电池荷电状态(state of charge,SOC)的预测是电动汽车电池管理系统的关键任务之一,为此对锂电池荷电状态的预测进行了研究,提出了一种基于QPSO-BP神经网络的锂电池SOC预测。在分析了磷酸铁锂(LiFePO4)电池充放电机理后,运用MATLAB人工...电池荷电状态(state of charge,SOC)的预测是电动汽车电池管理系统的关键任务之一,为此对锂电池荷电状态的预测进行了研究,提出了一种基于QPSO-BP神经网络的锂电池SOC预测。在分析了磷酸铁锂(LiFePO4)电池充放电机理后,运用MATLAB人工神经网络工具箱建立基于量子微粒群算法(QPSO)的BP(back propagation)神经网络模型,用于预测锂离子电池充放电过程中的任一状态下的SOC。仿真实验验证了方法的准确性。结果表明,与现有的神经网络预测方法相比,基于QPSO-BP神经网络的锂电池SOC预测方法准确度高,且具备很好的实用性。展开更多
针对三北地区供热季"以热定电"运行机制下产生的大量弃风问题,提出了一种面向风电消纳的地区综合能源系统(integrated energy system,IES)多类型储能联合调度方法。首先,设置了含电-热多类型储能装置的地区综合能源系统结构,...针对三北地区供热季"以热定电"运行机制下产生的大量弃风问题,提出了一种面向风电消纳的地区综合能源系统(integrated energy system,IES)多类型储能联合调度方法。首先,设置了含电-热多类型储能装置的地区综合能源系统结构,该系统以电动汽车作为灵活储电装置,并对系统内各设备子系统进行了建模;其次,构造了以风电消纳能力最优为目标、以电热网络运行情况为约束的地区综合能源系统多类型储能优化调度模型;再次,采用量子粒子群算法,借助系统内的多类型储能装置调节热电联产机组的出力;最后,通过算例对比分析,证明了在区域内加装不同类型储能装置可以改善风电消纳能力,同时考虑区域间能量互联有提高能源利用率的作用。展开更多
文摘电池荷电状态(state of charge,SOC)的预测是电动汽车电池管理系统的关键任务之一,为此对锂电池荷电状态的预测进行了研究,提出了一种基于QPSO-BP神经网络的锂电池SOC预测。在分析了磷酸铁锂(LiFePO4)电池充放电机理后,运用MATLAB人工神经网络工具箱建立基于量子微粒群算法(QPSO)的BP(back propagation)神经网络模型,用于预测锂离子电池充放电过程中的任一状态下的SOC。仿真实验验证了方法的准确性。结果表明,与现有的神经网络预测方法相比,基于QPSO-BP神经网络的锂电池SOC预测方法准确度高,且具备很好的实用性。
文摘针对三北地区供热季"以热定电"运行机制下产生的大量弃风问题,提出了一种面向风电消纳的地区综合能源系统(integrated energy system,IES)多类型储能联合调度方法。首先,设置了含电-热多类型储能装置的地区综合能源系统结构,该系统以电动汽车作为灵活储电装置,并对系统内各设备子系统进行了建模;其次,构造了以风电消纳能力最优为目标、以电热网络运行情况为约束的地区综合能源系统多类型储能优化调度模型;再次,采用量子粒子群算法,借助系统内的多类型储能装置调节热电联产机组的出力;最后,通过算例对比分析,证明了在区域内加装不同类型储能装置可以改善风电消纳能力,同时考虑区域间能量互联有提高能源利用率的作用。
