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LSTM的锂电池储能装置SOC与SOH联合预测

锂电池储能装置在电网中承担削峰填谷、调频保电的重要工作,因此有必要预测其运行状态,为下一步制定运维与检修计划提供依据.为实现锂电池储能装置荷电状态(state of charge,SOC)与健康状态(state of health,SOH)的联合预测,首先分析了预测电压与温度的必要性和SOC与SOH的关联性,然后提出采...     

基于RLS-DLUKF算法的锂电池SOC预测方法研究

本工作以钴酸电池为研究对象,针对锂电池在复杂工况下电流的剧烈变化导致荷电状态(SOC)无法有效预测的问题,建立了以精确参数为基础的双层无迹卡尔曼滤波算法(DLUKF)架构来更精准的估算SOC.首先,以脉冲功率特性实验数据获取二阶电路模型中电池开路电压与荷电状态的函数关系及特性曲线;其次,为增强模型辨识过程中的自适应学习能力并解决模型参数估计不准确的问题,应用递推最小二乘(RLS)算法在线准确地识别出模型中的未知变量;最后根据输入的变量信息,利用UKF算法相互嵌套形成的DLUKF算法实现对SOC的快速预测来解决单一的UKF算法在高阶非线性系统里估算不准确、精度低的问题.在UDDS工况和FUDS工况下对DLUKF算法和单一的UKF算法进行比较,通过对比分析两种算法估计出的SOC曲线、SOC误差曲线、端电压曲线及端电压误差曲线,表明DLUKF算法预测SOC的平均误差比UKF的低且预测精度更高.     

基于Bi-LSTM/Bi-GRU循环神经网络的锂电池SOC估计

锂电池的荷电状态(state-of-charge,SOC)涉及的物理特性或电化学特性高度复杂,其值一般难以直接测量,基于深度神经网络等新方法的SOC估计近期为相关研究者所关注.为进一步提升SOC估计性能,有效捕获锂电池SOC的动态物理特性,缓解深度神经网络模型容易发生的梯度消失与梯度爆炸等问题,本文引入双向学习策略,基于双向长短期记忆循环神经网络(bidirectional long short-term memory,Bi-LSTM)以及双向门控循环单元网络(bidirectional gated recurrent unit,Bi-GRU)估计锂电池的SOC取值.双向循环神经网络SOC估计模型由输入层、隐藏层和输出层组成.输入层输入电池电压、电流与温度序列;隐藏层在正向LSTM/GRU层的基础上增加反向LSTM/GRU层,引入逆序信息,基于输入序列上下文所含信息整体上学习、表征电池特性序列与SOC序列之间的内在关联;输出层输出模型的估计值.所拟模型使用Python语言结合TensorFlow后端在Keras框架中实现,并基于基准数据集在3种温度条件下结合多种工况进行性能分析.结果表明,双向学习策略能有效提升锂电池SOC的估计性能,较之单向学习模型具有更高的估计精度与鲁棒性.与构造电池等效模型等方法的思路不同,所拟方法基于数据驱动学习锂电池SOC的非线性特性,将易于观测的锂电池特性序列数据映射为待估计的SOC取值,为锂电池SOC估计提供了可能的新思路.     

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IACO-PF的锂电池SOC估算

本工作提出一种改进蚁群算法(IACO)优化粒子滤波(PF)来进行电池荷电状态(SOC)的估计,用来解决传统粒子滤波算法SOC估算时产生的粒子贫化问题.蚂蚁将替代粒子,在更新步骤前重新定位,通过提高粒子的多样性来解决粒子贫化问题;结合二阶Thevenin电池等效模型,得到算法所需的状态和观测方程,再根据脉冲放电试验进行参数辨识;采用IACO-PF算法和PF算法分别在脉冲放电和DST工况试验下进行SOC估算.试验结果表明,基于IACO-PF算法的锂电池SOC估算结果相比于传统PF算法更具有效性和准确性.     

锂电池SOC估计的实现方法分析与性能对比

锂电池荷电状态(state of charge,SOC)估计技术是保证电力储能和电动汽车合理应用的核心技术,也是锂电池系统控制运营、监测维护的基础。在锂电池实际应用中,其表现出非线性、时变性、影响因素复杂性和不确定性的问题,造成了荷电状态估计难度大、精度不高和适应能力不足。为此,众多锂电池荷电状态估计算法及改进策略应运而生。与此同时,部分研究人员针对不同估计方法和改进策略的实现方式和优缺点开展了分析与对比,但相关综述对估计方法的技术特点和适用性方面的论述不足且缺乏系统性总结。本文首先分析了锂电池荷电状态估计的影响因素和测试标准;然后从基于实验计算的传统方法、基于电池模型的滤波类算法、基于数据驱动的机器学习技术以及数模混合估计方法四个方面开展对比分析,归纳总结各类方法的技术特点、实现过程、适用条件、难题痛点以及应用优势,系统全面地论述了现有锂电池荷电状态估计技术的研究重点和应用现状;最后,展望了锂电池荷电状态估计算法的未来研究方向。     

基于CNN-VMD-PCA特征融合的光伏发电功率预测研究

为了较为准确地预测光伏发电功率，提出一种特征融合的功率预测模型。模型首先使用一维卷积神经网络(1-dimensional convolutional neural network, 1D-CNN)提取光伏光电数据深度特征，然后用变分模态分解方法(Variational mode decomposition, VMD)分解数据原特征，再把分解后的特征和深度特征融合，用主成分分析法(Principal component analysis, PCA)提取融合后特征的主成分，最后用Xgboost(Extreme gradient boost, Xgboost)模型进行功率预测。根据对所提模型的实测评估，并与其他预测模型对比，得出基于CNN-VMD-PCA特征融合的预测模型具有较高预测精度，其拟合优度达0.932,能够得到更可靠的功率预测结果。     

基于在线参数辨识和改进2RC-PNGV模型的锂离子电池建模与SOC估算研究

锂电池荷电状态(state of charge,SOC)的准确估计对电池安全监测与能量的高效利用具有重要意义.提出一种新的验证模型,首先对电池新一代汽车合作伙伴(PNGV)模型进行改进,考虑电池充放电的差异,加入了二极管电阻的并联网络来代替传统PNGV模型的内阻,在此基础上,增加了一个RC的并联网络来表征电池的动静态特性.以三元锂电池为研究对象,通过遗忘因子最小二乘法(forgetting factor recursive least square,FFRLS)对改进模型进行在线参数辨识,并提出了主充电、放电实验对锂电池工作特性进行仿真分析,通过FFRLS-EKF算法在DST工况下对SOC进行估算.实验结果表明,改进的2RC-PNGV模型能够较好地反映锂电池工作特性,HPPC实验的平均电压误差为0.17％,模型具有较高的精度.主充电过程SOC平均估算误差为0.957％,最大估算误差为5.03％;主放电过程SOC平均估算误差为0.807％,最大估算误差为3.38％,表明改进的2RC-PNGV模型与联合估计算法均可用于SOC实际估算.     

组合两步分解和ARIMA-LSTM的短期风速预测研究

为提高风速序列预测精度,提出一种基于两步分解的短期风速组合预测模型,首先使用鲁棒经验模态分解（REMD）将风速数据分解为不同频率的子序列,然后将REMD分解得到的高频模态分量使用小波包分解（WPD）进行第二步分解,降低风速序列不稳定性,提高其可预测性。其次对分解得到的高频子序列建立长短期记忆神经网络（LSTM）预测模型,低频子序列建立差分自回归移动平均模型（ARIMA）预测模型。最后叠加子序列预测结果得到风速预测结果。通过两组不同风速数据集的实验对该模型的性能进行科学评估,模型预测结果的平均绝对误差分别为0.3026、0.1255;均方根误差分别为0.498、0.1607。与其他几种对比预测模型相比,验证该模型具有一定的优越性。     

基于高斯过程回归的UKF锂离子电池SOC估计CSCD

高精度的电池荷电状态估计是电动汽车电池管理系统的关键技术之一,其估计精度直接影响能量管理效率和汽车的续航里程。传统的滤波方法基于模型来估计电池SOC,但难以建立锂离子电池精确的数学模型。针对此问题,提出一种基于高斯过程回归的无迹卡尔曼滤波(UKF)锂离子电池SOC估计方法,使用高斯过程回归在有限的训练数据下建立等效电路模型的测量方程,在UKF和高斯过程回归之间建立关联。该模型能够充分联合利用现有实验数据和被预测实时状态数据,实现SOC估计。结果表明,与传统UKF相比,基于高斯过程回归的UKF算法具有较高精确性。     

基于能量熵重构与支持向量回归的水电机组状态趋势预测

针对水电机组运行状态趋势预测的问题,提出了一种基于能量熵重构(EER)与支持向量回归(SVR)的混合预测模型。先针对复杂非平稳监测信号,利用快速集成经验模态分解(FEEMD)算法将其分解为多个本征模态函数(IMFs)分量和单个残余分量;然后基于能量熵(EE)理论对各分量进行重构,以有效降低分量的复杂度;最后,将生成的重构本征模态函数(RIMFs)作为SVR的输入,训练模型参数得到最优的SVR,用于预测机组状态发展趋势。与实例对比分析表明,所提混合预测模型具有较高的预测精度,为机组运维策略的制定提供了一定的指导。     

基于自适应CKF的老化锂电池SOC估计CSCD

锂电池的荷电状态(SOC)估算是电动汽车的系统管理与能量控制的重要参数。在SOC估算过程中,电池参数变化和老化问题会对结果造成很大影响。针对这一问题,在递推最小二乘法算法(RLS)辨识锂电池模型的参数的基础上更新电池容量,通过容积卡尔曼滤波(CKF)估算电池SOC,结合RLS和CKF实现在电池参数发生变化时准确估计SOC。以锂离子电池作为对象,应用所提出的算法实现锂电池的SOC在线估计,验证算法的准确性。     

基于扩展卡尔曼滤波法的锂电池荷电状态估计

锂离子电池在储能电站具有广阔的应用前景,它是储能电站的能量储存单元,精确地对锂离子电池荷电状态(SOC)进行预测是至关重要的,这可以在很大程度上提高电站系统的安全性能。通过多种等效电路模型的对比,选择二阶戴维南等效电路模型。选择三洋18650型动力锂电池作为电池充放电实验对象,设计测试实验步骤,得出电池的参考容量为3.4A·h,库伦效率为98.48%。对电池模型进行精确的参数辨识,通过曲线拟合得到UOC-SOC关系表达式。在仿真软件MATLAB/Simulink中运用扩展卡尔曼滤波法(EKF)对SOC进行仿真预测,通过SOC误差曲线对比可以发现,EKF估计器在起始状态略有误差,但1min内即快速收敛到SOC参考值附近,并且稳定状态下观测误差可维持在0.1%以内,能够满足工程实际应用的要求,证明了扩展卡尔曼滤波法对电池SOC预测的准确性。     

基于变分模态分解和改进鲸鱼算法优化的模糊神经网络风速预测模型

风速预测在风电场安全并网和智能化管理中起着决定性作用,针对风速的非线性和不稳定等特点,提出了一种基于变分模态分解(VMD)和改进鲸鱼算法优化的模糊神经网络(VMD-CGWOA-ANFIS)的混合预测模型。该模型首先使用变分模态分解技术将原始风速序列分解为一系列子序列,而后对各子序列分别采用模糊神经网络(ANFIS)建立预测模型。为进一步提高预测精度,同时克服鲸鱼(WOA)算法容易陷入局部最优和收敛过早的缺点,引入共轭梯度算法(CG)对WOA进行改进,利用改进的CGWOA算法对ANFIS参数进行优化。使用优化后的ANFIS分别对变分模态分解后的各子序列进行预测,最后将预测后的各子序列叠加得到最终预测结果。为测试模型的有效性,选择宁夏地区3组实际风电数据进行模拟试验,将ANFIS,VMD-ANFIS,VMD-WOA-ANFIS与提出模型进行对比,结果表明所提出的混合模型预测精度明显高于其他对比模型。     

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...     

基于VMD与GRU的抽水蓄能机组振动趋势预测

鉴于有效预测振动信号可为抽水蓄能机组的性能劣化及故障等预警提供重要依据的问题,提出一种基于变分模态分解(VMD)与门控循环单元神经网络(GRU)的抽水蓄能机组振动信号预测方法。首先,对原始的振动信号进行VMD分解,得到一组相对平稳且频率不同的本征模态函数(IMF),以减少不同频率信息间的相互影响;然后,针对各子序列分别构建GRU时序预测模型,并采用自适应矩估计算法(Adam)对各分量GRU预测模型进行优化;最后叠加各子序列预测结果得到抽蓄机组振动信号的预测值,并构建ANN、GRU、VMD-SVM、VMD-ANN 4种预测模型进行对比。试验结果表明,与所构建的4种预测模型相比,VMD-GRU预测模型在有效性及预测精度等方面效果显著,在实际工程中非常具有应用意义。     

融合数据驱动和充电行为的电动汽车能耗预测方法

电动汽车的能耗预测对于车辆路径规划与充电行为至关重要。提出一种考虑充电行为的多模型融合能耗预测方法,首先构建基于实车稀疏数据与有限参数的能耗计算模型,在此基础上构建充电行为模型,分析并提取能耗强相关的充电行为特征,最后基于长短期记忆循环神经网络(Long short-term memory neural network, LSTM)搭建能耗预测模型。使用实车数据对所提方法进行验证,结果表明,该方法可以精准预测相同车型不同起始电池荷电状态(State of charge, SOC)、不同温度、不同时间段下的汽车能耗,均方根误差(Root mean square error,RMSE)为1.27,与现有方法相比,RMSE至少降低4.5%。     

基于CEEMDAN+RF+AdaBoost的短期负荷预测

高精度的短期负荷预测不仅是电力系统运行稳定的关键,也是构建智能电网的必要保证。为提高电力系统短期负荷预测精度,提出了一种基于完整集成经验模态分解(CEEMDAN)、随机森林(RF)和AdaBoost的预测方法。针对传统分解方法不能完整分解原始负荷序列的问题,利用CEEMDAN分解方法为各个阶段的IMF分解信号添加特定的白噪声,通过计算余量信号来获得各个模态分量,然后针对前9个模态分量构建RF预测模型,针对残余量构建AdaBoost预测模型,并对结果进行重构预测,得出未来24h的负荷预测数据。最后将CEEMDAN+RF+AdaBoost方法应用于华中地区的短期负荷预测,在同等条件下,与预测模型CEEMDAN+RF、EEMD+RF+AdaBoost、EMD+RF+AdaBoost、RF及AdaBoost进行试验对比,结果表明所构建预测模型的精度优于其他对比模型,具有很好的理论指导意义和实际应用前景。     

基于集合经验模态分解和自回归滑动平均的某碾压混凝土重力坝变形预测模型及应用

为更精确地预测大坝变形数据,针对大坝变形监测序列的非线性和非平稳性问题,提出了一种结合集合经验模态分解和自回归滑动平均模型的大坝变形预测模型。首先利用集合经验模态分解法将非平稳的大坝变形监测数据分解为具有不同特征尺度的本征模态函数,然后分析各分量特征并分别建立自回归滑动平均模型,选择各自适合的最优模型参数,最后叠加各分量的预测结果作为最终的变形预测结果。分析结果表明,相较单一预测模型,结合集合经验模态分解和自回归滑动平均模型的组合预测模型的预测精度更高。