流得到空载电压值。但受牵引网侧电压波动的影响，使空载电压估计值的准确度较低。
此外，容量配置也是HESS应用于工程中需解决的关键问题，目前已有文献对HESS容量配置研究较少，但对单一储能配置研究较多。文献[8]以系统能耗和配置成本为优化目标，利用第二代非支配排序遗传算法（Non-dominated Sorting Genetic Algorithm, NSGA-II）对供电参数与储能系统容量配置进行了综合优化。文献[9]以降低网压跌落作为目标函数，将网压跌落较大的变电所作为储能系统的设置点，根据网压跌落情况确定储能容量。文献[10-12]在保证节能效果的同时降低投资成本，基于遗传算法将多储能系统的控制参数与容量配置进行了协同优化。文献[13-14]根据变电所实际输出能量，在实现削峰填谷的前提下，以经济效率为优化目标，对地面式电池储能系统进行了配置优化。文献[15]通过对比分析功率-容量约束配置方法与容量约束方法下地面式储能系统的综合经济收益，表明功率-容量约束配置法下的配置结果节能效果与经济效益更好。文献[16-17]以节能、稳压为优化目标，提出了基于智能算法的储能选址和配置优化方案。
然而上述文献中地面式储能系统能量管理策略未能综合考虑列车负载变化和空载电压变化对储能系统节能效果的影响。此外，目前已有的容量配置方法无法满足地面式HESS的配置需求。因此，本文从储能系统节能和变电站输出能量的角度出发，提出基于模糊逻辑控制（Fuzzy Logic Control, FLC）的阈值自适应调整策略，该策略可以解决发车间隔、空载电压等因素影响下储能系统节能效果差的问题。同时，基于此能量管理策略，以变电站耗电费用和储能全寿命周期的综合经济成本为优化目标，提出控制参数与混合储能系统配置综合优化方案。
首先，本文建立了包含地面式HESS的城轨牵引供电系统系统，考虑发车间隔和空载电压变化下牵引供电系统的能量流动规律，提出基于FLC的阈值自适应调整策略。然后，结合遗传算法和牵引供电系统仿真，优化了模糊控制参数和容量配置结果，并对不同节能率约束下的容量配置结果进行了分析。最后，利用北京地铁八通线梨园站的1MW地面式HESS对所提出的能量管理策略进行了实验验证。
城轨牵引供电系统仿真平台如图1所示，包括牵引供电系统模块和储能系统控制模块。图1中，Tss为变电所，HESS为混合储能系统，Veh为列车。牵引供电系统模块为含有列车、储能系统和变电所的多能源耦合模型。储能系统控制模块用来控制HESS的充放电电流。通过获取变电所信息和HESS的状态，根据能量管理策略产生控制DC-DC变换器中IGBT开通和关断的占空比信号。
传统的HESS控制策略采用电压电流双闭环控制[18]，控制框图如图2所示。通过比较变电所电压与充放电阈值uch、udis来控制储能系统进入充电模式、待机模式或放电模式。然后通过功率分配得到电池和超级电容的功率指令。功率指令除以储能系统各自的电压得到参考电流值，参考电流通过PI控制将储能系统的充放电电流控制在参考指令值。为了减少电池的充放电，延缓电池衰退，本文采用超级电容优先充放电[19]，其表达式为
图1 城轨牵引供电系统仿真平台
Fig.1 Simulation plat of traction power supply system
（1）
（2）
式中，pbat为电池的充放电功率；psc为超级电容的充放电功率，电流大于0为充电模式；pbat_max和psc_max分别为电池和超级电容的最大功率限制值；phess为HESS充放电功率指令。
图2 HESS电压电流双闭环控制
Fig.2 Voltage and current double closed loop control strategy for HESS
受城市电网的影响，牵引网空载电压是实时波动的，固定充放电阈值会导致储能系统“充而不放”或“无法充电”的现象发生。并且，充放电阈值对储能装置充放电能量影响明显，充电阈值过高，储能装置可吸收能量减少，充电阈值过低，则会影响列车间的能量交互；放电阈值越低，储能装置可放电能量越少[14]。此外，列车发车间隔对能量流动影响较大，并且存在一定规律。当发车间隔较小时，列车剩余再生能量较小，牵引变电站输出峰值功率较大；当发车间隔较大时，列车剩余再生能量较大，牵引变电站站输出峰值功率较小[17]。故充放电阈值参数的合理设置对提升地面式HESS的节能效果至关重要。因此，本文提出了基于FLC的电压阈值自适应在线调节策略，如图3所示，分为充电模糊控制模块和放电模糊控制模块。本策略以变电站相邻列车发车时间间隔下变电站输出能量和储能系统自身的前后周期状态变化为判据，在线优化储能系统再生能量回收效果。
