CN115469228A - 可重构网络式储能系统电池荷电状态估计方法 - Google Patents

可重构网络式储能系统电池荷电状态估计方法 Download PDF

Info

Publication number
CN115469228A
CN115469228A CN202211123204.5A CN202211123204A CN115469228A CN 115469228 A CN115469228 A CN 115469228A CN 202211123204 A CN202211123204 A CN 202211123204A CN 115469228 A CN115469228 A CN 115469228A
Authority
CN
China
Prior art keywords
battery
state
charge
network
temperature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211123204.5A
Other languages
English (en)
Other versions
CN115469228B (zh
Inventor
刘欢
张旭
赵航
王智峰
张博
杨磊
余娜
韩曦
王强
李凌青
陈谦
吕文挺
陈浩
刘露莎
宋帆
尚琳喧
蒙菊
贾静
党建
贾嵘
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xianyang Power Supply Co Of State Grid Shaanxi Electric Power Co ltd
Xian University of Technology
Original Assignee
Xianyang Power Supply Co Of State Grid Shaanxi Electric Power Co ltd
Xian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xianyang Power Supply Co Of State Grid Shaanxi Electric Power Co ltd, Xian University of Technology filed Critical Xianyang Power Supply Co Of State Grid Shaanxi Electric Power Co ltd
Priority to CN202211123204.5A priority Critical patent/CN115469228B/zh
Publication of CN115469228A publication Critical patent/CN115469228A/zh
Application granted granted Critical
Publication of CN115469228B publication Critical patent/CN115469228B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了可重构网络式储能系统电池荷电状态估计方法，在实验条件下测量不同温度下的荷电状态‑开路电压曲线，作为荷电状态估计的基准；在图数据库中构建可重构电池网络模型，遍历访问图模型中各顶点和边。分析电池网络正常运行下温度的分布及其影响因素，在储能系统的输出电压、功率的约束条件下，以待测电池温度为控制目标，改变高频电力电子开关通断以控制电池单体及组串开断，实现待测电池的温度优化控制在基准曲线附近；测量温度可控下的电池开路电压，选取合适基准曲线建立映射关系，完成电池荷电状态的估计。本发明充分考虑温度对开路电压‑荷电状态的影响，实现温度可控情况下对开路电压精准获取，提高电池荷电状态估计精度。

Description

可重构网络式储能系统电池荷电状态估计方法
技术领域
本发明属于储能技术领域，具体涉及可重构网络式储能系统电池荷电状态估计方法。
背景技术
“双碳”目标下储能技术是支撑构建未来以新能源为主体的新型电力系统的重要手段，是智能电网、“互联网+”智慧能源的重要组成部分、关键支撑技术和国家战略新兴产业。以电池储能系统为例，电池储能系统的效率、可靠性和安全性等主要性能指标对储能系统部署及能源转型至关重要。
在电池储能传统固定连接形式电池组中，由于制作精益程度不同、材料差异等因素，单体电池电容、内阻、自放电率、库仑效率和环境温度等特性不匹配，存在“木桶效应”。单个电池的差异性在运行过程会导致储能系统有效容量和循环寿命大幅降低，并引发过充、过放、局部过热等安全问题。此外，由于传统串并联方式下电池模组固化为一个整体，系统无法对每一个电池单元实现精准管理与隔离。若某一电池单体发生短路故障，不仅会损坏该单体并迅速扩散至相邻单元，更严重的甚至破坏整个系统。因此，在线快速准确地估计锂离子电池的荷电状态(state of charge，SOC)对系统的安全可靠运行至关重要。在电池SOC估计众多方法中，开路电压法凭借计算量小、精度高等优势应用较广泛。该方法需要在不同温度下实验并绘制基准SOC-OCV曲线，通过测量电池单体OCV，再依据已知的OCV和SOC之间的非线性映射曲线估计SOC。但是，在传统的电池网络中由于其固定的串并联连接方式，难以在储能系统正常运行情况下测量电池单体的OCV，导致这种方法无法在线直接应用。
可重构电池网络对解决上述问题提供了一个新的思路。该网络在传统的串并联电池网络拓扑基础上串并联高频电力电子开关，将电池储能系统离散化。网络中电池单体、电池串和簇级可根据实际储能需求和约束条件自由组合和灵活操作，实现电池连接拓扑结构的动态重构。利用可重构网络能够控制任意单体电池是否接入网络，从而可以通过动态断开目标电池单体进行实时OCV的测量。但是，由于电池正常工作情况下基准OCV-SOC曲线的精度受温度影响极大，而不同环境温度和运行条件下的电池网络拓扑内部温度差异性较大，导致OCV的测量出现误差，进而影响SOC的估计精度。
发明内容
本发明的目的是提供可重构网络式储能系统电池荷电状态估计方法，充分考虑温度对开路电压-荷电状态的影响，实现温度可控情况下对开路电压精准获取，提高电池荷电状态估计精度。
本发明所采用的技术方案是，可重构网络式储能系统电池荷电状态估计方法，具体按照以下步骤实施：
步骤1、在实验平台测试电池初始状态不同温度下的开路电压和荷电状态基准关系；
步骤2、在图数据库中以电池作为顶点，电力电子开关器件作为边，建立可重构电池网络图模型；
步骤3、利用深度优先遍历访问可重构电池网络图模型中各顶点和边，改变电力电子开关器件的状态，获取不同开关状态下电池网络拓扑结构；
步骤4、搭建电池网络热仿真模型，分析正常运行情况下电池模组温度分布情况及相关影响因素，以在线运行时电池储能系统外部要求的输出电压和系统输出功率为约束条件，以待估计的电池单体温度为控制目标，断开待估计的单体电池的前提下通过改变电池网络拓扑结构将估计的组串电池温度优化控制至实验环境下的温度T℃；
步骤5、利用高频电力电子开关开断控制电池网络拓扑结构获取最优网络连接方式，将电池网络拓扑结构中任意一个电池作为待估计电池，通过待估计电池两端电压传感器测量单体电池两端的开路电压；
步骤6、将所获取当前温度T下的开路电压与步骤1中获取的开路电压和荷电状态基准曲线建立映射关系，获得获取待估计的电池单体荷电状态。
本发明的特点还在于：
步骤1具体过程为：
步骤1.1、将电池充满电，静置10分钟，此时荷电状态＝1，测量电池的开路电压；
步骤1.2、用1C电流对电池进行放电，放电持续6min，静置10分钟，此时荷电状态＝0.9，测量电池的开路电压；
