CN113552491A - 一种基于rnn模型的储能电站电池组soc估计方法 - Google Patents

Abstract

本发明公开了一种基于RNN模型的储能电站电池组SOC估计方法，所述方法包括：构建原始数据集；按照电池的OCV‑SOC曲线，替换电压值，组成新原始数据集；将数据集进行预处理，划分训练集和测试集；搭建神经网络模型结构；训练和评估神经网络模型；估计储能电站电池组的SOC。本发明能够利用储能电站运行期间电池组短暂退出运行的机会，通过RNN神经网络模型根据短时间内的电压和电流数据来准确估计电池组的SOC，克服安时积分法的累积误差问题，也避免开路电压法需要电池组长时间静置的缺陷。

Description

一种基于RNN模型的储能电站电池组SOC估计方法

技术领域

本发明涉及电池监测技术领域，具体涉及一种基于RNN模型的储能电站电 池组SOC估计方法。

背景技术

随着新能源电源的大规模接入，电网需要接入大量储能电站来平抑新能源的 功率波动，同时支持电网的调峰调频。在储能电站中，对于电池组SOC的准确 估计至关重要，关系到储能电站的经济效益和安全可靠运行。由于抑制新能源功 率波动和参与电网调峰调频的实时性要求，储能电站的电池组很少工作于满充和 满放模式，也少有长时间静置的机会。采用传统安时积分法估计电池组SOC的 方式，电流传感器测量误差的不断累积会影响SOC估计精度。由于电池组少有 充满、放空和长时间静置的机会，也难以通过开路电压法来定期校正SOC，导 致安时积分法的累积误差难以消除。

发明内容

本发明为克服上述现有技术存在的储能电站电池组SOC估计精度不足的问 题，提出了一种基于RNN模型的储能电站电池组SOC估计方法。

本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：

一种基于RNN模型的储能电站电池组SOC估计方法，其特征在于，包括以 下步骤：

S1：令储能电站中相同型号容量的所有电池组轮流参与调峰调频，每当其中 有电池组退出运行时，记录该电池组退出运行前一采样时刻的电流值、退出运行 后电压恢复过程中前T个采样时刻的所有电压值、电压恢复过程结束时的电压值， 组成原始数据集D_ori；

S2：将步骤S1所述原始数据集中电压恢复过程结束时的电压值，按照电池 的OCV-SOC曲线，获得与该电压值所对应的SOC值，用该SOC值替换步骤S1 所述原始数据集中对应的电压恢复过程结束时的电压值，组成新原始数据集 D_new；

S3：将步骤S2所述的新原始数据集进行预处理，然后划分为训练集和测试 集；

S4：搭建RNN神经网络模型，得到网络模型结构；

S5：对RNN神经网络模型进行训练和评估，将评估合格的RNN神经网络模 型用于估计储能电站中所有电池组的SOC值；

S6：在储能电站持续运行过程中，令电站中的所有电池组轮流参与调峰调频， 当其中某个电池组退出运行时，采集该电池组退出运行前一采样时刻的电流值、 退出运行后电压恢复过程中前T个采样时刻的所有电压值，输入步骤S5所述评 估合格的RNN神经网络模型，估计该电池组的SOC。

本方案中，步骤S1所述的原始数据集D_ori，其具体组成步骤如下：

S101：将储能电站中相同型号容量的电池组数量表示为N，在该型号容量电 池组允许的最大充放电电流[-I_max，I_max]范围内均匀选取M个电流值形成电流集 合如下：

d_I＝[i₁，i₂，…，i_M]

其中，-I_max＝i₁＜i₂＜…＜i_M＝I_max，i_m＜0代表充电，i_m＞0代表放电；

S102：在(0，100％)范围内均匀选取K个数据，构成暂停充放电的SOC集合 d_SOC如下：

d_SOC＝[SOC₁，SOC₂，…，SOC_K]

其中，0＜SOC₁＜SOC₂＜…＜SOC_k＜100％；

S103：在储能电站参与调峰调频期间，通过对多个电池组的协调控制，使其 中第n个电池组以电流集合向量d_I中的第m个电流值进行恒流充放电，直至该 电池组每次到达SOC数据集d_SOC的第k个SOC值SOC_k时退出运行，然后将所选 用的电流i_m、退出运行后电压恢复过程中前T个采样时刻的所有电压值数据 u₁，u₂，…，u_T记录下来，然后等待电池电压恢复至稳定值，将当前电压数据记录 为u_{OCV k}；

