摘 要 鋰離子電池/超級(jí)電容器混合儲(chǔ)能系統(tǒng)因其良好的性能、較低的成本和較強(qiáng)的通用性，已成為應(yīng)用最為廣泛的混合儲(chǔ)能系統(tǒng)。能量管理技術(shù)是混合儲(chǔ)能系統(tǒng)的核心技術(shù)之一，也是當(dāng)前主要的研究熱點(diǎn)。為了系統(tǒng)地對(duì)混合儲(chǔ)能系統(tǒng)能量管理方法進(jìn)行綜述，本文首先對(duì)鋰離子電池/超級(jí)電容器混合儲(chǔ)能系統(tǒng)的拓?fù)浣Y(jié)構(gòu)、能量管理架構(gòu)以及功率分配控制進(jìn)行了介紹；而后，本文將現(xiàn)有的混合儲(chǔ)能系統(tǒng)能量管理方法分為基于經(jīng)驗(yàn)、基于優(yōu)化、基于工況模式識(shí)別和基于機(jī)器學(xué)習(xí)5大類并進(jìn)行了詳細(xì)的對(duì)比分析，重點(diǎn)針對(duì)規(guī)律性工況與隨機(jī)性工況討論了各類能量管理方法的效能，并分析了各類方法的魯棒性與計(jì)算復(fù)雜度；最后，本文對(duì)現(xiàn)有的能量管理方法進(jìn)行了總結(jié)，并對(duì)該領(lǐng)域未來(lái)的研究方向和發(fā)展趨勢(shì)進(jìn)行了展望。綜合分析表明，提高對(duì)隨機(jī)性負(fù)載未來(lái)工況的預(yù)測(cè)精度、建立更加精準(zhǔn)的混合儲(chǔ)能系統(tǒng)模型并通過(guò)云端協(xié)同進(jìn)一步提升能量管理方法的實(shí)時(shí)性將是未來(lái)混合儲(chǔ)能系統(tǒng)能量管理研究的重點(diǎn)。
關(guān)鍵詞 混合儲(chǔ)能系統(tǒng)；能量管理；功率分配；鋰離子電池；超級(jí)電容器
儲(chǔ)能技術(shù)作為新能源產(chǎn)業(yè)的重要支撐技術(shù)，常用于電網(wǎng)功率的削峰填谷、克服可再生能源發(fā)電的間歇性、改善電能質(zhì)量，以及為電動(dòng)汽車、輕軌列車、船舶等交通工具提供動(dòng)力來(lái)源。隨著儲(chǔ)能技術(shù)的發(fā)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(chǎn)業(yè)中應(yīng)用最為廣泛的儲(chǔ)能器件。但單純由LIB構(gòu)成的儲(chǔ)能系統(tǒng)仍有許多不足之處，例如在低溫下使用時(shí)其性能劣化嚴(yán)重、壽命快速衰減，大倍率脈沖放電以及功率吞吐需求波動(dòng)較大的工況也會(huì)導(dǎo)致LIB儲(chǔ)能系統(tǒng)的快速老化；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(duì)儲(chǔ)能系統(tǒng)有著長(zhǎng)壽命要求的應(yīng)用場(chǎng)景下需要堆疊過(guò)多的電池單體，這導(dǎo)致系統(tǒng)體積重量過(guò)大，電池購(gòu)置、運(yùn)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(chǔ)能技術(shù)研究的核心問(wèn)題。將2種或2種以上的儲(chǔ)能系統(tǒng)組合成一個(gè)混合儲(chǔ)能系統(tǒng)(hybrid energy storage systems，HESS)可以揚(yáng)長(zhǎng)避短，較好地解決低溫、大倍率脈沖放電以及功率波動(dòng)影響LIB系統(tǒng)壽命的問(wèn)題；HESS中的功率型器件和能量型器件可以按照應(yīng)用需求靈活配置，能夠避免堆疊過(guò)多的電池單體，降低儲(chǔ)能系統(tǒng)購(gòu)置、運(yùn)行與管理成本。
當(dāng)前主流的儲(chǔ)能系統(tǒng)的性能參數(shù)如表1所示，其中超級(jí)電容器(supercapacitor，SC)在體積、成本、工作方式、日歷壽命等應(yīng)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(huán)壽命等電氣性能方面與LIB可以形成很好的互補(bǔ)，由LIB和SC構(gòu)成的HESS已被廣泛用作各類電動(dòng)交通工具的動(dòng)力源或功率緩沖系統(tǒng)，以及電網(wǎng)、風(fēng)電場(chǎng)與光伏電站的配套儲(chǔ)能系統(tǒng)；目前學(xué)界關(guān)于HESS的研究也大多基于LIB與SC構(gòu)成的HESS展開。
雖然鋰離子電池/超級(jí)電容器(lithium-ion battery /supercapacitor，LIB/SC)混合儲(chǔ)能系統(tǒng)相比純LIB儲(chǔ)能系統(tǒng)有明顯優(yōu)勢(shì)，但要實(shí)現(xiàn)LIB與SC的優(yōu)勢(shì)互補(bǔ)，需要將負(fù)載的實(shí)時(shí)功率在二者之間進(jìn)行科學(xué)合理的分配，這給LIB/SC混合儲(chǔ)能系統(tǒng)的能量管理策略設(shè)計(jì)帶來(lái)了不小的挑戰(zhàn)。因此，本文從LIB/SC混合儲(chǔ)能系統(tǒng)拓?fù)浣Y(jié)構(gòu)出發(fā)，簡(jiǎn)要介紹了LIB/SC混合儲(chǔ)能系統(tǒng)的能量管理系統(tǒng)(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(diǎn)對(duì)LIB/SC混合儲(chǔ)能系統(tǒng)的能量管理方法進(jìn)行了分類闡述與對(duì)比分析，最后總結(jié)了現(xiàn)有能量管理方法的特點(diǎn)，并展望了LIB/SC混合儲(chǔ)能系統(tǒng)能量管理的發(fā)展趨勢(shì)和下一步的研究方向。
2 混合儲(chǔ)能系統(tǒng)能量管理技術(shù)概述
2.1 混合儲(chǔ)能系統(tǒng)拓?fù)浣Y(jié)構(gòu)概述
HESS拓?fù)浣Y(jié)構(gòu)的選擇決定了其能否經(jīng)由混合儲(chǔ)能EMS進(jìn)行功率分配控制。按照子系統(tǒng)間功率分配是否受控，現(xiàn)有的LIB/SC混合儲(chǔ)能系統(tǒng)拓?fù)浣Y(jié)構(gòu)可以分為受控式拓?fù)浜蜔o(wú)控式拓?fù)?大類，如圖1所示。
在受控式HESS中，混合儲(chǔ)能EMS通過(guò)對(duì)雙向DC/DC變換器的控制實(shí)現(xiàn)子系統(tǒng)間的功率分配。按照雙向DC/DC變換器的使用數(shù)量和連接方式，受控式HESS拓?fù)淇梢苑譃槿鲃?dòng)式拓?fù)浜桶胫鲃?dòng)式拓?fù)?種類型，如圖2(a)和圖2(b)、(c)所示。
圖2(a)展示了全主動(dòng)式HESS的拓?fù)浣Y(jié)構(gòu)。在該拓?fù)渲校琇IB和SC子系統(tǒng)分別通過(guò)雙向DC/DC變換器連接到直流總線上；此時(shí)各個(gè)子系統(tǒng)的輸出功率與總線電壓均可控，適用于對(duì)總線電壓穩(wěn)定性要求較高的應(yīng)用場(chǎng)景。
實(shí)現(xiàn)LIB子系統(tǒng)和SC子系統(tǒng)間的電流受控分配是受控式HESS拓?fù)渥钪饕墓δ?。?dāng)負(fù)載需求功率一定時(shí)，采用半主動(dòng)式結(jié)構(gòu)的HESS只通過(guò)一個(gè)雙向DC/DC變換器控制與之相連的子系統(tǒng)的輸出功率，其余功率需求由另一子系統(tǒng)補(bǔ)足，也能實(shí)現(xiàn)受控的功率分配；但此時(shí)總線電壓不再可控。圖2(b)和圖2(c)展示的是半主動(dòng)式HESS的2種不同構(gòu)型，當(dāng)SC子系統(tǒng)通過(guò)雙向DC/DC變換器接入總線，LIB子系統(tǒng)直接與總線連接時(shí)稱為電容半主動(dòng)結(jié)構(gòu)，反之則稱為電池半主動(dòng)結(jié)構(gòu)；半主動(dòng)式結(jié)構(gòu)，尤其是電容半主動(dòng)結(jié)構(gòu)是目前最常用的HESS拓?fù)浣Y(jié)構(gòu)。
此外，在上述的各類型受控式HESS拓?fù)浠A(chǔ)上，有學(xué)者根據(jù)HESS實(shí)際應(yīng)用中的工況特點(diǎn)，通過(guò)添加受控開關(guān)、調(diào)整連接方式、改用單向DC/DC等方法，以達(dá)到依托應(yīng)用場(chǎng)景有針對(duì)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(shí)現(xiàn)子系統(tǒng)輸入輸出功率的受控分配。
無(wú)控式的HESS中不使用DC/DC變換器，LIB子系統(tǒng)和SC子系統(tǒng)都直接與直流總線相連，這類拓?fù)浣Y(jié)構(gòu)被稱為被動(dòng)式拓?fù)?，具有結(jié)構(gòu)簡(jiǎn)單、成本較低的優(yōu)點(diǎn)。圖2(d)展示了一種常見的被動(dòng)式HESS拓?fù)浣Y(jié)構(gòu)，在這種典型被動(dòng)式結(jié)構(gòu)的基礎(chǔ)上，有少數(shù)學(xué)者根據(jù)應(yīng)用需求在電池支路中串聯(lián)了電感或二極管，以起到降低電流紋波或是控制電流方向的作用?？偟膩?lái)說(shuō)，各類被動(dòng)式HESS均不能實(shí)現(xiàn)子系統(tǒng)功率的受控分配，各個(gè)子系統(tǒng)的功率輸出比例由其各自的內(nèi)阻決定。
HESS能量管理的核心是實(shí)現(xiàn)負(fù)載需求功率在LIB與SC子系統(tǒng)間科學(xué)合理地分配，而對(duì)于HESS拓?fù)鋪?lái)說(shuō)，僅受控式拓?fù)淇梢詫?shí)現(xiàn)子系統(tǒng)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(dòng)式、半主動(dòng)式等受控式HESS，無(wú)控式(被動(dòng)式)HESS是無(wú)法進(jìn)行能量管理的。各類HESS受控參數(shù)的匯總?cè)绫?所示。
2.2 混合儲(chǔ)能系統(tǒng)拓?fù)浣Y(jié)構(gòu)概述
2.2.1 混合儲(chǔ)能能量管理系統(tǒng)功能架構(gòu)
混合儲(chǔ)能EMS是保障HESS經(jīng)濟(jì)穩(wěn)定運(yùn)行、充分發(fā)揮LIB與SC性能優(yōu)勢(shì)的關(guān)鍵所在，其主要功能是在對(duì)儲(chǔ)能系統(tǒng)溫度、總線及分系統(tǒng)的電壓與電流等信息進(jìn)行采集、處理與分析的基礎(chǔ)上，以滿足負(fù)載的實(shí)時(shí)功率需求為前提，對(duì)各子系統(tǒng)的輸入輸出功率進(jìn)行決策與控制，以延長(zhǎng)HESS壽命、提升電能利用率，實(shí)現(xiàn)系統(tǒng)的穩(wěn)定、高效、經(jīng)濟(jì)運(yùn)行。此外，混合儲(chǔ)能EMS還需具備傳統(tǒng)電池管理系統(tǒng)(battery management system，BMS)在測(cè)量、評(píng)估、均衡與保護(hù)等方面的功能。
混合儲(chǔ)能EMS功能架構(gòu)如圖3所示。其中混合儲(chǔ)能EMS主控單元主要有3方面功能：
①通過(guò)各類傳感器采集總線、LIB子系統(tǒng)和SC子系統(tǒng)的電壓、電流與溫度數(shù)據(jù)。
②與子系統(tǒng)BMS通信，獲取LIB子系統(tǒng)與SC子系統(tǒng)的荷電狀態(tài)(state of charge，SOC)、健康狀態(tài)(state of health，SOH)等狀態(tài)信息，并下達(dá)管理指令，經(jīng)由子系統(tǒng)BMS完成子系統(tǒng)內(nèi)單體的電壓/電流/溫度數(shù)據(jù)測(cè)量、SOC與SOH估計(jì)、單體SOC均衡與再分配、熱管理與過(guò)壓/過(guò)流/過(guò)溫保護(hù)等BMS功能。
③對(duì)于子系統(tǒng)功率輸出可控的HESS，混合儲(chǔ)能EMS主控單元需結(jié)合其接收的傳感器數(shù)據(jù)、子系統(tǒng)狀態(tài)數(shù)據(jù)等信息，在滿足負(fù)載的實(shí)時(shí)功率需求的前提下對(duì)各子系統(tǒng)的輸入輸出功率進(jìn)行決策，并將決策得到的功率分配參考值傳達(dá)給控制器以實(shí)現(xiàn)功率分配控制；對(duì)于總線電壓也可控的HESS，EMS主控單元還需對(duì)總線電壓進(jìn)行控制，其過(guò)程與前述功率分配控制類似，此處不再贅述。
可以看出，對(duì)于子系統(tǒng)功率輸出可控的HESS，其EMS的主要功能是基于必要數(shù)據(jù)的采集，進(jìn)行功率分配控制，以實(shí)現(xiàn)HESS的高效、經(jīng)濟(jì)、長(zhǎng)壽命運(yùn)行；測(cè)量、評(píng)估、均衡與保護(hù)等傳統(tǒng)BMS功能由下級(jí)子系統(tǒng)BMS完成。當(dāng)子系統(tǒng)功率輸出不可控時(shí)，混合儲(chǔ)能EMS的功能架構(gòu)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(shí)混合儲(chǔ)能EMS實(shí)際上相當(dāng)于一個(gè)模塊式BMS。由于主題所限，本文不對(duì)此類BMS的相關(guān)管理方法進(jìn)行討論。
2.2.2 混合儲(chǔ)能能量管理系統(tǒng)功率分配控制
混合儲(chǔ)能EMS主控單元依托其上運(yùn)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(guò)底層控制器對(duì)受控式HESS拓?fù)浣Y(jié)構(gòu)中DC/DC變換器的控制實(shí)現(xiàn)子系統(tǒng)間的功率分配。對(duì)于半主動(dòng)式HESS，底層控制只涉及子系統(tǒng)間的功率分配控制；主動(dòng)式HESS還需控制總線電壓。由于半主動(dòng)式拓?fù)涞牡讓涌刂茊?wèn)題是主動(dòng)式拓?fù)涞讓涌刂茊?wèn)題的子集，在底層控制方面下文僅以主動(dòng)式HESS為例進(jìn)行概述。
圖4展示了主動(dòng)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(chǔ)能EMS主控單元中運(yùn)行，實(shí)時(shí)接收負(fù)載需求功率和LIB、SC子系統(tǒng)的電壓、電流、溫度、SOC等數(shù)據(jù)，作為能量管理算法的輸入?；谇笆鲚斎霐?shù)據(jù)，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(tǒng)的輸出電流參考值(另一子系統(tǒng)的輸出電流參考值可由控制算法在進(jìn)行總線電壓控制時(shí)計(jì)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(shù)據(jù)作為輸入，以DC/DC變換器中各個(gè)電力電子開關(guān)脈寬調(diào)制(pulse width modulation，PWM)的占空比為控制量實(shí)現(xiàn)HESS功率分配的底層反饋控制。
3 混合儲(chǔ)能系統(tǒng)能量管理方法
HESS能量管理算法以負(fù)載需求功率和LIB、SC子系統(tǒng)的電壓、電流、溫度、SOC等數(shù)據(jù)為輸入，其主要功能是向底層控制器給出子系統(tǒng)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?chǔ)能EMS中搭載的能量管理算法可以通過(guò)不同的HESS能量管理方法獲得；不論方法復(fù)雜與否，能量管理算法都應(yīng)具備實(shí)時(shí)在線應(yīng)用的能力。按照技術(shù)路線的不同，HESS能量管理方法可以分為基于經(jīng)驗(yàn)、基于優(yōu)化、基于工況模式識(shí)別和基于機(jī)器學(xué)習(xí)4大類。
3.1 基于經(jīng)驗(yàn)的能量管理方法
在需求功率一定時(shí)， EMS采集所需信息，計(jì)算出LIB和SC分系統(tǒng)各自輸出功率的參考值并傳遞給HESS控制單元以實(shí)現(xiàn)功率分配。以需求功率大小和LIB、SC的SOC狀態(tài)等作為輸入?yún)?shù)，依托邏輯門限控制方法、模糊邏輯控制方法或是各類濾波方法，從專家經(jīng)驗(yàn)出發(fā)設(shè)計(jì)一種固定的規(guī)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(guò)將各項(xiàng)實(shí)時(shí)輸入?yún)?shù)與基于專家經(jīng)驗(yàn)預(yù)先設(shè)定的邏輯門限值進(jìn)行比較，繼而按照經(jīng)驗(yàn)規(guī)則分配LIB與SC的輸出功率，是一種簡(jiǎn)單、快速、穩(wěn)定的能量管理方式；基于模糊邏輯控制方法的能量管理是依托模糊數(shù)學(xué)的原理，將專家經(jīng)驗(yàn)映射為一系列能量管理規(guī)則，這種方法借助了隸屬度函數(shù)的概念，能夠很好地處理HESS功率分配中的模糊關(guān)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(jīng)驗(yàn)原則出發(fā)，借助小波變換和自適應(yīng)濾波等方法將需求功率分解為高頻部分和低頻部分，將它們分別分配給SC和LIB。
傳統(tǒng)的邏輯門限控制方法采用固定的邏輯門限值進(jìn)行功率分配，在需求功率發(fā)生較大變化時(shí)其功率分配結(jié)果往往并不合理。為解決這一問(wèn)題，文獻(xiàn)[90]對(duì)傳統(tǒng)的HESS邏輯門限功率分配控制方法進(jìn)行了改進(jìn)，在邏輯門限控制框架下采用一種基于專家經(jīng)驗(yàn)設(shè)計(jì)的模糊邏輯控制器替代了固定的邏輯門限值，改進(jìn)型邏輯門限控制方法相比于常規(guī)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(xiàn)[91]則直接應(yīng)用模糊邏輯的方法進(jìn)行HESS內(nèi)SC和LIB子系統(tǒng)間的功率分配，在設(shè)計(jì)了合理的隸屬度函數(shù)對(duì)輸入?yún)?shù)進(jìn)行模糊化后，依托專家經(jīng)驗(yàn)定義了模糊控制規(guī)則，相比純電池系統(tǒng)大大降低了LIB的峰值輸出電流，達(dá)到了延長(zhǎng)其使用壽命的目的。文獻(xiàn)[61]對(duì)傳統(tǒng)的基于固定截止頻率的低通濾波方法進(jìn)行改進(jìn)，提出了一種自適應(yīng)頻率的濾波方法，基于這種方法設(shè)計(jì)了一套能量管理規(guī)則，將SC作為低通濾波器使用，通過(guò)避免LIB頻繁地充放電來(lái)保護(hù)LIB。文獻(xiàn)[55]通過(guò)基于模糊邏輯控制器的自適應(yīng)低通濾波器實(shí)現(xiàn)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(tǒng)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(xiàn)[92]提出了一種自適應(yīng)HESS功率分配方法，該方法通過(guò)動(dòng)態(tài)濾波算法對(duì)負(fù)載需求功率特性進(jìn)行識(shí)別，根據(jù)功率曲線波動(dòng)情況給出相應(yīng)的濾波系數(shù)，能夠很好地發(fā)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(jīng)驗(yàn)出發(fā)，基于邏輯門限方法或是模糊邏輯方法生成的能量管理規(guī)則具有簡(jiǎn)單實(shí)用、可靠性高、實(shí)時(shí)性好的優(yōu)點(diǎn)，其中模糊邏輯方法的應(yīng)用避免了固定的邏輯門限值在某些情況下會(huì)導(dǎo)致功率分配不合理的問(wèn)題。從減少LIB的輸出功率波動(dòng)的經(jīng)驗(yàn)原則出發(fā)，基于濾波的方法通過(guò)將需求功率中的高頻分量分配給SC，能夠達(dá)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(jié)合以提高能量管理規(guī)則的靈活性與合理性。
基于經(jīng)驗(yàn)的能量管理規(guī)則雖然簡(jiǎn)單可靠、實(shí)用性強(qiáng)，但由于其從專家知識(shí)出發(fā)確定規(guī)則，這種規(guī)則的最優(yōu)性難以保證。此外，學(xué)者們?cè)谠u(píng)價(jià)通過(guò)基于經(jīng)驗(yàn)的方法得到的能量管理規(guī)則的效能時(shí)，一般會(huì)從該規(guī)則是否對(duì)作為輸入的專家經(jīng)驗(yàn)進(jìn)行了正確表達(dá)、是否符合常理的角度進(jìn)行評(píng)估，或是選取另一種更簡(jiǎn)單的經(jīng)驗(yàn)規(guī)則進(jìn)行定性的對(duì)比，在方法的效能評(píng)估方面缺乏充分的定量分析。
3.2 基于優(yōu)化的能量管理方法
HESS的能量管理本質(zhì)上是尋找一定條件下LIB與SC之間最優(yōu)的功率分配方式，這容易表達(dá)為一個(gè)單或多目標(biāo)優(yōu)化問(wèn)題。在功率分配優(yōu)化中，常以最小化HESS能量損耗、最小化HESS購(gòu)置與運(yùn)行成本，以及最大化HESS壽命作為優(yōu)化目標(biāo)，以HESS組成器件性能約束和負(fù)載功率需求約束等作為約束條件。
按照是否需要在HESS運(yùn)行中對(duì)功率最優(yōu)分配問(wèn)題實(shí)時(shí)進(jìn)行求解，可將基于優(yōu)化的能量管理方法分為2類，分別是基于離線優(yōu)化的能量管理方法和基于模型預(yù)測(cè)控制的能量管理方法。
3.2.1 基于離線優(yōu)化的能量管理方法
由于基于經(jīng)驗(yàn)的能量管理規(guī)則的最優(yōu)性難以保證，研究者們希望基于功率最優(yōu)分配問(wèn)題的求解結(jié)果設(shè)計(jì)HESS的能量管理規(guī)則，以減少對(duì)經(jīng)驗(yàn)的依賴，提升能量管理策略的最優(yōu)性和有效性。因此，不同于基于經(jīng)驗(yàn)的方法從專家知識(shí)出發(fā)確定能量管理規(guī)則，基于離線優(yōu)化的能量管理方法依托歷史工況數(shù)據(jù)進(jìn)行功率分配問(wèn)題的優(yōu)化求解，而后基于求解得到的最優(yōu)功率分配方案設(shè)計(jì)能量管理規(guī)則?；陔x線優(yōu)化的能量管理框架如圖5所示。
隨著優(yōu)化理論與優(yōu)化算法的不斷發(fā)展，很多方法都可以用來(lái)對(duì)功率分配進(jìn)行優(yōu)化，常用于求解此類優(yōu)化問(wèn)題的方法是動(dòng)態(tài)規(guī)劃(dynamic programming，DP)[包括確定性動(dòng)態(tài)規(guī)劃(deterministic dynamic programming，DDP)隨機(jī)動(dòng)態(tài)規(guī)劃(stochastic dynamic programming，SDP)]、龐特里亞金極小值原理(pontryagin minimum principle，PMP)以及粒子群優(yōu)化(particle swarm optimization，PSO)、遺傳算法(genetic algorithm，GA)等各類智能算法。這些方法計(jì)算開銷大，難以作為在線方法在實(shí)踐中應(yīng)用，因此在求得功率最優(yōu)分配問(wèn)題的解集后，一般還要通過(guò)邏輯門限法或模糊邏輯法提取能夠在線應(yīng)用的最優(yōu)功率分配規(guī)則，或是將優(yōu)化結(jié)果中的變量離散化，EMS通過(guò)查表和插值運(yùn)算實(shí)現(xiàn)在線功率分配。文獻(xiàn)[94]和文獻(xiàn)[95]分別采用DP方法和PMP方法求解HESS功率最優(yōu)分配問(wèn)題，而后基于求解結(jié)果來(lái)評(píng)價(jià)并改進(jìn)現(xiàn)有能量管理規(guī)則。文獻(xiàn)[93]在通過(guò)DP方法獲得最優(yōu)功率分配控制問(wèn)題的全局最優(yōu)解后，采用模糊邏輯方法生成能量管理規(guī)則以減少人為因素的影響，但在隸屬度函數(shù)的設(shè)計(jì)和去模糊化等過(guò)程中仍然依賴設(shè)計(jì)者的經(jīng)驗(yàn)。文獻(xiàn)[62]將譜法和高斯積分法相結(jié)合，提出了一種偽譜方法求解HESS功率最優(yōu)分配問(wèn)題，在保證解的最優(yōu)性的前提下提高了對(duì)功率最優(yōu)分配問(wèn)題的求解效率，并采用邏輯門限方法從最優(yōu)解中提取能量管理規(guī)則。
基于優(yōu)化的能量管理方法從功率分配優(yōu)化結(jié)果出發(fā)設(shè)計(jì)規(guī)則，避免了專家經(jīng)驗(yàn)可能有疏漏的問(wèn)題；在能量管理規(guī)則的效能評(píng)估方面，從優(yōu)化結(jié)果中通過(guò)邏輯門限或者模糊邏輯等方法提取的在線能量管理規(guī)則可以將最優(yōu)功率分配結(jié)果本身的性能作為比較基準(zhǔn)，能夠?qū)崿F(xiàn)定量而非以往定性的對(duì)比分析。對(duì)于已知工況，通過(guò)DP等精確優(yōu)化算法求得的全局最優(yōu)解不僅可以用于提取在線的能量管理規(guī)則，還可將該全局最優(yōu)解在減少系統(tǒng)電能損耗、減緩LIB退化等方面的性能參數(shù)作為其對(duì)應(yīng)工況下能量管理方法效能的上限，與新提出的各類在線能量管理方法進(jìn)行對(duì)比以分析新方法的性能表現(xiàn)。
3.2.2 基于模型預(yù)測(cè)控制的能量管理方法
基于離線優(yōu)化的能量管理方法中的功率分配優(yōu)化是依托歷史工況數(shù)據(jù)進(jìn)行的，在未來(lái)工況隨機(jī)性較強(qiáng)，與歷史工況存在較大差別時(shí)，應(yīng)用此類方法進(jìn)行能量管理往往性能不佳。為解決這一問(wèn)題，有學(xué)者嘗試將模型預(yù)測(cè)控制(model predictive control, MPC)框架應(yīng)用于HESS的能量管理，通過(guò)在MPC框架下開展以負(fù)載功率需求為表征參數(shù)的多步預(yù)測(cè)，對(duì)HESS的功率分配進(jìn)行實(shí)時(shí)的優(yōu)化控制。
模型預(yù)測(cè)控制又稱滾動(dòng)時(shí)域控制(receding horizon control, RHC)，其當(dāng)前控制動(dòng)作是在每一個(gè)采樣瞬間通過(guò)求解一個(gè)有限時(shí)域開環(huán)最優(yōu)控制問(wèn)題獲得的；MPC方法以當(dāng)前狀態(tài)作為最優(yōu)控制問(wèn)題的初始狀態(tài)，并且只執(zhí)行解得的最優(yōu)控制序列中的第一個(gè)控制動(dòng)作。對(duì)于HESS而言，基于MPC的能量管理框架如圖6所示，其中當(dāng)前值和預(yù)測(cè)值序列是指當(dāng)前及預(yù)測(cè)區(qū)間內(nèi)LIB與SC的SOC、電壓、電流等參數(shù)，功率分配參考值序列則是求解得到的控制區(qū)間內(nèi)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：
①預(yù)測(cè)負(fù)載未來(lái)一段時(shí)間(預(yù)測(cè)區(qū)間)的工況特征(例如電動(dòng)交通工具的速度等)或需求功率，基于預(yù)測(cè)結(jié)果運(yùn)用各種優(yōu)化方法實(shí)時(shí)求解預(yù)測(cè)區(qū)間內(nèi)的功率最優(yōu)分配問(wèn)題；
②將解得的功率分配參考值序列(控制序列)中的第一個(gè)值作為輸出，傳遞給功率分配控制器，執(zhí)行功率分配控制；
③在下一時(shí)刻更新當(dāng)前負(fù)載需求功率和LIB、SC的狀態(tài)參數(shù)，而后再次執(zhí)行步驟① 。
基于MPC的能量管理的性能優(yōu)劣在很大程度上取決于對(duì)未來(lái)功率需求的預(yù)測(cè)精度。因此，在MPC框架下選擇合適的預(yù)測(cè)方法和優(yōu)化算法非常重要?；贛PC的能量管理中對(duì)未來(lái)工況特征或需求功率進(jìn)行預(yù)測(cè)可采用需求轉(zhuǎn)矩指數(shù)遞減模型、自回歸模型、馬爾科夫鏈(markov chain，MC)模型和神經(jīng)網(wǎng)絡(luò)(neural networks，NN)模型等。其中需求轉(zhuǎn)矩指數(shù)遞減模型和自回歸模型方法計(jì)算量小，但精度不高，近年來(lái)基于MPC的能量管理系統(tǒng)中常用的預(yù)測(cè)方法是基于MC和NN的方法。MC預(yù)測(cè)模型可以分為一階MC模型、二階MC模型和高階MC模型，其計(jì)算成本和預(yù)測(cè)精度是遞增的。在數(shù)據(jù)量較少的情況下，MC模型計(jì)算效率高，預(yù)測(cè)精度好；但基于大量數(shù)據(jù)進(jìn)行預(yù)測(cè)時(shí)MC方法的性能不佳。此時(shí)可以考慮基于NN方法進(jìn)行所需參數(shù)的預(yù)測(cè)：文獻(xiàn)[99]采用深度神經(jīng)網(wǎng)絡(luò)(deep neural networks，DNN)進(jìn)行預(yù)測(cè)，并證明了相比反向傳播(back propagation，BP)神經(jīng)網(wǎng)絡(luò)，DNN更適合用于參數(shù)預(yù)測(cè)；文獻(xiàn)[64]提出了一種基于長(zhǎng)短期記憶(long short-term memory，LSTM)速度預(yù)測(cè)模塊的MPC方法，并驗(yàn)證了其在HESS能量管理上的有效性。
MPC框架中控制優(yōu)化問(wèn)題可以采用PMP算法、DP算法、非線性規(guī)劃算法或二次規(guī)劃算法等優(yōu)化方法進(jìn)行求解，在實(shí)際應(yīng)用中優(yōu)化算法的選擇需要考慮計(jì)算復(fù)雜度和問(wèn)題特點(diǎn)。例如，文獻(xiàn)[57]考慮到基于采用DP求解框架內(nèi)優(yōu)化問(wèn)題的MPC的實(shí)時(shí)可行性，將DP運(yùn)算模塊部署在云端，通過(guò)與車載MPC模塊的定時(shí)交互實(shí)現(xiàn)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(chǔ)系統(tǒng)壽命等方面達(dá)到更好的效果，但其計(jì)算成本也相對(duì)高；在線應(yīng)用時(shí)需要平衡好能量管理的精度和實(shí)時(shí)性，以達(dá)到最佳的實(shí)際效能。
3.3 基于工況模式識(shí)別的能量管理方法
與前述的基于離線優(yōu)化的能量管理方法類似，基于工況模式識(shí)別的能量管理方法同樣需要依托歷史工況數(shù)據(jù)進(jìn)行能量管理策略的設(shè)計(jì)。其不同之處在于，基于離線優(yōu)化的方法針對(duì)所有已知的歷史工況數(shù)據(jù)求取最優(yōu)功率分配方案，并基于該求解結(jié)果提取功率分配規(guī)則；而基于工況模式識(shí)別的方法將歷史工況數(shù)據(jù)劃分為多種不同的工況模式，針對(duì)每一種工況模式預(yù)先獲取與之對(duì)應(yīng)的最優(yōu)功率分配規(guī)則，而后在HESS運(yùn)行中識(shí)別當(dāng)前工況所屬的工況模式，應(yīng)用對(duì)應(yīng)的最優(yōu)功率分配規(guī)則，并通過(guò)對(duì)當(dāng)前工況的定期重新識(shí)別來(lái)應(yīng)對(duì)實(shí)際工況的隨機(jī)性。基于工況模式識(shí)別的能量管理框架如圖7所示。
以HESS在新能源汽車上的應(yīng)用為例，相關(guān)的能量管理研究常?；谥袊?guó)公交駕駛循環(huán)(Chinese bus driving cycle，CBDC)或者是新歐洲駕駛循環(huán)(new European driving cycle，NEDC)等標(biāo)準(zhǔn)工況，應(yīng)用3.2.1節(jié)所述DP方法就可以求得在某個(gè)標(biāo)準(zhǔn)工況下全局最優(yōu)的功率分配規(guī)則。最初的基于工況模式識(shí)別的能量管理方法直接將現(xiàn)有的各類標(biāo)準(zhǔn)循環(huán)工況作為不同的工況模式。這種工況模式劃分的方式過(guò)于粗糙，實(shí)際駕駛工況往往很難與各類標(biāo)準(zhǔn)工況具有足夠的相似程度，因而將標(biāo)準(zhǔn)循環(huán)工況直接作為工況模式的能量管理方法在實(shí)際應(yīng)用中效果不佳。針對(duì)這一問(wèn)題，學(xué)者們考慮將標(biāo)準(zhǔn)循環(huán)工況劃分成多段“微循環(huán)”工況，并基于這些“微循環(huán)”獲取最優(yōu)功率分配規(guī)則，以兩個(gè)相鄰的微循環(huán)會(huì)具有類似的工況特征這一假設(shè)為前提，通過(guò)實(shí)時(shí)的“微循環(huán)”模式識(shí)別將適宜的功率分配規(guī)則應(yīng)用到在線的能量管理中。
“微循環(huán)”可以以標(biāo)準(zhǔn)循環(huán)工況中功率需求為0的點(diǎn)作為分隔點(diǎn)，也可以直接按時(shí)間長(zhǎng)度(例如每60 s或每100 s)進(jìn)行劃分，抑或是設(shè)定一個(gè)“微循環(huán)”最大持續(xù)時(shí)長(zhǎng)，待劃分的“微循環(huán)”低于最大持續(xù)時(shí)長(zhǎng)時(shí)以標(biāo)準(zhǔn)循環(huán)工況中功率需求為0的點(diǎn)作為分隔點(diǎn)，而待劃分的“微循環(huán)”超過(guò)最大持續(xù)時(shí)長(zhǎng)時(shí)以最大持續(xù)時(shí)長(zhǎng)強(qiáng)制劃分“微循環(huán)”。在“微循環(huán)”劃分完畢后，文獻(xiàn)[65]將工況模式識(shí)別框架與基于優(yōu)化的方法相結(jié)合，通過(guò)DP得到已劃分的駕駛“微循環(huán)”工況的最優(yōu)控制規(guī)則，而后以該“微循環(huán)”工況中平均行駛速度和最高行駛速度為輸入，通過(guò)模糊邏輯方法將實(shí)時(shí)工況與預(yù)先劃分的“微循環(huán)”進(jìn)行匹配，并應(yīng)用對(duì)應(yīng)的最優(yōu)能量管理規(guī)則。文獻(xiàn)[12]對(duì)前述方法進(jìn)行了改進(jìn)，以工況的能量需求和最大功率需求作為模糊邏輯模式識(shí)別的輸入，將實(shí)時(shí)工況與“微循環(huán)”進(jìn)行匹配，而后應(yīng)用對(duì)應(yīng)的能量管理規(guī)則；該規(guī)則同樣是基于已劃分的“微循環(huán)”工況數(shù)據(jù)，預(yù)先采用DP進(jìn)行優(yōu)化計(jì)算得到的。文獻(xiàn)[102]同樣利用模糊邏輯方法實(shí)時(shí)識(shí)別工況模式，不同之處在于其利用粒子群算法對(duì)“微循環(huán)”工況下優(yōu)化HESS功率分配進(jìn)行優(yōu)化。文獻(xiàn)[11]以駕駛工況中的實(shí)時(shí)速度和功率需求進(jìn)行工況模式識(shí)別，通過(guò)NN擬合最優(yōu)功率分配曲線參數(shù)的方法得到各個(gè)“微循環(huán)”對(duì)應(yīng)的能量管理規(guī)則。文獻(xiàn)[60]則是在工況模式識(shí)別框架下，采用自適應(yīng)小波變換方法進(jìn)行功率分配，基于“微循環(huán)”識(shí)別結(jié)果動(dòng)態(tài)調(diào)整小波變換的分解級(jí)別，并結(jié)合模糊邏輯控制將SC的SOC保持在預(yù)設(shè)范圍內(nèi)。
基于工況模式識(shí)別的能量管理方法大多數(shù)會(huì)結(jié)合基于優(yōu)化的方法得到某個(gè)特定循環(huán)工況下的最優(yōu)能量管理規(guī)則，因此基于工況模式識(shí)別的能量管理方法在實(shí)際應(yīng)用中的性能很大程度上取決于識(shí)別精度。近年來(lái)經(jīng)過(guò)研究人員的不斷改進(jìn)，總體上工況模式識(shí)別方法能夠以較低的計(jì)算成本實(shí)現(xiàn)較好的能量管理效能。但是由于模式識(shí)別模塊通常根據(jù)歷史信息識(shí)別當(dāng)前工況模式，并假設(shè)當(dāng)前工況特征不會(huì)突然發(fā)生變化，因此無(wú)法完全避免誤識(shí)別，在某些情況下可能無(wú)法做到最優(yōu)的功率分配。
3.4 基于機(jī)器學(xué)習(xí)的能量管理方法
機(jī)器學(xué)習(xí)方法是系統(tǒng)控制領(lǐng)域的一個(gè)重要的未來(lái)發(fā)展方向。近年來(lái)，以NN方法和強(qiáng)化學(xué)習(xí)(reinforcement learning，RL)方法為代表的機(jī)器學(xué)習(xí)相關(guān)技術(shù)快速發(fā)展，在機(jī)器人控制、自然語(yǔ)言識(shí)別和自動(dòng)駕駛等許多方面得到了應(yīng)用?？紤]到機(jī)器學(xué)習(xí)方法廣泛的適用性，在處理復(fù)雜非線性問(wèn)題上有著優(yōu)異性能，且訓(xùn)練完成后具備很好的實(shí)時(shí)性，許多學(xué)者已經(jīng)嘗試將其應(yīng)用在HESS能量管理領(lǐng)域。
NN是一種模仿生物神經(jīng)網(wǎng)絡(luò)(動(dòng)物的中樞神經(jīng)系統(tǒng)，特別是大腦)的結(jié)構(gòu)和功能的數(shù)學(xué)模型，可以模擬生物神經(jīng)系統(tǒng)對(duì)真實(shí)世界物體所做出的交互反應(yīng)，其結(jié)構(gòu)示意如圖8所示。在應(yīng)用時(shí)，NN需要大量的訓(xùn)練數(shù)據(jù)集對(duì)其進(jìn)行訓(xùn)練，這種訓(xùn)練本質(zhì)上是一種歸納學(xué)習(xí)。在對(duì)大量訓(xùn)練實(shí)例的重復(fù)學(xué)習(xí)過(guò)程中，NN模型內(nèi)部的自適應(yīng)算法不斷修改神經(jīng)元間連接的權(quán)值，并使權(quán)值分布逐漸收斂到一個(gè)穩(wěn)定的范圍內(nèi)。
RL則不僅能利用現(xiàn)有數(shù)據(jù)，還可以通過(guò)與環(huán)境不斷地交互獲得反饋(獎(jiǎng)勵(lì))，并利用反饋的新數(shù)據(jù)循環(huán)往復(fù)地更新迭代現(xiàn)有模型，以獲得全局最優(yōu)的行為策略，如圖9所示。對(duì)于未知系統(tǒng)結(jié)構(gòu)和參數(shù)的系統(tǒng)，RL可以通過(guò)觀察和分析系統(tǒng)的行為來(lái)對(duì)其進(jìn)行控制，并通過(guò)逐步學(xué)習(xí)或試錯(cuò)來(lái)做出最優(yōu)決策。
文獻(xiàn)[105]通過(guò)使用DP算法得到的HESS功率分配數(shù)據(jù)訓(xùn)練基于NN的HESS控制器，并實(shí)現(xiàn)了優(yōu)化數(shù)據(jù)的實(shí)時(shí)應(yīng)用和實(shí)時(shí)驗(yàn)證。文獻(xiàn)[107]將PI(proportional integral，比例積分)控制器的規(guī)則替換為通過(guò)數(shù)據(jù)訓(xùn)練得到的NN，使HESS能量利用效率提高了3.3%。文獻(xiàn)[108]設(shè)計(jì)了基于NN的功率分配控制器，實(shí)現(xiàn)了比PI控制器更低的誤差和更高的穩(wěn)定性，能夠有效提高HESS效率，延長(zhǎng)其使用壽命。文獻(xiàn)[109]采用基于小波變換得到的數(shù)據(jù)集對(duì)NN進(jìn)行離線訓(xùn)練，基于訓(xùn)練完成的NN將負(fù)載功率需求中的高頻分量分配給SC。文獻(xiàn)[110]提出了一種基于NN的低電壓直流微電網(wǎng)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(yù)設(shè)范圍并穩(wěn)定總線電壓。文獻(xiàn)[111]對(duì)這種基于NN的低電壓直流微電網(wǎng)HESS控制策略進(jìn)行了改進(jìn)，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(hào)數(shù)據(jù)集訓(xùn)練用于在線應(yīng)用的NN，以實(shí)現(xiàn)反饋增益的在線快速計(jì)算。為改善HESS功率分配的暫態(tài)性能，文獻(xiàn)[112]采用NN進(jìn)行系統(tǒng)控制，取得了明顯效果。對(duì)基于NN的混合儲(chǔ)能系統(tǒng)EMS而言，訓(xùn)練集的數(shù)量和質(zhì)量以及所建立的NN模型的適用性對(duì)最終的能量管理性能有直接影響，在建立和訓(xùn)練NN時(shí)需要對(duì)這些因素進(jìn)行綜合考慮。
文獻(xiàn)[113]將RL應(yīng)用于HESS的實(shí)時(shí)能量管理，通過(guò)對(duì)比基于RL方法和基于DP方法得到的仿真結(jié)果，驗(yàn)證了RL方法在HESS能量管理上的有效性。文獻(xiàn)[68]基于考慮遺忘因素的RL方法，在HESS 能量管理中同時(shí)考慮了LIB壽命和溫度變化對(duì)功率分配的影響，實(shí)驗(yàn)表明基于RL的方法相比基于規(guī)則的控制策略能減少16.8%的能量損耗。文獻(xiàn)[114]在將深度學(xué)習(xí)(deep learning，DL)和RL結(jié)合的深度強(qiáng)化學(xué)習(xí)(deep reinforcement learning，DRL)框架下，將柔性制動(dòng)/評(píng)價(jià)(soft actor-critic，SAC)算法應(yīng)用于HESS的能量管理，采用提取自基于DP的全局最優(yōu)能量管理方案的知識(shí)來(lái)提高基于SAC的混合儲(chǔ)能系統(tǒng)EMS性能，最終使該EMS與基于DP的全局最優(yōu)EMS的性能差距縮小至5.19%。文獻(xiàn)[115] 基于多智能體DRL方法，將HESS能量管理與風(fēng)力機(jī)轉(zhuǎn)子動(dòng)能和槳距控制相結(jié)合，提出了一種風(fēng)力發(fā)電機(jī)與HESS的協(xié)同控制策略；仿真實(shí)驗(yàn)表明，該策略可以平滑風(fēng)力發(fā)電輸出功率，延長(zhǎng)儲(chǔ)能元件使用壽命，減輕風(fēng)力發(fā)電機(jī)的磨損?；赗L或是DRL的混合儲(chǔ)能系統(tǒng)EMS現(xiàn)階段仍然存在參數(shù)調(diào)優(yōu)困難、訓(xùn)練時(shí)間冗長(zhǎng)等問(wèn)題，在應(yīng)用RL、DRL方法進(jìn)行HESS能量管理時(shí)，需要重點(diǎn)關(guān)注方法的收斂速度、最優(yōu)性和實(shí)時(shí)性。
此外，機(jī)器學(xué)習(xí)方法也常作為一種有效的參數(shù)擬合與預(yù)測(cè)方法應(yīng)用在基于經(jīng)驗(yàn)、基于工況模式識(shí)別等其他類型的HESS能量管理方法框架中。在這些應(yīng)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(yīng)用方式歸類為基于機(jī)器學(xué)習(xí)的能量管理方法。
在減少HESS電能損耗、延長(zhǎng)HESS使用壽命以及提升HESS運(yùn)行經(jīng)濟(jì)性等方面，基于機(jī)器學(xué)習(xí)的HESS能量管理方法能夠達(dá)到與DP得到的最優(yōu)能量管理規(guī)則相近的性能表現(xiàn)；相比于前述的基于工況模式識(shí)別或基于優(yōu)化的方法，基于機(jī)器學(xué)習(xí)的方法具有更好的實(shí)時(shí)性和魯棒性。然而，為保證能量管理效能，基于機(jī)器學(xué)習(xí)的HESS能量管理方法在學(xué)習(xí)中往往需要很長(zhǎng)的訓(xùn)練時(shí)間和大量高質(zhì)量的訓(xùn)練數(shù)據(jù)，這在一定程度上限制了此類方法的應(yīng)用。
3.5 混合儲(chǔ)能系統(tǒng)能量管理方法總結(jié)
基于經(jīng)驗(yàn)、基于優(yōu)化、基于工況模式識(shí)別和基于機(jī)器學(xué)習(xí)的4大類能量管理方法可以認(rèn)為是各自代表了一個(gè)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(jìn)的關(guān)系，但4類方法均在某些方面仍具有不可替代的優(yōu)勢(shì)，同時(shí)也存在各自無(wú)法避免的劣勢(shì)。這里首先將HESS需應(yīng)對(duì)的負(fù)載工況分為未來(lái)工況可通過(guò)歷史工況數(shù)據(jù)獲知的規(guī)律性工況，以及未來(lái)工況呈現(xiàn)隨機(jī)波動(dòng)特性、無(wú)法通過(guò)歷史工況數(shù)據(jù)準(zhǔn)確獲知的隨機(jī)性工況2大類，則各類能量管理方法的性能特點(diǎn)匯總見表3。
在表3中，各類能量管理方法的性能特點(diǎn)通過(guò)其在規(guī)律性與隨機(jī)性負(fù)載工況下的管理效能、魯棒性、離線計(jì)算復(fù)雜度與在線計(jì)算復(fù)雜度5個(gè)方面來(lái)評(píng)價(jià)，對(duì)管理效能和魯棒性的評(píng)價(jià)從優(yōu)至劣分為良好、較好、中等、較差4個(gè)等級(jí)，對(duì)計(jì)算復(fù)雜度的評(píng)價(jià)從低復(fù)雜度到高復(fù)雜度分為很低、較低、中等、較高、很高5個(gè)等級(jí)。其中，管理效能代表能量管理方法在提升系統(tǒng)電能利用效率、延長(zhǎng)系統(tǒng)整體壽命方面的性能表現(xiàn)；魯棒性是按照能量管理方法在應(yīng)對(duì)突然發(fā)生的異常工況時(shí)，其管理效能是否足夠穩(wěn)定進(jìn)行評(píng)價(jià)；離線與在線計(jì)算復(fù)雜度則是分別對(duì)能量管理方法在離線計(jì)算和在線實(shí)時(shí)計(jì)算的計(jì)算開銷進(jìn)行評(píng)價(jià)。
HESS能量管理的相關(guān)研究一直致力于實(shí)現(xiàn)在負(fù)載工況隨機(jī)性強(qiáng)、波動(dòng)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(jīng)驗(yàn)、基于優(yōu)化直到基于工況模式識(shí)別和基于機(jī)器學(xué)習(xí)的各類方法，在應(yīng)對(duì)隨機(jī)性工況時(shí)，其相對(duì)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(jì)算復(fù)雜度為代價(jià)的。而對(duì)于規(guī)律性工況，最簡(jiǎn)單的基于經(jīng)驗(yàn)以及基于離線優(yōu)化的能量管理方法已經(jīng)能夠有效延長(zhǎng)HESS的整體壽命；特別是基于離線優(yōu)化的方法，因其依托負(fù)載需求功率最優(yōu)分配問(wèn)題的全局最優(yōu)解獲取能量管理規(guī)則，在應(yīng)對(duì)規(guī)律性負(fù)載工況時(shí)能夠達(dá)到比基于模型預(yù)測(cè)控制、基于工況模式識(shí)別以及基于機(jī)器學(xué)習(xí)等有著更高的離線或在線計(jì)算復(fù)雜度、方法流程也更加復(fù)雜的能量管理方法更好的能量管理效能。因此，對(duì)于面向規(guī)律性工況的HESS，采用基于離線優(yōu)化的方法就可以達(dá)到良好的能量管理效能，一般情況下不必采用更復(fù)雜的方法；對(duì)于面向隨機(jī)性工況的HESS，其能量管理方法的選擇需要綜合權(quán)衡管理效能、魯棒性和計(jì)算復(fù)雜度各方面的實(shí)際應(yīng)用需求，以及HESS負(fù)載工況的隨機(jī)波動(dòng)程度。
4 混合儲(chǔ)能系統(tǒng)能量管理未來(lái)研究展望
針對(duì)面向隨機(jī)性負(fù)載，特別是面向以電動(dòng)汽車為代表的強(qiáng)隨機(jī)性負(fù)載的HESS，開發(fā)一種管理效能好、魯棒性強(qiáng)、計(jì)算復(fù)雜度盡量低的能量管理方法，是目前也將是未來(lái)相當(dāng)長(zhǎng)一段時(shí)間內(nèi)HESS研究的主要目標(biāo)。要實(shí)現(xiàn)這一目標(biāo)，現(xiàn)階段仍有以下3方面問(wèn)題亟待解決。
第一，提高對(duì)隨機(jī)性負(fù)載未來(lái)工況的預(yù)測(cè)精度。對(duì)隨機(jī)性負(fù)載而言，其未來(lái)工況的不確定性越小，就越有可能以較低的計(jì)算成本達(dá)到更高的管理效能和魯棒性。通過(guò)采集更加全面的負(fù)載工況相關(guān)數(shù)據(jù)、引入先進(jìn)的預(yù)測(cè)模型與算法，以及在預(yù)測(cè)中進(jìn)一步考慮負(fù)載操作人員的不同操作風(fēng)格，就可以對(duì)HESS需要應(yīng)對(duì)的負(fù)載未來(lái)工況進(jìn)行更加精準(zhǔn)的預(yù)測(cè)，盡可能降低負(fù)載未來(lái)工況的不確定性，進(jìn)而提升HESS能量管理效能與魯棒性。那么，如何將有效的預(yù)測(cè)模型與現(xiàn)有能量管理方法有機(jī)結(jié)合，以達(dá)到在計(jì)算復(fù)雜度滿足實(shí)用要求的前提下，提升HESS能量管理效能與魯棒性的目標(biāo)，是目前亟須解決的問(wèn)題。
第二，建立更加精準(zhǔn)的HESS模型。對(duì)于基于優(yōu)化、基于工況模式識(shí)別等需要依托HESS動(dòng)態(tài)響應(yīng)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(shí)際效能。目前，相關(guān)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(jiǎn)單、未能緊密貼合HESS實(shí)際工況的問(wèn)題，往往難以在低溫或是大倍率放電等特殊工況條件下準(zhǔn)確反映HESS的電壓電流響應(yīng)情況與老化情況。因此，如何充分考慮HESS實(shí)際工況與運(yùn)行環(huán)境，對(duì)作為能量管理方法研究基礎(chǔ)的HESS模型進(jìn)行精準(zhǔn)地建模，是目前亟須解決的問(wèn)題。
第三，通過(guò)云端協(xié)同進(jìn)一步提升能量管理方法的實(shí)時(shí)性。HESS運(yùn)行中需要實(shí)時(shí)進(jìn)行功率分配控制，這對(duì)能量管理方法在線應(yīng)用時(shí)的實(shí)時(shí)性提出了很高的要求。在現(xiàn)有研究中，基于模型預(yù)測(cè)控制、基于工況模式識(shí)別等具有較高在線計(jì)算復(fù)雜度的能量管理方法在實(shí)際使用中往往很難具備足夠的實(shí)時(shí)性；不能及時(shí)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(shí)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(xué)者對(duì)將基于模型預(yù)測(cè)控制或基于機(jī)器學(xué)習(xí)的能量管理方法與云計(jì)算相結(jié)合進(jìn)行了初步探索，但現(xiàn)階段在通過(guò)云端協(xié)同進(jìn)一步提升能量管理方法的實(shí)時(shí)性，進(jìn)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(xiàn)有的HESS能量管理相關(guān)研究大多數(shù)針對(duì)的是電動(dòng)汽車HESS，少部分針對(duì)輕軌、船舶等其他交通工具的混儲(chǔ)電源，以及電網(wǎng)儲(chǔ)能等其他應(yīng)用場(chǎng)景下的HESS。在電動(dòng)汽車HESS能量管理方面的先進(jìn)成果不斷涌現(xiàn)之時(shí)，針對(duì)面向其他類型的負(fù)載工況與運(yùn)行環(huán)境條件而設(shè)計(jì)的HESS的能量管理方法研究還需要進(jìn)一步推向深入。
5 結(jié) 論
本文首先簡(jiǎn)要介紹了LIB/SC混合儲(chǔ)能系統(tǒng)的受控式與無(wú)控式2大類拓?fù)浣Y(jié)構(gòu)，分析了主動(dòng)式、半主動(dòng)式與被動(dòng)式3類拓?fù)涞倪B接方式與主要特點(diǎn)，并對(duì)LIB/SC混合儲(chǔ)能系統(tǒng)EMS的功能架構(gòu)和功率分配控制流程進(jìn)行了概述；而后著重介紹了基于經(jīng)驗(yàn)、基于優(yōu)化、基于工況模式識(shí)別和基于機(jī)器學(xué)習(xí)的4大類LIB/SC混合儲(chǔ)能系統(tǒng)能量管理方法，對(duì)各類能量管理方法的具體流程與性能特點(diǎn)進(jìn)行了分類詳述與對(duì)比分析；最后總結(jié)了現(xiàn)有能量管理方法在管理效能、魯棒性以及計(jì)算復(fù)雜度方面的性能特點(diǎn)，并對(duì)LIB/SC混合儲(chǔ)能系統(tǒng)能量管理方法未來(lái)的研究方向和發(fā)展趨勢(shì)進(jìn)行了展望。