图3 基于FLC的电压阈值自适应调整策略
Fig.3 Voltage threshold adaptive adjustment strategy based on FLC
充电模糊控制模块的输入量为变电站输出电量变化量DEsub、超级电容充电量Esc_in和超级电容充电量变化量DEsc_in；输出量为充电阈值调整量Du1。放电模糊控制模块的输入量为变电站输出电量变化量DEsub、超级电容放电量Esc_out和超级电容放电量变化量DEsc_out；输出量为放电阈值调整量Du2。第k个发车间隔下的输入量表达式为
（3）式中，usub为变电站电压；isub为变电站输出电流；x为in表示充电，且psc_in＞0，x为out表示放电，且psc_out＜0；T为发车间隔时间；k为发车间隔数；t为时间。
充电阈值和放电阈值分别为
（4）在阈值调节过程中，充放电阈值需要满足约束条件为
（5）
式中，umin为放电阈值下限值；u1为列车车载制动电阻起动电压。
充放电模糊规则根据空载电压和发车间隔变化时所对应的变电站输出能量、储能系统充放电量及其变化量的对应关系来制定。空载电压升高时，变电站输出能量增加，储能系统充电量和放电量减小，此时充电阈值和放电阈值需要上调；空载电压降低时，线路损耗增加，变电站输出能量增大，储能充电量变化不明显，但此时为避免放电阈值高于空载电压，充电阈值和放电阈值应跟随空载电压下调。
发车间隔变小时，变电站电压波动大，此时周期内变电站输出能量和储能系统充放电量同时减小，需要降低充电阈值，避免车载制动电阻电压过早起动；反之，发车间隔增大时，变电站输出能量和储能系统充放电量同时增加，需要提高充电阈值。空载电压和发车间隔波动时所对应的能量变化关系见表1。表中，“↑”、“↓”和“-”分别代表增大、减小和近似不变。
表1 空载电压与发车间隔波动时系统能量变化关系
Tab.1 Table of system energy variation when no-load voltage and departure interval fluctuate
状态能量变化调整方式 DEsubEsc_inEsc_outDu1Du2 空载电压增大↑↓↓↑↑ 减小↑--↓↓ 发车间隔增大↑↑↑↑↑ 减小↓↓↓↓↓
根据上述充放电阈值调整规律，充电模糊控制模块规则见表2，相应的放电模糊控制模块规则见表3。
输入量与输出量隶属度函数如图4所示，其中，逻辑语言“VS、M、VB”分别代表“非常小、中等、非常大”，逻辑语言“NB、NS、O、PS、PB”分别代表“负大，负小、零、正小、正大”。
基于FLC的电压阈值自适应调整策略如图5所示，通过变电站和储能系统采集模糊控制中所需的输入量信息，模糊控制模块每个周期计算一次输入量，将每个输入量转换为论域上的数值，求解该值所对应的隶属度；通过模糊规则库进行推论，求解输出量在论域的数值，最后通过解模糊化确定充电/放电阈值调整量；基于充电阈值调整量和放电阈值调整量来修正充电阈值和放电阈值。
表2 充电模糊控制模块规则
Tab.2 The rule of charge fuzzy control module
Esc_inDEsc_inDEsub NBOPB VSNBNSNSPB OONSNS PBOOPS MNBNSOPB OOONS PBPSOPS VBNBNSOPS OOONB PBPSOPS
表3 放电模糊控制模块规则
Tab.3 The rule of disharge fuzzy control module
Esc_outDEsc_ outDEsub NBOPB VSNBNSPSPB OOPSNS PBOOPS MNBNSOPS OOONS PBPSOPS VBNBOOPS OOONB PBPSOO
图4 输入量与输出量隶属度函数
