基于PSO-XGBoost算法的多衰退特征锂离子电池SOH估计

为了准确估计锂离子电池的健康状态（SOH）,提出了一种基于粒子群算法与极限梯度提升算法相结合的方法。首先利用主成分分析法（PCA）对电池数据进行预处理,提取并组成最佳健康因子数据组;在此数据的基础上,运用XGBoost算法建立锂离子电池退化过程模型,利用同类已有电池历史数据进行训练,通过粒子群算法优化XGBoost算法中五个主要参数,构建基于PSO-XGBoost的SOH预测模型;最后采用美国国家航空航天局电池数据集进行分析验证,并与现有的预测方法对比。结果表明,该方法平均绝对误差为0.003 922、均方根误差为0.005 553、最大误差为0.021 84,具有较高的预测精度。     

退役动力电池健康状态特征提取及评估方法综述

我国电动汽车动力电池退役高峰来临,电池梯次利用技术备受学术界和产业界的高度关注。与新电池相比,退役电池(retired battery,RB)一致性差、性能离散度高、安全隐患大,并且从电池单体、模块、电池簇到储能系统逐层集成过程中,上述问题会叠加、放大,导致系统整体性能不确定性增大。为实现退役动力电池安全可靠、规模化、多场景梯次利用,研究基于RB衰退机理的特征提取及健康状态评估技术非常关键。该文基于退役电池的性能衰退规律、电池安全状态演变机理,重点对RB健康状态特征参量表征和残值评估方法进行综述,分别从数据驱动方式以及模型驱动2个维度对提取RB特征和健康评估进行总结分析,提高基于RB衰退规律的退役电池健康状态和残值评估模型精度,对RB特征提取以及健康状态评估未来的研究方向进行展望。     

基于神经网络的磷酸铁锂电池SOC预测研究

利用神经网络进行了电动汽车用的磷酸铁锂（LiFePO4）电池荷电状态（state of charge,SOC）预测研究。在分析磷酸铁锂电池充放电机理的基础上,采用levenberg-marquardt（LM）算法建立了磷酸铁锂电池的BP（back propagation）神经网络模型,并进行了电池SOC值的预测。结果表明,基于神经网络的电池SOC预测方法具有较高的精度,可用来预测磷酸铁锂电池的SOC值。     

基于数字孪生的全钒液流电池储能运维系统

数字孪生是推动电力装备领域数字化、智能化、信息化的关键技术之一,液流电池是一种新型绿色的电化学储能电池。基于数字孪生思想,对全钒液流电池储能运维系统进行研究,提出构建多源异构数据统一融合模型的方法,对全钒液流电池储能运维系统进行建模,并建立实景物理世界和虚拟孪生世界的映射关系。应用基于数字孪生的全钒液流电池储能运维系统,能够监控、诊断、预测物理世界产品的可能状态,实现信息的高度融合。     

VRB-Boost变换器系统非线性行为对储能系统的影响特性

在钒液流电池Boost变换器系统中,系统参数尤其是钒液流电池（vanadium redox flow batteries,VRB）荷电状态（state of charge,SOC）和负载对系统非线性行为影响较大,是系统安全稳定运行面临的主要问题之一。为此,基于VRB的电气特性建立其数学模型,采用频闪映射方法建立了电流型Boost变换器离散迭代映射模型,结合以上模型建立了VRB-Boost变换器系统统一模型。在系统统一模型基础上分析了SOC和负载R影响系统非线性行为的原因,编程仿真得到系统输出随钒电池SOC和负载R变化的分岔图,通过系统输出分岔图之间的对比,得出钒电池SOC和负载R对系统非线性行为的影响规律,试验结果验证了理论分析的正确性。     

基于电压极差特征的储能电池组早期健康状态检测

为了更加高效地评估储能电池组的健康状态（SOH）,提出一种基于电压极差特征的早期健康状态检测方法。首先基于大容量磷酸铁锂储能电池组开展循环老化试验,测量每次循环的电压极差信号,并从中提取关键时间点的电压特征;其次,基于皮尔逊（Pearson）相关系数及灰色关联度分析法（GRA）筛选与电池组老化高度相关的健康因子。最后,通过麻雀搜索算法（SSA）优化双向长短时记忆网络（BiLSTM）的超参数,搭建SSA-BiLSTM健康状态估计模型,实现储能电池组SOH评估;并结合常规机器学习算法验证了健康因子的有效性和估计模型的优越性。结果表明,所提取充放电静置30 min的电压极差特征能够有效反映电池组容量衰退趋势,多种模型验证下SOH估计误差均低于±0.8%。其中,本文所提出的SSA-BiLSTM模型均方根误差（RMSE）低至0.07%。因此该方法能够有效地对大容量储能电池组的SOH实现在线监测。     

基于灰色关联度分析-长短期记忆神经网络的锂离子电池健康状态估计

电池的健康状态是电池健康管理的核心,准确的锂离子电池健康状态估计对保证电池安全、可靠、长寿命运行具有重要意义。为此,该文提出了一种基于增量容量曲线和灰色关联度分析（GRA）以及长短期记忆（LSTM）神经网络的锂离子电池健康状态估计方法。该方法通过分析电池在老化过程中的充电增量容量曲线变化模式,提取电池老化特征。为了降低计算复杂度,引入灰色关联度分析法进行特征分析与筛选,并将其作为长短时间记忆神经网络的输入,进行网络预训练进而估计电池的健康状态。最后,利用三种不同工况的电池加速老化测试数据集对所提出的健康状态估计方法进行了验证。实验结果表明,所提出的方法表现出优秀的电池健康状态估计性能,并在不同工况以及不同训练循环周期数条件下表现出良好的鲁棒性。     

基于健康特征筛选与GWO-LSSVM的锂电池健康状态预测

锂电池健康状态（SOH）预测是电池管理系统（BMS）最重要的功能之一,准确有效地预测锂电池SOH可有效提升设备利用率,保证系统稳定性。为了提高预测准确度,本文提出一种基于健康特征筛选与灰狼优化算法（GWO）-最小二乘支持向量机（LSSVM）的锂电池SOH预测方法,首先采用灰色关联分析（GRA）法计算每个健康特征相对于锂电池SOH的灰色关联度,并将灰色关联度进行排序,确定SOH预测的主要健康特征;然后针对LSSVM模型参数需靠人为经验选择的问题,采用寻优性能较好的灰狼优化算法对其进行优化选择并构建GWO-LSSVM模型;最后基于NASA数据集,对模型进行训练和测试,并与其他3种模型的预测结果进行对比,对比结果证明了本文所提方法的有效性。     

基于双非线性预测滤波法的锂离子电池SOH估计

动力电池的健康状态(SOH)估计是电动汽车电池管理系统的关键技术之一。提出了一种基于双非线性预测滤波法的锂离子电池SOH估计方法。基于Thevenin等效电路模型来表达电池的性能,基于双非线性预测滤波法对电池的容量和内阻进行估计从而实现SOH的在线估计,基于磷酸铁锂电池的循环寿命测试对提出的方法进行验证,结果表明,基于双非线性预测滤波法的SOH估计方法能够在电池的整个生命周期内实现SOH的精确预测。     

数据驱动的锂离子电池健康状态估计

为契合纯电动汽车实车电池数据特点,提出一种数据驱动的锂离子电池健康状态(SOH)估计方法。基于前馈神经网络和循环神经网络模型,通过电池动态放电数据学习其动态特性,并参考锂离子电池电化学模型中电池端电压的组成公式,设计电池系统辨识神经网络的结构。该神经网络能较精确地学习电池的端电压响应和预测电池的恒流放电电压曲线,平均误差小于20 mV。基于曲线相似度计算法,利用模型预测的恒流放电电压曲线,对电池的容量和SOH进行估计。所提出的方法可对电池SOH进行精确估计,误差小于2.5%。     

