一种基于RNN模型的储能电站电池组SOC估计方法转让专利
申请号 : CN202110732556.X
文献号 : CN113552491B
文献日 : 2022-03-11
发明人 : 邓全镔 , 陈思哲 , 王玉乐 , 王裕 , 常乐 , 章云
申请人 : 广东工业大学
摘要 :
权利要求 :
1.一种基于RNN模型的储能电站电池组SOC估计方法,其特征在于,包括以下步骤:S1:令储能电站中相同型号容量的所有电池组轮流参与调峰调频,每当其中有电池组退出运行时,记录该电池组退出运行前一采样时刻的电流值、退出运行后电压恢复过程中前T个采样时刻的所有电压值、电压恢复过程结束时的电压值,组成原始数据集Dori;
S2:将步骤S1所述原始数据集中电压恢复过程结束时的电压值,按照电池的OCV‑SOC曲线,获得与该电压值所对应的SOC值,用该SOC值替换步骤S1所述原始数据集中对应的电压恢复过程结束时的电压值,组成新原始数据集Dnew;
S3:将步骤S2所述的新原始数据集进行预处理,然后划分为训练集和测试集;
S4:搭建RNN神经网络模型,得到网络模型结构;
S5:对RNN神经网络模型进行训练和评估,将评估合格的RNN神经网络模型用于估计储能电站中所有电池组的SOC值;
S6:在储能电站持续运行过程中,令电站中的所有电池组轮流参与调峰调频,当其中某个电池组退出运行时,采集该电池组退出运行前一采样时刻的电流值、退出运行后电压恢复过程中前T个采样时刻的所有电压值,输入步骤S5所述评估合格的RNN神经网络模型,估计该电池组的SOC。
2.根据权利要求1所述的一种基于RNN模型的储能电站电池组SOC估计方法,其特征在于,步骤S1所述的原始数据集Dori,其具体组成步骤如下:S101:将储能电站中相同型号容量的电池组数量表示为N,在该型号容量电池组允许的最大充放电电流[‑Imax,Imax]范围内均匀选取M个电流值形成电流集合如下:dI=[i1,i2,…,iM]
其中,‑Imax=i1<i2<…<iM=Imax,im<0代表充电,im>0代表放电;
S102:在(0,100%)范围内均匀选取K个数据,构成暂停充放电的SOC集合dSOC如下:dSOC=[SOC1,SOC2,…,SOCK]其中,0<SOC1<SOC2<…<SOCK<100%;
S103:在储能电站参与调峰调频期间,通过对多个电池组的协调控制,使其中第n个电池组以电流集合向量dI中的第m个电流值进行恒流充放电,直至该电池组每次到达SOC数据集dSOC的第k个SOC值SOCk时退出运行,然后将所选用的电流im、退出运行后电压恢复过程中前T个采样时刻的所有电压值数据u1,u2,…,uT记录下来,然后等待电池电压恢复至稳定值,将当前电压数据记录为uOCV k;
S104:将步骤S103所述的数据整合,构成一条样本数据dm,k为:dm,k×[im,u1,u2,…,uT,uOCV k]S105:循环执行S103至S104,直至第n个电池组以电流集合dI中的所有M个电流遍历SOC集合dSOC中的K个SOC,从而获得M×K条样本数据,将这些样本数据整合成数据集Dn如下:S106:循环执行S103至S105,直至所有N个电池组都以电流集合dI中的所有M个电流遍历SOC集合dSOC中的K个SOC,从而获得N个数据集Dn(n=1,2,…,N),并全部保存到原始数据集Dori中。
