本发明专利技术提出了一种全钒液流电池电压预测方法、置及介质，用于基于门控循环神经网络模型拟合所述全钒液流电池的实验数据，预测全钒液流电池电压，所述方法包括：S10采集全钒液流电池实验数据；S20根据实验数据计算全钒液流电池在不同工况下的荷电状态SOC，形成训练数据集；S30构建门控循环神经网络模型，通过训练数据集训练所述门控循环神经网络模型；采集待测电池的电流、容量及流量，计算当前SOC数据，输入至经过训练的所述门控循环神经网络模型得到预测电压值。本发明专利技术考虑到流量是影响全钒液流电池的运行效率的重要因素，添加了流量作为模型的输入，进一步提高了模型在不同流量下的预测精度，模型简单，预测误差小。预测误差小。预测误差小。
【技术实现步骤摘要】
一种全钒液流电池电压预测方法、装置及介质
[0001]本专利技术涉及全钒液流电池
，特别是涉及一种全钒液流电池电压预测方法、装置及介质。
技术介绍
[0002]全钒液流电池(Vanadium Redox Flow Battery,VRB)是一种电化学储能新技术，具有系统设计灵活、蓄电容量大、安全环保、寿命长等优点，近些年广泛应用于风能、太阳能等可再生能源发电储能等方面，随着应用领域的扩大，对电池输出特性预测精度要求越来越高。
[0003]然而，目前的全钒液流电池电压预测方法主要依托电化学模型、等效电路模型来实现，其中电化学模型适用于电池原理分析和电池研发等需求场景，等效电路模型常适用于运行控制和动态响应等工程实践领域。
[0004]但是，上述的预测方法需要了解模型的内部原理，将电池的输出电压简化为线性函数和负指数函数的简单变换叠加，一方面模型复杂，对电池非线性行为的拟合能力有限。另一方面未考虑流速对电池电压的影响，预测效果不佳。
技术实现思路
[0005]针对上述
技术介绍
中存在的问题，本专利技术提供一种全钒液流电池电压预测方法、装置及介质，能够实现全钒液流电池输出特性的高精度预测，模型简单，非线性拟合效果好。
[0006]为实现上述目的，本专利技术所设计的一种全钒液流电池电压预测方法，其特殊之处在于，所述方法包括如下步骤：
[0007]S1采集全钒液流电池实验数据，所述实验数据包括全钒液流电池的历史电压、电流、容量及流量；
[0008]S2根据所述实验数据计算全钒液流电池在不同工况下的荷电状态SOC，对所述实验数据和对应的SOC数据进行预处理后形成训练数据集；
[0009]S3构建门控循环神经网络模型，通过训练数据集训练所述门控循环神经网络模型；采集待测电池的电流、容量及流量，计算当前SOC数据，输入至经过训练的所述门控循环神经网络模型得到预测电压值。
[0010]优选地，步骤S1中，全钒液流电池实验数据通过监测模块采集，所述监测模块控制全钒液流电池的充放电实验，同时采集全钒液流电池的外特性存储为实验数据。
[0011]优选地，步骤S3的具体步骤包括：
[0012]S202获取全钒液流电池系统SOC
‑
OCV关系曲线，确定全钒液流电池的荷电状态与开路电压之间的对应关系；
[0013]S204基于所述全钒液流电池系统SOC
‑
OCV关系曲线，获取全钒液流电池空载时的开路电压，读取对应的初始SOC数据；
[0014]S206基于所述实验数据中的容量和初始SOC数据，计算当前SOC数据；
[0015]S208获取所述实验数据和SOC数据；
[0016]S210对所述实验数据和SOC数据进行归一化处理，生成训练数据集。
[0017]优选地，步骤S202中获取全钒液流电池系统SOC
‑
OCV关系曲线的方法为基于小电流恒流充放电实验，在实验过程中记录每一时刻的开路电压OCV与电池SOC值后，绘制成对应的SOC
‑
OCV关系曲线。
[0018]优选地，步骤S206中计算当前SOC数据的计算公式为：
[0019][0020][0021]其中，SOC
charging
、SOC
discharging
分别为充、放电时当前SOC数据，SOC0为初始SOC数据，SOC
total_charging
为总的SOC数据，Capicity
accumulate
为容量数据，Capicity
nominal_charging
为额定容量。
[0022]优选地，步骤S3的具体步骤包括：
[0023]步骤S302：构建门控循环神经网络模型，所述门控循环神经网络模型包括输入层、隐藏层、及输出层，所述输入层经由所述隐藏层与所述输出层连接，所述训练数据集通过输入层进入门控循环神经网络模型进行拟合计算，所述输入层读取所述训练数据集，并发送至所述隐藏层；
[0024]步骤S304：所述隐藏层对所述训练数据集进行拟合，优化迭代参数值并生成输出电压限制区间；
[0025]步骤S306：所述输出层基于接收的所述训练数据集、所述输出电压限制区间及所述迭代参数值进行数据计算，以预测述全钒液流电池电压值。
[0026]优选地，所述隐藏层包括门控循环单元层、激活函数层及全连接层，所述门控循环单元层经由所述激活单元层及所述全连接层分别与所述输出层连接，所述隐藏层对所述训练数据集进行拟合，优化迭代参数值并生成输出电压限制区间，具体步骤包括：
[0027]所述门控循环单元层提取所述训练数据集的时序特征；
[0028]所述激活单元层读取所述训练数据集生成所述输出电压限制区间；
[0029]所述全连接层基于所述时序特征、所述输出电压限制区间及SOC数据进行迭代计算，生成优化迭代参数值。
[0030]优选地，所述全连接层包括误差层及修正层，其中：
[0031]所述误差层基于损失函数及所获取的所述时序特征、所述输出电压限制区间及SOC数据计算拟合误差；
[0032]若所述拟合误差大于或等于预设误差阈值，则所述修正层生成所述优化迭代参数。
[0033]本专利技术还提出一种全钒液流电池电压预测装置，其特殊之处在于，所述装置包括：
[0034]数据获取模块：用于获取监测系统采集全钒液流电池的实验数据，全钒液流电池通过所述监测模块与上位机连接；
[0035]数据处理模块：与所述数据获取模块连接，用于根据所述实验数据计算全钒液流电池在不同工况下的荷电状态SOC，对所述实验数据和对应的SOC数据进行预处理后形成训练数据集；
[0036]神经网络模块，与所述数据处理模块连接，用于基于所述训练数据集采用门控循环神经网络模型进行参数拟合计算，以预测全钒液流电池电压值。
[0037]本专利技术另外提出一种计算机可读存储介质，存储有计算机程序，其特殊之处在于，所述计算机程序被处理器执行时实现上述方法的步骤。
[0038]本专利技术的有益效果为：
[0039]1、本专利技术基于训练数据集采用门控循环神经网络模型进行拟合计算，以预测全钒液流电池电压值，该方法实现了对电池时序特征的提取和分析，提高了模型的非线性预测能力。
[0040]2、本专利技术考虑到流量是影响全钒液流电池的运行效率的重要因素，添加了流量作为模型的输入，进一步提高了模型在不同流量下的预测精度，模型简单，预测误差小。
[0041]3、本专利技术提出的一种全钒液流电池电压预测方法，能有效应用于工程实践中，提高模型的预测精度。
附图说明
[0042]图1为本专利技术一种全钒液流电池电压预测方法的流程示意图；
[0043]图2为本专利技术一实施例中提供的一种全钒液流电池电压预测方法的流程示意图；
[0044]图3为本专利技术一实施例中提供的一种门本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种全钒液流电池电压预测方法，其特征在于：所述方法包括如下步骤：S10采集全钒液流电池实验数据，所述实验数据包括全钒液流电池的历史电压、电流、容量及流量；S20根据所述实验数据计算全钒液流电池在不同工况下的荷电状态SOC，对所述实验数据和对应的SOC数据进行预处理后形成训练数据集；S30构建门控循环神经网络模型，通过训练数据集训练所述门控循环神经网络模型；采集待测电池的电流、容量及流量，计算当前SOC数据，输入至经过训练的所述门控循环神经网络模型得到预测电压值。2.根据权利要求1所述的一种全钒液流电池电压预测方法，其特征在于：步骤S10中，全钒液流电池实验数据通过监测模块采集，所述监测模块控制全钒液流电池的充放电实验，同时采集全钒液流电池的外特性存储为实验数据。3.根据权利要求1所述的一种全钒液流电池电压预测方法，其特征在于：步骤S20的具体步骤包括：S202获取全钒液流电池系统SOC
‑
OCV关系曲线，确定全钒液流电池的荷电状态与开路电压之间的对应关系；S204基于所述全钒液流电池系统SOC
‑
OCV关系曲线，获取全钒液流电池空载时的开路电压，读取对应的初始SOC数据；S206基于所述实验数据中的容量和初始SOC数据，计算当前SOC数据；S208获取所述实验数据和SOC数据；S210对所述实验数据和SOC数据进行归一化处理，生成训练数据集。4.根据权利要求3所述的一种全钒液流电池电压预测方法，其特征在于：步骤S202中获取全钒液流电池系统SOC
‑
OCV关系曲线的方法为基于小电流恒流充放电实验，在实验过程中记录每一时刻的开路电压OCV与电池SOC值后，绘制成对应的SOC
‑
OCV关系曲线。5.根据权利要求3所述的一种全钒液流电池电压预测方法，其特征在于：步骤S206中计算当前SOC数据的计算公式为：算当前SOC数据的计算公式为：其中，SOC
charging
、SOC
discharging
分别为充、放电时当前SOC数据，SOC0为初始SOC数据，SOC
total_charging
为总的SOC数据，Capicity
accumulate
为容量数据，Capicity
...
【专利技术属性】
技术研发人员：李旸，冯小玲，苏赋文，张少凤，唐金锐，熊斌宇，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：
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。