考虑荷电状态的光伏微电网混合储能容量优化配置

储能系统容量优化配置是提高系统稳定性、降低微电网成本的有效措施之一。本文提出了一种考虑荷电状态的能量管理策略,对光伏微电网混合储能系统进行容量配置。首先,综合分析微电网运行的稳定性和经济效益,以全生命周期费用和买卖电量费用之和最小为目标,建立含超级电容和蓄电池的光伏微电网储能模型。其次,结合光伏可供能量和负荷需求功率,应用改进能量管理策略和粒子群算法,建立光伏微电网混合储能系统（HESS）容量配置双层优化模型。最后,以某地实际数据为例对优化问题进行求解,将优化结果与传统储能配置方法进行对比,验证了所提方法的有效性,为光伏微电网混合储能系统容量优化配比提供参考。     

基于PSO-CNN的储能锂离子电池组荷电状态评估

将卷积神经网络(convolutional neural network,CNN)的权值和阈值作为粒子群算法(particle swarm optimization,PSO)的粒子,将CNN的损失函数作为PSO的适应度函数,从而构建PSO-CNN算法对储能锂离子电池组的荷电状态(state of charge,SOC)进行预测。以储能系统现场采集的充放电数据为样本,分别采用本文算法、基于PSO优化的支持向量机(support vector machine,SVM)、CNN进行训练,并在完整充放电数据集上对比3种算法的预测效果。结果表明本文算法收敛性好、预测精度高。最后采用另一储能现场的数据验证本文算法具有良好的鲁棒性,可以广泛适用于储能系统锂离子电池组SOC的在线预测。     

基于扰动观测器的锂电池荷电状态估算方法

基于电池模型的荷电状态(SOC)估算方法,模型参数的误差会直接影响估算结果.根据扰动观测器原理,建立了锂电池电压扰动观测器模型,与扩展卡尔曼滤波(EKF)算法相结合,设计了具有电池电压扰动补偿功能的锂电池SOC估算方法.由电压扰动观测器得到的补偿电压变量,可实时修正数学模型中的电池状态变量偏差对SOC估算的影响.仿真结果表明当电池数学模型存在滞后电压等动态响应误差时,该方法在充放电过程中SOC估算精度要优于常规EKF估算方法.     

基于联合参数辨识的粒子群优化扩展粒子滤波的锂电池荷电状态估计

提高参数辨识的精度和SOC算法的精度是提高SOC估计的关键,该文提出了基于联合参数辨识的粒子群优化扩展粒子滤波的荷电状态（SOC）估计方法。在参数辨识阶段,结合遗忘因子递推最小二乘法在线辨识的优势,弥补粒子群辨识精度高但前期缺乏数据无法实时辨识的劣势,联合进行参数辨识;在SOC估计阶段,利用扩展卡尔曼滤波生成重要性密度函数,去克服粒子退化,同时采用粒子群优化算法优化重采样策略改进采样过程缓解粒子贫化。最后在联邦城市运行（FUDS）和US06高速公路运行（US06）工况下将所提算法与F-PF、F-PSO-PF、FPSO-PSO-PF进行了对比,结果表明,在FUDS工况下,方均根误差分别提高了65.4%、56.3%和43.5%;在US06工况下,方均根误差分别提高了45.8%、35.9%和35.1%,验证了所提算法具有较好的适应性和鲁棒性。     

基于EKF-AH联合算法的锂离子电池荷电状态估算

估算算法先进性与否是影响锂离子电池荷电状态(SOC)估算准确度的重要因素。用扩展卡尔曼滤波(EKF)算法估算锂离子电池SOC时在低容量区和估算后期误差较大,为此将EKF算法和安时积分法(AH)相结合,提出EKF-AH联合算法。选用恒流放电及动态工况对联合算法进行实验验证。结果表明,在两个实验工况下对SOC的估算误差分别小于2%和3%。因此EKF-AH相比于EKF,估算精度提高。     

基于电池荷电状态和可变滤波时间常数的储能控制方法

针对可再生能源输出功率波动性大且随机性强的特点,在计及储能电池使用寿命等约束条件的基础上,提出了一种基于实测电池荷电状态的可变滤波时间常数储能控制方法。该方法通过实时调节储能系统的输出功率,对可再生能源输出功率中某一特定频段的波动成分进行补偿;同时根据电池的荷电状态值,对滤波时间常数进行调节,从而使电池的荷电状态值稳定在一定的范围内,避免了电池的过充/放电。在PSCAD中搭建的光储系统仿真模型,验证了所述方法的有效性。     

