可再生能源出力具有随机性和波动性，会引发并网型微电网联络线功率波动，通常通过配置储能系统平抑其波动。相对由单一储能介质组成的储能系统，混合储能系统（hybrid energy storage system，HESS）兼顾了功率型储能和能量型储能的优点。因此合理配置HESS容量对平抑联络线功率波动和提高经济性有着重要意义。

1）为同时优化HESS经济性与联络线功率波动平抑效果，提出了基于非合作博弈的混合储能容量优化配置方法；

2）为解决传统遗传算法易收敛到局部最优解的问题，利用入侵杂草算法中繁殖机制和变异因子改进传统遗传算法。

并网型微电网的混合储能容量配置方法一般仅考虑其经济性，难以解决微电网联络线功率波动问题，会对电网产生不利影响。为了权衡混合储能的经济性与联络线功率波动平抑效果，提出了基于非合作博弈的混合储能容量优化配置方法。首先，以混合储能和联络线作为参与者，建立非合作博弈模型；其次，引入入侵杂草算法中繁殖机制和变异算子改进遗传算法，并求解模型；最后，对传统多目标优化模型、单目标优化模型和非合作博弈模型的优化结果以及传统、改进遗传算法的求解结果进行对比。结果表明：参与者进行博弈时可独立且客观优化目标函数，在获取较大利润的同时，平抑效果也最优，同时入侵杂草遗传算法在寻优能力和收敛速度方面有明显优势，验证了所提方法和算法的有效性。

针对并网型微电网的HESS容量配置方法一般仅考虑其经济性，难以解决微电网联络线功率波动问题。选取非合作博弈作为HESS容量优化配置的建模方法，以权衡HESS的经济性与联络线功率波动平抑效果。针对传统遗传算法会破坏上一代种群中适应度最高的解，存在容易收敛到局部最优解的问题，将传统遗传算法中变异算子利用入侵杂草算法进行改进，同时将适应度作为基准完善算法繁殖机制，以产生后代和变异操作，并在IEEE33系统中对所提方法和算法的有效性进行了验证。

图1为所提方法的博弈流程图，将锂电池和超级电容器的功率、容量视为博弈参与者的策略，以收益函数作为适应度函数。在非合作博弈过程中，当参与者独立优化各自目标时，利用改进的遗传算法求解收益函数，得到一方的最优策略，与另一方目前最优策略构成组合策略，并通过以组合策略所对应的适应度函数值为目标进行不断迭代，得到最优策略组合，若参与者相邻两次得到的最优解相同，则表明在该策略集下，找到了Nash均衡解。

在图2中，场景1为建立HESS经济性最优的单目标优化模型，场景2为建立平抑联络线功率波动最小的单目标优化模型，场景5为本文所提方法。场景5较场景1成本增加了19.4%，主要是由于场景1的策略只需要考虑平抑联络线功率波动，而场景5则是要在经济性与功率波动平抑效果之间进行博弈，相当于在收益函数中考虑了平抑效果。此外，与场景1相比，场景5的联络线功率方差减小了50%，其平抑效果要求更高，使HESS必须采取保守的调度方案，从而保证电力系统经济且稳定运行。与场景2相比，场景5联络线功率方差虽略偏大，但是能够获取较高的收益。在00:00-5:00、19:00-24:00时间段，成本呈上升趋势，这是因为没有可再生能源出力，HESS开始放电为负荷提供有功功率支撑。系统在8:00-15:00时间段，微电网负荷以可再生能源为主、储能为辅供给，所以经济性变化基本平稳。在6:00-7:00、16:00-18:00时间段，可再生能源提供系统的负荷需求和HESS的充放电功率，多余出力会倒送到大电网中，所以成本会有下降趋势。场景5与场景1、场景2这两个单目标优化模型相比，能够在混合储能经济性与联络线功率波动平抑效果之间取得较好平衡，并满足大电网的需求。

图3和图4为传统多目标优化方法与非合作博弈优化方法的求解结果对比。场景3为建立HESS经济性最优和平抑联络线功率波动最小的多目标优化模型，并采用权重系数法进行求解；场景4为建立HESS经济性最优和平抑联络线功率波动最小的多目标优化模型，并采用Pareto法进行求解。场景3、4和5均可以有效地求解多目标优化问题，找到满足约束条件的最优解。从HESS的经济性来看，由于场景5配置的功率和容量更优，所以经济性更优，较场景3节省了2158元，较场景4节省了1831元。从平抑联络线功率波动来看，场景5的方差会低于场景3、4。仿真结果验证出非合作博弈优化方法能够得到稳定的Nash均衡解，不受主观因素和博弈次数的影响，且可证明本文所提方法的有效性。

图5为传统遗传算法和改进遗传算法的收敛结果对比。与传统的遗传算法相比，利用入侵杂草算法改进的遗传算法求解出的成本较低，其中改进遗传算法到第16次迭代后收敛至19872元，传统遗传算法到第28次迭代后收敛为23241元。两种算法的迭代结果表明，传统遗传算法陷入了局部最优解，而本文所采用的入侵杂草遗传算法可以有效避免早熟收敛。

研究团队