为解决传统的下垂控制存在均分精度不足、无法合理分配电流、下垂系数的取值无限制以及电池荷电状态(state of charge, SOC)均衡速度慢的问题,提出一种基于改进下垂系数的SOC均衡下垂控制。首先,分析了传统幂指数形式下垂控制的缺陷,提...为解决传统的下垂控制存在均分精度不足、无法合理分配电流、下垂系数的取值无限制以及电池荷电状态(state of charge, SOC)均衡速度慢的问题,提出一种基于改进下垂系数的SOC均衡下垂控制。首先,分析了传统幂指数形式下垂控制的缺陷,提出幂指数嵌套反正切函数的下垂系数形式,以此来限制下垂系数的取值进而提高控制系统的稳定性与可靠性。随后,针对SOC均衡速度较慢的问题,提出在下垂系数中引进增速因子Q来提升均衡速度,并分析了不同Q值对下垂曲线的影响。最后,搭建仿真模型对改进方法进行对比验证。仿真结果表明所提改进的SOC均衡速度在SOC差距较小时有较大提升。在SOC均衡的过程中,下垂系数的变化更平滑,母线电压在SOC差距较大时也不会发生较大振荡。展开更多
考虑电池单体老化差异所致的电池组不一致性,针对串联电池组荷电状态(state of charge,SOC)、容量估计问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model,AR-ECM)的平均差异模型(mean-difference model,MDM...考虑电池单体老化差异所致的电池组不一致性,针对串联电池组荷电状态(state of charge,SOC)、容量估计问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model,AR-ECM)的平均差异模型(mean-difference model,MDM)。基于此模型,提出串联电池组SOC、容量多尺度联合估计算法。该算法由2个部分组成,一是基于AR-ECM的MDM及差异化模型参数辨识策略:条件辨识策略和定频分组辨识策略;二是基于多时间尺度H无穷滤波(multi-timescale H infinity filter,Mts-HIF)的电池组SOC、容量联合估计算法。通过将所提出MDM中的自回归平均模型(autoregression mean model,AR-MM)与传统MDM中的n阶RC平均模型(nRC mean model,nRC-MM)比较,结果表明所提出的AR-MM在复杂运行工况下具有更优的动态跟随性能。依据最小化信息量准则(akaike information criterion,AIC),AR-MM具有更优的复杂度与精度的权衡。通过与基于多时间尺度扩展卡尔曼滤波(multi-timescale extended Kalman filter,Mts-EKF)联合状态估计算法比较,结果表明所提出的Mts-HIF状态估计算法具有更优的鲁棒性、精度和收敛速度。展开更多
文摘为解决传统的下垂控制存在均分精度不足、无法合理分配电流、下垂系数的取值无限制以及电池荷电状态(state of charge, SOC)均衡速度慢的问题,提出一种基于改进下垂系数的SOC均衡下垂控制。首先,分析了传统幂指数形式下垂控制的缺陷,提出幂指数嵌套反正切函数的下垂系数形式,以此来限制下垂系数的取值进而提高控制系统的稳定性与可靠性。随后,针对SOC均衡速度较慢的问题,提出在下垂系数中引进增速因子Q来提升均衡速度,并分析了不同Q值对下垂曲线的影响。最后,搭建仿真模型对改进方法进行对比验证。仿真结果表明所提改进的SOC均衡速度在SOC差距较小时有较大提升。在SOC均衡的过程中,下垂系数的变化更平滑,母线电压在SOC差距较大时也不会发生较大振荡。
文摘考虑电池单体老化差异所致的电池组不一致性,针对串联电池组荷电状态(state of charge,SOC)、容量估计问题,提出一种基于自回归等效电路模型(autoregression equivalent circuit model,AR-ECM)的平均差异模型(mean-difference model,MDM)。基于此模型,提出串联电池组SOC、容量多尺度联合估计算法。该算法由2个部分组成,一是基于AR-ECM的MDM及差异化模型参数辨识策略:条件辨识策略和定频分组辨识策略;二是基于多时间尺度H无穷滤波(multi-timescale H infinity filter,Mts-HIF)的电池组SOC、容量联合估计算法。通过将所提出MDM中的自回归平均模型(autoregression mean model,AR-MM)与传统MDM中的n阶RC平均模型(nRC mean model,nRC-MM)比较,结果表明所提出的AR-MM在复杂运行工况下具有更优的动态跟随性能。依据最小化信息量准则(akaike information criterion,AIC),AR-MM具有更优的复杂度与精度的权衡。通过与基于多时间尺度扩展卡尔曼滤波(multi-timescale extended Kalman filter,Mts-EKF)联合状态估计算法比较,结果表明所提出的Mts-HIF状态估计算法具有更优的鲁棒性、精度和收敛速度。
