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。

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。

直流微电网储能荷电状态协调控制

储能系统采用串并联结构(串联的储能单元为一组,多组并联)可以实现将小容量、低电压等级的储能单元接入直流微电网中,并且可以实现系统扩容和提高端电压。为避免串并联结构的储能单元因荷电状态(state of charge,SOC)和额定容量差别导致个别储能单元提前退运的短板效应,提出一种考虑储能SOC和额定容量的控制方法,实现串联模块间的电压和并联模块间的功率合理分配。考虑到功率分配后期因储能单元间SOC差别较小导致均衡速度较慢的问题,引入变异系数对下垂系数进行动态优化。考虑到升压或扩容导致各组总容量不同,引入容量权重因子,使储能单元达到均衡出力。通过搭建MATLAB/Simulink仿真模型,验证了策略的可行性。

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。

基于混合储能荷电状态的光伏直流微网系统能量分配策略

针对混合储能系统在平抑光伏波动以及负荷投切时荷电状态(SOC)易越限问题,提出一种基于混合储能SOC的多模式协调控制策略。在传统低通滤波功率分配的基础上,提出一种基于超级电容荷电状态的动态功率修正策略,使超级电容出力后SOC向安全状态恢复;同时,为避免蓄电池频繁切换充放电状态,在其响应环节加入优化后的延时控制。此外,根据光伏出力情况、混合储能SOC,设计出满足直流微网系统动态平衡的六种运行模式,实时调节各储能单元出力情况。在MATLAB/Simulink中搭建了光伏直流微网混合储能系统仿真模型,仿真结果表明所提策略在各工况下均能稳定运行,有效延长了储能介质使用寿命。

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。

考虑荷电状态一致性的分布式储能电站一次调频控制策略

随着可再生能源比例增加,电网新建储能电站成为提升系统频率稳定性的重要手段。针对电网中分布式储能电站(distributedenergystoragestations,DESS)参与一次调频面临的荷电状态均衡问题,提出了一种考虑荷电状态(state of charge,SOC)一致性的DESS协同控制策略。首先,构建了含分布式储能电站的区域电网调频模型,分析了传统调频控制方法的特点,并讨论了储能在高渗透率新能源电网中的调频及一致性控制需求;其次,分析了电网调频需求与DESS的SOC一致性调整需求之间的耦合关系,设计了基于一致性原理的SOC分布式控制策略,进而构建了兼顾两种需求的DESS一次调频协同控制方法,详细分析了关键控制参数的设计原则与取值方法。最后,搭建典型区域电网模型,结合不同频率波动工况进行了仿真验证,结果表明:所提控制策略可以有效改善电网频率质量,在不增加系统调频负担的前提下实现多个储能电站的SOC一致性调节,减小了DESS集群的SOC越限风险,增强了其聚合控制效果。

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。

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。

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。文中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。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,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。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。

计及初始荷电状态的含混合储能微电网双层调度研究

针对含混合储能微电网调度中忽略光伏/风电出力波动及荷电状态变化,导致并网波动超限及混合储能内能量调度效率降低等问题,提出一种计及初始荷电状态的双层跟踪调度方法。上层控制通过预测控制模型对微电网内光伏/风电出力进行优化,建立微电网跟踪调度模型。基于上层调度模型,下层控制中确定混合储能调度日的荷电状态初值,应用动态规划算法对混合储能中蓄电池、超级电容的容量进行分配,并将荷电状态变化量反馈至上层预测控制模型,优化并网功率交互。以并网功率波动最小与混合储能系统的荷电状态偏差最小为目标对系统进行仿真实验。实验分析结果表明:采用的控制策略具有并网抑制功能,实现了良好的跟踪调度,兼顾了混合储能内不同储能元件的充放电特性,实现混合储能内功率协调配置。

基于DRSN-CW-LSTM网络的锂电池荷电状态预测

由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低。为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法基于长短期记忆网络(long-short-term memory,LSTM)和逐通道不同阈值的深度残差收缩网络(deep residual shrinkage networks with channel-wise thresholds,DRSN-CW),利用锂离子电池电压、电流、温度、容量等数据信息在深度残差收缩网路中进行特征提取,通过LSTM进一步拟合时间序列数据趋势,实现锂离子电池在使用周期内SOC的预测。在DRSN-CW网络的残差收缩模块中可以实现自适应噪声数据处理功能,消除锂离子电池数据流质量对SOC预测的负面影响。利用锂电池公共数据集训练所提出的网络,对比了3种神经网络模型在该两组数据集上的预测效果。实验结果表明,所提出的深度学习模型在两组公开数据集上的MAE和RMSE均值都控制在5%以内,相比其他3种深度学习模型有更好的抗噪性能和预测性能,且估算精度高。

典型调峰/调频工况下储能电池组荷电状态估计

针对储能电池组在电网典型储能工况下荷电状态(state of charge,SOC)估算精度较低的问题,提出一种基于核主成分分析(kernel principal component analysis,KPCA)-鹈鹕优化(pelican optimization algorithm,POA)-双向门控循环单元(bidirectional gated recurrent unit,Bi GRU)的SOC估计模型。通过设计调峰/调频工况下电池组充放电实验,从数据中提取表征SOC变化的融合特征作为模型输入;分别构建不同工况下Bi GRU网络,并利用POA对其超参数进行优化,提高模型性能;进一步在混合工况下验证模型的有效性。结果表明,所建模型有着更好的SOC估计效果和更强的鲁棒性,能够提高复杂储能工况下储能电池组SOC估计精度。

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%。

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。