一种基于RNN模型的储能电站电池组SOC估计方法

一种基于rnn模型的储能电站电池组soc估计方法
技术领域
1.本发明涉及电池监测技术领域，具体涉及一种基于rnn模型的储能电站电 池组soc估计方法。


背景技术：

2.随着新能源电源的大规模接入，电网需要接入大量储能电站来平抑新能源的 功率波动，同时支持电网的调峰调频。在储能电站中，对于电池组soc的准确 估计至关重要，关系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。


技术实现要素：

3.本发明为克服上述现有技术存在的储能电站电池组soc估计精度不足的问 题，提出了一种基于rnn模型的储能电站电池组soc估计方法。
4.本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：
5.一种基于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：
6.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d
ori
；
7.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 d
new
；
8.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；
9.s4：搭建rnn神经网络模型，得到网络模型结构；
10.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；
11.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。
12.本方案中，步骤s1所述的原始数据集d
ori
，其具体组成步骤如下：
13.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[
‑
i
max
，i
max
]范围内均匀选取m个电流值形成电流集 合如下：
[0014]
d
i
＝[i1，i2，
…
，i
m
]
[0015]
其中，
‑
i
max
＝i1＜i2＜
…
＜i
m
＝i
max
，i
m
＜0代表充电，i
m
＞0代表放电；
[0016]
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 d
soc
如下：
[0017]
d
soc
＝[soc1，soc2，
…
，soc
k
]
[0018]
其中，0＜soc1＜soc2＜
…
＜soc
k
＜100％；
[0019]
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d
i
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d
soc
的第k个soc值soc
k
时退出运行，然后将所选 用的电流i
m
、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，
…
，u
t
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u
ocv k
；
[0020]
s104：将步骤s103所述的数据整合，构成一条样本数据d
m，k
为：
[0021]
d
m，k
＝[i
m
，u1，u2，
…
，u
t
，u
ocv k
]
[0022]
s105：循环执行s103至s104，直至第n个电池组以电流集合d
i
中的所有m 个电流遍历soc集合d
soc
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d
n
如下：
[0023][0024]
s106：循环执行s103至s105，直至所有n个电池组都以电流集合d
i
中的所 有m个电流遍历soc集合d
soc
中的k个soc，从而获得n个数据集d
n (n＝1，2，...，n)，并全部保存到原始数据集d
ori
中。
[0025]
本方案中，步骤s2所述的新原始数据集d
new
，其具体组成步骤如下：
[0026]
s201：在步骤s1所述原始数据集d
ori
中，提取第n个电池组对应的数据集d
n
中的样本数据d
m，k
，将其中的最后一个电压数据u
ocv 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soc
k
，并用其替换原来的电 压数据u
ocv k
，构成新的样本数据d
new m，k
为：
[0027]
d
new m，k
＝[i
m
，u1，u2，
…
，u
t
，soc
k
]
[0028]
s202：循环执行s201，直至将第n个电池组对应的数据集d
n
中的所有m
×ꢀ
k条样本数据都完成替换，得到新数据集d
new n
如下：
[0029][0030]
s203：循环执行s201至s202，直至完成所有n个电池组的数据集d
n (n＝1，2，...，n)的替换，得到新原始数据集d
new
。
[0031]
本方案中，步骤s3所述的新原始数据集进行预处理，其具体步骤如下：
[0032]
s301：将步骤s2输出的新原始数据集d
new
的最后一列标记为标签值z
soc
， 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：
[0033]
g(soc
k
，i
m
)＝[i
m
，u1，u2，
…
，u
t
]
[0034]
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，
…
，u
t
对时间进行求导，获得新的特征向量g
new
如下：
[0035]
g
new
＝[i
m
，u
′1，u
′2，
…
，u
′
t
]
[0036]
s303：对新的特征向量g
new
进行归一化处理，并与原先对应的标签值z
soc
重 新组合，构成数据矩阵；
[0037]
s304：将数据矩阵划分成训练集和测试集。
[0038]
本方案中，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：
[0039]
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；
[0040]
s502：将s302所述的特征向量g
new
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i
m
复制相同份数，依次作为rnn神经网络模型的输入；
[0041]
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x
l+1
经过非线性映射与第l 个隐藏层s
l
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s
l+1
；最后将第(l+1)个隐藏层s
l+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。
[0042][0043]
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；
[0044]
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；
[0045]
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。
[0046]
本方案中，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：
[0047]
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；
[0048]
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i
rest
，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 u
rest1
，u
rest2
，
…
，u
restt
；
[0049]
s603：将步骤s602记录的电压值u
rest1
，u
rest2
，
…
，u
restt
分别对时间求导， 然后将电流值i
rest
和求导后的电压值u
′
rest1
，u
′
rest2
，
…
，u
′
restt
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，得到该电池单元的soc。
[0050]
与现有技术相比，本发明技术方案的有益效果是：
[0051]
