CN116207766A - 一种锂电池储能系统的动态阈值控制方法及系统 - Google Patents
一种锂电池储能系统的动态阈值控制方法及系统 Download PDFInfo
- Publication number
- CN116207766A CN116207766A CN202310492592.2A CN202310492592A CN116207766A CN 116207766 A CN116207766 A CN 116207766A CN 202310492592 A CN202310492592 A CN 202310492592A CN 116207766 A CN116207766 A CN 116207766A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- battery
- real
- environment
- lithium battery
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/28—Arrangements for balancing of the load in a network by storage of energy
- H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种锂电池储能系统的动态阈值控制方法及系统,涉及数据处理领域,获得实时储能数据流;获得实时储能数据源;进行计算,获得电池状态参数;获得实时环境数据流,并进行电池状态影响分析;获得调整电池状态参数;通过阈值控制分析模型,获得多个动态充放电阈值控制方案;进行仿真分析,获得动态充放电阈值决策方案;对锂电池储能系统进行动态充放电阈值控制。本发明现有技术中对于锂电池剩余电量的掌控不足,使得无法针对性匹配阈值进行储能控制,进而导致锂电池储能控制效果差的技术问题,实现了通过实时监测并估算得到高精确度的剩余电量数据,进而智能化确定动态阈值,达到提升锂电池储能控制效果的技术效果。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种锂电池储能系统的动态阈值控制方法及系统。
背景技术
储能是解决新能源风电、光伏间歇波动性,实现削峰平谷功能的重要手段之一,储能锂电池作为新兴应用场景也逐渐受到重视,锂电池具备安全、长寿命、能量转换效率高等性能,循环次数寿命一般要求能够大于3500次。锂电池储能系统对于能量密度没有直接的要求,但是不同的储能场景对于锂电池储能系统的功率密度有不同的要求。和新能源汽车领域不同,储能市场对于锂电池的需求除了安全之外,还要求低成本和寿命长,这就需要在这些方面不断改进和探索,研究出更加合理有效的锂电池储能系统控制方法。现今常用的锂电池储能系统的控制方法还存在着一定的弊端,对于锂电池储能系统控制还存在着一定的可提升空间。
现有技术存在对于锂电池剩余电量的掌控不足,使得无法针对性匹配阈值进行储能控制,进而导致锂电池储能控制效果差的技术问题。
发明内容
本申请实施例提供了一种锂电池储能系统的动态阈值控制方法及系统,用于针对解决现有技术中对于锂电池剩余电量的掌控不足,使得无法针对性匹配阈值进行储能控制,进而导致锂电池储能控制效果差的技术问题。
鉴于上述问题,本申请实施例提供了一种锂电池储能系统的动态阈值控制方法及系统。
第一方面,本申请实施例提供了一种锂电池储能系统的动态阈值控制方法,所述方法包括:连接锂电池储能系统,获得实时储能数据流;通过AHP特征模型对所述实时储能数据流进行预处理,获得实时储能数据源;基于双扩展卡尔曼滤波算法,对所述实时储能数据源进行计算,获得电池状态参数;连接所述锂电池储能系统,获得实时环境数据流,并通过环境影响拓扑分析层对所述实时环境数据流进行电池状态影响分析,获得环境-电池状态分析结果;根据所述环境-电池状态分析结果对所述电池状态参数进行调整,获得调整电池状态参数;将所述调整电池状态参数和所述实时环境数据流输入阈值控制分析模型,获得多个动态充放电阈值控制方案;通过所述仿真测试平台对所述多个动态充放电阈值控制方案进行仿真分析,获得多个仿真控制分析结果,并基于所述多个仿真控制分析结果对所述多个动态充放电阈值控制方案进行筛选,获得动态充放电阈值决策方案;基于所述动态充放电阈值决策方案对所述锂电池储能系统进行动态充放电阈值控制。
第二方面,本申请实施例提供了一种锂电池储能系统的动态阈值控制系统,所述系统包括:储能数据流获取模块,所述储能数据流获取模块用于连接锂电池储能系统,获得实时储能数据流;储能数据源获取模块,所述储能数据源获取模块用于通过AHP特征模型对所述实时储能数据流进行预处理,获得实时储能数据源;状态参数获取模块,所述状态参数获取模块用于基于双扩展卡尔曼滤波算法,对所述实时储能数据源进行计算,获得电池状态参数;状态影响分析模块,所述状态影响分析模块用于连接所述锂电池储能系统,获得实时环境数据流,并通过环境影响拓扑分析层对所述实时环境数据流进行电池状态影响分析,获得环境-电池状态分析结果;状态参数调整模块,所述状态参数调整模块用于根据所述环境-电池状态分析结果对所述电池状态参数进行调整,获得调整电池状态参数;方案获取模块,所述方案获取模块用于将所述调整电池状态参数和所述实时环境数据流输入阈值控制分析模型,获得多个动态充放电阈值控制方案;仿真分析模块,所述仿真分析模块用于通过所述仿真测试平台对所述多个动态充放电阈值控制方案进行仿真分析,获得多个仿真控制分析结果,并基于所述多个仿真控制分析结果对所述多个动态充放电阈值控制方案进行筛选,获得动态充放电阈值决策方案;系统控制模块,所述系统控制模块用于基于所述动态充放电阈值决策方案对所述锂电池储能系统进行动态充放电阈值控制。