基于有限控制集模型预测控制框架的电池系统多级过流故障识别与限制方法：设计与测试

《Journal of Energy Storage》：A multilevel overcurrent fault identification and limitation methodology in battery system based on finite control set model predictive control framework: Design and test

　　

摘要：本文首次提出并测试了一种基于有限控制集模型预测控制（FCS-MPC）的新型智能自适应控制算法，用于高温超导薄膜限流器（HTS-TFCL），以限制电池系统中不同等级的过电流。由于传统故障限流器无法有效限制电池系统中由不同类型短路故障引起的不同等级过电流，因此，所提出的集成多级限流功能的 HTS-TFCL 可用于限制多级过电流。此外，针对传统固定阈值方法的局限性，建立了一种混合预测模型，将离散开关逻辑与 HTS-TFCL 的高度非线性电热理论深度耦合。此外，还设计了一种自适应代价函数，以实时优化限流效果、母线电压稳定性和热约束之间的权衡。对比控制分析结果表明，所提出的 FCS-MPC 可将峰值电流保持在 576.48 A，并在随机故障条件下消除电流超限。此外，所提出的 FCS-MPC 可将平均故障电压提高到 82.47 V，并将峰值温度降低到安全阈值以下。而且，所提出的 FCS-MPC 框架可使限流器能够区分不同类型的短路故障，并执行按需限流策略。综合仿真和硬件在环（HIL）实验结果表明，所提出的 FCS-MPC 策略可按照预期运行，实现精确的故障严重程度识别和自适应限流单元选择。这项工作的意义在于，应用带有 FCS-MPC 控制框架的 HTS-TFCL 可提供过流故障识别和限制功能，提高电池系统在不同类型短路故障下的运行稳定性和可靠性。

引言：现代电力系统，特别是可再生能源和分布式微电网系统，日益复杂和动态化，这显著突显了储能系统（ESS）的重要性 [1], [2], [3]。与其他储能技术相比，混合储能系统（HESS）结合主化学 ESS（电池）和次级物理 ESS（如超级电容器、电感），被广泛用于平衡高能量密度和高功率密度的需求。然而，实际的电池 ESS 阵列由单个电池单元组成，这种配置使其极易受到不同类型短路故障的影响，产生不同等级的过电流，成为 HESS 安全运行的关键瓶颈（如破坏电池循环寿命和整个系统的瞬态稳定性） [4], [5], [6], [7]。与传统电网扰动或高阻抗故障 [8] 不同，电池阵列中的短路故障包括单个电池单体内部短路、固态开关击穿短路、连接线重叠短路等。由于传统过流限制器（CL）存在许多缺点，如限流范围有限、功耗更高、响应时间更长 [9], [10], [11], [12], [13] 等，因此，它们无法有效限制多级过电流，应研究和探索新型限流技术。

基于优异的电磁特性，高温（HTS）材料已被用于制造 CL，因为它们不影响系统正常运行（处于超导状态），但可有效限制过电流 [14], [15]。与 HTS 带材和 HTS 块材相比，HTS 薄膜（HTS-TF）具有体积和重量方面的优势特性，因此，它可被用作限流领域和其他电磁领域的微型化和轻量化设备 [16], [17], [18], [19]。因此，我们提出并测试了基于 HTS 薄膜的多故障限流等级集成 HTS-TFCL，以对抗不同类型的短路故障 [20]，以改善其他 HTS-CL 固定限流等级的不足。通过将多级 CL 单元集成在一块 HTS 薄膜中，可进一步提高实现微型化、轻量化和低条件特性的科学意义和工程价值。此外，随着人工智能（AI）技术的发展，它已被用作 HTS 应用领域的新方法，以实现 HTS 设备的更好性能 [21]。因此，基于我们先前关于 HTS-TFCL [4], [20] 和 AI 控制技术的工作，本文首次提出了集成多级限流功能的智能自适应 HTS-TFCL 设备（其作用如图 1 所示）。

所提出的智能自适应 HTS-TFCL 可用于限制电池阵列中由不同类型短路故障引起的不同等级过电流，以提高智能水平和自主决策能力（操作原理示意图如图 2 所示）。考虑到 HTS-TFCL 设备固有的非线性本构关系和复杂的多目标优化控制问题，本文采用模型预测控制（MPC）作为控制框架，因为它可以预测系统未来状态并在有限时域内解决优化问题以确定最优控制动作 [13]。此外，有限控制集 MPC（FCS-MPC）特别适合具有离散开关状态的 HTS-TFCL 设备 [22], [23], [24], [25]。文献综述逻辑和比较见表 1。通过评估有限数量的候选动作并选择最小化代价函数，FCS-MPC 可以消除对复杂调制和连续优化的需求，显著减少计算负担并保持更高的控制精度。

在我们先前 [4], [20] 的工作中，分析了 HTS 薄膜设备和可重构限流模式，而本文侧重于所提出的 FCS-MPC 控制框架的过流故障识别、电流 - 电压 - 温度目标协调以及 HIL 验证。尽管先前的工作已证明了基于 HTS 薄膜的限流设备和多级过流限制结构的可行性，但故障严重程度、限流深度、母线电压和 HTS 薄膜热安全性之间的在线协调应进一步研究。特别是，固定阈值或磁滞策略无法明确预测 HTS-TFCL 的电热响应，以及优化快速变化故障条件下电流、电压、温度和开关动作之间的权衡。因此，本文提出并测试了一种基于 FCS-MPC 的 HTS-TFCL 新型智能自适应控制算法，用于限制电池系统中不同等级的过电流。

本文的增量贡献如下：(a) 提出了一种混合预测模型，将离散开关逻辑与 HTS-TFCL 的非线性电热性能耦合；(b) 建立了一种协调电流安全、母线电压维护、热约束和开关动作的 FCS-MPC 策略；(c) 进行并测试了实时多级故障严重程度匹配和限流单元选择的仿真与 HIL 验证；(d) 开展了面向部署的仿真，以量化热模型灵敏度、传感不确定性、退化代理和计算缩放。

本文中，FCS-MPC 的核心内容是建立一种耦合离散开关状态的混合预测模型，以应对 HTS-TFCL 的非线性电热本构关系。由于现有的磁滞或固定阈值方法无法动态权衡限流、电压维护和热安全性，因此，应进一步研究适用于复杂电磁干扰环境的鲁棒、自适应和实用的 FCS-MPC 策略。因此，本文提出并测试了基于 FCS-MPC 的优化协调策略，用于电池系统中智能自适应多故障限流等级集成 HTS-TFCL。本工作的目标是：开发一种混合预测模型，将离散开关逻辑与 HTS-TFCL 的非线性电热本构关系深度耦合，以模拟其限流功能；通过在过流限制过程中引入预测温度约束和开关惩罚，监控 HTS-TFCL 的温升；设计一种动态平衡多个目标（限流、电压稳定性和热安全性）的 FCS-MPC 代价函数，实现智能自适应选择。FCS-MPC 在智能自适应多故障限流等级集成 HTS-TFCL 设备中的应用是一种新方法，试图探索 HTS 电气技术与 AI 技术的结合，实现对电池系统中不同等级过电流的自适应选择限流单元的智能自主决策。

本文的结构如下（概念图如图 3 所示）：第 2 节介绍了 HTS-TFCL 的建模原理分析。第 3 节介绍了所提出的 FCS-MPC 框架。第 4 节介绍了所提出的自适应控制算法的仿真结果和实验结果。最后，第 5 节对本文进行了总结。

章节摘要
HTS-TFCL 的建模原理分析
基于麦克斯韦电磁理论和超导非线性电磁功率定律，进行 HTS-TFCL 的失超建模，以分析和模拟其限流特性。首先，通过求解 (1) 可获得 HTS-TFCL 设备的电阻率：
??=?????????(??????)???1=?????????(??????)1?1??
而其电阻率的另一种表达式也可通过磁通电阻实验获得：
??=?{
{?{
{?0??????
其中 ρnorm 是 HTS-TFCL 的电阻率。
面向多故障限流等级集成 HTS-TFCL 的 FCS-MPC 策略
多故障限流等级集成 HTS-TFCL 的 FCS-MPC 框架架构如图 4 所示。如前所述，本文提出并分析了 FCS-MPC 策略，以在电池 ESS 中提供智能自适应过流限制性能。与传统磁滞控制相比，所提出的 FCS-MPC 可提供 HTS-TFCL 的热特性考虑，并优化限流深度与母线之间的权衡分布。
FCS-MPC 策略的仿真结果与实验结果分析
进行了多维度验证分析，以验证所提出的多故障限流等级集成 HTS-TFCL FCS-MPC 协调策略的性能。首先，在 MATLAB/Simulink 中建立离线仿真模型，以评估随机故障条件下电流、电压、热、不确定性和参数灵敏度行为。其次，搭建了硬件在环（HIL）测试平台，以验证实时执行效率和

结论
在本文中，首次提出并测试了一种基于 FCS-MPC 的 HTS-TFCL 新型智能自适应控制算法，用于电池系统多级过流条件。所提出的框架将电热预测模型与 FCS 相结合，因此控制器可以根据故障严重程度选择合适的 CL 单元，同时考虑电流安全、母线电压支撑、热约束和开关动作。基于多级故障限流

CRediT 作者贡献声明
雷亮：撰写 – 原稿，方法论，调查，资金获取，形式分析，数据管理，构思。蒋思齐：构思。严仲明：构思。冷敏睿：构思。王宇：构思。

竞争利益声明
作者声明，他们没有任何已知的竞争财务利益或个人关系，可能会影响本文所报告的工作。

致谢
作者感谢黄天鹏博士和邱一滨博士在改善本文内容方面提供的帮助。本工作部分得到了国家自然科学基金（52307031）的支持。

雷亮 | 蒋思齐 | 严仲明 | 冷敏睿 | 王宇
超级高速真空管磁浮运输研究中心，轨道交通国家实验室，西南交通大学，四川成都，610031，中国