CN106772065A - 基于最小二乘支持向量机的微电网储能soc估算方法和*** - Google Patents

Abstract

本发明公开一种基于最小二乘支持向量机的微电网储能SOC估算方法和***，其首先利用包含储能***的微电网实验平台，测量得到储能***在充放电过程中的电压、电流、温度及SOC数据序列；再根据测量数据得到最小二乘支持向量机的训练集和测试集样本；然后利用交叉验证方法选择最小二乘支持向量机的训练集的最优训练参数，进而得到训练模型；再利用测试集对训练模型进行测试并对结果进行评价，最后即可利用训练模型对微电网相应类型的储能***进行SOC估算确定。本发明方法可克服传统SOC计算方法的缺点，为储能***的充放电控制提供依据，防止蓄电池深度充放电，从而提高蓄电池寿命及微电网运行的安全性。

Description

基于最小二乘支持向量机的微电网储能SOC估算方法和***

技术领域

本发明涉及微电网储能技术领域，特别是一种适用于多能源微电网的基于最小二乘支持向量机的微电网储能SOC估算方法和***。

背景技术

随着新一轮电改方案的逐步落实，售电侧市场将放开，将大大拓展微电网的发展空间。微电网是通过控制***、储能***协调平衡多种分布式能源，平时与大电网并联，富余电力输入大电网或储能***，发电不足时从大电网购入电力或使用存储的电力，当遇到大电网发生故障时则快速解列，孤网运行，保障主要负荷。微电网***中储能的成本较高，考虑到微网运行的经济成本，应在保证微网***安全运行的情况下，尽量延长储能的寿命。蓄电池是目前微网***中最常用的储能形式，电池荷电状态(SOC)是储能***充放电控制中的一个重要参考量，影响着储能***的安全运行及使用寿命。

由于储能SOC和很多因素相关且具有很强的非线性，储能SOC实时估算具有很大的困难。目前，蓄电池SOC的测量方法有放电实验法、安时法、开路电压法、内阻测量法、线性模型法及神经网络法等。其中放电实验法及内阻测量法在实际工程中不适用；安时法应用广泛，但需要知道初始SOC大小，且随着时间的积累，误差会越来越大；开路电压法精度高、简单，但是需要静置较长时间后才能得到稳定的开路电压值；内阻测量法只考虑蓄电池的放电电流和内阻两个基本的因素，计算精度有限，难以对蓄电池容量进行准确的估计；线性模型法适用于低电流、SOC缓变的情况，变电流情况的估计效果要进一步研究；神经网络法基于经验风险最小化，有时会陷入局部最小值，结构参数难以确定，缺少适当的理论指导。

发明内容

本发明要解决的技术问题为：利用最小二乘支持向量机，通过挖掘已知数据的规律，实现对未知储能SOC的估算确定，减小计算误差，同时可提高蓄电池的寿命和微电网运行的安全性。

本发明采取的技术方案具体为：基于最小二乘支持向量机的微电网储能SOC估算方法，包括以下步骤：

利用微电网储能实验平台获取储能***在充放电过程中产生的实验数据；

基于获取的实验数据，得到最小二乘支持向量机训练模型的训练集样本和测试集样本；

基于所述训练集样本，获得最小二乘支持向量机的最优训练参数；

基于得到的最优参数，利用训练集样本对最小二乘支持向量机进行训练，得到最小二乘支持向量机的训练模型；

利用测试集样本对得到的训练模型进行测试，评价利用上述训练模型计算SOC是否有效；

若训练模型测试有效，则利用得到的最小二乘支持向量机训练模型对微电网中相应类型储能***的SOC进行计算，以确定微电网储能SOC。

利用本发明方法估算得到的微电网蓄电池SOC值，可以为后续微电网中的蓄电池控制提供依据，防止蓄电池深度充放电，从而提高蓄电池寿命及微电网运行的安全性。在对实际微电网储能SOC进行估算时，可参考储能实验平台获取数据的方法，获取微电网中储能***在实际充放电过程中包括电压、电流、温度的相关数据，作为最小二乘支持向量机训练模型的输入量，然后通过最小二乘支持向量机训练模型得到输出量，即SOC计算结果。储能实验平台中的实验对象储能***类型与实际需要进行估算的微电网储能***类型一致。

