CN113049962B - 一种基于lstm的储能装置运行态势推演方法 - Google Patents

Abstract

本发明公开一种基于LSTM的储能装置运行态势推演方法。本发明采用的技术方案包括：根据历史运行数据，辨识模型参数；建立储能电池Thevenin等效电路模型；根据辨识参数和历史运行数据，估计储能装置SOC、SOH；建立储能电池热学模型；辨识模型参数，并估计电池核心温度；根据历史运行数据和储能装置运行状态，采用LSTM预测储能装置电压、电流的变化，从而构建储能电池组的电压一致性指标；并根据估计的储能装置SOC、SOH和核心温度，再构建储能电池组的SOC一致性指标，从而推演储能装置的运行态势。本发明通过电压、电流与环境温度易于测量的运行数据推演储能装置运行状态，并避免了目前使用LSTM预测SOC、SOH等多个运行状态时较大的预测误差。

Description

一种基于LSTM的储能装置运行态势推演方法

技术领域

本发明属于储能装置运行状态推演技术领域，涉及一种基于LSTM的融合历史运行数据和在线实时数据的储能装置运行态势推演方法。

背景技术

目前，世界各国的能源构成的消耗主体依旧是化石能源，其中不可再生能源依旧是世界各国在生产生活中消耗的主要能源，这一问题在世界各国的发展中仍旧无法回避。从长远发展来看，这些传统化石能源由于各个国家的发展需要及过度开采，储量已经岌岌可危，终究要走向枯竭。针对能源危机带来的挑战，全球各个国家采取了多种应对手段，以期解决化石能源枯竭带来的影响，越来越多的清洁、可再生能源逐步取代传统化石能源成为世界各国能源发展的主要方向。与此同时，为使新能源发电更优更好的与传统发电方式方法相结合，相应的辅助技术也逐渐得到发展，储能技术就是其中的典型代表，为降低新能源对电网冲击以及电力市场改革提供了强有力的支持。

2019年中国新增电化学能装机规模位居世界第一，未来市场依然具有很大的发展空间。目前已经商用化的电化学储能技术主要为铅蓄电池和锂离子电池，其中锂离子电池累计规模最大，根据CNESA的数据显示，2019年锂离子电池累计装机规模达8453.9MW，占电化学储能总规模的88％，可见锂离子电池已经成为电化学储能的主流技术路线，且锂离子电池的成本在不断下降。根据BNEF的数据显示，2010年锂离子电池的成本为1200美元/kwh，随着成本的逐渐下降，BNEF预测2020-2023年间锂离子电池的价格可以下降为约150美元/kwh，将达到储能系统性应用的经济性拐点，成本和价格的下降将推动储能装机规模的爆发。随着储能成本的下降，根据国防证券的数据，预计2025年当储能成本下降为1500元/KWh时，我国用户侧储能大部分地区基本可实现平价。这意味着在存量市场渗透率为30％的情况下，储能装机规模有望达到435GWh，市场规模可达6256亿元。2030年左右预计市场储能成本下降为1000元/KWh时，我国的光储结合储能大部分地区可实现平价，这意味着在存量市场渗透率为60％的情况下，储能装机规模有望达到1186GWh，市场规模可达12070亿元。

面对如此庞大的储能装机规模，获知其运行态势的走势以便安排维护过程来提高整个系统的安全性的需求十分迫切。目前，国内对于储能设备的运行状态预测主要在某种特定模式或应用场景下，多集中在SOC、SOH、RUL等单一运行状态的预测上，并未对储能装置整体运行状态进行预测。由于各个运行状态变量之间关联性较强，若不对储能装置整体运行状态进行预测，将不利于判断储能装置整体运行状态趋势变化。

发明内容

本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种基于LSTM的融合历史运行数据和在线实时数据的储能装置运行态势推演方法，其用于推演储能装置的运行状态，以避免目前使用LSTM预测SOC、SOH等多个运行状态时存在的较大预测误差。

为此，本发明采用如下的技术方案：一种基于LSTM的储能装置运行态势推演方法，其包括：

步骤1，通过储能电池历史运行数据中的电压U_t、电流I和环境温度T，采用带遗忘因子的最小二乘法辨识储能电池内部欧姆内阻R₀、极化内阻R₁与极化电容C₁，建立储能电池Thevenin等效电路模型；

步骤2，通过辨识得到的欧姆内阻R₀、极化内阻R₁与极化电容C₁和历史运行数据电压U_t、电流I和环境温度T，估计得到储能电池当前健康状态SOH，并采用无损Kalman滤波估计荷电状态SOC；

步骤3，建立欧姆内阻R₀、极化内阻R₁、极化电容C₁、历史运行数据电压U_t、电流I和环境温度T与储能电池核心温度T_s之间的储能电池热学模型，采用扩展Kalman滤波估计储能电池核心温度T_s；

