XiaoMi-AI文件搜索系统
World File Search System充电状态
不同充电状态锂离子电池宽带电化学阻抗谱数据集
该数据集包括对常用电池（即三星 ICR18650-26J 圆柱形锂离子电池）的电化学阻抗谱测量。使用随机相位多正弦激励信号，在 0.05 Hz 至 10 0 0 Hz 的十四个不同频率下测量电池的复阻抗。对于每个激励频率，电流幅度为 50 mA，导致测量不确定度约为 0.1 m Ω。在四种不同的全新电池的十种不同充电状态下提供六次重复测量。从六个单独的放电循环中获得每个单独电池的重复 EIS 测量结果。所有测量均在将电池放置在 25 ± 1 °C 的温控室中进行。每次测量前都让电池热化。© 2022 作者。由 Elsevier Inc. 出版。这是一篇根据 CC BY 许可协议开放获取的文章 ( http://creativecommons.org/licenses/by/4.0/ )
数据驱动的方法用于锂离子电池的充电状态估计：概述
摘要：近年来，向电动移动性发生了明显的转变，并且越来越强调整合可再生能源。因此，在这种情况下，电池及其管理一直很突出。BMS的重要方面围绕着准确确定电池组的SOC。值得注意的是，高级微控制器的出现以及广泛的数据集的可用性促进了数据驱动方法的日益普及和实用性。这项研究研究了过去六个十年中SOC估计的发展，明确关注数据驱动的估计技术。考虑了电池类型和各种操作条件，它全面评估了每种算法的性能。此外，还提供了有关模型超参数（包括层，优化者类型和神经元的数量）的复杂细节，以进行彻底检查。本文分析的大多数模型都表现出强劲的性能，MAE和RMSE均用于估计SOC徘徊在2％甚至更低的情况下。
基于NARX复发神经网络和移动窗口方法的锂离子电池的充电状态估计
摘要准确的充电状态（SOC）估计取决于精确的电池模型。非线性和不稳定干扰因素的影响使准确的SOC估计变得困难。为了获得准确的电池模型，提出了基于NARX（具有外源输入的非线性自回归网络）的方法，提出了复发性神经网络和移动窗口方法。本文从以下三个方面提高了SOC估计的准确性，建模速度和鲁棒性。首先，为了克服对模型训练过程中数据量的过度依赖，使用NARX复发性神经网络来建立电池模型。narx（具有外部输入的非线性自回旋）具有延迟和反馈功能的复发性神经网络可以保留上一刻的输入和输出，并将其添加到下一个时刻的计算中。因此，使用少量数据实现了更好的估计结果；其次，移动窗口方法用于梯度爆炸和NARX模型训练过程中可能发生的梯度消失。第三，通过将其与不同的工作条件和不同温度下的其他方法进行比较，可以验证该模型的有效性。结果表明，所提出的模型具有更高的SOC估计准确性和速度。提出的模型的RMSE性能减少了约65％，并且执行时间缩短了约50％。
上海埃诚攸微电子有限公司
1. 充电过程 IU5365E 采用完整的涓流充电、恒流充电、过充电、浮充 电四个过程进行充电。当电池电压小于涓流点时，系统以 I *20% 充电电流充电；当电池的电压大于涓流点时，系 C C 统以 I 充电电流充电；当电池电压达到所设定的过充电电 CC 压值 ， 充电电流逐渐减小，当电流减小到所设定的过充电 结束电流值时，过充电结束，系统进入到浮充电过程 ， 浮 充电电压为过充电电压V 的 90% 。 OC 浮充电模式的存在可以弥补由于电池自放电或者负载耗电 所导致的电池能量损失。在浮充电状态，如果输入电源和 电池仍然连接在充电器上，电池电压仍然逐渐下降到所设 置的过充电电压V 的 85% 时，系统会重新恢复充电状态。 OC
基于 Simulink 的电动自行车动力学和再生制动仿真，用于电池充电状态评估
