多支路并联电池系统荷电状态均衡控制策略

单立新，吴 靖，赵海荣，高 峰

(1.浙江大有集团有限公司，浙江杭州 310050；2.浙江大有实业有限公司杭州科技发展分公司，浙江杭州 310052；3.山东大学控制科学与工程学院，山东济南 250061)

为了解决图1 中储能变换器(power converter system，PCS)直流侧多支路并联的电池储能系统(battery energy storage system，BESS)[1]中个别电池组率先完成充放电，进而退出系统造成整体功率不足的问题，不同电池组之间需要进行荷电状态(state of charge，SOC)均衡。不同电池组间SOC的均衡控制分为有通讯线控制与无通讯线控制两种。已有诸多研究使用集中式控制器实现了不同电池组之间的SOC均衡[2-3]。无通讯线控制主要采用下垂控制方式。文献[4]提出了一种基于SOC的自适应下垂控制策略，将带有指数项的SOC加入到下垂系数中，可以在无通讯的情况下实现孤岛条件下不同电池组间SOC均衡。

图1 PCS直流侧多支路并联的并网型电池储能系统结构示意图

但是，基于不同类型或不同生产批次的电池组构成的多支路并联型BESS 还存在着各电池组间健康状态(state of health，SOH)不一致的问题，随着实际使用时间增长系统内电池组SOH下降，SOH离散程度增大。

在工程中通常采用安时积分法估计电池组SOC，且目前的电池管理系统(battery management system,BMS)一般不考虑储能电池组的SOH衰退，普遍采用电池组额定容量Qrated来进行SOC估计，如式(1)所示。其中Qremain是运行过程中电池的剩余可放出容量，SOCini为初始SOC；而储能电池SOC的实际值SOC'，则需要使用电池组实际最大容量Qmax计算得到，如式(2)所示。

因此，当某电池组SOH小于100%时，Qmax小于Qrated，导致SOC与SOC'之间产生偏差。而传统SOC自适应下垂控制方法将电池组SOC估计值作为均衡变量，SOC与SOC'的偏差会使SOC均衡存在困难；并且随着SOH的离散程度增大，该问题将越发严重，最终导致在电池组间SOH差值较大时无法实现SOC均衡，使得SOH较小的电池组电压在充/放电时率先达到充/放电截止电压而被电池管理系统切除运行，进而产生并网型电池储能系统充/放电功率跌落。此外，即使在BMS 中采用更加准确的SOC估计算法，传统SOC均衡方法下的功率分配结果也会导致SOH离散程度增大，SOH最小的电池组将首先达到报废条件使整个系统需要退出来进行电池组更换维护。

针对上述问题，本文进一步提出了一种计及SOH的SOC自适应下垂控制策略，适用于在PCS 直流侧进行汇集的大容量电池储能系统，可实现能量双向流动时SOH不一致的多支路电池组的SOC均衡，各个双向DC/DC 变换器之间无需通信即可进行独立控制，下垂系数可实时根据SOC与SOH进行自适应调整，可以实现具有多支路电池组的储能系统在不同状态下的灵活并机与退出。仿真结果验证了上述控制策略的可行性。

1 计及SOH 的电池组SOC 自适应下垂控制均衡策略

传统SOC自适应下垂控制的下垂系数一旦在初始时设定，在储能系统运行过程中将不再进行修正[4]。但是随着SOH的离散程度逐渐增大，初始设定的下垂系数会出现偏差，导致SOC均衡过程中，尤其是多支路SOC相近时功率分配不合理，各并联支路电池组SOC无法均衡。为了解决上述问题，本文提出了一种计及SOH的SOC自适应下垂控制策略。该策略适用于在PCS 直流侧并联的并网型电池储能系统，各个双向DC/DC 变换器之间无需通信即可进行独立下垂控制，且下垂系数可实时根据SOC与SOH进行自适应调整，从而避免了SOH较小的电池组电压在充/放电时率先达到截止电压而被电池管理系统切除，进而产生并网型电池储能系统充/放电功率跌落；而且该策略中电池组间的功率分配能够防止组间SOH差异进一步扩大。