Fig.4 MFs of input variables and output variables
图5 基于FLC的电压阈值自适应调整策略
Fig.5 Voltage threshold adjustment strategy based on FLC
由于储能系统配置容量和能量管理策略影响着经济效益和供电系统节能量，因此本文对容量配置及能量管理参数进行了综合优化。本文建立了包含储能系统全寿命周期成本和供电系统牵引耗电费用的牵引供电系统综合成本最小的容量优化配置目标。其中，地面式HESS全寿命周期成本的函数包括电池的全寿命周期成本和超级电容的全寿命周期成本，供电系统牵引耗电费用为牵引供电系统的耗电费用。
储能系统的容量优化配置以降低储能全寿命周期成本和减少变电所耗电费用为优化目标，其表达式为
（6）式中，X为优化变量；W 为可行域；f(X)为优化目标；f1(X)为供电系统耗电费用；f2(X)为HESS全寿命周期成本。
优化变量为模糊控制隶属度函数参数ki，各变电所电池并联数Nbat. j和超级电容并联数NSC. j表达式为
（7）
式中，j为变电站编号；Nsub为城轨供电系统变电站总数。
2.1.1 供电系统耗电费用
目标函数中，f1(X)为全线变电所牵引耗能所需电费，表示为
（8）式中，Edc. j为第j个车站里包含电池、超级电容和变电所的耗电量；s 为电价。
（9）
式中，Esub. j为第j个车站里变电所耗电量；ehess(0)和ehess(T1)分别为HESS初时刻和末时刻的储能系统能量值。
2.1.2 储能系统全寿命周期成本
在优化目标中供电系统经济效益f2(X)包含电池的全寿命周期成本Κ1、超级电容的全寿命周期成本Κ2，其关系式为
（10）电池的循环寿命老化主要表现为两个方面，电池总循环次数的减少和电池容量保持率降低[20]。电池寿命老化受电池放电深度（Depth of Discharge, DOD）、荷电状态（State of Charge, SOC）、工作温度[21]和充放电倍率[22]等多重因素影响。结合城轨交通负荷特性，当储能元件工作于安全范围时，主要考虑放电深度对电池循环寿命的影响。
电池的循环寿命Life表达式[15]为
（11）式中，NDOD为电池运行在DOD变化范围内数目，本文中通过雨流计数法计算；Nj为在该DOD范围内的次数。
电池的全寿命周期成本可以表示为
（12）式中，batinv为电池的初始投资成本；batrep为电池的置换成本；batmain为电池的维护费用。为了减小计算数额，全寿命周期成本按每天费用进行评估。
电池的初始投资成本为
（13）式中，Nbat为电池模组数；Pdcdc为电池串联DC-DC的功率值；s1和s2分别为电池模组单价和DC-DC功率单价；CRF为年金现值系数，可以表示为
（14）
式中，TL为期望年限；i为利率。
（15）式中，M为期望年限内电池的置换次数。
由于超级电容的循环次数高，假设超级电容在期望年限内无需更换，因此仅需考虑超级电容的初始投资成本和维护费用，其全寿命周期成本可表示为
（16）式中，SCinv为超级电容的初始投资成本；SCmain为超级电容的维护费用。
（17）
式中，Nsc为超级电容模组数；s3为超级电容模组单价。
在HESS容量配置方案优化设计过程中，自变量为控制参数和容量配置方案，因变量为上述目标函数。除此之外，还有一些其他因变量，如列车电压、电池/超级电容充放电状态和最低节能率。
2.2.1 列车牵引网电压
列车牵引制动性能受牵引网电压的影响，若牵引网电压过高直至uhigh，将导致列车发生再生制动完全失效切换至空气制动，若牵引网电压低于ulow，列车的牵引性能将受到很大影响，故应使列车牵引网电压维持在一定范围之间。其约束公式为
（18）式中，uveh,i为列车受电弓处的电压；n为列车数量。
2.2.2 储能系统充放电约束
电池和超级电容的荷电状态和充放电电流约束条件为
（19）2.2.3 最低节能率限制
为了满足回收再生制动能量最低要求，设置节能率最低限制，即
（20）式中，h 为节能率；w 为节能率最低限值；
和
分别为HESS投入后变电站电压和电流；
和
分别为未投入HESS时变电站电压和电流。
