电池储能系统运行时限确定方法、系统、介质及电子设备技术方案

本发明专利技术提供一种基于热电耦合特性的电池储能系统放电动态运行时限确定方法，包括：利用电池模块的电化学

【技术实现步骤摘要】
电池储能系统运行时限确定方法、系统、介质及电子设备


[0001]本专利技术涉及电池管理领域，具体地，涉及一种基于热电耦合特性的电池储能系统运行时限确定方法、系统、介质及电子设备。

技术介绍

[0002]在电网用大规模电池储能系统中，电池热管理系统(Battery Thermal Management System，BTMS)对电池储能系统的安全、可靠运行具有重要作用。电池热管理系统最重要的作用就是控制电池温度以保障电池安全。若电池热管理系统的热管理效率较高且电池的发热功率较小，在稳态下电池仍能保持较低的温度，这时电池的持续工作时长理论上为电池的剩余寿命；若电池热管理系统热管理效率较差或电池的发热功率较大，在系统尚未达到稳态时电池温度就有可能达到电池的最大耐受温度，这时应提前让电池停止工作以防止电池温度越限造成电池损坏和安全隐患。在第二种情况下对电池工作时长进行预测就显得尤为重要。对电池储能系统最大时长的预测，一方面使电池工作时长最大化以提高电池的利用效率，另一方面可在电池温度越限之前就提前使电池结束工作，保护电池的同时又防止电池温度越限造成安全隐患。此外还可以对多个储能站之间的调度提供重要参考。调度中心将各个储能站在一定充放电功率下的最长工作时长汇总起来，合理分配各储能站的工作时间和时长，以达到总体效率最大化。因此，需要一种电池储能系统运行时限确定方法、系统、电子设备及终端。

技术实现思路

[0003]针对现有技术中的缺陷，本专利技术的目的是提供一种基于热电耦合特性的电池储能系统运行时限确定方法、系统、介质及电子设备。
[0004]本专利技术的第一个方面，提供一种基于热电耦合特性的电池储能系统放电动态运行时限确定方法，包括：
[0005]利用电池模块的电化学
‑
热耦合模型进行仿真计算，获取基于电池热特性的电池不同工作状态下的有关电池运行时限的原始数据；
[0006]将所述原始数据进行数据拟合，获得电池储能系统运行时限的动态预测系统；
[0007]输入电池当前工作状态相关数据至所述预测系统，输出电池储能系统运行时限的预测结果。
[0008]优选地，所述仿真计算采用有限元仿真环境，所述电化学
‑
热耦合模型为包括电化学模型和传热模型的耦合模型，其耦合逻辑为：所述电化学模型为所述传热模型提供热源，所述传热模型为所述电化学模型提供反应温度。
[0009]优选地，所述原始数据为(x，y)，x表示电池的工作状态，y表示以此工作状态为起始点的最大工作时长，其中：
[0010][0011]T
amb
为电池环境温度，T
initial
为电池初始温度，SOC
initial
为电池的初始SOC，I为电池的充放电电流；Δt为电池到达最大温度限值T
max
所需要的时间，即电池最大工作时长。
[0012]优选地，所述T
amb
和所述T
initial
在设定温度范围内分别等距离确定n和m个采样点，所述初始SOC在(0～1)间确定l个采样点，所述电流I确定k个采样点，利用参数化扫描有n*m*l*k种组合，每个组合计算出一个所述(x，y)原始数据。
[0013]优选地，所述数据拟合选用插值法或机器学习法；其中，
[0014]所述插值法在离散的所述原始数据的基础上补插值构造成连续曲线，所述连续曲线通过全部给定的所有的离散原始数据点；
[0015]所述机器学习法利用神经网络构建预测系统，利用部分原始数据作为训练数据不断优化各神经元上的偏置值和各神经元之间的权值，使神经网络构建的预测系统在训练数据集上的误差最小。
[0016]优选地，所述机器学习法，包括：
[0017]将所述原始数据中的一部分，a*(n*m*l*k)个数据，a∈(0，1)，作为训练数据，其余原始数据作为测试数据；
[0018]所述机器学习的神经网络系统框架采用有监督学习的深度学习框架，其结构包括1个输入层、若干个隐含层和1个输出层，所述输入层神经元数量为4，所述输出层神经元数量为1；所述隐含层的层数能够在训练过程中进行调整；
[0019]所述预测系统在所述训练集上的误差为：
[0020][0021]所述预测系统在所述测试集上的误差为：
[0022][0023]其中和分别为训练集和测试集原始数据中的y值，y
i
和y
j
为训练后的系统的输出值；
[0024]将σ
train
和σ
test
控制在阈值范围内，完成训练。
[0025]优选地，所述输入电池当前工作状态到输出工作时限预测结果的过程，包括：选择电池储能系统中温度最高的电池模块的初始温度T
amb
和环境温度T
initial
，采集所述电池模块的SOC和充放电电流I；
[0026]将所述初始温度、环境温度、SOC和充放电电流I输入所述预测模型；
[0027]输出所述电池储能系统在电池安全温度范围内所能工作的最长时间。
[0028]本专利技术的第二个方面，提供一种基于热电耦合特性的电池储能系统放电动态运行
时限确定系统，包括：
[0029]实时监测模块；所述实时监测模块获取电池储能系统中各电池极耳和电池模块进风口处的实时温度数据；
[0030]数据处理模块；所述数据处理模块对实时监测模块的输出数据进行筛选，选择极耳温度最高的电池模块，并将所述电池模块的极耳温度和进风温度作为电池初始温度T
initial
和环境温度T
amb
，同时采集所述电池模块的SOC和充放电电流I；
[0031]时限预测模块，所述时限预测模块根据将所述电池初始温度T
initial
、环境温度T
amb
、SOC和充放电电流I作为输入，输出电池储能系统基于电池热特性的运行时限的实时预测结果。
[0032]本专利技术的第三个方面，提供一种可读介质，所述可读介质上存储有指令，该指令在电子设备上执行时使电子设备执行所述的基于热电耦合特性的电池储能系统放电动态运行时限确定方法或所述的实时预测系统。
[0033]本专利技术的第四个方面，提供一种电子设备，包括存储器、处理器及存储在存储器上并能在处理器上运行的计算机程序，所述计算机程序包含所述实时监测模块、数据处理模块和时限预测模块，所述处理器执行所述程序时用于执行所述的基于热电耦合特性的电池储能系统放电动态运行时限确定方法或所述的实时预测系统。
[0034]与现有技术相比，本专利技术具有如下的有益效果：
[0035]本专利技术实施例中的一种基于热电耦合特性的电池储能系统放电动态运行时限确定方法，响应速度快，可配合实时温度监控系统实现实时预测；在该实施例中，因为预测系统的输入为最高温度的电池模块当前工作状态相关数据，故获取原始数据的电化学本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于热电耦合特性的电池储能系统放电动态运行时限确定方法，其特征在于，包括：利用电池模块的电化学
‑
热耦合模型进行仿真计算，获取基于电池热特性的电池不同工作状态下的有关电池运行时限的原始数据；将所述原始数据进行数据拟合，获得电池储能系统运行时限的动态预测系统；输入电池当前工作状态相关数据至所述预测系统，获得电池储能系统运行时限的预测结果。2.根据权利要求1所述的一种基于热电耦合特性的电池储能系统放电动态运行时限确定方法，其特征在于，所述电化学
‑
热耦合模型为包括电池电化学模型和传热模型的耦合模型，其耦合逻辑为：所述电池电化学模型为所述传热模型提供热源，所述传热模型为所述电池电化学模型提供反应温度。3.根据权利要求1所述的一种基于热电耦合特性的电池储能系统放电动态运行时限确定方法，其特征在于，所述原始数据为(x，y)，x表示电池的工作状态，y表示以此工作状态为起始点的最大工作时长，其中：T
amb
为电池环境温度，T
initial
为电池初始温度，SOC
initial
为电池的初始SOC，I为电池的充放电电流；Δt为电池到达最大温度限值T
max
所需要的时间，即电池最大工作时长。4.根据权利要求3所述的一种基于热电耦合特性的电池储能系统放电动态运行时限确定方法，其特征在于，所述T
amb
和所述T
initial
在设定温度范围内分别等距离确定n和m个采样点，所述初始SOC在(0～1)间确定l个采样点，所述电流I确定k个采样点，利用参数化扫描有n*m*l*k种组合，每种组合计算出一个所述(x，y)原始数据。5.根据权利要求1所述的一种基于热电耦合特性的电池储能系统放电动态运行时限确定方法，其特征在于，所述数据拟合选用插值法或机器学习法；其中，所述插值法在离散的所述原始数据的基础上补插值构造成连续曲线，所述连续曲线通过给定的所有的离散原始数据点；所述机器学习法利用神经网络构建预测系统，利用部分原始数据作为训练数据集优化各神经元上的偏置值和各神经元之间的权值，使神经网络构建的预测系统在所述训练数据集上的误差最小。6.根据权利要求5所述的一种基于热电耦合特性的电池储能系统放电动态运行时限确定方法，其特征在于，所述机器学习法，包括：将所述原始数据中的一部分，a*(n*m*l*k)个数据，a∈(0，1)，作为训练数据，其余原始数据作为测试数据；所述机器学习的神经网络系统框架采用...

【专利技术属性】
技术研发人员：陈满，凌志斌，李勇琦，汪志强，彭鹏，李毓烜，胡振恺，贾增昂，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：