基于荷电状态图权重的储能系统电池网络重构研究

电化学储能系统中单体电池的特性差异给储能系统的能量效率、安全可靠运行造成了一定隐患。可重构网络式数字储能利用高频电力电子装置对连续能量流的离散化和数字化是储能未来研究方向之一。为此,开展了基于荷电状态图的储能系统电池网络重构研究。首先,在分析现有重构电池网络特点的基础上提出了一种旁路阵列式可重构电池拓扑,并通过灵活控制开关获取开路电压和荷电状态SOC。其次,基于图深度优先遍历的思路,提出了一种荷电状态图的储能系统电池网络重构策略。最后,在搭建的可重构式电池网络实验平台进行了验证。结果表明,基于荷电状态图的储能系统电池网络重构可有效避免单体电池劣化带来的木桶效应,对提升储能系统高效运维有一定指导意义。     

基于SOC-OCV曲线的卡尔曼滤波法SOC估计

由于开路电压(OCV)与电池荷电状态(SOC)存在一一对应的关系,OCV在电池SOC估计中被广泛运用。提出了如何通过卡尔曼滤波法(KMF)得到各种工作状态下PNGV电池模型中各状态量的值,从而得到PNGV电池模型的实时OCV,进而通过已经获得的SOC-OCV曲线得到电池SOC的预测值方法。给出了铅碳电池建模及参数辩识的方法及步骤,建立了参数随SOC可变的铅碳电池PNGV模型,并通过模型提出了用于OCV计算的KMF,该算法能快速并准确的收敛到真实的OCV,从而实时指示SOC,仿真和实验结果显示该方法具有较好的SOC估算效果及快速的动态响应。     

电池管理系统(BMS)算法研究

介绍了首先区分 BMS 应用场景,然后根据数据中心、储能不同应用场景算法不一样的一种电池管理系统(BMS)算法。该算法在判断电池 SOC 与 SOH 时预先对电池状态进行判断,电池处于浮充、放电、充电还是开路状态下的 SOC 与 SOH 计算方法不一样。这种针对数据中心、储能应用场景特点开发的 BMS,其 SOC 和 SOH 精度大幅度提高。     

基于DeepAR与特征选择的锂离子电池在线状态估计

电池健康状态SOH（state-of-health）和荷电状态SOC（state-of-charge）估计是电池管理系统的核心功能。目前,状态估计存在依赖大量历史数据以及单一状态估计适应性差的问题,因此提出一种基于DeepAR与特征选择的锂离子电池状态估计模型。首先,提取电池恒流充电过程中电压、温度及时间间隔数据,组成3组老化特征作为模型输入,用于估计SOH;然后,在估计SOC时考虑SOH估计值,消除了电池老化因素对SOC估算的负面影响;最后,在不同工况下的牛津电池数据集上进行实验验证,并与其他两种算法模型进行误差与收敛性对比。结果表明,所提模型在冷启动估计方面具有较强的优势,SOH和SOC估计精度较高。     

基于广义系统观测器的电池荷电状态估计

提出了一种新的电池荷电状态(SOC)的估计方法。电池的开路电压(OCV)与SOC之间是一种分段线性的关系,为了避开这类非线性问题,观测器设计时的通行做法是将输出电压的方程式对时间进行求导。文中分析表明这种对电压方程求导的做法是不正确的。指出可以将分段线性关系看做是广义系统中的一种线性约束,从而提出用广义系统观点来处理电池的这个分段线性约束,并且设计了广义系统观测器。仿真结果表明所提出的观测器的有效性。     

电动汽车用氢镍电池二阶RC模型的研究

将二阶RC电路模型应用于电动汽车用氢镍电池,该模型用一个电阻和两组RC来模拟电池充放电过程中的动态特性,首先用快速法测出开路电压(OCV)与荷电状态(SOC)之间的关系曲线,其次用指数拟合法和极值法求出模型参数,最后将不同脉冲电流下取得的参数值取平均作为最终的模型参数.仿真结果表明了该模型的有效性和良好的动态跟踪性.     

风-光储能系统锂离子电池SOC校准优化方法

使用安时积分法估算电池荷电状态(SOC)在工业上已有广泛应用,但对于风光互补发电系统来说,使用开路电压(OCV)校准安时积分法的累积误差不切实际,因为OCV法需要电池静置数小时。针对此问题,提出一种新的校准方法,该方法与OCV法类似,但校准条件只需要电池电流恒定或小范围波动维持4 min,更适用于校准风 光储能系统中使用安时积分法存在的误差累积问题。使用4串6并的软包钴酸锂电池进行试验测试,在3.9、3.6、3.2 V三个不同电压平台中,所提出的策略与实际OCV误差均小于10 mV,换算成SOC均小于1%,证明了本文所提出策略的可行性。     

电动飞行器用电池SOC估计算法多指标量化研究

电动飞行器用储能电池系统具有比能量高、老化速率快、电磁环境复杂等特点,存在荷电状态(SOC)估计不准、可用能量受限、算法鲁棒性降低等问题。提出一种SOC估计算法多指标量化分析方法,基于分析算法实时性、工况适应性、噪声鲁棒性、估算精准性四个性能6个指标,综合评估多个SOC估计算法在储能电池系统中的应用潜力。结果表明：SMO观测器具有较好的估计精度和实时性;EKF、UKF、HIF具有相似的估算精准性和算法收敛速度,HIF算法具有更强的抗噪声鲁棒性。     

基于简化滞回OCV模型的锂电池SOC自适应估计策略

受锂电池滞回效应的影响,开路电压与荷电状态之间的关系复杂,给电池建模以及荷电状态的精确估计带来较大困难。以锰酸锂电池单体为研究对象,在通过实验对滞回特性分析的基础上,提出简化的滞回开路电压模型,该模型根据滞回主环路中开路电压差之间的荷电状态积累量大小来构建滞回因子,修正开路电压与荷电状态之间的关系,以提升电池等效电路模型的精度;其次,针对测量噪声异常扰动、模型发生变化及荷电状态初值存在偏差的情况,利用分阶段变换测量协方差及构建自适应因子方法对无迹卡尔曼滤波算法改进,以平衡荷电状态的估计精度和收敛速度。实验结果表明,简化滞回开路电压模型能较为地准确描述锂电池动静态特性,所提自适应无迹卡尔曼滤波算法估计荷电状态的性能有较大提升。     

基于Transformer的锂离子电池SOC估计方法

此处提出了基于Transformer的荷电状态(SOC)预测模型以提高对锂离子电池的SOC预测精度及效率。首先将易于测量的电压电流等数据作为编码器的输入,利用编码器端的多头注意力机制来提取深层特征,充分地利用输入数据的特征信息,同时将目标SOC作为解码器端的输入,将编码器的输出输入至解码器端,最后输出时移后的SOC得到预测结果。为了防止标签泄露,在解码器端的输入采用了掩码机制,同时实现了卷积神经网络提取特征和循环神经网络利用数据变化的时序性。利用锂电池的工况放电实验数据进行训练,以均方误差(MSE)作为评价标准。实验结果表明,所提出的基于Transformer模型具有较高的预测精度。     

基于多随机模型的老化锂离子电池SOC估计

老化现象显著影响锂离子电池荷电状态(SOC)的估计精度,提出一种对电池老化具有鲁棒性的SOC估计方法.离线辨识电池的参考模型,在参考模型的基础上生成多个随机模型,利用模型的输出预测电池电压的响应.根据随机模型与实测电压的匹配程度,对各随机模型赋予权重;将每个随机模型的SOC估计值带权累加,得到待估计的SOC.提出的方法...     

基于 GRU-UKF 的锂离子电池 SOC 估计方法研究

精确估计锂离子电池荷电状态(SOC)是电池管理系统的关键技术之一,直接影响着动力锂电池组的使用效率和安全 性。 锂离子电池特性复杂,其 SOC 无法直接测量,且受电流、温度等因素的影响较大。 为此,提出了一种基于门控循环单元 (GRU)神经网络与无迹卡尔曼滤波(UKF)相结合的组合算法。 该方法利用 GRU 网络获得可测量的电流、电压、温度与锂电池 SOC 之间的非线性关系,并以此作为 UKF 的观测方程。 然后,通过 UKF 估计 SOC 值以提高算法的估计精度。 实验结果表明, 在不同温度以及不同的工况下,本文所提方法的均方根误差(RMSE)和平均绝对误差(MAE)分别小于 0. 51%和 0. 46%,均能提 高 SOC 的估计精度。     

基于GA-BP神经网络的锂离子电池SOC估计

电池荷电状态(state of charge,SOC)的估计是电动汽车电池管理系统(battery management system,BMS)的最为重要的关键技术之一。为此,提出了一种基于改进型遗传算法(genetic algorithms,GA)的BP神经网络的锂离子电池SOC估计。利用MATLAB人工神经网络工具箱和谢菲尔德(Sheffield)遗传算法工具箱共同建立GA-BP神经网络模型,用于预测锂离子电池在任一状态下的SOC。经仿真实验表明,与经典的BP神经网络预测方法相比,基于改进型GA-BP神经网络的锂离子电池荷电状态估计精度有效提高了,且具备良好的收敛性。     

Cd-Ni电池低电压的改善

发泡式镉镍电池产品中，相当部分电池在搁置一月左右之后，开路电压下降至1．00-1．10V。分析了电压下降的原因；提出了有效的解决措施；检测改进后的从K900型电池的荷电保持能力和开路电压，结果表明，以上措施可以有效防止镉镍电池的低电压现象。     

模块化电池储能系统SOC估算采样优化研究

模块化电池储能系统在大容量领域具有良好的应用前景。但模块化电池储能系统中电池电流本征上包含直流、工频、二倍频和开关频率成分。此处建立了模块化储能系统中的电池工况模型,分析提出了电池管理系统(BMS)的采样频率优化方法。搭建了模块化多电平电池储能系统实验平台,基于安时积分法和扩展卡尔曼滤波算法验证了所提采样频率优化方法。优化的采样频率和采样窗口选择,可在降低BMS硬件和运算处理要求的同时,确保不同荷电状态(SOC)估算方法的精度。     

基于MC9S12与LTC6811的储能电站电池管理系统设计

设计了一种用于储能电站的电池管理系统(BMS)。基于储能电站BMS拓扑结构及锂电池的特性,设计了一种以Freescale单片机和ADI电池管理芯片(MC9S12与LTC6811)为核心的BMS。该BMS可实现对多路电池电压、温度采集及均衡控制;同时,可根据采样数据利用改进型安-时积分法进行电池荷电状态(SOC)计算。根据现场实际数据,将电池电压、温度的采样值与实际值比较,同时对电池均衡效果及SOC进行分析。试验结果证明,设计的BMS具有较高的采样精度和采样速度,均衡控制合理,SOC估算值误差较小,验证了所设计BMS的实用性。     

基于LSTM的储能蓄电池SOC与SOH联合在线估计

蓄电池组是微电网储能系统重要的组成部分之一,对储能系统的整体技术及经济性能具有重要影响。针对蓄电池荷电状态(SOC)与健康状态(SOH)在线准确测量的难题,提出基于长短期记忆(LSTM)神经网络的蓄电池SOC与SOH联合在线估算方法。该方法利用LSTM的动态逼近与长时间记忆能力,以电池端电压、电流及温度的时间序列数据,将阶段SOH均值引入SOC的估算中实现联合估算。采用NASA开放实验数据测试,基于LSTM网络的联合模型相比于单独模型及Bp传统网络具有更高的精确度和更稳定的估算效果。