变电站直流系统并联蓄电池组核容技术研究

金烂聚，贾 平，周鸿喜，贺 琛，何劲池，郑 益

（1.国网浙江省电力有限公司 信息通信分公司，浙江 杭州 310007；2.国家电网有限公司 信息通信分公司，北京 100761；3.杭州高特电子设备股份有限公司，浙江 杭州 310030）

0 引 言

直流系统作为变电站重要组成部分，在供电系统中发挥着不可替代的作用[1]。目前，大部分变电站采用免维护的阀控式铅酸蓄电池，其日常维护工作量较大[2]。随着电力技术的快速发展，原有的变电站直流系统已经不能满足当前需求，需要不断探索应用新产品、新材料以及新技术，也急需采取更加经济科学的策略对其进行改造。

直流系统电源为变电站的核心路由器和交换机等设备提供直流工作电源，它的正常与否直接关系到电力系统通信是否安全可靠。直流系统电源中又以蓄电池组尤为重要，在交流系统因故障停电时，蓄电池组的正常运行是通信系统继续运行的保障[3-5]。

受相关技术的局限，传统的电力运行管控手段不够完善，智能监控系统还没有实现全覆盖，系统维护主要依靠人工定期巡视检查各站点直流系统后备蓄电池运行状态，重点是核对蓄电池容量。蓄电池容量核对一般耗时较长，这就造成大量人力浪费。同时，在变电站数量和蓄电池数量不断增加的情况下，运维人员并未对应增加，很难对每一组蓄电池做到最佳维护。一旦出现交流系统失电等故障，设备将面临停运的风险[3-5]。

1 变电站直流系统组成

变电站直流系统的工作电压通常为220 V、110 V或48 V，除交流配电外一般由蓄电池、电池管理系统（Battery Management System，BMS）、直流充电模块、直流回路以及直流负载等组成，如图1所示[6-8]。常见的蓄电池有防酸式蓄电池、阀控密封铅酸蓄电池以及镉镍蓄电池3种，目前大量使用的是阀控密封铅酸蓄电池。充电模块一般有两种，即工频交流整流器和微机模块化充电机。直流回路由直流母线供给各直流负荷的中间环节，根据负荷类型和供电路径又可分为若干独立分支，例如断路器合闸供电分支和事故照明供电分支等。直流负载按功能可分为控制负荷和动力负荷两大类，按性质可分为经常性负荷、事故负荷以及冲击负荷。

图1 直流系统组成

2 远程核容设计

2.1 远程核容系统设计

本文研究了一种远程核容系统，不仅适用于单组蓄电池，还适用于多个蓄电池组并联的系统，使蓄电池组脱离直流母线远程核容时不会因交流失电而出现断电风险[9-11]。该系统主要包括核容管理平台、电池管理模块、核容模块以及远程放电控制盒等，如图2所示。

图2 远程核容系统主要组成结构

远程放电控制盒组成结构如图3所示，主要包括二极管、开关、故障诊断模块以及电流输入输出等，可根据电池组的容量和电压等级选用不同型号的电力二极管和直流接触器。

图3 远程放电控制盒组成结构

引入远程放电控制盒故障诊断机制，正常情况下选用电力二极管的导通压降在0.5 V，额定电流情况下压降是1.6 V，选用的直流接触器的闭合的接触电阻一般在1 mΩ左右。根据该诊断机制可以形成二极管与接触器（即开关K）是否存在故障的判断，如表1所示。

表1 远程放电控制盒故障诊断表

当0.2 V＜Ud＜1.6 V时，控制开关K闭合：若Ud≤0.2V，可判断开关K正常，二极管正常；若0.2 V＜Ud＜1.6 V，可判断开关K异常，二极管正常。

当Ud≥1.6 V时，控制开关K闭合：若Ud≤0.2 V，可判断开关K正常，二极管异常；若Ud≥1.6 V，可判断开关K异常，二极管异常。

当Ud≤0.2 V时，此时控制开关K断开：若Ud≤0.2 V，可判断开关K异常；若0.2 V＜Ud＜1.6 V，可判断开关K正常，二极管正常；若Ud≥1.6 V，可判断开关K正常，二极管异常。

通过以上工作原理，可以实现远程放电控制盒KD状态检测。

2.2 远程核容模块设计

如图4所示，采用纯消耗型负载核容模块的设计中，负载可根据设备型号要求由多条电阻条并联形成。电阻条采用镍铬扁丝（Cr20Ni80）制成，可承受约10 A的电流。若设备最终要求可承受50 A电流时，可由5个电阻条并联形成。消耗型负载核容模块设计原理如图4所示。

图4 消耗型负载核容模块设计原理

在实际使用时，可通过增加MOS管的方式降低单管功耗，即采用增加MOS管的数量来增加散热面积，分别独立由一个恒流电路驱动。本设计中，采用了6个相同的单管恒流单元，节点P+并接、节点A并接可调恒流支路负反馈等电路，节点B接地并连接电流采样电阻，如图5所示。当有电流通过时，电流采样电阻上会产生电压信号，该信号通过放大后，与电流基准电压进行误差比较放大后输出到A点，作为控制MOS管的开通电压，继而控制相应的导通电阻，最终控制支路电流。

图5 恒流控制部分MOS管组合Q中单管恒流单元

此外，本文也研究设计了新型馈电式放电模块，主要由纯阻性假负载PTC和电源模块DC/DC等组成，如图6所示，该DC/DC采用恒流模式的BOOST拓扑，可将核容过程中不断下降的电压升高到略大于充电机输出电压，保证直流端负载的供电电压稳定。在核容过程中，先使用实际负载进行核容，假负载PTC处于断开状态，电流经过DC/DC升压后供给，当实际负载无法满足放电电流大小要求时根据所缺电流启动假负载。

图6 新型馈电式放电模块的内部原理图

在核容过程不调整充电机输出电压的情况下，可以使被测蓄电池组对实际负荷进行恒流供电而达到在线恒流放电目的，而且在此过程中另一组蓄电池组还始终保持满浮充备份状态，最大限度地避免放电过程中系统瘫痪的风险。

2.3 远程核容系统运行流程

在蓄电池组浮充运行下，核容模块内蓄电池组放电开关（K1、K2）和母联开关K3应处于断开状态，远程放电控制盒内蓄电池组输出开关（J1、J2）处于闭合状态。

核容管理平台具备遥测、遥信、遥控以及遥调等基本功能，如核容蓄电池组选择，核容放电电流、放电容量以及放电时间等参数的设置，温度、电流以及电压等报警阈值的设置。首先通过核容管理平台选择需远程核容的蓄电池组，确认没有异常报警后根据计划选择全容量或设定容量（或时长）设置核容参数；其次电池管理模块根据指令控制远程放电控制盒内的蓄电池组输出开关断开，使得蓄电池组停止充电，同时停止对直流系统输出供电，闭合蓄电池组放电开关，启动负载模块进行放电。通过蓄电池远程核容平台下发指令启动放电模块对蓄电池组进行放电，整个过程的基本流程如图7所示。

图7 远程核容系统运行总体流程

模式一：正常核容过程，若未出现交流失电的情况下，结束后输出核容分析结果，之后进入蓄电池电路恢复的过程（即进行充电过程），控制负载模块退出后，使蓄电池组充电的同时对直流系统输出供电，如图8所示。

图8 远程核容系统运行模式一流程

模式二：若核容过程中出现交流失电，则立刻停止核容，进入保障系统安全运行阶段。当交流恢复且进入蓄电池电量恢复的过程时再根据计划进行核容。其中，当满足多组输出判断的启动条件时，如通过已放出容量结合单体电压及其分布情况判断出单组可能无法继续较长时间支撑，闭合母联开关，且远程放电控制盒内蓄电池组输出开关要处于断开状态，蓄电池组通过二极管给直流系统供电；并实时检测交流是否恢复，若恢复则断开母联开关，控制蓄电池组充电的同时对直流系统输出供电，如图9所示。

图9 远程核容系统运行模式二流程

模式三：若正常核容过程后充电过程中出现交流失电，则立刻进入保障系统安全运行的阶段，当交流恢复后重新进入蓄电池充电过程，充满后可再根据计划进行核容，如图10所示。

处于核容结束后的充电过程出现交流失电，当满足多组输出判断的启动条件时，其与模式二判断方式类似，基于充电曲线判断单组是否无法继续较长时间支撑。满足启动条件时，控制进行多组同时输出，并实时检测交流是否恢复。

2.4 核容评价

现有站点蓄电池核容过程中可能存在交流失电的情况，很多情况下无法进行百分百深度的核容。即使进行了完全放电，但由于铅酸蓄电池的特性，还是存在大部分蓄电池由于未到截止电压而无法准确得知其性能的情况，图11和图12为某变电站全容量0.1 C放电结束时刻每节蓄电池的电压分布，可能存在较多电池聚集，也可能存在个别电池较差的情况，这就需要采用一定的技术手段进行数据分析来获得各个蓄电池的性能数据。本文采用神经网络模型对此进行分析。

图11 某变电站a放电结束时刻电压分布

图12 某变电站b放电结束时刻电压分布

神经网络由大量的简单处理单元组成，是一种复杂的网络系统。神经网络模型可描述非线性、多数据并行的问题，具有高容错与可训练学习等优点，被广泛应用于各种领域，如信号处理、模式识别、自动控制、辅助决策以及人工智能等。蓄电池核容评价可以认为是模式识别的一种，即针对放电曲线分布和走向情况识别较为合适的性能数据。BP神经网络主要步骤如下：

（1）选择合适的输入样本A和输出样本C，并进行归一化处理。初始化网络连接的权值：输入与隐层的权值YWxy、隐层与输出的权值SWyz，隐层触发阈值θy、输出触发阈值ηz，均为[-1，1]区间内的随机数。

（2）隐层By==f(∑YWxy·Ax-θy)，输出层Cz=f(∑SWyz·By-ηz)。

（3）若误差大于设定的预期误差，则对权值和阈值进行修正，修正公式为：

式中，Sez、Yey为输出层、隐层的校正误差；α、β为学习系数。

使用MATLAB构建一个简单的一输入一输出网络结构，采用newff函数创建该BP神经网络，如图13所示。第一层二神经元，传递函数tansig。第二层一神经元，传递函数purelin。训练函数traingdx，设置合适迭代次数，其他参数默认。

图13 newff两层神经网络

在训练该网络时，采用多输入学习样本与单输出教师样本的网络结构，如图14所示。其中输出样本为蓄电池性能数据，即当前容量与标称容量的百分比值，不允许超过100%。

图14 N输入M输出两层神经网络

输入样本为不同蓄电池性能的放电数据，数据长度可为21、20、19、...。在大量蓄电池放电的基础上，将不同蓄电池性能所对应的放电曲线数组作为训练集。当某一次核容放电结束时，例如放出容量在50%时，应选择每5%即长度11的样本集进行训练。当放出容量在80%时，应选择每5%即长度17的样本集进行训练。

由于输出样本已经处于0～100%之间，无需进一步做归一化处理，因此针对输入部分放电电压数据的归一化处理为：

式中，vmin为放电截止电压，以2 V铅酸蓄电池为例即为1.80 V；vmax为完全充满后起始电压，以2V铅酸蓄电池为例，该数值为均充结束或浮充时转为放电的起始电压，一般设置为2.15 V，且当f(v)≥1时记为1。

从上述原理来看，此方法无法预测放电过程中电压突然变化的情况，应再探索研究更多输入进行补充，如电池内阻和长期浮充特征等。

3 结 论

目前变电站直流系统的蓄电池组大部分情况下还是采用现场人工核容的方式，每年需要投入大量的人力物力来检查蓄电池组状态是否健康。本文研究了具备防护能力的远程核容技术，其在脱离直流母线远程核容时不会因交流失电而出现断电，可通过远程控制较早的知道远程控制盒本身是否存在异常。同时通过算法研究对核容过程中的数据进行分析，基本可获得蓄电池组各个电池的性能情况，具有较好的应用效果。