目錄
第1章 緒論 1
1.1 新型電力儲(chǔ)能應(yīng)用 1
1.1.1 電化學(xué)儲(chǔ)能 1
1.1.2 飛輪儲(chǔ)能 2
1.1.3 壓縮空氣儲(chǔ)能 3
1.1.4 超導(dǎo)儲(chǔ)能 4
1.1.5 超級(jí)電容器儲(chǔ)能 6
1.2 智能電網(wǎng)儲(chǔ)能系統(tǒng)電池模型構(gòu)建 7
1.2.1 電化學(xué)機(jī)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(chǔ)能電池狀態(tài)評(píng)估 10
1.3.1 荷電狀態(tài)估計(jì)策略 10
1.3.2 健康狀態(tài)預(yù)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(píng)估 16
第2章 電力儲(chǔ)能電池測試 21
2.1 電池測試共享平臺(tái)搭建 21
2.2 電池工作機(jī)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(nèi)阻特性分析 32
2.4.5 能量特性分析 33
2.5 本章小結(jié) 33
第3章 智慧能源建模分析 34
3.1 電化學(xué)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(xué)機(jī)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(xiàng)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(jié) 53
第4章 儲(chǔ)能電池狀態(tài)智能化預(yù)估核心算法 55
4.1 基于傳統(tǒng)方法的計(jì)算 55
4.1.1 開路電壓法 55
4.1.2 安時(shí)積分法 56
4.1.3 電化學(xué)阻抗譜法 57
4.2 基于模型方法的估計(jì) 58
4.2.1 卡爾曼濾波 58
4.2.2 擴(kuò)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(yīng)卡爾曼濾波 64
4.3 基于智能算法的預(yù)測 66
4.3.1 神經(jīng)網(wǎng)絡(luò) 66
4.3.2 模糊邏輯控制 78
4.3.3 支持向量機(jī) 78
4.3.4 機(jī)器學(xué)習(xí) 81
4.4 本章小結(jié) 83
第5章 基于LSTM神經(jīng)網(wǎng)絡(luò)的儲(chǔ)能電池SOC估計(jì) 84
5.1 基于BiLSTM模型的電池SOC預(yù)測 84
5.1.1 特征選取與訓(xùn)練樣本優(yōu)化 84
5.1.2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)與超參數(shù)選擇 85
5.1.3 基于BiLSTM的動(dòng)態(tài)模型構(gòu)建 86
5.2 貝葉斯優(yōu)化BiLSTM網(wǎng)絡(luò)模型 87
5.2.1 基于貝葉斯的后驗(yàn)分布估計(jì) 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(jīng)網(wǎng)絡(luò)模型優(yōu)化策略 92
5.3.1 無跡變換預(yù)處理分析 92
5.3.2 UKF迭代運(yùn)算分析 93
5.3.3 時(shí)變?cè)肼晫?duì)SOC估計(jì)影響與修正 94
5.3.4 BO-BiLSTM-UKF噪聲修正模型設(shè)計(jì) 95
5.4 BiLSTM預(yù)測模型與濾波自適應(yīng)策略融合估計(jì)結(jié)果分析 96
5.4.1 電池針對(duì)性BBDST工況實(shí)驗(yàn) 97
5.4.2 變溫度復(fù)雜工況下電池SOC估計(jì)結(jié)果分析 98
5.4.3 分階段模擬工況下電池SOC估計(jì)效果驗(yàn)證 103
5.5 本章小結(jié) 106
第6章 基于數(shù)據(jù)驅(qū)動(dòng)的儲(chǔ)能電池簇SOH估算 107
6.1 考慮液相電勢的儲(chǔ)能電池ESP電壓建模 107
6.1.1 ESP電壓模型優(yōu)化改進(jìn)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(chǔ)能電池簇多單體建模 112
6.2 多維儲(chǔ)能電池健康指標(biāo)的提取 113
6.2.1 基于CCPSO算法的ESP模型雙參數(shù)辨識(shí) 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(biāo)的相關(guān)性分析 122
