电化学储能

本文详细阐述了电池管理系统(BMS)、能量管理系统(EMS)和储能变流器(PCS)在储能系统中的角色,包括它们的结构、功能以及在电池保护、状态监控等方面的作用,强调了这些组件在确保储能系统安全、高效运行中的关键性。

目录

概述

BMS(电池管理系统)

结构

BMS对电池的保护措施

EMS(能量管理系统)

结构

EMS的主体功能

PCS(双向逆变器)


概述

储能系统是以电池为核心的综合电源控制系统,完整的电化学储能系统主要由电池组、电池管理系统(BMS)、能量管理系统(EMS)、储能变流器(PCS)以及其他电气设备构成。

在储能系统中,电池组将状态信息反馈给电池管理系统BMS,BMS将其共享给能源管理系统EMS和储能变流器PCS;EMS根据优化及调度决策将控制信息下发至PCS与BMS,控制单体电池/电池组完成充放电等。

各部分主要功能:

电池管理系统BMS:担任感知角色,主要负责电池的监测、评估、保护以及均衡等;

能量管理系统EMS:担任决策角色,主要负责数据采集、网络监控和能量调度等;

储能变流器PCS:担任执行角色,主要功能为控制储能电池组的充电和放电过程,进行交直流的变换。

BMS(电池管理系统)

BMS(BatteryManagementSystem,电池管理系统),BMS电池系统俗称之为电池保姆或电池管家,是配合监控储能电池状态的设备,电芯一起组成电池系统。

  • BMS对电池的基本参数进行测量,包括电压、电流、温度等,防止电池出现过充电和过放电,延长电池的使用寿命。
  • BMS需要计算分析电池的SOC(电池剩余容量)和SOH(电池健康状态),并及时上报异常信息。

结构

BMS系统大多都是三层架构,硬件主要分成从控单元、主控单元和总控单元。

1)底层:从控BMU,为单体电池管理层。由电池监控芯片及其附属电路构成,负责采集单体电池的各类信息,计算分析电池的SOC(电池剩余容量)和SOH(电池健康状态),实现对单体电池的主动均衡,并将单体异常信息上传给主控。

2)中间层:主控BCU,为电池组管理层。收集BMU上传的各种单体电池信息,采集电池组信息。计算分析电池组的SOC和SOH。

3)上层:总控,为电池簇管理层。负责系统内部的整体协调以及与EMS、PCS的外部信息交互,根据外部请求控制整个BMS系统的运行过程。

BMS对电池的保护措施

1、监测和控制电池的状态储能BMS可以监测电池的电压、电流、温度、SOC和SOH等参数,以及其他有关电池的信息。

2、SOC(State of Charge)均衡电池组使用期间,经常会出现电池SOC不平衡的情况,使得电池组的性能下降甚至导致电池故障。储能BMS可以通过电池均衡技术来解决这个问题,即通过控制电池之间的放电和充电,使所有电池单体的SOC保持一致。均衡时取决于电池的能量是耗散了还是在电池间转移了,又可以分为被动均衡和主动均衡两种模式。

3、防止电池过度充电或过度放电电池过度充电或过度放电是电池组件容易出现的问题,过多和过少的充放电都会使电池组元件受到损害。对电池进行过度放电和过度充电可能会导致电池组件容量减少,甚至使其无法使用。因此,储能BMS使用在电池充电时会对电池电压进行控制,保证电池的实时状态,同时在电池达到最大容量后停止充电。

4、确保系统远程监测和报警储能BMS可以通过无线网络等手段进行数据传输,将实时数据传送到监测端,同时可以根据系统的设定,定期发送故障检测和警报信息。储能BMS还支持灵活的报告和分析工具,可以生成电池及系统的历史数据和事件记录,以支持数据监视和故障诊断。

5、提供多种保护功能储能BMS可以提供多种保护功能,以防止电池短路、过流等问题的发生,并保证电池组件之间的安全通信。同时,它也可以检测并处理单元故障、单点失效等事故。

6、控制电池的温度电池的温度是影响电池性能和寿命的重要因素之一。储能BMS可以监测电池温度,并采取有效的措施来控制电池温度,防止温度过高或过低对电池造成损害。

总之,储能BMS可以对电池储能系统进行全面的监控和控制,确保它们的安全性、稳定性和性能,从而实现储能系统的最佳效果。

此外,储能BMS还可以提高储能系统的使用寿命和可靠性,降低维护成本和操作风险,并提供更灵活、可靠的储能解决方案。

EMS(能量管理系统)

EMS(Energy Management System)又称能量管理系统,虽然在整个储能系统中占比并不是很大,但是却是整个储能系统中极为重要的核心构件。

一方面直接负责储能系统的控制策略,而控制策略则影响系统内电池的衰减速率和循环寿命,从而决定储能的经济性;另一方面还监控系统运行中的故障异常,起到及时快速保护设备、保障安全性的重要作用。

如果说将储能系统比作人体,那么EMS则是人的大脑心智。

结构

EMS能量管理系统构成一般分为设备层、通讯层和应用层。

  • 设备层:需要能量采集变换(PCS、BMS)做支撑;
  • 通讯层:主要包括链路、协议、传输等;
  • 信息层:主要包括缓存中间件、数据库、服务器,其中数据库系统负责数据处理和数据存储,记录实时数据和重要历史数据,并提供历史信息查询;
  • 应用层:表现形式包括APP、Web等,为管理人员提供可视化的监控与操作界面,具体功能涵盖能量变换决策、能源数据传输和采集、实时监测控制、运维管理分析、电能/电量可视分析、远程实时控制等。

