【技术实现步骤摘要】
本专利技术涉及电池储能，特别涉及一种基于神经网络的储能电池组管理系统的均衡方法及介质。
技术介绍
1、电源是铁路通信机房保障通信网络的基础，备用蓄电池又是整个通信电源的最后一道屏障，蓄电池一旦引发事故，就会产生巨大的损失，因此，为确保蓄电池安全，确保通信网络的顺畅运行，需要加强对铁路通信机房蓄电池及环境的监测。目前的维护规程主要是靠定期、强制性放电来监测蓄电池的健康状态和充电状态。但由于维护技术人员的编制限制、技术水平、安全性、检测作业的时间过长的因素影响，造成整个铁路通信机房蓄电池维护工作完成率很低，为更准确地评估电池组的健康状态，实现电池组的智能均衡管理，已经成为当前研究的重点方向之一。
2、在电池组健康状态评估方面，目前主要依靠传统数据驱动的模型，这类模型健康状态预测效果较差；而在电池组均衡控制方面，现有的简单被动均衡方式无法对电池组的充放电过程进行动态优化调节，难以实现最优的电池使用寿命。
3、在相关技术中，比如中国专利文献cn113541272a中提供了一种基于深度学习模型的储能电池均衡充放电方法及设备、介质。上述方法包括获取储能电池中电池模块的基础数据及实时数据；根据预先建立的充/放电策略，将基础数据与实时数据输入预先建立的电池均衡神经网络模型，输出本次用于对电池模块进行操作的待调整充/放电计划；将待调整充/放电计划输入预先建立的电池计划调整模型，输出本次用于对电池模块进行操作的最终充/放电计划；基于最终充/放电计划调整储能电池的控制系统的工作状态以完成对电池模块的充电作业或放电作业。但是该方
技术实现思路
1、1.要解决的技术问题
2、针对现有技术中存在的电池组的使用寿命低的问题，本专利技术提供了一种基于神经网络的储能电池组管理系统的均衡方法及介质，通过对电池组的健康状态进行精确评估，优化均衡控制策略，提高了电池组的使用寿命。
3、2.技术方案
4、本专利技术的目的通过以下技术方案实现。
5、本说明书实施例的一个方面提供一种基于神经网络的储能电池组管理系统的均衡方法，包括获取各电池组的基础数据和健康状态参数，健康状态参数包含电池内阻、容量衰减值和循环次数；基础数据包括电池组的型号规格、初始容量、工作电压范围等静态信息。健康状态参数是动态变化的，需要实时监测，主要包括：内阻，反映电池的电化学活性，内阻增大预示着电池衰减。容量衰减值，反映电池可用容量下降的程度。循环次数，反映电池经历的充放电循环次数，与寿命密切相关。利用智能算法分析电池工作过程中的电流、电压、温度等数据，实时评估内阻、容量衰减值。统计电池管理系统的充放电循环次数。可以设置电化学测量模式，定期或根据需要进行内阻等参数的直接测量。将上述监测获得的多项电池健康状态参数统一融合，综合评估电池的健康程度、剩余寿命。
6、其中，lstm神经网络模型为长短期记忆神经网络模型。lstm全称为long shortterm memory，意为长短期记忆，它是一种特殊的循环神经网络结构，具有以下技术特点：记忆单元(memory cell)可以维持历史状态的记忆。输入门(input gate)控制新输入对记忆单元的影响。遗忘门(forget gate)控制记忆单元中信息的遗忘。输出门(output gate)控制输出记忆单元的内容。隐状态(hidden state)反映当前网络整体状态。通过这种门控结构，lstm模型可以捕捉时序数据的长期依赖关系，实现对时间相关性的建模。在该方案中，lstm模型通过学习电池的历史工作数据，实现对电池健康状态的精确把握，并生成优化的均衡控制策略。将电池的历史工作数据(电压、电流、温度等时间序列数据)作为模型输入。lstm网络通过输入门、遗忘门及输出门的机制捕捉时间序列数据的长期依赖关系。网络的记忆单元存储历史信息，隐状态向量反映当前网络状态。输出层给出针对当前电池状态的均衡控制策略。充分利用电池的历史运行数据进行建模预测。捕捉电池性能参数时间依赖关系，实现高精度的剩余使用寿命预测。输出针对电池健康状态和参数变化的个性化的均衡策略。相比传统方法，策略更加准确和优化，延长电池使用寿命。综上，lstm模型能够建模时间相关性，实现高效的健康管理和使用寿命预测，输出针对性强的控制策略，是本申请的重要组成部分。
7、建立基于注意力机制的lstm神经网络模型，lstm网络包含输入门、输出门、遗忘门，可以捕捉时间序列数据的长期依赖关系。记忆单元存储历史信息，隐状态向量反映当前网络状态。将不同健康状态参数映射为注意力向量，作为记忆单元状态的修正项。通过注意力向量的加权叠加调整不同参数对网络记忆的写入比例。让网络自动学习健康状态参数的重要性，实现可解释的模型。网络综合每个电池的健康状态参数变化。输出优化的充放电计划，实现电池组之间的充放电均衡。延长电池组中限制使用寿命的关键电池的可用寿命。综上所述，注意力机制的lstm网络可以高效获取电池健康状态，输出针对具体参数变化的均衡控制策略，从而提升电池组的使用寿命。
8、使用包含电池组健康状态参数的历史运行数据训练lstm神经网络模型，利用训练后的lstm神经网络模型生成电池组均衡控制策略；收集电池组长周期的历史运行数据集，包括电压、电流、温度、soc等时间序列数据。同时记录电池健康状态参数：内阻、容量衰减、循环次数等。标注数据集，标出电池组在不同健康状态和参数范围下的最优均衡策略。使用标注的历史运行数据训练lstm神经网络模型。lstm网络学习不同健康状态下的最优控制策略。通过输入门、遗忘门和输出门机制学习电池的时间相关性。网络参数通过反向传播算法迭代优化。对于新输入的电池实时运行数据及健康参数，利用训练好的lstm模型预测最优均衡策略。本申请综合考虑了电池的健康状态变化与历史特性。实现个性化、动态的控制策略输出。综上，利用丰富的历史数据训练lstm神经网络模型，可以持续优化电池组的均衡控制策略，延长使用寿命。
9、具体地，在本申请中，电池均衡控制策略包含：充电电流控制，根据电池组参数状况，动态控制每个电池的充电电流。对参数较差的电池，减小其充电电流，延长充电时间。保证电池间的充电电流和容量平衡。放电电流控制，对健康状态较差的电池，减小其放电电流。动态控制各电池的放电电流，实现放电均衡。工作模式控制，根据电池状态，选择恒流模式或恒压模式。调节充放电截止电压，避免过充过放。温度控制，适当调整电池工作温度，防止状态恶化。进行加热或冷却以保证温度均衡。综合实时控制上述策略，可以更好地实现电池组的充放电均衡，延长电池使用寿命。
10、实时监测每个电池组的内阻值和容量衰减值。将内阻的增大值和容量衰减值与预设的阈值进行比较。如果内阻增大或容量衰减超过阈值，则判断该电池组健康状态欠佳。对健康状态欠佳的电池组，需要减小其充放电量。向lstm模型输入该电池组的超阈状态。lstm模型输出经调整的均衡控制策略。相应减小对该电池组的充电量或放电量。本文档来自技高网...
【技术保护点】
1.一种基于神经网络的储能电池组管理系统的均衡方法，包括：
2.根据权利要求1所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在于：
3.根据权利要求2所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在于：
4.根据权利要求2所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在于：
5.根据权利要求1所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在于：
6.根据权利要求5所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在于：
7.根据权利要求6所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在于：
8.根据权利要求1所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在于：
9.根据权利要求8所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在于：
10.一种计算机可读存储介质，存储介质存储计算机指令，当计算机指令被处理器执行时实现如权利要求1至9中任意一项的方法。
【技术特征摘要】
1.一种基于神经网络的储能电池组管理系统的均衡方法，包括：
2.根据权利要求1所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在于：
3.根据权利要求2所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在于：
4.根据权利要求2所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在于：
5.根据权利要求1所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在于：
6.根据权利要求5所述的...
【专利技术属性】
技术研发人员：胡永利，杨浩，乔桢，黄国胜，司福强，武朝军，张硕，刘瑞琪，闫学祥，于金勇，贾进良，姜涛，汤华奇，张飞，王旭，周明，陈照，周涛，吴琼，黄峰，谭克亮，何旭，杨晓燕，翟冰莹，王欢欢，李昌恒，
申请(专利权)人：北京中铁建电气化设计研究院有限公司，
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。