6.3 儲(chǔ)能電池簇的SOH估算 124
6.3.1 NSA-BP模型的框架構(gòu)建 124
6.3.2 基于健康指標(biāo)和NSA-BP模型的SOH估算策略 128
6.4 儲(chǔ)能典型工況下電池模型和SOH估算驗(yàn)證 130
6.4.1 健康指標(biāo)提取及相關(guān)性分析結(jié)果 130
6.4.2 低倍率恒流儲(chǔ)能老化工況下的估計(jì)結(jié)果 139
6.4.3 變倍率儲(chǔ)能老化工況下的估計(jì)結(jié)果 144
6.5 本章小結(jié) 148
第7章 基于長短期記憶網(wǎng)絡(luò)的電池峰值功率估算 151
7.1 戴維南模型構(gòu)建及全參數(shù)辨識(shí) 151
7.1.1 戴維南模型構(gòu)建 151
7.1.2 離線與在線辨識(shí)策略 153
7.2 電池峰值功率預(yù)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(dòng)態(tài)實(shí)驗(yàn)驗(yàn)證 159
7.3 峰值功率預(yù)估實(shí)驗(yàn)驗(yàn)證分析 161
7.3.1 不同老化情況下的電池峰值功率估算驗(yàn)證 161
7.3.2 不同溫度下的電池峰值功率估算驗(yàn)證 162
7.4 本章小結(jié) 164
第8章 儲(chǔ)能電池能量狀態(tài)評(píng)估算法設(shè)計(jì)與優(yōu)化 165
8.1 電池等效建模與參數(shù)辨識(shí) 165
8.1.1 考慮溫度影響的電池等效模型構(gòu)建 165
8.1.2 基于混合脈沖功率測試的離線辨識(shí) 167
8.1.3 基于遺忘因子遞歸最小二乘法的參數(shù)辨識(shí) 169
8.1.4 參數(shù)辨識(shí)結(jié)果分析 170
8.2 基于FVW-CKF算法的SOE估計(jì) 173
8.2.1 模糊自適應(yīng)CKF算法 173
8.2.2 雙權(quán)重多新息CKF 175
8.2.3 變窗口自適應(yīng)調(diào)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(jì) 176
8.3.1 基于EKF的最大可用能量估計(jì) 176
8.3.2 基于FVW-CKF的SOE和最大可用能量聯(lián)合估計(jì) 177
8.4 實(shí)驗(yàn)結(jié)果分析 179
8.4.1 電池能量狀態(tài)估計(jì)驗(yàn)證 179
8.4.2 最大可用能量修正效果驗(yàn)證 185
8.5 本章小結(jié) 188
第9章 基于螢火蟲優(yōu)化的SOC與SOH協(xié)同估計(jì) 189
9.1 電池動(dòng)態(tài)遷移模型構(gòu)建 189
9.1.1 動(dòng)態(tài)遷移建模 189
9.1.2 基于偏差補(bǔ)償策略的在線參數(shù)辨識(shí) 193
9.1.3 動(dòng)態(tài)遷移模型驗(yàn)證 196
9.2 基于螢火蟲優(yōu)化算法的SOC與SOH協(xié)同估計(jì) 197
9.2.1 混沌螢火蟲-粒子濾波 197
9.2.2 遷移因子的動(dòng)態(tài)更新及SOC估計(jì) 201
9.2.3 基于PF-EKF的SOC與SOH協(xié)同估計(jì) 203
9.3 SOC與SOH協(xié)同估計(jì)實(shí)驗(yàn)驗(yàn)證分析 205
9.3.1 電池健康狀態(tài)下協(xié)同估計(jì)驗(yàn)證 205
9.3.2 電池老化狀態(tài)下協(xié)同估計(jì)驗(yàn)證 210
9.4 本章小結(jié) 215
第10章 基于*濾波的鋰電池SOC與SOP聯(lián)合估計(jì) 217
10.1 PNGV模型結(jié)合改進(jìn)粒子群優(yōu)化的最小二乘辨識(shí)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(shí) 218
10.1.3 基于DPSO-FFRLS法的參數(shù)辨識(shí) 220
10.1.4 慣性權(quán)重動(dòng)態(tài)化處理 222
10.2 SOC與SOP估計(jì)策略設(shè)計(jì) 224
10.2.1 基于*濾波的SOC估計(jì) 224
10.2.2 基于多參數(shù)約束的SOP估算 227
10.3 實(shí)驗(yàn)分析與驗(yàn)證 232
10.3.1 基于DPSO-FFRLS法的參數(shù)辨識(shí)結(jié)果分析 232
10.3.2 SOC評(píng)估策略驗(yàn)證分析 234
10.3.3 SOP評(píng)估策略驗(yàn)證分析 238
10.4 本章小結(jié) 243
參考文獻(xiàn) 244