CN109800520B - 一种基于神经网络的电动汽车充电站谐波建模方法 - Google Patents
一种基于神经网络的电动汽车充电站谐波建模方法 Download PDFInfo
- Publication number
- CN109800520B CN109800520B CN201910075957.5A CN201910075957A CN109800520B CN 109800520 B CN109800520 B CN 109800520B CN 201910075957 A CN201910075957 A CN 201910075957A CN 109800520 B CN109800520 B CN 109800520B
- Authority
- CN
- China
- Prior art keywords
- electric vehicle
- neural network
- soc
- charging
- harmonic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明属于电动汽车领域,提供一种基于神经网络的电动汽车充电站谐波建模方法,包括:建立基于电池荷电状态SOC的电动汽车充电过程的等效仿真模型;仿真电动汽车充电机的充电过程,采集等效仿真模型并网点的电压、电流和电池的SOC数据,形成样本数据集;根据电动汽车充电机谐波模型的建模需求,建立RBF神经网络,确定神经网络的输入和输出节点个数,利用采集的样本数据训练神经网络;对训练后的RBF神经网络进行测试和评价,得到电动汽车充电站的非线性等效谐波模型。本发明方法仅需知道电动汽车充电站并网点的测量值,无需深究其具体参数和结构,基于RBF神经网络的电动汽车充电站谐波等效模型就可以满足仿真的需求。
Description
技术领域
本发明属于电动汽车领域,更具体地,涉及一种基于神经网络的电动汽车充电站谐波建模方法。
背景技术
随着化石能源的逐渐枯竭和环境污染的日益严重,电动汽车作为一种清洁能源的消耗形式迎来了自身发展的重大契机。电动汽车充电机是主要由电力电子器件组成的非线性负荷,大规模并网后会向配电网中注入谐波,对电网以及电力设备的安全稳定运行产生危害。电动汽车动力电池在充电过程中一般采用先恒流、再恒压的充电方式,不同充电阶段对应的充电负荷具有显著区别,对电网产生的影响也将不同。参见图1,为三相桥式不控整流加高频DC/DC功率变换装置构成的电动汽车充电机的基本结构,主要组成部分为:三相桥式不控整流电路、滤波装置、功率变换装置和电动汽车动力蓄电池。三相桥式不控整流电路对三相交流电进行整流,滤波后为功率变换装置提供直流输入,功率变换电路的输出经过输出滤波装置后,为电动汽车动力蓄电池充电。目前,对电动汽车充电过程的研究大多建立基于充电功率的等值模型,将充电过程等效为非线性电阻,通过一个充电周期内非线性电阻的时变模拟蓄电池充电功率的变化。而在实际电动汽车的充电过程中,充电功率因充电机的类型、参数不同而有较大差异,因此基于充电功率的非线性时变电阻模型需要根据充电机参数的不同而重新建模,仿真计算工作量很大。
电动汽车充电站的谐波源模型是研究电动汽车充电站谐波输出特性的基础。现有的谐波源模型主要有:
(1)恒流源模型。该模型将模型视为内阻抗无穷大的各次谐波电流源,即
(2)Norton等效模型。该模型对于各次谐波,分别用一个恒流源与一个恒定的谐波阻抗并联,即
(3)基于交叉频率导纳矩阵的模型。该模型假定在负荷特性稳定即负荷的特征参数集合C保持不变的前提下,谐波源的特性在某一运行点可线性化为
模型(1)和(2)虽然易于处理,但过于简略,容易引起较大的误差,因为负荷的谐波电流与其交流侧的谐波电压之间存在较强的相互影响,而且某一次数的谐波电压会对其他次数的谐波电流产生影响。模型(3)虽然较多的考虑了谐波源产生的机理,但对于不同的运行点需要有不同的模型,而且在工程中难以实现建模条件,存在很大的建模困难。
电动汽车充电机充电过程中产生的谐波具有复杂性和变化性的特点,在大功率充电站接入配电网的情况下,多台充电机组成的谐波源组合难以获得其数学模型,机理建模方法通常模型过于复杂,计算量大、耗时长。
发明内容
本发明的目的是为了克服上述现有技术的不足之处,提出一种基于神经网络的电动汽车充电站谐波建模方法,对电动汽车充电站采用整体等效的建模策略,将各次谐波电流幅值和相角与基波电压、电池的荷电状态以及整流电路类型之间的关系通过径向基函数(RBF)神经网络进行非线性映射,动态准确地反映电动汽车充电过程中充电站并网点的谐波输出特性。
本发明的目的是通过以下技术措施实现的。
一种基于神经网络的电动汽车充电站谐波建模方法,包括以下步骤:
(1)建立基于电池荷电状态SOC的电动汽车充电过程的等效仿真模型;
(2)仿真电动汽车充电机的充电过程,采集等效仿真模型并网点的电压、电流和电池的荷电状态SOC数据,形成样本数据集;
(3)根据电动汽车充电机谐波模型的建模需求,建立RBF神经网络,确定神经网络的输入和输出节点个数,利用采集的样本数据训练神经网络;
(4)对训练后的RBF神经网络进行测试和评价,得到电动汽车充电站的非线性等效谐波模型。
进一步的,步骤(1)的具体实现方式为:
用一个非线性时变电阻RC来近似模拟高频功率变换电路的等效输入阻抗,基于充电功率的充电过程等效非线性时变电阻RC与充电功率PO的关系表示如下:
其中,PI、PO分别为功率变换装置的输入功率和输出功率,η为充电机的效率(一般为95%),UI为整流电路的输出电压,一般视为恒定值。
充电机输出功率与充电时间的关系为:
电池SOC与充电功率的关系为:
其中,SOC0为初始荷电状态;io为充电电流;C和Q分别为电池的额定电荷量和额定容量。恒流阶段的SOC与充电时间t线性拟合为:
SOC=0.004872×t
则充电机在充电过程中基于电池SOC的等效仿真模型如下:
进一步的,依照典型电动汽车充电机的基本结构和上述非线性电阻RC与电池SOC的关系,在仿真平台上搭建单台/多台电动汽车充电机模型。仿真一个充电周期内电动汽车充电机的充电过程,对电动汽车充电机并网点的电压、电流波形进行测试采集。
进一步的,分析充电机充电的动态过程中电流、电压各次谐波含量等谐波特征,形成样本数据集,包括:基波电压幅值U1,电池的荷电状态SOC,整流电路类型n(6脉波/12脉波)以及各次谐波电流的幅值、相角,其中各次谐波电流的相角由供电侧基波电压相角作为基准。
进一步的,步骤(3)的具体实现方式为:
(3-1)构建电动汽车充电机的谐波源的特性数学模型为:
Ih∠θh=Fh(U1,SOC,n),h=1,2,...,N
其中U1为基波电压幅值,SOC为电池的荷电状态,n为整流电路类型,包括6脉波/12脉波,Ih、θh为各次谐波电流的幅值和相位;[U1,SOC,n]和[Ih,θh]分别为模型的输入和输出,由此确定神经网络的输入和输出节点个数。
(3-2)由样本数据集随机生成训练样本和测试样本,将输入和目标输出向量利用以下公式进行归一化处理:
(3-3)在MATLAB平台上建立RBF神经网络,将训练样本集输入RBF神经网络进行学习,对模型进行学习训练。
进一步的,将测试样本集输入训练好的神经网络模型,对模型的训练精度进行测试和验证。若未达到精度则改变网络的参数重新训练,直到模型精度达到建模要求。至此,完成电动汽车充电站非线性等效谐波建模。
本发明与现有技术相比,具有下列有益效果:
本发明的建模方法仅需知道电动汽车充电站并网点的测量值,无需深究其具体参数和结构,一旦经过训练和测试,基于RBF神经网络的电动汽车充电站谐波等效模型就可以满足仿真的需求;SOC是衡量蓄电池剩余电量的重要参数,且目前实际应用的电池SOC容易获取且测量精确性高,因此基于电池SOC建立电动汽车充电过程的数学模型更具有实用价值;在实际应用中可以很方便地进行模型的在线建立与动态更新,当电动汽车在充电过程中的负荷特征参数变化时,可以动态地更新谐波源模型。
附图说明
图1为三相桥式不控整流加高频DC/DC功率变换装置构成的电动汽车充电机的基本结构示意图。
图2为本发明基于神经网络的电动汽车充电站谐波建模方法的流程图。
图3为电动汽车充电机等效模型。
图4为本发明实施例提供的一种典型单台电动汽车六脉波充电机低压配电网接线图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行了进一步的详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图2所示,一种基于神经网络的电动汽车充电站谐波建模方法,包括:
(1)首先建立基于电池荷电状态SOC的电动汽车充电过程的数学模型。目前,电动汽车充电机最常用的是三相桥式不控整流加高频DC/DC功率变换装置构成的电动汽车充电机,可用一个非线性电阻来近似模拟高频功率变换环节的等效输入电阻,充电机等效模型如图3所示。
基于充电功率的充电过程等效非线性时变电阻RC与充电功率PO的关系可表示为:
式中,PI、PO分别为功率变换装置的输入功率和输出功率,η为充电机的效率,一般为95%,UI为整流电路的输出电压,一般视为恒定值。充电机的两阶段充电方式将一个充电周期划分为两个阶段:前半段恒流限压,后半段恒压限流。恒流限压阶段充电机以很大的充电电流充电,在此期间电池端电压变化幅度很小,充电机的输出功率迅速增大至峰值,电池SOC快速上升;待SOC增至70%-80%进入恒压限流阶段,电池端电压基本保持恒定,充电电流迅速下降,输出功率也随着迅速下降,此时电池SOC缓慢增加至电池充满电。根据实际记录的蓄电池充电过程数据,利用曲线拟合的方法,得到两阶段充电方式下充电机输出功率与充电时间的关系如下式所示:
考虑在电动汽车蓄电池的充电过程中,充电功率不容易直接获得,而电池的荷电状态SOC数据在充电过程中实时可得,因此选用SOC来表示非线性电阻进行建模。电池SOC与充电功率的关系为:
式中,SOC0为初始荷电状态,io为充电电流,C和Q分别为电池的额定电荷量和额定容量。在恒流阶段SOC与时间t近似成线性变化,恒流阶段结束后的SOC与功率模型保持一致,对恒流阶段的SOC与充电时间t线性拟合可得到
SOC=0.004872×t
联立上述各式,可得充电机在充电过程中基于电池SOC的等效仿真模型,即非线性电阻与SOC的等效关系:
在恒流充电阶段,非线性电阻近似为常数,不随充电时间变化;在恒压充电阶段,只与电池SOC有关。
(2)依照典型电动汽车充电机的基本结构和上述非线性电阻RC与电池SOC的关系,在仿真平台上搭建单台/多台电动汽车充电机模型。仿真一个充电周期内电动汽车充电机的充电过程,对电动汽车充电机并网点的电压、电流波形进行测试采集。分析充电机充电的动态过程中电流、电压各次谐波含量等谐波特征,形成样本数据集,包括:基波电压幅值U1,电池的荷电状态SOC,整流电路类型n(6脉波/12脉波),以及各次谐波电流的幅值、相角,其中各次谐波电流的相角由供电侧基波电压相角作为基准。
(3)根据电动汽车充电机谐波模型的建模需求,建立RBF神经网络,确定神经网络的输入和输出节点个数,将样本数据输入RBF模型,对模型进行学习训练,包括:
(3-1)构建电动汽车充电机的谐波源的特性数学模型为:
Ih∠θh=Fh(U1,SOC,n),h=1,2,...,N
其中U1为基波电压幅值,SOC为电池的荷电状态,n为整流电路类型(6脉波/12脉波),Ih、θh为各次谐波电流的幅值和相位;[U1,SOC,n]和[Ih,θh]分别为模型的输入和输出,由此确定神经网络的输入和输出节点个数。
(3-2)由样本数据集随机生成训练样本和测试样本,将输入和目标输出向量利用以下公式进行归一化处理:
(3-3)在MATLAB平台上建立RBF神经网络,设置网络参数,将训练样本集输入RBF神经网络,对模型进行学习训练。
(4)对训练后的RBF神经网络进行测试和评价,得到电动汽车充电站的非线性等效谐波模型,包括:将测试样本集输入训练好的神经网络模型进行仿真测试,对模型的训练精度进行验证;若未达到精度则改变网络的参数重新训练,直到模型精度达到建模要求。
为了进一步验证本发明方法的可实现性和有效性,下面以单台六脉波充电机的谐波建模为例进行说明。如图4所示,在PSCAD/EMTDC中搭建电动汽车充电机基于SOC的充电等效模型,根据电动汽车充电站实际需要设计的配电***,电源采用10kV供电;变压器为10/0.4kV电压等级,Dyn11接法。
取A相线电流波形及谐波分析结果,在***三相平衡的情况下,只产生h=6k±1(k=1,2,3,…)的特征谐波。测量数据为一个充电周期270min中每30s取一个值,包括:基波电压幅值U1,电池的荷电状态SOC,整流电路类型n(6脉波/12脉波)以及各次谐波电流的幅值、相角,其中各次谐波电流的相角由供电侧基波电压相角作为基准。
将基波电压幅值U1,电池荷电状态SOC和整流电路类型(6脉波/12脉波)n作为神经网络的输入,各次谐波电流的幅值Ih和相位θh为作为神经网络的输出,可知输入层神经元个数为3,输出层神经元个数为10。不失一般性,采用随机法产生训练集和测试集,随机产生500组样本作为训练集,剩余40组作为测试集,并将输入和目标输出向量进行归一化处理。
在MATLAB平台上建立RBF神经网络,设置网络参数,将训练样本集输入RBF神经网络进行学习。将测试样本经训练好的神经网络模型预测得到的结果如表1和表2所示。
表1模型预测结果
表2预测结果测试误差
测试误差 | 幅值 | 相角 |
ε<sub>MAE</sub> | 0.00174 | 0.00621 |
ε<sub>RMSE</sub> | 0.00217 | 0.00767 |
由模型预测结果可见,模型测试误差很小,精度高,训练时间也能满足实际应用的需要,表明已成功建立电动汽车充电站非线性等效谐波模型。
本发明有针对性地实现了电动汽车充电站谐波建模方法,动态准确地反映电动汽车充电过程中充电站并网点的谐波输出特性。
本说明书中未作详细描述的内容,属于本专业技术人员公知的现有技术。
以上实施例仅供说明本发明之用,而非对本发明的限制,有关技术领域的技术人员,在不脱离本发明的精神和范围的情况下作出各的种变换或变型也应视为在本发明的保护范围之内,由各权利要求所限定。
Claims (4)
1.一种基于神经网络的电动汽车充电站谐波建模方法,其特征在于该方法包括以下步骤:
(1)建立基于电池荷电状态SOC的电动汽车充电过程的等效仿真模型;
(2)仿真电动汽车充电机的充电过程,采集等效仿真模型并网点的电压、电流和电池的荷电状态SOC数据,形成样本数据集;
(3)根据电动汽车充电机谐波模型的建模需求,建立RBF神经网络,确定神经网络的输入和输出节点个数,利用采集的样本数据训练神经网络;
(4)对训练后的RBF神经网络进行测试和评价,得到电动汽车充电站的非线性等效谐波模型。
2.根据权利要求1所述的基于神经网络的电动汽车充电站谐波建模方法,其特征在于:步骤(1)的具体实现方式为,用一个非线性时变电阻RC来近似模拟高频功率变换装置的等效输入阻抗,由基于充电功率的充电过程等效非线性时变电阻RC与充电功率PO的关系,及电池SOC与充电功率PO的关系,得到电动汽车充电机在充电过程中基于电池SOC的等效仿真模型,
其中,基于充电功率的充电过程等效非线性时变电阻RC与充电功率PO的关系为:
式中,PI、PO分别为功率变换装置的输入功率和输出功率,η为充电机的效率,UI为整流电路的输出电压;
电池SOC与充电功率的关系为:
式中,SOC0为初始荷电状态,io为充电电流,C和Q分别为电池的额定电荷量和额定容量;
电动汽车充电站恒流阶段的SOC与充电时间t线性拟合的计算公式如下:
SOC=0.004872×t
充电机在充电过程中基于电池SOC的等效仿真模型数学公式如下:
3.根据权利要求2所述的基于神经网络的电动汽车充电站谐波建模方法,其特征在于:步骤(2)的具体实现方式为,依照典型电动汽车充电机的基本结构和非线性电阻RC与电池SOC的关系,在仿真平台上搭建单台/多台电动汽车充电机模型,仿真一个充电周期内电动汽车充电机的充电过程,对电动汽车充电机并网点的电压、电流波形进行测试采集,分析充电机充电的动态过程中的谐波特征,形成样本数据集,包括:基波电压幅值U1,电池的荷电状态SOC,整流电路类型n,类型n包括6脉波、12脉波,以及各次谐波电流的幅值、相角,其中各次谐波电流的相角由供电侧基波电压相角作为基准。
4.根据权利要求1所述的基于神经网络的电动汽车充电站谐波建模方法,其特征在于:步骤(3)的具体实现方式为,
(3-1)构建电动汽车充电机的谐波源的特性数学模型为:
Ih∠θh=Fh(U1,SOC,n),h=1,2,...,N
其中U1为基波电压幅值,SOC为电池的荷电状态,n为整流电路类型,n为6或12,Ih、θh为各次谐波电流的幅值和相位;[U1,SOC,n]和[Ih,θh]分别为模型的输入和输出,由此确定神经网络的输入和输出节点个数;
(3-2)由样本数据集随机生成训练样本和测试样本,将输入和目标输出向量利用以下公式进行归一化处理:
(3-3)在MATLAB平台上建立RBF神经网络,设置网络参数,将训练样本集输入RBF神经网络,对模型进行学习和训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910075957.5A CN109800520B (zh) | 2019-01-25 | 2019-01-25 | 一种基于神经网络的电动汽车充电站谐波建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910075957.5A CN109800520B (zh) | 2019-01-25 | 2019-01-25 | 一种基于神经网络的电动汽车充电站谐波建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109800520A CN109800520A (zh) | 2019-05-24 |
CN109800520B true CN109800520B (zh) | 2023-03-24 |
Family
ID=66558962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910075957.5A Active CN109800520B (zh) | 2019-01-25 | 2019-01-25 | 一种基于神经网络的电动汽车充电站谐波建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800520B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110210152B (zh) * | 2019-06-06 | 2021-01-29 | 福州大学 | 一种超高次谐波源建模方法 |
CN110502804B (zh) * | 2019-07-29 | 2020-04-21 | 山东大学 | 一种电动汽车充电过程时变谐波电流评估方法及*** |
CN110596586B (zh) * | 2019-08-14 | 2021-12-10 | 河海大学常州校区 | 一种基于Alexnet算法的电机电流波形分析方法 |
CN111313412A (zh) * | 2020-03-17 | 2020-06-19 | 浙江华电器材检测研究所有限公司 | 一种多接入电动汽车充电桩对电网谐波影响的分析方法 |
CN111693774A (zh) * | 2020-05-06 | 2020-09-22 | 南方电网科学研究院有限责任公司 | 一种输电网的谐波测量方法和装置 |
CN114791993B (zh) * | 2022-05-16 | 2022-11-11 | 江苏大学 | 一种动力电池组soh预测方法及*** |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0638382A (ja) * | 1992-07-14 | 1994-02-10 | Toshiba Corp | 電力系統安定度監視装置 |
US6064180A (en) * | 1996-10-29 | 2000-05-16 | General Motors Corporation | Method and apparatus for determining battery state-of-charge using neural network architecture |
CN107370151A (zh) * | 2017-04-10 | 2017-11-21 | 贵州大学 | 一种电动汽车不同充电模式相互影响的分析方法 |
CN108663570B (zh) * | 2018-03-15 | 2023-05-23 | 杭州市电力设计院有限公司 | 基于三角函数神经网络的电流谐波分析方法 |
-
2019
- 2019-01-25 CN CN201910075957.5A patent/CN109800520B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109800520A (zh) | 2019-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800520B (zh) | 一种基于神经网络的电动汽车充电站谐波建模方法 | |
Zhang et al. | Aging performance characterization and state-of-health assessment of retired lithium-ion battery modules | |
Wang et al. | A high frequency battery model for current ripple analysis | |
CN106250576A (zh) | 一种基于动态阻抗的锂电池模型的建模方法 | |
CN110488194A (zh) | 一种基于电化学阻抗模型的锂电池soc估算方法及其*** | |
CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
Caicedo et al. | Frequency domain modeling of nonlinear loads, considering harmonic interaction | |
WO2023274194A1 (zh) | 一种适用于富锂锰基电池的高阶模型参数辨识方法和*** | |
CN105738829A (zh) | 动力锂电池的等效电路模型参数识别方法 | |
CN106441925A (zh) | 电动汽车动力***测试装置 | |
CN106772104A (zh) | 一种动力电池soc值估算方法 | |
CN109523165A (zh) | 一种基于有限信息的电压暂降状态估计方法 | |
Enache et al. | Comparative study for generic battery models used for electric vehicles | |
CN107677905A (zh) | 一种电动汽车非车载充电机检测装置 | |
Bahramipanah et al. | Enhanced electrical model of lithium-based batteries accounting the charge redistribution effect | |
Cheng et al. | Time-domain modeling of constant phase elements for simulation of lithium battery behavior | |
Ceylan et al. | A novel Lithium-Ion-Polymer battery model for hybrid/electric vehicles | |
CN204142849U (zh) | 用于模拟电动汽车充电的电池仿真器和*** | |
Mohsin et al. | Lead-acid battery modelling in perspective of ageing: a review | |
CN111562499B (zh) | 一种新能源汽车锂动力电池热管理模拟方法 | |
Han et al. | Modeling for lithium-ion battery used in electric vehicles | |
Li et al. | An improved battery on-line parameter identification and state-of-charge determining method | |
CN108233356B (zh) | 一种光伏逆变器控制器一致性评估方法及其评估平台 | |
CN105203967A (zh) | 一种动力电池劣化程度的测试方法及测试装置 | |
Li et al. | A new method to estimate the state of charge of the green battery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |