CN117040048A - 风光发电储能管理方法及系统 - Google Patents
风光发电储能管理方法及系统 Download PDFInfo
- Publication number
- CN117040048A CN117040048A CN202310900458.1A CN202310900458A CN117040048A CN 117040048 A CN117040048 A CN 117040048A CN 202310900458 A CN202310900458 A CN 202310900458A CN 117040048 A CN117040048 A CN 117040048A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- time sequence
- feature
- vector
- feature vector
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 150
- 238000007726 management method Methods 0.000 title claims abstract description 71
- 238000010248 power generation Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims description 293
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 48
- 238000013527 convolutional neural network Methods 0.000 claims description 40
- 238000009826 distribution Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 14
- 238000012546 transfer Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 5
- 239000002356 single layer Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 6
- 239000010410 layer Substances 0.000 description 32
- 238000012544 monitoring process Methods 0.000 description 18
- 238000005259 measurement Methods 0.000 description 10
- 238000011176 pooling Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- H02J15/00—Systems for storing electric energy
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Power Engineering (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请公开了一种风光发电储能管理方法及系统,其通过收集储能过程中被储能电池的储能参数,并利用深度神经网络模型来作为特征提取器来捕捉各项储能参数以及各项储能参数间的高维隐含特征,并通过解码器来进行解码回归以得到更为精准的SOC测量值。
Description
技术领域
本申请涉及智能管理领域,且更为具体地,涉及一种风光发电储能管理方法及系统。
背景技术
近年来,随着能源问题的日益凸显,各式各样的新能源(例如,风电和光伏)发展迅猛。然而,风光发电是不稳定的,受天气条件和季节变化的影响较大。因此,为了提高可再生能源利用效率和电网稳定性,需进行风光发电储能管理。
风光发电储能管理包括风光储多能互补管理策略、储能SOC智能监测、多能管理数据分析评估多种机型能量等。特别地,通过监测储能系统的SOC可以实现对能量的合理管理和调度,例如,根据当前SOC值来决定何时进行充电或放电操作以最大程度地提高能量利用效率。
但是,在储能SOC智能监测中,储能系统(例如,储能电池)的SOC值与多个因素相关,不仅各个因素与SOC之间存在复杂的线性或非线性关联,且各个因素之间也存在复杂的线性或非线性关联,这导致SOC值的测量值的精准度不高,从而影响后续的决策合理性。
因此,期待一种优化的风光发电储能管理方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种风光发电储能管理方法及系统,其通过收集储能过程中被储能电池的储能参数,并利用深度神经网络模型来作为特征提取器来捕捉各项储能参数以及各项储能参数间的高维隐含特征,并通过解码器来进行解码回归以得到更为精准的SOC测量值。
根据本申请的一个方面,提供了一种风光发电储能管理方法,其包括:
储能参数获取步骤:获取储能过程中被储能电池的储能参数,其中,所述储能参数包括充电电压值、充电电流值和电池温度值;以及
SOC值确定步骤:基于所述储能参数,确定所述被储能电池的SOC值。
在上述风光发电储能管理方法中,所述储能参数获取步骤,包括:
电池参数获取子步骤,获取所述被储能电池在预定时间段内多个预定时间点的充电电压值、充电电流值和电池温度值。
在上述风光发电储能管理方法中,所述SOC值确定步骤,包括:
输入向量排序子步骤:将所述多个预定时间点的充电电压值、充电电流值和电池温度值分别按照时间维度排列为充电电压时序输入向量、充电电流时序输入向量和电池温度时序输入向量;