步骤1.3、重复步骤1.2，分别在荷电状态＝0.8，0.7，0.6，0.5，0.4，0.3，0.2，0.1时，测量电池的开路电压；
步骤1.4、测试结束，将电池充满。
步骤2具体过程为：
步骤2.1、顶点集V＝{N1,N2,…Nn}表示电池，每个电池包括其性能特征，即容量、温度、全充电/截止电压；
步骤2.2、边集E＝{E1,E2,…Em}表示电力电子开关的通断情况，边的状态为0时表示器件断开，边的状态为1时表示器件导通，表示从初始电池Nin到终端电源Nout的电压变换路径，m表示通过穷举搜索的可行能量变换路径总数，Ei＝{Nin,…,Nout}；
步骤2.3、每个顶点的权重W＝{W1,W2,…Wt}是相应顶点集正常工作的功率密度，由最坏条件能源确定，即所谓的“木桶效应”。
步骤3具体过程为：
步骤3.1、将需要遍历的顶点作为结点，访问初始结点v，并标记结点v为已访问；
步骤3.2、查找结点v的一个邻接结点w；
步骤3.3、若结点w存在，则执行步骤3.4，如果w不存在，则返回步骤3.1，将从v的下一个结点继续；
步骤3.4若结点w未被访问，对结点w进行深度优先遍历递归即把w当做另一个v，返回步骤3.1，直至遍历完所有的结点；
步骤3.5、基于图遍历结果赋予步骤2中边缘集E＝{E1,E2,…Em}不同值，参与遍历的边状态设为1即表示该路径电力电子开关导通，未遍历为0，以此来改变电力电子开关器件的状态；在图模型下访问边状态为1的路径，获取不同开关状态下的最优电池网络拓扑结构。
步骤4中以待估计的电池单体温度为控制目标，断开待估计的单体电池的前提下通过改变电池网络拓扑结构将待估计的电池单体温度优化控制接近实验环境下的温度T℃，具体表示为：
Figure BDA0003848026900000041
式中，TR为电池模组中实际测量的单体电池温度，TB为步骤1中基准温度，σT为允许的温度浮动比。
步骤4中以在线运行时电池储能系统外部要求的输出电压和系统输出功率为约束条件具体表示为：
1)电池网络输出约束；
可行路径上电池模组的总输出电压、电流与负载需求电压、电流之间应满足：
Figure BDA0003848026900000051
式中，Vout、Iout为可行路径上的总输出电压、电流，VL、IL为可行路径需满足的负载电压、电流，σv、σi表示允许的电压、电流浮动比；
(2)系统输出功率约束；
在可行路径下可重构电池网络输出功率需满足负载正常运行功率：
Figure BDA0003848026900000052
式中，Pout为电池拓扑输出总功率，Pmin为系统负载所需最小功率，Pmax为电池拓扑可输出最大功率。
步骤5中利用高频电力电子开关开断控制电池网络拓扑结构获取最优网络连接方式具体过程为：利用高频电力电子开关开断控制电池网络拓扑结构使待估计的电池单体温度优化控制与实验环境下的温度差值最小即为最优网络连接方式。
本发明有益效果是：
本发明可重构网络式储能系统电池荷电状态估计方法，充分考虑温度对开路电压-荷电状态的影响，实现温度可控情况下对开路电压精准获取，提高电池荷电状态估计精度。
附图说明
图1为本发明中获取电池基准开路电压-荷电状态测试实验流程图；
图2为本发明中可重构电池网络拓扑图；
图3为本发明中可重构电池网络图模型搭建图；
图4为本发明中深度优先遍历流程图；
图5为本发明中电池组运行温度分布图；
图6为本发明中不同温度下的基准荷电状态-开路电压曲线图；
图7为本发明中目标电池重构前后温度变化及优化量图；
图8为本发明中开路电压-荷电状态估计及误差分析图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
本发明可重构网络式储能系统电池荷电状态估计方法，具体按照以下步骤实施：
步骤1、如图1所示，在实验平台测试电池初始状态不同温度下的开路电压和荷电状态基准关系；具体过程为：
