CN115718883A - 电池储能系统热预警方法及装置 - Google Patents
电池储能系统热预警方法及装置 Download PDFInfo
- Publication number
- CN115718883A CN115718883A CN202211430707.7A CN202211430707A CN115718883A CN 115718883 A CN115718883 A CN 115718883A CN 202211430707 A CN202211430707 A CN 202211430707A CN 115718883 A CN115718883 A CN 115718883A
- Authority
- CN
- China
- Prior art keywords
- surface temperature
- temperature
- energy storage
- storage system
- weight
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池储能系统热预警方法及装置,其中,该方法包括:将电池储能系统转化为两节点电热模型并获取两节点电热模型中环境温度的历史数据及表面温度的历史数据;根据以上参数预测当前时刻的第一表面温度;建立多尺度LSTM网络,将历史表面温度、历史环境温度及电池的历史电热参数输入至多尺度LSTM网络,预测得到当前时刻第二表面温度;对第一表面温度及第二表面温度进行加权求和,计算得到当前时刻的耦合表面温度;建立以交叉熵作为损失函数的分类网络,将耦合表面温度输入至分类网络,以判断耦合表面温度是否达到或超过预设阈值;当耦合表面温度达到或超过预设阈值时对电池储能系统进行预警。可快速、准确的对电池储能系统进行预警。
Description
技术领域
本发明涉及电池储能系统智能故障诊断领域,特别涉及一种电池储能系统热预警方法及装置。
背景技术
随着“风光水火储”一体化的提出,新能源的深度开发以及储能技术的应用备受关注。目前我国储能电站建设发展较快的是电化学储能,电化学储能具备配置灵活优势,其中,锂离子电池应具备能量密度高、循环寿命长、自放电低等优点,被广泛应用于电化学储能系统中。目前电化学储能优势明显,上升空间巨大,但在长时间运行的过程中面临着较为严重的安全问题,如电化学储能电池的异常及故障会导致热失控等严重问题,电池自燃甚至爆炸事故屡见不鲜,电池安全问题已成为限制其进一步应用发展的关键和难点。在电化学储能电站向更大规模集成的进程中,大规模电化学储能的实时监测、预警以及管控已成为不可忽视的重点环节。
在电池安全和预警方面,目前已有学者围绕电池热失控现象开展研究,针对锂电池在极限条件下温度、内阻、电压、内部气压、气体浓度等特征参数分析热失控过程的变化规律,分析总结了锂电池热失控机理发展过程以及早期安全预警的方法,并给出了建议型的报警指标范围。目前电池储能系统温度预警方法主要由基于数据驱动和模型法,然而单一的数据驱动法需要较多的计算时间,模型法则不具备较高的精确度。
针对现有技术中无法兼顾电池储能系统快速、准确预警的问题,目前还没有一个有效的解决方法。
发明内容
本发明实施例提供了一种电池储能系统热预警方法及装置,建立两节点电热模型,基于该模型对表面温度进行预测,建立多尺度LSTM网络,并对表面温度进行预测,综合两个表面温度预测结果,得到耦合表面温度,基于耦合表面温度对电池储能系统进行多步超前预测,快速得到准确的结果,以解决现有技术中无法兼顾电池储能系统快速、准确预警的问题。
为达到上述目的,本发明实施例提供了一种电池储能系统热预警方法,包括:将电池储能系统转化为两节点电热模型并获取两节点电热模型中环境温度的历史数据及表面温度的历史数据;其中,所述两节点电热模型包括:电热元件、内部节点与表面节点间的第一热阻、表面节点与外部环境间的第二热阻、内部节点对应的内部热容及表面节点对应的表面热容;所述第二热阻两端的温度分别为表面温度和环境温度;根据电热元件的历史电热参数、所述第一热阻、所述第二热阻、所述内部热容、所述表面热容、所述环境温度的历史数据和所述表面温度的历史数据预测当前时刻的第一表面温度;建立多尺度LSTM网络,将历史表面温度、历史环境温度及电池的历史电热参数输入至所述多尺度LSTM网络,预测得到当前时刻第二表面温度;对所述第一表面温度及第二表面温度进行加权求和,计算得到当前时刻的耦合表面温度;建立以交叉熵作为损失函数的分类网络,将所述耦合表面温度输入至所述分类网络,以判断所述耦合表面温度是否达到或超过预设阈值;当所述耦合表面温度达到或超过预设阈值时对电池储能系统进行预警。
进一步可选的,所述根据电热元件的历史电热参数、所述第一热阻、所述第二热阻、所述内部热容、所述表面热容、所述环境温度的历史数据和所述表面温度的历史数据预测当前时刻的第一表面温度,采用下式计算:
Tsurf(k)=aTsurf(k-1)+bTsurf(k-2)+cQ(k-2)+dTamb
