相关论文:
-
全球能源互联网
第7卷 第2期 2024年03月;页码:136-144
基于动态可重构电池网络的大规模退役动力电池梯次利用储能系统运行性能评估
Operational Performance Evaluation of Large-scale Second-life Battery Cascade Utilization Energy Storage Systems Based on Dynamic Reconfigurable Battery Networks
- 1.清华大学电机工程与应用电子技术系,北京市 海淀区 100084
- 2.清华大学新型电力系统运行与控制全国重点实验室,北京市 海淀区 100084
- 3.国网河南省电力公司电力科学研究院,河南省 郑州市 450052
- CI Song1,2*, ZHANG Congjia1, ZHOU Yanglin1,2, LI Bowen3, ZHAO Guangjin3 (1. Department of Electrical Engineering, Tsinghua University, Haidian District, Beijing 100084, China
- 2. State Key Laboratory of Power System Operation and Control, Tsinghua University, Haidian District, Beijing 100084, China
- 3. State Grid Henan Electric Power Research Institute, Zhengzhou 450052, Henan Province, China
关键词
Keywords
摘 要
Abstract
退役动力电池因其一致性差、安全性薄弱等缺陷在梯次利用时面临巨大挑战。动态可重构电池网络(dynamic reconfigurable battery network,DRBN)能够有效提高退役动力电池梯次利用储能系统的一致性和安全性。目前DRBN储能系统已经进入工程应用阶段,然而现有的研究缺少对大规模DRBN储能系统的运行性能评估。为此,以实际运行的大规模退役动力电池梯次利用储能系统作为分析对象,选取储能系统中80个DRBN的1个月运行数据进行分析。从运行工况、均衡效果、薄弱辨识三个方面验证了DRBN储能系统对电池模组一致性的提升效果。数据分析表明,90%的DRBN一致性良好,且其他一致性较差的DRBN都能够被准确辨识。
Second-life batteries face huge challenges in cascade utilization due to poor consistency and weak safety. The dynamic reconfigurable battery network (DRBN) can effectively improve the consistency and safety of the second-life battery cascade utilization energy storage systems. Recently, DRBN energy storage systems have reached the stage of engineering applications. However, existing research lacks operational performance evaluation of large-scale DRBN energy storage systems. Therefore, we take a real-world large-scale second-life battery cascade utilization energy storage system as an example and choose the operation data of 80 DRBNs during one month for analysis. The effectiveness of the DRBN in improving the consistency of battery modules has been verified from three aspects: operating conditions, module balancing, and weak links.Data analysis shows that 90% of DRBNs have good consistency,and other DRBNs with poor consistency can be accurately evaluated.
0 引言
