CN105911476A - 一种基于数据挖掘的电池储能系统soc预测方法 - Google Patents

Abstract

本发明属于电池储能系统荷电状态评估技术领域，尤其涉及一种基于数据挖掘的电池储能系统SOC预测方法，结合大数据分析与挖掘技术，在全钒液流电池储能系统充放电实验基础上，通过对大量电池储能系统运行历史数据分析，研究电池的电流、电压、内阻、温度、充放电容量及充放电能量等运行参数与电池SOC之间的关系；利用邻域粗糙集理论进行属性约简，深入挖掘影响SOC的主要因素，计算各特征参数所占的权重，提取能够正确评价电池储能运行状态SOC的特征参数；由于上述特征参数与SOC之间的关系具有较强的非线性，建立基于邻域粗糙集‑神经网络的电池储能系统SOC预测模型，进一步提高电池储能系统SOC的预测精度。

Description

一种基于数据挖掘的电池储能系统SOC预测方法

技术领域

本发明属于电池储能系统荷电状态评估技术领域，尤其涉及一种基于数据挖掘的电池储能系统SOC预测方法。

背景技术

由于大规模的新型能源的和特高压电网的发展，电池储能系统作为储能单元被广泛应用于电动车、新能源发电和大型储能系统。荷电状态SOC反映的是储能元件当前的剩余容量，电池储能系统的整体性能与荷电状态SOC的关系非常密切。精确地SOC估计对平衡单体电池之间的差异、优化电池的充放电策略、防止电池使用过热及防止过充过放等意义非同凡响。

但是，由于电池结构复杂，电池的荷电状态受放电电流、电池内部温度、自放电、电池老化等诸多因素影响，使SOC估算非常困难。且SOC作为电池的内部特性不可以直接对其进行测量，只能通过对电压、电流、温度等一些直接测量的外部特性参数预测而得。同时电池在使用过程中表现出高度非线性，使在线准确估计电池SOC值难度加大。

目前，人工神经网络法是比较常见的电池储能系统SOC预测方法，其具有较好的自学习能力，能逼近非线性特性，可模拟出电池的动态特性且不需要建立数学模型。以电池电流、电压、温度、等电池外部特性参数为输入，利用大量的原始经验样本数据对系统进行训练，用测试样本数据实现SOC的预测。神经网络输入矢量的维数较大会造成整个过程计算量异常庞大、耗时，因此需要对神经网络输入维数进行属性约简。

发明内容

为了解决上述技术问题，本发明提出了一种基于数据挖掘的电池储能系统SOC预测方法，包括：

步骤1：对全钒液流电池进行充放电实验，测得各个时刻的电池电流I、电压V、内阻R、功率P、每个周期内的总充电量W₁、开始到结束的总充电量W₂、开始到结束的总放电量W₃、电池温度T及电池容量Q运行特征参数；

步骤2：将上述特征参数作为邻域决策系统(NRS)的条件属性，将电池储能系统SOC状态进行划分作为信息表的决策属性，形成SOC状态初始样本邻域决策表；

步骤3：在数据处理之前对原始条件属性进行归一化处理；

步骤4：利用邻域粗糙集算法对上述特征参数进行约简，挖掘出影响电池储能系统SOC的重要因素；

步骤5：将步骤4约简后的相对最小条件属性作为RBF神经网络的输入神经元，以SOC状态值作为RBF神经网络的输出神经元，构造基于邻域粗糙集-RBF神经网络的电池储能系统SOC预测模型；

步骤6：将测试样本输入神经网络进行检验，计算预测误差。

所述步骤2中电池储能系统SOC状态的划分如下：

表1SOC状态划分

SOC	[0,0.2]	(0.2,0.4]	(0.4,0.6]	(0.6,0.8]	(0.8,1]
						状态	差	一般	优秀	次优	差
决策表	0.1	0.2	0.3	0.4	0.5

。

所述步骤3中数据归一化计算公式如下：

$f\left(x_i\right)=\frac{x_i-x_{min}}{x_{\max }-x_{\min }},(i=1,2,...n)$

其中，x_min和x_max分别为样本数组的最小和最大值，经过归一化处理之后，数据均落在区间[0,1]内。

所述步骤4中邻域粗糙集算法对特征参数约简过程如下：

1)给定一邻域决策系统NDS＝(U,A∪D)，其中U为给定样本集合，A是描述U的实数型特征集合，D是决策属性，由A生成论域上的一族邻域关系，决策属性D将论域U＝{x₁,x₂,x₃…x_n}划分为N个等价类(X₁,X₂,…X_N),则决策属性D关于子集B的上、下近似分别为

