为增加系统惯性,直流微电网内锂电池控制器常采用虚拟直流发电机(virtual DC generator,VDCG)控制方案,但该方案无法使锂电池荷电状态(state of charge,SOC)自均衡。现有基于VDCG的锂电池SOC均衡方案仅能实现电压等级一致的非等容锂电池...为增加系统惯性,直流微电网内锂电池控制器常采用虚拟直流发电机(virtual DC generator,VDCG)控制方案,但该方案无法使锂电池荷电状态(state of charge,SOC)自均衡。现有基于VDCG的锂电池SOC均衡方案仅能实现电压等级一致的非等容锂电池SOC均衡,而退役锂电池储能系统(retire lithium battery energy storage systems,RLBESS)的容量和电压等级均难以保持一致。针对此问题,提出了一种基于VDCG的适用于不同电压等级及容量的RLBESS组间SOC均衡方案。该方案在传统VDCG的基础上建立U-P_(m)关系式并引入SOC均衡因子,能够根据初始SOC状态自动调节锂电池的功率分配,并保持良好的电压质量。建立了所提方案的小信号模型,分析了关键控制参数对系统稳定性的影响。最后,利用Matlab/Simulink仿真软件对不同工况进行有效性验证。仿真结果表明:所提方案能够在锂电池电压等级不一致工况下实现RLBESS的SOC均衡,具有良好的可扩展性。展开更多
为了实现退役动力锂电池荷电状态(State of Charge,SOC)的预测,针对退役锂离子电池特殊的非线性关系,提出自适应法和列文伯格算法(Levenberg-Marquardt,LM)相结合优化BP神经网络估算退役锂电池SOC的VLLM动态模型,并验证了随机工况下退...为了实现退役动力锂电池荷电状态(State of Charge,SOC)的预测,针对退役锂离子电池特殊的非线性关系,提出自适应法和列文伯格算法(Levenberg-Marquardt,LM)相结合优化BP神经网络估算退役锂电池SOC的VLLM动态模型,并验证了随机工况下退役锂电池SOC预测的可靠性。实验结果表明,该模型用优化神经网络法估算SOC的误差能控制在1%以内,随机工况误差在5%以内,提高了退役锂电池SOC的预测精度,为退役锂电池的梯次利用奠定了基础。展开更多
以磷酸铁锂电池为研究对象,综合考虑梯次利用比例、使用周期及电池容量等因素,设定不同梯次利用场景,采用生命周期评价方法量化退役动力电池在梯次利用及后续报废处置阶段的环境影响,并对不同梯次利用率情景下的碳减排量进行分析.结果表...以磷酸铁锂电池为研究对象,综合考虑梯次利用比例、使用周期及电池容量等因素,设定不同梯次利用场景,采用生命周期评价方法量化退役动力电池在梯次利用及后续报废处置阶段的环境影响,并对不同梯次利用率情景下的碳减排量进行分析.结果表明,与直接再生利用相比,储能、通信基站、低速电源三种梯次利用场景均表现为环境效益.其中,储能场景环境效益最大,其在气候变化、化石能源消耗、人体毒性-非致癌、陆地生态毒性指标等环境影响指标上均表现出相对优势.基于电池退役量和梯次利用去向,进一步计算出2023年全年磷酸铁锂电池梯次利用的碳减排量为1.05×10^(8) kg CO_(2)eq.当梯次利用率保持当前水平或以10%增长时,至2030年其全年碳减排量可达1.55×10^(9)kg CO_(2)eq.和5.98×10^(9)kg CO_(2)eq.,梯次利用具有良好的减污降碳环境表现.展开更多
文摘为增加系统惯性,直流微电网内锂电池控制器常采用虚拟直流发电机(virtual DC generator,VDCG)控制方案,但该方案无法使锂电池荷电状态(state of charge,SOC)自均衡。现有基于VDCG的锂电池SOC均衡方案仅能实现电压等级一致的非等容锂电池SOC均衡,而退役锂电池储能系统(retire lithium battery energy storage systems,RLBESS)的容量和电压等级均难以保持一致。针对此问题,提出了一种基于VDCG的适用于不同电压等级及容量的RLBESS组间SOC均衡方案。该方案在传统VDCG的基础上建立U-P_(m)关系式并引入SOC均衡因子,能够根据初始SOC状态自动调节锂电池的功率分配,并保持良好的电压质量。建立了所提方案的小信号模型,分析了关键控制参数对系统稳定性的影响。最后,利用Matlab/Simulink仿真软件对不同工况进行有效性验证。仿真结果表明:所提方案能够在锂电池电压等级不一致工况下实现RLBESS的SOC均衡,具有良好的可扩展性。
文摘为了实现退役动力锂电池荷电状态(State of Charge,SOC)的预测,针对退役锂离子电池特殊的非线性关系,提出自适应法和列文伯格算法(Levenberg-Marquardt,LM)相结合优化BP神经网络估算退役锂电池SOC的VLLM动态模型,并验证了随机工况下退役锂电池SOC预测的可靠性。实验结果表明,该模型用优化神经网络法估算SOC的误差能控制在1%以内,随机工况误差在5%以内,提高了退役锂电池SOC的预测精度,为退役锂电池的梯次利用奠定了基础。
文摘以磷酸铁锂电池为研究对象,综合考虑梯次利用比例、使用周期及电池容量等因素,设定不同梯次利用场景,采用生命周期评价方法量化退役动力电池在梯次利用及后续报废处置阶段的环境影响,并对不同梯次利用率情景下的碳减排量进行分析.结果表明,与直接再生利用相比,储能、通信基站、低速电源三种梯次利用场景均表现为环境效益.其中,储能场景环境效益最大,其在气候变化、化石能源消耗、人体毒性-非致癌、陆地生态毒性指标等环境影响指标上均表现出相对优势.基于电池退役量和梯次利用去向,进一步计算出2023年全年磷酸铁锂电池梯次利用的碳减排量为1.05×10^(8) kg CO_(2)eq.当梯次利用率保持当前水平或以10%增长时,至2030年其全年碳减排量可达1.55×10^(9)kg CO_(2)eq.和5.98×10^(9)kg CO_(2)eq.,梯次利用具有良好的减污降碳环境表现.
