针对原有的锂电池组荷电状态(state of charge,SOC)估算方式是在电池放电后进行测量,在电池内阻数值较大时难以获取明确的开路电压,导致其在锂电池组SOC估算上具有误差等问题,设计了基于分段聚合和卡尔曼滤波的锂电池组SOC估算方法.在...针对原有的锂电池组荷电状态(state of charge,SOC)估算方式是在电池放电后进行测量,在电池内阻数值较大时难以获取明确的开路电压,导致其在锂电池组SOC估算上具有误差等问题,设计了基于分段聚合和卡尔曼滤波的锂电池组SOC估算方法.在构建等效电路模型的基础上,辨识锂电池参数,并定义开路电压等锂电池组SOC估算指标.分段聚合切换锂电池反馈路径,利用卡尔曼滤波线性递推估算锂电池组SOC数值.结果表明:以锂电池脉冲放电过程为测试条件,提出的方法估算结果与实际SOC值基本一致,在SOC为0.6时,该方法能将SOC估算相对误差控制在0~0.4%.展开更多
准确预测锂电池组的荷电状态(state of charge,SOC)能够有效防止电池过度充电或者放电,是储能设备安全运行的重要保障。为了解决SOC无法通过测量直接获得的问题,提出了一种基于猎人猎物优化算法(hunter prey optimization,HPO)优化门控...准确预测锂电池组的荷电状态(state of charge,SOC)能够有效防止电池过度充电或者放电,是储能设备安全运行的重要保障。为了解决SOC无法通过测量直接获得的问题,提出了一种基于猎人猎物优化算法(hunter prey optimization,HPO)优化门控循环单元(gated recurrent unit,GRU)神经网络的预测模型。在GRU的基础上添加Dropout机制,来增强模型的泛化能力,并通过HPO算法优化GRU的超参数,使锂电池的数据特征与网络拓扑相匹配。为了验证HPO-GRU模型的有效性,以某储能公司现场采集的储能锂电池组历史数据进行仿真实验,并与反向传播神经网络(back propagation,BP)、长短期记忆网络(long short term memory,LSTM)和GRU 3种预测模型的预测结果进行对比分析。可得HPO-GRU模型预测值与真实值的误差最小,在5%以内。可见HPO-GRU模型的预测精度最高,具有良好的鲁棒性以及较强的泛化能力。展开更多
文摘针对原有的锂电池组荷电状态(state of charge,SOC)估算方式是在电池放电后进行测量,在电池内阻数值较大时难以获取明确的开路电压,导致其在锂电池组SOC估算上具有误差等问题,设计了基于分段聚合和卡尔曼滤波的锂电池组SOC估算方法.在构建等效电路模型的基础上,辨识锂电池参数,并定义开路电压等锂电池组SOC估算指标.分段聚合切换锂电池反馈路径,利用卡尔曼滤波线性递推估算锂电池组SOC数值.结果表明:以锂电池脉冲放电过程为测试条件,提出的方法估算结果与实际SOC值基本一致,在SOC为0.6时,该方法能将SOC估算相对误差控制在0~0.4%.
文摘准确预测锂电池组的荷电状态(state of charge,SOC)能够有效防止电池过度充电或者放电,是储能设备安全运行的重要保障。为了解决SOC无法通过测量直接获得的问题,提出了一种基于猎人猎物优化算法(hunter prey optimization,HPO)优化门控循环单元(gated recurrent unit,GRU)神经网络的预测模型。在GRU的基础上添加Dropout机制,来增强模型的泛化能力,并通过HPO算法优化GRU的超参数,使锂电池的数据特征与网络拓扑相匹配。为了验证HPO-GRU模型的有效性,以某储能公司现场采集的储能锂电池组历史数据进行仿真实验,并与反向传播神经网络(back propagation,BP)、长短期记忆网络(long short term memory,LSTM)和GRU 3种预测模型的预测结果进行对比分析。可得HPO-GRU模型预测值与真实值的误差最小,在5%以内。可见HPO-GRU模型的预测精度最高,具有良好的鲁棒性以及较强的泛化能力。