一种基于数据挖掘的电池储能系统soc预测方法
【专利摘要】本发明属于电池储能系统荷电状态评估技术领域，尤其涉及一种基于数据挖掘的电池储能系统SOC预测方法，结合大数据分析与挖掘技术，在全钒液流电池储能系统充放电实验基础上，通过对大量电池储能系统运行历史数据分析，研究电池的电流、电压、内阻、温度、充放电容量及充放电能量等运行参数与电池SOC之间的关系；利用邻域粗糙集理论进行属性约简，深入挖掘影响SOC的主要因素，计算各特征参数所占的权重，提取能够正确评价电池储能运行状态SOC的特征参数；由于上述特征参数与SOC之间的关系具有较强的非线性，建立基于邻域粗糙集?神经网络的电池储能系统SOC预测模型，进一步提高电池储能系统SOC的预测精度。
【专利说明】
一种基于数据挖掘的电池储能系统soc预测方法
技术领域
[0001] 本发明属于电池储能系统荷电状态评估技术领域，尤其涉及一种基于数据挖掘的 电池储能系统S0C预测方法。
【背景技术】
[0002] 由于大规模的新型能源的和特高压电网的发展，电池储能系统作为储能单元被广 泛应用于电动车、新能源发电和大型储能系统。荷电状态S0C反映的是储能元件当前的剩余 容量，电池储能系统的整体性能与荷电状态S0C的关系非常密切。精确地S0C估计对平衡单 体电池之间的差异、优化电池的充放电策略、防止电池使用过热及防止过充过放等意义非 同凡响。
[0003] 但是，由于电池结构复杂，电池的荷电状态受放电电流、电池内部温度、自放电、电 池老化等诸多因素影响，使S0C估算非常困难。且S0C作为电池的内部特性不可以直接对其 进行测量，只能通过对电压、电流、温度等一些直接测量的外部特性参数预测而得。同时电 池在使用过程中表现出高度非线性，使在线准确估计电池S0C值难度加大。
[0004] 目前，人工神经网络法是比较常见的电池储能系统S0C预测方法，其具有较好的自 学习能力，能逼近非线性特性，可模拟出电池的动态特性且不需要建立数学模型。以电池电 流、电压、温度、等电池外部特性参数为输入，利用大量的原始经验样本数据对系统进行训 练，用测试样本数据实现S0C的预测。神经网络输入矢量的维数较大会造成整个过程计算量 异常庞大、耗时，因此需要对神经网络输入维数进行属性约简。
【发明内容】
[0005] 为了解决上述技术问题，本发明提出了一种基于数据挖掘的电池储能系统S0C预 测方法，包括：
[0006] 步骤1:对全钒液流电池进行充放电实验，测得各个时刻的电池电流I、电压V、内阻 R、功率P、每个周期内的总充电量1、开始到结束的总充电量w 2、开始到结束的总放电量w3、 电池温度T及电池容量Q运行特征参数；
[0007] 步骤2:将上述特征参数作为邻域决策系统(NRS)的条件属性，将电池储能系统S0C 状态进行划分作为信息表的决策属性，形成S0C状态初始样本邻域决策表；
[0008] 步骤3:在数据处理之前对原始条件属性进行归一化处理；
[0009] 步骤4:利用邻域粗糙集算法对上述特征参数进行约简，挖掘出影响电池储能系统 S0C的重要因素；
[0010]步骤5:将步骤4约简后的相对最小条件属性作为RBF神经网络的输入神经元，以 S0C状态值作为RBF神经网络的输出神经元，构造基于邻域粗糙集-RBF神经网络的电池储能 系统S0C预测模型；
[0011] 步骤6:将测试样本输入神经网络进行检验，计算预测误差。
[0012] 所述步骤2中电池储能系统S0C状态的划分如下：
[0013] 表1S0C状态划分
[0016]所述步骤3中数据归一化计算公式如下：
[0018]其中，xmin和Xmax分别为样本数组的最小和最大值，经过归一化处理之后，数据均落 在区间[0，1]内。
[0019] 所述步骤4中邻域粗糙集算法对特征参数约简过程如下：