本文采用遗传算法求解所提出的优化模型。由于模型中优化参数较多，仿真时间较长。为缩短计算时间，本文采用并行遗传算法[23]进行求解。该方法将计算机的高速并行性和遗传算法相结合，可以有效地提升计算准确度和速度。储能系统容量配置优化算法流程如图6所示。将种群、列车运行曲线和列车发车间隔作为供电系统仿真模型的输入条件，通过并行计算，将种群划分为多个子种群，各种群并行独立进行供电系统潮流解析，并判断是否满足可行解，输出目标值，利用遗传操作逼近最优值。
图6 HESS容量配置流程
Fig.6 Flow chart of capacity configuration of HESS
以北京地铁八通线为例，选取全线进行储能系统的容量优化配置。四惠站与土桥站之间共有13个站台，其中除了果园站和临河里站外，其余11个站均含有牵引变电所，八通线示意图如图7所示。上下行列车运行功率曲线如图8a所示。图8b展示了列车全天的运行发车间隔变化趋势。
图7 北京地铁八通线线路
Fig.7 Route map of Beijing metro Batong line
电池和超级电容单模组参数与单价、DC-DC变流器功率单价与电价见表4。考虑到牵引网侧电压波动范围700～1 000V，优先固定储能元件串联支路配置，对其并联支路数进行优化。超级电容采用14模组串联，其额定电压为672V；电池采用23模组串联，其额定电压为634.8V。
根据所提出的容量优化配置方法，基于八通线全天发车间隔的变化，对八通线全线混合储能系统容量配置和控制参数进行优化。
图8 列车运行功率曲线与发车间隔变化趋势
Fig.8 Train power curves and trend of all-day headway
表4 混合储能系统参数与电价
Tab.4 Hybrid energy storage system parameters and electricity price
参 数数 值 电池额定容量/(A·h)40 额定电压/V27.6 单价/万元1.1 超级电容最大电流/A200 额定容量/F165 单价/万元0.4 DC-DC(1 000A)单价/万元15 工业用电电价/[元/(kW·h)]0.78
本文采取两种方法来进行容量配置优化：方法1只优化储能系统容量；方法2采用本文所提出的策略，将模糊控制参数与容量配置同时优化。遗传算法中，种群数为50，迭代次数为100。在节能率最低限制w =12%时，两种方法下储能系统容量配置迭代结果如图9所示。由图可以看出，方法1容量配置结果在迭代35次后收敛，优化目标值为6.81万元/天。
图9 容量配置迭代结果
Fig.9 Capacity configuration iteration results
方法2容量配置结果在迭代40次后收敛，优化目标值为6.39万元/天，相比方法1，综合经济成本降低了0.42万元/天。方法2下，优化后的模糊控制隶属度函数优化结果如图10所示，优化后的容量配置结果见表5。全线中，高碑店所配置混合储能系统功率和能量最大；其中，超级电容为4.2MW，电池为0.9MW。梨园站所配置混合储能系统功率和能量最小；其中，超级电容为0.8MW，电池为0.2MW。
图10 隶属度函数优化结果
Fig.10 Optimal results of MFs
表5 地面式混合储能系统全线配置结果
Tab.5 Configuration results of ground hybrid energy storage system
车站超级电容电池 功率/MW储能量/(kW·h)功率/MW储能量/(kW·h) 四惠1.39.60.7177.7 四惠东0.96.70.5127.0 高碑店4.231.00.9228.5 传媒大学3.525.90.250.8 双桥3.122.90.6152.4 管庄1.39.60.7177.7 八里桥3.022.20.250.8 通州北苑2.518.50.6152.4 果园2.820.70.7177.7 梨园0.85.90.250.8 土桥2.014.80.4101.6
