應用於微電網之電能管理策略

全文

(1)國立臺灣師範大學電機工程學系碩士論文指導教授：陳瑄易博士. 應用於微電網之電能管理策略 Designs of Power Management Strategy for Microgrid Application. 研究生：張志宏撰中華民國一百零九年九月.

(2) 應用於微電網之電能管理策略學生：張志宏. 指導教授：陳瑄易博士國立臺灣師範大學電機工程學系碩士班. 摘要本研究之目標為針對智慧家庭，發展整合太陽能發電、市電及儲能系統之微電網系統，透過設計多能源系統最佳化能量管理技術(Energy Management System, EMS)，適當調度各電源之間之功率流向，並對儲能系統進行必要之儲能與釋能，以降低整體用電成本。在此研究中，首先發展基於規則控制策略(Rule-Based Control Strategy, RBCS )於微電網系統中，以達到節省電能消耗、降低碳排放量與減少用戶電費支出等目的。然而，由於實際微電網系統在運作時，家用負載、太陽能發電功率、儲電量與即時電價等各項數值均會隨時間變化而縝密變動，且 RBCS 之切換條件無法兼顧所有可能性。因此，為提高整體用電成本最小化之目標，本研究進一步以最小等效能耗策略(Equivalent Consumption Minimization Strategy, ECMS) 設計多能源之電能管理策略，因應不同再生能源發電量、即時電價與負載需求進行功率分配最佳化，將能源更有效率地使用，進而達到電價最小化之目標。礙於最小等效能耗策略搜尋時間過於冗長，最終提出適應性人工蜂群演算法(Adaptive Artificial Bee Colony Algorithm, AABC)設計多能源之電能管理策略來降低搜索時間，實驗結果表明以月計電費夏日時段為例，使用 AABC 之控制策略比 RBCS 之控制策略能省下 9.8%的電費；使用 ECMS 之控制策略比 RBCS 之控制策略一個月能省下 11.2%的電費。關鍵字：能量管理策略、微電網、最小等效能耗策略、適應性人工蜂群演算法。. i.

(3) Designs of Power Management Strategy for Microgrid Application Student : Chih-Hung Chang. Advisor : Dr. Syuan-Yi Chen. Department of Electrical Engineering National Taiwan Normal University. ABSTRACT In the light of this, the objective of this thesis is to develop a smart home which is based on photovoltaic, mains supply and battery in three kinds of microgrid. This thesis presents a Rule-Based Control Strategy (RBCS) to conserve electricity and reduce carbon emissions of Home Energy Management System (HEMS). Nevertheless, considering about the real load, solar power and electricity rates situation will be different with estimation. Consequently, the objective is to minimize electricity payment when satisfying conditions. Further more, the standard way to solve this kind of problem is Equivalent Consumption Minimization Strategy (ECMS) and Adaptive Artificial Bee Colony Algorithm (AABC). Simulation result demonstrate RBCS electricity rates is 9.8% worth more than EMS(AABC) for a month. Then RBCS electricity rates is 11.2% worth more than EMS (ECMS) for a month. Keywords: Energy Management System, microgrid, Equivalent Consumption Minimization Strategy, Adaptive Artificial Bee Colony Algorithm.. ii.

(4) 誌謝在國立臺灣師範大學電機工程學系碩士班求學三年中，感謝指導教授陳瑄易博士在這段時間內，不論在學術或是人際關係上遇到的困難，老師總是不厭其煩的給予指點，使我碩士論文能順利完成。感謝洪翊軒博士、談光雄博士及詹嘉文博士於百忙之中抽空參與學生口試以及給予學生良好的建議，使學生的論文更加的完善，學生在此奉上誠摯感謝。另外，在就讀碩士三年的期間，感謝東鴻、冠緯、啟銘及方儒學長在研究上的指教與幫忙，感謝博丞、峻佑、軒墉、鎧麟及韋綱等同儕的幫忙與學術上的相互扶持，也難忘曾同甘共苦的時光。感謝學弟程瑞、擇安、孟晨、冠汎、宗岳、和儒及芮慶，在實作研究上的幫助，給予我很多意見，在研究上能夠更順利。感謝系辦的婷節、琇文以及嘉安在行政事務上的幫忙。最後，感謝父母在這三年求學過程中總是做我最堅實的後盾，任勞任怨、不厭其煩地協助，因為有你們才能夠讓我心無旁鶩、專心致志地完成碩士論文。願將此成果與所有關心我、支持我及幫助我的師長、親友們共同分享。. iii.

(5) 目錄摘要.............................................................................................................................. i ABSTRACT ................................................................................................................ii 誌謝........................................................................................................................... iii 目錄............................................................................................................................ iv 表目錄 ........................................................................................................................ vi 圖目錄 ....................................................................................................................... vii 第一章. 緒論 ............................................................................................................. 1. 1.1. 研究背景與動機 ....................................................................................... 1. 1.2. 文獻探討 ................................................................................................... 2. 1.3. 研究目的 ................................................................................................... 6. 1.4. 研究架構 ................................................................................................... 7. 第二章. 多能源管理系統介紹 .................................................................................. 8. 2.1. 鋰電池與電池管理系統 ............................................................................ 8. 2.2. 電能轉換裝置 ......................................................................................... 12. 2.3. 太陽能介紹 ............................................................................................. 18. 2.4. 電費計算方式 ......................................................................................... 22. 第三章. 能源管理策略設計 .................................................................................... 25. 3.1. 蓄電池建構 ............................................................................................. 25. 3.2. 類神經網路預測太陽能功率 .................................................................. 30. 3.3. 基於規則能量控制策略 .......................................................................... 36 iv.

(6) 3.4. 最小等效能耗策略 ................................................................................. 41. 3.5. 適應性人工蜂群演算法 .......................................................................... 47. 第四章微電網系統架構 .......................................................................................... 53 4.1. 微電網系統架構 ..................................................................................... 53. 4.2. 系統硬體介紹 ......................................................................................... 54. 4.3. 系統軟體介紹 ......................................................................................... 60. 第五章. PSIM 平台建模 ........................................................................................ 65. 5.1. PSIM 雙向直流/直流轉換模組模擬軟體設計 ...................................... 65. 5.2. PSIM 太陽能發電系統暨 MPPT 模擬軟體設計 .................................... 66. 5.3. PSIM 三進一出能量管理系統模擬軟體設計 ........................................ 68. 5.4. PSIM 基於規則能量控制策略模擬 ........................................................ 72. 第六章. 實驗結果與討論 ........................................................................................ 79. 6.1. 實驗平台說明 ......................................................................................... 79. 6.2. 基於規則能量控制策略實驗 .................................................................. 80. 6.3. 最小等效能耗策略實驗 .......................................................................... 89. 6.4. 適應性人工蜂群演算法實驗 .................................................................. 93. 6.5. 實驗結果與驗證 ..................................................................................... 97. 第七章. 結論與未來展望 ...................................................................................... 102. 7.1. 結論 ....................................................................................................... 102. 7.2. 未來展望 ............................................................................................... 102. 參考文獻 ................................................................................................................. 104. v.

(7) 表目錄表 2.1. 太陽能電池單一模組之參數值於溫度 25℃和日照 1kW/m2 ............ 21. 表 2.2. 非時間電價 ............................................................................................... 23. 表 2.3. 簡易型時間電價 ......................................................................................... 24. 表 3.1. 基於規則能量控制策略表 ......................................................................... 37. 表 4.1. DC-DC 轉換器規格表 ............................................................................... 55. 表 4.2. 鋰電池規格表 ........................................................................................... 59. 表 6.1. 各能源管理策略之電費對照表(非夏日) ................................................... 98. 表 6.2. 各能源管理策略之電費對照表(夏日) ....................................................... 98. vi.

(8) 圖目錄圖 1.1. 全球暖化趨勢圖 ........................................................................................... 1. 圖 1.2. 2017 各類用電比例圖 .................................................................................. 2. 圖 1.3. 多能源管理系統之控制策略類別 ................................................................ 5. 圖 1.4. 多能源能量管理示意圖 ............................................................................... 6. 圖 2.1. 鋰電池運作原理 ........................................................................................... 9. 圖 2.2. 電池管理系統架構圖 ................................................................................. 11. 圖 2.3. 鋰電池放電曲線圖 ..................................................................................... 15. 圖 2.4. DC-DC 轉換器電路圖 ............................................................................... 12. 圖 2.5. CCM 升壓模式 Q2 導通線性平均電路圖 .................................................. 13. 圖 2.6. CCM 升壓模式 Q2 截止線性平均電路圖 .................................................. 13. 圖 2.7. CCM 降壓模式 Q1 導通之線性平均電路圖 ............................................... 14. 圖 2.8. CCM 降壓模式 Q1 截止之線性平均電路圖 ............................................... 15. 圖 2.9. 電感電流與開關導通週期訊號圖：(a) 降壓模式、(b) 升壓模式。....... 16. 圖 2.10 內迴路控制架構圖 ..................................................................................... 17 圖 2.11 太陽能電池等效電路圖 ............................................................................. 18 圖 2.12 不同溫度下太陽能電池特性曲線 P-V 曲線(日照量 1kW/m2) .................. 21 圖 2.13 不同日照量下太陽能電池特性曲線 P-V 曲線(溫度 25℃) ....................... 22 圖 3.1. 鋰電池放電模式 ......................................................................................... 26. 圖 3.2. 鋰電池充電模式 ......................................................................................... 27. 圖 3.3. 鋰電池效率圖 ............................................................................................. 29. 圖 3.4. 倒傳遞類神經網路架構圖 ......................................................................... 31. 圖 3.5. 倒傳遞類神經網路流程圖 ......................................................................... 36. 圖 3.6. 簡易型多能源架構圖 ................................................................................. 37 vii.

