储能电池系统核心状态参量估算策略

　　目录
　　第1章 绪论 1
　　1.1 新型电力储能应用 1
　　1.1.1 电化学储能 1
　　1.1.2 飞轮储能 2
　　1.1.3 压缩空气储能 3
　　1.1.4 超导储能 4
　　1.1.5 超级电容器储能 6
　　1.2 智能电网储能系统电池模型构建 7
　　1.2.1 电化学机理模型 8
　　1.2.2 数据模型 8
　　1.2.3 等效电路模型 8
　　1.2.4 热模型 9
　　1.3 智慧储能电池状态评估 10
　　1.3.1 荷电状态估计策略 10
　　1.3.2 健康状态预测算法 12
　　1.3.3 能量状态估算 14
　　1.3.4 峰值功率估算 15
　　1.3.5 全寿命周期剩余使用寿命评估 16
　　第2章 电力储能电池测试 21
　　2.1 电池测试共享平台搭建 21
　　2.2 电池工作机理分析 22
　　2.3 电池特性测试流程 25
　　2.3.1 能量测试 25
　　2.3.2 混合脉冲功率特性测试 26
　　2.3.3 电池容量校正测试 27
　　2.3.4 不同倍率充放电测试 27
　　2.3.5 电池老化测试 28
　　2.4 电池工作特性分析 29
　　2.4.1 电压特性分析 29
　　2.4.2 电流特性分析 31
　　2.4.3 温度特性分析 31
　　2.4.4 内阻特性分析 32
　　2.4.5 能量特性分析 33
　　2.5 本章小结 33
　　第3章 智慧能源建模分析 34
　　3.1 电化学特性模型 34
　　3.1.1 黑箱模型 34
　　3.1.2 等效电路模型 37
　　3.1.3 电化学机理模型 40
　　3.2 热模型 45
　　3.2.1 单状态集中参数热模型 45
　　3.2.2 一维分布式多项式热模型 46
　　3.2.3 双状态集中参数热模型 49
　　3.3 电热耦合模型 51
　　3.3.1 基于偏微分方程的模型 51
　　3.3.2 混合型模型 53
　　3.4 本章小结 53
　　第4章 储能电池状态智能化预估核心算法 55
　　4.1 基于传统方法的计算 55
　　4.1.1 开路电压法 55
　　4.1.2 安时积分法 56
　　4.1.3 电化学阻抗谱法 57
　　4.2 基于模型方法的估计 58
　　4.2.1 卡尔曼滤波 58
　　4.2.2 扩展卡尔曼滤波 59
　　4.2.3 无迹卡尔曼滤波 61
　　4.2.4 双卡尔曼滤波 62
　　4.2.5 自适应卡尔曼滤波 64
　　4.3 基于智能算法的预测 66
　　4.3.1 神经网络 66
　　4.3.2 模糊逻辑控制 78
　　4.3.3 支持向量机 78
　　4.3.4 机器学习 81
　　4.4 本章小结 83
　　第5章 基于LSTM神经网络的储能电池SOC估计 84
　　5.1 基于BiLSTM模型的电池SOC预测 84
　　5.1.1 特征选取与训练样本优化 84
　　5.1.2 网络结构设计与超参数选择 85
　　5.1.3 基于BiLSTM的动态模型构建 86
　　5.2 贝叶斯优化BiLSTM网络模型 87
　　5.2.1 基于贝叶斯的后验分布估计 87
　　5.2.2 贝叶斯优化BiLSTM模型框架 89
　　5.2.3 贝叶斯优化BiLSTM超参数优化选取 90
　　5.3 基于AUKF的神经网络模型优化策略 92
　　5.3.1 无迹变换预处理分析 92
　　5.3.2 UKF迭代运算分析 93
　　5.3.3 时变噪声对SOC估计影响与修正 94
　　5.3.4 BO-BiLSTM-UKF噪声修正模型设计 95
　　5.4 BiLSTM预测模型与滤波自适应策略融合估计结果分析 96
　　5.4.1 电池针对性BBDST工况实验 97
　　5.4.2 变温度复杂工况下电池SOC估计结果分析 98
　　5.4.3 分阶段模拟工况下电池SOC估计效果验证 103
　　5.5 本章小结 106
　　第6章 基于数据驱动的储能电池簇SOH估算 107
　　6.1 考虑液相电势的储能电池ESP电压建模 107
　　6.1.1 ESP电压模型优化改进策略 107
　　6.1.2 液相浓差极化及欧姆极化过电势求解 108
　　6.1.3 基于ESP模电压型的储能电池簇多单体建模 112
　　6.2 多维储能电池健康指标的提取 113
　　6.2.1 基于CCPSO算法的ESP模型双参数辨识 114