电池储能系统(battery energy storage system,BESS)因其响应速度快、能量密度高等优势,已经成为新型电力系统的重要组成部分[1-6]。近年来,随着大量电动汽车动力电池达到退役年限,大规模退役动力电池梯次利用储能系统得到了广泛关注[7-10]。然而,退役动力电池存在一致性差、安全性薄弱等缺陷,其梯次利用面临巨大挑战[11-13]。动态可重构电池网络(dynamic reconfigurable battery network,DRBN)是实现退役动力电池梯次利用的关键技术,其工作电流级均衡能力和快速故障切除能力能够有效提高电池系统的一致性和安全性[14-15]。目前DRBN储能系统已经进入工程应用阶段,然而实际工况下DRBN储能系统的运行性能尚不明晰。
为了解决上述问题,现有的文献针对DRBN储能系统的运行性能开展了实验验证。文献[16]提出一种DRBN的分层均衡方法,并通过硬件在环实验验证了系统的均衡效果。文献[17]提出一种DRBN在重构过程中防止短路的方法,并通过样机和实验平台验证了重构过程的安全性。文献[18]提出一种DRBN的运行优化架构,并在实验平台上验证了DRBN具有更高的能量效率。然而,文献[16-18]是在DRBN的层级进行验证,实验平台仅包含直流侧,并非整个DRBN储能系统。文献[19]基于DRBN储能系统的实际工程案例验证了系统的本质安全机制。文献[20]基于实际DRBN储能系统的1个循环数据验证了系统电热一体化管控的能力。文献[19-20]在DRBN储能系统层级进行了验证,但涉及的数据量较小,难以实现长时间尺度上大规模电池储能系统的运行分析。
有鉴于此,本文结合实际工程数据评估大规模退役动力电池梯次利用储能系统的运行性能。首先,阐述大规模储能系统的架构与关键参数;然后,基于DRBN储能系统的能量数字化思想,详细说明DRBN储能系统的一致性管控方法;接着,对实际DRBN储能系统采集得到的数据集进行分析;最后,围绕运行工况、均衡效果、薄弱环节三个方面验证DRBN储能系统的运行性能。
1 系统组成
本文的分析对象是基于DRBN建设的退役动力电池梯次利用储能系统。场站采用从电动大巴上退役的磷酸铁锂电池[21],这些电池本身性能较新电池有所下降,且存在自放电和不一致性的问题。目前该场站已经在线运行数月,积累了大量运行数据,本文将基于这些实际运行数据对DRBN储能系统的性能进行验证。
大规模退役动力电池梯次利用储能系统场站通常由多个储能集装箱构成,单台或多台经变压器与交流电网连接,实现400 V交流到35 kV交流的升压,如图1所示。每个储能集装箱内包含单台或者多台储能变流器(power conversion system,PCS),实现交流与直流的变换。PCS的额定功率为125 kW,交流侧额定电压为400 V。PCS直流侧与DRBN连接,DRBN通过电力电子开关串联的方式形成可重构网络,DRBN包含“M并N串”的电池模组,典型的电池模组拓扑连接中M = 3,N = 14,如图2所示。电池模组的材料为磷酸铁锂,每个模组包含16个串联的电池单体,单体规格为3.2 V/206 Ah,充电截止电压3.65 V,放电截止电压2.0 V。
图1 大规模梯次利用DRBN储能系统场站架构
Fig. 1 Framework of large-scale second-life battery cascade utilization DRBN ESS
图2 DRBN拓扑结构
Fig. 2 Structure of the DRBN
本文主要对直流侧DRBN的运行数据进行分析,以评估实际工况下DRBN储能系统的性能。考虑到每个集装箱内包含4个DRBN,整个场站共有80个DRBN。为了便于表示,按照“变压器序号-集装箱序号-DRBN序号”的规则对DRBN命名。例如,1-2-2 DRBN表示第1台变压器下的2号集装箱内的第2个DRBN,最大编号为10-2-4。
2 动态可重构电池系统运行原理
动态可重构电池系统基于能量数字化的原理,通过电池与电力电子开关深度耦合实现电池能量流的离散化和数字化,再通过数字能量计算方法实现数字能量的管控,从而实现电池系统的高效运行、一致性管控和本质安全控制。本章结合实际场站的运行需求,对DRBN的运行原理进行介绍,重点说明DRBN的均衡控制原理。
2.1 能量数字化
在DRBN中,由于网络的不断重构,电池模组的电流不再是连续的,而是呈现出脉冲的特点,如图3所示。具体而言,当与电池模组相连接的开关导通时,模组接入系统参与充放电,此时模组电流不为零;反之,当开关断开时,模组电流为零。此时,由于模组端电压是稳定的,电池模组的输出功率不再是连续的,而是被离散化为脉冲功率输出,在时间轴上表现为一个个“能量切片”。DRBN从时间的维度入手,将来自不同电池模组的“能量切片”按时间轴进行调度排布,来实现电池能量管控,即
图3 3个并联模组在动态重构过程中的电流
Fig. 3 Current of three parallel modules during the dynamic reconfiguration process
式中:ΔC 表示电池模组的容量变化量;Δt 表示模组参与充放电的时间。通过调整模组接入充放电回路里的时间,可以改变电池容量在不同模组上的分布。例如,充电时延长容量低的模组的充电时间,或在放电时安排容量高的模组优先放电。DRBN的管控模式有利于实现电池模组均衡,克服电池系统的短板效应。
2.2 一致性管控方法
