基于主動混合脈沖充電策略的電動汽車充電設施主動防護系統研究＊

趙宇彤 陳熙 陳海洋 關宇 朱潔

（國家電網北京市電力公司電力科學研究院，北京 100075）

主題詞：電動汽車 充電設施 動力電池 主動混合脈沖充電 主動防護

1 前言

直流充電設施作為電動汽車能量供應的關鍵裝置，其安全防護十分重要。現階段多采用基于電池管理系統（Battery Management System，BMS）的被動防護措施。雖然現有BMS能夠計算得到電池的狀態參數與電路模型參數，主要包括荷電狀態（SOC）、健康狀態（SOH）及電池內阻等，但在體積與成本的雙重限制下，BMS對上述參數的估計精度有限，無法精準且全面地對充電過程進行防護。

現有算法中，擴展卡爾曼濾波算法（Extended Kalman Filter，EKF）具有良好的系統狀態估計能力，最小二乘算法（Recursive Least Square，RLS）簡單易實現[1-2]，應用最為廣泛。文獻[3]～文獻[5]通過改進卡爾曼濾波算法提升了狀態參數估計精度，文獻[6]結合EKF和RLS兩種算法，在保證精度的條件下降低了模型計算量，但上述算法仍存在魯棒性較差與計算量較大的問題。另一方面，直流充電設施的故障原因復雜，有必要建立針對各類故障的在線指標體系。文獻[7]從技術、經濟、環境和安全方面分別選取指標，對充電設施進行綜合評價，文獻[8]基于BMS的保護需求，建立了涵蓋動力電池和BMS故障的故障指標體系，但目前的研究未有同時涵蓋充電設施、BMS和動力電池的統一性指標體系。

基于上述問題，本文提出一種基于主動混合脈沖充電策略（Active Hybrid Pulse Charge，AHPC）的電動汽車充電設施主動防護系統，在不增加充電時間的基礎上，通過時域計算法獲取電池參數，校準更新BMS中的參數數據庫，并提出一套精細化的直流充電樁故障指標體系，對各類型指標分別采用多種評價方法實現狀態評估。最后，搭建充電樁主動防護試驗平臺，對系統的有效性加以驗證。

2 主動混合脈沖充電策略研究

本文提出的基于主動混合脈沖的充電策略，通過充電設施對電池充電過程施加混合脈沖的方式，精準計算電池充電過程中的關鍵參數。

2.1 動力電池充電模型

動力電池的一階等效電路模型中：Rint模型沒有涉及電池內部的動態特性，只適用于簡單的電路仿真；PNGV模型參數辨識方法相對復雜，難于實現；Thevenin模型兼具較好的精度與較低的參數辨識難度。但在主動混合脈沖策略的工程實踐中，二階RC模型的開路電壓等參數的估算精度更高，因此本文選用二階RC模型。

二階RC模型等效電路如圖1所示。該模型中內阻Ro等效模擬電池的電阻特性，慣性環節a的等效電容Ca和等效電阻Ra等效模擬電荷轉移作用，慣性環節b的等效電容Cb和等效電阻Rb等效模擬電荷擴散作用。

圖1 二階RC模型等效電路

采用時域的方法對二階RC模型開展分析，對電池施加10 s短脈沖并靜置40 s，短脈沖后二階RC模型的短時間間隔也可視為等效電路的零輸入響應。此時，電路中物理量的關系為：

式中，Ut為端電壓；Uoc為開路電壓；Ua、Ub分別為慣性環節a、b的端電壓；τa、τb分別為慣性環節a、b的時間常數。

在脈沖放電后，二階RC網絡進行充電，可認為是零狀態響應，相應方程為：

式中，I為實際輸出電流。

由式（1）～式（8）可計算出等效電路參數Ro、Ca、Ra、Cb和Rb，進而得到開路電壓Uoc。

2.2 主動混合脈沖充電策略

AHPC的充電電流循環由一段10 min的靜置、混合脈沖循環與恒壓充電過程組成，靜置和混合脈沖循環參數如表1所示。其中，充電設施可通過充電前期的靜置監測電池的初始開路電壓，以獲得SOC初值。同時，充電設施可以通過混合脈沖循環采用2.1節中的計算方法對電池充電過程中的等效電路參數與SOC進行精準計算，并實時校準SOC-Uoc曲線。最終通過恒壓充電的方式將電池充滿。

