基于SOC均衡的分布式电池储能系统协同控制策略

摘 要：研究分布式电池储能系统的优化控制方法以及电池荷电状态（SOC）均衡策略，提出基于SOC均衡的协同控制策略。利用多智能体系统（MAS）理论，实现电池储能系统的协同控制，并采用多智能体分布式算法，实现功率指令的自适应分配，进而实现SOC动态均衡。针对传统多智能体算法收敛速度较慢的问题，提出一种基于模型预测控制（MPC）的分布式算法，利用MPC对传统多智能体算法进行优化，提高收敛速度。最后利用实际储能功率数据进行仿真，验证了所提策略的有效性和算法在收敛速度上的优势。

关键词：电池储能系统；模型预测控制；分布式算法；协同控制；荷电状态

中图分类号：TM734； TM912" " " " " " " 文献标志码：A

0 引 言

储能已成为电力系统不可或缺的一部分，而分布式电池储能系统在能量密度方面有较大优势，已被大量配置于电力系统当中［1］。目前，对于储能系统的控制研究多是将其优化控制和电池荷电状态（state of change，SOC）均衡分开研究。对于储能系统的控制：文献［2］利用经验模式分解原理，实现功率优化分配；文献［3］使用遗传-模拟退火算法，以储能充放电超限功率最小为目标函数，实现了功率分配的同时避免荷电状态超限；文献［4］提出一种变调节因子SOC下垂控制策略，通过改变调节因子，提高功率响应速度；文献［5］利用改进型交替方向乘子算法，实现储能设备管理与配电网电压支撑。上述控制策略均只考虑了功率分配和避免SOC超限，未考虑SOC不均衡造成的降低电池容量利用率和缩短电池寿命问题。

对于SOC均衡技术，目前主要有能量耗散型［6］和能量转移型［7］两种。前者通过电阻消耗多余电量，会造成电量浪费；后者通过电感电容实现能量转移，会在一定程度上增加电池的充放电频率，加速电池老化。针对这些问题，文献［8］通过改进下垂控制，将电池平均SOC加入到下垂系数当中，从而实现各电池单元SOC均衡，但会使下垂系数过大，造成较大母线电压偏差。文献［9］提出的均衡策略可实现各储能单元的高精度SOC均衡，但采用集中得控制方式，存在较大的通信压力。

为此，本文提出一种基于SOC均衡的分布式电池储能系统协同控制策略，无需额外的均衡电路，让各电池单元在平抑电网功率波动的过程中实现SOC动态均衡，再结合电池充放电分组策略，降低电池充放电频率，进而延长电池寿命。这种控制策略以分布式通信网络为基础，相较于集中控制，其控制中心所承受的通信压力更小，还可使各分布式储能单元之间协同配合，可有效提高电池利用率。

1 基于MAS的SOC分组均衡策略

为实现分布式电池储能系统的协同控制，同时实现各储能单元SOC均衡，提出一种基于多智能体系统（multi-agent system，MAS）的SOC分组均衡策略。以33节点微电网为例，其储能系统拓扑结构如图1所示，在DG1～DG4分布式电源处共安装有10个电池单元共同构成分布式储能系统，其中实线表示物理连接，虚线表示通信连接。这10个分布式电池单元组成一个MAS，每个电池单元都是其中一个智能体，每个智能体只与邻近几个智能体存在通信连接。MAS的控制框图如图2所示。控制过程中，只需某一个智能体接受功率指令[Pb]，利用多智能体分布式算法就能实现总功率[Pb]自适应分配，让SOC较高的电池单元在放电过程承担更大的功率输出，在充电过程接受更小的功率输入，使各电池单元“能者多劳”，进而实现SOC动态均衡。

在实际控制过程中，为了平抑电网功率波动，储能系统需要频繁地切换充/放电状态，这在一定程度上增加了电池的充放电频率，加速了电池的老化，同时各储能单元的容量也未得到充分利用［10］。基于以上考虑，在上述均衡策略的基础上，将储能系统中的电池单元分为两个子系统，分别执行充/放电任务，以减少不必要的充/放电状态切换，从而降低电池的充放电频率。需要注意的是，存在某些时刻，出现功率指令大于单个子系统额定功率的情况，这时就需要另一个子系统的协同配合，提供短时的功率支撑，共同消化功率指令。

2 多智能体分布式算法

为了实现上节所提SOC均衡策略，本节提出一种基于模型预测控制（model-based predictire control， MPC）的多智能体分布式算法，实现总功率指令[Pb]在各智能体之间的快速自适应分配，比传统多智能体算法的收敛速度更快，可满足实时控制的需求。

对多智能体网络的图论分析法做一个简单介绍。用一个图[G（V，E）]来表示MAS的网络拓扑，其中[V]为顶点集，表示每一个智能体，[E]为边集，表示智能体之间的通信连接。如果从每一个智能体都有到其他任意智能体的通路，则称[G]为连通图。对于连通图[G]，存在下文所述3个本文涉及的重要矩阵定义［11］。

将上述邻接矩阵[A]以及加权矩阵[W]的生成方式与2.2节的算法结合，即可实现1节所提控制策略。

3 算例分析

为了验证1节所提策略和2节所提算法的有效性和优势，本节利用Matlab软件从SOC均衡效果、电池寿命分析和算法收敛速度3个方面分别进行仿真分析说明。

3.1 SOC均衡效果

1节所述SOC均衡策略的具体控制流程如图3所示。以西北某厂区微电网的储能功率数据作为算例，采样间隔为1 min，控制时域[Nc=7]，预测时域[Np=10，][ε=0.1]。电池储能系统相关参数及初始SOC如表1所示。

10个电池单元组成的多智能体系统的拓扑结构如图2所示。采用一天24小时的数据进行仿真，功率数据如图4所示。需要注意的是，由于风电和光伏的不确定性，储能系统在某些时刻会呈现较大的功率波动，就会出现图4中A、B和C三处标识的情况，这时对储能的需求会超出单个子系统的额定功率2.5 MW。

采用所提控制策略可得如图5所示的功率曲线。从图5可看出，Pgt;0的功率由充电系统消化，Plt;0的功率由放电系统消化。当出现如图4所示的A、B和C三个特殊时刻时，就需要和另一子系统建立通信连接，共同承担功率指令。分别采用不分组均衡策略和分组均衡策略，利用文献［13］的方法估算SOC，得到图6所示的SOC日变化曲线。由图6可看出，无论是分组均衡策略还是不分组均衡策略，虽然各电池单元的初始SOC各不相同，但随着时间的推移，差距逐渐缩小，各电池单元的SOC慢慢趋于均衡。

通过对比可发现：1）采用不分组均衡策略时，SOC均衡速度明显较慢。各电池单元的SOC都趋于0.5，并只在0.5附近波动，这会大大降低电池容量的利用率。2）采用分组均衡策略时，SOC均衡速度较快，所有电池单元都工作在安全区，当系统中某一电池单元SOC达到阈值时，两个电池系统会交换“角色”，采用这种策略可有效提高电池容量的利用率。

3.2 电池寿命分析

设各电池单元的循环寿命均为3000次，电池的额定充放电深度为90%。采用雨流计数法，对图5和图6a所示的SOC日变化曲线进行统计，利用文献［14-15］的方法将统计的结果折算成额定充放电深度下的日等效循环次数，然后再分别计算各电池单元在分组均衡策略和不分组均衡策略下的寿命，结果如图7所示。从图7可看出，在相同条件下，采用不分组均衡策略，电池寿命只有约250 d，而采用分组均衡策略，电池的寿命能达到500～700 d。这说明，本文所提基于MAS的SOC分组均衡策略能在一定程度上延长电池的寿命。

3.3 算法收敛速度

以充电系统5个电池单元为例进行算法的性能分析。设初始SOC分别为［0.40，0.35，0.30，0.20，0.15］，功率指令[Pb=2 MW，]电池单元容量[C=2 MWh，][Nc=7，][Np=10，][e=0.1]。利用式（26），计算每次迭代后各智能体状态量的误差，然后通过比较传统多智能体算法和2.2节提出的基于MPC的多智能体分布式算法的收敛速度进行算法性能评估。

图8是算法在改进前（传统多智能体分布式算法）和改进后（基于MPC的多智能体分布式算法）收敛速度的对比情况，可看出改进后的算法收敛速度明显超过改进前。

4 结 论

本文以含有多个电池储能单元的分布式储能系统作为研究对象，提出一种基于SOC均衡的分布式电池储能系统协同控制策略，该策略可使各电池单元在正常充放电过程中实现SOC动态均衡。为了实现该策略，首先提出一种基于MAS的SOC分组均衡策略，采用多智能体算法实现SOC均衡；然后针对传统多智能体分布式算法收敛速度慢的问题，提出一种基于MPC的多智能体分布式算法；最后用某微网实际储能功率数据进行仿真验证，得出如下主要结论：

1）基于MAS的SOC分组均衡策略可实现各电池单元SOC的动态均衡，还能提高电池容量的利用率，并在一定程度延长电池寿命。

2）相较于传统多智能体算法，基于MPC的多智能体分布式算法拥有更快的收敛速度，能满足分布式储能系统实时控制的需求。

［参考文献］

［1］ 李建林， 马会萌， 惠东. 储能技术融合分布式可再生能源的现状及发展趋势［J］. 电工技术学报， 2016， 31（14）： 1-10.

LI J L， MA H M， HUI D. Present development condition and trends of energy storage technology in the integration of distributed renewable energy［J］. Transactions of China Electrotechnical Society， 2016， 31（14）： 1-10.

［2］ 田崇翼， 李珂， 严毅， 等. 基于经验模式分解的风电场多时间尺度复合储能控制策略［J］. 电网技术， 2015， 39（8）： 2167-2172.

TIAN C Y， LI K， YAN Y， et al. A multi-time scale control strategy of hybrid energy storage system in wind farm based on empirical mode decomposition［J］. Power system technology， 2015， 39（8）： 2167-2172.

［3］ 张福民， 白松， 李占凯， 等. 基于VSG技术的微电网储能荷电状态控制策略［J］. 电网技术， 2019， 43（6）： 2109-2116.

ZHANG F M， BAI S， LI Z K， et al. Control strategy for microgrid storage system’s state of charge based on virtual synchronous generator［J］. Power system technology， 2019， 43（6）： 2109-2116.

［4］ 柴秀慧， 张纯江， 柴建国， 等. 分布式储能变调节因子SOC下垂控制及功率调节［J］. 太阳能学报， 2021， 42（9）： 477-482.

CHAI X H， ZHANG C J， CHAI J G， et al. Variable adjustment factor soc droop control and power regulation in distributed energy storage［J］. Acta energiae solaris sinica， 2021， 42（9）： 477-482.

［5］ 王枭， 何怡刚， 马恒瑞， 等. 考虑规模化储能的配电网电压分布式控制［J］. 电力自动化设备， 2022， 42（2）： 25-30， 55.

WANG X， HE Y G， MA H R， et al. Distributed voltage control" of" distribution" network" considering" large-scale energy storage［J］. Electric power automation equipmen， 2022， 42（2）： 25-30， 55.

［6］ DAOWD M， OMAR N， VAN DEN BOSSCHE P， et al.Passive and active battery balancing comparison based on MATLAB simulation［C］//2011 IEEE Vehicle Power and Propulsion Conference （VPPC）. Chicago， IL， USA， 2011： 1-7.

［7］ 刘征宇， 夏登威， 姚利阳， 等. 基于耦合绕组的锂电池组主动均衡方案研究［J］. 电机与控制学报， 2021， 25（2）： 54-64.

LIU Z Y， XIA D W， YAO L Y， et al. Research on active balancing scheme of lithium battery pack based on coupled winding［J］. Electric machines and control， 2021， 25（2）： 54-64.

［8］ 李鹏程， 张纯江， 袁然然， 等. 改进SOC下垂控制的分布式储能系统负荷电流分配方法［J］. 中国电机工程学报， 2017， 37（13）： 3746-3754.

LI P C， ZHANG C J， YUAN R R， et al. Load current sharing method of distributed energy storage systems by improved" soc" drooping" control［J］." Proceedings" of" the CSEE， 2017， 37（13）： 3746-3754.

［9］ HOANG K D， LEE H H. Accurate power sharing with balanced battery state of charge in distributed DC microgrid［J］. IEEE transactions on industrial electronics， 2019， 66（3）： 1883-1893.

［10］ 张新松， 顾菊平， 袁越， 等. 基于电池储能系统的风功率波动平抑策略［J］. 中国电机工程学报， 2014， 34（28）： 4752-4760.

ZHANG X S， GU J P， YUAN Y， et al. Strategy of smoothing wind power fluctuation based on battery energy storage system［J］. Proceedings of the CSEE， 2014， 34（28）： 4752-4760.

［11］ BAPAT R B. Graphs and matrices［M］. London： Springer Press， 2014.

［12］ SABER R O， FAX J A， MURRAY R M. Consensus and cooperation" " in" " networked" " multi-agent" " systems［J］. Proceedings of the IEEE， 2007， 95（1）： 215-233.

［13］ 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.

HUANG P C， E J Q. State estimation of lithium-ion battery based on dual adaptive Kalman filter［J］. Energy storage science and technology， 2022， 11（2）： 660-666.

［14］ 严干贵， 朱星旭， 李军徽， 等. 内蕴运行寿命测算的混合储能系统控制策略设计［J］. 电力系统自动化， 2013， 37（1）： 110-114.

YAN G G， ZHU X X， LI J H， et al. Control strategy design for hybrid energy storage system with intrinsic operation life measurement and calculation［J］. Automation of electric power systems， 2013， 37（1）： 110-114.

［15］ DROUILHET S， JOHNSON B L. A battery life prediction method for hybrid power applications［R］. Golden：U.S. Department of Energy， 1997.

CO-CONTROL STRATEGY OF DISTRIBUTED BATTERY ENERGY STORAGE SYSTEM BASED ON SOC EQUALIZATION

Shi Rui1，Zhang Xinyan1，2，Liu Shasha1，Huang Lixiang1，Liao Shiqiang1，Hu Zizhen1

（1. School of Electrical Engineering， Xinjiang University， Urumqi 830017， China；

2. Renewable Energy Power Generation and Grid-connected Technology Engineering Research Center of

Ministry of Education （Xinjiang University）， Urumqi 830017， China）

Abstract：This paper researches the optimal control method and SOC balance strategy of distributed battery energy storage system， and proposes a cooperative control strategy based on SOC balance. The multi-agent system （MAS） theory was used to realize the cooperative control of battery energy storage system， and the multi-agent distributed algorithm was used to realize the adaptive allocation of power instructions，and then realized SOC dynamic equalization. Aiming at the slow convergence of traditional multi-agent algorithm，a distributed algorithm based on model predictive control （MPC） was proposed. MPC was used to optimize the traditional multi-agent algorithm and improve the convergence speed. Finally， the effectiveness of the proposed strategy and the advantages of the algorithm in convergence speed are verified by simulation with the actual energy storage power data.

Keywords：energy storage system； model predictive control； distributed algorithm； co-control； state of charge （SOC）

收稿日期：2022-06-01

基金项目：新疆维吾尔自治区自然科学基金（2021D01C044）；国家自然科学基金（51667018）

通信作者：张新燕（1964—），女，博士、教授、博士生导师，主要从事新能源发电控制与并网技术方面的研究。wjcxzxy@126.com