随着电力系统中可再生能源比重逐渐增加,电力系统频率波动的风险增大。飞轮和锂电池可以优势互补,作为混合储能应用于电网一次调频中,有效解决系统频率波动问题。为了充分发挥飞轮和锂电池各自的调频优势,提出基于自适应荷电状态(state ...随着电力系统中可再生能源比重逐渐增加,电力系统频率波动的风险增大。飞轮和锂电池可以优势互补,作为混合储能应用于电网一次调频中,有效解决系统频率波动问题。为了充分发挥飞轮和锂电池各自的调频优势,提出基于自适应荷电状态(state of charge,SOC)的电池-飞轮混合储能一次调频控制策略。首先,建立含正、负虚拟惯性控制和虚拟下垂控制的权重分配一次调频模型;然后,利用飞轮和锂电池SOC对一次调频模型参数进行修正,提高混合储能在SOC阈值附近的一次调频能力;最后,仿真对比各调频场景下文中控制策略与其他控制策略的调频能力及SOC恢复效果。研究结果表明,文中控制策略下储能系统SOC波动范围最小,电池不会发生过充过放,且系统频率波动不超过±0.2 Hz,可以提高电网频率稳定性。展开更多
为实现储能电池全生命周期下的电池状态动态评估,提高复杂工况下锂离子电池模型的自适应性与状态估计的准确性,提出基于改进逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)-模糊贝叶斯...为实现储能电池全生命周期下的电池状态动态评估,提高复杂工况下锂离子电池模型的自适应性与状态估计的准确性,提出基于改进逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)-模糊贝叶斯网络的电池荷电状态(state of charge,SOC)和健康状态(state of health,SOH)联合估计方法。应用多阶电阻-电容电路(resistor-capacitance circuit,RC)模型、使用节点-支路框架构建电池的等效电路模型,通过基尔霍夫定律与欧姆定律对二阶RC电池等效电路模型中的并联回路进行电气特性分析,构建空间状态方程及等效输出方程;对构建的状态方程进行离散化处理,分别定义并联独立回路离散化零输入响应、零状态响应,分析离散化电池模型状态空间方程;将专家打分法引入TOPSIS算法中进行电池SOC量化估计,结合融入模糊尺度的贝叶斯网络,在相同时间分布尺度下通过电池SOH值计算电池观测样本中对应的SOC值,实现电池SOH与SOC联合估计。实验结果表明:所提方法可有效估计不同离散空间尺度下的电池SOC和SOH结果,估计方法具有良好的准确性与较高的精度。展开更多
为解决目前新能源汽车电池荷电状态(State of Charge,SOC)估算方法存在的最大绝对误差偏大问题,文章提出一种基于遗传算法的优化方法。该方法通过构建物理电路模型来等效电池内部结构,并引入充放电分区机制补偿滞后状态,完成电流值修正...为解决目前新能源汽车电池荷电状态(State of Charge,SOC)估算方法存在的最大绝对误差偏大问题,文章提出一种基于遗传算法的优化方法。该方法通过构建物理电路模型来等效电池内部结构,并引入充放电分区机制补偿滞后状态,完成电流值修正。同时,离散化处理模型参数,并利用最小二乘法完成参数辨识。在神经网络(Back Propagation,BP)中,采用遗传算法估算并优化模型,以输出精确的SOC估算结果。实验结果显示,利用该方法估算的最大绝对误差稳定在0.0~0.2,显著提升了估算精度,满足预期的误差要求。展开更多
文摘随着电力系统中可再生能源比重逐渐增加,电力系统频率波动的风险增大。飞轮和锂电池可以优势互补,作为混合储能应用于电网一次调频中,有效解决系统频率波动问题。为了充分发挥飞轮和锂电池各自的调频优势,提出基于自适应荷电状态(state of charge,SOC)的电池-飞轮混合储能一次调频控制策略。首先,建立含正、负虚拟惯性控制和虚拟下垂控制的权重分配一次调频模型;然后,利用飞轮和锂电池SOC对一次调频模型参数进行修正,提高混合储能在SOC阈值附近的一次调频能力;最后,仿真对比各调频场景下文中控制策略与其他控制策略的调频能力及SOC恢复效果。研究结果表明,文中控制策略下储能系统SOC波动范围最小,电池不会发生过充过放,且系统频率波动不超过±0.2 Hz,可以提高电网频率稳定性。
文摘为实现储能电池全生命周期下的电池状态动态评估,提高复杂工况下锂离子电池模型的自适应性与状态估计的准确性,提出基于改进逼近理想解排序法(technique for order preference by similarity to an ideal solution,TOPSIS)-模糊贝叶斯网络的电池荷电状态(state of charge,SOC)和健康状态(state of health,SOH)联合估计方法。应用多阶电阻-电容电路(resistor-capacitance circuit,RC)模型、使用节点-支路框架构建电池的等效电路模型,通过基尔霍夫定律与欧姆定律对二阶RC电池等效电路模型中的并联回路进行电气特性分析,构建空间状态方程及等效输出方程;对构建的状态方程进行离散化处理,分别定义并联独立回路离散化零输入响应、零状态响应,分析离散化电池模型状态空间方程;将专家打分法引入TOPSIS算法中进行电池SOC量化估计,结合融入模糊尺度的贝叶斯网络,在相同时间分布尺度下通过电池SOH值计算电池观测样本中对应的SOC值,实现电池SOH与SOC联合估计。实验结果表明:所提方法可有效估计不同离散空间尺度下的电池SOC和SOH结果,估计方法具有良好的准确性与较高的精度。
文摘为解决目前新能源汽车电池荷电状态(State of Charge,SOC)估算方法存在的最大绝对误差偏大问题,文章提出一种基于遗传算法的优化方法。该方法通过构建物理电路模型来等效电池内部结构,并引入充放电分区机制补偿滞后状态,完成电流值修正。同时,离散化处理模型参数,并利用最小二乘法完成参数辨识。在神经网络(Back Propagation,BP)中,采用遗传算法估算并优化模型,以输出精确的SOC估算结果。实验结果显示,利用该方法估算的最大绝对误差稳定在0.0~0.2,显著提升了估算精度,满足预期的误差要求。