此外，对于不同的节能率w 限制下，配置储能系统后的综合经济成本也不相同，其分布结果如图11所示。由图11可以看出，配置储能系统的综合经济成本随着约束条件节能率增加先不变，后增加。在w＜0.118时，综合经济成本稳定在6.37万元/天； w＞0.12时，综合经济成本开始从6.39万元/天递增；如此可以看出，当对节能率要求过高时，牵引供电系统综合成本会提高。因此，配置较多储能系统时，虽然对节能率的提升有所改善，但其提高了综合成本。
图11 不同w 下储能配置最优综合经济成本
Fig.11 Optimal comprehensive economic cost of energy storage configurations under different w
为了验证本文所提出的自适应能量管理策略，通过仿真模拟供电系统状态变换情景。两种情景仿真条件下的参数见表6，其中情景1模拟了空载电压升高，情景2模拟了发车间隔增大时的供电系统环境。
表6 不同仿真条件下的参数
Tab.6 The parameters of different simulation conditions
情景发车间隔/s空载电压/V状态转换时间/s 1450836～880550 2150～450836450
图12为两种情景下梨园站储能系统充放电阈值和变电站电压曲线。图13为两种情景下梨园站储能系统超级电容和电池SOC运行曲线。由图可以看出，情景1下变电站空载电压在550s时从836V变为880V，550～1 000s时，由于空载电压升高，此时储能系统的充放电阈值过低无法放电，在本文所提出的能量管理策略下，储能系统在1 000s时提高了充放电阈值，从图13a电池和超级电容SOC曲线也可以看出，储能系统开始正常充放电。情景2下，在450s时发车间隔由150s变为450s，此时由于发车间隔的增加，储能系统充放电能量增加，变电站输出能量增加，但此时变电站电压波动减小，通过适当提升充放电阈值，来增加储能系统的放电能量并增加车间能量交互；所以在600s时储能系统的充放电阈值分别由856V和828V提升到876V和830V。
图12 充放电阈值和变电站电压
Fig.12 Charge/discharge threshold and substation voltage
图13 超级电容和电池SOC仿真波形
Fig.13 The simulation waveforms of SC SOC and battery SOC
表7展示了两种情景下传统控制策略和本文所提出的策略下，储能系统的节能率。该情景仅展现了仿真时间段内梨园站的节能率情况。由表7可以看出，两种情景下，基于FLC的自适应能量管理策略相对于传统的能量管理策略节能率都有一定的提升。其中，情景1下，由于空载电压的升高，储能系统出现无法放电的现象，本文所提出的策略可以自适应调节充放电阈值，使节能率相比于传统能量管理策略有了明显的提升，提升了5.37%。
表7 不同能量管理策略下节能率对比
Tab.7 Comparison table of energy saving rates under different energy management strategies
节能率改进能量管理策略(%)传统能量管理策略(%) 情景110.084.71 情景225.424.2
北京地铁八通线梨园站安装有1MW电池/超级电容地面式混合储能系统，HESS配置参数与3.2节中梨园站配置结果一致。图14为地面式混合储能系统实物，MW级地面式HESS由正极轨、控制柜、负极柜、电池柜、变流器柜和超级电容柜组成。电池、超级电容和变换器与第3节梨园站容量配置结果一致。地面式HESS中，电池柜与2个超级电容柜分别与DC-DC变流器模块并联，变流器柜并联在牵引网直流母线上，控制柜实现系统逻辑保护与能量管理。
图14 北京八通线梨园站地面式混合储能系统
Fig.14 Ground-based HESS of Liyuan station on Beijing Batong line
本文对所提出的自适应能量管理策略进行了实验验证。图15为固定电压阈值下地面式混合储能系统的实验结果，由图可以看出，固定阈值下会导致控制参数偏高或者偏低，储能系统不能发挥最佳再生制动能量回收效果。
图15 固定电压阈值下实验结果
Fig.15 Experiment results under fixed voltage threshold