进一步可选的,所述对所述第一表面温度及第二表面温度进行加权求和,计算得到当前时刻的耦合表面温度包括:根据第一表面温度与实际表面温度计算第一回归误差率,根据第二表面温度与实际表面温度计算第二回归误差率;根据第一回归误差率计算两节点电热模型对应的第一权重,根据第二回归误差率计算多尺度LSTM网络对应的第二权重;对所述第一权重与第二权重进行归一化,得到第一归一化权重及第二归一化权重;根据第一归一化权重、第一表面温度、第二归一化权重及第二表面温度计算得到所述耦合表面温度。
进一步可选的,任一回归误差率通过下式计算:
进一步可选的,所述交叉熵由以下公式计算:
其中,概率分布p为预期输出,概率分布q为实际输出。
另一方面,本发明实施例还提供了一种电池储能系统热预警装置,包括:
电热模型建立模块,用于将电池储能系统转化为两节点电热模型并获取两节点电热模型中环境温度的历史数据及表面温度的历史数据;其中,所述两节点电热模型包括:电热元件、内部节点与表面节点间的第一热阻、表面节点与外部环境间的第二热阻、内部节点对应的内部热容及表面节点对应的表面热容;所述第二热阻两端的温度分别为表面温度和环境温度;第一表面温度预测模块,用于根据电热元件的历史电热参数、所述第一热阻、所述第二热阻、所述内部热容、所述表面热容、所述环境温度的历史数据和所述表面温度的历史数据预测当前时刻的第一表面温度;第二表面温度预测模块,用于建立多尺度LSTM网络,将历史表面温度、历史环境温度及电池的历史电热参数输入至所述多尺度LSTM网络,预测得到当前时刻第二表面温度;耦合表面温度计算模块,用于对所述第一表面温度及第二表面温度进行加权求和,计算得到当前时刻的耦合表面温度;预测模块,用于建立以交叉熵作为损失函数的分类网络,将所述耦合表面温度输入至所述分类网络,以判断所述耦合表面温度是否达到或超过预设阈值;预警模块,用于当所述耦合表面温度达到或超过预设阈值时对电池储能系统进行预警。
进一步可选的,所述据电热元件的历史电热参数、所述第一热阻、所述第二热阻、所述内部热容、所述表面热容、所述环境温度的历史数据和所述表面温度的历史数据预测当前时刻的第一表面温度,采用下式计算:
Tsurf(k)=aTsurf(k-1)+bTsurf(k-2)+cQ(k-2)+dTamb
进一步可选的,所述耦合表面温度计算模块包括:回归误差率计算子模块,用于根据第一表面温度与实际表面温度计算第一回归误差率,根据第二表面温度与实际表面温度计算第二回归误差率;权重计算子模块,用于根据第一回归误差率计算两节点电热模型对应的第一权重,根据第二回归误差率计算多尺度LSTM网络对应的第二权重;归一化权重计算子模块,用于对所述第一权重与第二权重进行归一化,得到第一归一化权重及第二归一化权重;加权求和子模块,用于根据第一归一化权重、第一表面温度、第二归一化权重及第二表面温度计算得到所述耦合表面温度。
进一步可选的,任一回归误差率通过下式计算:
进一步可选的,所述交叉熵由以下公式计算:
其中,概率分布p为预期输出,概率分布q为实际输出。
同时,本发明还提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法。
同时,本发明还提供一种计算机可读存储介质,计算机可读存储介质存储有执行上述方法的计算机程序。
以上技术方案具有如下有益效果:利用建立的电热模型以及MLSTM耦合计算预测温度,并且建立多步超前热预警模型向前多步预测温度进行温度预警,相比模型法具有较高的精度,又相比数据驱动法具有更短的计算时间,融合了两种方法的优点,有助于实现电池储能系统温度预警的在线运行。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的电池储能系统热预警方法的流程图;
图2为本发明实施例提供的电池两节点电热模型的结构示意图;
图3为本发明实施例提供的多尺度LSTM网络的结构示意图;
图4是本发明实施例提供的多尺度LSTM预测模型的建立方法示意图;
图5是本发明实施例提供的多步超前热预警网络的结构示意图;
图6是本发明实施例提供的耦合表面温度计算方法的流程图;
图7是本发明实施例提供的电池储能系统热预警装置的结构示意图;
图8是本发明实施例提供的耦合表面温度计算模块的;
图9为本发明实施例提供的电池储能系统热预警方法的流程框图。
附图标记:
100-电热模型建立模块200-电热模型建立模块300-电热模型建立模块400-耦合表面温度计算模块4001-回归误差率计算子模块4002-权重计算子模块4003-归一化权重计算子模块4004-加权求和子模块500-预测模块600-预警模块
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为解决现有技术中无法兼顾电池储能系统快速、准确预警的问题,本发明实施例提供了一种电池储能系统热预警方法,包括:
S1、将电池储能系统转化为两节点电热模型并获取两节点电热模型中环境温度的历史数据及表面温度的历史数据;其中,两节点电热模型包括:电热元件、内部节点与表面节点间的第一热阻、表面节点与外部环境间的第二热阻、内部节点对应的内部热容及表面节点对应的表面热容;第二热阻两端的温度分别为表面温度和环境温度;
