变电站蓄电池支持向量机建模在线监测研究

针对广泛应用于变电站储能的蓄电池,提出了一种新的蓄电池内阻在线检测技术。为了在线获得蓄电池性能,采用了支持向量机建模技术的变电站蓄电池性能在线监测方法,该方法综合了交流阴抗法和直流放电法的特点。充放电池实验数据作为最小二乘回归支持向量机的初始建模数据,从而得到基于交流阻抗法的蓄电池内阻模型和剩余容量模型。使用蓄电池运行过程中的核对性放电数据和瞬时放电数据作为回归模型的在线校正数据。基于该方法的变电站蓄电池在线监测系统已在变电站使用了4年以上,故障模拟和实际运行表明该方法能有效辨识已劣化电池以及预测电池性能的变化趋势。     

模型预测电流控制的航空蓄电池充放电控制器研究

为解决充电电路启动时电流增大、放电时系统抗扰动能力差等问题,提出了基于模型预测电流控制的航空蓄电池充放电控制方法,通过预测电流实现了充放电电流的无差拍跟踪,提高系统的抗扰性能与动态响应速度.本文设计的直升机蓄电池充放电控制器,不仅能够满足直升机蓄电池大电流快速充放电、消除镍镉电池的记忆效应的特殊要求,蓄电池还可以对直升机负载恒压放电.仿真结果证明了该方法的有效性,提高系统的鲁棒性.     

蓄电池活化诊治系统设计与实现

提出了一个基于微控制器的智能蓄电池活化诊治系统的实现方案。系统由工控机、主控制器、数据采集、从控制器、LCD显示及触摸屏、充放电单元、数据存储、USB接口、以太网接口和无线接口组成,它采用微处理器控制技术解决了传统的蓄电池活化诊治费时费力,智能化程度低,同时存在事故隐患的问题。     

新能源系统中蓄电池SOC预测技术的探讨

新能源系统中通常采用蓄电池作为储能元件,蓄电池SOC的预测是蓄电池管理系统的一个重要组成部分,掌握蓄电池的工作状态和剩余容量对应用起着指导作用.论文从蓄电池SOC的定义和影响因素入手,讨论了利用物理模型预测蓄电池容量法以及系统辨识与参数估计建模法中的最新动态,最后比较和展望了蓄电池SOC预测技术.     

基于SOM神经网络的蓄电池SOH快速检测研究

介绍了一种通过机器学习快速分离同组不健康电池及预测未知蓄电池健康度SOH的方法。IEC60896-22-2004和GB/T19638.2-2005标准规定了铅酸蓄电池的容量标准及检测方法。标准的容量测试方法需要使用C10的电流恒流放电10个小时,试验方法在实际中难以应用于数量庞大的在用蓄电池组。研究一种基于机器学习的替代方法,对蓄电池组均衡电压后进行快速5分钟大电流充电和5分钟大电流放电,提取充放电的特征,通过SOM神经网络将每个蓄电池特征映射到二维平面,然后通过聚类分析分离不同容量性能的电池。更进一步,通过多次机器学习和按照标准方法获取真实容量,建立监督学习的训练集,利用SOM神经网络聚类中心距离或者时序相似性搜索算法用于快速评估未知电池样本的容量,准确率达96%。     

蓄电池剩余容量检测系统设计

铅酸蓄电池的剩余容量和性能好坏是用户非常关心的一个问题,及时获知其剩余容量和质量在蓄电池检测维修中具有非常重要的作用。为达到快速检测的效果,本文设计了蓄电池容量检测系统,提出了恒流放电-端电压测量法,对蓄电池的剩余容量及性能进行检测。     

应用于矿用智能逆变式充电机的双模糊控制设计

设计了针对矿用智能逆变式充电机的模糊控制器,是矿用铅酸蓄电池高效、快速、无损充电系统的控制部分.详细介绍了从系统得总体方案到采用两个输入、一个输出的双个模糊控制器的设计过程,充分考虑了蓄电池充电和去极化放电的特性,能高效地完成蓄电池充放电过程,使矿用充电机系统达到很好的充电效果.     

基于PNN的航空铅酸蓄电池容量预测

针对航空铅酸蓄电池容量预测的复杂性和非线性等问题,提出了一种基于概率神经网络(PNN,probabilistic neural network)的航空铅酸蓄电池容量预测模型.阐述了PNN的基本理论,分析了影响航空铅酸蓄电池容量的因素,并合理地选取了PNN的输入量.在中国民航飞行学院各个分院采集样本数据并进行了验证,验证结果表明,基于PNN的航空铅酸蓄电池容量预测方法不但具有泛化能力好、学习速度快、预测精度高等优点,而且可以有效地减少由满容量放电造成的电池老化,延长航空铅酸蓄电池的使用寿命,具有良好的应用前景.     