3.根据权利要求2所述的一种基于RNN模型的储能电站电池组SOC估计方法,其特征在于,步骤S2所述的新原始数据集Dnew,其具体组成步骤如下:S201:在步骤S1所述原始数据集Dori中,提取第n个电池组对应的数据集Dn中的样本数据dm,k,将其中的最后一个电压数据uOCV k按照电池的OCV‑SOC曲线转化为与该电压值所对应的SOC值,记录为数据SOCk,并用其替换原来的电压数据uOCV k,构成新的样本数据dnew m,k为:dnew m,k=[im,u1,u2,…,uT,SOCk]S202:循环执行S201,直至将第n个电池组对应的数据集Dn中的所有M×K条样本数据都完成替换,得到新数据集Dnew n如下:S203:循环执行S201至S202,直至完成所有N个电池组的数据集Dn(n=1,2,…,N)的替换,得到新原始数据集Dnew。
4.根据权利要求3所述的一种基于RNN模型的储能电站电池组SOC估计方法,其特征在于,步骤S3所述的新原始数据集进行预处理,其具体步骤如下:S301:将步骤S2输出的新原始数据集Dnew的最后一列标记为标签值ZSOC,其他的前(T+1)列记为特征矩阵G,该特征矩阵的每一行都为一个特征向量:g(SOCk,im)=[im,u1,u2,…,uT]S302:对退出运行后电压恢复过程中前T个采样时刻的所有电压值数据u1,u2,…,uT对时间进行求导,获得新的特征向量gnew如下:gnew=[im,u′1,u′2,…,u′T]S303:对新的特征向量gnew进行归一化处理,并与原先对应的标签值ZSOC重新组合,构成数据矩阵;
S304:将数据矩阵划分成训练集和测试集。
5.根据权利要求4所述的一种基于RNN模型的储能电站电池组SOC估计方法,其特征在于,步骤S5所述的对RNN神经网络模型进行训练和评估,具体步骤如下:S501:所述RNN神经网络模型由(L+1)个输入层、(L+1)个隐藏层和1个输出层构成;
S502:将S302所述的特征向量gnew中电压特征数据u′1,u′2,...,u′T平均分为L份,并将电流特征im复制相同份数,依次作为RNN神经网络模型的输入;
S503:第一个输入层X1经过非线性映射与初始隐藏层S0经过非线性映射后相加,输入第一个隐藏层S1;第二个输入层X2经过非线性映射与第一个隐藏层S1经过非线性映射后相加,输入到第二个隐藏层S2;第三个输入层X3经过非线性映射与第二个隐藏层S2经过非线性映射后相加,并加上经过非线性映射的第一个隐藏层S1,输入到第三个隐藏层S3;直到第(L+1)个输入层XL+1经过非线性映射与第L个隐藏层SL经过非线性映射后相加,并加上经过非线性映射的第一个隐藏层S1,输入到第(L+1)个隐藏层SL+1;最后将第(L+1)个隐藏层SL+1经过非线性映射到输出层,作为整个RNN神经网络模型的输出,模型表达式如下:其中,U为输入层到隐藏层的权重矩阵;W为上一个隐藏层到当前隐藏层的输入的权重矩阵;V为隐藏层到输出层的权重矩阵;b和c为偏置;tanh(.)为激活函数;
S504:将步骤S304所述的训练集和测试集数据输入到S503所述的RNN神经网络模型进行训练和评估,得到权重参数U、W、V;
S505:将评估合格的RNN神经网络模型及其权重参数用于估计储能电站中所有电池组的SOC值。
6.根据权利要求1所述的一种基于RNN模型的储能电站电池组SOC估计方法,其特征在于,步骤S6所述当其中某个电池组退出运行时,估计该电池组的SOC,具体步骤如下:S601:将步骤S5评估合格的RNN神经网络模型及其权重参数导入到储能电站电池组管理系统中;
S602:储能电站电池组管理系统检测所有电池组的电压和电流,当某个电池组退出运行时,先记录该电池组退出运行前一采样时刻的电流值irest,然后持续记录该电池组退出运行后电压恢复过程中前T个采样时刻的所有电压值urest 1,urest 2,…,urest T;
S603:将步骤S602记录的电压值urest 1,urest 2,…,urest T分别对时间求导,然后将电流值irest和求导后的电压值u′rest 1,u′rest 2,…,u′rest T进行归一化处理,然后输入步骤S601所导入的RNN神经网络模型,得到该电池组的SOC。