首先,建立电池的两节点电热模型。图2为本发明实施例提供的电池两节点电热模型的结构示意图,如图2所示,电池热模型由一个热源、两个热阻和两个热容组成,它将温度分布集中到三个温度点,即内部温度、表面温度和环境温度。热阻在三个温度点之间产生温差。图2中,Q为锂离子电池的热产生率;R1(第一热阻)和R2(第二热阻)分别表示电池内部与表面之间、表面与环境之间的热阻;C1(内部热容)和C2(表面热容)是电池的相应内部和表面热容;Tin、Tsurf和Tamb分别表示内部温度、表面温度和环境温度。电热模型的数学表达式如下:
S2、根据电热元件的历史电热参数、第一热阻、第二热阻、内部热容、表面热容、环境温度的历史数据和表面温度的历史数据预测当前时刻的第一表面温度;
根据上述的电热模型数学表达式,代入各项参数预测之后多个时刻的第一表面温度。其中,电热元件的历史电热参数:荷电状态及热产生率。
S3、建立多尺度LSTM网络,将历史表面温度、历史环境温度及电池的历史电热参数输入至多尺度LSTM网络,预测得到当前时刻第二表面温度;
循环LSTM是一种特殊的RNN,图3为本发明实施例提供的多尺度LSTM网络的结构示意图,如图3所示,xt、ht和ct分别表示输入、输出和细胞状态。细胞状态ct表示长期记忆。细胞状态ct和输出ht在LSTM网络中是可传递的。每个LSTM单元由输入、遗忘和输出门组成。该门由一个sigmoid神经网络层和一个位乘法运算组成。sigmoid神经网络层可以将输入信号转换为0-1之间的值,以确定有多少输入信号可以通过。0表示不允许任何信号通过,1表示允许所有信号通过。第一级是遗忘门,它确定最后一刻要遗忘的单元状态中的信息;第二级是输入门,它确定存储在单元状态中的新信息;第三级为输出门,用于确定输出值。LSTM单元更新单元状态,并通过上一次的输出、细胞状态和当前输入生成下一次的输入。计算过程如下式所示:
式中:字母W和b分别表示不同门的权重和偏移。
图4是本发明实施例提供的多尺度LSTM预测模型的建立方法示意图,如图4所示,建立用于温度预测的多尺度LSTM网络(Multi-scale LSTM Neural Network,MLSTM)。考虑到多个输入的不同特性及其对神经网络输出的影响,通过调整全连接层的权重、偏移和学习率,将神经网络的唯一输入由学习率为0的全连接层分成两部分,即一个输入层连接两个全连接层。这样,全连接层的权重和偏差不会改变。将权重设置为1,将偏移设置为0可以确保输入不会通过全连接层发生变化。然后将两个输入馈入两个不同的集成LSTM网络。每个集成LSTM层由两个LSTM层和两个dropout层组成,其中dropout层用于解决深度学习的过拟合问题。然后通过级联层连接两个集成LSTM层,再连接两个全连接层。包含32个神经元的全连接层的激活函数为tanh,而包含4个神经元的全连接层的激活函数为rule。样本的特征通过集成LSTM层提取和学习,然后通过完全连接层映射到输出。
图4中括号中为每层神经元的数量。由于电池温度、产热和SOC(荷电状态)的特性可能会相互影响,因此将这些量分为两个输入。一个输入为表面温度Tsurf和环境温度Tamb,另一个输入是Q和SOC。使用20个连续采样点的噪声测量信号作为输入。神经网络的输出为未来m个连续采样时间内电池储能系统的实际表面温度Tsurf(k+1),Tsurf(k+2),…,Tsurf(k+m)。其中,m为移动窗口的长度,可根据计算需求确定。采用自适应增强算法(AdaBoost)自适应更新MLSTM参数。
AdaBoost是一种迭代算法。它根据每个训练集中每个样本的分类是否正确以及最后一次总体分类的准确性来确定每个样本的权重。具有修改权重的新数据集被发送到较低分类器进行训练。最后,将每次训练得到的分类器融合为最终决策分类器。
S4、对第一表面温度及第二表面温度进行加权求和,计算得到当前时刻的耦合表面温度;
将模型法及MLSTM耦合得到的两个结果进行耦合,得到一个更为准确的耦合表面温度。
此模型法与MLSTM耦合的方式既相比模型法具有较高的精度,又相比数据驱动法具有更短的计算时间,融合了两种方法的优点,有助于实现电池储能系统温度预警的在线运行。
S5、建立以交叉熵作为损失函数的分类网络,将耦合表面温度输入至分类网络,以判断耦合表面温度是否达到或超过预设阈值;
由于预测温度与实际温度之间必然存在偏差,为进一步提高早期预警能力,建立多步超前热预警模型。图5是本发明实施例提供的多步超前热预警网络的结构示意图,如图5所示,首先,建立以交叉熵作为损失函数的分类网络。交叉熵表示实际输出概率和预期输出概率之间的距离。将耦合表面温度网络作为分类网络的输入,即下m个热状态下的表面温度,得到的分类网络的输出预测值为0或1。
作为一种可选的实施方式,交叉熵由以下公式计算:
其中,概率分布p为预期输出,概率分布q为实际输出。
S6、当耦合表面温度达到或超过预设阈值时对电池储能系统进行预警。
