基于荷电状态一致性的电池组双层动态均衡方法

针对储能系统中电池组充放电过程中能量利用率以及系统运行安全性较低的问题,提出考虑SOC一致性的电池组双层动态均衡方法。首先,采用耦合电感与Flyback变换器搭建均衡系统双层架构,建立电池组端电压、均衡电流及占空比间的关联特性。为提高电池组的供能可靠性,系统引入故障切除功能,通过改变开关阵列导通状态实现故障电池组的快速切除;其次,考虑增补电池组剩余容量较大问题,利用传统最值法改进的双层极值法,以荷电状态(stage of charge,SOC)作为均衡目标变量,对增补电池组进行快速放电均衡;最后,设计充放电及静置均衡实验,对比传统最值法,分析常态及故障切除后电路的均衡速度与均衡效率。结果表明,提出的双层均衡方法可以将均衡速度提升约10%,且故障切除后电路的均衡效率最高可达95%以上。

适用于直流链式储能的电池簇荷电状态自均衡控制策略

电池储能系统凭借其可提高可再生能源消纳能力的优势逐渐成为电网关键环节,其中的生产、使用环节导致的电池不一致性是影响储能系统容量和寿命的重要因素。在直流型高压级联链式储能的拓扑结构基础上采取分级控制策略,基于电压模式和功率模式的一级控制,针对链式电池储能系统电池荷电状态(SOC)不均衡的问题,提出了一种控制参数自适应的SOC自均衡控制策略。该策略综合考虑电池SOC偏差、各模块电容电压水平、直流系统电压控制裕度以及输出调制比上下限,实时计算均衡系数。实验结果验证了所提策略能够在SOC偏差较大以及满功率充放电切换的极端工况下,实现SOC自均衡,均衡效率较高。

不同荷电状态下的锂离子电池大倍率脉冲充电特性

为了进一步扩展锂电池的应用范围,以电磁发射场景中高功率能量回收为背景,研究了锂离子电池在不同荷电状态的大倍率脉冲充电特性。以准二维电化学模型为基础,通过优化扩散系数,建立了高功率锂电池大倍率脉冲充电模型,并利用该模型分析了锂电池在不同荷电状态下大倍率脉冲充电的镀锂过电位变化情况。通过对锂电池开展循环实验和事后分析,研究了锂电池在不同荷电状态下大倍率脉冲充电的老化行为和老化机理,该老化机理与仿真分析所得结果一致。以上研究结果不仅可以为锂电池在高功率能量回收场景中的应用提供参考,还可为快充型锂电池的优化提供参考。

不同荷电状态磷酸铁锂电池热失控温度与产气特性分析

新能源产业的飞速发展使磷酸铁锂电池广泛应用于储能领域。磷酸铁锂电池电解液固有的可燃性使其热稳定性和安全性问题不容忽视。为了更好地防控储能电站的爆炸事故,有必要开展储能电池的热失控过程研究,并对产气过程和产气组分的危害性进行深入分析。开展了不同荷电状态(State of Charge, SOC)60 Ah磷酸铁锂电池热失控试验,根据电池温度演变曲线,将电池热失控过程分成三个阶段;依据电池产气曲线,将电池产气过程分为四个阶段;使用FLACS软件建模对预混气体进行了爆炸仿真,探索了SOC对可燃气体燃爆行为的影响规律,混合可燃气体的爆炸上下限和爆炸超压随着SOC的增大而增大。研究成果对储能电站的安全防护具有理论指导意义。

采用深度学习的全寿命周期锂电池荷电状态估计

针对锂离子电池的健康状态(SOH)随着充放电循环次数的增加而持续退化,导致在整个寿命周期内准确估计电池的荷电状态(SOC)难度较高的问题,提出了一种采用深度学习的全寿命周期内锂离子电池SOC估计模型。该模型采用被估计时刻及之前多个历史时刻的电流、电压和温度组成的序列数据作为模型的输入,先采用一维卷积神经网络(1D CNN)提取序列的特征,再用门控循环单元(GRU)建立特征与SOC之间的非线性关系,然后采用贝叶斯优化方法(BO)对网络超参数进行寻优以提升预测的精度。采用两个公开数据集对所提出的模型进行验证,实验结果表明:所提模型在较宽的SOH范围内实现了精确的SOC预测,且预测精度显著优于采用单个深度学习模型的预测精度;与CNN和BiLSTM模型相比,所提模型的均方根误差分别平均降低了15.16%和45.22%;当输入序列的长度为10、数据采样间隔时间为1 min时,在两个数据集上预测的均方根误差均低于2%。

考虑锂电池温度和老化的荷电状态估算

针对锂离子动力电池工作环境复杂且电池老化导致内部参数辨识精度低与荷电状态估计误差大的难题,本文提出了一种多新息最小二乘法与平方根容积卡尔曼滤波估计锂离子电池荷电状态的联合算法,实现动力电池在全服役周期内多温度条件下的状态估算。首先,为解决传统最小二乘法对历史数据利用率低的问题,在最小二乘法中融入多新息理论,采用一阶RC等效电路建立电池模型,利用多新息最小二乘法对电池内部参数进行参数辨识;然后,采用平方根容积卡尔曼滤波估算电池SOC;最后,通过多温度全寿命的电池实验数据对本文所提算法进行验证,并且与扩展卡尔曼滤波、容积卡尔曼滤波算法进行对比,证明本文提出算法的有效性。实验结果表明:本文提出的多新息最小二乘-平方根容积卡尔曼滤波算法在多温度全寿命条件下,能够准确反映动力电池内部参数和精确估算电池SOC,电压平均绝对误差不超过40 mV,SOC的估算误差控制在2%范围内。

采用自适应中心差分卡尔曼滤波器的锂离子电池荷电状态估计

锂离子电池因其能量密度高、使用寿命长等优点被越来越多地应用到卫星、便携式设备和电动汽车等领域.荷电状态作为电池管理系统的重要指标,它的准确监测对保障电池的使用安全、提高电池的使用效率有着重要意义.针对锂离子电池的荷电状态估计,本文提出了一种自适应中心差分卡尔曼滤波算法.首先,设计了一个线性卡尔曼滤波器实现了对测量方程系数的实时估计,从而避免了荷电状态与开路电压关系曲线的测试.其次,考虑到部分工况难以准确地获取模型参数,使用增广向量法并采用自适应中心差分卡尔曼滤波器实现了荷电状态与模型参数的自适应估计.再次,将线性卡尔曼滤波器与自适应中心差分卡尔曼滤波器耦合,实现了荷电状态、模型参数、测量方程系数的联合估计,使得本文所提算法能够更好地应用于电池内部参数未知的复杂工况.为了进一步提高算法的估计精度和对噪声的适应能力,通过迭代法对噪声协方差矩阵进行了动态调整.最后,通过几组实验验证了本文所提算法的有效性.

基于变遗忘因子的改进卡尔曼滤波锂电池荷电状态估算研究

目的 为了解决锂电池在不同放电阶段和噪声干扰下荷电状态(SOC)估算结果发散问题,方法 通过分析锂电池机理特性,查找影响估算结果的因素和原因。选取适当的数学模型并得到开路电压特性-荷电状态(OCV-SOC)试验曲线后,针对传统算法估算误差波动较大的问题,提出变遗忘因子递推最小二乘(VFF-RLS)与自适应平方根无迹卡尔曼滤波(ASRUKF)算法联合估算SOC。结果 以动态应力测试(DST)为例,遗忘因子最小二乘(FFRLS)算法的开路电压初期误差最大值为0.02 V,稳定后端电压误差为0.004~0.010 V,误差收敛时间约45 s;UKF算法的SOC估算初期最大误差为0.03,在400 s左右逐渐收敛到理论值附近,稳定后的波动误差为0.83%;VFF-RLS算法在相同的条件下,开路电压实验初期误差最大值为0.04 V,稳定后端电压误差为0.003~0.007 V,误差收敛时间约10 s;ASRUKF的SOC估算初期最大误差为0.1,随着算法迭代,200 s内收敛到理论值附近,稳定后最大波动误差0.413%。结论 为了保证算法适用的普遍性,在不同初值下观察算法的收敛性,结果表明,在复杂的试验工况下,与传统算法比较,改进算法的参数辨识速度明显加快,精度提高,在估算SOC阶段,波动范围明显变小;在实际值误差较大的情况下,依然能够迅速收敛,证明本文方法的改进切实可行,可用于实际电池研究。

基于CGOA-MAM-TCN算法的车用锂电池荷电状态估计

针对数据驱动的锂电池荷电状态估计方法仍然存在对大量标定数据的依赖、同时应对动态变化和复杂运行状况时表现不佳等问题,提出了改进蝗虫算法优化结合时域卷积网络和多头注意力机制的锂电池荷电状态估计方法。首先利用时域卷积网络对锂电池荷电时间序列数据中的长期依赖关系进行建模,同时采用多头注意力机制学习数据特征长期依赖关系,利用每个注意力头去计算序列中不同张量的依赖关系,辅助时域卷积神经网络增强对依赖关系的捕获,降低其对大量标定数据的依赖;另外为使模型发挥出最佳性能,改进了混沌蝗虫算法优化模型的超参数。试验结果表明:在不同温度条件下,相较于其他方法,优化模型在锂电池荷电状态估计任务中表现出更好的准确率和稳定性。

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。

基于改进概率神经网络的储能电池荷电状态估计

锂离子电池荷电状态(SOC)估计技术是储能电站电池管理系统重要组成部分。为了实现对SOC的准确估算,提出一种改进概率神经网络(MPNN)用于储能电池荷电状态估计。相较于传统神经网络,结合概率函数和补偿机制的MPNN,不仅可避免陷入局部最优,而且具有更优秀的拟合能力,可进一步提高SOC估计精度。仿真实验表明,所提MPNN方法的SOC估计值平均绝对误差和均方误差均低于1%,获得了满意的性能。

基于门控循环单元编解码器的锂离子电池荷电状态估计

锂离子电池荷电状态(state of charge,SOC)估计技术是电池管理系统(battery management system,BMS)里的关键性技术之一,其精度要求随着锂离子电池应用领域的不断拓宽而越来越高。由此,该文提出一种基于门控循环单元(gated recurrent unit,GRU)编解码器(encoder decoder,ED)的估计方法;在编解码器框架下,首先利用双向GRU网络对可测量变量序列双向捕获依赖关系并将相关信息编码成语境向量,然后使用单向GRU网络完成对语境向量的解码。相比之前提出的循环神经网络,此类端到端模型可以从输入序列中更完整地学习到序列信息以建立出更精确的非线性SOC估计模型。实验数据验证表明,相较于3种双向循环神经网络,该文提出的门控循环单元编解码器(gated recurrent unit encoderdecoder,GRU-ED)模型在固定环境温度下取得了最佳的SOC估计效果;同时还在变温环境下实现了小误差的SOC估计,得到的平均绝对误差(meanabsoluteerror,MAE)与最大误差(maximum error,MAX)分别为0.92%与4.96%。

链式电池储能系统的荷电状态复合均衡控制策略

针对链式电池储能系统相间荷电状态(SOC)不均衡问题,在详细分析链式储能系统功率模型的基础上,提出了一种结合零序电压和负序电压注入的新型复合SOC均衡控制策略。此控制策略兼顾了储能装置的输出性能、相间SOC均衡能力和电能质量,均衡过程能够实现平滑过渡,对系统无扰动。实验样机的运行结果证明了所提控制策略的正确性和有效性。

基于模块化多电平变流器的电池储能系统荷电状态均衡控制策略

基于模块化多电平变流器(modular multi-level converter,MMC)的电池储能系统(battery energy storage system,BESS)适用于中高压交直流混合电网,有助于解决可再生能源大规模并网问题。针对电池容量利用率问题,该文分析了MMC-BESS中各端电源功率传递关系,提出了一种电池荷电状态(state of charge,SOC)均衡控制策略,通过三级均衡控制,实现相间、上下桥臂间、桥臂内子模块间电池模块的SOC均衡。同时为提高系统运行的可靠性,研究了故障容错运行工况下的SOC均衡控制策略。最后通过仿真和实验验证了所提控制策略的有效性。

锂离子动力电池荷电状态估算的研究现状

电池的荷电状态(state of charge,SOC)的准确快速估计与电池安全管理、延长生命周期、确定再制造阈值等密切相关,优秀的SOC估计算法至少具有准确、稳定、适用性强、估计快四大性质。文中分析了几种常用SOC估算方法,单一的安时积分法和开路电压法虽然操作简单,但精确度不足,神经网络法和滤波法的通用性和精确性较好,但神经网络法需要大量数据,投入成本较大,滤波法对模型精度依赖性较强。最后针对现有SOC估算技术,提出未来研究重点:(1)联系电池制造工艺,实现从制造商到SOC估计的一致性;(2)考虑电池的工作环境,实现外部数据与内在反应的联系;(3)考虑电池类型的多样性,提高估算方法的通用性。