S104：将步骤S103所述的数据整合，构成一条样本数据d_m，k为：

d_m，k＝[i_m，u₁，u₂，…，u_T，u_{OCV k}]

S105：循环执行S103至S104，直至第n个电池组以电流集合d_I中的所有M 个电流遍历SOC集合d_SOC中的K个SOC，从而获得M×K条样本数据，将这些 样本数据整合成数据集D_n如下：

S106：循环执行S103至S105，直至所有N个电池组都以电流集合d_I中的所 有M个电流遍历SOC集合d_SOC中的K个SOC，从而获得N个数据集D_n (n＝1，2，...，N)，并全部保存到原始数据集D_ori中。

本方案中，步骤S2所述的新原始数据集D_new，其具体组成步骤如下：

S201：在步骤S1所述原始数据集D_ori中，提取第n个电池组对应的数据集D_n中的样本数据d_m，k，将其中的最后一个电压数据u_{OCV k}按照电池的OCV-SOC曲 线转化为与该电压值所对应的SOC值，记录为数据SOC_k，并用其替换原来的电 压数据u_{OCV k}，构成新的样本数据d_{new m，k}为：

d_{new m，k}＝[i_m，u₁，u₂，…，u_T，SOC_k]

S202：循环执行S201，直至将第n个电池组对应的数据集D_n中的所有M× K条样本数据都完成替换，得到新数据集D_{new n}如下：

S203：循环执行S201至S202，直至完成所有N个电池组的数据集D_n (n＝1，2，...，N)的替换，得到新原始数据集D_new。

本方案中，步骤S3所述的新原始数据集进行预处理，其具体步骤如下：

S301：将步骤S2输出的新原始数据集D_new的最后一列标记为标签值Z_SOC， 其他的前(T+1)列记为特征矩阵G，该特征矩阵的每一行都为一个特征向量：

g(SOC_k，i_m)＝[i_m，u₁，u₂，…，u_T]

S302：对退出运行后电压恢复过程中前T个采样时刻的所有电压值数据 u₁，u₂，…，u_T对时间进行求导，获得新的特征向量g_new如下：

g_new＝[i_m，u′₁，u′₂，…，u′_T]

S303：对新的特征向量g_new进行归一化处理，并与原先对应的标签值Z_SOC重 新组合，构成数据矩阵；

S304：将数据矩阵划分成训练集和测试集。

本方案中，步骤S5所述的对RNN神经网络模型进行训练和评估，具体步 骤如下：

S501：所述RNN神经网络模型由(L+1)个输入层、(L+1)个隐藏层和1个输 出层构成；

S502：将S302所述的特征向量g_new中电压特征数据u′₁，u′₂，...，u′_T平均分为L 份，并将电流特征i_m复制相同份数，依次作为RNN神经网络模型的输入；

S503：第一个输入层X₁经过非线性映射与初始隐藏层S₀经过非线性映射后相 加，输入第一个隐藏层S₁；第二个输入层X₂经过非线性映射与第一个隐藏层S₁经 过非线性映射后相加，输入到第二个隐藏层S₂；第三个输入层X₃经过非线性映射 与第二个隐藏层S₂经过非线性映射后相加，并加上经过非线性映射的第一个隐藏 层S₁，输入到第三个隐藏层S₃；直到第(L+1)个输入层X_L+1经过非线性映射与第L 个隐藏层S_L经过非线性映射后相加，并加上经过非线性映射的第一个隐藏层S₁， 输入到第(L+1)个隐藏层S_L+1；最后将第(L+1)个隐藏层S_L+1经过非线性映射到输 出层，作为整个RNN神经网络模型的输出。

其中，U为输入层到隐藏层的权重矩阵；W为上一个隐藏层到当前隐藏层的输入 的权重矩阵；V为隐藏层到输出层的权重矩阵；b和c为偏置；tanh(.)为激活函 数；

S504：将步骤S304所述的训练集和测试集数据输入到S503所述的RNN神 经网络模型进行训练和评估，得到权重参数U、W、V；

S505：将评估合格的RNN神经网络模型及其权重参数用于估计储能电站中 所有电池组的SOC值。

本方案中，步骤S6所述当其中某个电池组退出运行时，估计该电池组的SOC， 具体步骤如下：

S601：将步骤S5评估合格的RNN神经网络模型及其权重参数导入到储能 电站电池组管理系统中；

S602：储能电站电池组管理系统检测所有电池组的电压和电流，当某个电池 组退出运行时，先记录该电池组退出运行前一采样时刻的电流值i_rest，然后持续 记录该电池组退出运行后电压恢复过程中前T个采样时刻的所有电压值 u_rest1，u_rest2，…，u_restT；