步骤4，将欧姆内阻R₀、极化内阻R₁、极化电容C₁、历史运行数据电压U_t、电流I、环境温度T及在线实时运行数据的电压U_t'、电流I'和环境温度T'，以及由此估计的储能电池运行状态荷电状态SOC、健康状态SOH和核心温度T_s作为特征量，采用LSTM预测储能电池电压、电流和表面温度变化，从而构建储能电池组的电压一致性指标；

并根据上述步骤2和步骤3估计的储能电池SOC、SOH和核心温度T_s，再构建储能电池组的SOC一致性指标，从而推演储能装置的运行态势。

进一步地，所述的步骤4还包括子步骤：

4.1，为LSTM准备数据集：将数据集视为监督学习问题并对输入变量进行归一化处理，考虑到上一个时间段储能电池的运行状态，把监督学习问题作为预测当前时刻t储能电池的电压与电流，根据过去24小时的欧姆内阻R₀、极化内阻R₁与极化电容C₁和历史运行数据电压U_t、电流I和环境温度T，以及由此估计的储能电池运行状态荷电状态SOC、健康状态SOH和核心温度T_s，预测下一个小时的电压、电流和环境温度的变化，并给出下一个小时的预测电压U_t,1、预测电流I₁和预测环境温度T₁；

4.2，数据集划分：首先，将准备好的数据集分成训练集和测试集，然后将训练集和测试集分成输入和输出变量；最后，将输入(X)重构为LSTM预期的3D格式，即[样本，时间步长，特征]；

4.3，建立时间序列预测模型并训练：在第一个隐层中定义具有50个神经元的LSTM和用于预测电压、电流和表面温度的输出层中的1个神经元；输入形状是1个时间步长，具有8个特征；在时间序列预测模型中使用平均绝对误差损失函数，该模型将拟合50个批量大小为72的训练时期；最后，通过在fit()函数中设置validation_data参数跟踪训练过程中的训练和测试失败，在运行结束时，绘制训练和测试损失；

4.4，将预测的数据集与测试数据集相结合，并反演缩放；使用预测值和实际值，计算时间序列预测模型的误差分数，并且计算出与变量本身相同的单位产生误差的均方根误差；

4.5，将预测的电压U_t,1建立储能电池组的电压一致性指标，并根据预测电流I₁和预测环境温度T₁估计未来一小时储能电池的SOC、SOH和核心温度T_s，并建立SOC一致性指标，完成储能装置运行态势的推演。

进一步地，步骤1中，为了对储能电池等效电路模型进行参数辨识，将储能电池模型转化为可应用最小二乘法辨识的数学形式，如下式所示：

步骤1所提数学形式中：U₁是RC电路的端电压，U_oc是储能电池开路电压，I是储能电池电流，U_t是储能电池电压，

是U₁关于时间的微分量，电阻R₀为电池欧姆电阻，R₁和C₁分别为电池内部电化学极化内阻和双电层电容；

将该等效电路模型离散化，整理可得：

式中，U_1,k+1表示k+1时刻RC网络的端电压，U_1,k表示k时刻RC网络的端电压，Δt表示采样时间，U_t,k表示k时刻储能电池的端电压，U_oc,k为k时刻储能电池的开路电压，该变量是与储能电池的荷电状态SOC相关的函数；

在上述方程中，储能电池开路电压U_oc无法直接测量，根据U_oc-SOC之间的函数关系求出。

更进一步地，所述U_oc-SOC函数关系为小电流开路电压测试得到的实验曲线，并通过查表法由SOC得到当前开路电压U_oc。

进一步地，将公式(2)代入最小二乘法辨识方法中，辨识出储能电池Thevenin等效电路模型R₀、R₁和C₁的数值，选定遗忘因子为0.98；

遗忘因子递推最小二乘法推导如下：

式中，

为储能电池Thevenin等效电路模型中待估计参数在第k组数据时的最小二乘法估计值，K_k为第k组数据时的最小二乘増益，P_k为第k组数据时的误差协方差矩阵，λ为遗忘因子，y_k为系统输出值，即储能电池Thevenin等效电路模型电压与电流，h_k为代表某一组观测数据，可以由输入量、输出量等任何系统可观测的信号构成；

在辨识参数时，已知量有当前的端电压U(k)、端电流I(k)、前一时刻的端电压U(k-1)、端电流I(k-1)、电池荷电状态SOC(k-1)、前两时刻的端电压U(k-2)、端电流I(k-2)，其具体步骤如下所示：

a、初始化SOC初始值；

b、采用安时积分法算出k步的SOC(k)，k＝1,2,…,n；

c、根据U_oc-SOC之间的关系，求出U_oc(k)；

d、根据递推最小二乘法公式计算储能电池Thevenin等效电路模型中的参数R₀、R₁和C₁；

e、循环以上步骤进行模型参数的在线辨识；

所述安时积分法为：

其中，C_N为电池额定容量，I为储能电池电流，η为充放电效率。

进一步地，步骤2所述历史运行数据为储能电池正常充放电时实际运行数据，数量为：3*N，采样时间为T_m，采样周期为T_e，采样点数为M；

步骤2所述辨识结果为步骤1在遗忘因子递推最小二乘法收敛之后的辨识结果；

由于电池等效电路模型为非线性模型，在利用Kalman滤波算法进行估算时需要先对模型进行线性化处理，即在状态估计时，对状态方程在前一状态估计值点进行线性泰勒近似；在预测状态时，对测量方程在相应预测值处同样进行线性泰勒近似，这样的方式称之为扩展卡尔曼滤波。

