基于模型数据融合方法的锂离子霍克蓄电池储能系统惯性支撑持续功率边界在线估计

锂离子电池储能体系（BESS）在为电网提供惯性支撑方面展现出巨大潜力。完成高效的惯性支撑与电池安全运转之间的平衡具有应战性，这需要对电池输出鸿沟进行准确估量，特别是在在线作业条件下。但是，现有的评价电池输出功率鸿沟的办法一般忽略了特别的惯性支撑输出特性以及在线使用的需求，然后限制了其准确性和功率。本文提出了一种依据模型数据交融办法（MDFM）的新式BESS惯性支撑继续功率鸿沟（SPB）在线估量办法。首先，经过一系列试验研究了电池在惯性支撑条件下的阻抗特性，并据此开发了一个依据负电阻的等效电路模型（ECM），以包含电池的非线性固相分散效应。考虑到荷电状况（SOC）和放电电流率对负阻抗的非线性影响，一种“支撑向量机(SVM)被用于对负阻抗建模，其间试验成果作为练习数据输入。随后，提出了一种依据MDFM的办法用于改善ECM的在线参数估量，其间负阻抗由SVM实时估量。依据该ECM，受截止电压、SOC和最大电流阈值束缚的BESS惯性支撑SPB，经过一种依据多束缚的办法进行在线估量。最后，进行了试验以验证依据MDFM的ECM估量办法以及依据多束缚的在线SPB估量办法。与传统的峰值功率估量办法比较，所提出的办法明显进步了BESS输出鸿沟评价的在线准确性。

导言

大规模可再生能源（RESs）正在现代电力体系中逐渐取代同步发电机[1]。依据电力电子变换器的可再生能源体系缺少物理转动惯量，这降低了电力体系的总惯量，然后添加了在大型扰动下频率不稳定及进一步导致停电的风险。因而，为确保电力体系的牢靠稳定运转，对RES提供频率支撑的要求更高，尤其是在惯性支撑方面。锂离子电池储能体系（BESS）凭借其高峰值电流才能和快速响应才能，是提供惯性支撑的高质量电源。在澳大利亚，大规模BESS具有成为首要惯性提供者的潜力[2]。BESS的惯性支撑服务已被成功证明能够抑制大型扰动期间的频率误差以及快速频率改变率（RoCoF）动摇[3]。
BESS惯性支撑功能的关键在于输出容量评价。不准确的输出鸿沟评价可能导致安全问题或资源利用保存。电池的输出容量一般依照预定义程序[4]在试验室条件下离线评价，其评价成果在必定程度上缺少适应性。在具有不确定性和各种扰动的现代电力体系中，BESS的在线输出容量评价至关重要。在线评价应考虑电池的实时运转状况，或许能够依靠于数据驱动算法[5,6]。依据等效电路模型（ECM）的办法被广泛使用[7]。例如，Guo等人[8]选用2-RC模型和依据模型切换的迭代算法，以完成恒功率（CP）工况下的功率状况（SOP）估量。作为改善，文献[9]提出了一种用于SOP的多状况联合估量框架，经过温度状况估量完成参数在线更新。文献[10]提出了一种考虑温度和Butler-Volmer方程的分数阶模型，但该模型杂乱且核算量大。此外，虽然现有研究完成了不同的ECMs和各种方针，但在依据ECM的在线SOP估量中仍存在两个应战。一方面，ECMs一般在相对温文的电流倍率下进行参数化，但电池的阻抗特性...
具体而言，传统的SOP估量办法选用了四种常见的功率鸿沟模型，即恒流（CC）[14,15]、恒压（CV）[16]、恒流-恒压（CC-CV）[17,18]以及CP[8]。这些模型以不同的办法描绘电池的输出轮廓[19]，其成果能够提供不同使用场景下的相关信息。但是，电池的输出在惯性支撑工况下表现出特别的特征。当电网产生频率事件时，BESS需要在短时刻内输出大功率，其输出功率特性具有随时刻改变且幅值较高的特点。考虑到电池的输出鸿沟与其运转工况高度相关[20]，选用稳定输出模式的传统功率鸿沟无法充沛且准确地评价BESS的输出才能。为了处理这一问题，咱们在[4]中初次提出了继续功率鸿沟（SPB）的概念及一种依据试验的评价办法。SPB是指BESS随时刻改变的继续输出鸿沟，它能够表征BESS在不同工况下（例如惯性支撑工况）的特定输出特性。依据[4]中的成果，与传统的稳定功率鸿沟比较，选用SPB作为BESS的输出鸿沟进步了评价精度，然后在确保安全性的同时完成了电池资源更高效的利用。但是，怎么完成在线e...
使用最广泛的ECMs是依据电阻电容（RC）的模型，其间选用不同数量的RC模块来在不同程度上模仿电池特性。添加串联环节的数量能够改善对电池极化动力学的描绘[21,22]，但这也会添加核算负担以及电池状况估量的难度。那么，怎么平衡ECM的准确性与简洁性便成为一项应战。另一方面，传统的ECMs（例如1-RC和2-RC模型）一般在温文电流倍率下进行参数化。但是，当电池处于继续高倍率电流输出工况时，电池内部的电化学反应可能会被加快，而且电池会表现出更多的非线性特性。为了更准确地反映电池在高倍率电流作业条件下的电气特性，能够经过考虑更多电化学因素来改善ECM。例如，文献[23]提出了一种非线性固相分散（NSD）-ECM，该模型展示了电池的固相分散以及电极颗粒内产生的过电位。在该模型中，浓度依靠的固相分散速率被表明为相对于外表SOC的电路参数函数。因而，该模型在高倍率电流条件下能够一直优于传统ECM。一种具有依靠于“的电路参数的改善型ECM...
在线建模的关键在于模型参数的更新。最直接的办法是依据环境改变和工况动摇来批改模型参数，但这种办法需要准确的联系模型。在人工智能前进的推动下，比如人工神经网络[27,28]、支撑向量机（SVM）[29,30]和梯度进步[31,32]等数据驱动办法已被使用于电池的非线性建模和状况估量中。但是，虽然数据驱动办法能在必定程度上获取电池特性，但对电池内部动态的解说以及在惯性支撑场景下对电池行为的彻底仿真仍显缺乏。此外，这些办法很大程度上依靠于试验数据的质量和数量，而密布且耗时的高电流负载测试会加快电池退化[33]。结合依据模型的办法和数据驱动办法的优点，MDFM应运而生。例如，文献[34]提出了一种将1-RC模型与前馈神经网络相结合的数据-模型交融办法，以进步在线SOP估量的功能。但是，该办法仅限于CC-SOP估量场景，缺少对整个放电进程的准确描绘。此外，MDFM更常用于SOC估量或State of Health估量[35,36]。因为文献[26]中的新式ECM由传统的1-RC根底组件和……组成，因而……

•  
•  
•  

鉴于上述情况，本文提出了一种依据MDFM的BESSs惯性支撑SPB在线预算办法，其间使用了改善的依据负电阻的ECM。本文的首要贡献总结如下：• 改善了依据负电阻的ECM以方便在线预算。使用SVM来处理SOC和放电率对负阻抗的影响，然后能够在不依靠准确联系模型的情况下快速在线预算负阻抗。• 提出了一种依据MDFM的ECM在线参数辨识办法。经过结合依据模型特征的根底组件辨识和依据SVM的负阻抗预算，在在线获取ECM参数时能够全面进步准确性和功率。• 依据在线预算的ECM提出了一种快速惯性支撑SPB预算战略。凭借该战略，能够在截止电压、SOC和最大电流阈值的束缚下，快速在线预算BESS的惯性支撑SPB，这充沛处理了时变工况下电池特性的耦合问题。