如 [16]-[18] 所示，仅当车速不太低且制动持续一段时间时，再生制动才会导致显著的能量存储。因此，控制策略应该能够根据实际驾驶条件有效评估是否执行再生制动或依靠机械制动。在牵引阶段也会出现同样的决策问题。确定电动机应提供多少机械扭矩来协助骑车人踩踏属于能量管理系统 (EMS) 的决策范围。已经提出了多项研究，其目标是优化用户的骑行质量并最大限度地提高电池中储存的能量 [13]。最后，如表一所示，许多研究都集中在优化能量存储上。这些研究的目标是为特定应用选择最合适的电池技术，并优化其数量以确保足够的续航里程来完成给定的驾驶任务 [14]-[15]。
近零能耗建筑中居住者行为对蓄电池充电状态的影响
摘要。发展近零能耗建筑 (nZEB) 是许多国家在未来几年设定的目标。为了实现这一目标，需要现场发电，而使用光伏和储能系统是一种可能的策略。因此，这项工作的目的是评估居住者行为对 nZEB 的电池储能系统 (BESS) 的影响。本研究以位于大学校园内、由不同居住者使用的轻质结构 nZEB 为例。案例研究中有 12 个位于根部的 PV 和来自电动汽车 (EV) 的二次 BESS。监测系统由内部 T、RH、CO 2 和能量传感器以及外部现场气象站组成。研究从对现场光伏发电和储能支持政策的最新回顾开始。随着不同的居住者行为应用于测试建筑，获得了不同的存储电荷曲线。总的来说，我们考虑了三种居住者情况，其中一种基本情况是无人居住。居住者的行为表明，它独立于室内温度的影响，决定了 BESS 的充电状态。在设计建筑物之前，了解居住者情况的必要性得到了加强。
使用人工神经网络进行数据增强和特征选择以预测锂离子电池的充电状态
摘要：锂离子电池是交通运输行业电气化和可再生能源转型的关键技术。始终确定锂离子电池的状况对于优化其运行至关重要。由于这些电池承受的各种负载条件以及电化学系统的结构复杂，因此无法直接测量其状况，包括其充电状态。相反，使用电池模型来模拟其行为。数据驱动模型越来越受到关注，因为它们具有较高的准确性和较短的开发时间；然而，它们高度依赖于数据库。为了解决这个问题，本文分析了使用数据增强方法来改进人工神经网络的训练。使用不同数量的人工数据训练线性回归模型、多层感知器和卷积神经网络，以估计电池单元的充电状态。所有模型都在真实数据上进行测试，以检验模型在实际应用中的适用性。卷积神经网络的测试误差最低，平均绝对误差为 0.27%。结果凸显了数据驱动模型的潜力以及使用人工数据改进这些模型训练的潜力。
使用具有长短期记忆的循环神经网络估计锂离子电池的充电状态
摘要 —本文提出了一种针对实际条件下运行的锂离子电池 (LIB) 使用长短期记忆循环神经网络 (LSTM) 的精确充电状态 (SOC) 估计算法。凭借其自学习能力，这种数据驱动的方法能够模拟整个电池寿命期间由于环境和工作条件变化而导致的 LIB 高度非线性行为。结果表明，在准确性和稳定性方面，LSTM 方法优于使用扩展卡尔曼滤波器 (EKF) 的常见物理模型。为了证明这一优势在实际应用中的优势，使用从储能领域的商业行业应用收集的数据对所提供的网络进行训练和测试。在不同工作条件下使用 EKF 对 LSTM 进行评估并将其与等效电路模型 (ECM) 进行比较。对于动态负载曲线，ECM-EKF 的误差 (RMSE) 为 9.5%，而 LSTM 的误差 (RMSE) 为 5.0%。
用于聚合惯性下垂控制和新型频率相关充电状态恢复的电池储能系统
摘要：为了应对可再生能源渗透的技术挑战，本文重点研究了在负载和发电意外事件发生后，混合可再生能源综合电力系统中电网电压和频率响应的改善。提出了一种综合方法，利用电池储能系统 (BESS) 通过下垂型控制来调节电压，通过同化惯性模拟 (IE) 和下垂型控制来调节频率。此外，提出了一种新颖的频率相关充电状态 (SOC) 恢复 (FDSR)，以在 FDSR 约束内调节 BESS 功耗，并在需要时在空闲期间为电池充电。所提出的 BESS 控制器的有效性在 IEEE-9 总线系统中得到证明，该系统具有 22.5% 的光伏 (PV) 和风能渗透水平。获得的仿真结果表明，所提出的控制器在调节电压和频率的同时性能令人满意，频率变化率较低，频率最低点更好。此外，与传统方法相比，所提出的 FDSR 在 SOC 恢复时表现出优势。