CN115577750A

CN115577750A - 储能电站***级荷电状态的估计方法、装置及设备

Info

Publication number: CN115577750A
Application number: CN202211167450.0A
Authority: CN
Inventors: 李佳瑞
Original assignee: Shanghai Electric Power University; Huadian Electric Power Research Institute Co Ltd
Current assignee: Shanghai Electric Power University; Huadian Electric Power Research Institute Co Ltd
Priority date: 2022-09-23
Filing date: 2022-09-23
Publication date: 2023-01-06

Abstract

本发明提供了一种储能电站***级荷电状态的估计方法、装置及设备，该方法包括：提取储能电站电池的历史运行数据，将历史运行数据进行处理后作为样本数据集；建立CNN‑LSTM模型，基于样本数据集对CNN‑LSTM模型在云端训练，得到荷电状态预测模型；将荷电状态预测模型部署到边缘端，将储能电站电池的实时运行数据输入所述荷电状态预测模型进行荷电状态估计，得到荷电状态估计值。本发明提供的储能电站***级荷电状态的估计方法，构建完全由数据驱动的CNN‑LSTM模型，不需要对电池材料或模型进行任何假设，充分使用储能电站历史运行数据对当前的荷电状态进行准确估计，具有更高的预测精度，保证储能电站的安全稳定运行。

Description

储能电站***级荷电状态的估计方法、装置及设备

技术领域

本发明涉及储能电站技术领域，具体涉及一种储能电站***级荷电状态的估计方法、装置及设备。

背景技术

随着风电和光伏等多种新能源大量并网运行，储能电站的装机容量也在逐渐上升。锂离子电池的SOC(State of Charge，荷电状态)是储能电站的关键参数，它表示电池的剩余电量，由于电池内部复杂的电池动力学机制以及其内部参数不可直接测量，准确的SOC估算是一项具有挑战性的工作，因此从电池的可测量参数如电压、电流、温度等参数出发，实现对电池SOC的准确估算，对于储能电站安全稳定运行至关重要。

目前工业常用的电池荷电状态估计算法有安时积分法和开路电压法。安时积分法通过积分随时间变化的放电电流来估计电池荷电状态，但其要求初始SOC和电流传感器的读数应该足够精确，这在实际使用中并不容易，并且电流的测量漂移误差会随着积分逐渐累积，使得SOC估计误差随着计算时间的增加而增大。开路电压法通过SOC与开路电压之间的单调关系来近似的给出SOC估计值，但是使用此方法的前提条件是电池内部的化学反应停止，需要电池必须在充放电之后静置一段时间使其电压恢复到开路电压，所以开路电压法通常不适用于实际运行情况。所以现有算法对电池荷电状态估计的准确性低，无法保证储能电站的安全稳定运行。

发明内容

有鉴于此，本发明提供一种储能电站***级荷电状态的估计方法、装置及设备，解决对储能电站***级电池荷电状态估计的准确性低，无法保证储能电站的安全稳定运行的问题。

第一方面，本发明实施例提供了一种储能电站***级荷电状态的估计方法，所述方法包括：

提取储能电站电池的历史运行数据，将历史运行数据进行处理后作为样本数据集；

建立CNN-LSTM模型，基于所述样本数据集对CNN-LSTM模型在云端训练，得到荷电状态预测模型；

将所述荷电状态预测模型部署到边缘端，将储能电站电池的实时运行数据输入所述荷电状态预测模型进行荷电状态估计，得到荷电状态估计值。

本发明提供的储能电站***级荷电状态的估计方法，构建完全由数据驱动的CNN-LSTM模型，不需要对电池材料或模型进行任何假设，充分使用储能电站历史运行数据对当前的荷电状态进行准确估计，与其他传统方法相比，具有更高的预测精度，保证了储能电站的安全稳定运行。

可选地，将历史运行数据进行处理后作为样本数据集的过程，包括：

从历史运行数据提取出储能电站***电压、单体电池平均电压、电流和***平均温度和荷电状态构建数据集；

对数据集进行预处理和归一化，再将其划分为训练集和测试集。

本发明提供的储能电站***级荷电状态的估计方法，不仅考虑了单体电池电压、电流和温度的常见参数，还加入了储能***总电压，利用神经网络提取这些参数之间的非线性关系，得到的储能电站***级SOC估计结果更加精确。

可选地，所述对数据集进行预处理和归一化，再将其划分为训练集和测试集的过程包括：

对储能电站电池的历史运行数据进行重采样；

对重采样后的数据进行归一化处理，使其均分布在[0,1]区间内；

对归一化处理后的储能电站***电压、单体电池平均电压、电流和***平均温度为样本特征数据，荷电状态作为样本标签数据，将样本特征数据和对应的样本标签数据作为输入数据，并将输入数据的80％作为训练集数据，20％作为测试集数据。

本发明中对数据集进行预处理和归一化，训练集数据训练得到预测模型，并通过测试集数据进行测试，保证了计算过程的简洁性，预测模型的精确性。

可选地，基于所述样本数据集对CNN-LSTM模型在云端训练，得到荷电状态预测模型的过程包括：

将所述训练集数据输入CNN网络进行特征提取，并通过激活函数进行激活，输出第一特征矩阵；

对所述第一特征矩阵进行降维处理，输出第二特征矩阵；

通过Dropout函数按预设比例丢弃所述第二特征矩阵的部分数据，输出第三特征矩阵；

将所述第三特征矩阵输入LSTM网络中进行预测，将第三特征矩阵转换成一维数据输出，得到模型的荷电状态输出值；

计算所述荷电状态输出值和荷电状态真实值的均方误差，当均方误差大于预设阈值时，进行反向传播调整模型内部参数并进行迭代；

当达到预设训练停止条件时，得到训练好的模型作为荷电状态预测模型；

将测试数据集输入所述荷电状态预测模型，得到测试估计值，与测试真实值作比较，评估所述荷电状态预测模型的性能。

可选地，预设训练停止条件，包括：当均方误差等于预设阈值或迭代次数达到预设次数。

利用CNN网络能够自动提取模型的空间局部特征，LSTM网络进一步提取数据之间的时序特征，通过计算均方误差并与预设阈值进行比较，判断训练模型的准确性，使最终得到的预测模型更加准确。

可选地，所述将储能电站电池的实时运行数据输入所述荷电状态预测模型进行荷电状态估计，得到荷电状态估计值的过程包括：

采集储能电站电池的实时运行数据，提取储能电站***电压、单体电池电压、电流和***平均温度作为实时特征数据；

对所述实时特征数据进行预处理和归一化，构建实时特征数据集；

将实时特征数据集输入到边缘端的荷电状态预测模型，得到实时的荷电状态估计值。

本发明提供的储能电站***级荷电状态的估计方法，将实时运行数据输入最终的荷电状态预测模型，得到储能电站荷电状态的估计值，准确完成储能电站荷电状态的估计任务，保证了储能电站的安全稳定运行。

可选地，所述方法还包括：

根据设定的时间间隔更新的历史运行数据重新在云端训练CNN-LSTM模型，更新荷电状态预测模型的参数，得到更新的荷电状态预测模型。

本发明提供的储能电站***级荷电状态的估计方法，定期更新荷电状态预测模型的参数，有效避免了由于长时间使用后电池老化而导致的模型精准度下降的问题，提高了长时间运行中预测模型的精确度。

第二方面，本发明实施例提供了一种储能电站***级荷电状态的估计装置，包括：

样本数据集提取模块，用于提取储能电站电池的历史运行数据，将历史运行数据进行处理后作为样本数据集；

预测模型构建模块，用于建立CNN-LSTM模型，基于所述样本数据集对CNN-LSTM模型在云端训练，得到荷电状态预测模型；

荷电状态估计模块，用于将所述荷电状态预测模型部署到边缘端，将储能电站电池的实时运行数据输入所述荷电状态预测模型进行荷电状态估计，得到荷电状态估计值。

第三方面，本发明实施例提供了一种计算机设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。

第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种储能电站***级荷电状态的估计方法的流程图；

图2为本发明实施例提供一种储能电站***级荷电状态的估计方法整体工作过程示意图；

图3为本发明实施例提供的基于CNN-LSTM神经网络的荷电状态估计模型的具体结构示意图；

图4为本发明实施例提供的CNN-LSTM模型在边缘端实时运行1小时的预测结果示意图；

图5为本发明实施例提供的一种储能电站***级荷电状态的估计装置的结构示意图；

图6为本发明实施例提供的一种计算机设备的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。

本发明实施例提供了一种储能电站***级荷电状态的估计方法，如图1所示，方法具体包括如下步骤：

步骤S1：提取储能电站电池的历史运行数据，将历史运行数据进行处理后作为样本数据集。

具体地，在一实施例中，如图2所示，为一具体实施例的完整工作过程示意图，将历史运行数据进行处理后作为样本数据集的过程包括：

步骤S11：从历史运行数据提取出储能电站***电压、单体电池平均电压、电流和***平均温度和荷电状态构建数据集。需要说明的是，所有历史数据均从储能电站的电池管理***获得。

步骤S12：对数据集进行预处理和归一化，再将其划分为训练集和测试集。

具体地，在一实施例中，对数据集进行预处理和归一化，再将其划分为训练集和测试集的具体过程包括：

步骤S121：对储能电站电池的历史运行数据进行重采样。示例性地，将重采样的数据间隔设为1min，例如形成[129600,5]的数据矩阵。

步骤S122：对重采样后的数据进行归一化处理，使其均分布在[0,1]区间内。示例性地，对重采样后的数据根据以下公式进行归一化处理：

其中，X_t表示当前时刻的数据，X_min表示数据的最小值，X_max表示数据的最大值。

步骤S123：对归一化处理后的储能电站***电压、单体电池平均电压、电流和***平均温度为样本特征数据，荷电状态作为样本标签数据，将样本特征数据和对应的样本标签数据作为输入数据，并将输入数据的80％作为训练集数据，20％作为测试集数据。

示例性地，对归一化处理后的***电压、单体电池电压、电流和***平均温度连接为特征向量[V_system,V_cell,I,T]，构造样本数据集{[V_system1,V_cell1,I₁,T₁],[V_system2,V_cell2,I₂,T₂],……,[V_systemn,V_celln,I_n,T_n]}，对应的标签值为[SOC₁,SOC₂,……,SOC_n]，将样本数据集的80％作为训练集数据用于训练预测模型，构造训练数据集：

{[V_system1,V_cell1,I₁,T₁],[V_system2,V_cell2,I₂,T₂]，……,[V_system103680,V_cell103680,I₁₀₃₆₈₀,T₁₀₃₆₈₀]}，对应的标签值为[SOC₁,SOC₂,……,SOC₁₀₃₆₈₀]，形成训练集矩阵[103680,5]，将剩余的20％样本数据集作为测试集用于测试模型估算性能，构造测试数据集：{[V_system1,V_cell1,I₁,T₁],[V_system2,V_cell2,I₂,T₂],……,[V_system25920,V_cell25920,I₂₅₉₂₀,T₂₅₉₂₀]}，对应的标签值为[SOC₁₀₃₆₈₁,SOC₁₀₃₆₈₂,……,SOC₁₂₉₆₀₀]，形成训练集矩阵[25920,5]。

步骤S2：建立CNN-LSTM模型，基于样本数据集对CNN-LSTM模型在云端训练，得到荷电状态预测模型。

具体地，在一实施例中，基于样本数据集对CNN-LSTM模型在云端训练，得到荷电状态预测模型的具体过程包括：

步骤S21：将训练集数据输入CNN网络进行特征提取，并通过激活函数进行激活，输出第一特征矩阵。

示例性地，如图3所示，为基于CNN-LSTM神经网络的荷电状态估计模型的具体结构，模型包含卷积层、池化层、dropout层、LSTM层、全连接层，模型输入维度为4，输出维度为1。将训练集数据输入CNN网络中的卷积层，设置卷积层中卷积核个数为20，卷积核尺寸为8*1(仅作为举例,不以此为限)，使用卷积核对其进行特征提取，并通过Relu激活函数进行激活，输出第一特征矩阵A。

步骤S22：对第一特征矩阵进行降维处理，输出第二特征矩阵。示例性地，通过CNN网络中的池化层对第一特征矩阵A进行降维处理，池化方式选择平均池化，输出第二特征矩阵B。

步骤S23：通过Dropout函数按预设比例丢弃第二特征矩阵的部分数据，输出第三特征矩阵。示例性地，dropout参数设置为0.2，丢弃第二特征矩阵B的部分数据可以防止模型过拟合，输出第三特征矩阵C。

步骤S24：将第三特征矩阵输入LSTM网络中进行预测，将第三特征矩阵转换成一维数据输出，得到模型的荷电状态输出值。示例性地，该步骤中设置128个LSTM单元，激活函数选择tanh，之后通过全连接层将第三特征矩阵转换成一维数据输出，得到模型的荷电状态输出值。

步骤S25：计算荷电状态输出值和荷电状态真实值的均方误差，当均方误差大于预设阈值时，进行反向传播调整模型内部参数并进行迭代。设置均方误差MSE作为损失函数，反向传播调整模型内部权重参数并进行迭代。

示例性地，均方误差的计算公式为：

其中MSE为均方误差，y_k是SOC真实值，

是模型SOC输出值，k表示第k个采样时刻，K为采样时刻总数。

步骤S26：当达到预设训练停止条件时，得到训练好的模型作为荷电状态预测模型。具体地，预设训练停止条件，包括：当均方误差等于预设阈值或迭代次数达到预设次数。

步骤S27：将测试数据集输入所述荷电状态预测模型，得到测试估计值，与测试真实值作比较，评估所述荷电状态预测模型的性能。

示例性地，将测试数据集中的数据输入到步骤S26得到的荷电状态预测模型中，得到SOC的测试估计值，将SOC测试估计值与真实值进行比较，使用均方根误差、平均绝对误差和R²来评估得到的预测模型的性能。均方根误差RMSE、平均绝对误差MAE和决定系数R²的表达式分别为：

其中，y_k是SOC真实值，

是模型输出值，

为SOC平均值，决定系数R²用于表示预测模型的预测能力，其值越大，表示预测数据与实际数据越接近。本发明实施例得到的CNN-LSTM预测模型测试过程中性能评价结果及与其他方法得到的预测模型性能比较如表1所示。

表1

步骤S3：将荷电状态预测模型部署到边缘端，将储能电站电池的实时运行数据输入荷电状态预测模型进行荷电状态估计，得到荷电状态估计值。

具体地，在一实施例中，将储能电站电池的实时运行数据输入荷电状态预测模型进行荷电状态估计，得到荷电状态估计值的具体过程包括：

步骤S31：采集储能电站电池的实时运行数据，提取储能电站***电压、单体电池电压、电流和***平均温度作为实时特征数据。需要说明的是，所有实时运行数据均从储能电站的电池管理***获得。

步骤S32：对实时特征数据进行预处理和归一化，构建实时特征数据集。该步骤中预处理和归一化的过程与步骤S12中在云端进行预处理和归一化的过程相同,在此不再赘述。

步骤S33：将实时特征数据集输入到边缘端的荷电状态预测模型，得到实时的荷电状态估计值。示例性地，本发明提供的实施例中在边缘端实时运行24h，得到实时的荷电状态估计值与实际荷电状态的对比曲线，为清楚表示两条曲线的误差，如图4所示为截取的运行1h的对比曲线，由24h对比曲线中的数据计算得到边缘端实时的荷电状态估计值与实际荷电状态的误差如表2所示，

表2

由上述实施例的结果可知，在荷电状态估计结果中，RMSE、MAE和R²三种评价指标分别为0.57％，0.35％，0.9998，证明了本发明实施例提出的评估方法在储能电站电池运行过程中能够对荷电状态进行精确估计，满足在线估计的要求。

本发明提供的储能电站***级荷电状态的估计方法，将实施运行数据输入最终的荷电状态预测模型，得到储能电站荷电状态的估计值，准确完成储能电站荷电状态的估计任务，保证了储能电站的安全稳定运行。

具体地，在一实施例中，本发明实施例提供的方法还包括：

步骤S34：根据设定的时间间隔更新的历史运行数据重新在云端训练CNN-LSTM模型，更新荷电状态预测模型的参数，得到更新的荷电状态预测模型。示例性地，更新时间间隔一般设置为7天更新一次。

第二方面，本发明实施例提供了一种储能电站***级荷电状态的估计装置，如图5所示，该装置包括：

样本数据集提取模块1，用于提取储能电站电池的历史运行数据，将历史运行数据进行处理后作为样本数据集。详细内容参见上述方法实施例中步骤S1的相关描述，在此不再进行赘述。

预测模型构建模块2，用于建立CNN-LSTM模型，基于样本数据集对CNN-LSTM模型在云端训练，得到荷电状态预测模型。详细内容参见上述方法实施例中步骤S2的相关描述，在此不再进行赘述。

荷电状态估计模块3，用于将荷电状态预测模型部署到边缘端，将储能电站电池的实时运行数据输入荷电状态预测模型进行荷电状态估计，得到荷电状态估计值。详细内容参见上述方法实施例中步骤S3的相关描述，在此不再进行赘述。

图6示出了本发明实施例中计算机设备的结构示意图，包括：处理器901和存储器902，其中，处理器901和存储器902可以通过总线或者其他方式连接，图6中以通过总线连接为例。

处理器901可以为中央处理器(Central Processing Unit，CPU)。处理器901还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

存储器902作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如上述方法实施例中的方法所对应的程序指令/模块。处理器901通过运行存储在存储器902中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。

存储器902可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储处理器901所创建的数据等。此外，存储器902可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器902可选包括相对于处理器901远程设置的存储器，这些远程存储器可以通过网络连接至处理器901。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一个或者多个模块存储在存储器902中，当被处理器901执行时，执行上述方法实施例中的方法。

上述计算机设备具体细节可以对应参阅上述方法实施例中对应的相关描述和效果进行理解，此处不再赘述。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，实现的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims

1.一种储能电站***级荷电状态的估计方法，其特征在于，包括：

2.根据权利要求1所述储能电站***级荷电状态的估计方法，其特征在于，将历史运行数据进行处理后作为样本数据集的过程，包括：

3.根据权利要求2所述储能电站***级荷电状态的估计方法，其特征在于，所述对数据集进行预处理和归一化，再将其划分为训练集和测试集的过程包括：

对储能电站电池的历史运行数据进行重采样；

4.根据权利要求3所述储能电站***级荷电状态的估计方法，其特征在于，基于所述样本数据集对CNN-LSTM模型在云端训练，得到荷电状态预测模型的过程包括：

对所述第一特征矩阵进行降维处理，输出第二特征矩阵；

5.根据权利要求4所述储能电站***级荷电状态的估计方法，其特征在于，预设训练停止条件，包括：

当均方误差等于预设阈值或迭代次数达到预设次数。

6.根据权利要求3所述储能电站***级荷电状态的估计方法，其特征在于，所述将储能电站电池的实时运行数据输入所述荷电状态预测模型进行荷电状态估计，得到荷电状态估计值的过程包括：

7.根据权利要求6所述储能电站***级荷电状态的估计方法，其特征在于，所述方法还包括：

8.一种储能电站***级荷电状态的估计装置，其特征在于，所述装置包括：

9.一种计算机设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使计算机执行如权利要求1-7任一项所述的方法。