储能系统采用串并联结构(串联的储能单元为一组,多组并联)可以实现将小容量、低电压等级的储能单元接入直流微电网中,并且可以实现系统扩容和提高端电压。为避免串并联结构的储能单元因荷电状态(state of charge,SOC)和额定容量差别导...储能系统采用串并联结构(串联的储能单元为一组,多组并联)可以实现将小容量、低电压等级的储能单元接入直流微电网中,并且可以实现系统扩容和提高端电压。为避免串并联结构的储能单元因荷电状态(state of charge,SOC)和额定容量差别导致个别储能单元提前退运的短板效应,提出一种考虑储能SOC和额定容量的控制方法,实现串联模块间的电压和并联模块间的功率合理分配。考虑到功率分配后期因储能单元间SOC差别较小导致均衡速度较慢的问题,引入变异系数对下垂系数进行动态优化。考虑到升压或扩容导致各组总容量不同,引入容量权重因子,使储能单元达到均衡出力。通过搭建MATLAB/Simulink仿真模型,验证了策略的可行性。展开更多
新能源产业的飞速发展使磷酸铁锂电池广泛应用于储能领域。磷酸铁锂电池电解液固有的可燃性使其热稳定性和安全性问题不容忽视。为了更好地防控储能电站的爆炸事故,有必要开展储能电池的热失控过程研究,并对产气过程和产气组分的危害性...新能源产业的飞速发展使磷酸铁锂电池广泛应用于储能领域。磷酸铁锂电池电解液固有的可燃性使其热稳定性和安全性问题不容忽视。为了更好地防控储能电站的爆炸事故,有必要开展储能电池的热失控过程研究,并对产气过程和产气组分的危害性进行深入分析。开展了不同荷电状态(State of Charge, SOC)60 Ah磷酸铁锂电池热失控试验,根据电池温度演变曲线,将电池热失控过程分成三个阶段;依据电池产气曲线,将电池产气过程分为四个阶段;使用FLACS软件建模对预混气体进行了爆炸仿真,探索了SOC对可燃气体燃爆行为的影响规律,混合可燃气体的爆炸上下限和爆炸超压随着SOC的增大而增大。研究成果对储能电站的安全防护具有理论指导意义。展开更多
随着可再生能源比例增加,电网新建储能电站成为提升系统频率稳定性的重要手段。针对电网中分布式储能电站(distributedenergystoragestations,DESS)参与一次调频面临的荷电状态均衡问题,提出了一种考虑荷电状态(state of charge,SOC)一...随着可再生能源比例增加,电网新建储能电站成为提升系统频率稳定性的重要手段。针对电网中分布式储能电站(distributedenergystoragestations,DESS)参与一次调频面临的荷电状态均衡问题,提出了一种考虑荷电状态(state of charge,SOC)一致性的DESS协同控制策略。首先,构建了含分布式储能电站的区域电网调频模型,分析了传统调频控制方法的特点,并讨论了储能在高渗透率新能源电网中的调频及一致性控制需求;其次,分析了电网调频需求与DESS的SOC一致性调整需求之间的耦合关系,设计了基于一致性原理的SOC分布式控制策略,进而构建了兼顾两种需求的DESS一次调频协同控制方法,详细分析了关键控制参数的设计原则与取值方法。最后,搭建典型区域电网模型,结合不同频率波动工况进行了仿真验证,结果表明:所提控制策略可以有效改善电网频率质量,在不增加系统调频负担的前提下实现多个储能电站的SOC一致性调节,减小了DESS集群的SOC越限风险,增强了其聚合控制效果。展开更多
由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低。为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法...由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低。为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法基于长短期记忆网络(long-short-term memory,LSTM)和逐通道不同阈值的深度残差收缩网络(deep residual shrinkage networks with channel-wise thresholds,DRSN-CW),利用锂离子电池电压、电流、温度、容量等数据信息在深度残差收缩网路中进行特征提取,通过LSTM进一步拟合时间序列数据趋势,实现锂离子电池在使用周期内SOC的预测。在DRSN-CW网络的残差收缩模块中可以实现自适应噪声数据处理功能,消除锂离子电池数据流质量对SOC预测的负面影响。利用锂电池公共数据集训练所提出的网络,对比了3种神经网络模型在该两组数据集上的预测效果。实验结果表明,所提出的深度学习模型在两组公开数据集上的MAE和RMSE均值都控制在5%以内,相比其他3种深度学习模型有更好的抗噪性能和预测性能,且估算精度高。展开更多
