论文部分内容阅读
以太阳能、风能等为首的清洁可再生能源的大规模开发利用可以有效解决化石能源带来的环境问题。但它们固有的不确定性与间歇性制约其广泛应用,采用储能系统可较好地弥补这一不足。对储能电池而言,荷电状态(State of Charge,SOC)是其核心参数之一,精确地估算SOC是维持电池安全有效运转的重要保证,而精确地估算SOC主要取决于估算算法。本文以阀控式铅酸(Valve Regulated Lead-Acid,VRLA)蓄电池为研究对象,以提高SOC估算精度为目的,围绕SOC的估算展开研究。分析了VRLA蓄电池的基本结构、工作原理、主要技术参数和工作特性后,对现有的SOC估算方法进行了深入研究,选择以扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法为基础,提出了一种基于模糊双卡尔曼滤波(Fuzzy Dual Kalman Filter,FDKF)算法的SOC估算方法。一方面,为了反映模型参数的动态变化,为工作中的电池SOC估算提供更高精度的模型,引入了一种基于卡尔曼滤波(Kalman Filter,KF)算法的在线参数辨识法,该方法将电池的一阶电阻电容(Resistance-capacitance,RC)等效电路模型通过数学方法转换为自回归各态历经(Autoregressive Exogenous,ARX)模型的形式,再利用KF算法辨识模型的参数。仿真结果表明,基于KF算法的在线参数辨识法可以反映模型参数的动态变化,为处在复杂工况下的电池SOC估算提供了更高精度的模型。另一方面,为了进一步提高SOC估算精度,在利用上述基于KF算法的在线参数辨识法得到的高精度模型的基础上,采用EKF算法估算电池SOC,并引入模糊算法,通过模糊控制器更新EKF的观测噪声协方差,以抵消复杂工况下模型误差给SOC估算带来的不利影响。仿真结果表明,基于FDKF算法的SOC估算方法在SOC估算精度上有了较大的提升。最后,针对电池的SOC估算功能搭建SOC估算平台,设计了相关的硬件与软件,利用搭建完成的SOC估算平台进行系统测试。测试结果表明,基于FDKF算法的SOC估算方法有较高的SOC估算精度,具有较好的应用价值。