S603：将步骤S602记录的电压值u_rest1，u_rest2，…，u_restT分别对时间求导， 然后将电流值i_rest和求导后的电压值u′_rest1，u′_rest2，…，u′_restT进行归一化处理， 然后输入步骤S601所导入的RNN神经网络模型，得到该电池单元的SOC。

与现有技术相比，本发明技术方案的有益效果是：

在储能电站参与调峰调频期间，通过对多个电池组的协调控制，使储能电站 中的所有电池组能在某段时间内以给定电流进行恒流充放电，从而获取RNN神 经网络模型训练和评估所需的数据集；在完成RNN神经网络模型训练和评估后， 可以利用电池组短暂退出运行的机会，将短时间内的电压和电流数据输入训练好 的RNN神经网络模型，从而获取准确的SOC数据。由此，克服了传统安时积分 法的累积误差问题，同时也克服了开路电压法要求长时间静置的问题。

附图说明

图1为本发明提出的一种基于RNN模型的储能电站电池组SOC估计方法流 程图。

图2为本发明实施例的RNN神经网络模型。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具 体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下， 本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明 还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并 不受下面公开的具体实施例的限制。

在一个具体的实施例中，如图1所示，一种基于RNN模型的储能电站电池 组SOC估计方法，包括以下步骤：

S1：令储能电站中相同型号容量的所有电池组轮流参与调峰调频，每当其中 有电池组退出运行时，记录该电池组退出运行前一采样时刻的电流值、退出运行 后电压恢复过程中前T个采样时刻的所有电压值、电压恢复过程结束时的电压值， 组成原始数据集D_ori；

S2：将步骤S1所述原始数据集中电压恢复过程结束时的电压值，按照电池 的OCV-SOC曲线，获得与该电压值所对应的SOC值，用该SOC值替换步骤S1 所述原始数据集中对应的电压恢复过程结束时的电压值，组成新原始数据集 D_new；

S3：将步骤S2所述的新原始数据集进行预处理，然后划分为训练集和测试 集；

S4：搭建RNN神经网络模型，得到网络模型结构；

S5：对RNN神经网络模型进行训练和评估，将评估合格的RNN神经网络模 型用于估计储能电站中所有电池组的SOC值；

S6：在储能电站持续运行过程中，令电站中的所有电池组轮流参与调峰调频， 当其中某个电池组退出运行时，采集该电池组退出运行前一采样时刻的电流值、 退出运行后电压恢复过程中前T个采样时刻的所有电压值，输入步骤S5所述评 估合格的RNN神经网络模型，估计该电池组的SOC。

本方案中，步骤S1所述的原始数据集D_ori，其具体组成步骤如下：

S101：将储能电站中相同型号容量的电池组数量表示为N，在该型号容量电 池组允许的最大充放电电流[-I_max，I_max]范围内均匀选取M个电流值形成电流集 合如下：

d_I＝[i₁，i₂，…，i_M]

其中，-I_max＝i₁＜i₂＜…＜i_M＝I_max，i_m＜0代表充电，i_m＞0代表放电；

S102：在(0，100％)范围内均匀选取K个数据，构成暂停充放电的SOC集合 d_SOC如下：

d_SOC＝[SOC₁，SOC₂，…，SOC_K]

其中，0＜SOC₁＜SOC₂＜…＜SOC_k＜100％；

S103：在储能电站参与调峰调频期间，通过对多个电池组的协调控制，使其 中第n个电池组以电流集合向量d_I中的第m个电流值进行恒流充放电，直至该 电池组每次到达SOC数据集d_SOC的第k个SOC值SOC_k时退出运行，然后将所选 用的电流i_m、退出运行后电压恢复过程中前T个采样时刻的所有电压值数据 u₁，u₂，…，u_T记录下来，然后等待电池电压恢复至稳定值，将当前电压数据记录 为u_{OCV k}；

S104：将步骤S103所述的数据整合，构成一条样本数据d_m，k为：

d_m，k＝[i_m，u₁，u₂，…，u_T，u_{OCV k}]

S105：循环执行S103至S104，直至第n个电池组以电流集合d_I中的所有M 个电流遍历SOC集合d_SOC中的K个SOC，从而获得M×K条样本数据，将这些 样本数据整合成数据集D_n如下：

S106：循环执行S103至S105，直至所有N个电池组都以电流集合d_I中的所 有M个电流遍历SOC集合d_SOC中的K个SOC，从而获得N个数据集D_n (n＝1，2，...，N)，并全部保存到原始数据集D_ori中。

本方案中，步骤S2所述的新原始数据集D_new，其具体组成步骤如下：

S201：在步骤S1所述原始数据集D_ori中，提取第n个电池组对应的数据集D_n中的样本数据d_m，k，将其中的最后一个电压数据u_{OCV k}按照电池的OCV-SOC曲 线转化为与该电压值所对应的SOC值，记录为数据SOC_k，并用其替换原来的电 压数据u_{OCV k}，构成新的样本数据d_{new m，k}为：

d_{new m，k}＝[i_m，u₁，u₂，…，u_T，SOC_k]

S202：循环执行S201，直至将第n个电池组对应的数据集D_n中的所有M× K条样本数据都完成替换，得到新数据集D_{new n}如下：

S203：循环执行S201至S202，直至完成所有N个电池组的数据集D_n (n＝1，2，...，N)的替换，得到新原始数据集D_new。

本方案中，步骤S3所述的新原始数据集进行预处理，其具体步骤如下：

S301：将步骤S2输出的新原始数据集Dnew的最后一列标记为标签值Z_SOC， 其他的前(T+1)列记为特征矩阵G，该特征矩阵的每一行都为一个特征向量：

g(SOC_k，i_m)＝[i_m，u₁，u₂，…，u_T]

S302：对退出运行后电压恢复过程中前T个采样时刻的所有电压值数据 u₁，u₂，…，u_T对时间进行求导，获得新的特征向量g_new如下：

g_new＝[i_m，u′₁，u′₂，…，u′_T]

S303：对新的特征向量g_new进行归一化处理，并与原先对应的标签值Z_SOC重 新组合，构成数据矩阵；

S304：将数据矩阵划分成训练集和测试集。

本方案中，步骤S5所述的对RNN神经网络模型进行训练和评估，如图2 所示，具体步骤如下：

S501：所述RNN神经网络模型由(L+1)个输入层、(L+1)个隐藏层和1个输 出层构成；

S502：将S302所述的特征向量g_new中电压特征数据u′₁，u′₂，...，u′_T平均分为L 份，并将电流特征i_m复制相同份数，依次作为RNN神经网络模型的输入；

S503：第一个输入层X₁经过非线性映射与初始隐藏层S₀经过非线性映射后相 加，输入第一个隐藏层S₁；第二个输入层X₂经过非线性映射与第一个隐藏层S₁经 过非线性映射后相加，输入到第二个隐藏层S₂；第三个输入层X₃经过非线性映射 与第二个隐藏层S₂经过非线性映射后相加，并加上经过非线性映射的第一个隐藏 层S₁，输入到第三个隐藏层S₃；直到第(L+1)个输入层X_L+1经过非线性映射与第L 个隐藏层S_L经过非线性映射后相加，并加上经过非线性映射的第一个隐藏层S₁， 输入到第(L+1)个隐藏层S_L+1；最后将第(L+1)个隐藏层S_L+1经过非线性映射到输 出层，作为整个RNN神经网络模型的输出。

其中，U为输入层到隐藏层的权重矩阵；W为上一个隐藏层到当前隐藏层的输入 的权重矩阵；V为隐藏层到输出层的权重矩阵；b和c为偏置；tanh(.)为激活函 数；

S504：将步骤S304所述的训练集和测试集数据输入到S503所述的RNN神 经网络模型进行训练和评估，得到权重参数U、W、V；

S505：将评估合格的RNN神经网络模型及其权重参数用于估计储能电站中 所有电池组的SOC值。

本方案中，步骤S6所述当其中某个电池组退出运行时，估计该电池组的SOC， 具体步骤如下：

S601：将步骤S5评估合格的RNN神经网络模型及其权重参数导入到储能 电站电池组管理系统中；

S602：储能电站电池组管理系统检测所有电池组的电压和电流，当某个电池 组退出运行时，先记录该电池组退出运行前一采样时刻的电流值i_rest，然后持续 记录该电池组退出运行后电压恢复过程中前T个采样时刻的所有电压值 u_rest1，u_rest2，…，u_restT；

S603：将步骤S602记录的电压值u_rest1，u_rest2，…，u_restT分别对时间求导， 然后将电流值i_rest和求导后的电压值u′_rest1，u′_rest2，…，u′_restT进行归一化处理， 然后输入步骤S601所导入的RNN神经网络模型，得到该电池单元的SOC。

Claims (6)

1.一种基于RNN模型的储能电站电池组SOC估计方法，其特征在于，包括以下步骤：

S1：令储能电站中相同型号容量的所有电池组轮流参与调峰调频，每当其中有电池组退出运行时，记录该电池组退出运行前一采样时刻的电流值、退出运行后电压恢复过程中前T个采样时刻的所有电压值、电压恢复过程结束时的电压值，组成原始数据集D_ori；

S2：将步骤S1所述原始数据集中电压恢复过程结束时的电压值，按照电池的OCV-SOC曲线，获得与该电压值所对应的SOC值，用该SOC值替换步骤S1所述原始数据集中对应的电压恢复过程结束时的电压值，组成新原始数据集D_new；

S3：将步骤S2所述的新原始数据集进行预处理，然后划分为训练集和测试集；

S4：搭建RNN神经网络模型，得到网络模型结构；

S5：对RNN神经网络模型进行训练和评估，将评估合格的RNN神经网络模型用于估计储能电站中所有电池组的SOC值；

S6：在储能电站持续运行过程中，令电站中的所有电池组轮流参与调峰调频，当其中某个电池组退出运行时，采集该电池组退出运行前一采样时刻的电流值、退出运行后电压恢复过程中前T个采样时刻的所有电压值，输入步骤S5所述评估合格的RNN神经网络模型，估计该电池组的SOC。

2.根据权利要求1所述的一种基于RNN模型的储能电站电池组SOC估计方法，其特征在于，步骤S1所述的原始数据集D_ori，其具体组成步骤如下：

S101：将储能电站中相同型号容量的电池组数量表示为N，在该型号容量电池组允许的最大充放电电流[-I_max，I_max]范围内均匀选取M个电流值形成电流集合如下：

d_I＝[i₁，i₂，…，i_M]

其中，-I_max＝i₁＜i₂＜…＜i_M＝I_max，i_m＜0代表充电，i_m＞0代表放电；

S102：在(0，100％)范围内均匀选取K个数据，构成暂停充放电的SOC集合d_SOC如下：

d_SOC＝[SOC₁，SOC₂，…，SOC_K]

其中，0＜SOC₁＜SOC₂＜…＜SOC_k＜100％；

S103：在储能电站参与调峰调频期间，通过对多个电池组的协调控制，使其中第n个电池组以电流集合向量d_I中的第m个电流值进行恒流充放电，直至该电池组每次到达SOC数据集d_SOC的第k个SOC值SOC_k时退出运行，然后将所选用的电流i_m、退出运行后电压恢复过程中前T个采样时刻的所有电压值数据u₁，u₂，…，u_T记录下来，然后等待电池电压恢复至稳定值，将当前电压数据记录为u_{OCV k}；

S104：将步骤S103所述的数据整合，构成一条样本数据d_m，k为：

d_m，k＝[i_m，u₁，u₂，…，u_T，u_{OCV k}]

S105：循环执行S103至S104，直至第n个电池组以电流集合d_I中的所有M个电流遍历SOC集合d_SOC中的K个SOC，从而获得M×K条样本数据，将这些样本数据整合成数据集D_n如下：

S106：循环执行S103至S105，直至所有N个电池组都以电流集合d_I中的所有M个电流遍历SOC集合d_SOC中的K个SOC，从而获得N个数据集D_n(n＝1，2，...，N)，并全部保存到原始数据集D_ori中。

3.根据权利要求1所述的一种基于RNN模型的储能电站电池组SOC估计方法，其特征在于，步骤S2所述的新原始数据集D_new，其具体组成步骤如下：

S201：在步骤S1所述原始数据集D_ori中，提取第n个电池组对应的数据集D_n中的样本数据d_m，k，将其中的最后一个电压数据u_{OCV k}按照电池的OCV-SOC曲线转化为与该电压值所对应的SOC值，记录为数据SOC_k，并用其替换原来的电压数据u_{OCV k}，构成新的样本数据d_{new m，k}为：

d_{new m，k}＝[i_m，u₁，u₂，…，u_T，SOC_k]

S202：循环执行S201，直至将第n个电池组对应的数据集D_n中的所有M×K条样本数据都完成替换，得到新数据集D_{new n}如下：

S203：循环执行S201至S202，直至完成所有N个电池组的数据集D_n(n＝1，2，...，N)的替换，得到新原始数据集D_new。

4.根据权利要求1所述的一种基于RNN模型的储能电站电池组SOC估计方法，其特征在于，步骤S3所述的新原始数据集进行预处理，其具体步骤如下：

S301：将步骤S2输出的新原始数据集D_new的最后一列标记为标签值Z_SOC，其他的前(T+1)列记为特征矩阵G，该特征矩阵的每一行都为一个特征向量：

g(SOC_k，i_m)＝[i_m，u₁，u₂，…，u_T]

S302：对退出运行后电压恢复过程中前T个采样时刻的所有电压值数据u₁，u₂，…，u_T对时间进行求导，获得新的特征向量g_new如下：

g_new＝[i_m，u′₁，u′₂，…，u′_T]

S303：对新的特征向量g_new进行归一化处理，并与原先对应的标签值Z_SOC重新组合，构成数据矩阵；

S304：将数据矩阵划分成训练集和测试集。

5.根据权利要求1所述的一种基于RNN模型的储能电站电池组SOC估计方法，其特征在于，步骤S5所述的对RNN神经网络模型进行训练和评估，具体步骤如下：

S501：所述RNN神经网络模型由(L+1)个输入层、(L+1)个隐藏层和1个输出层构成；

S502：将S302所述的特征向量g_new中电压特征数据u′₁，u′₂，...，u′_T平均分为L份，并将电流特征i_m复制相同份数，依次作为RNN神经网络模型的输入；

S503：第一个输入层X₁经过非线性映射与初始隐藏层S₀经过非线性映射后相加，输入第一个隐藏层S₁；第二个输入层X₂经过非线性映射与第一个隐藏层S₁经过非线性映射后相加，输入到第二个隐藏层s₂；第三个输入层X₃经过非线性映射与第二个隐藏层S₂经过非线性映射后相加，并加上经过非线性映射的第一个隐藏层S₁，输入到第三个隐藏层S₃；直到第(L+1)个输入层X_L+1经过非线性映射与第L个隐藏层S_L经过非线性映射后相加，并加上经过非线性映射的第一个隐藏层S₁，输入到第(L+1)个隐藏层S_L+1；最后将第(L+1)个隐藏层S_L+1经过非线性映射到输出层，作为整个RNN神经网络模型的输出。

S₁＝f(UX₁+WS₀+b)

S₂＝f(UX₂+WS₁+b)

S₃＝f(UX₃+WS₂+WS₁+b)

S_L+1＝f(UX_L+1+WS_L+WS₁+b)

Y＝tanh(VS_L+1+c)

其中，U为输入层到隐藏层的权重矩阵；W为上一个隐藏层到当前隐藏层的输入的权重矩阵；V为隐藏层到输出层的权重矩阵；b和c为偏置；tanh(.)为激活函数；

S504：将步骤S304所述的训练集和测试集数据输入到S503所述的RNN神经网络模型进行训|练和评估，得到权重参数U、W、V；

S505：将评估合格的RNN神经网络模型及其权重参数用于估计储能电站中所有电池组的SOC值。

6.根据权利要求1所述的一种基于RNN模型的储能电站电池组SOC估计方法，其特征在于，步骤S6所述当其中某个电池组退出运行时，估计该电池组的SOC，具体步骤如下：

S601：将步骤S5评估合格的RNN神经网络模型及其权重参数导入到储能电站电池组管理系统中；

S602：储能电站电池组管理系统检测所有电池组的电压和电流，当某个电池组退出运行时，先记录该电池组退出运行前一采样时刻的电流值i_rest，然后持续记录该电池组退出运行后电压恢复过程中前T个采样时刻的所有电压值u_{rest 1}，u_{rest 2}，…，u_{rest T}；

S603：将步骤S602记录的电压值u_{rest 1}，u_{rest 2}，…，u_{rest T}分别对时间求导，然后将电流值i_rest和求导后的电压值u′_{rest 1}，u′_{rest 2}，…，u′_{rest T}进行归一化处理，然后输入步骤S601所导入的RNN神经网络模型，得到该电池单元的SOC。

Images