[0020] 1)给定一邻域决策系统NDS=(U，AUD)，其中U为给定样本集合，A是描述U的实数 型特征集合，D是决策属性，由A生成论域上的一族邻域关系，决策属性D将论域U={ X1，X2， xn}划分为N个等价类⑶，X2，??％)，Vz? s .4，则决策属性D关于子集B的上、下近似分别 为
[0021] 上近似
[0022] 下近似
[0023] 其中，及《义={.\?.)。义，0，~^"}3: MBjr = {Av|J(.v;)c：X,.Y/e(；} i：8 (Xi) = {x|xGU,A(x,XiX5} , (5彡〇)，5(xi)是由子集B和距离A (x,xi)生成的邻域信息粒 子，S为邻域半径，决策系统的边界奶(/〕) = -么」）：
[0024] 2)邻域决策系统的正域和负域分别为
[0025] 正域：Posb(D) =，D
[0026] 负域：施私(.￡>)
[0027] 式中琴为决策D的下近似，U为总样本集合厂V,,D为决策D的上近似；
[0028] 3)决策属性D对条件属性B的依赖度kD为
[0030] 其中，I I Pos(D) I I表示决策系统正域Pos(D)的基数或势（cardinality)，即正域 Pos(D)中包含的元素个数；| U |表示论域U中所含的元素个数；
[0031 ] 4)条件属性子集a对于决策属性D的重要性公式为
[0032] Sig(a,B,D)= TB(D)-yB-{a}(D)B-{a}aGByB(D) yB-{a}(D)
[0033]其中，B为条件属性且有aGB，yB(D)为决策属性D对条件属性B的依赖度， (D)为决策属性D对条件属性B- {a}的依赖度。
[0034] 所述步骤5中RBF神经网络建模过程如下：
[0035] 1)隐含层的第i个神经元的输入为：
[0037] 其中，wli表不隐含层每个神经元与输入层相连的权值向量;$表不第q个输入向 量中的第j个分量;bli为阈值；
[0038] 2)隐含层选用高斯函数作为激励函数，其表达式为：
[0040] 式中：x为输入矢量;ci为高斯函数的中心；心是高斯函数的中心宽度;心的大小表 示了该中心作用范围的大小以及各个中心作用范围的重叠程度；
[0041] 3)输出层的输入为各隐含层神经元的加权求和，其激励函数为纯线性函数，输出 为：
[0042] 50C =之 u:. X 说(.v}
[0043] 其中Wl为网络权值，(i^U)是第i个隐含层神经元的输出，n为隐含层神经元个数。
[0044] 所述步骤6中计算S0C相对平均误差公式为
[0046]其中S0&为预测值，SOCo为实测值，N为预测的总样本数。
[0047]本发明的有益效果如下:本发明提供的电池储能系统S0C状态评估方法基于邻域 粗糙集模型对众多可能的S0C影响因素如电池电流、电压、温度等外部直接测量参数进行挖 掘，从而提取出影响S0C的重要因素，去除冗余属性，结合RBF神经网络实现S0C预测，简化了 神经网络输入矢量与结构，减少计算量、提高了预测精度。本发明可以应用于电池储能系统 S0C状态评估中。
【附图说明】
[0048]图1为基于邻域粗糙集-神经网络的电池储能系统S0C预测流程图
[0049] 图2为粗邻域粗糙集的前向贪心算法流程图
[0050] 图3为本发明与常规方法的预测精度对比图
【具体实施方式】
[0051] 下面结合附图，对实施例作详细说明。
[0052] 图1为基于粗糙集优化神经网络的电池储能系统S0C预测流程图，如图所示，本实 施例提供的用于电池储能系统S0C预测方法包括：
[0053] 步骤1:对全钒液流电池进行充放电实验，测得各个时刻的电池电流I、电压V、内阻 R、功率P、每个周期内的总充电量1、开始到结束的总充电量W 2、开始到结束的总放电量W3、 电池温度T及电池容量Q等运行特征参数。