表1 AHPC循環測試參數

上述過程中的混合脈沖循環原理波形如圖2所示，倍率為正表示充電機向電動汽車充電，反之表示電動汽車放電。在t0～t2時間段，電壓波形可分為2段：t0時刻電流突變，此時電壓波形也發生突變，這類似于純電阻特性，此階段可用電阻來等效模擬；t1～t2時間段，電壓持續上升，速度先快后慢，此階段能夠以二階RC環節來等效模擬。

圖2 AHPC試驗理想波形

2.3 電池狀態參數評估

2.3.1 電池荷電狀態計算

在電池的等效電路模型中，Uoc與SOC具有單調關系，本文通過基于主動混合脈沖的充電策略能夠在線精準計算電池每一充電階段的開路電壓，而這一過程無需對電池進行長時間靜置，僅需通過對電池主動施加混合短脈沖，即可通過電池端電壓數據，基于式（1）～式（8）計算得到開路電壓，完成電池的SOC在線實時計算。

由于SOC-Uoc曲線會隨電池的老化以及溫度等環境參數變化而發生變化，因此對此曲線的修正十分必要。充電設施采用AHPC策略進行充電，能夠在電動汽車每次充電過程中對SOC-Uoc曲線進行校準。

2.3.2 健康狀態主動評估

基于前文的等效電路和AHPC策略，經過分析計算可以獲得電池狀態指標SOC和SOH，結合電池狀態劣化曲線評估具體的運行狀態，如圖3所示。

圖3 電池狀態劣化曲線

圖3中，大部分的電池故障直到“潛在故障”P為止才可檢測，此后劣化過程將加快，當到達功能故障F處即造成事故。為了避免充電故障發生，有必要在P-F間隔內進行有效的健康評估；而針對已經產生的故障，必須對故障完成有效診斷，確定故障原因，以免進一步損壞電池。

3 充電設施主動防護系統

3.1 充電設施故障指標

電氣類狀態量包括交流側電流總諧波畸變率、矩陣支路均流不平衡度、充電樁輸出電壓偏差、充電樁輸出電流偏差和負載測紋波系數。機械類狀態量故障包括：系統散熱異常，不及時排除故障將導致設備運行工況異常，還可能導致元件壽命縮短；電池無法充電，電池狀態信息無法傳入控制中心等。通信類狀態量故障包括狀態信息、保護信息、測量信息、控制信息等無法經充電機傳輸或無法經充電樁傳輸的信息。運行狀態類故障及指標包括：非正常溫度情況（紅外測得或在線測得）；重載持續情況和負載情況；缺陷及異常事故歷史記錄；短路沖擊和過電壓遭受次數；交付時和交接時、定期以及大修后的試驗等；上次檢修時的位置、檢查的狀況和解決的方式與后續效果、是否存在遺留問題等。

其中后3類均采用定性指標，電氣性能指標采用定量指標，計算公式為：

式中，ξU為輸出電壓偏差；U為實際輸出電壓；U0為額定輸出電壓；ξI為輸出電流偏差；I為實際輸出電流；I0為額定輸出電流；β為均流不平衡度：Is為實測模塊輸出電流的極限值；IP為工作模塊輸出電流的平均值；IN為模塊的額定電流。

在該綜合指標評估體系中，對于部分定性指標的故障評價，采用傳統的專家打分評價，并集成統計分析法更加科學合理地處理專家意見，對于涉及定性和定量指標的多重故障，采用不確定分析法，并結合無量綱化函數和集成統計分析法進行指標綜合評價。

3.2 充電設施主動防護系統硬件實現

帶主動防護功能的充電設施主要由數據采集部分、通信傳輸部分和管理云平臺構成，其中電池主動防護部分的總體系統設計方案如圖4所示。

圖4 電池主動防護系統結構

電壓數據和溫度數據的實時采集采用TI公司的Bq76pl455型號芯片。ESP8266具有價格低廉的優點，同時，ESP8266-12F的Flash為4 MB、內存為80 KB，其兼容性非常好，支持AT指令、C、Python、Lua、JavaScript、Arduino等開發語言。因此，選用ESP8266為無線通信模塊，經RS485串口連接到充電樁，ESP8266可以通過Wi-Fi和管理云平臺實現通訊。

管理云平臺接受數字信號處理器（Digital Signal Processor，DSP）的相關指令，通過硬件電路實現充電均衡管理與充放電管理等功能，須能實現電動汽車電池參數的精確評估。該功能采用TI公司TMS320F28335芯片實現。

為確保Zeitwerk Minute Repeater中復雜機心的功能運作流暢，工程師為機心裝設了精密的保險裝置。例如，鳴響裝置運作時，數字盤無法推進，直至三問序列完結。三問裝置的蝸輪與跳字盤的心軸連接，一但于三問裝置運作時進行切換，使可能使組件產生沖突，損壞機心。延遲機制也確保報時聲響必定與顯示的時間一致。

4 試驗結果與分析

4.1 充電設施系統組成及試驗電池信息

本文提出的充電裝置主動防護系統如圖5所示。系統采用的試驗電池信息如表2所示。

圖5 電動汽車充電裝置主動防護系統

表2 測試電池信息

4.2 混合脈沖充電試驗

采用表1所示的AHPC策略分別對表2中的2種電池組進行充電，在每次循環工步后對電池組進行3 h的充分靜置，以靜置后電池組兩端電壓作為其開路電壓參考值。使用電池內阻測試儀對各點直流內阻進行測試得到的參數作為歐姆內阻參考值，如圖6所示。

圖6 內阻測試

基于2.1節等效電路模型辨識每個混合脈沖點處電池組的開路電壓及相對平均誤差曲線如圖7所示，圖中Thevenin模型和二階RC模型對2種電池均有較好的辨識效果。

圖7 開路電壓辨識結果

電池開路電壓相對平均誤差如表3所示。采用二階RC模型時，2種電池的估計誤差均小于Thevenin模型的估計誤差，估計精度更高。

表3 電池組開路電壓估計平均誤差

基于二階RC等效電路模型，分別采用AHPC計算方法與最小二乘法識別2種電池的充電參數，識別結果如圖8和圖9所示。

圖8 三元鋰電池組參數辨識結果

圖9 磷酸鐵鋰電池組參數辨識結果

由圖8可知，在電池荷電量較高和較低的極端運行情況下，AHPC計算方法的精確度高于傳統最小二乘計算方法。由圖9可知，在全荷電狀態范圍，AHPC計算方法的精確度均高于傳統最小二乘計算方法。2種電池AHPC計算方法和最小二乘計算法的參數識別誤差列于表4。

表4 電池組參數辨識結果比較 %

表4中，AHPC計算方法對2種電池的參數辨識精度均優于傳統最小二乘法，內阻估計誤差均小于3.5%，開路電壓的估計誤差可控制在0.3%以下。綜上所述，AHPC計算方法符合電動汽車充電設施主動防護的需要。

5 結束語

本文提出了一種電動汽車充電設施主動防護系統，以主動混合脈沖充電策略為基礎，實現了在不增加充電時間的情況下，對電池內部狀態參數，包括開路電壓、內阻、荷電狀態與健康狀態的精確計算，結果表明，本文提出的主動防護系統對三元鋰電池組和磷酸鐵鋰電池組內阻估計誤差均小于3.5%，開路電壓的估計誤差均在0.3%以下。文獻[8]提供了一種基于部分自適應遺忘因子最小二乘法的三元鋰電池參數辨識方法，相比于本文提出的方法具有更高的辨識精度，但需要較大的計算量，且辨識結果易受遺忘因子取值影響，魯棒性不佳。考慮到參與到電動汽車充電設施主動防護系統的電動汽車電池種類、型號的多樣性，需要一種魯棒性要求較高，能夠適應不同電池的參數監控方法。本文提出的AHPC計算方法更加符合電動汽車充電設施主動防護的需要。

同時，本文提出一套精細化的直流充電樁故障指標體系，與電池參數估算共同組成充電設施主動防護系統。試驗平臺信息表明，本系統可以有效實現電池實時充電狀態監控，為電動汽車電池的安全防護、壽命預測提供參考依據。