CN106874537A - 一种电池储能系统运行数据的典型工况构建方法 - Google Patents

Abstract

本发明提供一种电池储能系统运行数据的典型工况构建方法，所述方法包括如下步骤：(1)采用主成分分析方法提取电池样本数据特征矩阵的主要成分，并根据计算每个特征对主成分的贡献提取代表数据属性的主要特征因子；(2)采用无监督聚类方法根据样本数据的主要特征因子对数据分类，并计算各聚类中心的参数特征；(3)根据各聚类样本数量比例及聚类中样本与中心参数相关性加权得到典型工况数据。本发明实现对于储能系统充放功率情况的整体认知，利用所提取的典型工况曲线压缩数据量，节省计算量。

Description

一种电池储能系统运行数据的典型工况构建方法

技术领域

本发明涉及一种工况构建方法，具体涉及一种电池储能系统运行数据的典型工况构建方法。

背景技术

近些年，我国风能和大阳能发电快速发展，电池储能电站的规模不断扩大，电池储能电站采集上来的储能电池数据也日益剧增，已运行的十MW级电池储能电站的电池单体数量已达数十万，储能电池数据的使用价值是巨大的，尚未充分挖掘。

目前对于储能系统充放功率的研究都集中于优化控制与容量配置等方面，对于典型工况曲线的挖掘及获取工作关注较少。目前关于典型工况曲线挖掘的研究主要集中在电动汽车\混合电动汽车上。例如通过求出电池功率的分布函数和概率分布，然后随机产生电池充放电功率的典型工况曲线挖掘方法。但该方法随机产生电池的充放电功率，仅考虑典型工况曲线与实际工况曲线在概率分布上的一致性，未考虑典型工况曲线与实际工况曲线在具体时刻取值的一致性，使得典型工况曲线与实际工况曲线在时间序列上差别较大。因此不适用于电力系统，特别是电力储能系统的工况分析与提炼。

发明内容

为了克服上述现有技术的不足，本发明提供一种电池储能系统运行数据的典型工况构建方法。本发明实现对于储能系统充放功率情况的整体认知，利用所提取的典型工况曲线压缩数据量，节省计算量。

为了实现上述发明目的，本发明采取如下技术方案：

一种电池储能系统运行数据的典型工况构建方法，所述方法包括如下步骤：

(1)采用主成分分析方法提取电池样本数据特征矩阵的主要成分，并根据计算每个特征对主成分的贡献提取代表数据属性的主要特征因子；

(2)采用无监督聚类方法根据样本数据的主要特征因子对数据分类，并计算各聚类中心的参数特征；

(3)根据各聚类样本数量比例及聚类中样本与中心参数相关性加权得到典型工况数据。

优选的，所述步骤(1)包括如下步骤：

步骤1-1、根据待分析数据特性进行设计数据的特征参数；

步骤1-2、设样本数量为M，特征参数数量为N，计算每个样本的每个特征参数，构成M*N参数矩阵P；

步骤1-3、对所述参数矩阵进行主成分分析。

优选的，所述步骤1-1中，所述特征参数包括：样本最大值、样本最小值、样本幅值、样本平均值、样本非0值区间均值、样本标准偏差、一阶导最小值、一阶导最大值、一阶导标准偏差、数据增长区间比例、数据减小区间比例、数据平稳区间比例和数据0值区间比例。

优选的，所述步骤1-3中包括如下步骤：

步骤1-3-1、使用主成分分析法提取所述参数矩阵P的主成分，设置参数α，选取得分超过α的成分为主成分；

步骤1-3-2、根据各特征参数的负荷矩阵，设置参数β，选取负荷矩阵中对主成分贡献大于β的特征参数作为样本数据的主要特征因子，记特征因子个数为n，因此所有样本会形成M个n维的点，记点的集合为mS。

