CN113552489A - 一种基于灰色神经网络的电站备用电源荷电状态估计方法 - Google Patents

Abstract

本发明公开一种基于灰色神经网络的电站备用电源荷电状态估计方法，该方法包括：获取电站备用电源停止放电前及期间的电流、电压、荷电状态，构成原始数据集；建立电池等效电路模型，采用最小二乘法拟合欧姆内阻、极化电阻、极化电容参数，构建参数数据集；建立灰色神经网络模型；对参数数据集进行预处理；将参数数据集分为训练集和测试集，利用训练集对灰色神经网络模型进行训练；利用测试集对灰色神经网络模型进行测试；通过采集到的电站备用电源中各电池组停止放电及期间的电流和电压数据，采用最小二乘法获得等效电路模型参数，利用灰色神经网络估计电池荷电状态。本发明提高了电站备用电源的荷电状态估计精度，降低了时间和人力成本。

Description

一种基于灰色神经网络的电站备用电源荷电状态估计方法

技术领域

本发明涉及电站备用电源技术领域，尤其是涉及一种基于灰色神经网络的电站备用电源荷电状态估计方法。

背景技术

作为后备直流电源的蓄电池组一直是变电站直流电源的重要组成成分。当变电站二次系统电源发生故障时，蓄电池组可以作为供电系统电源，为断路器的分合闸操作、继保装置运行、通信系统运行和其所拖动的机械设备等提供后备电源。因此，其可靠性直接影响到电网的安全运行，掌握变电站蓄电池组的SOC是有必要的。

然而，现有检测蓄电池SOC方法：1、利用蓄电池的浮充电压、内阻、温度等数据对蓄电池SOC进行估算，但这种方法存在以下问题：①输入数据量过少单个量的测量误差会对SOC估计结果产生很大影响；②电池温度的高精度测量需要对每个蓄电池单元配置高精度的温度传感器，增加蓄电池组成本；2、对蓄电池组进行核对性放电，但此种方法存在以下问题：①人力物力成本较高，需要花费较高的时间成本、人力成本；②间隔时间较长，在此期间无法及时发现蓄电池组存在的问题。

发明内容

本发明为克服以上现有技术的不足，提出一种基于灰色神经网络的电站备用电源荷电状态估计方法。

本发明的技术方案主要包含以下步骤：

步骤1：获取电站备用电源中各电池组停止放电前的电流和电压数据、电压恢复期间的m个电压数据、停止放电时的荷电状态数据，构成电池的电流、电压和荷电状态原始数据集；

步骤2：建立电池二阶等效电路模型，根据数据集中电流数据和电压数据，采用最小二乘法拟合参数，得到二阶等效电路模型中的欧姆内阻R₀，两个极化内阻R₁、R₂，两个极化电容C₁、C₂，利用这五个参数构建电池荷电状态估计的参数数据集；

步骤3：建立灰色神经网络模型，得到灰色神经网络模型结构；

步骤4：将得到的参数数据集进行预处理；

步骤5：将预处理后的参数数据集分为训练集和测试集，利用训练集对灰色神经网络模型进行训练；

步骤6：利用测试集对灰色神经网络模型进行测试，符合要求则得到最终的灰色神经网络估计模型，如果不符合要求则重复步骤5；

步骤7：通过采集到的电站备用电源中各电池组停止放电前的电流和电压数据、电压恢复期间的m个电压数据，采用最小二乘法获得相应的二阶等效电路模型参数R₀、R₁、R₂、C₁和C₂，利用训练好的灰色神经网络估计模型，估计该电池的荷电状态。

在方案中，所述的步骤2中包括以下分步骤：

步骤21：在电池停止放电时，获取电池停止放电前的电流I和电压V、停止放电后以一定频率采样的m个电压数据V_i(i＝1,2,…,m)和停止放电后的荷电状态，则在n个荷电状态下可以获得n个样本，构成电池的电流、电压和荷电状态数据集D₀：

步骤22：建立一个电池二阶等效电路模型，对于某时刻样本，根据停止放电前电池电流数据I_n和停止放电时第一个电池电压数据V_n1相对于停止放电前电压数据V_n的增量，可得电池二阶等效电路模型的欧姆内阻R_0n如下：

对m个电压数据V_i(i＝1,2,…,m)利用最小二乘法拟合得到电池二阶等效电路模型中的R₁，C₁，R₂，C₂四个参数。通过以上处理，n个样本下可以获得n 组数据；

步骤23：建立原始电阻、电容和荷电状态数据集D₁：

其中，n代表第n组数据，例如R_1n表示第n组电压数据辨识得到的二阶等效电路模型中R₁的值。

在本方案中，所述的步骤3中的灰色神经网络估计模型主要由LA、LB、LC、 LD四层组成，所述LA层为输入参数序号的一个节点，所述LB层为连接LA层和LC层，所述LC层有6个节点，其中5个节点分别为电池二阶等效电路模型参数R₀、R₁、C₁、R₂和C₂的输入节点，所述LD层为输出荷电状态估计值的一个节点。

在本方案中，所述的步骤4中包括以下分步骤：

步骤41：将得到的原始内阻、电容数据集进行预处理，对n组数据序列定义为时间序列t，则每组数据可以表示为R₀(t)，R₁(t)，C₁(t)，R₂(t)，C₂(t)，荷电状态SOC(t)；

步骤42：对SOC(t)＝{SOC₁,SOC₂,…,SOC_n}内部序列进行一次累加，得到

其中

用相同的方法对所有参数进行相应的累加操作，最终得到

SOC⁽¹⁾(t)；

步骤43：利用步骤42中的6个累加后的数据，建立灰色神经网络模型的微分方程表达式：

式中，

为灰色神经网络模型输入参数，SOC⁽¹⁾(t)为输出参数，a、b₁、b₂、b₃、b₄、b₅为微分方程系数。

步骤44：对灰色神经网络模型的微分方式求解得到时间响应式：

其中SOC⁽¹⁾(t)为SOC的估计值，SOC(1)为SOC输出的初始值。

与现有技术相比，本发明技术方案具有以下优点：

本发明通过提取电池停止放电前的电流和电压、停止放电后的m个电压数据，建立电池的二阶等效电路模型，通过电流和初始电压变化数据得到电池内阻，利用最小二乘法拟合得到两个极化内阻和两个极化电容，从而通过电池内部量充分反应出电池在实际使用中内部参数变化的特性，将5个参数作为灰色神经网络的输入量来估计电池的荷电状态，结合了灰色模型处理不确定系统精度高的优点和神经网络处理非线性系统的优点，提高了估计精度，降低了时间成本和人力成本。

附图说明

图1为本发明提出的一种基于灰色神经网络的电站备用电源荷电状态估计方法流程图；

图2为本发明的电池二阶等效电路模型图；

图3为本发明的灰色神经网络结构图。

具体实施方式

为了对本发明的优点和特征进行详细介绍，下面将结合附图和具体实施方式来说明。所述实施例是本发明的一个实施例，本发明还可以采用其他方式来实施，因此，同样应属于本发明保护范围。

本发明的技术方案如下：

在一个具体是实施例中，如图1所示，一种基于灰色神经网的电站备用电源荷电状态估计方法，包括以下步骤：

1.在电池停止放电时，获取电池停止放电前的电流I和电压V、停止放电后以一定频率采样的m个电压数据V_i(i＝1,2,…,m)和停止放电后的荷电状态，则在n个荷电状态下可以获得n个样本，构成电池的电流、电压和荷电状态数据集D₀：

其中n表示第n组数据样本。

2.如图2所示，建立一个电池二阶等效电路模型，对于某时刻样本，根据停止放电前电池电流数据I_n和停止放电时第一个电池电压数据V_n1相对于停止放电前电压数据V_n的增量，可得电池二阶等效电路模型的欧姆内阻R_0n如下：

