一种基于遗传算法的串联电池组电量均衡控制方法*

仇胜世, 陈赛汗, 刘欣伟, 吕 凯, 陈思文, 孙金磊

( 南京理工大学 自动化学院, 江苏 南京 210094)

0 引 言

锂离子电池由于其能量密度高、自放电率低和使用寿命长等优点被广泛应用于便携式设备、电动汽车和航空航天等领域[1]。为了满足上述领域的大功率和高电压的实际应用需求,常常将锂离子电池串联使用[2]。电池组长期使用时,逐渐明显的单体间参数差异是导致电池组容量衰减和性能衰退的主要原因,如若不采取减小单体间参数差异的有效措施,甚至会出现热失控等严重安全隐患[3]。目前对电池组进行均衡管理是改善电池组单体间不一致的有效方法。因此,对串联电池组进行均衡操作对于改善电池组性能十分必要。

均衡方法是决定均衡器工作性能的重要因素[4]。根据均衡判据可将均衡方法分为基于电压、基于荷电状态(State of Charge,SOC)和基于容量3类[5]。基于电压的均衡方法是以电池组内所有电池的端电压一致作为均衡结束的标志,该方法具有控制简单、成本低等优点,但是由于电池极化的影响,在均衡结束时端电压会有一定的突变并不会保持一致,而且端电压并不能准确地反映电池的电量状态[6-7]。SOC可以较好地反映电池电量状态,但是在老化和温度变化的情况下SOC计算精度难以保证[8-9]。容量均衡可以实现电池组可用容量最大化,但是均衡效果依赖于容量实时估计的精度[10-11]。

综上所述,基于电压一致的均衡方法,其精度受到端电压变化的影响,而容量的实时获取受外界环境和精度的影响较大。且上述方法只追求均衡速度而忽略了均衡过程中能量转移效率问题。针对上述问题,本文提出了一种优化能量转移效率的电量均衡控制方法,采用遗传算法求解优化模型来获得均衡电量,根据获得的均衡转移电量对每个电池进行均衡,可以实现电池组可用容量提高。

1 均衡电路

本文采用双向正激变换器作为均衡主电路,实现能量的双向流动。方案结构图如图1所示[12]。为了实现任意一节电池单体与电池组相连,采用开关阵列作为选通开关。开关阵列的一端和电池组直接相连,另一端和变换器的一端连接,然后再与电池组连接。其中,开关阵列的每个开关是由两个反向串联的MOSFET组成,为了解决MOSFET浮地驱动的问题,选择EMB1428芯片作为开关的驱动芯片。由于设置的电池组是由12个电池单体串联而成,所以需要将两块EMB1428串联使用。双向正激变换器采用EMB1499控制芯片驱动,可以实现恒流输出,输出电流可通过设置EMB1499上相应的引脚电压得到。

图1 方案结构图

2 电量优化均衡控制策略

2.1 电量优化模型

本文均衡目标是电量一致,所以需要确定电池的电量Q为

Q=SOC·Qc

(1)

式中: SOC——每个电池的荷电状态,可以通过安时积分法获得;

Qc——每个电池的实际容量。

均衡能量效率可定义为

(2)

式中:Ploss——均衡过程的能量损失;

Pout——均衡变换器的输出能量。

基于本文所采用的均衡拓扑结构,均衡过程的电量转移方程为

(3)

式中:Qi——某个电池的电量;

ΔQi.cell——该电池均衡过程的均衡电量;

ΔQj.pack——每个电池均衡过程中对其他电池的转移电量;

Qavg——电池组初始状态的平均电量;

Qloss——整个均衡过程的电量损耗;

η1——电池组对单体充电效率;

η2——单体对电池组充电效率。

为了尽可能地提升均衡过程的能量转移效率,同时提高电池组电量一致性,本文采用整个均衡过程的电量损失来定义目标函数,由此来得到整个均衡过程的优化模型。

目标函数J(x)为

(4)

式中:η——两种工作状态的效率;

xi——均衡电量。

函数满足两个约束条件为

式中:Qi——电池的电量;

Qmax——电池组内单体电池最大电量;

Qmin——电池组内单体电池最小电量。

从目标函数可以得出,确定每个电池在均衡过程的均衡电量就可以获得整个过程的电量损耗。每一个确定的均衡电量组合都可以对电池组的电量一致性造成影响,可是不同的均衡电量组合对一致性的影响和所产生的电量损耗有所不同。在均衡后电量保持一致的前提下,如何求得能量转移效率最高的均衡路径是该策略优化的直接目标。

2.2 基于遗传算法的均衡控制方法

遗传算法是一类参考自然遗传机制的随机搜索算法,非常适用于处理传统搜索算法难以解决的复杂和非线性优化问题[13]。在本文中利用遗传优化算法来寻求电池组最优均衡路径,实现均衡效率和电量一致性的优化。算法过程如下:

(1) 初始化种群。本文使用实数编码将均衡电量和SOC编码成为染色体,具体为

x=(ΔQcell,SOC)

(7)

式中:x——染色体,也就是优化问题的解。

(2) 适应度度值计算。为了能够实现种群的“优胜劣汰”,需要一个适应度函数来评估种群中个体的状态。本文的目标函数是有约束的优化问题,然而遗传算法不能直接用于有约束的优化问题。因此,本文使用罚函数法将提出的约束问题转化为无约束问题。具体的适应度函数为

(8)

式中:f(x)——适应度函数;

g(x)——惩罚函数;

β——惩罚系数。

(3) 交叉和变异运算。交叉运算可以保留适应度值较高个体的遗传信息,能够使遗传算法逐步趋向于最优解。变异运算可以改变个体的遗传信息,可以避免遗传算法陷入局部最优。

本文交叉算子设置为0.85,变异算子设置为0.01。

(9)

式中:pc——交叉概率;

pm——变异概率。

(4) 判断进化是否结束,否则返回步骤(2)。

基于上述过程,本文提出了一种基于遗传算法的电池组电量均衡方法,遗传算法流程图如图2所示。

图2 遗传算法流程图

3 实验结果与分析

3.1 实验设备与被测对象

为了验证所提出的均衡控制方法的有效性,本文以12个单体电池串联而成的电池组为研究对象,根据2.2节的均衡方法完成电池组均衡。搭建的实验测试平台如图3所示。选取的单体电池为三元锂离子电池,型号为ISR18650-2.5 Ah,标称电压为3.6 V,额定容量为2.5 Ah,电压范围为2.75～4.20 V。实验设备选择Arbin电池测试系统,通道电压范围为2～60 V,电流量程为50 A,该设备电压和电流精度可达0.2%。

图3 搭建的实验测试平台

3.2 实验设计

为了验证提出的均衡方法的有效性,设计如下实验:选用12节电池单体串联构成电池组,编号分别为1～12。首先用标准充电方式分别对12节电池充电至上限截止电压,然后以1 C放电至下限截止电压的放电电量作为每个电池的实际容量。12节电池单体的实际容量为2.44 Ah、2.44 Ah、2.47 Ah、2.46 Ah、2.43 Ah、2.48 Ah、2.45 Ah、2.44 Ah、2.46 Ah、2.47 Ah、2.45 Ah、2.47 Ah。再用电池充放电机Neware BTS4000对电池单体进行充放电,设定电池组不均衡程度,12节电池单体初始SOC分别为70%、76%、72%、77%、89%、73%、74%、69%、82%、86%、73%、80%。针对不均衡电池组,首先根据所提算法获得均衡电量,再根据安时积分法计算均衡时间,最后利用均衡实验平台完成均衡。均衡完成后,对每节电池进行1 C放电至下限截止电压获得此时每个电池的放电容量。通过比较均衡操作前后电池组的电量一致性以及电池组内单体最小电量的大小,可以验证所提方法的有效性。为了进一步证明所提均衡方法的有效性,采用传统的平均差法进行均衡实验,通过计算每个电池与当前电池组平均电量的差值,依次对每个电池均衡直到电池组内每个电池的电量和此时的电池组平均电量相同。记录两种方法对应的均衡时间以及均衡后电池组内单体最小电量,对其进行分析和比较。

3.3 实验结果分析

本文所提方法每个电池的均衡电量如图4所示。电池组初始电量如图5所示,均衡前电池组内电池5的电量最大,达到2.23 Ah,电池8的电量最小,为1.73 Ah。

图4 本文所提方法每个电池的均衡电量

图5 电池组初始电量

本文所提方法和平均差法进行对比,两种方法的理论结果对比如表1所示。由表1可见,本文所提方法在理论上可以比平均差法获得更好的电量一致性,更低的均衡损耗以及更短的均衡时间。

表1 两种方法理论结果对比

考虑均衡速度和本文所用电池的最大充电倍率限制,设置均衡电流为1 C(2.5 A)。设定每个电池均衡操作完成后暂停20 s,再对下一个电池进行均衡。采用相同的均衡硬件电路,两种不同的均衡方法分别进行验证,两种方法均衡的电压波形分别如图6和图7所示。由图6可见,经过27次均衡,耗时3 274 s,最终电池组内单体端电压趋于一致。由图7可见,累计均衡次数12次,耗时2 309 s,电池端电压趋于一致。从结果对比上看,本文所提方法不存在往复均衡的问题,即每个单体均衡一次实现最终均衡目标,因此均衡次数优于对比方法,同时总体均衡时间缩短了29.4%。

图6 平均差法均衡的电压波形

图7 所提方法均衡的电压波形

为进一步验证两种方法对单体电量以及电池组可用电量的改善效果,对两种方法均衡前后的电池组内单体电量进行比较。两种方法均衡前后电量分布分别如图8和图9所示。

图8 平均差法均衡前后电量分布

图9 所提方法均衡前后电量分布

图5中,均衡前电池组内所有电池单体的电量最小值为1.73 Ah,最大电量差为0.2 Ah。经过本文所提能量效率优化法均衡后,电池组内单体的电量最小值提高了8.3%,电池组内所有电池单体间的最大电量偏差减少6.1%。实验结果表明电池组电量一致性得到改善,电池组内单体电量最小值有所提升,证明所提出的能量效率优化均衡方法的有效性。采用平均差法均衡的实验中,电池组内单体的电量最小值提高8.1%,电池组内所有电池单体间的最大电量偏差减少6.3%。通过对比两种均衡方法的均衡实验结果可知,在均衡结果基本相同的情况下,均衡时间有所减少。从均衡时间和均衡次数的角度进一步比较可知,采用本文所提方法进行均衡所花费的均衡时间减少29.4%,均衡次数少15次,均衡速度更快。因此,本文提出的基于遗传算法的电量均衡控制方法与平均差法均衡相比,在均衡速度和电池组可用容量提升方面具有优越性。

4 结 语

针对串联电池组均衡能量转移效率低和均衡速度慢的问题,本文提出一种基于遗传算法的串联电池组电量均衡控制方法,通过列写能量转移方程和算法分析以及实验验证得出以下结论:

(1) 以双向均衡拓扑均衡充放电能耗为依据,建立了均衡过程能量转移方程。

(2) 以均衡过程能耗为均衡目标,利用遗传算法优化均衡路径。

(3) 以12节电池构成的电池组为研究对象,本文所提方法均衡后单体电量差异由8%减少到1.7%。与平均差均衡方法进行对比,电池组可用电量提升8.3%,均衡时间减少29.4%。验证了所提出方法的有效性。