CN104598760A - 一种储能电池典型工况制定方法 - Google Patents

Abstract

本发明提供一种储能电池典型工况制定方法，包括以下步骤：确定储能电池的实际运行工况性能参数矩阵；确定因子分析数学模型，并求解因子负荷矩阵；计算任意两个工况片段的因子得分之间的距离；重构储能电池典型工况。本发明提供的储能电池典型工况制定方法能够全面、准确、有针对性的掌握储能电池的工况适用性，简单可行，易于推广。

Description

一种储能电池典型工况制定方法

技术领域

本发明属于储能电池技术领域，具体涉及一种储能电池典型工况制定方法。

背景技术

储能技术应用于电力系统发、输、配、用的各个环节，是发展和建设智能电网的关键支撑技术之一。多种储能技术中，电化学储能技术近年来取得较大突破，使得储能电池成为最具应用潜力的储能载体。

储能电池的工况适用性是一项针对实际应用场景的重要评估技术，主要评价储能电池在不同电网应用场合的适配性。对储能电池的评估受其具体的使用条件的影响，主要因素有工作负荷、工作温度、放电深度、荷电状态(SOC)，动态响应时间等。基于储能系统实际运行数据，明确应用工况条件，有针对性的构建典型运行工况，对优化储能电池的工程配置策略，指导装置设计和性能改进具有重要的现实意义。

现有技术中对电动汽车的动力电池工况制定研究较多。申请号为201110146620.2提供了一种寿命工况制定方法，通过求出电池功率的分布函数和概率分布，然后随机产生关于电池充放电功率的工况。但是在可再生能源发电等电力系统应用领域中，储能电池需要实现功率平滑、跟踪负荷出力等功能，其中储能电池功率相对于时间的变化率等动态响应能力工况性能表征指标，该方法未明显涉及，且通过随机产生关于电池充放电功率的工况图。

发明内容

为了能够全面、准确、有针对性的掌握储能电池的工况适用性，本发明提供一种储能电池典型工况制定方法，该方法根据储能电池实际运行的统计数据，通过因子分析压缩原始数据，进而实现对工况数据归类来拟合工况。

为了实现上述发明目的，本发明采取如下技术方案：

本发明提供一种储能电池典型工况制定方法，所述方法包括：

确定储能电池的实际运行工况性能参数矩阵；

确定因子分析数学模型，并求解因子负荷矩阵；

计算任意两个工况片段的因子得分之间的距离；

重构储能电池典型工况。

所述储能电池的实际运行工况包括储能电池输入功率、储能电池输出功率、储能电池运行时间和储能电池核电状态。

确定储能电池的实际运行工况性能参数矩阵的具体过程包括：

将储能电池的实际运行工况划分为m个工况片段；

通过采用定性分析和定量分析的方法从每个工况片段中选择n个性能参数x₁、x₂、…、x_n，构成每个工况片段的n维性能参数向量X＝{x₁、x₂、…、x_n}；

构造m×n储能电池的实际运行工况性能参数矩阵。

确定因子分析数学模型过程如下：

x₁、x₂、…、x_n由k个因子f1,f2,…,fk表示为线性组合，有：

$\left.\begin{array}{c}{x}_1=a_{11}{f}_1+a_{12}{f}_2+...+a_{1k}{f}_k+{\mathrm{\ϵ}}_1\\ x_2=a_{21}{f}_1+a_{22}{f}_2+...+a_{2k}{f}_k+{\mathrm{\ϵ}}_2\\ .\\ .\\ .\\ x_n=a_{n1}{f}_1+a_{n2}{f}_2+...+a_{\mathrm{nk}}{f}_k+{\mathrm{\ϵ}}_n\end{array}\right\}---\left(1\right)$

其中，ε₁,ε₂,…,ε_n为特殊因子，均值为0；

利用矩阵形式将式(1)表示为：

X＝AF+ε    (2)

其中，F为因子向量，ε为特殊因子向量，A为因子负荷矩阵，其元素a_ij为因子负荷，i＝1,2,…,n，j＝1,2,…,k。

因子负荷矩阵A的相关系数矩阵用R表示，A表示为：

$A=(\sqrt{{\mathrm{\λ}}_1}{\mathrm{\η}}_1,\sqrt{{\mathrm{\λ}}_2}{\mathrm{\η}}_2,...,\sqrt{{\mathrm{\λ}}_m}{\mathrm{\η}}_m)---\left(3\right)$