优选的，所述步骤(2)包括如下步骤：

步骤2-1、输入超参数聚类个数K，采用k-means方法对点集mS进行无监督聚类；

步骤2-2、采用皮尔逊相关系数计算方法计算每个样本与所在聚类中心特征因子的相关系数，计算公式为：

式中，r是相关系数，n是特征参数个数，x_i是样本数据第i个特征参数，y_i是聚类中心第i个特征参数；并计算相关系数超过0.85的样本数量coorN；

步骤2-3、调整超参数K，重复步骤2-1和2-2，得到最优聚类结果，即coorN最大，若多个K值使聚类效果最优，则取最小的K值。

优选的，所述步骤3包括如下步骤：

步骤3-1、根据各聚类中各样本与聚类中心的相关系数进行加权计算聚类的工况，聚类k工况计算公式为

式中，G_k是聚类k工况数据结果，M_k为聚类k中数据样本的数量，r_i是样本i与聚类中心参数的相关系数，d_i是样本i的数据；

步骤3-2、统计每个聚类中样本数量记为M1，M2，…，Mk，…，MK，加权得到整体典型工况；

步骤3-3、根据各聚类中样本数量计算各个聚类在整体数据中的比重，并根据比重结果对各聚类中心参数加权得到全部样本数据的典型工况，计算公式为

式中，G是全部数据的典型工况结果，M_k是第k个聚类中样本数据数目，M是全部样本数据数目，G_k是第k个聚类的工况数据。

与最接近的现有技术比，本发明提供的技术方案具有以下优异效果：

本发明采用主成分分析及聚类方法对电池数据进行分析，能够有效构建典型工况，其中主成分分析方法可以提取数据的重要特征，聚类方法可以对数据进行分类，从而构建典型工况数据。该方法可以实现对于储能系统充放功率情况的整体认知，利用所提取的典型工况曲线可以压缩数据量，节省计算量。

本发明具有通用性和可复制性,可推广应用于储能系统参与跟踪发电计划，参与系统调频,削峰填谷等不同应用模式下确定的储能系统充放电功率分析及其典型运行工况曲线的提取、评估以及复验等。

本发明实现了对大规模储能系统典型运行工况的获取与评价，该方法也适用于不同规模储能系统运行工况的分析与数据分析，也可推广应用于电动汽车运行工况的分析与评价。

附图说明

图1是一种电池储能系统运行数据的典型工况构建方法实现流程图；

图2是电池数据特征因子分析方法实现流程图；

图3是电池数据工况构建方法实现流程图；

图4是某电池SOC跟踪数据特征因子聚类后各样本与相应聚类中心相关系数结果；

图5是某电池SOC跟踪数据四类工况数据图；

图6为某电池SOC跟踪数据整体典型工况数据图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。该实施例仅用于解释本发明，并不构成对本发明保护范围的限定。

此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，本发明实施例提供了一种电池储能系统运行数据的典型工况构建方法，其包括特征因子分析模块和工况构建模块，分析方法步骤如下：

步骤1根据待分析数据特性设计数据的特征参数，如样本最大值、样本最小值、样本幅值、样本平均值、样本非0值区间均值、样本标准偏差、一阶导最小值、一阶导最大值、一阶导标准偏差、数据增长区间比例、数据减小区间比例、数据平稳区间比例、数据0值区间比例等特征参数。

步骤2对每个样本计算其特征参数，得到特征参数矩阵。

步骤3对特征参数矩阵进行主成分分析，计算每个特征参数对主成分的贡献，从而提取可以代表数据属性的主要特征因子。

步骤4依据各样本数据的主要特征因子进行无监督聚类，计算各聚类中心的参数特征。

步骤5根据聚类中样本与聚类中心特征因子相关系数加权得到聚类工况数据，根据各聚类中样本数量，加权得到整体典型工况数据。

如图2所示，本发明实施例提供了一种电池数据特征因子分析方法，包括如下步骤：

步骤1根据待分析数据特性设计数据的特征参数，如样本最大值、样本最小值、样本幅值、样本平均值、样本非0值区间均值、样本标准偏差、一阶导最小值、一阶导最大值、一阶导标准偏差、数据增长区间比例、数据减小区间比例、数据平稳区间比例、数据0值区间比例等特征参数。

步骤2样本数量记为M，特征参数数量记为N，计算每个样本的每个特征参数，构成M*N参数矩阵P。

步骤3使用主成分分析方法提取矩阵P的主成分，设置参数α，选取得分超过α的成分为主成分。

步骤4根据各特征参数的负荷矩阵，设置参数β，选取负荷矩阵中对主成分贡献大于β的特征参数作为样本数据的主要特征因子，记特征因子个数为n，因此所有样本会形成M个n维的点，记点的集合为mS。如下表所示为某电池SOC跟踪数据特征参数负荷矩阵，表中标记粗体下划线的为主要特征因子，共5个。

如图3所示，本发明实施例提供了一种电池数据工况构建方法，步骤如下：

(1)对点集mS进行无监督聚类，如可以采用k-means方法，需提前输入超参数聚类个数K。

(2)聚类完成后计算每个样本与所在聚类中心特征因子的相关系数，相关系数计算方法可以采用皮尔逊相关系数计算方法，计算公式为：

其中r是相关系数计算结果，n是特征参数个数，x是样本数据特征参数，y是聚类中心特征参数。

并计算相关系数超过0.85的样本数量coorN。

(3)调整超参数K，重复步骤(1)和(2)，得到最优聚类结果，即coorN最大；如果多个K值可以使聚类效果最优，则取最小的K值。图4所示为某电池SOC跟踪数据特征因子聚类后各样本与相应聚类中心相关系数结果。

(4)根据各聚类中各样本与聚类中心的相关系数进行加权计算聚类的工况，聚类k工况计算公式为

其中G_k是聚类k工况数据结果，M_k为聚类k中数据样本的数量，r_i是样本i与聚类中心参数的相关系数，d_i是样本i的数据。

图5所示为某电池SOC跟踪数据四类工况数据图。图(a)代表SOC跟踪数据持续增加的工况，数据变化幅度在0.5到0.7之间；图(b)代表SOC跟踪数据先增加后降低的工况，数据变化幅度在0.65到0.4之间；图(c)代表SOC跟踪数据先陡降后趋于平缓的工况，数据变化幅度在0.35到0.5之间；图(d)代表SOC跟踪数据波动平缓的工况，数据变化幅度在0.48到0.5之间。

(5)统计每个聚类中样本数量记为(M1，M2，…，Mk，…，MK)，据此对各聚类工况数据加权得到整体典型工况数据，计算公式为

其中G是全部数据的典型工况结果，M_k是第k个聚类中样本数据数目，M是全部样本数据数目，G_k是第k个聚类的工况数据。

图6所示为某电池SOC跟踪数据整体典型工况数据图。该工况为SOC跟踪数据出现概率最大的工况，在全天时间范围内数据有起有伏、波动较小，数据幅度在0.48到0.5之间。

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，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：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，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种电池储能系统运行数据的典型工况构建方法，其特征在于，所述方法包括如下步骤：

(1)采用主成分分析方法提取电池样本数据特征矩阵的主要成分，并根据计算每个特征对主成分的贡献提取代表数据属性的主要特征因子；

(2)采用无监督聚类方法根据样本数据的主要特征因子对数据分类，并计算各聚类中心的参数特征；

(3)根据各聚类样本数量比例及聚类中样本与中心参数相关性加权得到典型工况数据。

2.根据权利要求1所述方法，其特征在于，所述步骤(1)包括如下步骤：

步骤1-1、根据所述电池样本数据特性进行设计数据的特征参数；

步骤1-2、设样本数量为M，特征参数数量为N，计算每个样本的每个特征参数，构成M*N参数矩阵P；

步骤1-3、对所述参数矩阵进行主成分分析。

3.根据权利要求2所述方法，其特征在于，所述步骤1-1中，所述特征参数包括：样本最大值、样本最小值、样本幅值、样本平均值、样本非0值区间均值、样本标准偏差、一阶导最小值、一阶导最大值、一阶导标准偏差、数据增长区间比例、数据减小区间比例、数据平稳区间比例和数据0值区间比例。

4.根据权利要求2所述方法，其特征在于，所述步骤1-3中包括如下步骤：

步骤1-3-1、使用主成分分析法提取所述参数矩阵P的主成分，设置参数α，选取得分超过α的成分为主成分；

步骤1-3-2、根据各特征参数的负荷矩阵，设置参数β，选取负荷矩阵中对主成分贡献大于β的特征参数作为样本数据的主要特征因子，记特征因子个数为n，因此所有样本会形成M个n维的点，记点的集合为mS。

5.根据权利要求1所述方法，其特征在于，所述步骤(2)包括如下步骤：

步骤2-1、输入超参数聚类个数K，采用k-means方法对点集mS进行无监督聚类；

步骤2-2、采用皮尔逊相关系数计算方法计算每个样本与所在聚类中心特征因子的相关系数，计算公式为：

$r=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i\×y_i-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i\×\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i}{n}}{\sqrt{(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i^2-\frac{{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{x}_i\right)}^2}{n})\×(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i^2-\frac{{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{y}_i\right)}^2}{n})}}$

式中，r是相关系数，n是特征参数个数，x_i是样本数据第i个特征参数，y_i是聚类中心第i个特征参数；并计算相关系数超过0.85的样本数量coorN；

步骤2-3、调整超参数K，重复步骤2-1和2-2，得到最优聚类结果，即coorN最大，若多个K值使聚类效果最优，则取最小的K值。

6.根据权利要求1所述方法，其特征在于，所述步骤3包括如下步骤：

步骤3-1、根据各聚类中各样本与聚类中心的相关系数进行加权计算聚类的工况，聚类k工况计算公式为

$G_k=\frac{\underset{i=1}{\overset{M_k}{\mathrm{\Σ}}}{r}_i\×d_i}{\underset{i=1}{\overset{M_k}{\mathrm{\Σ}}}{r}_i}$

式中，G_k是聚类k工况数据结果，M_k为聚类k中数据样本的数量，r_i是样本i与聚类中心参数的相关系数，d_i是样本i的数据；

步骤3-2、统计每个聚类中样本数量记为M1，M2，…，Mk，…，MK，加权得到整体典型工况；

步骤3-3、根据各聚类中样本数量计算各个聚类在整体数据中的比重，并根据比重结果对各聚类中心参数加权得到全部样本数据的典型工况，计算公式为

$G=\frac{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\frac{M_k}{M}\×G_k}{\underset{k=1}{\overset{K}{\mathrm{\Σ}}}\frac{M_k}{M}}$

式中，G是全部数据的典型工况结果，M_k是第k个聚类中样本数据数目，M是全部样本数据数目，G_k是第k个聚类的工况数据。