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种锂电池储能系统的动态阈值控制方法,涉及数据处理领域,所述方法包括:获得实时储能数据流,获得实时储能数据源,对实时储能数据源进行计算,获得电池状态参数,获得实时环境数据流,并进行电池状态影响分析;对电池状态参数进行调整,获得调整电池状态参数,通过阈值控制分析模型,获得多个动态充放电阈值控制方案,进行仿真分析,获得多个仿真控制分析结果,获得动态充放电阈值决策方案,基于动态充放电阈值决策方案对锂电池储能系统进行动态充放电阈值控制。解决了现有技术中对于锂电池剩余电量的掌控不足,使得无法针对性匹配阈值进行储能控制,进而导致锂电池储能控制效果差的技术问题,实现了通过实时监测并估算得到高精确度的剩余电量数据,进而智能化确定动态阈值,达到提升锂电池储能控制效果的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种锂电池储能系统的动态阈值控制方法流程示意图;
图2为本申请实施例提供了一种锂电池储能系统的动态阈值控制方法中获得实时储能数据源流程示意图;
图3为本申请实施例提供了一种锂电池储能系统的动态阈值控制方法中获得环境-电池状态分析结果流程示意图;
图4为本申请实施例提供了一种锂电池储能系统的动态阈值控制系统结构示意图。
附图标记说明:储能数据流获取模块10,储能数据源获取模块20,状态参数获取模块30,状态影响分析模块40,状态参数调整模块50,方案获取模块60,仿真分析模块70,系统控制模块80。
具体实施方式
本申请实施例通过提供一种锂电池储能系统的动态阈值控制方法,用于针对解决现有技术中对于锂电池剩余电量的掌控不足,使得无法针对性匹配阈值进行储能控制,进而导致锂电池储能控制效果差的技术问题。
实施例1
如图1所示,本申请实施例提供了一种锂电池储能系统的动态阈值控制方法,所述方法应用于锂电池储能系统的动态阈值控制系统,所述锂电池储能系统的动态阈值控制系统包括仿真测试平台,所述方法包括:
步骤S100:连接锂电池储能系统,获得实时储能数据流;
具体而言,本申请实施例提供的一种锂电池储能系统的动态阈值控制方法应用于锂电池储能系统的动态阈值控制系统,所述锂电池储能系统的动态阈值控制系统包括仿真测试平台,所述仿真测试平台用于进行仿真测试。
首先,锂电池储能系统是一个利用采锂电池作为能量储存载体,一定时间内存储电能和一定时间内供应电能的系统,储能系统的技术主要包含对储能双向逆变器、对储能电池的管理,以及监控与调度管理单元对系统能量合理调度。通过安装于储能电池组内部的电池管理系统对电池组的电压、充放电电流、温度和单体电池端电压进行实时监测,并计算得到电池的内阻等参数,将上述参数作为实时储能数据流进行存储,实现对锂电池系统实时状态的监督,为后续获取动态充放电阈值控制方案提供数据支撑。
步骤S200:通过AHP特征模型对所述实时储能数据流进行预处理,获得实时储能数据源;
进一步而言,如图2所示,本申请步骤S200还包括:
步骤S210:所述AHP特征模型包括目标特征层、决策特征层和执行特征层;
步骤S220:根据所述目标特征层,获得处理响应目标;
步骤S230:将所述处理响应目标和所述实时储能数据流输入所述决策特征层,获得多级预处理维度;
步骤S240:所述执行特征层根据所述多级预处理维度对所述实时储能数据流进行预处理,获得所述实时储能数据源。
具体而言,所述AHP特征模型是一个层次分析模型,用于确定评价模型中各评价因子或准则的权重,进一步选择最优方案。在深入分析问题的基础上,将决策的目标、考虑的因素和决策对象按相关关系分为最高处、中间层和最低层,其中,最高层为目标特征层,是决策的目的、要解决的问题;中间层为决策特征层,是主因素、需要考虑的因素和决策的准则;最低层为执行特征层,是中间层的子因素。
通过目标特征层确定实时储能数据流对应的处理响应目标,处理响应目标包括通过层次分析法对输入的实时储能数据流进行理论约简,如对其进行降维处理,获取降维后实时储能数据源的期望数据量阈值,并将处理响应目标和实时储能数据流传输至决策特征层。
决策特征层根据处理响应目标确定多个数据处理方法,包括对实时储能数据流进行数据价值度约简、数据完整度约简以及数据标准化等,获得多级预处理维度。
通过执行特征层按照多个数据处理方法对实时储能数据流进行预处理,获得实时储能数据源。示例性地,在对实时储能数据流进行数据价值度约简时,对实时储能数据流的多个实时储能数据进行重要性评估,获得多个数据重要性参数,将不满足数据重要性阈值的多个数据重要性参数对应的多个实时储能数据进行删除,获得多个优选实时储能数据,并将多个优选实时储能数据添加至实时储能数据源。
步骤S300:基于双扩展卡尔曼滤波算法,对所述实时储能数据源进行计算,获得电池状态参数;
具体而言,电池状态参数包括电池SOC及内阻值,其中,电池SOC为电池的荷电状态,即电池中剩余电荷的可用状态,一般用一个百分比来表示,电池SOC的定义可用如下式子表示:,其中,/>为额定的电荷容量,/>为电池中剩余的电荷余量。
