为有效降低退役动力电池梯次利用寿命损耗,提高电池模组运行过程中功能状态的一致性,本工作提出了考虑电池能量状态(state of energy,SOE)、健康状态(state of health,SOH)及功率状态(state of power,SOP)的多状态耦合的电池模组分选方...为有效降低退役动力电池梯次利用寿命损耗,提高电池模组运行过程中功能状态的一致性,本工作提出了考虑电池能量状态(state of energy,SOE)、健康状态(state of health,SOH)及功率状态(state of power,SOP)的多状态耦合的电池模组分选方法。首先,提取退役动力电池基本电性能参数(如容量、电压、内阻等),建立了电池模组SOE、SOH及SOP多状态耦合表征模型;其次,估计电池模组SOE特性,预测梯次利用电池模组SOH一致性,采用改进K-means聚类算法对电池模组进行了第一阶段的动态分选。最后,建立了电池模组耦合多参量的SOP表征模型,估计了电池模组中电池之间SOP偏差,对电池模组进行了第二阶段的动态分选。通过仿真算例分析验证该方法有效提高了退役动力电池梯次利用过程中模组的一致性,降低了系统运行的寿命损耗,为梯次利用储能大规模应用提供理论基础。展开更多
文摘为有效降低退役动力电池梯次利用寿命损耗,提高电池模组运行过程中功能状态的一致性,本工作提出了考虑电池能量状态(state of energy,SOE)、健康状态(state of health,SOH)及功率状态(state of power,SOP)的多状态耦合的电池模组分选方法。首先,提取退役动力电池基本电性能参数(如容量、电压、内阻等),建立了电池模组SOE、SOH及SOP多状态耦合表征模型;其次,估计电池模组SOE特性,预测梯次利用电池模组SOH一致性,采用改进K-means聚类算法对电池模组进行了第一阶段的动态分选。最后,建立了电池模组耦合多参量的SOP表征模型,估计了电池模组中电池之间SOP偏差,对电池模组进行了第二阶段的动态分选。通过仿真算例分析验证该方法有效提高了退役动力电池梯次利用过程中模组的一致性,降低了系统运行的寿命损耗,为梯次利用储能大规模应用提供理论基础。
