锂离子电池/超级电容器混合储能系统能量管理方法综述

宋元明，刘亚杰，金 光，周 星,3，黄旭程

（1国防科技大学系统工程学院；2多能源系统智慧互联技术湖南省重点实验室；3国防科技大学前沿交叉学科学院，湖南 长沙 410073）

储能技术作为新能源产业的重要支撑技术，常用于电网功率的削峰填谷[1-6]、克服可再生能源发电的间歇性、改善电能质量[7-8]，以及为电动汽车[9-14]、轻轨列车[15-17]、船舶[18-22]等交通工具提供动力来源。随着储能技术的发展，锂离子电池(lithium-ion battery，LIB)以其较高的能量密度、较好的功率性能、极低的自放电率和较低的成本，成了新能源产业中应用最为广泛的储能器件[23]。但单纯由LIB 构成的储能系统仍有许多不足之处，例如在低温下使用时其性能劣化严重、寿命快速衰减[24]，大倍率脉冲放电以及功率吞吐需求波动较大的工况也会导致LIB储能系统的快速老化[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，抑或是对储能系统有着长寿命要求的应用场景下需要堆叠过多的电池单体，这导致系统体积重量过大，电池购置、运行与管理成本高昂。

因此，如何改善LIB 的工作条件，减缓其容量衰减成了储能技术研究的核心问题[26]。将2 种或2 种以上的储能系统组合成一个混合储能系统(hybrid energy storage systems，HESS)可以扬长避短，较好地解决低温、大倍率脉冲放电以及功率波动影响LIB 系统寿命的问题[14,24,28-29]；HESS 中的功率型器件和能量型器件可以按照应用需求灵活配置，能够避免堆叠过多的电池单体[28]，降低储能系统购置、运行与管理成本。

当前主流的储能系统的性能参数如表1 所示，其中超级电容器(supercapacitor，SC)在体积、成本、工作方式、日历寿命等应用条件方面与LIB接近，而在功率密度、能量密度、自放电率、循环寿命等电气性能方面与LIB可以形成很好的互补，由LIB 和SC 构成的HESS 已被广泛用作各类电动交通工具的动力源或功率缓冲系统[9-22,45-46]，以及电网、风电场与光伏电站的配套储能系统[2-6,47]；目前学界关于HESS 的研究也大多基于LIB 与SC 构成的HESS展开。

表1 主流的储能系统性能参数Table 1 Performance parameters of mainstream energy storage systems

虽然锂离子电池/超级电容器(lithium-ion battery /supercapacitor，LIB/SC)混合储能系统相比纯LIB储能系统有明显优势，但要实现LIB与SC的优势互补，需要将负载的实时功率在二者之间进行科学合理的分配，这给LIB/SC 混合储能系统的能量管理策略设计带来了不小的挑战。因此，本文从LIB/SC 混合储能系统拓扑结构出发，简要介绍了LIB/SC 混合储能系统的能量管理系统(energy management system，EMS)框架以及其中的功率分配底层控制流程，而后重点对LIB/SC 混合储能系统的能量管理方法进行了分类阐述与对比分析，最后总结了现有能量管理方法的特点，并展望了LIB/SC 混合储能系统能量管理的发展趋势和下一步的研究方向。

2 混合储能系统能量管理技术概述

2.1 混合储能系统拓扑结构概述

HESS拓扑结构的选择决定了其能否经由混合储能EMS 进行功率分配控制。按照子系统间功率分配是否受控，现有的LIB/SC 混合储能系统拓扑结构可以分为受控式[4-5,48-77]拓扑和无控式拓扑[78-85]2大类，如图1所示。

图1 HESS拓扑分类Fig.1 Classification of HESS topologies

在受控式HESS 中，混合储能EMS 通过对双向DC/DC变换器的控制实现子系统间的功率分配。按照双向DC/DC 变换器的使用数量和连接方式，受控式HESS 拓扑可以分为全主动式拓扑[4-5,48-53]和半主动式拓扑[54-70]2 种类型，如图2(a)和图2(b)、(c)所示。

图2 HESS拓扑结构Fig.2 Topological structures of HESS

图2(a)展示了全主动式HESS 的拓扑结构[5,49-53]。在该拓扑中，LIB 和SC 子系统分别通过双向DC/DC 变换器连接到直流总线上；此时各个子系统的输出功率与总线电压均可控，适用于对总线电压稳定性要求较高的应用场景。