卡尔曼滤波算法是一种适合数字计算机进行计算的递推滤波算法,该方法由实时获得的受噪声污染的离散观测数据,对系统进行线性、无偏差及最小误差方差的最优估计。对于线性系统,卡尔曼滤波过程主要分为时间更新过程和量测更新过程,其中,时间更新过程是以上一时刻的状态值通过状态方程计算下一时刻的状态值;量测更新过程是通过对输出变量的测量,对计算出的下一时刻状态值进行修正。扩展卡尔曼滤波算法建立在线性卡尔曼滤波算法之上,先将非线性系统进行泰勒展开,并去掉二阶以及以上展开项,得到一个近似的线性系统,然后通过卡尔曼滤波算法对其进行处理。
利用卡尔曼滤波对SOC及内阻进行联合估计,由于有两组状态变量,对应的协方差矩阵和卡尔曼滤波修正系数也相应增加,在进行状态修正时,估算值与实际值的差值需要同时用到当前预测的SOC值和内阻值,进而对后续的协方差矩阵校正也产生相互影响。
采用双扩展卡尔曼滤波算法,首先,将实时储能数据源作为状态变量初值进行赋值,包括电池内阻初始值、SOC初始值以及电压初值,同时对每组状态变量相应的协方差矩阵进行初始赋值,根据卡尔曼滤波算法的自我校正特性,可根据上一次工作的终点状态赋值,划定较大范围的初值,其中,初值只影响算法收敛的时间,而不影响其是否能够收敛。然后,对每组的状态变量值分别进行计算,根据上一时间节点的状态变量值以及状态方程计算得到下一时间节点/>的状态变量值。然后,对每组状态变量值对应的协方差矩阵进行更新,根据所述协方差矩阵表示估算值与实际值的误差大小,根据规则对每组状态变量值对应的卡尔曼滤波增益进行更新,并将更新后的协方差矩阵和卡尔曼滤波增益作为校正参数。最后,通过校正参数,根据采样得到的当前输出变量值对时间节点/>的状态变量值进行校正,并根据更新后的卡尔曼滤波增益对各组的协方差矩阵进行更新,获得电池状态参数。
步骤S400:连接所述锂电池储能系统,获得实时环境数据流,并通过环境影响拓扑分析层对所述实时环境数据流进行电池状态影响分析,获得环境-电池状态分析结果;
进一步而言,如图3所示,本申请步骤S400还包括:
步骤S410:对所述锂电池储能系统进行环境电池状态影响记录查询,获得环境电池状态影响记录数据集;
步骤S420:基于所述环境电池状态影响记录数据集进行主成分分析,获得标准环境状态影响数据集;
具体而言,连接锂电池储能系统,对锂电池储能系统进行历史数据查询,包括温度、湿度、压强对于电池的影响,获取环境电池状态影响记录数据集,其中,所述境电池状态影响记录数据集包括多个环境电池状态影响记录,示例性地,锂电池对0-40℃这个区间的温度并不敏感,然而一旦温度超过这个区间,寿命和容量就会打折扣,将不同环境温度对于电池状态的影响记录,添加至环境电池状态影响记录数据集。
主成分分析算法是常用的线性降维方法,它的目标是通过某种线性投影,将高维的数据映射到低维的空间中,并期望在所投影的维度上数据的信息量最大,以此使用较少的数据维度,同时保留住较多的原数据点的特性。首先对环境电池状态影响记录数据集进行数值化处理,并构建特征数据集矩阵,获得第一特征数据集,继而对第一特征数据集中的各特征数据进行中心化处理,首先求解第一特征数据集中各特征的平均值,然后对于所有的样本,每一个特征都减去自身的均值,继而获得新的特征值,由新的特征数据集构成所述第二特征数据集,所述第二特征数据集为一数据矩阵。通过协方差公式对第二特征数据集进行运算,获得第二特征数据集的第一协方差矩阵,继而通过矩阵运算,求出所述第一协方差矩阵的特征值及特征向量,且每一特征值对应一个特征向量。在求出的所述第一特征向量中,选取最大的前K个特征值及其对应的特征向量,并将第一特征数据集中的原始特征投影到所选取的特征向量之上,得到降维之后的第一特征数据集,即标准环境状态影响数据集。
通过主成分分析法对所述环境电池状态影响记录数据集进行降维处理,实现了在保证信息量的前提下剔除冗余数据,使得数据库中特征数据的样本量减小,且降维后信息量损失最小,从而达到加快训练模型对于数据的运算速度的效果。
步骤S430:基于所述标准环境状态影响数据集,构建所述环境影响拓扑分析层;
进一步而言,本申请步骤S430还包括:
步骤S431:基于所述标准环境状态影响数据集,获得多个电池状态环境影响因子;
步骤S432:基于所述标准环境状态影响数据集,对所述多个电池状态环境影响因子进行评估,获得多个电池状态环境影响特征值;
步骤S433:基于所述多个电池状态环境影响因子,获得多个节点;
步骤S434:基于所述多个电池状态环境影响因子进行关联关系分析,获得多维因子关联关系;
步骤S435:基于所述多维因子关联关系,对所述多个节点进行连接,获得环境分析拓扑网络层;
步骤S436:基于所述多个电池状态环境影响特征值对所述环境分析拓扑网络层进行标识,获得所述环境影响拓扑分析层。
具体而言,所述标准环境状态影响数据集包括多个标准环境状态影响数据,每个标准环境状态影响数据包括环境影响因素、环境影响因子,以及环境影响因子对应的电池状态环境影响特征值。示例性地,锂电池储能系统可用于温度对于电池状态影响的监测,则环境影响因素包括温度,以环境温度为起始温度,每上升或者下降1℃作为一个温度影响因子,以作为锂电池工作温度区间,温度影响因子包括/>之间的任一温度值,对每个温度影响因子对于电池状态的影响进行评估,获取评估结果,电池状态温度影响特征值包括多个温度影响因子对应的电池状态影响评估系数。
因此,根据多个环境影响因素,得到多个电池状态环境影响因子,多个电池状态环境影响因子包括标准环境状态影响数据集中的每个环境影响因素对应的多个环境影响因子。多个电池状态环境影响特征值包括多个电池状态环境影响因子对电池状态的影响的评估系数。
进而将多个电池状态环境影响因子中的每个电池状态环境影响因子作为节点,分析多个电池状态环境影响因子之间的相互关系,按照相互关系对多个电池状态环境影响因子进行连接,获得环境分析拓扑网络层。所述环境分析拓扑网络层包括按照相互关系对多个电池状态环境影响因子进行连接,组成拓扑网络结构。所述环境分析拓扑网络层包括多个节点,且多个节点之间存在相互关系,其中多个节点包括多个电池状态环境影响因子,相互关系包括多个电池状态环境影响因子之间的关联关系。基于所述多个电池状态环境影响特征值对所述环境分析拓扑网络层进行标识,获得所述环境影响拓扑分析层。
步骤S440:将所述实时环境数据流输入所述环境影响拓扑分析层,获得所述环境-电池状态分析结果。
具体而言,将所述实时环境数据流输入所述环境影响拓扑分析层,遍历多个电池状态环境影响因子,匹配对应的节点,获取该节点对应的电池状态环境影响特征值,即该电池状态环境影响因子对电池状态的影响的评估系数,根据该节点电池状态环境影响因子与电池状态环境影响特征值的乘积,获得环境-电池状态分析结果。达到了通过对标准环境状态影响数据集进行分析,构建拓扑网络层,为后续对电池状态参数进行调整奠定基础的技术效果。
进一步而言,本申请步骤S400之后还包括:
步骤S450:获得环境电池状态影响约束条件;
步骤S460:判断所述环境-电池状态分析结果是否满足所述环境电池状态影响约束条件;
步骤S470:如果所述环境-电池状态分析结果不满足所述环境电池状态影响约束条件,获得电池环境预警信号;
步骤S480:基于所述电池环境预警信号对所述锂电池储能系统进行优化环境控制,获得优化环境参数,并基于所述优化环境参数对所述实时环境数据流进行数据更新。
具体而言,根据电池正常工作环境设定环境电池状态影响约束条件,以温度为例,常规的锂电池工作温度在-20℃-60℃之间,但是一般低于0℃后锂电池性能就会下降,放电能力就会相应降低,所以锂离子电池性能完全的工作温度常见是0-40℃,将0-40℃间的工作温度作为环境电池状态影响约束条件。
当环境-电池状态分析结果满足环境电池状态影响约束条件时,说明锂电池在正常工作环境下正常工作;而当环境-电池状态分析结果不满足环境电池状态影响约束条件时,如可能存在工作温度过高或者过低,说明锂电池在非正常工作环境下正常工作,长时间在这种工作环境下工作,锂电池的寿命和容量就会打折扣,因此生成电池环境预警信号,用于对电池的异常工作环境进行预警。根据电池环境预警信号对锂电池储能系统的环境进行优化,如将原本的60℃降低至40℃甚至30℃,以此作为优化环境参数,对所述实时环境数据流进行数据更新。
步骤S500:根据所述环境-电池状态分析结果对所述电池状态参数进行调整,获得调整电池状态参数;
具体而言,所述环境-电池状态分析结果包括当前环境对于电池状态的影响值,对电池状态参数与当前环境对于电池状态的影响值进行求和,计算获得调整电池状态参数。示例性地,当前环境对于电池SOC的影响为-5%,若电池SOC为80%,则调整电池SOC为,将调整电池SOC加入调整电池状态参数。
步骤S600:将所述调整电池状态参数和所述实时环境数据流输入阈值控制分析模型,获得多个动态充放电阈值控制方案;
具体而言,根据锂电池储能系统的电池状态参数确定电池的充电和放电阈值,示例性地,根据锂电池储能系统充放电阈值与电池SOC的关系,为保证对再生能量的充分吸收,设定充电阈值为定值,放电阈值则以电池SOC为对象,分区间设置。当电池SOC小于所设定的最小限制值后,储能系统放电阈值由基于电池SOC跟随的控制算法得到,此时算法所用的电池SOC参考值较大,使得储能系统实际电池SOC上升;当电池SOC处于设定的最大值和最小值之间时,放电阈值为定值;当电池SOC大于所设定的最大限制值后,放电阈值由基于电池SOC的控制算法得到,此时算法所用的电池SOC参考值较小,使得储能系统实际电池SOC值下降。以此构建阈值控制分析模型。
将调整电池状态参数和实时环境数据流输入阈值控制分析模型,通过双扩展卡尔曼滤波法估算出系统当前的电池SOC值,用当前的实际电池SOC值与电池SOC参考值作差,得到电池SOC的差值,利用得到的电池SOC差值进行PI调节,进而获得多个动态充放电阈值控制方案。
步骤S700:通过所述仿真测试平台对所述多个动态充放电阈值控制方案进行仿真分析,获得多个仿真控制分析结果,并基于所述多个仿真控制分析结果对所述多个动态充放电阈值控制方案进行筛选,获得动态充放电阈值决策方案;
进一步而言,本申请步骤S700包括:
步骤S710:对所述锂电池储能系统进行基础参数采集,获得所述锂电池储能系统的基础数据集;
步骤S720:根据所述基础数据集进行仿真建模,获得锂电仿真模型;
步骤S730:将所述锂电仿真模型和所述多个动态充放电阈值控制方案传输至所述仿真测试平台,按照所述多个动态充放电阈值控制方案对所述锂电仿真模型进行多次仿真控制,获得多组锂电仿真工况数据;
步骤S740:对所述多组锂电仿真工况数据进行归一化处理,获得多组锂电仿真工况标准数据;