图16a为高峰期时阈值自适应调整过程中变电站电压、超级电容电压及其电流和电池电流波形。图16b为该过程中各周期内变电站输出电量、储能充放电量的变化趋势。当在t1周期检测到储能系统充放电量减小，变电站输出能量变大时，充放电阈值开始增大，由图可以看出，从t2周期开始，随着阈值的增加，储能系统的充放电量开始增加并在t3周期开始趋于稳定。在调整过程中，变电所的输出能量呈减小趋势随后趋于稳定，t3～t7中变电站输出电量相比于t1周期最多减少了2.21kW·h，储能系统充电量最多增加了2.96kW·h。
图17为平峰时期的实验结果。当检测到储能系统的充放电能量开始减小并且变电站输出能量增加后，经过阈值自适应调整，储能系统的充电量提升，变电站放电量减小。由以上实验结果可以看出，利用所提出的策略对阈值进行自适应调整，能合理优化储能系统的再生能量回收效果，验证了本策略的有效性。
图16 高峰期实验结果
Fig.16 Experiment results in peak period
图17 平峰期实验结果
Fig.17 Experiment results in trough period
本文根据空载电压和列车发车间隔变化对储能系统回收能量的影响，提出了基于FLC的地面式HESS的充放电阈值自适应调整策略。构建了含有电价、电池/超级电容全寿命周期成本综合成本优化目标函数，综合考虑了经济效益和节能率约束之间的平衡关系，采用并行遗传优化算法对地面式混合储能系统进行了容量配置与控制参数的综合优化求解。以北京八通线实际线路为案例，对全线地面式HESS进行了优化配置，并对配置结果进行了对比和分析。最后，对所提能量管理策略进行了仿真分析，并利用八通线梨园站的1MW地面式混合储能系统样机验证了该策略的可行性和有效性。
参考文献
[1] 戴华明, 李照星, 宋杰. 北京市城市轨道交通能耗现状及节能措施建议[J]. 铁路技术创新, 2016, 1(4): 77-80.
Dai Huaming, Li Zhaoxing, Song Jie. Present situation of energy consumption and suggestions on energy saving measures of urban rail transit in Beijing[J]. Railway Technical Innovation, 2016, 1(4): 77-80.
[2] Meishner F, Sauer D. Wayside energy recovery systems in DC urban railway grids[J]. eTransportation, 2019, 1(C): 1-17.
[3] Grbovic P J, Delarue P, Moigne P L, et al. Modeling and control of the ultracapacitor-based regenerative controlled electric drives[J]. IEEE Transactions on Industrial Electronics, 2011, 58(8): 3471-3484.
[4] Castaings A, Caron H, Kharrat H, et al. Energy storage system based on supercapacitors for a 750V DC railway power supply[C]//IEEE International Conference on Electrical Systems for Aircraft, Railway, Ship Propulsion and Road Vehicles; Inter- national Transportation Electrification Conference, Nottingham, UK, 2018: 1-5.
[5] 夏欢, 杨中平, 杨志鸿, 等. 基于列车运行状态的城轨超级电容储能装置控制策略[J]. 电工技术学报, 2017, 32(21): 20-27.