特征向量提取子步骤:从所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量提取充电电压时序特征向量、充电电流时序特征向量和电池温度时序特征向量;
关联特征提取子步骤:提取所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量之间的参数间关联特征向量;
特征向量融合子步骤:融合所述充电电压时序特征向量、所述充电电流时序特征向量、所述电池温度时序特征向量和所述参数间关联特征向量以得到解码特征向量;以及
解码回归子步骤:对所述解码特征向量进行解码回归以得到用于表示当前时间点的SOC值的解码值。
在上述风光发电储能管理方法中,所述特征向量提取子步骤,包括:
卷积编码孙子步骤:将所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到所述充电电压时序特征向量、所述充电电流时序特征向量和所述电池温度时序特征向量。
在上述风光发电储能管理方法中,所述关联特征提取子步骤,包括:
二维排列孙子步骤:将所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量排列为二维特征矩阵;以及
参数间关联特征向量获得孙子步骤:将所述二维特征矩阵通过基于卷积神经网络模型的参数间关联特征提取器以得到所述参数间关联特征向量。
在上述风光发电储能管理方法中,所述特征向量融合子步骤,包括:
级联孙子步骤:将所述充电电压时序特征向量、所述充电电流时序特征向量、所述电池温度时序特征向量和所述参数间关联特征向量进行级联以得到所述解码特征向量。
在上述风光发电储能管理方法中,所述解码回归子步骤,包括:
解码值获得孙子步骤:将所述解码特征向量通过解码器进行解码回归以得到所述解码值,所述解码值用于表示当前时间点的SOC值。
在上述风光发电储能管理方法中,还包括训练步骤:对所述基于一维卷积神经网络模型的时序特征提取器、所述基于卷积神经网络模型的参数间关联特征提取器和所述解码器进行训练。
在上述风光发电储能管理方法中,所述训练步骤,包括:
训练数据获取子步骤:获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练充电电压值、训练充电电流值和训练电池温度值,以及,当前时间点的SOC真实值;以及
反向传播训练子步骤:基于所述训练数据通过梯度下降的反向传播对所述基于一维卷积神经网络模型的时序特征提取器、所述基于卷积神经网络模型的参数间关联特征提取器和所述解码器进行训练。
在上述风光发电储能管理方法中,所述反向传播训练子步骤,包括:
在每次所述解码器的权重矩阵的迭代过程中,对于所述权重矩阵进行基于特征分布跨域注意力的特征转移优化,用公式表示为:
其中,M的尺度为m×m,M'为优化后的权重矩阵,V1到Vm是权重矩阵M的m个行向量,||·||2表示特征向量的二范数,mi,j是所述权重矩阵第i行第j列得特征值,T表示矩阵的转置,(:∑jmi,j:)是对权重矩阵M的每个行向量的求和值排列得到的行向量,且cov1(·)和cov2(·)均表示单层卷积操作。
根据本申请的另一个方面,提供了一种风光发电储能管理系统,其包括:
信息获取模块,用于获取储能过程中被储能电池的储能参数,其中,所述储能参数包括充电电压值、充电电流至电流值和电池温度值;以及
SOC值生成模块,用于基于所述储能参数,确定所述被储能电池的SOC值。
与现有技术相比,本申请提供的一种风光发电储能管理方法及系统,其通过收集储能过程中被储能电池的储能参数,并利用深度神经网络模型来作为特征提取器来捕捉各项储能参数以及各项储能参数间的高维隐含特征,并通过解码器来进行解码回归以得到更为精准的SOC测量值。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的风光发电储能管理方法的流程图;
图2为根据本申请实施例的风光发电储能管理方法的系统架构图;
图3为根据本申请实施例的风光发电储能管理方法的训练阶段的流程图;
图4为根据本申请实施例的风光发电储能管理方法的子步骤S2的流程图;
图5为根据本申请实施例的风光发电储能管理方法的子步骤S23的流程图;
图6为根据本申请实施例的风光发电储能管理系统的框图;
图7为根据本申请实施例的风光发电储能管理方法的场景示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
风光发电储能管理包括风光储多能互补管理策略、储能SOC智能监测、多能管理数据分析评多种机型能量估等。特别地,通过监测储能系统的SOC可以实现对能量的合理管理和调度,例如,根据当前SOC值来决定何时进行充电或放电操作以最大程度地提高能量利用效率。但是,在储能SOC智能监测中,储能系统(例如,储能电池)的SOC值与多个因素相关,不仅各个因素与SOC之间存在复杂的线性或非线性关联,且各个因素之间也存在复杂的线性或非线性关联,这导致SOC值的测量值的精准度不高,从而影响后续的决策合理性。因此,期待一种优化的风光发电储能管理方案。
在本申请的技术方案中,提出了一种风光发电储能管理方法。图1为根据本申请实施例的风光发电储能管理方法的流程图。图2为根据本申请实施例的风光发电储能管理方法的系统架构图。如图1和图2所示,根据本申请的实施例的风光发电储能管理方法,包括步骤:S1,获取储能过程中被储能电池的储能参数,其中,所述储能参数包括充电电压值、充电电流值和电池温度值;以及,S2,基于所述储能参数,确定所述被储能电池的SOC值。
具体地,在步骤S1中,获取储能过程中被储能电池的储能参数,其中,所述储能参数包括充电电压值、充电电流值和电池温度值。特别地,在本申请的一个具体示例中,所述S1,包括:获取所述被储能电池在预定时间段内多个预定时间点的充电电压值、充电电流值和电池温度值。被储能电池是指能够将电能储存起来,在需要时释放出来供电的设备。它们通常由一系列电池组成,可以将电能转化为化学能进行储存,并在需要时将其转化回电能供应给电力系统或其他设备使用。值得注意的是,其中,充电电压与SOC之间存在非线性关联,充电电流在一定程度上反映出SOC的变化,电池温度会影响SOC的变化,而三者之间的协同作为整体也与SOC的测量之间存在非线性关联。
