蓄电池管理系统的制作方法
本台湾申请案主张2016年7月22日申请的62/365,455美国临时申请案的权利。此现有申请案的揭示内容被视为本申请案的揭示内容的部分，且借此以全文引用的方式并入本文中。
本发明涉及基于时间序列分析及与蓄电池管理系统相关联的蓄电池系统的历史数据的神经网络而预测蓄电池管理系统性能。
背景技术：
蓄电池管理系统(bms)是管理包含一或多个电池或蓄电池组的可再充电蓄电池系统的电子系统。bms可保护蓄电池免于在安全操作区域外部操作且监测蓄电池的状态(例如，电压、温度、电流等)。另外，bms可计算与蓄电池相关联的数据且将经计算数据报告到用于监测、控制蓄电池系统的环境且认证及/或平衡蓄电池系统的外部装置。与具有外部通信总线的bms一起构造的蓄电池变为智能蓄电池。
可再充电蓄电池系统可经配置以在电力网内大规模地存储电能。举例来说，在生产(例如，来自断续性发电厂，例如再生电源，例如风力发电、潮汐发电、太阳能发电)超过消耗的时间期间存储电能，且在生产下降到低于消耗时使电能返回到电网。因而，可再充电蓄电池系统在电网消耗低时存储电能且在消耗超过来自发电厂的生产时的时间使用经存储电能。
技术实现要素：
本发明的一个方面提供一种在数据处理硬件上实施的方法，其包含从经配置以测量与具有将电力分配到一或多个消费者的发电厂的电力分配网络通信的蓄电池系统的电流的至少一个电流传感器接收电流测量。所述方法还包含从经配置以测量所述蓄电池系统的电压的至少一个电压传感器接收电压测量且从经配置以测量所述蓄电池系统的温度的至少一个温度传感器接收温度测量。所述方法包含：基于所述经接收测量而确定所述蓄电池系统的阻抗参数；基于所述经接收测量而确定所述蓄电池系统的温度参数；基于所述阻抗参数而确定经预测电压参数；及基于所述温度参数而确定经预测温度参数。所述方法包含基于所述经预测电压参数及所述经预测温度参数而命令所述蓄电池系统从所述发电厂充电或从所述发电厂放电。
本发明的实施方案可包含以下任选特征中的一或多者。在一些实施方案中，确定所述阻抗参数或所述温度参数包括确定在时间间隔[-t,t]中定义的时间序列f(t)的转移函数h(w)，其中t是大于零的整数。在复数域中将所述转移函数h(w)定义为：
其中w＝2πf，f是定义为t∈rn及f∈cn的所述经接收测量的时间序列的频率。所述转移函数h(w)可定义为输出变量y(t)与输入变量x(t)的傅立叶变换之间的比率，其中所述输出变量y(t)是所述阻抗参数或所述温度参数中的一者，且所述输入变量x(t)是所述经接收测量中的一或多者。离散域中的所述转移函数h(w)可确定为：
在一些实施方案中，确定所述经预测电压参数或所述经预测温度参数中的一者包含执行实施自回归模型的时间序列分析。所述自回归模型ar(p)可定义为：
其中
在一些实施方案中，通过所述数据处理硬件命令所述蓄电池系统从所述发电厂充电包含命令所述蓄电池系统存储来自所述发电厂的电力。
在一些实施方案中，所述方法包含基于所述电压测量或所述温度测量而更新阻抗量变曲线、电压量变曲线或温度量变曲线。
在一些实施方案中，确定所述经预测电压参数包含训练所述数据处理硬件以产生所述电压测量或所述温度测量的最佳拟合。在一些实施方案中，通过所述数据处理硬件分别基于所述电压测量或所述温度测量的所述最佳拟合而预测所述经预测电压参数或所述经预测温度参数。
在一些实施方案中，所述方法包含通过所述数据处理硬件跟踪所述蓄电池系统的剩余可用容量。所述方法还可包含通过所述数据处理硬件确定所述蓄电池系统的电量状态或寿命循环中的一者。
本发明的另一方面提供一种系统，其包含数据处理硬件及存储器硬件。所述存储器硬件可与所述数据处理硬件通信且可存储当在所述数据处理硬件上执行时引起所述数据处理硬件执行操作的指令。所述操作包含从经配置以测量与具有将电力分配到一或多个消费者的发电厂的电力分配网络通信的蓄电池系统的电流的至少一个电流传感器接收电流测量。所述操作还包含从经配置以测量所述蓄电池系统的电压的至少一个电压传感器接收电压测量。所述操作进一步包含从经配置以测量所述蓄电池系统的温度的至少一个温度传感器接收温度测量。所述操作还包含基于所述经接收测量而确定所述蓄电池系统的阻抗参数，且基于所述经接收测量而确定所述蓄电池系统的温度参数。所述操作进一步包含基于所述阻抗参数而确定经预测电压参数，且基于所述温度参数而确定经预测温度参数。所述操作还包含命令所述蓄电池系统基于所述经预测电压参数及所述经预测温度参数而从所述发电厂充电或从所述发电厂放电。
本发明的此方面的实施方案可包含以下任选特征中的一或多者。在一些实施方案中，确定所述阻抗参数或所述温度参数包括确定在时间间隔[-t,t]中定义的时间序列f(t)的转移函数h(w)，其中t是大于零的整数。在复数域中将所述转移函数h(w)定义为：
其中w＝2πf，f是定义为t∈rn及f∈cn的所述经接收测量的时间序列的频率。所述转移函数h(w)可定义为输出变量y(t)与输入变量x(t)的傅立叶变换之间的比率，其中所述输出变量y(t)是所述阻抗参数或所述温度参数中的一者，且所述输入变量x(t)是所述经接收测量中的一或多者。离散域中的所述转移函数h(w)可确定为：
在一些实施方案中，确定所述经预测电压参数或所述经预测温度参数中的一者包含执行实施自回归模型的时间序列分析。所述自回归模型ar(p)可定义为：
其中
在一些实施方案中，命令所述蓄电池系统从所述发电厂充电包含命令所述蓄电池系统存储来自所述发电厂的电力。
