CN114415040A

CN114415040A - 一种基于soc实时估计的储能电站能量管理方法及装置

Info

Publication number: CN114415040A
Application number: CN202111596976.6A
Authority: CN
Inventors: 周琦; 高磊; 袁晓冬; 杨毅; 袁宇波; 李鹏; 孔祥平; 卜强生; 王晨清; 易文飞; 林金娇; 张弛
Original assignee: State Grid Jiangsu Electric Power Co Ltd; Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Current assignee: State Grid Jiangsu Electric Power Co Ltd; Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date: 2021-12-24
Filing date: 2021-12-24
Publication date: 2022-04-29

Abstract

本发明公开了一种基于SOC实时估计的储能电站能量管理方法及装置，该方法以电池组SOC和三阶RC电池等效电路的电压为状态变量，采用双卡尔曼滤波算法对储能电站系统状态和内阻进行迭代优化计算，最终得到电池簇SOC，对于不同SOC的电池簇间功率进行合理分配，实现了基于电池SOC实时估计的储能电站能量管理，同时提升整个电池储能电站运行效率，延长电池使用寿命。

Description

一种基于SOC实时估计的储能电站能量管理方法及装置

技术领域

本发明涉及储能电池管理技术领域，尤其涉及一种基于SOC实时估计的储能电站能量管理方法及装置。

背景技术

近年来，电化学储能技术已经在电力系统中的发电、辅助服务、输配电、可再生能源接入、分布式能源存储及终端用户等多个领域得到广泛应用。2017年9月，五部委联合发布《关于促进储能技术与产业发展指导意见》中指出，鼓励可再生能源场站合理配置储能系统、鼓励电网等企业根据相关国家或行业标准要求结合需求集中或分布式接入储能系统、鼓励在用户侧建设分布式储能系统。2019年7月，国家发改委等颁布了《贯彻落实<关于促进储能技术与产业发展的指导意见>2019-2020年行动计划》中提到加强先进储能技术研发和智能制造升级。作为实现储能装置大容量化的主要手段，储能系统大规模集成是实现大规模储能电站的必要条件，而储能系统的能量管理技术是实现储能提高集中式接入友好能力的应用保障。能量管理系统是储能系统的大脑，主要实现能量的合理调度，根据电网峰谷平特点，实现微网的经济运行，具有运行优化、负荷预测、发电预测、微源调度、潮流控制等功能。因此，如何实现大型储能电站的能量合理运用是至关重要的。

目前储能电站的能量管理策略大部分为各电池簇功率平均分配，且，这种控制方式存在以下弊端：

(一)电池SOC状态值精确度不高：由于大部分储能电站采用的是放电实验或开路电压法等直接估计方法，这种方式操作简易，但这种方式不能满足SOC估计的实时性，在实际工程应用的估算精度低。

(二)电池性能未能合理利用：大部分储能电站将所需出力均分给各个电池簇，但随着储能电站容量的增大,储能电站电池组数量的增加,导致电池组之间的差异也会变大，若将能量平均利用，会造成一定程度的“短板效应”现象，且会缩短电池的使用寿命、降低其工作性能。

发明内容

本发明的目的在于提供一种基于SOC实时估计的储能电站能量管理方法及装置，在满足储能系统充放电功率、SOC变化率以及电池簇充放电约束的条件下，对于不同SOC的电池簇间功率进行合理分配，实现了基于电池SOC实时估计的储能电站能量管理，同时提升整个电池储能电站运行效率，延长电池使用寿命。

为达到上述目的，本发明采用的技术方案如下：

本发明提供一种基于SOC实时估计的储能电站能量管理方法，包括：

对储能电站系统中电池组SOC进行估计；

基于估计的电池组SOC确定电池簇SOC；

基于电池簇SOC根据储能电站系统的调度指令等级对电池簇进行调度。

进一步的，所述对储能电站系统中电池组SOC进行估计，包括：

基于卡尔曼滤波算法对储能电站系统状态进行估计，其中储能电站系统状态包括电池组SOC和三阶RC电池等效电路的电压；

基于电池组内阻和电池组SOC的关系采用卡尔曼滤波算法对电池组内阻进行更新；

基于更新后的电池组内阻对储能电站系统状态进行估计，迭代循环，直至达到设置的双卡尔曼滤波迭代次数，得到电池组SOC。

进一步的，所述基于卡尔曼滤波算法对储能电站系统状态进行估计，包括：

V_ij(k)′＝F_V(S(k))-R₀(k)I_ij(k)-U_RC1(k)-U_RC2(k)-U_RC3(k)+V_ij(k)；

其中，X_ij(k)表示第k步迭代后的第i个电池簇第j个电池组状态，X_ij(k|k-1)为第k步迭代的第i个电池簇第j个电池组状态的预测值，I_ij(k)为第i个电池簇第j个电池组的电流值，

为第k步迭代的方差矩阵，V_ij(k)为第k步迭代实际测量得到的第i个电池簇第j个电池组两端电压，V_ij(k)′为第k步迭代采用电池模型估计的第i个电池簇第j个电池组的端电压，w_ij为第i个电池簇第j个电池组的过程噪声，Δt为测温时间间隔，F_V(S(k))为开路电压关于电池组SOC的函数，R₀(k)为第k步迭代电池组等效电阻值，v为实测端电压数值，T₁(k-1)和R₁(k-1)、T₂(k-1)和R₂(k-1)、T₃(k-1)和R₃(k-1)分别为第k-1步迭代三阶RC电池等效电路中第一个RC、第二个RC、第三个RC的温度和电阻，其中，三阶RC电池等效电路中第一个RC等效为电池与电池间存在的阻值和电容，第二个RC等效为极化电阻和电容，第三个RC等效为浓差极化电阻和电容。

进一步的，所述基于电池组内阻和电池组SOC的关系采用卡尔曼滤波算法对电池组内阻进行更新，包括：

其中，R_ij(k)表示第k步迭代后的第i个电池簇第j个电池组内阻，R_ij(k|k-1)为第k步迭代的第i个电池簇第j个电池组内阻的预测值，

为第i个电池簇第j个电池组中第k步迭代过程的卡尔曼增益，S_ij(k)表示第k步迭代优化求解的第i个电池簇第j个电池组SOC，

为第k步迭代计算的第i个电池簇第j个电池组内阻均方误差矩阵，r_R为电压的测量噪声方差，Q_R是电阻的噪声方差。

进一步的，所述基于估计的电池组SOC确定电池簇SOC，包括：

将电池簇中电池组最小SOC确定为该电池簇SOC。

进一步的，所述基于电池簇SOC根据储能电站系统的调度指令等级对电池簇进行调度，包括：

若储能电站系统所需出力小于单个电池簇额定功率，则将此出力等级划分至小功率等级；若调度指令为小功率等级，则控制储能电站系统中电池簇SOC最大的电池簇出力；

若储能电站系统所需出力大于单个电池簇额定功率且小于0.5倍储能电站额定功率，则将此出力等级划分至中等功率等级；若调度指令为中等功率等级，则计算需要出力的电池簇个数，根据需要出力的电池簇个数进行出力平均分配；

若储能电站系统所需出力大于0.5倍储能电站额定功率，则将此出力等级划分至大功率等级；若调度指令为大功率等级，则所有电池簇均需出力，并根据电池簇SOC分配出力。

进一步的，所述计算需要出力的电池簇个数包括：

其中，N为需要出力的电池簇个数，P为储能电站系统收到的实际调度功率，P_e为储能电站系统额定输出功率。

进一步的，调度指令为大功率等级时，根据电池簇SOC分配出力包括：

分配出力情况为p_t＝y_t·p_b，

分配蓄力情况为p_t＝(1-y_t)·p_b。

其中，SOC(t)为计算得到的第t个电池簇SOC，y_t为第t个电池簇的比例系数，p_b为储能电站系统所需出力/蓄力，M为电池簇个数。

本发明还提供一种基于SOC实时估计的储能电站能量管理装置，包括：

第一计算模块，用于对储能电站系统中电池组SOC进行估计；

第二计算模块，用于基于估计的电池组SOC确定电池簇SOC；

以及，

调度模块，用于基于电池簇SOC根据储能电站系统的调度指令等级对电池簇进行调度。

进一步的，所述第一计算模块具体用于，

进一步的，所述第二计算模块具体用于，

将电池簇中电池组最小SOC确定为该电池簇SOC。

进一步的，所述调度模块具体用于，

本发明的有益效果为：

本发明提供一种基于SOC实时估计的储能电站能量管理方法，以电池组SOC和三阶RC电池等效电路的电压为状态变量，采用双卡尔曼滤波算法对储能电站系统状态和内阻进行迭代优化计算，最终得到电池簇SOC。本发明可精确估计各电池簇的SOC状态值，且以各电池簇的SOC状态为基础，进而合理分配各电池簇出力情况，延长电池寿命，节约并高效利用资源。

附图说明

图1为三阶RC电池等效电路图；

图2为本发明实施例中提供的基于SOC实时估计的储能电站能量管理方法流程图。

具体实施方式

下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明提供一种基于SOC实时估计的储能电站能量管理方法，在满足储能系统充放电功率、SOC变化率以及电池簇充放电约束的条件下，对于不同SOC的电池簇间功率进行合理分配，实现基于电池SOC实时估计的储能电站能量管理，同时提升了整个电池储能电站运行效率，延长电池寿命。

一种基于SOC实时估计的储能电站能量管理方法，包括：

对储能电站系统中电池组SOC进行估计；

基于电池组SOC确定电池簇SOC；

基于电池簇SOC根据储能系统的调度指令等级对电池簇进行调度。

具体的，对储能电站系统中电池组SOC进行估计，包括：

具体的，基于电池组SOC确定电池簇SOC，包括：

将每簇电池簇中电池组最小SOC设定为每簇电池簇SOC。

具体的，基于电池簇SOC根据储能系统的调度指令等级对电池簇进行调度，包括：

若储能系统所需出力小于单个电池簇额定功率，则将此出力等级划分至小功率等级。若调度指令为小功率等级，则控制电池簇SOC最大的电池簇出力。

若储能系统所需出力大于单个电池簇额定功率且小于0.5倍储能电站额定功率，则将此出力等级划分至中等功率等级。若调度指令为中等功率等级，则先计算出需要出力的电池簇个数，然后将这几个需要出力的电池簇功率进行平均分配。

若储能系统所需出力大于0.5倍储能电站额定功率，则将此出力等级划分至大功率等级。若调度指令为大功率等级，则所有电池簇均需出力，并根据电池簇SOC状态估计值分配出力情况。

作为一种优选的实施方式，本实施例提供的一种基于SOC实时估计的储能电站能量管理方法，参见图2，具体实现过程如下：

步骤1，以电池组SOC和三阶RC电池等效电路的电压为状态变量，将SOC的初始值设定为比较接近真实值，设置好双卡尔曼滤波的迭代次数，并考虑到温度对电池数据的影响。三阶RC电池等效电路结构如图1所示，图1中R₀等效为欧姆电阻，其初始值则通过当前SOC经验给出，R₁、C₁等效为电池与电池间存在的阻值和电容，R₂、C₂等效为极化电阻和电容，R₃、C₃等效为浓差极化电阻和电容，U_oc为输出电压。

步骤2，对储能电站系统状态和内阻进行迭代计算，

对第k步的储能电站系统状态进行估计如下：

其中，

I_ij(k)为第i簇第j个电池组的电流值，

ψ_S(k)分别代表系统状态转移矩阵和控制输入矩阵，

S_ij(k)为第k步迭代第i簇第j个电池组的SOC，U_RC1(k)、U_RC2(k)、U_RC3(k)为三阶RC电池等效电路电压，X_ij(k|k-1)为基于第k-1步迭代结果估计的第k步的电池组状态，即第k步电池组状态的预测值，X_ij(k-1)为第k-1步迭代优化后的电池组状态，R₁(k-1)为第k-1步迭代时刻电池之间的内阻，R₂(k-1)为第k-1步迭代时刻极化电阻，R₃(k-1)为第k-1步迭代时刻浓差极化电阻，w_ij为第i簇第j个电池组的过程噪声，Δt为测温时间间隔，T₁(k-1)、T₂(k-1)、T₃(k-1)分别为第k-1步迭代时刻等效电路中第一个RC、第二个RC、第三个RC的温度。T₁(k-1)、T₂(k-1)、T₃(k-1)可通过温度传感器测量得到，R₁(k-1)、R₂(k-1)、R₃(k-1)、R₀(k)可利用电化学阻抗谱方法施加激励信号测得。

步骤3，对估计的储能电站系统状态进行优化：

其中，V_ij(k)为第k步迭代实际测量得到的第i簇第j个电池组两端电压，V_ij(k)′为第k步迭代采用电池模型估计的第i簇第j个电池组的端电压，

为第k步迭代的方差矩阵。

V_ij(k)′计算如下：

V_ij(k)′＝F_V(S(k))-R₀(k)I_ij(k)-U_RC1(k)-U_RC2(k)-U_RC3(k)+V_ij(k)。

其中，F_V(S(k))为开路电压关于电池SOC的函数，可通过当前SOC查表给出，R₀(k)为第k步迭代电池组等效电阻值。

方差矩阵计算如下：

P_S(k)＝[I-K_S(k)C_S(k)]P_S(k|k-1)；

其中，Q_S为系统过程噪声的协方差矩阵，

代表第i簇第j个电池组的电压测量噪声方差，K_S(k)为储能系统的方差矩阵，

为K_S(k)中的元素，C_Sij(k)为C_S(k)中的元素，P_S(k|k-1)为真实值与预测值之间的协方差矩阵，

为P_S(k|k-1)中的元素，P_S(k)为第k步迭代下真实值与最优估计值的协方差矩阵，F_V(S)为开路电压关于SOC的函数，最后更新一下方差矩阵，就结束了这一步的SOC的卡尔曼滤波。

步骤4，基于电池组内阻和电池组SOC的关系对第k步迭代的电池组内阻进行估计：

其中，F_R(S_ij(k))为内阻关于SOC的函数，可通过现有电池内阻模型中获得，I_ij(k)为第k步迭代的第i簇第j个电池组的电流，R_ij(k-1)为第k-1步迭代优化后的电池组内阻，R_ij(k|k-1)为基于第k-1步迭代结果估计的第k步迭代的电池组内阻，即电池组内阻预测值。

步骤5，基于电压的误差对估计的电池组内阻进行优化：

其中，

为第k-1步迭代的均方误差矩阵，Q_R是电阻的噪声方差，为单位矩阵；r_R与r_S取值相同，都是电压的测量噪声方差，为单位矩阵，

为第i簇第j个电池组中第k步迭代过程的卡尔曼增益，

为第i簇第j个电池组中第k-1步迭代过程的协方差矩阵。

步骤6，更新均方误差矩阵：

步骤7，重复步骤2-6，直至达到设置的双卡尔曼滤波迭代次数，输出此时的SOC状态值SOC_ij，作为电池组的SOC估计值。

其中，电池组内阻R_ij(k)为第i簇第j个电池组中步骤3的R₀。

步骤8，将每簇电池簇中电池组最小SOC(SOC_ij(min))设定为每簇电池簇SOC。

SOC估计精度为2min，在2min间隔中的SOC估计值根据BMS中采集到的SOC下降/上升幅度而做变化。

步骤9，根据储能系统所需出力大小划分调度指令等级，如下：

若储能系统所需出力/蓄力小于单个电池簇额定功率，则将此出力/蓄力等级划分至小功率等级，表达式可表示为P_s∈(0,P_c)。

若储能系统所需出力/蓄力大于单个电池簇额定功率且小于0.5倍储能电站额定功率，则将此出力/蓄力等级划分至中等功率等级，表达式可表示为P_m∈(P_c,0.5P_z)。

若储能系统所需出力/蓄力大于0.5倍储能电站额定功率，则将此出力等级划分至大功率等级，表达式可表示为P_b∈(0.5P_z,P_z)。

步骤10，基于电池簇SOC根据储能系统的调度指令等级对电池簇进行调度，如下：

若调度指令为小功率指令P_s，则控制SOC最大(SOC_ij(max))的电池簇出力(或控制SOC最小的电池簇蓄力)，即

若调度指令为中等功率指令P_m，则先计算出出力/蓄力电池簇个数：

其中，P，P_e分别为储能电站收到的实际调度功率和额定输出功率。

然后将这几个需要出力/蓄力的电池簇功率进行平均分配：

其中，P_t为第t个电池簇分配的出力/蓄力。

若调度指令为大功率指令P_b，则所有电池簇(设共有M组)均需出力，并根据实时SOC状态估计值分配出力情况，将每个电池簇SOC估计值按比例处理，即：

分配出力情况为p_t＝y_t·p_b，

分配蓄力情况为p_t＝(1-y_t)·p_b。

其中，SOC(t)为基于上述双卡尔曼滤波算法得到的第t个电池簇SOC，y_t为第t个电池簇的比例系数，p_b为储能系统所需出力/蓄力，p_t为第t个电池簇分配的出力/蓄力。

本发明另一个实施例提供一种基于SOC实时估计的储能电站能量管理装置，包括：

第一计算模块，用于对储能电站系统中电池组SOC进行估计；

第二计算模块，用于基于估计的电池组SOC确定电池簇SOC；

以及，

进一步的，所述第一计算模块具体用于，

本实施例中，第二计算模块具体用于，

将电池簇中电池组最小SOC确定为该电池簇SOC。

本实施例中，调度模块具体用于，

值得指出的是，该装置实施例是与上述方法实施例对应的，上述方法实施例的实现方式均适用于该装置实施例中，并能达到相同或相似的技术效果，故不在此赘述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

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保护范围之内。