RTG用高功率磷酸铁锂电池SOC分析

曹仪明 周 毅 沈汝超

1．上海沪东集装箱码头有限公司

2．上海航天电源技术有限责任公司

3．上海国际港务（集团）股份有限公司

0 引言

近年来，随着高功率锂电池相关技术的进步，一种以小发动机加大功率锂电池为动力的RTG混合动力节能技术因节能效果显著在港口业被推广应用。在锂电池的选择上，三元锂电池的单体电压与SOC容量成正比容易估算，且其具有能量密度高、大功率和大倍率充电等优势，在RTG混合动力节能改造中被广泛应用。但其生产、工艺和设备等方面对技术要求壁垒高，采购成本也相对较高，长期由国外制造商提供。相比之下，磷酸铁锂电池具有较高稳定性和安全性，且具有耐高温、寿命长、价格低，和绿色环保等优点，如能提高SOC的估算准确则是三元锂电池的良好替代品。

1 高功率磷酸铁锂电池在RTG上的应用设计

RTG是集装箱码头堆场作业主力设备（图1），其连续作业的特点，可靠性要求高、机动性强，一旦发生故障，要求快速修复或快速脱离作业区域，将装卸船作业和进提箱作业影响降到最低。为维护港口正常的工作运营，采用电池管理系统多支路并联控制技术，考虑RTG作业时实际输出电流在400A～500A，电池组设计采用了3支路并联形式，单支路容量为52Ah，单支路电池最大充电电流瞬时值为200A，最大放电电流瞬时值为250A，系统最大充电电流瞬时值为600A，最大放电电流瞬时值为750A，能满足RTG作业需要。考虑到RTG实际运行电压范围在620V～720V之间，电压过低会导致变频器三相电压输出波形失真引起欠压故障，电压过高会导致变频器大功率器件耐压不够引起过压故障。因此，单支路电池选用17个模块，每个模块串联12个单体，共204串电池，标称电压652．8V,SOC设定区间范围在55%～76%，进行连续充放电循环。

图1 实际运行场景图

充电时，柴油发电机发电，恒压给电池充电。充电电流约为25A，当三个支路平均SOC为76%时，充电结束，发电机停止工作，电池开始给负载设备供电。RTG作业时，电池既能独自驱动电机工作，也可与发电机一起混合使用，分配输出功率，将电能转化为机械能。当下行放集装箱时，重力势能回馈产生的电能存储到锂电池内部，降低柴油机带来的噪音及黑烟污染，达到节能减排。当放电到三个支路平均SOC为55%，开始转为充电。

RTG动力锂电池组实际运行工况模式，电流数据如图2所示:

图2 实际运行工况模式电流数据图

电压数据如图3所示：

图3 实际运行工况模式电压数据图

2 高功率磷酸铁锂电池SOC估算

由上述应用设计可知，SOC的准确估算是整套系统能否稳定运行的关键。图4和图5描绘的磷酸铁锂电池的单体充放电特性表明，当SOC在20%～80%的范围时，单体电压变化不大，特别是充放电特性曲线几乎是一条直线，给准确估算带来较大难度。传统的解决方法是电流积分法配合电压矫正法对SOC进行估算，但由于RTG电池组运行工况区间的限制，没有上限电压满电(3．65V)矫正点，以致传统的电流积分配合电压矫正法经常出现估算错误，引起三支路SOC不平衡故障。为解决SOC精确估算问题，系统采取了如下优化措施：

图4 单体充电倍率曲线

图5 单体放电倍率曲线

2.1 优化测算模型

1）扩大电池OCV表的测试数据量，细化单体电压和SOC的关系。

2）提高下限电压阈值矫正点，降低上限电压阈值矫正点，缩小带宽。根据电池模型函数计算，在运行区间内，使SOC随着单体电压呈现震荡回滞。电池模型如图6所示，电池模型函数如图7所示：

图6 电池模型

图7 电池模型函数（K0、K1、K2分别为系数）

3）根据现场经验，分别选取上限电压3．5V作为SOC值80%参考点，下限电压3．0V作为SOC值55%参考点。

2.2 引入电池静置模型

电池管理系统增加了电池控制均衡功能，利用每次RTG保养完成后进入下班作业的待机时间，电池内部进行自平衡。由于电池电压存在滞回效应，电池静置一段时间后，电池端电压等于电池的静态电动势。当系统每次唤醒后，根据时钟计算电池单体电压参数，遍历OCV表，查询到一个合适的SOC值，对比当前的SOC进行校正，每次校正的最大幅度为5%，如图8所示。

图8 OCV矫正模型

2.3 引入神经网络算法

通过远程网络系统对电池组单体电压、单体温度、系统电压和电流进行实时监控，自动将数据从云服务器下载到本地，从而得到大量数据，送入电池模型进行自学习，不停迭代，修正参数，减少SOC估算误差，远程监控如图9所示，SOC神经网络算法简化模型如图10所示。

图9 远程监控界面数据

图10 SOC神经网络算法简化模型

3 实际运行效果

改进前的算法在实际作业中，其运行结果如图11所示。由图11可见系统在充放电循环下，三个支路SOC表现出了明显差异。

图11 改进前三个支路的SOC

通过优化电池测算模型，增强了充放电曲线SOC跟随单体电压的鲁棒性；维保时引入电池静止模型，增加了OCV电压矫正算法，以及远程监控实时数据下载，带入大量数据到模型，不断自学习和修正参数，运行结果有了很大改善。如图12和图13所示，为高功率磷酸铁锂电池在RTG上的应用提供了技术解决方案。

图12 改进后三个支路的SOC

图13 改进后三个支路最大、最小单体电压

4 结论

在实际试验中，通过对高功率磷酸铁锂电池在RTG应用中的实际工况和单体充放电特性进行分析，提出对电流线性积分、端电压矫正模型的优化。通过引入电池静置模型、神经网络算法，实现对高功率磷酸铁锂电池SOC的精确估算。