在一些实施方案中，所述操作包含基于所述电压测量或所述温度测量而更新阻抗量变曲线、电压量变曲线或温度量变曲线。
在一些实施方案中，确定所述经预测电压参数包含训练所述数据处理硬件以产生所述电压测量或所述温度测量的最佳拟合。在一些实施方案中，所述操作包含分别基于所述电压测量或所述温度测量的所述最佳拟合而预测所述经预测电压参数或所述经预测温度参数。
在一些实施方案中，所述操作包含跟踪所述蓄电池系统的剩余可用容量且确定所述蓄电池系统的电量状态或寿命循环中的一者。
在一些实施方案中，确定所述阻抗参数或所述温度参数包含确定在时间间隔[-t,t]中定义的时间序列f(t)的转移函数h(w)，其中t是大于零的整数。在复数域中将所述转移函数h(w)定义为：
其中w＝2πf，f是定义为t∈rn及f∈cn的所述经接收测量的时间序列的频率。所述转移函数h(w)可定义为输出变量y(t)与输入变量x(t)的傅立叶变换之间的比率，其中所述输出变量y(t)是所述阻抗参数或所述温度参数中的一者，且所述输入变量x(t)是所述经接收测量中的一或多者。离散域中的所述转移函数h(w)可确定为：
在一些实施方案中，确定所述经预测电压参数或所述经预测温度参数中的一者包含执行实施自回归模型的时间序列分析。
在一些实施方案中，命令所述蓄电池系统从所述发电厂充电包含命令所述蓄电池系统存储来自所述发电厂的电力。
在一些实施方案中，所述操作包含基于所述电压测量或所述温度测量而更新阻抗量变曲线、电压量变曲线或温度量变曲线。
在一些实施方案中，确定所述经预测电压参数包含训练所述数据处理硬件以产生所述电压测量或所述温度测量的最佳拟合。确定所述经预测电压参数还可包含通过所述数据处理硬件分别基于所述电压测量或所述温度测量的所述最佳拟合而预测所述经预测电压参数或所述经预测温度参数。
在一些实施方案中，所述指令当在所述数据处理硬件上被执行时引起所述数据处理硬件跟踪所述蓄电池系统的剩余可用容量且确定所述蓄电池系统的电量状态或寿命循环中的一者。
在所附图示及下文描述中阐述本发明的一或多个实施方案的细节。从描述及图式且从权利要求书将明白其它方面、特征及优点。
附图说明
图1是实例电力分配网络的功能框图。
图2a是图1的电力分配网络的实例控制器的功能框图。
图2b是针对预测能量存储系统的性能的方法的操作的实例布置的示意图。
图2c是图1的电力分配网络的实例控制器的功能框图。
图3是实例人工神经网络的功能框图。
图4是从蓄电池系统传感器获得的实例输入电流的图表。
图5是自训练且测试图3的神经网络预测的实例电压的图表。
图6a是从训练且测试图3的神经网络预测的实例温度的图表。
图6b是从训练且测试图3的神经网络预测的实例剩余容量的图表。
图6c是图6b的图表的部分的详细视图。
图7是从蓄电池系统传感器获得的实例输入电流的图表。
图8是使用耶勒-沃克(yule-walker)方法预测的实例电压的图表。
图9是使用耶勒-沃克方法预测的实例温度的图表。
图10是蓄电池系统与其直接外部环境之间的实例热交换的功能框图。
图11是与充电循环相关联的最大温度及最小温度的实例计算的图表。
图12是与充电循环相关联的热容量及热的实例预测的图表。
图13a是与充电循环相关联的实例电流频率调节量变曲线的图表。
图13b是与充电循环相关联的实例电压频率调节量变曲线的图表。
图14是与充电循环相关联的经预测数据与经测量数据之间的实例比较的图表。
图15a是实例功率量变曲线的图表。
图15b是使用图15a中展示的功率量变曲线的功率训练数据测量且预测的实例电压的图表。
图16是实例功率及其相关联电量状态的图表。
图17是实例电压量变曲线及最小截止电压的图表。
图18提供针对预测未来蓄电池系统参数的方法的操作的实例布置的示意图。
图19是执行本文中描述的任何系统或方法的实例运算装置的示意图。
各种图式中的相同元件符号指示相同元件。
具体实施方式
图1说明实例电力分配网络100，其经配置以将电力从发电厂110传输到能量存储系统120且到个别消费者130。能量存储系统120包含与可再充电蓄电池系统124通信的蓄电池管理系统(bms)122。蓄电池系统124包含经配置以从发电厂110捕获电力且存储电力用于在后续时间分配的电力存储装置(例如，蓄电池)。可再充电蓄电池系统124将电能大规模地存储于电力分配网络100内。在一些实例中，针对包含多个蓄电池的大蓄电池系统124，蓄电池整体的行为与个别蓄电池的平均行为相同。
供应电的成本在一天的进程期间变化。因而，电力分配网络100上的电的批发价格反映从发电厂110供应电的实时成本。举例来说，电需求在下午及傍晚(尖峰时间)通常是最高的，且提供电的成本在这些时间通常更高。通常来说，大多数消费者130基于提供电的季节平均成本支付价格。因此，消费者130不注意电价格的每日波动。因而，可期望具有经配置以在非尖峰时间期间存储电且在尖峰时间期间分配经存储电以减少对发电厂110的需求的电力分配网络100。在一些实例中，能量存储系统120存储是断续性的再生能量(例如通过风及太阳能产生的能量)，且因此，可再充电蓄电池系统124存储断续性再生能量以将平稳的电提供到消费者130。消费者130可包含家庭消费者130a、工厂消费者130b、商业消费者130c或从电力分配网络100接收电力的任何其它消费者中的一或多者。
bms122管理可再充电蓄电池系统124且保护蓄电池免于在安全操作状态之外操作。另外，bms122(例如)通过监测蓄电池系统124的电压、温度及电流而监测蓄电池系统124的性能。因此，bms122可将经监测数据报告到控制器200。在一些实例中，bms122在将数据发送到控制器200之前对经监测数据执行计算；而在其它实例中，bms122将原始数据发送到控制器200。
能量存储系统120可为经由网络10与控制器200通信。网络10可包含各种类型的网络，例如局域网(lan)、广域网(wan)，及/或因特网。控制器200从bms122(例如，从与能量存储系统120的蓄电池系统124相关联的传感器123)接收数据，且监测传感器123以预测蓄电池系统124的性能。因而，控制器200执行从传感器123接收的数据126的序列分析。
另外参考图2a及2b，从传感器123接收的数据126的初始循环被视为学习循环或学习参数，其用于预测阻抗/电阻量变曲线(在阻抗转移函数242处)，所述阻抗/电阻量变曲线经应用以预测电压(在电压预测252b处)及温度(在温度预测254b处)。由于控制器200(例如)经由网络10从传感器123连续接收数据126，所以控制器200连续更新电阻的量变曲线，及因此电压及温度的量变曲线。因而，控制器200可执行用以预测蓄电池系统124的性能的算法，且使用经预测度量来将bms的电力投标到市场。
如下文将更详细描述，由本文中描述的算法利用的学习循环或学习参数允许控制器200预测蓄电池系统124的未来性能，以避免其失效，且准确并有效地指示bms122将能量传输到蓄电池系统124，用于存储或从蓄电池系统124传输能量用于使用。举例来说，通过利用先前产生的数据126，算法允许bms122预测蓄电池系统124的未来性能且做出决策(例如，指示蓄电池系统124存储电力或放电)，以增加能量存储系统120的效率及寿命。算法对学习循环的利用允许bms122向从传感器123传输的先前产生的数据126学习，以便构造预测蓄电池系统124的未来性能的准确模型。相对于依赖严格、静态规则的蓄电池管理系统，由bms122进行的预测及决策增加蓄电池系统124的效率及寿命。举例来说，基于先前产生的数据126的模型化及优化来增加数据126的量化测量的准确度，同时响应于数据126的改变而调整决策及结果确保数据126的准确测量及解释。稳健编程协议或程序(例如，c++程序)的利用减少了控制器200执行本文中描述的算法所需的时间量。
控制器200包含存储指令的存储器硬件210，及执行用以执行一或多个操作的指令的数据处理硬件220。存储器硬件210可为用于在临时或永久基础上存储程序(例如，指令序列)或数据(例如，程序状态信息)以供运算装置使用的物理装置。非暂时性存储器可为易失性，及/或非易失性可寻址半导体存储器。非易失性存储器的实例包含(但不限于)快闪存储器及只读存储器(rom)/可编程只读存储器(prom)/可擦除可编程只读存储器(eprom)/电子可擦除可编程只读存储器(eeprom)(例如，通常用于固件，例如启动程序)。易失性存储器的实例包含(但不限于)随机存取存储器(ram)、动态随机存取存储器(dram)、静态随机存取存储器(sram)、相变存储器(pcm)以及磁盘或磁带。
数据处理硬件220可与存储器硬件210通信，且可执行用以执行一或多个操作的指令。在一些实施方案中，数据处理硬件220执行初始循环提取函数230、转移函数计算函数240及预测函数250。经执行函数230、240、250使用经捕获传感器数据126来预测能量存储系统120(具体来说，bms122)的未来性能。
在一些实施方案中，bms122包含与蓄电池系统124相关联的电流传感器123a、电压传感器123b及温度传感器123c。数据处理硬件220从电流传感器123a、电压传感器123b及温度传感器123c中的每一者分别接收传感器信号126a、126b、126c。
训练数据选择
在数据处理硬件220上执行的初始循环提取函数230、转移函数计算函数240及预测函数250可随着从bms122接收更多信号数据126而演进且更新。因而，函数230、240、250的核心是基于包含在时间间隔[t,t+n]中使用来自传感器123的由bms122记录的历史信号数据126以在循环t+n+1处预测数据的演进训练过程，其中t是当前时间且n是大于零的正数。
一旦数据处理硬件220接收传感器数据信号126，数据处理硬件220便执行定义与传感器123a、123b、123c中的每一者相关联的不同数据信号126之间的数学关系的成本函数。因此，由于每n个循环重新浏览历史信号数据126的选择，所以训练数据连续演进。历史信号数据126的此连续更新允许控制器200在其循环方案期间捕获信号数据126的改变。训练因子的优化可取决于在考虑中的bms的特性。
转移函数
如图2c中展示，控制器200接收输入变量(即，传感器信号126a、126b、126c)且使用从训练数据选择函数230输出的训练参数128a、128b、128c输出预测输出变量270a、270b。更具体来说，输入-输出关系可定义为控制器200的转移函数(即，阻抗转移函数242及温度转移函数244)。
在连续域中，通过以下方程式给定在时间间隔[-t,t]中定义的时间序列f(t)的傅立叶变换h(w)，其中t是大于零的整数：
其中w＝2πf，f是时间序列t∈rn及f∈cn的频率。在复数域中定义h(w)。
由控制器200执行的转移函数h(w)(即，阻抗转移函数242及/或温度转移函数244)是输出变量y(t)与输入变量x(t)的傅立叶变换之间的比率且在离散域中被定义为：
针对电压预测，转移函数被定义为
针对温度预测，转移函数被定义为:
在一些实例中，控制器200使用转移函数h(w)(例如，转移函数计算函数240)的输出来训练神经网络300(图3)且测试用于预测。在傅立叶域中将转移函数h(w)定义为复向量，其具有两个部分：量值|h|及相位
通过以下展示转移函数h(w)的量值|h|：
其中hreal及himage是转移函数h(w)的实部及虚部。
通过以下展示转移函数h(w)的相位
转移函数h(w)的量值|h|及相位
将转移函数h(w)应用到为电压/电流270a(阻抗函数242)及温度/电流270b(温度函数244)的两个单独转移函数。转移函数h(w)(例如，转移函数计算函数240)输出训练参数128(即，阻抗训练参数128b/128a及温度训练参数128c/128a)。
预测
预测函数250使用电流传感器数据126a来预测电压及温度(经预测电压272a、经预测温度272b)，其中在训练数据选择230中使用电压及温度270a、270b的先前记录值。预测函数250包含训练步骤252及测试步骤254。另外，将预测函数250分开应用到电压及温度中的每一者。预测函数250包含匹配训练阻抗数据252a、匹配训练温度数据254a、预测电压252b及预测温度254b的步骤。
预测：训练步骤
在训练步骤252a、254a期间，针对历史训练数据126训练控制器200以产生训练数据126的拓扑的最佳拟合且接着使用所述训练实体来预测未来bms数据272。一般来说，任何学习机器需要数据128的代表性实例以便捕获允许其一般化到新或经预测情况的基础结构。因而，控制器200可被视为自适应性滤波，这是因为其仅取决于数据128的固有结构。在一些实施方案中，训练步骤252a、254a包含相对于历史训练数据126交叉验证经预测bms数据272以最小化收敛误差。
如下文将更详细解释，在一些实施方案中，通过运用控制器200来组合(例如)来自传感器(例如，分别为电流传感器123a、电压传感器123b或温度传感器123c)中的每一者的输入(例如，电流信号126a、电压信号126b或温度信号126c)而优化训练步骤252a、254a以便降低学习循环量。举例来说，训练步骤252a、254a可仅使用前五个学习循环作为输入来收敛为最小收敛误差。
表(1)展示经测量数据(例如，电流信号126a、电压信号126b或温度信号126c)与经预测数据(例如，经预测bms数据272)之间的均方误差(mse)，其中在训练步骤期间最小化误差。
表(1)
准确预测蓄电池系统124的剩余放电时间允许就蓄电池系统124的数个充电-放电循环来跟踪蓄电池系统124的健全状况。
预测：测试步骤
在测试步骤252b、254b期间，控制器200使用在训练步骤252a、254a期间捕获的整体结构(即，训练数据126的拓扑的最佳拟合)来预测新数据272。测试步骤252b、254b类似于训练步骤252a、254a。然而，在测试步骤252b、254b中，将电流传感器数据126a用作输入。
预测：电压预测
电压预测函数252包含训练步骤252a及测试步骤252b。控制器200将电压预测函数252应用到电压数据126b及温度数据126c两者。将电流信号126a视为电压预测函数252的已知变量。在一些实例中，可使用欧姆定律，从蓄电池系统124的电力确定电流信号126a。欧姆定律陈述，在两个点之间通过导体的电流是直接地与跨所述两个点的电压成正比，即，i＝v/r，其中i是以安培为单位的通过导体的电流，v是以伏特为单位的跨导体测量的电压，且r是以欧姆为单位的导体的电阻。然而，控制器200在应用欧姆定律之前确定电阻/阻抗。
预测：温度预测
温度预测函数254包含训练步骤254a及测试步骤254b。热(或温度)是影响能量存储系统120的蓄电池系统124的健全状况的重要参数。因此，随着时间跟踪蓄电池系统124的温度是重要的。
预测：计算
控制器200通过使用时间序列分析来确定预测函数250。时间序列是从连续相等间隔的时间点得到的数据点序列(即，来自传感器123的传感器数据126a、126b、126c)。因此，时间序列是离散时间数据序列。时间序列分析包含一种用于分析时间序列数据以提取有意义的统计数据及时间序列数据的其它特性的方法。为了预测所关注参数(即，电压及温度)，控制器200在时间序列上采用自回归(ar)模型。ar模型是一种类型的随机过程的表示，因而，其描述自然界、经济学等中的某些时变过程。ar模型指定输出变量线性取决于其自身的先前值及随机项(不可完美预测的项)。因此，模型呈随机差分方程式的形式。
符号ar(p)指示阶数p的自回归模型。将ar(p)模型定义为：
其中
一旦输出训练参数128，便使用训练参数128来预测新数据。在一些实例中，控制器200通过执行神经网络方法、经验递归方法或耶勒-沃克方法中的一者来确定ar模型时间序列预测的最优解。
神经网络方法
人工神经网络(ann)是受生物神经网络(例如动物的中枢神经系统及特定来说，脑)启发的模型族。ann用于估计或大致估算可取决于大量输入且通常未知的函数。在一些实例中，使用三个分量定义ann：架构规则、活动规则及学习规则。ann的架构规则指定在网络及其拓扑关系中涉及的变量。活动规则定义神经元的活动如何响应于彼此而改变。学习规则指定神经网络的权利随着时间改变的方式(见图3)。
