• 查询稿件
  • 获取最新论文
  • 知晓行业信息
官方微信 欢迎关注

基于粒子群的有轨电车混合储能参数匹配研究

周莹, 雷威, 薛川, 王子豪, 邢宗义

周莹, 雷威, 薛川, 王子豪, 邢宗义. 基于粒子群的有轨电车混合储能参数匹配研究[J]. 铁路计算机应用, 2020, 29(10): 1-7.
引用本文: 周莹, 雷威, 薛川, 王子豪, 邢宗义. 基于粒子群的有轨电车混合储能参数匹配研究[J]. 铁路计算机应用, 2020, 29(10): 1-7.
ZHOU Ying, LEI Wei, XUE Chuan, WANG Zihao, XING Zongyi. Research on parameter matching of hybrid energy storage system for tram based on particle swarm optimization[J]. Railway Computer Application, 2020, 29(10): 1-7.
Citation: ZHOU Ying, LEI Wei, XUE Chuan, WANG Zihao, XING Zongyi. Research on parameter matching of hybrid energy storage system for tram based on particle swarm optimization[J]. Railway Computer Application, 2020, 29(10): 1-7.

基于粒子群的有轨电车混合储能参数匹配研究

基金项目: 国家重点研发计划(2017YFB1201004)
详细信息
    作者简介:

    周 莹,工程师

    雷 威,在读硕士研究生

  • 中图分类号: U231.8 : TP39

Research on parameter matching of hybrid energy storage system for tram based on particle swarm optimization

  • 摘要: 目前,混合储能式有轨电车作为一种高性价比的交通工具已得到广泛应用。混合储能系统承担着有轨电车供能任务,合理配置储能元件对于保障有轨电车正常运行具有重要的现实意义。以混合储能式有轨电车作为研究对象,在多目标、多约束条件下,利用粒子群优化算法,求解混合储能系统最优参数匹配方案;以广州海珠有轨电车THZ1线作为实例进行仿真验证,结果表明:最优配置混合储能系统在降低储能系统的体积、重量及成本、发挥储能元件充放电能力方面具有明显的优越性。
    Abstract: At present, hybrid energy storage trams have been widely used as cost-effective vehicles. The hybrid energy storage system acts as energy supply for the trams and appropriate configuration of energy storage components is of practical significance for ensuring the normal operation of the trams. This paper focuses the research on hybrid energy storage trams and the particle swarm optimization algorithm is used to achieve optimal parameter matching of the hybrid energy storage system under multi-objective and multi-constraint conditions. A simulation test was made on the Haizhu tram line, or THZ1, in Guangzhou Metro and the simulation results showed that the hybrid energy storage system with optimal configuration had obvious advantages in reducing the size, weight and cost of the system and giving play to the charge and discharge capacity of energy storage elements.
  • 随着经济快速发展,混合储能式有轨电车作为一种高性价比的交通工具得到广泛应用。混合储能系统承担着有轨电车供能任务,其储能元件合理的参数匹配方案才能满足有轨电车的运行需求。

    混合储能系统参数匹配就是寻求不同储能元件的合理配比,以满足列车运行需求。按不同匹配目标,参数匹配方法主要分为约束匹配法和优化匹配法。对于约束匹配法,西南交通大学陈彦秋等人[1-2]根据列车运行特性指标,确定车辆对电源系统功率和能量的需求,在功率需求和能量约束下,确定蓄电池、超级电容的选型及数量。萨勒诺大学G. Graber等人[3-4]根据运行特性确定功率和能量需求,考虑储能元件荷电状态、体积、重量的约束条件,进行储能系统的参数匹配。约束匹配法是仅满足列车运行特性要求的参数配置方法,未考虑经济性、轻量化等因素,因而无法达到储能系统参数的最优匹配。对于优化匹配法,厄瓜多尔学者Victor I. Herrera等人[5-6]以储能元件成本、接触网供电成本作为优化目标函数,在有轨电车线路上进行仿真验证;但其仿真实例中线路区间较短、运行速度较低,与国内运行条件相差较大,并不适用于国内情况。国内现有的研究主要以经济性或体积与重量作为单一优化目标;其中,江苏大学的胡春花[7]以最小投资成本作为优化目标;吉林大学的于远彬等人[8]以整车燃油成本为优化目标;北京交通大学王玙[9]以最小重量为优化目标;上述研究均未同时考虑系统的经济性、体积与重量。

