基于多智能体的电池储能系统SOC 均衡控制策略

周喜超，洪育金，夏 岩，杨玮林，许德智

（1.西安理工大学 电气工程学院，西安 710048；2.国网综合能源服务集团有限公司，北京 100050；3.江南大学 物联网工程学院，江苏 无锡 214122；4.扬州大学 电气与能源动力工程学院，江苏 扬州 225127）

0 引言

随着可再生能源发电量的不断增加，极端天气对停电造成的影响更加严重，储能系统正在快速增长并得到广泛运用。锂电池作为储能系统电能存储的载体，具有优异的放电和充电伏安电池曲线，且利于后期维护[1]。但受限于其本身的物理属性，单个电池的容量或功率并不能满足中大型负载，因此引入了多电池储能系统来满足负载的需求。为了实现多电池储能系统的自动运行控制，负载均衡控制策略是非常必要的。在交流微电网中，经常运用包含P-f 和Q-U 两部分的传统下垂控制策略，但下垂控制是一种功率平均分配的算法，同时在电池充放电过程中会带来交流系统中的频率偏差和电压跌落[2-4]。此外，下垂控制也不太适合运用于不同初始电池SOC（荷电状态）水平和不同容量的电池储能系统中。在电池放电过程中，初始SOC 最小或者容量最小电池的电量将会最先放完，负载功率支撑得不到保障，交流微电网存在崩溃的可能性，且长期的过冲和过放，也会对电池造成极大的损伤。

因此，本文提出一种电池储能系统的SOC均衡策略以解决上述问题。目前，已有一些关于SOC 均衡控制的研究成果，如文献[5]提出一种改进下垂控制策略，通过修改下垂控制系数使电池SOC 达到一致。文献[6]提出一种全分布式两级控制策略，使电池储能系统能够准确跟踪功率参考，以保持SOC 平衡，只要所有的SOC 值趋于一致，所有电池储能系统就会一起支撑负载功率，这样就不会有电池先放完电从而提前退出系统导致宕机。文献[7]提出一种基于SOC 平衡方案的下垂控制策略，以消除容量变化对SOC 平衡的影响并保持良好的电能质量。多智能体控制[8-11]是一种无中心控制器和易扩展的分布式控制策略，目前已经有相关研究将其运用在基于分布式储能的交流微电网中。在多智能体控制中，每一个智能体利用其自身和通信链路上相邻智能体的信息来更新控制信息，最终使所有智能体的控制信息达到一致。然而，这些文献中，有的没有考虑不同的电池容量，有的没有考虑不同的初始SOC。

本文提出的基于多智能体的SOC 均衡控制策略能够很好地解决不同容量电池的SOC 均衡问题，使不同初始SOC 在一定时间内达到一致，同时也考虑了因电池长期使用造成的容量衰减问题，引入自适应容量估计算法实时检测电池容量的变化，能够提高基于多智能体的SOC 均衡控制策略的抗干扰性。

1 分布式电池储能系统拓扑

图1 所示是一种基于多智能体的交流微电网拓扑结构，包含风能等可再生清洁能源、交流负载和基于多智能体的SOC 均衡策略控制下的多电池储能系统。文中的多电池储能系统与传统多电池储能系统之间的显著区别在于没有中央控制器，每个电池储能系统在稀疏通信网络中与相邻电池储能系统进行通信，以自主方式控制本地控制器。作为微电网的重要组成部分，电池储能系统负责平衡可再生能源产生的功率与负载所需功率之间的匹配。一般情况下，当有足够的可用电量时，负载由可再生能源供电。当可再生能源输出功率不足以支撑负载功率且微电网处于孤岛模式运行时，电池储能系统工作在放电模式下，且希望有较高SOC 的电池单元提供比其他单元更多的功率，而在充电模式下较低SOC 的电池单元吸收更多的功率，因此可以保持电池单元之间SOC 的平衡。

