储能站电池组的实时动态热管理方法及系统与流程

本发明属于电气自动化领域，具体涉及一种储能站电池组的实时动态热管理方法及系统。

背景技术：

1、随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保障电能的稳定可靠运行，就成为了电力系统最重要的任务之一。

2、目前，越来越多的新能源发电系统开始并网发电。新能源发电系统的出力随机性，对电力系统的安全稳定运行带来了巨大的压力。为了应对这一变化，近年来，电力系统开始布置储能站。储能站内设置有大量储能电池组；电力系统通过布置额外的储能站，为自身提供额外的可调节负荷，通过储能站实现削峰填谷的功能，从而极大的减轻了电力系统自身的运行压力。因此，针对储能站中电池组进行动态热管理，对于电力系统而言，意义重大。

3、目前，传统的储能站的动态热管理方案，一般都是通过针对电池组内部的关键参数值进行数值仿真，从而实现动态热管理。但是，这类数值仿真的方案，一般仿真过程极为复杂，计算复杂度极高，并无法实现实时热管理；此外，这类数值模拟方案，也存在可靠性不高、精确性较差的问题。

技术实现思路

1、本发明的目的之一在于提供一种可靠性高、精确性好且效率较高的储能站电池组的实时动态热管理方法。

2、本发明的目的之二在于提供一种实现所述储能站电池组的实时动态热管理方法的系统。

3、本发明提供的这种储能站电池组的实时动态热管理方法，包括如下步骤：

4、s1.获取目标储能站电池组的参数数据信息；

5、s2.选定单一电池组为基本单元，并根据步骤s1获取的数据信息，建立电池组仿真模型；

6、s3.基于步骤s2得到的电池组仿真模型，选定正常工况和事故工况，并进行对应的数值模拟仿真；

7、s4.根据步骤s3得到的仿真结果，进行数据稀疏化处理，并训练数据回归模型；

8、s5.实时获取目标储能站电池组的工作数据信息，根据步骤s4得到的数据信息进行数据重构，以实现电池组的动态可视化表达；

9、s6.根据步骤s5获取的工作数据信息，根据步骤s4得到的数据回归模型，实现目标储能站电池组的实时动态热管理。

10、步骤s2所述的选定单一电池组为基本单元，并根据步骤s1获取的数据信息，建立电池组仿真模型，具体包括如下步骤：

11、选定单一电池组为基本单元；

12、根据步骤s1获取的数据信息，基于电池组的冷却方式、电阻内部结构和物性特点，建立电池组的几何模型和物理模型；

13、对建立的电池组的几何模型和物理模型进行简化；

14、通过电池组实验结果和网格独立性考核验证简化后模型的可靠性。

15、步骤s3所述的基于步骤s2得到的电池组仿真模型，选定正常工况和事故工况，并进行对应的数值模拟仿真，具体包括如下步骤：

16、基于步骤s2得到的电池组仿真模型，选定正常工况和事故工况；

17、根据选定的正常工况和事故工况，确定仿真模型的物性参数值、热源项产热量、边界条件和初始条件；

18、在实验前，在实验条件下，针对电池组布置尽可能多的测点；

19、进行实验，对通过测点获取的检测参数和仿真模型所得到的仿真结果进行对比，从而对仿真模型进行修正；

20、根据电池组的内部特点，对电池组进行分区处理；

21、对仿真模型中各分区的仿真结果进行后处理，获取对应工况下各区的物理量的均值和上下限值；

22、以电池组输入参数和时间为自变量，以物理量的均值和上下限值为因变量，采用回归模型进行回归分析，并将得到回归模型构建标准化模型库。

23、步骤s4所述的根据步骤s3得到的仿真结果，进行数据稀疏化处理，并训练数据回归模型，具体包括如下步骤：

24、对步骤s3的得到的仿真结果进行无量纲化处理；

25、基于稀疏化算法，对无量纲数据进行稀疏化处理，得到稀疏矩阵；

26、以电池组的输入参数为自变量，以稀疏矩阵上非零稀疏对应位置上的参数为因变量，采用回归方法得到自变量与因变量之间的映射模型，从而构建可视化数据库；

27、根据得到的稀疏矩阵，在电池组表面内壁的设定范围区域内布置监测点；

28、根据数值模拟仿真的仿真结果，采用回归方法得到监测点数据与电池组输入变量之间的回归模型，从而构建管理模型库。

29、所述的基于稀疏化算法，对无量纲数据进行稀疏化处理，得到稀疏矩阵，具体包括如下步骤：

30、设定数据信号为x，x∈rn，rn为全体n维(向量数据信号)表示的向量组；字典为d，d＝[d1,d2,...,dl]∈rn×l，dl为字典中的第l个原子，n为n维向量(数据信号)；将数据信号表示为x∈dα，其中α为稀疏矩阵且α＝[α1,α2,...,αl]t；

31、采用如下步骤计算得到稀疏矩阵α：

32、a.输入数据信号x和超完备字典d0，并输入稀疏度k或残差阈值ε；

33、b.设定初始值：残差r0取值为x，索引集i0和j均为空集；迭代次数k为0；

34、c.计算αk＝dtrk-1，并从得到的αk中选择前k个最大的元素；记录元素对应的索引号到集合jk中，并将索引按照元素值的大小，从大到小排列；

35、d.找到子集合并使得j0满足：|α(i)|≤2|α(j)|，j∈j0，i≤j；

36、e.将找到的子集合j0并入索引集ik-1；

37、f.更新稀疏系数αk的值为其中，||||为矩阵的行列式的值，为利用稀疏分解算法对数据求出分解系数；r'为仅在集合ik所包含的索引位置上全部非零元素的系数向量；

38、g.更新残差rk为rk＝x-dkαk；

39、h.迭代次数增加1，并进行判定：若迭代次数达到设定值，则输出最终的稀疏矩阵；否则，回到步骤c进行下一轮计算。

40、步骤s5所述的实时获取目标储能站电池组的工作数据信息，根据步骤s4得到的数据信息进行数据重构，以实现电池组的动态可视化表达，具体包括如下步骤：

41、实时获取目标储能站电池组的工作数据信息；

42、根据电池组实时输入的参数，从可视化数据库中获取对应的映射模型；

43、采用信号快速恢复方案实现数据的重构；

44、根据电池组实时输入的参数，从标准化模型库中获取对应的回归模型和物理量的均值和上下限值；

45、根据获取的物理量的均值和上下限值，对重构的数据进行量纲化处理，以实现物理量的实时动态可视化。

46、所述的采用信号快速恢复方案实现数据的重构，具体包括如下步骤：

47、a.确定稀疏矩阵φn×n，以保证n维信号xn+1在稀疏矩阵坐标基下能够表达系数信号

48、b.根据压缩信号时采用的随机抽样矩阵ψm×n，将压缩信号恢复问题归结为最优化问题；

49、c.通过奇异值分解，求解得到的通解形式并代入目标函数，将约束优化问题转换为无约束优化问题，表示为：

50、

51、式中为对目标函数f()求最小值；f()为优化目标函数表达式；为约束条件进行奇异值分解后方程的解；

52、d.构建中间变量r为其中δ为设定的微小扰动量，为表示函数f的度；

53、若r≥0，则设定搜索方向dk为若r＜0，则设定搜索方向dk为其中，i为单位矩阵；

54、e.采用步骤d中的搜索方向，完成目标函数的求解，得到

55、f.采用算式得到最终的恢复信号。

56、步骤s6所述的根据步骤s5获取的工作数据信息，根据步骤s4得到的数据回归模型，实现目标储能站电池组的实时动态热管理，具体包括如下步骤：

57、根据步骤s5获取的工作数据信息，从管理模型库中获取对应的监测点所对应的回归模型，并可视化监测数据及回归数据的变化趋势；

58、实时计算各测点的监测数据与回归数据间的差值，可视化差值随时间的变化趋势；

59、当差值大于设定阈值时，进行对应的故障诊断，完成目标储能站电池组的实时动态热管理。

60、本发明还提供了一种实现所述储能站电池组的实时动态热管理方法的系统，包括数据获取模块、模型建立模块、数值仿真模块、回归构建模块、数据重构模块和动态热管理模块；数据获取模块、模型建立模块、数值仿真模块、回归构建模块、数据重构模块和动态热管理模块依次串接；数据获取模块用于获取目标储能站电池组的参数数据信息，并将数据信息上传模型建立模块；模型建立模块用于根据接收到的数据信息，选定单一电池组为基本单元，并根据获取的数据信息，建立电池组仿真模型，并将数据信息上传数值仿真模块；数值仿真模块用于根据接收到的数据信息，基于得到的电池组仿真模型，选定正常工况和事故工况，并进行对应的数值模拟仿真，并将数据信息上传回归构建模块；回归构建模块用于根据接收到的数据信息，根据得到的仿真结果，进行数据稀疏化处理，并训练数据回归模型，并将数据信息上传数据重构模块；数据重构模块用于根据接收到的数据信息，实时获取目标储能站电池组的工作数据信息，根据得到的数据信息进行数据重构，以实现电池组的动态可视化表达，并将数据信息上传动态热管理模块；动态热管理模块用于根据接收到的数据信息，根据获取的工作数据信息和得到的数据回归模型，实现目标储能站电池组的实时动态热管理。

61、本发明提供的这种储能站电池组的实时动态热管理方法及系统，将仿真过程前置，通过回归方法得到数学模型，并通过数据稀疏化处理和重构方案，直接利用得到的数学模型实现电池组重要物理量的实时高效动态可视化，并完成对电池组对应的动态热管理；而且本发明的可靠性高、精确性好且效率较高。