(9) 圖 3.7. 基於規則能量控制策略圖 ......................................................................... 38. 圖 3.8. 電力系統運作模式圖 .............................................................................. 41. 圖 3.9. ECMS 的計算流程 ..................................................................................... 42. 圖 3.10 目標函數示意圖 ......................................................................................... 43 圖 3.11 時間電價λ ................................................................................................. 44 圖 3.12 鋰電池懲罰值 ............................................................................................. 44 圖 3.13 全域搜尋最佳參數示意圖......................................................................... 45 圖 3.14 ECMS 之  三維圖 .................................................................................... 46 圖 3.15 ECMS 之市電輸出功率三維圖 ................................................................. 46 圖 3.16 雇傭蜂移動之向量圖 ................................................................................ 48 圖 3.17 傳統式人工蜂群演算法之流程圖 ............................................................ 50 圖 3.18 適應性人工蜂群演算法之工蜂移動向量圖 ............................................ 51 圖 3.19 AABC 之  三維圖 ..................................................................................... 52 圖 3.20 AABC 之市電三維圖 ................................................................................. 52 圖 4.1. 家庭能源管理系統架構圖 ......................................................................... 53. 圖 4.2. 多能源能量管理系統圖 ............................................................................. 54. 圖 4.3. 並聯 DC-DC 轉換器模組之電路實體圖 .................................................... 55. 圖 4.4. 功率開關元件 ............................................................................................. 56. 圖 4.5. 驅動電源模組 (a) 閘極驅動模組、(b) 閘極驅動電源模組 .................... 57. 圖 4.6. JTAG 燒錄模組 .......................................................................................... 57. 圖 4.7. PEK-100 控制電路版模組.......................................................................... 58. 圖 4.8. 無紙式紀錄器(TRM-20) ............................................................................. 59. 圖 4.9. 鋰電池 ........................................................................................................ 59. 圖 4.10 DSOX2004A 示波器 .................................................................................. 60 圖 4.11 PLZ1004W 可程式電子負載 ...................................................................... 60 viii.

(10) 圖 4.12 PSIM 電路模擬軟體 ................................................................................... 61 圖 4.13 PSIM DSP Oscilloscope .............................................................................. 62 圖 4.14 TMS320F28335 功能方塊圖 ...................................................................... 64 圖 5.1. 雙向直流/直流轉換模組 PSIM 模擬程式 ................................................. 65. 圖 5.2. 太陽能發電系統暨 MPPT 模擬軟體.......................................................... 66. 圖 5.3. 前/後級直流/直流功率轉換模組之輸出電壓 ............................................ 67. 圖 5.4. 三進一出能量管理系統：轉換模組部分之模擬軟體設計 ....................... 68. 圖 5.5. 三進一出能量管理系統：控制器部分之模擬軟體設計 ........................... 69. 圖 5.6. 三進一出能量管理系統模擬：直流鏈電壓 .............................................. 70. 圖 5.7. 三進一出能量管理系統模擬：各模組電流變化....................................... 71. 圖 5.8. 三進一出能量管理系統模擬：第一部轉換模組 PWM 開關訊號 ............ 71. 圖 5.9. 三進一出能量管理系統模擬：第二部轉換模組 PWM 開關訊號 ............ 72. 圖 5.10 三進一出能量管理系統模擬：第三部轉換模組 PWM 開關訊號 ............ 72 圖 5.11 一日負載排程 ............................................................................................. 73 圖 5.12 RBCS 之輸出功率 ...................................................................................... 74 圖 5.13 RBCS 之輸出電壓 ...................................................................................... 74 圖 5.14 RBCS 之市電電流、蓄電池電流、太陽能電流 ....................................... 75 圖 5.15 RBCS 之市電、蓄電池及太陽能導通開關 ............................................... 75 圖 5.16 一日負載排程 ............................................................................................. 76 圖 5.17 RBCS 之輸出功率 ...................................................................................... 77 圖 5.18 RBCS 之輸出電壓 ...................................................................................... 77 圖 5.19 RBCS 之市電電流、蓄電池電流、太陽能電流 ....................................... 78 圖 5.20 RBCS 之市電、蓄電池及太陽能導通開關 ............................................... 78 圖 6.1. 實驗平台佈置圖 ......................................................................................... 79. 圖 6.2. 各類型用戶之負載曲線 ............................................................................. 80 ix.

(11) 圖 6.3. 類神經網路架構圖 ..................................................................................... 82. 圖 6.4. 類神經網路訓練收斂過程 ......................................................................... 82. 圖 6.5. 2017 年 1 月 20 日日照及溫度曲線圖 ....................................................... 83. 圖 6.6. 2017 年 1 月 20 日功率曲線圖................................................................... 83. 圖 6.7. 2017 年 8 月 25 日日照及溫度曲線圖 ....................................................... 84. 圖 6.8. 2017 年 8 月 25 日功率曲線圖................................................................... 84. 圖 6.9. 一日負載曲線(非夏日) ............................................................................... 85. 圖 6.10 一日負載曲線(夏日) .................................................................................. 85 圖 6.11 RBCS 之負載功率曲線(非夏日) ................................................................ 86 圖 6.12 RBCS 之輸出電壓(非夏日) ........................................................................ 86 圖 6.13 RBCS 之太陽能電流、市電電流、蓄電池電流(非夏日) ......................... 87 圖 6.14 RBCS 之負載功率曲線(夏日) .................................................................... 88 圖 6.15 RBCS 之輸出電壓(夏日) ........................................................................... 88 圖 6.16 RBCS 之太陽能電流、市電電流、蓄電池電流(夏日) ............................. 89 圖 6.17 ECMS 之負載功率曲線(非夏日) ............................................................... 90 圖 6.18 ECMS 之輸出電壓(非夏日) ....................................................................... 90 圖 6.19 ECMS 之太陽能電流、市電電流、蓄電池電流(非夏日)......................... 91 圖 6.20 ECMS 之負載功率曲線(夏日) ................................................................... 91 圖 6.21 ECMS 之輸出電壓(夏日) ........................................................................... 92 圖 6.22 ECMS 之太陽能電流、市電電流、蓄電池電流(夏日) ............................ 93 圖 6.23 AABC 之負載功率曲線(非夏日) ............................................................... 94 圖 6.24 AABC 之輸出電壓(非夏日) ....................................................................... 94 圖 6.25 AABC 之太陽能電流、市電電流、蓄電池電流(非夏日) ........................ 95 圖 6.26 AABC 之負載功率曲線(夏日) ................................................................... 95 圖 6.27 AABC 之輸出電壓(夏日) ........................................................................... 96 x.

(12) 圖 6.28 AABC 之太陽能電流、市電電流、蓄電池電流(夏日) ............................ 97 圖 6.29 RBCS 非夏日電費累進圖 .......................................................................... 99 圖 6.30 ECMS 非夏日電費累進圖.......................................................................... 99 圖 6.31 AABC 非夏日電費累進圖 ....................................................................... 100 圖 6.32 RBCS 夏日電費累進圖 ............................................................................ 100 圖 6.33 ECMS 夏日電費累進圖 ........................................................................... 101 圖 6.34 AABC 夏日電費累進圖 ........................................................................... 101. xi.

(13) 第一章. 緒論. 1.1 研究背景與動機近年來各地大量化石燃料使用氾濫，使全球將面臨到化石能源逐漸枯竭及全球暖化[1]現象加劇如圖 1.1，所伴隨而來的是則是高價能源與低碳的時代。因此，能源的永續發展及節能減碳已成為未來趨勢，又隨著科技日新月異，用戶對用電的依著度、居家的安全性、便利性與舒適度等需求不減反增，想要節能更是難上加難。因此，如何發展再生能源及其有效率的使用為一大課題。. 圖1.1. 全球暖化趨勢圖. 由於我國 2017 年住宅用戶用電量占全國 18.2% [2]如圖 1.2，若能將多能源能量管理系統導入各個住宅用戶中，並活化再生能源使用，將能夠有效地提高能源使用效率；進一步地，二氧化碳、氟氯碳化物等造成溫室效應的氣體，排放量也可逐漸降低以減少發電過程中所產生的環境汙染，即可減緩全球暖化與極端氣候對地球所造成地衝擊。但再生能源間歇性發電勢必對電網穩定度造成影響，為了維持電力系統穩定與安全，儲能設備的加入成為很好的解決方案，亦為微電網的成形。近年，各國也將智慧電網的概念導入家庭或大樓用戶中，因此造就了家庭能源管理系統(Home Energy Management System, HEMS)的形成，主要蒐集用戶用 1.

(14) 電的資訊，利用通訊設備進行電力能源監控及管理達到降低用電成本。需求端管理主要透過改變電力用戶之用電行為，已規劃出對用戶及電力公司互利的用電需求型態。用電需求規劃包含節約用電、降低尖峰需求、用電需求重配置及用電需求及負載成長控制等規劃。而台電也針對需求端管理已經陸續實施時間電價、季節電價、可停電力、儲冷式中央空調系統與中央空調暨箱型冷氣周期性暫停用電等各項方案，在眾多選項中，用戶可選出適用自身用電特性。. 圖1.2. 2017 各類用電比例圖. 本論文提出並建置家庭能源管理系統平台，提供一套兼具電能管理與電力控制之整合系統，利用離峰時段將電力充儲能系統，尖峰時段將離峰時段儲存之電能拿來供給負載，如此能達到負載轉移的效果以供任何環境下的家庭使用，亦能達到節省電能消耗、降低碳排放量與減少用戶電費支出等目的。. 1.2 文獻探討分散式系統隨著併入再生能源，電源設備控制與相容性的問題也伴隨而來，為了協調各個供電來源，近年提出了微電網(Microgrid)，其概念為將分散式電源、儲能裝置、能量轉換裝置、相關負載與監控、保護裝置匯集等進行整合，以取代傳統電源個別併網。微電網具有以下兩種運作模式：併網模式及孤島模式，在併網模式下微電網與市電連結，由市電平衡微電網內之電力供需；而孤島模式則為與市電因故障跳脫、斷開，由微電網獨立供電[3,4]。當微電網處於孤島模式時， 2.

