基于PNGV模型与自适应卡尔曼滤波的铅炭电池荷电状态评估

储能电池应用广泛,准确估计储能电池的荷电状态(state of charge,SOC)对提高电池健康状态有重要意义。铅炭电池作为一种高性能、低成本、高安全性的新型储能电池,在储能电站等场景受到广泛关注,而目前尚缺少铅炭电池SOC估计相关研究。本工作首先通过静流间歇滴定技术探究铅炭电池的荷电状态与开路电压关系,后通过混合脉冲功率性能试验得到铅炭电池的伏安特征数据,建立一阶Thevenin和一阶PNGV等效电路模型,利用基于代理模型和灵敏度分析的随机算法(surrogate optimization algorithm,SOA)对两种等效电路模型进行参数辨识。在此基础上,利用扩展卡尔曼滤波算法(extended Kalman filter,EKF)估计铅炭电池SOC,估算过程考虑噪声干扰。另外,在铅炭电池SOC初值未知的情况下,EKF算法不能准确估计铅炭电池SOC。因此,本工作提出采用自适应扩展卡尔曼滤波算法(adaptive extended Kalman filter,AEKF)对铅炭电池进行状态估计,来弥补EKF的不足。结果表明,在存在噪声且SOC初值未知的情况下,AEKF算法较EK...     

液流电池理论与技术——荷电状态的表征

电池实际可放出的瓦时容量与实际可放出的最大瓦时容量的比值定义为荷电状态,准确测定荷电状态对储能应用十分重要。本文从理论和应用角度,讨论全钒液流电池荷电状态的理论概念、工程定义和主要影响因素;提出2种确定最大瓦时容量的方法,其中实测法准确度更高,包含钒离子跨膜迁移、水分子扩散、负极电解液析氢和被氧化的信息,用于表征储能系统的荷电状态具有实际价值;阐述最大瓦时容量、电化学瓦时容量和理论瓦时容量的区别与联系。所提出的荷电状态确定方法,能够用于全钒液流电池SOC的估计。     

Theoretical and technological aspects of flow batteries：Measurement of state of charge

电池实际可放出的瓦时容量与实际可放出的最大瓦时容量的比值定义为荷电状态,准确测定荷电状态对储能应用十分重要。本文从理论和应用角度,讨论全钒液流电池荷电状态的理论概念、工程定义和主要影响因素;提出2种确定最大瓦时容量的方法,其中实测法准确度更高,包含钒离子跨膜迁移、水分子扩散、负极电解液析氢和被氧化的信息,用于表征储能系统的荷电状态具有实际价值;阐述最大瓦时容量、电化学瓦时容量和理论瓦时容量的区别与联系。所提出的荷电状态确定方法,能够用于全钒液流电池SOC的估计。     

SOC estimation of lithium battery based on adaptive untracked Kalman filter

电池荷电状态（SOC）的准确估计是电池管理系统的关键问题,对电池的可靠性和安全性至关重要。由于多数情况下建立的电池模型精度不够高、电池系统的噪声统计是未知的或不准确的,这都会对锂离子电池系统的SOC估计会产生较大影响。本文采用二阶RC等效模型,可减小电池模型带来的误差;同时结合SageHusa滤波算法与无迹卡尔曼滤波（UKF）算法提出了一种新的SOC估计方法,基于噪声统计估计器的自适应无迹卡尔曼（AUKF）滤波算法,它可以对系统噪声进行实时修正以提高SOC的估算精度。并通过比较AUKF和UKF来验证SOC估计方法的准确性和有效性。实验结果表明,AUKF具有更高的SOC估计精度和自适应能力,在脉冲放电工况和动态工况下的估计精度均能保持在4.68%以内,可以有效地估计电池的SOC值。     