其中，λ₁、λ₂、…、λ_m为相关系数矩阵R的特征值，η₁,η₂,…,η_m为相关系数矩阵R的特征向量；

选取特征值大于1的因子或被选出因子贡献率不低于80％的因子，从原始的k个因子中找出能够表达原始因子信息的公因子f₁,f₂,…,f_l，l<k，并用公因子代替原始因子信息，即可求出各工况片段的因子得分。

通过欧氏距离计算任意两个工况片段的因子得分之间的距离，并按照相关性大小将工况片段逐一归类。

设任意两个工况片段用y_p和y_q表示，y_p和y_q的因子得分之间的距离用d(y_p,y_q)表示，有：

d(y_p,y_q)＝||y_p-y_q||＝[(y_p-y_q)^T·(y_p-y_q)]^0.5    (6)

其中，1≤p≤m，1≤q≤m；

d(y_p,y_q)越大，表明y_p和y_q之间的相关性越小，反之，表明y_p和y_q之间的相关性越大。

确定各类工况片段中储能电池的实际运行工况的质心，并将距质心距离最近的工况片段作为该类的代表工况片段，依据每类工况片段数的比例，由代表工况片段重构储能电池典型工况。

与现有技术相比，本发明的有益效果在于：

本发明根据储能电池实际运行的统计数据，把储能电池输出功率曲线当作时间的函数来分析，从原始数据中连续地分割片段，并对这些片段的功率、功率变化率、运行时间和能量等性能参数进行因子分析，在这些参数之中找出相互独立的元素，通过辨识多个工况性能参数间的相关性，得到少数特征参数。在此基础上依据各工况片段特征参数的相关性对片段进行归类，获得与实际状况相对应的类集合。最后利用概率构造出适合应用的、时间序列较短的代表工况。本发明能够全面、准确、有针对性的掌握储能电池的工况适用性，简单可行，易于推广。

附图说明

图1为本发明实施例中储能电池工况制定方法流程图；

图2为本发明实施例中风电场跟踪计划出力模式下储能电池的某段实际运行曲线图；

图3为本发明实施例中工况片段的分类图；

图4为本发明实施例中4类工况的第一类代表工况片段示意图；

图5为本发明实施例中4类工况的第二类代表工况片段示意图；

图6为本发明实施例中4类工况的第三类代表工况片段示意图；

图7为本发明实施例中4类工况的第四类代表工况片段示意图；

图8为本发明实施例中重构的风电场跟踪计划出力模式下储能电池的典型运行工况示意图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

基于现有工况制定方法存在的技术问题，本发明根据储能电池实际运行的统计数据，把储能电池输出功率曲线当作时间的函数来分析，从原始数据中连续地分割片段，并对这些片段的功率、功率变化率、运行时间和能量等性能参数进行因子分析，因为虽然每个参数都代表了一定的信息，但有些参数之间有一定的相关性，也就是参数之间并不相互独立，从而使得这些参数所提供的信息在一定程度上有所重叠。必须在这些参数之中找出相互独立的元素，通过辨识多个工况性能参数间的相关性，得到少数特征参数。在此基础上依据各工况片段特征参数的相关性对片段进行归类，获得与实际状况相对应的类集合。最后利用概率构造出适合应用的、时间序列较短的代表工况。

如图1，本发明提供一种储能电池典型工况制定方法，所述方法包括：

确定储能电池的实际运行工况性能参数矩阵；

确定因子分析数学模型，并求解因子负荷矩阵；

计算任意两个工况片段的因子得分之间的距离；

重构储能电池典型工况。

所述储能电池的实际运行工况包括储能电池输入功率、储能电池输出功率、储能电池运行时间和储能电池核电状态。

确定储能电池的实际运行工况性能参数矩阵的具体过程包括：

将储能电池的实际运行工况划分为m个工况片段；

由于储能电池实际运行工况的复杂性，为了全面、准确、有针对性的掌握储能电池的工况适用性，通过采用定性分析和定量分析的方法从每个工况片段中选择n个性能参数x₁、x₂、…、x_n，构成每个工况片段的n维性能参数向量X＝{x₁、x₂、…、x_n}；

