基于模糊神经网络优化扩展卡尔曼滤波的锂离子电池荷电状态估计

电池荷电状态(state of charge,SOC)的精确估计是判断电池是否过充或过放的重要依据,是电动汽车安全、可靠运行的重要保障.传统基于扩展卡尔曼滤波(extended Kalman filter,EKF)的SOC估计方法过度依赖于精确的电池模型,并且要求系统噪声必须服从高斯白噪声分布.为解决上述问题,基于模糊神经网络(fuzzy neural network,FNN)建立模型误差预测模型,并藉此修正扩展卡尔曼滤波测量噪声协方差,以实现当模型误差较小时对状态估计进行测量更新,而当模型误差较大时只进行过程更新.仿真和实验结果表明,该算法能有效消除由于模型误差和测量噪声统计特性不确定而引入的SOC估计误差,误差在1.2%以内,并且具有较好的收敛性和鲁棒性,适用于电动汽车的各种复杂工况,应用价值较高.     

基于多参量的动力电池剩余使用价值定义与评价方法

锂离子电池广泛应用于电动汽车和储能等领域,准确的价值评估对于电动汽车及储能系统的长期稳定运行至关重要。传统基于单参量的价值评估方法未考虑参数间复杂的耦合关系,既不准确也不客观。为此,提出了一种基于多参量的动力电池剩余使用价值(Remaining useful value, RUV)定义与评价方法。所提方法考虑了影响电池性能的关键指标,如健康状态(State of health, SOH)、剩余寿命(Remaining useful life, RUL)、容量衰减率等,采用熵权法对各指标进行客观赋权。通过最大最小法计算各评价指标得分,从而综合定义并评估电池的剩余使用价值。通过在MIT数据集验证可知,所提方法能够合理有效地评估电池价值,计算方法简单,鲁棒性强。所提方法能够为电池剩余使用价值的综合评估提供新思路,有助于电池管理及合理回收利用。     

缩短市区配网接地故障处理时间的措施分析

随着用户对供电服务、供电质量的要求不断提高,供电企业对提高供电可靠率的工作要求也随之提高。在电网运行中,提高供电可靠率的重要举措之一就是缩短故障停电时间。接地故障因其故障的复杂性和隐蔽性,故障处理时间较长,在各类故障处理中占用时间比例最大。因此,找出接地故障处理时间长的原因并加以解决,对提高供电可靠率有着重要的意义。     

序

<正>储能已经成为新能源电力系统及载运工具不可或缺的核心技术,也是实现“双碳”目标的有力抓手。随着储能系统应用规模的不断扩大,储能关键装备及系统的安全管理工作愈发重要。储能关键设备老化、保养不及时等问题会导致本体故障;在极端运行工况下,储能装备可靠性降低将导致系统整体失控。因此,如何结合大数据挖掘与人工智能方法,实现数字化与智能化科学管理,提高储能系统无线电传输控制方法、充放电优化策略、容量配置等关键技术水平,充分发挥数据核心价值,     

基于膨胀应力的锂离子电池剩余使用寿命预测

准确快速预测锂离子电池剩余使用寿命(Remaining useful life, RUL)对系统安全稳定运行至关重要。然而,电池内部退化机理复杂,外部运行工况多变,给RUL预测带来了极大挑战。为此,提出了一种基于电池膨胀应力的RUL预测方法。提取电池膨胀应力信息,分别分析可逆膨胀和不可逆膨胀与容量之间的关系,并计算相关性。将可逆膨胀和不可逆膨胀作为特征参数,构建并训练长短期记忆(Long short-term memory, LSTM)神经网络,实现RUL精准快速预测。通过在UMBL公开数据集上验证,利用膨胀应力特征能更好地学习电池老化状态,捕捉电池容量下降趋势。结果表明,在不同循环起点和多种老化条件下,RMSE和MAE分别小于0.82%和0.70%,所提出的方法能够精准快速预测RUL,鲁棒性强。     

电动汽车电池管理系统研究现状及发展趋势

电池管理系统(BMS)监测动力电池的各种状态,具有荷电状态(SOC)估计、电池均衡、热管理和CAN通讯等功能,是电动汽车关键零部件之一.在此回顾了BMS的国内外研究现状并且论述了其总体结构、动力电池SOC估计方法、电池均衡技术和电池热管理技术.最后,展望了BMS未来发展趋势.     

锂离子电池全寿命周期个性化退役与评价方法

锂离子电池(Lithium-ion batteries, LIBs)广泛应用于储能系统(Energy storage system, ESS)、电动汽车(Electric vehicles,EVs)等领域。然而,电池在运行过程中容量会逐渐下降直至退役。传统方法以80%健康状态(State of health, SOH)作为退役标准,未考虑电池实际衰退速率,不仅不能充分利用健康电池,而且难以有效保障非健康电池的安全性。同时,SOH相等但电池老化特性和衰退速度不一定相同。仅以SOH评价无法准确反映电池老化差异。为此,提出一种锂离子电池全寿命周期个性化退役标准和老化评价方法。以容量衰退梯度和SOH为特征,首次定义全新退役指标(Index of decommissioning,IoD),计算IoD在80%SOH下的分布,获取退役阈值,并以此阈值为标准定义电池退役时刻。提出一种全新的健康状态评价指标—电池容量跳水度(Terminal diving rate,TDR),评价电池在使用过程中出现的非线性老化现象。通过在MIT公开数据集上验证,所提方法计算简单、鲁棒性强,能够实现电池个性化退役,更有效...