基于外部观测温度预测锂电池电极温度的研究

实际应用中,电池箱由于空间体积限制,电池箱内传感器数量少且不方便布置,通过少量温度传感器来准确预测电池温度显得尤其重要。基于锂离子动力电池充放电的热平衡过程和能量守恒定律,并根据冷却液与电池箱内壁的外部观测温度,提出了锂离子动力电池温度场物理热模型。将模型进行有限差分法变换,并用最小二乘法辨识出模型中的未知参数。仿真实验结果表明,该模型具有精度高、运算成本极低的优点,能在线实时准确预测锂电池表面电极处的温度。     

考虑气象影响的电力系统运行可靠性评估

气象因素会对线路运行温度产生影响,而线路运行温度与线路的阻抗以及故障停运率等参数密切相关,现有研究在进行系统运行可靠性评估时未充分考虑气象因素对线路多参数的影响。为此,文中首先以气象相依的输电线路热平衡方程为基础,研究考虑气象因素的线路温度计算方法和气象条件相依的输电线路实时容量模型,在此基础上建立导线温度相依的线路阻抗参数模型和线路实时停运模型。然后,提出一种基于蒙特卡洛模拟的考虑气象因素的电力系统运行可靠性评估方法。最后,以IEEE 14和IEEE RTS96节点修改系统为例,分析气象因素对输电线路实时参数容量、温度、阻抗、故障率等以及电力系统运行可靠性指标的影响,算例结果验证了所提出的考虑气象因素的线路运行可靠性模型和系统运行可靠性评估方法的正确性。     

考虑线路温度的电网状态估计方法

电网参数准确性对状态估计结果存在较大影响。基于电热关联理论,考虑线路温度对电阻参数的修正,将线路热平衡方程同状态估计模型相结合,提出一种计及线路温度的两步状态估计模型与算法。该算法利用内层循环修正电气量,外层循环修正线路温度和电阻参数,能够获得精确的电气量和线路温度值。进而将线路热平衡方程作为伪量测量,将线路温度引入状态量中,建立计及线路温度的联合状态估计模型,详细推导了SCADA及相量测量单元(phasor measurement unit,PMU)量测量对于线路温度的偏导数,并对伪量测量予以较大权重来求解。最后采用IEEE14、39和118节点算例验证了算法的有效性和效率。结果表明,所述方法能有效降低状态估计误差。     

基于迁移模型的锂离子电池宽温度全寿命SOC与可用容量联合估计

针对全寿命内复杂温度环境下锂离子电池内部状态难以快速精确估计难题，基于迁移模型提出一种宽温度全寿命荷电状态（SOC）与可用容量联合估计方法。选择传统二阶RC等效电路搭建迁移模型，并基于权值选择粒子滤波算法完成迁移因子的在线迁移，实现了宽温度全寿命内锂离子电池SOC快速准确的估算，基于得到的SOC估计值采用容量逆推实现了可用容量估计。结果表明，所提出方法在全寿命宽温度环境下估算SOC与可用容量具有计算量小、精度高的明显优势，SOC估计最大误差小于3%，容量估计最大误差小于2%。     

基于AUKF的锂离子电池健康状态估计

针对锂离子动力电池健康状态(SOH)估计问题,提出一种自适应无迹卡尔曼滤波算法(AUKF),通过协方差自适应匹配方法抑制噪声干扰,实现SOH的准确估计。建立了锂离子动力电池的状态空间模型,采用AUKF实时估计电池内阻,利用电池欧姆内阻和SOH之间的内在关系,进而得到电池的SOH。实验结果表明,利用所提方法估计SOH准确、可靠,为电池管理系统中状态估计提供了一种有效的方法。     

基于模糊神经网络的蓄电池劣化程度预测

提出了采用自适应神经模糊系统进行电池劣化程度预测的建模方法,模型综合了多变量对劣化程度计算的影响,达到了对电池劣化程度准确估计的目的,从而解决了蓄电池劣化程度在线监测的难题。     

