CN109004696A - 一种变电站用蓄电池多功能控制系统及其控制方法 - Google Patents

Abstract

本发明涉及一种变电站用蓄电池多功能控制系统及其控制方法，其特点是，它包括电流采集模块，所述电流采集模块的输入端与电流传感器连接、输出端与A/D转换器的输入端连接；温度采集模块的输入端与温度传感器连接、输出端与A/D转换器的输入端连接；A/D转换器的输出端与CPU通过I/O接口连接；CPU还通过I/O接口分别与人机交互模块、放电负载和电压均衡模块连接，放电负载和电压均衡模块均分别与每一个单体蓄电池电连接。其控制方法包括蓄电池组均衡控制；蓄电池组SOC估算；蓄电池组内阻测量。

Description

一种变电站用蓄电池多功能控制系统及其控制方法

技术领域

本发明涉及一种变电站用蓄电池多功能控制系统及其控制方法。

背景技术

蓄电池由于性能稳定且具有价格优势而得到广泛应用：在风电及光伏等新能源的利用中，蓄电池可以作为储能系统用以平抑由于新能源不稳定所产生的波动功率；同时蓄电池还可以作为主电源为电动汽车提供动力支持；在电力系统中，蓄电池作为变电站直流系统的后备电源承担着直流系统的供电任务，对保证二次设备可靠运行亦有十分重要的作用。蓄电池组在实际应用中需要由各单体电池串联组合成蓄电池组。然而蓄电池组在实际运行中会出现使用寿命下降的情况，通过分析可知，长期处于浮充电状态的蓄电池组会出现各单体电池容量不一致的情况，而各单体电池一致性的差异则会引起串联蓄电池组整体性能下降，导致直流操作电源性能下降等问题，目前是通过定期对电池组深度放电及均充查出问题电池，此方法人为因素大，风险和成本较高；变电站直流系统突发事故需蓄电池组进行供电时，无法掌握蓄电池组剩余使用时间暨蓄电池组荷电状态(state of charge,SOC)，使得运行维护人员在突发事故中无可靠依据制定抢修计划，无法对应急预案体系建设提供准确参考信息；蓄电池内阻测量不便增加了运维人员定检工作的难度，并且蓄电池组失效判断不准确使得蓄电池组的更换无可靠依据，更换过早增加成本、更换过晚降低了直流系统的可靠性。

人工神经网络算法具有以下四个特性：①网络自学习及自适应性：当人工神经网络的输入参数发生变化，可视为对人工神经网络增加新的网络学习样本，而人工神经网络可以通过网络的学习自动改变网络结构暨隐含层节点的连接权值，从而改变网络映射关系，进而得针对网络的输入量到期望的输出值。②非线性性：人工神经网络可以将学习结果存储于各层节点的连接权值中，进而可以对各种非线性映射进行实现。③鲁棒性与容错性：人工神经网络具有信息存储的分布性，因此局部数据不全或者畸变损害会使得人工神经网络的精度降低，但SOC估算的误差不会因此累加至估算后期，也不会产生灾难性的错误。

因此研制一套变电站用蓄电池多功能控制系统及其控制方法，使之具备蓄电池组均衡、基于人工神经网络算法的蓄电池组SOC估算和内阻在线测量的多功能控制，是本领域技术人员一直想要解决，但迄今，尚未解决的技术难题。

发明内容

本发明所要解决的技术问题是，克服现有技术的缺点，提供一种变电站用蓄电池多功能控制系统及其控制方法，通过蓄电池组双向主动均衡电路以实现蓄电池组的双向主动均衡，提高均衡效率，减少能量浪费；在对蓄电池SOC进行估算时采用神经网络方法，应用神经网络对于多输入可以确定输出且不需要准确寻找其映射关系的特点，通过神经网络的训练进而实现对蓄电池组SOC精度更高的估算；应用直流放电法实现蓄电池组内阻的在线测量。

本发明解决技术问题所采取的技术方案是：一种变电站用蓄电池多功能控制系统，其特征是：它包括电流采集模块、电流传感器、A/D转换器、CPU、温度采集模块、温度传感器、人机交互模块、放电负载和电压均衡模块，所述电流采集模块的输入端与电流传感器连接、输出端与A/D转换器的输入端连接；所述温度采集模块的输入端与温度传感器连接、输出端与A/D转换器的输入端连接；所述A/D转换器的输出端与CPU通过I/O接口连接；所述CPU还通过I/O接口分别与人机交互模块、放电负载和电压均衡模块连接，放电负载和电压均衡模块均分别与每一个单体蓄电池电连接。

所述电压均衡模块为均衡控制电路，实现双向主动均衡；经过均衡策略的判断，当某节单体电池的容量相对电池组组内其他电池偏高时，启动该单体电池对应的均衡模块对该单体电池进行放电均衡；当某节单体电池的容量相对电池组组内其他电池偏低时，启动该单体电池对应的均衡模块对该单体电池进行充电均衡。

所述CPU包括数据处理器、内部存储器以及I/O接口，数据处理器用于对输入的数据进行处理分析，内部存储器用于存储数据，I/O接口用于与外界进行信息交换，CPU内嵌蓄电池组状态分析数学模型、蓄电池SOC估算模型和直流放电法数学模型。

所述电流采集模块通过电流传感器对蓄电池组的充放电电流进行采集。

所述温度采集模块通过温度传感器对蓄电池组的温度进行采集。

所述人机交互模块采用RS485通信方式，其主RS485用于与CPU通讯，其从RS485用于与蓄电池组的放电负载、电压均衡模块、温度采集模块、电流采集模块和电压均衡模块进行通讯。

所述放电负载为直流放电法，即给蓄电池增加一个放电负载，能够通过放电负载测量蓄电池内阻。

所述温度采集模块、电流采集模块、通讯模块、蓄电池组状态分析数学模型均为本领域人员公知的现有技术。

本发明采用现有技术制造，所述CPU、电流传感器、温度传感器和A/D转换器均为现有技术的市售产品。

一种变电站用蓄电池多功能控制系统的控制方法，其特征是：它包括蓄电池组均衡控制、蓄电池组SOC估算和蓄电池组内阻测量，具体如下：

1)蓄电池组均衡控制

CPU内嵌的蓄电池组状态分析数学模型，通过对蓄电池组电压、内阻及电压和内阻的离散度实时变化情况进行统计及分析，进而对蓄电池组每一时刻的状态加以判断，确定是否需要启动均衡控制程序，如需启动，则对处于过充电状态的单体蓄电池进行轻微的放电、对处于欠充电状态的单体蓄电池及时进行轻微的在线补充充电，使之与其他单体电池状态相同，以此实现在线对蓄电池组不均衡状态的单体蓄电池进行均衡控制；

启动均衡控制程序是通过均衡控制电路，实现双向主动均衡；将串联使用的蓄电池组每6节蓄电池分为一组，以单体蓄电池组的单体电压、内阻及其离散度作为判据，选出每组蓄电池中最需均衡的单体蓄电池进行均衡，保证在任意时刻下每组通道中均有单体蓄电池进行均衡控制；当某节蓄电池容量偏低时，该节蓄电池所在组的控制模块可控制该组DC/DC模块通道打开并将所接电源的能量转移到该节蓄电池上，当某节蓄电池容量偏高时，则将该节电池能量通过DC/DC模块转移到所接电源上；整组蓄电池中的任意两节蓄电池可通过两个DC/DC模块进行均衡，取消了传统均衡控制电路中的均衡母线，均衡效率高、效果好；

2)蓄电池组SOC估算

①建立蓄电池组SOC估算模型

选择蓄电池的工作电压、工作电流以及工作温度三个参数作为神经网络的输入并以蓄电池SOC作为输出，通过对蓄电池组工作参数的选择建立如公式(1)所示的蓄电池组SOC估算模型：

SOC＝f(V,I,T) (1)

式中：SOC为蓄电池荷电状态，V为蓄电池组工作电压，I为蓄电池组工作电流，T为蓄电池组工作温度；

②收集数据归化

将收集到的蓄电池组的电压、电流、温度以及SOC数据按等步长原则筛选出若干个组，将其归化处理到[0-1]之间，将所得数据的2/3作为网络的训练样本，另外1/3用于检测训练效果，作为网络估算模型的验证；其归化处理按照公式(2)进行：

式中：M_i为测量数据，M_min为样本数据中最小值，M_max为样本数据最大值，M'_i为归化后的数据；

③对蓄电池组SOC进行在线估算

采用BP神经网络对蓄电池组SOC进行在线估算，人工神经网络隐含层每个节点都有相应权值，在训练开始前需选择神经网络初始权值，通常情况选择零附近的极小值，并应保证隐含层正负初始权值数量各半；在网络训练过程中传递函数的选择至关重要，适当的传递函数可以加快收敛速度，提高收敛精度，在本系统中隐含层传递函数选用tan-sigmod函数用以将输入层的输入参数映射在-1到1之间，由于蓄电池SOC范围在0到1之间，因此输出层传递函数采用log-sigmod函数，此函数可将网络输出映射在0到1之间；

BP神经网络在计算时采用L-M(Levenberg-Marquardt)算法进行神经网络学习，此算法采用公式(3)修正神经网络隐含层节点连接权值：

ω(n+1)＝ω(n)-η_n{H(n)+β_nQ(n)}^-1g(n) (3)

式中：ω(n+1)为修正后的权值，ω(n)为当前权值，η_n为学习率，H(n)为传递函数在ω(n)处的二阶梯度矩阵，即Hessian矩阵，Q(n)为给定的正定矩阵，g(n)为传递函数在ω(n)处的梯度向量，当β_n＝0时，L-M算法变为牛顿法；当β_n很大时，此算法相当于步长较小的梯度下降法，而雅克比矩阵比Hessian矩阵易于计算，因此收敛速度快；

神经网络可以将多种因素同步输入，进行智能分析，输出准确的状态数据，即在蓄电池SOC估算中可以应用神经网络针对多个输入量寻找其映射关系来提高估算精度；

通过分析可知，蓄电池组SOC是多种因素共同作用的结果，通常包括温度、充放电倍率、蓄电池SOH(健康状态)、电压、内阻等；

在蓄电池组SOC估算中，其步骤③对蓄电池组SOC进行在线估算或者采用RBF神经网络；

RBF神经网络与BP神经网络相同均为三层前向网络：首层为输入层，节点个数等于输入量的维数；中间为隐含层，节点个数视具体问题而定；最后为输出层，节点个数为输出数据维数；RBF神经网络隐含层是非线性的，通常采用径向基函数作为基函数，从而将输入向量空间转换到隐含层空间，使原来线性不可分的问题变得线性可分，输出层为线性；RBF神经网络的基本思想是：采用RBF函数作为隐含层单元的“基”建立一个隐含层空间，此隐含层可以将神经网络输入矢量以函数变换后直接映射到隐含层空间；首先确定RBF的中心点，而后输入输出映射关系则随之确定；而隐含层空间到输出空间是线性映射，即网络的输出是隐含层单元输出的线性加权和；可以通过修正此处的权值来学习网络；这样网络的权值就可以通过求解线性方程获得，从而大大加快学习速度并避免局部极小问题；

而若要通过人工神经网络算法实现复杂的映射关系，则需要对网络设置足够的隐含层节点，公式(4)所示为确定隐含层节点个数选择的常用公式：

I＝2M+Q (4)

式中I为隐含层节点数，M为输入层，Q为输出层节点数；

3)蓄电池组内阻测量

所述蓄电池组内阻测量是：采用直流放电法，即给蓄电池增加一个放电负载，测量由此产生的变化电压和电流，并通过公式(5)计算得到蓄电池的内阻：

本发明的一种变电站用蓄电池多功能控制系统及其控制方法，科学合理，能够通过均衡控制电路实现对蓄电池组的均衡控制，均衡效率高，系统能量利用率高，完整实现充电及放电均衡，使得每节电池的保持相同的电压，发挥电池组的最大能力；能够充分利用蓄电池充放电外特性如工作电压、工作电流、工作温度等对蓄电池剩余容量的影响进而对蓄电池SOC进行估算，建立神经网络估计器，在保证估算精度的情况下大大简化了方法，提高了效率和精度；能够通过直流放电法实现对蓄电池内阻的在线测量，大大简化了工作流程和工作难度。

附图说明

图1蓄电池控制系统结构示意图；

图2蓄电池均衡控制电路图；

图3实验室条件下的主动均衡数据；

图4有无均衡模块对比实验；

图5为BP神经网络SOC预测结果；

图6为RBF神经网络SOC预测结果；

图7为BP神经网络和RBP神经网络SOC预测误差对比。

图8直流放电法内阻测试法原理图；

图9内阻测量结果图。

具体实施方式

下面利用附图和实施例对本发明一种变电站用蓄电池多功能控制系统及其控制方法作进一步说明。

参见图1，实施例1，本实施例一种变电站用蓄电池多功能控制系统，它包括电流采集模块、电流传感器、A/D转换器、CPU、温度采集模块、温度传感器、人机交互模块、放电负载和电压均衡模块，所述电流采集模块的输入端与电流传感器连接、输出端与A/D转换器的输入端连接；所述温度采集模块的输入端与温度传感器连接、输出端与A/D转换器的输入端连接；所述A/D转换器的输出端与CPU通过I/O接口连接；所述CPU还通过I/O接口分别与人机交互模块、放电负载和电压均衡模块连接，放电负载和电压均衡模块均分别与每一个单体蓄电池电连接。

所述电压均衡模块为均衡控制电路，实现双向主动均衡；经过均衡策略的判断，当某节单体电池的容量相对电池组组内其他电池偏高时，启动该单体电池对应的均衡模块对该单体电池进行放电均衡；当某节单体电池的容量相对电池组组内其他电池偏低时，启动该单体电池对应的均衡模块对该单体电池进行充电均衡。

所述CPU包括数据处理器、内部存储器以及I/O接口，数据处理器用于对输入的数据进行处理分析，内部存储器用于存储数据，I/O接口用于与外界进行信息交换，CPU内嵌蓄电池组状态分析数学模型、蓄电池SOC估算模型和直流放电法数学模型。

所述电流采集模块通过电流传感器对蓄电池组的充放电电流进行采集。

所述温度采集模块通过温度传感器对蓄电池组的温度进行采集。

所述人机交互模块采用RS485通信方式，其主RS485用于与CPU通讯，其从RS485用于与蓄电池组的放电负载、电压均衡模块、温度采集模块、电流采集模块和电压均衡模块进行通讯。

所述放电负载为直流放电法，即给蓄电池增加一个放电负载，能够通过放电负载测量蓄电池内阻。

所述温度采集模块、电流采集模块、通讯模块、蓄电池组状态分析数学模型均为本领域人员公知的现有技术。

本实施例采用现有技术制造，所述CPU、电流传感器、温度传感器和A/D转换器均为现有技术的市售产品。

实施例2，本实施例蓄电池组额定容量为80Ah。首先在不开启均衡模块的条件下对蓄电池组进行三次充放电循环，整组蓄电池容量约为80.5Ah。而后对部分蓄电池进行充放电循环，使整组蓄电池处于不均衡状态，处理后对电池组充放电测，试测得容量约为59.2Ah。

本实施例是对实施例1的变电站用蓄电池多功能控制系统进行双向主动均衡的控制，其控制方法是：

CPU内嵌入的蓄电池组状态分析数学模型，通过对蓄电池组电压、内阻及电压和内阻的离散度实时变化情况进行统计及分析，进而对蓄电池组每一时刻的状态加以判断，确定是否需要启动均衡控制程序，根据对本实施例的蓄电池组的分析，启动均衡控制程序，通过图2所示均衡控制电路，实现双向主动均衡；将串联使用的蓄电池组每6节蓄电池分为一组，以单体蓄电池组的单体电压、内阻及其离散度作为判据，选出每组蓄电池中最需均衡的单体蓄电池进行均衡，整组蓄电池中的任意两节蓄电池可通过两个DC/DC模块进行均衡，保证在任意时刻下每组通道中均有单体蓄电池进行均衡控制；当某节蓄电池容量偏低时，该节蓄电池所在组的控制模块可控制该组DC/DC模块通道打开并将所接电源的能量转移到该节蓄电池上，当某节蓄电池容量偏高时，则将该节电池能量通过DC/DC模块转移到所接电源上；对电池进行均衡后，再对整组电池进行6次充放电循环，测得均衡后，蓄电池容量相对于实施例1的容量提升为85.3Ah，整组容量提升26.1Ah，容量提升32.62％，均衡效果明显，见图3；

图4为无均衡模块与有均衡模块对电池容量衰减的试验结果，由图4可以看出，通过均衡模块使得电池容量衰减得到减缓，改善了电池组的木桶效应，提升了电池组的循环次数，延长了寿命；

实施例3，本实施例是对实施例1的变电站用蓄电池多功能控制系统进行蓄电池组SOC估算，其方法是：

①建立蓄电池组SOC估算模型

通过分析可知，蓄电池组SOC是多种因素共同作用的结果，通常包括温度、充放电倍率、蓄电池SOH(健康状态)、电压、内阻等；因此，准确得到SOC的难点在于SOC与各因素之间复杂映射关系的存在；传统的蓄电池SOC估算精度较差的原因在于其方法只针对其中一种因素寻找其映射关系，并未考虑其他因素对蓄电池SOC估算的影响，所以考虑并不系统；因此，需要考虑多项因素的共同作用或者影响，才能更准确的建立蓄电池组的健康估算模型；

选择蓄电池的工作电压、工作电流以及工作温度三个参数作为神经网络的输入并以蓄电池SOC作为输出，通过对蓄电池组工作参数的选择建立如公式(1)所示的蓄电池组SOC估算模型：

SOC＝f(V,I,T) (1)

式中：SOC为蓄电池荷电状态，V为蓄电池组工作电压，I为蓄电池组工作电流，T为蓄电池组工作温度；

②收集数据归化

将蓄电池组充满电后静置两小时，待蓄电池组端电压稳定后进行一次全放电实验，实时监测并记录蓄电池组的电压、电流、温度以及SOC数据；将收集到的数据按等步长原则筛选出300组，将所得数据的2/3作为网络的训练样本，另外1/3用于检测训练效果，作为网络估算模型的验证；由于输入量并非同一物理量，因此所得到的数据基本度量单位不一致，此时为了加快神经网络训练时的收敛速度，提高SOC估算精度，需要将数据进行归化处理，采用公式(2)对电压、电流、温度数据进行归化处理，将输入样本数据归化到[0-1]之间；

式中：M_i为测量数据，M_min为样本数据中最小值，M_max为样本数据最大值，M_i'为归化后的数据；

③对蓄电池组SOC进行在线估算

采用BP神经网络对蓄电池组SOC进行在线估算，人工神经网络隐含层每个节点都有相应权值，在训练开始前需选择神经网络初始权值，通常情况选择零附近的极小值，并应保证隐含层正负初始权值数量各半；在网络训练过程中传递函数的选择至关重要，适当的传递函数可以加快收敛速度，提高收敛精度，在本系统中隐含层传递函数选用tan-sigmod函数用以将输入层的输入参数映射在-1到1之间，由于蓄电池SOC范围在0到1之间，因此输出层传递函数采用log-sigmod函数，此函数可将网络输出映射在0到1之间；

BP神经网络在计算时采用L-M(Levenberg-Marquardt)算法进行神经网络学习，此算法采用公式(3)修正神经网络隐含层节点连接权值：

ω(n+1)＝ω(n)-η_n{H(n)+β_nQ(n)}^-1g(n) (3)

式中：ω(n+1)为修正后的权值，ω(n)为当前权值，η_n为学习率，H(n)为传递函数在ω(n)处的二阶梯度矩阵，即Hessian矩阵，Q(n)为给定的正定矩阵，g(n)为传递函数在ω(n)处的梯度向量，当β_n＝0时，L-M算法变为牛顿法；当β_n很大时，此算法相当于步长较小的梯度下降法，而雅克比矩阵比Hessian矩阵易于计算，因此收敛速度快；

神经网络可以将多种因素同步输入，进行智能分析，输出准确的状态数据，即在蓄电池SOC估算中可以应用神经网络针对多个输入量寻找其映射关系来提高估算精度；

实施例4，本实施例与实施例3基本相同，不同之处在于：所述蓄电池组SOC估算的步骤③采用RBF神经网络对蓄电池组SOC进行在线估算。

RBF神经网络与BP神经网络相同均为三层前向网络：首层为输入层，节点个数等于输入量的维数；中间为隐含层，节点个数视具体问题而定；最后为输出层，节点个数为输出数据维数；RBF神经网络隐含层是非线性的，通常采用径向基函数作为基函数，从而将输入向量空间转换到隐含层空间，使原来线性不可分的问题变得线性可分，输出层为线性；RBF神经网络的基本思想是：采用RBF函数作为隐含层单元的“基”建立一个隐含层空间，此隐含层可以将神经网络输入矢量以函数变换后直接映射到隐含层空间；首先确定RBF的中心点，而后输入输出映射关系则随之确定；而隐含层空间到输出空间是线性映射，即网络的输出是隐含层单元输出的线性加权和；可以通过修正此处的权值来学习网络；这样网络的权值就可以通过求解线性方程获得，从而大大加快学习速度并避免局部极小问题。

而若要通过人工神经网络算法实现复杂的映射关系，则需要对网络设置足够的隐含层节点，其按照公式(4)对网络确定隐含层节点数：

I＝2M+Q (4)

式中I为隐含层节点数，M为输入层，Q为输出层节点数。

本实施例依据式(4)初步确定隐含层节点数为7，并通过网络的训练误差和训练次数为依据通过多次训练对其进行修正；如表1所示，当隐含层节点为7个和8个时训练次数相对较少，说明隐含层节点为7个和8个时神经网络网络收敛速度最快，SOC估算所用时间最短，但是由于隐含层为8个节点时，神经网络误差最小暨SOC估算精度最高，因此确定隐含层节点数为8个。

表1不同隐含层节点数目训练效果

隐含层节数	6	7	8	9
					训练次数	71	38	39	47
训练误差	9.01e-05	5.55e-05	4.51e-05	5.04e-05

神经网络可以将多种因素同步输入，进行智能分析，输出准确的状态数据，即在蓄电池SOC估算中可以应用神经网络针对多个输入量寻找其映射关系来提高估算精度。

由实施例3和实施例4得到为采用神经网络方法所得到的SOC预测数据在两种模型下的预测结果图5、图6及误差图7，并且由实施例3和实施例4可知，SOC估算误差为1.3％，提高了蓄电池组估算精度，当将同一组检测样本载入两种神经网络时，BP神经网络预测效果明显好于RBF神经网络预测效果，从均方误差来看，RBF网络预测误差相对较大，并且有很大的波动，而BP网络预测误差变化相对平缓，相对于RBF网络具有较好的抗干扰能力。

实施例5，本实施例是对实施例1的变电站用蓄电池多功能控制系统进行蓄电池组的内阻测量，其方法是：

见图8，采用直流放电法，即给蓄电池增加一个放电负载，测量由此产生的变化电压和电流，并通过公式(5)计算得到蓄电池的内阻：

式中：R为蓄电池的内阻，ΔU为电压变化值，ΔI为电流变化值。

如图9所示为内阻测量结果图，由图9可以看出本实施例的控制系统实现测内阻功能且内阻测量精度较高。

本发明实施例中的计算条件、图例、表等仅用于对本发明作进一步的说明，并非穷举，并不构成对权利要求保护范围的限定，本领域技术人员根据本发明实施例获得的启示，不经过创造性劳动就能够想到其它实质上等同的替代，均在本发明保护范围内。

Claims (10)

1.一种变电站用蓄电池多功能控制系统，其特征是：它包括电流采集模块、电流传感器、A/D转换器、CPU、温度采集模块、温度传感器、人机交互模块、放电负载和电压均衡模块，所述电流采集模块的输入端与电流传感器连接、输出端与A/D转换器的输入端连接；所述温度采集模块的输入端与温度传感器连接、输出端与A/D转换器的输入端连接；所述A/D转换器的输出端与CPU通过I/O接口连接；所述CPU还通过I/O接口分别与人机交互模块、放电负载和电压均衡模块连接，放电负载和电压均衡模块均分别与每一个单体蓄电池电连接。

2.如权利要求1所述的一种变电站用蓄电池多功能控制系统，其特征是：所述CPU包括数据处理器、内部存储器以及I/O接口，数据处理器用于对输入的数据进行处理分析，内部存储器用于存储数据，I/O接口用于与外界进行信息交换，CPU内嵌蓄电池组状态分析数学模型、蓄电池SOC估算模型和直流放电法数学模型。

3.如权利要求1所述的一种变电站用蓄电池多功能控制系统，其特征是：所述放电负载为直流放电法，即给蓄电池增加一个放电负载，能够通过放电负载测量蓄电池内阻。

4.如权利要求1所述的一种变电站用蓄电池多功能控制系统，其特征是：所述人机交互模块采用RS485通信方式，其主RS485用于与CPU通讯，其从RS485用于与蓄电池组的放电负载、电压均衡模块、温度采集模块、电流采集模块和电压均衡模块进行通讯。

5.如权利要求1所述的一种变电站用蓄电池多功能控制系统，其特征是：所述电压均衡模块为均衡控制电路，实现双向主动均衡；经过均衡策略的判断，当某节单体电池的容量相对电池组组内其他电池偏高时，启动该单体电池对应的均衡模块对该单体电池进行放电均衡；当某节单体电池的容量相对电池组组内其他电池偏低时，启动该单体电池对应的均衡模块对该单体电池进行充电均衡。

6.一种变电站用蓄电池多功能控制系统的控制方法，其特征是：它包括以下部分：

1)蓄电池组均衡控制；

2)蓄电池组SOC估算；

3)蓄电池组内阻测量。

7.如权利要求6所述的一种变电站用蓄电池多功能控制系统的控制方法，其特征是：所述蓄电池组均衡控制是：在CPU内嵌入蓄电池组状态分析数学模型，通过对蓄电池组电压、内阻及电压和内阻的离散度实时变化情况进行统计及分析，进而对蓄电池组每一时刻的状态加以判断，确定是否需要启动均衡控制程序，如需启动，则对处于过充电状态的单体蓄电池进行轻微的放电、对处于欠充电状态的单体蓄电池及时进行轻微的在线补充充电，使之与其他单体电池状态相同，以此实现在线对蓄电池组不均衡状态的单体蓄电池进行均衡控制；

启动均衡控制程序是通过均衡控制电路，实现双向主动均衡；将串联使用的蓄电池组每6节蓄电池分为一组，以单体蓄电池组的单体电压、内阻及其离散度作为判据，选出每组蓄电池中最需均衡的单体蓄电池进行均衡，整组蓄电池中的任意两节蓄电池可通过两个DC/DC模块进行均衡，保证在任意时刻下每组通道中均有单体蓄电池进行均衡控制；当某节蓄电池容量偏低时，该节蓄电池所在组的控制模块可控制该组DC/DC模块通道打开并将所接电源的能量转移到该节蓄电池上，当某节蓄电池容量偏高时，则将该节电池能量通过DC/DC模块转移到所接电源上。

8.如权利要求6所述的一种变电站用蓄电池多功能控制系统的控制方法，其特征是：所述蓄电池组SOC估算包括如下步骤：

①建立蓄电池组SOC估算模型

选择蓄电池的工作电压、工作电流以及工作温度三个参数作为神经网络的输入并以蓄电池SOC作为输出，通过对蓄电池组工作参数的选择建立如公式(1)所示的蓄电池组SOC估算模型：

SOC＝f(V,I,T) (1)

式中：SOC为蓄电池荷电状态，V为蓄电池组工作电压，I为蓄电池组工作电流，T为蓄电池组工作温度；

②收集数据归化

将收集到的蓄电池组的电压、电流、温度以及SOC数据按等步长原则筛选出若干组，将其归化处理到[0-1]之间，将所得数据的2/3作为网络的训练样本，另外1/3用于检测训练效果，作为网络估算模型的验证；其归化处理按照公式(2)进行：

式中：M_i为测量数据，M_min为样本数据中最小值，M_max为样本数据最大值，M_i′为归化后的数据；

③对蓄电池组SOC进行在线估算

采用BP神经网络对蓄电池组SOC进行在线估算，BP神经网络在计算时采用L-M(Levenberg-Marquardt)算法进行神经网络学习，其采用公式(3)修正神经网络隐含层节点连接权值：

ω(n+1)＝ω(n)-η_n{H(n)+β_nQ(n)}^-1g(n) (3)

式中：ω(n+1)为修正后的权值，ω(n)为当前权值，η_n为学习率，H(n)为传递函数在ω(n)处的二阶梯度矩阵，即Hessian矩阵，Q(n)为给定的正定矩阵，g(n)为传递函数在ω(n)处的梯度向量，当β_n＝0时，L-M算法变为牛顿法；当β_n很大时，此算法相当于步长较小的梯度下降法，而雅克比矩阵比Hessian矩阵易于计算，因此收敛速度快。

9.如权利要求8所述的一种变电站用蓄电池多功能控制系统的控制方法，其特征是：所述蓄电池组SOC估算，其步骤③或者采用RBF神经网络对蓄电池组SOC进行在线估算，其按照公式(4)对网络确定隐含层节点数：

I＝2M+Q (4)

式中：I为隐含层节点数，M为输入层，Q为输出层节点数。

10.如权利要求6所述的一种变电站用蓄电池多功能控制系统的控制方法，其特征是：所述蓄电池组内阻测量是：采用直流放电法，即给蓄电池增加一个放电负载，测量由此产生的变化电压和电流，并通过公式(5)计算得到蓄电池的内阻：

式中：R为蓄电池的内阻，ΔU为电压变化值，ΔI为电流变化值。