再采用最小二乘法拟合模型中的参数极化内阻R₁和R₂、极化电容C₁和C₂。从而得到一个参数数据集：

其中n代表第n组数据，例如R_1n表示第n组电压数据辨识得到的二阶等效电路模型中R₁的值。本实施例将其中前80％的数据作为训练集，后20％的数据作为测试集。

3.如图3所示，搭建灰色神经网络模型。该模型包含四层，分别为输入层LA、隐含层LB和LC、输出层LD。其中LA层只有一个节点，用于输入参数序列。 LB层只有一个节点为连接LA层与LC层。LC层有6个节点，从上至下，第2 个节点开始的输入分别为R0、R1、C1、R2、C2。LD层只有一个节点作为SOC 估计值的输出。

4.对参数训练数据进行预处理。对n个样本前80％的数据定义为1～i，因此对i个二阶等效电路模型的训练集序列定义为时间序列t，则每组模型参数可以表示为R₀(t)，R₁(t)，C₁(t)，R₂(t)，C₂(t)，SOC(t)；对SOC(t)＝{SOC₁,SOC₂,…,SOC_i} 内部序列进行一次累加，得到

其中

同理，对所有参数进行相应的累加操作，最终得到

SOC⁽¹⁾(t)；

5.利用4.中的6个累加后的数据，建立灰色神经网络模型的微分方程表达式：

式中，

为灰色神经网络模型输入参数，SOC⁽¹⁾(t)为输出参数，a、b₁、b₂、b₃、b₄、b₅为微分方程系数。

对灰色神经网络模型的微分方式求解得到时间响应式：

其中SOC⁽¹⁾(t)为SOC的估计值，SOC(1)为SOC输出的初始值。

6.对灰色神经网络进行初始化。利用数据集中的输入输出初始化灰色神经网络的阈值和权值。各层网络权值设置为ω₁₁；ω₂₁、ω₂₂、ω₂₃、ω₂₄、ω₂₅、ω₂₆；ω₃₁、ω₃₂、ω₃₃、ω₃₄、ω₃₅、ω₃₆，其中网络的权值可以表示为ω₁₁＝a，ω₂₁＝-SOC(1)，

ω₃₁＝ω₃₂＝ω₃₃＝ω₃₄＝ω₃₅＝ω₃₆＝1+e^-at。根据数据特性初始化微分方程系数a、 b₁、b₂、b₃、b₄和b₅，学习速率μ₁、μ₂、μ₃、μ₄和μ₅。

LD层的输出节点的阈值设置为：

7.计算各层输出。对每个输入序列

计算输出。

(a)计算每层输出：

LA层：A＝t

LB层：

LC层：C₁＝Bω₂₁、

LD层：D＝C₁ω₃₁+C₂ω₃₂+C₃ω₃₃+C₄ω₃₄+C₅ω₃₅+C₆ω₃₆-θ

(b)通过估计输出和期望输出计算出误差：

LD层误差：δ＝D-SOC⁽¹⁾(t)

LC层误差：

LB层误差：

(c)根据估计误差调整权值：

调整LB和LC之间的权值：ω₂₁＝-SOC(1),ω₂₂＝ω₂₂-μ₁δ₂B,ω₂₃＝ω₂₃-μ₂δ₃B,ω₂₄＝ω₂₄-μ₃δ₄B, ω₂₅＝ω₂₅-μ₄δ₅B,ω₂₆＝ω₂₆-μ₅δ₆B

调整LA和LB之间的权值：ω₁₁＝ω₁₁+Atδ₇

调整阈值：

(d)根据迭代次数或者误差判断训练是否结束，如果没有结束则返回步骤(a)。

8.再使用测试集测试训练完的灰色神经网络，如果测试集的估计结果和预期结果的误差在一定范围内，则证明该灰色神经网络模型符合要求。否则，再使用训练集训练神经网络，提高迭代次数或者降低最小误差。

9.最终获得的灰色神经网络模型可以用来预测电池组中停止放电的电池单体荷电状态。通过提取电池停止放电前的电流和电压、停止放电后的m个电压数据，则能估计该电池单体的SOC。

以上所述，只为本发明的具体实施方式，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，可做等效修改或替换，这些都包含在本发明的保护范围内。因此本发明的保护范围应以权利要求的保护范围为准。

Claims (4)

1.一种基于灰色神经网络的电站备用电源荷电状态估计方法，其特征在于，该方法包括以下几个步骤：

步骤1：获取电站备用电源中各电池组停止放电前的电流和电压数据、电压恢复期间的m个电压数据、停止放电时的荷电状态数据，构成电池的电流、电压和荷电状态原始数据集；

步骤2：建立电池二阶等效电路模型，根据数据集中电流数据和电压数据，采用最小二乘法拟合参数，得到二阶等效电路模型中的欧姆内阻R₀，两个极化内阻R₁、R₂，两个极化电容C₁、C₂，利用这五个参数构建电池荷电状态估计的参数数据集；

步骤3：建立灰色神经网络模型，得到灰色神经网络模型结构；

步骤4：将得到的参数数据集进行预处理；

步骤5：将预处理后的参数数据集分为训练集和测试集，利用训练集对灰色神经网络模型进行训练；

步骤6：利用测试集对灰色神经网络模型进行测试，符合要求则得到最终的灰色神经网络估计模型，如果不符合要求则重复步骤5；

步骤7：通过采集到的电站备用电源中各电池组停止放电前的电流和电压数据、电压恢复期间的m个电压数据，采用最小二乘法获得相应的二阶等效电路模型参数R₀、R₁、R₂、C₁和C₂，利用训练好的灰色神经网络估计模型，估计该电池的荷电状态。

2.根据权利要求1所述的一种基于灰色神经网络的电站备用电源荷电状态估计方法，其特征在于，所述的步骤2中包括以下分步骤：

步骤21：在电池停止放电时，获取电池停止放电前的电流I和电压V、停止放电后以一定频率采样的m个电压数据V_i(i＝1,2,…,m)和停止放电后的荷电状态，则在n个荷电状态下可以获得n个样本，构成电池的电流、电压和荷电状态数据集D₀：

步骤22：建立一个电池二阶等效电路模型，对于某时刻样本，根据停止放电前电池电流数据I_n和停止放电时第一个电池电压数据V_n1相对于停止放电前电压数据V_n的增量，可得电池二阶等效电路模型的欧姆内阻R_0n如下：

对m个电压数据V_i(i＝1,2,…,m)利用最小二乘法拟合得到电池二阶等效电路模型中的R₁，C₁，R₂，C₂四个参数。通过以上处理，n个样本下可以获得n组数据；

步骤23：建立原始电阻、电容和荷电状态数据集D₁：

其中，n代表第n组数据，例如R_1n表示第n组电压数据辨识得到的二阶等效电路模型中R₁的值。

3.根据权利要求1所述的一种基于灰色神经网络的电站备用电源荷电状态估计方法，其特征在于，所述的步骤3中的灰色神经网络估计模型主要由LA、LB、LC、LD四层组成，所述LA层为输入参数序号的一个节点，所述LB层为连接LA层和LC层，所述LC层有6个节点，其中5个节点分别为电池二阶等效电路模型参数R₀、R₁、C₁、R₂和C₂的输入节点，所述LD层为输出荷电状态估计值的一个节点。

4.根据权利要求1所述的一种基于灰色神经网络的电站备用电源荷电状态估计方法，其特征在于，所述的步骤4中包括以下分步骤：

步骤41：将得到的原始内阻、电容数据集进行预处理，对n组数据序列定义为时间序列t，则每组数据可以表示为R₀(t)，R₁(t)，C₁(t)，R₂(t)，C₂(t)，荷电状态SOC(t)；

步骤42：对SOC(t)＝{SOC₁,SOC₂,…,SOC_n}内部序列进行一次累加，得到

其中

用相同的方法对所有参数进行相应的累加操作，最终得到

SOC⁽¹⁾(t)；

步骤43：利用步骤42中的6个累加后的数据，建立灰色神经网络模型的微分方程表达式：

式中，

为灰色神经网络模型输入参数，SOC⁽¹⁾(t)为输出参数，a、b₁、b₂、b₃、b₄、b₅为微分方程系数。

步骤44：对灰色神经网络模型的微分方式求解得到时间响应式：

其中SOC⁽¹⁾(t)为SOC的估计值，SOC(1)为SOC输出的初始值。

Images