进一步的，本发明中，储能***的充放电过程包括恒流充电状态过程、恒流放电状态过程和交替恒流充放电状态过程；充放电过程中产生的实验数据包括上述各过程中分别产生的电压、电流、温度及SOC数据。

具体的，利用微电网储能实验平台，获取储能***在充放电过程中的实验数据，包括步骤：

将充满电的蓄电池静止第一设定时长后，使蓄电池工作在恒定电流放电运行状态，以采样周期t1，采样获得蓄电池在当前状态下的电压数据序列、电流数据序列、温度数据序列及SOC数据序列；

将蓄电池静止第二设定时长后，使蓄电池工作在恒定电流充电运行状态，以采样周期t2，采样获得蓄电池在当前状态下的电压数据序列、电流数据序列、温度数据序列及SOC数据序列；

将待蓄电池充满电后静止第三设定时长，使蓄电池工作在恒定电流交替充电、放电的运行状态，以采样周期为t3，获得蓄电池在当前状态下的电压数据序列、电流数据序列、温度数据序列及SOC数据序列。

蓄电池在试验过程中，上述第一设定时长、第二设定时长、第三设定时长可根据经验或需要设置，只需使得蓄电池状态稳定即可，为现有技术。采样周期t1、t2、t3亦根据需要设定，如1s。对蓄电池进行充放电时，使蓄电池工作在恒定电流充放电的状态，如工作在恒定0.25c充电运行或恒定0.25c放电运行，或者恒定0.25c充电、放电交替运行。充放电的电流大小可根据需要设定，可为0.25c、0.3c或其它数值。

以上储能***处于各状态的数据获取实验过程可连续进行，也可分别进行，状态转换之间的静置有助于得到稳定的测试数据，进而可提高最终计算数据的准确度。若分别进行，实验前使得储能***静置一段时间也同样使得实验结果数据更能够反应真实情况。

更进一步的，本发明中，所述训练集和测试集样本的数据集为：

其中，M为数据采样点数，

写成矩阵的形式即为：

式中，x₁(n)为电压序列，x₂(n)为电流序列，x₃(n)为温度序列；y(n)为SOC序列；

且存在映射函数：

Y(n)＝F(X(n)) 4)

满足蓄电池电压、电流、温度与对应的SOC数据之间的关系。

本发明中，最小二乘支持向量机的训练目标是构建映射函数y＝f(x)，优选的，定义映射函数类型为f(x)＝(ω·x)+b，引入松弛变量ξ_i≥0及正则化参数γ的最小二乘支持向量机的描述如下：

其中，(x_i,y_i)为训练集样本数据，l为训练集样本数据个数；

最小二乘支持向量机的核函数选取RBF核函数，RBF核函数通常定义为空间中任一点x到某一中心x_c之间欧氏距离的单调函数：

其中，x_c为核函数中心，σ²为核函数参数。

优选的，本发明中，利用N次交叉验证方法，获得最小二乘支持向量机的最优训练参数；所述N次交叉验证方法中，N＝10；交叉验证前，给定最小二乘支持向量机的正则化参数γ范围为γ∈[γ_min,γ_max]，核函数参数σ²范围为σ²∈[σ² _min,σ² _max]，交叉验证训练时，在γ和σ²的上述范围内遍历取值，对每一个参数组合(γ，σ²)均进行N次交叉验证，有助于得到SOC计算结果更可靠的最小二乘支持向量机的训练模型。

本发明还公开一种基于最小二乘支持向量机的微电网储能确定***，其包括：

实验数据获取模块，利用包含储能***的微电网储能实验平台，获取储能***在充放电过程中产生的实验数据；基于所述实验数据建立最小二乘支持向量机训练模型的训练集样本和测试集样本；

