XiaoMi-AI文件搜索系统
World File Search System充电状态
高电流速率、宽温度范围和各种充电状态下高功率锂离子电池的等效电路模型
摘要：等效电路模型 (ECM) 是模拟锂离子电池行为以监控和控制它们的最常用技术。此建模工具应足够精确以确保系统的可靠性。影响 ECM 精度的两个重要参数是施加的电流速率和工作温度。如果不彻底了解这些参数对 ECM 的影响，则应在校准过程中手动进行参数估计，这是不利的。在这项工作中，开发了一种增强型 ECM，用于高功率锂离子电容器 (LiC)，适用于从 −30 ◦ C 的冻结温度到 +60 ◦ C 的高温，施加的电流速率为 10 A 至 500 A。在此背景下，通过对具有两个 RC 分支的 ECM 进行建模，进行了实验测试以模拟 LiC 的行为。在这些分支中，需要两个电阻和电容 (RC) 来保持模型的精度。验证结果证明，半经验二阶 ECM 可以高精度地估计 LiC 的电气和热参数。在此背景下，当电流速率小于 150 A 时，开发的 ECM 的误差低于 3%。此外，当所需功率较高时，在 150 A 以上的电流速率下，模拟误差低于 5%。
储能充电状态市场模型
摘要 —本文介绍并合理化了一种用于批发能源市场中储能资源竞标和清算的新模型。该模型中的充电和放电出价取决于存储充电状态 (SoC)。在这种情况下，存储参与者为每个 SoC 段提交不同的出价。系统运营商监控存储 SoC 并在市场清算中相应地更新其出价。结合使用动态规划的最佳竞价设计算法，我们的论文表明，与现有的基于电力的竞价模型相比，SoC 细分市场模型可以更准确地表示储能的机会成本。新模型还捕捉到了储能固有的依赖于 SoC 的运行特性。我们在价格接受者和价格影响者模拟中将 SoC 细分市场模型与现有的单一细分模型进行对比。模拟结果表明，与现有的基于电力的竞价模型相比，所提出的模型在价格接受者案例研究中将利润提高了 10-56%；该模型还可使存储系统总成本降低约 5%，并有助于降低价格影响因素案例研究中的价格波动。
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/ )
数字孪生驱动的锂离子电池充电状态估计...
摘要 — 在净零碳转型下，锂离子电池 (LIB) 在支持更多可再生能源发电的连接、提高电网弹性和创建更灵活的能源系统方面发挥着关键作用。然而，电池的使用寿命较短且成本相对较高，这阻碍了电池技术（如可再生资源存储）的更广泛应用。此外，电池的使用寿命受材料成分、系统设计和运行条件的显著影响，因此使电池系统的控制和管理更具挑战性。数字化和人工智能 (AI) 为建立电池数字孪生提供了机会，它具有巨大的潜力来提高电池管理系统的态势感知并使电池存储单元实现最佳运行。准确估计充电状态 (SOC) 可以指示电池的状态，为维护提供有价值的信息并最大限度地延长其使用寿命。本文提出了一种基于连接 LSTM（长短期记忆）和 EKF（扩展卡尔曼滤波器）的混合模型的数字孪生驱动框架来估计锂离子电池的 SOC。 LSTM 为 EKF 提供更准确的初始 SOC 估计和阻抗模型数据。根据实验结果，开发的电池数字孪生被认为对初始 SOC 条件的依赖性较小，并且与传统方法相比具有更低的 RMSE（均方根误差）且更稳健。
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。
可再生能源和部分充电状态解决方案
©2020 C&D Technologies, Inc. 本文提供的任何数据、描述或规格均可能由 C&D Technologies, Inc. 修改，恕不另行通知。尽管我们认为本文所述的信息准确无误，但 C&D Technologies, Inc. 不作任何保证，并特此声明对此类信息的准确性或完整性不作任何明示或暗示的保证。此外，由于本文介绍的产品可能在其无法控制的条件下使用，C&D Technologies, Inc. 特此声明对此类产品是否适合任何特定用途或任何特定应用或因任何交易过程或贸易惯例而产生的适用性或适用性不作任何明示或暗示的保证。用户全权负责确定本文介绍的产品是否适合用户的预期用途和用户的特定应用。
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。
预测电池的充电状态和健康状况...
机器学习是人工智能的一种特定应用，它允许计算机通过一系列算法从数据和经验中学习和改进，而无需重新编程。在储能领域，机器学习最近成为一种很有前途的建模方法，用于确定电池的充电状态、健康状态和剩余使用寿命。在这篇综述中，我们首先讨论文献中用于电池状态预测的两种研究最多的电池模型：等效电路和基于物理的模型。基于这些模型目前的局限性，我们展示了各种机器学习技术在快速准确地预测电池状态方面的前景。最后，我们强调了所涉及的主要挑战，特别是在长度和时间上的精确建模、执行现场计算和高通量数据生成方面。
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%。