Estimation of power battery SOC based on firefly BP neural network

针对BP神经网络算法对电动汽车电池荷电状态（state of charge,SOC）估算的缺陷,提出一种基于萤火虫（firefly algorithm,FA）神经网络的SOC估算方法。以磷酸铁锂电池为测试对象,在ARBIN公司生产的EVTS电动车动力电池测试系统装置上进行测试,收集锂电池的各项性能参数。采用端电压和放电电流作为输入参数,SOC作为输出参数,建立FA-BP神经网络模型,用于估算锂离子电池充放电过程中的任一状态下的SOC。仿真实验结果表明,与现有的BP神经网络估算方法相比,基于FA-BP神经网络的锂电池SOC估算方法准确度高,具备很好的实用性。     

基于双自适应卡尔曼滤波的锂电池状态估算

精准的锂电池建模是保证电池储能系统可靠性至关重要的手段.荷电状态(state of charge,SOC)的准确估计保证了特定应用程序的安全高效运行.为了提高SOC的估计精度,首先建立等效电路模型,利用遗忘因子的偏差补偿最小二乘法(bias compensation recursive least squares,BC...     

考虑SOC的自适应分组策略在储能参与一次调频中的应用

大规模储能电站中各电池组状态的不一致性,使得传统电池参与一次调频研究时的归一化处理难以涵盖所有电池组状态,容易导致部分电池过度充放电。提出了一种考虑电池荷电状态（state of change, SOC）的自适应分组策略,用于储能参与一次调频的应用研究。根据电池的额定容量和SOC对储能电池进行分组,以实时调整各电池组的出力比例;设计评价指标以量化分析电池使用寿命,根据每组电池SOC对其进行综合控制,以实时调整每组电池出力大小,减小电池循环深度,提升其使用寿命。通过Matlab/Simulink进行仿真验证,结果表明,所提分组策略能在保证一次调频性能的同时,有效提升储能电池的使用寿命。     

基于简单循环单元的储能锂离子电池SOC和SOH联合估计方法

锂离子电池的荷电状态(State of charge,SOC)和健康状态(State of health,SOH)是电池储能系统在运维过程中所需要估算的重要参数。为了能够对电池状态进行可靠估计,采用深度学习方法中的简单循环单元(Simple recurrent unit,SRU)来实现对电池SOC和SOH的联合估计。首先,通过利用SRU在处理时序问题上的优势,建立了基于SRU的电池SOC估计模型;接着,给模型引入了数据单元的输入形式,并使用含有电池老化信息的样本数据来对模型进行训练,使得训练好的模型能够实现任意电池老化程度下的SOC估计;最后,通过对该模型输出的SOC估计值中所隐含的老化信息进行挖掘,实现对电池SOH的估计。试验结果表明,该联合估计方法可以实现电池SOC与SOH的准确估计,并且对不同种类的电池也有较好的适用能力。     

直流微电网储能变流器动态下垂控制研究

考虑直流微电网功率分配和母线稳定性问题,提出一种基于储能电池荷电状态(state of charge,SOC)的储能变流器动态下垂控制方法,通过在下垂控制系数中引入储能电池实时SOC值,使负荷差额功率在并联储能电池之间根据自身SOC值进行动态分配,实现功率输出和SOC的均衡;并通过增加直流母线电压二次控制和补偿虚拟阻抗...     

基于SOC均衡的分布式电池储能系统协同控制策略

研究分布式电池储能系统的优化控制方法以及电池荷电状态（SOC）均衡策略,提出基于SOC均衡的协同控制策略。利用多智能体系统（MAS）理论,实现电池储能系统的协同控制,并采用多智能体分布式算法,实现功率指令的自适应分配,进而实现SOC动态均衡。针对传统多智能体算法收敛速度较慢的问题,提出一种基于模型预测控制（MPC）的分布式算法,利用MPC对传统多智能体算法进行优化,提高收敛速度。最后利用实际储能功率数据进行仿真,验证了所提策略的有效性和算法在收敛速度上的优势。     

基于Bi-LSTM的电动直臂车磷酸铁锂电池SOC估计

针对电动直臂车的特殊工况，提出了一种基于双向长短期记忆神经网络(Bi-LSTM)的电动直臂车荷电状态(SOC)估计模型和方法。该方法将电池的工作电压、电流及表面温度作为输入，采用双向传递的两层LSTM神经网络进行训练，再将两次得到的结果进行拼接作为最终输出。实验结果表明，该方法比传统前馈(BP)神经网络和单向LSTM神经网络具有更好的估计性能，并且可以精确估计不同环境温度下的电池及整车SOC。     

基于递推门控循环单元神经网络的锂离子电池荷电状态实时估计方法北大核心CSCD

锂离子电池荷电状态(state of charge,SOC)的准确估计对于保证电池系统安全运行至关重要。目前基于门控循环单元(gated recurrent unit,GRU)等循环神经网络的SOC估计方法得到了广泛关注,其无需预设电池模型即可实现SOC准确估计。然而,这类估计方法存在计算复杂度过高而难以在工程中实际应用的问题。针对传统GRU神经网络估计SOC时需要进行大量隐状态迭代而导致计算复杂度过高的问题,提出了网络隐状态时序继承的递推更新方式,通过改进GRU网络的输出结构,从而实现了仅需对当前时刻采样数据进行一次网络计算即可准确获取当前时刻SOC估计值。与文献中报道传统GRU方法相比,该递推GRU方法在保证SOC估计准确度不降低的情况下,能减少99%以上的计算量,具有较好的应用前景。此外,针对部分应用场景中电池训练数据缺乏的问题,方法能够结合迁移学习来快速完成网络训练。通过实验室测试数据集以及公开数据集进行验证,该方法能对不同温度环境、不同老化状态以及不同型号的锂离子电池进行准确SOC估计,其最大估计误差均不高于3%。     

H桥级联型储能功率转换系统（PCS）相内均衡控制策略研究

主要针对H桥级联型储能功率转换系统(Power Control System,PCS)电池荷电状态(State of Charge,SOC)的相内均衡控制策略进行理论分析和研究。设计容量等级和额定电压为10 k V/2 MW的储能功率转换系统,研究电池单元的相内SOC均衡控制策略,构建Matlab仿真模型,仿真验证H桥级联型储能PCS的SOC均衡控制策略。     

基于粒子群算法的最小二乘支持向量机电池状态估计CSCD

电池荷电状态(SOC)作为电池管理系统(BMS)重要参数之一,准确估计SOC尤为重要。由于SOC在估计过程中常会受到电压、电流、充放电效率等众多因素的影响,因此很难准确估计SOC。为了提高SOC的估计精度,本工作提出了基于最小二乘支持向量机(LSSVM)机器学习的锂离子电池SOC估计模型。将该电池的电流、电压和温度作为模型的输入向量,SOC作为模型的输出向量,为了更好的获得LSSVM模型的参数,提出了利用自适应粒子群算法来进行参数优化,从而获得高精度SOC估计模型。通过恒流充放电实验采集的数据,并和未优化的粒子群优化的LSSVM、支持向量机(SVM)神经网络(NN)相比,所提模型的SOC估计精度误差为1.63%,验证了算法的有效性。     

工作温度对磷酸铁锂电池SOC影响及研究进展

储能电池在新能源并网、新能源汽车等产业领域发挥着重要作用,为了对电池进行有效地控制与管理,需要配备必要的电池管理系统,电池荷电状态（SOC）是其中最为重要的一环。磷酸铁锂（LiFePO4,LFP）电池SOC与多个影响因素密切相关,呈强非线性,本文重点归纳温度对磷酸铁锂电池SOC的影响。首先将工作温度对开路电压、实际容量、充放电效率、自放电率及电池老化等电池特性的影响进行归纳总结,随后通过对工作温度的影响规律进行分析、总结和归纳,基于经典“开路电压 + 安时积分”法将温度参数直接或间接引入到SOC的实时估算模型中,得到考虑温度参数的新模型,进而提高电池SOC的估算精度。     

