共查询到20条相似文献,搜索用时 78 毫秒
1.
电池管理系统BMS(battery management system)是蓄电池储能技术中不可或缺的环节,而电池健康状态SOH(state of health)估算是BMS的重要功能之一。SOH可以为操作员提供电池实际可用容量及老化状态相关信息,进而为电池控制决策提供参考。介绍了锂电池的SOH的含义,阐述了导致锂电池老化和可用容量下降的原因,并着重对当前常见的蓄电池SOH估算方法进行了概括和分析,同时对各种SOH估算方法中存在的问题进行了探讨。 相似文献
2.
当前基于容量、端电压和内阻等电特性参数的健康状态(state of health,SOH)估算模型在实际使用过程中难以真实反映电池老化状态.老化前后电池产生的热量必然存在差异,而温度也是反映SOH的关键特性参数.采用考虑电池温度的差分热伏安(differential thermal voltammetry,DTV)作为锂离子电池SOH诊断方法.分析和比较了6种电流倍率下电池DTV曲线,选取2 C和4 C倍率研究电池老化过程中的DTV特性,提取DTV峰特征参数分析电池衰退特性.接着分析峰特征参数与SOH的关联性.结果表明,4 C峰峰容量与SOH的线性关系最好,可以用于估算SOH. 相似文献
3.
当前,学术界广泛采用容量增量(IC)曲线上的特征参数(FPs)估算锂离子电池的健康状态(SOH).该方法通常利用整个IC峰区域的FPs实现SOH估算,而不同IC峰区域下的FPs对SOH估算有较大差异.为了提高电池SOH估算的准确性,该文采用锂离子电池在IC曲线的峰值区间(regΔV,通常为峰下的部分荷电状态区间)提取FPs的SOH估算方法,基于高斯过程(GP)回归建立SOH估算模型.通过三个峰值区间下的SOH估算结果,发现SOH对不同regΔV的FPs敏感程度不同.该文进一步利用NASA提供的5号、6号、7号和18号电池数据,对11组峰值区间regΔV在[23.1%,100%]内的SOH估算结果进行分析,结果表明,6号、7号和18号电池的峰值区间regΔV分别选取[53.4%,88.1%]、[50.4%,92.3%]和[42.3%,100%]时,其估算的方均根误差小于2%,这说明SOH对上述峰值区间范围更敏感.利用该文的方法量化SOH对峰值特征参数的敏感区间,在敏感区间内的SOH估算有较高的准确性. 相似文献
4.
基于深度学习的锂离子电池SOC和SOH联合估算 总被引:2,自引:0,他引:2
锂离子电池常被作为储能元件以实现电能的存储和转化,然而其荷电状态(state of charge,SOC)和健康状态(state of health,SOH)无法被直接测量。为了实现锂离子电池SOC和SOH联合估算,该文分析SOC和SOH之间的关联性,并提出一种基于深度学习的锂离子电池SOC和SOH联合估算方法。该方法能够基于门控循环单元循环神经网络(recurrent neural network with gated recurrent unit,GRU-RNN)和卷积神经网络(convolutional neural network,CNN),利用锂离子电池电压、电流、温度,实现锂离子电池全使用周期内SOC和SOH的同时估算,而且由于将锂离子电池的SOH估算值考虑到SOC估算中,能够消除锂离子电池老化因素对锂离子电池SOC估算造成的负面影响,从而提升SOC估算精度。两个锂离子电池测试数据集上的实验结果表明,提出的估算方法能够在不同温度和不同工况下实现锂离子电池全使用周期SOC和SOH联合估算,且获得较高的精度。 相似文献
5.
6.
7.
锂离子电池的健康状态(SOH)估算对电动汽车的稳定安全运行十分重要,是提前预知电池寿命保障系统正常运行,避免灾难性事故发生的关键之一。针对目前健康因子(HI)构建复杂以及现有SOH估算方法模型参数多且复杂、耗时长等问题,提出了利用可直接测量的电池恒流充电时间和放电电压样本熵作为HIs表征电池的容量退化,降低HI构建的复杂度。引入分层极限学习机(HELM)模型建立SOH在线估算框架,以所构建的两种新HIs作为输入,离线训练HELM电池退化模型实现SOH在线估算。采用美国宇航局(NASA)、牛津大学(Oxford)公开数据集与自测数据集验证所提出的HELM框架对三元锂电池和钴酸锂电池SOH估算的有效性。训练样本和估算样本在相同温度条件下,最大绝对误差不超过1.05%,SOH估算精度较高;当温度条件和电池类型不同时,最大绝对误差不超过2.1%,表明该SOH估算框架具有较好的泛化性与迁移性。 相似文献
8.
9.
针对锂离子电池健康状态(SOH)估算精度低的问题,提出一种基于主成分分析(PCA)与改进LM算法 双高斯核RBF(ILM DGRBF)神经网络的方法,实现了SOH的准确估算。首先,提取与锂离子电池容量衰退高度相关的健康因子(HI),采用PCA方法进行降维处理,减少HI之间冗余度。其次,创建双高斯核RBF神经网络,利用改进LM算法实现网络参数在线学习,建立ILM DGRBF神经网络。再次,利用数据增强的电池测试数据训练ILM DGRBF实现SOH估算。验证表明,经PCA降维得到的主成分1能够有效地反应锂离子电池的老化趋势,可用于SOH的估算;与其他模型相比,所建ILM DGRBF模型具有更高的估算精度和更好的鲁棒性,估算结果的误差控制在15%以内。最后,基于该方法构建一种新的SOH智能估算系统,为电池安全管理提供参考依据。 相似文献
10.
锂离子电池健康状态(state of health,SOH)是电池管理系统的重要参数。精确的SOH估算可以提供故障和老化更换预警,保证储能电站的安全稳定运行。选取充电平均电流、放电平均电压与放电平均温度作为输入特征,结合卷积神经网络(convolutional neural networks,CNN)和双向长短期记忆网络(bi-directional long short-term memory,Bi-LSTM),提出基于CNN-Bi-LSTM的锂离子电池SOH在线估算方法。该方法通过CNN自动提取输入网格数据的空间特征,输入数据获取方便,无须储存大量数据。继而利用Bi-LSTM充分挖掘电池老化过程中的时序特征,最终实现精确SOH估算。美国国家航空航天局(national aeronautics and space administration,NASA)电池老化数据集上的测试结果表明,所提方法估算SOH的平均绝对误差与均方根误差分别低于1.07和1.32,精度优于Bi-LSTM和CNN-LSTM两种方法。 相似文献
11.
12.
13.
V. P. Kazantsev A. B. Petrochenkov A. V. Romodin N. I. Khoroshev 《Russian Electrical Engineering》2011,82(11):600-606
Some aspects of the technology of using electrical equipment on the basis of statistical (stochastic) methods for short-term
forecasting are considered. The experimental (calculating) part includes construction and testing of specific forecasting
models in order to ground their further application. 相似文献
14.
以系列电冰箱(柜)用压缩机的电动机为例,详细介绍利用基本相似理论设计,确定系列电动机主要性能参数及尺寸的方法和步骤,并介绍优先数及其在设计中的应用,解决如何将基本相似理论运用到系列电机设计中的难题,为工程技术人员指明了一条简便,快捷的设计途径,亦为推广应用基本相似理论提供了一个范例。 相似文献
15.
根据规划在黄河北干流上布置万家寨、龙口、天桥、碛口、古贤、甘泽坡6座水利枢纽工程。北干梯级开发可有效控制和管理黄河的水沙关系、洪水;改善生态环境,使水资源得到合理利用;向华北电网提供大量电力,对秦晋2省工农业、通航和旅游等具有促进作用,并带动地方经济的发展。 相似文献
16.
17.
简述了水口水电厂机组顶盖排水控制系统改造的必要性,介绍了系统改造方案,指出了系统调试的注意事项,提出了系统改进建议。 相似文献
18.
大型企业电网的负荷特性主要表现为感应电动机群特性,为了改进现在常用的电力系统潮流算法中用恒功率模型来表征节点负荷,不能满足工程精度要求的问题,提出了在对企业电网负荷节点电动机群进行等效变换后,引入负荷特性的潮流计算的思路,在此基础上进行了理论推导,并经过现场实测数据,进行了仿真。仿真结果表明,负荷特性的潮流计算方法符合企业工程精度要求,可以达到提升业电网潮流计算结果在精确度、实用度等方面的要求,具有一定的理论和工程意义。 相似文献
19.
20.
介绍了用直接测量法评价动态信号分析仪的频谱幅值和频率指标时,测量结果的不确定度分析和评定过程.讨论了影响频谱幅值示值误差和频率示值误差的测量不确定度的几个主要来源.通过实例,给出了频谱幅值示值误差和频率示值误差的不确定度分析和评定结果. 相似文献