基于上述能量数字化的思想,在图2所示的实际DRBN中,采用的是并联模组“3选2”的一致性管控策略。具体而言,在充放电过程中,从3个并联模组中选取2个接入系统,另外1个模组断开。为了实现模组均衡,需要选取剩余容量较大的2个模组放电,或剩余容量较小的2个模组参与充电。由于容量不可直接测量,因此取开路电压(open circuit voltage,OCV)作为“3选2”的判断指标,这是因为OCV只与电池模组的荷电状态(state of charge,SOC)相关,能够准确反映模组容量。在充电时选取OCV小的2个模组接入系统,放电时则选取OCV大的2个模组。图3给出了实际系统中3个并联模组的放电电流,可以看出模组1几乎始终参与放电,说明模组1的剩余容量最多,在放电过程中承担最多的放电容量。模组2和模组3交替参与放电,二者电流呈现相反的趋势,表明2个模组容量相近,在交替放电的过程中保证容量均衡。
3 运行性能评估方法
3.1 数据获取
本章对实际DRBN储能系统采集得到的数据集进行分析。数据采集周期为1个月,数据采集频率为每分钟采集1组电池数据。采集到的数据信息包括电池模组的工作电压、OCV、工作电流、SOC、温度。工作电压是指模组端电压,即电池模组正负极之间的实时电压,通过电压传感器直接测量得到,该电压值受模组SOC、工作电流、充放电时间等因素的影响。OCV难以直接测量,这是因为真实的OCV需要电池静置足够长的时间后才能通过测量端电压得到,而实际运行时难以找出这样的工况。因此,本文的OCV在开关断开后测得的工作电压曲线的基础上外推得到。电流通过霍尔传感器测量得到。模组的SOC也无法直接测量,本文的计算方法是在OCV的基础上,通过电池模组的OCV-SOC曲线映射得到SOC。温度通过安装在电池模组表面的温度传感器直接测量得到。
3.2 评估方法
本文性能评估的目的是验证DRBN储能系统的一致性,因此评估方法主要是数据一致性的分析方法,具体包括数据预处理和标准差计算。
数据预处理的目的是排除电池的极化效应和磷酸铁锂电池的平台期对一致性评估的影响。极化效应是指在大电流充放电后,锂电池的端电压并不等于OCV,而是OCV与极化电压的叠加,直接使用这部分电压数据会造成评估的误差,因此需要在评估过程中排除这一部分数据。磷酸铁锂电池的平台期是指电池的充放电曲线存在一个明显的平台期,平台期内电池电压几乎不变,而非平台期的电池电压会快速变化,导致平台期数据与非平台期数据不能直接比较。因此在评估过程中需要排除非平台期数据。
数据预处理完成后,将每个DRBN内42个电池模组的工作电压标准差 (standard deviation,SD) 作为该DRBN的一致性指标 (consistency indicator,CI)。设xV,i为第i个电池模组的工作电压,N是电池模组数量,μV为所有电池模组工作电压的平均值,则工作电压标准差σ的计算公式为
4 实例分析
本章对上述动态可重构电池储能系统的运行工况和运行数据进行分析,以验证动态可重构技术在提高电池一致性、定位系统薄弱环节等方面的作用。
4.1 运行工况分析
在1个月的运行时间内,该DRBN储能系统的主要任务是:根据集控中心调度,缓解弃风弃光的情况,在发电高峰时执行充电指令,以实现新能源消纳。因此,在充电指令下达时,储能系统进行大电流充电。在其他时刻,储能系统则进行小电流放电,以满足厂用电或其他用电需求。
以编号为1-1-1的DRBN为例来说明DRBN储能系统的运行工况。1-1-1 DRBN的总电流如图4 (a) 所示,电流曲线在不同时刻产生了3个电流尖峰,分别对应3次大电流充电过程。充电电流的最大值分别约为265 A、307 A和819 A,对应的DRBN充电倍率为0.43 C、0.50 C和1.32 C。充电方式为恒流充电,3次充电的时间分别为67 min、119 min和44 min。除了1-1-1 DRBN外,其他的DRBN也经历了相似的充电过程。
图4 1-1-1 DRBN的运行数据
Fig. 4 Operation data of the 1-1-1 DRBN
在充电时间之外,DRBN储能系统则处于放电状态,总电流很小。图4(b)和图4(c)分别给出了42个模组的电压和SOC。可以看出,尽管DRBN的放电电流很小,模组的电压和SOC仍在下降。这是因为DRBN储能系统的电池是退役动力电池,这些电池模组自身老化程度严重,存在不同程度的自放电问题。因此,即使这些电池模组的放电电流很小甚至为零,这些退役电池仍然会由于自放电而损失容量。自放电是退役电池区别于新电池的主要特征,会造成电池系统的不一致性,从而影响系统整体充放电性能。
4.2 均衡效果验证
4.1节提到,退役动力电池模组会发生自放电,从而降低电池系统的一致性。图5给出了1-1-3 DRBN的电压及其标准差。可以看出,在放电阶段,电池模组的电压分布区间较大,电压一致性差。此外,模组电压的标准差在放电过程中逐渐升高,这表明电压的分布逐渐分散,从而验证了退役电池的自放电会加剧系统的不一致性。
图5 1-1-3 DRBN的模组电压及标准差
Fig. 5 Voltage and SD of the 1-1-3 DRBN
