LiFePO₄4电网储能运行下的CTM蓄电池电压模型

磷酸铁锂(LFP)电池广泛使用于储能体系（EESs）。在储能使用场景中，为磷酸铁锂电池树立精确的电压模型对电化学储能体系管理至关重要。本研讨设定了三种储能作业形式：功率动摇平抑、削峰填谷及频率调理，并针对商用磷酸铁锂电池构建了四种电压模型，包括二阶阻容模型等效电路模型, 迟滞电压重构模型（HVRM）、单状况迟滞电压模型和反向传达神经网络模型。为评估模型在储能工况下的适用性，咱们比较了端电压模仿精度、SOC运用扩展卡尔曼滤波器进行估量的精度扩展卡尔曼滤波器算法与SOC核算时间。整体而言，在四种模型中，HVRM被证明更适用于储能场景，为在此类条件下选择LFP电压模型供给了辅导。使用迟滞模型，咱们剖析了三种储能场景中LFP电池的迟滞开路电压(OCV)改变特性。研讨表明：在调频工况下，OCV呈现高频小幅动摇特征；而在平抑功率动摇与削峰填谷场景中，OCV则表现出周期性改变规律。考虑迟滞OCV效应可增强卡尔曼增益匹配度，从而提高SOC估算精度。

引言

为实现碳达峰与碳中和方针，电力行业正逐渐发展根据可再生能源的电力体系[1]。该体系需求储能体系(ESSs)的参加，这些体系既可所以固定的(如储能电站)，也可所以移动的(如电动汽车)。磷酸铁锂(LFP)电池因其长循环寿命和高安全性，在储能体系中得到广泛使用。储能体系由数千个大容量电池单体经过串并联组成[2,3]，这些电池有必要作业在适宜的荷电状况(SOC)区间以确保最佳功率与安全性[[4],[5],[6]]。但是，电池SOC无法直接测量，一般需求根据模型的办法进行估算[7,8]。此外，磷酸铁锂电池存在开路电压(OCV)滞回现象，其OCV与充放电前史途径密切相关。因而，储能场景中的运转条件会影响模型端电压的准确性。
磷酸铁锂电池模型的研讨一般涵盖电压模型、热模型与老化模型。本研讨首要聚焦于电压模型，因为电压是电池运转中最关键物理参数之一。电压水平直接影响电池内部产热量[9]，电压作业规模则影响电池老化轨道与形式[10]，而电压模仿的精度还会制约根据模型的反应校正电池状况估量的准确性[11]。电池电压模型一般包括机理模型、半机理模型、等效电路模型和神经网络模型。就电化学机理模型而言，伪二维（P2D）模型将锂离子电池的作业原理简化为可用数学表达式描述的物理过程[12]。但是，该模型核算杂乱度较高，不适用于现实场景中的实时核算。因而，许多研讨学者根据P2D模型提出了简化电化学模型。在文献[13]中，作者选用多项式办法简化了电解液中锂离子浓度的核算，提出了简化伪二维模型（SP2D）。简化电化学机理模型一般在高倍率电流下表现出较低的电压模仿精度。相较于半机理模型，等效电路模型因其核算成本与精度的Trade，更适合实时体系。针对LFP电池已开发出多种等效电路模型[14,15]，如Rint模型、一阶阻容（RC）模型、二阶RC模型（SRCM）以及高阶RC模型。关于LFP电池而言，开路电压（OCV）与充放电前史相关，这一特性应在电池模型中予以考虑。1935年Preisach[16]提出了一种根据迟滞效应的建模办法，该办法已广泛使用于压电陶瓷范畴。Baronti等人[17]和Zhu等人[18]经过离线展开很多迟滞试验练习权重向量矩阵，根据OCV改变实时更新迟滞算子值，将Preisach模型使用于LFP电池。但这种改进的OCV-SOC查表法难以适应杂乱实在场景。Huria等[19]选用迟滞校正重构OCV，该办法经过特定方程确保电池充放电时OCV紧密迫临主充（放）电迟滞电压曲线。此外，文献[20, 21]中开发了单态滞回模型(OSHM)，该模型以为滞回电压的改变率与最大滞回电压成正比。近年来，神经网络模型(NNM)已被广泛使用于电池状况估量范畴。NNM是一种黑箱模型，经过差错反向传达算法配合梯度下降法更新节点参数，展现出强大的非线性拟合才能[[22], [23], [24]]。将滞回效应作为特征纳入NNM可明显提高模型端电压模仿精度。但是当时大都文献仅研讨单一模型，忽视了其在各类储能场景中的适用性。尽管已有部分研讨对车用工况下的不同模型进行了比照剖析，但针对不同储能场景下模型的适用性研讨仍属空白。
ESS具有多样化的使用场景，需树立适宜的评估工况以理解其在不同设置下的功能状况。Dubarry等人[25]剖析了2012至2015年间部署于夏威夷岛的1 MW/250 kWh钛酸锂ESS三年运转数据。该体系首要用于电网调频(FR)，经过提取脉冲持续时间、脉冲强度（电流）、SOC动摇规模、SOC事件斜率以及温度等五个特征参量，来反映FR工况的改变特征。Baure等[26]设计了一种频率调理脉冲微循环，该循环模仿了夏威夷ESS的运转电流数据散布。经过改变SOC的作业规模，他们创建了21组FR循环老化工况。Rosewater等人[27]剖析了2011年4月至2012年3月期间美国宾夕法尼亚-新泽西-马里兰互联体系（PJM）的FR信号。他们使用标准差区分典型信号日与极点信号日，并生成了24小时FR工况。Kim等人[28]选用桑迪亚国家试验室（SNL）和太平洋西北国家试验室（PNNL）[29]提出的储能测验协议，经过设置不同的初始荷电状况（SOC）及SOC作业区间，构建了调频（FR）与削峰填谷的运转场景。但是，现在尚缺乏一致的储能体系（ESS）工况构建办法。现有研讨首要集中于削峰填谷和频率调理场景，这表明仍需对其他多种储能工况展开进一步研讨。
本研讨提出三种储能工况——功率动摇平抑、削峰填谷与调频（FR），别离对应电化学储能体系参加可再生能源发电质量提高与电网频率调理的使用场景。根据商用120Ah磷酸铁锂储能电池的测验数据，树立了四种典型电池模型：简化等效电路模型（SRCM）、滞回电压重构模型（HVRM）、一阶滞回混合模型（OSHM）以及神经网络模型（NNM）。对这四种模型的滞后特性、端电压模仿精度、根据EKF算法的SOC估量精度及SOC估量时间进行了比照剖析。咱们针对储能工况下LFP电池开路电压(OCV)滞后特性的改变规律及其对闭环SOC观测器的影响机制展开了开创性研讨，为储能工况下LFP电池电压模型的选取供给了有价值的参阅依据。