实现LIB 子系统和SC 子系统间的电流受控分配是受控式HESS拓扑最主要的功能。当负载需求功率一定时，采用半主动式结构的HESS只通过一个双向DC/DC 变换器控制与之相连的子系统的输出功率，其余功率需求由另一子系统补足，也能实现受控的功率分配；但此时总线电压不再可控[54]。图2(b)和图2(c)展示的是半主动式HESS 的2 种不同构型，当SC子系统通过双向DC/DC变换器接入总线，LIB 子系统直接与总线连接时称为电容半主动结构[11,54-63]，反之则称为电池半主动结构[64-70]；半主动式结构，尤其是电容半主动结构是目前最常用的HESS拓扑结构。

此外，在上述的各类型受控式HESS拓扑基础上，有学者根据HESS实际应用中的工况特点，通过添加受控开关、调整连接方式、改用单向DC/DC等方法[71-77]，以达到依托应用场景有针对性地减轻变换器的重量、提高能量利用效率等目的，但其核心功能仍是实现子系统输入输出功率的受控分配。

无控式的HESS中不使用DC/DC变换器，LIB子系统和SC子系统都直接与直流总线相连[78-85]，这类拓扑结构被称为被动式拓扑，具有结构简单、成本较低的优点。图2(d)展示了一种常见的被动式HESS 拓扑结构[78-83]，在这种典型被动式结构的基础上，有少数学者根据应用需求在电池支路中串联了电感或二极管[84-85]，以起到降低电流纹波或是控制电流方向的作用。总的来说，各类被动式HESS均不能实现子系统功率的受控分配，各个子系统的功率输出比例由其各自的内阻决定。

HESS能量管理的核心是实现负载需求功率在LIB与SC子系统间科学合理地分配，而对于HESS拓扑来说，仅受控式拓扑可以实现子系统间的功率受控分配。因此，本文所述的能量管理方法适用于主动式、半主动式等受控式HESS，无控式(被动式)HESS 是无法进行能量管理的。各类HESS 受控参数的汇总如表2 所示。

表2 各类HESS拓扑受控参数汇总Table 2 Summary of controlled parameters of various HESS topologies

2.2 混合储能系统拓扑结构概述

2.2.1 混合储能能量管理系统功能架构

混合储能EMS 是保障HESS 经济稳定运行、充分发挥LIB 与SC 性能优势的关键所在[38]，其主要功能是在对储能系统温度、总线及分系统的电压与电流等信息进行采集、处理与分析的基础上，以满足负载的实时功率需求为前提，对各子系统的输入输出功率进行决策与控制，以延长HESS 寿命[9,12,56-58,60-61,64,70,86-87]、 提 升 电 能 利 用率[55-58,60,62-64,67,87]，实现系统的稳定、高效、经济运行[6,11,56-57,59-60,62,64,87]。此外，混合储能EMS 还需具备传统电池管理系统(battery management system，BMS)在测量、评估、均衡与保护等方面的功能[88]。

混合储能EMS 功能架构如图3 所示。其中混合储能EMS主控单元主要有3方面功能：

图3 混合储能EMS功能架构Fig.3 Functional architecture of hybrid energy storage EMS

①通过各类传感器采集总线、LIB子系统和SC子系统的电压、电流与温度数据。

②与子系统BMS 通信，获取LIB 子系统与SC子系统的荷电状态(state of charge，SOC)、健康状态(state of health，SOH)等状态信息，并下达管理指令，经由子系统BMS 完成子系统内单体的电压/电流/温度数据测量、SOC 与SOH 估计、单体SOC均衡与再分配、热管理与过压/过流/过温保护等BMS功能[88]。

③对于子系统功率输出可控的HESS，混合储能EMS 主控单元需结合其接收的传感器数据、子系统状态数据等信息，在满足负载的实时功率需求的前提下对各子系统的输入输出功率进行决策，并将决策得到的功率分配参考值传达给控制器以实现功率分配控制；对于总线电压也可控的HESS，EMS 主控单元还需对总线电压进行控制，其过程与前述功率分配控制类似，此处不再赘述。

可以看出，对于子系统功率输出可控的HESS，其EMS 的主要功能是基于必要数据的采集，进行功率分配控制，以实现HESS的高效、经济、长寿命运行；测量、评估、均衡与保护等传统BMS 功能由下级子系统BMS 完成。当子系统功率输出不可控时，混合储能EMS 的功能架构就不再包括功率分配控制部分(即图3中短划线框与短划线箭头部分)，此时混合储能EMS 实际上相当于一个模块式BMS[88]。由于主题所限，本文不对此类BMS的相关管理方法进行讨论。

2.2.2 混合储能能量管理系统功率分配控制

混合储能EMS 主控单元依托其上运行的能量管理算法，向底层控制器给出功率分配参考值，而后通过底层控制器对受控式HESS拓扑结构中DC/DC 变换器的控制实现子系统间的功率分配。对于半主动式HESS，底层控制只涉及子系统间的功率分配控制；主动式HESS还需控制总线电压[89]。由于半主动式拓扑的底层控制问题是主动式拓扑底层控制问题的子集，在底层控制方面下文仅以主动式HESS为例进行概述。