(15) 因再生能源大多為不穩定之能量來源，微電網必須由儲能裝置穩定其電力供需，當輸入功率高過負載需求時，剩餘的功率被儲存至儲能裝置；當輸入功率滿足不了負載需求時，不足的功率由儲能裝置供給[5-7]。不論使用何種再生能源系統在功率容量或是發電特性上，具有相當大的差異，且本身不具備儲能功能，因此需要蓄電池作為緩衝，其中雙向直流-直流轉換器（DC-DC converter）扮演著不可或缺的角色。基本型態有三種：(1)升壓型 DC-DC 轉換器(Boost Converter)，(2)降壓型 DC-DC 轉換器(Buck Converter) (3)升/降壓型 DC-DC 轉換器(Buck-Boost Converter)[8]，而一般常見的控制迴路架構包括輸出電壓閉回路架構、電壓電流雙迴路架構、電壓電流雙迴路磁滯架構、單週期及滑模控制架構等[9-14] 。依使用者需求採用不同的控制架構，以下說明常見得電流控制架構。一般電流控制架構皆採用雙迴路架構，外迴路主要穩定輸出電壓在期望的電壓值，利用電壓參考命令和輸出電壓回授所產生的電壓誤差經電壓控制器補償而得內迴路的電流參考命令。而電壓控制器常見的有比例積分微分控制器 (Proportional Integrative Derivative，PID)及比例諧振控制器（Proportion, Resonant, PR），其目的都是為了使輸出電壓能更接近電壓命令，內迴路則是有較好的暫態響應，在此設計下加入能量分配策略能達到更好的控制效能。隨著微電網的興起，能源管理系統涵蓋了不同的應用範圍，主要區分為(Home Energy Management System, HEMS) 與建築能源管理系統 (Building Energy Management System, BEMS) [15-18]。我國 HEMS 發展於國家科學委員會 2010 至 2013 年提出能源國家型科技計畫主軸專案計畫[18]以提升能源效率與減少碳排放，應用面中規劃出四個先導計畫，其中之一為 HEMS，研發重點為： 1.. 技術標準與規範研究研究分析國內外現有規格、提出或整合通訊規範、選用適合的網路拓樸、制. 定合適智慧家庭規範與協定。 3.

(16) 2.. 負載類型控制介面與通訊模組研發家庭閘道器、非侵入式電力監測技術 NILM、有線(PLC)/無線(Zigbee、. Wi-Fi)感測器、家電資通訊控制介面、整合行動裝置。 3.. 人機監控軟體. 使用者介面、即時顯示技術、歷史資料庫、即時資訊(電價、氣候、需量)預測技術、電能管理最佳化決策系統。多能源管理系統近年來海內外專家學者皆投入於能源管理策略(Equivalent Management Strategy, EMS)之研究，確保系統中各元件在其安全操作範圍內保有最高的能源轉換效率。根據文獻[19-25]可知，控制策略初始可分為兩大類，再進一步分為四項子類別，如圖 1.3 所示。基於規則能量管理策略(Rule Based Power Management Strategy )為最容易實踐之控制法則，依據策略的自由度與彈性之差異有類別之區分。但規則之擬定方式非常相似，主要優點為不需要繁雜的數值計算，可實際應用於家庭能源系統，但此控制策略太依賴工程師經驗法則，主觀分析其複合動力架構及各組件之工作效率，決定各家庭於不同需求負載的能源分配。此類別控制策略通常無法保證將 HEMS 之能源轉換效率最佳化，必須結合其他最佳化控制策略。最佳化控制策略(Optimization Control Strategy)，首先須定義其最佳化目標，且設置目標函數以進行系統之優化。全域最佳化(Global Optimization)中具代表性之一策略為人工蜂群演算法(Artificial Bee Colony Algorithm, ABC) [26]，其演算法為仿效現實中蜜蜂採集花蜜的行為，其中包含了三種蜜蜂，分別有工蜂、且蜂巢內等待的觀察蜂、隨機探索的偵查蜂。特定任務交付特定之蜜蜂以有效率地方式分工執行，可將整體蜂巢中能採集之花蜜總量提升至最大值，以此概念發展出人工蜂群演算法。與其他仿生演算法比較之下，人工蜂群演算法有著控制參數少、且穩定性好、收斂速度快、以及計算簡潔等等的優勢。但是它有著過早收斂到最 4.

(17) 佳解和陷入區域解等缺點[27]。為了改進這項缺點，已有不少的參考文獻可參考 [28-30]，因此本文參考[30]改良了人工蜂群演算法以此提升演算法之全域搜索能力與收斂速度。 State Machine Modified P.F. Power Follower Thermostat Control. Predictive Adaptive Conventional Fuzzy RB Rule-Based. Deterministic RB. Optimization-based Global Optimization. Real-time Optimization EFC Minimization Robust Control Model Predictive Decoupling Control. Linear Programming Dynamic Programming Stochastic D.P. Artificial Bee Colony. 圖1.3. 多能源管理系統之控制策略類別[19]. 為了優化未知家庭負載需求功率，即時控制策略(Real-Time or online control) 誕生，及演算法將目標函數計算每一當下時刻進行參數優化，以簡化最佳數值計算，故可實際應用於家庭能源控制器，由文獻[31-35]得知，等效能耗管理策略 (Equivalent Consumption Minimization Strategy, ECMS)屬於即時控制策略之一，並解能有效近似全域最佳化之結果。本文微電網架構為太陽能發電(電源供應器)、市電(電源供應器)及鋰電池組成，電能轉換裝置迴路架構選為電壓電流雙迴路架構，因智慧型控制於 PSIM 上建模不易，故電壓外迴路及電流內迴路皆採用 PID 控制器，而現今業 PID 使用也極為廣泛[36]，目前基於精確數學模型的傳統 PID 控制器已經十分完善，而 PID 控制器參數調整的方法也很多，大致可以分為兩類，一是經過數學模型推導理論計算，在進行實際的調整，針對線性系統；二是試誤法，針對非線性、高階、時變系統，主要依賴經驗法則，如 Ziegler-Nichols 調整法[37]。 5.

(18) 1.3 研究目的本文目標為針對智慧家庭，發展整合太陽能發電、市電及儲能系統之微電網系統如圖 1.4 所示，此系統透過並聯三組直流/直流轉換模組組成一套三進一出能量管理系統。在此研究中，除發展雙向直流/直流轉換模組外，亦設計主動式功率控制技術與最佳化能量管理策略，並實現在數位訊號處理器(Digital Signal Processor, DSP) 上，進而開發多能源系統最佳化能量管理技術之基於規則控制策略，該策略可主動控制再生能源、市電與儲能系統之功率流向。然而，實際微電網系統在運作時，家用負載、太陽能發電功率、儲電量與即時電價等各項數值均會隨時間變化而縝密變動，且 RBCS 之切換條件無法兼顧所有可能性。因此，為提高整體用電成本最小化之目標，本研究進一步以最小等效能耗策略與適應性人工蜂群演算法設計多能源之電能管理策略，以使各模組之輸出功率可被主動式分配，達到最佳化之能量管理。. DC/DC Converter. 太陽能 DC/DC Converter. Inverter. inverter. 市電. 家用負載 DC/DC Converter. 蓄電池. 圖1.4. 多能源能量管理系統圖. 6.

(19) 1.4 研究架構本論文共分七個章節，各章節內容分述如下：第一章. 緒論：敘述本論文之研究背景及動機、文獻探討、研究目的與研究架構。. 第二章. 多能源管理系統介紹：首先會介紹儲能系統及電能轉換裝置的架構及運作原理，並導入控制架構。接著描述太陽能電池特性，最後說明電費計算方式並探討加入儲能系統對整體之優點。. 第三章. 系統模式建構：本章說明研究方法、限制條件與設計能源管理策略，將問題建立數學式，針對本研究所用的方法給予闡述並描述其理論。. 第四章. 系統架構：實驗平台架構、硬體規格、數位訊號處理器軟體介紹. 第五章. PSIM 平台建模：首先建立雙向直流/直流轉換模組模擬軟體設計，並建立太陽能發電系統暨 MPPT 模擬軟體，最後建置多進多出直流/直流轉換器並導入第三章提到能源控制策略 RBCS，以實現各轉換器模組之電壓與電流調節控制，達到各轉換模組之主動電力分配功能。. 第六章. 實驗結果與討論：首先介紹多能源系統平台構圖設計，接著說明實驗所需之各項資料如蓄電池參數規格、負載排程、太陽能功率規劃、電價選擇等進行實作，針對第三章所提出基於規則能量管理策略、最小等效能耗策略與適應性人工蜂群演算法方法的實驗結果作分析與比較，並以實驗數據佐證最佳化與本文架構有效地抑制用電成本。. 第七章. 討論與未來展望：針對研究進行總結歸納，提出未來相關研究之可行方向。. 7.

