RTG用高功率磷酸鐵鋰電池SOC分析

曹儀明 周 毅 沈汝超

1．上海滬東集裝箱碼頭有限公司

2．上海航天電源技術有限責任公司

3．上海國際港務（集團）股份有限公司

0 引言

近年來，隨著高功率鋰電池相關技術的進步，一種以小發動機加大功率鋰電池為動力的RTG混合動力節能技術因節能效果顯著在港口業被推廣應用。在鋰電池的選擇上，三元鋰電池的單體電壓與SOC容量成正比容易估算，且其具有能量密度高、大功率和大倍率充電等優勢，在RTG混合動力節能改造中被廣泛應用。但其生產、工藝和設備等方面對技術要求壁壘高，采購成本也相對較高，長期由國外制造商提供。相比之下，磷酸鐵鋰電池具有較高穩定性和安全性，且具有耐高溫、壽命長、價格低，和綠色環保等優點，如能提高SOC的估算準確則是三元鋰電池的良好替代品。

1 高功率磷酸鐵鋰電池在RTG上的應用設計

RTG是集裝箱碼頭堆場作業主力設備（圖1），其連續作業的特點，可靠性要求高、機動性強，一旦發生故障，要求快速修復或快速脫離作業區域，將裝卸船作業和進提箱作業影響降到最低。為維護港口正常的工作運營，采用電池管理系統多支路并聯控制技術，考慮RTG作業時實際輸出電流在400A～500A，電池組設計采用了3支路并聯形式，單支路容量為52Ah，單支路電池最大充電電流瞬時值為200A，最大放電電流瞬時值為250A，系統最大充電電流瞬時值為600A，最大放電電流瞬時值為750A，能滿足RTG作業需要。考慮到RTG實際運行電壓范圍在620V～720V之間，電壓過低會導致變頻器三相電壓輸出波形失真引起欠壓故障，電壓過高會導致變頻器大功率器件耐壓不夠引起過壓故障。因此，單支路電池選用17個模塊，每個模塊串聯12個單體，共204串電池，標稱電壓652．8V,SOC設定區間范圍在55%～76%，進行連續充放電循環。

圖1 實際運行場景圖

充電時，柴油發電機發電，恒壓給電池充電。充電電流約為25A，當三個支路平均SOC為76%時，充電結束，發電機停止工作，電池開始給負載設備供電。RTG作業時，電池既能獨自驅動電機工作，也可與發電機一起混合使用，分配輸出功率，將電能轉化為機械能。當下行放集裝箱時，重力勢能回饋產生的電能存儲到鋰電池內部，降低柴油機帶來的噪音及黑煙污染，達到節能減排。當放電到三個支路平均SOC為55%，開始轉為充電。

RTG動力鋰電池組實際運行工況模式，電流數據如圖2所示:

圖2 實際運行工況模式電流數據圖

電壓數據如圖3所示：

圖3 實際運行工況模式電壓數據圖

2 高功率磷酸鐵鋰電池SOC估算

由上述應用設計可知，SOC的準確估算是整套系統能否穩定運行的關鍵。圖4和圖5描繪的磷酸鐵鋰電池的單體充放電特性表明，當SOC在20%～80%的范圍時，單體電壓變化不大，特別是充放電特性曲線幾乎是一條直線，給準確估算帶來較大難度。傳統的解決方法是電流積分法配合電壓矯正法對SOC進行估算，但由于RTG電池組運行工況區間的限制，沒有上限電壓滿電(3．65V)矯正點，以致傳統的電流積分配合電壓矯正法經常出現估算錯誤，引起三支路SOC不平衡故障。為解決SOC精確估算問題，系統采取了如下優化措施：

圖4 單體充電倍率曲線

圖5 單體放電倍率曲線

2.1 優化測算模型

1）擴大電池OCV表的測試數據量，細化單體電壓和SOC的關系。

2）提高下限電壓閾值矯正點，降低上限電壓閾值矯正點，縮小帶寬。根據電池模型函數計算，在運行區間內，使SOC隨著單體電壓呈現震蕩回滯。電池模型如圖6所示，電池模型函數如圖7所示：

圖6 電池模型

圖7 電池模型函數（K0、K1、K2分別為系數）

3）根據現場經驗，分別選取上限電壓3．5V作為SOC值80%參考點，下限電壓3．0V作為SOC值55%參考點。

2.2 引入電池靜置模型

電池管理系統增加了電池控制均衡功能，利用每次RTG保養完成后進入下班作業的待機時間，電池內部進行自平衡。由于電池電壓存在滯回效應，電池靜置一段時間后，電池端電壓等于電池的靜態電動勢。當系統每次喚醒后，根據時鐘計算電池單體電壓參數，遍歷OCV表，查詢到一個合適的SOC值，對比當前的SOC進行校正，每次校正的最大幅度為5%，如圖8所示。

圖8 OCV矯正模型

2.3 引入神經網絡算法

通過遠程網絡系統對電池組單體電壓、單體溫度、系統電壓和電流進行實時監控，自動將數據從云服務器下載到本地，從而得到大量數據，送入電池模型進行自學習，不停迭代，修正參數，減少SOC估算誤差，遠程監控如圖9所示，SOC神經網絡算法簡化模型如圖10所示。

圖9 遠程監控界面數據

圖10 SOC神經網絡算法簡化模型

3 實際運行效果

改進前的算法在實際作業中，其運行結果如圖11所示。由圖11可見系統在充放電循環下，三個支路SOC表現出了明顯差異。

圖11 改進前三個支路的SOC

通過優化電池測算模型，增強了充放電曲線SOC跟隨單體電壓的魯棒性；維保時引入電池靜止模型，增加了OCV電壓矯正算法，以及遠程監控實時數據下載，帶入大量數據到模型，不斷自學習和修正參數，運行結果有了很大改善。如圖12和圖13所示，為高功率磷酸鐵鋰電池在RTG上的應用提供了技術解決方案。

圖12 改進后三個支路的SOC

圖13 改進后三個支路最大、最小單體電壓

4 結論

在實際試驗中，通過對高功率磷酸鐵鋰電池在RTG應用中的實際工況和單體充放電特性進行分析，提出對電流線性積分、端電壓矯正模型的優化。通過引入電池靜置模型、神經網絡算法，實現對高功率磷酸鐵鋰電池SOC的精確估算。