0 引言

    目前用于儲能系統(tǒng)中的動力性電池主要有：鉛酸電池、鎳氫電池和鋰離子電池,。由于鋰動力電池具有無污染能量密度高,、自放電率低、循環(huán)壽命長等優(yōu)點,，已被廣泛應(yīng)用于儲能領(lǐng)域^[1],。電池成組的方式有串聯(lián)、并聯(lián)和混聯(lián)三種,，其中串聯(lián)方式是目前大多數(shù)電動車采用的成組方法^[2],。電池組的不一致性會造成電池組容量、輸出功率,、電池利用率的衰減,，從而降低純電動汽車的續(xù)駛里程，增加使用成本^[3],。

    均衡電路可以分為能量消耗型和能量非消耗型,。能量消耗型給電池組中每節(jié)單體電池并聯(lián)一個分流電阻，將過充的電池中多余能量消耗掉,，達到均衡目的,；能量非消耗型，即采用電感,、電容作為儲能元件,，利用常見電源變換電路將多余能量在電池間進行重新分配，達到電池間能量轉(zhuǎn)移^[4],。例如,，高速開關(guān)電容技術(shù)利用一組電容器在串聯(lián)儲能電源組相鄰儲能單體之間傳遞能量，效率高,，控制簡單^[5],。

    對于電動汽車車載蓄電池組這種電池數(shù)量較多的應(yīng)用場合，不同拓撲結(jié)構(gòu)進行優(yōu)化組合,、構(gòu)建分層式的均衡結(jié)構(gòu)可以更好地實現(xiàn)能量的跨越式傳遞,，具有均衡路徑短,、均衡效率高、擴展能力強等優(yōu)點^[6],。

    按照均衡變量的不同，均衡方法可以分為容量均衡法,、化學(xué)均衡法^[7],、電壓均衡法、SOC均衡法^[8],。目前很多均衡研究以電壓作為均衡變量,，但由于磷酸鐵鋰電池的自身特點，電壓并不能真實反映電池組容量狀態(tài)的一致性,，均衡效果不穩(wěn)定,。

    SOC表征當(dāng)前電池剩余容量占最大可用容量的比例，以SOC作為均衡變量時,，可以忽略電池組內(nèi)單體電池間最大可用容量的差異,，使所有單體電池同時達到充放電截止電壓^[9]。同時,，當(dāng)電池的SOC保持一致時,，意味著所有單體均工作于相同的放電深度，避免由于放電深度不同導(dǎo)致的電池老化速度的差異,。

    本文結(jié)合上述多種方法的的優(yōu)點,，提出以雙層主動均衡系統(tǒng)為基礎(chǔ)、以SOC作為均衡變量的控制系統(tǒng),，簡要闡述了電池SOC的估算方法,，并在仿真環(huán)境中實現(xiàn)了磷酸鐵鋰電池組在充電過程中的均衡控制，驗證了此方法的高效性,。

1 雙層主動均衡系統(tǒng)結(jié)構(gòu)分析

    本文設(shè)計了一套雙層主動均衡系統(tǒng),，提出了相應(yīng)的控制策略，利用開關(guān)脈寬調(diào)制(Pulse-Width Modulation,，PWM)信號,，分別控制頂層和底層電路中的開關(guān)管，可以實現(xiàn)電池組內(nèi)能量的雙向傳遞,，快速,、高效地實現(xiàn)電池組的均衡控制。系統(tǒng)結(jié)構(gòu)如圖1所示,。

    頂層結(jié)構(gòu)中的電池單體數(shù)量較多,，因此要求底層拓撲易于控制，并且擴展性較強,?？梢圆捎没诜醇ぷ儔浩鞯母綦x拓撲結(jié)構(gòu),，該拓撲結(jié)構(gòu)既可實現(xiàn)將電壓過高的單體電池的能量反饋到整個電池組，也可實現(xiàn)電池組的能量反饋到某個或某兩個過放的單體上,。反激式變換器電路均衡速度快,、成本低、結(jié)構(gòu)簡單,，同時電路采用隔離式拓撲結(jié)構(gòu),，可以有效實現(xiàn)電池組之間電氣隔離，減小電池兼容影響^[10],。

    考慮到底層結(jié)構(gòu)中電池單體數(shù)量較少,，Buck-Boost變換器均衡結(jié)構(gòu)是一種非隔離式DC/DC變換器的分布式均衡技術(shù)，這種拓撲電流轉(zhuǎn)移路徑是雙向的,，可以實現(xiàn)自上而下或者自下而上的在相鄰的兩個儲能電源單體之間實現(xiàn)能量的雙向傳遞,。電路拓撲易于實現(xiàn)，能耗少,，且均衡效率高,，在電池組單體個數(shù)發(fā)生變化時電路無須較大改動，比較適合應(yīng)用于動力電池組的均衡拓撲,。

    本文提出的雙層均衡結(jié)構(gòu)的電池分布如圖2所示,。此結(jié)構(gòu)有助于解決傳統(tǒng)均衡方法由于電池數(shù)量過多造成的均衡路經(jīng)長、損耗較大,、均衡效率不高的問題,。

2 雙層均衡系統(tǒng)控制策略分析

2.1 基于神經(jīng)網(wǎng)絡(luò)的SOC估算方法

    由于神經(jīng)網(wǎng)絡(luò)具有逼近多輸入輸出參數(shù)函數(shù)、高度的非線性,、魯棒性和容錯性等特點,，可以準(zhǔn)確地對結(jié)構(gòu)復(fù)雜的電池的SOC進行估算。因此本文采用神經(jīng)網(wǎng)絡(luò)的方法對電池進行建模,。

    極限學(xué)習(xí)機(Extreme Learning Machine,，ELM)的方法與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)相比，具有結(jié)構(gòu)簡單,、學(xué)習(xí)速度快,、參數(shù)容易調(diào)整且不易陷入局部最小等優(yōu)點，具有逼近多輸入輸出參數(shù)函數(shù),、高度的非線性,、魯棒性和容錯性等特點^[11]。

    由于在對電池進行充放電過程中,，電池的溫度變化很小,，因此以磷酸鐵鋰電池的電壓、電流作為模型的輸入,，以SOC作為模型的輸出,。

    本文選用新威BTS-5 V/200 A電池監(jiān)控系統(tǒng),，對容量為10 Ah、額定電壓為3.5 V的磷酸鐵鋰電池進行不同電流的放電實驗,。在室溫(25 ℃)環(huán)境中,，將電池從滿充狀態(tài)下分別以1 A～10 A的恒定電流放電，直到電池電壓下降到電池截止電壓(2.5 V)為止,。上位機通過CAN總線每1 s讀取一次電池電壓,、電流的數(shù)據(jù)，SOC可以通過電流積分法計算獲得,。例如，4 A和8 A的電流放電所得的部分數(shù)據(jù)如表1所示,。

    以電池在不同放電倍率下的電壓,、電流值作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，在MATLAB\R2010a環(huán)境下,，將訓(xùn)練數(shù)據(jù)輸入網(wǎng)絡(luò)模型中對模型進行訓(xùn)練,。取放電電流為4 A的實驗數(shù)據(jù)作為測試樣本，檢驗神經(jīng)網(wǎng)絡(luò)的泛化性能,。建立的SOC估算模型的訓(xùn)練速度和泛化性能如表2所示,。其中RMSE為均方根誤差。

2.2 以SOC為均衡變量的判定方法

    均衡算法模塊通過均衡策略分析各電池的荷電狀態(tài),，并為均衡電路提供實時有效的PWM信號,。PWM信號周期T與占空比D的定義如下所示:

    其中t₁、t₂分別是一個均衡周期內(nèi)電感存儲能量的時間和釋放能量的時間,。

    其中,，均方差ε可以代表電池組荷電狀態(tài)的不一致性。本文將均衡開啟的條件設(shè)定為：均方差ε≥γ,。當(dāng)系統(tǒng)判定電池組滿足均衡開啟的條件,，頂層均衡控制器將會對相鄰差值ΔSOC≥η的電池模塊進行均衡操作，其中γ,、η是均衡控制策略中設(shè)定的閾值,。

2.3 底層均衡模塊控制方法

    底層雙向Buck-Boost均衡拓撲如圖3所示。其中,，B₁,、B₂…B_n是底層電池單體。

    假設(shè)檢測到當(dāng)前狀態(tài)下電池組的不一致性ε滿足均衡開啟條件,，并且底層電池單體B1和B2之間的ΔSOC超過設(shè)定的閾值(SOC₁>SOC₂),，則需要開啟均衡電路。整個均衡過程分為B₁放電和B₂充電兩個階段,。

    同理可知,，當(dāng)SOC₁<SOC₂時,，B₂也可以將過充的能量轉(zhuǎn)移給B₁，實現(xiàn)能量的雙向傳遞,。

2.4 頂層均衡模塊控制方法

    頂層均衡控制電路拓撲結(jié)構(gòu)如圖4所示,。其中B₁、B₂,、B₃,、B₄是由若干個電池單體組成的頂層電池模塊。

    假設(shè)當(dāng)前狀態(tài)下電池組的不一致性ε滿足均衡開啟條件,，需要開啟均衡電路,，并且電池管理系統(tǒng)監(jiān)測到B₁電池模塊的SOC值最高，則對B₁電池模塊進行均衡操作,。整個底層均衡周期分為B₁放電和整個電池組充電兩個階段,。

    B₁放電過程：當(dāng)t=0時，通過控制PWM信號使開關(guān)管Q₁,、Q₂閉合,，將B₁中過充的能量存儲在變壓器的原邊繞組中。當(dāng)t=t₁時,，變壓器原邊電流i_L到達最大值i_max,。

    整個電池組充電過程：當(dāng)t=t₁時，控制開關(guān)管Q₁,、Q₂斷開,，Q₉閉合，原邊繞組中的勵磁能量通過副邊繞組轉(zhuǎn)移到電池組,，直到副邊電流減小到0為止,。

    每個均衡周期結(jié)束之后，若監(jiān)測當(dāng)前狀態(tài)下電池組的不一致性ε不滿足均衡開啟條件,，則停止均衡,；反之，則繼續(xù)對當(dāng)前能量值最高的電池單元進行均衡操作,，直到電池組的不一致性ε小于均衡策略中設(shè)定的閾值γ,，停止均衡。

3 仿真實驗結(jié)果分析

    本文在MATLAB/SimPowerSystem仿真環(huán)境中進行均衡仿真實驗,。對給定初始SOC的電池組進行均衡充電,，通過監(jiān)控電池狀態(tài)的改變，測試均衡系統(tǒng)的性能,。將雙層均衡系統(tǒng)與傳統(tǒng)單層Buck-Boost均衡系統(tǒng)進行對比,，驗證了本文提出的均衡控制系統(tǒng)的高效性。

    均衡實驗選定額定電壓為3.5 V、額定容量為10 Ah,、額定電流為5 A的磷酸鐵鋰電池單體作為實驗對象,。本文設(shè)計了一個含有6個電池單體的雙層均衡電池組，分為兩個底層均衡模塊,，分別含有三個電池單體,。第一個底層電池組包含的電池單體編號依次為1、2,、3,，第二個底層電池組包含的電池單體編號依次4、5,、6,，給定其初始的電池荷電狀態(tài)為SOC₁=95%、SOC₂=90%,、SOC₃=88%和SOC₄=85%,、SOC₅=82%、SOC₆=80%,。經(jīng)過分析,，設(shè)定PWM控制信號的頻率為100 kHz,，D=30%,，η=0.1%，γ=0.001,。

    對電池組進行均衡充電實驗,，充電方式為電流為5 A的恒流充電。雙層均衡系統(tǒng)的電池單體SOC變化如圖5所示,。

    由以上實驗結(jié)果分析可知,，本文提出的雙層均衡系統(tǒng)精確地完成了均衡目標(biāo)，電池組內(nèi)6個電池單體的荷電狀態(tài)在t=600 s的時刻達到了一致狀態(tài),，快速高效地消除了組內(nèi)電池單體的不一致性,，實現(xiàn)了電池模塊內(nèi)以及電池模塊之間的均衡。

4 結(jié)論

    針對由于電池單體的不一致性導(dǎo)致的電池組容量和使用壽命衰減的問題,，本文通過分析雙層主動均衡結(jié)構(gòu)的原理以及電池SOC的估算方法,，設(shè)計了一種基于雙層結(jié)構(gòu)的主動雙向均衡系統(tǒng)，提出了一種以SOC作為判據(jù)的均衡策略,。仿真實驗結(jié)果表明,，本文設(shè)計的雙層主動均衡控制系統(tǒng)可以精確地實現(xiàn)均衡目標(biāo)，有效防止了由于電池組內(nèi)的不一致性造成的部分單體過充現(xiàn)象的發(fā)生,，并且改善了單層均衡結(jié)構(gòu)由于均衡路徑長而引起的均衡時間過久的缺陷,，在很大程度上提高了均衡效率，有助于提高電動汽車的性能。

參考文獻

[1] 戴永年,，楊斌,，姚耀春，等.鋰離子電池的發(fā)展?fàn)顩r[J].電池,，2005,，35(3)：193-195.

[2] 宋永華，胡澤春.電動汽車電池的現(xiàn)狀及發(fā)展趨勢[J].電網(wǎng)技術(shù),，2011,，35(4)：1-7.

[3] 安志勝，孫志毅,，何秋生.車用鋰離子電池管理系統(tǒng)綜述[J].電源技術(shù),，2013，37(6)：1069-1071.

[4] FEDERICO B,，ROBERTO R,，ROBERTO S.Performance comparison of active balancing techniques for lithium-ion batteries[J].Journal of Power Sources，2014,，267(6)：603-609.

[5] 逯仁貴,，王鐵成，朱春波.基于飛渡電容的超級電容組動態(tài)均衡控制算法[J].哈爾濱工業(yè)大學(xué)學(xué)報,，2008,，140(19)：1421-1425.

[6] 馮冬青，范玉超,，鄭向歌.動力電池組的二級式均衡控制策略研究[J].電源技術(shù),，2013，37(12)：2176-2178.

[7] ABRAHAM K M,，BRUMMER S B.Lithium batteries[M].NewYork：Academic Press,，1993.

[8] MOHAMED D，NOSHIN O,，PETER V D B,，et al.Passive and active battery balancing comparison based on MATLAB simulation[C].Vehicle Power and Propulsion Conference(VPPC)，2011.

[9] 熊永華,，楊艷.基于SOC的鋰動力電池多層雙向自均衡方法[J].電子學(xué)報,，2014，42(4)：766-773.

[10] 徐順剛．動力電池均衡充電控制策略研究[J]．電機與控制學(xué)報,，2012,，16(2)：62-65．

[11] GUANG B H，QIN Y Z,，SIEW C K.Extreme learning machine：theory and applications[J].Neurocomputing,，2006，70(1)：489-501.