VRLA蓄电池在线监测系统的设计

文章提出了一种VRLA蓄电池在线监测系统的设计方案,介绍了该系统的硬件及软件设计。该系统可以实时监测VRLA蓄电池的电压、电流、温度等参数,从而可了解VRLA蓄电池的充放电状态,估算剩余电量,避免VRLA蓄电池因过充、过放而影响寿命;能够通过上位机软件定期对VRLA蓄电池组放电,解决了长期浮充电造成VRLA蓄电池过早失效的问题。     

基于CompactLogix PLC的智能蓄电池维护系统设计

针对目前蓄电池充电设备及电池保护系统只对整组蓄电池进行充电和保护的严重不足,利用RSView32组态软件、罗克韦尔CompactLogix PLC及整流设备,设计了一套使用快捷、优质的蓄电池维护和测试设备.该系统既可保证蓄电池组中每只蓄电池均能“充满”,又能保证每只电池不会发生过充电或过放电情况,从而提高了电池组容量的有效利用率及每只电池的使用寿命,因而具有重要的理论和应用价值.     

基于神经网络的电动汽车电池SOC估算研究

论文首先分析了当前电动汽车电池管理系统中存在的问题,特别是电池电压的精确测量和剩余电量的准确预测问题一直亟待突破,因此,论文在分析电池荷电状态(SOC)影响因素的基础上,进行了动力电池的充放电实验,建立了BP网络电池模型,通过对网络进行训练,应用神经网络模型进行SOC估算,实验表明:建立的BP网络具有较好的适应性,能有效预测锂离子动力电池电压、电流和放电容量间的映射关系。可以准确地对电动汽车电池进行SOC估算。     

AVR单片机的锂电池组充放电保护系统

针对单个锂电池离散性造成的锂电池组充电不足、放电不够的问题,设计出了基于AVR单片机ATmega32和模拟前端ISL9208的锂电池组充放电保护系统;实现了对13节串联锂电池组的充放电的单体电池电压检测、温度检测、电池组电流检测等功能;具有体积小、成本低、反应快等优点。实验结果证明了该设计方法的正确性和可行性。     

基于STM32的锂电池充放电系统的研究与设计

锂电池是当前便携式手持电子设备可循环充放电电池的首选,但是锂电池在使用过程中可能存在过冲、过放、过流充电以及充电时间过长后产生高温的问题,从而影响电池使用寿命,甚至出现安全事故,为解决以上问题,提高锂电池使用效率,本文基于STM32平台设计了一款锂电池充放电管理系统,通过软硬件的设计和实验测试,该系统实现了对锂电池充放电路径管理、对充放电的参数及电池的状态实现了实时准确监测,输出电压稳定,极大提高了电池的使用效率,该成果已在企业项目中得到了应用。     

基于STM32的光伏充放电控制器设计

在公用照明系统中,利用光伏阵列给铅酸蓄电池充电,蓄电池为照明系统提供电能。为了保证此过程能够高效合理的进行,设计一种基于STM32F407微处理器的光伏充放电控制器。根据蓄电池及光伏阵列的特性,利用电池容量检测与 MPPT(Maximum power point Tracking)技术,控制主电路为 Boost 电路。经过实验过程及结果的验证,此控制器可以合理有效地控制蓄电池的充放电过程,提高光伏电能的利用率,最终照明系统达到了高效稳定的工作状态。     

飞轮电池在离网型风力发电系统中的应用

针对目前风力发电系统中储能装置(蓄电池)寿命短、充放电效率低的问题,提出采用飞轮电池作为储能装置的方案,分析了飞轮电池的d-q模型及其充放电控制策略。在飞轮电池充电控制过程中,采用基于转子磁场定向的矢量控制策略;在放电控制过程中,采用以直流母线电压为控制对象的控制策略。仿真结果表明,采用飞轮电池作为离网型风力发电系统的能量缓冲装置,能够有效稳定离网型风力发电系统的直流母线电压,提高其电能质量和稳定性。     

光伏发电系统中蓄电池充放电状态的模糊控制

提出一种基于模糊控制的光伏发电系统蓄电池充放电状态控制策略,可克服常规控制方法存在的缺点。控制策略中取蓄电池的端电压、端电压变化和温度变化作为输入变量,蓄电池的充放电状态作为输出变量。由蓄电池的端电压、端电压变化和温度的变化经模糊推理得到蓄电池的充放电状态。该控制策略能提高蓄电池充放电状态判断的准确性。在充分利用太阳能电池阵列输出能量的同时达到提高蓄电池使用寿命的目的。     

基于AVR的铅酸蓄电池管理系统设计

介绍了铅酸蓄电池的特点且设计出一套完整的基于AVR单片机的铅酸蓄电池数字智能管理系统,包括铅酸蓄电池电压,充放电电流,内阻,剩余容量及电池温度等重要参数的检测,并实现了与PC机通信的软硬件设计。     

Estimation of Battery State of Health Using Back Propagation Neural Network

100 pieces of 26650-type Lithium iron phosphate（LiFePO4） batteries cycled with a fixed charge and discharge rate are tested, and the influence of the battery internal resistance and the instantaneous voltage drop at the start of discharge on the state of health（SOH） is discussed. A back propagation（BP） neural network model using additional momentum is built up to estimate the state of health of Li-ion batteries. The additional 10 pieces are used to verify the feasibility of the proposed method. The results show that the neural network prediction model have a higher accuracy and can be embedded into battery management system（BMS） to estimate SOH of LiFePO4 Li-ion batteries.     

贮氢电池性能的模糊综合评价

用多级综合评价模型,对体现贮氢电池性能的主要因素：贮氢容量,循环寿命,大电流快速充放电,自放电等进行综合评价,以此来反应电池性能的好坏。