一种配电网终端蓄电池储能容量预测方法与流程

1.本发明涉及电力系统领域，尤其涉及一种配电网终端蓄电池储能容量预测方法。


背景技术：

2.蓄电池作为配电网自动化系统中的核心部件，其稳定运行可以保证配电网终端在发生停电故障后继续运行，以此完成故障区域隔离、非故障区域恢复供电。在蓄电池运行过程中，受工作环境影响，以及随工作时长的增加，蓄电池会逐渐老化，其主要指标—蓄电池储能容量逐渐下降，当蓄电池储能容量下降到一定程度时需要及时维护或者更换电池，以保证供电稳定性。
3.蓄电池储能容量主要与电池内阻、运行温度、浮充电压、均充时长、放电次数、空气湿度等相关。受蓄电池工作年限限制，只能获取蓄电池短期内的少量运行数据，且现有的估算方法未详细考虑蓄电池运行环境与运行参数，在估算精度上存在较大误差，难以精确掌握蓄电池当前运行状态，不利于蓄电池维护、故障排除工作的开展。


技术实现要素：

4.本发明的目的在于针对上述现有技术的不足，提供了一种配电网终端蓄电池储能容量预测方法，以解决在难以获取大量数据下无法精确估算蓄电池储能状态的问题。
5.为实现上述目的，本发明采用了如下技术方案：
6.本发明提供了一种配电网终端蓄电池储能容量预测方法，包括以下步骤：
7.s1、数据采集与处理：以月为单位采集蓄电池的储能容量c、电池内阻r、运行温度t、浮充电压vf、均充时长j、放电次数n、空气湿度m，多次采集取均值作为样本输入x和样本输出y；获取样本集之后，将其分为训练样本x、训练样本y和测试样本x
′
、测试样本y
′
；
8.s2、根据所述训练样本x建立灰色微分方程，构建所述灰色微分方程的灰色预测模型，计算灰色预测值
9.s3、将所述s2中得到的灰色预测值与所述训练样本y作为输入和输出训练rbf神经网络，得到误差补偿器；
10.s4、利用所述灰色预测模型计算测试样本x
′
、y
′
，将得到的灰色预测值作为误差补偿器的输入，所述误差补偿器的输出即为蓄电池储能容量预测值；
11.s5、利用模型检验方法对灰色预测模型进行精度评估，满足精度要求即可使用，不满足要求对所述灰色预测模型进行修正。
12.进一步，所述s1中，考虑到蓄电池储能容量以及电池内阻变化较小，以月为单位采集24个月蓄电池运行数据作为样本数据集；其中，储能容量c通过核容试验获得，电池内阻r、运行温度t、浮充电压vf、均充时长j、放电次数n、空气湿度m数据通过监测设备采集，每一月的数据进行多次采集，取平均值放入样本集，其格式如下：
[0013][0014]
获取样本集之后，将所述样本集分为所述训练样本x、训练样本y和测试样本x
′
、测试样本y
′
。
[0015]
进一步，所述s2中，所述灰色预测模型将所述训练样本x原始数据经过累加后削弱数据的无规律性，建立微分方程进行数据拟合和预测，其构建过程如下：
[0016]
s201、构建邻均值等权生成序列
[0017]
设所述训练样本x原始数据为x
(0)
，将原始数据序列x
(0)
经过一次累加，生成x
(1)
，即
[0018][0019]
计算邻均值等权生成序列z
(1)
(k)，其计算公式如下：
[0020][0021]
s202、构建所述灰色微分方程
[0022][0023]
其中，a为发展系数，b为灰作用量；
[0024]
令：
[0025][0026]
得利用最小二乘估计法求得
[0027]
s203、解所述灰色微分方程，计算灰色预测序列
[0028]
求得之后，所述式(4)变为n阶常微分方程；由于所述式(4)未知其阶数n，所以无法直接求得其解，本发明利用runge-kutta来求其数值解；
[0029][0030]
假设所述式(4)中阶数n为二阶，利用代数代换对所述式(7)进行降阶：
[0031][0032]
则式(7)化为：
[0033][0034]
对上式采用runge-kutta递推式进行改写：
[0035][0036]
通过所述式(10)解得灰色微分方程的解为
[0037]
将求得解序列累减还原预测值为：
[0038][0039]
进一步，所述s3中，将所述s2中得到的灰色预测值与训练样本y作为输入和输出训练rbf神经网络，得到误差补偿器，训练过程如下：
[0040]
s301、初始化参数，包括基函数中心c、宽度σ、权值w；
[0041]
s302、利用径向基函数计算隐含层和输出层参数，计算损失函数e；
[0042]
s303、判断损失大小，在接受范围内，停止训练，不在范围内，利用梯度更新法更新中心、宽度、权重，梯度更新公式如下式所示：
[0043][0044]
其中，η为学习因子，e为损失函数。
[0045]
s304、训练完成，得到所述误差补偿器。
[0046]
进一步，所述s5中，所述精度评估计算公式如下：
[0047][0048]
其中，rmse为均方根误差、mae为平均绝对误差，用于评估预测模型的精度。
[0049]
本发明的有益效果为：解决了在“少数据”的小样本情况下配电网蓄电池储能容量估计不准确的问题，在一定程度上能够提高配网自动化系统中蓄电池管理系统的效率。
[0050]
考虑了蓄电池运行环境变量对于蓄电池储能容量的影响，相比于传统估算方法提高了预测精度。
附图说明
[0051]
图1为本灰色神经网络流程图；
[0052]
图2为3rbf神经网络结构；
[0053]
图3为蓄电池储能容量预测结果图。
具体实施方式
[0054]
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0055]
请参阅一种配电网终端蓄电池储能容量预测方法，包括以下步骤：
[0056]
s1、数据采集与处理：以月为单位采集蓄电池的储能容量c、电池内阻r、运行温度t、浮充电压vf、、均充时长j、放电次数n、空气湿度m，多次采集取均值作为样本输入x和样本输出y；获取样本集之后，将其分为训练样本x、训练样本y和测试样本x
′
、测试样本y
′
；
[0057]
s2、根据所述训练样本x建立灰色微分方程，构建所述灰色微分方程的灰色预测模型，计算灰色预测值
[0058]
s3、将所述s2中得到的灰色预测值与所述训练样本y作为输入和输出训练rbf神经网络，得到误差补偿器；
[0059]
s4、利用所述灰色预测模型计算测试样本x
′
、y
′
，将得到的灰色预测值作为
误差补偿器的输入，所述误差补偿器的输出即为蓄电池储能容量预测值；
[0060]
s5、利用模型检验方法对灰色预测模型进行精度评估，满足精度要求即可使用，不满足要求对所述灰色预测模型进行修正。
[0061]
所述s1中，考虑到蓄电池储能容量以及电池内阻变化较小，以月为单位采集24个月蓄电池运行数据作为样本数据集；其中，储能容量c通过核容试验获得，电池内阻r、运行温度t、浮充电压vf、均充时长j、放电次数n、空气湿度m数据通过监测设备采集，每一月的数据进行多次采集，取平均值放入样本集，其格式如下：
[0062][0063]
获取样本集之后，将所述样本集分为所述训练样本x、训练样本y和测试样本x
′
、测试样本y
′
。
[0064]
基于蓄电池运行数据样本集x、y构建当前状态下的蓄电池储能容量的灰色模型(gm(n,1))，强化蓄电池运行过程中的不同参数对于储能容量变化的作用特征。在该过程中，需分析训练样本x的数据分布特征，根据其数据分布特征采用不同阶数的微分方程做曲线拟合，计算出灰色预测值。
[0065]
所述s2中，所述灰色预测模型将所述训练样本x原始数据经过累加后削弱数据的无规律性，建立微分方程进行数据拟合和预测，其构建过程如下：
[0066]
s201、构建邻均值等权生成序列
[0067]
设所述训练样本x原始数据为x
(0)
，将原始数据序列x
(0)
经过一次累加，生成x
(1)
，即
[0068][0069]
计算邻均值等权生成序列z
(1)
(k)，其计算公式如下：
[0070][0071]
s202、构建所述灰色微分方程
[0072][0073]
其中，a为发展系数，b为灰作用量；
[0074]
令：
[0075][0076]
得利用最小二乘估计法求得
[0077]
s203、解所述灰色微分方程，计算灰色预测序列
[0078]
求得之后，所述式(4)变为n阶常微分方程；由于所述式(4)未知其阶数n，所以无法直接求得其解，本发明利用runge-kutta来求其数值解；
[0079][0080]
假设所述式(4)中阶数n为二阶，利用代数代换对所述式(7)进行降阶：
[0081][0082]
则式(7)化为：
[0083][0084]
对上式采用runge-kutta递推式进行改写：
[0085][0086]
通过所述式(10)解得灰色微分方程的解为
[0087]
将求得解序列累减还原预测值为：
[0088][0089]
rbf(径向基神经网络)包含三层前馈神经网络，分别为输入层、隐含层以及输出层，网络节点采用径向基函数作为激活函数，其模型结构如图2所示。在获取灰色预测值x之后，利用x与训练样本中期望输出y来训练rbf神经网络。
[0090]
所述s3中，将所述s2中得到的灰色预测值与训练样本y作为输入和输出训练rbf神经网络，得到误差补偿器，训练过程如下：
[0091]
s301、初始化参数，包括基函数中心c、宽度σ、权值w；
[0092]
s302、利用径向基函数计算隐含层和输出层参数，计算损失函数e；
[0093]
s303、判断损失大小，在接受范围内，停止训练，不在范围内，利用梯度更新法更新中心、宽度、权重，梯度更新公式如下式所示：
[0094][0095]
其中，η为学习因子，e为损失函数。
[0096]
s304、训练完成，得到所述误差补偿器。
[0097]
所述s5中，所述精度评估计算公式如下：
[0098][0099]
其中，rmse为均方根误差、mae为平均绝对误差，用于评估预测模型的精度。
[0100]
具体实施例
[0101]
本发明为验证所提方法的预测效果，选取配电网中某终端设备蓄电池作为验证对
象，采集获得其运行数据，数据处理后如下表1所示。
[0102]
表1蓄电池24个月运行数据
[0103][0104]
将前20个月的运行数据整理为训练集x、y，余下4个月的数据作为测试样本集x
′
、y
′
。将以上训练数据输入到模型中进行训练灰色神经网络，网络共学习进化100次。训练完毕后，利用测试样本集评价网络的预测性能。灰色神经网络的预测如图3所示，经计算得出评价指标rmse、mae分别为0.47和0.42，可以验证本发明所提出的灰色神经网络预测方法在小样本情况下具有较好的预测效果。
[0105]
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。