计及混合储能SOC的平抑风电功率控制策略

通过对磷酸铁锂和超级电容两种介质的工作特性分析,提出了一种计及混合储能SOC的平抑风电功率控制策略。由二阶低通滤波算法获得目标并网值和不同储能介质的预补偿值,结合不同SOC下超级电容的响应速度,重新定义了高效安全SOC区间,经功率重分配模块和限制模块更新滤波时间常数计算出混合储能系统的实际补偿值,实现了对风功率的平抑,使混合储能系统工作在安全的SOC区间内,延长了其寿命,同时提高了混合储能系统的响应速度。最后,通过对实际算例的仿真计算,验证了该文控制策略的有效性。     

基于电池荷电状态的光伏电站储能系统调控的研究

基于光伏电站输出功率平滑既有控制策略的因素对平滑效果的消极影响,提出一种可以有效避免平滑效果差、提升储能系统稳定性,优化整体光伏电站储能效果的多目标控制优化策略。该控制策略在光伏电站储能系统的运行过程中能够起到抑制输出功率波动的作用,同时能够精准控制电池荷电状态（SOC）值的变化,避免运行过程中储能电池的无序冲放。能够达成提升系统运行质量、延长电池运行寿命的目的。     

矿用储能电池荷电状态精确估计方法

针对基于安时积分法的矿用储能电池荷电状态估计易产生累计误差的问题,提出一种基于改进安时积分法的矿用储能电池荷电状态精确估计方法。该方法引入温度校正系数、老化程度校正系数和充放电倍率校正系数,通过校正电池容量实现电池荷电状态精确估计;在电池荷电状态为0~15%,90%~100%时,用电池端电压代替开路电压,对改进安时积分法所得结果进行实时校正。实验结果表明,该方法可提高矿用储能电池荷电状态估计精度,估计误差基本控制在±3%以内。     

基于全新等效电路模型的电池关键状态在线联合估计器

针对电池三大关键状态(State of Charge–SOC、State of Health-SOH、State of Power-SOP)之间相互耦合的关系,同时考虑到其估计精度受到电池时变的内部参数等因素影响的问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model, AR-ECM)的电池关键状态在线联合估计算法.该方法提出基于AR模型的全新电池ECM,给出同时表征SOC、SOH和电池内部压降的状态空间方程以及区别化参数更新策略.在此基础上,考虑状态方程容易发生不正定的问题,提出采用平方根无迹卡尔曼滤波(square root unscent kalman filter, SR-UKF)算法实现电池状态的联合估计.该算法的优势在于真正实现了电池关键状态以及ECM参数的联合估计,更符合实际工程应用需求.仿真验证表明,在噪声干扰环境下,该联合估计器能够得到较高的精确度和稳定性.     

电动车用Ni/MH电池组剩余容量的非线性自回归滑动平均预测

准确的蓄电池荷电状态(SOC)决定了电动汽车剩余的行驶里程数.为准确评估电动车用Ni/MH电池组荷电状态(SOC)值,本文提出了一种非线性自回归滑动平均(NARMAX)模型的系统辨识方法.文中使用联邦城市行驶工况(FUDS)的试验数据,采用NARMAX模型线性简化逼近的辨识方法,对蓄电池SOC建立了多输入变量的模型,并使用这个模型进行实时预测;预测结果与试验结果进行了比较.结果表明,该方法是简单、有效的.预测的最大相对误差为1%.     

基于Simulink的锂电池建模仿真

针对锂离子电池SOC(荷电状态)难以估算的问题,通过对电池建立等效的Thevenin电路模型,对不同时刻的SOC的模型参数进行拟合得到动态的模型参数,在Matlab中借助Simulink建立仿真模型,采用模块化结构,建立基于卡尔曼滤波算法的电池SOC估算系统;利用测得的电池电压电流,仿真系统可直接估算出实时的电池SOC,与实际的电池SOC对比,误差保持在2.5%以内,表明该方法可以有效地估计电池的SOC,对于锂离子电池在实际应用的容量估算有着重要意义。     

基于TMS320LF2407A的动力锂电池组充电系统设计

针对动力锂离子电池组特性,设计了以TMS320LF2407A为控制核心的充电系统,详细介绍了充电系统的构成。利用设计的均衡充电电路及控制方法,有效弥补各单体电池在充电过程中的不一致性,延长电池组的使用寿命。实验证实,该充电系统能安全高效地实现电池组的均衡充电。     

基于特征选择和数据增强的电池荷电状态预测

现有基于神经网络的电池荷电状态(state of charge, SOC)预测研究大多把重点放在模型结构和相关参数的优化上,却忽略了训练数据的重要作用.针对该问题,文中提出了一种基于特征选择和数据增强的电池SOC预测方法.首先,方法根据原始电池充放电数据进行特征工程,并使用排列重要性(permutation importance, PI)方法选出对模型预测最有帮助的7个特征;其次,通过加入高斯噪声来扩大训练数据样本总量,达到数据增强的目的.实验使用双向长短时记忆网络(bidirectional long short-term memory, Bi-LSTM)作为预测模型,使用Panasonic 18650PF数据集作为训练数据.使用标准Bi-LSTM进行预测时,平均绝对误差(mean absolute error, MAE)和最大误差(max error,MaxE)分别为0.65%和3.92%,而在进行特征选择和数据增强后,模型预测的MAE和MaxE分别为0.47%和2.62%,表明PI特征工程与高斯数据增强方法可以进一步提升电池荷电状态预测模型的精度.     

基于Thevenin模型和自适应卡尔曼的SOC估算研究

精确的荷电状态(SOC)值在电池的应用开发中具有重要的意义.选择合适的滤波算法是精确估算的前提.由于扩展卡尔曼滤波(EKF)中噪声的给定值与实际工况下噪声的统计特性不符,导致估算精度低.为提高SOC估算精度,构建能准确反映锂电池工作特性的Thevenin电路模型.在此基础上,构建状态方程和观测方程,提出自适应卡尔曼滤波...     

基于LSTM-Attention的锂电池SoC预测

电池荷电状态（State of Charge,SoC）对新能源汽车安全行驶非常重要。文章提出一种基于长短期记忆网络（Long Short-Term Memory,LSTM）和注意力机制（Attention）的锂电池SoC预测方法。该方法将电池放电电流、电压、温度等电池工作历史参数作为输入,通过在LSTM神经网络中训练,并在LSTM神经网络中引入注意力机制,聚焦对当前SoC影响更大的历史参数,实现更为精确的锂电池SoC预测。实验证明,本方法比LSTM神经网络具有更好的预测性能,有较好的应用前景。     

基于Thevenin模型和UKF的锂电池SOC估算方法研究

为解决在多种工况下锂电池实时估算困难、估算精度不高等问题,以三元锂电池为研究对象,建立Thevenin模型,对电池的工作特性进行表征。综合多种工况对锂电池工作特性进行研究分析,避免了依据电池内部复杂结构建立等效模型的困难。考虑到估算初期荷电状态(SOC)准确性对于后期估算的重要性,首先用开路电压法标定初值,然后运用无迹卡尔曼滤波(UKF)算法进行估算跟踪。UKF算法基于无迹变换,没有忽略高阶项,对于非线性分布具有较高的计算精度。在Matlab/Simulink中搭建仿真模型并结合多种工况数据进行分析。试验结果表明,Thevenin模型能够较好地对锂电池SOC进行估算,收敛速度快、跟踪效果好且能将估算误差控制在0.8%以内,验证了UKF在对锂电池进行SOC估算时具有较高的精度。     

基于深度学习和量子遗传算法的电池SoC估算方法研究

储能电池的荷电状态是电池的重要特性,针对浅层学习算法的不足,提出了深度学习理论与量子遗传相结合的算法以提高估算结果的正确性。该算法能够自动从样本中提取更加抽象、更具表达能力的特征,实现输入和输出数据之间的复杂非线性映射;量子遗传算法自动寻优,得到每个RBM输出估算值的权值。通过对电池SoC训练样本和测试样本的估算,与BP训练网络估算结果对比,得出本文所提的DBN-QGA算法网络估计精度更高。     

基于一维卷积神经网络与长短期记忆网络结合的电池荷电状态预测方法

针对电池荷电状态(SOC)预测的精确度与稳定性问题以及深层神经网络的梯度消失问题,提出一种基于一维卷积神经网络(1D CNN)与长短期记忆(LSTM)循环神经网络(RNN)结合的电池SOC预测方法——1D CNN-LSTM模型.1D CNN-LSTM模型将电池的电流、电压和电阻映射到目标值SOC.首先,通过一层一维卷积...     

基于安时积分和粒子滤波修正的锂电池SOC估计

针对安时积分（ AH）法的累积误差问题和卡尔曼滤波算法对系统噪声的限制,提出了粒子滤波（ PF）修正安时积分误差的方案,并基于钴酸锂电池测试数据和电池等效电路模型,对算法进行仿真验证。通过与传统的AH和卡尔曼滤波法对比得出：基于AH和PF修正的方法荷电状态（ SOC）估计效果较好,平均误差与标准误差均控制在2%以内。     

基于神经网络的动力电池SOC估算

在电动汽车电池管理系统(BMS)中,实现对电池组荷电状态(SOC)的精确估计非常重要,笔者提出一种基于神经网络的电池组SOC估计方法,较为详细描述了将MATLAB神经网络函数转换成C/C++函数的全过程,并且进行了验证比对,实验结果表明基于MATLAB神经网络的动力电池Soc估计算法可成功转换成C/C++函数,并能在工程中进行应用。     

基于K均值聚类及高斯过程回归集成的铅酸电池荷电状态预测

为了提高铅酸电池荷电状态(State of Charge,SOC)的预测准确率,本文提出一种基于K均值聚类的高斯过程回归集成算法(K-means Cluster with Ensemble Gaussian Process Regression,KC-EGPR)。首先利用K均值聚类算法对原始训练集进行聚类,生成若干个包含原始训练集的某种局部信息的子训练集;然后在每个子集上训练高斯过程回归模型(GPR);最后利用集成学习理论中的自适应提升算法(Ada Boost)对训练的多个GPR进行集成,得到最终的预测模型。在三组铅酸电池数据集上的实验结果表明,所提出的KC-EGPR算法预测铅酸电池SOC的性能优于对比模型,具有广阔的应用前景。