CN117955248B - 一种储能电站电池状态监测***、方法、装置和存储介质 - Google Patents
一种储能电站电池状态监测***、方法、装置和存储介质 Download PDFInfo
- Publication number
- CN117955248B CN117955248B CN202410351205.8A CN202410351205A CN117955248B CN 117955248 B CN117955248 B CN 117955248B CN 202410351205 A CN202410351205 A CN 202410351205A CN 117955248 B CN117955248 B CN 117955248B
- Authority
- CN
- China
- Prior art keywords
- power
- data
- battery
- power generation
- energy storage
- 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 246
- 238000012544 monitoring process Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000010248 power generation Methods 0.000 claims abstract description 294
- 230000010287 polarization Effects 0.000 claims abstract description 25
- 238000013500 data storage Methods 0.000 claims abstract description 10
- 230000005611 electricity Effects 0.000 claims description 57
- 238000007599 discharging Methods 0.000 claims description 42
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 44
- 239000013598 vector Substances 0.000 description 30
- 238000013058 risk prediction model Methods 0.000 description 10
- 230000036541 health Effects 0.000 description 9
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for several batteries or cells simultaneously or sequentially
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
-
- 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
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- 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
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
-
- 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
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Electrochemistry (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Human Computer Interaction (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本说明书实施例提供一种储能电站电池状态监测***、方法、装置和存储介质,***包括:电池状态监测模块、数据存储装置、发受电量监测模块、警报部件、电网负荷监测模块和电池控制模块。电池控制模块还包括电网负荷预估单元,电网负荷预估单元被配置为:基于当前工况数据以及历史工况数据、发受电量数据、用电量数据、当前以及历史的电池极化特性数据以及电网负荷数据,确定未来至少一个时间点的预估电池储能风险类型以及其置信度;基于预估电池储能风险类型以及其置信度,确定对储能电站的至少一个电池组的检修指令;并将检修指令发送给电站维护中心。本说明书通过预估电池储能风险,提前确定检修指令,及时进行检修,提高储能电站的运行安全。
Description
技术领域
本说明书涉及电池监测领域,特别涉及一种储能电站电池状态监测***、方法、装置和存储介质。
背景技术
储能电站是指通过多个电化学电池存储介质的集合,进行可循环电能存储、转换及释放的设备***。储能电站可以作为独立的***接入电网,对电网起到削峰填谷,备用电源等作用;也可与新能源发电一起组成风光储***,平滑发电量和用电量或组成微电网,提高能源利用率和电能质量。
目前,对于电池储能电站的分析往往依赖于电网波动以及储能电站本身的运行,只有发生故障或电池衰退时才会监测出异常,无法提前预估储能电站的关于电池相关隐患的风险,容易出现意料之外的突发事件,比如火灾等。
因此,希望提供一种储能电站电池状态监测***、方法、装置和存储介质,以提前评估储能电站相关风险。
发明内容
本说明书一个或多个实施例提供一种储能电站电池状态监测***。该***包括:电池状态监测模块,电池状态监测模块与储能电站的电池组通过电路连接,电池状态监测模块被配置为采集电池组的工况数据;数据存储装置,被配置为存储电池状态监测模块所采集的历史工况数据;发受电量监测模块,被配置为监测与储能电站电路连接的,新能源发电装置的发受电量数据和用电装置的用电量数据;警报部件,被配置为在工况数据不满足预设工况条件时,发出警报信息;电网负荷监测模块,被配置为监测储能电站所接入的电网的电网负荷数据;电池控制模块,电池控制模块包括电网负荷预估单元;电网负荷预估单元被配置为:基于当前工况数据以及历史工况数据、发受电量数据、用电量数据、当前以及历史的电池极化特性数据以及电网负荷数据,确定未来至少一个时间点的预估电池储能风险类型以及其置信度;基于预估电池储能风险类型以及其置信度,确定对储能电站的至少一个电池组的检修指令;并将检修指令发送给电站维护中心。
在一些实施例中,电池控制模块还包括电池储能控制单元;电池储能控制单元被配置为:基于发受电量数据、用电量数据以及发电影响因素,预测未来至少一个时间点的预估发受电量数据和预估用电量数据;基于预估发受电量数据和预估用电量数据,确定未来至少一个时间点的充电预期工况和放电预期工况;基于充电预期工况、放电预期工况和电池组的当前工况数据,确定新能源发电装置、电池组以及电网之间的电量调度参数;其中,电量调度参数包括未来至少一个时间点的电池电量调度参数和电网电量调度参数。
在一些实施例中,电池储能控制单元还被配置为:基于当前以及历史的发受电量数据、用电量数据和发电影响因素,使用发受电量预测模型,预测新能源发电装置的预估发受电量数据和用电装置的预估用电量数据;发受电量预测模型为机器学习模型。
在一些实施例中,电池储能控制单元被配置为:基于当前以及历史的工况数据、发受电量数据、用电量数据、当前以及历史的电池极化特性数据以及电网负荷数据,使用风险预估模型评估确定未来至少一个时间点的预估电池储能风险类型以及其置信度;将置信度满足置信度条件的电池组确定为待检修目标;基于待检修目标,生成检修指令。
本说明书一个或多个实施例提供一种储能电站电池状态监测方法。该方法应用于储能电站电池状态监测***,基于上述储能电站电池状态监测***的电池控制模块执行,方法包括:基于当前工况数据以及历史工况数据、发受电量数据、用电量数据、当前以及历史的电池极化特性数据以及电网负荷数据,确定未来至少一个时间点的预估电池储能风险类型以及其置信度;基于预估电池储能风险类型以及其置信度,确定对储能电站的至少一个电池组的检修指令;并将检修指令发送给电站维护中心。
在一些实施例中,方法还包括:基于发受电量数据、用电量数据以及发电影响因素,预测未来至少一个时间点的预估发受电量数据和预估用电量数据;基于预估发受电量数据和预估用电量数据,确定未来至少一个时间点的充电预期工况和放电预期工况;基于充电预期工况、放电预期工况和电池组的当前工况数据,确定新能源发电装置、电池组以及电网之间的电量调度参数;其中,电量调度参数包括未来至少一个时间点的电池电量调度参数和电网电量调度参数。
在一些实施例中,基于发受电量数据、用电量数据以及发电影响因素,预测未来至少一个时间点的预估发受电量数据和预估用电量数据包括:基于当前以及历史的发受电量数据、用电量数据和发电影响因素,使用发受电量预测模型,预测新能源发电装置的预估发受电量数据和用电装置的预估用电量数据;发受电量预测模型为机器学习模型。
在一些实施例中,基于当前工况数据以及历史工况数据、发受电量数据、用电量数据以及电网负荷数据,确定未来至少一个时间点的预估电池储能风险类型以及其置信度包括:基于当前以及历史的工况数据、发受电量数据、用电量数据、当前以及历史的电池极化特性数据以及电网负荷数据,使用风险预估模型评估确定未来至少一个时间点的预估电池储能风险类型以及其置信度;以及基于预估电池储能风险类型以及其置信度,确定对储能电站的至少一个电池组的检修指令包括:将置信度满足置信度条件的电池组确定为待检修目标;基于待检修目标,生成检修指令。
本说明书一个或多个实施例提供一种处理装置,所述装置包括至少一个处理器以及至少一个存储器;所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现储能电站电池状态监测的方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行储能电站电池状态监测的方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的储能电站电池状态监测***的结构框图;
图2是根据本说明书一些实施例所示的储能电站电池状态监测方法的示例性流程图;
图3是根据本说明书一些实施例所示的确定电量调度参数的示例性流程图;
图4是根据本说明书一些实施例所示的确定预估发受电量数据和预估用电量数据的示意图;
图5是根据本说明书一些实施例所示的确定预估电池储能风险类型的示意图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“***”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的***所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
针对如何对储能电站进行监控,CN111584952B提出了一种用于储能电站电化学电池在线评估的方法和***,该申请基于电池的实时数据和历史数据进行数据分析,从短时间尺度和长时间尺度对电池运行状态进行评估。然而,该方法只有在发生故障或电池衰退时才会监测出异常,无法提前预估储能电站的关于电池相关隐患的风险,容易出现意料之外的突发事件,比如火灾等。
因此,本说明书一些实施例,可以基于电池组的当前工况数据、历史工况数据、发受电量、用电量以及电网负荷等数据,预估储能电站未来是否存在电池储能风险,并提前确定对应的检修指令,及时地指示工作人员进行检修,以避免储能风险的发生,从而提高储能电站的运行安全性。
图1是根据本说明书一些实施例所示的储能电站电池状态监测***的结构框图。在一些实施例中,如图1所示,储能电站电池状态监测***100可以包括电池状态监测模块110、数据存储装置120、发受电量监测模块130、警报部件140、电网负荷监测模块150和电池控制模块160。
在一些实施例中,储能电站可以包括电池组、储能变流器(Power ConversionSystem,PCS)和能量管理***(EnergyManagementSystem,EMS)。其中,电池组可以包括至少一个储能电池,通过放电产生电能,通过充电进行储能。能量管理***EMS可以将电池组产生的直流电经过储能变流器PCS或双向逆变器的逆变处理,转化成交流电,向电网(如,电力设施或终端用户等)输送电能。在储能较少时,能量管理***EMS还可以从电网中提取电力为电池充电,以保证电能的正常储蓄。
在一些实施例中,储能电站还可以包括新能源发电装置。新能源发电装置是指利用太阳能、风能等新能源进行发电的电子设备。在一些实施例中,新能源发电装置可以包括风力发电装置、太阳能发电装置和水力发电装置的至少一种。
在一些实施例中,新能源发电装置可以与电池组、储能变流器PCS通过电路连接。
需要说明的是,由于新能源发电装置发电和负载用电都不稳定,因此储能电站依赖于电池组存储的电量,平衡储能电站的***能量。例如,当储能电站的负载功率大于新能源发电装置的发电功率时,电网、新能源发电装置、和电池组可以同时向负载供电。
在一些实施例中,储能电站还可以包括电站维护中心。电站维护中心可以接收检修指令,基于检修指令分配工作人员对对应的设备进行检修,以避免电磁发生意外。检修指令的更多细节,可以参看下述图2及其相关描述。
电池状态监测模块110是指对电池组进行监控的电路模块。在一些实施例中,电池状态监测模块110可以与储能电站的电池组通过电路连接,电池状态监测模块可以被配置为采集电池组的工况数据。在一些实施例中,电池状态监测模块可以通过温度传感器、电压表等检测器件采集电池组中每一个电池的工况数据,再汇总成电池组的工况数据,发送给数据存储装置120。工况数据的更多细节,可以参看下述图2及其相关描述。
数据存储装置120是指存储电站相关数据的电子设备。在一些实施例中,数据存储装置120可以用于存储电池状态监测模块采集的历史工况数据。其中,历史工况数据可以反映电池组在过去的工作状态,为预测电池储能风险提供参考数据。历史工况数据的更多细节,可以参看下述图2及其相关描述。
发受电量监测模块130是指对储能电站的发受电量数据进行监控的电路模块。在一些实施例中,发受电量监测模块130被配置为监测与储能电站电路连接的,新能源发电装置的发受电量数据和用电装置的用电量数据。例如,发受电量监测模块130可以通过电能表、功率计等监测组件,监测新能源发电装置产生并输送到电网的电能和从外界(如电网)接收到的电量,监测用电装置的用电量数据。在一些实施例中,用电装置可以包括接入电网的负载设备。发受电量数据、用电量数据的更多细节,可以参看下述图2及其相关描述。
警报部件140是指发出警报信息进行提醒的部件。在一些实施例中,警报部件140可以被配置为在工况数据不满足预设工况条件时,发出警报信息。在一些实施例中,警报部件140可以包括指示灯、喇叭、显示屏等一种或多种器件。
在一些实施例中,预设工况条件可以根据人工经验或出现电池储能风险时对应的历史工况数据进行设定。例如,若预设工况条件为电池组的电流不超过1A时,当电池组的实时电流超过1A时,则电池控制模块160可以驱动警报部件140进行及时报警。
电网负荷监测模块150是指对电网的电网负荷数据进行监控的电路模块。在一些实施例中,电网负荷监测模块150可以被配置为监测储能电站所接入的电网的电网负荷数据。在一些实施例中,电网负荷监测模块150可以通过电能表、功率计等监测组件采集电网的电网负荷数据。电网负荷数据的更多细节,可以参看下述图2及其相关描述。
电池控制模块160是指对电池组的状态进行预测、调整、控制的电路模块。在一些实施例中,电池控制模块160可以基于电池的当前工况数据确定电量调度参数,以便调节新能源发电装置、电池组以及电网之间的电能,减小电网波动。电量调度参数的更多细节,可以参看下述图3及其相关描述。
在一些实施例中,电池控制模块160可以包括电网负荷预估单元161。
电网负荷预估单元161是指对电网负荷数据进行预测的电子单元。在一些实施例中,电网负荷预估单元161可以被配置为:基于当前工况数据以及历史工况数据、发受电量数据、用电量数据、当前以及历史的电池极化特性数据以及电网负荷数据,确定未来至少一个时间点的预估电池储能风险类型以及其置信度;基于预估电池储能风险类型以及其置信度,确定对储能电站的至少一个电池组的检修指令;并将检修指令发送给电站维护中心。预估电池储能风险类型及其置信度、检修指令的更多细节可以参看下述图2及其相关描述。
在一些实施例中,电网负荷预估单元161还可以被配置为:基于当前以及历史的工况数据、发受电量数据、用电量数据、当前以及历史的电池极化特性数据以及电网负荷数据,使用风险预估模型评估确定未来至少一个时间点的预估电池储能风险类型以及其置信度;将置信度满足置信度条件的电池组确定为待检修目标;基于待检修目标,生成检修指令。风险预估模型、置信度条件和待检修目标的更多内容,可以参看下述图5及其相关描述。
在一些实施例中,电池控制模块160可以包括电池储能控制单元162。
电池储能控制单元162是指对电池组的储能进行调节的电子单元。在一些实施例中,电池储能控制单元162可以被配置为:基于发受电量数据、用电量数据以及发电影响因素,预测未来至少一个时间点的预估发受电量数据和预估用电量数据;基于预估发受电量数据和预估用电量数据,确定未来至少一个时间点的充电预期工况和放电预期工况;基于充电预期工况、放电预期工况和电池组的当前工况数据,确定新能源发电装置、电池组以及电网之间的电量调度参数;其中,电量调度参数包括未来至少一个时间点的电池电量调度参数和电网电量调度参数。发电影响因素、预估发受电量数据、预估用电量数据、充电预期工况和放电预期工况的更多内容,可以参看下述图3及其相关描述。
在一些实施例中,电池储能控制单元162还可以被配置为:基于当前以及历史的发受电量数据、用电量数据和发电影响因素,使用发受电量预测模型,预测新能源发电装置的预估发受电量数据和用电装置的预估用电量数据;发受电量预测模型为机器学习模型。发受电量预测模型的更多细节可以参看下述图4及其相关描述。
在一些实施例中,电池控制模块160还可以包括发电装置监测模块。
发电装置监测模块是指对新能源发电装置的发受电量进行监测的电子单元。在一些实施例中,发电装置监测模块可以被配置为:监测新能源发电装置的运行监测图像和运行监测数据;发受电量预测模型还包括发受特征确定层,发受特征确定层被配置为基于运行监测图像、历史检修数据,确定新能源发电装置的发受特征。运行监测图像、运行监测数据和发受特征确定层的更多细节,可以参看下述图4及其相关描述。
需要注意的是,以上对于储能电站电池状态监测***及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该***的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子***与其他模块连接。在一些实施例中,图1中披露的电池状态监测模块、数据存储装置、发受电量监测模块、警报部件、电网负荷监测模块和电池控制模块可以是一个***中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图2是根据本说明书一些实施例所示的储能电站电池状态监测***的主流程图。如图2所示,流程200包括下述步骤。在一些实施例中,流程200可以由上述电池控制模块160执行。
步骤210,基于当前工况数据以及历史工况数据、发受电量数据、用电量数据、当前以及历史的电池极化特性数据以及电网负荷数据,确定未来至少一个时间点的预估电池储能风险类型以及其置信度。
工况数据是指电池组在工作中涉及的数据。在一些实施例中,当前工况数据可以反映电池组在当前时间点的工作状态,历史工况数据可以反映电池组在历史至少一个时间点的工作状态,为后续调控电池组的电量提供参考依据。
在一些实施例中,工况数据可以包括电池组的电压电流、剩余容量、温升、荷电状态、电池剩余能量状态、电流密度等。
其中,电压电流可以反映电池组是否处于正常工作状态,如电压电流超过电池组的额定电流或额定电压,则可以判定电池组处于异常工作状态。
剩余容量是指电池组在未来能够释放的剩余电荷量,其单位可以为安时A、毫安时mAh。剩余容量可以用于指导未来时间点控制电池组在未来时间点的充放电状态。例如,剩余容量越大,可以反映电池组在未来可以释放更多的电荷量,也就不需要对其进行充电。
温升是指电池组的温度高于环境温度的温度差值,其可以反映电池组在运行中的发热散热情况。例如,温升越大说明电池组在运行中的发热散热情况越大,发热越大也就越可能会发生电池储能风险。
荷电状态是指电池组的剩余容量与完全充电状态的容量的比例,荷电状态常用百分数进行表示。例如,荷电状态为0%可以表示电池组处于放电完全状态。
电池组的剩余能量是指在未来能够做功的量,其单位可以为瓦时Wh、千瓦时kWh等。电池剩余能量状态是指电池组的剩余能量与额定能量的比值,电池剩余能量状态也可以用百分数进行表示。例如,电池剩余能量状态为0%可以表示电池组没有能量,处于无法做功的状态。
电流密度是指在电池内部,通过每单位表面积的电流量。在一些实施例中,电流密度可以反映电池的能量转化率,从而可以判断电池组的工作状态。能量转化率是指单位时间内能量转化成化学能的量。例如,电流密度越高,可以反映电池的能量转化率也越高,过高的电池的能量转化率容易导致电池出现过度发热、膨胀或提前老化等问题,存在一定的储能风险。
在一些实施例中,电池控制模块可以通过上述电池状态监测模块采集电池组的当前工况数据,还可以通过上述数据存储装置读取电池组的历史工况数据。电池状态监测模块和数据存储装置的更多细节,可以参看上述图1及其相关描述。
发电量是指某一区域内新能源发电装置自身生产的电量,输送给本区域的电网的电能。受电量是指在某一区域内新能源发电装置从外界接收到的电量。由于新能源发电装置在不发电时还可能需要电能进行供电,如新能源发电装置的控制***需要额外的电能进行供电,以便驱动新能源发电装置的发电机进行发电。
相对应的,在一些实施例中,新能源发电装置的发受电量数据可以影响储能***的电池组的负荷。例如,新能源发电装置的发电量波动,导致电池组充放电切换频繁,容易导致电网波动,从而导致储能电站中的电池组的充放电容易出现意外,存在电池储能风险。
用电量数据是指用电装置(如,负载)在某一时间段内消耗的电量。由于用电装置并不固定,用电装置的用电量数据也可以影响储能***的电池组的负荷。例如,用电装置的用电量波动,导致电池组的充放电切换频繁,容易导致电网波动,从而也会导致储能电站存在电池储能风险。
在一些实施例中,电池控制模块可以通过上述发受电量检测模块采集新能源发电装置的发受电量数据以及用电装置的用电量数据。发受电量检测模块、新能源发电装置和用电装置的更多内容可以参看上述图1及其相关描述。
电池极化特性数据是指电池中发生电位偏移现象的特征数据。极化电压与电池的电压、电流、温度、电流变化率相关,且呈现随时间衰减的特性。以电池的电压、电流、温度、电流变化率和时间绘制5维度坐标***,可以刻画出该电池的特征状态。当前以及历史的电池极化特性数据可以绘制出电池的特征状态,该特征状态再与正常特征状态及异常特征状态做相似度评价,即可得到电池的工作状态及风险情况
在一些实施例中,电池控制模块可以通过上述电池状态监测模块采集电池组的当前以及历史的工况数据,再基于工况数据中的电流密度和电压,确定电池极化特征数据。发受电量检测模块的更多内容可以参看上述图1及其相关描述。
电网负荷数据是指从电网中提取到电功率。在一些实施例中,电网负荷数据也可以影响储能***的电池组的负荷。例如,电网负荷数据的波动越大,说明电网越可能存在波动,越容易导致电池的充放电存在电池储能风险。
在一些实施例中,电池控制模块可以通过上述电网负荷监测模块采集电网的电网负荷数据。电网负荷监测模块的更多内容可以参看上述图1及其相关描述。
预估电池储能风险类型是指因电池充放电频繁的储能风险的类型。当电网频繁波动时,会导致电池组的负荷需要频繁变化,充放电状态频繁切换,导致电池组容易出现意料之外的突发事件,如火灾等。在一些实施例中,预估电池储能风险类型可以包括漏电、虚电、破损、火灾等一种或多种风险。
预估电池储能风险类型的置信度是指电池组在未来至少一个时间点上出现突发事件的可信程度,如第一电池组存在漏电风险的置信度是0.9。某一未来时间点的置信度越高,可以说明电池组在该未来时间点上越容易发生突发事件。
在一些实施例中,电池控制模块可以基于当前工况数据以及历史工况数据、发受电量数据、用电量数据、当前以及历史的电池极化特性数据以及电网负荷数据,通过向量库匹配、建立模型等多种方式确定未来至少一个时间点的预估电池储能风险类型以及其置信度。
示例性的,电池控制模块可以基于当前工况数据以及历史工况数据、发受电量数据、用电量数据、当前以及历史的电池极化特性数据以及电网负荷数据构建电池特征向量,在风险向量数据库中检索,检索到与电池特征向量相似的参考电池特征向量,将该参考电池特征向量对应的参考预估电池储能风险类型以及其参考置信度,确定为预估电池储能风险类型以及其置信度。
其中,风险向量数据库中存储有多个参考电池特征向量及对应的多个参考预估电池储能风险类型以及其参考置信度。参考电池特征向量可以基于历史储能电站数据构建的。参考预估电池储能风险类型可以基于历史实际出现的电池储能风险构建的,参考置信度可以基于历史实际出现的电池储能风险的次数与历史预估电池储能风险类型的次数的比值构建,也可以是由人工标注确定的。确定预估电池储能风险类型及其置信度的更多细节,可以参看下述图5及其相关描述。
步骤220,基于预估电池储能风险类型以及其置信度,确定对储能电站的至少一个电池组的检修指令。
检修指令是指提醒工作人员对存在风险的设备进行检修的指令。在一些实施例中,检修指令可以指导工作人员去检修对应的电池组,以避免电池组发生突发事件。在一些实施例中,检修指令可以包括检修目标的地址、风险原因等。检修指令的更多细节参看上述图1及其相关描述。
在一些实施例中,电池控制模块可以通过多种方式确定储能电站的至少一个电池组的检修指令。示例性的,电池控制模块可以将大于预设置信度阈值的预估电池储能风险类型,确定为存在电池储能风险,从而基于该预估电池储能风险类型对应的电池组以及时间点等信息确定对应的检修指令。其中,预设置信度阈值可以根据历史实际出现的电池储能风险的次数与历史预估电池储能风险类型的次数的比值确定,也可以通过人工标注等方式确定。确定检修指令的更多内容可以参看下述图5及其相关描述。
步骤230,并将检修指令发送给电站维护中心。
在一些实施例中,电池控制模块可以通过多种方式将检修指令发送给电站维护中心,如通过语音、文字等形式发送给电站维护中心。电站维护中心可以根据检修指令中预估电池储能风险类型对应的未来时间点从近到远,分配工作人员进行检修;也可以基于其他分配依据分配工作人员。电站维护中心的更多细节可以参看上述图1及其相关描述。
在本说明书实施例中,可以基于电池组的当前工况数据、历史工况数据、发受电量、用电量、当前以及历史的电池极化特性数据以及电网负荷等数据,预估储能电站未来是否存在电池储能风险,并提前确定对应的检修指令,及时地指示工作人员进行检修,以避免储能风险的发生,从而提高储能电站的运行安全性。
图3是根据本说明书一些实施例所示的确定电量调度参数的示例性流程图。在一些实施例中,如图3所示,流程300包括下述步骤。在一些实施例中,流程300可以由上述电池控制模块160执行。
步骤310,基于发受电量数据、用电量数据以及发电影响因素,预测未来至少一个时间点的预估发受电量数据和预估用电量数据。
发电影响因素是指新能源发电装置受到的环境影响因素。在一些实施例中,发电影响因素可以与新能源发电装置的种类相关。例如,新能源发电装置为太阳能发电装置,则发电影响因素可以包括当前以及未来时间点的天气数据、季节数据、地理特征等。其中,天气数据可以包括光照程度、温度、雾气浓度等。
在一些实施例中,发电影响因素可以影响新能源发电装置未来时间点的发电功率。例如,新能源发电装置为风力发电装置时,未来时间点的风力数据越大,新能源发电装置未来时间点的发电功率也就越大。
在一些实施例中,电池控制模块可以通过人工输入的方式获取发电影响因素,也可以通过第三方网络平台(如,天气预报网等)等其他方式获取发电影响因素。
在一些实施例中,历史的发受电量数据和用电数据,也可以影响未来至少一个时间点的预估发受电量数据和预估用电量数据。例如,历史的发受电量数据越大,则预测得到的未来时间点的预估发受电量数据也就越大。获取发受电量数据和用电数据的更多细节,可以参看上述图2及其相关描述。
预估发受电量数据和预估用电量数据是指,预测得到的未来时间点的新能源发电装置的发受电量数据和用电设备未来时间点的用电量数据。
需要说明的是,当新能源发电装置的功率降低时,发受电量监测模块可以监测到新能源发电装置的功率(如,预估发受电量数据)的下降,并发送信号给电池组,要求电池组向负载释放电能,从而提供额外的辅助供电,维持电网稳定。
在一些实施例中,电池控制模块可以基于历史发受电量数据、历史用电量数据、以及发电影响因素,通过向量库匹配、模型识别多种方式确定未来时间点电量的预估发受电量数据、预估用电量数据。例如,电池控制模块可以基于历史发受电量数据、历史用电量数据、以及发电影响因素构建发受特征向量,基于发受特征向量使用预估电量向量数据库,基于向量距离寻找对应的参考发受特征向量,将参考发受特征向量对应的参考预估发受电量数据、参考预估用电量数据,确定为未来时间点电量的预估发受电量数据、预估用电量数据。
其中,预估电量向量数据库中存储有多个参考发受特征向量和对应的多个参考预估发受电量数据、参考预估用电量数据,参考发受特征向量可以根据第一历史时间点的历史发受电量数据、历史用电量数据、以及历史发电影响因素构建,对应的参考预估发受电量数据、参考预估用电量数据可以根据第二历史时间点的发受电量数据和用电量数据构建。其中,第二历史时间点晚于第一历史时间点。预估发受电量数据和预估用电量数据的更多细节,可以参看下述图4及其相关描述。
步骤320,基于预估发受电量数据和预估用电量数据,确定未来至少一个时间点的充电预期工况和放电预期工况。
充电预期工况是指无需电池组或电网为用电装置辅助供电的工作状况。也就是说,新能源发电装置的发电充足,无需电池组或电网进行辅助供电,还可以向电网或者是电池组进行供电。在一些实施例中,充电预期工况可以包括电池组的预期充电功率。
放电预期工况是指需要电池组或电网为用电装置辅助供电的工作状况。也就是说,新能源发电装置的发电不足,需要电池组或电网进行辅助供电。在一些实施例中,放电预期工况可以包括电池组的预期放电功率。发电量、用电量、受电量的更多细节,可以参看上述图2及其相关描述。
在一些实施例中,电池控制模块可以将新能源发电装置的预估发电量大于或等于用电装置的预估用电量与新能源发电装置的预估受电量的和的工作状态,确定为充电预期工况。反之,在一些实施例中,电池控制模块可以将新能源发电装置的预估发电量小于用电装置的预估用电量与新能源发电装置的预估受电量的和的工作状态,确定为放电预期工况。相对应的,在一些实施例中,电池控制模块可以基于预估发受电量数据和预估用电量数据,确定预期充电功率或与其放电功率。例如,在确定为充电预期工况时,电池控制模块可以将新能源发电装置的预估发电量,与用电装置的预估用电量与新能源发电装置的预估受电量的和的差值,作为预期充电功率。
也就是说,电池控制模块可以在新能源发电装置的发电功率降低时(如确定为放电预期工况)能够及时地辅助供电,在新能源发电装置的发电功率增大时(如确定为充电预期工况),有空余出电池组和电网接收新能源发电装置的发电,以避免提高电池储能风险。
步骤330,基于充电预期工况、放电预期工况和电池组的当前工况数据,确定新能源发电装置、电池组以及电网之间的电量调度参数。
电量调度参数是指新能源发电装置、电池以及电网之间的转移电能的参数。例如,在处于充电预期工况时,电量调度参数可以包括新能源发电装置提供给电池组以及电网进行充电的电量。
在一些实施例中,电量调度参数可以包括未来至少一个时间点的电池电量调度参数和电网电量调度参数。其中,电池电量调度参数是指为电池组提供的电量或电池组提供的能量,电网电量调度参数是指为电网提供的电量或电网提供的电能。当前工况数据的更多细节可以参看上述图1及其相关描述。
在一些实施例中,电池控制模块可以利用经济模式、安全模式等多种模式确定新能源发电装置、电池组以及电网之间的电量调度参数。在一些实施例中,电池控制模块可以基于预估电池储能风险类型的置信度,选择对应的模式计算电量调度参数。
经济模式是指优先考虑电网稳定性的计算模式。示例性的,在电池组的预估电池储能风险类型的置信度小于预设健康阈值时,电池控制模块可以选择经济模式计算电量调度参数。其中,预设健康阈值可以根据人工经验或历史电池组的健康置信度确定。在经济模式中,电池组的健康程度较高,电池组可以保持较高的电量或者是长期满电。
在经济模式的充电预期工况中,电池控制模块可以控制新能源发电装置为电池组一直充电直到电池充满或者是直到供电阶段结束。相对应的,电池电量调度参数可以为充电结束后的电池组电量与电池组的当前剩余能量的差值,电网电量调度参数可以为新能源发电装置的富余电量与电池电量调度参数的差值。其中,富余电量为新能源发电装置为用电装置供电之外,可以提供给电网或电池组的剩余发电量。
在经济模式的放电预期工况中,电池控制模块可以采用电池组为用电装置进行供电,若用电装置仍需要其他电量,则电池控制模块可以利用电网为用电装置进行供电。相对应的,电池电量调度参数可以为用电装置的待补充电量与新能源发电装置的发电量的差值,电网电量调度参数可以为用电装置的待补充电量与电池电量调度参数的差值。用电装置的待补充电量为用电装置除去新能源发电装置供电之外的,还需要补充的电量。
安全模式是指优先考虑电池组的储能风险的计算模式。示例性的,在电池组的预估电池储能风险类型的置信度大于预设健康阈值时,电池控制模块可以选择安全模式计算电量调度参数。在安全模式中,电池组的健康程度较低,电池组长期保持较高的电量或者是长期满电,会存在损坏、***等风险,电池组可以仅充电至预设储能阈值。
在一些实施例中,预设储能阈值可以相关于预估电池储能风险类型的置信度。例如,预估电池储能风险类型的置信度越高,说明电池组在未来发生风险的机率也就越大,则需要设置越低的预设储能阈值,避免电池组发生损坏、***等。其中,预设储能阈值可以基于置信度,通过查询表格、网络等多种方式确定。示例性的,电池控制模块可以基于置信度,在储能阈值对应表中查询与该置信度相似的参考置信度对应的预设储能阈值,其中,储能阈值对应表中可以存储有多个参考置信度与其对应的预设储能阈值,储能阈值对应表可以基于人工经验或历史数据等多种方式。
在安全模式的充电预期工况中,电池控制模块可以控制新能源发电装置为电池组充电至预设储能阈值或者是供电阶段结束为止。相对应的,电池电量调度参数可以为预设储能阈值与电池组的当前剩余能量的差值,电量调度参数可以为新能源发电装置的富余电量与电池电量调度参数的差值。电池控制模块在安全模式的充电预期工况,与上述健康模式的放电预期工况的具体实现方式类似。新能源发电装置、电池组以及电网的更多细节可以参看上述图1及其相关描述。
在本说明书实施例中,通过预测未来时间点预估发受电量数据、预估用电量数据,确定未来时间点的充电预期工况、放电预期工况,可以确定并采用相对应的新能源发电装置、电池以及电网之间的电量调度参数进行电能调度,以保证电网稳定,避免储能风险的发生,从而提高储能电站的运行安全性。
在一些实施例中,电量调度参数还可以相关于电网电价。电池控制模块还可以基于充电预期工况、放电预期工况、预估发受电量数据以及预估用电量数据,确定未来至少一个时间点的新能源发电装置的富余电量以及待补充电量;基于富余电量和待补充电量,生成至少一个候选电量调度参数;基于候选电量调度参数、电网电价以及预设储能阈值,确定目标电量调度参数。
电网电价是指电网为用户装置提供电能的价格。在一些实施例中,电网电价可以影响电池控制模块确定电量调度参数的策略。例如,在新能源发电装置的发电量和电池组的供电量可以满足用电装置的情况下,电池控制模块可以不从电网购买电能。且电池控制模块可以在电网电价较高时,将电能尽可能提供给电网;在电网电价较低时,控制电网为电池组进行充电。在一些实施例中,电池控制模块可以通过网络、人工输入等方式获取电网电价。
在一些实施例中,电池控制模块可以基于充电预期工况、放电预期工况、预估发受电量数据以及预估用电量数据,计算未来至少一个时间点的富余电量以及待补充电量。例如,在处于充电预期工况时,富余电量可以为预估发电量数据与预估用电量数据的差值。在处于放电预期工况时,待补充电量可以为预估用电量数据与预估发电量数据的差值。待补充电量和富余电量的更多细节可以参看上述步骤330及其相关描述。
在一些实施例中,电池控制模块可以基于富余电量和待补充电量,随机生成至少一个候选电量调度参数。电池控制模块可以随机生成电池组充电量、电池组供电量,从而确定对应的电网充电量、电网供电量。
在一些实施例中,电池控制模块可以要求在每个充电预期工况中,电池组充电量小于或等于预设储能阈值与当前电池组电量的差值。在每个放电预期工况,当前电池组电量与电池组供电量的差值大于或等于预设储能阈值。也就是说,随机生成的电池组充电量、电池组供电量也不能将电池组的电量用光,预设储能阈值可以用于应对突发情况。
示例性的,假设电池组至少两次处于放电预期工况中,第一放电预期工况和第二放电预期工况分别需要的待补充电量为(100,110)。其中,第一放电预期工况可以为未来第3~4小时,第二放电预期工况可以为未来第7小时,100是表示第一放电预期工况需要的待补充电量,110是表示第二放电预期工况需要的待补充电量。电池组的初始当前电量为50;对应2个充电预期工况(如,第一充电预期工况和第二充电预期工况)的新能源发电装置未来第1~2小时的富余电量为(30,40),未来第5~6小时的富余电量为(50,20)。其中,第一充电预期工况可以为未来第1~2小时,第二充电预期工况可以为未来第5~6小时,(30,40)中的30是表示未来第1小时的富裕电量,(30,40)中的40是未来第2小时的富裕电量。随机生成的对应2个充电预期工况未来第1~2小时的电池组充电量为(25,35),未来第5~6小时电池组充电量为(40,20);随机生成的对应2个放电预期工况的电池组供电量为(90,70)。其中,电池组的预设储能阈值可以为20。
而对应2个充电预期工况未来第1~2小时的电网充电量为(30-25=5, 40-35=5),未来第5~6小时的电网充电量为(50-40=10, 20-20=0),则对于2个放电预期工况的电网供电量分别为(100-90=10,110-70=40)。
在一些实施例中,预设储能阈值可以相关于历史检修数据、历史预估电池储能风险类型及其置信度、历史发受电量数据。
在一些实施例中,历史检修数据、历史预估电池储能风险类型及其置信度、历史发受电量数据可以影响预设储能阈值的设定。例如,历史检修数据的次数越多、历史检修数据中的上一次检修时间点离当前时间点越远,或历史预估电池储能风险类型越高、或历史发受电量数据越不稳定,说明电池的健康程度越低,则可以设置越低的预设储能阈值,以预防电池发生故障。
在一些实施例中,电池控制模块可以基于历史检修数据、历史风险类型及其置信度、历史发受电量数据,使用向量数据库确定预设储能阈值。
示例性的,电池控制模块可以基于历史检修数据、历史风险类型及其置信度、历史发受电量数据构建阈值特征向量,在储能阈值向量库中检索,检索到与阈值特征向量相似的参考阈值特征向量,将该参考阈值特征向量对应的参考预设储能阈值确定为预设储能阈值。
其中,储能阈值向量库中存储有多个参考阈值特征向量及对应的多个参考预设储能阈值。参考阈值特征向量基于历史检修数据、历史风险类型及其置信度、历史发受电量数据构建的。参考预设储能阈值可以基于历史预测储能阈值构建的,也可以是由人工标注确定的。
在本说明书实施例中,通过考虑历史检修数据、历史预估电池储能风险类型及其置信度、历史发受电量数据的影响,使得设定的预设储能阈值更加接近于电池的最优储能阈值,从而保证电网稳定,避免储能风险的发生,提高储能电站的运行安全性。
在一些实施例中,电池控制模块还可以基于候选电量调度参数、电网电价以及预设储能阈值,确定目标电量调度参数。例如,电池控制模块可以基于电网电价以及预设储能阈值,利用每一个候选电量调度参数计算对应的电网收益和电网波动,选择电网收益较大和电网波动较小的候选电量调度参数作为目标电量调度参数,以使电网收益和电网波动平衡。
在本说明书实施例中,通过考虑电网电价对于充电预期工况、放电预期工况的影响,从多个候选电量调度参数中选择出最优的候选电量调度参数作为目标电量调度参数,使得电网收益和电网波动平衡,在保证电网稳定,避免储能风险的发生,提高储能电站的运行安全性的同时,提高向电网输电的收益。
在一些实施例中,电池控制模块还可以基于电网电价以及预设储能阈值,确定候选电量调度参数的用电成本和储能风险指数;对用电成本和储能风险指数进行加权求和,确定候选电量调度参数的适应度;用电成本的第一系数和储能风险指数的第二系数相关于***当前模式;基于适应度,确定目标电量调度参数。
用电成本是指未来与电网交易的收支数据。在一些实施例中,用电成本可以为未来向电网提供电能的收入(即卖电收入),与电网提供电能的支出(即买电支出)的差值。在一些实施例中,用电成本可以为正,也可以为负。例如,当用电成本为负,可以说明电池储能控制单元在未来整体阶段中需要电网提供电能,需要支出。
在一些实施例中,电池控制模块可以基于电网电价和预设储能阈值,计算每一个候选电量调度参数在未来至少一个时间点,向电网提供电能的收入以及电网提供电能的支出,从而确定与候选电量调度参数对应的未来至少一个时间点的用电成本。获取电网电价以及预设储能阈值的更多示例,可以参看上述相关描述。
储能风险指数是指电池组储能的危险程度。在一些实施例中,储能风险指数可以相关于电池组的电量大于预设储能阈值的时长。例如,时长越长,电池组越容易出现储能风险,则储能风险指数越高。
在一些实施例中,电池控制模块可以基于每一个候选电量调度参数、电网电价和预设储能阈值,通过查询表格等方式,查询对应的储能风险指数。例如,电池控制模块可以基于候选电量调度参数、电网电价和预设储能阈值,在预设风险对应表中查询与候选电量调度参数对应的储能风险指数。预设风险对应表可以根据人工经验或基于历史电量调度参数以及历史储能风险指数构建。
适应度是描述候选电量调度参数的个体性能的指标。在一些实施例中,适应度可以作为淘汰候选电量调度参数的参考依据。例如,适应度越小,可以说明用电成本和电池电量大于最佳储能阈值的时长越小,电池组发生意外的概率也就越小,该电量调度参数也就越适合作为目标电量调度参数。
在一些实施例中,电池控制模块可以对用电成本和储能风险指数进行加权求和,确定候选电量调度参数的适应度。示例性的,候选电量调度参数的适应度,可以为用电成本与第一系数的乘积,和储能风险指数与第二系数的乘积的和。
在一些实施例中,第一系数和第二系数可以相关于***当前模式。其中,***当前模式可以包括经济模式、安全模式等。例如,当***当前模式为经济模式时,电池控制模块可以增大第一系数,以增加用电成本对适应度的影响。当***当前模式为安全模式时,电池控制模块可以增大第二系数,以增加储能风险指数对适应度的影响。
在一些实施例中,电池控制模块可以利用预设算法确定目标电量调度参数。下面提供一种示例性的预设算法流程,详细说明确定目标电量调度参数的具体实现方式。在一些实施例中,预设算法流程可以由上述电池控制模块执行。预设算法流程可以包括:
步骤1,对随机生成的候选电量调度参数进行编码。
在一些实施例中,电池控制模块可以对充电预期工况、放电预期工况进行编号,基于编号进行二进制编码、实数编码等编码操作。例如,电池控制模块可以将一个候选电量调度参数进行编码,得到编码(S1,S2,L3,L4,S5,S6,L7)。其中,S表示处于充电预期工况;L表示处于放电预期工况;数值表示未来时间点,则编码(S1,S2,L3,L4,S5,S6,L7)可以表示未来每个7小时的子电量调度参数。
在一些实施例中,编码的每一个多项式还可以包括对应时间点的电池组充电量和电网供电量。示例性的,假设S1=(N1,M1)。其中,N1表示电池组在第一个小时的充电量,M1表示电网在第一个小时的充电量。再例如,假设L3=(N3,M3)。其中,N3表示电池组供电量(对应第3个小时的),M3表示电网供电量(对应第3个小时的)。随机生成候选电量调度参数,以及电池组充电量和电网供电量的具体实现方式可以参看上述相关描述。
步骤2,设置初始解空间。
在一些实施例中,电池控制模块可以基于步骤1中的编码,生成X个初始调度参数,也即X个初始解。
步骤3,设置适应度函数,确定每个候选电量调度参数的适应度。
在一些实施例中,电池控制模块可以将适应度设置为第一系数*用电成本+第二系数*储能风险指数。其中,用电成本可以为未来的卖电收入-买电支出。卖电收入可以等于卖给电网的电量与对应时间点的电价的乘积,买电支出可以等于从电网买入的电量与对应时间点的电价的乘积。
在一些实施中,电池控制模块可以将基于将电池组电量大于预设储能阈值的时长,作为储能风险指数。适应度、用电成本和储能风险指数的更多细节,可以参看上述相关描述。
步骤4,基于选择函数按进行择优选择。
在一些实施例中,电池控制模块可以基于轮盘赌等算子确定选择函数。其中,候选电量调度参数的选择概率可以与适应度负相关。例如,适应度越小,该候选电量调度参数的被选择的概率越大。示例性的,候选电量调度参数的选择概率可以为1-[某一候选电量调度参数的适应度/总适应度值]。其中,总适应度值可以为所有候选电量调度参数的适应度的和。
步骤5,进行交叉。
交叉是指两个个体作为父代,进行交换组合,得到具有优秀特征的子代。在一些实施例中,电池控制模块可以从多个候选电量调度参数中,选择两个候选电量调度参数进行交叉,产生新的作为子代的候选电量调度参数。其中,交叉概率是指两个个体发生交叉的概率。示例性的,交叉概率可以设置为(0.4~0.99)。在一些实施例中,交叉的种类还可以包括:单点交叉、多点交叉、均匀交叉等一种或多种交叉方式。
其中,单点交叉是指候选电量调度参数在一个交叉点交换多个数据的种类。多点交叉是指候选电量调度参数在多个交叉点上,交换交叉点纸箱的数据的种类。均匀交叉是指依次扫描候选电量调度参数中每一个数据(如电池组充电量),基于交叉概率判断该数据是否与另一个候选电量调度参数的数据进行交叉。
步骤6,进行变异。
变异是指改变子代的数据。在一些实施例中,电池控制模块可以依据变异概率对作为子代的候选电量调度参数进行变异,改变候选电量调度参数的数据。其中,变异概率可以为0.5。在一些实施例中,变异的种类还可以包括:基本位变异、均匀变异、非均匀变异等一种或多种交叉方式。
其中,基本位变异是指候选电量调度参数基于变异概率,在随机指定的一个或多个位置上的数据进行变异。均匀变异是指利用位于预设范围内均匀分布的随机数,依据变异概率来替换候选电量调度参数中的每一个数据。非均匀变异是指对候选电量调度参数的数据做一随机扰动,以扰动后的结果作为变异后的数据。
步骤7,对子代进行挑选。
在一些实施例中,电池控制模块可以选择出符合预设电量条件的候选电量调度参数。其中,预设电量条件可以包括:在该候选电量调度参数的每个充电预期工况中,电池组充电量小于或等于预设储能阈值与当前电池组电量的差值;并且在每个放电预期工况中,当前电池组电量与电池组供电量的差值大于或等于预设储能阈值。也就是说,随机生成的电池组充电量、电池组供电量也不能将电池组的电量用光,预设储能阈值可以用于应对突发情况。预设电量条件的更多示例可以参看上述相关描述。
步骤8,淘汰候选电量调度参数。
在一些实施例中,电池控制模块可以利用新产生的候选电量调度参数(如步骤5、步骤6产生的候选电量调度参数),替换原种群中适应度较大(适应度越小越好)的候选电量调度参数。例如,电池控制模块可以按照适应度从大到小对原种群中的候选电量调度参数(如上述步骤1、步骤2产生的候选电量调度参数)进行排序,淘汰适应度靠前(即适应度较大)的预设数量的候选电量调度参数。其中,预设数量可以根据人工经验、网络查询等多种方式设定。
在一些实施例中,电池控制模块可以重复上述步骤3~步骤8,反复进行进化,直到满足迭代停止条件。
迭代停止条件可以包括:已经完成最大的进化次数、适应度达到预设期望值、适应度值保持预设迭代次数相同,或者两次迭代之间的适应度差值低于预设差值阈值。其中,进化次数、预设期望值、预设迭代次数、预设差值阈值可以根据人工经验、网络查询等多种方式进行设定。
在一些实施例中,电池控制模块在迭代停止后,可以选择适应度最小的候选电量调度参数作为目标电量调度参数,以使使得电网收益和电网波动平衡。
在本说明书实施例中,通过计算候选电量调度参数的用电成本和储能风险指数,且各自的系数还相关于***当前模式,使得加权求和得到的适应度可以更加准确地反映候选电量调度参数的性能,从而可以选择出最佳的目标电量调度参数,以保证电网稳定,避免储能风险的发生,从而提高储能电站的运行安全性。
图4是根据本说明书一些实施例所示的确定预估发受电量数据和预估用电量数据的示意图。在一些实施例中,如图4所示,电池控制模块可以基于当前以及历史的发受电量数据410、用电量数据420和发电影响因素430,使用发受电量预测模型440,预测新能源发电装置的预估发受电量数据450和用电装置的预估用电量数据460;发受电量预测模型440为机器学习模型。
在一些实施例中,发受电量预测模型440可以为机器学习模型,如循环神经网络(RNN)等。
在一些实施例中,发受电量预测模型440的输入可以包括当前以及历史发受电量数据410、当前以及历史用电量数据420和发电影响因素430。当前以及历史发受电量数据410、当前以及历史用电量数的更多细节,可以参看上述图2-图3及其相关描述。发电影响因素430的更多细节可以参看上述图3及其相关描述。
在一些实施例中,发受电量预测模型440的输出可以包括:未来至少一个时间点的预估发受电量数据450和预估用电量数据460。预估发受电量数据450和预估用电量数据460的更多细节,可以参看上述图3及其相关描述。
在一些实施例中,发受电量预测模型440可以基于大量的训练数据训练获得。训练数据可以包括训练样本以及标签。例如,训练样本可以包括样本当前以及历史发受电量数据、样本当前以及历史用电量数据、样本发电量影响因素,训练样本的标签可以为样本对应的未来时间点的实际的发受电量、用电数据。
其中,训练样本可以是储能电站的历史电能数据中第一历史时间段内、实际的发受电量数据、用电量数据、发电量影响因素,训练样本的标签可以是储能电站的历史电能数据中第二历史时间段的实际的发受电量、用电数据。第二历史时间段为第一历史时间段的未来时间点。
在本说明书实施例中,在预测未来至少一个时间点的预估发受电量数据450和预估用电量数据460时,考虑到了发电量影响因素等信息,可以使预测得到发受电量、用电数据更符合实际情况,提高了预测的准确率。同时利用机器学习模型进行预测,可以加快预测效率,提高电能管理的及时性。
在一些实施例中,发受电量预测模型440还包括发受特征确定层。电池控制模块可以基于运行监测图像、历史检修数据,利用发受特征确定层确定新能源发电装置的发受特征。
在一些实施例中,发受特征确定层可以为机器学习模型,如卷积神经网络(CNN)等。在一些实施例中,发受电量预测模型440还可以包括预测层,预测层可以为机器学习模型,如循环神经网络(RNN)等。
在一些实施例中,发受特征确定层的输入可以包括运行监测图像序列、历史检修数据、运行监测数据序列。
运行监测图像序列是指连续时间点所拍摄的新能源发电装置的运行监测图像,运行监测图像序列可以反映新能源发电装置的外观数据和动态情况,如分离发电机的风扇扇叶转速、是否处于工作状态等。
运行监测数据序列是指连续时间点新能源发电装置的内部部件的运行情况。例如,对于太阳能发电装置,运行监测数据序列可以包括温度数据序列、光电转换效率序列等;对于风力发电装置,运行监测数据序列可以包括振动数据序列、温度数据等;对于水力发电装置,运行监测数据序列可以包括振动数据序列、温度数据序列、压力数据序列、流量数据序列等。
在一些实施例中,电池控制模块可以通过上述发电装置监测模块采集运行监测图像序列和运行监测数据序列,发电装置监测模块的更多细节,可以参看上述图1及其相关描述。历史检修数据的更多细节可以参看上述图3及其相关描述。
在一些实施例中,发受特征确定层的输出可以包括新能源发电装置的发受特征。
发受特征是指新能源发电装置的硬件特征,其可以影响发电装置发电效率。在一些实施例中,新能源发电装置的类型不同,可以导致发受特征存在不同。例如,新能源发电装置为太阳能板时,发受特征可以包括太阳能板表面的破损或沾污、太阳能板内部可能存在的损耗等。新能源发电装置为风力发电装置时,发受特征可以包括扇叶完好程度、扇叶带动的转子的健康情况等。
在一些实施例中,预测层的输入可以包括当前以及历史发受电量数据410、当前以及历史用电量数据420、发受特征和发电影响因素430。当前以及历史发受电量数据410、当前以及历史用电量数的更多细节,可以参看上述图2-图3及其相关描述。发电影响因素430的更多细节可以参看上述图3及其相关描述。
在一些实施例中,预测层的输出可以包括:未来至少一个时间点的预估发受电量数据450和预估用电量数据460。预估发受电量数据450和预估用电量数据460的更多细节,可以参看上述图3及其相关描述。
在一些实施例中,发受特征确定层可以基于大量的训练数据训练获得。训练数据可以包括训练样本以及标签。例如,训练样本可以包括样本运行监测图像、样本检修数据和样本运行监测数据,标签为样本对应的实际的发受特征。例如,训练样本的标签可以包括:完好程度90%,脏污程度50,部件参数等。其中,部件参数可以包括新能源发电装置的内部部件存在的问题,如短路、断路、破损等。
其中,训练样本可以是储能电站的历史电能数据中实际的运行监测图像、历史检修数据和实际运行监测数据,训练样本的标签可以通过人工检测的方式进行批注,也可以通过查询新能源装置的历史硬件特征确定。
在一些实施例中,预测层以基于大量的训练数据训练获得。训练数据可以包括训练样本以及标签。例如,训练样本可以包括样本当前以及历史发受电量数据、样本当前以及历史用电量数据、样本发受特征、样本发电量影响因素,训练样本的标签可以为样本对应的未来时间点的实际的发受电量、用电数据。其中,训练样本可以是储能电站的历史电能数据中第一历史时间段内的实际的发受电量数据、用电量数据、发受特征、发电量影响因素,训练样本的标签可以是储能电站的历史电能数据中第二历史时间段的实际的发受电量、用电数据。第二历史时间段为第一历史时间段的未来时间点。
在本说明书实施例中,在预测未来至少一个时间点的预估发受电量数据450和预估用电量数据460时,考虑到了运行监测图像序列、历史检修数据、运行监测数据序列等信息,可以使预测得到发受电特征、发受电量数据410和用电数据更符合实际情况,提高了预测的准确率。同时利用发受特征确定层和预测呈进行预测,可以加快预测效率,提高电能管理的及时性。
图5是根据本说明书一些实施例所示的确定预估电池储能风险类型的示意图。在一些实施例中,如图5所示,电池控制模块可以基于当前以及历史的工况数据510、发受电量数据410、用电量数据420、当前以及历史的电池极化特性数据520以及电网负荷数据530,使用风险预估模型540评估确定未来至少一个时间点的预估电池储能风险类型550以及其置信度560;将置信度560满足置信度条件的电池组确定为待检修目标;基于待检修目标,生成检修指令。
在一些实施例中,风险预估模型540可以为机器学习模型,如循环神经网络(RNN)等。
在一些实施例中,风险预估模型540的输入可以包括当前以及历史的工况数据510、当前以及预估的发受电量数据410、当前以及预估的用电量数据420、当前以及历史的电池极化特性数据520以及电网负荷数据530。工况数据510、发受电量数据410、用电量数据420、当前以及历史的电池极化特性数据520以及电网负荷数据530的更多细节可以参看上述图2-图4及其相关描述。
在一些实施例中,风险预估模型540的输出可以包括未来至少一个时间点的预估电池储能风险类型550以及其置信度560。例如,风险预估模型540的输出可以为:第一电池组存在漏电风险的置信度560是0.9。预估电池储能风险类型550以及其置信度560的更多细节可以参看上述图2及其相关描述。
在一些实施例中,风险预估模型540可以基于训练样本通过模型训练得到,训练样本包括样本和标签。样本包括历史以及当前的样本工况数据、当前以及预估的样本发受电量数据、当前以及预估的样本用电量数据、当前以及历史的样本电池极化特性数据和样本电网负荷数据,训练样本通过实际采集的数据构建;样本对应的标签由样本对应的实际风险类型确定。训练样本类型基于样本对应的标签确定,设置在所有训练样本中各类型的训练样本的数量差值不超过预设差值阈值。
在一些实施例中,样本可以为实际采集到的储能电站的历史数据,如样本工况数据可以为样本电池组的历史工况数据,样本发受电量数据可以为样本新能源发电装置的历史发受电量数据,样本用电量数据可以为样本用电装置的历史用电量数据,样本电池极化特性数据可以为样本电池组的历史电池极化特性数据,样本电网负荷数据可以为样本电网的历史电网负荷数据。
在一些实施例中,标签可以为样本对应的电池组实际存在的风险类型。当样本电池组存在的风险类型的标签可以设置为1,电样本池组不存在的风险类型的标签可以设置为0。例如,样本电池组实际对应的风险是漏电,那么其对应的标签为【(漏电,1),(虚电,0),(破损,0),......,(无风险,0)】。
在一些实施例中,训练样本类型基于样本对应的标签,设置在所有训练样本中各类型的训练样本的数量差值不超过预设差值阈值。也就是说,各类训练样本的数量可以较为平均。比如,存在漏电类型、虚电类型、破损类型、火灾类型和无风险类型共5种的训练样本,则可以根据需要调整5种类型的训练样本的比例,但是5种类型的训练样本的数量差值不超过预设差值阈值。在一些实施例中,预设差值阈值可以根据人工经验或大数据等多种方式确定。
示例性的,假设对于标签为漏电类型的训练样本的占比为96%,其他训练样本的占比为1%,则完成训练的模型容易只对漏电这类风险的判断比较准确,但是对于其他类型的风险或是无风险的判断就会比较差,那么模型的泛用性就很低,则可以增加其他训练样本的占比,缩小不同类型的训练样本之间的数量差距,增加模型的泛用性。
在本说明书实施中,通过设定各类型的训练样本的数量差值不超过预设差值阈值,可以使得不同类型的训练样本之间的数量差距减小,训练完成后的模型可以对各类风险或无风险进行准确判断,从而提高了风险预估模型540的泛用性。
在一些实施例中,置信度条件可以包括置信度560满足预设置信度阈值。相对应的,电池控制模块可以将预估电池储能风险类型550的置信度560达到置信度阈值的电池组确定为待检修目标。
在一些实施例中,电池控制模块可以基于预估电池储能风险类型550,通过查表等方式确定初始的预设置信度阈值。例如,电池控制模块可以基于预估电池储能风险类型550,在置信度560对应表中查询对应的初始的预设置信度阈值。置信度560对应表可以基于人工经验或历史电池储能风险数据等方式建立。
在一些实施例中,电池控制模块还可以基于实际的巡检结果对初始的预设置信度阈值进行调整。其中,巡检结果为工作人员对待检修目标进行检修后反馈的结果。例如,当实际的巡检结果和预估电池储能风险类型550相符时,电池控制模块可以适当降低该预估电池储能风险类型550对应的初始的预设置信度阈值。
在一些实施例中,电池控制模块还可以进行预设次数的预估,对预估结果进行统计分析确定需要检修处理的电池组,预设次数相关于所述电池组的历史检修数据。
预设次数是指连续运行风险预估模型540的预先设定的次数。例如,假设预设次数可以为间隔1分钟预测一次,则第一次输入在9:59采集的数据,第二次输入在10:00采集的数据。
在一些实施例中,预设次数可以相关于电池组的历史检修数据、和预估发受电量的稳定程度。其中,预估发受电量的稳定程度可以反映新能源发电装置在未来时间段内的产电和用电的波动情况。在一些实施例中,预估发受电量的稳定程度可以表示为多个预估发受电量的方差,如方差越大,则预估发受电量的稳定程度越低,新能源发电装置在未来时间段内的产电和用电的波动也就越大。
示例性的,历史检修频率越低,并且最近一次检修距离当前时间点越远,预估发受电量的稳定程度越低,说明电池组的健康状态较差,则可以设置越大的预设次数,以便及时地确定待检修目标,避免电池发生突发事故。
预估结果是指依照预设次数运行风险预估模型540之后得到的输出结果。例如,预估结果可以包括未来连续多个时间点的预估电池储能风险类型550及其置信度560。
在一些实施例中,电池控制模块可以根据置信度560满足置信度条件的次数,判断电池组是否为待检修目标。例如,在预设次数的预估结果中,置信度560大于预设置信度阈值的次数超过预设次数;则电池控制模块可以将该电池组确定为需要检修处理的电池组。其中,预设次数可以根据人工经验或历史检修数据确定。
在一些实施例中,电池控制模块可以根据多个置信度560的平均值与预设置信度阈值的比较结果,判断电池组是否为待检修目标。例如,在预设次数的预估结果中,多个预估电池储能风险类型550的置信度平均值大于预设置信度阈值,那么将该电池组确定为需要检修处理的电池组。置信度条件和预设置信度阈值的更多细节,可以参看上述相关描述。
在本说明书实施例中,通过预设次数运行风险预估模型540,可以得到多个预估电池储能风险类型550及其置信度560,能够提高模型预测的准确性,以保证电网稳定,避免储能风险的发生,从而提高储能电站的运行安全性。
本说明书的一个或多个实施例中还提供一种储能电站电池状态监测装置,包括至少一个处理器以及至少一个存储器;至少一个存储器用于存储计算机指令;至少一个处理器用于执行所述计算机指令中的至少部分指令以实如上任一实施例所述的储能电站电池状态监测方法。
处理器可以指储能电站电池状态监测装置的运算和控制核心,是信息处理、程序运行的最终执行单元。例如,中央处理器、图形处理器以及现场可编程逻辑门阵列等。在一些实施例中,处理器可以执行上述图2-图5所示的储能电站电池状态监测方法,方法的更多细节可以参看上述相关描述。
本说明书的一个或多个实施例中还提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机运行如上任一实施例所述的储能电站电池状态监测方法。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的***组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的***。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (6)
1.一种储能电站电池状态监测***,其特征在于,包括:
电池状态监测模块,所述电池状态监测模块与储能电站的电池组通过电路连接,所述电池状态监测模块被配置为采集电池组的工况数据;
数据存储装置,被配置为存储所述电池状态监测模块所采集的历史工况数据;
发受电量监测模块,被配置为监测与所述储能电站电路连接的新能源发电装置的发受电量数据和用电装置的用电量数据;
警报部件,被配置为在所述电池组的工况数据不满足预设工况条件时,发出警报信息;
电网负荷监测模块,被配置为监测所述储能电站所接入的电网的电网负荷数据;
电池控制模块,所述电池控制模块包括电网负荷预估单元;
所述电网负荷预估单元被配置为:
基于当前工况数据以及所述历史工况数据、所述发受电量数据、所述用电量数据、当前以及历史的电池极化特性数据以及所述电网负荷数据,确定未来至少一个时间点的预估电池储能风险类型以及其置信度;
基于所述预估电池储能风险类型以及其置信度,确定对所述储能电站的至少一个所述电池组的检修指令;
并将所述检修指令发送给电站维护中心;
所述电池控制模块基于当前以及历史的发受电量数据、所述用电量数据和发电影响因素,使用发受电量预测模型,预测所述新能源发电装置的预估发受电量数据和所述用电装置的预估用电量数据;所述发受电量预测模型为机器学习模型;所述发电影响因素与所述新能源发电装置的种类相关,包括当前时间点和未来时间点的各种环境影响因素;
其中,所述发受电量预测模型还包括发受特征确定层,所述电池控制模块基于运行监测图像、历史检修数据,利用所述发受特征确定层确定所述新能源发电装置的发受特征;
基于所述预估发受电量数据和所述预估用电量数据,确定所述未来至少一个时间点的充电预期工况和放电预期工况;其中,所述充电预期工况包括所述电池组的预期充电功率,所述放电预期工况包括所述电池组的预期放电功率;
基于所述充电预期工况、所述放电预期工况和所述电池组的所述当前工况数据,确定所述新能源发电装置、所述电池组以及所述电网之间的电量调度参数;其中,所述电量调度参数包括所述未来至少一个时间点的电池电量调度参数和电网电量调度参数;
所述电量调度参数还相关于电网电价,所述电池控制模块基于所述充电预期工况、所述放电预期工况、所述预估发受电量数据以及所述预估用电量数据,确定所述未来至少一个时间点的所述新能源发电装置的富余电量以及待补充电量;基于所述富余电量和所述待补充电量,生成至少一个候选电量调度参数;基于所述候选电量调度参数、所述电网电价以及预设储能阈值,确定目标电量调度参数。
2.根据权利要求1所述的储能电站电池状态监测***,其特征在于,所述电池控制模块被配置为:
基于当前以及历史的所述工况数据、所述发受电量数据、所述用电量数据、当前以及历史的所述电池极化特性数据以及所述电网负荷数据,使用风险预估模型评估确定所述未来至少一个时间点的预估电池储能风险类型以及其置信度;
将所述置信度满足置信度条件的所述电池组确定为待检修目标;
基于所述待检修目标,生成所述检修指令。
3.一种储能电站电池状态监测方法,其特征在于,应用于储能电站电池状态监测***,基于所述储能电站电池状态监测***的电池控制模块执行所述方法,包括:
基于当前工况数据以及历史工况数据、发受电量数据、用电量数据、当前以及历史的电池极化特性数据以及电网负荷数据,确定未来至少一个时间点的预估电池储能风险类型以及其置信度;
基于所述预估电池储能风险类型以及其置信度,确定对储能电站的至少一个电池组的检修指令;
并将所述检修指令发送给电站维护中心;
所述电池控制模块基于当前以及历史的发受电量数据、所述用电量数据和发电影响因素,使用发受电量预测模型,预测新能源发电装置的预估发受电量数据和用电装置的预估用电量数据;所述发受电量预测模型为机器学习模型;所述发电影响因素与所述新能源发电装置的种类相关,包括当前时间点和未来时间点的各种环境影响因素;
其中,所述发受电量预测模型还包括发受特征确定层,所述电池控制模块基于运行监测图像、历史检修数据,利用所述发受特征确定层确定所述新能源发电装置的发受特征;
基于所述预估发受电量数据和所述预估用电量数据,确定所述未来至少一个时间点的充电预期工况和放电预期工况;其中,所述充电预期工况包括所述电池组的预期充电功率,所述放电预期工况包括所述电池组的预期放电功率;
基于所述充电预期工况、所述放电预期工况和所述电池组的所述当前工况数据,确定所述新能源发电装置、所述电池组以及所述电网之间的电量调度参数;其中,所述电量调度参数包括所述未来至少一个时间点的电池电量调度参数和电网电量调度参数;
所述电量调度参数还相关于电网电价,所述电池控制模块基于所述充电预期工况、所述放电预期工况、所述预估发受电量数据以及所述预估用电量数据,确定所述未来至少一个时间点的所述新能源发电装置的富余电量以及待补充电量;基于所述富余电量和所述待补充电量,生成至少一个候选电量调度参数;基于所述候选电量调度参数、所述电网电价以及预设储能阈值,确定目标电量调度参数。
4.根据权利要求3所述的储能电站电池状态监测方法,其特征在于,所述基于当前工况数据以及历史工况数据、发受电量数据、用电量数据以及电网负荷数据,确定未来至少一个时间点的预估电池储能风险类型以及其置信度包括:
基于当前以及历史的所述工况数据、所述发受电量数据、所述用电量数据、当前以及历史的所述电池极化特性数据以及所述电网负荷数据,使用风险预估模型评估确定所述未来至少一个时间点的预估电池储能风险类型以及其置信度;以及
所述基于所述预估电池储能风险类型以及其置信度,确定对储能电站的至少一个电池组的检修指令包括:
将所述置信度满足置信度条件的所述电池组确定为待检修目标;
基于所述待检修目标,生成所述检修指令。
5.一种处理装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求3-4任一项所述的方法。
6.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求3-4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410351205.8A CN117955248B (zh) | 2024-03-26 | 2024-03-26 | 一种储能电站电池状态监测***、方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410351205.8A CN117955248B (zh) | 2024-03-26 | 2024-03-26 | 一种储能电站电池状态监测***、方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117955248A CN117955248A (zh) | 2024-04-30 |
CN117955248B true CN117955248B (zh) | 2024-07-02 |
Family
ID=90793051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410351205.8A Active CN117955248B (zh) | 2024-03-26 | 2024-03-26 | 一种储能电站电池状态监测***、方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117955248B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114036451A (zh) * | 2021-11-04 | 2022-02-11 | 西安热工研究院有限公司 | 一种并网式光储充装置的储能控制方法及*** |
CN116644291A (zh) * | 2023-05-30 | 2023-08-25 | 东南大学 | 一种基于云边协同的储能电池多风险类型预警方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112731159B (zh) * | 2020-12-23 | 2023-09-22 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
CN114881276A (zh) * | 2021-02-05 | 2022-08-09 | 江苏和网源电气有限公司 | 一种基于数字孪生的储能电源状态评估方法、平台及设备 |
CN115764012A (zh) * | 2022-11-23 | 2023-03-07 | 承德神源太阳能发电有限公司 | 一种储能电站电池状态监测与安全预警方法 |
-
2024
- 2024-03-26 CN CN202410351205.8A patent/CN117955248B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114036451A (zh) * | 2021-11-04 | 2022-02-11 | 西安热工研究院有限公司 | 一种并网式光储充装置的储能控制方法及*** |
CN116644291A (zh) * | 2023-05-30 | 2023-08-25 | 东南大学 | 一种基于云边协同的储能电池多风险类型预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117955248A (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7482167B2 (ja) | 動的エネルギーストレージシステム制御のためのシステムおよび方法 | |
Kuznetsova et al. | Reinforcement learning for microgrid energy management | |
KR102187327B1 (ko) | 자동기계학습 기반의 건물 부하 최적 관리 및 제어 시스템 | |
JP6069738B2 (ja) | 充放電制御システム、充放電制御方法、および充放電制御プログラム | |
CN115796393A (zh) | 基于多能互动的能源网管理优化方法、***及存储介质 | |
CN116821660A (zh) | 一种电力管理方法、***、终端设备及存储介质 | |
CN118017604B (zh) | 一种基于风光储一体化的智能微电网能源管理*** | |
CN116885763B (zh) | 一种适用于分布式储能***的能量管理装置及方法 | |
CN112510690B (zh) | 考虑风火储联合和需求响应奖惩的优化调度方法及*** | |
Su et al. | Opportunistic maintenance optimisation for offshore wind farm with considering random wind speed | |
CN116502771B (zh) | 一种基于电力物资预测的配电方法及*** | |
CN117955248B (zh) | 一种储能电站电池状态监测***、方法、装置和存储介质 | |
Wang et al. | Energy scheduling for multi-energy systems via deep reinforcement learning | |
CN116167578A (zh) | 一种商业楼宇的电动汽车充电站协调调控方法及电子设备 | |
CN110212585A (zh) | 基于统计分析的风电机组运行可靠性预测方法、装置及风电机组 | |
Galeela et al. | Reliability Framework Integrating Grid Scale BESS Considering BESS Degradation | |
Fan et al. | Research on optimal load shedding for active distribution network based on genetic algorithm | |
CN115169816A (zh) | 风光储场站的能量管理方法及其能量管理*** | |
CN113255957A (zh) | 综合服务站不确定因素的定量优化分析方法及*** | |
Kia et al. | Stochastic security constrained unit commitment with high penetration of wind farms | |
CN117175639B (zh) | 与储能单元协调配套的配电自动化方法及*** | |
CN116629565B (zh) | 一种基于平台化的供电服务能力提升方法及*** | |
CN117856312B (zh) | 一种基于物联网的工业应急储能电池智能管理方法及*** | |
CN118157185B (zh) | 一种光伏储能充电控制方法和*** | |
Perera et al. | Grid dependency minimization of a microgrid using Single and Multi agent Reinforcement Learning |
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 |