进一步地，步骤2所述的SOC表达式为：

式中C_N为储能电池额定电量，C_remain为储能电池当前电量；

步骤2所述的SOH表达式为：

式中R_EOL为电池寿命终结时的内阻，将电池放电容量达到初始容量的80％时电池的欧姆内阻作为参考；R_NEW为新出厂电池内阻，用电池首次循环时的欧姆内阻代替；R_Ω为电池当前状态下的内阻，用参数辨识得到的R₀替换；

步骤2所述的泰勒近似为：

只取一阶泰勒近似，即认为

在进行SOC的估计前，由于SOC的预估值由安时积分法获得，而SOC的测量值则由U_oc-SOC获得，因此构建如下储能电池的状态空间：

式中，x_k＝[SOC(k),U_1,k]^T，

y_k＝u_t,k，α＝exp(-Δt/R₁C₁)，u_t,k表示k时刻时的电池电压，C_d＝[κ,-1]，D_d＝[-R₀]，u_k＝I_k，

M_d＝[0-I_k]，

过程噪声w_k和系统噪声v_k服从高斯分布并相互独立，认为w_k～N(0,Q_ω)、v_k～N(0,Q_v)，Q_ω、Q_v为高斯分布的方差，其中L_d和M_d为误差分配矩阵，d_k为模型参数误差矩阵；κ为SOC与开路电压之间斜坡函数的斜率，即有U_oc＝κ×SOC，

并利用泰勒近似对f(x_k,u_k)＝A_dx_k+B_du_k和g(x_k,u_k)＝C_dx_k+D_du_k进行局部线性化：

式中，F_k+1为f(x_k,u_k)对x_k的雅可比矩阵，G_k+1为g(x_k,u_k)对x_k的雅可比矩阵。

进一步地，基于扩展Kalman滤波来估计SOC的步骤如下：

21、通过步骤1辨识出来的参数，得到SOC状态空间的参数矩阵；

22、初始化，对于k＝0，令

23、状态预测，对于k＝1,2,...,n，

24、Kalman更新；

误差更新：

Kalman增益更新：

25、协方差更新，p_k+1＝(E-K_kG_k)p_k；

经过若干步迭代后，由于模型大致准确，电池荷电状态会收敛到真实值；

式中，x₀为状态方程初始值，

为状态方程初始最佳估计值，p_k为协方差初始值，K_k为卡尔曼增益矩阵，e_k为输出观测误差。

进一步地，步骤3所述热学模型中：C_c和C_s是分别表示电池内部材料的热容系数和电池表面的热容系数，R_c表示电池核心与表面之间的热阻，R_u表示电池表面与冷却空气之间的对流电阻，T_c和T_s分别表示电池表面温度和核心温度；

储能电池通过两个步骤进行热学建模：第一步是从核心到外壳的传热，第二步是从外壳到环境的传热，该模型以电池核心与表面温度为状态，以电池产热为输入，以电池表面温度为输出，其状态空间方程由此可得：

式中，Q_gen表示电池核心的发热功率，Q_gen＝I(U_t-U_oc)；

令T_ss＝T_s-T，T_cs＝T_c-T，并按照步骤2中的方法将储能电池热学模型的状态空间转换为适合EKF估计的形式：

x_k+1＝A_dx_k+B_du_k+w_k

y_k＝Cx_k+Du_k+v_k

式中，x_k＝[T_cs T_ss]，y_k＝T_ss，

u_k＝Q_gen，C＝[01]，D＝0，过程噪声w_k和系统噪声v_k服从高斯分布并相互独立，认为w_k～N(0,Q_ω)、v_k～N(0,Q_v)；

并利用泰勒近似对f(x_k,u_k)＝A_dx_k+B_du_k和g(x_k,u_k)＝Cx_k+Du_k进行局部线性化：

式中，F_k+1为f(x_k,u_k)对x_k的雅可比矩阵，G_k+1为g(x_k,u_k)对x_k的雅可比矩阵。

进一步地，基于扩展Kalman滤波估计核心温度T_s的步骤如下：

31、辨识热学模型的参数电池内部材料的热容系数C_c、电池表面的热容系数C_s、电池核心与表面之间的热阻R_c和电池表面与冷却空气之间的对流电阻R_u，由于C_c、C_s、R_c、R_u几乎不随电池物理性能的变化而变化，因此它们被识别为常数，并和电池开路电压U_oc和电池端电压U_t一起得到SOC状态空间的参数矩阵；