然而,在充电阶段,由于采用DRBN储能系统的均衡充电策略,电池系统的一致性得到了明显提升。图5 (b) 展示了经过数据预处理后得到的电压标准差,其中红框部分表示充电过程,可以看出电压标准差会随着充电过程明显下降。第1次充电过程中电压标准差从0.12 V下降到0.08 V,第2次充电过程中标准差从0.11 V下降到0.076 V。第3次充电过程中标准差较为平稳,这是因为经过前2次充电后,42个电池模组的电压一致性已经得到了提升,并接近DRBN均衡能力的极限。在第2次充电过程前,电池系统中存在1个性能较强的电池模组,如图5 (a) 绿色曲线。该模组的电压始终高于其他模组,且在放电过程中的掉电速度较慢,因此容易偏离其他电池模组,造成不一致性。经过2次充电后,该模组与其他模组的差异性缩小,电压曲线之间的重合度升高,这表明电池系统的一致性得到了提升。
为了进一步说明动态可重构技术对电池系统一致性提升的原理与效果,对1-1-3 DRBN的第1次充电过程进行分析,如图6所示。图6(a)是充电过程中所有电池模组的电流,可以看出充电电流是脉冲电流,单个模组的最大电流值约为120 A,对应充电倍率为0.58 C。这是因为DRBN储能系统的均衡充电策略采用“3选2”的模式,即每次从并联的3个电池模组中选择2个容量低的模组接入系统充电,并在一段时间后更新选择。这种充电模式使得初始容量低的模组得到更长时间的充电,也避免了初始容量高的模组出现过充,从而有利于实现模组均衡。图6 (b) 展示了充电过程的电压,在充电前,模组电压的最大值为52.99 V,最小值为52.36 V,极差为0.63 V。此外,存在1个性能较强的模组,电压明显偏离其他模组,与其他模组的电压差大于0.2 V。经过67 min的充电过程后,电池系统的一致性有所提升。充电结束并经过充分静置后,模组电压最大值为53.48 V,最小值为53 V,极差为0.48 V,比充电前下降了0.15 V。此外,电池模组电压趋于一致,性能较强的模组电压与其他模组的电压差缩小到0.16 V。实验数据验证了DRBN储能系统在模组均衡方面的作用,通过制定合理的充放电运行策略,DRBN储能系统能够实现电池模组的一致性提升。
图6 1-1-3 DRBN充电过程的电流与电压
Fig. 6 Current and voltage of the 1-1-3 DRBN in the charging process
4.3 薄弱环节辨识
前文主要对DRBN内部进行分析,即验证某个“3并14串”的DRBN在运行过程中的特性。实际储能电站包含80个DRBN,这些DRBN的总体特性各有不同。例如,有的DRBN一致性较差,对外表现出的特点就是可用容量低。有的DRBN存在一些未知的故障,对外可能会表现出电压、电流异常。因此,准确定位出DRBN中的薄弱环节,对梯次利用储能电站的调度、管控和运维都至关重要。
为了实现DRBN薄弱环节的准确定位,本文将电池模组的端电压作为评价指标,通过对电压一致性的评估和分析来实现薄弱环节定位。这是因为电池模组的绝大多数故障最终都会表现为模组电压异常,此外,电池模组的一致性水平也可以通过电压一致性来准确地反映[22]。图7给出了80个DRBN的电压一致性情况。以每个DRBN的模组电压标准差的平均值作为衡量该DRBN电压一致性的指标。如果某个DRBN的标准差平均值越大,该DRBN内的电池模组一致性就越差。
图7 80个DRBN的电压标准差平均值
Fig. 7 The mean value of the voltage SDs of the 80 DRBNs
根据不同DRBN的电压标准差平均值高低,基于试错法(trial-and-error method),可以将80个DRBN按照电压一致性程度分为3类。
第1类:标准差平均值小于0.12,此时DRBN的一致性良好。
第2类:标准差平均值位于0.12到0.24之间,此时DRBN存在一定程度的不一致性,这些DRBN需要被关注,以防止潜在风险的发生。
第3类:标准差平均值大于0.24,此时DRBN存在严重的不一致性,需要进行故障或风险排查。
根据上述分类依据,将80个DRBN分为3类,结果如表1所示。第1类包含72个DRBN,占比90%,这表明绝大多数DRBN的一致性良好。第1类DRBN的典型实例如图4、图5所示。这类DRBN的特点是,不同电池模组的电压变化趋势相似,电压分布较为集中。即使存在个别电压偏离较大的电池模组,也可以通过DRBN储能系统的充电均衡策略实现一致性。
表1 80个DRBN的分类结果
Table 1 The classification results of 80 DRBNs
类别DRBN编号第1类72个DRBN第2类4-1-4, 7-1-2, 8-2-1, 9-1-1第3类6-2-1, 8-2-2, 9-2-4, 10-1-1
第2类包含4个DRBN,占总数的5%,其典型实例如图8所示。这类DRBN的特点是,大部分电池模组保持较好的一致性,但存在少量电池模组的电压偏离程度较大,且难以在短时间内通过DRBN储能系统的充电均衡策略实现一致性。例如,图8 (a) 给出了8-2-1 DRBN的电压,可以看出有3个模组的电压始终低于其他正常模组,且随着放电时间增长,3个模组的电压逐渐离群,使得整个DRBN的电压一致性水平下降。
图8 第2类DRBN的典型实例
Fig. 8 Typical examples of the second type of DRBNs