Xia Huan, Yang Zhongping, Yang Zhihong, et al. Control strategy of supercapacitor energy storage system for urban rail transit based on operating status of trains[J]. Transactions of China Electrotechnical Society, 2017, 32(21): 20-27.
[6] Wang Junxing, Yang Zhongping, Lin Fei, et al. Thresholds modification strategy of wayside super- capacitor storage considering DC substation charac- teristics[C]//IECON 2015-41st Annual Conference of the IEEE Industrial Electronics Society, Yokohama, Japan, 2016: 2076-2081.
[7] Zhu Feiqin, Yang Zhongping, Lin Fei, et al. Dynamic threshold adjustment strategy of supercapacitor energy storage system based on no-load voltage identification in urban rail transit[C]//2019 IEEE Transportation Electrification Conference and Expo, Asia-Pacific, Seogwipo, Korea, 2019: 1-6.
[8] 诸斐琴, 杨中平, 林飞，等. 城轨交通牵引供电系统参数与储能系统容量配置综合优化[J]. 电工技术学报, 2019, 34(3): 579-588.
Zhu Feiqin, Yang Zhongping, Lin Fei, et al. Synthetic optimization of traction power parameters and energy[J]. Transactions of China Electrotechnical Society, 2019, 34(3): 579-588.
[9] Iannuzzi D, Lauria D, Tricoli P. Optimal design of stationary supercapacitors storage devices for light electrical transportation systems[J]. Optimization and Engineering, 2012, 13(4): 689-704.
[10] Calderaro V, Galdi V, Graber G, et al. Optimal siting and sizing of stationary supercapacitors in a metro network using PSO[C]//2015 IEEE International Conference on Industrial Technology, Seville, Spain, 2015: 2680-2685.
[11] Xia Huan, Chen Huaixin, Yang Zhongping, et al. Optimal energy management, location and size for stationary energy storage system in a metro line based on genetic algorithm[J]. Energies, 2015, 8(10): 11618- 11640.
[12] 秦强强, 郭婷婷, 林飞, 等. 基于能量转移的城轨交通电池储能系统能量管理和容量配置优化[J]. 电工技术学报, 2019, 34(增刊1): 414-423.
Qin Qiangqiang, Guo Tingting, Lin Fei, et al. Optimal research for energy management and configuration of battery ESS in urban rail transit based on energy transfer[J]. Transactions of China Electrotechnical Society, 2019, 34(S1): 414-423.
[13] Park J Y, Heo J H, Shin S, et al. Economic evaluation of ESS in urban railway substation for peak load shaving based on net present value[J]. Journal of Electrical Engineering & Technology, 2017, 12(2): 981-987.
[14] Park J Y, Jung H, Kim H, et al. Capacity deter- mination of ESS for peak load shaving based on the actual measurement of loads in the substation of urban railway[J]. Transactions of the Korean Institute of Electrical Engineers, 2014, 63(6): 860-865.
[15] 沈小军, 曹戈. 城轨交通制动能量回收超级电容储能阵列配置方法对比分析[J]. 电工技术学报, 2020, 35(23): 4988-4997.
Shen Xiaojun, Cao Ge. Comparative analysis on configuration methods of supercapacitor array for braking energy recovery of urban rail transit[J]. Transactions of China Electrotechnical Society, 2020, 35(23): 4988-4997.
[16] 陈怀鑫, 杨中平, 林飞, 等. 基于遗传算法的城轨交通超级电容储能装置能量管理和容量配置优化研究[J]. 铁道学报, 2019, 41(9): 59-66.
Chen Huaixin, Yang Zhongping, Lin Fei, et al. Management and configuration for stationary super- capacitor energy storage system applied in urban rail transit based on genetic algorithm[J]. Journal of the China Railway Society, 2019, 41(9): 59-66.
[17] 王彬, 杨中平, 林飞, 等. 基于节能稳压的地面式式超级电容储能系统容量配置优化研究[J]. 铁道学报, 2016, 38(6): 45-52.