根据预测值的不同可以确定是否对当前时刻的系统进行预警。在本实施中,0表示电池存储系统的表面温度不跨越边界,无需预警;1表示温度可能跨越边界,需要提前预警。
作为一种可选的实施方式,根据电热元件的历史电热参数、第一热阻、第二热阻、内部热容、表面热容、环境温度的历史数据和表面温度的历史数据预测当前时刻的第一表面温度,采用下式计算:
Tsurf(k)=aTsurf(k-1)+bTsurf(k-2)+cQ(k-2)+dTamb
基于上述电池传热模型的数学表达式,热产生率Q通常由电极极化引起的不可逆热、熵变引起的可逆热、浓度梯度产生的热和相变反应组成。由于模型的输入是大负载电流,并且在大负载电流下主要的发热源是欧姆热,因此简化的发热方程由下式给出:
Q=Ri2
式中:i是电池端电流;R表示电池的内阻。R是随温度和荷电状态(State ofCharge,SOC)变化的变量,但在20℃-50℃范围内,电池内阻几乎与SOC无关,因此假设R仅是电池内部温度Tin的函数,其简化的表达式如下:
R=fR(Tin)
内阻R与温度的相关曲线可通过离线辨识方法获得。在预测电池储能系统的温度时,可以通过插值法获得当前时间的R值。
采用下列方程对上述公式进行离散化:
zT(k)=T(k+1)
式中:Tsampling是采样时间;k为当前时刻。令Tsampling=dt=1,上述公式可简化为:
C1(Tin(k)-Tin(k-1)=Q(k-1)-K1(Tin(k-1)-Tsurf(k-1)
C2(Tsurf(k)-Tsurf(k-1)=K1(Tin(k-1))-Tsurf(k-1)-K2(Tsurf(k-1)-Tamb(k-1))
假设环境温度恒定,由于Tin难以测量,上述两式消除Tin,可获得k时刻的Tsurf:
Tsurf(k)=aTsurf(k-1)+bTsurf(k-2)+cQ(k-2)+dTamb
式中:a、b、c、d是待识别的参数,可采用递归最小二乘(Recursive Least Square,RLS)算法来辨识。
模型参数确定后,基于上式预测k+1时刻的电池表面温度Tsurf(k+1)。然后,使用预测的Tsurf(k+1)并再次应用上式,可以预测k+2时刻的表面温度Tsurf(k+2),以此类推。使用时,参数辨识和温度预测同时进行。
作为一种可选的实施方式,图6是本发明实施例提供的耦合表面温度计算方法的流程图,如图6所示,对第一表面温度及第二表面温度进行加权求和,计算得到当前时刻的耦合表面温度,包括:
S401、根据的第一表面温度与实际表面温度计算第一回归误差率,根据第二表面温度与实际表面温度计算第二回归误差率;
回归误差率表示两个温度间的距离。
作为一种可选的实施方式,任一回归误差率通过下式计算:
其中,是时间t时刻的预测表面温度。Tsurf,t是t时刻的实际表面温度;n为每次更新权重所需的样本数,根据计算量与精度需求确定;E为最大误差,a为最终时刻的序号。根据上式分别计算模型预测方法的第一回归误差率及多尺度LSTM预测方法的第二回归误差率。
式中最大误差E通过下式计算:
S402、根据第一回归误差率计算两节点电热模型对应的第一权重,根据第二回归误差率计算多尺度LSTM网络对应的第二权重;
任一权重a通过下式计算:
分别计算模型预测方法的权重amodel和多尺度LSTM网络预测的权重aLSTM。
S403、对第一权重与第二权重进行归一化,得到第一归一化权重及第二归一化权重;
将amodel与aLSTM进行归一化处理得到第一归一化权重a’model与第二归一化权重a’LSTM,使得两个权重之和为1。
S404、根据第一归一化权重、第一表面温度、第二归一化权重及第二表面温度计算得到耦合表面温度。
这里,和分别是模型法预测的第一表面温度和LSTM神经网络预测的第二表面温度。假设两个模型的预测权重在接下来的m个采样时间内保持不变,通过上式校正接下来m个连续采样时间内的表面温度Ts(k+1)~Ts(k+m)的预测值。通过滑动窗口方法连续更新模型预测和多尺度LSTM预测的权重,并在更新权重的同时预测表面温度。
本发明实施例提供了一种电池储能系统热预警装置,图7是本发明实施例提供的电池储能系统热预警装置的结构示意图,如图7所示,该装置包括:
电热模型建立模块100,用于将电池储能系统转化为两节点电热模型并获取两节点电热模型中环境温度的历史数据及表面温度的历史数据;其中,两节点电热模型包括:电热元件、内部节点与表面节点间的第一热阻、表面节点与外部环境间的第二热阻、内部节点对应的内部热容及表面节点对应的表面热容;第二热阻两端的温度分别为表面温度和环境温度;
首先,建立电池的两节点电热模型。如图2所示,电池热模型由一个热源、两个热阻和两个热容组成,它将温度分布集中到三个温度点,即内部温度、表面温度和环境温度。热阻在三个温度点之间产生温差。图2中,Q为锂离子电池的热产生率;R1(第一热阻)和R2(第二热阻)分别表示电池内部与表面之间、表面与环境之间的热阻;C1(内部热容)和C2(表面热容)是电池的相应内部和表面热容;Tin、Tsurf和Tamb分别表示内部温度、表面温度和环境温度。电热模型的数学表达式如下:
第一表面温度预测模块200,用于根据电热元件的历史电热参数、第一热阻、第二热阻、内部热容、表面热容、环境温度的历史数据和表面温度的历史数据预测当前时刻的第一表面温度;
根据上述的电热模型数学表达式,代入各项参数预测之后多个时刻的第一表面温度。其中,电池元件的历史电热参数:荷电状态及热产生率。
第二表面温度预测模块300,用于建立多尺度LSTM网络,将历史表面温度、历史环境温度及电池的历史电热参数输入至多尺度LSTM网络,预测得到当前时刻第二表面温度;
循环LSTM是一种特殊的RNN,如图3所示,xt、ht和ct分别表示输入、输出和细胞状态。细胞状态ct表示长期记忆。细胞状态ct和输出ht在LSTM网络中是可传递的。每个LSTM单元由输入、遗忘和输出门组成。该门由一个sigmoid神经网络层和一个位乘法运算组成。sigmoid神经网络层可以将输入信号转换为0-1之间的值,以确定有多少输入信号可以通过。0表示不允许任何信号通过,1表示允许所有信号通过。第一级是遗忘门,它确定最后一刻要遗忘的单元状态中的信息;第二级是输入门,它确定存储在单元状态中的新信息;第三级为输出门,用于确定输出值。LSTM单元更新单元状态,并通过上一次的输出、细胞状态和当前输入生成下一次的输入。计算过程如下式所示:
式中:字母W和b分别表示不同门的权重和偏移。
如图4所示,建立用于温度预测的多尺度LSTM网络(Multi-scale LSTM NeuralNetwork,MLSTM)。考虑到多个输入的不同特性及其对神经网络输出的影响,通过调整全连接层的权重、偏移和学习率,将神经网络的唯一输入由学习率为0的全连接层分成两部分,即一个输入层连接两个全连接层。这样,全连接层的权重和偏差不会改变。将权重设置为1,将偏移设置为0可以确保输入不会通过全连接层发生变化。然后将两个输入馈入两个不同的集成LSTM网络。每个集成LSTM层由两个LSTM层和两个dropout层组成,其中dropout层用于解决深度学习的过拟合问题。然后通过级联层连接两个集成LSTM层,再连接两个全连接层。包含32个神经元的全连接层的激活函数为tanh,而包含4个神经元的全连接层的激活函数为rule。样本的特征通过集成LSTM层提取和学习,然后通过完全连接层映射到输出。
图4中括号中为每层神经元的数量。由于电池温度、产热和SOC(荷电状态)的特性可能会相互影响,因此将这些量分为两个输入。一个输入为表面温度Tsurf和环境温度Tamb,另一个输入是Q和SOC。使用20个连续采样点的噪声测量信号作为输入。神经网络的输出为未来m个连续采样时间内电池储能系统的实际表面温度Tsurf(k+1),Tsurf(k+2),…,Tsurf(k+m)。其中,m为移动窗口的长度,可根据计算需求确定。采用自适应增强算法(AdaBoost)自适应更新MLSTM参数。
AdaBoost是一种迭代算法。它根据每个训练集中每个样本的分类是否正确以及最后一次总体分类的准确性来确定每个样本的权重。具有修改权重的新数据集被发送到较低分类器进行训练。最后,将每次训练得到的分类器融合为最终决策分类器。
耦合表面温度计算模块400,用于对第一表面温度及第二表面温度进行加权求和,计算得到当前时刻的耦合表面温度;
将模型法及MLSTM耦合得到的两个结果进行耦合,得到一个更为准确的耦合表面温度。
此模型法与MLSTM耦合的方式既相比模型法具有较高的精度,又相比数据驱动法具有更短的计算时间,融合了两种方法的优点,有助于实现电池储能系统温度预警的在线运行。
预测模块500,用于建立以交叉熵作为损失函数的分类网络,将耦合表面温度输入至分类网络,以判断耦合表面温度是否达到或超过预设阈值;
由于预测温度与实际温度之间必然存在偏差,为进一步提高早期预警能力,建立多步超前热预警模型。如图5所示,首先,建立以交叉熵作为损失函数的分类网络。交叉熵表示实际输出概率和预期输出概率之间的距离。将耦合表面温度网络作为分类网络的输入,即下m个热状态下的表面温度,得到的分类网络的输出为0或1。
作为一种可选的实施方式,交叉熵由以下公式计算:
其中,概率分布p为预期输出,概率分布q为实际输出。
预警模块600,用于当耦合表面温度达到或超过预设阈值时对电池储能系统进行预警。
根据预测值的不同可以确定是否对当前时刻的系统进行预警。在本实施中,0表示电池存储系统的表面温度不跨越边界,无需预警;1表示温度可能跨越边界,需要提前预警。
作为一种可选的实施方式,根据电热元件的历史电热参数、第一热阻、第二热阻、内部热容、表面热容、环境温度的历史数据和表面温度的历史数据预测当前时刻的第一表面温度,采用下式计算:
Tsurf(k)=aTsurf(k-1)+bTsurg(k-2)+cQ(k-2)+dTamb
基于上述电池传热模型的数学表达式,热产生率Q通常由电极极化引起的不可逆热、熵变引起的可逆热、浓度梯度产生的热和相变反应组成。由于模型的输入是大负载电流,并且在大负载电流下主要的发热源是欧姆热,因此简化的发热方程由下式给出:
Q=Ri2