一种应用于海岛多能互补发电系统的新型储能状态估计方法的实现

针对我国具有开发利用价值但电网无法覆盖的海岛,考虑其环境的特殊性以及多能互补发电系统输出的较强波动性,为确保储能装置平稳和高效的运行,电池管理系统(BMS)需及时准确监测储能装置的工作状态。以应用广泛的铅酸蓄电池为例,在传统储能状态估计方法的基础上,提出基于双等效电路模型的具有参数更新功能的Kalman滤波蓄电池状态在线估计方法。利用Matlab软件进行算法实现,借助小型互补发电系统储能装置及其实验数据,进行仿真研究。结果表明,与传统的估计方法相比,该方法可有效提高对蓄电池端电压和荷电状态(SOC)的估计误差精度,从而为BMS功能的实现提供更可靠的参数。     

基于PNGV模型储能锂电池参数辨识及SOC估算研究

锂电池因具有比能量高、循环寿命长、对环境无污染等优点,在储能系统中已逐渐得到应用.准确估算锂电池的荷电状态(SOC)可防止电池过充、过放,保障电池安全、充分地使用.为了精确估算储能锂电池SOC,基于PNGV(partnership for a new generation of vehicles)电池等效模型,利用递推最小二乘法(RLS)对模型参数进行在线辨识和实时修正,增强了系统的适应性.结合安时法、开路电压法和PNGV模型,提出了一种实时在线修正SOC算法.根据实验数据,建立了仿真模型,以验算模型和SOC估算算法的精度.仿真结果表明,PNGV模型能真实地模拟电池特性,且能有效地提高SOC估算精度,适合长时间在线估算储能锂电池的SOC.     

基于自适应灾变遗传-循环神经网络的锂离子电池SOC估计

锂离子荷电状态(State of charge,SOC)的精准估计是锂离子电池安全稳定运行的基础。传统的误差反向传播(Back propagation,BP)神经网络估计SOC的精度不高,而循环神经网络(Recurrent neural network,RNN)也容易陷入局部最优。针对这些问题,提出了自适应灾变遗传-循环神经网络(ACGA-RNN)联合算法,将自适应灾变遗传算法(Adaptive cataclysm genetic algorithm,ACGA)用于优化RNN的初始权值和阈值,提高了最优权值和阈值的全局搜索能力,从而有效提升锂离子电池SOC的估计精度。基于锂离子电池充放电的试验数据,将所提ACGA-RNN联合算法与RNN、GA-RNN算法分别用于锂离子电池的SOC估计。测试结果显示,相较于传统的RNN算法与GA-RNN算法,提出的ACGA-RNN联合算法获得了最佳的SOC估计精度,在DST工况下的估计平均绝对误差为1.74%,低于传统RNN和GA-RNN的估计精度3.68%和2.49%;另外,在45℃和0℃条件下,ACGA-RNN联合算法估计的平均绝对值误差分别为1.7...     

基于等效电路模型的动力电池SOC估计方法综述

动力电池的准确建模及荷电状态(State of charge,SOC)的精准估计对提高电池的利用效率、延长使用寿命具有重要意义.各类SOC估计方法中,基于电池等效电路模型估计法的精准性和鲁棒性好,且电池模型结构简单、计算量小,在电池管理系统(Batter management system,BMS)中具有较好应用前景....     

不同温度下的基于BPNN-AUKF的新型自动水下航行器SOC估计器

本研究提出了一种基于反向传播神经网络（BPNN）和自适应无迹卡尔曼滤波器（AUKF）的SOC(state of charge)估计方法。首先针对电池SOC与端电压之间在不同温度下的关系,研究设计了一系列温度补偿策略,以提高在低温、低SOC条件下的估计精度。其次,利用反向传播神经网络（BPNN）建立了一个耦合了温度补偿策略的电池模型。这个模型能更好地适应低温和低SOC条件下的电池状态变化,提高了SOC估计的准确性。最后,基于BPNN电池模型建立了BPNN-AUKF的SOC估计框架,通过利用测量值与测量预测值之间的信息和残差序列,对系统过程和测量噪声协方差进行估计修正。通过实验验证,发现该方法在低温环境下具有明显优势,相比传统方法能够更准确地估计电池的SOC,且具备较好的泛化能力。这种基于BPNN-AUKF方法的SOC估计器不仅适用于自主无人潜水器（AUV）,而且对于其他在复杂环境中工作的车辆也具有广泛的应用价值。