此外,第2类DRBN的不一致性可能是由电池模组的故障造成的。例如,图8 (b) 给出了7-1-2 DRBN的电压,可以看出有2个模组的电压长时间保持不变,这是因为这2个模组发生了故障,DRBN储能系统将2个模组从电池系统中断开。由于2个模组不参与充放电,故电压保持不变。然而,正常模组电压仍随充放电变化,因此故障模组电压逐渐离群,导致电压一致性降低。
第3类包含4个DRBN,占总数的5%,典型实例如图9所示。这类DRBN的特点是,电池模组的电压一致性极差,DRBN储能系统的充电均衡策略难以实现一致性提升。例如,图9(a)给出了10-1-1 DRBN的电压,模组电压的分布范围在3 V以上。不同电池模组的电压变化趋势差别很大,说明模组间的老化程度各异,可用容量差异巨大。相较于第2类DRBN,第3类DRBN中存在大量健康状态差的电池模组,电压随着放电过程迅速下降,从而快速发生电压离群,造成严重的不一致性。
图9 第3类DRBN的典型实例
Fig. 9 Typical examples of the third type of DRBNs
此外,第3类DRBN的严重不一致性也有可能是模组故障造成的,这类故障往往比第2类DRBN的更为严峻。例如,图9(b)展示了6-2-1 DRBN的电压,该DRBN的不一致性是由某个模组故障造成的。该模组在第1次充电前就因为故障被切除,导致模组电压不变。第1次和第2次充电之间,该模组电压跌落到40 V以下,这可能是由于模组发生了内短路或单体绝缘问题,因此模组继续保持切除状态。急剧的电压跌落使得故障模组严重偏离其他正常模组,进而造成严重的不一致性。
5 结论
本文针对退役动力电池一致性差、安全性薄弱的问题,提出了基于DRBN储能系统的解决方案,并结合实际工程数据对大规模退役动力电池梯次利用储能系统的运行性能进行了评估。数据范围是80个DRBN在1个月的运行数据,该DRBN储能系统运行在新能源消纳的工况下。1-1-3 DRBN的实验数据验证了DRBN储能系统在模组均衡方面的作用。对80个DRBN的分类结果表明,90%的DRBN一致性良好,且其他一致性较差的DRBN都能够被准确辨识。
参考文献
-
[1]
慈松,周杨林,王红军,等. 基于可重构电池网络的数字储能系统建模与运行控制:基站储能应用案例研究[J]. 全球能源互联网,2021,4(5):427-435.CI Song, ZHOU Yanglin, WANG Hongjun, et al. Modeling and operation control of digital energy storage system based on reconfigurable battery network—base station energy storage application[J]. Journal of Global Energy Interconnection, 2021,4(5): 427-435 (in Chinese). [百度学术]
-
[2]
李建林,郭兆东,曾伟,等. 面向调频的锂电池储能建模及仿真分析[J]. 电力系统保护与控制,2022,50(13):33-42.LI Jianlin, GUO Zhaodong, ZENG Wei, et al. Modeling and simulation analysis of lithium battery energy storage oriented to frequency modulation[J]. Power System Protection and Control, 2022, 50(13): 33-42 (in Chinese). [百度学术]
-
[3]
杜生鑫,金阳. 锂离子电池储能舱风冷散热数值模拟与优化[J]. 电力工程技术,2022,41(6):58-64.DU Shengxin, JIN Yang. Numerical simulation and optimization of air cooling heat dissipation of lithiumion battery storage cabin[J]. Electric Power Engineering Technology, 2022, 41(6): 58-64 (in Chinese). [百度学术]
-
[4]
何锦华,吴斌,曹敏健,等. 面向辅助服务的新能源场站共享储能容量优化配置[J]. 电力工程技术,2022,41(6):50-57.HE Jinhua, WU Bin, CAO Minjian, et al. Capacity optimization configuration of shared energy storage in renewable energy stations for ancillary service[J]. Electric Power Engineering Technology, 2022, 41(6): 50-57 (in Chinese). [百度学术]
-
[5]
