为增加系统惯性,直流微电网内锂电池控制器常采用虚拟直流发电机(virtual DC generator,VDCG)控制方案,但该方案无法使锂电池荷电状态(state of charge,SOC)自均衡。现有基于VDCG的锂电池SOC均衡方案仅能实现电压等级一致的非等容锂电池...为增加系统惯性,直流微电网内锂电池控制器常采用虚拟直流发电机(virtual DC generator,VDCG)控制方案,但该方案无法使锂电池荷电状态(state of charge,SOC)自均衡。现有基于VDCG的锂电池SOC均衡方案仅能实现电压等级一致的非等容锂电池SOC均衡,而退役锂电池储能系统(retire lithium battery energy storage systems,RLBESS)的容量和电压等级均难以保持一致。针对此问题,提出了一种基于VDCG的适用于不同电压等级及容量的RLBESS组间SOC均衡方案。该方案在传统VDCG的基础上建立U-P_(m)关系式并引入SOC均衡因子,能够根据初始SOC状态自动调节锂电池的功率分配,并保持良好的电压质量。建立了所提方案的小信号模型,分析了关键控制参数对系统稳定性的影响。最后,利用Matlab/Simulink仿真软件对不同工况进行有效性验证。仿真结果表明:所提方案能够在锂电池电压等级不一致工况下实现RLBESS的SOC均衡,具有良好的可扩展性。展开更多
锂电池健康状态(state of health,SOH)可表征锂电池的老化状况,准确估算SOH对锂电池可靠运行至关重要。为解决模拟退火算法(simulated annealing,SA)和遗传算法(genetic algorithms,GA)优化的BP神经网络收敛效率低、易陷入局部最优无法...锂电池健康状态(state of health,SOH)可表征锂电池的老化状况,准确估算SOH对锂电池可靠运行至关重要。为解决模拟退火算法(simulated annealing,SA)和遗传算法(genetic algorithms,GA)优化的BP神经网络收敛效率低、易陷入局部最优无法到达全局最优解的问题,提出一种GA-SA-BP神经网络算法来提高SOH估算精度。首先,分析NASA公开数据集数据各个健康因子(health indicator,HI)与SOH相关性,选取与SOH相关性更高的锂电池输出电压、输出电流、容量和等压降放电时间4个HI作为BP神经网络的输入值,以提高SOH估算精度。其次,提出GA-SA-BP神经网络算法来估算SOH,通过在陷入局部最优时跳出局部最优找到全局最优解,以便进一步提高SOH估算精度。最后,NASA锂电池数据集和锂电池实验测试平台取得的结果表明,与传统BP神经网络、GA-BP神经网络和SA-BP神经网络相比,所提方案提高了SOH估算精度,在部分数据缺失的情况下仍具有效性。展开更多
文摘为增加系统惯性,直流微电网内锂电池控制器常采用虚拟直流发电机(virtual DC generator,VDCG)控制方案,但该方案无法使锂电池荷电状态(state of charge,SOC)自均衡。现有基于VDCG的锂电池SOC均衡方案仅能实现电压等级一致的非等容锂电池SOC均衡,而退役锂电池储能系统(retire lithium battery energy storage systems,RLBESS)的容量和电压等级均难以保持一致。针对此问题,提出了一种基于VDCG的适用于不同电压等级及容量的RLBESS组间SOC均衡方案。该方案在传统VDCG的基础上建立U-P_(m)关系式并引入SOC均衡因子,能够根据初始SOC状态自动调节锂电池的功率分配,并保持良好的电压质量。建立了所提方案的小信号模型,分析了关键控制参数对系统稳定性的影响。最后,利用Matlab/Simulink仿真软件对不同工况进行有效性验证。仿真结果表明:所提方案能够在锂电池电压等级不一致工况下实现RLBESS的SOC均衡,具有良好的可扩展性。