基于荷电状态动态调整的储能电站容量规划

储能系统平滑风电功率波动可以有效提高风电输出功率的稳定性,但昂贵的储能成本却制约着储能系统的整体性能,由此储能容量优化成为解决储能成本与平抑波动能力相互制约的方式之一。以储能系统荷电状态(SOC)为参量,提出基于可变功率修正系数的储能系统充放电控制策略,在储能系统有效平抑风电功率波动的同时,避免出现过充过放现象,保证储能系统的运行寿命。以储能系统多种成本之和最小为目标,构建计及风电场投资、运行成本和储能运行寿命的储能容量优化模型,并采用粒子群优化算法对模型进行求解。仿真分析结果验证了所提方法的有效性。     

基于等效建模和参数辩识的锂电池荷电状态估算研究

锂电池是近年来大量用于新能源汽车、智能电网等的储能元件,其荷电状态的准确估算是锂电池研究的关键技术之一。通过对锂电池进行脉冲电流实验,建立Thevenin等效电路模型并进行参数辨识。基于所建立的模型运用扩展卡尔曼滤波算法进行荷电状态估算,其结果表明在复杂工况下扩展卡尔曼滤波算法能修正荷电状态初始误差,且估算过程中最大误差低1.5%,全过程平均误差为0.36%,该方法能够准确估算荷电状态。     

锂离子电池荷电状态估算及剩余寿命预测

锂离子电池具有放电电压高、循环寿命长、安全性能好和无记忆效应等多种优点,在总结锂离子电池预测领域最新研究成果的基础上,对荷电状态估算及剩余寿命预测涉及的技术、算法和模型作了比较研究,尤其是对于锂离子电池荷电状态估算,归纳了电流积分法、开路电压法、模糊逻辑、自回归滑动平均数、电化学阻抗谱、支持向量机和基于扩展卡尔曼滤波的支持向量机等多种方法,并提出了各种方法的优缺点。     

磷酸铁锂电池倍率容量特性建模及荷电状态估算

针对磷酸铁锂蓄电池,首先采用解析型动力学电池模型(KBM)对电池的倍率容量特性进行描述,进而推导出双井荷电状态(SOC)的数学表达式;为建立SOC与电池电压的联系,进一步将KBM与电动势模型相结合形成综合模型;最后,基于该综合模型及非线性滤波算法实现SOC估算。实验结果表明,该模型可以体现锂电池的倍率容量特性及可用容量恢复特性,双井SOC估算结果可更全面地体现锂电池的SOC;此外,这种基于非线性滤波的SOC估算策略还具备初始误差自校正能力。     

基于随机片段数据的锂电池状态估计方法

针对锂电池状态估计通常只能采集到不完整的放电数据,导致难以准确判断锂电池状态的问题,提出一种基于随机片段数据的锂电池状态估计方法.以固定健康状态(SOH)差为间隔构建老化数据库,利用随机片段数据进行匹配,并采用粒子群优化算法进行求解,从而判断对应的锂电池初始荷电状态(SOC)及SOH等信息;基于二阶戴维南等效电路模型对锂电池进行建模,并对其参数进行辨识;基于状态匹配结果与所建模型,利用扩展卡尔曼滤波对锂电池SOC进行估计,获得锂电池的剩余放电时间等状态信息.利用锂电池单体放电数据进行实验验证,实验与仿真结果表明:与传统方法相比,所提方法具有较高的稳定性和准确率.     

基于剩余容量的锂离子电池组均衡策略

不一致性使得电池在成组后容量利用率方面远不及单体电池,现有的均衡方法注重防止电池过充过放,控制策略没有兼顾能量利用效率,均衡过程能量损失较大。基于单体电池剩余容量估算,通过对电池体质的在线辨识,将电池划分为倾向于过放、倾向于过充以及与整体平均剩余容量变化一致3类,并依据电池体质合理地分配每类电池的均衡能量。实验表明该方法较传统的电压中心均衡策略能够有效缩小单体电池剩余容量差异,电池组容量利用率提升了3.3%。     

锂离子电池荷电贮存性能的研究

将锂离子电池在不同荷电状态(SOC)下贮存,对贮存前后的电池性能进行了测试;对在不同SOC下贮存对电池性能的影响进行了研究,结果发现:电池进行长期贮存时,电池电压在3.80 V左右,电池的综合性能最好;当电池电压超过3.90 V时,对电池的容量、内阻、平台和循环寿命都会产生不利影响;而电池在完全放电态或过低SOC下贮存,电池的循环性能略有下降,电池不能立即使用,且容易出现过放电.     