    针对混合储能式有轨电车,基于固定功率门限值的能量管理策略,同时考虑储能系统经济性、体积与重量,在多目标、多约束条件下,采用粒子群算法,求解储能元件数量,确定最优配置混合储能系统方案,既可为新建有轨电车线路提供储能系统配置方案,也可为已开通线路提供混合储能系统改造方案,有助于保障线路的可靠运营,具有一定的工程实用价值。

    有轨电车采用混合储能系统,以满足高功率密度、高能量密度的需求,其动力系统结构如图1所示。混合储能系统由动力电池、超级电容及DC/DC变换器并联组成,向牵引传动系统供电并回收制动能量;牵引传动系统由DC/AC变换器、牵引电机、传动机构组成,用于与直流母线间交换能量及驱动车辆运行;辅助系统由空调、照明等辅助设备组成,用于满足车辆日常运营需求;当制动能量超过混合储能系统回收极限时,由制动电阻消耗过剩制动能量。

    图  1  混合储能式有轨电车的动力系统结构

    (1)动力电池

    目前,动力电池以密度高、寿命长、无污染等特性,广泛应用于有轨电车、电动汽车等交通工具。尤其是锂离子电池,常用作有轨电车的主电源。

    对于动力电池数学模型,考虑模型精确度、计算复杂度,本文采用Thevenin模型,如图2所示,该模型可描述电池的动态变化过程,能够真实地反映电池相关电气量的变化情况[10]图2中,UocUb分别代表开路电压、端电压,RoRb分别代表等效电阻、极化电阻,Ib代表充放电电流,Cb代表极化电容,且仅考虑荷电状态${\rm{SOC}}$ (State of Charge)的影响。

    图  2  动力电池模型

    以动力电池最大充放电功率表征其输入和输出能力,即:

    $${P_{{\rm{bmo}}}} = \left\{ {\begin{array}{*{20}{l}} {{U_{\rm{b}}}{I_{{\rm{bmo}}}}}&{{\rm{SOC}} \in \left( {{\rm{SO}}{{\rm{C}}_{{\rm{min}}}},{\rm{SO}}{{\rm{C}}_{{\rm{max}}}}} \right)}\\ 0&{{\rm{SOC}} \notin \left( {{\rm{SO}}{{\rm{C}}_{{\rm{min}}}},{\rm{SO}}{{\rm{C}}_{{\rm{max}}}}} \right)} \end{array}} \right.$$ (1)
    $${P_{{\rm{bmi}}}} = \left\{ {\begin{array}{*{20}{l}} {{U_{\rm{b}}}{I_{{\rm{bmi}}}}}&{{\rm{SOC}} \in \left( {{\rm{SO}}{{\rm{C}}_{{\rm{min}}}},{\rm{SO}}{{\rm{C}}_{{\rm{max}}}}} \right)}\\ 0&{{\rm{SOC}} \notin \left( {{\rm{SO}}{{\rm{C}}_{{\rm{min}}}},{\rm{SO}}{{\rm{C}}_{{\rm{max}}}}} \right)} \end{array}} \right.$$ (2)

    式中,${P_{{\rm{bmo}}}}$${P_{{\rm{bmi}}}}$分别是动力电池的最大放电功率、最大充电功率;IbmiIbmo分别是动力电池正常工作时允许的最大充电、放电电流;SOCmin、SOCmax分别是动力电池正常工作时允许的最小、最大荷电状态。