EMS的主体功能

值得注意的是,由于场景不同,传统的EMS系统无法用在工商业储能,但工商业储能EMS功能方面和传统储能EMS有相似的地方,也有差异,一般包括:

系统概况:展示当前储能系统的运行概况,包括:储能充放电量、实时功率、SOC、收益,能量图,多功率运行图等,作为监测的主页面。

设备监控:按设备查看各类设备,包括不限于PCS、BMS、空调、电表、智能断路器、消防主机、各类传感器等实时运行数据,并支持设备调控。

运行收益:展示储能的收益和电量信息,是业主最关心的功能。

故障告警:汇总各类设备的故障告警,按时间,状态,等级等进行查询。

统计分析:查询设备的历史运行数据和相关报表,同时支持数据导出。

能量管理:EMS的核心功能,配置储能的策略,包括手动和自动等模式,满足调试,检修,日常运行,保养等场景需求。

系统管理:包括电站基本信息,设备管理,电价时段管理,操作日志,账号管理,语言切换等功能。

PCS(双向逆变器)

储能变流器PCS,又称双向储能逆变器,是储能系统与电网中间实现电能双向流动的核心部件,用作控制电池的充电和放电过程,进行交直流的变换。

近年来,全球储能市场爆发,对PCS的需求增大,国内厂商不断扩大海外市场,对PCS的研究也成为关注热点。

PCS工作原理:储能变流器的工作原理是交、直流侧可控的四象限运行的变流装置,实现对电能的交直流双向转换。该原理就是通过微网监控指令进行恒功率或恒流控制,给电池充电或放电,同时平滑风电、太阳能等波动性电源的输出。

PCS组成及特点:PCS由IGBT(绝缘栅双极型晶体管)、PCB板(印刷电路板)、电线电缆等硬件组成,其主要功能包括平抑功率、信息交互、保护等,PCS决定了输出电能质量和动态特性,也很大程度影响电池的使用寿命。

PCS的主要功能包括过欠压、过载、过流、短路、过温等的保护、具备孤岛检测能力进行模式切换、实现对上级控制系统及能量交换机的通信功能、并网-离网平滑切换控制等。

电化学储能系统的 SOC(State of Charge)预测方法主要包括基于物理模型的方法、滤波法和数据驱动法等。这些方法各有优劣,适用于不同的应用场景。 ### 基于物理模型的方法 该方法依赖于对电池内部电化学反应机理的建模,通常需要建立精确的数学模型来描述电池的行为。这种方法的优点是理论基础扎实,能够在较宽的工作条件下保持较高的精度。然而,由于锂离子电池内部结构复杂,涉及多个物理和化学过程,建立准确的模型较为困难,且计算量较大。 ### 滤波法 滤波法中最常用的是卡尔曼滤波(Kalman Filter, KF)及其扩展形式(如扩展卡尔曼滤波 EKF 和无迹卡尔曼滤波 UKF)。这类方法通过建立状态方程和观测方程,结合最小均方误差准则来更新系统参数,从而实现对 SOC 的最优估计。卡尔曼滤波法能够有效处理噪声干扰,并在一定程度上适应电池动态变化的特点[^1]。 例如,使用扩展卡尔曼滤波进行 SOC 估计的基本步骤如下: ```python # 示例代码:扩展卡尔曼滤波用于SOC估计 class ExtendedKalmanFilter: def __init__(self, initial_state, initial_covariance, process_noise, measurement_noise): self.state = initial_state self.covariance = initial_covariance self.process_noise = process_noise self.measurement_noise = measurement_noise def predict(self, model_function, jacobian_function): # 预测步骤 self.state = model_function(self.state) jacobian = jacobian_function(self.state) self.covariance = jacobian @ self.covariance @ jacobian.T + self.process_noise def update(self, measurement, h_function, h_jacobian): # 更新步骤 predicted_measurement = h_function(self.state) residual = measurement - predicted_measurement h_jac = h_jacobian(self.state) innovation_covariance = h_jac @ self.covariance @ h_jac.T + self.measurement_noise kalman_gain = self.covariance @ h_jac.T @ np.linalg.inv(innovation_covariance) self.state += kalman_gain @ residual self.covariance = (np.eye(len(self.state)) - kalman_gain @ h_jac) @ self.covariance ``` ### 数据驱动法 数据驱动法利用机器学习算法直接从实验数据中学习电压、电流、温度等外部参数与 SOC 之间的映射关系。常见的算法包括神经网络(NN)、支持向量机(SVM)、模糊逻辑和线性回归等。这类方法无需深入了解电池内部机理,建模过程相对简单,且在训练数据充足的情况下可以达到较高的精度[^1]。 然而,数据驱动法也存在一些局限性,例如: - 神经网络容易陷入局部最优解; - 随着电池老化或环境变化,模型的泛化能力下降; - 离线训练模型难以适应在线估计需求。 为了解决这些问题,研究人员提出了多种改进方案。例如,引入混合启发式算法优化神经网络结构,或将粒子群优化算法与遗传算法结合,以提高全局搜索能力。此外,在线学习方法也被用于提升模型的实时适应性,如在线最小二乘支持向量机(Online Least Squares SVM),可在一定程度上缓解模型漂移问题[^1]。 ### 综合策略 为了兼顾精度与鲁棒性,许多研究采用融合方法,将物理模型与数据驱动方法相结合。例如,利用安时积分法估算初始 SOC,再结合 OCV-SOC 曲线进行校正,同时使用卡尔曼滤波进一步优化估计结果。这种组合方式可以在一定程度上减小累积误差,提高长期估计稳定性[^1]。
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值