锂离子电池作为新能源存储的载体,是执行“双碳”目标的重要助力,精确估算电池荷电状态(state of charge,SOC)能够有效辅助电池管理,进而延长电池使用寿命。针对卡尔曼滤波类算法的SOC估算效果受磷酸铁锂电池特性制约的问题,该文提出一...锂离子电池作为新能源存储的载体,是执行“双碳”目标的重要助力,精确估算电池荷电状态(state of charge,SOC)能够有效辅助电池管理,进而延长电池使用寿命。针对卡尔曼滤波类算法的SOC估算效果受磷酸铁锂电池特性制约的问题,该文提出一种比例积分微分(proportional integral differential,PID)控制与扩展卡尔曼滤波(extended Kalman filter,EKF)联合方法。该方法利用PID控制原理设计SOC初值补偿策略并优化EKF算法的状态变量修正过程,可降低磷酸铁锂电池特性对算法的影响。实验结果表明,与EKF算法相比,所提方法在估算磷酸铁锂电池SOC时拥有更高的估算精度与更快的收敛速度,对电池模型误差与采样噪声表现出较强的鲁棒性。展开更多
文摘储能系统采用串并联结构(串联的储能单元为一组,多组并联)可以实现将小容量、低电压等级的储能单元接入直流微电网中,并且可以实现系统扩容和提高端电压。为避免串并联结构的储能单元因荷电状态(state of charge,SOC)和额定容量差别导致个别储能单元提前退运的短板效应,提出一种考虑储能SOC和额定容量的控制方法,实现串联模块间的电压和并联模块间的功率合理分配。考虑到功率分配后期因储能单元间SOC差别较小导致均衡速度较慢的问题,引入变异系数对下垂系数进行动态优化。考虑到升压或扩容导致各组总容量不同,引入容量权重因子,使储能单元达到均衡出力。通过搭建MATLAB/Simulink仿真模型,验证了策略的可行性。
文摘新能源产业的飞速发展使磷酸铁锂电池广泛应用于储能领域。磷酸铁锂电池电解液固有的可燃性使其热稳定性和安全性问题不容忽视。为了更好地防控储能电站的爆炸事故,有必要开展储能电池的热失控过程研究,并对产气过程和产气组分的危害性进行深入分析。开展了不同荷电状态(State of Charge, SOC)60 Ah磷酸铁锂电池热失控试验,根据电池温度演变曲线,将电池热失控过程分成三个阶段;依据电池产气曲线,将电池产气过程分为四个阶段;使用FLACS软件建模对预混气体进行了爆炸仿真,探索了SOC对可燃气体燃爆行为的影响规律,混合可燃气体的爆炸上下限和爆炸超压随着SOC的增大而增大。研究成果对储能电站的安全防护具有理论指导意义。
文摘随着可再生能源比例增加,电网新建储能电站成为提升系统频率稳定性的重要手段。针对电网中分布式储能电站(distributedenergystoragestations,DESS)参与一次调频面临的荷电状态均衡问题,提出了一种考虑荷电状态(state of charge,SOC)一致性的DESS协同控制策略。首先,构建了含分布式储能电站的区域电网调频模型,分析了传统调频控制方法的特点,并讨论了储能在高渗透率新能源电网中的调频及一致性控制需求;其次,分析了电网调频需求与DESS的SOC一致性调整需求之间的耦合关系,设计了基于一致性原理的SOC分布式控制策略,进而构建了兼顾两种需求的DESS一次调频协同控制方法,详细分析了关键控制参数的设计原则与取值方法。最后,搭建典型区域电网模型,结合不同频率波动工况进行了仿真验证,结果表明:所提控制策略可以有效改善电网频率质量,在不增加系统调频负担的前提下实现多个储能电站的SOC一致性调节,减小了DESS集群的SOC越限风险,增强了其聚合控制效果。
文摘由于电池荷电状态(state of charge,SOC)无法直接测量,且传统的SOC估算方法精度低。为了提升锂离子电池SOC估算精度,对比了不同深度学习网络模型应用于SOC估算的效果,并提出了一种基于DRSN-CW-LSTM网络的锂离子电池SOC估算方法。该方法基于长短期记忆网络(long-short-term memory,LSTM)和逐通道不同阈值的深度残差收缩网络(deep residual shrinkage networks with channel-wise thresholds,DRSN-CW),利用锂离子电池电压、电流、温度、容量等数据信息在深度残差收缩网路中进行特征提取,通过LSTM进一步拟合时间序列数据趋势,实现锂离子电池在使用周期内SOC的预测。在DRSN-CW网络的残差收缩模块中可以实现自适应噪声数据处理功能,消除锂离子电池数据流质量对SOC预测的负面影响。利用锂电池公共数据集训练所提出的网络,对比了3种神经网络模型在该两组数据集上的预测效果。实验结果表明,所提出的深度学习模型在两组公开数据集上的MAE和RMSE均值都控制在5%以内,相比其他3种深度学习模型有更好的抗噪性能和预测性能,且估算精度高。
文摘锂离子电池作为新能源存储的载体,是执行“双碳”目标的重要助力,精确估算电池荷电状态(state of charge,SOC)能够有效辅助电池管理,进而延长电池使用寿命。针对卡尔曼滤波类算法的SOC估算效果受磷酸铁锂电池特性制约的问题,该文提出一种比例积分微分(proportional integral differential,PID)控制与扩展卡尔曼滤波(extended Kalman filter,EKF)联合方法。该方法利用PID控制原理设计SOC初值补偿策略并优化EKF算法的状态变量修正过程,可降低磷酸铁锂电池特性对算法的影响。实验结果表明,与EKF算法相比,所提方法在估算磷酸铁锂电池SOC时拥有更高的估算精度与更快的收敛速度,对电池模型误差与采样噪声表现出较强的鲁棒性。