步骤1.1、将电池充满电，静置10分钟，此时荷电状态＝1，测量电池的开路电压；
步骤1.2、用1C电流对电池进行放电，放电持续6min，静置10分钟，此时荷电状态＝0.9，测量电池的开路电压；
步骤1.3、重复步骤1.2，分别在荷电状态＝0.8，0.7，0.6，0.5，0.4，0.3，0.2，0.1时，测量电池的开路电压；
步骤1.4、测试结束，将电池充满。
步骤2、在图数据库中以电池作为顶点，电力电子开关器件作为边，建立可重构电池网络图模型；基于图的表示模型可以有效地表征可重构电池网络的连接性。给定如图2所示的基于模块的可重构电池拓扑，相应的表示模型可以构造为如图3所示的有向加权图G＝(V,E,W)。具体过程为：
步骤2.1、顶点集V＝{N1,N2,…Nn}表示电池，每个电池包括其性能特征，即容量、温度、全充电/截止电压；
步骤2.2、边集E＝{E1,E2,…Em}表示电力电子开关的通断情况，边的状态为0时表示器件断开，边的状态为1时表示器件导通，表示从初始电池Nin到终端电源Nout的电压变换路径，m表示通过穷举搜索的可行能量变换路径总数，Ei＝{Nin,…,Nout}；
步骤2.3、每个顶点的权重W＝{W1,W2,…Wt}是相应顶点集正常工作的功率密度，由最坏条件能源确定，即所谓的“木桶效应”。基于图的表示模型可获取电池拓扑所有潜在配置，并用输出电压中的度量耐久性量化了配置灵活性。
步骤3、利用深度优先遍历访问可重构电池网络图模型中各顶点和边，改变电力电子开关器件的状态，获取不同开关状态下电池网络拓扑结构；深度优先遍历是从初始访问结点出发，初始访问结点可能有多个邻接结点，深度优先遍历的策略首先访问第一个邻接结点，然后再以这个被访问的邻接结点作为初始结点，访问它的第一个邻接结点。每次都在访问完当前结点后首先访问当前结点的第一个邻接结点。该访问策略是优先往纵向挖掘深入，是一个递归的过程，遍历流程如图4所示；具体过程为：
步骤3.1、将需要遍历的顶点作为结点，访问初始结点v，并标记结点v为已访问；
步骤3.2、查找结点v的一个邻接结点w；
步骤3.3、若结点w存在，则执行步骤3.4，如果w不存在，则返回步骤3.1，将从v的下一个结点继续；
步骤3.4若结点w未被访问，对结点w进行深度优先遍历递归即把w当做另一个v，返回步骤3.1，直至遍历完所有的结点；
步骤3.5、基于图遍历结果赋予步骤2中边缘集E＝{E1,E2,…Em}不同值，参与遍历的边状态设为1即表示该路径电力电子开关导通，未遍历为0，以此来改变电力电子开关器件的状态；在图模型下访问边状态为1的路径，获取不同开关状态下的最优电池网络拓扑结构。
利用该算法对可重构电池网络进行遍历，获取不同开关状态下的最优电池网络拓扑结构。
步骤4、搭建电池网络热仿真模型，如图5所示，分析正常运行情况下电池模组温度分布情况及相关影响因素，以在线运行时电池储能系统外部要求的输出电压和系统输出功率为约束条件，以待估计的电池单体温度为控制目标，断开待估计的单体电池的前提下通过改变电池网络拓扑结构将估计的组串电池温度优化控制至实验环境下的温度T℃；
为保证电池储能系统的正常运行，对可重构网络的输出电压和功率进行约束。
以在线运行时电池储能系统外部要求的输出电压和系统输出功率为约束条件具体表示为：
1)电池网络输出约束；
可行路径上电池模组的总输出电压、电流与负载需求电压、电流之间应满足：
Figure BDA0003848026900000081
式中，Vout、Iout为可行路径上的总输出电压、电流，VL、IL为可行路径需满足的负载电压、电流，σv、σi表示允许的电压、电流浮动比；
(2)系统输出功率约束；
在可行路径下可重构电池网络输出功率需满足负载正常运行功率：
Figure BDA0003848026900000091
