[发明专利]一种基于容量修正的全钒液流电池SOC在线校准方法

说明书

本发明提供了一种基于容量修正的全钒液流电池SOC在线校准方法，涉及全钒液流电池SOC检测以及电池管理技术领域，本发明确定了全钒液流电池的充放电效率η与SOC的关系，η'＝0.68125+0.1875SOC_A(k‑1)，得到从而实现了对安时积分法的改进，并且考虑了实际运行过程中电池容量发生衰减会影响SOC检测精度，利用安时积分法和开路电压法分别计算同一时刻的电池SOC值，通过提出实现了对电池容量的修正，并通过提出实现了对全钒液流电池的SOC的校准，提高了全钒液流电池SOC检测的精度，有利于电池管理系统(Battery Management System,BMS)进行准确的电池充放电控制。

技术领域

本方法涉及全钒液流电池SOC检测技术以及电池管理领域，更具体的说是一种基于容量修正的全钒液流电池SOC在线校准方法。

背景技术

煤、石油、天然气等不可再生能源贮量日渐减少，且化石能源的大规模使用引发了一系列环境污染与破坏问题。风能和太阳能等可再生能源具有来源广泛、清洁无污染等优点，开发风能、太阳能等新能源得到了世界各国的重视。然而光照和风速的随机波动特性和间歇性导致分布式能源发电的输出功率波动较大，对电网造成较大冲击，影响电网运行的稳定性和电能质量。近些年储能技术的快速发展为分布式发电大规模运用提供了有效途径，储能既可以平滑有功功率波动，还可调节无功功率，从很大程度上解决了光伏发电和风力发电的波动性和随机性问题。

与其他储能电池相比，全钒液流电池(Vanadium Redox Battery,VRB)具有很多优点，比如规模大、结构简单、寿命长、响应快、功率和体积相互独立设计、可深度放电、自放电率低、环境友好、安全可靠等，可以实现平衡负荷、削峰填谷、提高供电质量以及抑制分布式电源出力波动对电网影响等功能，因此成为了大规模储能装置的理想选择之一。

全钒液流电池电解液的荷电状态(State of Charge,SOC)是表示电池剩余容量的一个重要参数，SOC的精确测量对于全钒液流电池系统的设计、维护及充放电控制具有重要的意义。安时积分法是各种储能电池通用的SOC估算方法，在全钒液流电池运行过程中，通过对电流关于时间积分来累积进出入电池的电量，进而间接估算电池的SOC。此方法操作简单，运行方便，受电堆限制小。但是安时积分法对电流测量精度要求高，否则会造成SOC测量误差，且误差随时间累积会越来越大。Takahiro Kumamoto提出对于实时运行的电堆，在正、负极电解液管道中引出一个旁路，单独设置一块辅助电池，测定辅助电池的开路电压，根据全钒液流电池开路电压E和SOC之间的关系，来确定电池的SOC大小。该方法测量SOC精度较高，但是成本也较高，需要从全钒液流电池系统中独立出一块电池和管道专门用来测量电池开路电压，且该单电池并不参与充放电运行。Maria Skyllas Kazacos提出了通过检测每个半电池电解液的电位，进而独立的计算每个半电池的SOC值。在检测每个半电池的电解液电位时，需要在半电池中放置参考电极，然而参考电极电位会在外界的各种干扰下发生漂移，导致电位测量误差。此外，当SOC在宽范围内变化时，电解液电位变化较为微弱，因此灵敏性比较差。上面都是通过物理建模的方法来估算全钒液流电池的SOC，近些年还出现了一些通过参数估计模型及系统辨识的方法来预测SOC。戴海峰提出了扩展卡尔曼滤波法估算SOC的方法，卡尔曼滤波法对噪声有较强的抑制作用，对初始化误差有很强的校正作用，在估算过程中能保持很好的精度。卡尔曼滤波法的缺点主要在于，其估计精度很大程度上依赖于电池等效电路模型的精确性，建立准确的电池模型是算法关键；此外该算法运算量比较大。T.Weigert提出通过自适应神经网络算法来估算电池SOC，神经网络算法可以对系统输入、输出量的样本值进行分析，得出系统输入、输出之间的关系，模拟电池外部特性，不需要建立复杂的电池等效电路模型，但神经网络算法需要大量的样本数据进行训练，而且SOC估算精度易受训练数据和训练方法的影响。