基于电池健康度的微电网群梯次利用储能系统容量配置方法

对新能源汽车退役的动力电池进行梯次利用,可有效地提高储能电池的运行周期。根据退役后动力电池健康状态(state of health,SOH)的差异性,提出一种基于电池健康度的微电网群梯次利用储能系统容量配置方法。首先,考虑充放电深度对储能电池寿命的影响,提出基于荷电状态(state of charge,SOC)的储能电池有效容量估算方法,为储能电池梯次利用相关研究提供理论依据。其次,为有效延长储能系统运行寿命,根据电池SOH设置储能系统的动态安全裕度,提高储能系统配置及调控的准确性。最后,根据梯次利用储能系统设定好的动态安全裕度,综合考虑微电网群的供需平衡、联络线损耗、储能的运行寿命及成本等,合理地制定系统选址定容方案。仿真结果表明广泛的动力电池梯次利用有效地降低了投资成本,通过SOH监测设定调控动态安全裕度,降低微电网群储能配置成本,延长了蓄电池使用寿命。     

基于电池健康度的微电网群梯次利用储能系统容量配置方法EI北大核心CSCD

对新能源汽车退役的动力电池进行梯次利用,可有效地提高储能电池的运行周期。根据退役后动力电池健康状态(state of health,SOH)的差异性,提出一种基于电池健康度的微电网群梯次利用储能系统容量配置方法。首先,考虑充放电深度对储能电池寿命的影响,提出基于荷电状态(state of charge,SOC)的储能电池有效容量估算方法,为储能电池梯次利用相关研究提供理论依据。其次,为有效延长储能系统运行寿命,根据电池SOH设置储能系统的动态安全裕度,提高储能系统配置及调控的准确性。最后,根据梯次利用储能系统设定好的动态安全裕度,综合考虑微电网群的供需平衡、联络线损耗、储能的运行寿命及成本等,合理地制定系统选址定容方案。仿真结果表明广泛的动力电池梯次利用有效地降低了投资成本,通过SOH监测设定调控动态安全裕度,降低微电网群储能配置成本,延长了蓄电池使用寿命。     

考虑动力电池梯次利用的充电站容量优化配置

为提高电动汽车充电站储能系统稳定性、安全性和经济性,提出一种考虑动力电池梯次利用的充电站光储容量优化配置方法。首先,针对退役动力电池考虑了电池充放电深度和循环次数对使用寿命的影响,建立了退役动力电池容量衰减和寿命损耗模型,基于容量衰减和寿命损耗模型建立退役动力电池荷电状态(state of charge, SOC)与健康状态(state of health, SOH)耦合关系评价模型;其次,在SOC与SOH耦合关系评价模型的基础上,以充电站年净收益最优为目标函数建立充电站容量优化配置模型;最后,在满足一定能量交换策略的前提下,以某地区光伏储能电站为例对模型进行求解。通过算例分析得出：基于退役电池SOC与SOH耦合关系评价模型进行梯次利用的储能容量优化配置能使整个储能系统的功率峰值降低,且相较于无评价模型系统的功率更加平滑,有利于延长储能系统的寿命周期,提高了系统的稳定性和经济性。     

动力电池健康因子提取实验研究

动力电池梯次利用技术是解决退役电池去处问题的关键技术,其中锂电池健康状态(SOH是分类、配组的关键参数。目前锂离子电池健康状态估算方法以离线测试数据为主,解决其准确性和效率问题是难点。本文从实验出发,以测试数据为依据,在室温测试环境下进行单体电池的充放电老化实验,研究电池衰退容量与充放电曲线、内阻关系,提取表征电池的健康状态因子。在实验结果基础上,通过统计方法分析表征电池健康状态的健康因子与电池衰退容量相关性,量化各健康因子与电池容量的紧密程度,为锂动力电池的健康评价、一致性筛选、分类与二次成组提供数据支撑。     

相变材料对退役电池过充热-电特性影响研究

为提升退役动力电池梯级利用中的安全可靠性,针对退役的32650磷酸铁锂动力电池,开展了组合式相变材料对电池过充的热-电特性影响机制研究,基于不同健康状态(state of health,SOH)下分别测试了 2.5和5.0 A过充下的温升、电压和内阻特性曲线,提出一种基于典型特征参数来识别电池过充的预警策略;其次,对组...     

基于LSTM与KPCA的退役动力电池分选方法

针对退役动力电池的快速分选问题,提出了一种能够满足电网储能要求的基于长短期记忆网络(long short-term memory, LSTM)、核主成分分析(kernel principal component analysis, KPCA)和优化K-means聚类的退役动力电池快速分选方法。采用二阶RC模型和混合脉冲功率测试(hybrid pulse power characterization, HPPC)数据,利用带遗忘因子的最小二乘法(forgetful factor recursive least squares, FFRLS)获取电池参数;然后结合LSTM网络,估计电池健康状态(state of health, SOH)和最大可用容量;根据电池参数和梯次利用范围进行初分选,剔除不适用于电网储能的电池;最后依据KCPA处理的特征变量,采用改进的K-means聚类算法进行再分选。仿真结果表明,该方法准确度超过97%,具有较高应用价值。     

梯次利用锂离子电池循环性能分析

电动汽车退役电池梯次利用技术对提高其全寿命周期利用价值、降低锂动力电池成本与缓解环境污染问题有着重要的意义。为了最大限度发挥梯次利用电池的价值,对其进行分选以及对其进行性能分析等方面的研究非常必要。从电池容量、内阻、荷电状态等几个关键指标出发,以某充换电站退役电池为研究对象,对电池模组和串联组进行了一系列充放电循环试验。对比分析了电池模组与串联组的容量、欧姆内阻、极化内阻等主要性能参数的衰变特性,研究结果对实现磷酸铁锂动力电池的梯次利用具有指导意义。     

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计EI北大核心CSCD

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计

应用传统的无迹卡尔曼滤波(unscented Kalman filter,UKF)算法估计电动汽车锂离子动力电池核电状态(state of charge,SOC)时,常会出现由于电池模型参数不准确而造成估计误差增大的问题,该文采用了自适应无迹卡尔曼滤波(adaptive unscented Kalman filter,AUKF)算法解决该问题。AUKF算法是一种循环迭代算法,可以实时估计电池模型中的欧姆内阻,提高电池模型准确性,从而提高电池SOC估计精度。另外,电池的欧姆内阻可以表征电池的健康状态(state of health,SOH),因此还可以根据电池的欧姆内阻估计出电池的SOH。在设定工况下对电池做充放电实验,实验分析表明,与UKF相比,AUKF提高了电池SOC估计的精度,并能准确的估计出电池的欧姆内阻。     

基于新型功率架构的退役动力电池储能系统在配网中的应用

目前梯次利用退役电池的储能系统仍然存在退役电池参数一致性要求高、能量均衡系统复杂的问题,无法实现真正意义上的梯次利用。针对该问题,本文提出一种新型的储能系统功率变换架构,降低对储能系统电池模组一致性的要求,简化电池管理系统要求,并介绍了退役电池梯次利用的储能系统拓扑结构、硬件电路以及充放电控制策略等,实现配电网中退役动力电池的梯次利用、对电网负荷进行峰谷调节并作为配电网的应急和后备电源。     

基于差分热伏安法的锂离子电池SOH诊断

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.     

退役动力电池一致性评估及均衡策略研究

电池梯次利用是处理动力电池庞大退役量的有效手段之一.针对退役电池梯次利用过程中分选技术进行研究,主要从退役电池SOC关键参数分布特性以及退役电池一致性控制策略分析两方面展开.提出主动被动协同均衡策略考虑电池参数的相关性,弥补了单一均衡方式的不足.同时提高充放电均衡控制的可靠性,实现了均衡效率的最优化.分析退役动力电池荷...     

退役磷酸铁锂动力电池性能分析研究

随着电动汽车行业的快速发展,退役动力电池数量与日俱增。分析统计了某批退役磷酸铁锂动力电池的容量、内阻、容量保持率、容量恢复率等关键参数,发现退役电池的容量和内阻出现了较大程度的离散,在梯次利用前需重新筛选配组;此外,测试了其倍率性能、表面放热特性、高低温性能、循环寿命并拆解部分电池对电极材料的物相和表面形貌进行分析,结果表明,此退役电池仍具有较好的性能,可以在使用条件相对温和的领域进行梯次利用。     

灰色神经网络模型在线估算锂离子电池SOH

锂离子电池是一个复杂的电化学动态系统,难以通过单一的监测电池内部的物理和化学特性实现健康状态(state of health,SOH)在线估算。为此提出以欧姆内阻增加量、极化内阻增加量和极化电容减少量作为电池的健康因子(health indicator,HI),并引入灰色神经网络离线训练以HI为输入,电池容量退化量为输出的灰色神经网络模型,最后通过在线构建电池HI实现电池SOH估算。实验结果表明所提出的HI能够有效表征电池健康状态,灰色神经网络模型与BP神经网络模型相比,具有更高的SOH在线估算精度,估算误差不超过2%。     