(20) 第二章. 多能源管理系統介紹. 2.1 鋰電池與電池管理系統應用於微電網系統其中重要組件即為蓄電池，但市售上電池種類五花八門，而不同種類電池具有不同充、放電特性。而要設計完整的電池管理系統，首先要掌握蓄電池的原理與特性，本節針對本論文所使用的蓄電池特性做其描述，最後透過介紹的蓄電池特性來說明電池管理系統的必要性以及所需要的功能。 2.1.1. 鋰離子電芯特性. 鋰金屬重量輕、電壓高以及導電性高，作為電池的負極材料十分適合。鋰電池由早期廣泛應用於軍事用途，至今日普及於各種攜帶型裝置，如筆記型電腦、照相機、手機…等。鋰電池之所以這麼普及是因為其安全問題獲得很大改善，以及應用於不同用途可以製成不同形式之形狀與容量，容量範圍從 5 毫安小時大至幾百安培小時，以下為鋰金屬製成電池的幾項優點[38]： 1.. 電壓高與以往傳統電池相比，鋰電池電壓可達 3V 以上，所需電池數量是傳統電池的一半。. 2.. 能量密度高鋰電池能量密度高於 200Wh/kg，相較於傳統電池高二至四倍。. 3.. 放電電流高鋰電池能夠在大電流、高功率的環境下輸出能量，並能提供瞬間大電流放電。. 4.. 自放電率低與其他二次電池相比鋰電池靜置一段長時間，還是可以維持大約相同的能量。. 2.1.2. 鋰鈷電芯. 鋰鈷電芯為市面上最為常見的鋰離子電芯，正極材料是鋰合金氧化物，負極材料 8.

(21) 為炭，電解液為鋰離子化合物有機溶劑，其放電化學反應式如(2-1)。此外，有隔離膜在正負極之間將兩者隔開避免短路，電解液則在多孔的隔離膜中負責傳遞離子電荷，放電時負極的鋰原子喪失電子轉換成鋰電子，鋰離子經由電解液進入正極獲得電子轉換成鋰原子[39]如圖 2.1 所示，充電時正極鋰原子將陸續因電位能影響而失去形成帶正電的離子，並且在負極吸引下通過電解液後出現負極電子，附著於碳結構中。此外，目前鋰鈷電芯相較於其他鋰電池種類，其優點為體積較小可在同等體積內儲存最多電能。 disch arg e C6 Lix + Li1− x MaMbO2 ⎯⎯⎯⎯ → C6 + LiMaMbO2. (2-1). 其中 Ma：參雜金屬。 Mb：參雜金屬。. Discharge e-. e-. LixC6. Li+. Anode. Li-MO2 Electrolyte M=Min,CO,Ni Separator 圖2.1. 鋰電池運作原理[39]. 9. Cathode.

(22) 電池管理系統. 2.1.3. 由於再生能源對於電力公司或微電網來說，為不受控且不穩定的能源此類不可估測的分散式能源對電力系統的影響，猶如一個劇烈變化的負載，對於市電的安全運轉將是無法忽視的一大環節，面對綜合考量下，於微電網中加入電池管理系統，對整體電網的穩定及安全會有顯著之效果。對電力公司而言，微電網系統的效益可降低不可控因素，將擺脫在原先無電管理能系統時，負載瞬間大幅度增加，使電力調度能更為經濟與實惠。電池管理系統不僅能做為穩定的能源以供負載使用，也能在微電網所有者的電力調度上有一定程度的協助。對於非用電尖峰時段、市電價格較為低廉時，微電網所有者可購入成本低的電能並加以保存；於用電尖峰時段、市電價格較為高時對負載供電，不僅可供給自身使用，更甚可回饋給市電以賺取價差利潤，如此，電池管理系統不僅能穩定整體電網，亦能使用戶達到降低用電成本的媒介，且在微電網架構下也需要電池管理系統來監控和維護每個電池組的安全，電池管理系統被授予能夠對電池組進行安全監控和有效管理電能，並提高電池組的使用效率及延長電池壽命[40]，而電池管理系統基本架構圖如圖 2.2 所示主要分為五部分 [41]： 1.. 測量測量電池側的各種資訊擷取. 2.. 管理依據目前電池狀況對其判斷出最適當的充、放電控制. 3.. 評估利用所量測之資訊，判斷電池的容量及壽命等資訊. 4.. 通訊將電池資訊傳至監測、紀錄系統 10.

(23) 5.. 紀錄紀錄電池充、放電資訊做統計. Measurement. Analysis. Communication. Batter pack. External system. Management. Logging. Battery Management System. 圖2.2. 電池管理系統架構[41]. 電池管理系統必須隨時監控電池的各種資訊，當中最重要的參考指標為充電電池容量(State of Charge, SOC)，定義為電池當下殘存電量的比值。SOC 與電池的電壓、電流、溫度甚至電池內阻皆有相關。因此要計算 SOC 必須精確量測上述三種參數，而在這些參數中又以電池兩端電壓與 SOC 有明確的直接關係。其鋰電池放電曲線如圖 2.3 所示，雖不能只用電池端電壓取得 SOC 精確資訊，但可藉由電池端電壓推測出電池電壓越高，其電池的容量也越高。因此電池端的電壓量測對於電池管理系統是一項重要的技術[42]。. 圖2.3. 鋰電池放電曲線 [42] 11.

(24) 2.2 電能轉換裝置本節介紹 DC-DC 轉換器操作於連續導通模式(Continuous Current Mode, CCM) 之動態方程式，透過串接控制實現外迴路電壓控制及內迴路架構。經過模擬驗證後，將控制程式燒錄於 DSP 中，再透過 DSP 實作於 DC-DC 轉換器平台，以驗證所設計電路動態方程式及控制器之準確性。以下分別介紹 DC-DC 升/降壓轉換器動作原理。. 2.2.1. DC-DC 轉換模組介紹. DC-DC 功率轉換模組的主電路架構如圖 2.4 所示[43]，此電路設計簡易、成本低、容易實踐，是由 4 個功率開關 Q1~Q4、4 個二極體 D1~D4、1 個電感 L 及 2 個電容器 C1、C2 所組成。經由控制 Q1~Q4 等開關，使其操作在降壓或升壓模式，其穩態分析如下:. 圖2.4. 2.2.2. DC-DC 轉換器電路圖. DC-DC 升壓模式介紹升壓模式：此模式為電路工作在 Vin < Vo 狀態，此時在每一個切換週期 T. 中，控制開關 Q1 恆導通，Q3 及 Q4 恆截止，而開關 Q2 導通或截止，以調整升壓充電電流。 12.

(25) 圖2.5. CCM 升壓模式 Q2 導通線性平均電路圖. 圖2.6. CCM 升壓模式 Q2 截止線性平均電路圖. 當開關 Q2 導通時，能量儲存於電感 L，其等效電路如圖 2.5 所示，可得知電感兩端電壓為 VL ( t ) = Vin. (2-2). 0 < t < DT 時，電感電流為 iL ( t ) = iL ( 0 ) +  VL ( t ) dt. (2-3). 1 = iL ( 0 ) + Vin t L. (2-4). t. 0. 在 t = on = DT 時，由式可知 1 iL ( t ) = iL ( 0 ) + Vin DT L. (2-5) 13.

(26) 當開關 Q2 截止時如圖 2.6 所示，在此模式下 VL ( t ) = − (Vo − Vin ). 1 t VL ( t ) dt L DT. iL ( t ) = iL ( DT ) +. = iL ( DT ) +. (2-6). 1  − (Vo − Vin )  ( t − DT ) L. (2-7). 所以在 t = T 時，由 iL (T ) = iL ( DT ) +. 1  − (Vo − Vin )  (1 − D ) T L. (2-8). 當轉換器達到穩態時， 1 1 iL ( 0 ) = iL ( 0 ) + Vin DT +  − (Vo − Vin )  (1 − D ) T L L. (2-9). 因此 Vin DT = (Vo − Vin )(1 − D ) T. (2-10). 可得到 Vo 與 Vin 之間的關係為 Vo 1 T = = Vin 1 − D T − ton. 2.2.3. (2-11). DC-DC 降壓模式介紹降壓模式：此模式為電路工作在 Vin > Vo 狀態，此時在每一個切換週期 T 中，. 控制開關 Q2、Q3 及 Q4 恆截止及 Q1 導通或截止，調整降壓電感電流。. 圖2.7. CCM 降壓模式 Q1 導通之線性平均電路圖 14.

(27) 圖2.8. CCM 降壓模式 Q1 截止之線性平均電路圖. 當開關 Q1 導通時，功率開關 Q3 之寄生二極體 D3 順向偏壓而導通，電感電流 iL 增加上升儲存於電感 L，其等效電路如圖 2.7 所示，可得知電感兩端電壓為 VL ( t ) = Vin − Vo. (2-12). 0 < t < DT 時，電感電流為 iL ( t ) = iL ( 0 ) +  VL ( t ) dt t. 0. = iL ( 0 ) +. 1 (Vin − Vo ) t L. (2-13). 在 t = ton = DT 時，由(2-12)式可得知 iL ( t ) = iL ( 0 ) +. 1 (Vin − Vo ) DT L. (2-14). 當開關 Q1 截止時如圖 2.8 所示，在此模式下 VL ( t ) = −Vo. 1 t VL ( t ) dt L DT −V = iL ( DT ) + o ( t − DT ) L. iL ( t ) = iL ( DT ) +. (2-15). 所以在 t = T 時，則 iL (T ) = iL ( DT ) +. −Vo (1 − D ) T L. (2-16). 而在轉換器達到穩態時，則 15.

(28) iL ( 0 ) = iL ( 0 ) +. 1 1 (Vin − Vo ) DT + ( −Vo )(1 − D ) T L L. (2-17). 因此. (Vin − Vo ) DT = Vo (1 − D ) T. (2-18). 可得到 Vo 與 Vin 之間的關係為 Vo = D = ton Vin. (2-19). 由(2-19)式可知，在固定的輸入電壓 Vin 而言，輸出電壓 Vo 與開關導通週期 (Duty Cycle)成正比。當輸入電壓或是輸出負載有所變動時，可改變開關週期的導通與截止時間，讓輸出電壓保持定值。由圖 2.9 可知降壓模式操作於 CCM 模式下，功率開關 Q1~Q4、電感電流與開關導通週期 T 的關係。. Q1. Q1 t. 0. t. 0 Q2. Q2 t. 0. t. 0 Q3. Q3 t. 0. t. 0 Q4. Q4 t. 0. t. 0. iL. iL t. 0 DT. (1-D)T. DT. T (a). 圖2.9. t. 0 (1-D)T. T (b). 電感電流與開關導通週期訊號圖：(a) 降壓模式、(b) 升壓模式。 16.

(29) DC-DC 轉換器控制架構. 2.2.4. 雙向 DC-DC 轉換模組需在升壓模式和降壓模式中切換，傳統採用的單迴路電壓反饋控制對於負載變動下不能即時響應，故系統暫態誤差較大，而單迴路電流反饋控制只適合轉換器的佔空比 D 小於 0.5 的情況，否則電路容易產生諧波震盪[44]。為了克服單迴路控制的缺點，本研究採用內迴路控制架構，即電壓反饋作為外迴路，電流反饋為內迴路如圖 2.10 所示。電壓反饋迴路利用參考電壓和輸出電壓回授訊號相減得到電壓誤差值經電壓控制補償器得出一電流控制訊號，此訊號再與電感電流相減得到電流誤差經過電流補償器後得出一修正後電流控制訊號，最後將此控制訊號與三角波相減會得出 PWM 訊號，電流反饋內迴路是為了獲取最佳動態響應，電壓反饋外迴路的目的為確保輸出電壓為期望電壓，在此實驗電壓控制補償器與電流控制補償器為 PID 控制器。. iL. Vin S. 電流反饋迴路. d. Vo 電壓反饋迴路. +. PWM. Z. DC-DC轉換器修正後電流控制訊號. Z. Hi + 電流控制訊號. 圖2.10 內迴路控制架構圖其中 Hv：電壓控制補償器 Hi：電流控制補償器 17. Hv +. 參考電壓 Vref.

(30) 2.3 太陽能介紹太陽能電池輸出電壓與電流之關係為非線性，且輸出功率隨日照強度上升而變大，隨週遭溫度上升而變小。由於外在氣候環境不停地變化，必須有一套方法來調節太陽能的電力，使太陽能電池輸出最大功率，才能達到最佳的功率轉換效率。基本上太陽能電池可視為一獨立電流源，如圖 2.11 為太陽能電池的等效電路 [45]。其中電流源 Iph 為太陽能光電池所產生的電流；Rj 為 P-N 接面的非線性阻抗；Dj 為 P-N 接面理想二極體；Rsh 與 Rs 分別為材料內部的等效並聯電阻和等效串聯電阻；Ro 為輸出負載；Vpv 和 Ipv 則是光電池接上負載產生之電壓電流。事實上，太陽能電池 Rsh 很大而 Rs 很小，為了簡化分析過程可把此電流源看作一理想太陽能電池如圖 2.11。為了簡化分析過程可 Rs 及 Rsh 忽略不計。實際太陽能電池模組理想太陽能電池. 圖2.11 太陽能電池等效電路圖[45] 實際上太陽能光電池，通常因為 Rsh 很大而 Rs 很小，為了簡化分析過程可把此電流源看作一理想太陽能電池如圖 2.11。忽略 Rsh 與 Rs 後，依照等效電路與 PN 接面半導體的特性，太陽能光電池的輸出電流可以用下列數學式表示：   q Vpv I PV = n p I ph − n p I rs e    kTA ns.    − 1  . (2-20). 18.

(31) 其中 Vpv：太陽能板輸出電壓 Ipv ：太陽能板輸出電流 Iph ：太陽能電池所產生的電流 ns ：太陽能板串聯個數 np ：太陽能板並聯個數 q. ：電荷量(1.6*10-19C). k. ：波茲曼常數(1.38*10-23 J/°K). A ：理想因數 T ：太陽能板表面溫度°K Irs：逆向飽和電流此外，在(2-20)式中的 Irs 表示太陽光電池的反向飽和電流，其數學關係式可表示如下：  T   qE   1 1   I rs = I rr   e  G   −    Tr   kA   Tr T   3. (2-21). 其中 Tr ：太陽能板參考溫度(°K) Irr ：太陽能板溫度在 Tr(°K)時之逆向飽和電流 EG：半導體材料跨越能間帶間隙時所需能量由上式可以看出反向飽和電流 Irs 也是溫度的函數;其次，太陽光電池所產生的電流 Iph，也隨著太陽照度和大氣溫度的變化而改變，可由如下數學關係式表示：. 19.

(32) S I ph =  I scr + ki (T − Tr ) 100. (2-22). 其中 ki ：太陽能板短路電流的溫度係數 S ：太陽日照量(kW/m2) Iscr：太陽能板工作在參考溫度(°K)和日照 1kW/m2 條件下，量測的短路電流. 從上述的數學關係式可以清楚地瞭解太陽光電池的物理特性，利用(2-20)、(222)式可計算出其輸出功率 Ppv，如下所示：   q Vpv   Ppv = Vpv n p I ph − Vpv n p I rs e   − 1   kTA ns  . (2-23). 由上述之方程式可了解太陽能板之性能，並可描繪出太陽能板的電壓和功率之間隨著日照量和太陽能板表面溫度變化時之關係圖。本文太陽能板參數則參考文獻[46]中頂晶科技股份有限公司(TsnSolar)所產生的 TYN-180S5 175W 太陽能板如表 2.1 所示，此表為太陽能電池在溫度 25℃和日照量 1kW/m2 下時單一模組之參數值。圖 2.12 和圖 2.13 為模擬太陽能在不同溫度下和不同日照下的太陽能電池特性曲線。由圖 2.12 可得知，當日照量固定而溫度上升時太陽能所產生的電流 Iph 會隨著溫度上升而上升，但其逆向飽和電流 Irs 也會隨著溫度上升而三次方的速度上升，導致輸出電流 Ipv 下降，因而使太陽能輸出功率 Ppv 會隨溫度上升而下降。由圖 2.13 可得知，當溫度固定而日照量上升時太陽能所產生的電流 Iph 會隨著日照量上升而上升，但其逆向飽和電流 Irs 不變，因此輸出電流 Ipv 增加，其輸出功率 Pvp 也隨之上升。. 20.

(33) 表2.1. 太陽能電池單一模組之參數值於溫度 25℃和日照 1kW/m2[46] 最大功率(W). 175W. 開路電壓(V). 44V. 短路電流(A). 5.2A. 模組效率(%). 13.4%. 太陽能電池效率(%). 16.4%. 短路電流溫度係數(mA/℃). 2.5 mA/℃. 開路電壓溫度係數. -0.417. 85℃. 85℃. 75℃. 75℃. 60℃. 60℃. 35℃. 35℃. 25℃. 25℃. (a). (b). 圖2.12 不同溫度下太陽能電池特性曲線 P-V 曲線(日照量 1kW/m2) (a) P-V 曲線 (b) I-V 曲線. 21.

(34) 1000 W/m2. 1000 W/m2 800 W/m2 600. 800 W/m2. W/m2. 500 W/m2. 600 W/m2 500 W/m2 400 W/m2. 400 W/m2. (a). (b). 圖2.13 不同日照量下太陽能電池特性曲線 P-V 曲線(溫度 25℃) (a) P-V 曲線 (b) I-V 曲線綜合上述模擬結果，可得知日照強度及環境溫度是影響太陽能板特性的兩大要素[47]。對太陽能板電流而言，其受日照強度比周遭環境溫度影響大，至於對太陽能板電壓而言，則是受周遭環境溫度影響程度較日照強度大。在一般情況下，日照強度容易受外在環境的影響如烏雲、雨天及陰霾等，比起周遭環境溫度更容易產生瞬間大幅度的變動。. 2.4 電費計算方式一般住宅適用電價表有「非時間電價」與「時間電價」，這兩種為不同的計價結構，不同時間、日夜、日期、季節反映出不同的電價，如下表 2.2 所示非時間電價僅就夏月、非夏月其每月的電費依照實際用電度數不分日夜時間差異計收電費；表 2.3 為時間電價的電價表，是各國電力公司為了進行負載需求面管理而常採用的一種定價方式，相較於非時間電價來說，為了反應尖峰、離峰、假日、非 22.

(35) 假日等不同時間供電成本可訂定不同的費率，所以就表 2.3 來說已鼓勵用戶調整作業時間將尖峰的電量轉移至離峰，這樣更能充分利用離峰廉價之電力。智慧電網具有雙向溝通之功能，電力公司不再單向賣電給用戶，擁有再生能源裝置的使用者也能將電回饋台電，倚靠智慧電表、網路通訊電力公司可實施即時電價，能源用戶即可自備電池儲能設備。最後為了反應季節電價與時間電價之供電成本差異，本文選用時間電價的架構來進行實驗，針對時間電價之計價方式來驗證電池儲能系統對能源管理之經濟效益。. 表2.2. 非時間電價表[48] 夏月. 非夏月. (6 月 1 日至 9 月 30 日). (夏月以外時間). 120 度以下部分. 2.10. 2.10. 營. 121~330 度部分. 3.02. 2.68. 業. 331~500 度部分. 4.39. 3.61. 用. 501~700 度部分. 4.97. 4.01. 701 度以上部分. 5.63. 4.50. 營. 330 度以下部分. 3.76. 3.02. 業. 331~700 度部分. 4.62. 3.68. 用. 701~1500 度部分. 5.48. 4.31. 1501 度以上部分. 5.92. 4.64. 類別. 每月用電度數分段. 非. 23.