图1 分布式电池储能系统拓扑结构

2 自适应电池容量估计方法

假设忽略DC/AC 逆变器和线路的功率损耗，电池的输出电压均相同，可以近似得到：

式中： Vin，ii_bt，Pi_in和Pi分别为第i 个电池的输入电压、输出电流、输入功率、输出功率。由于假设所有电池的输出电压相同，结合SOC 定义可得：

式中： SOCi为第i 个电池的荷电状态；SOCi_int为电池初始荷电状态；Ci_bt为第i 个电池的容量。

考虑到电池储能系统长期使用将会带来容量Ci_bt衰减的问题，本文设计了一种自适应的电池容量估计方法，它是根据历史SOC 与当前SOC计算出来的一个值：

因此，可以很容易地估计出由其寿命衰减而引起电池的容量变化，从而提高本文的实用性。

3 基于多智能体的SOC 均衡控制策略

在正式引出基于多智能体的SOC 均衡控制策略前，简短介绍关于图论的知识[12-14]。定义无向图G（V，E），其中V={v1，v2，…，vn}表示多智能体的所有节点的集合；E⊆V×V 表示所有边的集合。通常用伴随矩阵来描述各个节点的连接紧密关系，包含了各个智能体之间的通信权重，定义为A=[aij]∈Rn×n，是一个时不变矩阵，其中n 是智能体总数。若节点i 和j 之间存在通信链路即（vj，vi）∈E，则aij=1；若（vj，vi）∉E，则aij≠1。定义Ni={j|（vj，vi）}∈E 为与节点i 相连的所有节点的集合，如果j∈Ni，那么智能体i 可以直接给智能体j 发送消息。

为了解决电池容量不同可能造成的系统崩溃问题，设计了基于动态平均一致性的二级单位电流分配算法。电池单位电流是通过电池单元的输出电流ii_bt除以其自身的装机容量计算得到的。智能体i 接收来自智能体j∈Ni的单位电流估计值，同时将自身计算出来的单位电流估计值发送给j，单位电流估计值通过式（4）更新：

式中： σ1为单位电流动态平均一致性系数；为第i 个电池单位输出电流；为与第i 个电池相邻的电池单元的单位电流估计值。由于每一时刻单位电流的估计值都是这样计算出来的，可以得到，j∈Ni，即所有电池单元单位电流趋于一致。应当指出的是，均流策略使用的是单位电池电流而不是电池实际电流（这是在考虑不同电池安装容量的情况下）。

基于多智能体的SOC 均衡控制策略中最重要的一部分就是SOC 的一致性，其控制框图如图2 所示。每个智能体接收来自通信链路上邻近智能体的SOC 相关信息，通过SOC 动态平均一致性算法更新自身信息并向相邻智能体发送SOC估计值：

SOC 动态平均一致性算法式（5）的微分形式可以写成：

图2 基于多智能体的SOC 均衡策略单个储能系统控制框图

式中： IN∈Rn×n是一个单位对角矩阵；H 是一个平均传递函数矩阵。文献[15]表明，如果L 是平衡的，则所有估计值将收敛于一个常量，通过下文介绍的增设PI 控制器可以使估计值与实际值的误差为0，即所有电池的实际SOC 达到一致。

为了使电池储能系统的SOC 达到平衡，应根据电池储能系统的SOC 调节每个电源的输出有功功率。下垂控制是最流行的有功和无功调节方法之一[16]。即使无功功率下垂的精度对线路阻抗很敏感，导致无功功率调节并不严格符合无功下垂方程，但有功功率却能很好地遵循下垂规则。因此，可以通过改变频率下垂控制器很好地调节有功功率，如式（11）所示：

式中： ωref和rd分别为交流电网频率参考值和频率下垂系数；l（t）为频率下垂控制器的一个修正项，它来自本地单位电流估计值和平均SOC估计值，并经过PI 控制器在线迭代更新得到：l（t）=l1（t）+l2（t）

该式包含l1（t）和l2（t）两部分，分别用于解决电池单元容量和SOC 不一致的问题，均由一个无差PI 控制器组成，误差是由各自变量的估计值与实际值相减得到的。l1（t）是由单位电流二级PI控制器得到的，其PI 参数分别为kpi和kii；l2（t）是由SOC 均衡二级PI 控制器得到，其PI 参数分别为kps和kis。二级控制中获得有功功率下垂控制的角频率补偿信号，这部分也可以抵消经典下垂控制带来的频率偏差问题，通过电压电流双环控制器生成VSC 脉冲的占空比，并经过PWM 生成器将占空比调制成VSC 接受的脉冲信号。具体设计过程见文献[14]。

4 仿真验证及结果分析

为了验证本文提出的基于多智能体的SOC均衡控制策略的有效性，在MATLAB/Simulink 软件平台上搭建了如图3 所示的数值仿真模型。该系统包含3 个电池储能系统和交流负载，在通信网络中电池储能系统1 和2 相互连接、2 和3 相互连接，从而构成一种链式通信结构[14]，无向图G 可以直接由这个通信网络计算得到。每个电池储能系统的电容电感参数均相同，但是容量和初始SOC 均不完全一样，具体属性参数见表1。

表1 分布式电池储能系统及控制参数

用于验证基于多智能体的SOC 均衡控制策略有效性的仿真结果如图4 所示。由图4（b）可知，电池储能系统之间的最大和最小SOC 差异从4%减小到近似为0，这证明了所提算法的有效性。考虑电网故障时整个交流微电网运行在孤岛状态下，负载所需功率全部由电池储能系统提供。开始时，3 个电池储能系统的初始SOC及其容量如表1 所示，负载需要40 kW的功率，电池储能系统1 具有较高的SOC，其容量C1_bt也相对于其他2 个储能系统较大，而电池储能系统2 具有相对于电池储能系统3 较高的SOC。希望在满足负载功率条件下电池储能系统1 输出尽可能多的功率，电池储能系统3 输出较小功率甚至不输出功率。图4 验证了这一点，输出功率的关系是储能系统1>储能系统2>储能系统3，放电速率也相应不同。

当t=10 s 时，负载突然增加到60 kW，此时SOC 还没有达到一致。在所提控制策略的作用下，所有电池储能系统继续保持放电状态，输出功率也在重新进行分配并增加到支撑负载所需的水平。因此，每个电池的放电速率增加，但它们依然满足容量和当前SOC 决定的大小关系（储能系统1>储能系统2>储能系统3），SOC 均衡的速率在加快，电池之间的SOC 差值慢慢缩小。当t=20 s时，交流负载降至30 kW，同样电池储能系统的输出功率需重新分配，情形和前2 个阶段相似。在t=30 s 时，各电池SOC 之间的差值仅为0.4%，可以近似认为电池SOC 达到一致。

图3 基于多智能体的SOC 均衡策略的MATLAB/Simulink 模型

图4 MATLAB/Simulink 仿真结果

仿真中还模拟了电池在长期使用过程中容量的衰减，图4（d）显示了容量衰减对SOC 平衡的影响以及自适应估计电池容量的效果。在仿真开始时，每个电池储能系统的电池SOC 设置为75%，提供给自适应算法的容量是每个电池的实际容量。当t=10 s 时，人为降低了每个电池的容量以模拟长期运行后的容量衰减。由图4（d）可知，当电池储能系统的容量衰减后，各电池单元之间的SOC 平衡状态被打破，SOC 之间的差值在逐渐加大。当t=20 s 时，启用自适应容量估计算法将提供真实的电池容量，3 个电池储能系统的SOC 逐渐收敛并最终恢复平衡。

5 结语

本文针对交流微电网中分布式电池储能系统之间SOC 的均衡问题，提出了一种自适应的基于多智能体的SOC 均衡控制策略。该控制策略基于动态平均一致性算法来平衡每个电池储能系统的SOC，并实现了不同电池容量下SOC 均衡；同时还考虑了电池储能系统长期使用过程中电池容量的衰减，设计了一种自适应容量估计算法来提高该控制策略的鲁棒性。在数值仿真平台MATLAB/Simulink 上进行了实验，验证了所提控制策略的有效性。