参考图3，在一些实施方案中，可将神经网络300视为具有以下基本形式的非线性系统：
f(x，w)＝y；(6)
其中x是向网络呈现的输入向量，w是网络的权重向量，且y是由网络大致估算或预测的对应输出向量。权重向量w通常首先按层、接着按神经元、且最终按每一神经元的权重加上其偏倚而进行排序。
在一些实例中，控制器200使用李文博格-马夸特(levenberg-marquardt)算法来求解神经网络300的非线性系统。李文博格-马夸特算法(lma)还称为阻尼最小平方(dls)方法，且用于求解非线性最小平方问题。李文博格-马夸特算法是：
(jtj+γi)δ＝jte(7)
其中j是系统的贾克比(jacobian)矩阵，γ是李文博格阻尼因子，δ是控制器200正在确定的权重更新向量，且e是含有训练网络上的每一输入向量的输出误差的误差向量。
其中f(xi，w)网络函数是使用权重w针对训练集的第i个输入向量予以评估且wj是网络的权重向量w的第j个元素。
针对神经网络300，使用链式法则(chainrule)及激活函数(activationfunction)的第一导数大致估算贾克比矩阵。链式法则是用于计算两个或两个以上函数的合成的导数的公式。举例来说，如果f及g是函数，那么链式法则表达其合成的导数。
后向传播神经网络(bpn)是其中输入数据与所要输出一起供应的监督式学习算法。bpn具有两个隐藏层。bpn在训练时期期间学习。在此情况中，bpn使用0.5的动量及0.5的学习率经过1000个时期(epoch)以收敛到其中最小化误差的最优解。针对每一项目的训练时期由以下步骤组成：将输入数据馈送到网络中；初始化权重；针对所要值及反馈误差检查输出；计算误差；及更新使用李文博格-马夸特方法计算的神经元之间的权重。可使用正规化贝氏方法论将特征选择应用于bpn(例如，神经网络300)的输入层上以减少冗余且确保输出的更好的准确度。
在隐藏层及输出层的神经元的每一激活处，加权总和经计算且通过定义为以下的激活函数：
将最小化误差的最终调整函数映射到新输入数据以预测新变量(例如电压及温度)。
图4展示从蓄电池系统传感器123a获得的实例输入电流数据126a的图表。图5展示来自使用从图4中展示的蓄电池系统传感器123a获得的输入电流数据126a训练且测试神经网络的实例经预测电压数据272a的图表。另外，图6a展示来自使用从图4中展示的蓄电池系统传感器123a获得的输入电流数据126a训练且测试神经网络的实例经预测温度数据272b的图表。
在一些实施方案中，控制器200组合来自传感器(例如，分别为电流传感器123a、电压传感器123b或温度传感器123c)中的每一者的输入(例如，电流信号126a、电压信号126b或温度信号126c)且将组合输入应用为输入特征以训练神经网络300。图6b及6c展示使用bpn预测的实例剩余容量的图表。经预测剩余容量可对应于使用组合输入训练且测试神经网络300，如先前描述。在一些实施方案中，经预测剩余容量可对应于基于能量存储系统120完成的电量确定的能量存储系统120的放电模式期间的经预测剩余容量。基于经预测剩余容量测量，控制器200可跟踪能量存储系统120(例如，蓄电池系统124)中的剩余可用容量以确定能量存储系统120(例如，蓄电池系统124)的电量状态或寿命循环。
经验递归方法
在一些实例中，控制器200通过使用初始循环的传感器数据126中的一些而预测未来测量。控制器基于阶数n的已知ar模型而估计序列参数。
定义此操作的方程式如下：
其中
β＝μ(1-α2)；(10b)
且
且其中yk是第k个时间序列，y1是初始循环时间序列，α及β分别是斜率及截距。y1可表示至多十个循环的初始循环且可在在线过程中更新以调整其值。
在此方法中，考虑初始循环以计算算法的参数。考虑方程式(9)及方程式(10)，控制器200可预测未来数据。经验自回归模型在计算方程式(9)及方程式(10)中暴露的参数方面正在演进。将初始测量y1(电压或温度)视为先前测量的平均值。还将斜率及截距视为先前斜率及截距的平均值。此方法随着循环而演进且更新参数以确定新值。
耶勒-沃克方法
耶勒-沃克方程式通过使用经估计值取代理论协方差而提供估计ar(p)模型的参数的若干路线。耶勒-沃克方程式包含计算先前步骤测量的自相关系数，且接着应用所述系数以预测后续测量。求解ar(p)模型的方程式的耶勒-沃克集是：
此方法是自回归的且被描述为：
其中基于以下方程式计算系数
在已知先前步骤的自相关系数γk的情况下，控制器200可确定
图7展示通过蓄电池系统传感器123a获得的实例输入电流传感器数据126a的图表。图8展示使用耶勒-沃克方法预测的实例电压数据272a的图表；而图9展示使用耶勒-沃克方法预测的实例温度数据272b的图表。
bms性能度量的量化
如解释，控制器200可使用三种数学技术中的一者来确定经预测数据/参数272(即，经预测电压数据272a及经预测温度数据272b)。所描述数学技术中的每一者可输出与其它数学技术不同的预测参数272。因而，以下论述证实控制器200可实施的所描述数学技术的不同性能度量。
第一热力学定律陈述，能量可使用热、功及内部能量的相互作用而从一种形式转换为另一形式，但其无法被产生或破坏。数学上，将这表示为：
e＝w+q(12)
其中e是系统(即，蓄电池系统124)的内部能量的总改变，q是在蓄电池系统124与其周围之间交换的热，且w是由蓄电池系统124所做的功。
热容量(heatcapacity)c(还称为热容量(thermalcapacity))是等于添加到对象(或从对象去除)的热对所得温度改变的比率的可测量物理量。控制器200可从以下方程式确定蓄电池系统124的热容量：
δe＝δw+δq(13)
在完整充电或放电循环δe＝0内，使得：
通过以下方程式给定在循环处的蓄电池系统124的热容量c：
其中
其中
其中k是因子，tmean是温度上升处的平均温度，且tambient是蓄电池系统124的外部环境的环境温度。图11说明与每一循环i相关联的最大温度及最小温度的实例计算的图表；而图12说明使用热力学方程式及方程式(12-16b)的导数的热容量及热的实例预测的图表。热效率可定义为所利用的热对电产生的总热的比率。能量效率(还称为热效率)是测量且定义为：
其中c、δt、
验证
在一些实施方案中，控制器200可运用从传感器123收集的数据126，使用均方误差(mse)方程式验证经预测数据272a、272b：
其中
使用情况
下文两个使用情况展示控制器200用于预测经预测值272以维持能量存储系统120的平稳起作用以及改进其效率的算法的准确度。然而，可在与能量市场相关联的任何使用情况中使用所论述算法。
使用情况1：频率调节
频率调节是在逐秒基础上的电力的注入及提取以维持阈值频率。更具体来说，电力网使用按特定频率(例如，对于美国为60hz，且对于欧洲及亚洲为50hz)振荡的交流电(ac)将电力从发电厂110传输到终端用户。电力产生与使用之间的间隙引起电网频率改变。如果需求高于供应，那么频率将下降，从而导致暂时低压及停电。如果发电厂110产生多于消费者130正在使用的电力，那么频率上升，从而潜在地损害电网或插入其中的电装置。
归因于高可变再生资源的近期增加及消费者侧的需求的增加的变异性，电力分配网络100中的频率波动也已增加。因而，网络100必须连续平衡能量供应及需求以便维持一致电力频率。因此，控制器200可预测通过电力的恒定逐秒调整而帮助调节经分配电力的频率以维持网络频率且因此在使用上文论述的函数的同时确保网络100稳定性的方式。在一些实例中，能量存储系统120通过实施频率调节而帮助电力分配网络100改进网络100的电力质量。图13a说明实例电流频率调节量变曲线的图表；而图13b说明实例电压频率调节量变曲线的图表。
来自发电厂的电力分配的高频率振荡是必要的，其补偿归因于总网络负载的高振荡的网络电压频率的偏差。在一些实例中，施加高频率电力信号以调整蓄电池系统124的输出/输入以补偿总网络电力负载的未预期增加或减少，从而允许对电力质量问题的近瞬时校正是有益的。
当施加高频率电力时，在一些实例中，网络10经历电压的下降。电压的此下降通常在放电期间发生。举例来说，当能量存储系统120达到最小电压(0％电量状态)时，将发电厂110应用到蓄电池系统124以快速达到满充电(100％电量状态(soc))且允许蓄电池系统124正常起作用。预测此0％soc状态是重要的，其允许消费者130预期蓄电池系统124的可用性。
在一些实例中，控制器200使用用以数学上定义电压下降的预定义固定值。预定义固定值可等于350v。所建议算法的目标是预测显现小于或等于固定阈值(例如，350v)的值的全部电压(即，电压预测数据272a)。在图14中显示算法的结果以及经测量数据。图14的视觉检验指示经预测结果(即，电压预测数据272a)在很大程度上匹配经测量数据。
为了量化经预测数据272与经测量数据之间的差异，可如方程式(19)中定义那样计算均方根误差(rmse)：
在此情况中，建议rmse等于1.26％，其导致近似98.7％的准确度。将准确度定义为：
准确度＝(100-rmse)％(20)
上文参考图1到图14描述的预测算法在面对这种类型的使用情况时在管理及监测蓄电池系统124的许多方面可为有益的。举例来说，预测算法基于准确特征选择而提供准确、快速、优化方法以改进经预测数据272的准确度。预测算法可提供允许bms122实时调整蓄电池系统124的充电及放电方案的反馈。换句话说，预测算法提供相对于预定义电力要求的电压下降的时间及电压的量值。
在一些实施方案中，控制器200基于多个机器学习算法的组合而使用评分方法论以预测蓄电池系统124的soc。举例来说，控制器200可使用模糊逻辑方法、支持向量机器或深度神经网络(例如，神经网络300)中的一者来准确预测蓄电池系统124的soc。在这方面，可如方程式(21)中定义那样计算在时间t处的蓄电池系统124的soc：
soc(t)＝soc(t0)+γ*∫p(t)charge*δtdt+∫p(t)discharge*δtdt(21)
其中soc(t)是时间t处的soc，p(t)charge是蓄电池系统124的充电模式中的经预测电力，p(t)discharge是蓄电池系统124的放电模式中的经预测电力，且γ是经预测效率。
在一些实施方案中，控制器200使用按比例调整方法论来在百分之零与百分之百之间按比例调整soc以允许操作者可视化且跟踪蓄电池系统124的可用电容量且改变bms系统122。
使用情况2：日前市场
