CN116488219B - 一种基于多层级架构的分布式储能采集策略控制方法 - Google Patents
一种基于多层级架构的分布式储能采集策略控制方法 Download PDFInfo
- Publication number
- CN116488219B CN116488219B CN202310395871.7A CN202310395871A CN116488219B CN 116488219 B CN116488219 B CN 116488219B CN 202310395871 A CN202310395871 A CN 202310395871A CN 116488219 B CN116488219 B CN 116488219B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- model
- battery
- level
- architecture
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 138
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000011217 control strategy Methods 0.000 claims abstract description 38
- 238000000429 assembly Methods 0.000 claims abstract description 13
- 230000000712 assembly Effects 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 241001123248 Arma Species 0.000 claims description 53
- 238000009826 distribution Methods 0.000 claims description 27
- 238000007600 charging Methods 0.000 claims description 14
- 238000007599 discharging Methods 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000001681 protective effect Effects 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims 1
- 238000013485 heteroscedasticity test Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000013488 ordinary least square regression Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000001604 Rao's score test Methods 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- PXHVJJICTQNCMI-UHFFFAOYSA-N nickel Substances [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于多层级架构的分布式储能采集策略控制方法，该方法包括以下步骤：S1、采集电芯参数数据；S2、获取电芯参数数据，分析不同电池组件之间电芯参数数据的差异，并构建三级BMS架构储能模型；S3、构建时间序列模型，对三级BMS架构储能模型中电池状态和负载需求进行预测优化，并设定各级BMS架构的阈值和相应的控制策略；S4、对不同层级和电池组件进行相应的控制，并将储能任务分配给分布式储能***中的不同电池组件；S5、监测分布式储能***的状态和性能。本发明的时间序列模型可以通过历史数据对未来的储能状态和负载需求进行预测，使控制策略可以及时地做出相应的调整，提高储能***的效率。
Description
技术领域
本发明涉及分布式储能***控制领域，具体来说，涉及一种基于多层级架构的分布式储能采集策略控制方法。
背景技术
电芯是指储存电荷并将其转化为电能的电池元件，通常由正极、负极、隔膜和电解质组成。电芯常用于组成电池组件，用于储能和供电等应用中。常见的电芯类型包括锂离子电芯、镍氢电芯、铅酸电芯等。