基于UKF的18650锂离子电池健康状况估计

根据18650型锂离子单体电池的特性分析,建立了电路等效模型和电化学模型相结合的电池模型,以实时在线辨识锂离子电池欧姆内阻为目标,利用无迹Kalman(UKF)滤波算法,实现了对电池欧姆内阻的在线辨识,开展了锂离子电池健康状况(SOH)估计实验,建立了适用于18650型锂离子电池的SOH估计模型。仿真结果显示,该模型同时考虑电池内阻在不同工况下的变化趋势和充放电电流大小等因素,为实现锂离子电池健康状况精确估计提供了较好的理论基础。     

提高串联锂电池SOC在线估计快速性的简化二阶模型

锂离子电池最常用的等效电路模型为二阶RC等效电路模型。基于该模型的参数辨识存在所需辨识参数多、运算量大的缺点,同时荷电状态(state of charge, SOC)估计中状态方程存在复杂的指数运算等问题,这些都使得难以对多个串联电池进行SOC的在线估计。因此,提出了一种简化二阶电池模型。该模型忽略电池内部极化反应,只关注其外特性,使得参数辨识个数减少。该简化模型也使得状态空间方程中需要估计的状态变量个数减少,避免了复杂的指数运算,降低了计算复杂度和整体的运算量,有利于多个串联锂电池SOC的实时在线估计。通过对单体锂电池和串联锂电池进行参数辨识和SOC估计测试,验证了所提的简化模型在保证参数辨识及SOC估计精度的同时,大大提升了系统运算速度,进而提高了SOC估计的快速性。     

基于可变温度模型的锂电池SOC估计方法

动力电池的荷电状态(state-of-charge,SOC)是电动汽车的重要参数之一,而准确的电池模型是提高SOC估算精度的前提。温度对电池相关参数的影响是目前研究的热点,然而现有的电池模型难以适应连续变化的温度环境,且测试工作量大。基于Nernst电化学方程,提出了一种新型的电池建模方法,运用统计学原理,通过测量较少的数据得到较为精确的电池模型,相关参数能够用包括连续变化的温度等多因素进行拟合。通过在不同温度环境下模拟电动汽车实际工况,对锂电池进行放电实验,通过试验设计的方法建立电池模型,结合扩展卡尔曼滤波算法实现对锂电池SOC的动态估计,仿真和实验结果验证了所提方法的优越性。     

储能电池实时荷电状态联合估计方法

准确估计储能电池的SOC（荷电状态）,对于实现电池的均衡充放电,减少因电池过充过放引起的容量下降具有重要意义。针对储能电池的复杂化学状态和SOC非线性时变特性,提出一种基于VFFRLS（变遗忘因子递归最小二乘）和UKF（无迹卡尔曼滤波）算法的锂离子电池SOC联合估计方法。采用VFFRLS在线辨识电池模型的电阻、电容参数,根据辨识结果,利用UKF算法实时估计电池SOC。实验结果表明,该联合算法具有较高的准确性和稳定性。     

Application of Kalman filter to hot‐spot temperature monitoring in oil‐immersed power transformer

Winding hot‐spot temperature (HST) is an important factor that affects the insulation life of an oil‐immersed power transformer. Thus, precise prediction and close monitoring of HSTs are necessary to avoid thermal damage. In this paper, a differential equation for HST prediction is presented, which takes into consideration the effects of the top‐oil temperature variations and thermal dynamics of the load. A discrete form of this equation based on the framework of the Kalman filter (KF) algorithm was used to establish a real‐time estimation model for the HST. The KF‐based model was validated by a sample heat‐run test involving a transformer setup in the laboratory. Moreover, the proposed model was applied to a real, large power transformer and compared with the classical IEEE‐Annex G method. Results show that the HSTs estimated by the KF‐based model are closer to the measured values. The exhibited potential applicability and generality in real‐time prediction for HST demonstrate that the proposed model can be employed for online monitoring of HSTs for large power transformers. © 2013 Institute of Electrical Engineers of Japan. Published by John Wiley & Sons, Inc.     