构造m×n储能电池的实际运行工况性能参数矩阵。

确定因子分析数学模型过程如下：

x₁、x₂、…、x_n由k个因子f1,f2,…,fk表示为线性组合，有：

$\left.\begin{array}{c}{x}_1=a_{11}{f}_1+a_{12}{f}_2+...+a_{1k}{f}_k+{\mathrm{\&epsiv;}}_1\\ x_2=a_{21}{f}_1+a_{22}{f}_2+...+a_{2k}{f}_k+{\mathrm{\&epsiv;}}_2\\ .\\ .\\ .\\ x_n=a_{n1}{f}_1+a_{n2}{f}_2+...+a_{\mathrm{nk}}{f}_k+{\mathrm{\&epsiv;}}_n\end{array}\right\}---\left(1\right)$

其中，ε₁,ε₂,…,ε_n为特殊因子，均值为0；

利用矩阵形式将式(1)表示为：

X＝AF+ε    (2)

其中，F为因子向量，ε为特殊因子向量，A为因子负荷矩阵，其元素a_ij为因子负荷，i＝1,2,…,n，j＝1,2,…,k。

因子负荷矩阵A的相关系数矩阵用R表示，A表示为：

$A=(\sqrt{{\mathrm{\&lambda;}}_1}{\mathrm{\&eta;}}_1,\sqrt{{\mathrm{\&lambda;}}_2}{\mathrm{\&eta;}}_2,...,\sqrt{{\mathrm{\&lambda;}}_m}{\mathrm{\&eta;}}_m)---\left(3\right)$

其中，λ₁、λ₂、…、λ_m为相关系数矩阵R的特征值，η₁,η₂,…,η_m为相关系数矩阵R的特征向量；

选取特征值大于1的因子或被选出因子贡献率不低于80％的因子，从原始的k个因子中找出能够表达原始因子信息的公因子f₁,f₂,…,f_l，l<k，并用公因子代替原始因子信息，即可求出各工况片段的因子得分。

通过欧氏距离计算任意两个工况片段的因子得分之间的距离，并按照相关性大小将工况片段逐一归类。

设任意两个工况片段用y_p和y_q表示，y_p和y_q的因子得分之间的距离用d(y_p,y_q)表示，有：

d(y_p,y_q)＝||y_p-y_q||＝[(y_p-y_q)^T·(y_p-y_q)]^0.5    (6)

其中，1≤p≤m，1≤q≤m；

d(y_p,y_q)越大，表明y_p和y_q之间的相关性越小，反之，表明y_p和y_q之间的相关性越大。

确定各类工况片段中储能电池的实际运行工况的质心，并将距质心距离最近的工况片段作为该类的代表工况片段，依据每类工况片段数的比例，由代表工况片段重构储能电池典型工况。

本发明基于在风电场跟踪计划出力模式下储能电池的实际运行数据，其中风储配置比例为5：1；储能电池容量配置为2小时，利用因子分析法压缩实际运行数据，然后采用聚类法归类来拟合风储联合运行下的跟踪计划出力模式的典型工况。

将图2所示的数据风电场跟踪计划出力模式下储能电池的实际运行数据分割时间为10min的66个工况片段，并计算每个工况片段的10维性能参数向量X，如表1所示。

表1

求解因子模型表达式X＝AF+ε中的因子负荷矩阵A，由大到小选出因子累计贡献率不低于80％的因子F1、F2和F3，因子累计贡献率表如表2所示。

表2

因子	F1	F2	F3	F4	F5	F6	F7	F8	F9	F10
											因子贡献率(％)	50.99	71.83	85.89	92.04	97.47	99.74	99.97	99.99	100	100

计算上述选出的3个因子的因子得分矩阵，进而由因子得分矩阵所表征的各工况片段的欧式距离进行归类，分为4类，见图3。

确定各类工况片段中储能电池的实际运行工况的质心，并将距质心距离最近的工况片段作为代表工况片段，见图4-7。4类工况片段出现的概率分别12％、20％、12％和56％。依据每一类工况所包含的工况片段数的比例由各类代表工况片段重构储能电池典型工况，见图8。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。

