一种基于改进的BWOA-FNN算法的储能电池SOC估计方法技术

技术编号:38548810 阅读:27 留言:0更新日期:2023-08-22 20:56
本发明专利技术公开了一种基于改进的黑寡妇优化算法(Black Widow Optimization Algorithm,BWOA)

【技术实现步骤摘要】
一种基于改进的BWOA

FNN算法的储能电池SOC估计方法


[0001]本专利技术涉及电力电子装置状态评估领域,具体涉及一种基于改进的BWOA

FNN算法的储能电池SOC估计方法。

技术介绍

[0002]对于低压配电网分布式储能系统,通常需要了解和实时监测个储能单元(Energy Storage System,ESS)的电池运行状态,考虑各单元运行状态的差异,通过识别异常和故障状态,对整体储能系统进行优化调度管理,优化电池状况,实现储能系统高效、安全、可靠、经济运行。其中,荷电状态(State of Charge,SOC)是储能单元最为重要的一个性能指标,它被定义为电池中剩余电量除以电池可以提供的最大电量的比率。
[0003]然而,由于储能电池的非线性温度、健康状况和SOC依赖行为,其SOC估计仍然是储能领域的一项挑战。SOC的计算方法通常有安时积分法、电压开路法、基于模型的方法以及基于神经网络的方法。解决此问题的传统方法(例如电化学模型)通常需要精确的参数和电池成分及其物理响应的知识;相比之下,神经网络方法是一种基于数据驱动的方法,其对电池或其非线性行为的表征参数需求最少。
[0004]由于储能电池充放电过程中,其特性数据种类较多,数据间关系较为复杂,所以建立一个高效的神经网络模型对SOC进行估算对该问题具有重要意义。
[0005]本专利技术首先通过仿真模型获取储能电池在不同温度条件下的充放电过程的原始数据序列,利用主成分分析法对数据进行降维,再通过结合改进的黑寡妇算法和前馈神经网络算法,在模型训练过程中利用具有反向进化机制的黑寡妇算法求解FNN神经元之间的连接权重与偏置。基于训练后的FNN模型,将实测数据输入该模型,从而能够准确估算储能电池的SOC值。综上所述,一种基于改进的BWOA

FNN算法的储能电池SOC估计方法具有一定的技术水平和工程应用价值。

技术实现思路

[0006]为解决上述存在问题,本专利技术提供一种基于改进的BWOA

FNN算法的储能电池SOC估计方法,主要包括以下步骤:
[0007](1)在仿真软件中,根据储能电池类型搭建电池充放电仿真模型,获取其在多个温度条件下的原始数据序列,其中实测值包括电压、电流、温度、平均电压、平均电流,目标状态量SOC由安时积分模块获得,且为其理论值。
[0008](2)对采集的数据中的实测量进行主成分分析(Principal Component Analysis,PCA),选取其中方差累计贡献率较高的实测量替代原始的高维数据,从而降低数据维度以减少FNN模型过拟合的风险;
[0009]进一步地,所述步骤(2)具体包括:
[0010](2.1)对于上述采集的实测量数据集,有m个样本,每个样本由n个特征(变量)来描述,将数据集中的每个样本作为列向量,按列排列构成一个n行m列的矩阵,并且每一行都减
去该行的均值,从而使得新行向量的均值为0,得到新的数据集矩阵X:
[0011][0012]即用X1,X2,

,X
n
来表示n个原始变量,假定已经得到了这个转换矩阵P,那么把转换后的n个主成分记为Y1,Y2,

,Y
n
,那么由Y=PX,就可以得到主成分矩阵Y:
[0013][0014](2.2)求X的协方差矩阵,并求出协方差矩阵的特征值λ和单位特征向量e。由于数据集已经减去了均值,那么主成分矩阵中的行向量也是0均值的,于是某两个主成分的协方差为:
[0015][0016]进一步得到主成分矩阵Y的协方差矩阵为:
[0017][0018]将Y=PX这个等式代入协方差矩阵中进行变换,得到
[0019][0020]数据集X的协方差矩阵作为n阶实对称矩阵,可以找到n个单位正交特征向量将其相似对角化。设这n个单位特征向量为e1,e2,

,e
n
,并按列组成一个矩阵E=(e1,e2,

,e
n
),那么数据集X的协方差矩阵可以对角化为:
[0021][0022](2.3)按照特征值从大到小的顺序,将单位特征向量排列成矩阵,得到转换矩阵P:
[0023][0024],也即取X的协方差矩阵的单位特征向量矩阵E,用它的转置ET来作为转换矩阵P,而X的协方差矩阵的特征值λ就是各主成分的方差,并按PX计算出主成分矩阵:
[0025][0026]此时,P1就是由,X的协方差矩阵最大特征根λ1的单位特征向量e1转置而成(列向量变为行向量),于是第一主成分就是:
[0027]Y
1 = e
11
X1+e
12
X2+L+e
1n
X
n (9)
[0028]第一主成分的方差是最大的。然后第二主成分满足:(1)和第一主成分正交,(2)在剩余的其他主成分中,方差最大,表达式为:
[0029][0030]同理,第k个主成分的表达式为:
[0031][0032](2.4)用特征值计算方差贡献率和方差累计贡献率。主成分Y
k
的方差贡献率,它是第k个主成分的方差占总方差的比例:
[0033][0034]前k个主成分的方差累计贡献率为:
[0035][0036]取方差累计贡献率超过85%的前k个主成分作为降噪后的数据。
[0037](3)进一步地,将上述降噪后的数据按照7:2:1的比例随机划分为训练集、验证集、测试集。其中训练集用于训练FNN模型,验证集用于验证训练过程中的模型,另外,测试集用于评估训练后的模型。
[0038](4)建立储能电池SOC估计的FNN模型,并对FNN模型进行训练。在训练过程中使用改进的BWOA来迭代和优化模型参数,即用求解FNN神经元之间的连接权重W与偏置。
[0039]进一步地,所述步骤(4)具体包括:
[0040](4.1)建立储能电池SOC估计的FNN模型。首先设置输入层、输出层行为以及隐藏层层数,该前馈神经网络FNN由序列输入层、全连接层1、全连接层2、全连接层3以及回归层组成。其中,序列输入层它接受经PCA降维后的数据序列作为输入,并执行零中心化,即将每个输入特征减去其均值。前两个全连接层的神经元个数相同,为numHiddenNeurons;第三个全
连接层的神经元个数为numResponses=1,即将其输入映射到1个输出值,即SOC估计值;回归层,用于计算网络的输出与真实目标之间的平均平方误差(MSE)损失。
[0041](4.2)设置神经元之间的激活函数,前馈神经网络FNN第一与第二个全连接层之间使用双曲正切激活函数,将对其输入进行双曲正切函数处理,其函数表达式为:
[0042][0043]第二与第三个全连接层之间使用LeakyReLU激活函数,将对其输入进行Leaky本文档来自技高网
...

【技术保护点】

【技术特征摘要】
1.一种基于改进的BWOA

FNN算法的储能电池SOC估计方法,其特征在于,包括以下步骤:(1)在仿真软件中,根据储能电池类型搭建电池充放电仿真模型,获取其在多个温度条件下的原始数据序列,原始数据的实测量包括:电压、电流、温度、平均电压、平均电流以及目标状态量:SOC;(2)对采集的数据中的实测量进行主成分分析(Principal Component Analysis,PCA),选取其中方差累计贡献率较高的实测量替代原始的高维数据;(3)将降维后的数据按比例划分为训练集、验证集、测试集,其中训练集用于训练FNN模型,验证集用于验证训练过程中的模型,测试集用于评估训练后的模型;(4)建立储能电池SOC估计的FNN模型,并对FNN模型进行训练,在训练过程中使用改进的BWOA来迭代和优化模型参数,即用求解FNN神经元之间的连接权重W与偏置,获得训练好的模型;(5)最后将实测数据输入训练好的模型,从而估算储能电池的SOC值。2.根据权利要求1所述的基于改进的BWOA

FNN算法的储能电池SOC估计方法,其特征在于,其特征在于,所述步骤(1)中,储能电池充放电仿真模型基于MATLAB/Simulink。3.根据权利要求1所述的基于改进的BWOA

FNN算法的储能电池SOC估计方法,其特征在于,所述步骤(2)中,对采集的原始数据序列降维方法包括:对采集的数据进行主成分分析(Principal Component Analysis,PCA),首先对数据集中实测量进行0均值化,得到数据矩阵X,再计算X的协方差矩阵的特征值和单位特征向量,按照特征值从大到小的顺序,将单位特征向量排列得到转换矩阵P,并按PX计算主成分矩阵Y,用特征值计算主成分的方差贡献率和方差累计贡献率,选取其中方差累计贡献率超过设定阈值的主成分替代原始的高维数据,从而降低数据维度以减少FNN模型过拟合的风险。4.根据权利要求3所述的基于改进的BWOA

FNN算法的储能电池SOC估计方法,其特征在于,(2.1)采集的数据有m个样本,每个样本由n个特征来描述,将数据集中的每个样本作为列向量,按列排列构成一个n行m列的矩阵,并且每一行都减去该行的均值,从而使得新行向量的均值为0,得到新的数据集矩阵X:即用X1,X2,

,X
n
来表示n个原始变量,假定已经得到了这个转换矩阵P,那么把转换后的n个主成分记为Y1,Y2,

,Y
n
,那么由Y=PX,就可以得到主成分矩阵Y:
(2.2)求X的协方差矩阵,并求出协方差矩阵的特征值λ和单位特征向量e。由于数据集已经减去了均值,那么主成分矩阵中的行向量也是0均值的,于是某两个主成分的协方差为:进一步得到主成分矩阵Y的协方差矩阵为:将Y=PX这个等式代入协方差矩阵中进行变换,得到数据集X的协方差矩阵作为n阶实对称矩阵,可以找到n个单位正交特征向量将其相似对角化。设这n个单位特征向量为e1,e2,

,e
n
,并按列组成一个矩阵E=(e1,e2,

,e
n
),那么数据集X的协方差矩阵可以对角化为:(2.3)按照特征值从大到小的顺序,将单位特征向量排列成矩阵,得到转换矩阵P:,也即取X的协方差矩阵的单位特征向量矩阵E,用它的转置ET来作为转换矩阵P,而X的协方差矩阵的特征值λ就是各主成分的方差,并按PX计算出主成分矩阵:此时,P1就是由,X的协方差矩阵最大特征根λ1的单位特征向量e1转置而成,于是第一主
成分就是:Y
1 = e
11
X1+e
12
X2+L+e
1n
X
n (9)第一主成分的方差是最大的。然后第二主成分满足:(1)和第一主成分正交,(2)在剩余的其他主成分中,方差最大,表达式为:Y
2 = e
21
X1+e
22
X2+L+e
2n
X
n (10)同理,第k个主成分的表达式为:Y
k = e
k1
X1+e
k2
X2+L+e
kn
X
n (11)(2.4)用特征值计算方差贡献率和方差累计贡献率。主成分Y
k
的方差贡献率,它是第k个主成分的方差占总方差的比例:前k个主成分的方差累计贡献率为:取方差累计贡献率超过85%的前k个主成分作为降维后的数据。5.根据权利要求4所述的基于改进的BWOA

FNN算法的储能电池SOC估计方法,其特征在于,所述步骤(3)中,将降维后的数据按照7:2:1的比例随机划分为训练集、验证集、测试集,其中,训练集、用于逐步训练FNN模型,验证集用于验证训练过程中的模型,测试集用于评估训练后的模型。6.根据权利要求1所述的基于改进的BWOA

FNN算法的储能电池SOC估计方法,其特征在于,所述步骤(4)中,FNN由序列输入层、全连接层、全连接层、全连接层以及回归层组成,其中,序列输入层它接受经PCA降维后的数据序列作为输入,并执行零中心化,即将每个输入特征减去其均值,前两个全连接层的神经元个数相同,为numHiddenNeurons;第三个全连接层的神经元个数为numResponses=1,即将其输入映射到1个输出值,即SOC估计值;回归层,用于计算网络的输出与真...

【专利技术属性】
技术研发人员:韩伟戴欣杨航张经炜
申请(专利权)人:国网江苏省电力有限公司
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 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。

1