電池管理系統在微電網的應用

凌春香

（廣西大學電氣工程學院，廣西 南寧530023）

0 引言

隨著可再生能源發電和微電網的發展，電池已成為最突出的儲能裝置，引起了廣泛的關注。盡管電池技術發展迅速，電池的功率和能量密度日漸提高，但提高電池管理系統（BMS）的性能同樣重要，使電池成為安全、可靠和經濟高效的儲能方案。深度充放電保護和準確的荷電狀態（SOC）和健康狀態（SOH）估計，對BMS提出了更高的要求。BMS應包含測量和估計電池狀態的功能，同時配置先進的算法控制，以保護電池免受危險并提高電池利用效率。

1 微電網的儲能需求

傳統能源不可再生性和環境污染，給人類發展帶來的巨大挑戰，大力發展可再生能源發電是世界各國解決問題的重要手段。我國以風電、光伏發電為主的新能源近年來發展十分迅猛，同時風光發電的間歇性與不確定性，要求電網能夠對復雜且多變的運行工況做出有效應對[1]。

分布式電源是新能源發電的常見方式，分布式電源接入微電網并配置儲能系統，微電網與大電網并網，同時要求微電網能以孤島方式獨立運行，是充分發揮分布式電源效率并減小其不利影響的有效手段[2]。

為了滿足微電網使用環境的要求，人們先后將不同類型的儲能技術應用于微電網，根據能量變化屬性，儲能的主要類型有物理儲能、電磁儲能和電化學儲能[3]。儲能系統在微電網中有不同的應用場景，包括微電網能量分配、獨立或備用電源、電能質量調節等應用[3-4]。

儲能系統在設計和使用時需要考慮成本、功率、使用年限、循環壽命、工作環境等要素，其中發電成本是限制儲能系統在微電網發展的重要因素。目前蓄電池是最容易大規律商業利用的方案，因此電池儲能系統是微電網應用的最廣泛的儲能方式。

2 微電網電池管理系統的功能

電池技術的發展非常迅速，為電動汽車和電力系統行業提供了實用的解決方案，但僅在工藝和材料方面的技術進步并不能保證能夠解決電池應用的所有問題。電池管理系統（BMS）也是微電網安全、可靠和高效利用電池的關鍵因素。圖1顯示BMS與微電網，微電網對分布式資源、負荷和儲能之間的進行控制和能量管理。BMS可以控制電池的運行狀況，延長電池的壽命，保證電池的安全性。

2.1 電池監控與充放電管理

BMS核心功能是電池的充放電管理，實現安全高效充放電的前提是測量每個單體電池的電流、電壓和溫度，并能正確估計電池荷電狀態（SOC）。

對不同類型的電池、電壓和電流測量的精度要求是不同的。目前主流鋰電池在電壓測量精度方面是很具挑戰性的，原因在于鋰電池的開路電壓（OCV）與SOC曲線之間非常平坦，尤其是SOC的15%和90%之間，這是蓄電池的典型工作范圍。可靠的鋰電池SOC估計要求電池電壓測量精確到5 mV，目前許多商用電池監測集成電路都可以滿足精度要求[5]。電流測量也必須以高精度進行，電流測量的典型精度目標約為0.5%~1%[5]。在復雜的SOC算法中，電流與電壓通常一起作用于動態電池模型。

在微電網電池管理系統中，分布式電源的不確定性，決定了電池的充放電速率控制程序應當有較好的靈活性與適應性。但是不同電池的化學反應和物理結構不相同，充放電特性存在差異。這要求微電網BMS針對不同電池，在充放電的速率上有不同的限制。同時BMS還需要內置電池能量優化和完善保護的功能，以提高微電網的可靠性和經濟性。

2.2 電池狀態估計

電池的狀態估計主要分為電量估計和壽命估計，兩者有一定的關聯。通常電池剩余電量用荷電狀態（SOC）表示，剩余壽命用健康狀態（SOH）表示。

SOC是電池一個重要狀態，用百分數表示來電池靜置一段時間后剩余容量與完全充電狀態容量的比值[6]。準確估計SOC不僅是對微電網中的能量進行優化管理的前提，而且還能夠保護電池免受深度放電或過充電條件的影響，避免電池壽命降低帶來潛在的安全隱患。SOC是重要參數但無法直接測量，因此需要開發相應的算法，根據測量數據估計單體電池或電池組的SOC。

SOH是電池的另一個重要功能指標，SOH預測電池在壽命終止前可用的循環次數。電池壽命與電池化學材料，電池在使用過程中材料的電化學性能逐漸劣化，電池過充、過放、錯誤估計SOC情況下使用，都有可能導致電池壽命終結[7]。電池壽命結束將導致微電網BMS的能量管理功能失效，而SOH也是一個無法直接測量的參數，因此微電網BMS在延長電池壽命和安排電池更換策略方面提供的功能至關重要。

2.3 電池安全和保護

BMS另一個重要功能是確保電池的安全可靠，并防止在對電池和用戶有害的情況下運行。電池的工作狀態和環境溫度，都會影響電池本身的電化學特性，甚至是發生不安全運行狀態。因此，BMS應當具被電氣和溫度等方面的安全與保護功能。

BMS對電池的電氣的保護，分為單體電池和電池組的情況。單體電池情況下，當SOC低于某個百分比時長時間靜置、電池放電過深、充電過多、以高于電池化學安全水平的充電速率（C速率）對電池充電或放電，都可能會出現電池危險運行情況，因此單體電池應設定電壓、SOC和充放電速率的上限值[8]。BMS總電池組由多個并聯和串聯的單體電池組成，以提供足夠的工作電壓和容量來支持應用。電池組中單體電池的不一致，也有可能帶來運行得不安全，電池組應用時應當解決均衡問題。如果單體電池的電壓和容量不匹配，整個蓄電池組將無法有效工作。例如，在放電過程中，當一個單體電池電壓低于截止電壓時電池組放電停止，其余電池中的電荷有可能無法充分利用。這種類型的不匹配可能是因為單體電池的電壓或SOC不一致造成的，因此微電網BMS應當部署電池均衡技術來優化電池組的性能[9]。

BMS的溫度保護功能，對于電池的安全，尤其對鋰電池非常重要。同時，外部工作溫度直接影響電池內阻和容量等參數，電化學性能也隨之發生變化[8]。在微電網中，電池組由于安裝空間大小的限制，單體電池散熱空間較小，甚至有局部溫度過高的風險。局部高溫會加重電池不一致性的問題，高溫有可能損壞設備絕緣層甚至造成火災和電池爆炸的事故。為了解決這些問題，BMS應當具有電池熱管理的功能，設置電池工作溫度范圍，以防止電池在安全溫度范圍之外工作。熱管理使用熱傳遞分析來確定電池組內部的熱量分布，并在必要時嵌入通道，使用空氣或液體去除熱量。

此外，長期使用的電池外部尺寸存在一定變化，也是微電網BMS設計時應當考慮的問題。

3 微電網BMS相關技術的現狀與挑戰

為微電網設計BMS具有多方面的挑戰，一些國家實驗室和研究機構正在努力提高微電網BMS的性能，以滿足分布式發電應用的要求。目前微電網BMS研究主要包括建立精確的電池模型、SOC和SOH估計算法、電池組均衡技術和提高電池組效率等方面。

3.1 SOC估計算法

電池荷電狀態（SOC）表述電池剩余電量的百分比，是電池應用的關鍵。電池參數具有非線性，SOC受充放電電流、環境溫度、電池自放電率、電池剩余壽命等因素的影響，因此在微電網BMS在線估計電池SOC具有一定的挑戰。

SOC估算包括開路電壓法、安時積分法、電化學阻抗譜法、卡爾曼濾波法、線性模型法、放電實驗法、BP神經網絡法、人工免疫粒子濾波算法、卡爾曼濾波估算法、主元分析的估算法、遺傳算法等方法[6]。

開路電壓法是另一種基于開路電壓與SOC靜態關系估算SOC的方法，由于電池獲得來路電壓需要電池長時間靜置，難以在線應用。安時積分法通常以庫侖計數為方法，雖然易于實現，但受SOC初始值未知以及電流傳感器誤差的限制，誤差會隨著時間累積。電化學阻抗譜（EIS）利用專用的EIS分析儀測量計算出電池的內阻，但這個過程也需要很長的時間，因此只適用于離線分析。線性模型法并不適用于大電流放電情況，放電實驗法適合恒定電流放電工況，這兩種方法都不適合在復雜工況下為微電網BMS提供可靠SOC估算。

近年來，基于模型的SOC估計方法得到了廣泛的發展和應用，如卡爾曼濾波法、神經網絡法、遺傳算法等，但這些方法都是基于電池模型參數的離線識別而設計的，在線估算SOC存在一定誤差。隨著大數據技術快速發展，一些國家科研機構正在通過大數據對電池進行在線SOC和SOH估算，利用互聯網和云計算，優化并更新微電網BMS本地數據，提高估算準確性。

3.2 SOH估計算法

SOH是電池狀態的重要指標，用于檢測和分析電池中可能由各種機制引起的老化現象。電池老化表現為電池容量下降和電池內阻增大，而這些電池參數的變化通常是不可逆的。電池老化速度和程度，與循環次數、充放電功率大小、溫度有關，當環境溫度上升10°C，電池壽命將會減半。

目前的電池SOH估算方法，可分為基于經驗的方法和基于電池性能的方法，如循環周期數法、加權安時法、基于電池機理模型、基于電池電路模型、基于數據模型等方法[7]。該領域的大多數研究都將性能退化、內阻增加或兩者的結合作為SOH的衡量標準。容量和內阻的變化的測量，需要考慮到電池的實際應用，一些研究已經定義了更實用的指標，剩余使用壽命（RUL）和壽命終止（EOL）。

微電網BMS中電池的SOH，需要根據用戶的隨機行為以及運行條件，進行統計分析來預測EOL和RUL，電池的當前狀態需要通過識別相應的參數在線確定。BMS需要為循環能力下降和內阻增加建立準確的模型，統計分析確定當前循環對電池參數的影響，與完全循環效應相比。微電網BMS應當具備有線參數識別算法估計電池的容量和內阻、預測未來電池的容量和內阻、基于用戶行為的統計數據估算電池的EOL和RUL等功能。

3.3 電池建模

準確的電池特性模型對SOC和SOH的估計精度至關重要，目前的電池模型主要有經驗模型、數據模型、電化學機理模型和等效電路模型[11]。

電化學反應的模型對制造商優化電池設計很有用，但求解電池模型的方程的算法的需要較多計算時間和內存，不適合在線估算電池SOC和SOH。數據模型是是將電池建模為一個黑盒，根據測量到的電壓、電流和溫度等參數，統計建模或曲線擬合方法來推導電池的運行模型。上述模型的主要缺點是不考慮電池內部電路特性，等效電路模型較好的回避了這些缺陷，也稱為電氣模型。電氣模型將電池建模為電壓源和電阻、電感、電容組合的電路，有利于在線實時監控。但是由于電池內阻的高度非線性，等效電路模型需要大量建模工作，在大量電池串并聯組成電池組時，建模難度較大[11]。

隨著互聯網、云計算、智能算法、大數據技術的發展，數據模型結合等效電路模型，是微電網BMS重要發展方向之一。

3.4 電池均衡[12]

提供了有電池均衡的的各種方法，總結如表1。

電池均衡技術主要有主動均衡和被動均衡兩種類型[9]。被動式電池平衡的實現成本較低，只需要每個電池有一個控制開關和一個放電電阻，就可以將電池中的額外能量轉化為熱量消耗掉。主動均衡技術是將SOC或電壓較高的電池多余能量轉移到SOC或電壓較低的電池上，相比起被動均衡，主動均衡的損耗較小，但是電路復雜成本較高。

目前較理想的方案是分層均衡，在電路復雜性與效率之間找到一個真正的折衷點。將數量較少的單體電池組成電池組模塊單元，使用主均衡電路來均衡模塊單元之間的電荷，模塊均衡電路完成模塊單元內部單體電池的均衡。

4 結束語

智能BMS對于微電網和分布式發電行業的發展至關重要，適當的BMS電路和算法來監測和控制電池，可以保證儲能裝置的安全性和可靠性，提高電池組的功率和能量效率并降低其應用成本。盡管應用中BMS的已經滿足微電網基本性能要求，但為滿足微電網的特殊要求仍有許多研究和開發正在進行，這一領域的研究包括但不限于：找到一種準確且實用的SOC和SOH估計算法以準確預測電池的RUL和EOL、電池模型建立、電池組中不同單體電池和模塊之間的均衡技術。