　　6.2.2 基于IC-DV方法的双老化模式量化 119
　　6.2.3 健康指标的相关性分析 122
　　6.3 储能电池簇的SOH估算 124
　　6.3.1 NSA-BP模型的框架构建 124
　　6.3.2 基于健康指标和NSA-BP模型的SOH估算策略 128
　　6.4 储能典型工况下电池模型和SOH估算验证 130
　　6.4.1 健康指标提取及相关性分析结果 130
　　6.4.2 低倍率恒流储能老化工况下的估计结果 139
　　6.4.3 变倍率储能老化工况下的估计结果 144
　　6.5 本章小结 148
　　第7章 基于长短期记忆网络的电池峰值功率估算 151
　　7.1 戴维南模型构建及全参数辨识 151
　　7.1.1 戴维南模型构建 151
　　7.1.2 离线与在线辨识策略 153
　　7.2 电池峰值功率预估 156
　　7.2.1 基于端电压约束的电池峰值功率估算 156
　　7.2.2 基于SOC约束的电池峰值功率估算 158
　　7.2.3 峰值功率动态实验验证 159
　　7.3 峰值功率预估实验验证分析 161
　　7.3.1 不同老化情况下的电池峰值功率估算验证 161
　　7.3.2 不同温度下的电池峰值功率估算验证 162
　　7.4 本章小结 164
　　第8章 储能电池能量状态评估算法设计与优化 165
　　8.1 电池等效建模与参数辨识 165
　　8.1.1 考虑温度影响的电池等效模型构建 165
　　8.1.2 基于混合脉冲功率测试的离线辨识 167
　　8.1.3 基于遗忘因子递归*小二乘法的参数辨识 169
　　8.1.4 参数辨识结果分析 170
　　8.2 基于FVW-CKF算法的SOE估计 173
　　8.2.1 模糊自适应CKF算法 173
　　8.2.2 双权重多新息CKF 175
　　8.2.3 变窗口自适应调整策略 176
　　8.3 基于双层滤波的SOE与*大可用能量联合估计 176
　　8.3.1 基于EKF的*大可用能量估计 176
　　8.3.2 基于FVW-CKF的SOE和*大可用能量联合估计 177
　　8.4 实验结果分析 179
　　8.4.1 电池能量状态估计验证 179
　　8.4.2 *大可用能量修正效果验证 185
　　8.5 本章小结 188
　　第9章 基于萤火虫优化的SOC与SOH协同估计 189
　　9.1 电池动态迁移模型构建 189
　　9.1.1 动态迁移建模 189
　　9.1.2 基于偏差补偿策略的在线参数辨识 193
　　9.1.3 动态迁移模型验证 196
　　9.2 基于萤火虫优化算法的SOC与SOH协同估计 197
　　9.2.1 混沌萤火虫-粒子滤波 197
　　9.2.2 迁移因子的动态更新及SOC估计 201
　　9.2.3 基于PF-EKF的SOC与SOH协同估计 203
　　9.3 SOC与SOH协同估计实验验证分析 205
　　9.3.1 电池健康状态下协同估计验证 205
　　9.3.2 电池老化状态下协同估计验证 210
　　9.4 本章小结 215
　　第10章 基于*滤波的锂电池SOC与SOP联合估计 217
　　10.1 PNGV模型结合改进粒子群优化的*小二乘辨识策略 217
　　10.1.1 二阶PNGV模型建模 217
　　10.1.2 递归*小二乘法在线参数辨识 218
　　10.1.3 基于DPSO-FFRLS法的参数辨识 220
　　10.1.4 惯性权重动态化处理 222
　　10.2 SOC与SOP估计策略设计 224
　　10.2.1 基于*滤波的SOC估计 224
　　10.2.2 基于多参数约束的SOP估算 227
　　10.3 实验分析与验证 232
　　10.3.1 基于DPSO-FFRLS法的参数辨识结果分析 232
　　10.3.2 SOC评估策略验证分析 234
　　10.3.3 SOP评估策略验证分析 238
　　10.4 本章小结 243
　　参考文献 244

　　《储能电池系统核心状态参量估算策略》专注于新型电力储能电池系统工程的学科领域，聚焦储能电池管理系统的智能化技术，以储能电池系统核心状态参量估算方法为基础，对电池管理系统技术进行深入的研究和探索。《储能电池系统核心状态参量估算策略》主要研究新型电力储能的应用、电力系统辨识建模、智慧储能电池状态评估和智能化管理监测中的关键技术，为系统设计和应用提供技术参考。