在一些实施方案中，供电的成本在一天的进程期间变化。因而，电力分配网络100上的电的批发价格反映用于从发电厂110供应电的实时成本。举例来说，电需求在下午及傍晚(尖峰时间)通常是最高的，且提供电的成本在这些时间通常更高。此使用情况考虑蓄电池系统124在日前现货市场处在低价格小时期间充电且接着在高价格小时期间放电。此使用情况用于确定能量存储系统120在出于市场投标目的在不同电力水平下放电时的性能。
在图15a中提供电力量变曲线“日前市场”使用情况的实例。如展示，蓄电池系统124在恒定电力(例如，约时间0到0.25)下充电，接着使用不同电力(例如，约大于2.25的时间)放电以满足来自能量市场的高需求。针对蓄电池系统124的每一蓄电池重复此操作。
出于分析的目的，图15b说明经测量电压及经预测电压的图表。如可注意，预测数据272完美拟合经测量数据。针对此实例，建议rmse等于0.026％。因而，这导致接近100％的准确度。考虑图16，其说明两个图表a、b，第一图表a是蓄电池系统124的功率/时间的图表，且第二图表b是蓄电池系统124的soc百分比/时间，可注意，归因于高功率放电(例如，约大于2.5的时间)，soc％降低。此降低在4kw处最明显，其中soc下降到60％。
参考图17，上文描述的预测算法还可预测最小截止电压。这对应于电压下限，其可用于初始化允许蓄电池系统124正常起作用，且因此增加其寿命循环的新充电方案。
因此，上文论述的预测算法可提前提供重要且有益的测量。一些重要及有益测量可包含取决于市场需求在不同功率下的放电的剩余持续时间。其它重要及有益测量可包含在保持蓄电池系统124平稳运行时监测蓄电池系统124的放电所需的电压、最小截止电压及soc。因而，分配网络100向消费者130提供蓄电池系统124的状态信息及系统能力的完整阵列。
在一些实例中，从时域中的基函数或基变量的最小集计算蓄电池设施的商业相关性质。根据上文描述的网络100，能量效率是能够在未来预测的蓄电池设施的最重要性质，这是因为其直接驱动设施的获利能力且驱动能量存储资产的投标策略。因而，网络100经配置以仅从历史时间相依电流及时间相依环境温度确定能量存储设施的前向预测能源效率。所描述的方法经配置以确定每一能量存储设施的时间不变量集或缓慢时变参数且使用其来在给定假定电流及温度量变曲线的情况下前向预测性能。招标软件应用可询问bms122若干不同可能未来负载量变曲线的效率且接着选择最有利可图项。完成这的最佳基函数似乎是电流、环境温度、电流及温度的第一导数及第二导数以及温度及电流的第一积分及第二积分的集的排列。
图18提供针对预测未来蓄电池系统参数的方法1800的操作的实例布置的示意图。在操作1802处，方法1800包含在数据处理硬件处从经配置以测量与具有将电力分配到一或多个消费者的发电厂的电力分配网络通信的蓄电池系统的电流的至少一个电流传感器接收电流测量。在操作1804处，方法1800包含在数据处理硬件处从经配置以测量蓄电池系统的电压的至少一个电压传感器接收电压测量。在操作1806处，方法1800包含在数据处理硬件处从经配置以测量蓄电池系统的温度的至少一个温度传感器接收温度测量。在操作1808处，方法1800包含通过数据处理硬件基于经接收测量而确定蓄电池系统的阻抗参数。在操作1810处，方法1800包含通过数据处理硬件基于经接收测量而确定蓄电池系统的温度参数。在操作1812处，方法1800包含通过数据处理硬件基于阻抗参数而确定经预测电压参数。在操作1814处，方法1800包含通过数据处理硬件基于温度参数而确定经预测温度参数。在操作1816处，方法1800包含通过数据处理硬件命令蓄电池系统基于经预测电压参数及经预测温度参数而从发电厂充电(例如，存储电力)或从发电厂放电。举例来说，在操作1816处，方法1800可包含通过数据处理硬件命令蓄电池系统基于经预测电压参数及经预测温度参数而从发电厂存储电力或从发电厂放电。
图19是可用于实施本文献中描述的系统及方法的实例运算装置1900的示意图。运算装置1900希望表示各种形式的数字计算机，例如膝上型计算机、台式计算机、工作站、个人数字助理、服务器、刀锋型服务器、主机及其它适当计算机。此处展示的组件、其连接及关系及其功能仅表示实例的且不希望限制本文献中描述及/或主张的本发明的实施方案。
运算装置1900包含处理器1910、存储器1920、存储装置1930、连接到存储器1920及高速扩展端口1950的高速接口/控制器1940以及连接到低速总线1970及存储装置1930的低速接口/控制器1960。组件1910、1920、1930、1940、1950及1960中的每一者使用各种总线互连，且可安装于共同主板上或视需要以其它方式安装。处理器1910可处理用于在运算装置1900内执行的指令，包含存储于存储器1920中或存储装置1930上的用以在外部输入/输出装置(例如耦合到高速接口1940的显示器1980)上显示用于图形用户接口(gui)的图形信息。在其它实施方案中，可视需要使用多个处理器及/或多个总线，连同多个存储器及多个类型的存储器。又，多个运算装置1900可与提供必要操作的部分的每一装置连接(例如，作为服务器库、刀锋型服务器群组或多处理器系统)。
存储器1920在运算装置1900内非暂时性地存储信息。存储器1920可为计算机可读媒体、(若干)易失性存储器单元或(若干)非易失性存储器单元。非易失性存储器1920可为用于在临时或永久基础上存储程序(例如，指令序列)或数据(例如，程序状态信息)以供运算装置1900使用的物理装置。非易失性存储器的实例包含(但不限于)快闪存储器及只读存储器(rom)/可编程只读存储器(prom)/可擦除可编程只读存储器(eprom)/电子可擦除可编程只读存储器(eeprom)(例如，通常用于固件，例如启动程序)。易失性存储器的实例包含(但不限于)随机存取存储器(ram)、动态随机存取存储器(dram)、静态随机存取存储器(sram)、相变存储器(pcm)以及磁盘或磁带。
存储装置1930能够为运算装置1900提供大容量存储。在一些实施方案中，存储装置1930是计算机可读媒体。在各种不同实施方案中，存储装置1930可为软盘装置、硬盘装置、光盘装置或磁带装置、快闪存储器或其它类似固态存储器装置、或包含呈存储区域网络或其它配置的装置的装置阵列。在额外实施方案中，计算机程序产品有形地体现于信息载体中。计算机程序产品含有当经执行时执行一或多个方法(例如上文描述的方法)的指令。信息载体是计算机或机器可读媒体，例如存储器1920、存储装置1930或处理器1910上的存储器。
高速控制器1940管理针对运算装置1900的带宽密集型操作，而低速控制器1960管理较低带宽密集型操作。功能的此分配仅是实例。在一些实施方案中，高速控制器1940耦合到存储器1920、显示器1980(例如，经由图形处理器或加速器)，且耦合到可接收各种扩充卡(未展示)的高速扩充端口1950。在一些实施方案中，低速控制器1960耦合到存储装置1930及低速扩充端口1970。可包含各种通信端口(例如，usb、蓝牙、以太网络、无线以太网络)的低速扩充端口1970可耦合到一或多个输入/输出装置(例如键盘、定点装置、扫描仪)或(例如，经由网络适配器耦合到)网络装置(例如交换器或路由器)。
可以若干不同形式实施运算装置1900，如图中展示。举例来说，运算装置1900可实施为标准服务器1900a或多次实施在此类服务器1900a的群组中作为膝上型计算机1900b或作为机架式服务器系统1900c的部分。
可在数字电子及/或光学电路、集成电路、特别设计的asic(专用集成电路)、计算机硬件、固件、软件及/或其组合中实现本文中描述的系统及技术的每一个实施方案。这些各种实施方案可包含可在可编程系统上执行及/或解释的一或多个计算机程序中的实施方案，所述可编程系统包含经耦合以从存储系统、至少一个输入装置及至少一个输出装置接收数据及指令，且将数据及指令传输到存储系统、至少一个输入装置及至少一个输出装置的至少一个可编程处理器(可为专用或通用的)。在一些实施方案中，以使用优化及快速openmp类别及函数的c++实施包含本文中描述的算法的计算机程序。
这些计算机程序(还称为程序、软件、软件应用或代码)包含用于可编程处理器的机器指令，且可以高阶程序及/或面向对象编程语言及/或以组合/机器语言实施。如本文中使用，术语“机器可读媒体”及“计算机可读媒体”是指用于将机器指令及/或数据提供到可编程处理器(包含接收机器指令作为机器可读信号的机器可读媒体)的任何计算机程序产品、非暂时性计算机可读媒体、设备及/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(pld))。术语“机器可读信号”是指用于将机器指令及/或数据提供到可编程处理器的任何信号。
本说明书中描述的过程及逻辑流程可由一或多个可编程处理器执行，所述一或多个可编程处理器执行一或多个计算机程序以通过对输入数据操作且产生输出而执行功能。过程及逻辑流程还可由专用逻辑电路(例如，fpga(现场可编程门阵列)或asic(专用集成电路))执行。适合于执行计算机程序的处理器包含(通过实例)通用微处理器及专用微处理器两者及任何类型的数字计算机的任何一或多个处理器。一般来说，处理器将从只读存储器或随机存取存储器或两者接收指令及数据。计算机的关键元件是用于执行指令的处理器及用于存储指令及数据的一或多个存储器装置。一般来说，计算机将还包含用于存储数据的一或多个大容量存储装置(例如，磁盘、磁光盘或光盘)，或经可操作地耦合以从一或多个大容量存储装置接收数据或将数据传送到一或多个大容量存储装置或两者。然而，计算机无需具有此类装置。适合于存储计算机程序指令及数据的计算机可读媒体包含全部形式的非易失性存储器、媒体及存储器装置，包含(通过实例)半导体存储器装置，例如，eprom、eeprom及快闪存储器装置；磁盘，例如，内部硬盘或可抽换式磁盘；磁光盘；及cdrom及dvd-rom磁盘。处理器及存储器可辅以专用逻辑电路或并入专用逻辑电路中。
为提供与用户的交互，本发明的一或多个方面可实施于计算机上，所述计算机具有：用于将信息显示给用户的显示装置，例如，crt(阴极射线管)、lcd(液晶显示器)监视器或触控屏幕；及任选地，键盘及定点装置，例如，鼠标或轨迹球，通过其用户可将输入提供到计算机。还可使用其它种类的装置来提供与用户的交互；例如，提供到用户的反馈可为任何形式的感觉反馈，例如，视觉反馈、听觉反馈或触觉反馈；且可以任何形式接收来自用户的输入，包含声学、语音或触觉输入。另外，计算机可通过将文件发送到由用户使用的装置且从所述装置接收文件而与用户交互；例如，通过响应于从用户的客户端装置上的网页浏览器接收的请求而将网页发送到网页浏览器。
已描述数个实施方案。然而，应理解，可在不脱离本发明的精神及范围的情况下进行各种修改。因此，其它实施方案在所附权利要求书的范围内。
- 还没有人留言评论。精彩留言会获得点赞！