根据本申请的实施例,可通过电压传感器来获取所述被储能电池在预定时间段内多个预定时间点的充电电压值;通过电流传感器来获取所述被储能电池在预定时间段内多个预定时间点的充电电流值,以及,通过温度传感器来获取所述被储能电池在预定时间段内多个预定时间点的电池温度值。
电压传感器是一种用于测量电压的设备或传感器。它能够将电压信号转换为可供测量和处理的电信号。它们在工业自动化、能源管理、电力监测、电动车辆和可再生能源等领域中起着重要的作用。
电流传感器是一种用于测量电流的设备或传感器。它能够将电流信号转换为可供测量和处理的电信号。它们在工业自动化、能源管理、电力监测、电动车辆和可再生能源等领域中起着重要的作用。电流传感器通常具有非接触式测量、高精度、低功耗和快速响应等特点。
温度传感器是一种用于测量温度的设备或传感器。它能够将温度信号转换为可供测量和处理的电信号或数字信号。它们在工业自动化、气象观测、医疗设备、家用电器、汽车等领域中广泛应用。温度传感器通常具有高精度、快速响应、稳定性好和可靠性高等特点。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式来获取储能过程中被储能电池的储能参数,其中,所述储能参数包括充电电压值、充电电流值和电池温度值,例如:连接电池监控系统:将电池监控系统与储能电池进行连接,以实时监测电池的状态和参数;获取充电电压值:通过电池监控系统,读取电池的充电电压值。充电电压是指在储能过程中,电池正极和负极之间的电压差。可以通过电池监控系统提供的接口或传感器获取该数值;获取充电电流值:同样通过电池监控系统,读取电池的充电电流值。充电电流是指在储能过程中,电池中流入的电流量。电池监控系统可以提供充电电流的实时数据;获取电池温度值:利用电池监控系统中的温度传感器,获取电池的温度值。电池温度是指电池在储能过程中的温度状态,它可以影响电池的性能和寿命;记录和存储参数:将获取到的充电电压值、充电电流值和电池温度值进行记录和存储。可以将这些参数保存在数据库中或者导出到文件中,以备后续分析和应用。
具体地,在步骤S2中,基于所述储能参数,确定所述被储能电池的SOC值。特别地,在本申请的一个具体示例中,如图4所示,所述S2,包括:S21,将所述多个预定时间点的充电电压值、充电电流值和电池温度值分别按照时间维度排列为充电电压时序输入向量、充电电流时序输入向量和电池温度时序输入向量;S22,从所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量提取充电电压时序特征向量、充电电流时序特征向量和电池温度时序特征向量;S23,提取所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量之间的参数间关联特征向量;S24,融合所述充电电压时序特征向量、所述充电电流时序特征向量、所述电池温度时序特征向量和所述参数间关联特征向量以得到解码特征向量;以及,S25,对所述解码特征向量进行解码回归以得到用于表示当前时间点的SOC值的解码值。
相应地,所述S21,将所述多个预定时间点的充电电压值、充电电流值和电池温度值分别按照时间维度排列为充电电压时序输入向量、充电电流时序输入向量和电池温度时序输入向量。特别地,在本申请的一个具体示例中,可通过沿着时间维度将所述充电电压值的时序离散分布、所述充电电流值的时序离散分布和所述电池温度值的时序离散分布进行向量化以得到所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式来将所述多个预定时间点的充电电压值、充电电流值和电池温度值分别按照时间维度排列为充电电压时序输入向量、充电电流时序输入向量和电池温度时序输入向量,例如:收集数据:收集多个预定时间点的充电电压值、充电电流值和电池温度值;时间维度排序:按照时间顺序,将充电电压值、充电电流值和电池温度值分别排列为充电电压时序输入向量、充电电流时序输入向量和电池温度时序输入向量;SOC模型建立:根据所收集的数据,建立一个SOC模型,该模型可以根据充电电压、充电电流和电池温度等参数来估计电池的SOC值;模型校准:使用已知的准确SOC值和相应的充电电压、充电电流和电池温度数据,对SOC模型进行校准,以提高估计的准确性和稳定性;SOC估计:使用已建立和校准的SOC模型,对新的充电电压、充电电流和电池温度数据进行估计,得到电池的SOC值;更新SOC值:根据新的SOC估计值,更新电池的SOC值,以反映电池的当前状态;监控和控制:持续监测充电电压、充电电流和电池温度等参数,根据实时数据进行SOC估计和SOC值更新,以实现对电池的有效管理和控制。
相应地,所述S22,从所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量提取充电电压时序特征向量、充电电流时序特征向量和电池温度时序特征向量。特别地,在本申请的一个具体示例中,可将所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到所述充电电压时序特征向量、所述充电电流时序特征向量和所述电池温度时序特征向量。应可以理解,相较于传统的特征工程,在本申请的技术方案中,使用基于一维卷积神经网络模型的时序特征提取器来捕捉所述充电电压值的时序离散分布、所述充电电流值的时序离散分布和所述电池温度值的时序离散分布中所蕴含的充电电压值之间的局部时序邻域关联特征、充电电流值之间的局部时序邻域关联特征和电池温度值之间的局部时序邻域关联特征以得到所述充电电压时序特征向量、所述充电电流时序特征向量和所述电池温度时序特征向量。
根据本申请的实施例,将所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到所述充电电压时序特征向量、所述充电电流时序特征向量和所述电池温度时序特征向量,包括:使用所述基于一维卷积神经网络模型的时序特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于一维卷积神经网络模型的时序特征提取器的最后一层的输出为所述充电电压时序特征向量、所述充电电流时序特征向量和所述电池温度时序特征向量,所述基于一维卷积神经网络模型的时序特征提取器的第一层的输入为所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量。
一维卷积神经网络(1D CNN)是一种用于处理一维序列数据的神经网络模型。与传统的全连接神经网络不同,1D CNN在输入数据上使用卷积操作,以捕捉输入数据中的局部模式和特征。值得注意的是,1D CNN的结构包括:输入层:接收一维序列数据作为输入;卷积层:使用卷积操作对输入数据进行特征提取。卷积层包括多个卷积核(或滤波器),每个卷积核可以学习不同的特征。卷积操作通过在输入序列上滑动卷积核并进行元素乘积和求和来生成特征映射;激活函数:在卷积层之后,通常会应用激活函数来引入非线性。常用的激活函数包括ReLU、Sigmoid和Tanh等;池化层:池化层用于减少特征映射的维度,并提取最重要的特征。常用的池化操作包括最大池化和平均池化;全连接层:在经过多个卷积层和池化层之后,可以添加全连接层来进行分类或回归等任务;输出层:输出层根据任务的不同,可以使用不同的激活函数,如Sigmoid、Softmax等。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式来从所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量提取充电电压时序特征向量、充电电流时序特征向量和电池温度时序特征向量,例如:收集充电电压时序输入向量:通过电压传感器获取充电电压的时序数据,例如每秒钟采集一次电压值,形成一个电压时序输入向量;收集充电电流时序输入向量:通过电流传感器获取充电电流的时序数据,例如每秒钟采集一次电流值,形成一个电流时序输入向量;收集电池温度时序输入向量:通过温度传感器获取电池温度的时序数据,例如每秒钟采集一次温度值,形成一个温度时序输入向量;提取充电电压时序特征向量:对充电电压时序输入向量进行特征提取,可以使用各种方法,如统计特征(均值、方差等)、频域特征(傅里叶变换、功率谱密度等)或时域特征(波形形状、斜率等),提取得到充电电压时序特征向量;提取充电电流时序特征向量:对充电电流时序输入向量进行特征提取,同样可以使用统计特征、频域特征或时域特征的方法,提取得到充电电流时序特征向量;提取电池温度时序特征向量:对电池温度时序输入向量进行特征提取,同样可以使用统计特征、频域特征或时域特征的方法,提取得到电池温度时序特征向量。
相应地,所述S23,提取所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量之间的参数间关联特征向量。特别地,在本申请的一个具体示例中,如图5所示,所述S23,包括:S231,将所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量排列为二维特征矩阵;以及,S232,将所述二维特征矩阵通过基于卷积神经网络模型的参数间关联特征提取器以得到所述参数间关联特征向量。
所述S231,将所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量排列为二维特征矩阵。特别地,在本申请的一个具体示例中,将所述多个预定时间点的充电电压值、充电电流值和电池温度值沿着时间维度和样本维度排列为二维特征矩阵,即,多储能参数全时序关联矩阵。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式来将所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量排列为二维特征矩阵,例如:收集充电电压时序数据,并将其表示为一个向量,记为充电电压时序输入向量;收集充电电流时序数据,并将其表示为一个向量,记为充电电流时序输入向量;收集电池温度时序数据,并将其表示为一个向量,记为电池温度时序输入向量;将充电电压时序输入向量、充电电流时序输入向量和电池温度时序输入向量排列为一个二维特征矩阵;假设充电电压时序输入向量的长度为N1,充电电流时序输入向量的长度为N2,电池温度时序输入向量的长度为N3;创建一个空的特征矩阵,大小为(N1,3),其中3代表充电电压、充电电流和电池温度三个特征;将充电电压时序输入向量的元素按顺序填充到特征矩阵的第一列;将充电电流时序输入向量的元素按顺序填充到特征矩阵的第二列;将电池温度时序输入向量的元素按顺序填充到特征矩阵的第三列;得到排列好的二维特征矩阵,该矩阵包含了充电电压、充电电流和电池温度三个特征的时序数据。
所述S232,将所述二维特征矩阵通过基于卷积神经网络模型的参数间关联特征提取器以得到所述参数间关联特征向量。也就是,使用在局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器来捕捉所述多储能参数全时序关联矩阵中各储能参数之间的高维局部邻域关联模式特征,即,各项储能参数之间的高维隐含关联信息。
根据本申请的实施例,将所述二维特征矩阵通过基于卷积神经网络模型的参数间关联特征提取器以得到所述参数间关联特征向量,包括:使用所述基于卷积神经网络模型的参数间关联特征提取器的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述基于卷积神经网络模型的参数间关联特征提取器的最后一层的输出为所述参数间关联特征向量,所述基于卷积神经网络模型的参数间关联特征提取器的第一层的输入为所述二维特征矩阵。
卷积神经网络(Convolutional Neural Network,简称CNN)是一种深度学习模型,特别适用于处理具有网格结构的数据,如图像和音频。它在计算机视觉领域中广泛应用于图像分类、目标检测、图像生成等任务。CNN的核心思想是利用卷积层和池化层来提取输入数据中的特征。卷积层通过卷积操作将输入数据与一组可学习的卷积核进行卷积运算,从而捕捉输入数据中的局部特征。池化层则通过降采样操作减少特征图的尺寸,并保留最显著的特征。通过多个卷积层和池化层的堆叠,网络可以逐渐学习到更高级别的特征。
在CNN中,通常还包含全连接层和激活函数层。全连接层将卷积层提取到的特征映射转换为分类或回归任务所需的输出。激活函数层引入非线性变换,增加网络的表达能力。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式来提取所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量之间的参数间关联特征向量,例如:收集充电电压时序输入向量、充电电流时序输入向量和电池温度时序输入向量的数据;对于充电电压时序输入向量,可以提取以下参数间关联特征向量:平均电压:将所有电压值相加并除以采样点数,得到平均电压;最大电压:找到电压向量中的最大值;最小电压:找到电压向量中的最小值;峰值电压:最大电压减去最小电压;对于充电电流时序输入向量,可以提取以下参数间关联特征向量:平均电流:将所有电流值相加并除以采样点数,得到平均电流;最大电流:找到电流向量中的最大值;最小电流:找到电流向量中的最小值;峰值电流:最大电流减去最小电流;对于电池温度时序输入向量,可以提取以下参数间关联特征向量:平均温度:将所有温度值相加并除以采样点数,得到平均温度;最高温度:找到温度向量中的最大值;最低温度:找到温度向量中的最小值;温度变化率:根据温度向量的变化情况计算温度的变化率;将提取的参数间关联特征向量组合成一个特征向量,用于进一步的SOC估计或其他应用。
相应地,所述S24,融合所述充电电压时序特征向量、所述充电电流时序特征向量、所述电池温度时序特征向量和所述参数间关联特征向量以得到解码特征向量。也就是,在得到所述充电电压时序特征向量、所述充电电流时序特征向量、所述电池温度时序特征向量和所述参数间关联特征向量后,进一步将其进行特征融合,以此来融合充电电压的时序离散分布的高维隐含特征、充电电流的时序离散分布的高维隐含特征和储能温度的时序离散分布的高维隐含特征,以及,上述储能参数的协同时序离散分布的高维隐含关联特征。特别地,在本申请的一个具体示例中,将所述充电电压时序特征向量、所述充电电流时序特征向量、所述电池温度时序特征向量和所述参数间关联特征向量进行级联以得到所述解码特征向量。
根据本申请的实施例,将所述充电电压时序特征向量、所述充电电流时序特征向量、所述电池温度时序特征向量和所述参数间关联特征向量进行级联以得到所述解码特征向量,包括:以如下级联公式来将所述充电电压时序特征向量、所述充电电流时序特征向量、所述电池温度时序特征向量和所述参数间关联特征向量进行级联以得到所述解码特征向量;其中,所述公式为:
V=Concat[Va,Vb,Vc,Vd]
其中,Va表示所述充电电压时序特征向量,Vb表示所述充电电流时序特征向量,Vc表示所述电池温度时序特征向量,Vd表示所述参数间关联特征向量,Concat[·,·]表示级联函数,V表示所述解码特征向量。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式来融合所述充电电压时序特征向量、所述充电电流时序特征向量、所述电池温度时序特征向量和所述参数间关联特征向量以得到解码特征向量,例如:收集充电电压、充电电流和电池温度的时序数据;对每个时序数据进行预处理,如去除噪声、平滑处理等,以确保数据的质量;提取充电电压时序特征向量:对充电电压时序数据进行特征提取,可以使用各种方法,如统计特征(均值、方差等)、频域特征(傅里叶变换、功率谱密度等)或时域特征(波形形状、斜率等);提取充电电流时序特征向量:对充电电流时序数据进行特征提取,可以使用与步骤3类似的方法,选择适合的特征来描述电流的特性;提取电池温度时序特征向量:对电池温度时序数据进行特征提取,可以使用与步骤3和4类似的方法,选择适合的特征来描述温度的变化;提取参数间关联特征向量:根据已知的电池参数,如容量、内阻等,计算参数间的关联特征。这可以包括相关系数、协方差等统计量;将步骤3至步骤6提取的特征向量进行融合:可以使用各种融合方法,如简单的拼接、加权求和、特征层叠等,将特征向量组合成一个解码特征向量;使用解码特征向量进行进一步的分析和处理,如状态估计、故障检测等。
相应地,所述S25,对所述解码特征向量进行解码回归以得到用于表示当前时间点的SOC值的解码值。特别地,在本申请的一个具体示例中,将所述解码特征向量通过解码器进行解码回归以得到所述解码值,所述解码值用于表示当前时间点的SOC值。更具体地,使用所述解码器以如下公式将所述解码特征向量进行解码回归以获得用于表示当前时间点的SOC值的解码值;其中,所述公式为:其中X表示所述解码特征向量,Y是所述解码值,W是权重矩阵,/>表示矩阵相乘。值得注意的是,解码回归是一种机器学习中的任务,其目标是根据输入数据预测连续值的输出。解码回归是将解码特征向量映射回对应的SOC值。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式来对所述解码特征向量进行解码回归以得到用于表示当前时间点的SOC值的解码值,例如:收集训练数据:首先,需要收集一组已知SOC值的训练数据。这些数据应包括充电电压、充电电流和电池温度的时序特征向量,以及对应的SOC值;特征选择:根据具体情况,可以选择使用一部分或全部的解码特征向量作为输入特征。这些特征可以包括充电电压、充电电流和电池温度的时序特征向量,以及参数间关联特征向量;模型选择:选择适合解码回归任务的模型。常见的回归模型包括线性回归、支持向量回归(SVR)、决策树回归、随机森林回归等。另外,也可以考虑使用深度学习模型,如循环神经网络(RNN)或长短期记忆网络(LSTM);数据预处理:对训练数据进行预处理,包括数据清洗、特征缩放、特征归一化等操作。这些操作有助于提高模型的性能和稳定性;模型训练:使用训练数据对选择的模型进行训练。训练过程中,模型将学习如何将解码特征向量映射到对应的SOC值;模型评估:使用测试数据对训练好的模型进行评估。评估指标可以包括均方根误差(RMSE)、平均绝对误差(MAE)等,用于衡量模型的预测性能;模型应用:在实际应用中,使用训练好的模型对新的解码特征向量进行解码回归,从而得到表示当前时间点的SOC值的解码值。
值得一提的是,在本申请的其他具体示例中,还可以通过其他方式来基于所述储能参数,确定所述被储能电池的SOC值,例如,收集储能参数:收集与电池SOC相关的参数,例如电池的电压、电流、温度等。这些参数可以通过电池管理系统(BMS)或其他传感器获取;建立SOC模型:使用收集到的储能参数数据,建立SOC模型。SOC模型可以是基于物理模型、经验模型或统计模型,用于估计电池的SOC值;校准SOC模型:根据实际测量数据对SOC模型进行校准。通过与已知SOC值进行比较,调整模型参数,以提高模型的准确性和可靠性;进行SOC估计:使用校准后的SOC模型,根据实时的储能参数进行SOC估计。将当前的电压、电流、温度等数据输入到模型中,计算得出估计的SOC值;更新SOC值:根据估计的SOC值和实际测量的数据,不断更新和修正SOC值。可以使用滤波算法或其他数据处理技术,对测量误差进行补偿和平滑处理;监控和控制:将估计的SOC值用于电池的监控和控制。根据SOC值的变化,进行电池的充放电控制,以确保电池的安全运行和最佳性能。
应可以理解,在利用上述神经网络模型进行推断之前,需要对所述基于一维卷积神经网络模型的时序特征提取器、所述基于卷积神经网络模型的参数间关联特征提取器和所述解码器进行训练。也就是说,在本申请的风光发电储能管理方法中,还包括训练阶段,用于对所述基于一维卷积神经网络模型的时序特征提取器、所述基于卷积神经网络模型的参数间关联特征提取器和所述解码器进行训练。
图3为根据本申请实施例的风光发电储能管理方法的训练阶段的流程图。如图3所示,根据本申请实施例的风光发电储能管理方法,包括:训练阶段,包括:S110,获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练充电电压值、训练充电电流值和训练电池温度值,以及,当前时间点的SOC真实值;以及,S120,基于所述训练数据通过梯度下降的反向传播对所述基于一维卷积神经网络模型的时序特征提取器、所述基于卷积神经网络模型的参数间关联特征提取器和所述解码器进行训练。
特别地,在本申请的技术方案中,在融合所述充电电压时序特征向量、所述充电电流时序特征向量、所述电池温度时序特征向量和所述参数间关联特征向量以得到解码特征向量时,在本申请的技术方案中,充电电压与SOC之间存在非线性关联,充电电流在一定程度上反映出SOC的变化,电池温度会影响SOC的变化,而三者之间的协同作为整体也与SOC的测量之间存在非线性关联,因此,优选地通过级联的方式来融合所述充电电压时序特征向量、所述充电电流时序特征向量、所述电池温度时序特征向量和所述参数间关联特征向量以充分保留各个SOC影响要素的特征表达。但是,由于所述充电电压时序特征向量、所述充电电流时序特征向量、所述电池温度时序特征向量和所述参数间关联特征向量分别来源于不同源数据且在编码方式和特征提取模型层面存在差异,因此,所述解码特征向量会具有与不同编码表示的关联特征对应的多样化特征分布。这样,当所述解码特征向量通过解码器进行解码回归时,考虑到多样化特征分布在解码的域转移过程中的分布可转移性差异,例如,相同编码表示之间的关联特征的良好分布可转移性相对于不同编码表示之间的关联特征的不良分布可转移性,需要针对所述解码器的权重矩阵对于所述解码特征向量进行自适应优化,以便提升所述解码特征向量通过解码器进行解码训练的训练效果,即,提升解码速度和得到的解码结果的准确性。因此,本申请的申请人在每次解码器的权重矩阵的迭代过程中,对于所述权重矩阵M进行基于特征分布跨域注意力的特征转移优化,具体表示为:
其中,M的尺度为m×m,M'为优化后的权重矩阵,V1到Vm是权重矩阵M的m个行向量,||·||2表示特征向量的二范数,mi,j是所述权重矩阵第i行第j列得特征值,T表示矩阵的转置,(:∑jmi,j:)是对权重矩阵M的每个行向量的求和值排列得到的行向量,且cov1(·)和cov2(·)均表示单层卷积操作。这里,所述基于特征分布跨域注意力的特征转移优化针对所述解码特征向量的特征分布在特征空间域和解码目标域内存在的不同表示,基于所述解码器的权重矩阵M相对于待解码的所述解码特征向量的跨域多样性特征表示,通过对所述权重矩阵M的空间结构化特征分布通过卷积操作给予注意力,来增强多样化特征分布中的良好转移特征分布的跨域间隙的可转移性,同时抑制不良转移特征分布的消极转移(negative transfer),以基于所述权重矩阵M自身相对于所述解码特征向量的分布结构来实现权重矩阵M的无监督的域转移自适应优化,从而提升所述解码特征向量通过解码器进行解码训练的训练效果。
进而,根据本申请实施例的风光发电储能管理方法被阐明,其通过收集储能过程中被储能电池的储能参数,并利用深度神经网络模型来作为特征提取器来捕捉各项储能参数以及各项储能参数间的高维隐含特征,并通过解码器来进行解码回归以得到更为精准的SOC测量值。
进一步地,还提供一种风光发电储能管理系统。
图6为根据本申请实施例的风光发电储能管理系统的框图。如图6所示,根据本申请实施例的风光发电储能管理系统300,包括:信息获取模块310,用于获取储能过程中被储能电池的储能参数,其中,所述储能参数包括充电电压值、充电电流值和电池温度值;以及,SOC值生成模块320,用于基于所述储能参数,确定所述被储能电池的SOC值。
如上所述,根据本申请实施例的风光发电储能管理系统300可以实现在各种无线终端中,例如具有风光发电储能管理算法的服务器等。在一种可能的实现方式中,根据本申请实施例的风光发电储能管理系统300可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如,该风光发电储能管理系统300可以是该无线终端的操作系统中的一个软件模块,或者可以是针对于该无线终端所开发的一个应用程序;当然,该风光发电储能管理系统300同样可以是该无线终端的众多硬件模块之一。
替换地,在另一示例中,该风光发电储能管理系统300与该无线终端也可以是分立的设备,并且该风光发电储能管理系统300可以通过有线和/或无线网络连接到该无线终端,并且按照约定的数据格式来传输交互信息。
图7为根据本申请实施例的风光发电储能管理方法的场景示意图。如图7所示,在该应用场景中,通过电流传感器(例如,如图7中所示意的V1)获取所述被储能电池在预定时间段内多个预定时间点的充电电压值;通过电压传感器(例如,如图7中所示意的V2)获取所述被储能电池在预定时间段内多个预定时间点的充电电流值;以及,通过温度传感器(例如,如图7中所示意的V3)获取所述被储能电池在预定时间段内多个预定时间点的电池温度值。接着,将上述数据输入至部署有用于风光发电储能管理算法的服务器(例如,图7中的S)中,其中,所述服务器能够以所述风光发电储能管理算法对上述输入的数据进行处理,以生成解码值,所述解码值用于表示当前时间点的SOC值。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种风光发电储能管理方法,其特征在于,包括:
储能参数获取步骤:获取储能过程中被储能电池的储能参数,其中,所述储能参数包括充电电压值、充电电流值和电池温度值;以及
SOC值确定步骤:基于所述储能参数,确定所述被储能电池的SOC值。
2.根据权利要求1所述的风光发电储能管理方法,其特征在于,所述储能参数获取步骤,包括:
电池参数获取子步骤,获取所述被储能电池在预定时间段内多个预定时间点的充电电压值、充电电流值和电池温度值。
3.根据权利要求2所述的风光发电储能管理方法,其特征在于,所述SOC值确定步骤,包括:
输入向量排序子步骤:将所述多个预定时间点的充电电压值、充电电流值和电池温度值分别按照时间维度排列为充电电压时序输入向量、充电电流时序输入向量和电池温度时序输入向量;
特征向量提取子步骤:从所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量提取充电电压时序特征向量、充电电流时序特征向量和电池温度时序特征向量;
关联特征提取子步骤:提取所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量之间的参数间关联特征向量;
特征向量融合子步骤:融合所述充电电压时序特征向量、所述充电电流时序特征向量、所述电池温度时序特征向量和所述参数间关联特征向量以得到解码特征向量;以及
解码回归子步骤:对所述解码特征向量进行解码回归以得到用于表示当前时间点的SOC值的解码值。
4.根据权利要求3所述的风光发电储能管理方法,其特征在于,所述特征向量提取子步骤,包括:
卷积编码孙子步骤:将所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量分别通过基于一维卷积神经网络模型的时序特征提取器以得到所述充电电压时序特征向量、所述充电电流时序特征向量和所述电池温度时序特征向量。
5.根据权利要求4所述的风光发电储能管理方法,其特征在于,所述关联特征提取子步骤,包括:
二维排列孙子步骤:将所述充电电压时序输入向量、所述充电电流时序输入向量和所述电池温度时序输入向量排列为二维特征矩阵;以及
参数间关联特征向量获得孙子步骤:将所述二维特征矩阵通过基于卷积神经网络模型的参数间关联特征提取器以得到所述参数间关联特征向量。
6.根据权利要求5所述的风光发电储能管理方法,其特征在于,所述特征向量融合子步骤,包括:
级联孙子步骤:将所述充电电压时序特征向量、所述充电电流时序特征向量、所述电池温度时序特征向量和所述参数间关联特征向量进行级联以得到所述解码特征向量。
7.根据权利要求6所述的风光发电储能管理方法,其特征在于,所述解码回归子步骤,包括:
解码值获得孙子步骤:将所述解码特征向量通过解码器进行解码回归以得到所述解码值,所述解码值用于表示当前时间点的SOC值。
8.根据权利要求7所述的风光发电储能管理方法,其特征在于,还包括训练步骤:对所述基于一维卷积神经网络模型的时序特征提取器、所述基于卷积神经网络模型的参数间关联特征提取器和所述解码器进行训练;
其中,所述训练步骤,包括:
训练数据获取子步骤:获取训练数据,所述训练数据包括预定时间段内多个预定时间点的训练充电电压值、训练充电电流值和训练电池温度值,以及,当前时间点的SOC真实值;以及
反向传播训练子步骤:基于所述训练数据通过梯度下降的反向传播对所述基于一维卷积神经网络模型的时序特征提取器、所述基于卷积神经网络模型的参数间关联特征提取器和所述解码器进行训练。
9.根据权利要求8所述的风光发电储能管理方法,其特征在于,所述反向传播训练子步骤,包括:
在每次所述解码器的权重矩阵的迭代过程中,对于所述权重矩阵进行基于特征分布跨域注意力的特征转移优化,用公式表示为:
其中,M的尺度为m×m,M'为优化后的权重矩阵,V1到Vm是权重矩阵M的m个行向量,||·||2表示特征向量的二范数,mi,j是所述权重矩阵第i行第j列得特征值,T表示矩阵的转置,(:∑jmi,,j:)是对权重矩阵M的每个行向量的求和值排列得到的行向量,且cov1(·)和cov2(·)均表示单层卷积操作。
10.一种风光发电储能管理系统,其特征在于,包括:
信息获取模块,用于获取储能过程中被储能电池的储能参数,其中,所述储能参数包括充电电压值、充电电流值和电池温度值;以及
SOC值生成模块,用于基于所述储能参数,确定所述被储能电池的SOC值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310900458.1A CN117040048A (zh) | 2023-07-21 | 2023-07-21 | 风光发电储能管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310900458.1A CN117040048A (zh) | 2023-07-21 | 2023-07-21 | 风光发电储能管理方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117040048A true CN117040048A (zh) | 2023-11-10 |
Family
ID=88601340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310900458.1A Pending CN117040048A (zh) | 2023-07-21 | 2023-07-21 | 风光发电储能管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117040048A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118035818A (zh) * | 2024-01-17 | 2024-05-14 | 浙江浙能嘉兴海上风力发电有限公司 | 基于数字孪生的海上风电场倒闸智能定位管控系统及方法 |
-
2023
- 2023-07-21 CN CN202310900458.1A patent/CN117040048A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118035818A (zh) * | 2024-01-17 | 2024-05-14 | 浙江浙能嘉兴海上风力发电有限公司 | 基于数字孪生的海上风电场倒闸智能定位管控系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
CN113009349B (zh) | 一种基于深度学习模型的锂离子电池健康状态诊断方法 | |
CN108280552B (zh) | 基于深度学习的电力负荷预测方法和系统、存储介质 | |
CN112434799B (zh) | 基于全卷积神经网络的非侵入式负荷识别方法 | |
CN109412161B (zh) | 一种电力系统概率潮流计算方法及系统 | |
CN114091282B (zh) | 基于分数阶模型的锂离子电池状态估计方法及系统 | |
CN113484774B (zh) | 一种基于温度校准和神经网络的锂电池组容量估计方法 | |
CN117040048A (zh) | 风光发电储能管理方法及系统 | |
CN116774086B (zh) | 一种基于多传感器数据融合的锂电池健康状态估计方法 | |
CN115859792A (zh) | 基于注意力机制的中期电力负荷预测方法及系统 | |
CN115684971A (zh) | 基于片段多充电特征融合的锂离子电池健康状态估计方法 | |
CN113595132A (zh) | 基于全局最大功率点跟踪和混合优化算法的光伏在线参数辨识方法 | |
CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及系统 | |
CN117110880A (zh) | 一种用于云端-边缘端协同的电池多状态联合估计方法 | |
CN117013580A (zh) | 基于预测的储能调控方法及其系统 | |
CN114817847B (zh) | 一种基于多层前馈神经网络的储能电站智能监测方法 | |
CN107069710B (zh) | 计及新能源时空相关性的电力系统状态估计方法 | |
CN117347781B (zh) | 一种基于特征融合的配电网故障检测方法及系统 | |
CN118330469B (zh) | 基于时态图神经网络的锂离子电池健康状态估计方法 | |
CN117991109B (zh) | 模型训练及充电状态的确定方法、装置、设备和存储介质 | |
CN114594397B (zh) | 基于泛化模型的锂离子电池健康状态估计方法及系统 | |
CN117610314B (zh) | 光伏组件建模方法、装置、设备及存储介质 | |
CN115389947B (zh) | 锂电池健康状态的预测方法、装置、电子设备及存储介质 | |
CN117522049A (zh) | 能源负荷的预测方法、装置、设备和存储介质 | |
Wu et al. | Lithium-ion battery health state estimation based on feature reconstruction and optimized least squares support vector machine |
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 |