刘英培,田仕杰,梁海平,等. 考虑SOC的电池储能系统一次调频策略研究[J]. 电力系统保护与控制,2022,50(13):107-118.LIU Yingpei, TIAN Shijie, LIANG Haiping, et al. Control strategy of a battery energy storage system considering SOC in primary frequency regulation of power grid[J]. Power System Protection and Control, 2022, 50(13): 107-118 (in Chinese). [百度学术]
-
[6]
苏向敬,张传坤,符杨,等. 考虑多场景运行的不平衡主动配网电池储能系统两阶段优化配置[J]. 电力系统保护与控制,2023,51(10):88-97.SU Xiangjing, ZHANG Chuankun, FU Yang, et al. Twostage optimal placement of BESS in an unbalanced active distribution network considering multi-scenario operation[J].Power System Protection and Control, 2023, 51(10): 88-97 (in Chinese). [百度学术]
-
[7]
HU X S, DENG X C, WANG F, et al. A review of secondlife lithium-ion batteries for stationary energy storage applications[J]. Proceedings of the IEEE, 2022, 110(6): 735-753. [百度学术]
-
[8]
索克兰,程林,许鹤麟,等. 提升电池储能系统经济性研究方法综述[J]. 全球能源互联网,2023,6(2):163-178.SUO Kelan, CHENG Lin, XU Helin, et al. A review of research methods for improving the economy of battery energy storage system[J]. Journal of Global Energy Interconnection,2023, 6(2): 163-178 (in Chinese). [百度学术]
-
[9]
来鑫,陈权威,邓聪,等. 一种基于电化学阻抗谱的大规模退役锂离子电池的软聚类方法[J]. 电工技术学报,2022,37(23):6054-6064.LAI Xin, CHEN Quanwei, DENG Cong, et al. A soft clustering method for the large-scale retired lithium-ion batteries based on electrochemical impedance spectroscopy[J]. Transactions of China Electrotechnical Society, 2022, 37(23): 6054-6064 (in Chinese). [百度学术]
-
[10]
刘征宇,郭乐凯,孟辉,等. 基于改进DBSCAN的退役动力电池分选方法[J]. 电工技术学报,2023,38(11):3073-3083.LIU Zhengyu, GUO Lekai, MENG Hui, et al. A sorting method of retired power battery based on improved DBSCAN[J].Transactions of China Electrotechnical Society, 2023, 38(11):3073-3083 (in Chinese). [百度学术]
-
[11]
GU X B, BAI H Y, CUI X F, et al. Challenges and opportunities for second-life batteries: key technologies and economy[J]. Renewable and Sustainable Energy Reviews,2024, 192: 114191. [百度学术]
-
[12]
WANG Q S, WANG Z P, ZHANG L, et al. A novel consistency evaluation method for series-connected battery systems based on real-world operation data[J]. IEEE Transactions on Transportation Electrification, 2021, 7(2):437-451. [百度学术]
-
[13]
ZHANG Y, ZHANG Y H, WU T Z. Estimation of state of health based on charging characteristics and back-propagation neural networks with improved atom search optimization algorithm[J]. Global Energy Interconnection, 2023, 6(2): 228-237. [百度学术]
