【技术实现步骤摘要】
一种用于分布式储能系统的锂电池状态估计方法
本专利技术涉及锂离子电池应用领域,具体涉及一种用于分布式储能系统的锂电池状态估计方法。
技术介绍
近年,随着新能源汽车的快速发展,锂离子电池技术也得到了显著提升,其能量密度逐年提升,价格却在不断下降,是未来极具潜力的电力储能元件。当前大规模的锂电池储能应用仍然有一定困难,在安全性、成本等各方面面临着一系列挑战。将分散的储能单元联合调度,是充分发挥分布式储能在电力系统中应用价值的重要手段。在此应用场景下,精确的锂电池荷电状态(StateofCharge,SOC)与健康状态(StateofHealth,SOH)仍然是实现高效调度的必备参数。目前,储能单元对锂电池SOC及SOH的估计仅依赖于各分布式储能单元自身配备的电池管理系统(BatteryManagementSystem,BMS),而所配备的BMS由于受成本制约,处理器并不具备强大的计算能力,仅能运行复杂度相对较低的算法,导致BMS对锂电池的SOC及SOH估计精度有限。
技术实现思路
针对现有技术中的上述不足,本专利技术提供了一种用于分布式储能系统的锂电池状态估计方法。为了达到上述专利技术目的,本专利技术采用的技术方案为:一种用于分布式储能系统的锂电池状态估计方法,包括以下步骤:S1、采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型;S2、采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法,实时估计分布式储能单元管理系统的锂电池荷电状态; ...
【技术保护点】
1.一种用于分布式储能系统的锂电池状态估计方法,其特征在于,包括以下步骤:/nS1、采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型;/nS2、采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法,实时估计分布式储能单元管理系统的锂电池荷电状态;/nS3、将数据调度中心估计的锂电池健康状态信息与分布式储能单元电池管理系统记录的历史数据进行信息交互,同步更新锂电池荷电状态估计过程中的电池容量和锂电池健康状态估计模型。/n
【技术特征摘要】
1.一种用于分布式储能系统的锂电池状态估计方法,其特征在于,包括以下步骤:
S1、采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型;
S2、采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法,实时估计分布式储能单元管理系统的锂电池荷电状态;
S3、将数据调度中心估计的锂电池健康状态信息与分布式储能单元电池管理系统记录的历史数据进行信息交互,同步更新锂电池荷电状态估计过程中的电池容量和锂电池健康状态估计模型。
2.根据权利要求1所述的用于分布式储能系统的锂电池状态估计方法,其特征在于,所述步骤S1具体包括:
针对各个分布式储能单元的锂电池进行离线加速老化测试,采集锂电池充电过程中的电流、电压和温度数据作为训练样本,采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型。
3.根据权利要求2所述的用于分布式储能系统的锂电池状态估计方法,其特征在于,所述锂电池健康状态估计模型的训练方法为:
S11、初始化模型参数,所述模型参数包括学习率η,惯量β,隐含层权重系数Wz、Wr、Wh、Wx、bz、br、bh,输出层权重系数Wo、bo;
S12、计算前向传播参数,表示为:
rt=σ(Wr[ht-1,xt]+br)
zt=σ(Wz[ht-1,xt]+bz)
yt=Woht+bo
其中,表示元素相乘运算,σ(x)、tanh(x)为激活函数,xt为神经网络t时刻的输入,h′t为临时的隐含层输出,ht为隐含层t时刻的输出,zt为更新门在t时刻的输出,rt为重置门在t时刻的输出,yt为神经网络的输出;
S13、更新输出层权重系数,表示为:
Wo,t=Wo,t-1+ΔWo,t
bo,t=bo,t-1+Δbo,t
其中,fcost(x)为损失函数,Wo,t与bo,t分别为t时刻输出层的权重系数与偏置,ΔWo,t与Δbo,t为t时刻输出层权重系数与偏置的变化量,η为学习率,β为动量系数,与分别为权重系数与偏置的梯度;
S14、更新隐含层权重系数,表示为:
Wz,t=Wz,t-1+ΔWz,t
Wr,t=Wr,t-1+ΔWr,t
Wh,t=Wh,t-1+ΔWh,t
Wx,t=Wx,t-1+ΔWx,t
其中,Wz,t、Wr,t、Wh,t、Wx,t为t时刻隐含层的权重系数,ΔWz,t、ΔWr,t、ΔWh,t、ΔWx,t为t时刻隐含层权重系数的变化量...
【专利技术属性】
技术研发人员:孟锦豪,彭纪昌,马俊鹏,王顺亮,刘天琪,
申请(专利权)人:四川大学,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。