不同倍率下磷酸铁锂电池模组过充热失控特性研究

随着电化学储能技术在电力系统中的广泛应用,电化学储能技术的安全性越来越受到重视。文中以储能用磷酸铁锂电池模组(8.8 kW·h, 25.6 V,344 A·h)为研究对象,进行3次不同倍率(0.4C,0.5C,1C)的恒流过充试验,研究其在不同充电倍率条件下的过充热失控特性,并辅以starccm+软件进行热场仿真计算。结果表明,电池模组在额定充电倍率0.5C(172 A)和1C(344 A)下持续过充会发生起火,起火时间随着充电倍率增加而减少;充电倍率对磷酸铁锂电池模组过充行为特性影响较大,随着充电倍率的增加,热失控最高温度和峰值电压升高,过充测试时间随着充电倍率的升高而降低;不同充电倍率条件下,电池安全阀首次打开时的电压均为1.7倍额定电压,可以进一步研究以作为电池热失控预警参数。文中研究成果可为规模化储能用磷酸铁锂电池的安全性研究和电池管理系统(BMS)对过充故障的安全管理提供参考。     

电力作业场景中一种高效的UWB和IMU融合定位算法

在电力作业场景等复杂环境中,超宽带（UWB）定位存在非直达情况（NLOS）性能下降严重的问题,利用UWB与惯性测量单元（IMU）融合可以改善定位精度,但IMU的测量存在误差累积,需要精确的UWB测量校正。对NLOS条件进行准确的鉴别和利用有助于定位精度的提升。提出一种基于扩展卡尔曼滤波（EKF）的UWB/IMU融合算法,利用电力作业场合中UWB测量分布性质来判定NLOS条件,并进行误差的缓解,有效提升NLOS条件下的定位精度。由于该算法不需要对环境有先验知识,也不需要进行IMU校正等操作,可用性较好。理论和实验结果表明,该算法的性能优于其他基线系统。     

基于深度置信网络的电网故障类型辨识

高效可靠的电网故障分类有利于指导调控人员快速排查和消除故障、恢复系统供电,对保障系统安全可靠运行具有重要意义。为了克服浅层智能方法对信号处理技术和人工经验的依赖以及对复杂电力系统特征提取和表达的不足,文中基于故障录波信息,提出一种基于深度置信网络的电网故障类型辨识方法。直接以故障发生后的各相电流/电压以及零序电流/电压作为网络输入,从原始时域信号中自动学习和提取故障状态特征,从而实现故障类型的辨识。IEEE 39节点仿真系统案例和电网实际故障案例均表明该方法具有良好的故障特征提取能力,在数据降维过程中能保持数据原本的特征,且辨识结果不受过渡电阻、故障时刻、故障位置、负荷大小等因素的影响,与传统人工神经网络模型相比其识别准确率更高。