说明书 :
一种基于RNN模型的储能电站电池组SOC估计方法
技术领域
背景技术
到储能电站的经济效益和安全可靠运行。由于抑制新能源功率波动和参与电网调峰调频的
实时性要求,储能电站的电池组很少工作于满充和满放模式,也少有长时间静置的机会。采
用传统安时积分法估计电池组SOC的方式,电流传感器测量误差的不断累积会影响SOC估计
精度。由于电池组少有充满、放空和长时间静置的机会,也难以通过开路电压法来定期校正
SOC,导致安时积分法的累积误差难以消除。
发明内容
程中前T个采样时刻的所有电压值、电压恢复过程结束时的电压值,组成原始数据集Dori;
电压恢复过程结束时的电压值,组成新原始数据集Dnew;
压恢复过程中前T个采样时刻的所有电压值,输入步骤S5所述评估合格的RNN神经网络模
型,估计该电池组的SOC。
数据集dSOC的第k个SOC值SOCk时退出运行,然后将所选用的电流im、退出运行后电压恢复过
程中前T个采样时刻的所有电压值数据u1,u2,…,uT记录下来,然后等待电池电压恢复至稳
定值,将当前电压数据记录为uOCVk;
下:
数据集Dori中。
对应的SOC值,记录为数据SOCk,并用其替换原来的电压数据uOCVk,构成新的样本数据dnewm,k
为:
相加,输入到第二个隐藏层S2;第三个输入层X3经过非线性映射与第二个隐藏层S2经过非线
性映射后相加,并加上经过非线性映射的第一个隐藏层S1,输入到第三个隐藏层S3;直到第
(L+1)个输入层XL+1经过非线性映射与第L个隐藏层SL经过非线性映射后相加,并加上经过
非线性映射的第一个隐藏层S1,输入到第(L+1)个隐藏层SL+1;最后将第(L+1)个隐藏层SL+1
经过非线性映射到输出层,作为整个RNN神经网络模型的输出。
退出运行后电压恢复过程中前T个采样时刻的所有电压值urest1,urest2,…,urestT;
所导入的RNN神经网络模型,得到该电池单元的SOC。
和评估所需的数据集;在完成RNN神经网络模型训练和评估后,可以利用电池组短暂退出运
行的机会,将短时间内的电压和电流数据输入训练好的RNN神经网络模型,从而获取准确的
SOC数据。由此,克服了传统安时积分法的累积误差问题,同时也克服了开路电压法要求长
时间静置的问题。
附图说明
具体实施方式
例及实施例中的特征可以相互组合。
的具体实施例的限制。
程中前T个采样时刻的所有电压值、电压恢复过程结束时的电压值,组成原始数据集Dori;
电压恢复过程结束时的电压值,组成新原始数据集Dnew;
压恢复过程中前T个采样时刻的所有电压值,输入步骤S5所述评估合格的RNN神经网络模
型,估计该电池组的SOC。
数据集dSOC的第k个SOC值SOCk时退出运行,然后将所选用的电流im、退出运行后电压恢复过
程中前T个采样时刻的所有电压值数据u1,u2,…,uT记录下来,然后等待电池电压恢复至稳
定值,将当前电压数据记录为uOCVk;
下:
数据集Dori中。
对应的SOC值,记录为数据SOCk,并用其替换原来的电压数据uOCVk,构成新的样本数据dnewm,k
为:
相加,输入到第二个隐藏层S2;第三个输入层X3经过非线性映射与第二个隐藏层S2经过非线
性映射后相加,并加上经过非线性映射的第一个隐藏层S1,输入到第三个隐藏层S3;直到第
(L+1)个输入层XL+1经过非线性映射与第L个隐藏层SL经过非线性映射后相加,并加上经过
非线性映射的第一个隐藏层S1,输入到第(L+1)个隐藏层SL+1;最后将第(L+1)个隐藏层SL+1
经过非线性映射到输出层,作为整个RNN神经网络模型的输出。
退出运行后电压恢复过程中前T个采样时刻的所有电压值urest1,urest2,…,urestT;
所导入的RNN神经网络模型,得到该电池单元的SOC。