最小二乘支持向量机训练模块，利用所述训练集样本，通过N次交叉验证方法，获得最小二乘支持向量机的最优训练参数；基于所述最优训练参数，利用所述训练集样本对最小二乘支持向量机进行训练，得到最小二乘支持向量机的训练模型；

最小二乘支持向量机测试模块，利用所述测试集样本对最小二乘支持向量机训练模型进行测试，以评价最小二乘支持向量机训练模型的有效性；

微电网储能SOC确定模块，以实际微电网中储能***的SOC相关状态数据作为输入，利用测试有效的最小二乘支持向量机训练模型，确定实际微电网中相应类型储能***的SOC；所述SOC相关状态数据包括储能***的电压、电流和温度数据。

实验数据获取模块中，储能***的充放电过程包括恒流充电状态过程、恒流放电状态过程和交替恒流充放电状态过程；充放电过程中产生的实验数据包括上述各过程中分别产生的电压、电流、温度及SOC数据。

本发明***中，定义储能***充放电过程中产生的电压、电流和温度数据，与SOC数据之间的映射函数类型为f(x)＝(ω·x)+b，引入松弛变量ξ_i≥0及正则化参数γ的最小二乘支持向量机的描述如下：

其中，(x_i,y_i)为训练集样本数据，l为训练集样本数据个数；

最小二乘支持向量机的核函数选取RBF核函数，RBF核函数定义为空间中任一点x到某一中心x_c之间欧氏距离的单调函数：

其中，x_c为核函数中心，σ²为核函数参数。

最小二乘支持向量机训练模块中，利用N次交叉验证方法，获得最小二乘支持向量机的最优训练参数；所述N次交叉验证方法中，N＝10；交叉验证前，给定最小二乘支持向量机的正则化参数γ范围为γ∈[γ_min,γ_max]，核函数参数σ²范围为σ²∈[σ² _min,σ² _max]，交叉验证训练时，在γ和σ²的上述范围内遍历取值，对每一个参数组合(γ，σ²)均进行N次交叉验证。

有益效果

与现有技术比，本发明具有以下优点和进步：

(1)本发明能够充分考虑与储能SOC相关的因素，通过搭建包含储能***的实验平台对储能***充放电过程中的工作参数进行测量，进而利用最小二乘支持向量机挖掘出已知数据的内在规律，最终能够有效实现实际微电网储能SOC的估算；

(2)本发明能够克服现有技术采用的安时法初始SOC难以确定，及开路电压法需要长时间静止的缺点，而是通过多次的训练得到最小二乘支持向量机训练模型，并通过测试集对得到的训练模型进行有效性评价，以保证对实际微电网储能SOC估算时的可靠性，不存在累计误差；

(3)利用本发明估算得到实际微电网储能***SOC值，能够为储能***的充放电控制提供依据，防止蓄电池进行深度充放电，从而提高蓄电池寿命及微电网运行的安全性。

附图说明

图1为本发明方法流程示意图。

具体实施方式

下面结合附图和具体实施例对本发明作更进一步的说明。

参考图1，本发明基于最小二乘支持向量机的微电网储能SOC估算方法，包括以下步骤：

搭建包含储能***的微电网储能实验平台，利用储能实验平台获取储能***在充放电过程中产生的实验数据，实验数据包括电压、电流、温度及SOC；

基于获取的实验数据，得到最小二乘支持向量机训练模型的训练集样本和测试集样本；

基于所述训练集样本，获得最小二乘支持向量机的最优训练参数；

基于得到的最优参数，利用训练集样本对最小二乘支持向量机进行训练，得到最小二乘支持向量机的训练模型；

利用测试集样本对得到的训练模型进行测试，评价利用上述训练模型计算SOC是否有效；

若训练模型测试有效，则利用前述得到的最小二乘支持向量机训练模型对微电网中相应类型储能***的SOC进行计算，以确定微电网储能SOC。

利用本发明方法估算得到的微电网蓄电池SOC值，可以为后续微电网中的蓄电池控制提供依据，防止蓄电池深度充放电，从而提高蓄电池寿命及微电网运行的安全性。在对实际微电网储能SOC进行估算时，可参考储能实验平台获取数据的方法，获取微电网中储能***在实际充放电过程中包括电压、电流、温度的相关数据，作为最小二乘支持向量机训练模型的输入量，然后通过最小二乘支持向量机训练模型得到输出量，即SOC计算结果。