式中，Pout为电池拓扑输出总功率，Pmin为系统负载所需最小功率，Pmax为电池拓扑可输出最大功率。
以待估计的电池单体温度为控制目标，断开待估计的单体电池的前提下通过改变电池网络拓扑结构将待估计的电池单体温度优化控制接近实验环境下的温度T℃，具体表示为：
Figure BDA0003848026900000092
式中，TR为电池模组中实际测量的单体电池温度，TB为步骤1中基准温度，σT为允许的温度浮动比。
步骤5、利用高频电力电子开关开断控制电池网络拓扑结构获取最优网络连接方式，将电池网络拓扑结构中任意一个电池作为待估计电池，通过待估计电池两端电压传感器测量单体电池两端的开路电压；
步骤6、将所获取当前温度T下的开路电压与步骤1中获取的开路电压和荷电状态基准曲线建立映射关系，获得获取待估计的电池单体荷电状态。
实施例
在实验平台不同温度下荷电状态-开路电压基准值数据如表1所示：
表1
Figure BDA0003848026900000093
Figure BDA0003848026900000101
在上述实验步骤中，依次记录步骤1.2中当前荷电状态下的开路电压值，将荷电状态值与开路电压值进行拟合，得到不同温度下的基准荷电状态-开路电压曲线图如图6所示。
基于上述优化模型通过仿真实验温度测量直接输出可得优化前后温度值(部分数据)如表2所示，最终待估计单体电池温度优化效果如图7所示。
表2
时间(s) 优化前温度(℃) 优化后温度(℃)
0 25 25
1058.429 26.18987 26.07368
2001.323 27.06578 26.7299
4204.9 28.50466 27.47314
6220.9 29.43585 27.78975
8970.976 30.40841 28.10799
10122.98 30.84699 28.27995
14400 33.88468 30.09423
利用高频电力电子开关开断控制电池网络拓扑结构获取最优网络连接方式具体过程为：利用高频电力电子开关开断控制电池网络拓扑结构使待估计的电池单体温度优化控制与实验环境下的温度差值最小即为最优网络连接方式。
以30℃基准曲线为例，首先根据步骤1中获得如图6所示SOC-OCV曲线利用最小二乘法进行参数拟合。根据图像将其设为三次函数如式(4)，在MATLAB中利用最小二乘法拟合出系数P1、P2、P3、P4，得到基准方程系数值如表3所示：
f(x)＝P1x3+P2x2+P3x+P4 (4)
表3
系数 值 置信区间
P<sub>1</sub> -1.809 (-1.925,-1.692)
P<sub>2</sub> 19.48 (18.22,20.73)
P<sub>3</sub> -68.48 (-72.99,-63.97)
P<sub>4</sub> 78.99 (73.62,84.37)
可得SOC-OCV对应关系为：
SOC＝-1.809OCV3+19.48OCV2-68.48OCV+78.99 (5)
然后，通过动态断开目标电池单体分别对重构前原始连接方式和重构后最优网络连结方式下实时的OCV进行测量。最后，将重构优化前后不同的温度下实测开路电压分别代入公式(5)中与基准曲线建立映射关系，比较电池荷电状态，电池荷电状态估计值(部分数据)仿真数据如表4所示，结果如图8所示。
表4
Figure BDA0003848026900000111
Figure BDA0003848026900000121
根据图8可知，经过温度修正重构后可以使估计结果更逼近于基准曲线，减小电池状态估计误差，尤其可解决在待测电池剩余电量较小(图中实测开路电压小于3.2v)而无对应SOC的问题，可提高SOC估算精度。
通过上述方式，本发明可重构网络式储能系统电池荷电状态估计方法，充分考虑温度对开路电压-荷电状态的影响，实现温度可控情况下对开路电压精准获取，提高电池荷电状态估计精度。