退役动力电池健康状态特征提取及评估方法综述

我国电动汽车动力电池退役高峰来临,电池梯次利用技术备受学术界和产业界的高度关注。与新电池相比,退役电池(retired battery,RB)一致性差、性能离散度高、安全隐患大,并且从电池单体、模块、电池簇到储能系统逐层集成过程中,上述问题会叠加、放大,导致系统整体性能不确定性增大。为实现退役动力电池安全可靠、规模化、多场景梯次利用,研究基于RB衰退机理的特征提取及健康状态评估技术非常关键。该文基于退役电池的性能衰退规律、电池安全状态演变机理,重点对RB健康状态特征参量表征和残值评估方法进行综述,分别从数据驱动方式以及模型驱动2个维度对提取RB特征和健康评估进行总结分析,提高基于RB衰退规律的退役电池健康状态和残值评估模型精度,对RB特征提取以及健康状态评估未来的研究方向进行展望。     

退役动力电池梯次利用关键技术及现状分析

随着电动汽车动力电池的第一个退役高峰期的来临,废旧动力电池的后续处理对环境和社会资源提出严峻挑战,储能电站是退役动力电池梯次利用的有效途径,研究退役动力电池梯次利用关键技术及其发展现状具有重大现实意义。针对梯次利用电池面临的主要问题及技术难点,首先详细介绍了国内外一些梯次储能示范工程,总结梳理了当前行业内存在的相关政策与标准。在此基础上,对退役电池梯次利用过程中的电池分类筛选、重组、热失控特征、均衡控制及电极材料回收等关键技术展开研究,并着重分析不同方法及控制策略的优缺点。最后结合国内外电动汽车发展趋势,对梯次利用电池的商业应用模式进行探讨与展望。     

基于实时车况的电动汽车电池工作状态检测方法

随着电动汽车的普及,对动力电池的维护问题逐渐成为电动汽车养护的一大研究课题。提出了一种基于电动汽车实时车况电池老化情况的检测方法,通过对电流变化情况的监测,观察动力电池欧姆内阻的变化,并且通过电动汽车行驶时电池荷电状态(state of charge,SOC)的变化趋势,估计电池健康状态,从而有效地为用户的电动汽车保养提供参考。根据对动力电池SOC、健康状态(state of health,SOH)以及欧姆内阻的变化,来判断是否需要对动力电池进行更换。     

大容量梯次利用电池储能系统工程技术路线研究

随着电动汽车电池的大量退役和电力储能需求的增长,动力电池退役后规模化应用于储能系统成为技术趋势之一,文章从工程角度梳理了动力电池梯次利用于电力储能的全过程技术路线,包括退役电池批量筛选、系统设计及集成、工程安装调试和运维等,并对各环节中的关键技术问题予以阐述,为大容量梯次利用电池储能工程提供参考。     

基于DAUKF的锂电池SOC值和SOH值的估算研究

为提高锂离子电池荷电状态(state of charge,SOC)值和健康状态(state of health,SOH)值的估算精度,基于二阶戴维南等效电池模型,提出双自适应无迹卡尔曼滤波(double adaptive unscented Kalman filter,DAUKF)算法。通过AUKF1和AUKF2这2个滤波器,可以同时计算出电池的SOC值和电池内阻,内阻既可以更新电池的模型参数,又可依靠函数关系,估算出电池的SOH值。仿真结果表明,DAUKF能够准确估算出SOC值和SOH值,精度保持在2%以内,由此验证了该方法的可行性和精确性。     

动力电池梯次利用关键技术与应用综述

近年来，随着新能源汽车产业的发展，动力电池迎来大规模退役，为避免资源浪费，延长电池使用寿命，对动力电池梯次利用技术的研究具有重大现实意义。为此从梯次利用技术的现状出发，分析国内外梯次利用项目和相关政策，对梯次利用过程中的检测、筛选、重组和均衡技术以及电池梯次利用在多种储能场景下的应用进行综述，并对锂离子电池梯次利用中的性能检测做出重点总结。最后总结了梯次利用在电池状态评估和梯次电池筛选上的技术难点与未来的研究趋势，指出以卡尔曼滤波为代表的模型驱动方法和以人工神经网络为代表的数据驱动方法的有机结合，可以有效提高电池状态评估与分选的效率，是重要的研究趋势；提出针对不同的电池工况和不同的梯次利用场景应具有多样性的检测和分选方法，并应制订具体标准；对梯次利用的级别、标准化程度以及退役电池回收体系几个方面的研究给出了合理的建议。