分布式电池电源模块储能系统的荷电状态均衡控制

针对储能系统中锂电池充放电程度不一致而造成的电池过放/过充,从而导致电池使用寿命缩短的问题,提出了一种分布式储能系统的荷电状态(SOC)均衡控制方案。首先,采用单体电池电源模块串联的分布式储能结构,以单体锂电池估算SOC为控制对象;然后,设计基于SOC均衡的加权因子分配公式,通过对电源模块分配不同的加权因子来调整各电源模块的占空比,从而动态调节各单体锂电池的充放电速率,实现分布式储能系统的SOC均衡控制,改变了传统电池组组内、组间两级均衡控制形式,消除了组内单体锂电池间能量传递造成的功率损失;最后,采用负载电压调节与SOC均衡的双闭环控制结构,保证均衡过程中系统运行的稳定性。仿真结果表明:所提出的均衡控制方法能够有效实现储能系统的动态均衡控制,与SOC比例均衡控制方法相比均衡时间缩短了47%。

基于等效电路模型融合电化学原理的锂离子电池荷电状态估计

准确高效地评估锂离子电池荷电状态(SOC)是确保电动汽车和储能设备性能和安全的关键。等效电路模型被认为是描述锂离子电池内部复杂反应过程的一种有效方法。针对基于等效电路模型的SOC估计准确性与复杂性难以权衡的问题,本研究采用一阶RC模型作为基础,为了提高整个SOC区间的模型性能表现,通过电化学原理对模型进行优化,通过在一阶RC模型的OCV模块上添加反映电池内部固相扩散过程的改进误差项,在保证较低的计算复杂性的前提下,减小了等效电路模型与更准确的机理模型之间存在的误差。然后基于倍率测试以及脉冲测试数据对电池进行参数辨识,以粒子群算法为基础通过参数解耦的方式降低了参数辨识的复杂度、提升了辨识准确度;同时基于小倍率测试的开路电压(OCV)数据采用多项式方法进行OCV-SOC曲线拟合。随后基于模型参数辨识结果开展SOC估计研究,针对常规卡尔曼滤波准确度不足的问题,在无迹卡尔曼滤波基础上结合加权滑动窗口的思想以提升SOC估计的精确性和鲁棒性,并基于UDDS和DST动态工况测试数据进行算法验证,最终估计效果相对于传统方法呈现出优异的精度与鲁棒性,并且可以在初始SOC有较大偏差时快速收敛至准确值。

在部分荷电和深度放电状态下应用的动力VRLA电池脉冲充电技术

针对动力用阀控式密封铅酸(VRLA)电池的使用特点,在研究其充电机理的基础上采用了新型的脉冲充电技术,设计和制作了智能脉冲充电器,实现了正、负交替的脉冲充电。在部分荷电状态(PSOC)下采用不同的充电模式,进行了100%放电深度的对比试验,同时对失效单体电池进行了容量恢复实验。实验中运用表面电子显微镜(SEM)等物理测试手段对电池电极的形貌结构和正、负极电位进行了测量和分析。实验结果表明,脉冲充电方式提高了活性物质与界面的电导及机械强度,抑制了非活性的硫酸铅的形成,从而有效提高了电池的循环寿命。

基于GWO-LSTM-TCN混合模型的锂电池荷电状态估计研究

针对锂电池荷电状态(SOC)具有非线性、时变特性而无法直接测量的问题,提出了一种基于灰狼优化算法混合模型的锂电池SOC估计方法,利用长短期记忆网络(LSTM)和时序卷积网络(TCN)挖掘SOC特征信息,构建锂电池电压、电流与SOC的映射网络模型,引入灰狼优化算法(GWO)确定网络模型最佳超参数,采用马里兰大学公开的INR 18650-20R数据集对SOC混合模型进行实验验证。结果表明,GWO-LSTM-TCN网络模型对锂电池荷电状态的估计精度相较于GWO-LSTM网络以及GWO-TCN网络能更好拟合锂电池电压、电流与SOC之间的非线性映射关系,具有较好的模型准确性和泛化能力。

充电电池荷电状态检测系统设计

以在ARM9硬件平台上实现充电电池荷电状态检测为背景,详细介绍了在嵌入式系统中的设计与实现。该系统硬件搭建以S3C2440 ARM920T处理器为核心芯片,软件搭建以SQLite嵌入式数据库为数据存储、筛选、分析和处理核心,通过对S3C2440内部ADC编程获取波形数据,采用Qt/Embedded实现图形及人机界面显示,最后提出了进一步完善系统检测功能问题的解决方法。