图4 展示了主动式HESS 功率分配控制的一般流程。其中，HESS能量管理算法在混合储能EMS主控单元中运行，实时接收负载需求功率和LIB、SC子系统的电压、电流、温度、SOC等数据，作为能量管理算法的输入。基于前述输入数据，EMS主控单元依托能量管理算法向底层控制器给出总线电压参考值以及任一子系统的输出电流参考值(另一子系统的输出电流参考值可由控制算法在进行总线电压控制时计算得出)。而后，底层控制器中的功率分配控制算法以前述参考值和所需反馈数据作为输入，以DC/DC 变换器中各个电力电子开关脉宽调制(pulse width modulation，PWM)的占空比为控制量实现HESS 功率分配的底层反馈控制。

图4 主动式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 混合储能系统能量管理方法

HESS 能量管理算法以负载需求功率和LIB、SC子系统的电压、电流、温度、SOC等数据为输入，其主要功能是向底层控制器给出子系统输出电流参考值(若总线电压受控，还需给出总线电压参考值)。混合储能EMS 中搭载的能量管理算法可以通过不同的HESS能量管理方法获得；不论方法复杂与否，能量管理算法都应具备实时在线应用的能力。按照技术路线的不同，HESS能量管理方法可以分为基于经验[55,61,87-92]、基于优化[12,18,57,62,64,66,93-99]、基于工况模式识别[11-12,60,65,100-102]和基于机器学习[67-68,103-115]4大类。

3.1 基于经验的能量管理方法

在需求功率一定时， EMS 采集所需信息，计算出LIB 和SC 分系统各自输出功率的参考值并传递给HESS控制单元以实现功率分配。以需求功率大小和LIB、SC 的SOC 状态等作为输入参数，依托逻辑门限控制方法[87-90]、模糊逻辑控制方法[91]或是各类滤波方法[55,61,92]，从专家经验出发设计一种固定的规则是获取功率分配参考值最直接的办法。

其中，基于逻辑门限控制方法的HESS能量管理是通过将各项实时输入参数与基于专家经验预先设定的逻辑门限值进行比较，继而按照经验规则分配LIB 与SC 的输出功率，是一种简单、快速、稳定的能量管理方式[87]；基于模糊逻辑控制方法的能量管理是依托模糊数学的原理，将专家经验映射为一系列能量管理规则[91,93]，这种方法借助了隶属度函数的概念，能够很好地处理HESS功率分配中的模糊关系；基于滤波的能量管理则是从尽量平滑LIB 的功率输出曲线，以减缓LIB 老化的经验原则出发，借助小波变换和自适应滤波等方法将需求功率分解为高频部分和低频部分[25]，将它们分别分配给SC和LIB。

传统的逻辑门限控制方法采用固定的逻辑门限值进行功率分配，在需求功率发生较大变化时其功率分配结果往往并不合理[90]。为解决这一问题，文献[90]对传统的HESS 逻辑门限功率分配控制方法进行了改进，在逻辑门限控制框架下采用一种基于专家经验设计的模糊逻辑控制器替代了固定的逻辑门限值，改进型逻辑门限控制方法相比于常规逻辑门限控制方法，在能量分配合理性、LIB 峰值输出电流和能量利用效率方面均有一定的性能提升。文献[91]则直接应用模糊逻辑的方法进行HESS内SC和LIB子系统间的功率分配，在设计了合理的隶属度函数对输入参数进行模糊化后，依托专家经验定义了模糊控制规则，相比纯电池系统大大降低了LIB 的峰值输出电流，达到了延长其使用寿命的目的。文献[61]对传统的基于固定截止频率的低通滤波方法进行改进，提出了一种自适应频率的滤波方法，基于这种方法设计了一套能量管理规则，将SC 作为低通滤波器使用，通过避免LIB 频繁地充放电来保护LIB。文献[55]通过基于模糊逻辑控制器的自适应低通滤波器实现HESS的能量管理，相比基于固定截止频率低通滤波的能量管理方法以及纯电池系统的能量管理方法，在提高电能利用效率和平滑LIB 输出功率方面有明显提升。文献[92]提出了一种自适应HESS功率分配方法，该方法通过动态滤波算法对负载需求功率特性进行识别，根据功率曲线波动情况给出相应的滤波系数，能够很好地发挥LIB和SC各自的特性，延缓LIB的老化。

