基于主动混合脉冲充电策略的电动汽车充电设施主动防护系统研究＊

赵宇彤 陈熙 陈海洋 关宇 朱洁

（国家电网北京市电力公司电力科学研究院，北京 100075）

主题词：电动汽车 充电设施 动力电池 主动混合脉冲充电 主动防护

1 前言

直流充电设施作为电动汽车能量供应的关键装置，其安全防护十分重要。现阶段多采用基于电池管理系统（Battery Management System，BMS）的被动防护措施。虽然现有BMS能够计算得到电池的状态参数与电路模型参数，主要包括荷电状态（SOC）、健康状态（SOH）及电池内阻等，但在体积与成本的双重限制下，BMS对上述参数的估计精度有限，无法精准且全面地对充电过程进行防护。

现有算法中，扩展卡尔曼滤波算法（Extended Kalman Filter，EKF）具有良好的系统状态估计能力，最小二乘算法（Recursive Least Square，RLS）简单易实现[1-2]，应用最为广泛。文献[3]～文献[5]通过改进卡尔曼滤波算法提升了状态参数估计精度，文献[6]结合EKF和RLS两种算法，在保证精度的条件下降低了模型计算量，但上述算法仍存在鲁棒性较差与计算量较大的问题。另一方面，直流充电设施的故障原因复杂，有必要建立针对各类故障的在线指标体系。文献[7]从技术、经济、环境和安全方面分别选取指标，对充电设施进行综合评价，文献[8]基于BMS的保护需求，建立了涵盖动力电池和BMS故障的故障指标体系，但目前的研究未有同时涵盖充电设施、BMS和动力电池的统一性指标体系。

基于上述问题，本文提出一种基于主动混合脉冲充电策略（Active Hybrid Pulse Charge，AHPC）的电动汽车充电设施主动防护系统，在不增加充电时间的基础上，通过时域计算法获取电池参数，校准更新BMS中的参数数据库，并提出一套精细化的直流充电桩故障指标体系，对各类型指标分别采用多种评价方法实现状态评估。最后，搭建充电桩主动防护试验平台，对系统的有效性加以验证。

2 主动混合脉冲充电策略研究

本文提出的基于主动混合脉冲的充电策略，通过充电设施对电池充电过程施加混合脉冲的方式，精准计算电池充电过程中的关键参数。

2.1 动力电池充电模型

动力电池的一阶等效电路模型中：Rint模型没有涉及电池内部的动态特性，只适用于简单的电路仿真；PNGV模型参数辨识方法相对复杂，难于实现；Thevenin模型兼具较好的精度与较低的参数辨识难度。但在主动混合脉冲策略的工程实践中，二阶RC模型的开路电压等参数的估算精度更高，因此本文选用二阶RC模型。

二阶RC模型等效电路如图1所示。该模型中内阻Ro等效模拟电池的电阻特性，惯性环节a的等效电容Ca和等效电阻Ra等效模拟电荷转移作用，惯性环节b的等效电容Cb和等效电阻Rb等效模拟电荷扩散作用。

图1 二阶RC模型等效电路

采用时域的方法对二阶RC模型开展分析，对电池施加10 s短脉冲并静置40 s，短脉冲后二阶RC模型的短时间间隔也可视为等效电路的零输入响应。此时，电路中物理量的关系为：

式中，Ut为端电压；Uoc为开路电压；Ua、Ub分别为惯性环节a、b的端电压；τa、τb分别为惯性环节a、b的时间常数。

在脉冲放电后，二阶RC网络进行充电，可认为是零状态响应，相应方程为：

式中，I为实际输出电流。

由式（1）～式（8）可计算出等效电路参数Ro、Ca、Ra、Cb和Rb，进而得到开路电压Uoc。

2.2 主动混合脉冲充电策略

AHPC的充电电流循环由一段10 min的静置、混合脉冲循环与恒压充电过程组成，静置和混合脉冲循环参数如表1所示。其中，充电设施可通过充电前期的静置监测电池的初始开路电压，以获得SOC初值。同时，充电设施可以通过混合脉冲循环采用2.1节中的计算方法对电池充电过程中的等效电路参数与SOC进行精准计算，并实时校准SOC-Uoc曲线。最终通过恒压充电的方式将电池充满。

表1 AHPC循环测试参数

上述过程中的混合脉冲循环原理波形如图2所示，倍率为正表示充电机向电动汽车充电，反之表示电动汽车放电。在t0～t2时间段，电压波形可分为2段：t0时刻电流突变，此时电压波形也发生突变，这类似于纯电阻特性，此阶段可用电阻来等效模拟；t1～t2时间段，电压持续上升，速度先快后慢，此阶段能够以二阶RC环节来等效模拟。

图2 AHPC试验理想波形

2.3 电池状态参数评估

2.3.1 电池荷电状态计算

在电池的等效电路模型中，Uoc与SOC具有单调关系，本文通过基于主动混合脉冲的充电策略能够在线精准计算电池每一充电阶段的开路电压，而这一过程无需对电池进行长时间静置，仅需通过对电池主动施加混合短脉冲，即可通过电池端电压数据，基于式（1）～式（8）计算得到开路电压，完成电池的SOC在线实时计算。

由于SOC-Uoc曲线会随电池的老化以及温度等环境参数变化而发生变化，因此对此曲线的修正十分必要。充电设施采用AHPC策略进行充电，能够在电动汽车每次充电过程中对SOC-Uoc曲线进行校准。

2.3.2 健康状态主动评估

基于前文的等效电路和AHPC策略，经过分析计算可以获得电池状态指标SOC和SOH，结合电池状态劣化曲线评估具体的运行状态，如图3所示。

图3 电池状态劣化曲线

图3中，大部分的电池故障直到“潜在故障”P为止才可检测，此后劣化过程将加快，当到达功能故障F处即造成事故。为了避免充电故障发生，有必要在P-F间隔内进行有效的健康评估；而针对已经产生的故障，必须对故障完成有效诊断，确定故障原因，以免进一步损坏电池。

3 充电设施主动防护系统

3.1 充电设施故障指标

电气类状态量包括交流侧电流总谐波畸变率、矩阵支路均流不平衡度、充电桩输出电压偏差、充电桩输出电流偏差和负载测纹波系数。机械类状态量故障包括：系统散热异常，不及时排除故障将导致设备运行工况异常，还可能导致元件寿命缩短；电池无法充电，电池状态信息无法传入控制中心等。通信类状态量故障包括状态信息、保护信息、测量信息、控制信息等无法经充电机传输或无法经充电桩传输的信息。运行状态类故障及指标包括：非正常温度情况（红外测得或在线测得）；重载持续情况和负载情况；缺陷及异常事故历史记录；短路冲击和过电压遭受次数；交付时和交接时、定期以及大修后的试验等；上次检修时的位置、检查的状况和解决的方式与后续效果、是否存在遗留问题等。

其中后3类均采用定性指标，电气性能指标采用定量指标，计算公式为：

式中，ξU为输出电压偏差；U为实际输出电压；U0为额定输出电压；ξI为输出电流偏差；I为实际输出电流；I0为额定输出电流；β为均流不平衡度：Is为实测模块输出电流的极限值；IP为工作模块输出电流的平均值；IN为模块的额定电流。

在该综合指标评估体系中，对于部分定性指标的故障评价，采用传统的专家打分评价，并集成统计分析法更加科学合理地处理专家意见，对于涉及定性和定量指标的多重故障，采用不确定分析法，并结合无量纲化函数和集成统计分析法进行指标综合评价。

3.2 充电设施主动防护系统硬件实现

带主动防护功能的充电设施主要由数据采集部分、通信传输部分和管理云平台构成，其中电池主动防护部分的总体系统设计方案如图4所示。

图4 电池主动防护系统结构

电压数据和温度数据的实时采集采用TI公司的Bq76pl455型号芯片。ESP8266具有价格低廉的优点，同时，ESP8266-12F的Flash为4 MB、内存为80 KB，其兼容性非常好，支持AT指令、C、Python、Lua、JavaScript、Arduino等开发语言。因此，选用ESP8266为无线通信模块，经RS485串口连接到充电桩，ESP8266可以通过Wi-Fi和管理云平台实现通讯。

管理云平台接受数字信号处理器（Digital Signal Processor，DSP）的相关指令，通过硬件电路实现充电均衡管理与充放电管理等功能，须能实现电动汽车电池参数的精确评估。该功能采用TI公司TMS320F28335芯片实现。

为确保Zeitwerk Minute Repeater中复杂机心的功能运作流畅，工程师为机心装设了精密的保险装置。例如，鸣响装置运作时，数字盘无法推进，直至三问序列完结。三问装置的蜗轮与跳字盘的心轴连接，一但于三问装置运作时进行切换，使可能使组件产生冲突，损坏机心。延迟机制也确保报时声响必定与显示的时间一致。

4 试验结果与分析

4.1 充电设施系统组成及试验电池信息

本文提出的充电装置主动防护系统如图5所示。系统采用的试验电池信息如表2所示。

图5 电动汽车充电装置主动防护系统

表2 测试电池信息

4.2 混合脉冲充电试验

采用表1所示的AHPC策略分别对表2中的2种电池组进行充电，在每次循环工步后对电池组进行3 h的充分静置，以静置后电池组两端电压作为其开路电压参考值。使用电池内阻测试仪对各点直流内阻进行测试得到的参数作为欧姆内阻参考值，如图6所示。

图6 内阻测试

基于2.1节等效电路模型辨识每个混合脉冲点处电池组的开路电压及相对平均误差曲线如图7所示，图中Thevenin模型和二阶RC模型对2种电池均有较好的辨识效果。

图7 开路电压辨识结果

电池开路电压相对平均误差如表3所示。采用二阶RC模型时，2种电池的估计误差均小于Thevenin模型的估计误差，估计精度更高。

表3 电池组开路电压估计平均误差

基于二阶RC等效电路模型，分别采用AHPC计算方法与最小二乘法识别2种电池的充电参数，识别结果如图8和图9所示。

图8 三元锂电池组参数辨识结果

图9 磷酸铁锂电池组参数辨识结果

由图8可知，在电池荷电量较高和较低的极端运行情况下，AHPC计算方法的精确度高于传统最小二乘计算方法。由图9可知，在全荷电状态范围，AHPC计算方法的精确度均高于传统最小二乘计算方法。2种电池AHPC计算方法和最小二乘计算法的参数识别误差列于表4。

表4 电池组参数辨识结果比较 %

表4中，AHPC计算方法对2种电池的参数辨识精度均优于传统最小二乘法，内阻估计误差均小于3.5%，开路电压的估计误差可控制在0.3%以下。综上所述，AHPC计算方法符合电动汽车充电设施主动防护的需要。

5 结束语

本文提出了一种电动汽车充电设施主动防护系统，以主动混合脉冲充电策略为基础，实现了在不增加充电时间的情况下，对电池内部状态参数，包括开路电压、内阻、荷电状态与健康状态的精确计算，结果表明，本文提出的主动防护系统对三元锂电池组和磷酸铁锂电池组内阻估计误差均小于3.5%，开路电压的估计误差均在0.3%以下。文献[8]提供了一种基于部分自适应遗忘因子最小二乘法的三元锂电池参数辨识方法，相比于本文提出的方法具有更高的辨识精度，但需要较大的计算量，且辨识结果易受遗忘因子取值影响，鲁棒性不佳。考虑到参与到电动汽车充电设施主动防护系统的电动汽车电池种类、型号的多样性，需要一种鲁棒性要求较高，能够适应不同电池的参数监控方法。本文提出的AHPC计算方法更加符合电动汽车充电设施主动防护的需要。

同时，本文提出一套精细化的直流充电桩故障指标体系，与电池参数估算共同组成充电设施主动防护系统。试验平台信息表明，本系统可以有效实现电池实时充电状态监控，为电动汽车电池的安全防护、寿命预测提供参考依据。