任丽红，门秀华

(1.宣化科技职业学院，河北张家口075100；2.廊坊职业技术学院，河北廊坊065000)

电能存储是现代工业的重要技术之一。如果没有储能设备，上至国防科技，下至百姓生活，各个环节均会受到严重的影响。目前，常用的储能方式有三种，分别为机械储能、化学储能和电磁储能。机械储能有弹性储能、液压储能、抽水储水、压缩空气储能、飞轮储能等；而化学储能使用范围比较广泛，有铅酸电池储能、镍系锂系电池储能、液流或钠硫电池储能等；电磁储能主要是指超导磁储能系统。

在以上的储能方式中，机械储能一般都存在着受自然条件制约大、成本高、运行不够稳定等缺点，只会用在较为特殊的场合；而化学储能是目前工农业及百姓生活中应用最多的储能方式，但其代谢产物大多会对环境造成不利的影响，从发展的角度来看，探索新的使用方式是研究的重点；而作为新型的储能方式，电磁储能以其响应速度快、转换效率高、比容量/比功率大等优点成为储能发展的主要方向。同时由于工程师们一直希望以合理的价格生产高效的电池，淘汰内燃机，进入以风能、太阳能等清洁燃料为核心的时代，因此，未来储能工业必将迎来一场关于能源发展的革命。

1 超级电容和蓄电池的机理与特性分析

目前，最常用的蓄电池为铅酸电池。此类电池的最大优点是能量密度高、价格低。但是蓄电池也存在着低温特性差和高倍率、大电流放电会造成缩短寿命的弊端。同时铅酸电池体积大且对环境有危害，影响其在工业生产中大规模使用。

而超级电容是一种利用超导体制成的线圈来储存磁场能量的新型电力储能器件。功率的输送不存在能源形式转换的问题。因此它既具有高放电功率优势，又可以像电池一样具有较大的电荷储存能力，是一种循环寿命长、功率密度大、充放电速度快、高温性能好、容量配置灵活的电能存储形式。

超级电容环境友好且体积较小，因此是一种前景良好的储能方式。但是超级电容也有自身所不足的地方，其本身的能量密度较低，在保持动力的持续性方面有待提高，无法大规模地应用在工农业生产过程中。

因此，如果将蓄电池与超级电容器结合成复合的电源系统，就可以取各自的长处，而摈弃各自的缺点，从而形成一个具有短时高功率输出能力，也具备持久动力的能源储备系统。

2 复合储能系统结构设计

复合储能系统中蓄电池与超级电容器的连接方式一般有3 种，分别为直接并联、通过电感器并联和通过DC/DC 变换器并联[1]。在这三种方式中，直接并联结构简单、成本较低。但是由于超级电容和蓄电池直接相连，要求它们之间的端电压在运行过程中必须保持一致，但是由于二者的基本充放电特性差异较大，因此各自的优势在这种结构下很难达到最佳效果；第二种方式是利用电感器作为超级电容器和蓄电池的中间桥梁，可以一定程度上起到对蓄电池电流滤波、提高功率输出能力的作用，但是系统还是存在端电压不可平衡调和的问题；第三种方式是利用DC/DC 变换器的变流作用，对蓄电池和超级电容器端电压进行隔离，使得蓄电池工作在安全可靠的范围之内。从而实现蓄电池和超级电容器电压自动匹配的功能，从而提高系统的功率输出能力。

本设计采用双向DC/DC 并联形式，如图1 所示。由于双向功率变换器的作用，在工作过程中，超级电容器组的主要任务是提供瞬间功率，蓄电池向系统提供恒流工作，一方面超级电容的大电流能力保证了系统在强工作状态下的大电流放电状态，从而保障了电能的供给，避免了由蓄电池大电流放电所引起的寿命缩短的问题；而另一方面，在功率变换器的作用下，蓄电池以恒流状态向系统供电，保证了系统的可持续性。

图1 蓄电池组与超级电容联接形式

3 复合储能系统的均压及SOC值的计算

由于复合储能系统中超级电容器和蓄电池工作于不同的系统状态阶段，而当系统的状态切换频繁时，超级电容器和蓄电池组的动态转换也较为频繁。同时系统时储能环节充放电频率大时，有效地保证储能环节的储能容量是系统正常工作的前提条件。

衡量一个储能系统容量的重要参数是储能环节的荷电状态(SOC)[2]，SOC 是储能环节剩余容量与总量的比值。这个比值随着系统温度、充放电循环、放电率及其他许多因素的改变而改变，具有高度的不确定性，是一个标准的非线性系统，因此，SOC 计算也必须采用非线性方法。

目前，常用的SOC 计算方法主要有[3]：放电实验法、开路电压法、Ah 积分法、内阻法、线性模型法、卡尔曼滤波法、神经网络法等。其中，开路电压法及放电实验法只适用于电池静止状态时使用；内阻法受外界的影响较大，精确度不够；安时积分法相对简单易用、算法稳定，但是也存在着两大缺陷：第一是该方法需要从SOC 的一个初始值为基础进行计算，而在系统中SOC 的初始值并不容易确定，第二是该方法需要利用开环预测进行SOC 值推断，而开环预测容易积累较大的误差，影响最终结果的准确性。

除以上方法之外，SOC 值的预测还有一些智能算法，相比较而言，神经网络算法是最成熟稳定的一种。

本设计采用BP 神经网络进行SOC 值的预测。为了验证算法的准确性，在以下实验平台下构建算法网络：电池组采用蓄电池为主电池、超级电容器为辅助电池的构建方式，蓄电池由20 个单体电池组成，串联方式，超级电容器与蓄电池组采用双向DC/DC 转换器并联连接，工作电压范围：180～275 V，最大持续充电电流15 A，最大持续放电电流30 A；最大充放电电流分别为40、60 A。系统参数通过电压与电流传感器采集后上传至上位机进行分析，采集间隔为30 s。

利用BP 神经网络对SOC 值进行预测，需要在实验数据的配合下构建神经网络模型，该模型如图2 所示，主要包括输入层、隐含层、输出层等三部分组成。在本例中，输入层的变量主要有三个，矢量表示为[X1,X2,X3]，X1 是实验的充电倍率C，X2 是超级电容器工作电压的数值V1，X3 是蓄电池工作电压的数值V2；输出层的变量只有一个，就是系统的SOC值；而中间的隐含层是构建系统的核心，目前常用的方法是利用Matlab 程序进行仿真计算后确定相应的隐含层参数及结构。隐含层需要确定的参数主要有两个：一个是网络权值与阈值的确定；另一个是传递函数及求和次数的确定。网络权值与阈值表征了系统输入变量对预测结果的影响程度，是构建学习样本初值构建的基础；求和过程根据网络权值与阈值对输入变量进行初步的处理，从而形成有效的学习样本空间；传递函数在本例中选取对数双曲线函数logsig，计算结果形成输出值SOC。本例选取2.0C下的数据作为实验数据，设定误差指数为0.0001，输入Matlab 程序进行仿真计算，网络训练250步，用时5 s，结果如图3 所示。从图中可以看出在SOC 为0%～80%的范围内，预测绝对误差均在5%以内，预测值与实验值相当吻合，精度很好。

图2 神经网络结构图

图3 神经网络预测值与实验值对比图

但是由于神经网络算法收敛性较差，容易陷入局部极小值的问题中，因此，还要结合其他算法对BP 神经网络进行改造。改造的方法有多种，文献[1]采用遗传算法来对收敛性进行改造，而文献[2]采用了粒子群的方法对其进行改造，都取得了不错的效果。

4 总结

本文在研究铅酸蓄电池及超级电容器基本特性的基础上，设计了以铅酸蓄电池为主，超级电容为辅的复合储能系统。该系统兼顾了蓄电池高比能量和超级电容高比功率的优点，形成了动力持续性好且高倍率电流承受好的储能装置。该装置采用双向升降压DC/DC 变换器来保证蓄电池与超级电容器之间的电压平衡工作状态，采用神经网络算法来进行SOC 值的计算，从而保证了系统工作的性能。

[1]徐明辉．基于复合储能的混合动力电动汽车再生制动能量回馈研究[D]．兰州：兰州理工大学，2013：6-7.

[2]路志英，庞勇，刘正光．基于遗传神经网络的自适应电池荷电状态预估模型[J]．电源技术，2004，28(8)：504-507.

[3]刘秋丽，马晓军，袁东，等．粒子群优化神经网络在SOC 估算中的应用[J]．计算机工程，2012，38(12)：143-145.