浅谈铅酸蓄电池荷电状态估算的方法.docVIP

浅谈铅酸蓄电池荷电状态估算的方法 　　[摘 要]荷电状态估算是铅酸蓄电池进行充放电控制以及均衡管理的重要依据，文章全面分析了蓄电池荷电状态SOC的定义以及影响SOC估算的因素，总结现有SOC估算方法，并对先进估算方法进行了探讨。 　　[关键词]蓄电池寿命 荷电状态 估算方法 　　中图分类号：TM725 文献标识码：A 文章编号：1009-914X（2015）46-0007-01 　　引言 　　随着传统能源危机以及各种环境问题的日益严峻，太阳能光伏发电受到了世界各国的高度重视。铅酸蓄电池作为重要的储能元件，其性能优劣直接影响着光伏发电系统的稳定运行。为了延长蓄电池的使用寿命，保证光伏储能系统的安全可靠经济运行，必须对蓄电池的荷电状态SOC进行准确估算。 　　1.蓄电池荷电状态SOC 　　蓄电池SOC概念可以从电量和能量两个不同的角度来定义。 　　从SOC的定义中可以看出，影响SOC估算的因素主要是影响电池容量的因素。蓄电池放电容量与实际放电过程中的放电电流大小密切相关。温度的变化会引起蓄电池容量的变化。在允许温度范围内，温度上升会引起电池化学反应加速，电解液粘度减小，扩散速度加快，离子的传递能力加强，这些都使得蓄电池能够放出的实际容量增大。相反，温度降低，化学反应缓和，电解液粘度增大，离子的传递能力减弱，从而使得蓄电池能够放出的实际容量减小。同样随着循环使用次数的增加，蓄电池将出现活性物质脱落，极板腐蚀，极板硫酸盐化等不可恢复性现象，从而导致电池容量的衰减。电池老化程度对容量的影响很大，可是在实际使用过程中，很难对老化程度进行量化，这无疑增加了SOC估算的难度。这些影响因素不仅和电池内部结构有关，还与电池的运行状况、工作环境有密切关系，并且它们之间的关系非常复杂，从而导致了SOC估算的困难。 　　2.荷电状态估算方法 　　目前国内外对铅酸蓄电池SOC的检测方法大致分为两大类[3，4]： 　　第一类是从研究蓄电池的内部作用机理出发，通过检测电解液密度来估算蓄电池的SOC。同时通过外部表征量以及使用经验还可以得到电池的一些内部信息，如极板的硫酸化、极板的脱落、电解液液面降低等等。另一类是从研究蓄电池的外部特性角度出发，对其端电压、电流、内阻等电池的表征量进行分析，采用一定的检测装置和算法得到蓄电池的SOC。这类是目前研究最多、应用最广泛的方法，主要有安时法、开路电压法、内阻法、卡尔曼滤波算法、神经网络以及模糊算法等等。 　　（1）安时法 　　该方法通过检测初始时刻至时刻的电流，采用积分算法得到充入电量和放出电量，与额定容量Cn相比后，再与初始SOC0时刻相减（放电时电流为正，充电时电流为负），即可得到t时刻的SOC值。 　　安时法因其检测方法简单，易于实现等优点在SOC检测中被广泛应用。但安时法也存在两个主要缺陷：a）需要较为准确的SOC初始值；b）安时法是开环的电流积分，且电池在工作时受充放电倍率、温度、老化等因素影响。如不考虑这些因素，随着时间的增加，安时法累积误差将越来越大，最终得不到准确的SOC值。 　　（2） 开路电压法 　　开路电压法是利用电池的开路电压与SOC有相对固定的函数关系，通过测量电池的开路电池来估算SOC。开路电压法比较简单，但由于极化作用，电池需要几个小时甚至十几个小时的静置时间来达到稳定的开路电压，这给测量造成困难。 　　（3）内阻法 　　电池内阻有交流内阻和直流内阻之分。对于铅酸蓄电池，其内部阻抗与蓄电池的容量及完好性有着密切的关系，因此有人提出可以利用测量阻抗来评估和预测蓄电池的性能。事实上，在线准确测量电池的内阻是比较困难的。 　　（4） 神经网络法与模糊理论法 　　对于蓄电池而言，其内部参数之间关系是高度非线性的，有的参数甚至是未知的，这使得想要通过建立一个简单而有效的数学方法来估算蓄电池的状态很难。神经网络以及模糊理论都是处理非线性系统的有力工具，近年来，采用神经网络和模糊理论来估算蓄电池SOC的研究不断涌现。 　　神经网络具有非线性的基本特性，能根据外部激励得到相应的输出，因此神经网络法能够较好地模拟电池的非线性动态特性用于估算蓄电池的SOC。神经网络用于SOC估算一般由输入层、中间层和输出层三层构成。输入量一般是电压、电流、温度、内阻、老化程度等参数，输出量为SOC值；而中间层神经元个数取决于问题的复杂程度和要求的精度[27]。神经网络法估算SOC精度依赖于受训练的数据和训练方法，需要大量的样本数据，这就要求事先进行大量的实验以获得数据。 　　模糊理论是建立在模糊数学基础上的推理机制，它不需被控对象精确的数学模型。其基本过程为：对检测到的电压、电流和温度进行模糊化处理，根据专家知识和经验确立模糊规则，然后对照规则得到模糊输出，再进行反模糊化处理，