荷电状态(state of charge,SOC)和峰值功率(state of peak power,SOP)的精确估计对保障电池安全稳定运行具有重要意义。为解决传统估计算法误差高、鲁棒性差等问题,本文提出了一种基于自适应无迹卡尔曼滤波(adaptive unscented Kalman f...荷电状态(state of charge,SOC)和峰值功率(state of peak power,SOP)的精确估计对保障电池安全稳定运行具有重要意义。为解决传统估计算法误差高、鲁棒性差等问题,本文提出了一种基于自适应无迹卡尔曼滤波(adaptive unscented Kalman filtering,AUKF)和经济模型预测控制(economic model predictive control,EMPC)的全钒液流电池(all-vanadium redox batteries,VRB)SOC/SOP联合估计方法。首先,为了提高传统模型的建模精度,本文综合考虑了VRB的电化学场和流体力学场的耦合特性,建立了一个能够全面刻画VRB运行过程的综合等效电路模型,并采用人工蜂群算法(artificial bee colony algorithm,ABC)对模型参数进行离线辨识。随后,考虑到传统的UKF算法无法适应系统噪声,收敛性差,且忽略电池参数变化等缺点,本文提出了基于AUKF的在线参数辨识和SOC估计算法,通过自适应调整UKF算法的参数来提高模型的精度。结合SOC的估计结果,采用EMPC算法估计VRB的SOP,并综合考虑了电压、电流、SOC和电解液流速等约束条件。最后,设计了多种实验工况验证了本文提出的SOC/SOP联合估计算法的精度。文章研究内容能够为液流电池不同运行状态下峰值功率预测和储能电站的精准调度提供依据。展开更多
为提高锂离子电池在复杂工况下的预测能力和建模精度,提出一种基于滑动窗口和长短时记忆(long short term memory,LSTM)神经网络的锂离子电池建模方法。首先建立了基于神经网络的锂离子电池模型,确定了神经网络的基本结构,通过LSTM层、...为提高锂离子电池在复杂工况下的预测能力和建模精度,提出一种基于滑动窗口和长短时记忆(long short term memory,LSTM)神经网络的锂离子电池建模方法。首先建立了基于神经网络的锂离子电池模型,确定了神经网络的基本结构,通过LSTM层、向量拼接层和全连接层分别实现了时序特征提取、特征融合和回归预测。然后提出了滑动窗口的输入向量处理方法,滑动窗口每次向前推进一个时间点,通过限制时间窗口内所能处理的最大信元数对数据量进行限制,为多个LSTM层的并行计算和深隐层的拼接层和全连接层预留了计算量的裕度,实现了对模型中循环网络层深度的优化选择。为解决模型在多工况下运行的泛化问题,提出使用离线数据集的预训练和在线数据的参数修正的训练方法,通过大量离线数据集的反复训练,使模型学习电池的共性部分;再使用部分在线数据,对网络参数进行调整,将其应用于预测中。最后使用恒流/恒压、随机电流脉冲、大功率脉冲等多个工况的数据分别进行测试。结果表明,基于长短时记忆神经网络的建模方法能够准确预测电池输出电压和荷电状态。展开更多
文摘为提高锂离子电池在复杂工况下的预测能力和建模精度,提出一种基于滑动窗口和长短时记忆(long short term memory,LSTM)神经网络的锂离子电池建模方法。首先建立了基于神经网络的锂离子电池模型,确定了神经网络的基本结构,通过LSTM层、向量拼接层和全连接层分别实现了时序特征提取、特征融合和回归预测。然后提出了滑动窗口的输入向量处理方法,滑动窗口每次向前推进一个时间点,通过限制时间窗口内所能处理的最大信元数对数据量进行限制,为多个LSTM层的并行计算和深隐层的拼接层和全连接层预留了计算量的裕度,实现了对模型中循环网络层深度的优化选择。为解决模型在多工况下运行的泛化问题,提出使用离线数据集的预训练和在线数据的参数修正的训练方法,通过大量离线数据集的反复训练,使模型学习电池的共性部分;再使用部分在线数据,对网络参数进行调整,将其应用于预测中。最后使用恒流/恒压、随机电流脉冲、大功率脉冲等多个工况的数据分别进行测试。结果表明,基于长短时记忆神经网络的建模方法能够准确预测电池输出电压和荷电状态。
