基于SOC 算法的蓄電池智能管理系統研究

孫皓林，袁振江

（北京國鐵華晨通信科技有限公司，北京 100070）

目前鐵路沿線各機房通信和網絡設備的保障電源通常為閥控式鉛酸蓄電池，當市電中斷時可維持通信和網絡系統的正常運行。大多數的鉛酸電池在項目投入使用后，非質量問題基本不會更換，因此加強對電池的監測、管理、維護具有重要意義。

根據相關標準，電池的使用壽命通常在5～10 年，但因為維護手段和維護設備的缺乏及電池充放電不足等情況，電池的使用壽命通常不到設計壽命的50%[1]。大量的廢棄電池又因未按要求進行處理，造成環境的污染。

蓄電池智能管理系統能夠實時監控、采集蓄電池的狀態參數（包括但不限于單體電池電壓、電池集柱溫度、電池充放電電流、電池容量等），并對相關狀態參數進行必要的分析計算，得到更系統化的狀態評估數據，并依據相關策略實現對蓄電池的有效管控，保證電池系統的穩定運行。

因此，通過可靠的電池管理系統保障電池安全穩定運行，延長電池使用壽命，既可以產生可觀的經濟效益，又可以達到一定的社會效益。

1 系統架構

蓄電池智能管理系統采用分布式模塊架構，由管理主機和采集模塊組成。管理主機具備查詢實時數據、告警數據和相關參數設置的功能，內置高級SOC 算法模型，可實現大數據精確分析。管理主機負責向采集模塊下發控制指令、數據收集、數據分析；采集模塊負責執行管理主機下發的控制指令，執行對單體電池的數據采集功能。

蓄電池智能管理系統可實現在線監測蓄電池組的功能，監測內容包括單體電池電壓、電池內阻、電池溫度和蓄電池組電壓、溫度、充放電電流等。蓄電池均衡設備在對采集的數據基于SOC 算法進行智能診斷分析后，可在線均衡各單體電池電壓，預防過、欠充現場發生，對落后電池進行在線活化，并進行智能化維護管理，提高電池的可靠性，延長其使用壽命。

蓄電池智能管理系統里的管理主機可通過RS485或TCP（Transmission Control Protocol，傳輸控制協議）與上級平臺完成第三方開發接入，如圖1 所示。

圖1 蓄電池智能管理系統架構圖

2 SOC 算法設計

SOC 反映了電池的容量，是電池管理系統的核心參數，可以為電池的運行指標、維護控制提供重要判斷依據。SOC 的公式為：

式中：QSOC為電池的荷電狀態的數值；Qr為電池剩余容量的數值；QI為電池以恒定電流I進行放電時的容量的數值。

目前常用的SOC 估算方法有以下4 種，即開路電壓法、電流積分法、卡爾曼濾波法及神經網絡法[2]。

因開路電壓法的原理是利用了靜置狀態下的額定開路電壓的相對固定函數，單獨使用該方法會導致SOC 估算嚴重偏離實際，因此該方法通常與其他方法結合使用。

電流積分法在實際應用中范圍最為廣泛，計算方法如下：

式中：QSOC0為上一次測得的SOC 的數值；I為電流的數值；t為時間的數值；Q為電池容量的數值。

通過式（1）可以看出，電流積分法要求電流I的測量精度很高，且電池容量Q不能準確表示實時變化的容量。

卡爾曼濾波是基于最小均方差的數字濾波算法，可以忽略因SOC 初始值估計及累計誤差造成的問題，但卡爾曼濾波法因算法復雜，對系統硬件要求很高[3]。

通過軟件進行模擬估算SOC 初始值為100%，設定滿充的容量為141 Ah，實際SOC 初始值設置為85%，實際滿充的容量為130 Ah。模擬效果如圖2 所示。從模擬曲線可觀察到，卡爾曼算法具有很好的收斂性。

圖2 SOC 模擬效果圖

神經網絡法是利用人工智能進行自學習計算，但計算量劇增，對系統硬件的要求也大大提高。

卡爾曼濾波法是目前各大廠家研究的重點，甚至在卡爾曼濾波算法的基礎上延伸出了擴展卡爾曼法和無跡卡爾曼法等。智能算法技術的發展，又催生了一些新的估算法，如模糊控制法、灰色理論法。新的算法雖然不需要依賴數學模型，但是又需要大量的樣本數據作支撐才能滿足高精度要求，因此一些算法在研究中雖然表現優秀，卻不能很好地應用到實際設備中。

任何單一的算法都有其局限性，在實際機房監測中，應結合多種估算方法進行優勢結合。隨著人工智能的發展和大數據分析技術的成熟，未來采用以卡爾曼和神經網絡結合方式為主、開路電壓和電流積分為輔的監測方法將不斷盛行。例如將電流積分法和卡爾曼濾波法相結合的方式，對SOC 估算范圍中間段采用電流積分法獲得SOC 值，對SOC 范圍的邊界值采用卡爾曼濾波方式進行，全程加以神經網絡的大數據采樣比對，可以極大地提高SOC 的估算精度。

在電流積分法基礎上利用卡爾曼濾波法進行反饋再校正狀態變量的方法[4]，首先要利用卡爾曼方程計算得出最優解，具體如下。

狀態預測：Xk，k－1=a×Xk－1+b×Uk。

協方差預測：Pk，k－1=a2×Pk－1+Q。

狀態最優：Xk=Xk，k－1+Kgk×（Zk－h×Kk，k－1）。

卡爾曼增益：Kgk=Pk，k－1×h/（h2×Pk，k－1+R）。

協方差更新：Pk=（I－Kgk×h）×Pk，k－1。

預測-校正過程模型如圖3 所示。

圖3 預測-校正過程模型

3 系統設計原理

3.1 電壓采集

單體電池電壓采集采用A/D（Analog/Digtial，模擬量/數字量）轉換技術，可以實現高速穩定采集，精度可達到0.1%。采集單元采用了光電隔離，避免了通道中來自電氣設備的干擾。采集模塊將單體蓄電池的電壓值以一定比例映射到A/D 轉換模塊可以識別的有效范圍內[5]，并通過光電隔離模塊對電路進行電氣隔離保護，極大地消除了環境對采集的干擾，達到很高的采集精度。A/D 轉換示意圖如圖4 所示。

圖4 A/D 轉換示意圖

3.2 內阻采集

電池內阻采集使用小電流循環激勵方法，使電池產生一個小于5 A 的負載電流，通過負載接通時的瞬間電壓降和斷開負載時的瞬間電壓恢復便可推導出相應的內阻[6]。目前的A/D 轉換器能在有效測量直流參數的同時將流經電池的交流信號忽略掉，因此這種類型的儀器甚至可在高噪聲的環境下對電池進行在線測試[7]。

內阻測試回路設有保護裝置，當放電電流異常或放電時間超過10 s 時，放電回路的PDC 保險自動切斷回路，保證內阻測試安全。

小電流具有更高的安全性與可靠性，設備體積更小、更靈活，目前該技術已經被國際與國內的主流電池監測廠家應用于產品中。

3.3 SOC&SOH 估算

3.3.1 SOC 估算

對于閥控密封鉛酸（VRLA）蓄電池，使用者很希望通過蓄電池監測設備來直接測量蓄電池的荷電狀態（SOC）和健康狀態（SOH）。荷電狀態是指蓄電池組及單體的剩余容量，決定了電源故障時蓄電池組能帶載多少時間。

模塊內置數據分析模型，根據測得的放電曲線、內阻、抬升曲線來估算出容量。另外，當以實際負載或外接假負載對蓄電池組進行放電時，模塊會自動記錄放電數據，對數據進行分析后修正估算的容量。SOC估算框架如圖5 所示。

圖5 SOC 估算框架圖

3.3.2 SOH 估算

模塊循環定時采集電池實時數據，并從電池實時數據中提取出單體電壓、單體內阻、電池溫度、充放電電流、充放電電量及當前電池的SOC 值，結合電池的額定參數，通過一種數據分析模塊來分別估算電池的SOH。

估算得到的電池SOH 通過歷史數據修正法綜合計算出一個SOH 系數模型，該系數模型可用于后續每次SOH 分析計算。其次，根據歷史記錄的電壓極限值、電量極限值、SOC 極限值等參數診斷電池當前的SOH，以減少誤差。該SOH 估算模型可以適應不同的電池組，精度可達5%左右。

3.4 均衡功能

3.4.1 電路拓撲設計

關于蓄電池均衡充電電路拓撲的設計，國內外已有多個不同的設計理念，分為主動式與被動式2 種主要形式。本文研究的蓄電池智能管理系統采用被動式均衡，電路拓撲采用開關電阻式放電均衡（如圖6 所示）。通過在電池組中各單體電池兩端分別并聯分流電阻進行放電，從而實現均衡。分流電阻放電均衡電路是最為直接的均衡技術，該技術是通過分流電阻對容量高的單體電池進行放電，直至所有單體電池容量在同一水平[8]。

圖6 開關電阻式電路拓撲設計

開關電阻式放電均衡在蓄電池充電過程中，通過并聯在單體蓄電池兩端的均衡開關S（n/o）和分流電阻器R 實現對充電電流的調節，充電電流通過控制均衡開關的占空比和開關周期來實現充電電流的平衡。與固定電阻式放電均衡電路相比，該設計方式更有效、可靠性更高，并且可以用于均衡鋰離子類型的蓄電池。

3.4.2 均衡功能設計

蓄電池長期處在浮充狀態時，由于電池間性能的差異，造成電池電壓不均衡，同時也容易使電解液產生結晶，長此以往會導致蓄電池的儲電能力下降。通過定期自動活化減少電池間的性能差異，防止電池液結晶，從根本上解決電池不均衡的問題，延長電池壽命。

采用在線式淺充淺放活化技術，在不影響電源系統運行的情況下有效地使電池內部活性物質得到活化，恢復其活性，延長電池的壽命。蓄電池監測系統由均衡管理模塊、直流電流采集模塊及均衡主機組成。每個電池上安裝一個均衡管理模塊，監測電池的電壓、內阻與溫度，并對電池進行活化。

在電池浮充狀態下，通過監測模塊定期自動對電池進行脈沖式淺放電（如圖7 所示），激活電池內部的活性，并通過多次的激活淺放電循環，使電壓較高或者較低的電池重新恢復正常或減慢其衰退的過程，達到電池電壓的均衡。

圖7 淺放電示意圖

在機房監測中，蓄電池智能管理系統既可以高精度地監測電池參數，又可以通過參數實現對電池的均浮充控制，達到整組電池的電壓均衡。該系統由采集模塊及監控主機構成，通過安裝在電池上的采集模塊，實現對電池電壓、內阻、溫度、容量的采集，通過蓄電池監測主機實現對采集數據的分析，包括電壓、內阻等值的實時變化，利用卡爾曼與神經網絡結合的算法得到電池容量。

4 系統功能分析

4.1 實時監測

系統可對蓄電池單體電池電壓、內阻、極柱溫度、漏液、浮充電壓進行實時監測，以及對蓄電池組總電壓、電池組容量、環境溫度進行實時監測，并通過可視化界面進行直觀顯示。

4.2 充放電記錄

智能識別電池組狀態，自動記錄整組電池及每節電池的充放電曲線。

4.3 趨勢分析

利用曲線、柱狀圖等直觀的形式展示出任意時間段的數據變化趨勢，可生成電池組電壓變化趨勢、單體電壓變化趨勢、電池內阻變化趨勢、電池溫度變化趨勢及電池容量狀態變化等。

4.4 超限告警功能

系統具備設置告警閾值，實現超限自動告警，配合外接設備實現聲光報警功能。

4.5 熱失控監測

系統可以有效記錄浮充電流曲線，結合電池內部溫度和環境溫度，進行智能熱失控分析，做到提前預警、實時告警，有效防止電池熱失控。

4.6 SOC、SOH

系統內置SOC 高級算法模型，可以有效計算電池的剩余容量和生命周期，智能評估電池的健康度。

4.7 在線均衡

系統自動檢測蓄電池組內各單體電池電壓變化，當某節電池電壓與組內其他電池電壓相差超過一定范圍時，系統可通過自動或手動均衡功能，實現整個電池組內單體電池的電壓平衡，保證電池良好。

4.8 在線活化

系統采用脈沖激勵方式，將陳舊的硫酸鹽層進行轉化，并使新形成的硫酸鹽層不再堆積和硬化，使電池徹底擺脫硫酸鹽化的趨勢。

5 發展趨勢

蓄電池智能管理系統包括三大核心功能，即數據采集、SOC 估算、電池均衡[9]。

數據采集是所有廠家都具備的基礎功能，而SOC估算和電池均衡因廠家而異，各有不同。隨著大數據和人工智能的發展，未來的蓄電池監控市場將以算法定勝負。

隨著5G 技術的高速發展和各地數據中心的建立，未來的電池管理技術也會朝著多樣化方向發展。并且隨著鋰電池技術的不斷成熟發展，未來蓄電池市場鋰電池數量將會不斷增加，針對鋰電池的智能管理系統市場占有率也會不斷提高。在鉛酸蓄電池管理技術的基礎上，如何創新實現對鋰電池SOC 估算也是未來技術的難點。

要提高SOC 估算的精度，最終仍是要落在電壓、電流數據的采集上，采集頻率越高、準確度越高，估算精度就越高。下一步，將從優化等效模型和優化估算算法方面入手，通過模擬軟件更加精確地估算SOC 數值。

6 結束語

蓄電池智能管理系統可以實現對蓄電池的精準監測與管理，有效提高了電池運維效率，保障了蓄電池的安全穩定運行。

隨著算法的優化，下一代蓄電池智能管理系統將向大數據化、AI 化發展，屆時蓄電池管理系統將可以實現提前預測、提前預警等。