实施例

本实施例的微电网储能***SOC估算方法的具体步骤为：

(1)搭建包含储能***的微电网实验平台：

可根据实际需要计算的微电网储能***类型进行实验平台的搭建。目前微电网中应用最多的是铅酸蓄电池，本实施例中选择额定电压12V，电池容量为50Ah的铅酸蓄电池作为实验对象。利用数据采集设备收集并存储蓄电池运行过程中的电压、电流及温度信号，并在处理器中还原成实际数值。对于储能***实验数据的测量获取可采用现有技术。

(2)利用实验平台分别测量得到储能***在充放电过程中的电压、电流、温度及SOC，具体步骤为：

(2-1)将充满电的蓄电池静止一段时间，再使蓄电池工作在恒定0.25C放电运行状态，采样周期为1s，获得蓄电池在此状态下的电压序列、电流序列、温度序列及SOC序列；

(2-2)使完成(2-1)步骤的蓄电池静止一段时间，再使蓄电池工作在恒定0.25C充电运行状态，采样周期为1s，获得蓄电池在此状态下的电压序列、电流序列、温度序列及SOC序列；

(2-3)将充满电的蓄电池静止一段时间，再使蓄电池工作在恒定0.25C交替充电、放电的运行状态，采样周期为1s，获得蓄电池在此状态下的电压序列、电流序列、温度序列及SOC序列；

(3)根据电压、电流、温度及SOC序列，得到最小二乘支持向量机模型中的训练集和测试集样本。

基于上述步骤，得到的数据集为：

其中，

写成矩阵的形式即为：

式中，x₁(n)为电压序列，x₂(n)为电流序列，x₃(n)为温度序列；y(n)为SOC序列。

根据已获得的蓄电池电压、电流和温度对应的SOC数据，可以找到一个映射函数，使得

Y(n)＝F(X(n)) 4)

定义储能***充放电过程中产生的电压、电流和温度数据，与SOC数据之间的映射函数类型为f(x)＝(ω·x)+b，引入松弛变量ξ_i≥0及正则化参数γ的最小二乘支持向量机的描述如下：

其中，(x_i,y_i)为训练集样本数据，l为训练集样本数据个数；

由于SOC与蓄电池电压、电流和温度存在很强的非线性，针对非线性回归问题，需要引入核函数方法来求解。本发明中选用RBF核函数，RBF核函数定义为空间中任一点x到某一中心x_c之间欧氏距离的单调函数：如式5)所示。故最小二乘支持向量机预测模型中有两个参数需要选择，即正则化参数γ和核函数参数σ²。

其中，x_c为核函数中心，σ²为核函数参数。

(4)利用N次交叉验证方法选择最小二乘支持向量机的训练集的训练参数：

将训练集分割成N个子集，N一般大于等于2，其中一个子集被保留作为验证模型的数据，其他N-1个子集用来训练。交叉验证重复N次，每个子集验证一次。在训练前，给定正则化参数γ和核函数参数σ²的范围，即γ∈[γ_min,γ_max]，σ²∈[σ² _min,σ² _max]，使γ和σ²在这个范围内遍历取值，对每一个组合参数均进行N次交叉验证。选取均方误差MSE(Mean SquareError)作为评价指标，将N次测试结果的MSE取平均值作为参数对应的指标，最后选择指标最高(即MSE最小)的一组参数组合作为最终的最优参数。

本实施例中,选取γ∈[1,10000]，σ²∈[0.01,10000]，N＝10。相当于进行了N次训练和N次测试，进而得到所需的最优参数组合(γ，σ²)。

(5)利用训练集的样本数据，通过已选择的最优训练参数对最小二乘支持向量机进行训练，进而得到训练模型。

(6)利用测试集样本对得到的训练模型进行测试，以评价上述训练模型计算SOC的有效性。

本步骤中，将利用训练模型得到的SOC数据与利用实验平台获取的实际SOC数据进行比较，根据均方误差和相对误差的大小判断利用最小二乘支持向量机训练模型计算SOC的方法的有效性。

如果计算出来的SOC与实际的SOC误差小，则证明此方法计算SOC有效、可靠；如果误差很大则证明前述得到的最小二乘支持向量机不可靠不适用。

(7)若经测试后验证所得到的最小二乘支持向量机训练模型可靠有效，则利用前述得到的最小二乘支持向量机训练模型对实际微电网中相应类型储能***的SOC进行计算。

在进行实际计算时，参考储能实验平台获取实验数据的方法，获取微电网中储能***在充放电过程中包括电压、电流、温度的相关数据，作为最小二乘支持向量机训练模型的输入量，然后通过最小二乘支持向量机训练模型得到输出量，即SOC计算结果。

实施例

本实施例为基于最小二乘支持向量机的微电网储能确定***，其包括：

实验数据获取模块，利用包含储能***的微电网储能实验平台，获取储能***在充放电过程中产生的实验数据，所述实验数据包括电压、电流、温度及SOC；基于所述实验数据建立最小二乘支持向量机训练模型的训练集样本和测试集样本；

最小二乘支持向量机训练模块，选取最小二乘支持向量机训练模型的核函数，利用所述训练集样本，获得最小二乘支持向量机的最优训练参数；基于所述最优训练参数，利用所述训练集样本对最小二乘支持向量机进行训练，得到最小二乘支持向量机的训练模型；

最小二乘支持向量机测试模块，利用所述测试集样本对最小二乘支持向量机训练模型进行测试，以评价最小二乘支持向量机训练模型的有效性；

微电网储能SOC确定模块，以实际微电网中储能***的SOC相关状态数据作为输入，利用测试有效的最小二乘支持向量机训练模型，确定实际微电网中相应类型储能***的SOC；所述SOC相关状态数据包括储能***的电压、电流和温度数据。

实验数据获取模块中，储能***的充放电过程包括恒流充电状态过程、恒流放电状态过程和交替恒流充放电状态过程；充放电过程中产生的实验数据包括上述各过程中分别产生的电压、电流、温度及SOC数据。

本实施例中，定义储能***充放电过程中产生的电压、电流和温度数据，与SOC数据之间的映射函数类型为f(x)＝(ω·x)+b，引入松弛变量ξ_i≥0及正则化参数γ的最小二乘支持向量机的描述如下：

其中，(x_i,y_i)为训练集样本数据，l为训练集样本数据个数；

最小二乘支持向量机的核函数选取RBF核函数，RBF核函数定义为空间中任一点x到某一中心x_c之间欧氏距离的单调函数：

其中，x_c为核函数中心，σ²为核函数参数。

最小二乘支持向量机训练模块中，利用N次交叉验证方法，获得最小二乘支持向量机的最优训练参数；所述N次交叉验证方法中，N＝10；交叉验证前，给定最小二乘支持向量机的正则化参数γ范围为γ∈[γ_min,γ_max]，核函数参数σ²范围为σ²∈[σ² _min,σ² _max]，交叉验证训练时，在γ和σ²的上述范围内遍历取值，对每一个参数组合(γ，σ²)均进行N次交叉验证。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

Claims (10)

1.一种基于最小二乘支持向量机的微电网储能SOC估算方法，其特征是，包括：

利用微电网储能实验平台获取储能***在充放电过程中产生的实验数据；

基于获取的实验数据，得到最小二乘支持向量机训练模型的训练集样本和测试集样本；

基于所述训练集样本，获得最小二乘支持向量机的最优训练参数；

基于得到的最优参数，利用训练集样本对最小二乘支持向量机进行训练，得到最小二乘支持向量机的训练模型；

利用测试集样本对得到的训练模型进行测试，评价利用上述训练模型计算SOC是否有效；

若训练模型测试有效，则利用得到的最小二乘支持向量机训练模型对微电网中相应类型储能***的SOC进行计算，以确定微电网储能SOC。

2.根据权利要求1所述的方法，其特征是，储能***的充放电过程包括恒流充电状态过程、恒流放电状态过程和交替恒流充放电状态过程；充放电过程中产生的实验数据包括上述各过程中分别产生的电压、电流、温度及SOC数据。

3.根据权利要求1所述的方法，其特征是，获取储能***在充放电过程中的实验数据，包括步骤：

将充满电的蓄电池静止第一设定时长后，使蓄电池工作在恒定电流放电运行状态，以采样周期t1，采样获得蓄电池在当前状态下的电压数据序列、电流数据序列、温度数据序列及SOC数据序列；

将蓄电池静止第二设定时长后，使蓄电池工作在恒定电流充电运行状态，以采样周期t2，采样获得蓄电池在当前状态下的电压数据序列、电流数据序列、温度数据序列及SOC数据序列；

将待蓄电池充满电后静止第三设定时长，使蓄电池工作在恒定电流交替充电、放电的运行状态，以采样周期为t3，获得蓄电池在当前状态下的电压数据序列、电流数据序列、温度数据序列及SOC数据序列。

4.根据权利要求2或3所述的方法，其特征是，所述训练集和测试集样本的数据集为：

$\stackrel{\‾}{D}=\{X\left(n\right),Y\left(n\right)\},n=1,2,...,M---1)$

其中，M为数据采样点数，

$\left\{\begin{array}{cc}X\left(n\right)=\[x_1\left(n\right),x_2\left(n\right),x_3\left(n\right)\],& n=1,2,\mathrm{...}M\\ Y\left(n\right)=\[y\left(n\right)\],& n=1,2,\mathrm{...}M\end{array}\right.---2)$

写成矩阵的形式即X为：

$X=\left[\begin{array}{ccc}{x}_1\left(1\right)& x_2\left(1\right)& x_3\left(1\right)\\ x_1\left(2\right)& x_2\left(2\right)& x_3\left(2\right)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ x_1\left(M\right)& x_2\left(M\right)& x_3\left(M\right)\end{array}\right],Y=\left[\begin{array}{c}y\left(1\right)\\ y\left(2\right)\\ \begin{array}{c}.\\ .\\ .\end{array}\\ y\left(M\right)\end{array}\right]---3)$

式中，x₁(n)为电压序列，x₂(n)为电流序列，x₃(n)为温度序列；y(n)为SOC序列；

且存在映射函数：

Y(n)＝F(X(n)) 4)

满足蓄电池电压、电流、温度与对应的SOC数据之间的关系。

5.根据权利要求4所述的方法，其特征是，定义映射函数类型为f(x)＝(ω·x)+b，引入松弛变量ξ_i≥0及正则化参数γ的最小二乘支持向量机的描述如下：

$\begin{array}{ccc}\underset{\mathrm{\ω},b}{min}& \frac{1}{2}\left|\right|\mathrm{\ω}|{|}^2+\frac{\mathrm{\γ}}{2}\underset{i=1}{\overset{l}{\Σ}}{{\mathrm{\ξ}}_i}^2& \\ s.t.& y_i=\left(\mathrm{\ω}\·x_i\right)+b+{\mathrm{\ξ}}_i,& i=1,\mathrm{...},l\end{array}---5)$

其中，(x_i,y_i)为训练集样本数据，l为训练集样本数据个数；

最小二乘支持向量机的核函数选取RBF核函数，RBF核函数定义为空间中任一点x到某一中心x_c之间欧氏距离的单调函数：

$k(x,x_c)=\exp (-\frac{\left|\right|x-x_c|{|}^2}{2{\mathrm{\σ}}^2}),\mathrm{\σ}>0---6)$

其中，x_c为核函数中心，σ²为核函数参数。

6.根据权利要求5所述的方法，其特征是，利用N次交叉验证方法，获得最小二乘支持向量机的最优训练参数；所述N次交叉验证方法中，N＝10；交叉验证前，给定最小二乘支持向量机的正则化参数γ范围为γ∈[γ_min,γ_max]，核函数参数σ²范围为σ²∈[σ² _min,σ² _max]，交叉验证训练时，在γ和σ²的上述范围内遍历取值，对每一个参数组合(γ，σ²)均进行N次交叉验证。

7.一种基于最小二乘支持向量机的微电网储能估算***，其特征是，包括：

实验数据获取模块，利用包含储能***的微电网储能实验平台，获取储能***在充放电过程中产生的实验数据；基于所述实验数据建立最小二乘支持向量机训练模型的训练集样本和测试集样本；

最小二乘支持向量机训练模块，利用所述训练集样本，获得最小二乘支持向量机的最优训练参数；基于所述最优训练参数，利用所述训练集样本对最小二乘支持向量机进行训练，得到最小二乘支持向量机的训练模型；

最小二乘支持向量机测试模块，利用所述测试集样本对最小二乘支持向量机训练模型进行测试，以评价最小二乘支持向量机训练模型的有效性；

微电网储能SOC确定模块，以实际微电网中储能***的SOC相关状态数据作为输入，利用测试有效的最小二乘支持向量机训练模型，确定实际微电网中相应类型储能***的SOC；所述SOC相关状态数据包括储能***的电压、电流和温度数据。

8.根据权利要求7所述的基于最小二乘支持向量机的微电网储能估算***，其特征是，实验数据获取模块中，储能***的充放电过程包括恒流充电状态过程、恒流放电状态过程和交替恒流充放电状态过程；充放电过程中产生的实验数据包括上述各过程中分别产生的电压、电流、温度及SOC数据。

9.根据权利要求8所述的基于最小二乘支持向量机的微电网储能估算***，其特征是，定义储能***充放电过程中产生的电压、电流和温度数据，与SOC数据之间的映射函数类型为f(x)＝(ω·x)+b，引入松弛变量ξ_i≥0及正则化参数γ的最小二乘支持向量机的描述如下：

$\begin{array}{ccc}\underset{\mathrm{\ω},b}{min}& \frac{1}{2}\left|\right|\mathrm{\ω}|{|}^2+\frac{\mathrm{\γ}}{2}\underset{i=1}{\overset{l}{\Σ}}{{\mathrm{\ξ}}_i}^2& \\ s.t.& y_i=\left(\mathrm{\ω}\·x_i\right)+b+{\mathrm{\ξ}}_i,& i=1,\mathrm{...},l\end{array}---5)$

其中，(x_i,y_i)为训练集样本数据，l为训练集样本数据个数；

最小二乘支持向量机的核函数选取RBF核函数，RBF核函数定义为空间中任一点x到某一中心x_c之间欧氏距离的单调函数：

$k(x,x_c)=\exp (-\frac{\left|\right|x-x_c|{|}^2}{2{\mathrm{\σ}}^2}),\mathrm{\σ}>0---6)$

其中，x_c为核函数中心，σ²为核函数参数。

10.根据权利要求9所述的方法，其特征是，最小二乘支持向量机训练模块中，利用N次交叉验证方法，获得最小二乘支持向量机的最优训练参数；

所述N次交叉验证方法中，N＝10；交叉验证前，给定最小二乘支持向量机的正则化参数γ范围为γ∈[γ_min,γ_max]，核函数参数σ²范围为σ²∈[σ² _min,σ² _max]，交叉验证训练时，在γ和σ²的上述范围内遍历取值，对每一个参数组合(γ，σ²)均进行N次交叉验证。