基于CAN总线的电动车锂电池管理系统

从低成本、环保角度出发,设计了一款基于STC89C52和CAN总线功能完善的电动汽车锂电池管理系统.电动汽车锂电池由多个单体锂电池串联而成.该系统通过DS2438对单体锂电池参数采样送到STC89C52处理,采用开关电容均衡,避免单体电池充电过量或不足,用算法实现SOC(剩余电池容量)估算,通过CAN总线实现模块间以及汽车主控制器的通信.实现对锂电池实时监测、管理,提高电池的使用寿命、安全性能.     

遗传径向基函数神经网络估计纯电动汽车锂电池的荷电状态

考虑到串联的锂电池是复杂的非线性系统,并且径向基函数神经网络(RBF NN)对于解决非线性问题有较好的特性,建立了锂电池SOC估计的RBF NN模型,并提出了一种基于遗传RBF NN的电动汽车锂电池SOC估计的方法. 利用在2010年上海世博园区中运营的纯电动汽车锂电池数据对遗传RBF NN进行训练和SOC估计的实验. 实验结果表明,SOC估计的均方根误差为0.0024,提高了估计的精度.     

基于交互式多模型无迹卡尔曼滤波的锂电池荷电状态估计

为了提高传统卡尔曼滤波法估计锂电池荷电状态(SOC)的精度,在锂电池二阶RC等效电路模型基础上,根据隐马尔科夫模型(HMM)理论并采用遗传算法优化构造出了不同参数状态的电池模型。结合交互式多模型(IMM)算法与无迹卡尔曼滤波(UKF)算法进行SOC估计,提出了一种基于HMM的IMM-UKF算法估计锂电池SOC的方法。锂电池在线SOC估计实验表明,该方法比较其他估计方法有着更高的估计精度,平均绝对误差仅为1%。     

基于FFRLS-AUKF的锂电池参数在线辨识及SOC估计

针对锂电池模型参数辨识不准确以及传统无迹卡尔曼滤波(UKF)无法对噪声进行实时更新,从而导致锂电池荷电状态(SOC)估计误差偏大的问题,提出遗忘因子递推最小二乘法-自适应无迹卡尔曼滤波(FFRLS-AUKF)算法。先利用遗忘因子递推最小二乘法(FFRLS)对电池二阶RC等效电路模型进行在线参数辨识,再将所辨识的各参数传给由UKF和改进的Sage-Husa算法结合得到的AUKF,从而完成对锂电池的SOC估计,并将其与FFRLS-UKF以及离线UKF所估计的结果相比较。从对SOC估计的误差曲线和平均绝对误差以及均方根误差的数值上对比,均可得出FFRLS-AUKF的精度更高,稳定性更好。     

基于环境变量建模的锂电池SOC估计方法

通过对不同温度和锂电池荷电状态(SOC)下电池内部参数测定和评估,分析了影响参数变化的环境因素,建立了可变参数的锂电池Thevenin模型.讨论了模型的分段依据以及相关参数的测定和拟合方法,并采用扩展卡尔曼滤波算法(EKF)对锂电池SOC进行估算,给出了基于温度修正的改进SOC估计方法.所提出的电池模型解决了现有算法中模型适用范围局限性的问题,仿真和实验结果表明,所建立的基于锂电池Thevenin模型的SOC估计方法在较宽的温度范围内都能够获得较高的估算精度.     

基于PSO RBF神经网络的锂电池SOC估算

针对电动汽车锂电池荷电状态(State Of Charge,SOC)的精准估算,提出一种优化的径向基(Radial Basis Function,RBF)神经网络算法;通过粒子群(Particle Swarm Optimization,PSO)算法优化RBF神经网络的参数及结构,确定RBF神经网络中的基函数的宽度以及中心;根据锂电池的充、放电机理,将SOC的影响因子电压(U)、电流(I)、内阻(R)、温度(T)作为输入向量,在Matlab中进行仿真实验;实验表明方法能够实现准确、快速、便捷的锂电池的SOC估算,其预测结果和实际测量结果的误差在4%以下,符合SOC预测误差5%的技术指标要求,对于电动汽车锂电池SOC的估算有着一定的实际应用意义。     

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%。     

无迹卡尔曼滤波对锂电池荷电状态估算的研究

由于动力锂电池参数具有受外界干扰影响大、电池模型非线性的特点,现有的荷电状态(SOC)估算方法并不能完全满足精度和实时性的需要。在综合考虑模型的精确性和实际工程计算复杂程度后,提出使用经验公式模型,在模型的基础上采用无迹卡尔曼滤波(UKF)算法对电池SOC进行估算。通过对比动力锂电池放电实验得到的数据,检验算法估算效果。实验结果表明:UKF算法能够准确跟踪动力锂电池放电变化情况,对动力锂电池SOC的估算误差在2%左右,相比于传统算法在精度上有较大的提高。     

改进PSO优化LSSVM的锂电池SOC估算模型

为提高锂电池荷电状态(SOC)的估算精度,提出一种改进粒子群优化(PSO)算法;对最小二乘支持向量机(LSSVM)的惩罚参数C和核函数参数σ进行寻优,建立基于改进PSO-LSSVM的锂电池SOC估算模型.对磷酸铁锂充放电实验数据进行仿真分析,结果表明:改进PSO-LSSVM模型的平均相对误差为2.96%,均方根误差为0.018,全局最大相对误差为4.79%;改进PSO-LSSVM模型明显提高锂电池SOC估算精度.     

动力锂电池组管理系统的SOC估算研究及实现

针对锂电池的特性,讨论了锂电池组电池管理系统的软硬件结构,在安时计量法的基础上,采用一种在线修正的SOC估算策略,设计了一个基于CAN总线的分布式电池管理系统,建立了系统及其各个组成单元的功能和结构,实现了数据监测、CAN通信、SOC估算、安全预警和温度控制功能.经试验验证,该系统工作稳定且能准确估算电池SOC.     

基于模糊控制的光伏微电网复合储能控制策略优化研究

微电网中复合储能的功率分配问题一直是业内研究的热点,以光伏微电网为应用场景,电源功率波动和负载功率波动在时间上呈现出的非线性特性会对储能系统控制产生影响。针对这一问题,在基于源-荷功率预测的复合储能控制策略上进行优化,利用模糊算法对非线性问题的处理优势,在储能元件功率分配的情况中加入模糊控制器,兼顾考虑储能电池SOC(State of Charge)与微电网功率波动之间的非线性关系,设计微电网预测能量与实际并网能量的差额分配算法,对储能系统有功率参考值进行实时修正,从而达到调节储能系统SOC的效果。实现了在长时间尺度中,实际并网功率能准确跟踪并网调度,储能元件不会产生过充或过放的现象,从而降低了储能元件的损坏率,提高了复合储能系统运行的安全稳定性能,延长了储能系统使用寿命的目的。实验结果表明：与优化前的控制策略相比,在相同工况下优化后的控制策略使蓄电池SOC波动范围缩小15.6%,一直保持在40%～60%之间波动。     

工业微电网分组储能控制策略

工业用户对于微电网的应用有着极大的经济性和可靠性要求.可再生能源发电的不确定性,和储能充放电损耗过高,影响着微电网的经济性;同时,一般的微电网系统并没有备用储能,影响着微电网的可靠性.针对上述问题,提出了一种应用于工业微电网系统的分组储能控制策略.将储能分为三组分别进行优化调度,减少了可再生能源发电不确定性对微电网的影...     

大容量电池储能系统孤网运行控制策略

电池储能系统为含风电、光伏发电等分布式电源的孤网系统实现系统稳定运行提供了一种有效的方法,分布式电源的大规模应用也促进了电池储能系统容量的扩大.介绍了大容量电池储能系统的工作原理,分析了电池系统等效模型及其控制特性,针对电池荷电状态的不一致及低压配电网线路阻抗不完全为纯感性而导致系统负荷分配控制不精确的问题,提出了基于电池荷电状态的改进型负荷分配控制策略,并在PSCAD/EMTDC环境下建立了系统仿真平台.仿真结果表明,该系统在不同带载情况下均能有效地分配负荷功率,且能保证系统电压幅值和频率稳定在其额定值附近,实现系统稳定运行.     

基于光伏发电量预测的含氢储能微网分段优化调度

针对多储能微网如何高效、经济运行,搭建了基于光伏发电的含氢储能、蓄电池储能的微网系统,采用一种日前预测调度与日内实时调度相结合的分段调度策略。在日前预测调度阶段,采用基于麻雀搜索算法优化支持向量机模型提高对日前的光伏发电量和负荷预测的精度,以微网最小使用成本为目标,考虑系统运行的可靠性,采用改进粒子群算法制定微网的日前最优调度策略。在日内调度阶段,考虑氢储能系统的响应延迟特性,以蓄电池为灵活补充元件,制定实时调整微网运行策略,消除预测误差带来的影响。最后,结合实际算例分析,验证了分段优化调度的可行性。结果表明,提出的方法能够有效预测数据,减少微网调度的响应时间,提高系统运行的经济性和稳定性。     

