一种基于RNN模型的储能电站电池组SOC估计方法技术

本发明专利技术公开了一种基于RNN模型的储能电站电池组SOC估计方法，所述方法包括：构建原始数据集；按照电池的OCV

【技术实现步骤摘要】
一种基于RNN模型的储能电站电池组SOC估计方法


[0001]本专利技术涉及电池监测
，具体涉及一种基于RNN模型的储能电站电 池组SOC估计方法。

技术介绍

[0002]随着新能源电源的大规模接入，电网需要接入大量储能电站来平抑新能源的 功率波动，同时支持电网的调峰调频。在储能电站中，对于电池组SOC的准确 估计至关重要，关系到储能电站的经济效益和安全可靠运行。由于抑制新能源功 率波动和参与电网调峰调频的实时性要求，储能电站的电池组很少工作于满充和 满放模式，也少有长时间静置的机会。采用传统安时积分法估计电池组SOC的 方式，电流传感器测量误差的不断累积会影响SOC估计精度。由于电池组少有 充满、放空和长时间静置的机会，也难以通过开路电压法来定期校正SOC，导 致安时积分法的累积误差难以消除。

技术实现思路

[0003]本专利技术为克服上述现有技术存在的储能电站电池组SOC估计精度不足的问 题，提出了一种基于RNN模型的储能电站电池组SOC估计方法。
[0004]本专利技术的首要目的是为解决上述技术问题，本专利技术的技术方案如下：
[0005]一种基于RNN模型的储能电站电池组SOC估计方法，其特征在于，包括以 下步骤：
[0006]S1：令储能电站中相同型号容量的所有电池组轮流参与调峰调频，每当其中 有电池组退出运行时，记录该电池组退出运行前一采样时刻的电流值、退出运行 后电压恢复过程中前T个采样时刻的所有电压值、电压恢复过程结束时的电压值， 组成原始数据集D
>ori
；
[0007]S2：将步骤S1所述原始数据集中电压恢复过程结束时的电压值，按照电池 的OCV
‑
SOC曲线，获得与该电压值所对应的SOC值，用该SOC值替换步骤S1 所述原始数据集中对应的电压恢复过程结束时的电压值，组成新原始数据集 D
new
；
[0008]S3：将步骤S2所述的新原始数据集进行预处理，然后划分为训练集和测试 集；
[0009]S4：搭建RNN神经网络模型，得到网络模型结构；
[0010]S5：对RNN神经网络模型进行训练和评估，将评估合格的RNN神经网络模 型用于估计储能电站中所有电池组的SOC值；
[0011]S6：在储能电站持续运行过程中，令电站中的所有电池组轮流参与调峰调频， 当其中某个电池组退出运行时，采集该电池组退出运行前一采样时刻的电流值、 退出运行后电压恢复过程中前T个采样时刻的所有电压值，输入步骤S5所述评 估合格的RNN神经网络模型，估计该电池组的SOC。
[0012]本方案中，步骤S1所述的原始数据集D
ori
，其具体组成步骤如下：
[0013]S101：将储能电站中相同型号容量的电池组数量表示为N，在该型号容量电 池组允许的最大充放电电流[
‑
I
max
，I
max
]范围内均匀选取M个电流值形成电流集 合如下：
[0014]d
I
＝[i1，i2，
…
，i
M
][0015]其中，
‑
I
max
＝i1＜i2＜
…
＜i
M
＝I
max
，i
m
＜0代表充电，i
m
＞0代表放电；
[0016]S102：在(0，100％)范围内均匀选取K个数据，构成暂停充放电的SOC集合 d
SOC
如下：
[0017]d
SOC
＝[SOC1，SOC2，
…
，SOC
K
][0018]其中，0＜SOC1＜SOC2＜
…
＜SOC
k
＜100％；
[0019]S103：在储能电站参与调峰调频期间，通过对多个电池组的协调控制，使其 中第n个电池组以电流集合向量d
I
中的第m个电流值进行恒流充放电，直至该 电池组每次到达SOC数据集d
SOC
的第k个SOC值SOC
k
时退出运行，然后将所选 用的电流i
m
、退出运行后电压恢复过程中前T个采样时刻的所有电压值数据 u1，u2，
…
，u
T
记录下来，然后等待电池电压恢复至稳定值，将当前电压数据记录 为u
OCV k
；
[0020]S104：将步骤S103所述的数据整合，构成一条样本数据d
m，k
为：
[0021]d
m，k
＝[i
m
，u1，u2，
…
，u
T
，u
OCV k
][0022]S105：循环执行S103至S104，直至第n个电池组以电流集合d
I
中的所有M 个电流遍历SOC集合d
SOC
中的K个SOC，从而获得M
×
K条样本数据，将这些 样本数据整合成数据集D
n
如下：
[0023][0024]S106：循环执行S103至S105，直至所有N个电池组都以电流集合d
I
中的所 有M个电流遍历SOC集合d
SOC
中的K个SOC，从而获得N个数据集D
n (n＝1，2，...，N)，并全部保存到原始数据集D
ori
中。
[0025]本方案中，步骤S2所述的新原始数据集D
new
，其具体组成步骤如下：
[0026]S201：在步骤S1所述原始数据集D
ori
中，提取第n个电池组对应的数据集D
n
中的样本数据d
m，k
，将其中的最后一个电压数据u
OCV k
按照电池的OCV
‑
SOC曲 线转化为与该电压值所对应的SOC值，记录为数据SOC
k
，并用其替换原来的电 压数据u
OCV k
，构成新的样本数据d
new m，k
为：
[0027]d
new m，k
＝[i
m
，u1，u2，
…
，u
T
，SOC
k
][0028]S202：循环执行S201，直至将第n个电池组对应的数据集D
n
中的所有M
×ꢀ
K条样本数据都完成替换，得到新数据集D
new n
如下：
[0029][0030]S203：循环执行S201至S202，直至完成所有N个电池组的数据集D
n (n＝1，2，...，N)的替换，得到新原始数据集D
new
。
[0031]本方案中，步骤S3所述的新原始数据集进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于RNN模型的储能电站电池组SOC估计方法，其特征在于，包括以下步骤：S1：令储能电站中相同型号容量的所有电池组轮流参与调峰调频，每当其中有电池组退出运行时，记录该电池组退出运行前一采样时刻的电流值、退出运行后电压恢复过程中前T个采样时刻的所有电压值、电压恢复过程结束时的电压值，组成原始数据集D
ori
；S2：将步骤S1所述原始数据集中电压恢复过程结束时的电压值，按照电池的OCV
‑
SOC曲线，获得与该电压值所对应的SOC值，用该SOC值替换步骤S1所述原始数据集中对应的电压恢复过程结束时的电压值，组成新原始数据集D
new
；S3：将步骤S2所述的新原始数据集进行预处理，然后划分为训练集和测试集；S4：搭建RNN神经网络模型，得到网络模型结构；S5：对RNN神经网络模型进行训练和评估，将评估合格的RNN神经网络模型用于估计储能电站中所有电池组的SOC值；S6：在储能电站持续运行过程中，令电站中的所有电池组轮流参与调峰调频，当其中某个电池组退出运行时，采集该电池组退出运行前一采样时刻的电流值、退出运行后电压恢复过程中前T个采样时刻的所有电压值，输入步骤S5所述评估合格的RNN神经网络模型，估计该电池组的SOC。2.根据权利要求1所述的一种基于RNN模型的储能电站电池组SOC估计方法，其特征在于，步骤S1所述的原始数据集D
ori
，其具体组成步骤如下：S101：将储能电站中相同型号容量的电池组数量表示为N，在该型号容量电池组允许的最大充放电电流[
‑
I
max
，I
max
]范围内均匀选取M个电流值形成电流集合如下：d
I
＝[i1，i2，
…
，i
M
]其中，
‑
I
max
＝i1＜i2＜
…
＜i
M
＝I
max
，i
m
＜0代表充电，i
m
＞0代表放电；S102：在(0，100％)范围内均匀选取K个数据，构成暂停充放电的SOC集合d
SOC
如下：d
SOC
＝[SOC1，SOC2，
…
，SOC
K
]其中，0＜SOC1＜SOC2＜
…
＜SOC
k
＜100％；S103：在储能电站参与调峰调频期间，通过对多个电池组的协调控制，使其中第n个电池组以电流集合向量d
I
中的第m个电流值进行恒流充放电，直至该电池组每次到达SOC数据集d
SOC
的第k个SOC值SOC
k
时退出运行，然后将所选用的电流i
m
、退出运行后电压恢复过程中前T个采样时刻的所有电压值数据u1，u2，
…
，u
T
记录下来，然后等待电池电压恢复至稳定值，将当前电压数据记录为u
OCV k
；S104：将步骤S103所述的数据整合，构成一条样本数据d
m，k
为：d
m，k
＝[i
m
，u1，u2，
…
，u
T
，u
OCV k
]S105：循环执行S103至S104，直至第n个电池组以电流集合d
I
中的所有M个电流遍历SOC集合d
SOC
中的K个SOC，从而获得M
×
K条样本数据，将这些样本数据整合成数据集D
n
如下：
S106：循环执行S103至S105，直至所有N个电池组都以电流集合d
I
中的所有M个电流遍历SOC集合d
SOC
中的K个SOC，从而获得N个数据集D
n
(n＝1，2，...，N)，并全部保存到原始数据集D
ori
中。3.根据权利要求1所述的一种基于RNN模型的储能电站电池组SOC估计方法，其特征在于，步骤S2所述的新原始数据集D
new
，其具体组成步骤如下：S201：在步骤S1所述原始数据集D
ori
中，提取第n个电池组对应的数据集D
n
中的样本数据d
m，k
，将其中的最后一个电压数据u
OCV k
按照电池的OCV
‑
SOC曲线转化为与该电压值所对应的SOC值，记录为数据SOC
k
，并用其替换原来的电压数据u
OCV k
，构成新的样本数据d
new m，k
为：d
new m，k
＝[i
m
，u1，u2，
…
，u
T
，SOC
k
]S202：循环...

【专利技术属性】
技术研发人员：邓全镔，陈思哲，王玉乐，王裕，常乐，章云，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：