[0054]步骤2:将上述特征参数作为邻域决策系统的条件属性，将电池储能系统S0C状态 进行划分作为信息表的决策属性，形成SOC状态初始样本邻域决策表。
[0055] 表1S0C状态划分
[0057]~步骤3:在数据处理之前对原始条件属性进行归一化处理，归一化公式如下:
[0059] 步骤4:利用邻域粗糙集算法对上述特征参数进行约简，挖掘出影响电池储能系统 S0C的重要因素。如图2所示，邻域粗糙集属性约简过程如下：
[0060] 1)给定一邻域决策系统NDS=(U，AUD)，其中U为给定样本集合，A是描述U的实数 型特征集合，D是决策属性，由A生成论域上的一族邻域关系。决策属性D将论域U={ X1，X2， xn}划分为N个等价类仏，心，-1)，彻￡3，则决策属性〇关于子集8的上、下近似分别 为
[0061 ] 上近似：
[0062] 下近似：
[0063] 其中，其0，A.;e[/} ， A/,X={.v /|^v；)c：^,.re(/} ,8 (Xi) = {x|xGU,A(x,XiX5} , (5彡0)，5(xi)是由子集B和距离A (x,xi)生成的邻域信息粒 子，S为邻域半径，决策系统的边界/i/V(D)=及,D -么D。
[0064] 2)邻域决策系统的正域和负域分别为
[0065] 正域：Posb(D) =，D
[0066] 货域:Neg^D)二 U - NbD
[0067] 式中，D为决策D的下近似，U为总样本集合，j,<；D为决策D的上近似。
[0068] 3)决策属性D对条件属性B的依赖度kD为
[0070] 其中，I I Pos(D) I I表示决策系统正域Pos(D)的基数或势（cardinality)，即正域 Pos(D)中包含的元素个数；| U |表示论域U中所含的元素个数。
[0071 ] 4)条件属性子集a对于决策属性D的重要性公式为
[0072] Sig(a,B,D)= TB(D)-yB-{a}(D)B-{a}aGByB(D) yB-{a}(D)
[0073]其中，B为条件属性且有aGB，yB(D)为决策属性D对条件属性B的依赖度， (D)为决策属性D对条件属性B- {a}的依赖度。
[0074]步骤5 :将步骤4约简后的相对最小条件属性作为RBF神经网络的输人神经元，以 S0C状态值作为RBF神经网络的输出神经元，构造基于邻域粗糙集-RBF神经网络的电池储能 系统SOC预测模型。RBF神经网络建模过程如下：
[0075] 1)隐含层的第i个神经元的输人为：
[0077] 其中，^匕表示隐含层每个神经元与输人层相连的权值向量;if表示第q个输人向 量中的第j个分量;bli为阈值。
[0078] 2)隐含层选用高斯函数作为激励函数，其表达式为：
[0080] 式中：x为输入矢量;Cl为高斯函数的中心；心是高斯函数的中心宽度;心的大小表 示了该中心作用范围的大小，以及各个中心作用范围的重叠程度。
[0081] 3)输出层的输人为各隐含层神经元的加权求和，其激励函数为纯线性函数，输出 为：
[0082]
[0083]其中Wl为网络权值，(i^U)是第i个隐含层神经元的输出，n为隐含层神经元个数。 [0084] 4)计算S0C相对平均误差公式为
[0086]其中S0&为预测值，SOCo为实测值，N为预测的总样本数。
[0087]如图3所示，分别采用本发明的NRS-RBR神经网络方法与现有的RBF神经网络方法 对1000组样本预测结果的相对平均误差进行对比，结果显示，本发明的方法所得到的预测 结果的相对平均误差均明显小于现有方法。
[0088]此实施例仅为本发明较佳的【具体实施方式】，但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换， 都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围 为准。
【主权项】
1. 一种基于数据挖掘的电池储能系统SOC预测方法，其特征在于，包括： 步骤1:对全饥液流电池进行充放电实验，测得各个时刻的电池电流I、电压V、内阻R、功 率P、每个周期内的总充电量Wi、开始到结束的总充电量化、开始到结束的总放电量化、电池 溫度T及电池容量Q运行特征参数； 步骤2:将上述特征参数作为邻域决策系统的条件属性，将电池储能系统SOC状态进行 划分作为信息表的决策属性，形成SOC状态初始样本邻域决策表； 步骤3:在数据处理之前对原始条件属性进行归一化处理； 步骤4:利用邻域粗糖集算法对上述特征参数进行约简，挖掘出影响电池储能系统SOC 的重要因素； 步骤5:将步骤4约简后的相对最小条件属性作为RB巧巾经网络的输入神经元，WSOC状 态值作为RB巧巾经网络的输出神经元，构造基于邻域粗糖集-RB巧巾经网络的电池储能系统 SOC预测模型； 步骤6:将测试样本输入神经网络进行检验，计算预测误差。2. 根据权利要求1所述方法，其特征在于，所述步骤2中电池储能系统SOC状态的划分如 下： 亲1 SOC献杰制AO3. 根据权利要求1所述方巧，巧据佈在干，所沐巧驢3中猶据I白一化计算公式如下：其中，Xmin和Xmax分别为样本数组的最小和最大值，经过归一化处理之后，数据均落在区 间[(U]内。4. 根据权利要求1所述方法，其特征在于，所述步骤4中邻域粗糖集算法对特征参数约 简过程如下： 1) 给定一邻域决策系统NDS= (U，AUD)，其中U为给定样本集合，A是描述U的实数型特 征集合，D是决策属性，由A生成论域上的一族邻域关系，决策属性D将论域U= {xi，X2，X3… xn}划分为N个等价类(Xi，拉，…Xn)，V8 ￡ ?!，则决策属性D关于子集B的上、下近似分别为上近4 下近4 其4= IxIxGU, A (x，xi)《5}，（S^O) ,S(Xi)是由子集B和距离A (x，xi)生成的邻域信息粒子，S 为邻域半径，决策系统的边界2) 邻域决策系统的正域和负域分别为 正域负域 式中曲D为决策D的下近似，U为总样本集合，而O为决策D的上近似； 3) 决策属性D对条件属性B的依赖度kD为其中，I I F*os(D) I I表示决策系统正域化S(D)的基数或势（cardinality)，即正域化S(D) 中包含的元素个数；IUI表示论域U中所含的元素个数； 4) 条件属性子集a对于决策属性D的重要性公式为 Sig(a，B，D)= 丫 B(D)-丫 B-{a}(D)B-{a}aGB 丫 B(D) 丫 B-{a}(；D) 其中，B为条件属性且有aEB，TB(D)为决策属性D对条件属性B的依赖度，丫 B-W(D)为 决策属性D对条件属性B-{a}的依赖度。5. 根据权利要求1所述方法，其特征在于，所述步骤5中RB巧巾经网络建模过程如下： 1) 隐含层的第i个神经元的输入为：其中，Wli表示隐含层每个神经元与输入层相连的权值向量;4表示第q个输入向量中的 第j个分量;b 1 i为阔值； 2) 隐含层选用高斯函数作为激励函数，其表达式为：式中：x为输入矢量;Cl为高斯函数的中屯、；Si是高斯函数的中屯、宽度;Si的大小表示了 该中屯、作用范围的大小W及各个中屯、作用范围的重叠程度； 3) 输出层的输入为各隐含层神经元的化权求巧，巧激励函数为纯线性函数，输出为：其中Wi为网络权值，(I)I(X)是第i个隐含层神经元的输出，n为隐含层神经元个数。6. 根据权利要求1所;女韦、化甘賠/瓜化^A咎W叫目对平均误差公式为 其中SOCi为预测值，SOCo为实测值，N为预测的总样本数。
【文档编号】G01R31/36GK105911476SQ201610228840
【公开日】2016年8月31日
【申请日】2016年4月13日
【发明人】韩晓娟, 余晓玲, 蔡丽娟, 方劲宇
【申请人】华北电力大学, 交通运输部水运科学研究所