基于粒子群算法的動力電池組充放電優化

劉敬敬，王 永

（商丘職業技術學院 交通學院，河南 商丘 476000）

0 引 言

當電網接入的動力電池組達到一定數量后，電網負荷會出現波動，導致配網電壓下降、電能出現損耗、相間負載不平衡等問題，增加動力電池組充放電的成本[1-3]。針對此類問題，從合理規避配電網安全問題的角度出發，借助動力電池組的儲能作用，優化控制動力電池組的充放電行為，合理調度電能資源的負荷分布。

當前，國內已有不少學者對動力電池的充放電問題開展相關研究工作。申永鵬等人提出了一種在充、放電工況下的動力電池群平衡控制方法[4]。研究并聯型解耦和分布型控制動力電池組的構型特征，并基于該構型特征設計均衡加速因子的自適應調節方法，根據荷電狀態（State of Charge，SoC）均值的差值，動態調節均衡加速因子，實現充放電過程的動態平衡。高楠等人以PCA-Elman-PSO 算法為基礎，提出了一種以PCA-Elman-PSO 算法為基礎的低溫充電優化方法，使用粒子群優化（Particle Swarm Optimization，PSO）算法優化傳統的充電方法[5]。在到達充電截止電壓之前，使用粒子群優化算法獲得最優充電曲線的一個近似值。以充電時的能量消耗和充電所需的時間為優化目標，構造一種基于粒子群優化算法的適應度函數，并用該算法進行迭代優化。以上方法都有一個共同的缺點，即充電和放電的費用很高。為解決上述方法中存在的問題，文章提出基于粒子群算法的動力電池組充放電優化方法，并通過對比測試的方式對設計方法的應用效果展開分析。

1 動力電池組充放電優化方法設計

1.1 動力電池組充電負荷分析

在優化動力電池組充放電前，需要分析動力電池組的充電負荷[6-8]。從起始充電時間對動力電池組充電負荷展開計算[9]。利用蒙特卡洛算法分析單個動力電池組的日充電負荷，然后結合對應配網區域內動力電池組規模，采用累積求和的方式得到動力電池組總充電負荷參數[10]。為了提高分析結果的精度，將1 天劃分為24 個時間段，對應的時間間隔為1 h。在第i個時段，n個動力電池組充電總負荷的計算方式可以表示為

式中：pni為在第i個時段，任意動力電池組的充電負荷。

在式（1）的基礎上，設計動力電池組充電負荷的具體計算過程。以目標范圍為基礎，計算動力電池組數量、動力電池組電池容量、電池充電功率以及在充放電過程中可執行的迭代次數。動力電池組起始充電時間概率分布函數為

式中：kc為動力電池組電量使用時間對數的標準差；σc為動力電池組電量使用時間對數的均值。

利用耗能數據，計算得到電動汽車持續充電的時長，與充電功率相乘后即可得到電動汽車充電負荷數據。將對應的數值帶入式（1），實現對動力電池組電負荷的準確分析和計算，為后續的動力電池組充放電優化設計提供數據基礎。

1.2 粒子群算法的充放電優化

在確定動力電池組充電負荷的基礎上，引入粒子群算法優化動力電池組充放電。該算法將充放電時間作為隨機粒子，并初始化粒子群，以其當前的最優位置為基準搜索粒子，通過多次迭代的方式找到新能源電動汽車充放電時間的最優解。在尋優過程中，在j搜索域內，第a個粒子的位置y(a)和速度V(a)分別為

針對粒子群設置學習因子，利用其反映粒子的運行狀態。學習因子越小，表明放電時間粒子在局部范圍內的運動程度越微弱，放電時間收斂速度越快。假設學習因子的取值結果能夠隨著粒子的尋優情況自適應調整，即

式中：c0為學習因子的初始值；c1為學習因子的迭代終值；m為尋優算法當前的迭代次數；mmax為尋優算法的最大迭代次數。聯立式（3）～式（5），得到優化后的動力電池組充放電公式為

式中：α表示速度轉換系數；β表示位置轉換系數。按照上述方式，可以實現對動力電池組充放電的合理優化，最大限度地保障電網運行的穩定性。

2 測試與分析

2.1 測試環境設置

IEEE33 節點配電系統負荷分布在1 000 ～3 300 kW，其中20:00 時刻的負荷最高，達到了3 272.9 kW。在此基礎上，設置電網覆蓋區域動力電池組的相關參數。測試使用100 組動力電池組，電池容量設置為30 kW·h，電池組充放電階段的功率最大值為3.0 kW，效率為95%。采用4 組變壓器，設置容量為1 600 kVA。在具體測試過程中，粒子群算法的種群規模設置為1 000，對應的學習因子設置為1.5。不同時段的電價如表1 所示。

表1 不同時段的電價

采用文獻[4]提出的電池群平衡控制方法和文獻[5]提出的以PCA-Elman-PSO 算法為基礎的低溫充電優化方法作為對照組，分別記為方法1 和方法2。通過對比不同方法的測試結果，分析本文設計方法的應用價值。

2.2 測試結果與分析

為了進一步驗證本文方法的可行性，選取動力電池組的充放電耗時作為評價指標。不同方法的耗時結果如表2 所示。

表2 不同方法作用下電池組的充放電耗時

由表2 可知，與方法1 和方法2 相比，本文方法的充放電耗時顯著降低，僅需30 min。

為了進一步驗證本文方法的實用性，選取動力電池組的使用壽命作為指標。不同方法作用下電池組的使用壽命如表3 所示。

表3 不同方法作用下電池組的使用壽命

由表3 可知，與方法1 和方法2 相比，本文方法優化的動力電池組使用壽命有所延長，使用效果較好。

在不同參與度下，各充放電方法對應的成本如表4 所示。

表4 不同參與度下各方法對應的成本

隨著充放電優化方法的參與度逐漸提升，動力電池組的充放電成本呈現逐漸下降的趨勢。當充放電優化方法的參與度為40%時，方法1、方法2 以及本文方法對應的充放電成本分別為7 842.4 元、7 827.8 元以及7 762.3 元；當充放電優化方法的參與度為100%時，方法1、方法2 以及本文方法對應的充放電成本分別為1 411.3元、1 396.7元以及1 331.2元，與參與度為40%時相比均大幅下降。與方法1 和方法2 相比，本文設計方法對應的充放電成本較低。

根據測試結果，本文設計的基于粒子群算法的動力電池組充放電優化方法可以有效降低動力電池組的充放電成本，具有一定的實際應用價值。

3 結 論

在社會經濟飛速發展的背景下，對動力電池組充放電模式的優化是重要的研究課題。設計基于粒子群算法的動力電池組充放電優化方法，在充分考慮用電負荷需求的前提下，結合不同時段的電價，實現對充放電的合理設計，在一定程度上降低了動力電池組的充放電成本。通過對電池組充放電優化的研究，為實際相關工作的開展提供有價值的參考，促進電力行業的長久發展。