基于粒子群算法的動力電池組充放電優(yōu)化

劉敬敬，王 永

（商丘職業(yè)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(shù)量后，電網負荷會出現(xiàn)波動，導致配網電壓下降、電能出現(xiàn)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(guī)避配電網安全問題的角度出發(fā)，借助動力電池組的儲能作用，優(yōu)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(lián)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(jié)方法，根據(jù)荷電狀態(tài)（State of Charge，SoC）均值的差值，動態(tài)調節(jié)均衡加速因子，實現(xiàn)充放電過程的動態(tài)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(yōu)化方法，使用粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法優(yōu)化傳統(tǒng)的充電方法[5]。在到達充電截止電壓之前，使用粒子群優(yōu)化算法獲得最優(yōu)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(yōu)化目標，構造一種基于粒子群優(yōu)化算法的適應度函數(shù)，并用該算法進行迭代優(yōu)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(yōu)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(yōu)化方法設計

1.1 動力電池組充電負荷分析

在優(yōu)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(qū)域內動力電池組規(guī)模，采用累積求和的方式得到動力電池組總充電負荷參數(shù)[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(shù)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(zhí)行的迭代次數(shù)。動力電池組起始充電時間概率分布函數(shù)為

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

利用耗能數(shù)據(jù)，計算得到電動汽車持續(xù)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(shù)據(jù)。將對應的數(shù)值帶入式（1），實現(xiàn)對動力電池組電負荷的準確分析和計算，為后續(xù)的動力電池組充放電優(yōu)化設計提供數(shù)據(jù)基礎。

1.2 粒子群算法的充放電優(yōu)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(yōu)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(yōu)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(yōu)解。在尋優(yōu)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(tài)。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(yōu)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(yōu)算法當前的迭代次數(shù)；mmax為尋優(yōu)算法的最大迭代次數(shù)。聯(lián)立式（3）～式（5），得到優(yōu)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(shù)；β表示位置轉換系數(shù)。按照上述方式，可以實現(xiàn)對動力電池組充放電的合理優(yōu)化，最大限度地保障電網運行的穩(wěn)定性。

2 測試與分析

2.1 測試環(huán)境設置

IEEE33 節(jié)點配電系統(tǒng)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(qū)域動力電池組的相關參數(shù)。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(guī)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(yōu)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(yōu)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(yōu)化方法的參與度逐漸提升，動力電池組的充放電成本呈現(xiàn)逐漸下降的趨勢。當充放電優(yōu)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(yōu)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(jù)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(yōu)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(fā)展的背景下，對動力電池組充放電模式的優(yōu)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(yōu)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(xiàn)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(yōu)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(yè)的長久發(fā)展。