32、初始化，对于k＝0，令

33、状态预测，对于k＝1,2,...,n，

34、Kalman更新；

误差更新：

Kalman增益更新：

35、协方差更新，

基于扩展Kalman滤波估计储能电池核心温度的步骤与步骤2所述估计SOC类似，由于模型基本正确，最终会收敛到真实值。

与现有技术相比，本发明具有如下有益效果：

(1)通过电压、电流与环境温度易于测量的运行数据推演储能装置运行状态，并避免了目前使用LSTM预测SOC、SOH等多个运行状态时较大的预测误差。

(2)本发明针对单一运行状态预测不全面、难以反映储能装置整体运行状态变化趋势的问题，对储能装置多个关键运行状态进行预测，从多维度推演储能装置整体运行态势，为储能装置的维护和检修计划提供了新的理论依据。

附图说明

图1是本发明储能电池Thevenin等效电路模型图；

图2是本发明参数辨识流程图；

图3是本发明SOC估计流程图；

图4是本发明储能电池的热学模型图，其中，图4a是储能电池的电池产热与温度分布示意图，图4b是简化后的储能电池热学模型图；

图5是本发明储能电池组一致性指标的构建示意图；

图6是本发明储能装置运行态势推演方法的流程图。

具体实施方式

下面将结合具体实施方式和说明书附图对本发明技术方案作进一步具体说明。

本发明基于LSTM的融合历史运行数据和在线实时数据的储能装置运行态势推演方法，如图6所示，具体步骤如下：

步骤1，通过储能电池历史运行数据中的电压U_t、电流I和环境温度T，采用带遗忘因子的最小二乘法辨识储能电池内部欧姆内阻R₀、极化内阻R₁与极化电容C₁，建立储能电池Thevenin等效电路模型。

步骤1所述储能电池为方形锂电池，其长、宽、高分别为a、b、c。

步骤1所述历史运行数据为采用脉冲放电测试试验数据，数量为：3*N，采样时间为T_m，采样周期为T_e，采样点数为M。

本发明采用如图1所示的Thevenin电池等效电路模型，电压U_OC为储能电池开路电压，电阻R₀为储能电池欧姆电阻，R₁和C₁分别为储能电池内部电化学极化内阻和双电层电容，模拟了储能电池内部电化学极化特性。

为了对储能电池等效电路模型进行参数辨识，将储能电池模型转化为可应用最小二乘法辨识的数学形式，如下式所示：

步骤1所提数学形式中：U₁是RC电路的端电压，U_oc是储能电池开路电压，I是电流，U_t是电压，

是U₁关于时间的微分量。

将该等效电路模型离散化，整理可得

式中，U_1,k+1表示k+1时刻RC网络的端电压，U_1,k表示k时刻RC网络的端电压，Δt表示采样时间，U_t,k表示k时刻储能电池的端电压，U_oc,k为k时刻储能电池的开路电压，该变量是与储能电池的荷电状态SOC相关的函数；

在上述方程中，储能电池开路电压U_oc无法直接测量，往往根据U_oc-SOC之间的函数关系求出。

步骤1所述U_oc-SOC函数关系为小电流开路电压测试得到的实验曲线，并通过查表法由SOC得到当前开路电压U_oc。

将式(2)代入最小二乘法辨识方法中，辨识出电路参数模型R₀、R₁和C₁的数值。据多次辨识经验，选定遗忘因子为0.98。

遗忘因子递推最小二乘法推导如下：

式中，

为储能电池Thevenin等效电路模型中待估计参数在第k组数据时的最小二乘法估计值，K_k为第k组数据时的最小二乘増益，P_k为第k组数据时的误差协方差矩阵，λ为遗忘因子，y_k为系统输出值，即储能电池Thevenin等效电路模型电压与电流，h_k为代表某一组观测数据，可以由输入量、输出量等任何系统可观测的信号构成；

在辨识参数时，已知量有当前的端电压U(k)、端电流I(k)、前一时刻的端电压U(k-1)、端电流I(k-1)、电池荷电状态SOC(k-1)、前两时刻的端电压U(k-2)、端电流I(k-2)，其具体步骤如下所示：

a、初始化SOC初始值；

b、采用安时积分法算出k步的SOC(k)，k＝1,2,…,n；

c、根据U_oc-SOC之间的关系，求出U_oc(k)；

d、根据递推最小二乘法公式计算储能电池Thevenin等效电路模型中的参数R₀、R₁和C₁；

e、循环以上步骤进行模型参数的在线辨识；

所述安时积分法为：

其中，C_N为电池额定容量，I为储能电池电流，η为充放电效率。

步骤2，通过辨识出来的欧姆内阻R₀、极化内阻R₁与极化电容C₁和历史运行数据电压U_t、电流I和环境温度T，得到储能电池当前健康状态SOH，并采用扩展Kalman滤波估计荷电状态SOC。