基于BP神经网络的微电网蓄电池荷电状态估计

由于微电网蓄电池工作时的电力特性具有明显的非线性和不规则性,依靠传统数学方法难以准确估计其荷电状态(state of charge,SOC)。针对上述问题,构建了BP神经网络拓扑结构,并采用增强型学习率自适应算法对网络的传统学习模式加以改进,学习时神经网络模型中各神经元间权值得到合理调整,并且提高了误差收敛效率。仿真结果表明,估计结果在预设精度要求的范围之内,平均误差不超过4%,证明经过优化学习算法的BP神经网络模型对蓄电池荷电状态的精确估计是有效可行的。     

蓄电池荷电状态预测的改进新算法

对蓄电池的荷电状态（state of charge,SOC）进行预测是蓄电池能量管理的前提。考虑蓄电池充放电电流、内部工作温度和充放电循环次数等因素的影响,结合卡尔曼滤波,提出了蓄电池SOC预测的改进能量-卡尔曼滤波算法。在蓄电池三阶动态模型的基础上,详细阐述了算法的计算步骤,并与传统的SOC预测方法进行了对比研究。仿真结果表明,改进的能量-卡尔曼预测算法可以有效跟踪蓄电池SOC的变化,其精度优于传统的预测方法。     

荷电状态对锂离子电池电化学性能的影响研究

以LiNi0.6Co0.2Mn0.2O为主要正极材料制备锂离子电池,通过循环伏安法、电化学阻抗谱和恒电流间歇滴定技术研究了过充状态、过放状态和正常使用条件下锂离子电池电化学参数变化规律。结果表明,锂离子电池在过充、过放时,固体电解质界面(SEI)膜遭到破坏,电荷转移和离子扩散难度增加,电池整体电阻增大,安全性降低;然而,以恒电流间歇滴定方式将电池过充到4.5 V时,电池正、负极材料结构的改变具有可逆性,电池可以恢复到正常状态;将电池过放至2.5 V后,正极或负极材料的结构遭到严重破坏,该破坏过程不可逆。该项研究结果对于明确荷电状态对电池整体性能的影响、开发新型电池检测技术并进行电池安全设计具有重要意义。     

基于滑动最小二乘算法和电池荷电状态的储能系统平滑控制策略

利用电池储能系统平滑间歇式电源的输出功率波动可以提高该类电源输出功率的稳定性。提出一种基于滑动最小二乘算法和电池荷电状态的电池储能系统实时控制策略。通过滑动最小二乘拟合算法确定储能系统的功率输出量,并辅助以荷电状态和最大波动功率限制调节,从而有效降低平滑控制过程中电池的充放电深度。实验结果显示,与传统基于滤波算法的控制策略相比,在获得相同平滑效果的情况下,新的控制策略具有更小的荷电状态波动量,可以较大程度降低所需电池容量,并延长电池的寿命。     

基于滑动最小二乘算法和电池荷电状态的储能 系统平滑控制策略

利用电池储能系统平滑间歇式电源的输出功率波动可以提高该类电源输出功率的稳定性。提出一种基于滑动最小二乘算法和电池荷电状态的电池储能系统实时控制策略。通过滑动最小二乘拟合算法确定储能系统的功率输出量,并辅助以荷电状态和最大波动功率限制调节,从而有效降低平滑控制过程中电池的充放电深度。实验结果显示,与传统基于滤波算法的控制策略相比,在获得相同平滑效果的情况下,新的控制策略具有更小的荷电状态波动量,可以较大程度降低所需电池容量,并延长电池的寿命。     

一种新型蓄电池充放电专用节能装置

介绍了一种新型蓄电池充放电装置的系统结构和工作原理,并对其控制方法和控制电路进行了研究。在此基础上,研制了一台实验样机。实验结果表明,所研制的蓄电池充放电装置集充、放电功能于一体,既可作蓄电池的充电电源,实现对蓄电池恒压、恒流充电,又可作蓄电池放电的负载,把蓄电池恒流放电时的能量回馈到电网。且在蓄电池充、放电的过程中,均可以实现网侧电流正弦化和高功率因数、低谐波污染,节能效果显著,具有推广应用价值。     

基于HCOAG算法优化KELM的全钒液流电池SOC估计

针对直流微电网储能系统中全钒液流电池SOC难以精确估计的问题,提出一种基于郊狼算法(coyote optimization algorithm, COA)与灰狼算法(grey wolf optimization, GWO)的混合算法(hybrid COA with gwo, HCOAG)优化核极限学习机(kernelextremelearningmachine, KELM)的全钒液流电池SOC估计方法。首先将改进的郊狼算法(improved COA, ICOA)与简化操作的灰狼算法(simplified GWO, SGWO)采用正弦交叉策略融合组成HCOAG算法,利用HCOAG算法对KELM模型的参数进行寻优。然后利用基准函数对HCOAG算法进行测试,并与其他智能算法对比寻优能力。最后通过CEC-VRB-5 kW型号电池进行仿真和实验,验证了该估计方法的准确性与可行性。结果表明,所提HCOAG-KELM方法估计精度优于GWO-KELM、ICOA-KELM、KELM、扩展卡尔曼滤波(extended kalman filter, EKF)和无迹卡尔曼滤波(unscented kalman...