Wang Bin, Yang Zhongping, Lin Fei, et al. Study on optimization of capacity configuration of stationary supercapacitor storage system for improving energy efficiency and voltage profile[J]. Journal of the China Railway Society, 2016, 38(6): 45-52.
[18] 陈亚爱, 林演康, 王赛, 等. 基于滤波分配法的混合储能优化控制策略[J]. 电工技术学报, 2020, 35(19): 4009-4018.
Chen Yaai, Lin Yankang, Wang Sai, et al. Optimal control strategy of hybrid energy storage based on filter allocation method[J]. Transactions of China Electrotechnical Society, 2020, 35(19): 4009-4018.
[19] 杨浩丰, 刘冲, 李彬, 等. 基于列车运行工况的城轨地面式混合储能系统控制策略研究[J]. 电工技术学报, 2021, 36(增刊1): 168-178.
Yang Haofeng, Liu Chong, Li Bin, et al. Research on control strategy of urban rail ground hybrid energy storage device based on train operating condition[J]. Transactions of China Electrotechnical Society, 2021, 36(S1): 168-178.
[20] Andoni S, Victor I, Aitor M, et al. Management strategy for market participation of photovoltaic power plants including storage systems[J]. IEEE Transactions on Industry Applications, 2016, 52(5): 4292-4303.
[21] Shen Junyi, Dusmez S, Khaligh A. Optimization of sizing and battery cycle life in battery/ultracapacitor hybrid energy storage systems for electric vehicle applications[J]. Industrial Informatics IEEE Transa- ctions on, 2014, 10(4): 2112-2121.
[22] Zhang Lei, Hu Xiaosong, Wang Zhenpo, et al. Multiobjective optimal sizing of hybrid energy storage system for electric vehicles[J]. IEEE Transa- ctions on Vehicular Technology, 2018, 67(2): 1027- 1035.
[23] Liu Y Y. Wang Shaowen. A scalable parallel genetic algorithm for the generalized assignment problem[J]. Parallel Computing, 2015, 46(1): 98-119.
Study on Adaptive Energy Management and Optimal Capacity Configuration of Urban Rail Ground Hybrid Energy Storage System
Abstract The ground hybrid energy storage system (HESS) can effectively improve the utilization of regenerative braking energy in the traction power supply system of urban rail transit. In this paper, based on the traditional double closed-loop control strategy, the adaptive adjustment strategy of charge and discharge threshold based on fuzzy logic control (FLC) was proposed. The proposed strategy can solve the problem of the poor regenerative braking energy recovery effect in the energy storage system caused by the fluctuation of no-load voltage and the change of headway under the traditional fixed threshold strategy. In addition, according to the differences in power density, energy density and price between batteries and supercapacitors, this paper proposed a HESS sizing strategy considering energy saving rate to optimize the comprehensive economic benefits. The objective function of sizing including battery/supercapacitor life cycle cost and substation power consumption cost was then established. Taking the actual line conditions of Beijing Batong Line as a case, the parallel genetic algorithm (GA) was used to optimize the objective, and the influence of the energy saving rate constraints on sizing results was analyzed. Meanwhile, the proposed adaptive adjustment strategy of charge and discharge threshold was verified by simulation and a 1MW hybrid energy storage prototype at Liyuan Station of Beijing Batong Line.
keywords：Urban rail transit, ground hybrid energy storage system, adaptive energy management, capacity configuration
DOI: 10.19595/j.cnki.1000-6753.tces.210853
中图分类号：TK02
中央高校基本科研业务费专项资金资助项目（2020YJS157）。
收稿日期 2021-06-14
改稿日期 2021-07-14
刘宇嫣 女，1993年生，博士研究生，研究方向为城市轨道交通节能技术。E-mail: 18117014@bjtu.edu.cn
林 飞 男，1975年生，教授，博士生导师，研究方向为轨道交通电力牵引传动、节能、高速列车系统优化设计等。E-mail: flin@bjtu.edu.cn（通信作者）
（编辑 陈 诚）