步骤2所述历史运行数据为储能电池正常充放电时实际运行数据，数量为：3*N，采样时间为T_m，采样周期为T_e，采样点数为M。

步骤2所述辨识结果为步骤1在遗忘因子递推最小二乘法收敛之后的辨识结果。

电池的荷电状态(SOC)和健康状态(SOH)是储能电站的重要指标，精确的SOC和SOH估计可以保障储能装置安全可靠地工作，优化储能装置，并为储能电池的能量管理和安全管理等提供依据。因此在推演储能装置运行状态时需要考虑对储能电池SOC和SOH的估计。由于电池等效电路模型为非线性模型，在利用Kalman滤波算法进行估算时需要先对模型进行线性化处理，即在状态估计时，对状态方程在前一状态估计值点进行线性泰勒近似；在预测状态时，对测量方程在相应预测值处同样进行线性泰勒近似，这样的方式称之为扩展卡尔曼滤波。

步骤2所述的SOC表达式为：

式中C_N为储能电池额定电量，C_remain为储能电池当前电量。

步骤2所述的SOH表达式为：

式中R_EOL为电池寿命终结时的内阻，本发明将电池放电容量达到初始容量的80％时，电池的欧姆内阻作为参考；R_NEW为新出厂电池内阻，本发明用电池首次循环时的欧姆内阻代替；R_Ω为电池当前状态下的内阻，本发明用参数辨识得到的R₀替换。

步骤2所述的泰勒近似为：

只取一阶泰勒近似，即认为

在进行SOC的估计前，由于SOC的预估值由安时积分法获得，而SOC的测量值则由U_oc-SOC获得，因此构建如下储能电池的状态空间：

式中，x_k＝[SOC(k),U_1,k]^T，

y_k＝u_t,k，α＝exp(-Δt/R₁C₁)，u_t,k表示k时刻时的电池电压，C_d＝[κ,-1]，D_d＝[-R₀]，u_k＝I_k，

M_d＝[0-I_k]，

过程噪声w_k和系统噪声v_k服从高斯分布并相互独立，认为w_k～N(0,Q_ω)、v_k～N(0,Q_v)，Q_ω、Q_v为高斯分布的方差，其中L_d和M_d为误差分配矩阵，d_k为模型参数误差矩阵；κ为SOC与开路电压之间斜坡函数的斜率，即有U_oc＝κ×SOC，

并利用泰勒近似对f(x_k,u_k)＝A_dx_k+B_du_k和g(x_k,u_k)＝C_dx_k+D_du_k进行局部线性化：

式中，F_k+1为f(x_k,u_k)对x_k的雅可比矩阵，G_k+1为g(x_k,u_k)对x_k的雅可比矩阵。

基于扩展Kalman滤波来估计SOC的步骤如下：

21、通过步骤1辨识出来的参数，得到SOC状态空间的参数矩阵；

22、初始化，对于k＝0，令

23、状态预测，对于k＝1,2,...,n，

24、Kalman更新；

误差更新：

Kalman增益更新：

25、协方差更新，p_k+1＝(E-K_kG_k)p_k；

经过若干步迭代后，由于模型大致准确，电池荷电状态会收敛到真实值；

式中，x₀为状态方程初始值，

为状态方程初始最佳估计值，p_k为协方差初始值，K_k为卡尔曼增益矩阵，e_k为输出观测误差。

步骤3，建立欧姆内阻R₀、极化内阻R₁与极化电容C₁和历史运行数据电压U_t、电流I和环境温度T与储能电池核心温度T_s之间的热学模型，采用扩展Kalman滤波估计电池核心温度T_s。

本发明采用如图4a和图4b所示的储能电池热学模型。模型中锂电池长宽高如步骤1所述。

步骤3所述热学模型中：C_c和C_s是分别表示电池内部材料的热容系数和电池表面的热容系数，R_c表示电池核心与表面之间的热阻，R_u表示电池表面与冷却空气之间的对流电阻。T_c和T_s分别表示电池表面温度和核心温度。

储能电池通过两个步骤进行热学建模：第一步是从核心到外壳的传热，第二步是从外壳到环境的传热。该模型以电池核心与表面温度为状态，以电池产热为输入，以电池表面温度为输出，其状态空间方程由此可得：

式中，Q_gen表示电池核心的发热功率，Q_gen＝I(U_t-U_oc)。

令T_ss＝T_s-T，T_cs＝T_c-T，并按照步骤2中的方法将储能电池热学模型的状态空间转换为适合EKF估计的形式：

x_k+1＝A_dx_k+B_du_k+w_k

y_k＝Cx_k+Du_k+v_k

式中，x_k＝[T_cs T_ss]，y_k＝T_ss，

u_k＝Q_gen，C＝[01]，D＝0，过程噪声w_k和系统噪声v_k服从高斯分布并相互独立，可认为w_k～N(0,Q_ω)、v_k～N(0,Q_v)。

并利用泰勒近似对f(x_k,u_k)＝A_dx_k+B_du_k和g(x_k,u_k)＝Cx_k+Du_k进行局部线性化：

式中F_k+1为f(x_k,u_k)对x_k的雅可比矩阵，G_k+1为g(x_k,u_k)对x_k的雅可比矩阵。

基于扩展Kalman滤波来估计核心温度T_s的步骤如下：

31、辨识热学模型的参数电池内部材料的热容系数C_c、电池表面的热容系数C_s、电池核心与表面之间的热阻R_c和电池表面与冷却空气之间的对流电阻R_u，由于C_c、C_s、R_c、R_u几乎不随电池物理性能的变化而变化，因此它们可以被识别为常数。并和电池开路电压U_oc和电池端电压U_t一起得到SOC状态空间的参数矩阵；

32、初始化，对于k＝0，令

33、状态预测，对于k＝1,2,...,n，

34、Kalman更新。

误差更新：

Kalman增益更新：

35、协方差更新。

基于扩展Kalman滤波来估计储能电池核心温度的步骤与步骤2所述估计SOC类似，由于模型基本正确，最终会收敛到真实值。

步骤4，将欧姆内阻R₀、极化内阻R₁、极化电容C₁、历史运行数据电压U_t、电流I、环境温度T及在线实时运行数据的电压U_t'、电流I'和环境温度T'，以及由此估计的储能电池运行状态荷电状态SOC、健康状态SOH和核心温度T_s作为特征量，采用LSTM预测储能装置电压、电流和表面温度变化，从而构建储能电池组的电压一致性指标；并根据上述步骤2和步骤3估计储能装置SOC、SOH和核心温度，再构建储能电池组的SOC一致性指标，从而推演储能装置的运行态势。

如图5所示，首先为LSTM准备数据集。这涉及将数据集视为监督学习问题并对输入变量进行归一化处理。考虑到上一个时间段储能装置的运行状态，将把监督学习问题作为预测当前时刻t储能装置的电压与电流。根据过去24小时的欧姆内阻R₀、极化内阻R₁与极化电容C₁和历史运行数据电压U_t、电流I和环境温度T，以及由此估计的储能电池运行状态荷电状态SOC、健康状态SOH和核心温度T_s，预测下一个小时的电压、电流和环境温度的变化，并给出下一个小时的预测电压U_t,1、预测电流I₁和预测环境温度T₁；

然后是数据集划分。首先，将准备好的数据集分成训练集和测试集，然后将训练集和测试集分成输入和输出变量。最后，将输入(X)重构为LSTM预期的3D格式，即[样本，时间步长，特征]。

接着建立模型并训练。在第一个隐层中定义具有50个神经元的LSTM和用于预测污染的输出层中的1个神经元。输入形状是1个时间步长，具有8个特征。在模型中使用平均绝对误差(MAE)损失函数。该模型将拟合50个批量大小为72的训练时期。最后，通过在fit()函数中设置validation_data参数来跟踪训练过程中的训练和测试失败。在运行结束时，绘制训练和测试损失；

并将预测的数据集与测试数据集相结合，反演缩放。使用预测值和实际值，计算模型的误差分数。并且计算出与变量本身相同的单位产生误差的均方根误差(RMSE)。

最后将预测的电压V建立储能电池组的电压一致性指标，并根据预测电流I、环境温度T来估计未来一小时储能电池的SOC、SOH和核心温度T_s，并建立SOC一致性指标，完成储能装置运行态势的推演。

步骤4所述电压一致性指标为：电压标准差

式中，V_i为第i个单体电池电压，

为电池组串电压的平均值。

步骤4所述的SOC一致性指标为：极端SOC偏差

本发明中所描述的具体实施例仅仅是对本发明精神所举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种基于LSTM的储能装置运行态势推演方法，其特征在于，包括：

步骤1，通过储能电池历史运行数据中的电压U_t、电流I和环境温度T，采用带遗忘因子的最小二乘法辨识储能电池内部欧姆内阻R₀、极化内阻R₁与极化电容C₁，建立储能电池Thevenin等效电路模型；

步骤2，通过辨识得到的欧姆内阻R₀、极化内阻R₁与极化电容C₁和历史运行数据电压U_t、电流I和环境温度T，估计得到储能电池当前健康状态SOH，并采用无损Kalman滤波估计荷电状态SOC；

步骤3，建立欧姆内阻R₀、极化内阻R₁、极化电容C₁、历史运行数据电压U_t、电流I和环境温度T与储能电池核心温度T_s之间的储能电池热学模型，采用扩展Kalman滤波估计储能电池核心温度T_s；

步骤4，将欧姆内阻R₀、极化内阻R₁、极化电容C₁、历史运行数据电压U_t、电流I、环境温度T及在线实时运行数据的电压U'_t、电流I'和环境温度T'，以及由此估计的储能电池运行状态荷电状态SOC、健康状态SOH和核心温度T_s作为特征量，采用LSTM预测储能电池电压、电流和表面温度变化，从而构建储能电池组的电压一致性指标；

并根据上述步骤2和步骤3估计的储能电池SOC、SOH和核心温度T_s，再构建储能电池组的SOC一致性指标。

2.根据权利要求1所述的一种基于LSTM的储能装置运行态势推演方法，其特征在于，所述的步骤4还包括子步骤：

4.1，为LSTM准备数据集：将数据集视为监督学习问题并对输入变量进行归一化处理，考虑到上一个时间段储能电池的运行状态，把监督学习问题作为预测当前时刻t储能电池的电压与电流，根据过去24小时的欧姆内阻R₀、极化内阻R₁与极化电容C₁和历史运行数据电压U_t、电流I和环境温度T，以及由此估计的储能电池运行状态荷电状态SOC、健康状态SOH和核心温度T_s，预测下一个小时的电压、电流和环境温度的变化，并给出下一个小时的预测电压U_t,1、预测电流I₁和预测环境温度T₁；

4.2，数据集划分：首先，将准备好的数据集分成训练集和测试集，然后将训练集和测试集分成输入和输出变量；最后，将输入变量X重构为LSTM预期的3D格式，即[样本，时间步长，特征]；

4.3，建立时间序列预测模型并训练：在第一个隐层中定义具有50个神经元的LSTM和用于预测电压、电流和表面温度的输出层中的1个神经元；输入形状是1个时间步长，具有8个特征；在时间序列预测模型中使用平均绝对误差损失函数，该模型将拟合50个批量大小为72的训练时期；最后，通过在fit()函数中设置validation_data参数跟踪训练过程中的训练和测试失败，在运行结束时，绘制训练和测试损失；

4.4，将预测的数据集与测试数据集相结合，并反演缩放；使用预测值和实际值，计算时间序列预测模型的误差分数，并且计算出与变量本身相同的单位产生误差的均方根误差；

4.5，根据预测电压U_t,1建立储能电池组的电压一致性指标，并根据预测电流I₁和预测环境温度T₁估计未来一小时储能电池的SOC、SOH和核心温度T_s，并建立SOC一致性指标。

3.根据权利要求1或2所述的一种基于LSTM的储能装置运行态势推演方法，其特征在于，步骤1中，为了对储能电池等效电路模型进行参数辨识，将储能电池模型转化为可应用最小二乘法辨识的数学形式，如下式所示：

步骤1所提数学形式中：U₁是RC电路的端电压，U_oc是储能电池开路电压，I是储能电池电流，U_t是储能电池电压，

是U₁关于时间的微分量，电阻R₀为储能电池欧姆电阻，R₁和C₁分别为储能电池内部电化学极化内阻和双电层电容；

将该等效电路模型离散化，整理可得：

式中，U_1,k+1表示k+1时刻RC网络的端电压，U_1,k表示k时刻RC网络的端电压，Δt表示采样时间，U_t,k表示k时刻储能电池的端电压，U_oc,k为k时刻储能电池的开路电压，U_oc,k变量是与储能电池的荷电状态SOC相关的函数；

在上述方程中，储能电池开路电压U_oc无法直接测量，根据U_oc-SOC之间的函数关系求出。

4.根据权利要求3所述的一种基于LSTM的储能装置运行态势推演方法，其特征在于，所述U_oc-SOC函数关系为小电流开路电压测试得到的实验曲线，并通过查表法由SOC得到当前开路电压U_oc。

5.根据权利要求3所述的一种基于LSTM的储能装置运行态势推演方法，其特征在于，将公式(2)代入最小二乘法辨识方法中，辨识出储能电池Thevenin等效电路模型R₀、R₁和C₁的数值，选定遗忘因子为0.98；

遗忘因子递推最小二乘法推导如下：

式中，

为储能电池Thevenin等效电路模型中待估计参数在k时刻的最小二乘法估计值，K_k为k时刻的最小二乘増益，P_k为k时刻的误差协方差矩阵，λ为遗忘因子，y_k为系统输出值，即储能电池Thevenin等效电路模型电压与电流，h_k为代表某一组观测数据；

在辨识参数时，已知量有当前的端电压U(k)、端电流I(k)、前一时刻的端电压U(k-1)、端电流I(k-1)、电池荷电状态SOC(k-1)、前两时刻的端电压U(k-2)、端电流I(k-2)，其具体步骤如下所示：

a、初始化SOC初始值；

b、采用安时积分法算出k时刻的SOC(k)，k＝1,2,…,n；

c、根据U_oc-SOC之间的关系，求出U_oc(k)；

d、根据递推最小二乘法公式计算储能电池Thevenin等效电路模型中的参数R₀、R₁和C₁；

e、循环以上步骤进行模型参数的在线辨识；

所述安时积分法为：

其中，C_N为电池额定容量，I为储能电池电流，η为充放电效率。

6.根据权利要求5所述的一种基于LSTM的储能装置运行态势推演方法，其特征在于，步骤2所述历史运行数据为储能电池正常充放电时实际运行数据，采样时间为T_m，采样周期为T_e，采样点数为M；

步骤2辨识结果为步骤1在遗忘因子递推最小二乘法收敛之后的辨识结果；

由于电池等效电路模型为非线性模型，在利用Kalman滤波算法进行估算时需要先对模型进行线性化处理，即在状态估计时，对状态方程在前一状态估计值点进行线性泰勒近似；在预测状态时，对测量方程在相应预测值处同样进行线性泰勒近似，这样的方式称之为扩展卡尔曼滤波。

7.根据权利要求6所述的一种基于LSTM的储能装置运行态势推演方法，其特征在于，

步骤2所述的SOC表达式为：

式中C_N为储能电池额定电量，C_remain为储能电池当前电量；

步骤2所述的SOH表达式为：

式中R_EOL为电池寿命终结时的内阻，将电池放电容量达到初始容量的80％时电池的欧姆内阻作为参考；R_NEW为新出厂电池内阻，用电池首次循环时的欧姆内阻代替；R_Ω为电池当前状态下的内阻，用参数辨识得到的R₀替换；

步骤2所述的泰勒近似为：

只取一阶泰勒近似，即认为

在进行SOC的估计前，由于SOC的预估值由安时积分法获得，而SOC的测量值则由U_oc-SOC获得，因此构建如下储能电池的状态空间：

式中，x_k＝[SOC(k),U_1,k]^T，

y_k＝u_t,k，α＝exp(-Δt/R₁C₁)，u_t,k表示k时刻的电池电压，C_d＝[κ,-1]，D_d＝[-R₀]，u_k＝I_k，

M_d＝[0 -I_k]，

过程噪声w_k和系统噪声v_k服从高斯分布并相互独立，认为w_k～N(0,Q_ω)、v_k～N(0,Q_v)，Q_ω、Q_v为高斯分布的方差，其中L_d和M_d为误差分配矩阵，d_k为模型参数误差矩阵；κ为SOC与开路电压之间斜坡函数的斜率，即有U_oc＝κ×SOC，

并利用泰勒近似对f(x_k,u_k)＝A_dx_k+B_du_k和g(x_k,u_k)＝C_dx_k+D_du_k进行局部线性化：

式中，F_k+1为f(x_k,u_k)对x_k的雅可比矩阵，G_k+1为g(x_k,u_k)对x_k的雅可比矩阵。

8.根据权利要求7所述的一种基于LSTM的储能装置运行态势推演方法，其特征在于，基于扩展Kalman滤波来估计SOC的步骤如下：

21、通过步骤1辨识出来的参数，得到SOC状态空间的参数矩阵；

22、初始化，对于k＝0，令

23、状态预测，对于k＝1,2,...,n，

24、Kalman更新；

误差更新：

Kalman增益更新：

25、协方差更新，p_k+1＝(E-K_kG_k)p_k；

经过若干步迭代后，由于模型大致准确，电池荷电状态会收敛到真实值；

式中，x₀为状态方程初始值，

为状态方程初始最佳估计值，p_k为协方差初始值，K_k为卡尔曼增益矩阵，e_k为输出观测误差。

9.根据权利要求7所述的一种基于LSTM的储能装置运行态势推演方法，其特征在于，

步骤3所述热学模型中：C_c和C_s是分别表示电池内部材料的热容系数和电池表面的热容系数，R_c表示电池核心与表面之间的热阻，R_u表示电池表面与冷却空气之间的对流电阻，T_c和T_s分别表示电池表面温度和核心温度；

储能电池通过两个步骤进行热学建模：第一步是从核心到外壳的传热，第二步是从外壳到环境的传热，该模型以电池核心与表面温度为状态，以电池产热为输入，以电池表面温度为输出，其状态空间方程由此可得：

式中，Q_gen表示电池核心的发热功率，Q_gen＝I(U_t-U_oc)；

令T_ss＝T_s-T，T_cs＝T_c-T，并按照步骤2中的方法将储能电池热学模型的状态空间转换为适合EKF估计的形式：

x_k+1＝A_dx_k+B_du_k+w_k

y_k＝Cx_k+Du_k+v_k

式中，x_k＝[T_cs T_ss]，y_k＝T_ss，

u_k＝Q_gen，C＝[0 1]，D＝0，过程噪声w_k和系统噪声v_k服从高斯分布并相互独立，认为w_k～N(0,Q_ω)、v_k～N(0,Q_v)；

并利用泰勒近似对f(x_k,u_k)＝A_dx_k+B_du_k和g(x_k,u_k)＝Cx_k+Du_k进行局部线性化：

式中，F_k+1为f(x_k,u_k)对x_k的雅可比矩阵，G_k+1为g(x_k,u_k)对x_k的雅可比矩阵。

10.根据权利要求9所述的一种基于LSTM的储能装置运行态势推演方法，其特征在于，基于扩展Kalman滤波估计核心温度T_s的步骤如下：

31、辨识热学模型的参数电池内部材料的热容系数C_c、电池表面的热容系数C_s、电池核心与表面之间的热阻R_c和电池表面与冷却空气之间的对流电阻R_u，由于C_c、C_s、R_c、R_u几乎不随电池物理性能的变化而变化，因此它们被识别为常数，并和电池开路电压U_oc和电池端电压U_t一起得到SOC状态空间的参数矩阵；

32、初始化，对于k＝0，令

33、状态预测，对于k＝1,2,...,n，

34、Kalman更新；

误差更新：

Kalman增益更新：

35、协方差更新，

基于扩展Kalman滤波估计储能电池核心温度的步骤与步骤2所述估计SOC类似，由于模型基本正确，最终会收敛到真实值。

Images