CN114865668A - 一种储能调度支撑评估方法 - Google Patents
一种储能调度支撑评估方法 Download PDFInfo
- Publication number
- CN114865668A CN114865668A CN202210243927.2A CN202210243927A CN114865668A CN 114865668 A CN114865668 A CN 114865668A CN 202210243927 A CN202210243927 A CN 202210243927A CN 114865668 A CN114865668 A CN 114865668A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- station
- soc
- whole station
- discharge
- 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.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 113
- 238000011156 evaluation Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000007599 discharging Methods 0.000 claims description 7
- 230000003442 weekly effect Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims description 3
- 239000013256 coordination polymer Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012423 maintenance Methods 0.000 abstract description 7
- 239000000178 monomer Substances 0.000 abstract description 6
- 238000012847 principal component analysis method Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开一种储能调度支撑评估方法，本方法采用BP神经网络建立相应预测模型对整站可充放电量、整站可持续工作时间等计算值进行评价，保证输出值在误差允许范围内。最后，采用主成分分析法确定累计充放电量等储能电站关键指标的权重，实时评估储能电站的综合运行状态，为运维人员提供指导。本方法可以解决现有储能电站能量管理***只能采集电池组、储能变流器PCS等单体数据，缺乏储整站能力的体现，无法有效支撑调度需求的问题。
Description
技术领域
本发明涉及储能电站能量管理与调度领域，尤其是涉及一种基于机器学习的 储能调度支撑评估方法。
背景技术
近年来，光伏、风电等可再生能源发电技术得到迅速发展。但新能源发电具 有间歇性、随机性、可调度性差等特点，大规模并网会对电力***造成严重冲击， 影响大电网安全。储能作为更优质的灵活性资源，在提升电力***灵活性、促进 新能源消纳、保证电网安全等方面具有独特的优势。
储能电站能量管理***(EMS)是储能电站的关键设备，能够根据电网调度 指令和本地控制目标控制储能电站写的经济运行和能量的合理调度，具有数据采 集与分析、运行优化、负荷预测、诊断预警等功能。但传统EMS平台只能采集 电池组BMS、PCS等单体设备信息，不具备储能电站全局信息的分析能力，容易 造成数据信息缺失，无法有效支撑调度需求。
发明内容
针对现有技术的缺陷，本发明提供一种储能调度支撑评估方法，用于解决现 有储能电站能量管理***只能采集电池组、储能变流器PCS等单体数据，缺乏储 整站能力的体现，无法有效支撑调度需求的问题。
为了解决所述计算问题，本发明采用的计算方案是：一种储能调度支撑评估 方法，包括以下步骤：
S01)、基于储能电站采集设备的实时数据计算单个电池组累计充放电量、整 站累计充放电量以及整站小时级最大充放电功率；