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，使储能电站 中的所有电池组能在某段时间内以给定电流进行恒流充放电，从而获取rnn神 经网络模型训练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
[0052]
图1为本发明提出的一种基于rnn模型的储能电站电池组soc估计方法流 程图。
[0053]
图2为本发明实施例的rnn神经网络模型。
具体实施方式
[0054]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具 体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下， 本技术的实施例及实施例中的特征可以相互组合。
[0055]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明 还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并 不受下面公开的具体实施例的限制。
[0056]
在一个具体的实施例中，如图1所示，一种基于rnn模型的储能电站电池 组soc估计方法，包括以下步骤：
[0057]
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d
ori
；
[0058]
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 d
new
；
[0059]
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；
[0060]
s4：搭建rnn神经网络模型，得到网络模型结构；
[0061]
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；
[0062]
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。
[0063]
本方案中，步骤s1所述的原始数据集d
ori
，其具体组成步骤如下：
[0064]
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[
‑
i
max
，i
max
]范围内均匀选取m个电流值形成电流集 合如下：
[0065]
d
i
＝[i1，i2，
…
，i
m
]
[0066]
其中，
‑
i
max
＝i1＜i2＜
…
＜i
m
＝i
max
，i
m
＜0代表充电，i
m
＞0代表放电；
[0067]
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 d
soc
如下：
[0068]
d
soc
＝[soc1，soc2，
…
，soc
k
]
[0069]
其中，0＜soc1＜soc2＜
…
＜soc
k
＜100％；
[0070]
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d
i
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d
soc
的第k个soc值soc
k
时退出运行，然后将所选 用的电流i
m
、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，
…
，u
t
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u
ocv k
；
[0071]
s104：将步骤s103所述的数据整合，构成一条样本数据d
m，k
为：
[0072]
d
m，k
＝[i
m
，u1，u2，
…
，u
t
，u
ocv k
]
[0073]
s105：循环执行s103至s104，直至第n个电池组以电流集合d
i
中的所有m 个电流遍历soc集合d
soc
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d
n
如下：
[0074][0075]
s106：循环执行s103至s105，直至所有n个电池组都以电流集合d
i
中的所 有m个电流遍历soc集合d
soc
中的k个soc，从而获得n个数据集d
n (n＝1，2，...，n)，并全部保存到原始数据集d
ori
中。
[0076]
本方案中，步骤s2所述的新原始数据集d
new
，其具体组成步骤如下：
[0077]
s201：在步骤s1所述原始数据集d
ori
中，提取第n个电池组对应的数据集d
n
中的样本数据d
m，k
，将其中的最后一个电压数据u
ocv 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soc
k
，并用其替换原来的电 压数据u
ocv k
，构成新的样本数据d
new m，k
为：
[0078]
d
new m，k
＝[i
m
，u1，u2，
…
，u
t
，soc
k
]
[0079]
s202：循环执行s201，直至将第n个电池组对应的数据集d
n
中的所有m
×ꢀ
k条样本数据都完成替换，得到新数据集d
new n
如下：
[0080][0081]
s203：循环执行s201至s202，直至完成所有n个电池组的数据集d
n (n＝1，2，...，n)的替换，得到新原始数据集d
new
。
[0082]
本方案中，步骤s3所述的新原始数据集进行预处理，其具体步骤如下：
[0083]
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z
soc
， 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：
[0084]
g(soc
k
，i
m
)＝[i
m
，u1，u2，
…
，u
t
]
[0085]
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，
…
，u
t
对时间进行求导，获得新的特征向量g
new
如下：
[0086]
g
new
＝[i
m
，u
′1，u
′2，
…
，u
′
t
]
[0087]
s303：对新的特征向量g
new
进行归一化处理，并与原先对应的标签值z
soc
重 新组合，构成数据矩阵；
[0088]
s304：将数据矩阵划分成训练集和测试集。
[0089]
本方案中，步骤s5所述的对rnn神经网络模型进行训练和评估，如图2 所示，具体步骤如下：
[0090]
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；
[0091]
s502：将s302所述的特征向量g
new
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i
m
复制相同份数，依次作为rnn神经网络模型的输入；
[0092]
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x
l+1
经过非线性映射与第l 个隐藏层s
l
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s
l+1
；最后将第(l+1)个隐藏层s
l+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。
[0093][0094]
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；
[0095]
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；
[0096]
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。
[0097]
本方案中，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：
[0098]
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；
[0099]
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i
rest
，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 u
rest1
，u
rest2
，
…
，u
restt
；
[0100]
s603：将步骤s602记录的电压值u
rest1
，u
rest2
，
…
，u
restt
分别对时间求导， 然后将电流值i
rest
和求导后的电压值u
′
rest1
，u
′
rest2
，
…
，u
′
restt
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，得到该电池单元的soc。