一种配电网终端蓄电池储能容量预测方法技术

本发明专利技术提供一种配电网终端蓄电池储能容量预测方法，包括数据采集与处理、根据所述训练样本X建立灰色微分方程，构建所述灰色微分方程的灰色预测模型，计算灰色预测值将所述S2中得到的灰色预测值与所述训练样本Y作为输入和输出训练RBF神经网络，得到误差补偿器；能够有效解决在“少数据”的小样本情况下配电网蓄电池储能容量估计不准确的问题，且考虑环境变量的影响，比于传统估算方法提高了预测精度。精度。精度。

【技术实现步骤摘要】
一种配电网终端蓄电池储能容量预测方法


[0001]本专利技术涉及电力系统领域，尤其涉及一种配电网终端蓄电池储能容量预测方法。

技术介绍

[0002]蓄电池作为配电网自动化系统中的核心部件，其稳定运行可以保证配电网终端在发生停电故障后继续运行，以此完成故障区域隔离、非故障区域恢复供电。在蓄电池运行过程中，受工作环境影响，以及随工作时长的增加，蓄电池会逐渐老化，其主要指标—蓄电池储能容量逐渐下降，当蓄电池储能容量下降到一定程度时需要及时维护或者更换电池，以保证供电稳定性。
[0003]蓄电池储能容量主要与电池内阻、运行温度、浮充电压、均充时长、放电次数、空气湿度等相关。受蓄电池工作年限限制，只能获取蓄电池短期内的少量运行数据，且现有的估算方法未详细考虑蓄电池运行环境与运行参数，在估算精度上存在较大误差，难以精确掌握蓄电池当前运行状态，不利于蓄电池维护、故障排除工作的开展。

技术实现思路

[0004]本专利技术的目的在于针对上述现有技术的不足，提供了一种配电网终端蓄电池储能容量预测方法，以解决在难以获取大量数据下无法精确估算蓄电池储能状态的问题。
[0005]为实现上述目的，本专利技术采用了如下技术方案：
[0006]本专利技术提供了一种配电网终端蓄电池储能容量预测方法，包括以下步骤：
[0007]S1、数据采集与处理：以月为单位采集蓄电池的储能容量C、电池内阻R、运行温度T、浮充电压V
f
、均充时长J、放电次数N、空气湿度M，多次采集取均值作为样本输入X和样本输出Y；获取样本集之后，将其分为训练样本X、训练样本Y和测试样本X
′
、测试样本Y
′
；
[0008]S2、根据所述训练样本X建立灰色微分方程，构建所述灰色微分方程的灰色预测模型，计算灰色预测值
[0009]S3、将所述S2中得到的灰色预测值与所述训练样本Y作为输入和输出训练RBF神经网络，得到误差补偿器；
[0010]S4、利用所述灰色预测模型计算测试样本X
′
、Y
′
，将得到的灰色预测值作为误差补偿器的输入，所述误差补偿器的输出即为蓄电池储能容量预测值；
[0011]S5、利用模型检验方法对灰色预测模型进行精度评估，满足精度要求即可使用，不满足要求对所述灰色预测模型进行修正。
[0012]进一步，所述S1中，考虑到蓄电池储能容量以及电池内阻变化较小，以月为单位采集24个月蓄电池运行数据作为样本数据集；其中，储能容量C通过核容试验获得，电池内阻R、运行温度T、浮充电压V
f
、均充时长J、放电次数N、空气湿度M数据通过监测设备采集，每一月的数据进行多次采集，取平均值放入样本集，其格式如下：
[0013][0014]获取样本集之后，将所述样本集分为所述训练样本X、训练样本Y和测试样本X
′
、测试样本Y
′
。
[0015]进一步，所述S2中，所述灰色预测模型将所述训练样本X原始数据经过累加后削弱数据的无规律性，建立微分方程进行数据拟合和预测，其构建过程如下：
[0016]S201、构建邻均值等权生成序列
[0017]设所述训练样本X原始数据为X
(0)
，将原始数据序列X
(0)
经过一次累加，生成X
(1)
，即
[0018][0019]计算邻均值等权生成序列Z
(1)
(k)，其计算公式如下：
[0020][0021]S202、构建所述灰色微分方程
[0022][0023]其中，a为发展系数，b为灰作用量；
[0024]令：
[0025][0026]得利用最小二乘估计法求得
[0027]S203、解所述灰色微分方程，计算灰色预测序列
[0028]求得之后，所述式(4)变为n阶常微分方程；由于所述式(4)未知其阶数n，所以无法直接求得其解，本专利技术利用Runge
‑
Kutta来求其数值解；
[0029][0030]假设所述式(4)中阶数n为二阶，利用代数代换对所述式(7)进行降阶：
[0031][0032]则式(7)化为：
[0033][0034]对上式采用Runge
‑
Kutta递推式进行改写：
[0035][0036]通过所述式(10)解得灰色微分方程的解为
[0037]将求得解序列累减还原预测值为：
[0038][0039]进一步，所述S3中，将所述S2中得到的灰色预测值与训练样本Y作为输入和输出训练RBF神经网络，得到误差补偿器，训练过程如下：
[0040]S301、初始化参数，包括基函数中心c、宽度σ、权值w；
[0041]S302、利用径向基函数计算隐含层和输出层参数，计算损失函数E；
[0042]S303、判断损失大小，在接受范围内，停止训练，不在范围内，利用梯度更新法更新中心、宽度、权重，梯度更新公式如下式所示：
[0043][0044]其中，η为学习因子，E为损失函数。
[0045]S304、训练完成，得到所述误差补偿器。
[0046]进一步，所述S5中，所述精度评估计算公式如下：
[0047][0048]其中，RMSE为均方根误差、MAE为平均绝对误差，用于评估预测模型的精度。
[0049]本专利技术的有益效果为：解决了在“少数据”的小样本情况下配电网蓄电池储能容量估计不准确的问题，在一定程度上能够提高配网自动化系统中蓄电池管理系统的效率。
[0050]考虑了蓄电池运行环境变量对于蓄电池储能容量的影响，相比于传统估算方法提高了预测精度。
附图说明
[0051]图1为本灰色神经网络流程图；
[0052]图2为3RBF神经网络结构；
[0053]图3为蓄电池储能容量预测结果图。
具体实施方式
[0054]为了使本专利技术的目的、技术方案及优点更加清楚明白，下面结合附图，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0055]请参阅一种配电网终端蓄电池储能容量预测方法，包括以下步骤：
[0056]S1、数据采集与处理：以月为单位采集蓄电池的储能容量C、电池内阻R、运行温度T、浮充电压V
f
、、均充时长J、放电次数N、空气湿度M，多次采集取均值作为样本输入X和样本输出Y；获取样本集之后，将其分为训练样本X、训练样本Y和测试样本X
′
、测试样本Y
′
；
[0057]S2、根据所述训练样本X建立灰色微分方程，构建所述灰色微分方程的灰色预测模型，计算灰色预测值
[0058]S3、将所述S2中得到的灰色预测值与所述训练样本Y作为输入和输出训练RBF神经网络，得到误差补偿器；
[0059]S4、利用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配电网终端蓄电池储能容量预测方法，其特征在于：包括以下步骤：S1、数据采集与处理：以月为单位采集蓄电池的储能容量C、电池内阻R、运行温度T、浮充电压V
f
、均充时长J、放电次数N、空气湿度M，多次采集取均值作为样本输入X和样本输出Y；获取样本集之后，将其分为训练样本X、训练样本Y和测试样本X
′
、测试样本Y
′
；S2、根据所述训练样本X建立灰色微分方程，构建所述灰色微分方程的灰色预测模型，计算灰色预测值S3、将所述S2中得到的灰色预测值与所述训练样本Y作为输入和输出训练RBF神经网络，得到误差补偿器；S4、利用所述灰色预测模型计算测试样本X
′
、Y
′
，将得到的灰色预测值作为误差补偿器的输入，所述误差补偿器的输出即为蓄电池储能容量预测值；S5、利用模型检验方法对灰色预测模型进行精度评估，满足精度要求即可使用，不满足要求对所述灰色预测模型进行修正。2.根据权利要求1所述的一种配电网终端蓄电池储能容量预测方法，其特征在于：所述S1中，考虑到蓄电池储能容量以及电池内阻变化较小，以月为单位采集24个月蓄电池运行数据作为样本数据集；其中，储能容量C通过核容试验获得，电池内阻R、运行温度T、浮充电压V
f
、均充时长
J
、放电次数N、空气湿度M数据通过监测设备采集，每一月的数据进行多次采集，取平均值放入样本集，其格式如下：获取样本集之后，将所述样本集分为所述训练样本X、训练样本Y和测试样本X
′
、测试样本Y
′
。3.根据权利要求1所述的一种配电网终端蓄电池储能容量预测方法，其特征在于：所述S2中，所述灰色预测模型将所述训练样本X原始数据经过累加后削弱数据的无规...

【专利技术属性】
技术研发人员：徐雄军，路兴帅，丁建辉，张军，孙伟君，夏翔，张可迪，王胜武，刘刚，杨荣，马海燕，魏迪，方冬，张磊，薛田良，谢学平，吴慧，付昕，汤力，杨龙，李俊，周哲睿，
申请(专利权)人：国网湖北省电力有限公司孝感供电公司，
类型：发明
国别省市：