含混合储能的风光储系统容量优化配置

由于可再生能源的不断发展,电网对各种能源存储技术的需求日益增长,通过提出一种利用废弃矿区建立含重力储能的混合储能系统解决新能源消纳的问题。以年均系统成本最小化为目标建立微电网容量优化配置模型,通过分析含风力发电机、光伏组件、蓄电池和重力储能装置的微电网各发电单元特性,并采用改进粒子群优化算法对该模型进行优化求解。算例结果表明,该模型提高了系统的经济性,系统负荷缺电率等可靠性指标也得到了明显提升。     

计及虚拟储能的风光储独立微电网优化配置

针对风光资源丰富的偏远地区,提出风光储独立型微电网容量配置模型及协同运行策略。首先建立分布式电源的数学模型,考虑负载失电率以及能量过剩率,以微网配置总成本作为目标函数,采用改进的粒子群算法进行一次优化配置;再以一次优化配置所得的蓄电池配置结果,作为二次优化配置的输入,引入基于电力弹簧的虚拟储能,以储能系统的总成本最低为目标函数,计算虚拟储能所等效的蓄电池数量,减少蓄电池的配置数量,得出最终的配置结果。最后,通过算例分析表明了该方法的可行性及经济性,可为微电网容量配置提供参考。     

光储微电网混合储能系统的控制策略及开关优化

传统光储微电网混合储能系统控制策略将蓄电池视为容量无限大的理想元件,而实际上蓄电池容量有限,当蓄电池剩余电量达到阈值无法正常工作时传统控制策略将不适用。在二阶低通滤波法的基础上提出一种光储微电网混合储能系统的新型控制策略,同时考虑超级电容与蓄电池的剩余电量,根据储能元件的荷电状态调整储能元件输出电流参考值,维持储能元件剩余电量,但在极端天气情况下,仍需与储能元件保护开关相配合。由于采用传统储能元件保护开关的储能系统需独立的充放电电路,存在成本较高、充放电不连续等问题,因此,对储能元件的保护开关进行了改进,利用开关与二极管并联使其具有4种工作状态,在储能元件剩余电量达到阈值时,可自动恢复电量,降低了成本,提高了并网输出电能质量。最后结合新型控制策略与改进的保护开关,提出整体的混合储能系统控制方案,并用 Matlab／Simulink 对其进行仿真验证,结果证明了所提方法的正确性与可行性。     

基于多新息扩展卡尔曼滤波的锂离子电池SOC估计研究

锂电池具有高能量密度、循环寿命长等优点而被广泛应用于电动汽车动力装置,但车辆运行状况复杂多变,且电池内部呈现高度非线性的性质,导致电池荷电状态(SOC)难以准确计算。为优化锂电池SOC估计精度,构建结合Warburg元件的分数阶二阶RC模型,采用自适应遗传算法进行参数辨识;融合多新息理论和扩展卡尔曼滤波算法,提出基于多新息扩展卡尔曼滤波(MIEKF)的锂离子电池SOC估计算法,并利用试验数据验证该方法的有效性,为提高SOC估计精度和车载锂电池的循环使用寿命提供了新的方法途径和实践支撑。     

基于改进自抗扰控制的微电网混合储能控制策略

储能系统在微电网保证电力系统运行稳定运行中起到了关键的作用.因可再生能源发电具有许多不确定因素,从而引发的随机性以及波动性对微电网并网运行产生恶劣的影响.针对以上问题,为提高微电网并网的电能质量,减小直流(direct current,DC)母线电压的波动和冲击,提出一种由超级电容与蓄电池组成的改进自抗扰控制(acti...     

基于改进门控循环单元神经网络的锂电池组荷电状态预测

准确预测锂电池组的荷电状态(state of charge, SOC)能够有效防止电池过度充电或者放电,是储能设备安全运行的重要保障。为了解决SOC无法通过测量直接获得的问题,提出了一种基于猎人猎物优化算法(hunter prey optimization, HPO)优化门控循环单元(gated recurrent unit, GRU)神经网络的预测模型。在GRU的基础上添加Dropout机制,来增强模型的泛化能力,并通过HPO算法优化GRU的超参数,使锂电池的数据特征与网络拓扑相匹配。为了验证HPO-GRU模型的有效性,以某储能公司现场采集的储能锂电池组历史数据进行仿真实验,并与反向传播神经网络(back propagation, BP)、长短期记忆网络(long short term memory, LSTM)和GRU 3种预测模型的预测结果进行对比分析。可得HPO-GRU模型预测值与真实值的误差最小,在5%以内。可见HPO-GRU模型的预测精度最高,具有良好的鲁棒性以及较强的泛化能力。