电芯数据通常包括电池的基本参数、充电和放电特性、循环寿命等信息，例如：容量：电池储存能量的能力，通常以安时(Ah)表示。标称电压：电池设计的电压。充放电特性：包括充电和放电的最大电流、充电和放电截止电压、充放电效率等。内阻：电池内部电阻。温度特性：电池在不同温度下的性能表现，包括容量、内阻等。循环寿命：电池的寿命，通常定义为电池在特定条件下循环充放电多少次后容量降低至原容量的一定比例。这些参数通常可以通过测试获得，并以数据表格、曲线等形式进行展示和记录。电芯数据是评估电池性能和设计储能***的重要依据。
例如，中国专利CN114421501B公开了一种用于分布式储能供电的自适应控制***参数确定方法，通过对采集的实时数据进行自适应分析，使得微电网能源管理决策数据在具有实时性的同时，能够为微电网运营商能源管理运行机制实现日内调度提供决策依。
由于电芯数据的量是比较庞大的，整个储能架构实际上会存在多级架构，那么在最上层进行数据的汇集和采集的数据量非常庞大，使得对采集的实时数据进行自适应分析的效率下降，因此需要针对这种多级架构情况，设计一种能够自适应频率进行采集，保证数据价值高，数据量可以缩小，使得可以实现电芯层级的数据监控的采集策略方法。
发明内容
针对相关技术中的问题，本发明提出一种基于多层级架构的分布式储能采集策略控制方法，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：
一种基于多层级架构的分布式储能采集策略控制方法，该分布式储能采集策略控制方法包括以下步骤：
S1、采集电芯参数数据，将电芯参数数据存储至数据库；
S2、获取电芯参数数据，分析不同电池组件之间电芯参数数据的差异，并构建三级BMS架构储能模型；
S3、构建时间序列模型，对三级BMS架构储能模型中电池状态和负载需求进行预测优化，并设定各级BMS架构的阈值和相应的控制策略；
S4、根据设定的阈值和控制策略，对不同层级和电池组件进行相应的控制，并将储能任务分配给分布式储能***中的不同电池组件；
S5、在储能过程中，监测分布式储能***的状态和性能，并对控制策略进行调整。
进一步的，所述获取电芯参数数据，分析不同电池组件之间电芯参数数据的差异，并构建三级BMS架构储能模型包括以下步骤：
S21、根据电芯参数数据，确定电池组件的数量和型号；
S22、对电池组件进行预处理，并对比不同电池组件之间的电芯参数数据的差异；
S23、分析比对结果，将电池组件分为不同的层级，并构建三级BMS架构储能模型；
其中，三级BMS架构储能模型由单体级BMS架构储能模型、模块级BMS架构储能模型及***级BMS架构储能模型组成；
基于单体级BMS架构储能模型对每个电池组件内部的电芯进行管理和控制；
基于模块级BMS架构储能模型对电池组件进行监控和管理；
基于***级BMS架构储能模型对分布式储能***进行管理和控制。
进一步的，所述对电池组件进行预处理，并对比不同电池组件之间的电芯参数数据的差异包括以下步骤：
S221、去除电池组件中的重复数据、异常值和缺失数据；
S222、对电池组件的电芯参数数据进行归一化处理；
S223、利用图表工具对电池组件之间的电芯参数数据进行可视化分析，获取不同电池组件之间的电芯参数数据的差异。
进一步的，所述构建时间序列模型，对三级BMS架构储能模型中电池状态和负载需求进行预测优化，并设定各级BMS架构的阈值和相应的控制策略包括以下步骤：
S31、获取电池组件的中电池的充放电情况、环境温度、电流和电压的参数信息，并构建ARMA模型；
S32、根据数据的特征和预测目标，对ARMA模型进行训练；
S33、利用ARMA模型对电池状态和负载需求进行预测，并根据预测结果，设定各级BMS架构的阈值；
S34、根据阈值设置电池充放电的限制范围、充电和放电的优先级、电池的充电和放电速率、电池的保护措施及储能***的负载分配，制定相应的控制策略。
进一步的，所述根据数据的特征和预测目标，对ARMA模型进行训练包括以下步骤：
S321、确定时间序列模型的阶数；
S322、使用最小二乘法，拟合ARMA模型，并计算ARMA模型的参数；
S323、利用极大似然估计法对ARMA模型的参数进行训练，并优化ARMA模型中自适应频率的采集能力。
进一步的，所述使用最小二乘法，拟合ARMA模型，并计算ARMA模型的参数包括以下步骤：
S3221、确定ARMA模型中的自回归和移动平均的阶数；
S3222、通过自回归模型拟合数据，得到残差序列；
S3222、将自回归和移动平均的阶数和残差序列整合，并构建时间序列数据；
S3223、通过拟合时间序列数据最小化拟合残差的平方估算ARMA模型的参数；
S3224、利用残差序列的朗格-费舍检验进行拟合的验证。
进一步的，所述利用残差序列进行拟合的验证包括以下步骤：
S32241、设定残差序列中没有自相关性，计算一系列滞后阶数的自相关系数；
S32242、利用卡方分布的性质来计算自相关系数的概率值；
S32243、若概率值小于概率值的显著性水平，则判断残差序列存在自相关性。
进一步的，利用极大似然估计法对ARMA模型的参数进行训练，并优化ARMA模型中自适应频率的采集能力包括以下步骤：
S3231、通过观察ARMA模型中参数的频谱分布；
S3232、通过频谱分布来绘制功率谱密度图，并估计其最高频率分量；
S3233、通过观察功率谱密度图，并确定信号的主要频率范围；
S3234、根据Nyquist-Shannon采样定理，选择采样频率，并将采样频率调整至信号中最高频率分量的两倍。
进一步的，所述利用ARMA模型对电池状态和负载需求进行预测，并根据预测结果，设定各级BMS架构的阈值包括以下步骤：
S331、使用优化ARMA模型对未来时刻的电池状态和负载需求进行预测；
S332、每次预测一个时刻的数据，再将预测结果加入到历史数据中，用于下一个时刻的预测；
S333、对预测结果进行评估，比较预测值和实际值之间的误差，检查是否符合预期；
S334、根据预测结果，设定各级BMS架构的阈值。
进一步的，所述根据设定的阈值和控制策略，对不同层级和电池组件进行相应的控制，并将储能任务分配给分布式储能***中的不同电池组件包括以下步骤：
S41、基于***级BMS架构储能模型，根据设定的阈值和控制策略，确定储能***的电池组件的充电或放电任务分配；
S42、基于模块级BMS架构储能模型，根据分布式储能***的任务分配和电池组件的状态，确定各个电池组件的充电或放电任务分配；
S43、基于单体级BMS架构储能模型，根据基于模块级BMS架构储能模型的任务和电池组件的状态，对电池组件进行充电或放电控制。
本发明的有益效果为：
1、本发明的时间序列模型可以通过历史数据对未来的储能状态和负载需求进行预测，并能够考虑多个因素对储能***状态的影响，从而提高预测的准确性，时间序列模型可以对不同的电池组件和分布式储能***进行建模和预测，适用于各种规模和结构的储能***，时间序列模型能够快速地对当前状态进行预测，使控制策略可以及时地做出相应的调整，从而更好地保护电池组件和提高储能***的效率，时间序列模型可以通过优化模型参数来提高预测精度和控制效果，从而不断优化控制策略和储能***的性能。
2、本发明设定各级BMS架构的阈值和相应的控制策略，可以更好地保护电池组件，延长电池寿命，提高储能***的效率和性能；通过实时监测和调整控制策略，可以使储能***始终处于最佳状态，更好地满足用户需求和市场需求。
3、本发明通过构建三级BMS架构储能模型，可以将不同电池组件的电芯参数数据结合起来，综合分析各个组件的状态和性能，从而更可靠地对电池状态和负载需求进行预测；三级BMS架构储能模型中的三个层级可以根据实际需求进行扩展和升级，从而满足不同的储能场景和应用需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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是根据本发明实施例的一种基于多层级架构的分布式储能采集策略控制方法。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种基于多层级架构的分布式储能采集策略控制方法。
现结合附图和具体实施方式对本发明进一步说明，如图1所示，根据本发明实施例的基于多层级架构的分布式储能采集策略控制方法，该分布式储能采集策略控制方法包括以下步骤：
S1、采集电芯参数数据，将电芯参数数据存储至数据库。
具体的，确定需要采集的电芯参数，如电压、电流、温度等；选择合适的传感器，进行数据采集；将传感器与数据采集设备连接，如使用数据采集卡或者数据采集仪等；编写数据采集程序，将采集到的数据转化为数字信号；将数字信号保存至数据库中，实际操作中，还需要考虑数据采集频率、采集时长、数据存储格式等因素。同时，为了确保数据的可靠性和准确性，还需要进行数据质量检查和数据清洗等工作。
S2、获取电芯参数数据，分析不同电池组件之间电芯参数数据的差异，并构建三级BMS架构储能模型；
在一个实施例中，所述获取电芯参数数据，分析不同电池组件之间电芯参数数据的差异，并构建三级BMS架构储能模型包括以下步骤：
S21、根据电芯参数数据，确定电池组件的数量和型号；
S22、对电池组件进行预处理，并对比不同电池组件之间的电芯参数数据的差异；
S23、分析比对结果，将电池组件分为不同的层级，并构建三级BMS架构储能模型；
其中，三级BMS架构储能模型由单体级BMS架构储能模型、模块级BMS架构储能模型及***级BMS架构储能模型组成；
基于单体级BMS架构储能模型对每个电池组件内部的电芯进行管理和控制；
基于模块级BMS架构储能模型对电池组件进行监控和管理；
基于***级BMS架构储能模型对分布式储能***进行管理和控制。
在一个实施例中，所述对电池组件进行预处理，并对比不同电池组件之间的电芯参数数据的差异包括以下步骤：
S221、去除电池组件中的重复数据、异常值和缺失数据；
S222、对电池组件的电芯参数数据进行归一化处理；
S223、利用图表工具对电池组件之间的电芯参数数据进行可视化分析，获取不同电池组件之间的电芯参数数据的差异。
S3、构建时间序列模型，对三级BMS架构储能模型中电池状态和负载需求进行预测优化，并设定各级BMS架构的阈值和相应的控制策略；
在一个实施例中，所述构建时间序列模型，对三级BMS架构储能模型中电池状态和负载需求进行预测优化，并设定各级BMS架构的阈值和相应的控制策略包括以下步骤：
S31、获取电池组件的中电池的充放电情况、环境温度、电流和电压的参数信息，并构建ARMA模型；
具体的，对电池组件中的每个电池的参数数据进行清洗、预处理和特征提取，以减小噪声干扰和提高模型预测精度，常见的预处理方法包括去除异常值、插值、平滑、去趋势等。
S32、根据数据的特征和预测目标，对ARMA模型进行训练；
S33、利用ARMA模型对电池状态和负载需求进行预测，并根据预测结果，设定各级BMS架构的阈值；
S34、根据阈值设置电池充放电的限制范围、充电和放电的优先级、电池的充电和放电速率、电池的保护措施及储能***的负载分配，制定相应的控制策略。
具体的，根据电池参数数据和ARMA模型预测结果，设定合适的阈值，如充电和放电的限制范围、充电和放电的优先级等。根据设定的阈值，制定充电和放电的控制策略，如控制充电和放电速率、控制充电和放电时间、调整充放电优先级等。设计电池的保护措施，如过充、过放、过温等保护措施，并加入相应的保护控制策略，以保护电池的安全。设计储能***的负载分配策略，根据储能需求和电池组件的状态，合理分配负载，以达到最优的储能效果。针对特定的应用场景，如微电网、电动汽车等，制定相应的控制策略，以满足不同的需求和性能要求。
根据实际情况，不断优化和调整控制策略，以提高储能效率、延长电池寿命、提高***可靠性等。
在一个实施例中，所述根据数据的特征和预测目标，对ARMA模型进行训练包括以下步骤：
S321、确定时间序列模型的阶数；
S322、使用最小二乘法，拟合ARMA模型，并计算ARMA模型的参数；
S323、利用极大似然估计法对ARMA模型的参数进行训练，并优化ARMA模型中自适应频率的采集能力。
在一个实施例中，所述使用最小二乘法，拟合ARMA模型，并计算ARMA模型的参数包括以下步骤：
S3221、确定ARMA模型中的自回归和移动平均的阶数；
S3222、通过自回归模型拟合数据，得到残差序列；
S3222、将自回归和移动平均的阶数和残差序列整合，并构建时间序列数据；
S3223、通过拟合时间序列数据最小化拟合残差的平方估算ARMA模型的参数；
S3224、利用残差序列的朗格-费舍检验进行拟合的验证。
具体的，朗格-费舍检验(Lagrange multiplier test)是一种检验模型是否存在异方差性(heteroskedasticity)的统计检验方法。异方差性是指模型的残差方差不是常数，而是随着自变量的变化而变化。在OLS(Ordinary Least Squares)回归模型中，如果存在异方差性，那么OLS的标准误差就不再是无偏的，从而导致t统计量和F统计量的失效。朗格-费舍检验的原理是在残差平方的基础上构造一个广义的残差平方和，用来检验残差方差是否是常数。如果拒绝原假设，则表明存在异方差性，需要对模型进行修正，比如使用加权最小二乘法(WLS)或广义最小二乘法(GLS)来处理异方差性。
在一个实施例中，所述利用残差序列进行拟合的验证包括以下步骤：
S32241、设定残差序列中没有自相关性，计算一系列滞后阶数的自相关系数；
S32242、利用卡方分布的性质来计算自相关系数的概率值；
具体的，卡方分布是一种概率分布，它的性质如下：卡方分布的取值范围是非负实数，卡方分布的概率密度函数是单峰的，且随着自由度的增加而右移，卡方分布的期望值等于自由度，方差等于2倍自由度，卡方分布的形状和自由度有关，自由度越大，分布越接近正态分布，卡方分布是用于检验总体方差是否为某一特定值的常用分布，卡方分布具有可加性和可分配性，即两个卡方分布的和也是卡方分布，而且可以通过将自由度进行加、减、乘、除等运算来得到新的卡方分布。
S32243、若概率值小于概率值的显著性水平，则判断残差序列存在自相关性。
在一个实施例中，利用极大似然估计法对ARMA模型的参数进行训练，并优化ARMA模型中自适应频率的采集能力包括以下步骤：
S3231、通过观察ARMA模型中参数的频谱分布；
S3232、通过频谱分布来绘制功率谱密度图，并估计其最高频率分量；
S3233、通过观察功率谱密度图，并确定信号的主要频率范围；
S3234、根据Nyquist-Shannon采样定理，选择采样频率，并将采样频率调整至信号中最高频率分量的两倍。
在一个实施例中，所述利用ARMA模型对电池状态和负载需求进行预测，并根据预测结果，设定各级BMS架构的阈值包括以下步骤：
S331、使用优化ARMA模型对未来时刻的电池状态和负载需求进行预测；
S332、每次预测一个时刻的数据，再将预测结果加入到历史数据中，用于下一个时刻的预测；
S333、对预测结果进行评估，比较预测值和实际值之间的误差，检查是否符合预期；
S334、根据预测结果，设定各级BMS架构的阈值。
S4、根据设定的阈值和控制策略，对不同层级和电池组件进行相应的控制，并将储能任务分配给分布式储能***中的不同电池组件；
在一个实施例中，所述根据设定的阈值和控制策略，对不同层级和电池组件进行相应的控制，并将储能任务分配给分布式储能***中的不同电池组件包括以下步骤：
S41、基于***级BMS架构储能模型，根据设定的阈值和控制策略，确定储能***的电池组件的充电或放电任务分配；
S42、基于模块级BMS架构储能模型，根据分布式储能***的任务分配和电池组件的状态，确定各个电池组件的充电或放电任务分配；
S43、基于单体级BMS架构储能模型，根据基于模块级BMS架构储能模型的任务和电池组件的状态，对电池组件进行充电或放电控制。
S5、在储能过程中，监测分布式储能***的状态和性能，并对控制策略进行调整。
具体的，对分布式储能***中的各个组件进行实时监测，包括电池组件的电压、电流、温度等参数，储能***的输入输出功率、电能等参数，以及***的运行状态等；根据监测数据进行分析，识别潜在的问题和风险，并对储能***的性能进行评估和优化；根据分析结果，对控制策略进行调整，包括修改阈值和限制范围，调整充放电的优先级和速率，重新分配负载等，以保证***的稳定运行和最优性能；利用ARMA模型对未来的负载需求和电池状态进行预测，并根据预测结果调整控制策略，以适应未来的储能需求；持续对分布式储能***进行优化，包括提高储能***的效率和稳定性，优化控制策略，降低能耗和成本等。
综上所述，借助于本发明的上述技术方案，本发明的时间序列模型可以通过历史数据对未来的储能状态和负载需求进行预测，并能够考虑多个因素对储能***状态的影响，从而提高预测的准确性，时间序列模型可以对不同的电池组件和分布式储能***进行建模和预测，适用于各种规模和结构的储能***，时间序列模型能够快速地对当前状态进行预测，使控制策略可以及时地做出相应的调整，从而更好地保护电池组件和提高储能***的效率，时间序列模型可以通过优化模型参数来提高预测精度和控制效果，从而不断优化控制策略和储能***的性能；本发明设定各级BMS架构的阈值和相应的控制策略，可以更好地保护电池组件，延长电池寿命，提高储能***的效率和性能；通过实时监测和调整控制策略，可以使储能***始终处于最佳状态，更好地满足用户需求和市场需求；本发明通过构建三级BMS架构储能模型，可以将不同电池组件的电芯参数数据结合起来，综合分析各个组件的状态和性能，从而更可靠地对电池状态和负载需求进行预测；三级BMS架构储能模型中的三个层级可以根据实际需求进行扩展和升级，从而满足不同的储能场景和应用需求。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于多层级架构的分布式储能采集策略控制方法，其特征在于，该分布式储能采集策略控制方法包括以下步骤：
S1、采集电芯参数数据，将电芯参数数据存储至数据库；
S2、获取电芯参数数据，分析不同电池组件之间电芯参数数据的差异，并构建三级BMS架构储能模型；其中，三级BMS架构储能模型由单体级BMS架构储能模型、模块级BMS架构储能模型及***级BMS架构储能模型组成；
基于单体级BMS架构储能模型对每个电池组件内部的电芯进行管理和控制；
基于模块级BMS架构储能模型对电池组件进行监控和管理；
基于***级BMS架构储能模型对分布式储能***进行管理和控制；
所述分析不同电池组件之间的电芯参数数据的差异包括以下步骤：
S221、去除电池组件中的重复数据、异常值和缺失数据；
S222、对电池组件的电芯参数数据进行归一化处理；
S223、利用图表工具对电池组件之间的电芯参数数据进行可视化分析，获取不同电池组件之间的电芯参数数据的差异；
S3、构建时间序列模型，对三级BMS架构储能模型中电池状态和负载需求进行预测优化，并设定各级BMS架构的阈值和相应的控制策略；
S4、根据设定的阈值和控制策略，对不同层级和电池组件进行相应的控制，并将储能任务分配给分布式储能***中的不同电池组件；
S5、在储能过程中，监测分布式储能***的状态和性能，并对控制策略进行调整；
所述构建时间序列模型，对三级BMS架构储能模型中电池状态和负载需求进行预测优化，并设定各级BMS架构的阈值和相应的控制策略包括以下步骤：
S31、获取电池组件的中电池的充放电情况、环境温度、电流和电压的参数信息，并构建ARMA模型；
S32、根据数据的特征和预测目标，对ARMA模型进行训练；
S33、利用ARMA模型对电池状态和负载需求进行预测，并根据预测结果，设定各级BMS架构的阈值；
S34、根据阈值设置电池充放电的限制范围、充电和放电的优先级、电池的充电和放电速率、电池的保护措施及储能***的负载分配，制定相应的控制策略；
所述根据数据的特征和预测目标，对ARMA模型进行训练包括以下步骤：
S321、确定时间序列模型的阶数；
S322、使用最小二乘法，拟合ARMA模型，并计算ARMA模型的参数；
S323、利用极大似然估计法对ARMA模型的参数进行训练，并优化ARMA模型中自适应频率的采集能力；
所述使用最小二乘法，拟合ARMA模型，并计算ARMA模型的参数包括以下步骤：
S3221、确定ARMA模型中的自回归和移动平均的阶数；
S3222、通过自回归模型拟合数据，得到残差序列；
S3222、将自回归和移动平均的阶数和残差序列整合，并构建时间序列数据；
S3223、通过拟合时间序列数据最小化拟合残差的平方估算ARMA模型的参数；
S3224、利用残差序列的朗格-费舍检验进行拟合的验证。
2.根据权利要求1所述的一种基于多层级架构的分布式储能采集策略控制方法，其特征在于，所述获取电芯参数数据，分析不同电池组件之间电芯参数数据的差异，并构建三级BMS架构储能模型包括以下步骤：
S21、根据电芯参数数据，确定电池组件的数量和型号；
S22、对电池组件进行预处理，并对比不同电池组件之间的电芯参数数据的差异；
S23、分析比对结果，将电池组件分为不同的层级，并构建三级BMS架构储能模型。
3.根据权利要求1所述的一种基于多层级架构的分布式储能采集策略控制方法，其特征在于，所述利用残差序列进行拟合的验证包括以下步骤：
S32241、设定残差序列中没有自相关性，计算一系列滞后阶数的自相关系数；
S32242、利用卡方分布的性质来计算自相关系数的概率值；
S32243、若概率值小于概率值的显著性水平，则判断残差序列存在自相关性。
4.根据权利要求3所述的一种基于多层级架构的分布式储能采集策略控制方法，其特征在于，利用极大似然估计法对ARMA模型的参数进行训练，并优化ARMA模型中自适应频率的采集能力包括以下步骤：
S3231、通过观察ARMA模型中参数的频谱分布；
S3232、通过频谱分布来绘制功率谱密度图，并估计其最高频率分量；
S3233、通过观察功率谱密度图，并确定信号的主要频率范围；
S3234、根据Nyquist-Shannon采样定理，选择采样频率，并将采样频率调整至信号中最高频率分量的两倍。
5.根据权利要求4所述的一种基于多层级架构的分布式储能采集策略控制方法，其特征在于，所述利用ARMA模型对电池状态和负载需求进行预测，并根据预测结果，设定各级BMS架构的阈值包括以下步骤：
S331、使用优化ARMA模型对未来时刻的电池状态和负载需求进行预测；
S332、每次预测一个时刻的数据，再将预测结果加入到历史数据中，用于下一个时刻的预测；
S333、对预测结果进行评估，比较预测值和实际值之间的误差，检查是否符合预期；
S334、根据预测结果，设定各级BMS架构的阈值。
6.根据权利要求1所述的一种基于多层级架构的分布式储能采集策略控制方法，其特征在于，所述根据设定的阈值和控制策略，对不同层级和电池组件进行相应的控制，并将储能任务分配给分布式储能***中的不同电池组件包括以下步骤：
S41、基于***级BMS架构储能模型，根据设定的阈值和控制策略，确定储能***的电池组件的充电或放电任务分配；
S42、基于模块级BMS架构储能模型，根据分布式储能***的任务分配和电池组件的状态，确定各个电池组件的充电或放电任务分配；
S43、基于单体级BMS架构储能模型，根据基于模块级BMS架构储能模型的任务和电池组件的状态，对电池组件进行充电或放电控制。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310395871.7A CN116488219B (zh) | 2023-04-13 | 2023-04-13 | 一种基于多层级架构的分布式储能采集策略控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310395871.7A CN116488219B (zh) | 2023-04-13 | 2023-04-13 | 一种基于多层级架构的分布式储能采集策略控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116488219A CN116488219A (zh) | 2023-07-25 |
| CN116488219B true CN116488219B (zh) | 2023-11-10 |
Family
ID=87213115
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310395871.7A Active CN116488219B (zh) | 2023-04-13 | 2023-04-13 | 一种基于多层级架构的分布式储能采集策略控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116488219B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116885763B (zh) * | 2023-09-07 | 2023-11-17 | 深圳市健网科技有限公司 | 一种适用于分布式储能***的能量管理装置及方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1601518A (zh) * | 2004-10-22 | 2005-03-30 | 北京交通大学 | 一种基于信号处理的道路交通流数据集成方法与装置 |
| CN112234639A (zh) * | 2020-10-22 | 2021-01-15 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于储能***充放电的控制装置 |
| CN113300436A (zh) * | 2021-06-11 | 2021-08-24 | 上海玫克生储能科技有限公司 | 锂电池储能***的动态管控方法 |
| CN215071703U (zh) * | 2021-04-29 | 2021-12-07 | 中国华能集团清洁能源技术研究院有限公司 | 一种分散式电池储能*** |
| CN114050633A (zh) * | 2021-06-11 | 2022-02-15 | 上海玫克生储能科技有限公司 | 一种锂电池储能***的动态管控方法、装置和电子设备 |
| CN115684726A (zh) * | 2022-10-20 | 2023-02-03 | 山东大学 | 一种采样频率自适应的绝缘检测方法及电池管理*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10101730B2 (en) * | 2014-05-01 | 2018-10-16 | Johnson Controls Technology Company | Incorporating a load change penalty in central plant optimization |
-
2023
- 2023-04-13 CN CN202310395871.7A patent/CN116488219B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1601518A (zh) * | 2004-10-22 | 2005-03-30 | 北京交通大学 | 一种基于信号处理的道路交通流数据集成方法与装置 |
| CN112234639A (zh) * | 2020-10-22 | 2021-01-15 | 江苏慧智能源工程技术创新研究院有限公司 | 一种基于储能***充放电的控制装置 |
| CN215071703U (zh) * | 2021-04-29 | 2021-12-07 | 中国华能集团清洁能源技术研究院有限公司 | 一种分散式电池储能*** |
| CN113300436A (zh) * | 2021-06-11 | 2021-08-24 | 上海玫克生储能科技有限公司 | 锂电池储能***的动态管控方法 |
| CN114050633A (zh) * | 2021-06-11 | 2022-02-15 | 上海玫克生储能科技有限公司 | 一种锂电池储能***的动态管控方法、装置和电子设备 |
| CN115684726A (zh) * | 2022-10-20 | 2023-02-03 | 山东大学 | 一种采样频率自适应的绝缘检测方法及电池管理*** |
Non-Patent Citations (2)
| Title |
|---|
| 兆瓦级孤立型海岛微电网自动化***架构与协调控制技术研究;吴家宏;刘千杰;吴恒;刘云;乔峰;;电器与能效管理技术(第18期);第43-48页 * |
| 可再生能源发电预测与微电网能量管理研究;洪东涛;《中国优秀硕士学位论文全文数据库 工程科技II辑》;第C042-2569页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116488219A (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111584952B (zh) | 用于储能电站电化学电池在线评估的方法和*** | |
| US9846886B2 (en) | Strategic modeling for economic optimization of grid-tied energy assets | |
| CN113219343A (zh) | 基于弹性网的锂电池健康状态预测方法、***、设备及介质 | |
| CN107340476B (zh) | 电池的电气状态监测***和电气状态监测方法 | |
| 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 | |
| CN108646189A (zh) | 一种面向铅酸蓄电池剩余容量预测的libsvm建模方法 | |
| US20230059529A1 (en) | Characterization of Rechargeable Batteries Using Machine-Learned Algorithms | |
| CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
| CN112255559A (zh) | 基于多元线性回归的锂电池储能电站剩余寿命预测方法 | |
| 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 | |
| Lu et al. | Modeling discharge characteristics for predicting battery remaining life | |
| CN114865668A (zh) | 一种储能调度支撑评估方法 | |
| CN116643178B (zh) | 一种电池管理***的soc估算方法及相关装置 | |
| CN116736166A (zh) | 电池包的电芯异常检测方法、装置及电池包 | |
| CN117893059A (zh) | 基于传感器的储能数据采集分析方法及*** | |
| Eleftheriadis et al. | Comparative study of machine learning techniques for the state of health estimation of li-ion batteries | |
| KR20180121317A (ko) | 충전가능한 배터리의 용량 저하율을 예측하는 방법 및 장치 | |
| CN117630672A (zh) | 借助变换器模型预测诊断技术设备的设备电池的方法和设备 | |
| Sobon et al. | Model-free non-invasive health assessment for battery energy storage assets | |
| CN116243165A (zh) | 确定电池一致性的方法、装置、计算设备及车辆 | |
| Lin et al. | Research on Inconsistency Identification of Lithium-ion Battery Pack Based on Operational Data | |
| CN116774057B (zh) | 一种训练电池寿命预测模型和预测电池寿命的方法及装置 | |
| CN115701851B (zh) | 一种软包锂离子电池厚度预测方法 | |
| Mun et al. | 1D convolutional neural network combined with long-short term memory-based cell-to-cell inconsistency estimation considering recursive least squares and Euclidean distance | |
| Pattnaik et al. | Predicting SoH and RUL of Li-ion Batteries in Electric Vehicles: A Comprehensive Review and Chemistry Insights |
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 |