鋰離子電池/超級電容器混合儲能系統能量管理方法綜述

宋元明，劉亞杰，金 光，周 星,3，黃旭程

（1國防科技大學系統工程學院；2多能源系統智慧互聯技術湖南省重點實驗室；3國防科技大學前沿交叉學科學院，湖南 長沙 410073）

儲能技術作為新能源產業的重要支撐技術，常用于電網功率的削峰填谷[1-6]、克服可再生能源發電的間歇性、改善電能質量[7-8]，以及為電動汽車[9-14]、輕軌列車[15-17]、船舶[18-22]等交通工具提供動力來源。隨著儲能技術的發展，鋰離子電池(lithium-ion battery，LIB)以其較高的能量密度、較好的功率性能、極低的自放電率和較低的成本，成了新能源產業中應用最為廣泛的儲能器件[23]。但單純由LIB 構成的儲能系統仍有許多不足之處，例如在低溫下使用時其性能劣化嚴重、壽命快速衰減[24]，大倍率脈沖放電以及功率吞吐需求波動較大的工況也會導致LIB儲能系統的快速老化[25-28]；此外，由于LIB功率性能并不突出，在功率需求高、能量需求低，抑或是對儲能系統有著長壽命要求的應用場景下需要堆疊過多的電池單體，這導致系統體積重量過大，電池購置、運行與管理成本高昂。

因此，如何改善LIB 的工作條件，減緩其容量衰減成了儲能技術研究的核心問題[26]。將2 種或2 種以上的儲能系統組合成一個混合儲能系統(hybrid energy storage systems，HESS)可以揚長避短，較好地解決低溫、大倍率脈沖放電以及功率波動影響LIB 系統壽命的問題[14,24,28-29]；HESS 中的功率型器件和能量型器件可以按照應用需求靈活配置，能夠避免堆疊過多的電池單體[28]，降低儲能系統購置、運行與管理成本。

當前主流的儲能系統的性能參數如表1 所示，其中超級電容器(supercapacitor，SC)在體積、成本、工作方式、日歷壽命等應用條件方面與LIB接近，而在功率密度、能量密度、自放電率、循環壽命等電氣性能方面與LIB可以形成很好的互補，由LIB 和SC 構成的HESS 已被廣泛用作各類電動交通工具的動力源或功率緩沖系統[9-22,45-46]，以及電網、風電場與光伏電站的配套儲能系統[2-6,47]；目前學界關于HESS 的研究也大多基于LIB 與SC 構成的HESS展開。

表1 主流的儲能系統性能參數Table 1 Performance parameters of mainstream energy storage systems

雖然鋰離子電池/超級電容器(lithium-ion battery /supercapacitor，LIB/SC)混合儲能系統相比純LIB儲能系統有明顯優勢，但要實現LIB與SC的優勢互補，需要將負載的實時功率在二者之間進行科學合理的分配，這給LIB/SC 混合儲能系統的能量管理策略設計帶來了不小的挑戰。因此，本文從LIB/SC 混合儲能系統拓撲結構出發，簡要介紹了LIB/SC 混合儲能系統的能量管理系統(energy management system，EMS)框架以及其中的功率分配底層控制流程，而后重點對LIB/SC 混合儲能系統的能量管理方法進行了分類闡述與對比分析，最后總結了現有能量管理方法的特點，并展望了LIB/SC 混合儲能系統能量管理的發展趨勢和下一步的研究方向。

2 混合儲能系統能量管理技術概述

2.1 混合儲能系統拓撲結構概述

HESS拓撲結構的選擇決定了其能否經由混合儲能EMS 進行功率分配控制。按照子系統間功率分配是否受控，現有的LIB/SC 混合儲能系統拓撲結構可以分為受控式[4-5,48-77]拓撲和無控式拓撲[78-85]2大類，如圖1所示。

圖1 HESS拓撲分類Fig.1 Classification of HESS topologies

在受控式HESS 中，混合儲能EMS 通過對雙向DC/DC變換器的控制實現子系統間的功率分配。按照雙向DC/DC 變換器的使用數量和連接方式，受控式HESS 拓撲可以分為全主動式拓撲[4-5,48-53]和半主動式拓撲[54-70]2 種類型，如圖2(a)和圖2(b)、(c)所示。

圖2 HESS拓撲結構Fig.2 Topological structures of HESS

圖2(a)展示了全主動式HESS 的拓撲結構[5,49-53]。在該拓撲中，LIB 和SC 子系統分別通過雙向DC/DC 變換器連接到直流總線上；此時各個子系統的輸出功率與總線電壓均可控，適用于對總線電壓穩定性要求較高的應用場景。

實現LIB 子系統和SC 子系統間的電流受控分配是受控式HESS拓撲最主要的功能。當負載需求功率一定時，采用半主動式結構的HESS只通過一個雙向DC/DC 變換器控制與之相連的子系統的輸出功率，其余功率需求由另一子系統補足，也能實現受控的功率分配；但此時總線電壓不再可控[54]。圖2(b)和圖2(c)展示的是半主動式HESS 的2 種不同構型，當SC子系統通過雙向DC/DC變換器接入總線，LIB 子系統直接與總線連接時稱為電容半主動結構[11,54-63]，反之則稱為電池半主動結構[64-70]；半主動式結構，尤其是電容半主動結構是目前最常用的HESS拓撲結構。

此外，在上述的各類型受控式HESS拓撲基礎上，有學者根據HESS實際應用中的工況特點，通過添加受控開關、調整連接方式、改用單向DC/DC等方法[71-77]，以達到依托應用場景有針對性地減輕變換器的重量、提高能量利用效率等目的，但其核心功能仍是實現子系統輸入輸出功率的受控分配。

無控式的HESS中不使用DC/DC變換器，LIB子系統和SC子系統都直接與直流總線相連[78-85]，這類拓撲結構被稱為被動式拓撲，具有結構簡單、成本較低的優點。圖2(d)展示了一種常見的被動式HESS 拓撲結構[78-83]，在這種典型被動式結構的基礎上，有少數學者根據應用需求在電池支路中串聯了電感或二極管[84-85]，以起到降低電流紋波或是控制電流方向的作用?？偟膩碚f，各類被動式HESS均不能實現子系統功率的受控分配，各個子系統的功率輸出比例由其各自的內阻決定。

HESS能量管理的核心是實現負載需求功率在LIB與SC子系統間科學合理地分配，而對于HESS拓撲來說，僅受控式拓撲可以實現子系統間的功率受控分配。因此，本文所述的能量管理方法適用于主動式、半主動式等受控式HESS，無控式(被動式)HESS 是無法進行能量管理的。各類HESS 受控參數的匯總如表2 所示。

表2 各類HESS拓撲受控參數匯總Table 2 Summary of controlled parameters of various HESS topologies

2.2 混合儲能系統拓撲結構概述

2.2.1 混合儲能能量管理系統功能架構

混合儲能EMS 是保障HESS 經濟穩定運行、充分發揮LIB 與SC 性能優勢的關鍵所在[38]，其主要功能是在對儲能系統溫度、總線及分系統的電壓與電流等信息進行采集、處理與分析的基礎上，以滿足負載的實時功率需求為前提，對各子系統的輸入輸出功率進行決策與控制，以延長HESS 壽命[9,12,56-58,60-61,64,70,86-87]、 提 升 電 能 利 用率[55-58,60,62-64,67,87]，實現系統的穩定、高效、經濟運行[6,11,56-57,59-60,62,64,87]。此外，混合儲能EMS 還需具備傳統電池管理系統(battery management system，BMS)在測量、評估、均衡與保護等方面的功能[88]。

混合儲能EMS 功能架構如圖3 所示。其中混合儲能EMS主控單元主要有3方面功能：

圖3 混合儲能EMS功能架構Fig.3 Functional architecture of hybrid energy storage EMS

①通過各類傳感器采集總線、LIB子系統和SC子系統的電壓、電流與溫度數據。

②與子系統BMS 通信，獲取LIB 子系統與SC子系統的荷電狀態(state of charge，SOC)、健康狀態(state of health，SOH)等狀態信息，并下達管理指令，經由子系統BMS 完成子系統內單體的電壓/電流/溫度數據測量、SOC 與SOH 估計、單體SOC均衡與再分配、熱管理與過壓/過流/過溫保護等BMS功能[88]。

③對于子系統功率輸出可控的HESS，混合儲能EMS 主控單元需結合其接收的傳感器數據、子系統狀態數據等信息，在滿足負載的實時功率需求的前提下對各子系統的輸入輸出功率進行決策，并將決策得到的功率分配參考值傳達給控制器以實現功率分配控制；對于總線電壓也可控的HESS，EMS 主控單元還需對總線電壓進行控制，其過程與前述功率分配控制類似，此處不再贅述。

可以看出，對于子系統功率輸出可控的HESS，其EMS 的主要功能是基于必要數據的采集，進行功率分配控制，以實現HESS的高效、經濟、長壽命運行；測量、評估、均衡與保護等傳統BMS 功能由下級子系統BMS 完成。當子系統功率輸出不可控時，混合儲能EMS 的功能架構就不再包括功率分配控制部分(即圖3中短劃線框與短劃線箭頭部分)，此時混合儲能EMS 實際上相當于一個模塊式BMS[88]。由于主題所限，本文不對此類BMS的相關管理方法進行討論。

2.2.2 混合儲能能量管理系統功率分配控制

混合儲能EMS 主控單元依托其上運行的能量管理算法，向底層控制器給出功率分配參考值，而后通過底層控制器對受控式HESS拓撲結構中DC/DC 變換器的控制實現子系統間的功率分配。對于半主動式HESS，底層控制只涉及子系統間的功率分配控制；主動式HESS還需控制總線電壓[89]。由于半主動式拓撲的底層控制問題是主動式拓撲底層控制問題的子集，在底層控制方面下文僅以主動式HESS為例進行概述。

圖4 展示了主動式HESS 功率分配控制的一般流程。其中，HESS能量管理算法在混合儲能EMS主控單元中運行，實時接收負載需求功率和LIB、SC子系統的電壓、電流、溫度、SOC等數據，作為能量管理算法的輸入?；谇笆鲚斎霐祿?，EMS主控單元依托能量管理算法向底層控制器給出總線電壓參考值以及任一子系統的輸出電流參考值(另一子系統的輸出電流參考值可由控制算法在進行總線電壓控制時計算得出)。而后，底層控制器中的功率分配控制算法以前述參考值和所需反饋數據作為輸入，以DC/DC 變換器中各個電力電子開關脈寬調制(pulse width modulation，PWM)的占空比為控制量實現HESS 功率分配的底層反饋控制。

圖4 主動式HESS功率分配控制一般流程Fig.4 General flowchart of HESS power distribution control for fully active topologies

3 混合儲能系統能量管理方法

HESS 能量管理算法以負載需求功率和LIB、SC子系統的電壓、電流、溫度、SOC等數據為輸入，其主要功能是向底層控制器給出子系統輸出電流參考值(若總線電壓受控，還需給出總線電壓參考值)?；旌蟽δ蹺MS 中搭載的能量管理算法可以通過不同的HESS能量管理方法獲得；不論方法復雜與否，能量管理算法都應具備實時在線應用的能力。按照技術路線的不同，HESS能量管理方法可以分為基于經驗[55,61,87-92]、基于優化[12,18,57,62,64,66,93-99]、基于工況模式識別[11-12,60,65,100-102]和基于機器學習[67-68,103-115]4大類。

3.1 基于經驗的能量管理方法

在需求功率一定時， EMS 采集所需信息，計算出LIB 和SC 分系統各自輸出功率的參考值并傳遞給HESS控制單元以實現功率分配。以需求功率大小和LIB、SC 的SOC 狀態等作為輸入參數，依托邏輯門限控制方法[87-90]、模糊邏輯控制方法[91]或是各類濾波方法[55,61,92]，從專家經驗出發設計一種固定的規則是獲取功率分配參考值最直接的辦法。

其中，基于邏輯門限控制方法的HESS能量管理是通過將各項實時輸入參數與基于專家經驗預先設定的邏輯門限值進行比較，繼而按照經驗規則分配LIB 與SC 的輸出功率，是一種簡單、快速、穩定的能量管理方式[87]；基于模糊邏輯控制方法的能量管理是依托模糊數學的原理，將專家經驗映射為一系列能量管理規則[91,93]，這種方法借助了隸屬度函數的概念，能夠很好地處理HESS功率分配中的模糊關系；基于濾波的能量管理則是從盡量平滑LIB 的功率輸出曲線，以減緩LIB 老化的經驗原則出發，借助小波變換和自適應濾波等方法將需求功率分解為高頻部分和低頻部分[25]，將它們分別分配給SC和LIB。

傳統的邏輯門限控制方法采用固定的邏輯門限值進行功率分配，在需求功率發生較大變化時其功率分配結果往往并不合理[90]。為解決這一問題，文獻[90]對傳統的HESS 邏輯門限功率分配控制方法進行了改進，在邏輯門限控制框架下采用一種基于專家經驗設計的模糊邏輯控制器替代了固定的邏輯門限值，改進型邏輯門限控制方法相比于常規邏輯門限控制方法，在能量分配合理性、LIB 峰值輸出電流和能量利用效率方面均有一定的性能提升。文獻[91]則直接應用模糊邏輯的方法進行HESS內SC和LIB子系統間的功率分配，在設計了合理的隸屬度函數對輸入參數進行模糊化后，依托專家經驗定義了模糊控制規則，相比純電池系統大大降低了LIB 的峰值輸出電流，達到了延長其使用壽命的目的。文獻[61]對傳統的基于固定截止頻率的低通濾波方法進行改進，提出了一種自適應頻率的濾波方法，基于這種方法設計了一套能量管理規則，將SC 作為低通濾波器使用，通過避免LIB 頻繁地充放電來保護LIB。文獻[55]通過基于模糊邏輯控制器的自適應低通濾波器實現HESS的能量管理，相比基于固定截止頻率低通濾波的能量管理方法以及純電池系統的能量管理方法，在提高電能利用效率和平滑LIB 輸出功率方面有明顯提升。文獻[92]提出了一種自適應HESS功率分配方法，該方法通過動態濾波算法對負載需求功率特性進行識別，根據功率曲線波動情況給出相應的濾波系數，能夠很好地發揮LIB和SC各自的特性，延緩LIB的老化。

在前述能量管理方法中，由專家經驗出發，基于邏輯門限方法或是模糊邏輯方法生成的能量管理規則具有簡單實用、可靠性高、實時性好的優點，其中模糊邏輯方法的應用避免了固定的邏輯門限值在某些情況下會導致功率分配不合理的問題。從減少LIB的輸出功率波動的經驗原則出發，基于濾波的方法通過將需求功率中的高頻分量分配給SC，能夠達到平滑LIB輸出功率曲線的目的；這類方法也可以與模糊邏輯方法結合以提高能量管理規則的靈活性與合理性[55]。

基于經驗的能量管理規則雖然簡單可靠、實用性強，但由于其從專家知識出發確定規則，這種規則的最優性難以保證[62]。此外，學者們在評價通過基于經驗的方法得到的能量管理規則的效能時，一般會從該規則是否對作為輸入的專家經驗進行了正確表達、是否符合常理的角度進行評估，或是選取另一種更簡單的經驗規則進行定性的對比，在方法的效能評估方面缺乏充分的定量分析。

3.2 基于優化的能量管理方法

HESS 的能量管理本質上是尋找一定條件下LIB 與SC 之間最優的功率分配方式，這容易表達為一個單或多目標優化問題。在功率分配優化中，常以最小化HESS能量損耗、最小化HESS購置與運行成本，以及最大化HESS 壽命作為優化目標，以HESS組成器件性能約束和負載功率需求約束等作為約束條件[57,62,64]。

按照是否需要在HESS運行中對功率最優分配問題實時進行求解，可將基于優化的能量管理方法分為2 類，分別是基于離線優化的能量管理方法[12,62,93-95]和基于模型預測控制的能量管理方法[18,57,64,66,96-99]。

3.2.1 基于離線優化的能量管理方法

由于基于經驗的能量管理規則的最優性難以保證，研究者們希望基于功率最優分配問題的求解結果設計HESS的能量管理規則，以減少對經驗的依賴，提升能量管理策略的最優性和有效性。因此，不同于基于經驗的方法從專家知識出發確定能量管理規則，基于離線優化的能量管理方法依托歷史工況數據進行功率分配問題的優化求解，而后基于求解得到的最優功率分配方案設計能量管理規則?；陔x線優化的能量管理框架如圖5所示。

圖5 基于離線優化的能量管理框架Fig.5 Energy management framework based on off-line optimization

隨著優化理論與優化算法的不斷發展，很多方法都可以用來對功率分配進行優化，常用于求解此類優化問題的方法是動態規劃(dynamic programming，DP)[包括確定性動態規劃(deterministic dynamic programming， DDP)[93-94,99-116]隨機動態規劃(stochastic dynamic programming，SDP)[56]]、龐特里亞金極小值原理(pontryagin minimum principle，PMP)[72]以及粒子群優化(particle swarm optimization，PSO)、遺傳算法(genetic algorithm，GA)等各類智能算法[25,86]。這些方法計算開銷大，難以作為在線方法在實踐中應用，因此在求得功率最優分配問題的解集后，一般還要通過邏輯門限法或模糊邏輯法提取能夠在線應用的最優功率分配規則[62,93]，或是將優化結果中的變量離散化，EMS通過查表和插值運算實現在線功率分配[56]。文獻[94]和文獻[95]分別采用DP 方法和PMP 方法求解HESS功率最優分配問題，而后基于求解結果來評價并改進現有能量管理規則。文獻[93]在通過DP方法獲得最優功率分配控制問題的全局最優解后，采用模糊邏輯方法生成能量管理規則以減少人為因素的影響，但在隸屬度函數的設計和去模糊化等過程中仍然依賴設計者的經驗。文獻[62]將譜法和高斯積分法相結合，提出了一種偽譜方法求解HESS功率最優分配問題，在保證解的最優性的前提下提高了對功率最優分配問題的求解效率，并采用邏輯門限方法從最優解中提取能量管理規則。

基于優化的能量管理方法從功率分配優化結果出發設計規則，避免了專家經驗可能有疏漏的問題；在能量管理規則的效能評估方面，從優化結果中通過邏輯門限或者模糊邏輯等方法提取的在線能量管理規則可以將最優功率分配結果本身的性能作為比較基準，能夠實現定量而非以往定性的對比分析。對于已知工況，通過DP 等精確優化算法求得的全局最優解不僅可以用于提取在線的能量管理規則[12,93,117]，還可將該全局最優解在減少系統電能損耗、減緩LIB退化等方面的性能參數作為其對應工況下能量管理方法效能的上限[116]，與新提出的各類在線能量管理方法進行對比以分析新方法的性能表現。

3.2.2 基于模型預測控制的能量管理方法

基于離線優化的能量管理方法中的功率分配優化是依托歷史工況數據進行的，在未來工況隨機性較強，與歷史工況存在較大差別時，應用此類方法進行能量管理往往性能不佳。為解決這一問題，有學者嘗試將模型預測控制(model predictive control, MPC)框架應用于HESS的能量管理，通過在MPC 框架下開展以負載功率需求為表征參數的多步預測，對HESS 的功率分配進行實時的優化控制。

模型預測控制又稱滾動時域控制(receding horizon control, RHC)，其當前控制動作是在每一個采樣瞬間通過求解一個有限時域開環最優控制問題獲得的；MPC 方法以當前狀態作為最優控制問題的初始狀態，并且只執行解得的最優控制序列中的第一個控制動作[116]。對于HESS 而言，基于MPC的能量管理框架如圖6所示，其中當前值和預測值序列是指當前及預測區間內LIB與SC的SOC、電壓、電流等參數，功率分配參考值序列則是求解得到的控制區間內所有功率分配參考值組成的序列；基于MPC的能量管理通常包括以下步驟[66]：

圖6 基于MPC的能量管理框架Fig.6 Energy management framework based on MPC

①預測負載未來一段時間(預測區間)的工況特征(例如電動交通工具的速度等)或需求功率，基于預測結果運用各種優化方法實時求解預測區間內的功率最優分配問題；

②將解得的功率分配參考值序列(控制序列)中的第一個值作為輸出，傳遞給功率分配控制器，執行功率分配控制；

③在下一時刻更新當前負載需求功率和LIB、SC的狀態參數，而后再次執行步驟①[57]。

基于MPC 的能量管理的性能優劣在很大程度上取決于對未來功率需求的預測精度[96]。因此，在MPC 框架下選擇合適的預測方法和優化算法非常重要?；贛PC 的能量管理中對未來工況特征或需求功率進行預測可采用需求轉矩指數遞減模型[97]、自回歸模型[118]、馬爾科夫鏈(markov chain，MC)模型[119-120]和神經網絡(neural networks，NN)模型[121-122]等。其中需求轉矩指數遞減模型和自回歸模型方法計算量小，但精度不高，近年來基于MPC的能量管理系統中常用的預測方法是基于MC 和NN 的方法[123]。MC 預測模型可以分為一階MC 模型、二階MC 模型和高階MC 模型[64]，其計算成本和預測精度是遞增的。在數據量較少的情況下，MC 模型計算效率高，預測精度好；但基于大量數據進行預測時MC方法的性能不佳。此時可以考慮基于NN 方法進行所需參數的預測：文獻[99]采用深度神經網絡(deep neural networks，DNN)進行預測，并證明了相比反向傳播(back propagation，BP)神經網絡，DNN 更適合用于參數預測；文獻[64]提出了一種基于長短期記憶(long short-term memory，LSTM)速度預測模塊的MPC方法，并驗證了其在HESS能量管理上的有效性。

MPC 框架中控制優化問題可以采用PMP 算法[124]、DP 算法[125]、非線性規劃算法[98]或二次規劃算法[126]等優化方法進行求解，在實際應用中優化算法的選擇需要考慮計算復雜度和問題特點。例如，文獻[57]考慮到基于采用DP 求解框架內優化問題的MPC 的實時可行性，將DP 運算模塊部署在云端，通過與車載MPC 模塊的定時交互實現了在線的能量管理?？傮w而言，基于MPC 的HESS 能量管理方法能夠在提高能量利用率和混儲系統壽命等方面達到更好的效果，但其計算成本也相對高；在線應用時需要平衡好能量管理的精度和實時性，以達到最佳的實際效能。

3.3 基于工況模式識別的能量管理方法

與前述的基于離線優化的能量管理方法類似，基于工況模式識別的能量管理方法[11-12,60,65,100-102]同樣需要依托歷史工況數據進行能量管理策略的設計。其不同之處在于，基于離線優化的方法針對所有已知的歷史工況數據求取最優功率分配方案，并基于該求解結果提取功率分配規則；而基于工況模式識別的方法將歷史工況數據劃分為多種不同的工況模式，針對每一種工況模式預先獲取與之對應的最優功率分配規則，而后在HESS運行中識別當前工況所屬的工況模式，應用對應的最優功率分配規則，并通過對當前工況的定期重新識別來應對實際工況的隨機性?；诠r模式識別的能量管理框架如圖7所示。

圖7 基于工況模式識別的能量管理框架Fig.7 Energy management framework based on working condition pattern recognition

以HESS在新能源汽車上的應用為例，相關的能量管理研究常?；谥袊获{駛循環(Chinese bus driving cycle，CBDC)或者是新歐洲駕駛循環(new European driving cycle，NEDC)等標準工況，應用3.2.1節所述DP方法就可以求得在某個標準工況下全局最優的功率分配規則。最初的基于工況模式識別的能量管理方法直接將現有的各類標準循環工況作為不同的工況模式[100-101]。這種工況模式劃分的方式過于粗糙，實際駕駛工況往往很難與各類標準工況具有足夠的相似程度，因而將標準循環工況直接作為工況模式的能量管理方法在實際應用中效果不佳。針對這一問題，學者們考慮將標準循環工況劃分成多段“微循環”工況[11-12,60,65]，并基于這些“微循環”獲取最優功率分配規則，以兩個相鄰的微循環會具有類似的工況特征[11,60,65]這一假設為前提，通過實時的“微循環”模式識別將適宜的功率分配規則應用到在線的能量管理中。

“微循環”可以以標準循環工況中功率需求為0的點作為分隔點[12,65]，也可以直接按時間長度(例如每60 s 或每100 s)進行劃分[60]，抑或是設定一個“微循環”最大持續時長，待劃分的“微循環”低于最大持續時長時以標準循環工況中功率需求為0的點作為分隔點，而待劃分的“微循環”超過最大持續時長時以最大持續時長強制劃分“微循環”[11]。在“微循環”劃分完畢后，文獻[65]將工況模式識別框架與基于優化的方法相結合，通過DP 得到已劃分的駕駛“微循環”工況的最優控制規則，而后以該“微循環”工況中平均行駛速度和最高行駛速度為輸入，通過模糊邏輯方法將實時工況與預先劃分的“微循環”進行匹配，并應用對應的最優能量管理規則。文獻[12]對前述方法進行了改進，以工況的能量需求和最大功率需求作為模糊邏輯模式識別的輸入，將實時工況與“微循環”進行匹配，而后應用對應的能量管理規則；該規則同樣是基于已劃分的“微循環”工況數據，預先采用DP進行優化計算得到的。文獻[102]同樣利用模糊邏輯方法實時識別工況模式，不同之處在于其利用粒子群算法對“微循環”工況下優化HESS功率分配進行優化。文獻[11]以駕駛工況中的實時速度和功率需求進行工況模式識別，通過NN 擬合最優功率分配曲線參數的方法得到各個“微循環”對應的能量管理規則。文獻[60]則是在工況模式識別框架下，采用自適應小波變換方法進行功率分配，基于“微循環”識別結果動態調整小波變換的分解級別，并結合模糊邏輯控制將SC 的SOC 保持在預設范圍內。

基于工況模式識別的能量管理方法大多數會結合基于優化的方法得到某個特定循環工況下的最優能量管理規則，因此基于工況模式識別的能量管理方法在實際應用中的性能很大程度上取決于識別精度[66]。近年來經過研究人員的不斷改進，總體上工況模式識別方法能夠以較低的計算成本實現較好的能量管理效能。但是由于模式識別模塊通常根據歷史信息識別當前工況模式，并假設當前工況特征不會突然發生變化，因此無法完全避免誤識別[100]，在某些情況下可能無法做到最優的功率分配。

3.4 基于機器學習的能量管理方法

機器學習方法是系統控制領域的一個重要的未來發展方向[25]。近年來，以NN 方法[127]和強化學習(reinforcement learning，RL)[128]方法為代表的機器學習相關技術快速發展，在機器人控制、自然語言識別和自動駕駛等許多方面得到了應用[67]?？紤]到機器學習方法廣泛的適用性，在處理復雜非線性問題上有著優異性能，且訓練完成后具備很好的實時性，許多學者已經嘗試將其應用在HESS能量管理領域[25,67-68,103-115]。

NN是一種模仿生物神經網絡(動物的中樞神經系統，特別是大腦)的結構和功能的數學模型，可以模擬生物神經系統對真實世界物體所做出的交互反應，其結構示意如圖8 所示。在應用時，NN 需要大量的訓練數據集對其進行訓練，這種訓練本質上是一種歸納學習。在對大量訓練實例的重復學習過程中，NN 模型內部的自適應算法不斷修改神經元間連接的權值，并使權值分布逐漸收斂到一個穩定的范圍內[127]。

圖8 神經網絡結構示意Fig.8 Schematic diagram of neural network structure

RL 則不僅能利用現有數據，還可以通過與環境不斷地交互獲得反饋(獎勵)，并利用反饋的新數據循環往復地更新迭代現有模型，以獲得全局最優的行為策略，如圖9所示。對于未知系統結構和參數的系統，RL 可以通過觀察和分析系統的行為來對其進行控制，并通過逐步學習或試錯來做出最優決策[128]。

圖9 強化學習框架Fig.9 Reinforcement learning framework

文獻[105]通過使用DP算法得到的HESS功率分配數據訓練基于NN 的HESS 控制器，并實現了優化數據的實時應用和實時驗證[106]。文獻[107]將PI(proportional integral，比例積分)控制器的規則替換為通過數據訓練得到的NN，使HESS 能量利用效率提高了3.3%。文獻[108]設計了基于NN 的功率分配控制器，實現了比PI控制器更低的誤差和更高的穩定性，能夠有效提高HESS效率，延長其使用壽命。文獻[109]采用基于小波變換得到的數據集對NN 進行離線訓練，基于訓練完成的NN 將負載功率需求中的高頻分量分配給SC。文獻[110]提出了一種基于NN 的低電壓直流微電網HESS 控制策略，能夠快速跟蹤功率需求中的高頻分量，維持電池與SC 的SOC 在預設范圍并穩定總線電壓。文獻[111]對這種基于NN 的低電壓直流微電網HESS控制策略進行了改進，采用蝙蝠搜索算法離線求解控制器的反饋增益，并基于求解得到的控制信號數據集訓練用于在線應用的NN，以實現反饋增益的在線快速計算。為改善HESS功率分配的暫態性能，文獻[112]采用NN進行系統控制，取得了明顯效果。對基于NN 的混合儲能系統EMS 而言，訓練集的數量和質量以及所建立的NN 模型的適用性對最終的能量管理性能有直接影響[127]，在建立和訓練NN時需要對這些因素進行綜合考慮。

文獻[113]將RL應用于HESS的實時能量管理，通過對比基于RL方法和基于DP方法得到的仿真結果，驗證了RL方法在HESS能量管理上的有效性。文獻[68]基于考慮遺忘因素的RL 方法，在HESS能量管理中同時考慮了LIB壽命和溫度變化對功率分配的影響，實驗表明基于RL 的方法相比基于規則的控制策略能減少16.8% 的能量損耗。文獻[114]在將深度學習(deep learning，DL)和RL 結合的深度強化學習(deep reinforcement learning，DRL)框架下，將柔性制動/評價(soft actor-critic，SAC)算法應用于HESS 的能量管理，采用提取自基于DP 的全局最優能量管理方案的知識來提高基于SAC的混合儲能系統EMS性能，最終使該EMS與基于DP 的全局最優EMS 的性能差距縮小至5.19%。文獻[115] 基于多智能體DRL 方法，將HESS能量管理與風力機轉子動能和槳距控制相結合，提出了一種風力發電機與HESS的協同控制策略；仿真實驗表明，該策略可以平滑風力發電輸出功率，延長儲能元件使用壽命，減輕風力發電機的磨損?；赗L或是DRL的混合儲能系統EMS現階段仍然存在參數調優困難、訓練時間冗長等問題，在應用RL、DRL 方法進行HESS 能量管理時，需要重點關注方法的收斂速度、最優性和實時性。

此外，機器學習方法也常作為一種有效的參數擬合與預測方法應用在基于經驗、基于工況模式識別等其他類型的HESS 能量管理方法框架中[47,123,129-131]。在這些應用中，NN 并不用于直接輸出HESS功率分配的參考值，因此本文不將這些應用方式歸類為基于機器學習的能量管理方法。

在減少HESS電能損耗、延長HESS使用壽命以及提升HESS運行經濟性等方面，基于機器學習的HESS 能量管理方法能夠達到與DP 得到的最優能量管理規則相近的性能表現[67,114]；相比于前述的基于工況模式識別或基于優化的方法[66,96]，基于機器學習的方法具有更好的實時性和魯棒性[67]。然而，為保證能量管理效能，基于機器學習的HESS能量管理方法在學習中往往需要很長的訓練時間和大量高質量的訓練數據，這在一定程度上限制了此類方法的應用。

3.5 混合儲能系統能量管理方法總結

基于經驗、基于優化、基于工況模式識別和基于機器學習的4大類能量管理方法可以認為是各自代表了一個階段的HESS能量管理主流方法，在研究深度方面大致符合逐漸深入、層層遞進的關系，但4 類方法均在某些方面仍具有不可替代的優勢，同時也存在各自無法避免的劣勢。這里首先將HESS需應對的負載工況分為未來工況可通過歷史工況數據獲知的規律性工況，以及未來工況呈現隨機波動特性、無法通過歷史工況數據準確獲知的隨機性工況2大類，則各類能量管理方法的性能特點匯總見表3。

表3 各類HESS能量管理方法性能特點匯總Table 3 Summary of performance characteristics of various HESS energy management methods

在表3中，各類能量管理方法的性能特點通過其在規律性與隨機性負載工況下的管理效能、魯棒性、離線計算復雜度與在線計算復雜度5個方面來評價，對管理效能和魯棒性的評價從優至劣分為良好、較好、中等、較差4個等級，對計算復雜度的評價從低復雜度到高復雜度分為很低、較低、中等、較高、很高5個等級。其中，管理效能代表能量管理方法在提升系統電能利用效率、延長系統整體壽命方面的性能表現；魯棒性是按照能量管理方法在應對突然發生的異常工況時，其管理效能是否足夠穩定進行評價[97]；離線與在線計算復雜度則是分別對能量管理方法在離線計算和在線實時計算的計算開銷進行評價。

HESS能量管理的相關研究一直致力于實現在負載工況隨機性強、波動大的情況下仍具有良好的管理效能，且具備較好的魯棒性。從基于經驗、基于優化直到基于工況模式識別和基于機器學習的各類方法，在應對隨機性工況時，其相對其他方法在管理效能與魯棒性方面的提升往往是以增大離線或在線計算復雜度為代價的。而對于規律性工況，最簡單的基于經驗以及基于離線優化的能量管理方法已經能夠有效延長HESS的整體壽命；特別是基于離線優化的方法，因其依托負載需求功率最優分配問題的全局最優解獲取能量管理規則，在應對規律性負載工況時能夠達到比基于模型預測控制、基于工況模式識別以及基于機器學習等有著更高的離線或在線計算復雜度、方法流程也更加復雜的能量管理方法更好的能量管理效能。因此，對于面向規律性工況的HESS，采用基于離線優化的方法就可以達到良好的能量管理效能，一般情況下不必采用更復雜的方法；對于面向隨機性工況的HESS，其能量管理方法的選擇需要綜合權衡管理效能、魯棒性和計算復雜度各方面的實際應用需求，以及HESS負載工況的隨機波動程度。

4 混合儲能系統能量管理未來研究展望

針對面向隨機性負載，特別是面向以電動汽車為代表的強隨機性負載的HESS，開發一種管理效能好、魯棒性強、計算復雜度盡量低的能量管理方法，是目前也將是未來相當長一段時間內HESS研究的主要目標。要實現這一目標，現階段仍有以下3方面問題亟待解決。

第一，提高對隨機性負載未來工況的預測精度。對隨機性負載而言，其未來工況的不確定性越小，就越有可能以較低的計算成本達到更高的管理效能和魯棒性。通過采集更加全面的負載工況相關數據、引入先進的預測模型與算法，以及在預測中進一步考慮負載操作人員的不同操作風格[132-133]，就可以對HESS需要應對的負載未來工況進行更加精準的預測，盡可能降低負載未來工況的不確定性，進而提升HESS能量管理效能與魯棒性。那么，如何將有效的預測模型與現有能量管理方法有機結合，以達到在計算復雜度滿足實用要求的前提下，提升HESS能量管理效能與魯棒性的目標，是目前亟須解決的問題。

第二，建立更加精準的HESS模型[134]。對于基于優化、基于工況模式識別等需要依托HESS動態響應模型與老化模型的能量管理方法，其所依托的模型精度將直接影響最終的能量管理實際效能。目前，相關的能量管理方法在所依托的HESS模型方面存在著模型選擇偏于簡單、未能緊密貼合HESS實際工況的問題，往往難以在低溫或是大倍率放電等特殊工況條件下準確反映HESS的電壓電流響應情況與老化情況。因此，如何充分考慮HESS實際工況與運行環境，對作為能量管理方法研究基礎的HESS 模型進行精準地建模，是目前亟須解決的問題。

第三，通過云端協同進一步提升能量管理方法的實時性。HESS運行中需要實時進行功率分配控制，這對能量管理方法在線應用時的實時性提出了很高的要求。在現有研究中，基于模型預測控制、基于工況模式識別等具有較高在線計算復雜度的能量管理方法在實際使用中往往很難具備足夠的實時性；不能及時向控制器給出功率分配參考值，或是能量管理策略不能及時更新直接將影響這些能量管理方法的管理效能與魯棒性。目前，已有學者對將基于模型預測控制或基于機器學習的能量管理方法與云計算相結合進行了初步探索[57,69]，但現階段在通過云端協同進一步提升能量管理方法的實時性，進而提升其管理效能與魯棒性方面仍有較大的探索空間。

此外，現有的HESS能量管理相關研究大多數針對的是電動汽車HESS[135-137]，少部分針對輕軌、船舶等其他交通工具的混儲電源，以及電網儲能等其他應用場景下的HESS[26,129,138]。在電動汽車HESS能量管理方面的先進成果不斷涌現之時，針對面向其他類型的負載工況與運行環境條件而設計的HESS 的能量管理方法研究還需要進一步推向深入。

5 結 論

本文首先簡要介紹了LIB/SC 混合儲能系統的受控式與無控式2 大類拓撲結構，分析了主動式、半主動式與被動式3 類拓撲的連接方式與主要特點，并對LIB/SC混合儲能系統EMS的功能架構和功率分配控制流程進行了概述；而后著重介紹了基于經驗、基于優化、基于工況模式識別和基于機器學習的4 大類LIB/SC 混合儲能系統能量管理方法，對各類能量管理方法的具體流程與性能特點進行了分類詳述與對比分析；最后總結了現有能量管理方法在管理效能、魯棒性以及計算復雜度方面的性能特點，并對LIB/SC 混合儲能系統能量管理方法未來的研究方向和發展趨勢進行了展望。