    (2)超级电容

    超级电容具有高功率密度和快速充放电能力,但能量密度较低、续航能力较差,多用作辅助电源,与高能量密度的动力电池配合使用,在车辆加速或爬坡时用于供给短时大功率,在制动时用于回收制动能量。

    忽略超级电容自放电因素影响,采用简单结构的等效模型[11],如图3所示。CcRs分别是电容容量、等效串联电阻, UcUscIc分别是端电压、开口电压、充放电电流。

    图  3  超级电容模型

    以超级电容的最大充放电功率表征其输入、输出能力,即:

    $${P_{{\rm{cmo}}}} = \left\{ {\begin{array}{*{20}{l}} {{U_{\rm{c}}}{I_{{\rm{cmo}}}}}&{{\rm{SOE}} \in \left( {{\rm{SO}}{{\rm{E}}_{{\rm{min}}}},{\rm{SO}}{{\rm{E}}_{{\rm{max}}}}} \right)}\\ 0&{{\rm{SOE}} \notin \left( {{\rm{SO}}{{\rm{E}}_{{\rm{min}}}},{\rm{SO}}{{\rm{E}}_{{\rm{max}}}}} \right)} \end{array}} \right.$$ (3)
    $${P_{{\rm{cmi}}}} = \left\{ {\begin{array}{*{20}{l}} {{U_{\rm{c}}}{I_{{\rm{cmi}}}}}&{{\rm{SOE}} \in \left( {{\rm{SO}}{{\rm{E}}_{{\rm{min}}}},{\rm{SO}}{{\rm{E}}_{{\rm{max}}}}} \right)}\\ 0&{{\rm{SOE}} \notin \left( {{\rm{SO}}{{\rm{E}}_{{\rm{min}}}},{\rm{SO}}{{\rm{E}}_{{\rm{max}}}}} \right)} \end{array}} \right.$$ (4)

    式中,${P_{{\rm{cmo}}}}$${P_{{\rm{cmi}}}}$分别是超级电容的最大放电功率、最大充电功率;IcmoIcmi分别是超级电容正常工作时允许的最大放电、充电电流;SOE是超级电容的荷电状态;SOEmax、SOEmin分别是超级电容正常工作时允许的最小、最大荷电状态。

    为避免人工驾驶可能造成的超速、晚点等问题,有轨电车常采用自动运行模式,即ATO(Automatic Train Operation)模式,按照目标运行曲线运行,而目标运行曲线是基于运行控制策略的。

    本文研究储能系统的参数匹配问题,以确保在最大能耗运行模式下,混合储能系统也能满足供电要求,因此采用省时运行策略。省时运行策略常用作验证列车运行特性,是设计列车储能系统的基础运行方式,如图4所示。在运行区间(X1X2)内,有轨电车运行工况分为全力牵引、匀速巡航、全力制动阶段[12]

    图  4  有轨电车省时运行策略下的速度曲线

    为发挥动力电池高续航能力和超级电容高功率供给能力,在有轨电车运行期间,采用基于固定功率门限值的能量管理策略,其功率分配如图5所示。在线路运行区间内,以动力电池的最大输出功率Pbmo、超级电容的最大输入功率Pcmi作为功率门限值,根据直流母线需求功率Pneed变化,确定动力电池、超级电容的工作状态。

    图  5  基于固定功率门限值的功率分配示意

    假设动力电池、超级电容处于正常工作状态,根据两者配合情况,混合储能系统工作模式分为:

    (1)低功率牵引工作模式(0<Pneed<η4Pbmo

    该模式下,由动力电池单独供电,储能元件分配功率满足:

    $$\left\{ \begin{array}{l} {P_{{\rm{bo}}}} = {{{P_{{\rm{need}}}}} / {{\eta _4}}} \\ {P_{{\rm{co}}}} = 0 \\ \end{array} \right.$$ (5)

