常规的磷酸铁锂电池荷电状态估计观测方程被设定为问题点位测定,其估计范围受限,导致最终得出的荷电状态估计稳态误差较大,为此,提出电化学储能系统中磷酸铁锂电池荷电状态估计研究。根据当前的荷电状态估计需求,先计算SOC估计补偿系数...常规的磷酸铁锂电池荷电状态估计观测方程被设定为问题点位测定,其估计范围受限,导致最终得出的荷电状态估计稳态误差较大,为此,提出电化学储能系统中磷酸铁锂电池荷电状态估计研究。根据当前的荷电状态估计需求,先计算SOC估计补偿系数,再采用多阶的方式,打破估计范围的限制,建立多阶观测方程。以此为基础,设计深度神经网络磷酸铁锂电池荷电状态估计模型,并采用OCV核验修正实现状态估计。经过4个测试周期的分析,在0.1 s、0.3 s和0.5 s 3个放电时间背景下,磷酸铁锂电池最终得出的荷电状态估计稳态误差都被控制在0.4以下,且泛化能力明显提高,表明该方法更高效、具体,实用性强。展开更多
文摘常规的磷酸铁锂电池荷电状态估计观测方程被设定为问题点位测定,其估计范围受限,导致最终得出的荷电状态估计稳态误差较大,为此,提出电化学储能系统中磷酸铁锂电池荷电状态估计研究。根据当前的荷电状态估计需求,先计算SOC估计补偿系数,再采用多阶的方式,打破估计范围的限制,建立多阶观测方程。以此为基础,设计深度神经网络磷酸铁锂电池荷电状态估计模型,并采用OCV核验修正实现状态估计。经过4个测试周期的分析,在0.1 s、0.3 s和0.5 s 3个放电时间背景下,磷酸铁锂电池最终得出的荷电状态估计稳态误差都被控制在0.4以下,且泛化能力明显提高,表明该方法更高效、具体,实用性强。