S02)、根据步骤S01)的计算结果进一步计算得出整站可充放电电量和整站 当前功率可持续工作时间，并建立神经网络模型，神经网络模型输入储能电 站采集设备采集的实时数据，输出预测的整站可充放电电量和整站当前功率 可持续工作时间，采用预测值对计算值进行修正；
S03)、根据步骤S02)的计算结果，对储能电站的运行状态评价。
进一步的，步骤S01)具体为：
S11)、采集储能电池簇、BMS(电池管理***)、PCS(储能变流器)的单体 电池、单个电池组的实时数据，实时数据包括电压、电流；
S12)、根据步骤S11)采集的实时数据计算储能电站单个电池组的功率Pt＝UI
、 单个电池组累计充电电量
单个电池组累计放电电量
整站累计充电电量
整站累计放电电量
其中，N1和 N2分别为充放电时间，M为电池组个数；
S13)、根据储能电站单个电池组的功率，计算小时级最大充放电功率
其中Pn为电池组额定功率。
进一步的，根据步骤S01)的计算结果进一步计算得出整站可充放电电量和 整站当前功率可持续工作时间的具体过程为：
S21)、采集储能电池簇、BMS(电池管理***)、PCS(储能变流器)的实时 数据，实时数据包括电压、电流；
S22)、根据步骤S01)计算得出的整站累计充放电电量计算综合充放电次数 n＝(C总+DC总)/Qn，其中Qn为全站储能额定容量，C总为整站累计充电电量， DC总为整站累计放电电量；
S23)、根据剩余容量Qr(直接测量得到)计算整站电池荷电状态SOC值： SOC＝Qr/Qn×100％，并根据SOC值计算当前可达到的最大充电容量Qa；
S24)、根据当前可达到的最大充电容量Qa结合额定容量Qn，计算整站电池 健康状态SOH：SOH＝Qa/Qn×100％；
S25)、根据SOH、SOC值，计算整站可充放电量，具体如下：
综合考虑储能电站装机容量及SOC、SOH、储能电站功率和容量限制情况， 实时分析储能电站可充放电量信息；
可充电电量：CQ＝(min(SOH,SOChigh)-SOC)×Qn，其中，CQ为可充电电量， Qn为全站储能额定容量，SOChigh为设置好的整站SOC的上限值；
可放电电量：DCQ＝(SOC-SOClow)×Qn，其中，DCQ为可放电电量，SOClow为设置好的整站SOC的下限值；
S26)、根据整站可充放电量计算整站当前功率可持续工作时间；
综合考虑储能电站装机容量及SOC、SOH、储能电站功率和容量限制情况， 实时分析储能电站以当前功率进行充放电时的可持续工作的时间： 
其中，T为当前功率可持续工作时间，P't为当前 功率。
进一步的，步骤S23)计算当前可达到的最大充电容量Qa的过程为：
基于影响储能***使用寿命的因素，将电池充放电控制策略制定为：一旦开 始充电则尽量一直保持充电状态，直到SOC到达SOChigh；然后开始放电，并 一直持续到SOC到达SOClow，循环往复；
基于该假设，充电开始时间T开始、充电结束时间T结束、(T开始，T结束)时间段 内的充电时长CTi、充电功率CPi、放电时长DCTi、放电功率DCPi均已知； 若T结束时刻SOC值高于T开始时刻SOC值，则有 
据此求得Qa，其中SOC终 是T结束时刻SOC值，SOC始是T开始时刻SOC值；
若T结束时刻SOC值低于T开始时刻SOC值，则有
据此求得Qa。
进一步的，采用神经网络模型的预测值对计算值进行修正的方式为：将预测 值与计算值进行对比，若在误差范围，即计算值与预测值相差在(-20％，+20％) 以内，则采用计算值对电站状态进行评估，否则采用预测值评估。
进一步的，步骤S03)具体为：
S31)、根据整站累计充放电量、整站小时级最大充放电功率、整站可充放电 量、整站可持续工作时间、SOC、SOH的历史数据确定其在储能电站调度支 撑综合状态评价体系中所占权重；
S32)、采集整站累计充放电量、整站小时级最大充放电功率、整站可充放电 量、整站可持续工作时间、SOC、COH的实时数据，基于上步骤确定的权重 和公式yj＝wixij计算储能电站综合状态评估结果，其中y为综合评价结果， xi为第i个指标，j为各指标的第j个状态；
S33)、根据步骤S32)的计算结果，对储能电站的综合运行状态进行评价。
进一步的，计算出y后进行归一化，若y在(0.8，1]之间为优状态，y在(0.5， 0.8]之间为良状态，y在(0.2，0.5]之间为中状态，y在[0，0.2]之间为差状态，
进一步的，采用神经网络预测整站可充放电量、当前功率可持续工作时间的 过程为：