Claims (8)

1.一种储能电池典型工况制定方法，其特征在于：所述方法包括：

确定储能电池的实际运行工况性能参数矩阵；

确定因子分析数学模型，并求解因子负荷矩阵；

计算任意两个工况片段的因子得分之间的距离；

重构储能电池典型工况。

2.根据权利要求1所述的储能电池典型工况制定方法，其特征在于：所述储能电池的实际运行工况包括储能电池输入功率、储能电池输出功率、储能电池运行时间和储能电池核电状态。

3.根据权利要求1所述的储能电池典型工况制定方法，其特征在于：确定储能电池的实际运行工况性能参数矩阵的具体过程包括：

将储能电池的实际运行工况划分为m个工况片段；

通过采用定性分析和定量分析的方法从每个工况片段中选择n个性能参数x₁、x₂、…、x_n，构成每个工况片段的n维性能参数向量X＝{x₁、x₂、…、x_n}；

构造m×n储能电池的实际运行工况性能参数矩阵。

4.根据权利要求3所述的储能电池典型工况制定方法，其特征在于：确定因子分析数学模型过程如下：

x₁、x₂、…、x_n由k个因子f1,f2,…,fk表示为线性组合，有：

$\left.\begin{array}{c}{x}_1=a_{11}{f}_1+a_{12}{f}_2+...+a_{1k}{f}_k+{\mathrm{\&epsiv;}}_1\\ x_2=a_{21}{f}_1+a_{22}{f}_2+...+a_{2k}{f}_k+{\mathrm{\&epsiv;}}_2\\ .\\ .\\ .\\ x_n=a_{n1}{f}_1+a_{n2}{f}_2+...+a_{\mathrm{nk}}{f}_k+{\mathrm{\&epsiv;}}_n\end{array}\right\}---\left(1\right)$

其中，ε₁,ε₂,…,ε_n为特殊因子，均值为0；

利用矩阵形式将式(1)表示为：

X＝AF+ε   (2)

其中，F为因子向量，ε为特殊因子向量，A为因子负荷矩阵，其元素a_ij为因子负荷，i＝1,2,…,n，j＝1,2,…,k。

5.根据权利要求1或4所述的储能电池典型工况制定方法，其特征在于：因子负荷矩阵A的相关系数矩阵用R表示，A表示为：

$A=(\sqrt{{\mathrm{\&lambda;}}_1}{\mathrm{\&eta;}}_1,\sqrt{{\mathrm{\&lambda;}}_2}{\mathrm{\&eta;}}_2,...,\sqrt{{\mathrm{\&lambda;}}_m}{\mathrm{\&eta;}}_m)---\left(3\right)$

其中，λ₁、λ₂、…、λ_m为相关系数矩阵R的特征值，η₁,η₂,…,η_m为相关系数矩阵R的特征向量；

选取特征值大于1的因子或被选出因子贡献率不低于80％的因子，从原始的k个因子中找出能够表达原始因子信息的公因子f₁,f₂,…,f_l，l<k，并用公因子代替原始因子信息，即可求出各工况片段的因子得分。

6.根据权利要求1所述的储能电池典型工况制定方法，其特征在于：通过欧氏距离计算任意两个工况片段的因子得分之间的距离，并按照相关性大小将工况片段逐一归类。

7.根据权利要求6所述的储能电池典型工况制定方法，其特征在于：设任意两个工况片段用y_p和y_q表示，y_p和y_q的因子得分之间的距离用d(y_p,y_q)表示，有：

d(y_p,y_q)＝||y_p-y_q||＝[(y_p-y_q)^T·(y_p-y_q)]^0.5   (6)

其中，1≤p≤m，1≤q≤m；

d(y_p,y_q)越大，表明y_p和y_q之间的相关性越小，反之，表明y_p和y_q之间的相关性越大。

8.根据权利要求1所述的储能电池典型工况制定方法，其特征在于：确定各类工况片段中储能电池的实际运行工况的质心，并将距质心距离最近的工况片段作为该类的代表工况片段，依据每类工况片段数的比例，由代表工况片段重构储能电池典型工况。