多支路并聯電池系統荷電狀態均衡控制策略

單立新，吳 靖，趙海榮，高 峰

(1.浙江大有集團有限公司，浙江杭州 310050；2.浙江大有實業有限公司杭州科技發展分公司，浙江杭州 310052；3.山東大學控制科學與工程學院，山東濟南 250061)

為了解決圖1 中儲能變換器(power converter system，PCS)直流側多支路并聯的電池儲能系統(battery energy storage system，BESS)[1]中個別電池組率先完成充放電，進而退出系統造成整體功率不足的問題，不同電池組之間需要進行荷電狀態(state of charge，SOC)均衡。不同電池組間SOC的均衡控制分為有通訊線控制與無通訊線控制兩種。已有諸多研究使用集中式控制器實現了不同電池組之間的SOC均衡[2-3]。無通訊線控制主要采用下垂控制方式。文獻[4]提出了一種基于SOC的自適應下垂控制策略，將帶有指數項的SOC加入到下垂系數中，可以在無通訊的情況下實現孤島條件下不同電池組間SOC均衡。

圖1 PCS直流側多支路并聯的并網型電池儲能系統結構示意圖

但是，基于不同類型或不同生產批次的電池組構成的多支路并聯型BESS 還存在著各電池組間健康狀態(state of health，SOH)不一致的問題，隨著實際使用時間增長系統內電池組SOH下降，SOH離散程度增大。

在工程中通常采用安時積分法估計電池組SOC，且目前的電池管理系統(battery management system,BMS)一般不考慮儲能電池組的SOH衰退，普遍采用電池組額定容量Qrated來進行SOC估計，如式(1)所示。其中Qremain是運行過程中電池的剩余可放出容量，SOCini為初始SOC；而儲能電池SOC的實際值SOC'，則需要使用電池組實際最大容量Qmax計算得到，如式(2)所示。

因此，當某電池組SOH小于100%時，Qmax小于Qrated，導致SOC與SOC'之間產生偏差。而傳統SOC自適應下垂控制方法將電池組SOC估計值作為均衡變量，SOC與SOC'的偏差會使SOC均衡存在困難；并且隨著SOH的離散程度增大，該問題將越發嚴重，最終導致在電池組間SOH差值較大時無法實現SOC均衡，使得SOH較小的電池組電壓在充/放電時率先達到充/放電截止電壓而被電池管理系統切除運行，進而產生并網型電池儲能系統充/放電功率跌落。此外，即使在BMS 中采用更加準確的SOC估計算法，傳統SOC均衡方法下的功率分配結果也會導致SOH離散程度增大，SOH最小的電池組將首先達到報廢條件使整個系統需要退出來進行電池組更換維護。

針對上述問題，本文進一步提出了一種計及SOH的SOC自適應下垂控制策略，適用于在PCS 直流側進行匯集的大容量電池儲能系統，可實現能量雙向流動時SOH不一致的多支路電池組的SOC均衡，各個雙向DC/DC 變換器之間無需通信即可進行獨立控制，下垂系數可實時根據SOC與SOH進行自適應調整，可以實現具有多支路電池組的儲能系統在不同狀態下的靈活并機與退出。仿真結果驗證了上述控制策略的可行性。

1 計及SOH 的電池組SOC 自適應下垂控制均衡策略

傳統SOC自適應下垂控制的下垂系數一旦在初始時設定，在儲能系統運行過程中將不再進行修正[4]。但是隨著SOH的離散程度逐漸增大，初始設定的下垂系數會出現偏差，導致SOC均衡過程中，尤其是多支路SOC相近時功率分配不合理，各并聯支路電池組SOC無法均衡。為了解決上述問題，本文提出了一種計及SOH的SOC自適應下垂控制策略。該策略適用于在PCS 直流側并聯的并網型電池儲能系統，各個雙向DC/DC 變換器之間無需通信即可進行獨立下垂控制，且下垂系數可實時根據SOC與SOH進行自適應調整，從而避免了SOH較小的電池組電壓在充/放電時率先達到截止電壓而被電池管理系統切除，進而產生并網型電池儲能系統充/放電功率跌落；而且該策略中電池組間的功率分配能夠防止組間SOH差異進一步擴大。

1.1 電池組SOH 在線估計方法

本文采用一種基于生成對抗網絡(GAN)-卷積神經網絡(CNN)-長短期記憶網絡(LSTM)的鋰離子電池SOH估計模型[5]進行估計。該方法準確度高，無需考慮電池內部老化機理和電化學反應，其SOH估計流程如圖2 所示。主要步驟簡述如下：

圖2 基于GAN-CNN-LSTM 模型的鋰離子儲能電池組SOH在線估計流程

(1)獲取訓練數據。在投入運行前將選用類型的鋰離子電池組進行恒流-恒壓滿充操作，記錄該充電過程中的電壓、電流、溫度等數據作為GAN-CNN-LSTM 的訓練輸入；將滿充后的電池組進行恒流放電，利用安時積分法記錄該放電過程中的最大電量Qmax，計算得鋰離子電池組SOH，將SOH作為GAN-CNN-LSTM 的訓練輸出；

(2)將得到的訓練數據加入到GAN 中，得到擴充后的數據集；

(3)根據文獻[5]搭建GAN-CNN-LSTM 并設置網絡參數；

(4)訓練GAN-CNN-LSTM 模型。將(2)中得到的數據集輸出到CNN-LSTM 模型中進行訓練，模型的損失函數為MSE，訓練過程中使用Adam 優化器調整模型的參數；

(5)實現鋰離子儲能電池組在線SOH估計。將運行中的鋰離子電池組恒流-恒壓過程中所采集的電壓、電流、溫度等輸入訓練后的GAN-CNN-LSTM 模型即可實時輸出SOH估計值。

實際上，SOH估計方法眾多，也可以結合實際應用條件選擇其他準確率滿足要求的在線估計方法。

1.2 計及SOH 的SOC 自適應下垂控制

考慮到各個電池組之間存在差異，SOH較小的電池組SOC上升/下降速度較其他電池組更快。因此SOH較小的電池組應該采用較小的充電/放電功率，SOH較大的電池組采用較大的充電/放電功率。設第i個電池組的充放電功率Pi在放電時為正，充電時為負，可以得到并網型BESS 放電工作時，計及SOH的SOC自適應下垂控制表達式為：

式中:mdis為BESS 放電時初始下垂系數；udc為直流母線電壓；udc_dis_max為BESS 放電時直流母線電壓最大值；SOHi為第i個電池組的SOH；P*dis_i為BESS 放電時第i個電池組的放電功率參考值。

同理，在電網給BESS 充電時，計及SOH的SOC自適應下垂控制表達式為：

式中：mch為BESS 充電時初始下垂系數；udc_ch_min為BESS 充電時直流母線電壓最小值；P*ch_i為BESS 充電時第i個電池組的充電功率參考值。

不妨設udc_dis_max=udc_ch_min=udc0，則計及SOH的SOC自適應下垂控制曲線如圖3 所示。在放電時，當電池組SOH降低后，SOC下降速度增快，此時應增大該電池組下垂系數，從而減小該電池組輸出功率參考值，降低SOC下降速度；同理,在充電時，當電池組SOH降低后，SOC上升速度增大，應增大該電池組下垂系數，從而減小該電池組充電功率參考值，減小SOC上升速度，實現了下垂系數的自動修正。

圖3 計及SOH的SOC自適應下垂控制曲線

本文所提出的計及SOH的SOC自適應下垂控制框圖如圖4 所示。雙支路并聯的BESS 在投入運行前通過完全充放電實驗的方式測得兩個電池組的SOH，得到其初始下垂系數m1、m2。投入實際使用后，系統通過估計各電池組實時的SOH，自動修正下垂系數m1、m2，以適應各電池組可用最大容量的衰減。如圖4 所示，系統通過下垂控制得到各電池組充電/放電功率參考值Pi*，從而得到電池組的充電/放電電流參考值ii*，通過電流控制器實現閉環控制。