-
[14]
慈松. 数字储能系统[J]. 全球能源互联网,2018,1(3):338-347.CI Song. Digital energy storage system[J]. Journal of Global Energy Interconnection, 2018, 1(3): 338-347 (in Chinese). [百度学术]
-
[15]
王子毅,朱承治,周杨林,等. 基于动态可重构电池网络的OCV-SOC在线估计[J]. 中国电机工程学报,2022,42(8):2919-2929.WANG Ziyi, ZHU Chengzhi, ZHOU Yanglin, et al. OCVSOC estimation based on dynamic reconfigurable battery network[J]. Proceedings of the CSEE, 2022, 42(8): 2919-2929(in Chinese). [百度学术]
-
[16]
CUI H Y, WEI Z B, HE H W, et al. Novel reconfigurable topology-enabled hierarchical equalization of lithium-ion battery for maximum capacity utilization[J]. IEEE Transactions on Industrial Electronics, 2023, 70(1): 396-406. [百度学术]
-
[17]
CHEN S Z, WANG Y L, ZHANG G D, et al. Sneak circuit theory based approach to avoiding short-circuit paths in reconfigurable battery systems[J]. IEEE Transactions on Industrial Electronics, 2021, 68(12): 12353-12363. [百度学术]
-
[18]
LIN N, CI S, WU D L, et al. An optimization framework for dynamically reconfigurable battery systems[J]. IEEE Transactions on Energy Conversion, 2018, 33(4): 1669-1676. [百度学术]
-
[19]
张从佳,施敏达,徐晨,等. 基于动态可重构电池网络的储能系统本质安全机制及实例分析[J]. 储能科学与技术,2022,11(8):2442-2451.ZHANG Congjia, SHI Minda, XU Chen, et al. Intrinsic safety mechanism and case analysis of energy storage systems based on dynamically reconfigurable battery network[J]. Energy Storage Science and Technology, 2022, 11(8): 2442-2451 (in Chinese). [百度学术]
-
[20]
慈松,张从佳,刘宝昌,等. 动态可重构电池储能技术:原理与应用[J]. 储能科学与技术,2023,12(11):3445-3455.CI Song, ZHANG Congjia, LIU Baochang, et al. Dynamic reconfigurable battery energy storage technology: principle and application[J]. Energy Storage Science and Technology, 2023,12(11): 3445-3455 (in Chinese). [百度学术]
-
[21]
OJI T, ZHOU Y L, CI S, et al. Data-driven methods for battery SOH estimation: survey and a critical analysis[J]. IEEE Access, 2021, 9: 126903-126916. [百度学术]
-
[22]
KIM J. Discrete wavelet transform-based feature extraction of experimental voltage signal for Li-ion cell consistency[J].IEEE Transactions on Vehicular Technology, 2016, 65(3):1150-1161. [百度学术]
基金项目
国家电网有限公司总部科技项目(4000-202324092A-1-1-ZN)。
Science and Technology Foundation of SGCC (4000-202324092A-1-1-ZN).