含光伏电站和蓄电池储能系统的主动配电系统状态估计

间歇性和随机波动性的分布式新能源大规模接入,储能系统与电动汽车的随机充放电以及智能量测装置的量测误差等使得主动配电系统的态势感知面临诸多挑战。考虑到光照强度、温度及电池荷电状态等影响因素,文中搭建了含光伏发电电源、配电网和蓄电池储能负荷的主动配电系统状态估计模型。首先,基于光伏五参数模型和电池内阻模型,推导出光伏系统和蓄电池储能系统的量测函数及雅可比矩阵。然后,结合配电网的状态估计模型,将电气量和非电气量统一标幺化后,对主动配电系统进行状态估计及不良数据处理。最后,在IEEE 33节点系统下进行了仿真验证。仿真结果表明,与光伏系统和蓄电池储能系统作为PQ节点的模型相比,所提方法扩展了与光伏系统和蓄电池储能系统相关的状态估计和不良数据处理能力,且提高了配电网的状态估计精度。     

计及配电网经济性与可靠性的电池储能系统优化配置

经济性和可靠性是储能系统优化配置过程中必须考虑的2项指标,但往往不能同时达到最优。为协调二者之间的矛盾,建立了同时考虑经济性和可靠性的多目标电池储能系统优化配置模型。首先针对目前含储能元件系统,可靠性评估方法复杂、计算速度慢的现状,提出了一种含储能系统及分布式电源（distribution generation,DG）的配电网可靠性简化计算方法,量化储能配置后对配电网可靠性提高所做的贡献,得到持续供电时间增量及持续供电电量增量2个指标。然后,以配电系统的年净收益最大、配电系统故障时储能系统持续供电时间与供电电量最大为目标,建立了电池储能系统多目标优化配置模型,并采用改进的强度帕累托算法求解该多目标优化模型的帕累托前沿。最后对IEEE-33节点配电系统进行仿真计算,验证了所建模型的可行性及有效性。     

考虑多维性能衰减的储能电池系统运行可靠性评估方法

储能电池系统的发展是推进“双碳”目标的关键所在，伴随而来的却是储能电站的安全隐患，亟需对储能电池系统的可靠性进行准确评估。为此，提出考虑多维性能衰减的储能电池运行可靠性评估方法。首先，提出了基于高斯过程的储能电池性能衰减过程电压特征量分布计算方法，计算充放电循环过程中电压特征量的概率分布，为刻画电池性能衰减提供了重要维度。然后，提出了基于多维通用生成函数的储能电池系统运行可靠性评估方法，通过电压特征量和容量的概率分布计算储能电池单体的可靠性。进而定义可考虑储能电池拓扑连接情况的串并联关系函数，计算储能电池系统整体的可靠性。最后，基于NASA储能电池数据的算例仿真表明所提方法能够实现储能电池系统可靠性的精准评估。     

平抑电网大功率扰动的规模化电池储能系统控制方法

为了满足电网调控需求，提出了规模化电池储能系统平抑电网故障下大功率扰动的优化控制方法。基于电网频率、电压与有功、无功功率的平衡关系，首先建立了考虑电池荷电状态约束的规模化电池储能系统有功、无功功率控制模型，该控制模型包含测量滤波环节、增益环节、死区环节、控制环节等完整环节，在此基础上推导出适用于电网调控的规模化电池储能系统调频、调压控制模型。针对不同容量电池储能系统和电网的调控需求，应用改进的响应曲线法对模型中的控制参数进行优化，从而提高控制系统的灵活性和适应性。最后，应用PSASP软件验证了规模化电池储能系统平抑电网故障下大功率扰动的优化控制方法的有效性。结果表明：当电网大功率扰动引起电网频率、电压异常时，提出的规模化电池储能系统有功、无功控制方法可将系统频率控制在49.8~50.2 Hz，将母线电压控制在UN±10%UN，满足系统频率电压要求。     

基于IT2FLC的HESS太阳能充电站功率分配策略

为了有效利用混合储能系统的充放电特性,提出一种基于区间Ⅱ型模糊逻辑控制（IT2FLC）的混合储能系统（HESS）太阳能充电站功率分配策略。该策略针对蓄电池充电提出多步恒流充电方法,通过双向DC/DC转换器为混合储能系统传输功率,采用扰动观测算法跟踪太阳能电池板的最大功率。最后通过dSPACE 实时仿真系统对所提出的分配策略进行仿真验证,证明了该策略的有效性。     

混合储能系统中超级电容的作用及容量设计方法

针对超级电容和锂离子电池经Buck-Boost双向DC/DC变换器升压后并联的混合储能系统（hybrid energy storage system,HESS）,详细分析了储能系统电流响应特性的影响因素。根据超级电容功率特性好和锂离子电池容量较大的特点,分析这2种储能介质在储能系统中的作用,并在此基础上提出了一种电池不直接响应功率指令,而是根据超级电容荷电状态进行充放电的功率分配方法。最后介绍了在该功率分配方法下超级电容的容量设计依据,并结合直驱型波浪发电输出功率的波动特性给出了算例。     

考虑降损和平抑峰谷的配电网储能电池Pareto优化模型

为发挥储能电池在配电网运行中降损及平抑峰谷的作用,建立了一种考虑降损和平抑峰谷的配电网储能电池Pareto多目标优化模型。该模型以配电系统中有功损耗最小和1天中各时段负荷方差最小为目标函数,以储能电池的充放电功率为控制变量,以罚函数的形式处理电池容量约束和静态安全约束。依据日负荷曲线获取储能电池最佳充放电时段,结合前推回代潮流计算方法和带精英策略的快速非支配排序遗传算法（non-dominated sorting genetic algorithm II,NSGA-II）对多目标模型进行求解。基于最大满意度,在Pareto解集中分别分析了网损最小、削峰填谷效果最优和网损与削峰填谷折中最优3种优化方案,以获取不同的储能电池运行优化方案。最后,以IEEE33配电网系统为例,验证了所提方法的实用性和有效性,并分析了不同决策策略下运行方案的优劣,为配电网经济运行提供决策参考。     

考虑铅炭电池组一致性的储能系统功率控制策略

针对储能系统不规则充放电导致的电池组一致性变差及单体电池过充/过放问题,研究铅炭电池组一致性变化规律,提出考虑电池组一致性的储能系统功率控制策略。采用包含储能电池组、风/光发电、电动汽车和常规负荷的共直流母线型集中式微电网并网示范平台的实测数据对所提功率控制策略与传统控制策略进行对比仿真分析。仿真结果表明,所提控制策略可有效降低电池组荷电状态(SOC)变化范围,提升电池健康状态,提高电池组一致性,减少过放电池数量,增强储能系统双向调节能力。     

基于电池荷电状态和可变滤波时间常数的储能控制方法

针对可再生能源输出功率波动性大且随机性强的特点,在计及储能电池使用寿命等约束条件的基础上,提出了一种基于实测电池荷电状态的可变滤波时间常数储能控制方法。该方法通过实时调节储能系统的输出功率,对可再生能源输出功率中某一特定频段的波动成分进行补偿;同时根据电池的荷电状态值,对滤波时间常数进行调节,从而使电池的荷电状态值稳定在一定的范围内,避免了电池的过充/放电。在PSCAD中搭建的光储系统仿真模型,验证了所述方法的有效性。     

基于自动编码器的锂离子电池状态评估方法

准确的电池状态估计对于确保电池储能系统的安全可靠运行至关重要.电池的健康状态(SOH)虽然能反映电池的老化状态,但SOH估计模型的建立受到实际标签数据难以获得或是测试代价高昂的限制.文中基于无监督机器学习模型,建立了一种新的健康指标对电池进行状态评估.首先,从电池的电压-放电容量曲线选择特征,根据锂离子电池的老化机制将电池状态划分为健康和异常,使用健康的数据对基于卷积神经网络的自动编码器模型进行训练,根据自动编码器的输入、输出计算重构误差,最后将重构误差输入逻辑回归模型对电池状态进行判别.在开源的MIT-Stanford数据集上进行实验,验证了所提方法的有效性.