式中:i是电池端电流;R表示电池的内阻。R是随温度和荷电状态(State ofCharge,SOC)变化的变量,但在20℃-50℃范围内,电池内阻几乎与SOC无关,因此假设R仅是电池内部温度Tin的函数,其简化的表达式如下:
R=fR(Tin)
内阻R与温度的相关曲线可通过离线辨识方法获得。在预测电池储能系统的温度时,可以通过插值法获得当前时间的R值。
采用下列方程对上述公式进行离散化:
zT(k)=T(k+1)
式中:Tsampling是采样时间;k为当前时刻。令Tsampling=dt=1,上述公式可简化为:
C1(Tin(k)-Tin(k-1)=Q(k-1)-K1(Tin(k-1)-Tsurf(k-1)
C2(Tsurf(k)-Tsurf(k-1)=K1(Tin(k-1))-Tsurf(k-1)-K2(Tsurf(k-1)-Tamb(k-1))
假设环境温度恒定,由于Tin难以测量,上述两式消除Tin,可获得k时刻的Tsurf:
Tsurf(k)=aTsurf(k-1)+bTsurg(k-2)+cQ(k-2)+dTamb
式中:a、b、c、d是待识别的参数,可采用递归最小二乘(Recursive Least Square,RLS)算法来辨识。
模型参数确定后,基于上式预测k+1时刻的电池表面温度Tsurf(k+1)。然后,使用预测的Tsurf(k+1)并再次应用上式,可以预测k+2时刻的表面温度Tsurf(k+2),以此类推。使用时,参数辨识和温度预测同时进行。
作为一种可选的实施方式,耦合表面温度计算模块400包括:
回归误差率计算子模块4001,用于根据第一表面温度与实际表面温度计算第一回归误差率,根据第二表面温度与实际表面温度计算第二回归误差率;
回归误差率标识两个温度间的距离。
作为一种可选的实施方式,任一回归误差率通过下式计算:
其中,是时间t时刻的预测表面温度。Tsurf,是t时刻的实际表面温度;n为每次更新权重所需的样本数,根据计算量与精度需求确定;E为最大误差,a为最终时刻的序号。根据上式分别计算模型预测方法的第一回归误差率及多尺度LSTM预测方法的第二回归误差率。
式中最大误差E通过下式计算:
权重计算子模块4002,用于根据第一回归误差率计算两节点电热模型对应的第一权重,根据第二回归误差率计算多尺度LSTM网络对应的第二权重;
任一权重a通过下式计算:
分别计算模型预测方法的权重amodel和多尺度LSTM网络预测的权重aLSTM。
归一化权重计算子模块4003,用于对第一权重与第二权重进行归一化,得到第一归一化权重及第二归一化权重;
将amodel与aLSTM进行归一化处理得到第一归一化权重a’model与第二归一化权重a’LSTM,使得两个权重之和为1。
加权求和子模块4004,用于根据第一归一化权重、第一表面温度、第二归一化权重及第二表面温度计算得到耦合表面温度。
这里,和分别是模型法预测的第一表面温度和LSTM神经网络预测的第二表面温度。假设两个模型的预测权重在接下来的m个采样时间内保持不变,通过上式校正接下来m个连续采样时间内的表面温度Ts(k+1)~Ts(k+m)的预测值。通过滑动窗口方法连续更新模型预测和多尺度LSTM预测的权重,并在更新权重的同时预测表面温度。
图9为本发明实施例提供的电池储能系统热预警方法的流程框图,如图9所示,首先建立电池的两节点电热模型,采用递归最小二乘算法辨识参数,并基于电热模型预测表面温度;然后建立多尺度LSTM网络(Multi-scale LSTM Neural Network,MLSTM)用于温度预测,并采用AdaBoost自适应更新MLSTM参数;最后将模型法与MLSTM耦合计算预测温度;为了进一步提高早期预警能力,建立多步超前热预警模型来向前预测。模型法与MLSTM耦合的方式融合了两种方法的优点,既相比模型法具有较高的精度,又相比数据驱动法具有更短的计算时间,有助于实现电池储能系统温度预警的在线运行。另外,自适应方法对参数变化具有较高的鲁棒性。
以上技术方案具有如下有益效果:利用建立的电热模型以及MLSTM耦合计算预测温度,并且建立多步超前热预警模型向前多步预测温度进行温度预警,相比模型法具有较高的精度,又相比数据驱动法具有更短的计算时间,融合了两种方法的优点,有助于实现电池储能系统温度预警的在线运行。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种电池储能系统热预警方法,其特征在于,包括:
将电池储能系统转化为两节点电热模型并获取两节点电热模型中环境温度的历史数据及表面温度的历史数据;其中,所述两节点电热模型包括:电热元件、内部节点与表面节点间的第一热阻、表面节点与外部环境间的第二热阻、内部节点对应的内部热容及表面节点对应的表面热容;所述第二热阻两端的温度分别为表面温度和环境温度;
根据电热元件的历史电热参数、所述第一热阻、所述第二热阻、所述内部热容、所述表面热容、所述环境温度的历史数据和所述表面温度的历史数据预测当前时刻的第一表面温度;
建立多尺度LSTM网络,将历史表面温度、历史环境温度及电池的历史电热参数输入至所述多尺度LSTM网络,预测得到当前时刻第二表面温度;
对所述第一表面温度及第二表面温度进行加权求和,计算得到当前时刻的耦合表面温度;
建立以交叉熵作为损失函数的分类网络,将所述耦合表面温度输入至所述分类网络,以判断所述耦合表面温度是否达到或超过预设阈值;
当所述耦合表面温度达到或超过预设阈值时对电池储能系统进行预警。
3.根据权利要求1所述的电池储能系统热预警方法,其特征在于,所述对所述第一表面温度及第二表面温度进行加权求和,计算得到当前时刻的耦合表面温度包括:
根据第一表面温度与实际表面温度计算第一回归误差率,根据第二表面温度与实际表面温度计算第二回归误差率;
根据第一回归误差率计算两节点电热模型对应的第一权重,根据第二回归误差率计算多尺度LSTM网络对应的第二权重;
对所述第一权重与第二权重进行归一化,得到第一归一化权重及第二归一化权重;
根据第一归一化权重、第一表面温度、第二归一化权重及第二表面温度计算得到所述耦合表面温度。
6.一种电池储能系统热预警装置,其特征在于,包括:
电热模型建立模块,用于将电池储能系统转化为两节点电热模型并获取两节点电热模型中环境温度的历史数据及表面温度的历史数据;其中,所述两节点电热模型包括:电热元件、内部节点与表面节点间的第一热阻、表面节点与外部环境间的第二热阻、内部节点对应的内部热容及表面节点对应的表面热容;所述第二热阻两端的温度分别为表面温度和环境温度;
第一表面温度预测模块,用于根据电热元件的历史电热参数、所述第一热阻、所述第二热阻、所述内部热容、所述表面热容、所述环境温度的历史数据和所述表面温度的历史数据预测当前时刻的第一表面温度;
第二表面温度预测模块,用于建立多尺度LSTM网络,将历史表面温度、历史环境温度及电池的历史电热参数输入至所述多尺度LSTM网络,预测得到当前时刻第二表面温度;
耦合表面温度计算模块,用于对所述第一表面温度及第二表面温度进行加权求和,计算得到当前时刻的耦合表面温度;
预测模块,用于建立以交叉熵作为损失函数的分类网络,将所述耦合表面温度输入至所述分类网络,以判断所述耦合表面温度是否达到或超过预设阈值;
预警模块,用于当所述耦合表面温度达到或超过预设阈值时对电池储能系统进行预警。
8.根据权利要求6所述的电池储能系统热预警装置,其特征在于,所述耦合表面温度计算模块包括:
回归误差率计算子模块,用于根据第一表面温度与实际表面温度计算第一回归误差率,根据第二表面温度与实际表面温度计算第二回归误差率;
权重计算子模块,用于根据第一回归误差率计算两节点电热模型对应的第一权重,根据第二回归误差率计算多尺度LSTM网络对应的第二权重;
归一化权重计算子模块,用于对所述第一权重与第二权重进行归一化,得到第一归一化权重及第二归一化权重;
加权求和子模块,用于根据第一归一化权重、第一表面温度、第二归一化权重及第二表面温度计算得到所述耦合表面温度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211430707.7A CN115718883A (zh) | 2022-11-15 | 2022-11-15 | 电池储能系统热预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211430707.7A CN115718883A (zh) | 2022-11-15 | 2022-11-15 | 电池储能系统热预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115718883A true CN115718883A (zh) | 2023-02-28 |
Family
ID=85255226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211430707.7A Pending CN115718883A (zh) | 2022-11-15 | 2022-11-15 | 电池储能系统热预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115718883A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117096504A (zh) * | 2023-10-17 | 2023-11-21 | 厦门海辰储能科技股份有限公司 | 温度控制方法及装置、设备、存储介质 |
-
2022
- 2022-11-15 CN CN202211430707.7A patent/CN115718883A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117096504A (zh) * | 2023-10-17 | 2023-11-21 | 厦门海辰储能科技股份有限公司 | 温度控制方法及装置、设备、存储介质 |
