0 引言

目前用于储能系统中的动力性电池主要有：铅酸电池、镍氢电池和锂离子电池。由于锂动力电池具有无污染能量密度高、自放电率低、循环寿命长等优点，已被广泛应用于储能领域^[1]。电池成组的方式有串联、并联和混联三种，其中串联方式是目前大多数电动车采用的成组方法^[2]。电池组的不一致性会造成电池组容量、输出功率、电池利用率的衰减，从而降低纯电动汽车的续驶里程，增加使用成本^[3]。

均衡电路可以分为能量消耗型和能量非消耗型。能量消耗型给电池组中每节单体电池并联一个分流电阻，将过充的电池中多余能量消耗掉，达到均衡目的；能量非消耗型，即采用电感、电容作为储能元件，利用常见电源变换电路将多余能量在电池间进行重新分配，达到电池间能量转移^[4]。例如，高速开关电容技术利用一组电容器在串联储能电源组相邻储能单体之间传递能量，效率高，控制简单^[5]。

对于电动汽车车载蓄电池组这种电池数量较多的应用场合，不同拓扑结构进行优化组合、构建分层式的均衡结构可以更好地实现能量的跨越式传递，具有均衡路径短、均衡效率高、扩展能力强等优点^[6]。

按照均衡变量的不同，均衡方法可以分为容量均衡法、化学均衡法^[7]、电压均衡法、SOC均衡法^[8]。目前很多均衡研究以电压作为均衡变量，但由于磷酸铁锂电池的自身特点，电压并不能真实反映电池组容量状态的一致性，均衡效果不稳定。

SOC表征当前电池剩余容量占最大可用容量的比例，以SOC作为均衡变量时，可以忽略电池组内单体电池间最大可用容量的差异，使所有单体电池同时达到充放电截止电压^[9]。同时，当电池的SOC保持一致时，意味着所有单体均工作于相同的放电深度，避免由于放电深度不同导致的电池老化速度的差异。

本文结合上述多种方法的的优点，提出以双层主动均衡系统为基础、以SOC作为均衡变量的控制系统，简要阐述了电池SOC的估算方法，并在仿真环境中实现了磷酸铁锂电池组在充电过程中的均衡控制，验证了此方法的高效性。

1 双层主动均衡系统结构分析

本文设计了一套双层主动均衡系统，提出了相应的控制策略，利用开关脉宽调制(Pulse-Width Modulation，PWM)信号，分别控制顶层和底层电路中的开关管，可以实现电池组内能量的双向传递，快速、高效地实现电池组的均衡控制。系统结构如图1所示。

顶层结构中的电池单体数量较多，因此要求底层拓扑易于控制，并且扩展性较强。可以采用基于反激变压器的隔离拓扑结构，该拓扑结构既可实现将电压过高的单体电池的能量反馈到整个电池组，也可实现电池组的能量反馈到某个或某两个过放的单体上。反激式变换器电路均衡速度快、成本低、结构简单，同时电路采用隔离式拓扑结构，可以有效实现电池组之间电气隔离，减小电池兼容影响^[10]。

考虑到底层结构中电池单体数量较少，Buck-Boost变换器均衡结构是一种非隔离式DC/DC变换器的分布式均衡技术，这种拓扑电流转移路径是双向的，可以实现自上而下或者自下而上的在相邻的两个储能电源单体之间实现能量的双向传递。电路拓扑易于实现，能耗少，且均衡效率高，在电池组单体个数发生变化时电路无须较大改动，比较适合应用于动力电池组的均衡拓扑。

本文提出的双层均衡结构的电池分布如图2所示。此结构有助于解决传统均衡方法由于电池数量过多造成的均衡路经长、损耗较大、均衡效率不高的问题。

2 双层均衡系统控制策略分析

2.1 基于神经网络的SOC估算方法

由于神经网络具有逼近多输入输出参数函数、高度的非线性、鲁棒性和容错性等特点，可以准确地对结构复杂的电池的SOC进行估算。因此本文采用神经网络的方法对电池进行建模。

极限学习机(Extreme Learning Machine，ELM)的方法与传统的神经网络相比，具有结构简单、学习速度快、参数容易调整且不易陷入局部最小等优点，具有逼近多输入输出参数函数、高度的非线性、鲁棒性和容错性等特点^[11]。

由于在对电池进行充放电过程中，电池的温度变化很小，因此以磷酸铁锂电池的电压、电流作为模型的输入，以SOC作为模型的输出。

本文选用新威BTS-5 V/200 A电池监控系统，对容量为10 Ah、额定电压为3.5 V的磷酸铁锂电池进行不同电流的放电实验。在室温(25 ℃)环境中，将电池从满充状态下分别以1 A～10 A的恒定电流放电，直到电池电压下降到电池截止电压(2.5 V)为止。上位机通过CAN总线每1 s读取一次电池电压、电流的数据，SOC可以通过电流积分法计算获得。例如，4 A和8 A的电流放电所得的部分数据如表1所示。

以电池在不同放电倍率下的电压、电流值作为神经网络的训练集，在MATLAB\R2010a环境下，将训练数据输入网络模型中对模型进行训练。取放电电流为4 A的实验数据作为测试样本，检验神经网络的泛化性能。建立的SOC估算模型的训练速度和泛化性能如表2所示。其中RMSE为均方根误差。

2.2 以SOC为均衡变量的判定方法

均衡算法模块通过均衡策略分析各电池的荷电状态，并为均衡电路提供实时有效的PWM信号。PWM信号周期T与占空比D的定义如下所示:

其中t₁、t₂分别是一个均衡周期内电感存储能量的时间和释放能量的时间。

其中，均方差ε可以代表电池组荷电状态的不一致性。本文将均衡开启的条件设定为：均方差ε≥γ。当系统判定电池组满足均衡开启的条件，顶层均衡控制器将会对相邻差值ΔSOC≥η的电池模块进行均衡操作，其中γ、η是均衡控制策略中设定的阈值。

2.3 底层均衡模块控制方法

底层双向Buck-Boost均衡拓扑如图3所示。其中，B₁、B₂…B_n是底层电池单体。

假设检测到当前状态下电池组的不一致性ε满足均衡开启条件，并且底层电池单体B1和B2之间的ΔSOC超过设定的阈值(SOC₁>SOC₂)，则需要开启均衡电路。整个均衡过程分为B₁放电和B₂充电两个阶段。

同理可知，当SOC₁2时，B₂也可以将过充的能量转移给B₁，实现能量的双向传递。

2.4 顶层均衡模块控制方法

顶层均衡控制电路拓扑结构如图4所示。其中B₁、B₂、B₃、B₄是由若干个电池单体组成的顶层电池模块。

假设当前状态下电池组的不一致性ε满足均衡开启条件，需要开启均衡电路，并且电池管理系统监测到B₁电池模块的SOC值最高，则对B₁电池模块进行均衡操作。整个底层均衡周期分为B₁放电和整个电池组充电两个阶段。

B₁放电过程：当t=0时，通过控制PWM信号使开关管Q₁、Q₂闭合，将B₁中过充的能量存储在变压器的原边绕组中。当t=t₁时，变压器原边电流i_L到达最大值i_max。

整个电池组充电过程：当t=t₁时，控制开关管Q₁、Q₂断开，Q₉闭合，原边绕组中的励磁能量通过副边绕组转移到电池组，直到副边电流减小到0为止。

每个均衡周期结束之后，若监测当前状态下电池组的不一致性ε不满足均衡开启条件，则停止均衡；反之，则继续对当前能量值最高的电池单元进行均衡操作，直到电池组的不一致性ε小于均衡策略中设定的阈值γ，停止均衡。

3 仿真实验结果分析

本文在MATLAB/SimPowerSystem仿真环境中进行均衡仿真实验。对给定初始SOC的电池组进行均衡充电，通过监控电池状态的改变，测试均衡系统的性能。将双层均衡系统与传统单层Buck-Boost均衡系统进行对比，验证了本文提出的均衡控制系统的高效性。

均衡实验选定额定电压为3.5 V、额定容量为10 Ah、额定电流为5 A的磷酸铁锂电池单体作为实验对象。本文设计了一个含有6个电池单体的双层均衡电池组，分为两个底层均衡模块，分别含有三个电池单体。第一个底层电池组包含的电池单体编号依次为1、2、3，第二个底层电池组包含的电池单体编号依次4、5、6，给定其初始的电池荷电状态为SOC₁=95%、SOC₂=90%、SOC₃=88%和SOC₄=85%、SOC₅=82%、SOC₆=80%。经过分析，设定PWM控制信号的频率为100 kHz，D=30%，η=0.1%，γ=0.001。

对电池组进行均衡充电实验，充电方式为电流为5 A的恒流充电。双层均衡系统的电池单体SOC变化如图5所示。

由以上实验结果分析可知，本文提出的双层均衡系统精确地完成了均衡目标，电池组内6个电池单体的荷电状态在t=600 s的时刻达到了一致状态，快速高效地消除了组内电池单体的不一致性，实现了电池模块内以及电池模块之间的均衡。

4 结论

针对由于电池单体的不一致性导致的电池组容量和使用寿命衰减的问题，本文通过分析双层主动均衡结构的原理以及电池SOC的估算方法，设计了一种基于双层结构的主动双向均衡系统，提出了一种以SOC作为判据的均衡策略。仿真实验结果表明，本文设计的双层主动均衡控制系统可以精确地实现均衡目标，有效防止了由于电池组内的不一致性造成的部分单体过充现象的发生，并且改善了单层均衡结构由于均衡路径长而引起的均衡时间过久的缺陷，在很大程度上提高了均衡效率，有助于提高电动汽车的性能。

参考文献

[1] 戴永年，杨斌，姚耀春，等.锂离子电池的发展状况[J].电池，2005，35(3)：193-195.

[2] 宋永华，胡泽春.电动汽车电池的现状及发展趋势[J].电网技术，2011，35(4)：1-7.

[3] 安志胜，孙志毅，何秋生.车用锂离子电池管理系统综述[J].电源技术，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] 逯仁贵，王铁成，朱春波.基于飞渡电容的超级电容组动态均衡控制算法[J].哈尔滨工业大学学报，2008，140(19)：1421-1425.

[6] 冯冬青，范玉超，郑向歌.动力电池组的二级式均衡控制策略研究[J].电源技术，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] 熊永华，杨艳.基于SOC的锂动力电池多层双向自均衡方法[J].电子学报，2014，42(4)：766-773.

[10] 徐顺刚．动力电池均衡充电控制策略研究[J]．电机与控制学报，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.