    式中,${P_{{\rm{bo}}}}$是动力电池的放电功率;${P_{{\rm{co}}}}$是超级电容的放电功率;η4是动力电池DC/DC变换器效率。

    (2)高功率牵引工作模式(0 <η4Pbmo$\leqslant $Pneed

    该模式下,由动力电池和超级电容共同供电,动力电池以最大输出功率供电,功率缺额由超级电容来承担,储能元件分配功率满足:

    $$\left\{ \begin{array}{l} {P_{{\rm{bo}}}} = {P_{{\rm{bmo}}}} \\ {P_{{\rm{co}}}} = {{({P_{{\rm{need}}}} - {\eta _4}{P_{{\rm{bmo}}}})} / {{\eta _5}}} \\ \end{array} \right.$$ (6)

    式中,η5是超级电容DC/DC变换器效率。

    (3)再生制动工作模式(Pcmi/η5<Pneed≤0)

    该模式下,动力电池不工作,由超级电容回收再生制动能量,储能元件分配功率满足:

    $$\left\{ \begin{array}{l} {P_{{\rm{bi}}}} = 0 \\ {P_{{\rm{ci}}}} = {\eta _5}{P_{{\rm{need}}}} \\ \end{array} \right.$$ (7)

    式中,${P_{{\rm{bi}}}}$是动力电池的充电功率;${P_{{\rm{ci}}}}$是超级电容的充电功率。

    (4)再生制动 + 制动电阻工作模式(PneedPcmi/η5≤0)

    该模式下,动力电池不工作,超级电容以最大充电能力回收制动能量,过剩制动能量由制动电阻消耗,储能元件分配功率满足:

    $$\left\{ \begin{array}{l} {P_{{\rm{bi}}}} = 0 \\ {P_{{\rm{ci}}}} = {P_{{\rm{cmi}}}} \\ {P_{{\rm{mch}}}} = \left| {{P_{{\rm{need}}}} - {{{P_{{\rm{cmi}}}}} / {{\eta _5}}}} \right| \\ \end{array} \right.$$ (8)

    式中,${P_{{\rm{mch}}}}$是制动电阻消耗功率。

    合理的参数配置是储能系统发挥供电能力、满足运行需求的关键之一,参数匹配是在确定的目标运行曲线、直流母线功率需求的基础上,建立参数匹配优化模型,利用优化算法实现。

    考虑储能系统的空间和重量限制及成本经济性,以储能元件的体积、重量、投资成本作为多优化目标,通过加权线性组合方法,将多目标转换为单目标,并以储能元件串并联数量作为优化控制变量,建立综合优化目标函数[13],即:

    $$\begin{aligned} &{\rm{min}}F = {\rm{min}}\left\{ {{\lambda _{{\rm{cost}}}}\dfrac{{\left( {cos{t_{\rm{b}}}{N_{\rm{b}}} + cos{t_{\rm{c}}}{N_{\rm{c}}}} \right)}}{{cos{t_{{\rm{max}}}}}} + } \right.\\& \left. {{\lambda _{\rm{m}}}\dfrac{{\left( {{m_{\rm{b}}}{N_{\rm{b}}} + {m_{\rm{c}}}{N_{\rm{c}}}} \right)}}{{{m_{{\rm{max}}}}}} + {\lambda _{{\rm{vol}}}}\dfrac{{\left( {vo{l_{\rm{b}}}{N_{\rm{b}}}vo{l_{\rm{c}}}{N_{\rm{c}}}} \right)}}{{vo{l_{{\rm{max}}}}}}} \right\} \end{aligned}$$ (9)

    式中,λcostλmλvol分别是储能元件投资成本、重量、体积的权重,且满足:λcost+λm+λvol=1;Nbcostbmbvolb分别是动力电池单体的数量、投资成本、重量、体积; Nccostcmcvolc分别是超级电容单体的数量、投资成本、重量、体积;costmaxmmaxvolmax分别是储能系统的最大投资成本、最大重量、最大体积,用于无量纲化处理。

    动力电池数量Nb、超级电容数量Nc,满足:

    $$\left\{ \begin{array}{l} {N_{\rm{b}}} = {N_{{\rm{bs}}}} \cdot {N_{{\rm{bp}}}} \\ {N_{\rm{c}}} = {N_{{\rm{cs}}}} \cdot {N_{{\rm{cp}}}} \\ \end{array} \right.$$ (10)

    式中,NbsNbp分别是动力电池串联数量、并联数量;NcsNcp分别是超级电容串联数量、并联数量。

    进行混合储能系统参数匹配时,需考虑功率、能量、电压、电流、荷电状态的约束,具体为:

    (1)功率约束

    储能系统在运行区间的任一位置均应满足供电需求,则储能元件最大输出功率应满足:

    $${P_{{\rm{bmo}}{\rm{.Box}}}}(x){\eta _4} + {P_{{\rm{cmo}}{\rm{.Box}}}}(x){\eta _5} \geqslant {P_{{\rm{need}}}}(x) $$ (11)

    式中,Pbmo.BOX(x)、Pcmo.BOX(x)分别是动力电池组、超级电容组在公里标x处的最大放电功率。

    (2)能量约束

    在运行时间(t0, t1),动力电池组、超级电容组可用能量应满足:

    $${E_{{\rm{bo}}{\rm{.Box}}}}(x){\eta _4}\!\! + \!\!{E_{{\rm{co}}{\rm{.Box}}}}(x){\eta _5} {\geqslant}{E_{{\rm{need}}}}({x_2}) - {E_{{\rm{need}}}}({x_1})$$ (12)

    式中,Ebo.Box(x)、Eco.Box(x)分别是动力电池、超级电容组在公里标x处的可用能量。

    (3)电压约束

    储能元件组件额定电压受到DC/DC变换器低压侧工作电压范围的约束,满足:

    $$\left\{ \begin{array}{l} {U_{{\rm{dc}}{\rm{.L}}}} \leqslant {U_{{\rm{b}}{\rm{.Box}}}} \leqslant {U_{{\rm{dc}}{\rm{.H}}}} \\ {U_{{\rm{dc}}{\rm{.L}}}} \leqslant {U_{{\rm{c}}{\rm{.Box}}}} \leqslant {U_{{\rm{dc}}{\rm{.H}}}} \\ \end{array} \right.$$ (13)

    式中,Ub.BoxUc.Box分别是动力电池组、超级电容组的额定电压;Udc.HUdc.L 分别是DC/DC变换器低压侧工作电压的上限、下限。

    (4)电流约束

    供电过程中,储能元件充放电电流应在允许范围内,满足:

    $$\left\{ \begin{array}{l} {I_{{\rm{bmin}}}} \leqslant {I_{\rm{b}}} \leqslant {I_{{\rm{bmax}}}} \\ {I_{\rm{cmin} }} \leqslant {I_{\rm{c}}} \leqslant {I_{{\rm{cmax}}}} \\ \end{array} \right.$$ (14)

    式中,IbminIbmax分别是动力电池单体正常工作电流的下限、上限;IcminIcmax分别是超级电容单体正常工作电流的下限、上限。

    (5)荷电状态约束

    为确保储能系统按照能量管理策略正常工作,要求储能元件始终满足:

    $$\left\{ \begin{array}{l} {\rm{SO}}{{\rm{C}}_{{\rm{min}}}} \leqslant {\rm{SOC}}(x) \leqslant {\rm{SO}}{{\rm{C}}_{{\rm{max}}}} \\ {\rm{SO}}{{\rm{E}}_{{\rm{min}}}} \leqslant {\rm{SOE}}(x) \leqslant {\rm{SO}}{{\rm{E}}_{{\rm{max}}}} \\ \end{array} \right.$$ (15)

    对储能元件数量寻优以达到综合最优目标,在初步确定的参数范围内需进行快速求解,可采用粒子群算法作为优化求解算法。粒子群算法是从鸟群、鱼群迁徙等物种集群运动获得灵感而设计的一种随机优化智能算法,在解决单目标优化问题时,具有很强的全局搜索能力。

    在一个D维搜索空间、由N个粒子组成的群体中,记第i个粒子位置满足Xi=(xi1xi2,…,xiD),运动速度满足Vi=(vi1vi2,…,viD),个体最优解满足Pbesti=(pi1pi2,…,piD),群体最优解满足Gbest=(pg1pg2,…,pgD)。每次迭代过程,每个粒子都按照式(16)、式(17)更新速度和位置[14-15]

    $$V_i^{t + 1} \!\!= \!wV_i^t\! +\! {c_1}{r_1}\!\left( {Pbest_i^t - X_i^t} \right) \!+\! {c_2}{r_2}\left( {Gbes{t^t} \!-\! X_i^t} \right) $$ (16)
    $$X_i^{t + 1} = X_i^t + V_i^{t + 1}$$ (17)

    式中,VitVit+1分别是第i个粒子在第t次、第t+1次迭代时的运动速度,且满足:VminViVmaxXitXit+1分别是第i个粒子在第t次、第t+1次迭代时的位置,且满足:XminXiXmaxw是惯性因子,一般取值范围为0.4 ~ 0.9;c1c2是学习因子,用于调节每次迭代的步长,通常取值范围为0 ~ 4;r1r2是[0,1]之间的随机数,以避免陷入局部最优。

    粒子群算法的具体步骤为:

    (1)设置算法参数、初始化粒子;

    (2)确定适应度函数F(x)及评价标准;以目标函数作为适应度函数,且适应度值越小,表明粒子更优;

    (3)计算每个粒子的适应度值F(xi);

    (4)更新粒子的个体最优解Pbestit+1、群体最优Gbestt+1

    (5)更新粒子速度Vit+1、位置Xit+1

    (6)判断是否满足结束条件,以最大迭代次数n作为结束条件,若迭代次数达到n,则结束迭代,否则继续迭代,跳转至步骤(3)。

    采用Matlab软件进行仿真,以广州海珠有轨电车THZ1线作为仿真实例,结合线路条件,基于省时运行控制策略,生成直流母线功率需求曲线[13],如图6所示。

    图  6  直流母线功率需求曲线

    在仿真实例中,有轨电车由单一储能系统供电;单一储能系统采用7 500 F超级电容,按2并联、8串联组成储能模组,43套储能模组串联构成储能电源,3套储能电源并联构成,共2 064个超级电容单体,其单体参数见表1[16]

    表  1  7 500 F超级电容单体参数
    参数名参数值
    额定容量7500 F
    额定电压2.7 V
    截止电压1.35 V
    最大持续电流450 A
    单体重量1.3 kg
    单体体积1 L
    单体价格5.0 万元 / kwh
    下载: 导出CSV 
    | 显示表格

    对于混合储能系统,考虑储能元件轻量化、长寿命、低成本及现有科研条件,仍采用7 500 F超级电容,动力电池采用盟固利LTO8.5 Ah锂离子电池,其单体参数见表2[13]

    表  2  LTO8.5 Ah单体参数
    参数名参数值
    额定容量8.5 Ah
    额定电压2.3 V
    放电最大电压2.5 V
    放电截止电压1.5 V
    最大放电倍率15 C
    最大充电倍率8 C
    单体重量0.2 kg
    单体体积0.23 L
    单体价格0.3 万元/kwh
    下载: 导出CSV 
    | 显示表格

    参考厂家提供的储能元件荷电状态,在仿真过程中,动力电池、超级电容荷电状态、工作电流的参数设置见表3[13]

    表  3  储能元件单体的参数设置
    参数名参数值
    动力电池SOCmax90%
    动力电池SOCmin30%
    动力电池Ibmax35 A
    动力电池Ibmin−68 A
    超级电容SOEmax100%
    超级电容SOEmin25%
    超级电容Icmax450 A
    超级电容Icmin−450 A
    下载: 导出CSV 
    | 显示表格

    对于图6中直流母线功率需求,采用单一储能系统供电时,其供电荷电状态曲线如图7所示。荷电状态在供电时持续降低,回收电能时开始回升,并在站点充满电,荷电状态最低为37.67%,在正常工作允许范围内。

    图  7  单一储能系统荷电状态变化曲线

    对于图6中直流母线功率需求,采用混合储能系统供电时,以储能元件体积、重量和投资成本为综合优化目标,在多约束条件下,利用粒子群优化算法求解动力电池、超级电容最优数量,得到储能元件最优配置方案。

    在初步配置范围内初始化30个粒子,再用粒子群算法迭代求解,直至达到最大迭代次数结束;最优适应度值迭代变化曲线如图8所示,最优适应度值由波动趋向稳定,迭代50次左右后达到稳态值,对应的超级电容、动力电池数量为:Nbs=221、Nbp=10、Ncs=125、Ncp=10。

    图  8  最优适应度值迭代变化曲线

    采用储能元件最优配置方案,储能元件荷电状态变化曲线如图9所示。车辆在整条线路上运行的过程中,动力电池荷电状态持续降低,由90%下降至33.12%;在任一区间内,超级电容荷电状态先因放电而降低、后因回收制动能量而升高,并在站点达到满电100%状态,超级电容荷电状态最低为32.87%。由此表明,在供电过程中,储能元件均在正常荷电状态内。

    图  9  最优配置混合储能系统的荷电状态变化曲线

    表4给出了单一储能系统与最优配置混合储能系统的对比。相比单一储能系统,最优配置混合储能系统中加入动力电池,以替代部分超级电容。由于动力电池单体的体积和重量均远低于超级电容单体,即使总储能元件数量增加1396个(其中,超级电容减少814个,动力电池增加2210个),最优配置混合储能系统仍具有明显的体积小、重量轻的优势。此外,在储能元件投资成本方面,最优配置混合储能系统略低于单一储能系统,但其最低荷电状态明显降低,说明最优配置混合储能系统有利于发挥储能元件的充放电能力,具有一定的经济性。

    表  4  单一储能系统与最优配置混合储能系统的对比
    储能元件单一储能系统最优配置混合储能系统
    类型超级电容超级电容 + 动力电池
    数量2 064 个1 250 个 + 2 210 个
    重量2 683.2 kg2 067 kg
    体积2 064 L1 758.3 L
    投资价格58.824 万元55.227 万元
    最低荷电状态37.67%32.87%、33.14%
    下载: 导出CSV 
    | 显示表格

    针对混合储能式有轨电车,提出混合储能系统的最优参数匹配方案,并以广州海珠有轨电车THZ1线进行仿真实例,对比单一储能系统与最优配置混合储能系统,结果表明:最优配置混合储能系统在降低储能系统的体积和重量、发挥储能元件的充放电能力、提高系统经济性方面具有明显的优越性,具有较好的工程实用价值。

  • 图  1   混合储能式有轨电车的动力系统结构

    图  2   动力电池模型

    图  3   超级电容模型

    图  4   有轨电车省时运行策略下的速度曲线

    图  5   基于固定功率门限值的功率分配示意

    图  6   直流母线功率需求曲线

    图  7   单一储能系统荷电状态变化曲线

    图  8   最优适应度值迭代变化曲线

    图  9   最优配置混合储能系统的荷电状态变化曲线

    表  1   7 500 F超级电容单体参数

    参数名参数值
    额定容量7500 F
    额定电压2.7 V
    截止电压1.35 V
    最大持续电流450 A
    单体重量1.3 kg
    单体体积1 L
    单体价格5.0 万元 / kwh
    下载: 导出CSV

    表  2   LTO8.5 Ah单体参数

    参数名参数值
    额定容量8.5 Ah
    额定电压2.3 V
    放电最大电压2.5 V
    放电截止电压1.5 V
    最大放电倍率15 C
    最大充电倍率8 C
    单体重量0.2 kg
    单体体积0.23 L
    单体价格0.3 万元/kwh
    下载: 导出CSV

    表  3   储能元件单体的参数设置

    参数名参数值
    动力电池SOCmax90%
    动力电池SOCmin30%
    动力电池Ibmax35 A
    动力电池Ibmin−68 A
    超级电容SOEmax100%
    超级电容SOEmin25%
    超级电容Icmax450 A
    超级电容Icmin−450 A
    下载: 导出CSV

    表  4   单一储能系统与最优配置混合储能系统的对比

    储能元件单一储能系统最优配置混合储能系统
    类型超级电容超级电容 + 动力电池
    数量2 064 个1 250 个 + 2 210 个
    重量2 683.2 kg2 067 kg
    体积2 064 L1 758.3 L
    投资价格58.824 万元55.227 万元
    最低荷电状态37.67%32.87%、33.14%
    下载: 导出CSV
  • [1] 陈彦秋. 混合动力列车运行控制及能量管理策略研究[D]. 成都: 西南交通大学, 2013.
    [2] 杨继斌. 多能源混合动力有轨电车能量管理研究[D]. 成都: 西南交通大学, 2017.
    [3]

    Graber G, Galdi V, Calderaro V, et al. Sizing and energy management of on-board hybrid energy storage systems in urban rail transit[C]//International Conference on Electrical Systems for Aircraft, Railway, Ship Propulsion and Road Vehicles & International Transportation Electrification Conference, 2016: 1-5.

    [4]

    Zhang Y J, Yu S, Wang W Y, et al. Fast matching design on fuel cell hybrid system of tram[C]//IEEE Transportation Electrification Conference and Expo, Asia-Pacific, 2017: 1-5.

    [5]

    Herrera V I, Milo A, Gaztanaga H, et al. Adaptive energy management strategy and optimal sizing applied on a battery-supercapacitor based tramway [J]. Applied Energy, 2016(169): 831-845. DOI: 10.1016/j.apenergy.2016.02.079

    [6]

    Herrera V I, Gaztanaga H, Milo A, et al. Optimal energy management and sizing of a battery-supercapacitor based light rail vehicle with a multiobjective approach [J]. IEEE Transaction on Industry Applications, 2016, 52(4): 3367-3377. DOI: 10.1109/TIA.2016.2555790

    [7] 胡春花. 纯电动大客车复合电源系统能量管理策略关键技术研究[D]. 镇江: 江苏大学, 2012.
    [8] 于远彬. 车载复合电源设计理论与控制策略研究[D]. 长春: 吉林大学, 2008.
    [9] 王 玙. 有轨电车混合动力系统能量交互型管理策略与容量配置协同优化研究 [J]. 电工技术学报,2019,34(8):1780-1788.
    [10]

    Cheng L, Wang W, Wei S Y, et al. An improved energy management strategy for hybrid energy storage system in light rail vehicles [J]. Energies, 2018, 11(2): 423. DOI: 10.3390/en11020423

    [11] 张 弛. 新能源有轨电车储能系统的优化配置与控制[D]. 北京: 北京交通大学, 2018.
    [12] 卢 怡. 储能式有轨电车电源系统的参数匹配与能量管理研究[D]. 成都: 西南交通大学, 2018.
    [13] 王子豪. 有轨电车混合储能系统参数匹配与能量管理研究[D]. 南京: 南京理工大学, 2020.
    [14]

    Kennedy J, Eberhart R. Particle swarm optimization[C]//Proceedings of International Conference on Neural Networks. IEEE, 1995.

    [15] 张 晶. 车载超级电容储能式有轨电车能量管理研究[D]. 南京: 南京理工大学, 2018.
    [16] 杨 颖,彭钧敏. 城市轨道交通车辆车载储能器件选型研究 [J]. 电力机车与城轨车辆,2017,40(1):1-6.
图(9)  /  表(4)
计量
  • 文章访问数:  109
  • HTML全文浏览量:  63
  • PDF下载量:  16
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-02-09
  • 刊出日期:  2020-10-25

目录

/

返回文章
返回