上近似：

下近似：

其中，δ(x_i)＝{x|x∈U,Δ(x,x_i)≤δ},(δ≥0)，δ(x_i)是由子集B和距离Δ(x,x_i)生成的邻域信息粒子，δ为邻域半径，决策系统的边界

2)邻域决策系统的正域和负域分别为

正域：Pos_B(D)＝N _BD

负域：

式中N _BD为决策D的下近似，U为总样本集合，为决策D的上近似；

3)决策属性D对条件属性B的依赖度k_D为

$k_D={\mathrm{\γ}}_B\left(D\right)=\frac{\left|Pos\left(D\right)\right|}{\left|U\right|}$

其中，||Pos(D)||表示决策系统正域Pos(D)的基数或势(cardinality)，即正域Pos(D)中包含的元素个数；|U|表示论域U中所含的元素个数；

4)条件属性子集a对于决策属性D的重要性公式为

Sig(a,B,D)＝γ_B(D)-γ_B-{a}(D)B-{a}a∈Bγ_B(D)γ_B-{a}(D)

其中，B为条件属性且有a∈B,γ_B(D)为决策属性D对条件属性B的依赖度，γ_B-{a}(D)为决策属性D对条件属性B-{a}的依赖度。

所述步骤5中RBF神经网络建模过程如下：

1)隐含层的第i个神经元的输入为:

$k_i^q=\sqrt{\underset{i}{\Σ}{(w{1}_i-x_j^q)}^2}\×b{1}_i$

其中，wl_i表示隐含层每个神经元与输入层相连的权值向量；表示第q个输入向量中的第j个分量；b1_i为阈值；

2)隐含层选用高斯函数作为激励函数，其表达式为:

${\mathrm{\φ}}_{\left(x\right)}=\exp \[-\frac{\left|\right|x-c_i|{|}^2}{2{\mathrm{\σ}}_i^2}\],(i=1,2,...,m)$

式中:x为输入矢量；c_i为高斯函数的中心；δ_i是高斯函数的中心宽度；δ_i的大小表示了该中心作用范围的大小以及各个中心作用范围的重叠程度；

3)输出层的输入为各隐含层神经元的加权求和，其激励函数为纯线性函数，输出为:

$SOC=\underset{i=1}{\overset{n}{\Σ}}{w}_i\×{\mathrm{\φ}}_i\left(x\right)$

其中w_i为网络权值，φ_i(x)是第i个隐含层神经元的输出，n为隐含层神经元个数。

所述步骤6中计算SOC相对平均误差公式为

$RMS=(\underset{i}{\overset{N}{\Σ}}\frac{|{\mathrm{SOC}}_1\left(i\right)-{\mathrm{SOC}}_0\left(i\right)|}{{\mathrm{SOC}}_0\left(i\right)}\×100\%)/N$

其中SOC₁为预测值，SOC₀为实测值，N为预测的总样本数。

本发明的有益效果如下：本发明提供的电池储能系统SOC状态评估方法基于邻域粗糙集模型对众多可能的SOC影响因素如电池电流、电压、温度等外部直接测量参数进行挖掘，从而提取出影响SOC的重要因素，去除冗余属性，结合RBF神经网络实现SOC预测，简化了神经网络输入矢量与结构，减少计算量、提高了预测精度。本发明可以应用于电池储能系统SOC状态评估中。

附图说明

图1为基于邻域粗糙集-神经网络的电池储能系统SOC预测流程图

图2为粗邻域粗糙集的前向贪心算法流程图

图3为本发明与常规方法的预测精度对比图

具体实施方式

下面结合附图，对实施例作详细说明。

图1为基于粗糙集优化神经网络的电池储能系统SOC预测流程图，如图所示，本实施例提供的用于电池储能系统SOC预测方法包括：

步骤1：对全钒液流电池进行充放电实验，测得各个时刻的电池电流I、电压V、内阻R、功率P、每个周期内的总充电量W₁、开始到结束的总充电量W₂、开始到结束的总放电量W₃、电池温度T及电池容量Q等运行特征参数。

步骤2：将上述特征参数作为邻域决策系统的条件属性，将电池储能系统SOC状态进行划分作为信息表的决策属性，形成SOC状态初始样本邻域决策表。

表1SOC状态划分

SOC	[0,0.2]	(0.2,0.4]	(0.4,0.6]	(0.6,0.8]	(0.8,1]
						状态	差	一般	优秀	次优	差
决策表	0.1	0.2	0.3	0.4	0.5

步骤3：在数据处理之前对原始条件属性进行归一化处理，归一化公式如下：

$f\left(x_i\right)=\frac{x_i-x_{\min }}{x_{\max }-x_{\min }},(i=1,2,...n)$

步骤4：利用邻域粗糙集算法对上述特征参数进行约简，挖掘出影响电池储能系统SOC的重要因素。如图2所示，邻域粗糙集属性约简过程如下：

1)给定一邻域决策系统NDS＝(U,A∪D)，其中U为给定样本集合，A是描述U的实数型特征集合,D是决策属性，由A生成论域上的一族邻域关系。决策属性D将论域U＝{x₁,x₂,x₃…x_n}划分为N个等价类(X₁,X₂,…X_N),则决策属性D关于子集B的上、下近似分别为

上近似：

下近似：

其中，δ(x_i)＝{x|x∈U,Δ(x,x_i)≤δ},(δ≥0)，δ(x_i)是由子集B和距离Δ(x,x_i)生成的邻域信息粒子，δ为邻域半径，决策系统的边界

2)邻域决策系统的正域和负域分别为

正域：Pos_B(D)＝N _BD

负域：

式中N _BD为决策D的下近似，U为总样本集合，为决策D的上近似。

3)决策属性D对条件属性B的依赖度k_D为

$k_D={\mathrm{\γ}}_B\left(D\right)=\frac{\left|Pos\left(D\right)\right|}{\left|U\right|}$

其中，||Pos(D)||表示决策系统正域Pos(D)的基数或势(cardinality)，即正域Pos(D)中包含的元素个数；|U|表示论域U中所含的元素个数。

4)条件属性子集a对于决策属性D的重要性公式为

Sig(a,B,D)＝γ_B(D)-γ_B-{a}(D)B-{a}a∈Bγ_B(D)γ_B-{a}(D)

其中，B为条件属性且有a∈B,γ_B(D)为决策属性D对条件属性B的依赖度，γ_B-{a}(D)为决策属性D对条件属性B-{a}的依赖度。

步骤5：将步骤4约简后的相对最小条件属性作为RBF神经网络的输人神经元，以SOC状态值作为RBF神经网络的输出神经元，构造基于邻域粗糙集-RBF神经网络的电池储能系统SOC预测模型。RBF神经网络建模过程如下：

1)隐含层的第i个神经元的输人为:

$k_i^q=\sqrt{\underset{i}{\Σ}{(w{1}_i-x_j^q)}^2}\×b{1}_i$

其中，wl_i表示隐含层每个神经元与输人层相连的权值向量；表示第q个输人向量中的第j个分量；b1_i为阈值。

2)隐含层选用高斯函数作为激励函数,其表达式为:

${\mathrm{\φ}}_{\left(x\right)}=\exp \[-\frac{\left|\right|x-c_i|{|}^2}{2{\mathrm{\σ}}_i^2}\],(i=1,2,...,m)$

式中:x为输入矢量；c_i为高斯函数的中心；δ_i是高斯函数的中心宽度；δ_i的大小表示了该中心作用范围的大小,以及各个中心作用范围的重叠程度。

3)输出层的输人为各隐含层神经元的加权求和,其激励函数为纯线性函数,输出为:

$SOC=\underset{i=1}{\overset{n}{\Σ}}{w}_i\×{\mathrm{\φ}}_i\left(x\right)$

其中w_i为网络权值，φ_i(x)是第i个隐含层神经元的输出，n为隐含层神经元个数。

4)计算SOC相对平均误差公式为

$RMS=(\underset{i}{\overset{N}{\Σ}}\frac{|{\mathrm{SOC}}_1\left(i\right)-{\mathrm{SOC}}_0\left(i\right)|}{{\mathrm{SOC}}_0\left(i\right)}\×100\%)/N$

其中SOC₁为预测值，SOC₀为实测值，N为预测的总样本数。

如图3所示，分别采用本发明的NRS-RBR神经网络方法与现有的RBF神经网络方法对1000组样本预测结果的相对平均误差进行对比，结果显示，本发明的方法所得到的预测结果的相对平均误差均明显小于现有方法。

此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于数据挖掘的电池储能系统SOC预测方法，其特征在于，包括：

步骤1：对全钒液流电池进行充放电实验，测得各个时刻的电池电流I、电压V、内阻R、功率P、每个周期内的总充电量W₁、开始到结束的总充电量W₂、开始到结束的总放电量W₃、电池温度T及电池容量Q运行特征参数；

步骤2：将上述特征参数作为邻域决策系统的条件属性，将电池储能系统SOC状态进行划分作为信息表的决策属性，形成SOC状态初始样本邻域决策表；

步骤3：在数据处理之前对原始条件属性进行归一化处理；

步骤4：利用邻域粗糙集算法对上述特征参数进行约简，挖掘出影响电池储能系统SOC的重要因素；

步骤5：将步骤4约简后的相对最小条件属性作为RBF神经网络的输入神经元，以SOC状态值作为RBF神经网络的输出神经元，构造基于邻域粗糙集-RBF神经网络的电池储能系统SOC预测模型；

步骤6：将测试样本输入神经网络进行检验，计算预测误差。

2.根据权利要求1所述方法，其特征在于，所述步骤2中电池储能系统SOC状态的划分如下：

表1 SOC状态划分

。

3.根据权利要求1所述方法，其特征在于，所述步骤3中数据归一化计算公式如下：

$f\left(x_i\right)=\frac{x_i-x_{min}}{x_{\max }-x_{\min }},(i=1,2,...n)$

其中，x_min和x_max分别为样本数组的最小和最大值，经过归一化处理之后，数据均落在区间[0,1]内。

4.根据权利要求1所述方法，其特征在于，所述步骤4中邻域粗糙集算法对特征参数约简过程如下：

1)给定一邻域决策系统NDS＝(U,A∪D)，其中U为给定样本集合，A是描述U的实数型特征集合，D是决策属性，由A生成论域上的一族邻域关系，决策属性D将论域U＝{x₁,x₂,x₃…x_n}划分为N个等价类(X₁,X₂,…X_N),则决策属性D关于子集B的上、下近似分别为

上近似：

下近似：

其中，δ(x_i)＝{x|x∈U,Δ(x,x_i)≤δ},(δ≥0)，δ(x_i)是由子集B和距离Δ(x,x_i)生成的邻域信息粒子，δ为邻域半径，决策系统的边界

2)邻域决策系统的正域和负域分别为

正域：Pos_B(D)＝N _BD

负域：

式中N _BD为决策D的下近似，U为总样本集合，为决策D的上近似；

3)决策属性D对条件属性B的依赖度k_D为

$k_D={\mathrm{\γ}}_B\left(D\right)=\frac{\left|Pos\left(D\right)\right|}{\left|U\right|}$

其中，||Pos(D)||表示决策系统正域Pos(D)的基数或势(cardinality)，即正域Pos(D)中包含的元素个数；|U|表示论域U中所含的元素个数；

4)条件属性子集a对于决策属性D的重要性公式为

Sig(a,B,D)＝γ_B(D)-γ_B-{a}(D)B-{a}a∈Bγ_B(D)γ_B-{a}(D)

其中，B为条件属性且有a∈B,γ_B(D)为决策属性D对条件属性B的依赖度，γ_B-{a}(D)为决策属性D对条件属性B-{a}的依赖度。

5.根据权利要求1所述方法，其特征在于，所述步骤5中RBF神经网络建模过程如下：

1)隐含层的第i个神经元的输入为:

$k_i^q=\sqrt{\underset{i}{\mathrm{\Σ}}{(w{1}_i-x_j^q)}^2}\×b{1}_i$

其中，wl_i表示隐含层每个神经元与输入层相连的权值向量；表示第q个输入向量中的第j个分量；b1_i为阈值；

2)隐含层选用高斯函数作为激励函数，其表达式为:

${\mathrm{\φ}}_{\left(x\right)}=\exp \[-\frac{\left|\right|x-c_i|{|}^2}{2{{\mathrm{\σ}}_i}^2}\],(i=1,2,...,m)$

式中:x为输入矢量；c_i为高斯函数的中心；δ_i是高斯函数的中心宽度；δ_i的大小表示了该中心作用范围的大小以及各个中心作用范围的重叠程度；

3)输出层的输入为各隐含层神经元的加权求和，其激励函数为纯线性函数，输出为:

$SOC=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i\×{\mathrm{\φ}}_i\left(x\right)$

其中w_i为网络权值，φ_i(x)是第i个隐含层神经元的输出，n为隐含层神经元个数。

6.根据权利要求1所述方法，其特征在于，所述步骤6中计算SOC相对平均误差公式为

$RMS=(\underset{i}{\overset{N}{\mathrm{\Σ}}}\frac{|{\mathrm{SOC}}_1\left(i\right)-{\mathrm{SOC}}_0\left(i\right)|}{{\mathrm{SOC}}_0\left(i\right)}\×100\%)/N$

其中SOC₁为预测值，SOC₀为实测值，N为预测的总样本数。