Claims (7)

1.可重构网络式储能系统电池荷电状态估计方法，其特征在于，具体按照以下步骤实施：
步骤1、在实验平台测试电池初始状态不同温度下的开路电压和荷电状态基准关系；
步骤2、在图数据库中以电池作为顶点，电力电子开关器件作为边，建立可重构电池网络图模型；
步骤3、利用深度优先遍历访问可重构电池网络图模型中各顶点和边，改变电力电子开关器件的状态，获取不同开关状态下电池网络拓扑结构；
步骤4、搭建电池网络热仿真模型，分析正常运行情况下电池模组温度分布情况及相关影响因素，以在线运行时电池储能系统外部要求的输出电压和系统输出功率为约束条件，以待估计的电池单体温度为控制目标，断开待估计的单体电池的前提下通过改变电池网络拓扑结构将估计的组串电池温度优化控制至实验环境下的温度T℃；
步骤5、利用高频电力电子开关开断控制电池网络拓扑结构获取最优网络连接方式，将电池网络拓扑结构中任意一个电池作为待估计电池，通过待估计电池两端电压传感器测量单体电池两端的开路电压；
步骤6、将所获取当前温度T下的开路电压与步骤1中获取的开路电压和荷电状态基准曲线建立映射关系，获得获取待估计的电池单体荷电状态。
2.根据权利要求1所述可重构网络式储能系统电池荷电状态估计方法，其特征在于，步骤1具体过程为：
步骤1.1、将电池充满电，静置10分钟，此时荷电状态＝1，测量电池的开路电压；
步骤1.2、用1C电流对电池进行放电，放电持续6min，静置10分钟，此时荷电状态＝0.9，测量电池的开路电压；
步骤1.3、重复步骤1.2，分别在荷电状态＝0.8，0.7，0.6，0.5，0.4，0.3，0.2，0.1时，测量电池的开路电压；
步骤1.4、测试结束，将电池充满。
3.根据权利要求1所述可重构网络式储能系统电池荷电状态估计方法，其特征在于，步骤2具体过程为：
步骤2.1、顶点集V＝{N1,N2,…Nn}表示电池，每个电池包括其性能特征，即容量、温度、全充电/截止电压；
步骤2.2、边集E＝{E1,E2,…Em}表示电力电子开关的通断情况，边的状态为0时表示器件断开，边的状态为1时表示器件导通，表示从初始电池Nin到终端电源Nout的电压变换路径，m表示通过穷举搜索的可行能量变换路径总数，Ei＝{Nin,…,Nout}；
步骤2.3、每个顶点的权重W＝{W1,W2,…Wt}是相应顶点集正常工作的功率密度，由最坏条件能源确定，即所谓的“木桶效应”。
4.根据权利要求1所述可重构网络式储能系统电池荷电状态估计方法，其特征在于，步骤3具体过程为：
步骤3.1、将需要遍历的顶点作为结点，访问初始结点v，并标记结点v为已访问；
步骤3.2、查找结点v的一个邻接结点w；
步骤3.3、若结点w存在，则执行步骤3.4，如果w不存在，则返回步骤3.1，将从v的下一个结点继续；
步骤3.4若结点w未被访问，对结点w进行深度优先遍历递归即把w当做另一个v，返回步骤3.1，直至遍历完所有的结点；
步骤3.5、基于图遍历结果赋予步骤2中边缘集E＝{E1,E2,…Em}不同值，参与遍历的边状态设为1即表示该路径电力电子开关导通，未遍历为0，以此来改变电力电子开关器件的状态；在图模型下访问边状态为1的路径，获取不同开关状态下的最优电池网络拓扑结构。
5.根据权利要求1所述可重构网络式储能系统电池荷电状态估计方法，其特征在于，步骤4中所述以待估计的电池单体温度为控制目标，断开待估计的单体电池的前提下通过改变电池网络拓扑结构将待估计的电池单体温度优化控制接近实验环境下的温度T℃，具体表示为：
Figure FDA0003848026890000031
式中，TR为电池模组中实际测量的单体电池温度，TB为步骤1中基准温度，σT为允许的温度浮动比。
6.根据权利要求1所述可重构网络式储能系统电池荷电状态估计方法，其特征在于，步骤4中所述以在线运行时电池储能系统外部要求的输出电压和系统输出功率为约束条件具体表示为：
1)电池网络输出约束；
可行路径上电池模组的总输出电压、电流与负载需求电压、电流之间应满足：
Figure FDA0003848026890000032
式中，Vout、Iout为可行路径上的总输出电压、电流，VL、IL为可行路径需满足的负载电压、电流，σv、σi表示允许的电压、电流浮动比；
(2)系统输出功率约束；
在可行路径下可重构电池网络输出功率需满足负载正常运行功率：
Figure FDA0003848026890000041
式中，Pout为电池拓扑输出总功率，Pmin为系统负载所需最小功率，Pmax为电池拓扑可输出最大功率。
7.根据权利要求1所述可重构网络式储能系统电池荷电状态估计方法，其特征在于，步骤5中所述利用高频电力电子开关开断控制电池网络拓扑结构获取最优网络连接方式具体过程为：利用高频电力电子开关开断控制电池网络拓扑结构使待估计的电池单体温度优化控制与实验环境下的温度差值最小即为最优网络连接方式。
CN202211123204.5A 2022-09-15 2022-09-15 可重构网络式储能系统电池荷电状态估计方法 Active CN115469228B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211123204.5A CN115469228B (zh) 2022-09-15 2022-09-15 可重构网络式储能系统电池荷电状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211123204.5A CN115469228B (zh) 2022-09-15 2022-09-15 可重构网络式储能系统电池荷电状态估计方法

Publications (2)

Publication Number Publication Date
CN115469228A true CN115469228A (zh) 2022-12-13
CN115469228B CN115469228B (zh) 2024-04-30

Family

ID=84332917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211123204.5A Active CN115469228B (zh) 2022-09-15 2022-09-15 可重构网络式储能系统电池荷电状态估计方法

Country Status (1)

Country Link
CN (1) CN115469228B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116388334A (zh) * 2023-04-14 2023-07-04 云储新能源科技有限公司 一种可重构电池储能系统
CN117031283A (zh) * 2023-09-05 2023-11-10 国网江苏省电力有限公司镇江供电分公司 一种评估可重构锂电池储能系统soc的方法
CN118249477A (zh) * 2024-05-28 2024-06-25 云储新能源科技有限公司 一种储能电池工况主动调节方法、装置、介质及产品

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110286331A (zh) * 2018-03-15 2019-09-27 慈松 一种电池状态实时估算的装置和方法
WO2019193471A1 (ja) * 2018-04-06 2019-10-10 株式会社半導体エネルギー研究所 蓄電装置の充電状態推定方法及び蓄電装置の充電状態推定システム
JP2020139846A (ja) * 2019-02-28 2020-09-03 株式会社デンソーテン 状態推定装置
CN113552490A (zh) * 2021-06-29 2021-10-26 广东工业大学 一种基于休息恢复效应的可重构电池组soc估计方法
CN114545263A (zh) * 2022-02-25 2022-05-27 国网宁夏电力有限公司电力科学研究院 一种基于可重构电路的电池状态评估系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110286331A (zh) * 2018-03-15 2019-09-27 慈松 一种电池状态实时估算的装置和方法
WO2019193471A1 (ja) * 2018-04-06 2019-10-10 株式会社半導体エネルギー研究所 蓄電装置の充電状態推定方法及び蓄電装置の充電状態推定システム
JP2020139846A (ja) * 2019-02-28 2020-09-03 株式会社デンソーテン 状態推定装置
CN113552490A (zh) * 2021-06-29 2021-10-26 广东工业大学 一种基于休息恢复效应的可重构电池组soc估计方法
CN114545263A (zh) * 2022-02-25 2022-05-27 国网宁夏电力有限公司电力科学研究院 一种基于可重构电路的电池状态评估系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
THOMAS MORSTYN: "Distributed Control for State-of-Charge Balancing Between the Modules of a Reconfigurable Battery Energy Storage System", 《 IEEE TRANSACTIONS ON POWER ELECTRONICS》, vol. 31, no. 11, 31 December 2015 (2015-12-31), pages 7986 - 7995, XP011615251, DOI: 10.1109/TPEL.2015.2513777 *
王子毅: "基于动态可重构电池网络的 OCV-SOC 在线估计", 《中国电机工程学报》, vol. 42, no. 8, 20 April 2022 (2022-04-20), pages 2919 - 2928 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116388334A (zh) * 2023-04-14 2023-07-04 云储新能源科技有限公司 一种可重构电池储能系统
CN116388334B (zh) * 2023-04-14 2024-06-07 云储新能源科技有限公司 一种可重构电池储能系统
CN117031283A (zh) * 2023-09-05 2023-11-10 国网江苏省电力有限公司镇江供电分公司 一种评估可重构锂电池储能系统soc的方法
CN118249477A (zh) * 2024-05-28 2024-06-25 云储新能源科技有限公司 一种储能电池工况主动调节方法、装置、介质及产品

Also Published As

Publication number Publication date
CN115469228B (zh) 2024-04-30

Similar Documents

Publication Publication Date Title
Jiaqiang et al. Effects analysis on active equalization control of lithium-ion batteries based on intelligent estimation of the state-of-charge
CN115469228B (zh) 可重构网络式储能系统电池荷电状态估计方法
CN113049962B (zh) 一种基于lstm的储能装置运行态势推演方法
Tang et al. Design of power lithium battery management system based on digital twin
CN103792495B (zh) 基于德尔菲法和灰色关联理论的电池性能评价方法
Huang et al. The state of health estimation of lithium-ion batteries based on data-driven and model fusion method
CN103439666B (zh) 一种锂离子电池容量衰退评估的几何方法
CN109633454A (zh) 一种实现锂离子电池等效温度在线估计的方法
CN110045292A (zh) 基于大数据和bp神经网络的锂离子电池SOC预测方法
CN112580284B (zh) 一种混合电容器等效电路模型及在线参数辨识方法
CN115656848A (zh) 一种基于容量修正的锂电池soc估算方法
CN115327415A (zh) 基于限定记忆递推最小二乘算法的锂电池soc估算方法
Zhao et al. A multi-scale SOC estimation method for lithium-ion batteries incorporating expansion force
CN115877232A (zh) 一种基于卡尔曼滤波的锂离子电池内部温度估计方法
CN113884904B (zh) 超级电容器电池的等效电路模型及其参数辨识方法
CN110927585A (zh) 一种基于自循环校正的锂电池soh估算系统及方法
CN117371230A (zh) 一种计及极化效应的锂离子电池参数辨识方法
CN117572236A (zh) 一种基于迁移学习的锂电池荷电状态估计方法
CN117310529A (zh) 基于gabp-aekf算法的锂离子电池soc预测方法
CN114295987B (zh) 一种基于非线性卡尔曼滤波的电池soc状态估计方法
CN116626498A (zh) 一种锂离子电池等效电路模型的建立方法
CN116165545A (zh) 基于无迹卡尔曼滤波和神经网络的电池soc状态估计方法
CN115656839A (zh) 基于bp-dekf算法的电池状态参量协同估算方法
CN115792625A (zh) 基于神经网络的锂电池soc估计方法、系统、设备及介质
CN115128461A (zh) 基于渐消因子ekf与ffrls的soc估算方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant