CN115986843A - 一种应用数字孪生技术的储能电站功率分配方法 - Google Patents

Abstract

本发明属于储能电站能量管理技术领域，具体涉及一种应用数字孪生技术的储能电站功率分配方法。针对现有储能电站功率分配方法没有兼顾电池使用寿命和变流器工作效率的不足，本发明采用如下技术方案：一种应用数字孪生技术的储能电站功率分配方法，包括：构建数字孪生模型；实时获取储能电池的运行数据，获得当前状态下储能电站各层级状态；构建综合考虑各电池堆SOC均衡度和储能电站整体效率的功率分配动态规划模型；判断电网需求功率与储能电站可提供的最大功率的关系，进行动态规划模型的最优分配策略求解；云端下发功率分配策略至电池管理系统并执行。本发明的有益效果是：延长了储能电站电池的使用寿命，同时兼顾储能电站的运行效率。

Description

一种应用数字孪生技术的储能电站功率分配方法

技术领域

本发明属于储能电站能量管理技术领域，具体涉及一种应用数字孪生技术的储能电站功率分配方法。

背景技术

储能系统的能量管理对储能电站的安全稳定高效运行具有重要影响。其中，储能电池的功率分配策略一直是储能系统能量管理领域的研究热点。目前储能单元之间的功率分配策略大多以定参数为主，应对储能电站不同工况的适应能力较差，或者分配的功率不能使得储能单元工作在最佳SOC区间，影响电池使用寿命，或者没有考虑变流器效率，不能保证变流器工作在高效区间，造成能量的损耗与浪费。

公开号为CN110957780A的中国发明专利申请公开了一种基于AGC的储能电池功率分配方法，包括如下步骤：S1.根据剩余电量SOC参考值，将电池划分为Ⅰ类电池与Ⅱ类电池；S2.判断电池的充放电状态，对电池进行充电与放电处理；S3.充电模式下，优先对Ⅰ类电池进行充电；S4.放电模式下，优先对Ⅱ类电池进行放电。前述发明专利申请的基于AGC的储能电池功率分配方法，能够合理地对各个电池进行充放电功率分配，达到均衡电池的SOC以及延长电池使用寿命的目的。但是，仍然没有考虑变流器效率，不能保证变流器工作在高效区间。

此外，在具体应用过程中，获取电池准确的初始状态参量和极限约束能力是进行功率分配的首要前提。

发明内容

本发明针对现有储能电站功率分配方法难以准确获取所需的电池参数、没有兼顾电池使用寿命和变流器工作效率的不足，提供一种应用数字孪生技术的储能电站功率分配方法，将数字孪生技术与储能电站功率分配相结合，利用在云端构建的储能电池系统数字孪生模型，为功率分配算法提供精确的初始状态参量和极限约束条件，为功率分配算法的准确运行提供前提保证；在功率分配中通过引入动态规划算法，综合考虑各电池堆SOC均衡度以及储能电站总体功率损耗，寻找最优功率分配策略，有效提升了储能电池的工作寿命，降低了储能系统的功率损失。

为实现上述目的，本发明采用如下技术方案：一种应用数字孪生技术的储能电站功率分配方法，所述应用数字孪生技术的储能电站功率分配方法包括：

步骤S1、云端构建储能电站储能电池的数字孪生模型；

步骤S2、实时获取储能电池的运行数据，基于所述数字孪生模型获得当前状态下储能电站各层级荷电状态、健康状态和功率状态；

步骤S3、构建综合考虑各电池堆SOC均衡度和储能电站整体效率的功率分配动态规划模型；

步骤S4、判断电网需求功率与储能电站可提供的最大功率的关系，进行动态规划模型的最优分配策略求解，获得最优的功率分配策略；

步骤S5、云端下发功率分配策略至电池管理系统并执行，完成储能电站物理系统中各电池堆功率的最终分配；

步骤S6、运行结果通过电池管理系统采集与处理并上传至云端，云端将电池真实一致性情况与数字孪生模型算法结果进行对比，并开展故障排查与老化分析，同时更新储能电池荷电状态、健康状态与功率状态。

本发明的应用数字孪生技术的储能电站功率分配方法，将数字孪生技术与储能电站功率分配相结合，利用在云端构建的储能电池系统数字孪生模型，为功率分配算法提供精确的初始状态参量和极限约束条件，确保了功率分配算法的准确无误运行；在功率分配中通过引入动态规划算法，综合考虑各电池堆SOC均衡度以及储能电站总体功率损耗，寻找最优功率分配策略，有效提升了储能电池的工作寿命，降低了储能系统的功率损失。锂离子电池储能电站可以分为四个层次：电池单体、模组、电池簇和电池舱。电池堆通常指电池舱，也可以是电池簇。

作为改进，步骤S1包括：

步骤S11、采集运行中的储能电池的状态表征数据，上传至云端，并进行数据清洗、特征提取；

步骤S12、利用前期离线电池测试数据，结合电池特性与机理，构建电池单体通用数字孪生模型；

步骤S13、利用云端存储的储能电池历史运行数据，基于修正算法对电池单体通用数字孪生模型进行修正，获得电池单体修正数字孪生模型；

步骤S14、结合储能电池系统电气结构，对单体数字孪生模型进行多层扩展，获得储能电池系统数字孪生模型。

作为改进，步骤S11中，用于表征电池状态的数据具体包括：电压、电流、电池表面温度、环境温度。

作为改进，步骤S12中，电池单体通用数字孪生模型基于前期离线电池测试数据与电池的材料体系、具体型号和应用场景，确定电池特性、模型结构及工作环境。

作为改进，步骤S13中，对通用数字孪生模型进行修正，具体通过机器学习、深度学习、优化算法实现。

作为改进，步骤S14中，储能电池系统数字孪生模型的建立，基于储能电池系统串并联成组结构，对单体数字孪生模型进行多层级扩展实现。具体可通过特征单体策略进行多层级扩展，特征单体策略可以较好应对计算能力不足或实时性较高的场景。若计算能力能够满足需求，也可以采用其他策略进行扩展。

作为改进，步骤S2中，荷电状态估计、健康状态估计与功率状态估计具体通过状态估计器、误差补偿器、机器学习方式实现。

作为改进，步骤S3包括：

步骤S31、构建动态规划算法的状态变量x以及决策变量u，将剩余待分配功率作为状态变量，将每个电池堆所分配的功率作为决策变量；

步骤S32、构建状态转移方程，数学表达式如下：

x(k+1)＝f(x(k),u(k))

式中，f为状态转移函数，k表示目前处于动态规划的第k阶段，即x(k)表示在给第k个电池堆分配功率时的剩余待分配功率，u(k)表示给第k个电池堆分配的功率；

步骤S33、构建代价函数，当电池堆对外放电时，数学表达式如下：

当电池堆充电时，数学表达式如下：

式中，α为权衡系数，用于分配SOC均衡和功率损耗两者在代价函数中的权重；soc(k)为第k个电池堆的荷电状态；Δt表示储能电站功率分配持续时间，即电池堆充放电持续时间；U为电池堆的充放电电压，Q为每个电池堆的额定容量，soc_ideal表示理想的SOC值，η_pcs表示储能电站储能变流器PCS的效率，其值与该PCS所承担的功率与自身额定功率的比值有关，PCS所承担的功率即为所述各个电池堆的分配功率；

步骤S34、构建最优目标函数，数学表达式如下：

J(x(k),u(k))＝min(L(x(k),u(k))+J(x(k+1),u(k+1)))

步骤S35、构建状态变量和决策变量的约束，具体约束如下：

式中，P_min(k)为第k个电池堆允许的最小充放电功率，P_max(k)为第k个电池堆允许的最大充放电功率，峰值充放电功率来自于所述数字孪生模型功率状态估计结果；soc_min为电池堆的SOC下限；soc_max为电池堆的SOC上限。

作为改进，soc_ideal为0.5。

作为改进，若电网需求功率大于储能电站可提供最大功率，则各电池堆以自身最大功率吸收或释放电能，且将该分配策略视为最优分配策略；若判断结果为电网需求功率小于储能电站可提供最大功率，则进行动态规划模型的最优分配策略求解，具体步骤如下：

步骤S41、从最后一个阶段n开始，计算第n阶段的最优目标函数并保存记录该阶段的最优决策，其数学表达式如下：

J(x(n),u(n))＝min(L(x(n),u(n)))

步骤S42，逆向逐步求解每个阶段的最优目标函数并保存记录该阶段的最优决策，利用步骤S32的状态转移方程来衔接相邻两个阶段的状态变量，状态转移方程的具体形式如下；

x(k+1)＝u(k)-x(k)；

步骤S43，利用初始阶段状态变量已知这一条件，正向计算最优状态序列和最优决策序列，其中初始阶段状态变量来自于所述数字孪生模型荷电状态估计结果。

本发明的应用数字孪生技术的储能电站功率分配方法的有益效果是：在储能电站云端大数据平台构建电池单体的数字孪生模型，基于储能电池系统电气结构，对单体模型进行扩展得到电池系统的数字孪生模型，通过该模型实时估计储能电池在不同运行工况和环境条件下的荷电状态和功率状态，以此为初始状态参量和极限约束条件，搭建动态规划功率分配模型，为功率分配算法提供精确的初始状态参量和极限约束条件，为功率分配算法的准确运行提供前提保证；综合考虑各电池堆SOC均衡度以及储能电站总体功率损耗，获得储能电站最优的功率分配方案，实现各电池堆的最优能量管理，在一定程度上延长了储能电站电池的使用寿命，同时兼顾储能电站的运行效率。

附图说明

图1是本发明实施例的储能电站功率分配方法的含架构的流程图。

图2是本发明实施例的储能电站功率分配方法的流程图。

图3是本发明实施例的储能电站功率分配方法的动态规划算法的流程图。

图4是本发明实施例的储能电站功率分配方法与传统功率分配方法仿真所得到的SOC均衡结果对比图。

图5是本发明实施例的储能电站功率分配方法与传统功率分配方法的总效率对比图。

具体实施方式

下面结合本发明创造实施例的附图，对本发明创造实施例的技术方案进行解释和说明，但下述实施例仅为本发明创造的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的其他实施例，都属于本发明创造的保护范围。

实施例一

参见图1至图5，本发明实施例一的一种应用数字孪生技术的储能电站功率分配方法，所述应用数字孪生技术的储能电站功率分配方法包括：

步骤S1、云端构建储能电站储能电池的数字孪生模型；

步骤S2、实时获取储能电池的运行数据，基于所述数字孪生模型获得当前状态下储能电站各层级荷电状态、健康状态和功率状态；

步骤S3、构建综合考虑各电池堆SOC均衡度和储能电站整体效率的功率分配动态规划模型；

步骤S4、判断电网需求功率与储能电站可提供的最大功率的关系，进行动态规划模型的最优分配策略求解，获得最优的功率分配策略；

步骤S5、云端下发功率分配策略至电池管理系统并执行，完成储能电站物理系统中各电池堆功率的最终分配；

步骤S6、运行结果通过电池管理系统采集与处理并上传至云端，云端将电池真实一致性情况与数字孪生模型算法结果进行对比，并开展故障排查与老化分析，同时更新储能电池荷电状态、健康状态与功率状态。

本实施例中，步骤S1包括：

步骤S11、采集运行中的储能电池的状态表征数据，上传至云端，并进行数据清洗、特征提取；

步骤S12、利用前期离线电池测试数据，结合电池特性与机理，构建电池单体通用数字孪生模型；

步骤S13、利用云端存储的储能电池历史运行数据，基于修正算法对电池单体通用数字孪生模型进行修正，获得电池单体修正数字孪生模型；

步骤S14、结合储能电池系统电气结构，对单体数字孪生模型进行多层扩展，获得储能电池系统数字孪生模型。

本实施例中，步骤S11中，用于表征电池状态的数据具体包括：电压、电流、电池表面温度、环境温度。

本实施例中，步骤S12中，电池单体通用数字孪生模型基于电学、电化学、热力学角度的考虑来建立，电池单体通用数字孪生模型基于前期离线电池测试数据与电池的材料体系、具体型号和应用场景，确定电池特性、模型结构及工作环境。

本实施例中，步骤S13中，对通用数字孪生模型进行修正，具体通过机器学习、深度学习、优化算法实现。

本实施例中，步骤S14中，储能电池系统数字孪生模型的建立，基于储能电池系统串并联成组结构，通过特征单体策略对单体数字孪生模型进行多层级扩展实现。特征单体策略可以以较低算力实现较好的实时性。

本实施例中，步骤S2中，荷电状态估计、健康状态估计与功率状态估计具体通过状态估计器、误差补偿器、机器学习方式实现。

本实施例中，步骤S3包括：

步骤S31、构建动态规划算法的状态变量x以及决策变量u，将剩余待分配功率作为状态变量，将每个电池堆所分配的功率作为决策变量；

步骤S32、构建状态转移方程，数学表达式如下：

x(k+1)＝f(x(k),u(k))

式中，f为状态转移函数，k表示目前处于动态规划的第k阶段，即x(k)表示在给第k个电池堆分配功率时的剩余待分配功率，u(k)表示给第k个电池堆分配的功率；

步骤S33、构建代价函数，当电池堆对外放电时，数学表达式如下：

当电池堆充电时，数学表达式如下：

式中，α为权衡系数，用于分配SOC均衡和功率损耗两者在代价函数中的权重；soc(k)为第k个电池堆的荷电状态；Δt表示储能电站功率分配持续时间，即电池堆充放电持续时间；U为电池堆的充放电电压，Q为每个电池堆的额定容量，soc_ideal表示理想的SOC值，η_pcs表示储能电站储能变流器PCS的效率，其值与该PCS所承担的功率与自身额定功率的比值有关，PCS所承担的功率即为所述各个电池堆的分配功率，其数学表达式如下：

式中P_N为储能变流器的额定功率，a和b为系数。该公式为一个分段函数，其中分段情况以及不同分段区间内a和b的取值情况如表1所示。

表1

步骤S34、构建最优目标函数，数学表达式如下：

J(x(k),u(k))＝min(L(x(k),u(k))+J(x(k+1),u(k+1)))

步骤S35、构建状态变量和决策变量的约束，具体约束如下：

式中，P_min(k)为第k个电池堆允许的最小充放电功率，P_max(k)为第k个电池堆允许的最大充放电功率，峰值充放电功率来自于所述数字孪生模型功率状态估计结果；soc_min为电池堆的SOC下限；soc_max为电池堆的SOC上限。

本实施例中，soc_ideal为0.5。

本实施例中，若电网需求功率大于储能电站可提供最大功率，则各电池堆以自身最大功率吸收或释放电能，且将该分配策略视为最优分配策略；若判断结果为电网需求功率小于储能电站可提供最大功率，则进行动态规划模型的最优分配策略求解，具体步骤如下：

步骤S41、从最后一个阶段n开始，计算第n阶段的最优目标函数并保存记录该阶段的最优决策，其数学表达式如下：

J(x(n),u(n))＝min(L(x(n),u(n)))

步骤S42，逆向逐步求解每个阶段的最优目标函数并保存记录该阶段的最优决策，利用步骤S32的状态转移方程来衔接相邻两个阶段的状态变量，状态转移方程的具体形式如下；

x(k+1)＝u(k)-x(k)；

步骤S43，利用初始阶段状态变量已知这一条件，正向计算最优状态序列和最优决策序列，其中初始阶段状态变量来自于所述数字孪生模型荷电状态估计结果。

为了验证本申请功率分配方法的可行性以及相较于传统功率分配方法的优越性，进行了四个电池堆功率分配的仿真分析。本实施例的功率分配方法与传统功率分配方法的SOC均衡结果对比如图4所示。本实施例的功率分配方法与传统功率分配方法的储能电站储能变流器总效率对比如图5所示。

在仿真分析时，动态规划算法中代价函数的参数α取0.5，其余电池堆基本参数如表2所示。进行对比的传统功率分配方法指的是未将功率分配与数字孪生相结合、未考虑储能变流器工作效率的只以SOC均衡为目标的传统的公式迭代方法。

表2

由图4的SOC均衡对比图可知，随着功率分配次数的增加，本实施例的功率分配方法使各电池堆SOC不断地趋于一致且尽可能地靠近soc_ideal，达到了SOC均衡的目的。且均衡速度和效果均优于传统方法。本专利所述方法由于结合了数字孪生技术，拥有精确的储能电池系统数字孪生模型，在每次功率分配时都能从该模型中得到极为准确的电池堆荷电状态、功率状态等关键参数，进而拥有速度更快、效果更好的SOC均衡结果。

还需要说明的是，虽然在本仿真分析中，本实施例所用方法和传统方法的初始状态参量和极限约束条件都是一样的。但是，数字孪生模型的作用是提供精确的荷电状态和功率状态等参数，使得在每次分配时，能更精确的计算出每一个电池堆到底分配多少功率才能最快的达到SOC均衡以及效率最大的目的。而传统的公式迭代方法，可以认为每次分配的初始条件都带有一定的误差，导致真实的功率分配效果要更差一些，也就更慢的达到均衡目的。因此，若考虑到参数准确性，则本实施例的方法相比传统方法具有更大的优越性。

由图5的储能电站储能变流器总效率对比图可知，相较于传统的未考虑效率问题的储能电站功率分配方法，本专利所述方法在动态规划代价函数中将变流器的效率考虑在内，进而在更快的完成SOC均衡的同时，拥有更高的功率分配效率。

本发明实施例一的应用数字孪生技术的储能电站功率分配方法的有益效果是：首先，在储能电站云端大数据平台构建电池单体的数字孪生模型，基于储能电池系统电气结构，对单体模型进行扩展得到电池系统的数字孪生模型，通过该模型实时估计储能电池在不同运行工况和环境条件下的荷电状态和功率状态，以此为初始状态参量和极限约束条件，搭建动态规划功率分配模型，为功率分配算法提供精确的初始状态参量和极限约束条件，为功率分配算法的准确运行提供前提保证；在功率分配中通过引入动态规划算法，综合考虑各电池堆SOC均衡度以及储能电站总体功率损耗，寻找最优功率分配策略，有效提升了储能电池的工作寿命，降低了储能系统的功率损失，或者说，实现各电池堆的最优能量管理，在一定程度上延长了储能电站电池的使用寿命，同时兼顾储能电站的运行效率。

以上所述，仅为本发明创造的具体实施方式，但本发明创造的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明创造包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明创造的功能和结构原理的修改都将包括在权利要求书的范围中。

Claims (10)

1.一种应用数字孪生技术的储能电站功率分配方法，其特征在于：所述应用数字孪生技术的储能电站功率分配方法包括：

步骤S1、云端构建储能电站储能电池的数字孪生模型；

步骤S2、实时获取储能电池的运行数据，基于所述数字孪生模型获得当前状态下储能电站各层级荷电状态、健康状态和功率状态；

步骤S3、构建综合考虑各电池堆SOC均衡度和储能电站整体效率的功率分配动态规划模型；

步骤S4、判断电网需求功率与储能电站可提供的最大功率的关系，进行动态规划模型的最优分配策略求解，获得最优的功率分配策略；

步骤S5、云端下发功率分配策略至电池管理系统并执行，完成储能电站物理系统中各电池堆功率的最终分配；

步骤S6、运行结果通过电池管理系统采集与处理并上传至云端，云端将电池真实一致性情况与数字孪生模型算法结果进行对比，并开展故障排查与老化分析，同时更新储能电池荷电状态、健康状态与功率状态。

2.根据权利要求1所述的一种应用数字孪生技术的储能电站功率分配方法，其特征在于：步骤S1包括：

步骤S11、采集运行中的储能电池的状态表征数据，上传至云端，并进行数据清洗、特征提取；

步骤S12、利用前期离线电池测试数据，结合电池特性与机理，构建电池单体通用数字孪生模型；

步骤S13、利用云端存储的储能电池历史运行数据，基于修正算法对电池单体通用数字孪生模型进行修正，获得电池单体修正数字孪生模型；

步骤S14、结合储能电池系统电气结构，对单体数字孪生模型进行多层扩展，获得储能电池系统数字孪生模型。

3.根据权利要求2所述的一种应用数字孪生技术的储能电站功率分配方法，其特征在于：步骤S11中，用于表征电池状态的数据具体包括：电压、电流、电池表面温度、环境温度。

4.根据权利要求2所述的一种应用数字孪生技术的储能电站功率分配方法，其特征在于：步骤S12中，电池单体通用数字孪生模型基于前期离线电池测试数据与电池的材料体系、具体型号和应用场景，确定电池特性、模型结构及工作环境。

5.根据权利要求2所述的一种应用数字孪生技术的储能电站功率分配方法，其特征在于：步骤S13中，对通用数字孪生模型进行修正，具体通过机器学习、深度学习、优化算法实现。

6.根据权利要求2所述的一种应用数字孪生技术的储能电站功率分配方法，其特征在于：步骤S14中，储能电池系统数字孪生模型的建立，基于储能电池系统串并联成组结构，对单体数字孪生模型进行多层级扩展实现。

7.根据权利要求1所述的一种应用数字孪生技术的储能电站功率分配方法，其特征在于：步骤S2中，荷电状态估计、健康状态估计与功率状态估计具体通过状态估计器、误差补偿器、机器学习方式实现。

8.根据权利要求1所述的一种应用数字孪生技术的储能电站功率分配方法，其特征在于：步骤S3包括：

步骤S31、构建动态规划算法的状态变量x以及决策变量u，将剩余待分配功率作为状态变量，将每个电池堆所分配的功率作为决策变量；

步骤S32、构建状态转移方程，数学表达式如下：

x(k+1)＝f(x(k),u(k))

式中，f为状态转移函数，k表示目前处于动态规划的第k阶段，即x(k)表示在给第k个电池堆分配功率时的剩余待分配功率，u(k)表示给第k个电池堆分配的功率；

步骤S33、构建代价函数，当电池堆对外放电时，数学表达式如下：

当电池堆充电时，数学表达式如下：

式中，α为权衡系数，用于分配SOC均衡和功率损耗两者在代价函数中的权重；soc(k)为第k个电池堆的荷电状态；Δt表示储能电站功率分配持续时间，即电池堆充放电持续时间；U为电池堆的充放电电压，Q为每个电池堆的额定容量，soc_ideal表示理想的SOC值，η_pcs表示储能电站储能变流器PCS的效率，其值与该PCS所承担的功率与自身额定功率的比值有关；

步骤S34、构建最优目标函数，数学表达式如下：

J(x(k),u(k))＝min(L(x(k),u(k))+J(x(k+1),u(k+1)))

步骤S35、构建状态变量和决策变量的约束，具体约束如下：

式中，P_min(k)为第k个电池堆允许的最小充放电功率，P_max(k)为第k个电池堆允许的最大充放电功率，峰值充放电功率来自于所述数字孪生模型功率状态估计结果；soc_min为电池堆的SOC下限；soc_max为电池堆的SOC上限。

9.根据权利要求8所述的一种应用数字孪生技术的储能电站功率分配方法，其特征在于：soc_ideal为0.5。

10.根据权利要求8所述的一种应用数字孪生技术的储能电站功率分配方法，其特征在于：步骤S4中，若电网需求功率大于储能电站可提供最大功率，则各电池堆以自身最大功率吸收或释放电能，且将该分配策略视为最优分配策略；若判断结果为电网需求功率小于储能电站可提供最大功率，则进行动态规划模型的最优分配策略求解，具体步骤如下：

步骤S41、从最后一个阶段n开始，计算第n阶段的最优目标函数并保存记录该阶段的最优决策，其数学表达式如下：

J(x(n),u(n))＝min(L(x(n),u(n)))

步骤S42，逆向逐步求解每个阶段的最优目标函数并保存记录该阶段的最优决策，利用步骤S32的状态转移方程来衔接相邻两个阶段的状态变量，状态转移方程的具体形式如下；

x(k+1)＝u(k)-x(k)；

步骤S43，利用初始阶段状态变量已知这一条件，正向计算最优状态序列和最优决策序列，其中初始阶段状态变量来自于所述数字孪生模型荷电状态估计结果。

Images