基于双卡尔曼滤波算法的全钒液流电池荷电状态估计与应用

发布时间：2020-07-12 01:02

【摘要】：全钒液流电池(Vanadium Redox Flow Battery,VRB)因其安全、可靠等特点,在储能领域备受关注。荷电状态(State of Charge,SOC)作为评价电池性能、表征剩余电量的参数,其准确测定对于电池能量管理与控制具有重要意义。本文采用双卡尔曼滤波(Double Kalman Filter,DKF)算法估计电池SOC。首先,以5kW/30kWh VRB为对象,通过充放电实验,对电池电流电压、瓦时能量、SOC、单体电压一致性、内阻等基本特性进行测试分析。同时,依据电位滴定法得到开路电压(Open Circuit Voltage,OCV)-SOC曲线,并通过三阶逼近与最小二乘法对其进行线性拟合。然后,基于VRB工作原理,建立带支路电流的等效损耗电路模型。结合实验数据与递推最小二乘法(Recursive Least Squares,RLS)对模型进行参数辨识,并通过对比相同输入下模型与实验的输出,验证了模型的准确性。接着,基于电池模型分别设计了安时积分、扩展卡尔曼滤波(Extended Kalman Filter,EKF)与DKF估计器。其中DKF算法是在EKF算法与安时积分法的基础上,利用卡尔曼滤波对两者估计结果进行加权处理,进而得到最终估计结果。并通过恒流恒压充电、恒功率放电以及给定初始值误差实验,将三种估计器的估计结果与参考SOC进行对比,验证了DKF算法的精确性与鲁棒性。最后,设计并搭建了VRB充放电控制平台对算法进行在线验证。该平台由VRB、电池管理系统(Battery Management System,BMS)、电能表、充电机、变频器与PLC控制器组成。通过软件平台给定工作模式,由硬件平台将采集的电池数据传至MATLAB图形用户界面(Graphical User Interface,GUI)中,对SOC进行在线估计。通过分析实验结果,验证了DKF算法的有效性与可行性。
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TM912
【图文】：

曲线,内容架构

图 1. 1 内容架构Fig 1.1 CContent architecture各章节安排如下：第一章为绪论部分，首先分析了储能系统在新能源发电过程中的作用与意义。然后详细讲解了 VRB 储能系统的发展与应用现状，并对 SOC 估计的常用方法以及国内外研究现状进行了分析与总结。第二章对 VRB 的充放电方法以及内外特性进行了分析测试。并通过充放电实验得到了 5kW/30 kWh 全钒液流电池的电流电压特性、内阻特性、瓦时能量特性、SOC 特性、电池单体一致性以及标准 OCV-SOC 曲线等。第三章基于等效损耗原理对 VRB 进行数学建模，并依托递推最小二乘算法与第二章得到的充放电实验数据对模型中的参数进行辨识，最后通过模型验证表明了电池模型的正确性。第四章分析介绍了安时积分法、卡尔曼滤波算法、EKF 算法以及本文采用的DKF 算法，并设计了相应的 SOC 估计器。基于第二章的实验数据与第三章的数

数据簇,数组,重要状态,上位机

合肥工业大学硕士学位论文首先接收通讯模块中位于串口缓冲区的数据，并将字符串数据转换为数组，通过索引数组，对报文中的数据进行解析，从而得到符合用户需求的数据簇。最后将该数据簇作为显示或控制信号与上位机界面中的相关控件相关联，并将其存储在数据库中。5.2.4 显示与存储模块（1）显示模块为了直观的监控平台运行中的状态变化，在对通讯数据进行处理后，通过关联变量将各个设备的重要状态信息以数字或图表的形式展示出来，如电流、电压、温度、SOC 等。其上位机界面如图 5.7 所示。

表格图,数据存储,表格,充放电

图 5. 8 数据存储表格Fig 5.8 Data Storage Table5.2.5 充放电控制模块充放电控制模块主要通过事件结构实现。每一个按键对应一个事件分支，为防止人员误操作，在按键命令发出后会弹出确认信息。其控制界面如图 5.9 所示。

【参考文献】