《Journal of Energy Storage》：A comprehensive analysis of different battery balancing methods for energy storage systems
编辑推荐：
本文对比了四电池组下传统开关式与双超级电容并联式电池均衡技术，发现后者能快速均衡电压和SoC，抑制电压超调，电流波动更小，验证了其高效稳定的特性，适用于实际应用。
Sakthivel Ganesan | Prince Winston David | Hariharasudhan Thangaraj | Praveen Kumar Balachandran
Kamaraj 工程与技术学院，印度维鲁杜纳加尔附近，625701
摘要
电动汽车和便携式系统中使用的电池需要高效的电池管理系统（BMS）来实现充电平衡。本研究调查并比较了在不同初始充电状态（SoC）条件下，基于开关的传统平衡技术和基于超级电容器的平衡技术对四节电池组的影响。结果表明，传统方法的平衡速度较慢，尤其是在初始充电状态差异较大时。相比之下，基于超级电容器的方法能够更快地实现电压和充电状态的均衡。通过并联使用两个超级电容器，可以进一步改善性能，减少电压瞬态过冲，并确保电流分布更加均匀。所提出的方法表现出优异的性能，在1800秒时充电状态均衡率达到82.99–100%，在7200秒时达到92.55–100%。电池端电压保持在4.13 V至5.02 V之间，电流变化控制在-0.65 A至0.23 A之间。这些结果证实，并联超级电容器配置能够提供高效、稳定且快速的电池平衡，适用于实际应用和可再生能源领域。
引言
电能对于工业增长、城市化和经济发展以及我们的日常生活都至关重要。由于电力需求的波动，电力生产和消费之间经常会出现不平衡。电池被用作电动汽车、可再生能源系统等多种应用的电源。[1] 电动汽车的电池系统对其成本有显著影响。电池的老化受到不规则制造工艺、使用环境和因素的显著影响。[2] 由于锂离子电池具有高能量密度、低自放电率、长循环寿命和环保特性，因此被广泛应用于各种领域。[3] 提高电池在电池管理系统中的性能并确保其安全、可靠和经济的运行至关重要。[4],[5],[6] 充电状态（SoC）表示电池中储存的电量与电池满电容量之间的百分比关系。通常，单个电池单元的电压不足以满足大多数设备（如电动汽车）的运行需求，因此需要连接多个电池单元来提供所需的电压。锂离子电池在运行和储存过程中会因锂离子损失、固态电解质界面层生长和阻抗增加而导致容量下降。[7],[8] 减少电池不平衡现象的有效方法是电池均衡。[9] 电池管理系统利用电池均衡技术来平衡各个电池单元的电压。电池均衡方法分为主动型和被动型两种。[10]
被动均衡是最简单的均衡技术之一，它通过电阻或并联的MOSFET将过充电池的多余电能转化为热能。尽管这种技术成本低廉且易于实施，但会导致能量浪费和额外的热量产生，从而给电池的热管理系统带来负担。[11] 主动均衡技术通过在电池单元之间重新分配电荷来提高能量效率，而不是将其转化为热能。其中一种主动方法是仅使用开关，实现高电压电池向低电压电池的直接能量传输。虽然这减少了能量损失并提高了均衡速度，但会增加额外的复杂性和控制难度。近年来，由于超级电容器能够暂时储存多余电荷并在电池单元之间快速传输，因此被广泛用于电池均衡。[12],[13],[14],[15] 并联使用两个超级电容器可以进一步提高均衡速度和效率，因为这增加了能量传输能力并减少了均衡过程中的电压波动。[12],[13],[14],[15] 当前设计采用两级开关电容器技术，在电池单元之间的电容器之间进行切换，从而促进电荷重新分配。尽管这种方法高效，但在切换和多级电容器的使用方面存在一些挑战，具体取决于电池单元的数量。[16] 在本研究提出的设计中，采用了并联超级电容器技术，简化了整个电荷重新分配过程。
研究人员提出了一个结合CNN和LSTM模型以及时间模式注意力网络的框架，取得了相当有希望的结果，预测准确率达到73.32%，均方根误差（RMSE）为1.047%，平均绝对误差（MAPE）为1.849%。[17] 文章指出，该模型成功解决了由于时间依赖性导致的锂离子电池非线性行为问题。研究人员使用分数阶RC模型估计锂离子电池的充电状态，获得了令人印象深刻的准确率，最大误差不超过0.03%，RMSE小于0.7%。[18] Chen等人的工作使用视觉变换模型估计充电状态（SoH），取得了相对有希望的结果，RMSE为0.47%，平均绝对误差（MAE）为0.37%。[19] 研究人员结合深度神经网络和维度注意力机制来改进特征选择过程，实现了最高的预测准确率，RMSE为0.03%，MAE为0.023%。[20] IC曲线和BP神经网络结合使用，预测充电状态的准确率为0.21%，MAE为1.13%，平均误差为1.16%，表明基于特征的电池退化得到了有效建模。[21] 基于LSTM的充电状态估计模型在预测准确性方面表现出色，RMSE小于0.5967%，R2为0.9881，最大误差为0.03，MAE为1.8624。[22]
总之，这些研究表明，数据驱动方法和混合技术的结合可以显著提高电池充电状态（SoH）的估计精度，因为它们能够模拟非线性行为和依赖关系。虽然上述模型主要针对充电状态估计问题，但本研究关注电池均衡和平衡技术的性能。与纯数据驱动的估计模型相比，所提出的解决方案更注重实际应用、简单的电路设计和快速的电池均衡。这些研究共同表明，数据驱动和混合方法可以通过捕捉非线性退化模式和长期依赖关系显著提高SoH估计的准确性。然而，大多数方法主要关注SoH估计，而本研究关注电池均衡性能和平衡策略，这是两个互补但不同的问题。与纯数据驱动的估计方法相比，所提出的方法强调实际应用、降低电路复杂性和使用并联超级电容器实现快速均衡。
文章结构如下：第2节介绍了所提出的技术，2.1节讨论了实验设置，2.2节讨论了充电状态的均衡条件。第3节分析和讨论了结果，第4节提出了结论。
部分摘录
提出的技术
图1(a)展示了电池充电方法的基本布置。这种方法作为方法1的基础，无需切换即可实现直接充电。图1(b)展示了所提出技术的概念性表示。方法2的配置（左侧）是在电池端子之间放置受控开关。方法3则在开关电路中集成了一个超级电容器，如第二个图所示。
案例1
通过分析四种不同方法的充电效果，评估了电池B1–B4的电流、电压和充电状态响应。评估内容包括：
•正常情况（方法1），
•仅使用开关（方法2），
•使用超级电容器（方法3），
•并联使用两个超级电容器（方法4），
对于每种技术，使用了初始充电状态为0%的四个电池（B1–B4）进行评估。所有四个电池（B1–B4）的电流和电压保持一致，为-3 A。
结论
本研究考察了四种不同的电池均衡方法：方法1（传统充电）、方法2（使用开关）、方法3（使用超级电容器）和方法4（并联使用两个超级电容器）。在十二种不同初始充电状态的测试场景中的模拟和实验结果表明，所提出的技术在充电均衡性能上显著优于方法1和方法2。
CRediT作者贡献声明
Sakthivel Ganesan：研究、数据整理。
Prince Winston David：监督、概念化。撰写 – 审稿与编辑、初稿撰写。
Praveen Kumar Balachandran：可视化、验证、正式分析。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。