在前述能量管理方法中，由专家经验出发，基于逻辑门限方法或是模糊逻辑方法生成的能量管理规则具有简单实用、可靠性高、实时性好的优点，其中模糊逻辑方法的应用避免了固定的逻辑门限值在某些情况下会导致功率分配不合理的问题。从减少LIB的输出功率波动的经验原则出发，基于滤波的方法通过将需求功率中的高频分量分配给SC，能够达到平滑LIB输出功率曲线的目的；这类方法也可以与模糊逻辑方法结合以提高能量管理规则的灵活性与合理性[55]。

基于经验的能量管理规则虽然简单可靠、实用性强，但由于其从专家知识出发确定规则，这种规则的最优性难以保证[62]。此外，学者们在评价通过基于经验的方法得到的能量管理规则的效能时，一般会从该规则是否对作为输入的专家经验进行了正确表达、是否符合常理的角度进行评估，或是选取另一种更简单的经验规则进行定性的对比，在方法的效能评估方面缺乏充分的定量分析。

3.2 基于优化的能量管理方法

HESS 的能量管理本质上是寻找一定条件下LIB 与SC 之间最优的功率分配方式，这容易表达为一个单或多目标优化问题。在功率分配优化中，常以最小化HESS能量损耗、最小化HESS购置与运行成本，以及最大化HESS 寿命作为优化目标，以HESS组成器件性能约束和负载功率需求约束等作为约束条件[57,62,64]。

按照是否需要在HESS运行中对功率最优分配问题实时进行求解，可将基于优化的能量管理方法分为2 类，分别是基于离线优化的能量管理方法[12,62,93-95]和基于模型预测控制的能量管理方法[18,57,64,66,96-99]。

3.2.1 基于离线优化的能量管理方法

由于基于经验的能量管理规则的最优性难以保证，研究者们希望基于功率最优分配问题的求解结果设计HESS的能量管理规则，以减少对经验的依赖，提升能量管理策略的最优性和有效性。因此，不同于基于经验的方法从专家知识出发确定能量管理规则，基于离线优化的能量管理方法依托历史工况数据进行功率分配问题的优化求解，而后基于求解得到的最优功率分配方案设计能量管理规则。基于离线优化的能量管理框架如图5所示。

图5 基于离线优化的能量管理框架Fig.5 Energy management framework based on off-line optimization

随着优化理论与优化算法的不断发展，很多方法都可以用来对功率分配进行优化，常用于求解此类优化问题的方法是动态规划(dynamic programming，DP)[包括确定性动态规划(deterministic dynamic programming， DDP)[93-94,99-116]随机动态规划(stochastic dynamic programming，SDP)[56]]、庞特里亚金极小值原理(pontryagin minimum principle，PMP)[72]以及粒子群优化(particle swarm optimization，PSO)、遗传算法(genetic algorithm，GA)等各类智能算法[25,86]。这些方法计算开销大，难以作为在线方法在实践中应用，因此在求得功率最优分配问题的解集后，一般还要通过逻辑门限法或模糊逻辑法提取能够在线应用的最优功率分配规则[62,93]，或是将优化结果中的变量离散化，EMS通过查表和插值运算实现在线功率分配[56]。文献[94]和文献[95]分别采用DP 方法和PMP 方法求解HESS功率最优分配问题，而后基于求解结果来评价并改进现有能量管理规则。文献[93]在通过DP方法获得最优功率分配控制问题的全局最优解后，采用模糊逻辑方法生成能量管理规则以减少人为因素的影响，但在隶属度函数的设计和去模糊化等过程中仍然依赖设计者的经验。文献[62]将谱法和高斯积分法相结合，提出了一种伪谱方法求解HESS功率最优分配问题，在保证解的最优性的前提下提高了对功率最优分配问题的求解效率，并采用逻辑门限方法从最优解中提取能量管理规则。

基于优化的能量管理方法从功率分配优化结果出发设计规则，避免了专家经验可能有疏漏的问题；在能量管理规则的效能评估方面，从优化结果中通过逻辑门限或者模糊逻辑等方法提取的在线能量管理规则可以将最优功率分配结果本身的性能作为比较基准，能够实现定量而非以往定性的对比分析。对于已知工况，通过DP 等精确优化算法求得的全局最优解不仅可以用于提取在线的能量管理规则[12,93,117]，还可将该全局最优解在减少系统电能损耗、减缓LIB退化等方面的性能参数作为其对应工况下能量管理方法效能的上限[116]，与新提出的各类在线能量管理方法进行对比以分析新方法的性能表现。

3.2.2 基于模型预测控制的能量管理方法

基于离线优化的能量管理方法中的功率分配优化是依托历史工况数据进行的，在未来工况随机性较强，与历史工况存在较大差别时，应用此类方法进行能量管理往往性能不佳。为解决这一问题，有学者尝试将模型预测控制(model predictive control, MPC)框架应用于HESS的能量管理，通过在MPC 框架下开展以负载功率需求为表征参数的多步预测，对HESS 的功率分配进行实时的优化控制。

模型预测控制又称滚动时域控制(receding horizon control, RHC)，其当前控制动作是在每一个采样瞬间通过求解一个有限时域开环最优控制问题获得的；MPC 方法以当前状态作为最优控制问题的初始状态，并且只执行解得的最优控制序列中的第一个控制动作[116]。对于HESS 而言，基于MPC的能量管理框架如图6所示，其中当前值和预测值序列是指当前及预测区间内LIB与SC的SOC、电压、电流等参数，功率分配参考值序列则是求解得到的控制区间内所有功率分配参考值组成的序列；基于MPC的能量管理通常包括以下步骤[66]：

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

①预测负载未来一段时间(预测区间)的工况特征(例如电动交通工具的速度等)或需求功率，基于预测结果运用各种优化方法实时求解预测区间内的功率最优分配问题；

②将解得的功率分配参考值序列(控制序列)中的第一个值作为输出，传递给功率分配控制器，执行功率分配控制；

③在下一时刻更新当前负载需求功率和LIB、SC的状态参数，而后再次执行步骤①[57]。

基于MPC 的能量管理的性能优劣在很大程度上取决于对未来功率需求的预测精度[96]。因此，在MPC 框架下选择合适的预测方法和优化算法非常重要。基于MPC 的能量管理中对未来工况特征或需求功率进行预测可采用需求转矩指数递减模型[97]、自回归模型[118]、马尔科夫链(markov chain，MC)模型[119-120]和神经网络(neural networks，NN)模型[121-122]等。其中需求转矩指数递减模型和自回归模型方法计算量小，但精度不高，近年来基于MPC的能量管理系统中常用的预测方法是基于MC 和NN 的方法[123]。MC 预测模型可以分为一阶MC 模型、二阶MC 模型和高阶MC 模型[64]，其计算成本和预测精度是递增的。在数据量较少的情况下，MC 模型计算效率高，预测精度好；但基于大量数据进行预测时MC方法的性能不佳。此时可以考虑基于NN 方法进行所需参数的预测：文献[99]采用深度神经网络(deep neural networks，DNN)进行预测，并证明了相比反向传播(back propagation，BP)神经网络，DNN 更适合用于参数预测；文献[64]提出了一种基于长短期记忆(long short-term memory，LSTM)速度预测模块的MPC方法，并验证了其在HESS能量管理上的有效性。

MPC 框架中控制优化问题可以采用PMP 算法[124]、DP 算法[125]、非线性规划算法[98]或二次规划算法[126]等优化方法进行求解，在实际应用中优化算法的选择需要考虑计算复杂度和问题特点。例如，文献[57]考虑到基于采用DP 求解框架内优化问题的MPC 的实时可行性，将DP 运算模块部署在云端，通过与车载MPC 模块的定时交互实现了在线的能量管理。总体而言，基于MPC 的HESS 能量管理方法能够在提高能量利用率和混储系统寿命等方面达到更好的效果，但其计算成本也相对高；在线应用时需要平衡好能量管理的精度和实时性，以达到最佳的实际效能。

3.3 基于工况模式识别的能量管理方法

与前述的基于离线优化的能量管理方法类似，基于工况模式识别的能量管理方法[11-12,60,65,100-102]同样需要依托历史工况数据进行能量管理策略的设计。其不同之处在于，基于离线优化的方法针对所有已知的历史工况数据求取最优功率分配方案，并基于该求解结果提取功率分配规则；而基于工况模式识别的方法将历史工况数据划分为多种不同的工况模式，针对每一种工况模式预先获取与之对应的最优功率分配规则，而后在HESS运行中识别当前工况所属的工况模式，应用对应的最优功率分配规则，并通过对当前工况的定期重新识别来应对实际工况的随机性。基于工况模式识别的能量管理框架如图7所示。

图7 基于工况模式识别的能量管理框架Fig.7 Energy management framework based on working condition pattern recognition

以HESS在新能源汽车上的应用为例，相关的能量管理研究常常基于中国公交驾驶循环(Chinese bus driving cycle，CBDC)或者是新欧洲驾驶循环(new European driving cycle，NEDC)等标准工况，应用3.2.1节所述DP方法就可以求得在某个标准工况下全局最优的功率分配规则。最初的基于工况模式识别的能量管理方法直接将现有的各类标准循环工况作为不同的工况模式[100-101]。这种工况模式划分的方式过于粗糙，实际驾驶工况往往很难与各类标准工况具有足够的相似程度，因而将标准循环工况直接作为工况模式的能量管理方法在实际应用中效果不佳。针对这一问题，学者们考虑将标准循环工况划分成多段“微循环”工况[11-12,60,65]，并基于这些“微循环”获取最优功率分配规则，以两个相邻的微循环会具有类似的工况特征[11,60,65]这一假设为前提，通过实时的“微循环”模式识别将适宜的功率分配规则应用到在线的能量管理中。

“微循环”可以以标准循环工况中功率需求为0的点作为分隔点[12,65]，也可以直接按时间长度(例如每60 s 或每100 s)进行划分[60]，抑或是设定一个“微循环”最大持续时长，待划分的“微循环”低于最大持续时长时以标准循环工况中功率需求为0的点作为分隔点，而待划分的“微循环”超过最大持续时长时以最大持续时长强制划分“微循环”[11]。在“微循环”划分完毕后，文献[65]将工况模式识别框架与基于优化的方法相结合，通过DP 得到已划分的驾驶“微循环”工况的最优控制规则，而后以该“微循环”工况中平均行驶速度和最高行驶速度为输入，通过模糊逻辑方法将实时工况与预先划分的“微循环”进行匹配，并应用对应的最优能量管理规则。文献[12]对前述方法进行了改进，以工况的能量需求和最大功率需求作为模糊逻辑模式识别的输入，将实时工况与“微循环”进行匹配，而后应用对应的能量管理规则；该规则同样是基于已划分的“微循环”工况数据，预先采用DP进行优化计算得到的。文献[102]同样利用模糊逻辑方法实时识别工况模式，不同之处在于其利用粒子群算法对“微循环”工况下优化HESS功率分配进行优化。文献[11]以驾驶工况中的实时速度和功率需求进行工况模式识别，通过NN 拟合最优功率分配曲线参数的方法得到各个“微循环”对应的能量管理规则。文献[60]则是在工况模式识别框架下，采用自适应小波变换方法进行功率分配，基于“微循环”识别结果动态调整小波变换的分解级别，并结合模糊逻辑控制将SC 的SOC 保持在预设范围内。

基于工况模式识别的能量管理方法大多数会结合基于优化的方法得到某个特定循环工况下的最优能量管理规则，因此基于工况模式识别的能量管理方法在实际应用中的性能很大程度上取决于识别精度[66]。近年来经过研究人员的不断改进，总体上工况模式识别方法能够以较低的计算成本实现较好的能量管理效能。但是由于模式识别模块通常根据历史信息识别当前工况模式，并假设当前工况特征不会突然发生变化，因此无法完全避免误识别[100]，在某些情况下可能无法做到最优的功率分配。

3.4 基于机器学习的能量管理方法

机器学习方法是系统控制领域的一个重要的未来发展方向[25]。近年来，以NN 方法[127]和强化学习(reinforcement learning，RL)[128]方法为代表的机器学习相关技术快速发展，在机器人控制、自然语言识别和自动驾驶等许多方面得到了应用[67]。考虑到机器学习方法广泛的适用性，在处理复杂非线性问题上有着优异性能，且训练完成后具备很好的实时性，许多学者已经尝试将其应用在HESS能量管理领域[25,67-68,103-115]。

NN是一种模仿生物神经网络(动物的中枢神经系统，特别是大脑)的结构和功能的数学模型，可以模拟生物神经系统对真实世界物体所做出的交互反应，其结构示意如图8 所示。在应用时，NN 需要大量的训练数据集对其进行训练，这种训练本质上是一种归纳学习。在对大量训练实例的重复学习过程中，NN 模型内部的自适应算法不断修改神经元间连接的权值，并使权值分布逐渐收敛到一个稳定的范围内[127]。

图8 神经网络结构示意Fig.8 Schematic diagram of neural network structure

RL 则不仅能利用现有数据，还可以通过与环境不断地交互获得反馈(奖励)，并利用反馈的新数据循环往复地更新迭代现有模型，以获得全局最优的行为策略，如图9所示。对于未知系统结构和参数的系统，RL 可以通过观察和分析系统的行为来对其进行控制，并通过逐步学习或试错来做出最优决策[128]。

图9 强化学习框架Fig.9 Reinforcement learning framework

文献[105]通过使用DP算法得到的HESS功率分配数据训练基于NN 的HESS 控制器，并实现了优化数据的实时应用和实时验证[106]。文献[107]将PI(proportional integral，比例积分)控制器的规则替换为通过数据训练得到的NN，使HESS 能量利用效率提高了3.3%。文献[108]设计了基于NN 的功率分配控制器，实现了比PI控制器更低的误差和更高的稳定性，能够有效提高HESS效率，延长其使用寿命。文献[109]采用基于小波变换得到的数据集对NN 进行离线训练，基于训练完成的NN 将负载功率需求中的高频分量分配给SC。文献[110]提出了一种基于NN 的低电压直流微电网HESS 控制策略，能够快速跟踪功率需求中的高频分量，维持电池与SC 的SOC 在预设范围并稳定总线电压。文献[111]对这种基于NN 的低电压直流微电网HESS控制策略进行了改进，采用蝙蝠搜索算法离线求解控制器的反馈增益，并基于求解得到的控制信号数据集训练用于在线应用的NN，以实现反馈增益的在线快速计算。为改善HESS功率分配的暂态性能，文献[112]采用NN进行系统控制，取得了明显效果。对基于NN 的混合储能系统EMS 而言，训练集的数量和质量以及所建立的NN 模型的适用性对最终的能量管理性能有直接影响[127]，在建立和训练NN时需要对这些因素进行综合考虑。

文献[113]将RL应用于HESS的实时能量管理，通过对比基于RL方法和基于DP方法得到的仿真结果，验证了RL方法在HESS能量管理上的有效性。文献[68]基于考虑遗忘因素的RL 方法，在HESS能量管理中同时考虑了LIB寿命和温度变化对功率分配的影响，实验表明基于RL 的方法相比基于规则的控制策略能减少16.8% 的能量损耗。文献[114]在将深度学习(deep learning，DL)和RL 结合的深度强化学习(deep reinforcement learning，DRL)框架下，将柔性制动/评价(soft actor-critic，SAC)算法应用于HESS 的能量管理，采用提取自基于DP 的全局最优能量管理方案的知识来提高基于SAC的混合储能系统EMS性能，最终使该EMS与基于DP 的全局最优EMS 的性能差距缩小至5.19%。文献[115] 基于多智能体DRL 方法，将HESS能量管理与风力机转子动能和桨距控制相结合，提出了一种风力发电机与HESS的协同控制策略；仿真实验表明，该策略可以平滑风力发电输出功率，延长储能元件使用寿命，减轻风力发电机的磨损。基于RL或是DRL的混合储能系统EMS现阶段仍然存在参数调优困难、训练时间冗长等问题，在应用RL、DRL 方法进行HESS 能量管理时，需要重点关注方法的收敛速度、最优性和实时性。

此外，机器学习方法也常作为一种有效的参数拟合与预测方法应用在基于经验、基于工况模式识别等其他类型的HESS 能量管理方法框架中[47,123,129-131]。在这些应用中，NN 并不用于直接输出HESS功率分配的参考值，因此本文不将这些应用方式归类为基于机器学习的能量管理方法。

在减少HESS电能损耗、延长HESS使用寿命以及提升HESS运行经济性等方面，基于机器学习的HESS 能量管理方法能够达到与DP 得到的最优能量管理规则相近的性能表现[67,114]；相比于前述的基于工况模式识别或基于优化的方法[66,96]，基于机器学习的方法具有更好的实时性和鲁棒性[67]。然而，为保证能量管理效能，基于机器学习的HESS能量管理方法在学习中往往需要很长的训练时间和大量高质量的训练数据，这在一定程度上限制了此类方法的应用。

3.5 混合储能系统能量管理方法总结

基于经验、基于优化、基于工况模式识别和基于机器学习的4大类能量管理方法可以认为是各自代表了一个阶段的HESS能量管理主流方法，在研究深度方面大致符合逐渐深入、层层递进的关系，但4 类方法均在某些方面仍具有不可替代的优势，同时也存在各自无法避免的劣势。这里首先将HESS需应对的负载工况分为未来工况可通过历史工况数据获知的规律性工况，以及未来工况呈现随机波动特性、无法通过历史工况数据准确获知的随机性工况2大类，则各类能量管理方法的性能特点汇总见表3。

表3 各类HESS能量管理方法性能特点汇总Table 3 Summary of performance characteristics of various HESS energy management methods

在表3中，各类能量管理方法的性能特点通过其在规律性与随机性负载工况下的管理效能、鲁棒性、离线计算复杂度与在线计算复杂度5个方面来评价，对管理效能和鲁棒性的评价从优至劣分为良好、较好、中等、较差4个等级，对计算复杂度的评价从低复杂度到高复杂度分为很低、较低、中等、较高、很高5个等级。其中，管理效能代表能量管理方法在提升系统电能利用效率、延长系统整体寿命方面的性能表现；鲁棒性是按照能量管理方法在应对突然发生的异常工况时，其管理效能是否足够稳定进行评价[97]；离线与在线计算复杂度则是分别对能量管理方法在离线计算和在线实时计算的计算开销进行评价。

HESS能量管理的相关研究一直致力于实现在负载工况随机性强、波动大的情况下仍具有良好的管理效能，且具备较好的鲁棒性。从基于经验、基于优化直到基于工况模式识别和基于机器学习的各类方法，在应对随机性工况时，其相对其他方法在管理效能与鲁棒性方面的提升往往是以增大离线或在线计算复杂度为代价的。而对于规律性工况，最简单的基于经验以及基于离线优化的能量管理方法已经能够有效延长HESS的整体寿命；特别是基于离线优化的方法，因其依托负载需求功率最优分配问题的全局最优解获取能量管理规则，在应对规律性负载工况时能够达到比基于模型预测控制、基于工况模式识别以及基于机器学习等有着更高的离线或在线计算复杂度、方法流程也更加复杂的能量管理方法更好的能量管理效能。因此，对于面向规律性工况的HESS，采用基于离线优化的方法就可以达到良好的能量管理效能，一般情况下不必采用更复杂的方法；对于面向随机性工况的HESS，其能量管理方法的选择需要综合权衡管理效能、鲁棒性和计算复杂度各方面的实际应用需求，以及HESS负载工况的随机波动程度。

4 混合储能系统能量管理未来研究展望

针对面向随机性负载，特别是面向以电动汽车为代表的强随机性负载的HESS，开发一种管理效能好、鲁棒性强、计算复杂度尽量低的能量管理方法，是目前也将是未来相当长一段时间内HESS研究的主要目标。要实现这一目标，现阶段仍有以下3方面问题亟待解决。

第一，提高对随机性负载未来工况的预测精度。对随机性负载而言，其未来工况的不确定性越小，就越有可能以较低的计算成本达到更高的管理效能和鲁棒性。通过采集更加全面的负载工况相关数据、引入先进的预测模型与算法，以及在预测中进一步考虑负载操作人员的不同操作风格[132-133]，就可以对HESS需要应对的负载未来工况进行更加精准的预测，尽可能降低负载未来工况的不确定性，进而提升HESS能量管理效能与鲁棒性。那么，如何将有效的预测模型与现有能量管理方法有机结合，以达到在计算复杂度满足实用要求的前提下，提升HESS能量管理效能与鲁棒性的目标，是目前亟须解决的问题。

第二，建立更加精准的HESS模型[134]。对于基于优化、基于工况模式识别等需要依托HESS动态响应模型与老化模型的能量管理方法，其所依托的模型精度将直接影响最终的能量管理实际效能。目前，相关的能量管理方法在所依托的HESS模型方面存在着模型选择偏于简单、未能紧密贴合HESS实际工况的问题，往往难以在低温或是大倍率放电等特殊工况条件下准确反映HESS的电压电流响应情况与老化情况。因此，如何充分考虑HESS实际工况与运行环境，对作为能量管理方法研究基础的HESS 模型进行精准地建模，是目前亟须解决的问题。

第三，通过云端协同进一步提升能量管理方法的实时性。HESS运行中需要实时进行功率分配控制，这对能量管理方法在线应用时的实时性提出了很高的要求。在现有研究中，基于模型预测控制、基于工况模式识别等具有较高在线计算复杂度的能量管理方法在实际使用中往往很难具备足够的实时性；不能及时向控制器给出功率分配参考值，或是能量管理策略不能及时更新直接将影响这些能量管理方法的管理效能与鲁棒性。目前，已有学者对将基于模型预测控制或基于机器学习的能量管理方法与云计算相结合进行了初步探索[57,69]，但现阶段在通过云端协同进一步提升能量管理方法的实时性，进而提升其管理效能与鲁棒性方面仍有较大的探索空间。

此外，现有的HESS能量管理相关研究大多数针对的是电动汽车HESS[135-137]，少部分针对轻轨、船舶等其他交通工具的混储电源，以及电网储能等其他应用场景下的HESS[26,129,138]。在电动汽车HESS能量管理方面的先进成果不断涌现之时，针对面向其他类型的负载工况与运行环境条件而设计的HESS 的能量管理方法研究还需要进一步推向深入。

5 结 论

本文首先简要介绍了LIB/SC 混合储能系统的受控式与无控式2 大类拓扑结构，分析了主动式、半主动式与被动式3 类拓扑的连接方式与主要特点，并对LIB/SC混合储能系统EMS的功能架构和功率分配控制流程进行了概述；而后着重介绍了基于经验、基于优化、基于工况模式识别和基于机器学习的4 大类LIB/SC 混合储能系统能量管理方法，对各类能量管理方法的具体流程与性能特点进行了分类详述与对比分析；最后总结了现有能量管理方法在管理效能、鲁棒性以及计算复杂度方面的性能特点，并对LIB/SC 混合储能系统能量管理方法未来的研究方向和发展趋势进行了展望。