圖4 計及SOH的SOC自適應下垂控制框圖

2 仿真驗證

為驗證上述控制策略的有效性，在Matlab/Simulink 環境中搭建了系統仿真模型，其主電路部分見圖5。模型中，設定每個電池組為額定電壓480 V、額定容量37 Ah 的磷酸鐵鋰電池，對應實際系統中常用的儲能電池組；雙向DC/DC 變換器、直流母線與雙向DC/AC 變換器對應實際系統的PCS 部分；LC濾波器與380 V 三相電壓源則對應系統并網部分[6]。系統具體參數總結見表1。在控制部分，DC/DC 部分中雙向Buck/Boost變換器采用電流閉環控制，由計及SOH的SOC自適應下垂控制策略分別提供兩個變換器的電感電流參考值；DC/AC 部分中的三相全橋變換器采用基于前饋解耦的定功率控制策略。

圖5 基于Matlab/Simulink環境的雙支路并網型電池儲能系統仿真模型

表1 系統主要參數

2.1 電池組不同SOH 差異值條件下仿真分析

由于生產工藝和使用環境的不同，多支路并聯型BESS存在各支路電池組間SOH不一致的問題，并且隨著長期使用這一問題將逐步加劇。根據電力儲能用鋰離子電池國家標準[7]，能量型儲能電池SOH應不低于90%，功率型儲能電池SOH應不低于80%。本節首先在不同SOH差異值下對所提出的計及SOH的SOC自適應下垂控制策略進行仿真。

圖6(a)為當SOH1=90%，SOH2=100%時，電池組SOC變化曲線與電池組間SOC差異曲線。由圖6(a)可知，電池組1、電池組2 的SOC實際值逐漸接近，并在23.9 s 達到均衡。同理，圖6(b)表示，當SOH1=80%，SOH2=100%時，電池組1、電池組2的SOC實際值同樣能夠在27.5 s 時達到均衡。這證明所提方法在電池儲能系統電池組間SOH差值分別達到能量型和功率型BESS 所允許的最大SOH差異10%和20%時依然有效，即所提方法在BESS中電池組允許SOH范圍內均具有有效性。

圖6 計及SOH的SOC自適應下垂控制策略在不同SOH 差異值條件下的仿真波形圖

2.2 與傳統SOC 自適應下垂控制方法的SOC 均衡對比分析

為了說明本文提出的計及SOH的SOC自適應下垂控制方法的優勢，本節以放電為例，在SOH1=80%、SOH2=100%的條件下，使用本文所提出方法與傳統SOC自適應下垂控制方法進行對比，對比結果如圖7 所示。

圖7(a)表示采用傳統SOC自適應下垂控制方法時，電池組SOC變化曲線與電池組輸出功率曲線。由圖7(a)可以看出，采用傳統方法時，電池組1 的SOC估計值與電池組2 實際值逐漸均衡，電池組1、2 的輸出功率也逐漸均衡。但由于SOH1=80%，電池組1 的SOC實際值下降更快，而此時兩電池組輸出功率被控制為相同，因此兩電池組SOC實際值之差又會逐漸增大，無法實現兩電池組SOC實際值均衡，有可能造成實際工作中的過放電，或者導致SOH較小的電池組電壓在放電時率先達到放電截止電壓被電池管理系統切除運行。

圖7(b)表示采用計及SOH的SOC自適應下垂控制方法時，電池組SOC變化曲線與電池組輸出功率曲線。由圖7(b)可知，所提方法可以使SOH較大電池組分配更大的輸出功率，SOH較小電池組分配更小的輸出功率，以實現電池組間SOC的快速均衡，且電池組1、電池組2 的SOC實際值可以快速實現均衡。此外，這一功率分配結果使得SOH較大電池組2的放電深度大于SOH較小電池組1，使得電池組1 相對于電池組2衰減得更慢，能夠有效防止組間SOH差異進一步擴大。

圖7 計及SOH的SOC自適應下垂控制策略與傳統SOC自適應下垂控制方法的對比波形圖

3 結論

本文提出了一種計及SOH的SOC自適應下垂控制方法，與傳統SOC自適應下垂控制相比，可以根據電池組的衰減情況更為準確地實現并網型電池儲能系統多支路并聯時各電池組的SOC均衡，而且能夠有效防止組間SOH差異進一步擴大，并在Matlab/Simulink 仿真平臺上進行了仿真，驗證了所提控制策略的有效性。