由于可再生能源的间歇性特点,储能单元广泛应用于孤岛直流微电网中。为保护储能单元,防止过度充放,需要对储能单元的荷电状态(state of charge,SOC)实行均衡控制,然而各储能单元线路阻抗及容量存在的差异将对SOC均衡造成影响。针对这一...由于可再生能源的间歇性特点,储能单元广泛应用于孤岛直流微电网中。为保护储能单元,防止过度充放,需要对储能单元的荷电状态(state of charge,SOC)实行均衡控制,然而各储能单元线路阻抗及容量存在的差异将对SOC均衡造成影响。针对这一问题,提出了一种基于一致性算法及自适应下垂控制的储能单元SOC均衡控制策略。首先,通过定义电流比例系数,建立了各储能单元下垂系数与SOC之间的函数关系式,实现了储能单元自适应SOC均衡,并通过劳斯判据证明了系统的稳定性。其次,将所提控制策略与其他文献控制方法进行对比,并且考虑了4种不同工况对SOC均衡的影响。最后,通过Matlab/Simulink进行了仿真分析,验证了所提控制策略的有效性。展开更多
为了准确估计动力电池的SOC(state of charge)值,研究一种基于改进长短期记忆(LSTM)的新能源汽车动力电池SOC联合估计方法。分析不同因素对新能源汽车动力电池SOC的影响。基于此,构建基于卷积神经网络(CNN)-LSTM估计模型,以实现电池SOC...为了准确估计动力电池的SOC(state of charge)值,研究一种基于改进长短期记忆(LSTM)的新能源汽车动力电池SOC联合估计方法。分析不同因素对新能源汽车动力电池SOC的影响。基于此,构建基于卷积神经网络(CNN)-LSTM估计模型,以实现电池SOC联合估计。结果表明,改进后的LSTM训练均方误差更小,说明改进后LSTM拟合程度更好,具有实用性。展开更多
准确估计蓄电池荷电状态(state of charge,SOC)对于蓄电池的健康管理具有重要意义。现有SOC估算方法普遍存在复杂性高、自适应较弱的问题,更偏重于理论分析,难以满足实际在线监测的应用场景。为提高SOC估算过程的自适应性以及降低算法...准确估计蓄电池荷电状态(state of charge,SOC)对于蓄电池的健康管理具有重要意义。现有SOC估算方法普遍存在复杂性高、自适应较弱的问题,更偏重于理论分析,难以满足实际在线监测的应用场景。为提高SOC估算过程的自适应性以及降低算法应用的复杂性,提出了一种适用于在线监测应用场景的基于蜣螂优化算法和自适应无迹卡尔曼滤波的SOC估计算法。将二阶Thevenin等效电路作为蓄电池的模型,利用蜣螂优化算法对该模型的关键参数进行自适应辨识,根据所辨识的参数,利用自适应无迹卡尔曼滤波算法对SOC进行估算。为了验证该算法的有效性,利用锂离子电池不同动态工况的实验数据进行了测试。实验结果表明,在初始参数设置模糊或不准确的情况下,该算法依然能够自适应地获取精度更高的SOC估计结果,具有更好的鲁棒性。展开更多
锂离子电池的荷电状态(state of charge,SOC)在电池均衡、优化能量使用等方面具有重要作用。针对基于模型的SOC估计方法中状态空间方程非线性导致计算量大的问题,提出了使用门控循环单元(gated recurrent units,GRU)软测量SOC,并以此为...锂离子电池的荷电状态(state of charge,SOC)在电池均衡、优化能量使用等方面具有重要作用。针对基于模型的SOC估计方法中状态空间方程非线性导致计算量大的问题,提出了使用门控循环单元(gated recurrent units,GRU)软测量SOC,并以此为观测量构建线性状态空间方程,进而使用卡尔曼滤波(Kalman filter,KF)估计SOC的方法。在随机驾驶循环工况下,所提出方法的SOC估计最大绝对误差为0.017,同时具有较快的估计速度。进一步研究发现,不同充放电倍率下电池模型的参数具有很大差异,导致基于模型的SOC估计方法在复杂情况下的估计精度较低,而所提出的GRU-KF方法因为不需要精确的电池模型,更能适应复杂的工况。展开更多
文摘由于可再生能源的间歇性特点,储能单元广泛应用于孤岛直流微电网中。为保护储能单元,防止过度充放,需要对储能单元的荷电状态(state of charge,SOC)实行均衡控制,然而各储能单元线路阻抗及容量存在的差异将对SOC均衡造成影响。针对这一问题,提出了一种基于一致性算法及自适应下垂控制的储能单元SOC均衡控制策略。首先,通过定义电流比例系数,建立了各储能单元下垂系数与SOC之间的函数关系式,实现了储能单元自适应SOC均衡,并通过劳斯判据证明了系统的稳定性。其次,将所提控制策略与其他文献控制方法进行对比,并且考虑了4种不同工况对SOC均衡的影响。最后,通过Matlab/Simulink进行了仿真分析,验证了所提控制策略的有效性。
文摘为了准确估计动力电池的SOC(state of charge)值,研究一种基于改进长短期记忆(LSTM)的新能源汽车动力电池SOC联合估计方法。分析不同因素对新能源汽车动力电池SOC的影响。基于此,构建基于卷积神经网络(CNN)-LSTM估计模型,以实现电池SOC联合估计。结果表明,改进后的LSTM训练均方误差更小,说明改进后LSTM拟合程度更好,具有实用性。
文摘准确估计蓄电池荷电状态(state of charge,SOC)对于蓄电池的健康管理具有重要意义。现有SOC估算方法普遍存在复杂性高、自适应较弱的问题,更偏重于理论分析,难以满足实际在线监测的应用场景。为提高SOC估算过程的自适应性以及降低算法应用的复杂性,提出了一种适用于在线监测应用场景的基于蜣螂优化算法和自适应无迹卡尔曼滤波的SOC估计算法。将二阶Thevenin等效电路作为蓄电池的模型,利用蜣螂优化算法对该模型的关键参数进行自适应辨识,根据所辨识的参数,利用自适应无迹卡尔曼滤波算法对SOC进行估算。为了验证该算法的有效性,利用锂离子电池不同动态工况的实验数据进行了测试。实验结果表明,在初始参数设置模糊或不准确的情况下,该算法依然能够自适应地获取精度更高的SOC估计结果,具有更好的鲁棒性。
