蓄电池荷电状态预测的改进新算法

对蓄电池的荷电状态（state of charge,SOC）进行预测是蓄电池能量管理的前提。考虑蓄电池充放电电流、内部工作温度和充放电循环次数等因素的影响,结合卡尔曼滤波,提出了蓄电池SOC预测的改进能量-卡尔曼滤波算法。在蓄电池三阶动态模型的基础上,详细阐述了算法的计算步骤,并与传统的SOC预测方法进行了对比研究。仿真结果表明,改进的能量-卡尔曼预测算法可以有效跟踪蓄电池SOC的变化,其精度优于传统的预测方法。     

基于RBFNN的船用铅酸蓄电池SOC预测方法研究

目前预测铅酸蓄电池荷电状态(SOC)的算法很多,这些算法各有特点。根据船用铅酸蓄电池的特点,本文比较分析了这些方法的预测效果,提出了利用径向基神经网络(RBFNN)算法预测船用铅酸蓄电池SOC的方法。并利用某型船用铅酸蓄电池的实验数据,对其SOC进行了预测。结果表明:利用该算法预测船用铅酸蓄电池的SOC,精度高,操作简便。     

结合支持向量机的卡尔曼预测算法在VRLA蓄电池状态监测中的应用

阀控式铅酸蓄电池在性能劣化时的系统状态模型是难以准确获知的,针对这一问题,在建立了蓄电池等效电路模型及其线性系统状态空间描述基础上,导出了一种适用于蓄电池性能劣化时的非线性求解方法,进而提出了一种结合支持向量机的卡尔曼预测算法。利用支持向量机迭代修正卡尔曼预测过程中的新息误差,使得卡尔曼预测算法具备了对蓄电池劣化时的状态方程修正功能。实验结果表明,该算法能准确预测蓄电池的实时剩余容量,辨识出蓄电池健康状态的非线性劣化趋势。     

相关向量机在蓄电池剩余容量预测中的应用

剩余容量是蓄电池管理控制的重要参数,为了准确预测阀控式密封铅酸(VRLA)蓄电池的剩余容量,提高预测精度,引入了相关向量机方法对蓄电池剩余容量进行预测,并与最小二乘支持向量机模型、遗传BP神经网络模型的预测效果进行了比较.仿真结果表明,该方法降低了预测模型的复杂度,预测精度高,学习泛化能力强,具有一定的应用价值.     

光伏发电系统蓄电池SOC预测技术研究

蓄电池的荷电状态(SOC)值是反映电池健康状况的一个重要参数。传统的SOC预测方法难以得到精确的结果。为此对蓄电池的SOC预测技术进行了理论上的研究,并在此基础上提出了基于神经网络的蓄电池SOC预测方法。实验结果证明,该模型能够比较准确地预测出蓄电池的SOC值,其误差一般不会超出2%,很少有超出5%的情况,取得了令人满意的可靠预测结果。     

准抗毁化电源蓄电池SOC预测的GA-BP网络方法

针对蓄电池荷电状态的预测问题,从蓄电池荷电状态与其可直接测量的外特性参数之间不确定的非线性关系出发,依据BP网络映射功能使其可以以任意精确度逼近非线性函数、遗传算法的良好全局搜索寻找最优能力使其解决BP网络盲目选择初始权值、阈值的问题,并利用数值最优化LM算法训练BP网络使其解决BP网络收敛速度慢和容易陷入局部最小值的问题,提出了一种蓄电池荷电状态预测的遗传算法和BP网络相结合方法.设计了准抗毁化电源蓄电池荷电状态的BP网络和GA-BP网络预测模型.仿真结果表明,预测模型经过训练后,可以通过蓄电池的实时外特性参数预测蓄电池的实时荷电状态;GA-BP网络的收敛速度和预测精确度均优于BP网络.验证了GA-BP网络预测方法的有效性.     

基于支持向量回归的变电站蓄电池退化趋势预测

蓄电池是变电站电源重要组成部分,为直流系统提供稳定可靠供电。但运行中的蓄电池长期处于浮充状态,难以在线测量其最大荷电容量,容易出现蓄电池退化导致的储能不足,变电站保安电源中断和保护系统供电中断等问题。为准确预测铅酸蓄电池退化趋势,本文提出一种计及浮充和均充影响的蓄电池退化趋势预测方法。采用集合经验模态分解法（EEMD）将随时序变化的蓄电池健康状态特征量进行模态分解,然后将退化特征量模态分解的结果作为输出、电池浮充时长和均充次数作为输入代入支持向量机（SVM）完成预测模型的训练。以数据驱动的方法建立蓄电池使用计划与退化趋势之间的相关性,从而最终实现蓄电池退化趋势的预测。仿真实验结果表明,本文所提方法可有效预测蓄电池在使用计划内端电压和内阻等健康状态特征量的变化,为变电站的直流系统的合理运维提供依据。     

变电站用VRLA蓄电池浅放电关键技术研究

针对变电站用VRLA蓄电池浅放电试验的蓄电池剩余电荷量预测、健康状态评价、终止放电条件等关键技术进行研究,形成的浅放电电池容量预测模型,并从浅放电的有效性和安全性出发,提出了终止放电的三个条件。文中利用二项式拟合预测模型,经迭代计算,预测蓄电池的容量。结果证明,用该方法预测蓄电池容量的相对误差小于6%,实际放电时间误差在30 min内,适用于工程实际。     

最小二乘支持向量机在航空蓄电池剩余容量预测中的应用

本文提出了一种预测航空蓄电池剩余容量的新方法.介绍了电池容量常用的几种预测方法及缺点;阐述了用于航空蓄电池容量预测的最小二乘支持向量机(LS-SVM)回归算法原理,并说明了预测模型的建立步骤;提出了交叉验证法来优化惩罚因子和核函数参数,给出了两种误差标准;最后用实验数据验证了所建LS-SVM预测模型的准确性,并与BP神经网络进行比较,仿真结果证明,LS-SVM预测模型比BPNN模型的精度高,更适合用于航空蓄电池容量在线预测.     

区域气象站蓄电池剩余容量预测算法分析

为了解决目前区域气象站维护业务中缺乏关于蓄电池剩余容量的有效监测手段等问题,开展了相关研究工作。首先通过电压测量法得到区域站蓄电池电压变化曲线,并采用二次多项式部分拟合作为其剩余容量的预测算法;然后利用MATLAB脚本代码计算得出基于试验样本的拟合最优参数;最后根据设定的计算模型和相关参数,开发了蓄电池剩余容量监测软件。经测试,预测误差值小于10%,该软件能够及时向维护人员提供蓄电池的有效监测信息及预测信息。     

基于数据驱动的锂离子电池RUL预测综述

剩余使用寿命预测技术对于锂离子电池的安全使用及维护具有重要意义。由于锂离子电池的长寿命特性以及复杂的非线性退化机制,目前剩余使用寿命预测仍是电池状态预测的难点问题。数据驱动方法不需要考虑电池内部电化学特性,而仅从数据角度出发,是目前主流的预测方法。通过实例介绍了剩余使用寿命概念,分类阐述了各种基于数据驱动的预测方法,并对其优缺点进行了分析。最后,针对现有方法的不足,提出未来需要改进的方向。     

基于改进的GM(1,N)灰色关联模型预测铅酸蓄电池容量

铅酸蓄电池由于其容量大、成本低、自放电率低等优点是应急电源（EPS）系统的基本组成部分,剩余容量作为衡量蓄电池能力指标的重要参数直接影响着系统的安全运行。引入电池的端电压、内阻两个参数作为容量的两个关联因素,建立多因素关联分析的GM(1,N)灰色模型,并对模型进行了改进,针对影响模型预测精度的关键量“均值序列加权参数”提出了一种合理有效的选取方法,最后的预测实例验证以及误差分析表明,该方法具有操作简单、算法复杂度低而且预测精度高的优点,有很强的实际应用价值.     

基于Dropout优化算法和LSTM的铅酸蓄电池容量预测

针对变电站铅酸蓄电池容量预测模型存在的预测准确率低、泛化能力差等问题,提出一种基于Dropout优化算法和长短期记忆LSTM（long short-term memory）神经网络相结合的容量预测模型。该模型以LSTM神经网络为基础,结合变电站蓄电池充放电特性,将长时间跨度的蓄电池运行数据作为模型的输入,建立多层级LSTM预测模型来提升预测结果的准确率。同时基于Dropout优化算法完成LSTM预测模型的训练,提升模型的泛化能力。工程实际应用表明,相较于传统的LSTM神经网络和BP神经网络,改进模型在长时间跨度预测时具有更高的准确率和更好的泛化能力。     

26650型锂离子电池的研制

采用三元（LiNi1／3Co1／3Mn1／3O2）材料为正极材料、人工石墨为负极制成容量为4500mAh的26650型的高容量锂离子电池,该类型的电池3C放电容量能够达1．0C容量的95％以上,在55℃条件下以0．2C放电,能够放出25℃条件下的99％,1．0C循环测试320次后,容量剩余80％。经过针刺短路之后,没有爆炸和起火,显示了电池具有很大的应用潜力。     

锂离子蓄电池正极材料LiCo1/3Ni1/3Mn1/3O2的安全性能

用LiCo1/3Ni1/3Mn1/3O2(L 333)作为正极材料,MCMB(中间相炭微球)作为负极材料,制成AA型锂离子蓄电池.对电池进行了热稳定性、过充、短路、穿钉等安全性测试.实验结果表明,L 333具有良好的热稳定性和优异的耐过充性,在短路和穿钉实验中也可以满足安全性的要求.L 333正极材料资源丰富、价格较低、高温和安全性能优良,是锂离子动力电池有优势的正极材料.     

关于锂离子电池健康状态预测方法的研究进展

锂离子电池寿命对于实际应用至关重要,研究其寿命影响因素,并进行精准寿命预测,对于提升电池组使用可靠性和降低电池组成本具有重要的意义。立足应用,简要分析了电池性能衰退机理,重点综述了预测电池日历寿命和循环寿命方法的研究进展。还对电池寿命测试和电池全寿命周期性能估计中的关键问题和研究方向进行了探讨。     

锂离子电池正极材料Li(Ni1/3Co1/3Mn1/3)O2的研究进展

综述了锂离子电池正极材料Li(Ni1/3Co1/3Mn1/3)O2的研究现状.对该材料结构、合成方法、电化学性能及热力学稳定性的研究进展作了较为详细的介绍,并对它的发展进行了展望.     

基于最小二乘支持向量机的电池剩余电量预测

提出了一种最小二乘支持向量机的电池剩余电量预测新模型。以电池端电压和新旧程度为输入,电池的剩余电量为输出,通过电池充放电实验获得数据样本。以实验数据为基础,建立最小二乘支持向量机模型,利用训练好模型预测电池在静置状态下的剩余电量。该方法具有建模速度快、预测精度高、操作简便等优点。不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型。     

玻璃纤维隔板对阀控铅蓄电池性能的影响

简述了电池对隔板的要求,特别是阀控式铅蓄电池对隔板的特殊要求。指出当前广泛采用的玻璃纤维隔板在使用过程中表现出来的不足,由于隔板孔隙易被电解液淹没,使得阀控式铅蓄电池的密闭氧循环受阻,析气量增多,引发出一系列的问题,影响电池性能。介绍了新型富液式吸附隔板,由于其中含有一定数量的特制憎水纤维,在隔板中能提供专门的氧气通道,在富液状态下也不会被电解液淹没,在阀控式铅蓄电池中使用,提高了密闭氧循环效率,明显减少了电池的析气量,防止电池干涸,延长蓄电池的循环寿命。     

分布式储能型MMC电池荷电状态均衡优化控制策略

为提高电池的能量利用率和解决电池因制造工艺、循环充放电次数不同以及老化程度不一致等因素导致的荷电状态(SOC)极度不均衡问题,提出一种兼顾电流波动抑制的分布式储能型模块化多电平换流器的电池SOC均衡优化控制策略。为准确控制充放电功率,采用双环控制：外环针对相间、桥臂间和子模块间电池SOC差异,建立离散时域预测功率模型,通过负反馈控制生成动态电流参考值;内环设计了模型预测优化控制策略,准确追踪动态电流参考值,实现电池SOC均衡、提高电池能量利用率,并提高系统的动态响应能力以及抑制电池电流纹波,延长电池使用寿命。最后通过在PSCAD/EMTDC中构建仿真模型对所提出的控制器性能进行验证。