具体而言,锂电池的锂电池储能系统的基础参数包括标定参数、结构参数、电气参数以及其他参数,其中,标定参数包括标定电压和标定容量,标定容量是反应电池容量大小的指标,如48V 100Ah表示电池的容量为4.8度电。电气参数包括充电电压、放电电压、最大放电电流、额定放电电流、最大充电电流、额定充电电流,根据充放电电流与额定容量的比值得到电池充放电倍率,充放电倍率是表示电池充放电快慢的一种量度,一般可通过不同的充放电电流来检测电池的容量,如电池容量为100A·h的电池用15A放电时,其放电倍率为0.15C。其他参数还包括工作温度、通信接口和循环次数等。将上述数据进行存储,获得所述锂电池储能系统的基础数据集。
在仿真软件中建立模拟电路图,确定仿真的幅度比例尺和时间比例尺,并根据这些比例尺修改仿真模型中的参数获得锂电仿真模型。仿真测试平台为按照所述多个动态充放电阈值控制方案对所述锂电仿真模型进行仿真控制的平台,通过仿真控制获得多组锂电仿真工况数据。
对所述多组锂电仿真工况数据进行线性变换,使结果映射到之间,转换函数为/>,其中,/>为工况数据的最大值,/>为工况数据的最小值,/>为任一工况数据,/>为进行归一化处理后的工况标准数据,以此获得多组锂电仿真工况标准数据。通过将原始数据进行归一化处理,使得各指标处于同一数量级,解决了数据指标之间的可比性问题,以此进行综合对比评价。
步骤S750:对所述多组锂电仿真工况标准数据进行评估,获得所述多个仿真控制分析结果。
进一步而言,本申请步骤S750还包括:
步骤S751:获得多级锂电工况评估维度,其中,所述多级锂电工况评估维度包括电池工作效率、电池工作稳定性和电池工作安全性;
步骤S752:基于所述多级锂电工况评估维度,通过锂电工况评估模型对所述多组锂电仿真工况标准数据进行评估,获得多组工况评估数据;
步骤S753:获得预设权重分配条件;
步骤S754:基于所述预设权重分配条件,分别对所述多组工况评估数据进行加权计算,获得所述多个仿真控制分析结果。
具体而言,以电池工作效率为x轴、电池工作稳定性为y轴、电池工作安全性为z轴,构建锂电工况评估模型。将第一锂电仿真工况标准数据输入锂电工况评估模型,分别从电池工作效率、电池工作稳定性和电池工作安全性三个方面对所述第一锂电仿真工况标准数据进行评估,获得第一锂电仿真工况标准数据对应的第一电池工作效率评估数据坐标、第一电池工作稳定性评估数据坐标/>和第一电池工作安全性评估数据坐标/>,以此获得第一锂电仿真工况标准数据的评估数据向量/>,以此作为第一工况评估数据。根据实际情况设定权重分配条件,示例性地,更注重电池工作安全,设定权重为电池工作效率、电池工作稳定性和电池工作安全性的比值为3:3:4,根据所述预设权重分配条件,对第一工况评估数据进行加权计算,获得第一仿真控制分析结果。以同样的方法对多组锂电仿真工况标准数据进行评估,获得多组仿真控制分析结果。
对多组仿真控制分析结果进行对比,获取最优仿真控制分析结果,获取最优仿真控制分析结果对应的动态充放电阈值控制方案,该动态充放电阈值控制方案即为多组动态充放电阈值控制方案中的最优方案,以此作为动态充放电阈值决策方案。
步骤S800:基于所述动态充放电阈值决策方案对所述锂电池储能系统进行动态充放电阈值控制。
具体而言,根据动态充放电阈值决策方案中的阈值对锂电池储能系统的放电电流进行控制,一方面检测电压,控制电压使其稳定在指定值附近,另一方面控制储能装置的充放电电流,并起到限流的作用以保护电池。该控制方式能对储能系统进行动态控制,当网侧功需求小于储能系统最大功率时,储能系统能稳定电压;当网侧功率需求大于储能系统最大功率时,储能系统以最大功率进行工作。实现了通过实时监测并估算得到高精确度的剩余电量数据,进而智能化确定动态阈值,达到提升锂电池储能控制效果的技术效果。
实施例2
基于与前述实施例中一种锂电池储能系统的动态阈值控制方法相同的发明构思,如图4所示,本申请提供了一种锂电池储能系统的动态阈值控制系统,所述系统包括:
储能数据流获取模块10,所述储能数据流获取模块10用于连接锂电池储能系统,获得实时储能数据流;
储能数据源获取模块20,所述储能数据源获取模块20用于通过AHP特征模型对所述实时储能数据流进行预处理,获得实时储能数据源;
状态参数获取模块30,所述状态参数获取模块30用于基于双扩展卡尔曼滤波算法,对所述实时储能数据源进行计算,获得电池状态参数;
状态影响分析模块40,所述状态影响分析模块40用于连接所述锂电池储能系统,获得实时环境数据流,并通过环境影响拓扑分析层对所述实时环境数据流进行电池状态影响分析,获得环境-电池状态分析结果;
状态参数调整模块50,所述状态参数调整模块50用于根据所述环境-电池状态分析结果对所述电池状态参数进行调整,获得调整电池状态参数;
方案获取模块60,所述方案获取模块60用于将所述调整电池状态参数和所述实时环境数据流输入阈值控制分析模型,获得多个动态充放电阈值控制方案;
仿真分析模块70,所述仿真分析模块70用于通过所述仿真测试平台对所述多个动态充放电阈值控制方案进行仿真分析,获得多个仿真控制分析结果,并基于所述多个仿真控制分析结果对所述多个动态充放电阈值控制方案进行筛选,获得动态充放电阈值决策方案;
系统控制模块80,所述系统控制模块80用于基于所述动态充放电阈值决策方案对所述锂电池储能系统进行动态充放电阈值控制。
进一步而言,所述系统还包括:
所述AHP特征模型包括目标特征层、决策特征层和执行特征层;
处理响应目标获取模块,用于根据所述目标特征层,获得处理响应目标;
预处理维度获取模块,用于将所述处理响应目标和所述实时储能数据流输入所述决策特征层,获得多级预处理维度;
预处理模块,用于所述执行特征层根据所述多级预处理维度对所述实时储能数据流进行预处理,获得所述实时储能数据源。
进一步而言,所述系统还包括:
记录查询模块,用于对所述锂电池储能系统进行环境电池状态影响记录查询,获得环境电池状态影响记录数据集;
主成分分析模块,用于基于所述环境电池状态影响记录数据集进行主成分分析,获得标准环境状态影响数据集;
环境影响拓扑分析层构建模块,用于基于所述标准环境状态影响数据集,构建所述环境影响拓扑分析层;
分析结果获取模块,用于将所述实时环境数据流输入所述环境影响拓扑分析层,获得所述环境-电池状态分析结果。
进一步而言,所述系统还包括:
环境影响因子获取模块,用于基于所述标准环境状态影响数据集,获得多个电池状态环境影响因子;
环境影响因子评估模块,用于基于所述标准环境状态影响数据集,对所述多个电池状态环境影响因子进行评估,获得多个电池状态环境影响特征值;
多个节点获取模块,用于基于所述多个电池状态环境影响因子,获得多个节点;
关联关系分析模块,用于基于所述多个电池状态环境影响因子进行关联关系分析,获得多维因子关联关系;
连接模块,用于基于所述多维因子关联关系,对所述多个节点进行连接,获得环境分析拓扑网络层;
标识模块,用于基于所述多个电池状态环境影响特征值对所述环境分析拓扑网络层进行标识,获得所述环境影响拓扑分析层。
进一步而言,所述系统还包括:
约束条件获取模块,用于获得环境电池状态影响约束条件;
分析结果判断模块,用于判断所述环境-电池状态分析结果是否满足所述环境电池状态影响约束条件;
预警信号获取模块,用于如果所述环境-电池状态分析结果不满足所述环境电池状态影响约束条件,获得电池环境预警信号;
优化环境控制模块,用于基于所述电池环境预警信号对所述锂电池储能系统进行优化环境控制,获得优化环境参数,并基于所述优化环境参数对所述实时环境数据流进行数据更新。
进一步而言,所述系统还包括:
基础参数采集模块,用于对所述锂电池储能系统进行基础参数采集,获得所述锂电池储能系统的基础数据集;
仿真建模模块,用于根据所述基础数据集进行仿真建模,获得锂电仿真模型;
仿真控制模块,用于将所述锂电仿真模型和所述多个动态充放电阈值控制方案传输至所述仿真测试平台,按照所述多个动态充放电阈值控制方案对所述锂电仿真模型进行多次仿真控制,获得多组锂电仿真工况数据;
归一化处理模块,用于对所述多组锂电仿真工况数据进行归一化处理,获得多组锂电仿真工况标准数据;
数据评估模块,用于对所述多组锂电仿真工况标准数据进行评估,获得所述多个仿真控制分析结果。
进一步而言,所述系统还包括:
评估维度获取模块,用于获得多级锂电工况评估维度,其中,所述多级锂电工况评估维度包括电池工作效率、电池工作稳定性和电池工作安全性;
工况评估数据获取模块,用于基于所述多级锂电工况评估维度,通过锂电工况评估模型对所述多组锂电仿真工况标准数据进行评估,获得多组工况评估数据;
权重分配条件获取模块,用于获得预设权重分配条件;
加权计算模块,用于基于所述预设权重分配条件,分别对所述多组工况评估数据进行加权计算,获得所述多个仿真控制分析结果。
本说明书通过前述对一种锂电池储能系统的动态阈值控制方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种锂电池储能系统的动态阈值控制方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种锂电池储能系统的动态阈值控制方法,其特征在于,所述方法应用于一种锂电池储能系统的动态阈值控制系统,所述系统包括仿真测试平台,所述方法包括:
连接锂电池储能系统,获得实时储能数据流;
通过AHP特征模型对所述实时储能数据流进行预处理,获得实时储能数据源;
基于双扩展卡尔曼滤波算法,对所述实时储能数据源进行计算,获得电池状态参数;
连接所述锂电池储能系统,获得实时环境数据流,并通过环境影响拓扑分析层对所述实时环境数据流进行电池状态影响分析,获得环境-电池状态分析结果;
根据所述环境-电池状态分析结果对所述电池状态参数进行调整,获得调整电池状态参数;
将所述调整电池状态参数和所述实时环境数据流输入阈值控制分析模型,获得多个动态充放电阈值控制方案;
通过所述仿真测试平台对所述多个动态充放电阈值控制方案进行仿真分析,获得多个仿真控制分析结果,并基于所述多个仿真控制分析结果对所述多个动态充放电阈值控制方案进行筛选,获得动态充放电阈值决策方案;
基于所述动态充放电阈值决策方案对所述锂电池储能系统进行动态充放电阈值控制。
2.如权利要求1所述的方法,其特征在于,通过AHP特征模型对所述实时储能数据流进行预处理,获得实时储能数据源,所述方法还包括:
所述AHP特征模型包括目标特征层、决策特征层和执行特征层;
根据所述目标特征层,获得处理响应目标;
将所述处理响应目标和所述实时储能数据流输入所述决策特征层,获得多级预处理维度;
所述执行特征层根据所述多级预处理维度对所述实时储能数据流进行预处理,获得所述实时储能数据源。
3.如权利要求1所述的方法,其特征在于,所述获得环境-电池状态分析结果,所述方法还包括:
对所述锂电池储能系统进行环境电池状态影响记录查询,获得环境电池状态影响记录数据集;
基于所述环境电池状态影响记录数据集进行主成分分析,获得标准环境状态影响数据集;
基于所述标准环境状态影响数据集,构建所述环境影响拓扑分析层;
将所述实时环境数据流输入所述环境影响拓扑分析层,获得所述环境-电池状态分析结果。
4.如权利要求3所述的方法,其特征在于,基于所述标准环境状态影响数据集,构建所述环境影响拓扑分析层,所述方法还包括:
基于所述标准环境状态影响数据集,获得多个电池状态环境影响因子;
基于所述标准环境状态影响数据集,对所述多个电池状态环境影响因子进行评估,获得多个电池状态环境影响特征值;
基于所述多个电池状态环境影响因子,获得多个节点;
基于所述多个电池状态环境影响因子进行关联关系分析,获得多维因子关联关系;
基于所述多维因子关联关系,对所述多个节点进行连接,获得环境分析拓扑网络层;
基于所述多个电池状态环境影响特征值对所述环境分析拓扑网络层进行标识,获得所述环境影响拓扑分析层。
5.如权利要求3所述的方法,其特征在于,获得所述环境-电池状态分析结果之后,所述方法还包括:
获得环境电池状态影响约束条件;
判断所述环境-电池状态分析结果是否满足所述环境电池状态影响约束条件;
如果所述环境-电池状态分析结果不满足所述环境电池状态影响约束条件,获得电池环境预警信号;
基于所述电池环境预警信号对所述锂电池储能系统进行优化环境控制,获得优化环境参数,并基于所述优化环境参数对所述实时环境数据流进行数据更新。
6.如权利要求1所述的方法,其特征在于,通过所述仿真测试平台对所述多个动态充放电阈值控制方案进行仿真分析,获得多个仿真控制分析结果,所述方法还包括:
对所述锂电池储能系统进行基础参数采集,获得所述锂电池储能系统的基础数据集;
根据所述基础数据集进行仿真建模,获得锂电仿真模型;
将所述锂电仿真模型和所述多个动态充放电阈值控制方案传输至所述仿真测试平台,按照所述多个动态充放电阈值控制方案对所述锂电仿真模型进行多次仿真控制,获得多组锂电仿真工况数据;
对所述多组锂电仿真工况数据进行归一化处理,获得多组锂电仿真工况标准数据;
对所述多组锂电仿真工况标准数据进行评估,获得所述多个仿真控制分析结果。
7.如权利要求6所述的方法,其特征在于,对所述多组锂电仿真工况标准数据进行评估,获得所述多个仿真控制分析结果,所述方法还包括:
获得多级锂电工况评估维度,其中,所述多级锂电工况评估维度包括电池工作效率、电池工作稳定性和电池工作安全性;
基于所述多级锂电工况评估维度,通过锂电工况评估模型对所述多组锂电仿真工况标准数据进行评估,获得多组工况评估数据;
获得预设权重分配条件;
基于所述预设权重分配条件,分别对所述多组工况评估数据进行加权计算,获得所述多个仿真控制分析结果。
8.一种锂电池储能系统的动态阈值控制系统,其特征在于,所述系统包括仿真测试平台,所述系统包括:
储能数据流获取模块,所述储能数据流获取模块用于连接锂电池储能系统,获得实时储能数据流;
储能数据源获取模块,所述储能数据源获取模块用于通过AHP特征模型对所述实时储能数据流进行预处理,获得实时储能数据源;
状态参数获取模块,所述状态参数获取模块用于基于双扩展卡尔曼滤波算法,对所述实时储能数据源进行计算,获得电池状态参数;
状态影响分析模块,所述状态影响分析模块用于连接所述锂电池储能系统,获得实时环境数据流,并通过环境影响拓扑分析层对所述实时环境数据流进行电池状态影响分析,获得环境-电池状态分析结果;
状态参数调整模块,所述状态参数调整模块用于根据所述环境-电池状态分析结果对所述电池状态参数进行调整,获得调整电池状态参数;
方案获取模块,所述方案获取模块用于将所述调整电池状态参数和所述实时环境数据流输入阈值控制分析模型,获得多个动态充放电阈值控制方案;
仿真分析模块,所述仿真分析模块用于通过所述仿真测试平台对所述多个动态充放电阈值控制方案进行仿真分析,获得多个仿真控制分析结果,并基于所述多个仿真控制分析结果对所述多个动态充放电阈值控制方案进行筛选,获得动态充放电阈值决策方案;
系统控制模块,所述系统控制模块用于基于所述动态充放电阈值决策方案对所述锂电池储能系统进行动态充放电阈值控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310492592.2A CN116207766B (zh) | 2023-05-05 | 2023-05-05 | 一种锂电池储能系统的动态阈值控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310492592.2A CN116207766B (zh) | 2023-05-05 | 2023-05-05 | 一种锂电池储能系统的动态阈值控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116207766A true CN116207766A (zh) | 2023-06-02 |
CN116207766B CN116207766B (zh) | 2023-08-08 |
Family
ID=86509824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310492592.2A Active CN116207766B (zh) | 2023-05-05 | 2023-05-05 | 一种锂电池储能系统的动态阈值控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116207766B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117289142A (zh) * | 2023-11-24 | 2023-12-26 | 国网天津市电力公司电力科学研究院 | 锂离子储能电站电池内部短路故障检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112946484A (zh) * | 2021-02-07 | 2021-06-11 | 中南大学 | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 |
CN114035054A (zh) * | 2021-11-17 | 2022-02-11 | 重庆邮电大学 | 基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法 |
-
2023
- 2023-05-05 CN CN202310492592.2A patent/CN116207766B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112946484A (zh) * | 2021-02-07 | 2021-06-11 | 中南大学 | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 |
CN114035054A (zh) * | 2021-11-17 | 2022-02-11 | 重庆邮电大学 | 基于卡尔曼滤波器和神经网络联合估计模型的SoC估计方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117289142A (zh) * | 2023-11-24 | 2023-12-26 | 国网天津市电力公司电力科学研究院 | 锂离子储能电站电池内部短路故障检测方法及装置 |
CN117289142B (zh) * | 2023-11-24 | 2024-03-19 | 国网天津市电力公司电力科学研究院 | 锂离子储能电站电池内部短路故障检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116207766B (zh) | 2023-08-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
CN116775408B (zh) | 一种储能设备运行状态的智能监测方法 | |
CN109818349B (zh) | 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法 | |
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
CN116207766B (zh) | 一种锂电池储能系统的动态阈值控制方法及系统 | |
CN112331941A (zh) | 云端辅助电池管理系统及方法 | |
CN115902647B (zh) | 一种电池状态智能监测方法 | |
CN107370169B (zh) | 基于anfis短期负荷预测的大规模储能电站调峰控制器及方法 | |
CN112798961B (zh) | 一种电动汽车动力电池剩余使用寿命预测方法 | |
CN114252103B (zh) | 融合电站运行故障预测方法 | |
CN117353751B (zh) | 基于大数据的无人充电桩交易数据智能管理系统 | |
CN110866366A (zh) | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 | |
CN111062620A (zh) | 基于混合计费数据的电力计费公平性智能分析系统及方法 | |
CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
CN115754743A (zh) | 一种电池电压不一致识别方法、装置、设备及介质 | |
CN114880939A (zh) | 一种动力电池寿命的智能预测方法及装置 | |
CN117318209A (zh) | 一种基于数据分析的电池组多模式运行控制系统 | |
CN115980607A (zh) | 基于增量容量曲线特征点的电池健康状态soh估算方法 | |
CN117811169B (zh) | 电池主动均衡管理系统 | |
CN111983476B (zh) | 一种基于卡尔曼滤波法的电池安全度估算方法及装置 | |
CN115114983B (zh) | 基于大数据设备电量数据采集分析方法、计算机系统 | |
CN117951629B (zh) | 一种电池组充放电温度异常行为的检测方法及系统 | |
CN116976701B (zh) | 一种电网线损水平的智能估测方法及系统 | |
CN117828408B (zh) | 一种储能容量数据处理方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |