随着装备技术的发展，储能电池作为关键的能量存储设备，正扮演着越来越重要的角色。然而，确保储能电池的安全性、稳定性和可靠性是一个至关重要的挑战[1]。在储能电池的长期运行过程中，其安全状态监测对于及时发现潜在问题、确保电池系统的安全运行至关重要。

为了实现对储能电池安全状态的有效监测，传统的监测方法往往采用基于物理模型的数学建模。然而，这些模型通常过于复杂，而且受到电池内部物理化学特性的影响，导致监测精度不高，尤其在复杂多变的实际工作环境下。为解决这一问题，智能电池管理系统(BMS)技术崭露头角，它通过引入先进的数据处理、算法和传感器技术，提高了电池安全状态监测的精度和实时性。

旨在基于智能BMS技术，结合双扩展卡尔曼滤波算法，实现对移动储能电池安全状态的精准监测。双扩展卡尔曼滤波算法作为一种高效的状态估计方法，能够更准确地估计电池的电荷状态、健康状态和温度等关键参数。

目前针对电池安全特性，文献[2]提出了基于磷酸铁锂电池的储能系统安全特性开发。文献[3]分析了锂电池化学储能电站消防安全。文献[4]提出了电池电化学储能电站安全监测智慧系统。文献[5]提出了以安全高质量应用为导向的储能锂离子电池综合性能评价标准。文献[6]分析了锂离子电池储能安全评价。文献[6]提出了基于火灾事故树模型的储能锂离子电池安全性检测方法。以上研究说明以锂电池为代表的电池安全性能研究和判断对系统运行至关重要。

其次，在智能电池管理应用研究方面，文献[8]提出了电动汽车动力电池安全管理系统。文献[9]提出了电动车电池安全管理分析。文献[10]分析了电动汽车动力电池安全管理策略。上述文献说明，电池安全管理系统应用较广，但主要集中在电动汽车等，也说明了在移动储能方面，电池安全管理系统对维护电池的安全运行十分必要。

对于卡尔曼滤波状态估计，文献[11]提出了基于电池储能系统和双重扩展卡尔曼滤波的风能发电智能调度技术。文献[12]提出了基于扩展卡尔曼滤波的储能电池能量和功率状态联合估计方法。文献[13]提出了基于改进双卡尔曼滤波法的储能电池SOH估计方法。文献[14]分析了测量和建模误差对无迹卡尔曼滤波SOC算法精度影响。文献[15]提出了基于自适应扩展卡尔曼滤波法的储能电池荷电状态估计。上述文献说明，卡尔曼滤波对电池状态的估计较为可信，能够有较高的准确率。但目前针对扩展卡尔曼滤波估计的研究较少，尤其是针对电池的电阻和容量动态变化方面仍有待进一步研究。

为此，提出了基于智能电池管理技术的移动储能电池安全估计模型，主要针对电池核电状态、电池内阻、电池容量、电池健康状态进行估计，考虑电池管理在智能估计中的应用流程，结合电力高容量移动储能的应用需求进行模型分析。

1、移动电池储能技术参数概述

1.1 主要技术参数

移动储能主要的电池形式包括铅碳电池、磷酸铁锂电池、全钒液流电池等，其中以磷酸铁锂电池的容量、寿命为最大，因此应用最广，仅考虑锂电池这一类型。主要的技术参数包括：

1)容量(Capacity)

容量是储能系统能存储的能量的度量，通常以电流电压乘积(电功)的单位，如千瓦时(kWh)来表示。高容量意味着系统可以存储更多能量，能够满足更长时间的能量需求。

2)比容量(Energy Density)

比容量是指储能系统在单位体积或质量下可以存储的能量。高比容量意味着能够在更小的空间或质量内存储更多的能量。

3)比功率(Power Density)

比功率是指储能系统在单位体积或质量下能够释放的能量速率。高比功率表示系统能够更快速地释放储存的能量。

4)荷电状态(State of Charge, SoC)

荷电状态指储能系统当前的电量占最大容量的比例。了解荷电状态对于控制能量的存储和释放至关重要。

5)开路电压(Open-Circuit Voltage, OCV)

开路电压是储能系统在未连接到负载时的电压。它提供了关于电池的电荷状态的信息，对于系统控制和监测至关重要。

6)内阻(Internal Resistance)

内阻是储能系统内部组件(如电池)对电流流动的阻碍。较低的内阻有助于减少能量损失，提高储能系统的效率。

7)充放电倍率(Charge/Discharge Rate)

充放电倍率指储能系统在单位时间内能够充电或放电的速率。高充放电倍率意味着系统能够快速地充电和释放能量。

综合来说，储能技术的设计和选择需要考虑上述特点，以满足不同应用场景对容量、功率、效率、速度等方面的要求。不同储能技术可能在这些特点上有不同的优势和劣势，需要根据具体应用需求选择合适的技术。

1.2 安全特性分析

引起电池安全因素，主要包括过充、过电流、电池内部短路、电池外部短路、过高温度等，包括模组结构、材料选择、电池管理系统和电芯温控措施方面的影响。

1)模组结构

合适的模组结构能够有效分隔单个电芯，防止一颗电芯发生问题时影响其他电芯。同时，模组结构应该有良好的散热设计，以防止高温造成热失控。不合理的模组结构可能导致电池内部温度不均匀，局部高温可能会引发热失控，甚至火灾或爆炸。

2)材料选择

选择磷酸铁锂作为正极材料能提高电池的热稳定性，晶体结构中的稳固特性有助于降低热失控的风险，且磷氧四面体结构的存在增加了电池的稳定性。

如果不正确选择材料，可能会降低电池的热稳定性，使其更容易受到过充电或高温的影响。

3)电池管理系统

电池管理系统应具备充放电控制、温度监测、电流限制、电压保护等功能，以确保电池处于安全工作范围内。

缺乏或不完善的电池管理系统可能导致充电过程中的过充电或高温情况未能及时检测和防止，增加了热失控风险。

4)电芯温控措施

通过电芯温控措施，如温度传感器和热敏材料，能够及时监测电池温度，并采取必要的措施，如降低充电速率或停止充电，以避免高温引发热失控。

缺乏温控措施或温控措施失效可能会导致电池在高温下失控，产生更高的温度和压力，从而引发严重安全问题。

总的来说，锂电池的安全特性受到模组结构、材料选择、电池管理系统和电芯温控措施的影响。合理设计和选择这些方面，以及加强安全控制措施，可以最大程度地减少热失控和其他安全风险，确保锂电池的安全运行。

2、智能BMS技术

电池管理系统(BMS)的研究旨在确保电池的安全使用，安全性意味着防止电池发生爆炸、漏液等危险情况，同时确保电池的正常、正确使用，最大化发挥电池的能量。一个完善的电池管理系统应该包括过压过充保护、电池平衡、热管理和充放电管理等关键模块。智能电池管理系统(SBMS)应至少包括显示模块和通信模块。典型的BMS架构包括电池组安全模块、容量模块、显示和报警模块等，示意如图1所示。

图1电池管理系统原理图

智能电池管理系统(Battery Management System, BMS)是电池系统中的关键组成部分，负责监控、控制和保护电池，确保其安全、稳定、高效运行。BMS的技术原理涵盖以下方面：

1)电池参数监测

BMS通过传感器实时监测电池参数，包括电压、电流、温度、荷电状态(SOC)和电池单体电压等，以全面了解电池状态。

2)状态估计与预测

基于电池参数的实时监测，BMS采用数学模型和算法对电池的状态进行估计，如剩余容量、健康度和剩余寿命，以便进行合理的充放电控制。

3)电池保护与平衡

BMS通过监测和控制电池的充放电过程，确保电池处于安全工作范围内，避免过充、过放、过流和过温等情况。同时，通过均衡技术平衡电池单体间的电压，延长电池寿命。

4)通信与控制

BMS通过与其他系统的通信，实现远程监测、远程控制、数据传输等功能，确保电池组整体系统的稳定和安全运行。

BMS的功能结构主要包括以下模块：

1)电池参数采集模块

传感器监测电池参数，如电压、电流、温度等。

2)状态估计与控制模块

分析采集到的电池参数数据，进行状态估计和预测，制定合理的充放电策略。

3)保护模块

监测电池工作状态，及时响应并保护电池免受潜在的危险，如过充、过放、短路等。

4)均衡模块

通过均衡电池单体电压，确保电池单体间的电压保持平衡，提高电池组的性能和寿命。

5)通信模块

与外部系统通信，实现数据传输、远程监测和远程控制。

BMS在电池安全问题管理中扮演了关键角色，采取多项技术以确保电池的安全运行：

1)过充和过放保护

BMS监测电池电压，防止电池发生过充和过放，通过控制充放电流避免超出安全范围。

2)温度监测和控制

BMS通过温度传感器监测电池温度，当温度超出安全范围时，采取措施降低充电速率或停止充电，以避免热失控。

3)短路保护

BMS监测电池组的电流，一旦检测到异常电流，会及时切断电路，防止短路情况下的电池损坏或安全问题。

4)电池健康监测

通过对电池参数的长期监测和分析，BMS可以评估电池的健康状况，预测电池的寿命，并提前做出维护或更换决策，避免安全风险。

具体主要影响因素如表1所示。

表1安全影响因素

综合来说，BMS通过对电池参数的实时监测、状态估计、保护控制等多方面的技术手段，确保电池的安全运行，最大程度地降低安全风险。

3、电池建模及安全状态分析

3.1 电池模型

利用等效电路对锂电池进行建模，模型包括开路电压Vocv,串联电阻R0,RC电路电压V1、V2以及相应电容和电阻。具体如图2所示。

图2电池模型

从图中可知，电池输出电压Vb为SoC的函数，表达式如下：

其中，Vb、z(t)、I(t)为电池k时刻量测电压、荷电状态、电流。

开路电压Vocv为荷电状态的函数，表达式如下：

其中，ΔT和Q为采样时间及电池容量；η为电池效率。

则V1和V2利用基尔霍夫定律计算式如下：

其中，V1(t)和V2(t)为RC电路电压；R1和R2分别为支路电阻。

由此，电池模型为：

上述模型参数可利用非线性广义约化梯度算法进行求解，最小化量测电压和电池模型电压之差。

b为电池估计电压。

3.2 基于双扩展的卡尔曼滤波电池状态监测

卡尔曼滤波是一种用于估计动态系统状态的方法，通过将测量数据与系统模型结合，提供对系统状态的最优估计。双扩展卡尔曼滤波(EKF)是卡尔曼滤波的一种扩展，适用于非线性系统。基于双扩展卡尔曼滤波(Extended Kalman Filter,EKF)的电池安全状态分析是一种常用于估计电池系统参数的方法。该方法通过使用卡尔曼滤波和电池模型，结合测量数据来估计电池的重要参数，如SOC、电池内阻和电池容量。

双扩展卡尔曼滤波利用扩展卡尔曼滤波，其中第一扩展卡尔曼滤波用于估计快速变化状态，第二扩展卡尔曼滤波用于估计慢变化状态。第一扩展卡尔曼滤波估计误差，第二卡尔曼滤波估计参数。

令x表示系统状态，θ表示系统参数，P、S、Q、R表示状态协方误差、参数协方误差、过程噪声误差、量测噪声误差。K、A、C、y分别表示卡尔曼增益、系统雅可比矩阵、系统雅可比矩阵、系统输出。

第一扩展卡尔曼滤波的三个参数由等式(6)和(7)确定初始条件，在初始状态无电流流过，因此两个RC电路的初始状态均为0,电池电压可由等式1确定。第二扩展卡尔曼滤波表达式如

其中，θ表示电池参数，qk表示系统噪声，R0和Cp为电池内阻和容量。

为便于分析，将用于荷电状态估计和内阻、容量估计的扩展卡尔曼滤波分别命名为EKFx和EKFθ。为确定电池的健康状态，容量退化方法计算的SoH如下：

其中，Ci和C0为扩展卡尔曼滤波估计的电池容量和电池标称额定容量。

由内阻确定的电池健康状态为：

其中，Reol为电池退运前内阻，Rb为量测内阻，Rn为电池未使用的电池内阻。

提出的电池状态监测流程如下：

1)状态空间建模

使用电池模型，建立状态空间模型，将电池的SOC、内阻和容量作为系统的状态变量，构建状态方程和观测方程。

2)卡尔曼滤波更新

使用双扩展卡尔曼滤波算法，通过测量电池电压、电流等信息，结合电池模型的非线性特性，实时更新状态方程，得到对电池SOC、内阻和容量的最优估计。

3)参数估计

通过滤波器输出的估计值，可以得到电池的SOC、内阻和容量的实时估计值，用于分析电池的安全状态。

4、仿真分析

4.1 输入条件

利用Matlab对电池安全健康状态进行仿真，电池额定电量为50 kWh, 为台区终端电力检修用的移动储能。

4.2 结果分析

(1)荷电状态估计

得到充放电循环的SoC状态估计结果如下图。从图中可以看出，一次充电循环的SoC估计误差为0.3%,电池电压误差为0.13%,而一次放电循环的SoC估计误差为0.58%,电池电压的误差为1.05×10-4。由此分析，SoC的估计结果较好。

图3电池充电结果

图4电池放电SoC估计结果

另外，对比了扩展卡尔曼滤波和双扩展卡尔曼滤波在估计结果的表现，如表2所示。

表2结果对比

可以看出，双扩展的结果更优，其绝对偏差更小。其原因是在估计过程中，内阻和实际容量同步计算，得到的荷电状态更准确。

(2)健康状态估计

图3给出了电池容量的估计结果。得到的电池健康状态结果如表3和表4。三次循环后的电池健康状态均为100%,并且随着电阻的增加，电池健康状态仍大于99%,但随着电阻增加而下降。

表3容量循环结果对比

表4电阻变化结果对比

5、结论

提出了针对电力移动储能的电池安全状态分析和模型，根据建立的双扩展卡尔曼滤波模型，能够对电池相应参数进行估计。根据提出的模型进行仿真分析，得到的结论如下：提出的双扩展卡尔曼滤波模型相比原始扩展卡尔曼滤波模型的估计偏差更小，在多次充放电循环中展现出优势，在电池耗电状态、电池健康状态估计准确率更高，能够有效提升对动态内阻变化和电池容量变化，对电池健康状态影响的效果估计。

参考文献:

[1]李博彤,李明睿,刘梦晴.基于通径分析和相空间重构的光伏发电预测模型[J].电测与仪表,2022,59(11):79-87.

[2]冯沛,常楚鑫,夏文杰,等.基于磷酸铁锂电池的储能系统安全特性开发设计研究[J].能源科技,2023,21(4):68-72.

[3]朱秀锦,王秀利,陈卓新.锂电池化学储能电站消防安全浅析[J].广东化工,2023,50(16):58-61.

[4]熊铭辉,王琳,何根泉,等.锂电池电化学储能电站安全监测智慧系统研究[J].机电信息,2023,(16):1-5.

[5]官亦标,沈进冉,刘家亮,等.以安全高质量应用为导向的储能锂离子电池综合性能评价标准[J].储能科学与技术,2023,12(9):2946-2953.

[6]李晋,王青松,孔得朋,等.锂离子电池储能安全评价研究进展[J].储能科学与技术,2023,12(7):2282-2301.

[7]刘家亮,郭翠静,汪奂伶.基于火灾事故树模型的储能锂离子电池安全性检测方法与验证[J].储能科学与技术,2023,12(5):1695-1704.

[8]刘汉华.电动汽车动力电池安全管理系统研究与设计[J].内燃机与配件,2023,(1):33-35.

[9]李浩然.电动车电池安全管理研究[J].中国应急管理,2021,(10):51-53.

[10]陈玉华.电动汽车动力电池安全管理策略分析[J].河南教育学院学报(自然科学版),2020,29(3):36-38.

[11]祁鑫,刘一峰,杨慧彪.基于电池储能系统和双重扩展卡尔曼滤波的风能发电智能调度技术研究[J].热能动力工程,2023,38(7):156-162.

[12]刘子豪,张雪松,林达,等.基于扩展卡尔曼滤波的储能电池能量和功率状态联合估计方法[J].储能科学与技术,2023,12(3):913-922.

[13]左信,陈志鹏,岳元龙.基于改进双卡尔曼滤波法的储能电池SOH估计[J].化工自动化及仪表,2022,49(5):590-598.

[14]李勇琦,李毓烜,陈满,等.测量和建模误差对无迹卡尔曼滤波SOC算法精度影响[J].电工技术,2022,(4):39-41.

[15]裴超,王大磊,冉孟兵,等.基于自适应扩展卡尔曼滤波法的储能电池荷电状态估计研究[J].智慧电力,2019,47(5):84-89+96.

基金资助:深圳供电局有限公司科技项目(090025202303 03010900176);

文章来源:何明,柴二亮,何亮,等.基于智能BMS技术的移动储能电池安全问题研究[J].自动化与仪器仪表,2024,(09):374-378.