论文部分内容阅读
先进储能技术的应用能够有效促进可再生能源大规模并网,提高电力系统效率。液态金属电池作为一种新兴的电池储能技术,以其大容量、低成本、长寿命等优势在电力储能领域展现了可观的潜力。为了安全高效地利用液态金属电池,稳定可靠的电池管理系统(Battery Management System,BMS)是至关重要的。面对这类新型的电池技术,有必要研究其工作特性并建立准确的电池模型,在线估计出其荷电状态(State of Charge,SOC)与健康状态(State of Health,SOH)等变量,进而为BMS的操作提供依据。本文围绕液态金属电池的状态估计问题开展了一系列工作,具体研究内容和成果可总结如下:1.为液态金属电池建立了复合模型与Thevenin模型,通过线性最小二乘估计离线辨识出其参数并进一步在Matlab/Simulink中搭建其仿真模型。通过对电池测试数据的仿真分析,判断出Thevenin等效电路模型更符合液态金属电池的实际动态,因而更适合用于开展状态估计的工作。2.基于液态金属电池的Thevenin模型建立其状态空间。先后利用自适应扩展卡尔曼滤波(Adaptive Extended Kalman Filter,AEKF)和自适应无迹卡尔曼滤波(Adaptive Unscented Kalman Filter,AUKF)算法在线估计包括电池状态与模型参数在内的状态向量。在线估计参数能够保证模型的忠实度,进而增强了SOC估计的可信度。同时自适应估计算法可实时更新系统噪声信息,从而提高了估计的稳定性。利用实际电池测试数据进行的仿真实验表明AUKF的估计精度最高。3.考虑到直接将模型参数加入到状态向量会导致运算时出现高阶矩阵,利用递推最小二乘法在线估计Thevenin模型中的参数并与AUKF算法结合,从而实现对状态与参数的并行估计。该方法能够更高效地估计出所需的状态变量。后续的动态工况测试实验更加验证了其优越的性能。4.设计了针对液态金属电池的BMS原理样机,将其实际应用于三节串联液态金属电池组进行功能测试,验证了BMS的可行性以及AEKF算法在该系统中的有效性。