CN113552491B - 一种基于rnn模型的储能电站电池组soc估计方法 - Google Patents
一种基于rnn模型的储能电站电池组soc估计方法 Download PDFInfo
- Publication number
- CN113552491B CN113552491B CN202110732556.XA CN202110732556A CN113552491B CN 113552491 B CN113552491 B CN 113552491B CN 202110732556 A CN202110732556 A CN 202110732556A CN 113552491 B CN113552491 B CN 113552491B
- Authority
- CN
- China
- Prior art keywords
- soc
- battery pack
- new
- voltage
- power station
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于RNN模型的储能电站电池组SOC估计方法,所述方法包括:构建原始数据集;按照电池的OCV‑SOC曲线,替换电压值,组成新原始数据集;将数据集进行预处理,划分训练集和测试集;搭建神经网络模型结构;训练和评估神经网络模型;估计储能电站电池组的SOC。本发明能够利用储能电站运行期间电池组短暂退出运行的机会,通过RNN神经网络模型根据短时间内的电压和电流数据来准确估计电池组的SOC,克服安时积分法的累积误差问题,也避免开路电压法需要电池组长时间静置的缺陷。
Description
技术领域
本发明涉及电池监测技术领域,具体涉及一种基于RNN模型的储能电站电池组SOC估计方法。
背景技术
随着新能源电源的大规模接入,电网需要接入大量储能电站来平抑新能源的功率波动,同时支持电网的调峰调频。在储能电站中,对于电池组SOC的准确估计至关重要,关系到储能电站的经济效益和安全可靠运行。由于抑制新能源功率波动和参与电网调峰调频的实时性要求,储能电站的电池组很少工作于满充和满放模式,也少有长时间静置的机会。采用传统安时积分法估计电池组SOC的方式,电流传感器测量误差的不断累积会影响SOC估计精度。由于电池组少有充满、放空和长时间静置的机会,也难以通过开路电压法来定期校正SOC,导致安时积分法的累积误差难以消除。
发明内容
本发明为克服上述现有技术存在的储能电站电池组SOC估计精度不足的问题,提出了一种基于RNN模型的储能电站电池组SOC估计方法。
本发明的首要目的是为解决上述技术问题,本发明的技术方案如下:
一种基于RNN模型的储能电站电池组SOC估计方法,其特征在于,包括以下步骤:
S1:令储能电站中相同型号容量的所有电池组轮流参与调峰调频,每当其中有电池组退出运行时,记录该电池组退出运行前一采样时刻的电流值、退出运行后电压恢复过程中前T个采样时刻的所有电压值、电压恢复过程结束时的电压值,组成原始数据集Dori;
S2:将步骤S1所述原始数据集中电压恢复过程结束时的电压值,按照电池的OCV-SOC曲线,获得与该电压值所对应的SOC值,用该SOC值替换步骤S1所述原始数据集中对应的电压恢复过程结束时的电压值,组成新原始数据集Dnew;
S3:将步骤S2所述的新原始数据集进行预处理,然后划分为训练集和测试集;
S4:搭建RNN神经网络模型,得到网络模型结构;
S5:对RNN神经网络模型进行训练和评估,将评估合格的RNN神经网络模型用于估计储能电站中所有电池组的SOC值;
S6:在储能电站持续运行过程中,令电站中的所有电池组轮流参与调峰调频,当其中某个电池组退出运行时,采集该电池组退出运行前一采样时刻的电流值、退出运行后电压恢复过程中前T个采样时刻的所有电压值,输入步骤S5所述评估合格的RNN神经网络模型,估计该电池组的SOC。
本方案中,步骤S1所述的原始数据集Dori,其具体组成步骤如下:
S101:将储能电站中相同型号容量的电池组数量表示为N,在该型号容量电池组允许的最大充放电电流[-Imax,Imax]范围内均匀选取M个电流值形成电流集合如下:
dI=[i1,i2,…,iM]
其中,-Imax=i1<i2<…<iM=Imax,im<0代表充电,im>0代表放电;
S102:在(0,100%)范围内均匀选取K个数据,构成暂停充放电的SOC集合dSOC如下:
dSOC=[SOC1,SOC2,…,SOCK]
其中,0<SOC1<SOC2<…<SOCK<100%;
S103:在储能电站参与调峰调频期间,通过对多个电池组的协调控制,使其中第n个电池组以电流集合向量dI中的第m个电流值进行恒流充放电,直至该电池组每次到达SOC数据集dSOC的第k个SOC值SOCk时退出运行,然后将所选用的电流im、退出运行后电压恢复过程中前T个采样时刻的所有电压值数据u1,u2,…,uT记录下来,然后等待电池电压恢复至稳定值,将当前电压数据记录为uOCVk;
S104:将步骤S103所述的数据整合,构成一条样本数据dm,k为:
dm,k=[im,u1,u2,…,uT,uOCVk]
S105:循环执行S103至S104,直至第n个电池组以电流集合dI中的所有M个电流遍历SOC集合dSOC中的K个SOC,从而获得M×K条样本数据,将这些样本数据整合成数据集Dn如下:
S106:循环执行S103至S105,直至所有N个电池组都以电流集合dI中的所有M个电流遍历SOC集合dSOC中的K个SOC,从而获得N个数据集Dn(n=1,2,…,N),并全部保存到原始数据集Dori中。
本方案中,步骤S2所述的新原始数据集Dnew,其具体组成步骤如下:
S201:在步骤S1所述原始数据集Dori中,提取第n个电池组对应的数据集Dn中的样本数据dm,k,将其中的最后一个电压数据uOCVk按照电池的OCV-SOC曲线转化为与该电压值所对应的SOC值,记录为数据SOCk,并用其替换原来的电压数据uOCVk,构成新的样本数据dnewm,k为:
dnewm,k=[im,u1,u2,…,uT,SOCk]
S202:循环执行S201,直至将第n个电池组对应的数据集Dn中的所有M×K条样本数据都完成替换,得到新数据集Dnewn如下:
S203:循环执行S201至S202,直至完成所有N个电池组的数据集Dn(n=1,2,…,N)的替换,得到新原始数据集Dnew。
本方案中,步骤S3所述的新原始数据集进行预处理,其具体步骤如下:
S301:将步骤S2输出的新原始数据集Dnew的最后一列标记为标签值ZSOC,其他的前(T+1)列记为特征矩阵G,该特征矩阵的每一行都为一个特征向量:
g(SOCk,im)=[im,u1,u2,…,uT]
S302:对退出运行后电压恢复过程中前T个采样时刻的所有电压值数据u1,u2,…,uT对时间进行求导,获得新的特征向量gnew如下:
gnew=[im,u′1,u′2,…,u′T]
S303:对新的特征向量gnew进行归一化处理,并与原先对应的标签值ZSOC重新组合,构成数据矩阵;
S304:将数据矩阵划分成训练集和测试集。
本方案中,步骤S5所述的对RNN神经网络模型进行训练和评估,具体步骤如下:
S501:所述RNN神经网络模型由(L+1)个输入层、(L+1)个隐藏层和1个输出层构成;
S502:将S302所述的特征向量gnew中电压特征数据u′1,u′2,…,u′T平均分为L份,并将电流特征im复制相同份数,依次作为RNN神经网络模型的输入;
S503:第一个输入层X1经过非线性映射与初始隐藏层S0经过非线性映射后相加,输入第一个隐藏层S1;第二个输入层X2经过非线性映射与第一个隐藏层S1经过非线性映射后相加,输入到第二个隐藏层S2;第三个输入层X3经过非线性映射与第二个隐藏层S2经过非线性映射后相加,并加上经过非线性映射的第一个隐藏层S1,输入到第三个隐藏层S3;直到第(L+1)个输入层XL+1经过非线性映射与第L个隐藏层SL经过非线性映射后相加,并加上经过非线性映射的第一个隐藏层S1,输入到第(L+1)个隐藏层SL+1;最后将第(L+1)个隐藏层SL+1经过非线性映射到输出层,作为整个RNN神经网络模型的输出。
S1=f(UX1+WS0+b)
S2=f(UX2+WS1+b)
S3=f(UX3+WS2+WS1+b)
SL+1=f(UXL+1+WSL+WS1+b)
Y=tanh(VSL+1+c)
其中,U为输入层到隐藏层的权重矩阵;W为上一个隐藏层到当前隐藏层的输入的权重矩阵;V为隐藏层到输出层的权重矩阵;b和c为偏置;tanh(.)为激活函数;
S504:将步骤S304所述的训练集和测试集数据输入到S503所述的RNN神经网络模型进行训练和评估,得到权重参数U、W、V;
S505:将评估合格的RNN神经网络模型及其权重参数用于估计储能电站中所有电池组的SOC值。
本方案中,步骤S6所述当其中某个电池组退出运行时,估计该电池组的SOC,具体步骤如下:
S601:将步骤S5评估合格的RNN神经网络模型及其权重参数导入到储能电站电池组管理***中;
S602:储能电站电池组管理***检测所有电池组的电压和电流,当某个电池组退出运行时,先记录该电池组退出运行前一采样时刻的电流值irest,然后持续记录该电池组退出运行后电压恢复过程中前T个采样时刻的所有电压值urest1,urest2,…,urestT;
S603:将步骤S602记录的电压值urest1,urest2,…,urestT分别对时间求导,然后将电流值irest和求导后的电压值u′rest1,u′rest2,…,u′restT进行归一化处理,然后输入步骤S601所导入的RNN神经网络模型,得到该电池单元的SOC。
与现有技术相比,本发明技术方案的有益效果是:
在储能电站参与调峰调频期间,通过对多个电池组的协调控制,使储能电站中的所有电池组能在某段时间内以给定电流进行恒流充放电,从而获取RNN神经网络模型训练和评估所需的数据集;在完成RNN神经网络模型训练和评估后,可以利用电池组短暂退出运行的机会,将短时间内的电压和电流数据输入训练好的RNN神经网络模型,从而获取准确的SOC数据。由此,克服了传统安时积分法的累积误差问题,同时也克服了开路电压法要求长时间静置的问题。
附图说明
图1为本发明提出的一种基于RNN模型的储能电站电池组SOC估计方法流程图;
图2为本发明实施例的RNN神经网络模型。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
在一个具体的实施例中,如图1所示,一种基于RNN模型的储能电站电池组SOC估计方法,包括以下步骤:
S1:令储能电站中相同型号容量的所有电池组轮流参与调峰调频,每当其中有电池组退出运行时,记录该电池组退出运行前一采样时刻的电流值、退出运行后电压恢复过程中前T个采样时刻的所有电压值、电压恢复过程结束时的电压值,组成原始数据集Dori;
S2:将步骤S1所述原始数据集中电压恢复过程结束时的电压值,按照电池的OCV-SOC曲线,获得与该电压值所对应的SOC值,用该SOC值替换步骤S1所述原始数据集中对应的电压恢复过程结束时的电压值,组成新原始数据集Dnew;
S3:将步骤S2所述的新原始数据集进行预处理,然后划分为训练集和测试集;
S4:搭建RNN神经网络模型,得到网络模型结构;
S5:对RNN神经网络模型进行训练和评估,将评估合格的RNN神经网络模型用于估计储能电站中所有电池组的SOC值;
S6:在储能电站持续运行过程中,令电站中的所有电池组轮流参与调峰调频,当其中某个电池组退出运行时,采集该电池组退出运行前一采样时刻的电流值、退出运行后电压恢复过程中前T个采样时刻的所有电压值,输入步骤S5所述评估合格的RNN神经网络模型,估计该电池组的SOC。
本方案中,步骤S1所述的原始数据集Dori,其具体组成步骤如下:
S101:将储能电站中相同型号容量的电池组数量表示为N,在该型号容量电池组允许的最大充放电电流[-Imax,Imax]范围内均匀选取M个电流值形成电流集合如下:
dI=[i1,i2,…,iM]
其中,-Imax=i1<i2<…<iM=Imax,im<0代表充电,im>0代表放电;
S102:在(0,100%)范围内均匀选取K个数据,构成暂停充放电的SOC集合dSOC如下:
dSOC=[SOC1,SOC2,…,SOCK]
其中,0<SOC1<SOC2<…<SOCK<100%;
S103:在储能电站参与调峰调频期间,通过对多个电池组的协调控制,使其中第n个电池组以电流集合向量dI中的第m个电流值进行恒流充放电,直至该电池组每次到达SOC数据集dSOC的第k个SOC值SOCk时退出运行,然后将所选用的电流im、退出运行后电压恢复过程中前T个采样时刻的所有电压值数据u1,u2,…,uT记录下来,然后等待电池电压恢复至稳定值,将当前电压数据记录为uOCVk;
S104:将步骤S103所述的数据整合,构成一条样本数据dm,k为:
dm,k=[im,u1,u2,…,uT,uOCVk]
S105:循环执行S103至S104,直至第n个电池组以电流集合dI中的所有M个电流遍历SOC集合dSOC中的K个SOC,从而获得M×K条样本数据,将这些样本数据整合成数据集Dn如下:
S106:循环执行S103至S105,直至所有N个电池组都以电流集合dI中的所有M个电流遍历SOC集合dSOC中的K个SOC,从而获得N个数据集Dn(n=1,2,…,N),并全部保存到原始数据集Dori中。
本方案中,步骤S2所述的新原始数据集Dnew,其具体组成步骤如下:
S201:在步骤S1所述原始数据集Dori中,提取第n个电池组对应的数据集Dn中的样本数据dm,k,将其中的最后一个电压数据uOCVk按照电池的OCV-SOC曲线转化为与该电压值所对应的SOC值,记录为数据SOCk,并用其替换原来的电压数据uOCVk,构成新的样本数据dnewm,k为:
dnewm,k=[im,u1,u2,…,uT,SOCk]
S202:循环执行S201,直至将第n个电池组对应的数据集Dn中的所有M×K条样本数据都完成替换,得到新数据集Dnewn如下:
S203:循环执行S201至S202,直至完成所有N个电池组的数据集Dn(n=1,2,…,N)的替换,得到新原始数据集Dnew。
本方案中,步骤S3所述的新原始数据集进行预处理,其具体步骤如下:
S301:将步骤S2输出的新原始数据集Dnew的最后一列标记为标签值ZSOC,其他的前(T+1)列记为特征矩阵G,该特征矩阵的每一行都为一个特征向量:
g(SOCk,im)=[im,u1,u2,…,uT]
S302:对退出运行后电压恢复过程中前T个采样时刻的所有电压值数据u1,u2,…,uT对时间进行求导,获得新的特征向量gnew如下:
gnew=[im,u′1,u′2,…,u′T]
S303:对新的特征向量gnew进行归一化处理,并与原先对应的标签值ZSOC重新组合,构成数据矩阵;
S304:将数据矩阵划分成训练集和测试集。
本方案中,步骤S5所述的对RNN神经网络模型进行训练和评估,如图2所示,具体步骤如下:
S501:所述RNN神经网络模型由(L+1)个输入层、(L+1)个隐藏层和1个输出层构成;
S502:将S302所述的特征向量gnew中电压特征数据u′1,u′2,…,u′T平均分为L份,并将电流特征im复制相同份数,依次作为RNN神经网络模型的输入;
S503:第一个输入层X1经过非线性映射与初始隐藏层S0经过非线性映射后相加,输入第一个隐藏层S1;第二个输入层X2经过非线性映射与第一个隐藏层S1经过非线性映射后相加,输入到第二个隐藏层S2;第三个输入层X3经过非线性映射与第二个隐藏层S2经过非线性映射后相加,并加上经过非线性映射的第一个隐藏层S1,输入到第三个隐藏层S3;直到第(L+1)个输入层XL+1经过非线性映射与第L个隐藏层SL经过非线性映射后相加,并加上经过非线性映射的第一个隐藏层S1,输入到第(L+1)个隐藏层SL+1;最后将第(L+1)个隐藏层SL+1经过非线性映射到输出层,作为整个RNN神经网络模型的输出。
S1=f(UX1+WS0+b)
S2=f(UX2+WS1+b)
S3=f(UX3+WS2+WS1+b)
SL+1=f(UXL+1+WSL+WS1+b)
Y=tanh(VSL+1+c)
其中,U为输入层到隐藏层的权重矩阵;W为上一个隐藏层到当前隐藏层的输入的权重矩阵;V为隐藏层到输出层的权重矩阵;b和c为偏置;tanh(.)为激活函数;
S504:将步骤S304所述的训练集和测试集数据输入到S503所述的RNN神经网络模型进行训练和评估,得到权重参数U、W、V;
S505:将评估合格的RNN神经网络模型及其权重参数用于估计储能电站中所有电池组的SOC值。
本方案中,步骤S6所述当其中某个电池组退出运行时,估计该电池组的SOC,具体步骤如下:
S601:将步骤S5评估合格的RNN神经网络模型及其权重参数导入到储能电站电池组管理***中;
S602:储能电站电池组管理***检测所有电池组的电压和电流,当某个电池组退出运行时,先记录该电池组退出运行前一采样时刻的电流值irest,然后持续记录该电池组退出运行后电压恢复过程中前T个采样时刻的所有电压值urest1,urest2,…,urestT;
S603:将步骤S602记录的电压值urest1,urest2,…,urestT分别对时间求导,然后将电流值irest和求导后的电压值u′rest1,u′rest2,…,u′restT进行归一化处理,然后输入步骤S601所导入的RNN神经网络模型,得到该电池单元的SOC。
Claims (6)
1.一种基于RNN模型的储能电站电池组SOC估计方法,其特征在于,包括以下步骤:
S1:令储能电站中相同型号容量的所有电池组轮流参与调峰调频,每当其中有电池组退出运行时,记录该电池组退出运行前一采样时刻的电流值、退出运行后电压恢复过程中前T个采样时刻的所有电压值、电压恢复过程结束时的电压值,组成原始数据集Dori;
S2:将步骤S1所述原始数据集中电压恢复过程结束时的电压值,按照电池的OCV-SOC曲线,获得与该电压值所对应的SOC值,用该SOC值替换步骤S1所述原始数据集中对应的电压恢复过程结束时的电压值,组成新原始数据集Dnew;
S3:将步骤S2所述的新原始数据集进行预处理,然后划分为训练集和测试集;
S4:搭建RNN神经网络模型,得到网络模型结构;
S5:对RNN神经网络模型进行训练和评估,将评估合格的RNN神经网络模型用于估计储能电站中所有电池组的SOC值;
S6:在储能电站持续运行过程中,令电站中的所有电池组轮流参与调峰调频,当其中某个电池组退出运行时,采集该电池组退出运行前一采样时刻的电流值、退出运行后电压恢复过程中前T个采样时刻的所有电压值,输入步骤S5所述评估合格的RNN神经网络模型,估计该电池组的SOC。
2.根据权利要求1所述的一种基于RNN模型的储能电站电池组SOC估计方法,其特征在于,步骤S1所述的原始数据集Dori,其具体组成步骤如下:
S101:将储能电站中相同型号容量的电池组数量表示为N,在该型号容量电池组允许的最大充放电电流[-Imax,Imax]范围内均匀选取M个电流值形成电流集合如下:
dI=[i1,i2,…,iM]
其中,-Imax=i1<i2<…<iM=Imax,im<0代表充电,im>0代表放电;
S102:在(0,100%)范围内均匀选取K个数据,构成暂停充放电的SOC集合dSOC如下:
dSOC=[SOC1,SOC2,…,SOCK]
其中,0<SOC1<SOC2<…<SOCK<100%;
S103:在储能电站参与调峰调频期间,通过对多个电池组的协调控制,使其中第n个电池组以电流集合向量dI中的第m个电流值进行恒流充放电,直至该电池组每次到达SOC数据集dSOC的第k个SOC值SOCk时退出运行,然后将所选用的电流im、退出运行后电压恢复过程中前T个采样时刻的所有电压值数据u1,u2,…,uT记录下来,然后等待电池电压恢复至稳定值,将当前电压数据记录为uOCV k;
S104:将步骤S103所述的数据整合,构成一条样本数据dm,k为:
dm,k×[im,u1,u2,…,uT,uOCV k]
S105:循环执行S103至S104,直至第n个电池组以电流集合dI中的所有M个电流遍历SOC集合dSOC中的K个SOC,从而获得M×K条样本数据,将这些样本数据整合成数据集Dn如下:
S106:循环执行S103至S105,直至所有N个电池组都以电流集合dI中的所有M个电流遍历SOC集合dSOC中的K个SOC,从而获得N个数据集Dn(n=1,2,…,N),并全部保存到原始数据集Dori中。
3.根据权利要求2所述的一种基于RNN模型的储能电站电池组SOC估计方法,其特征在于,步骤S2所述的新原始数据集Dnew,其具体组成步骤如下:
S201:在步骤S1所述原始数据集Dori中,提取第n个电池组对应的数据集Dn中的样本数据dm,k,将其中的最后一个电压数据uOCV k按照电池的OCV-SOC曲线转化为与该电压值所对应的SOC值,记录为数据SOCk,并用其替换原来的电压数据uOCV k,构成新的样本数据dnew m,k为:
dnew m,k=[im,u1,u2,…,uT,SOCk]
S202:循环执行S201,直至将第n个电池组对应的数据集Dn中的所有M×K条样本数据都完成替换,得到新数据集Dnew n如下:
S203:循环执行S201至S202,直至完成所有N个电池组的数据集Dn(n=1,2,…,N)的替换,得到新原始数据集Dnew。
4.根据权利要求3所述的一种基于RNN模型的储能电站电池组SOC估计方法,其特征在于,步骤S3所述的新原始数据集进行预处理,其具体步骤如下:
S301:将步骤S2输出的新原始数据集Dnew的最后一列标记为标签值ZSOC,其他的前(T+1)列记为特征矩阵G,该特征矩阵的每一行都为一个特征向量:
g(SOCk,im)=[im,u1,u2,…,uT]
S302:对退出运行后电压恢复过程中前T个采样时刻的所有电压值数据u1,u2,…,uT对时间进行求导,获得新的特征向量gnew如下:
gnew=[im,u′1,u′2,…,u′T]
S303:对新的特征向量gnew进行归一化处理,并与原先对应的标签值ZSOC重新组合,构成数据矩阵;
S304:将数据矩阵划分成训练集和测试集。
5.根据权利要求4所述的一种基于RNN模型的储能电站电池组SOC估计方法,其特征在于,步骤S5所述的对RNN神经网络模型进行训练和评估,具体步骤如下:
S501:所述RNN神经网络模型由(L+1)个输入层、(L+1)个隐藏层和1个输出层构成;
S502:将S302所述的特征向量gnew中电压特征数据u′1,u′2,...,u′T平均分为L份,并将电流特征im复制相同份数,依次作为RNN神经网络模型的输入;
S503:第一个输入层X1经过非线性映射与初始隐藏层S0经过非线性映射后相加,输入第一个隐藏层S1;第二个输入层X2经过非线性映射与第一个隐藏层S1经过非线性映射后相加,输入到第二个隐藏层S2;第三个输入层X3经过非线性映射与第二个隐藏层S2经过非线性映射后相加,并加上经过非线性映射的第一个隐藏层S1,输入到第三个隐藏层S3;直到第(L+1)个输入层XL+1经过非线性映射与第L个隐藏层SL经过非线性映射后相加,并加上经过非线性映射的第一个隐藏层S1,输入到第(L+1)个隐藏层SL+1;最后将第(L+1)个隐藏层SL+1经过非线性映射到输出层,作为整个RNN神经网络模型的输出,模型表达式如下:
其中,U为输入层到隐藏层的权重矩阵;W为上一个隐藏层到当前隐藏层的输入的权重矩阵;V为隐藏层到输出层的权重矩阵;b和c为偏置;tanh(.)为激活函数;
S504:将步骤S304所述的训练集和测试集数据输入到S503所述的RNN神经网络模型进行训练和评估,得到权重参数U、W、V;
S505:将评估合格的RNN神经网络模型及其权重参数用于估计储能电站中所有电池组的SOC值。
6.根据权利要求1所述的一种基于RNN模型的储能电站电池组SOC估计方法,其特征在于,步骤S6所述当其中某个电池组退出运行时,估计该电池组的SOC,具体步骤如下:
S601:将步骤S5评估合格的RNN神经网络模型及其权重参数导入到储能电站电池组管理***中;
S602:储能电站电池组管理***检测所有电池组的电压和电流,当某个电池组退出运行时,先记录该电池组退出运行前一采样时刻的电流值irest,然后持续记录该电池组退出运行后电压恢复过程中前T个采样时刻的所有电压值urest 1,urest 2,…,urest T;
S603:将步骤S602记录的电压值urest 1,urest 2,…,urest T分别对时间求导,然后将电流值irest和求导后的电压值u′rest 1,u′rest 2,…,u′rest T进行归一化处理,然后输入步骤S601所导入的RNN神经网络模型,得到该电池组的SOC。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110732556.XA CN113552491B (zh) | 2021-06-29 | 2021-06-29 | 一种基于rnn模型的储能电站电池组soc估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110732556.XA CN113552491B (zh) | 2021-06-29 | 2021-06-29 | 一种基于rnn模型的储能电站电池组soc估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113552491A CN113552491A (zh) | 2021-10-26 |
CN113552491B true CN113552491B (zh) | 2022-03-11 |
Family
ID=78131095
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110732556.XA Active CN113552491B (zh) | 2021-06-29 | 2021-06-29 | 一种基于rnn模型的储能电站电池组soc估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113552491B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114910793B (zh) * | 2022-04-24 | 2023-03-31 | 广东工业大学 | 一种储能电站串联电池组的soh估计方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557907A (zh) * | 2020-12-17 | 2021-03-26 | 杭州六纪科技有限公司 | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11171498B2 (en) * | 2017-11-20 | 2021-11-09 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge estimation |
-
2021
- 2021-06-29 CN CN202110732556.XA patent/CN113552491B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557907A (zh) * | 2020-12-17 | 2021-03-26 | 杭州六纪科技有限公司 | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 |
Non-Patent Citations (3)
Title |
---|
基于LSTM 的电动汽车SOC估算方法的研究;马非凡 等;《农业装备与车辆工程》;20201130;第58卷(第11期);60-63 * |
基于循环神经网络的锂电池SOC估算方法;李超然 等;《海军工程大学学报》;20191231;第31卷(第6期);107-112 * |
基于知识学习的储能电站健康监测与预警;刘建军 等;《电力***保护与控制》;20210216;第49卷(第4期);64-71 * |
Also Published As
Publication number | Publication date |
---|---|
CN113552491A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107991623B (zh) | 一种考虑温度和老化程度的电池安时积分soc估计方法 | |
CN111954823B (zh) | 蓄电池诊断装置及蓄电池诊断方法以及蓄电池控制*** | |
CN111880099B (zh) | 一种储能电站站内电池单体寿命预测方法及*** | |
CN113253140B (zh) | 电池健康状态在线估算方法 | |
Wang et al. | Online dynamic equalization adjustment of high-power lithium-ion battery packs based on the state of balance estimation | |
JP6801101B2 (ja) | 蓄電池残量推定装置、蓄電池残量推定方法、およびプログラム | |
JP6490882B1 (ja) | 蓄電池診断装置および蓄電池診断方法、並びに蓄電池制御システム | |
CN113128672B (zh) | 一种基于迁移学习算法的锂离子电池组soh估计方法 | |
CN108490361A (zh) | 一种基于云端反馈的荷电状态SoC计算方法 | |
CN117054892B (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
CN113552491B (zh) | 一种基于rnn模型的储能电站电池组soc估计方法 | |
Liu et al. | A new dynamic SOH estimation of lead‐acid battery for substation application | |
CN113917336A (zh) | 基于片段充电时间和gru的锂离子电池健康状态预测方法 | |
Rieger et al. | Uncertainty-aware and explainable machine learning for early prediction of battery degradation trajectory | |
CN114202229B (zh) | 基于深度强化学习的微电网的能量管理策略的确定方法 | |
CN112763916B (zh) | 一种空间用锂离子电池组未来工况预测方法 | |
Chen et al. | Remaining useful life prediction of the lithium-ion battery based on CNN-LSTM fusion model and grey relational analysis. | |
CN106004481A (zh) | 一种混合动力汽车电池组soh值估算方法 | |
CN110232432A (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN109669138B (zh) | 一种精准测定动力铅蓄电池组剩余容量的方法 | |
CN117310532A (zh) | 一种基于BiLSTM的锂电池剩余使用寿命预测方法 | |
CN115792625A (zh) | 基于神经网络的锂电池soc估计方法、***、设备及介质 | |
JP2006300692A (ja) | 二次電池の残存容量演算方式 | |
CN113673176B (zh) | 基于Transformer的深度学习电池荷电状态预估***及方法 | |
CN116148670A (zh) | 一种电化学储能电站电池寿命估算方法及装置 |
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 |