0 引言

    目前用于儲能系統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、循環壽命長等優點，已被廣泛應用于儲能領域^[1]。電池成組的方式有串聯、并聯和混聯三種，其中串聯方式是目前大多數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單體電池并聯一個分流電阻，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，達到電池間能量轉移^[4]。例如，高速開關電容技術利用一組電容器在串聯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量較多的應用場合，不同拓撲結構進行優化組合、構建分層式的均衡結構可以更好地實現能量的跨越式傳遞，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的一致性，均衡效果不穩定。

    SOC表征當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致的電池老化速度的差異。

    本文結合上述多種方法的的優點，提出以雙層主動均衡系統為基礎、以SOC作為均衡變量的控制系統，簡要闡述了電池SOC的估算方法，并在仿真環境中實現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 雙層主動均衡系統結構分析

    本文設計了一套雙層主動均衡系統，提出了相應的控制策略，利用開關脈寬調制(Pulse-Width Modulation，PWM)信號，分別控制頂層和底層電路中的開關管，可以實現電池組內能量的雙向傳遞，快速、高效地實現電池組的均衡控制。系統結構如圖1所示。

    頂層結構中的電池單體數量較多，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拓撲結構，該拓撲結構既可實現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、結構簡單，同時電路采用隔離式拓撲結構，可以有效實現電池組之間電氣隔離，減小電池兼容影響^[10]。

    考慮到底層結構中電池單體數量較少，Buck-Boost變換器均衡結構是一種非隔離式DC/DC變換器的分布式均衡技術，這種拓撲電流轉移路徑是雙向的，可以實現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能量的雙向傳遞。電路拓撲易于實現，能耗少，且均衡效率高，在電池組單體個數發生變化時電路無須較大改動，比較適合應用于動力電池組的均衡拓撲。

    本文提出的雙層均衡結構的電池分布如圖2所示。此結構有助于解決傳統均衡方法由于電池數量過多造成的均衡路經長、損耗較大、均衡效率不高的問題。

2 雙層均衡系統控制策略分析

2.1 基于神經網絡的SOC估算方法

    由于神經網絡具有逼近多輸入輸出參數函數、高度的非線性、魯棒性和容錯性等特點，可以準確地對結構復雜的電池的SOC進行估算。因此本文采用神經網絡的方法對電池進行建模。

    極限學習機(Extreme Learning Machine，ELM)的方法與傳統的神經網絡相比，具有結構簡單、學習速度快、參數容易調整且不易陷入局部最小等優點，具有逼近多輸入輸出參數函數、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電池監控系統，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 ℃)環境中，將電池從滿充狀態下分別以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、電流的數據，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據如表1所示。

    以電池在不同放電倍率下的電壓、電流值作為神經網絡的訓練集，在MATLAB\R2010a環境下，將訓練數據輸入網絡模型中對模型進行訓練。取放電電流為4 A的實驗數據作為測試樣本，檢驗神經網絡的泛化性能。建立的SOC估算模型的訓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，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的不一致性。本文將均衡開啟的條件設定為：均方差ε≥γ。當系統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。

    假設檢測到當前狀態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SOC₁<SOC₂時，B₂也可以將過充的能量轉移給B₁，實現能量的雙向傳遞。

2.4 頂層均衡模塊控制方法

    頂層均衡控制電路拓撲結構如圖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。

    假設當前狀態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，并且電池管理系統監測到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t=0時，通過控制PWM信號使開關管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t=t₁時，控制開關管Q₁、Q₂斷開，Q₉閉合，原邊繞組中的勵磁能量通過副邊繞組轉移到電池組，直到副邊電流減小到0為止。

    每個均衡周期結束之后，若監測當前狀態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，則繼續對當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小于均衡策略中設定的閾值γ，停止均衡。

3 仿真實驗結果分析

    本文在MATLAB/SimPowerSystem仿真環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，通過監控電池狀態的改變，測試均衡系統的性能。將雙層均衡系統與傳統單層Buck-Boost均衡系統進行對比，驗證了本文提出的均衡控制系統的高效性。

    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為SOC₁=95%、SOC₂=90%、SOC₃=88%和SOC₄=85%、SOC₅=82%、SOC₆=80%。經過分析，設定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。雙層均衡系統的電池單體SOC變化如圖5所示。

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

4 結論

    針對由于電池單體的不一致性導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構的原理以及電池SOC的估算方法，設計了一種基于雙層結構的主動雙向均衡系統，提出了一種以SOC作為判據的均衡策略。仿真實驗結果表明，本文設計的雙層主動均衡控制系統可以精確地實現均衡目標，有效防止了由于電池組內的不一致性造成的部分單體過充現象的發生，并且改善了單層均衡結構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.鋰離子電池的發展狀況[J].電池，2005，35(3)：193-195.

[2] 宋永華，胡澤春.電動汽車電池的現狀及發展趨勢[J].電網技術，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綜述[J].電源技術，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均衡控制算法[J].哈爾濱工業大學學報，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，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.