计及电热耦合的潮流数学模型与算法

电热协调（ETC）理论的提出对实时环境下输电元件载荷能力的有效利用具有重要意义,但由于电与热之间的紧密耦合,使电力系统的潮流计算变得复杂,文中针对该问题进行了深入研究。将输电线路热动态微分方程引入到现有的电力系统潮流模型之中,利用隐式梯形的差分方法将该微分方程代数化,使输电线路温度成为电力系统运行的一个新的状态量,从而提出了计及电热耦合的潮流计算数学模型,并在推导得到牛顿法求解该模型的修正方程基础上,进一步提出了适应电热耦合处理的简化计算方法,该模型和算法实现了电气量和其温度的统一处理,不仅反映潮流的电的信息,而且能够提供输电线路热惯性的动态过程,即温度变化信息,从而实现输电线路载荷能力由温度评判的目的。最后通过算例分析验证了该模型和算法的有效性,为进一步开展电力系统运行调度中的电热协调理论研究奠定了基础。     

基于自适应卡尔曼滤波的矿用救生舱动力电池SOC估计

磷酸铁锂动力电池是矿用救生舱的重要组成部分,其电荷状态(SOC)估计的准确性直接影响避难人员的安危。针对电池SOC常用估算方法的不足,提出一种基于自适应卡尔曼滤波的矿用救生舱动力电池SOC估算方法。在电池特性分析的基础上,建立了更符合实际的改进二阶RC等效电池模型和电池的状态空间模型。通过脉冲放电实验和改进的带遗忘因子递推最小二乘算法,对模型参数进行在线辨识,并将自适应卡尔曼滤波算法(AKF)用于此模型,在线估计电池的SOC。实验结果表明:AKF可以实时修正模型误差,实时估计SOC的动态变化,估算精度高,能够满足矿用救生舱电池管理系统的要求。     

基于采样点卡尔曼滤波的动力电池SOC估计

动力电池荷电状态(SOC)的快速精确估计是电池能量管理系统的核心技术。针对动力电池这一动态非线性系统,提出了电池过程模型的具体改进方法,以使其可以适应不同放电速率和不同温度条件对动力电池SOC的影响;给出了利用采样点卡尔曼滤波进行电池SOC估计的具体步骤;最后,分析了采样点卡尔曼滤波在SOC估计精度、收敛速度、算法复杂度及鲁棒性等方面的性能。实验表明,采用采样点卡尔曼滤波算法可以快速地完成动力电池SOC的精确估计,误差在5%左右;模型参数的合理微调几乎不影响算法的准确性,表明了算法具有一定的鲁棒性。     

Online collaborative estimation technology for SOC and SOH of frequency regulation of a lead-carbon battery in a power system with a high proportion of renewable energy

In this paper, a collaborative online algorithm is proposed to estimate the state of charge (SOC) and state of health (SOH) of lead-carbon batteries that participate in frequency regulation of a power system with a high proportion of renewable energy. The algorithm addresses the inaccurate estimation of energy storage battery states caused by continuous and alternating charging and discharging over a short period. Analysis of lead-carbon battery chemistry and materials reveals that the resistance of the diaphragm is the most influential factor in battery aging. In addition, the hysteresis characteristics of an energy storage battery vary significantly between the charging and discharging stages. A second-order RC equivalent circuit model is proposed that considers the contact and diaphragm resistances, and hysteresis characteristics. Based on this, models for constant current charging interaction, constant voltage charging interaction, and dynamic discharging interaction are developed. The adaptive forgetting factor recursive leassquare (AFF-RLS) method is used to identify the parameters of the interactive models. Then an interactive multiple model with the embedded unscented Kalmanfilter (UKF) is used to estimate the SOC of the energy storage battery. The membrane and contact resistances identified by the interactive multi-model (IMM) are used to estimate the SOH, and online collaborative optimization of the SOC and SOH is achieved. The error of the proposed SOC estimation method is experimentally verified to be within 2%, which is less than 5% of the standard value, and the error of SOH estimation is within 0.5%, demonstrating the high accuracy of the proposed method.     