(36) 表2.3. 簡易型時間電價表[48]. 分類. 夏月. 基本. 非夏月. 每戶 75.00. 按戶計收電費. 每月. 流. 週一. 動. 至. 尖峰時間 07：30~22：30. 每. 00：00~07：30. 度. 離峰時間電. 週五. 費. 週六、週日離峰時間. 22：30~24：00 全日. 及離峰日每月總度數超過 2000 度之部分. 24. 每度. 4.44. 4.23. 1.80. 1.73. 1.80. 1.73 加 0.96.

(37) 第三章. 能源管理策略設計. 本章節利用數學推導來建立蓄電池模型，制定基於規則能量管理及訂定目標函數後建立最小等效能耗策略。最後藉由類神經網路取得更多的太陽能功率值。. 3.1 蓄電池建構微電網電能排程優化不僅需要設定各種分散型電源的最佳發電排程，亦須協調出蓄電池最佳儲能、釋能策略及電網購電、售電之最佳時間。此節將會對蓄電池有效地規劃蓄電池的充、放電量，將可在用電尖峰時刻及電費較貴時段，蓄電池導入其中使其妥善運用，好處除了舒緩供電壓力節省成本外，也可降低太陽能的間歇性發電對電網造成電力不穩定供電問題。針對此目標，規劃蓄電池於各時段的充、放電量來達到最佳化的調整方式，為此本研究制訂基於規則能量管理策略及建置 ECMS 來滿足系統需求 1.. 蓄電池充放電速率限制. max Pchmax arg e  Pb ( t )  Pdisch arg e. (3-1). 其中 Pchmax arg e ：蓄電池最大充電功率 max Pdisch arg e ：蓄電池最大放電功率. 2.. 蓄電池殘電量(SOC)限制. SOCmin  SOC ( t )  SOCmax. (3-2). 其中 SOC(t)：時段 t 之蓄電池殘電量百分比 SOCmin：蓄電池殘電量最小百分比 SOCmax：蓄電池殘電量最大百分比. 25.

(38) 3.. 蓄電池初始與截止殘電量. SOC ( 0 ) = SOCinitial. (3-3). 其中 SOCinitial：蓄電池初始殘電量百分比. 4.. 蓄電池充、放電效率與殘電量計算[49][50] 鋰電池處於放電模式時，如圖 3.1 電流方向向外，電流路徑由 Voc- Rdischarge-. Vbat- Voc，其中 Voc 為開迴路電壓、Rbat 為放電電阻、Pbat 為電池對負載之放電功率值、Ibat 為電池電流方向。. Ibat Rcharge Voc. Vbat. Pbat 圖3.1. 鋰電池放電模式. 根據 SOC 當下狀態查表得 Voc、Rdischarge，即可求出 Vbat 與 Ibat。 Vbat = Voc − I bat  Rdisch arg e. I bat =. (3-4). Pbat Vbat. (3-5). 將(3-5)式代入(3-4)式得 Vbat = Voc −. Pbat  Rdisch arg e Vbat. (3-6). Vbat 2 − Voc  Vbat + Pbat  Rdisch arg e = 0. (3-7). Vbat 電壓可得 26.

(39) Vbat =. (3-8). Voc  Voc 2 − 4 Pbat  Rdisch arg e 2. Vbat 電壓太小不合於正常操作電壓故 Vbat 選擇為 Vbat =. (3-9). Voc + Voc 2 − 4 Pbat  Rdisch arg e 2. 利用(3-4)式和(3-8)式，則 Ibat 可得. I bat. V −V = oc bat = Rdisch arg e. I bat =. Voc −. (3-10). Voc + Voc 2 − 4 Pbat  Rdisch arg e 2 Rdisch arg e. (3-11). Voc − Voc 2 − 4 Pbat  Rdisch arg e 2  Rdisch arg e. 已知 Vbat 則可得放電效率為 disch arg e =. Pbat V I V = bat bat = bat Voc  I bat Voc  I bat Voc. (3-12). 鋰電池處於充電模式時，如圖 3.2 電流方向向內，電流路徑由 Vbat- RdischargeVoc -Vbat，其中 Voc 為開迴路電壓、Rbat 為充電電阻、Pbat 為電池對負載之放電功率值。. Ibat Rcharge Voc. Vbat Pbat. 圖3.2. 鋰電池充電模式. 根據 SOC 當下狀態查表得 Voc、Rdischarge，即可求出 Vbat 與 Ibat。 27.

(40) Vbat = Voc + I bat  Rch arg e. I bat =. (3-13). Pbat Vbat. (3-14). 將(3-14)式代入(3-13)式得 Pbat  Rch arg e Vbat. (3-15). Vbat 2 − Voc  Vbat − Pbat  Rch arg e = 0. (3-16). Vbat = Voc +. Vbat 電壓可得 Vbat =. (3-17). Voc  Voc 2 − 4 Pbat  Rdisch arg e 2. Vbat 電壓為負，不合於正常操作電壓故 Vbat 選擇為 Vbat =. (3-18). Voc + Voc 2 − 4 Pbat  Rdisch arg e 2. 利用(3-13)式和(3-17)式，則 Ibat 可得. I bat =. I bat =. Voc − Vb = Rch arg e. Voc + Voc 2 + 4 Pbat  Rch arg e 2 Rch arg e. (3-19) − Voc. (3-20). −Voc + Voc 2 + 4 Pbat  Rch arg e 2  Rch arg e. 已知 Vbat 則可得放電效率為 ch arg e =. Voc  I bat Voc  I bat Voc = = Pbat Vbat  I bat Vbat. (3-21). 由上述整理可知鋰電池充放電效率 bat 可由 Ibat、Vbat 得出如所示。 ch arg e bat =  disch arg e. (3-22). 28.

(41) bat = ( I bat ,Vbat ). (3-23). 由式(3-9)、(3-11)求得放電時鋰電池 SOCb 估測如下所示 SOCb =. SOCinitial  Ah −. Ib.  3600 dt. (3-24). Ah. 其中 Ah：為鋰電池之額定電容量由式(3-18)、(3-20)求得充電時鋰電池 SOCb 估測如下所示 SOCb =. SOCinitial  Ah +. Ib.  3600 dt. (3-25). Ah. 由圖 3.3 可知鋰電池在 SOC 於 0.6 至 0.7 時效率飛躍性地成長，大約在 0.7 以上效率最好。因此考慮此電池放電特性與電池使用次數，操作時盡量讓電池操作在 SOC 大於 0.6(含 0.6)，隨著 SOC 由高至低輸出不同的權重。. 圖3.3. 鋰電池效率圖. 29.

(42) 3.2 類神經網路預測太陽能功率 3.2.1. 類神經網路簡介. 類神經網路是一種計算系統，它使用相當大量且簡單的相連人工神經元來模仿生物神經網路的資訊處理能力。人工神經元是生物神經元的簡單模擬，它從外界環境或者其他人工神經元取得資訊，加以簡單的運算，並輸出其結果到外界環境或者其他人工神經元。因此，藉由上述特性，本文在第六章時經由類神經網路估測出太陽能輸出功率。 3.2.2. 倒傳遞類神經網路倒傳遞類神經網路(Back Propagation Neural Network, BPNN)是目前類神經網. 路中最具代表性，應用相當普遍的學習模式。韋伯斯(P. Werbos )於 1974 年在其博士論文中提出了隱藏層的學習演算法，這是已知最早的倒傳遞類神經網路學習模式，他用這種模式解決經濟上的預測問題，可惜這個偉大的進展在當時並沒有被重視。到了 1985 年派克(D. Parker)再一次地提出倒傳遞網路，同年盧梅哈、亨特、威廉斯(D. Rumelhart, G. E. Hinton and R. J. William )也發表了一篇倒傳遞類神經網路的文章，才使其演算法廣為人知，此篇文章也是類神經網路研究史上，迄今被引用頻率最高的篇章。倒傳遞演算法執行時，分為前饋傳遞與倒傳遞階段兩個部分。前饋傳遞是將輸入層的輸入向量帶入網路，使用前饋方式一層接著一層的傳導，由輸入傳往隱藏層再傳至輸出層，最後算出輸出值如圖 3.4 所示，此時權重值與偏權值為固定值，接下來進入倒傳遞階段，網路輸出值與期望值的誤差透過梯度陡降法(Gradient Steepest Descent Method)修改每層神經元的偏權值與權重值以降低誤差函數，並使誤差函數達到誤差最小化或可接受範圍時停止。. 30.

(43) hidden layer. input layer. h1. wij. j f. output layer. wjs. s f. X1. …. j f hj. …. Xi. s f. yk. …. …. j f. …. Xp. y1. s f. ys. j f hQ 圖3.4. 倒傳遞類神經網路架構圖. 在 BPNN 中，在每一個神經元中它們輸入與輸出的關係如下：  p yk = f   wik X i - s  i.   = f netk . (. (3-26). ). 式中 yk ：第 k 個處理單元的輸出值. Xi：第 i 個輸入變數  s ：第 j 個神經元的偏權值. f：活化函數，本文使用 Sigmoid function 為非線性函數， wik：第 i 個輸入與第 k 個神經元的連結權重值 31.

(44) 利用(3-26)計算隱藏層神經元的輸出值，其正向傳遞演算流程如下：  p y j = f   wij X i - j  i.   = f net j . (. (3-27). ). 其中 wij ：第 i 個輸入與第 j 個神經元之加權乘積和. netj：第 j 個隱藏層神經元之加權乘積和將隱藏層之輸出值看成輸出層之輸入值，則輸出層的輸出值如下  p yk = f   wij h j - s  i.   = f netk . (. (3-28). ). 其中 h j ：第 j 個隱藏神經元個數. 由於倒傳遞類神經網路的目的在於降低網路輸出值與目標值的差距，因此正向傳遞所得推算輸出值與學習之目標輸出值差異太大，此時網路會自動反向傳遞以計算修正連結權重值及偏權值，其誤差函數 E 定義為 E=. 1 2 ( d k − yk )  2 k. (3-29). 其中 d k ：第 k 個神經元的目標輸出值。 y k ：輸出層中第 k 個神經元的網路輸出值. BPNN 的學習過程就是使誤差函數最小化，在此我們利用梯度陡降法來搜尋 E 的最佳解： 32.

(45) wkj = −. E wkj. (3-30). 其中.  ：學習速率，利用鏈鎖律將(3-30)式中. E 項化解為： w ji. (3-31). E E yk netk = wkj yk netk wkj. 將(3-26)式帶入. (. yk ，可得 netk. ). yk = f ' netk =yk (1 − yk ) netk. (3-32). E = − ( d k − yk ) yk. 將(3-26)式帶入. netk ，可得 wkj.  netk   =   wkj h j −  k  = h j wkj wkj  j . (3-33). 將(3-32)、(3-33)，代入(3-31)式後，可得 E = ( d k − yk ) yk (1 − yk ) hk wkj. (3-34). 定義  k 為輸出層第 k 個輸出單元的差距量，令  k = ( d k − yk ) yk (1 − yk ). (3-35). 同理，計算隱藏層到輸入層，誤差函數對第 i 個輸入單元與第 j 個隱藏層神經元間的連結權重的偏微分可改寫為 33.

(46) E E y j net j = w ji y j net j w ji. (3-36). 再一次鏈鎖律可得 E  E yk netk  h j net j =   w ji  k yk netk h j  net j w ji. (. (3-37). ). yk = f ' netk =yk (1 − yk ) netk. (3-38). E = − ( d k − yk ) yk. net j w ji. =. (3-39).    w ji X i −  j  = X i   w ji  i . 將(3-27)、(3-28)式，代入(3-39)式後，可得 (3-40). E   =   k wkj  h j (1 − h j ) X i w ji  k . (. ). 定義 j 為隱藏層第 j 個神經元變化量 (3-41).   j =    k wkj  h j (1 − h j )  k . (. ). 由上述公式可得知隱藏層變化量的計算與輸出層變化量有關，這種輸出層誤差倒傳遞至隱藏層計算其誤差的現象，正是 BPNN 命名的由來由(3-30)、(3-34)及(3-35)式可得隱藏層與輸出層間的權重修正量如下 wkj =  k h j. (3-42). 同理，輸出層偏權值修正量為. 34.

(47)  k = − k. (3-43). 由(3-30)、(3-40)及(3-41)式可得輸入層與隱藏層間的權重修正量如下 w ji =  j X i. (3-44). 同理，隱藏層神經元偏權值修正量為  k = − j. (3-45). 在倒傳遞類神經網路中，每輸入一組訓練值，連結權重將依此公式修正調整： 1.. 隱藏層與輸出層間的修正調整公式為. wkj ( s + 1) = wkj ( s ) + wkj. (3-46).  kj ( s + 1) =  kj ( s ) +  kj. (3-47). 2.. 輸入層與隱藏層間的修正調整公式為. w ji ( s + 1) = w ji ( s ) + w ji. (3-48).  ji ( s + 1) =  ji ( s ) +  ji. (3-49). 其中 s：第 s 訓練組值倒傳遞類神經網路的程序首先需要設定網路參數，各個層神經元個數，學習速率、初始值權重等等，之後準備正規化的輸入資料，最後將輸入資料傳入網路中作訓練計算，網路輸出後，計算誤差函數以及權重修正值，直到沒有輸入資料後，再判斷其停止原則是否達成，圖 3.5 為倒傳遞類神經網路流程。 35.

(48) INPUT. 隨機產生初始權重值. 計算網路隱藏層與輸出層輸出. 計算網路目標函數. 計算權重修正值. 調整各層權重與偏權值. 判斷是否還有輸入樣本 Y. 圖3.5. END. N. 倒傳遞類神經網路流程圖. 3.3 基於規則能量控制策略基於規則能量控制策略(Rule Based Control Strategy , RBCS)屬於最常見應用於多能源系統之策略，而分配方式根據設計者本身對於各個元件效率之了解定義來實施能源分配，盡可能的使系統操作於高效率區間，以達到最好的控制結果。本文研究架構為三電力源能量管理系統，該系統包括：太陽能電源、市電電源及蓄電池電源如圖 3.6。在此考慮太陽能電源、市電電源、蓄電池電源、電價及負載需求下所設計的規則庫。在電價便宜時段盡量用市電以及讓市電對蓄電池充電， 36.

(49) 太陽能應當物盡其用；在電價貴的時段盡量以蓄電池作為主要供電方式，太陽能則是物盡其用。各個模式之條件如表 3.1，此表使各轉換器模組之輸出功率可主動式分配，進而達到最佳化之能量管理，其中 Pd：負載需求；Pr：太陽能；Pg：市電；SOC：電池殘電量；Pbat：電池輸出功率；λ：電價；  ：門檻值。. Pr. DC/DC. Pg. DC/DC. Pbat. DC/DC. 圖3.6 表3.1 SOC. SOC is high. SOC is low. Rule. Pd. 簡易型多能源架構圖基於規則能量控制策略表 If Port. Then Port. 1. If Pr > Pd. Pd = Pr. 2. If λ is high and Pr < Pd. Pd = Pr + Pbat. 3. If λ is low and Pr < Pd. Pd = Pr + P g. 4. If λ is high and Pr + Pbat < Pd. Pd = Pr + Pbat+ Pg. 5. If λ is high and Pbat > Pd. Pd = Pbat. 6. If λ is low and Pr is low. Pd = Pg. 7. If λ is high, Pr is low and Pbat < Pd. Pd = Pg + Pbat. 8. If Pr > Pd. Pd + Pbat = Pr. 9. If λ is high and Pr < Pd. Pd = Pr + P g. 10. If λ is low and Pr < Pd. Pd + Pbat = Pr + Pg. 11. If λ is high and Pr IS low. Pd = Pg. 12. If λ is low and Pr IS low. Pd + Pbat = Pg. 37.

(50) 在此規則庫下先判斷蓄電池的殘電量，進而考慮太陽能的多寡，再衡量負載需求，最終導入電價，使直流轉換模組接收到開或關的命令如圖 3.7，紅框為此模式蓄電池進行充電動作，而紅框裡紅字為充電狀態的能源。 Start Yes Yes Yes Yes. Mode 1 Mode 2 Sr ON Sr ON Sb OFF Sb ON Sg ON Sg OFF. Yes. Yes. No. Pba. Yes. No. Pr No. Pr. No. Pr Yes. No. Pr. No. Pr+Pba. No. SOC. λ. λ. No. Yes. Mode 3 Mode 4 Mode 5 Sr ON Sr ON Sr OFF Sb OFF Sb ON Sb ON Sg ON Sg ON Sg OFF. λ. λ. No. Yes. Mode 6 Sr OFF Sb OFF Sg ON. λ. Mode 7 Mode 8 Mode 9 Sr OFF Sr ON Sr ON Sb ON Sb ON Sb OFF Sg ON Sg OFF Sg ON. λ. No Yes. Mode 10 Mode 11 Sr ON Sr OFF Sb ON Sb OFF Sg ON Sg ON. λ. λ. No. Mode 12 Sr OFF Sb ON Sg ON. Delay. 圖3.7. 基於規則能量控制策略圖. 藉由此 12 條模式，可得我們多能源架構裡的各個電源電流導向如圖 3.8 所示。 Mode 1 若 SOC   soc 、 Pr   Pr ：太陽能供給大於負載需求，此時蓄電池不供電。 Mode 2 若 SOC   soc 、Pr   Pr：太陽能供給小於負載需求，因此時段電價為昂貴，故市電不對負載供電，由蓄電池補足不足之電力。 Mode 3 若 SOC   soc 、Pr   Pr：太陽能供給小於負載需求，因此時段電價為便宜，故市電對負載供電，蓄電池直流轉換器開關為關不供給任何電力。 Mode 4 若 SOC   soc 、 Pr   Pr ：太陽能加蓄電池供給小於負載需求，此時不管電價高昂或便宜，由市電補足不足之電力 38.

(51) Mode 5 若 SOC   soc 、 Pr   Pr ：太陽能發電不足，且此時段電價為昂貴，太陽能與市電開關為關不對負載進行供電，故由蓄電池供應負載功率。 Mode 6 若 SOC   soc 、 Pr   Pr ：太陽能發電不足，此時雖蓄電池供給可滿足負載需求，但此時段電價為便宜，故由市電對負載進行供給，太陽能與蓄電池開關為關不對負載供電。 Mode 7 若 SOC   soc 、 Pr   Pr ：太陽能發電不足，且蓄電池供給小於負載需求，故由市電補足不足之電力，太陽能開關為關。 Mode 8 若 SOC   soc 、 Pr   Pr ：太陽能供給大於負載需求，剩餘的電量將對蓄電池充電，當蓄電池充滿後將切至 Mode 1。 Mode 9 若 SOC   soc 、Pr   Pr：太陽能供給小於負載需求，因此時段電價為昂貴，故市電不對蓄電池充電僅對負載進行供電，蓄電池開關為關。 Mode 10 若 SOC   soc 、Pr   Pr：太陽能供給小於負載需求，因此時段電價為便宜，故市電不僅對負載供電也對蓄電池充電。 Mode 11 若 SOC   soc 、 Pr   Pr ：此時段電價為昂貴，由市電滿足負載需求，太陽能與蓄電池開關為關。 Mode 12 若 SOC   soc 、 Pr   Pr ：此時段電價為便宜，市電不僅滿足負載需求亦對蓄電池充電，太陽能開關為關。. 39.

(52) Mode 1. Pr. Mode 2. DC/DC. DC/DC. DC/DC. DC/DC. DC/DC. DC/DC. , Pr<Pd , λ is high and SOC is high. Pr. Pr>Pd SOC is high. Mode 4. Mode 3. Pr. Pr<. DC/DC. DC/DC. DC/DC. DC/DC. DC/DC. DC/DC. , Pr<Pd , λ is low and SOC is high. Pr. Mode 5. Mode 6. DC/DC. DC/DC. DC/DC. DC/DC. DC/DC. DC/DC. , λ is high and SOC is high. Pr<. Mode 7. , λ is low and SOC is high. Mode 8 DC/DC. DC/DC. Pr<. ,Pr+Pb<Pd and SOC is high. DC/DC. DC/DC. DC/DC. DC/DC. Pr. , Pb<Pd and SOC is high. 40. , Pr>Pd and SOC is low.

(53) Mode 9. Mode 10. DC/DC. DC/DC. DC/DC. DC/DC. DC/DC. DC/DC. , Pr <Pd , λ is high and SOC is low. Pr. Pr. Mode 12. Mode 11. Pr. , Pr <Pd , λ is low and SOC is low. DC/DC. DC/DC. DC/DC. DC/DC. DC/DC. DC/DC. , λ is high and SOC is low. 圖3.8. Pr. , λ is low and SOC is low. 電力系統運作模式圖. 3.4 最小等效能耗策略最小等效能耗策略(Equivalent Consumption Minimization Strategy, ECMS)屬於最佳化的即時控制策略之一，事先將微電網系統中之各項數值進行窮舉法運算，以獲得最佳之能源分配比例策略。而計算流程圖如圖 3.9 所示，以最佳化每一時刻下的能源表現為目的。可主動控制再生能源、市電與儲能系統之功率流向，並因應不同再生能源發電量、即時電價與負載需求進行功率分配最佳化，同時以蓄電池適時儲能與釋能，將能源更有效率地使用，進而達到電價最小化之目標。. 41.

(54) Power demand and powertrain state. Define the range of admissible control values. Calculate the equivalent fuel consumption. Choose the optimal control value. ECMS 的計算流程[51]. 圖3.9 其 ECMS 建置步驟如下： 1.. 目標函數訂定、For 迴圈全域搜索，進而求出各個情形之最小等效耗能之鋰電. 池電力分配比，最後建置各電力比之多維表，因應不同再生能源發電量、即時電價(  )如圖 3.11 與負載需求進行功率分配最佳化，可直接代入能量管理系統中進行能量管理優化管理。目標函數需設計所計算參數權重之懲罰值，當鋰電池電力計算超出預期範圍則加入γ如圖 3.12，此值為一極大值，該值將使目標函數最大化，使演算法在選擇時不參考此目標函數從而選擇其他較小的目標函數，若懲罰值在期望範圍內，γ為 0 使演算法較容易選擇此目標函數。而函數訂定下皆考慮直流轉換器中損失的能耗如圖 3.10，其目標函數為： min f ( x) =. K1  Pg ' (t )dt. 3600 1000. = K1 . = K1 .   (t ) +. K 2  Pg ' (t )dt. 3600 1000. Pg (t ) 3600 1000 conv. Pd (t ) + Pbat ( t ) − Pr (t ) 3600 1000 conv.   (t ) +  ( SOC ). dt   (t ) + K 2 . dt   (t ) + K 2 . Pg (t ) 3600 1000 conv. dt   (t ) +  ( SOC ). Pd (t ) − Pbat (t ) − Pr (t ) dt   (t ) +  ( SOC ) 3600 1000 conv. 42. (3-48)..

(55) Pr. Pg ηconv. Pbat. 圖3.10 目標函數示意圖其中 minf (x)：單位為元 Pg ' (t ) ：除以 ηconv 時段 t 之市電功率，單位為 W. K1 ：電價便宜時段. K 2 ：電價昂貴時段  (t ) ：時間電價 Pg (t ) ：乘以conv 時段 t 之市電功率，單位為 W. conv ：市電轉換器之能源轉換效率比. Pr (t ) ：時段 t 之再生能源發電功率，單位為 W. Pd (t ) ：時段 t 之負載功率，單位為 W. Pbat (t ) ：時段 t 之蓄電池充放電功率，單位為 W. γ(SOC)：物理範圍限制量. 43. Pd.

(56) 新台幣(元) 0. 2. 4. 6. 8. 10. 12 Time(hr). 14. 16. 18. 20. 22. 圖3.11 時間電價λ. 圖3.12 鋰電池懲罰值 2.. 藉由程式建立 For 迴圈如圖 3.13 所示，針對電價、鋰電池電力分配比及需求. 功率進行全域搜尋。在各 For Loop 下透過 if-then-else 條件式，進行各種可能的條件判斷即可進行各個參數運算，其中 Pd 為負載需求；Pr 為太陽能；λ為電價；Pbat 為鋰電池電力分配；Pg 為市電電力分配。. 44.

(57) Pd (t)- Pr (t).  (t ). Pbat (t) Pg (t).  (t ). f*(Pd - Pr , λ, Pbat, Pg)=min( f (Pd - Pr, λ, Pbat, Pg, α)). 圖3.13 全域搜尋最佳參數示意圖. 3.. 最小等效能耗取得:由程式所計算得出之最小等效能耗，儲存於一個矩陣中。. 在 ECMS 中 Pd 範圍[0 1.1]、Pg 範圍[0 1.1]、Pbat 範圍[-0.2 0.2 ]充放電時於 RBCS 模式下運行，即可找出最佳之目標函數解。式(3-49)為最小等效能耗演算法之目標方程式，市電功率 Pg、需求功率 Pd 與太陽發電 Pr 之關係可以用  (Alpha)表示。. =. Pg. (3-50). Pd − Pr. 透過 ECMS 找到  值用於判斷整體架構對應充放電之關係如圖 3.14， 大於 1 且 λ 小於 0.6 則表示電價便宜時段市電對蓄電池進行充電，  大於 1 且λ大於 0.6 則表示電價昂貴時市電幾乎不會對蓄電池進行充電。. 45.

(58) α. Pd (kW)-Pr(kW). λ. Er. 圖3.14 ECMS 之  三維圖. 藉由不同的電價時段及不同的需求功率，可透過 ECMS 得到市電輸出功率如圖 3.15，由此市電三維圖可得出市電在電價昂貴時段能不使用就不使用，而在電價便宜時段依照不同的需求功率而供給剩餘的功率。. Pg. Pd (kW)-Pr(kW). Eλr. 圖3.15 ECMS 之市電輸出功率三維圖. 46.

(59) 3.5 適應性人工蜂群演算法 3.5.1. 人工蜂群簡介. 人工蜂群演算法(Artificial Bee Colony Algorithm, ABC)是 Karaboga 在 2005 年所提出[52]，是一種仿效蜜蜂採集蜂蜜源之分工合作行為的仿生演算法。其中該演算法由三種蜜蜂組成，分別為雇傭蜂(Employed Bee)、觀察蜂(Onlooker Bee)以及偵查蜂(Scout Bee)。首先，蜂群總數量是由雇傭蜂與觀察蜂加總數量所組成，而雇傭蜂數量是佔蜂群數量一半，則另一半為觀察蜂，而每個食物源只會有一隻雇傭蜂，由此可知雇傭蜂數量等於食物源數量。雇傭蜂主要負責探索花蜜的來源，並把探索食物源含量的訊息透過舞蹈傳回到蜂巢內等待觀察蜂。觀察蜂會依據雇傭蜂傳回來的食物源含量去做判斷，並且選擇適應度較高於其他食物的食物源。接著，雇傭蜂到該點食物源鄰近採集花蜜。倘若食物源的適應度一直處於不良的狀態，則該點雇傭蜂就會放棄此食物源且成為偵查蜂，並在鄰近位置隨機尋找新的食物源來替換舊食物源。. 3.5.2. 傳統式人工蜂群演算法. 在人工蜂群演算法中，蜜蜂找尋的蜂蜜都代表一個解，並且透過食物源適應值高低來取代，而此章節會對傳統式人工蜂群演算法的流程步驟作介紹：. Step1 初始化 (Initialization) 設定初始化參數，其中包含蜂群數量(N)、最大疊代次數、最佳解數量(D)、每個食物源收益度的極限值(limit)。將雇傭蜂放置的位置會先透過(3-50)式，並且隨機放置在蜂巢附近。. (. xij = x j ,min +  x j ,max − x j ,min. ). (3-51) 47.