S26)、确定神经网络模型的输入输出参数、隐含层节点个数、激活函数、训 练算法，其中神经网络模型的输入参数为电流和电压，神经网络模型的输出 参数为整站可充电电量、整站可放电电量和整站当前功率可持续工作时间；
S27)、在历史数据库中，选取SOC值准确的时间段，采集步骤S26)中确定 的输入输出参数的历史数据，按7:3划分训练集和测试集；
S28)、采用训练集样本训练模型，并对模型进行校验，若满足误差要求，则 进入下一步，否则修改参数或数据集重新训练；
S29)、采用测试集样本对模型精度与泛化能力进行测试，并对测试结果进行 校验，若满足误差要求，则进入下一步，否则修改参数或数据集重新训练；
S210)、采集实时输入参数，神经网络模型基于输入参数进行预测，得出预测 的输出参数。
进一步的，N取24小时，计算得出单个电池组日累计充放电电量和整站日 累计充放电电量；N取一周，计算得出单个电池组周累计充放电电量和整站周累 计充放电电量；N取一月，则计算得出单个电池组月累计充放电电量和整站月累 计充放电电量；N取一年，则计算得出单个电池组年累计充放电电量和整站年累 计充放电电量。
本发明的有益效果：针对传统储能电站能量管理***EMS只能采集到电池 组、BMS、PCS等单体设备运行数据，缺乏对储能电站整站运行能力体现，无法 有效支撑调度需求的问题，本发明采用BP神经网络和主成分分析法实现储能电 站运行状态综合评估，能够针对储能电站关键设备单体运行数据，统计并计算出 整站可充放电电量、整站可持续工作时间等关键指标，并确定指标权重，评估电 站整体调度支撑能力。其中，鉴于电池SOC值对可充放电量等指标计算方法有 较大影响，若BMS上送的SOC值有偏差，会对计算结果产生严重影响，导致对 储能电站的整体评估失误。本方法采用BP神经网络建立相应预测模型对整站可 充放电量、整站可持续工作时间等计算值进行评价，保证输出值在误差允许范围 内。最后，采用主成分分析法确定累计充放电量等储能电站关键指标的权重，实 时评估储能电站的综合运行状态，为运维人员提供指导。
效果：该方法能够将采集到的BMS、PCS等关键设备单体信息进行整合分析， 得出整个储能电站的全景数据，具体包括不同时间段的电量统计、小时级最大充 放电功率、当日小时最大充放电功率、全站最大可充放电量、全站储能综合SOC、 SOH及当前功率下可持续工作时间等。同时，根据能够根据上述关键指标实时评 估储能电站的综合运行状态，为运维人员提供指导。
附图说明
图1为本发明的需求逻辑图；
图2为本发明的流程图；
图3为BP神经网络结构示意图；
图4为储能电站运行状态综合评价示意图。
具体实施方式
以下结合附图进一步详细说明本发明的具体实施方案，但本发明的保护范围 不局限于以下所述。
实施例1
本实施例公开一种储能调度支撑评估方法，其需求逻辑如图1所示，储能电 站能量管理***EMS采集到的电池单体、电池管理***BMS、储能变流器PCS 等设备或***的数据均为单体数据，根据这些单体数据可分析储能***单体设备 运行状态，挖掘有用信息，如：电池SOC、SOH、充放电次数、循环次数、充放 电寿命、充放电效率等。但随着储能电站的持续运行，会出现电池组SOC不一 致、电池组容量衰退等问题，导致可充放电电量、可持续工作时间等整站统计、 计算数据精度难以保证，无法有效支撑调度实时性、准确性的需求。
如图2所示，本实施例所述储能调度支撑评估方法包括以下步骤：
S01)、基于储能电站采集设备的实时数据计算单个电池组累计充放电量(日、 周、月、年)、整站累计充放电量(日、周、月、年)以及整站小时级最大充放 电功率；
S02)、根据步骤S01)的计算结果进一步计算得出整站可充放电电量和整站 当前功率可持续工作时间，并建立神经网络模型，神经网络模型输入储能电站采 集设备采集的实时数据，输出预测的整站可充放电电量和整站当前功率可持续工 作时间，采用预测值对计算值进行修正；
S03)、根据步骤S02)的计算结果，对储能电站的运行状态评价。具体是根 据上述步骤统计得到的关键指标历史数据，建立调度支撑综合评估模型，应用该 模型对电站运行状态进行实时评估，并给出评估结果，供运维方参考。
本实施例中，步骤S01)包括4个阶段，具体为：
S11)、采集储能电池簇、BMS、PCS上送的单体电池、单个电池组的电压和 电流等性能指标实时数据；
S12)、根据步骤S11)采集的实时数据计算储能电站单个电池组的功率： Pt＝UI、日累计充电电量：
日累计放电电量：
整 站日累计充电电量：
整站日累计放电电量：
等。 其中，N为24小时内充放电时间，M为电池组个数。同理，改变时间N可计算 整站周累计充放电电量、月累计充放电电量以及年累计充放电电量等。
S13)、根据储能电站单个电池组的功率，计算小时级最大充放电功率：
其中，Pn为电池组额定功率；
S14)、根据上述计算得到的指标信息，初步评估当前状态下电站基本情况。
步骤S02)包括3个阶段，具体为：
一、对从电池簇、BMS、储能单元各层级采集到的实时数据进行统计、分析， 得出储能***部分状态数据。该步骤包括6部分内容，具体如下：
1)采集电池簇、BMS、PCS上送的电流、电压等关键数据；
2)根据步骤1中计算得到的整站日累计充放电电量结合剩余容量Qr计算日 综合充放电次数n＝(C天,总+DC天,总)/Qn。其中，Qn为全站储能额定容量。其它 时间段的综合充放电次数(包括周、月、年)同理；
3)根据剩余容量Qr计算整站电池荷电状态SOC值：SOC＝Qr/Qn×100％。 并根据SOC值计算当前可达到的最大充电容量Qa，具体如下：
储能***由许多电池单元串并联构成，使用寿命由实际充放电功率、充放电 转换频率以及充放电深度等诸多因素共同决定。因此，本发明假设：电池充放电 控制策略制定为，一旦开始充电则尽量一直保持充电状态，直到SOC到达SOChigh； 然后开始放电，并一直持续到SOC到达SOClow，循环往复。
故有：统计开始时间T开始、统计结束时间T结束、(T开始，T结束)时间段内的 充电时长CTi、充电功率CPi、放电时长DCTi、放电功率DCPi均已知。
情形1：T结束时刻SOC值高于T开始时刻，则有
可据此求得Qa。其中，SOC终 是T结束时刻SOC值，SOC始是T开始时刻SOC值。
情形2：T结束时刻SOC值低于T开始时刻，则有
可据此求得Qa。
4)根据当前可达到的最大充电容量结合额定容量Qn，可计算整站电池健康 状态SOH：SOH＝Qa/Qn×100％；
5)根据SOH、SOC值，计算整站可充放电量，具体如下：
综合考虑储能电站装机容量及SOC、SOH、储能电站功率和容量限制情况， 可实时分析储能电站可充放电量信息。
可充电电量：CQ＝min(SOH×Qn,SOCmax)-(1-SOC)×Qn。其中，CQ为可充 电电量，Qn为全站储能额定容量。
可放电电量：DCQ＝max(SOCmin,SOC)×Qn。其中，DCQ为可放电电量。
6)根据整站可充放电量计算整站当前功率可持续工作时间。
综合考虑储能电站装机容量及SOC、SOH、储能电站功率和容量限制情况， 实时分析储能电站以当前功率进行充放电时的可持续工作的时间： 
其中，T为当前功率可持续工作时间，Pt为当前功率。
二、采用BP神经网络模型预测得到整站可充放电电量和整站当前功率可持 续工作时间。
通过上述六步的计算方法可得到较为准确的累计充放电容量，结合给定功率， 可得出整站可充放电电量、可持续工作时间、SOH等数据。但由计算过程可知， 电池SOC值对该计算方法有较大影响，若BMS上送SOC值有偏差，会对后续计 算产生严重影响，导致对储能电站的整体评估失误，甚至安全事故。
因此，本方法提出一种基于神经网络的智能方法对上述计算结果进行评价。 建模时，采用更精准的电池电流和电压等原始数据对整站可充放电电量以及可持 续工作时间等进行预测，整个过程跳过SOC值，避免因SOC值不准确造成的误 差。具体流程如下文所述。
采用神经网络建立整站可充放电量和当前功率可持续工作时间的预测模型， 并验证模型精度。该步骤包括5部分内容，具体如下：
1)确定模型输入输出参数、隐含层节点个数、激活函数，训练算法等，具 体如下：
如图3所示，经多次重复试验确定，神经网络预测模型的输入参数为：电流 和电压；输出参数为：整站可充电电量、整站可放电电量和整站当前功率可持续 工作时间。模型隐层节点个数取4个，激活函数取Sigmoid函数：S(x)＝1/(1+e-x)， 训练算法采用L-M算法。
2)在历史数据库中，选取SOC值准确的时间段，采集步骤1)中确定的输 入输出参数的历史数据，按7:3划分训练集和测试集；
3)根据步骤1)和2)采用训练集样本训练模型，并对模型进行校验。若满 足误差要求(一般取±2％)，则进入下一步，否则修改参数或数据集重新训练；
4)根据步骤1)和2)采用测试集样本对模型精度与泛化能力进行测试，并 对测试结果进行校验。若满足误差要求(一般取±5％)，则进入下一步，否则修 改参数或数据集重新训练。