CN117096504B (zh) * | 2023-10-17 | 2024-01-26 | 厦门海辰储能科技股份有限公司 | 温度控制方法及装置、设备、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
How et al. | State-of-charge estimation of li-ion battery in electric vehicles: A deep neural network approach | |
Wang et al. | A comprehensive review of battery modeling and state estimation approaches for advanced battery management systems | |
Chen et al. | Remaining useful life prediction of lithium-ion battery with optimal input sequence selection and error compensation | |
Khalid et al. | Prediction of li-ion battery state of charge using multilayer perceptron and long short-term memory models | |
WO2020191800A1 (zh) | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 | |
Khan et al. | Batteries state of health estimation via efficient neural networks with multiple channel charging profiles | |
WO2020191801A1 (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
CN112986827B (zh) | 一种基于深度学习的燃料电池剩余寿命预测方法 | |
Han et al. | Adaptive computation algorithm for RBF neural network | |
Ji et al. | An RUL prediction approach for lithium-ion battery based on SADE-MESN | |
CN114325450A (zh) | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 | |
CN111999648A (zh) | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 | |
Liu et al. | Lithium-ion battery remaining useful life prediction with long short-term memory recurrent neural network | |
CN113962154A (zh) | 一种基于迁移学习的锂电池核温评估方法及系统 | |
CN115718883A (zh) | 电池储能系统热预警方法及装置 | |
Li et al. | A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression | |
CN116125306A (zh) | 基于混合预测框架的动力电池热失控诊断方法及系统 | |
Xu et al. | State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism | |
CN114330150A (zh) | 一种电热传感器互校正的锂电池健康状态估计方法 | |
Al Miaari et al. | Batteries temperature prediction and thermal management using machine learning: An overview | |
CN114936682A (zh) | 基于变分模态分解的锂离子电池剩余使用寿命预测方法 | |
Pang et al. | A Review on the Prediction of Health State and Serving Life of Lithium‐Ion Batteries | |
CN112327169B (zh) | 一种锂电池剩余寿命预测方法 | |
CN115438588B (zh) | 一种锂电池的温度预测方法、系统、设备及存储介质 | |
CN116643190A (zh) | 一种锂电池健康状态实时监测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |