目錄
第1章 緒論 1
1.1 新型電力儲能應用 1
1.1.1 電化學儲能 1
1.1.2 飛輪儲能 2
1.1.3 壓縮空氣儲能 3
1.1.4 超導儲能 4
1.1.5 超級電容器儲能 6
1.2 智能電網(wǎng)儲能系統(tǒng)電池模型構建 7
1.2.1 電化學機理模型 8
1.2.2 數(shù)據(jù)模型 8
1.2.3 等效電路模型 8
1.2.4 熱模型 9
1.3 智慧儲能電池狀態(tài)評估 10
1.3.1 荷電狀態(tài)估計策略 10
1.3.2 健康狀態(tài)預測算法 12
1.3.3 能量狀態(tài)估算 14
1.3.4 峰值功率估算 15
1.3.5 全壽命周期剩余使用壽命評估 16
第2章 電力儲能電池測試 21
2.1 電池測試共享平臺搭建 21
2.2 電池工作機理分析 22
2.3 電池特性測試流程 25
2.3.1 能量測試 25
2.3.2 混合脈沖功率特性測試 26
2.3.3 電池容量校正測試 27
2.3.4 不同倍率充放電測試 27
2.3.5 電池老化測試 28
2.4 電池工作特性分析 29
2.4.1 電壓特性分析 29
2.4.2 電流特性分析 31
2.4.3 溫度特性分析 31
2.4.4 內阻特性分析 32
2.4.5 能量特性分析 33
2.5 本章小結 33
第3章 智慧能源建模分析 34
3.1 電化學特性模型 34
3.1.1 黑箱模型 34
3.1.2 等效電路模型 37
3.1.3 電化學機理模型 40
3.2 熱模型 45
3.2.1 單狀態(tài)集中參數(shù)熱模型 45
3.2.2 一維分布式多項式熱模型 46
3.2.3 雙狀態(tài)集中參數(shù)熱模型 49
3.3 電熱耦合模型 51
3.3.1 基于偏微分方程的模型 51
3.3.2 混合型模型 53
3.4 本章小結 53
第4章 儲能電池狀態(tài)智能化預估核心算法 55
4.1 基于傳統(tǒng)方法的計算 55
4.1.1 開路電壓法 55
4.1.2 安時積分法 56
4.1.3 電化學阻抗譜法 57
4.2 基于模型方法的估計 58
4.2.1 卡爾曼濾波 58
4.2.2 擴展卡爾曼濾波 59
4.2.3 無跡卡爾曼濾波 61
4.2.4 雙卡爾曼濾波 62
4.2.5 自適應卡爾曼濾波 64
4.3 基于智能算法的預測 66
4.3.1 神經網(wǎng)絡 66
4.3.2 模糊邏輯控制 78
4.3.3 支持向量機 78
4.3.4 機器學習 81
4.4 本章小結 83
第5章 基于LSTM神經網(wǎng)絡的儲能電池SOC估計 84
5.1 基于BiLSTM模型的電池SOC預測 84
5.1.1 特征選取與訓練樣本優(yōu)化 84
5.1.2 網(wǎng)絡結構設計與超參數(shù)選擇 85
5.1.3 基于BiLSTM的動態(tài)模型構建 86
5.2 貝葉斯優(yōu)化BiLSTM網(wǎng)絡模型 87
5.2.1 基于貝葉斯的后驗分布估計 87
5.2.2 貝葉斯優(yōu)化BiLSTM模型框架 89
5.2.3 貝葉斯優(yōu)化BiLSTM超參數(shù)優(yōu)化選取 90
5.3 基于AUKF的神經網(wǎng)絡模型優(yōu)化策略 92
5.3.1 無跡變換預處理分析 92
5.3.2 UKF迭代運算分析 93
5.3.3 時變噪聲對SOC估計影響與修正 94
5.3.4 BO-BiLSTM-UKF噪聲修正模型設計 95
5.4 BiLSTM預測模型與濾波自適應策略融合估計結果分析 96
5.4.1 電池針對性BBDST工況實驗 97
5.4.2 變溫度復雜工況下電池SOC估計結果分析 98
5.4.3 分階段模擬工況下電池SOC估計效果驗證 103
5.5 本章小結 106
第6章 基于數(shù)據(jù)驅動的儲能電池簇SOH估算 107
6.1 考慮液相電勢的儲能電池ESP電壓建模 107
6.1.1 ESP電壓模型優(yōu)化改進策略 107
6.1.2 液相濃差極化及歐姆極化過電勢求解 108
6.1.3 基于ESP模電壓型的儲能電池簇多單體建模 112
6.2 多維儲能電池健康指標的提取 113
6.2.1 基于CCPSO算法的ESP模型雙參數(shù)辨識 114
6.2.2 基于IC-DV方法的雙老化模式量化 119
6.2.3 健康指標的相關性分析 122
6.3 儲能電池簇的SOH估算 124
6.3.1 NSA-BP模型的框架構建 124
6.3.2 基于健康指標和NSA-BP模型的SOH估算策略 128
6.4 儲能典型工況下電池模型和SOH估算驗證 130
6.4.1 健康指標提取及相關性分析結果 130
6.4.2 低倍率恒流儲能老化工況下的估計結果 139
6.4.3 變倍率儲能老化工況下的估計結果 144
6.5 本章小結 148
第7章 基于長短期記憶網(wǎng)絡的電池峰值功率估算 151
7.1 戴維南模型構建及全參數(shù)辨識 151
7.1.1 戴維南模型構建 151
7.1.2 離線與在線辨識策略 153
7.2 電池峰值功率預估 156
7.2.1 基于端電壓約束的電池峰值功率估算 156
7.2.2 基于SOC約束的電池峰值功率估算 158
7.2.3 峰值功率動態(tài)實驗驗證 159
7.3 峰值功率預估實驗驗證分析 161
7.3.1 不同老化情況下的電池峰值功率估算驗證 161
7.3.2 不同溫度下的電池峰值功率估算驗證 162
7.4 本章小結 164
第8章 儲能電池能量狀態(tài)評估算法設計與優(yōu)化 165
8.1 電池等效建模與參數(shù)辨識 165
8.1.1 考慮溫度影響的電池等效模型構建 165
8.1.2 基于混合脈沖功率測試的離線辨識 167
8.1.3 基于遺忘因子遞歸最小二乘法的參數(shù)辨識 169
8.1.4 參數(shù)辨識結果分析 170
8.2 基于FVW-CKF算法的SOE估計 173
8.2.1 模糊自適應CKF算法 173
8.2.2 雙權重多新息CKF 175
8.2.3 變窗口自適應調整策略 176
8.3 基于雙層濾波的SOE與最大可用能量聯(lián)合估計 176
8.3.1 基于EKF的最大可用能量估計 176
8.3.2 基于FVW-CKF的SOE和最大可用能量聯(lián)合估計 177
8.4 實驗結果分析 179
8.4.1 電池能量狀態(tài)估計驗證 179
8.4.2 最大可用能量修正效果驗證 185
8.5 本章小結 188
第9章 基于螢火蟲優(yōu)化的SOC與SOH協(xié)同估計 189
9.1 電池動態(tài)遷移模型構建 189
9.1.1 動態(tài)遷移建模 189
9.1.2 基于偏差補償策略的在線參數(shù)辨識 193
9.1.3 動態(tài)遷移模型驗證 196
9.2 基于螢火蟲優(yōu)化算法的SOC與SOH協(xié)同估計 197
9.2.1 混沌螢火蟲-粒子濾波 197
9.2.2 遷移因子的動態(tài)更新及SOC估計 201
9.2.3 基于PF-EKF的SOC與SOH協(xié)同估計 203
9.3 SOC與SOH協(xié)同估計實驗驗證分析 205
9.3.1 電池健康狀態(tài)下協(xié)同估計驗證 205
9.3.2 電池老化狀態(tài)下協(xié)同估計驗證 210
9.4 本章小結 215
第10章 基于*濾波的鋰電池SOC與SOP聯(lián)合估計 217
10.1 PNGV模型結合改進粒子群優(yōu)化的最小二乘辨識策略 217
10.1.1 二階PNGV模型建模 217
10.1.2 遞歸最小二乘法在線參數(shù)辨識 218
10.1.3 基于DPSO-FFRLS法的參數(shù)辨識 220
10.1.4 慣性權重動態(tài)化處理 222
10.2 SOC與SOP估計策略設計 224
10.2.1 基于*濾波的SOC估計 224
10.2.2 基于多參數(shù)約束的SOP估算 227
10.3 實驗分析與驗證 232
10.3.1 基于DPSO-FFRLS法的參數(shù)辨識結果分析 232
10.3.2 SOC評估策略驗證分析 234
10.3.3 SOP評估策略驗證分析 238
10.4 本章小結 243
參考文獻 244