三、将计算得到的整站可充放电量和整站当前功率可持续工作时间与预测得 到整站可充放电量和整站当前功率可持续工作时间进行对比，若满足：计算值在 预测值(-20％，+20％)误差以内，则以步骤(1)计算结果输出，否则输出步骤(2) 预测结果。
上述神经网络为BP神经网络，为了避免BP神经网络存在收敛速度慢、易出 现“过拟合”等问题，本方法采用L-M算法训练模型。L-M算法能够有效求解非线 性最小二乘问题。
如图4所示，确定储能电站当前电流I和电压U为模型输入参数。选取历史 数据库中SOC值准确的时间段，采用基于L-M算法的BP神经网络建立整站可充 电电量CQ、可放电量DCQ以及当前功率可持续工作时间T的预测模型，并验证 模型精度。需要注意的是，该模型每隔一段时间需重新选取数据进行训练，校正 模型参数，该时间周期可由运维人员自行决定，建议不要超过三个月。
实际应用时，实时采集设备上送的电流I和电压U数据，通过BP神经网络 模型实时对整站可充电电量CQ、可放电量DCQ以及当前功率可持续工作时间T 进行预测。将通过步骤(1)计算得到的整站可充电电量CQ、可放电量DCQ以 及当前功率可持续工作时间T与BP神经网络预测结果进行对比。若在误差范围 内，计算值与预测值相差在(-20％，+20％)以内，则采用计算值对电站状态进行评 估，否则采用预测值评估。
如图4所示，根据本发明的具体实施方式，上述步骤3储能电站状态评估过 程包括3个步骤，具体如下：
(1)根据整站日累计充放电量、整站小时级最大充放电功率、整站可充放 电量、整站可持续工作时间、SOC、SOH等关键指标历史数据确定其在储能电站 调度支撑综合状态评价体系中所占权重；
(2)采集整站日累计充放电量、整站小时级最大充放电功率、整站可充放 电量、整站可持续工作时间、SOC、SOH等关键指标实时数据，通过步骤(1) 确定的各关键指标权重w，根据评价公式：yj＝wixij计算储能电站综合状态评估 结果。其中，y为综合评价结果，xi为第i个指标，j为各指标的第j个状态；如 整站日累计充放电量、整站小时级最大充放电功率、整站可充放电量、整站可持 续工作时间、SOC、SOH有8个指标，该8个指标对应x1-x8，每一组x1-x8对应 一个评价结果。
(3)根据步骤S02)的计算结果，按图4所示对储能电站的综合运行状态 进行评价，供运维方参考。
其中，上述权重确定方法为主成分分析法。根据本发明的具体实施方式，对 主成分分析法描述如下：
主成分分析(Principal Component Analysis，PCA)是一种常用的数据降维方法，可将原本具有一定相关性的变量通过正交变换转换成互相无关的综合指标， 这些新指标能够尽可能多地反映原有变量的信息。基本数学原理具体如下：
设***有n个状态，每个状态有p个评价指标X＝(x1,x2,...,xp)。对X作正交 变换，获得各评价指标转换成的线性向量组Z＝AX，A＝(a1,a2,...,ap)，具体操作流 程如下：
1)每一特征减去各自的平均值，计算协方差矩阵及其特征值与特征向量；
2)对特征值从大到小排序，保留特征值最大的k个特征向量；
3)将原始数据转换到k个特征向量构建的新空间中。
此时，可将Zi分别成为原指标的第i个主成分，以各主成分的方差贡献率为 权值，由m个主成分生成的线性加权综合评价函数为：F＝b1Z1+b2Z2+…+bmZm。
根据上述对主成分分析法的描述，对步骤S03)作进一步解释：
收集一段时间内整站日累计充放电量、整站小时级最大充放电功率、整站可 充放电量、整站可持续工作时间、SOC、SOH等关键关键指标的历史数据，对这 些数据进行归一化处理。采用PCA方法根据历史数据确定各指标在调度支撑综 合评价体系中的权重w，并记录。实时采集整站日累计充放电量、整站小时级最 大充放电功率、整站可充放电量、整站可持续工作时间、SOC、SOH等关键指标 的运行数据，并归一化，通过权重w以公式yj＝wixij计算储能电站调度支撑综 合状态评估结果，计算结果在[0,1]之间。如图4所示，根据计算结果对储能电 站的运行状态进行评价，计算结果在(0.8，1]之间为优状态，(0.5，0.8]之间为良 状态，(0.2，0.5]之间为中状态，[0，0.2]之间为差状态，以此结果供运维方参考。
需要说明的是，以上内容对本发明的原理及实施方式进行了详细阐述，该内 容仅仅用作帮助理解本发明的方法及其核心思想，本发明的保护范围并不仅局限 于上述实施例。对于本领域的普通技术人员可以根据本发明公开内容做出各种不 脱离本发明实质的其它各种改进和变形，这些变化仍然在本发明的保护范围内。
Claims (9)
1.一种储能调度支撑评估方法，其特征在于：包括以下步骤：
S01)、基于储能电站采集设备的实时数据计算单个电池组累计充放电量、整站累计充放电量以及整站小时级最大充放电功率；
S02)、根据步骤S01)的计算结果进一步计算得出整站可充放电电量和整站当前功率可持续工作时间，并建立神经网络模型，神经网络模型输入储能电站采集设备采集的实时数据，输出预测的整站可充放电电量和整站当前功率可持续工作时间，采用预测值对计算值进行修正；
S03)、根据步骤S02)的计算结果，对储能电站的运行状态评价。
2.根据权利要求1所述的储能调度支撑评估方法，其特征在于：步骤S01)具体为：
S11)、采集储能电池簇、BMS、PCS的单体电池、单个电池组的实时数据，实时数据包括电压、电流；
S12)、根据步骤S11)采集的实时数据计算储能电站单个电池组的功率Pt＝UI、单个电池组累计充电电量
单个电池组累计放电电量
整站累计充电电量
整站累计放电电量
其中，N1和N2分别为充电时间和放电时间，M为电池组个数；
S13)、根据储能电站单个电池组的功率，计算小时级最大充放电功率
其中Pn为电池组额定功率。
3.根据权利要求1所述的储能调度支撑评估方法，其特征在于：根据步骤S01)的计算结果进一步计算得出整站可充放电电量和整站当前功率可持续工作时间的具体过程为：
S21)、采集储能电池簇、BMS、PCS的实时数据，实时数据包括电压、电流；
S22)、根据步骤S01)计算得出的整站累计充放电电量结合剩余容量Qr计算综合充放电次数n＝(C总+DC总)/Qn，其中Qn为全站储能额定容量，C总为整站累计充电电量，DC总为整站累计放电电量；
S23)、根据剩余容量Qr计算整站电池荷电状态SOC值：SOC＝Qr/Qn×100％，并根据SOC值计算当前可达到的最大充电容量Qa；
S24)、根据当前可达到的最大充电容量Qa结合额定容量Qn，计算整站电池健康状态SOH：SOH＝Qa/Qn×100％；
S25)、根据SOH、SOC值，计算整站可充放电量，具体如下：
综合考虑储能电站装机容量及SOC、SOH、储能电站功率和容量限制情况，实时分析储能电站可充放电量信息；
可充电电量：CQ＝(min(SOH,SOChigh)-SOC)×Qn，其中，CQ为可充电电量，Qn为全站储能额定容量，SOChigh为设置好的整站SOC的上限值；
可放电电量：DCQ＝(SOC-SOClow)×Qn，其中，DCQ为可放电电量，SOClow为设置好的整站SOC的下限值；
S26)、根据整站可充放电量计算整站当前功率可持续工作时间；
综合考虑储能电站装机容量及SOC、SOH、储能电站功率和容量限制情况，实时分析储能电站以当前功率进行充放电时的可持续工作的时间：
其中，T为当前功率可持续工作时间，P′t为整站当前功率。
4.根据权利要求3所述的储能调度支撑评估方法，其特征在于：步骤S23)计算当前可达到的最大充电容量Qa的过程为：
基于影响储能***使用寿命的因素，将电池充放电控制策略制定为：一旦开始充电则尽量一直保持充电状态，直到SOC到达SOChigh；然后开始放电，并一直持续到SOC到达SOClow，循环往复；
基于该假设，充电开始时间T开始、充电结束时间T结束、(T开始，T结束)时间段内的充电时长CTi、充电功率CPi、放电时长DCTi、放电功率DCPi均已知；若T结束时刻SOC值高于T开始时刻SOC值，则有
据此求得Qa，其中SOC终是T结束时刻SOC值，SOC始是T开始时刻SOC值；
若T结束时刻SOC值低于T开始时刻SOC值，则有
据此求得Qa。
5.根据权利要求1所述的储能调度支撑评估方法，其特征在于：采用神经网络模型的预测值对计算值进行修正的方式为：将预测值与计算值进行对比，若在误差范围，即计算值与预测值相差在(-20％，+20％)以内，则采用计算值对电站状态进行评估，否则采用预测值评估。
6.根据权利要求1所述的储能调度支撑评估方法，其特征在于：步骤S03)具体为：
S31)、根据整站累计充放电量、整站小时级最大充放电功率、整站可充放电量、整站可持续工作时间、SOC、SOH的历史数据确定其在储能电站调度支撑综合状态评价体系中所占权重；
S32)、采集整站累计充放电量、整站小时级最大充放电功率、整站可充放电量、整站可持续工作时间、SOC、COH的实时数据，基于上步骤确定的权重和公式yj＝wixij计算储能电站综合状态评估结果，其中y为综合评价结果，xi为第i个指标，j为各指标的第j个状态；
S33)、根据步骤S32)的计算结果，对储能电站的综合运行状态进行评价。
7.根据权利要求6所述的储能电站调度支撑评估方法，其特征在于：计算出y 后进行归一化，若y在(0.8，1]之间为优状态，y在(0.5，0.8]之间为良状态，y在(0.2，0.5]之间为中状态，y在[0，0.2]之间为差状态。
8.根据权利要求1所述的储能电站调度支撑评估方法，其特征在于：采用神经网络预测整站可充放电量、当前功率可持续工作时间的过程为：
S26)、确定神经网络模型的输入输出参数、隐含层节点个数、激活函数、训练算法，其中神经网络模型的输入参数为电流和电压，神经网络模型的输出参数为整站可充电电量、整站可放电电量和整站当前功率可持续工作时间；
S27)、在历史数据库中，选取SOC值准确的时间段，采集步骤S26)中确定的输入输出参数的历史数据，按7:3划分训练集和测试集；
S28)、采用训练集样本训练模型，并对模型进行校验，若满足误差要求，则进入下一步，否则修改参数或数据集重新训练；
S29)、采用测试集样本对模型精度与泛化能力进行测试，并对测试结果进行校验，若满足误差要求，则进入下一步，否则修改参数或数据集重新训练；
S210)、采集实时输入参数，神经网络模型基于输入参数进行预测，得出预测的输出参数。
9.根据权利要求2所述的储能电站调度支撑评估方法，其特征在于：N取24小时，计算得出单个电池组日累计充放电电量和整站日累计充放电电量；N取一周，计算得出单个电池组周累计充放电电量和整站周累计充放电电量；N取一月，则计算得出单个电池组月累计充放电电量和整站月累计充放电电量；N取一年，则计算得出单个电池组年累计充放电电量和整站年累计充放电电量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210243927.2A CN114865668A (zh) | 2022-03-10 | 2022-03-10 | 一种储能调度支撑评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210243927.2A CN114865668A (zh) | 2022-03-10 | 2022-03-10 | 一种储能调度支撑评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114865668A true CN114865668A (zh) | 2022-08-05 |
Family
ID=82628543
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210243927.2A Pending CN114865668A (zh) | 2022-03-10 | 2022-03-10 | 一种储能调度支撑评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114865668A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116454934A (zh) * | 2023-04-03 | 2023-07-18 | 威胜能源技术股份有限公司 | 一种基于多设备的储能ems云平台 |
| CN116488213A (zh) * | 2023-06-20 | 2023-07-25 | 潍坊学院 | 一种综合储能***的协调控制***及方法 |
| CN117394409A (zh) * | 2023-10-16 | 2024-01-12 | 南方电网调峰调频(广东)储能科技有限公司 | 储能电站设备状态的智能评估方法及*** |
-
2022
- 2022-03-10 CN CN202210243927.2A patent/CN114865668A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116454934A (zh) * | 2023-04-03 | 2023-07-18 | 威胜能源技术股份有限公司 | 一种基于多设备的储能ems云平台 |
| CN116454934B (zh) * | 2023-04-03 | 2024-01-19 | 威胜能源技术股份有限公司 | 一种基于多设备的储能ems云平台 |
| CN116488213A (zh) * | 2023-06-20 | 2023-07-25 | 潍坊学院 | 一种综合储能***的协调控制***及方法 |
| CN116488213B (zh) * | 2023-06-20 | 2023-08-18 | 潍坊学院 | 一种综合储能***的协调控制***及方法 |
| CN117394409A (zh) * | 2023-10-16 | 2024-01-12 | 南方电网调峰调频(广东)储能科技有限公司 | 储能电站设备状态的智能评估方法及*** |
| CN117394409B (zh) * | 2023-10-16 | 2024-03-19 | 南方电网调峰调频(广东)储能科技有限公司 | 储能电站设备状态的智能评估方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114865668A (zh) | 一种储能调度支撑评估方法 | |
| CN110161425B (zh) | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 | |
| CN102324582B (zh) | 一种多功能铅酸蓄电池智能维护装置及容量预测方法 | |
| CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
| CN103337890B (zh) | 一种电动出租车充电站有序充电***及方法 | |
| CN111584952A (zh) | 用于储能电站电化学电池在线评估的方法和*** | |
| CN113052464B (zh) | 电池储能***可靠性评估方法及*** | |
| CN112034356A (zh) | 基于gp-ukf的电动汽车动力电池在线soh估算方法 | |
| CN113176511B (zh) | 考虑健康状态的储能充放电优化方法及*** | |
| CN108879875A (zh) | 一种电池荷电状态充电控制的充电桩*** | |
| CN104698382A (zh) | 一种电池组的soc与soh的预测方法 | |
| CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
| CN107340476A (zh) | 电池的电气状态监测***和电气状态监测方法 | |
| CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
| Lu et al. | Modeling discharge characteristics for predicting battery remaining life | |
| CN114636948A (zh) | 一种储能***寿命评估方法、装置、电子设备及存储介质 | |
| CN112937369B (zh) | 一种基于马氏过程的动力电池组主动均衡控制方法 | |
| 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 | |
| CN116488219B (zh) | 一种基于多层级架构的分布式储能采集策略控制方法 | |
| CN115980612B (zh) | 一种卫星电池组健康状态评估方法、***及设备 | |
| CN116466168B (zh) | 一种基于云计算的新能源管理平台异常监测***及方法 | |
| US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
| CN115656837A (zh) | 一种串联型电池故障预测方法 | |
| CN113608130B (zh) | 电池簇荷电状态在线估算方法 | |
| CN114970108A (zh) | 一种基于数据驱动的化学电池储能应用分析方法 |
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 |