一种锂离子电池荷电状态估计与功率预测方法

为了能够准确估计锂离子电池的荷电状态(SOC),同时对电池实际可用的最大充、放电功率进行预测,在研究电池充、放电过程中的滞回现象的基础上,建立基于电压滞回特性的二阶RC等效电路模型。为了避免因噪声统计特性造成的误差,将H∞滤波算法应用到锂离子电池的SOC估计中,减少了估计过程中的模型误差和算法误差,提高了估计的鲁棒性。将电池电压、电流和SOC的估计值作为联合约束条件预测锂离子电池实际可用的最大充、放电功率,对电池做脉冲充、放电实验,实验分析表明,与混合脉冲功率特性(HPPC)测试方法相比,联合约束算法提高了预测电池功率的准确性。     

优化电池模型的自适应Sigma卡尔曼荷电状态估算

采用数学模型法对磷酸铁锂电池进行非线性建模,优化了状态模型及观测模型。模型考虑了充放电倍率、温度、老化循环寿命等因素,对电池松弛效应及极化现象影响进行建模补偿,提高了电池建模的准确度,降低了不同条件下因电池模型造成电池荷电状态(SOC)估算的误差影响。在电池模型参数辨识基础上,提出采样自适应Sigma卡尔曼算法构建SOC估算模型,按照非线性模型对状态变量的分布构建Sigma采样序列,采用模型输出残差更新噪声协方差,赋予Sigma采样序列最优估计及噪声的权值,并实现误差量的实时更新,降低计算复杂度。通过持续大电流、间断电流、变电流放电及充电实验条件下的SOC估算对比实验,验证了自适应Sigma卡尔曼算法快速收敛性,数学描述更准确,具备较高的SOC的观测准确度。     

Open-circuit voltage-based state of charge estimation of lithium-ion power battery by combining controlled auto-regressive and moving average modeling with feedforward-feedback compensation method

Being one of the important parameters describing the state of power battery, state of charge (SOC) is essential for the electric vehicle battery management system (BMS). SOC estimation method, which combines the constructed controlled auto-regressive and moving average (CARMA) model with the feedforward-feedback compensation method used for revising SOC by the deviation of terminal voltage, is presented in this paper. Fully taken into account the measurement errors of voltage and current, the CARMA model is employed to estimate the battery open-circuit voltage (OCV). With the good consistency of the OCV-SOC curve under the process of battery charge and discharge cycles within a certain temperature range, OCV is adopted to estimate SOC. BP neural network rather than the high order polynomial approximation is used to capture the strong nonlinear relationship between OCV and SOC with the high precision. It is a big challenge for OCV-based SOC estimation that the flat area of OCV-SOC curve for lithium-ion power battery enlarges the measurement errors of OCV. By analyzing the flat characteristic of ΔSOC-OCV curve, the feedforward-feedback compensation for SOC is used for improving the accuracy of OCV-based SOC estimation. Experiment results confirm the effectiveness of the proposed approach that has evidently advantages over other estimation methods.     

电动汽车动力电池荷电状态估计方法探讨

准确估计电池荷电状态(SOC)是电动汽车电池管理的重要内容,SOC的准确评估对延长电池寿命和提高电动汽车整车性能具有重要意义。各国研究人员对电池SOC估计方法进行大量研究,先后提出了多种估计方法。文中介绍了电池SOC的定义及其主要影响因素,根据电池SOC估计方法的特点,按离线和在线方法对SOC估计方法进行总结和介绍,并比较了各方法的特点及实用效果。最后展望了电池SOC估计方法的两个潜在发展方向,即基于电池模型的非线性滤波方法和具有自学习能力的智能方法,为今后深入研究动力电池SOC估计方法提供借鉴。     

热电池热模型的研究

从热电池的基本工作原理出发,研究了热电池放电过程中热量的产生、传递、散失变化特征.并通过计算机软件,将电池模型进行网格划分,依据热量平衡原理,建立电池的热传导方程,利用"有限元法"动态模拟电池放电热过程特征与规律.并通过对电池表面以及内部温度测量进行比较分析,证明了该热模型能够正确地模拟电池放电过程的温度变化.