1.1 电池组SOH 在线估计方法

本文采用一种基于生成对抗网络(GAN)-卷积神经网络(CNN)-长短期记忆网络(LSTM)的锂离子电池SOH估计模型[5]进行估计。该方法准确度高，无需考虑电池内部老化机理和电化学反应，其SOH估计流程如图2 所示。主要步骤简述如下：

图2 基于GAN-CNN-LSTM 模型的锂离子储能电池组SOH在线估计流程

(1)获取训练数据。在投入运行前将选用类型的锂离子电池组进行恒流-恒压满充操作，记录该充电过程中的电压、电流、温度等数据作为GAN-CNN-LSTM 的训练输入；将满充后的电池组进行恒流放电，利用安时积分法记录该放电过程中的最大电量Qmax，计算得锂离子电池组SOH，将SOH作为GAN-CNN-LSTM 的训练输出；

(2)将得到的训练数据加入到GAN 中，得到扩充后的数据集；

(3)根据文献[5]搭建GAN-CNN-LSTM 并设置网络参数；

(4)训练GAN-CNN-LSTM 模型。将(2)中得到的数据集输出到CNN-LSTM 模型中进行训练，模型的损失函数为MSE，训练过程中使用Adam 优化器调整模型的参数；

(5)实现锂离子储能电池组在线SOH估计。将运行中的锂离子电池组恒流-恒压过程中所采集的电压、电流、温度等输入训练后的GAN-CNN-LSTM 模型即可实时输出SOH估计值。

实际上，SOH估计方法众多，也可以结合实际应用条件选择其他准确率满足要求的在线估计方法。

1.2 计及SOH 的SOC 自适应下垂控制

考虑到各个电池组之间存在差异，SOH较小的电池组SOC上升/下降速度较其他电池组更快。因此SOH较小的电池组应该采用较小的充电/放电功率，SOH较大的电池组采用较大的充电/放电功率。设第i个电池组的充放电功率Pi在放电时为正，充电时为负，可以得到并网型BESS 放电工作时，计及SOH的SOC自适应下垂控制表达式为：

式中:mdis为BESS 放电时初始下垂系数；udc为直流母线电压；udc_dis_max为BESS 放电时直流母线电压最大值；SOHi为第i个电池组的SOH；P*dis_i为BESS 放电时第i个电池组的放电功率参考值。

同理，在电网给BESS 充电时，计及SOH的SOC自适应下垂控制表达式为：

式中：mch为BESS 充电时初始下垂系数；udc_ch_min为BESS 充电时直流母线电压最小值；P*ch_i为BESS 充电时第i个电池组的充电功率参考值。

不妨设udc_dis_max=udc_ch_min=udc0，则计及SOH的SOC自适应下垂控制曲线如图3 所示。在放电时，当电池组SOH降低后，SOC下降速度增快，此时应增大该电池组下垂系数，从而减小该电池组输出功率参考值，降低SOC下降速度；同理,在充电时，当电池组SOH降低后，SOC上升速度增大，应增大该电池组下垂系数，从而减小该电池组充电功率参考值，减小SOC上升速度，实现了下垂系数的自动修正。

图3 计及SOH的SOC自适应下垂控制曲线

本文所提出的计及SOH的SOC自适应下垂控制框图如图4 所示。双支路并联的BESS 在投入运行前通过完全充放电实验的方式测得两个电池组的SOH，得到其初始下垂系数m1、m2。投入实际使用后，系统通过估计各电池组实时的SOH，自动修正下垂系数m1、m2，以适应各电池组可用最大容量的衰减。如图4 所示，系统通过下垂控制得到各电池组充电/放电功率参考值Pi*，从而得到电池组的充电/放电电流参考值ii*，通过电流控制器实现闭环控制。

图4 计及SOH的SOC自适应下垂控制框图

2 仿真验证

为验证上述控制策略的有效性，在Matlab/Simulink 环境中搭建了系统仿真模型，其主电路部分见图5。模型中，设定每个电池组为额定电压480 V、额定容量37 Ah 的磷酸铁锂电池，对应实际系统中常用的储能电池组；双向DC/DC 变换器、直流母线与双向DC/AC 变换器对应实际系统的PCS 部分；LC滤波器与380 V 三相电压源则对应系统并网部分[6]。系统具体参数总结见表1。在控制部分，DC/DC 部分中双向Buck/Boost变换器采用电流闭环控制，由计及SOH的SOC自适应下垂控制策略分别提供两个变换器的电感电流参考值；DC/AC 部分中的三相全桥变换器采用基于前馈解耦的定功率控制策略。

图5 基于Matlab/Simulink环境的双支路并网型电池储能系统仿真模型

表1 系统主要参数

2.1 电池组不同SOH 差异值条件下仿真分析

由于生产工艺和使用环境的不同，多支路并联型BESS存在各支路电池组间SOH不一致的问题，并且随着长期使用这一问题将逐步加剧。根据电力储能用锂离子电池国家标准[7]，能量型储能电池SOH应不低于90%，功率型储能电池SOH应不低于80%。本节首先在不同SOH差异值下对所提出的计及SOH的SOC自适应下垂控制策略进行仿真。

图6(a)为当SOH1=90%，SOH2=100%时，电池组SOC变化曲线与电池组间SOC差异曲线。由图6(a)可知，电池组1、电池组2 的SOC实际值逐渐接近，并在23.9 s 达到均衡。同理，图6(b)表示，当SOH1=80%，SOH2=100%时，电池组1、电池组2的SOC实际值同样能够在27.5 s 时达到均衡。这证明所提方法在电池储能系统电池组间SOH差值分别达到能量型和功率型BESS 所允许的最大SOH差异10%和20%时依然有效，即所提方法在BESS中电池组允许SOH范围内均具有有效性。

图6 计及SOH的SOC自适应下垂控制策略在不同SOH 差异值条件下的仿真波形图

2.2 与传统SOC 自适应下垂控制方法的SOC 均衡对比分析

为了说明本文提出的计及SOH的SOC自适应下垂控制方法的优势，本节以放电为例，在SOH1=80%、SOH2=100%的条件下，使用本文所提出方法与传统SOC自适应下垂控制方法进行对比，对比结果如图7 所示。

图7(a)表示采用传统SOC自适应下垂控制方法时，电池组SOC变化曲线与电池组输出功率曲线。由图7(a)可以看出，采用传统方法时，电池组1 的SOC估计值与电池组2 实际值逐渐均衡，电池组1、2 的输出功率也逐渐均衡。但由于SOH1=80%，电池组1 的SOC实际值下降更快，而此时两电池组输出功率被控制为相同，因此两电池组SOC实际值之差又会逐渐增大，无法实现两电池组SOC实际值均衡，有可能造成实际工作中的过放电，或者导致SOH较小的电池组电压在放电时率先达到放电截止电压被电池管理系统切除运行。

图7(b)表示采用计及SOH的SOC自适应下垂控制方法时，电池组SOC变化曲线与电池组输出功率曲线。由图7(b)可知，所提方法可以使SOH较大电池组分配更大的输出功率，SOH较小电池组分配更小的输出功率，以实现电池组间SOC的快速均衡，且电池组1、电池组2 的SOC实际值可以快速实现均衡。此外，这一功率分配结果使得SOH较大电池组2的放电深度大于SOH较小电池组1，使得电池组1 相对于电池组2衰减得更慢，能够有效防止组间SOH差异进一步扩大。

图7 计及SOH的SOC自适应下垂控制策略与传统SOC自适应下垂控制方法的对比波形图

3 结论

本文提出了一种计及SOH的SOC自适应下垂控制方法，与传统SOC自适应下垂控制相比，可以根据电池组的衰减情况更为准确地实现并网型电池储能系统多支路并联时各电池组的SOC均衡，而且能够有效防止组间SOH差异进一步扩大，并在Matlab/Simulink 仿真平台上进行了仿真，验证了所提控制策略的有效性。