电化学储能电站在应用于调频、调压等功率波动性工况时,存在能量效率较低、荷电状态(state of charge,SOC)不均衡等问题。该文提出考虑能量效率和SOC均衡的电池储能电站双层功率分配策略,其主要包括单元优化层和子系统优化层:单元优化...电化学储能电站在应用于调频、调压等功率波动性工况时,存在能量效率较低、荷电状态(state of charge,SOC)不均衡等问题。该文提出考虑能量效率和SOC均衡的电池储能电站双层功率分配策略,其主要包括单元优化层和子系统优化层:单元优化层通过充电/放电优先级分区计算实际运行单元数量及其编号,建立以储能单元能耗最小为目标的优化模型,并采用遗传算法求解最优解集;子系统优化层引入基于电化学阻抗的电池能耗模型,以储能子系统能耗最低和SOC均衡为目标建立多目标优化模型,并采用非支配快速排序遗传算法(non-dominated sorting genetic algorithms-II,NSGA-II)进行求解。通过某地区锂电池储能电站实际参数验证所提策略的有效性,结果表明,与SOC比例分配策略和单层功率分配策略相比,所提功率分配策略在降低电站能耗的同时能最大程度实现SOC均衡,保障电站双向调节能力,提高储能电站经济性。展开更多
常规的磷酸铁锂电池荷电状态估计观测方程被设定为问题点位测定,其估计范围受限,导致最终得出的荷电状态估计稳态误差较大,为此,提出电化学储能系统中磷酸铁锂电池荷电状态估计研究。根据当前的荷电状态估计需求,先计算SOC估计补偿系数...常规的磷酸铁锂电池荷电状态估计观测方程被设定为问题点位测定,其估计范围受限,导致最终得出的荷电状态估计稳态误差较大,为此,提出电化学储能系统中磷酸铁锂电池荷电状态估计研究。根据当前的荷电状态估计需求,先计算SOC估计补偿系数,再采用多阶的方式,打破估计范围的限制,建立多阶观测方程。以此为基础,设计深度神经网络磷酸铁锂电池荷电状态估计模型,并采用OCV核验修正实现状态估计。经过4个测试周期的分析,在0.1 s、0.3 s和0.5 s 3个放电时间背景下,磷酸铁锂电池最终得出的荷电状态估计稳态误差都被控制在0.4以下,且泛化能力明显提高,表明该方法更高效、具体,实用性强。展开更多
文摘常规的磷酸铁锂电池荷电状态估计观测方程被设定为问题点位测定,其估计范围受限,导致最终得出的荷电状态估计稳态误差较大,为此,提出电化学储能系统中磷酸铁锂电池荷电状态估计研究。根据当前的荷电状态估计需求,先计算SOC估计补偿系数,再采用多阶的方式,打破估计范围的限制,建立多阶观测方程。以此为基础,设计深度神经网络磷酸铁锂电池荷电状态估计模型,并采用OCV核验修正实现状态估计。经过4个测试周期的分析,在0.1 s、0.3 s和0.5 s 3个放电时间背景下,磷酸铁锂电池最终得出的荷电状态估计稳态误差都被控制在0.4以下,且泛化能力明显提高,表明该方法更高效、具体,实用性强。
