基于多分支拓扑的梯次利用储能系统电池同期退役协同控制策略

doi:10.19799/j.cnki.2095-4239.2021.0095

摘要/Abstract

摘要：

针对退役动力电池储能系统中不同电池簇间的同期退役问题，提出了一种基于多分支拓扑的同期退役协同控制策略。该策略针对不同时段的功率需求，根据储能系统中电池健康状态(SOH)的失衡度，首先选择电池健康状态较好的电池簇优先出力或者使所有电池簇共同出力的模式，并根据电池簇荷电状态(SOC)分布情况，采用基于实时可变电流作为正反馈调节值的控制策略，实现储能系统中各电池簇间协同控制与平衡出力。经过多次充/放电过程，各电池簇的健康状态(SOH)将渐进趋于一致，进而实现不同电池簇同期退役的目的。最后，通过MATLAB软件进行仿真分析，验证了该策略可以使储能系统中各退役动力电池簇实现同期退役。

关键词: 退役动力电池, 同期退役, 健康状态, 荷电状态, 多分支协同控制

Abstract:

A coordinated control strategy based on a multi-branch power conversion system (PCS) topology was designed to address the problem of simultaneous decommissioning among different battery modules in an energy storage system (ESS) using second-life electric vehicle (EV) batteries. Considering the power demand in different periods and the imbalance degree of battery state of health (SOH) in ESS, the priority output mode to utilize batteries with better health status or common output mode of the entire battery group was selected. Based on the distribution of battery state of charge (SOC), a control strategy employing real-time variable current as a positive feedback regulation value was used to achieve coordinated control and output balancing within the ESS's battery cluster. After multiple charges and discharges, the SOH of each battery module in one cluster tends to be asymptotically consistent, thus achieving the goal of decommissioning different batteries simultaneously. Finally, the simulation analysis confirmed that the strategy could simultaneously decommission each retired power battery pack in the energy storage system.

Key words: second-life batteries, simultaneous decommissioning, state of health, state of charge, multi-branch collaborative control

中图分类号:

TM 911

郑永强, 吴越, 张盼盼, 雷博, 郑耀东. 基于多分支拓扑的梯次利用储能系统电池同期退役协同控制策略[J]. 储能科学与技术, 2021, 10(6): 2283-2292.

Yongqiang ZHENG, Yue WU, Panpan ZHANG, Bo LEI, Yaodong ZHENG. Research on collaborative control strategy for simultaneous decommissioning based on multi-branch PCS topology of ESS using second-life EV batteries[J]. Energy Storage Science and Technology, 2021, 10(6): 2283-2292.

图/表 16

图1

图2

图3

表 1

多分支拓扑储能系统的同期退役协同控制策略伪代码"

同期退役协同控制策略

输入：P_Q 当前系统母线功率需求；

C_i 系统中各分支电池簇容量标量值；

SOC_i 系统中各分支电池簇当前荷电状态；

SOH_i 系统中各分支电池簇当前健康状态；

η_i 各分支电池簇DC/DC功率转换效率；

η_total 当前系统AC/DC总功率转换效率；

输出：SOC_j 单次充/放电结束后，系统中各分支电池簇荷电状态；

SOH_j 单次充/放电结束后，系统中分支电池簇健康状态；

初始化：P_QC_i SOC_i SOH_i

执行迭代：

1.将系统中各分支电池簇的SOH_i值与最低值SOH_MIN比较，并从大到小排序；

2.如果系统中各分支电池簇SOH_i差异较大，则选择部分SOH_i较优的分支电池簇工作；

（1）如果部分分支电池簇可满足当前功率需求，选择该部分分支电池簇为工作电池簇；如果本次充/放电过程出现电池故障，从剩余分支电池簇中再次选择较优的SOH_i电池簇补充，完成本次充/放电任务；

（2）选择工作分支电池簇中健康状态最好的分支电池簇作为参考目标电池簇；

（3）根据等式(4)计算工作分支电池簇的电流缩放比率K_i；

（4）根据等式(7)计算工作分支电池簇的比例电流I_i_set；

（5）根据等式(8)计算工作分支电池簇的实际工作电流I_i；

（6）该时间段充/放电完成后，采用安时积分法计算分支电池簇当前SOC_i，并计算该充/放电过程分支电池簇SOH_i；

3.如果系统中各分支电池簇SOH_i差异较小，则系统中所有分支电池簇共同工作；

（1）选择工作分支电池簇中健康状态最好的电池簇作为参考目标电池簇；

（2）根据式(4)计算工作分支电池簇的电流缩放比率K_i；

（3）根据式(7)计算工作分支电池簇的比例电流I_i_set；

（4）根据式(8)计算工作分支电池簇的实际工作电流I_i；

（5）该时间段充/放电完成后，采用安时积分法计算分支电池簇当前SOC_i，并计算该充/放电过程分支电池簇SOH_i；

4.如果系统充/放电功率达到 $∑ j = 1 n P Q = P Q t o t a l$ 则停止充/放电。

表 1

图4

图5

图6

表2

表3

图7

表4

图8

图9

表 5

图10

图11

参考文献 22

1	孙建. 浅谈新能源汽车动力电池应用现状与发展趋势[J]. 汽车实用技术, 2020, 45(17): 11-13.
	SUN J. Discussion on application status and development trend of new energy vehicle power battery[J]. Automobile Applied Technology, 2020, 45(17): 11-13.
2	黄鲲, 宋志鹏, 张思瑶, 等. QC/T 743—2006电动汽车用锂离子蓄电池标准解析及与国际标准体系的比较[J]. 日用电器, 2013(10): 32-36.
	HUANG K, SONG Z P, ZHANG S Y, et al. Analysis and comparison of QC/T 743—2006 lithium-ion batteries for electric vehicles with the international standard[J]. Electrical Appliances, 2013(10): 32-36.
3	孙威, 修晓青, 肖海伟, 等. 退役动力电池梯次利用的容量优化配置[J]. 电器与能效管理技术, 2017(19): 72-76.
	SUN W, XIU X Q, XIAO H W, et al. Capacity allocation optimization of second-use of retired EV batteries[J]. Electrical & Energy Management Technology, 2017(19): 72-76.
4	LI B, ZHANG P P, LI X J, et al. Distributed absorption and half-search approach for economic dispatch problem in smart grids[J]. Energies, 2019, 12(8): doi: 10.3390/en12081527.
5	ZHANG C, WEI Y L, CAO P F, et al. Energy storage system: Current studies on batteries and power condition system[J]. Renewable and Sustainable Energy Reviews, 2018, 82: 3091-3106.
6	韩晓娟, 张婳, 修晓青, 等. 配置梯次电池储能系统的快速充电站经济性评估[J]. 储能科学与技术, 2016, 5(4): 514-521.
	HAN X J, ZHANG H, XIU X Q, et al. Economic evaluation of fast charging electric vehicle station with second-use batteries energy storage system[J]. Energy Storage Science and Technology, 2016, 5(4): 514-521.
7	张广慧. 退役电池储能系统梯次应用研究[D]. 沈阳: 沈阳工程学院, 2018.
	ZHANG G H. Research on bench application of decommissioned battery energy storage system[D]. Shenyang: Shenyang Insitute of Engineering, 2018.
8	张凯, 赵鹏, 王友仁, 等. 基于荷电状态的锂离子电池组主动均衡控制[J]. 中国机械工程, 2020, 31(16): 1931-1939.
	ZHANG K, ZHAO P, WANG Y R, et al. SOC-based active equalization control for lithium-ion battery packs[J]. China Mechanical Engineering, 2020, 31(16): 1931-1939.
9	林武, 史新民, 蒋丽丽, 等. 动力电池梯次利用的异构储能电站设计与实践[J]. 浙江电力, 2020, 39(5): 41-49.
	LIN W, SHI X M, JIANG L L, et al. Design and practice of A heterogeneous compatible energy storage power station by secondary utilization of retired EV battery[J]. Zhejiang Electric Power, 2020, 39(5): 41-49.
10	YANG Y, ZHU W C, XIE C J, et al. A layered bidirectional active equalization method for retired power lithium-ion batteries for energy storage applications[J]. Energies, 2020, 13(4): doi: 10.3390/en13040832.
11	李丹. 模块化独立控制梯次利用电池储能系统[D]. 北京: 北京交通大学, 2018.
	LI D. Modularly and independently controlled secondary use battery energy storage system[D]. Beijing: Beijing Jiaotong University, 2018.
12	李金东, 古月圆, 王路阳, 等. 退役锂离子电池健康状态评估方法综述[J]. 储能科学与技术, 2019, 8(5): 807-812.
	LI J D, GU Y Y, WANG L Y, et al. Review on state of health estimation of retired lithium-ion batteries[J]. Energy Storage Science and Technology, 2019, 8(5): 807-812.
13	董慧峰, 李文启, 牛文迪, 等. 电池储能系统参与电网削峰填谷实用算法[J]. 电测与仪表, 2019, 56(18): 74-78.
	DONG H F, LI W Q, NIU W D, et al. Practical algorithm applied in peak load shifting of battery energy storage system in power grid[J]. Electrical Measurement & Instrumentation, 2019, 56(18): 74-78.
14	LÜ C, LIU S S, SHEN J, et al. Comparison of equivalent circuit models of lithium-ion batteries[J]. Application of Power Technology, 2014, 17(9): 8-11.
15	罗勇, 祁朋伟, 黄欢, 等. 基于容量修正的安时积分SOC估算方法研究[J]. 汽车工程, 2020, 42(5): 681-687.
	LUO Y, QI P W, HUANG H, et al. Study on battery SOC estimation by ampere-hour integral method with capacity correction[J]. Automotive Engineering, 2020, 42(5): 681-687.
16	万亚坤, 李阳春, 马浩天, 等. 基于扩展卡尔曼滤波算法的锂电池SOC估计[J]. 蓄电池, 2020, 57(5): 243-246, 250.
	WAN Y K, LI Y C, MA H T, et al. Estimation of lithium battery SOC based on extended Kalman filter algorithm[J]. Chinese Labat Man, 2020, 57(5): 243-246, 250.
17	申彩英, 左凯. 基于开路电压法的磷酸铁锂电池SOC估算研究[J]. 电源技术, 2019, 43(11): 1789-1791.
	SHEN C Y, ZUO K. Research on SOC estimation of LiFePO₄ batteries based on open circuit voltage method[J]. Chinese Journal of Power Sources, 2019, 43(11): 1789-1791.
18	田冬冬, 李立伟, 杨玉新. 基于改进BP-EKF算法的SOC估算[J]. 电源技术, 2020, 44(9): 1274-1278.
	TIAN D D, LI L W, YANG Y X. Research on SOC estimation based on improved BP-EKF algorithm[J]. Chinese Journal of Power Sources, 2020, 44(9): 1274-1278.
19	郭宏榆, 姜久春, 王吉松, 等. 功率型锂离子动力电池的内阻特性[J]. 北京交通大学学报, 2011, 35(5): 119-123.
	GUO H Y, JIANG J C, WANG J S, et al. Characteristic on internal resistance of lithium-ion power battery[J]. Journal of Beijing Jiaotong University, 2011, 35(5): 119-123.
20	郭琦沛. 锂离子动力电池健康特征提取与诊断研究[D]. 北京: 北京交通大学, 2018.
	GUO Q P. Study on the health feature extraction and diagnosis of power lithium-ion batteries[D]. Beijing: Beijing Jiaotong University, 2018.
21	纪常伟, 潘帅, 汪硕峰, 等. 动力锂离子电池老化速率影响因素的实验研究[J]. 北京工业大学学报, 2020, 46(11): 1272-1282.
	JI C W, PAN S, WANG S F, et al. Experimental study on effect factors of aging rate for power lithium-ion batteries[J]. Journal of Beijing University of Technology, 2020, 46(11): 1272-1282.
22	周秀文. 电动汽车锂离子电池健康状态估计及寿命预测方法研究[D]. 长春: 吉林大学, 2016.
	ZHOU X W. Research on SOH estimation and RUL prediction methods of lithium-ion battery for electric vehicles[D]. Changchun: Jilin University, 2016.

SOC/％	R_CH/mΩ	R_DIS/mΩ
12.36	0.1941	0.2178
20.31	0.1850	0.2126
30.27	0.1906	0.2020
40.24	0.1764	0.1876
50.20	0.1767	0.1864
60.16	0.1693	0.1702
70.12	0.1747	0.1704
80.08	0.1869	0.1798
90.04	0.1678	0.1533
99.20	0.1470	0.1367

SOC/%	U/V
99.20	3.32945
90.04	3.32866
80.08	3.32996
70.12	3.32125
60.16	3.29464
50.20	3.28867
40.24	3.28835
30.27	3.27352
20.31	3.23714
12.36	3.20087

参数	数值
a	2.4945×10^-14
b	2.2057×10^-11
c	-8.9697×10^-9
d	1.2117×10^-6
e	-7.6262×10^-5
f	2.3008×10^-3
g	-2.7485×10^-2
h	3.3075

NO.	Qty_i	C_i/(A·h)	SOC_i/%	I_i_MAX/A	SOH_i/%
1	10×12S	250	100	50	90.0
2	10×12S	230	100	50	87.5
3	10×12S	210	100	40	85.0
4	10×12S	190	100	40	82.5
5	9×12S	170	100	30	80.0
6	11×12S	150	100	30	77.5
7	12×10S	180	100	40	75.0
8	12×10S	160	100	30	81.0

[1]	吴田, 林闽城, 海浩, 孙海渔, 温兆银, 马福元. 面向一次调频的镍氢电池系统开发[J]. 储能科学与技术, 2022, 11(7): 2213-2221.
[2]	常泽宇, 张之琦, 张晓东, 李丽, 郁亚娟. 基于数据驱动的动力电池健康状态评估平台[J]. 储能科学与技术, 2022, 11(6): 1847-1853.
[3]	田峰, 程志江, 杨涵棣, 杨天翔. 模块化多电平复合变换器电池储能系统容错控制策略[J]. 储能科学与技术, 2022, 11(5): 1583-1591.
[4]	戴彦文, 于艾清. 基于健康特征参数的CNN-LSTM&GRU组合锂电池SOH估计[J]. 储能科学与技术, 2022, 11(5): 1641-1649.
[5]	张孝远, 张金浩, 蒋亚俊. 基于改进TCN模型的动力电池健康状态评估[J]. 储能科学与技术, 2022, 11(5): 1617-1626.
[6]	刘春辉, 任宏斌. 基于SOC的动力电池组主动均衡研究[J]. 储能科学与技术, 2022, 11(2): 667-672.
[7]	耿萌萌, 范茂松, 杨凯, 赵光金, 谭震, 高飞, 张明杰. 基于EIS和神经网络的退役电池SOH快速估计[J]. 储能科学与技术, 2022, 11(2): 673-678.
[8]	黄鹏超, 鄂加强. 基于双自适应卡尔曼滤波的锂电池状态估算[J]. 储能科学与技术, 2022, 11(2): 660-666.
[9]	王帅, 马鸿雁, 窦嘉铭, 张英达, 李晟延, 胡璐锦. 基于UGOA-BP的锂电池SOC估算[J]. 储能科学与技术, 2022, 11(1): 258-264.
[10]	高晓芝, 王磊, 田晋, 刘佳璐, 刘庆华. 基于参数优化变分模态分解的混合储能功率分配策略[J]. 储能科学与技术, 2022, 11(1): 147-155.
[11]	王凡, 史永胜, 刘博亲, 左玉洁, 符政, ALI Jamsher. 基于注意力改进BiGRU的锂离子电池健康状态估计[J]. 储能科学与技术, 2021, 10(6): 2326-2333.
[12]	苏航, 高怀斌, 李争光, 李洪峻, 刘剑飞, 佐晓波, 纪林林. 基于BCRLS-ACKF的锂离子电池荷电状态估计[J]. 储能科学与技术, 2021, 10(6): 2334-2341.
[13]	乔家璐, 王顺利, 于春梅, 史卫豪, 杨潇. 基于加权多新息AEKF的锂电池SOC在线估算[J]. 储能科学与技术, 2021, 10(6): 2318-2325.
[14]	曹新宇, 彭飞, 李立伟, 尹建光. 基于IBAS-NARX神经网络的锂电池荷电状态估计[J]. 储能科学与技术, 2021, 10(6): 2342-2351.
[15]	何林轩, 李文艳. 飞轮储能辅助火电机组一次调频过程仿真分析[J]. 储能科学与技术, 2021, 10(5): 1679-1686.