CN117310506A - 监测储能电站的方法、装置和计算机可读存储介质 - Google Patents
监测储能电站的方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN117310506A CN117310506A CN202311567201.5A CN202311567201A CN117310506A CN 117310506 A CN117310506 A CN 117310506A CN 202311567201 A CN202311567201 A CN 202311567201A CN 117310506 A CN117310506 A CN 117310506A
- Authority
- CN
- China
- Prior art keywords
- digital twin
- energy storage
- power station
- storage power
- model
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 title claims abstract description 50
- 230000036541 health Effects 0.000 claims abstract description 7
- 238000010248 power generation Methods 0.000 claims description 64
- 238000012545 processing Methods 0.000 claims description 28
- 238000000354 decomposition reaction Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005286 illumination Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 description 19
- 230000001932 seasonal effect Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000000670 limiting effect Effects 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012983 electrochemical energy storage Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请实施例提供了一种监测储能电站的方法、装置和计算机可读存储介质，能够以快的速度和较高的准确率实现对储能电站的监测。该方法包括：基于第一数字孪生模型，获取第一因子，所述第一因子包括影响目标区域的储能电站中电池的电池状态参数的因子，所述电池状态参数包括健康状态SOH和/或荷电状态SOC；根据所述第一因子和第二数字孪生模型，确定所述电池状态参数的预估值，所述电池状态参数的预估值用于对所述储能电站进行监测。
Description
技术领域
本申请涉及电力技术领域，特别是涉及一种监测储能电站的方法、装置和计算机可读存储介质。
背景技术
随着太阳能、风能等新能源的推广应用，储能技术也随之发展。近年来，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，使得电池储能技术日趋成熟，称为当前研究的热点。
然而，目前存在储能电站的监测不够完善，使得无法及时获取关键零部件的失效率和电池的实际工况等问题。
发明内容
本申请实施例提供了一种监测储能电站的方法、装置和计算机可读存储介质，能够以快的速度和较高的准确率实现对储能电站的监测。
第一方面，提供了一种监测储能电站的方法，所述方法包括：基于第一数字孪生模型，获取第一因子，所述第一因子包括影响目标区域的储能电站中电池的电池状态参数的因子，所述电池状态参数包括健康状态SOH和/或电荷状态SOC；根据所述第一因子和第二数字孪生模型，确定所述电池状态参数的预估值，所述电池状态参数的预估值用于对所述储能电站进行监测。
本申请实施例，通过两层模型对储能电站的运营情况进行数字孪生模拟，以对储能电站进行监测，一方面，程序简单，模拟数据快，平衡了对于实际工况需求和计算速度的现实限制；另一方面，由于储能电站的运营情况与电池的SOC和SOH息息相关，因此电池状态参数包括SOC和/或SOH，使得对储能电站的运营情况进行数字孪生模拟的准确率较高，进而能够实现更好地对储能电站进行检测的目的。
在一些可能的实施例中，所述第一因子包括所述储能电站的电力负荷预测数据，其中，所述第一数字孪生模型的数量为多个。
在第一数字孪生模型的数量为多个的情况下，即储能电站的电力负荷预测数据是基于多个模型得到的，如此，得到的电力负荷预测数据的准确率较高。进一步地，由于电力负荷数据是影响电池状态参数的关键因子，因此，第一因子包括储能电站的电力负荷预测数据，使得得到的电池状态参数的预估值更加准确。
在一些可能的实施例中，所述基于第一数字孪生模型，获取第一因子，包括：获取所述储能电站的历史电力负荷数据；将所述历史电力负荷数据分别输入多个所述第一数字孪生模型中的每个第一数字孪生模型中，得到多个初始电力负荷预测数据；基于所述多个初始电力负荷预测数据，确定所述电力负荷预测数据。
上述技术方案，通过储能电站的历史电力负荷数据确定电力负荷预测数据，如此，确定的电力负荷预测数据会更加准确，进而对储能电站的运营情况进行数字孪生模拟的准确率也会更高。
在一些可能的实施例中，所述基于所述多个初始电力负荷预测数据，确定所述电力负荷预测数据，包括：对所述多个初始电力负荷预测数据进行平均，得到平均值，所述平均值为所述电力负荷预测数据。
该技术方案，将基于多个目标模型得到的多个初始电力负荷预测数据的平均值作为电力负荷预测数据，能够降低得到的电力负荷预测数据出现太高或太低的概率，使得电力负荷预测数据更靠谱。
在一些可能的实施例中，所述方法还包括：在多个数字孪生模型中，确定所述第一数字孪生模型。
上述技术方案，在多个数字孪生模型中确定第一数字孪生模型，这样，确定的第一数字孪生模型与电力负荷预测数据的适配度较高，从而能够降低基于第一数字孪生模型得到的电力负荷预测数据与电力负荷实际数据偏差较大的概率，进一步提高了监测储能电站的准确率。
在一些可能的实施例中，所述在多个数字孪生模型中，确定所述第一数字孪生模型，包括：获取所述储能电站的历史发电数据；对所述历史发电数据进行预处理；根据预处理后的所述历史发电数据，在所述多个数字孪生模型中，确定所述第一数字孪生模型。
上述技术方案，根据预处理后的储能电站的历史发电数据确定第一数字孪生模型，由于历史发电数据为实际数据，使得确定的第一数字孪生模型更适合进行储能电站的监测，进而得到的电力负荷预测数据也更加准确。
在一些可能的实施例中，所述预处理包括时间序列分解。
由于储能电站可能为光伏储能电站，光伏储能具有季节性的特点。因此，上述技术方案中，预处理包括时间序列分解，即对历史发电数据进行时间序列分解，从而可以确定季节性等对电力负荷预测数据的具体影响，使得确定的第一数字孪生模型与电力负荷预测数据的适配性更高。
在一些可能的实施例中，所述对所述历史发电数据进行预处理，包括：采用加法模式对所述历史发电数据进行时间序列分解。
该技术方案，采用加法模式对历史发电数据进行时间序列分解，不仅容易实现，而且运算量较小。
在一些可能的实施例中，所述采用加法模式对所述历史发电数据进行时间序列分解，包括：采用所述加法模式，将所述历史发电数据分解为趋势部分、季节部分和残差部分；所述根据预处理后的所述历史发电数据，在所述多个数字孪生模型中，确定所述第一数字孪生模型，包括：根据所述趋势部分、所述季节部分和所述残差部分，在所述多个数字孪生模型中确定所述第一数字孪生模型。
由于储能电站可能为光伏储能电站，光伏储能具有季节性的特点。因此，上述技术方案基于光伏储能的特点将历史发电数据分解为趋势部分、季节部分和残差部分，并根据趋势部分、季节部分和残差部分确定第一数字孪生模型，如此，确定的第一数字孪生模型的准确率较高，且与电力负荷预测数据之间具有较高的适配性。
在一些可能的实施例中，所述第一因子还包括以下中的至少一种：所述目标区域针对所述储能电站的政策；所述目标区域的环境参数，所述环境参数包括以下参数中的至少一种：环境温度、环境湿度、降雨量、光照时长；所述储能电站可参与的业务场景；所述目标区域的传统能源的历史发电数据。
由于不同区域的针对储能电站的实际政策可能不同，储能电站可能为光伏储能电站，光伏储能具有季节性的特点，储能电站参与的业务场景较多，针对不同的业务场景，储能电站可参与的时长可能不同，并且传统能源的发电量可能会影响电池的工作时长。因此，上述技术方案，第一因子包括目标区域针对储能电站的政策、目标区域的环境参数、储能电站可参与的业务场景以及目标区域的传统能源的历史发电数据中的至少一个，如此，对储能电站的运营情况进行数字孪生模拟的准确率会更高。
在一些可能的实施例中，所述方法还包括：获取所述电池内部的物理参数；所述根据所述第一因子和第二数字孪生模型，确定所述电池状态参数的预估值，包括：根据所述第一因子、所述第二数字孪生模型和所述物理参数，确定所述电池状态参数的预估值。
由于电池的内部物理参数也可能会影响到电池状态参数，因此，上述技术方案除了根据第一因子之外还根据电池内部的物理参数确定电池状态参数的预估值，使得确定的电池状态参数的预估值会更加准确，进而对储能电站的运营情况进行数字孪生模拟的准确率也会更高。
在一些可能的实施例中，所述方法还包括：获取所述预估值对应的所述电池状态参数的历史实际值；根据所述预估值和所述历史实际值，调整所述第一数字孪生模型和所述第二数字孪生模型。
上述技术方案，根据获取到的电池状态参数的预估值和实际值对第一数字孪生模型和第二数字孪生模型进行调整，使得第一数字孪生模型和第二数字孪生模型会更加完善准确，进而基于第一数字孪生模型和第二数字孪生模型对储能电站的运营情况进行数字孪生模拟的准确率也会更高。
在一些可能的实施例中，所述第一数字孪生模型包括神经网络模型和/或时间序列模型；所述第二数字孪生模型包括线性回归模型和/或随机森林模型。
该技术方案，将第一数字孪生模型设置为包括神经网络模型和/或时间序列模型，由于神经网络模型和时间序列模型相对来说比较成熟，使得对储能电站的运营情况进行数字孪生模拟比较容易实现，效率较高。此外，储能电站中电池的使用情况可能具有时间性的特点，因此，第一数字孪生模型包括时间序列模型，能够有效提高获取的影响电池状态参数的因子的准确率。进一步地，将第二数字孪生模型设置为包括线性回归模型和/或随机森林模型，实现简单，效率较高。
第二方面，提供了一种监测储能电站的装置，包括：处理单元，用于基于第一数字孪生模型，获取第一因子，所述第一因子包括影响目标区域的储能电站中电池的电池状态参数的因子，所述电池状态参数包括健康状态SOH和/或荷电状态SOC；所述处理单元还用于，根据所述第一因子和第二数字孪生模型，确定所述电池状态参数的预估值，所述电池状态参数的预估值用于对所述储能电站进行监测。
在一些可能的实施例中，所述第一因子包括所述储能电站的电力负荷预测数据，其中，所述第一数字孪生模型的数量为多个。
在一些可能的实施例中，所述处理单元具体用于：获取所述储能电站的历史电力负荷数据；将所述历史电力负荷数据分别输入多个所述第一数字孪生模型中的每个第一数字孪生模型中，得到多个初始电力负荷预测数据；基于所述多个初始电力负荷预测数据，确定所述电力负荷预测数据。
在一些可能的实施例中，所述处理单元具体用于：对所述多个初始电力负荷预测数据进行平均，得到平均值，所述平均值为所述电力负荷预测数据。
在一些可能的实施例中，所述处理单元还用于：在多个数字孪生模型中，确定所述第一数字孪生模型。
在一些可能的实施例中，所述处理单元具体用于：获取所述储能电站的历史发电数据；对所述历史发电数据进行预处理；根据预处理后的所述历史发电数据，在所述多个数字孪生模型中，确定所述第一数字孪生模型。
在一些可能的实施例中，所述预处理包括时间序列分解。
在一些可能的实施例中，所述处理单元具体用于：采用加法模式对所述历史发电数据进行时间序列分解。
在一些可能的实施例中，所述处理单元具体用于：采用所述加法模式，将所述历史发电数据分解为趋势部分、季节部分和残差部分；根据所述趋势部分、所述季节部分和所述残差部分，在所述多个数字孪生模型中确定所述第一数字孪生模型。
在一些可能的实施例中，所述第一因子还包括以下中的至少一种：所述目标区域针对所述储能电站的政策；所述目标区域的环境参数，所述环境参数包括以下参数中的至少一种：环境温度、环境湿度、降雨量、光照时长；所述储能电站可参与的业务场景；所述目标区域的传统能源的历史发电数据。
在一些可能的实施例中，所述处理单元还用于：获取所述电池内部的物理参数；根据所述第一因子、所述第二数字孪生模型和所述物理参数，确定所述电池状态参数的预估值。
在一些可能的实施例中，所述处理单元还用于：获取所述预估值对应的所述电池状态参数的历史实际值；根据所述预估值和所述历史实际值，调整所述第一数字孪生模型和所述第二数字孪生模型。
在一些可能的实施例中，所述第一数字孪生模型包括神经网络模型和/或时间序列模型；所述第二数字孪生模型包括线性回归模型和/或随机森林模型。
第三方面，提供了一种监测储能电站的装置，包括处理器和存储器，所述存储器用于存储计算机程序，所述处理器用于调用所述计算机程序，执行上述第一方面或其各实现方式中的方法。
第四方面，提供了一种计算机可读存储介质，用于存储计算机程序，该计算机程序使得计算机执行上述第一方面或其各实现方式中的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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，还可以根据附图获得其他的附图。
在附图中，附图并未按照实际的比例绘制。
图1是本申请实施例的一种监测储能电站的方法的示意性流程图。
图2是本申请实施例的对历史发电数据进行时间序列分解后的示意性图。
图3是本申请实施例的SOC预估值和实际值的对比图。
图4是本申请实施例的监测储能电站的装置的示意性框图。
图5是本申请实施例的监测储能电站的装置的示意性框图。
具体实施方式
下面结合附图和实施例对本申请的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本申请的原理，但不能用来限制本申请的范围，即本申请不限于所描述的实施例。
在本申请的描述中，需要说明的是，除非另有说明，“多个”的含义是两个以上；术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。此外，术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性。
除非另有定义，本申请所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本申请中在申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。本申请的说明书和权利要求书或上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序或主次关系。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本申请所描述的实施例可以与其它实施例相结合。
随着太阳能、风能等新能源的推广应用，储能技术也随之发展。储能经济模型项目可能会涉及国内外核心业务地区和场景的开发和上线，其中在部分地区市场占据已超过70%的业务量，从而产生了对应的业务需求。
推动储能电站投资和建设完成后的高质量运营，提升参与电力市场交易的比例，提升储能电站全生命周期的潜在收益，及时定位关键零部件失效率、电池的实际工况和在具体某个地点和环境下的运营也是储能行业发展的一个目标。因此，如何对储能电站进行监测，使得可以及时获取关键零部件的失效率和电池的实际工况，是一项亟待解决的问题。
鉴于此，本申请实施例提出了一种监测储能电站的方法，基于第一数字孪生模型，获取第一因子，其中，第一因子包括影响目标区域的储能电站中电池的电池状态参数的因子，并根据第一因子和第二数字孪生模型，确定电池状态参数的预估值，电池状态参数的预估值用于对储能电站进行监测。如此，通过两层模型对储能电站的运营情况进行数字孪生模拟，以对储能电站进行监测，一方面，程序简单，模拟数据快，平衡了对于实际工况需求和计算速度的现实限制；另一方面，基于电池的电池状态参数对储能电站进行监测，准确率更高。
其中，本申请实施例可以应用于光伏储能、电化学储能等领域。
图1示出了本申请实施例的一种监测储能电站的方法100的示意性流程图。如图1所示，方法100可以包括以下内容中的至少部分内容。
S110：基于第一数字孪生模型，获取第一因子。其中，第一因子包括影响目标区域的储能电站中电池的电池状态参数的因子。
S120：根据第一因子和第二数字孪生模型，确定电池状态参数的预估值，电池状态参数的预估值用于对储能电站进行监测，电池状态参数包括荷电状态（state of charge，SOC）和健康状态（state of health，SOH）。
本申请实施例，通过两层模型对储能电站的运营情况进行数字孪生模拟，以对储能电站进行监测，一方面，程序简单，模拟数据快，平衡了对于实际工况需求和计算速度的现实限制；另一方面，由于储能电站的运营情况与电池的SOC和SOH息息相关，因此该技术方案，电池状态参数包括SOC和/或SOH，使得对储能电站的运营情况进行数字孪生模拟的准确率较高，进而能够实现更好地对储能电站进行检测的目的。
除了SOC和SOH之外，电池状态参数还可以包括开路电压（open circuit voltage，OCV）、电池剩余能量（state of energy，SOE等）。
可选地，若电池状态参数包括SOH，则可以基于SOH预估值输出SOC预估值。
数字孪生是一种旨在精确反映物理对象的虚拟模型，会给研究对象（例如，风力涡轮机）配备与重要功能方面相关的各种传感器。 这些传感器产生与物理对象性能各个方面有关的数据，例如，能量输出、温度和天气条件等等。 然后将这些数据转发至处理系统并应用于数字副本。 一旦获得此类数据，虚拟模型便可用于运行模拟、研究性能问题并生成可能的改进方案。所有这些都是为了获取富有价值的洞察成果，然后将之再应用于原始物理对象。换言之，数字孪生是以数字化方式创建物理实体的虚拟实体，借助历史数据、实时数据以及算法模型等，模拟、验证、预测、控制物理实体全生命周期过程的技术手段 。
可选地，第一数字孪生模型可以包括但不限于神经网络模型和/或时间序列模型。例如，Prophet模型、自回归移动平均（autoregressive integrated moving average，ARIMA）模型、长短时记忆（long short term memory，LSTM）模型、自回归（autoregressive，AR）模型和DeepAR模型。
该技术方案，将第一数字孪生模型设置为包括神经网络模型和/或时间序列模型，由于神经网络模型和时间序列模型相对来说比较成熟，使得对储能电站的运营情况进行数字孪生模拟比较容易实现，效率较高。此外，储能电站中电池的使用情况可能具有时间性的特点，因此，第一数字孪生模型包括时间序列模型，能够有效提高获取的影响电池状态参数的因子的准确率。
可选地，第二数字孪生模型可以包括机器学习模型。例如，可以包括线性回归模型和/或随机森林模型。将第二数字孪生模型设置为包括线性回归模型和/或随机森林模型，实现简单，效率较高。
当然，第二数字孪生模型也可以包括逻辑回归模型或决策树模型等其他模型。
第一数字孪生模型和第二数字孪生模型可以是之前训练好的，本申请实施例直接使用训练好的第一数字孪生模型和第二数字孪生模型。或者，方法100还可以包括：训练第一数字孪生模型和第二数字孪生模型。训练第一数字孪生模型和第二数字孪生模型的具体方式可以参考相关技术，本申请实施例在此不做过多描述。
在一种可能的实施例中，第一因子可以包括储能电站的电力负荷预测数据。此时，第一数字孪生模型的数量可以为一个，也可以为多个。在第一数字孪生模型的数量为多个的情况下，即储能电站的电力负荷预测数据是基于多个模型得到的，如此，得到的电力负荷预测数据的准确率较高。进一步地，由于电力负荷数据是影响电池状态参数的关键因子，因此，第一因子包括储能电站的电力负荷预测数据，使得得到的电池状态参数的预估值更加准确。
其中，电力负荷预测数据可以是储能电站一天的电力负荷预测数据，或者可以是更长时间的电力负荷预测数据，比如，一周的电力负荷预测数据。
下面将详细介绍如何获取电力负荷预测数据的具体实现方式。
在一些实施例中，基于第一数字孪生模型，获取第一因子具体可以包括：获取储能电站的历史电力负荷数据，然后将历史电力负荷数据分别输入多个第一数字孪生模型中的每个第一数字孪生模型中，得到多个初始电力负荷预测数据，并基于多个初始电力负荷预测数据，确定电力负荷预测数据。
上述技术方案，通过储能电站的历史电力负荷数据确定电力负荷预测数据，如此，确定的电力负荷预测数据会更加准确，进而对储能电站的运营情况进行数字孪生模拟的准确率也会更高。
作为一种示例，可以对多个初始电力负荷预测数据进行平均，得到平均值，该平均值为电力负荷预测数据。该技术方案，将基于多个目标模型得到的多个初始电力负荷预测数据的平均值作为电力负荷预测数据，能够降低得到的电力负荷预测数据出现太高或太低的概率，使得电力负荷预测数据更靠谱。
作为另一种示例，可以按照固定比例对多个初始电力负荷预测数据进行加权，以得到电力负荷预测数据。例如，第一数字孪生模型包括模型1、模型2和模型3，模型1的权重可以为0.3，模型2的权重可以为0.4，模型3的权重可以为0.3。
其中，每个初始电力负荷预测数据所对应的权重可以是提前预设好的，也可以是基于当前实际使用情况确定的。
需要说明的是，储能电站的历史电力负荷数据为储能电站的历史电力负荷数据。换言之，储能电站的电力负荷预测数据是基于该区域实际的历史电力负荷数据确定的，如此，确定的电力负荷预测数据会更加准确。
可选地，确定的电力负荷预测数据可以仅包括一个数据。
或者，确定的电力负荷预测数据可以包括多个数据。例如，电力负荷预测数据可以包括多个置信区间下的电力负荷预测数据，如可以包括置信区间分别为80%、95%以及99%下的电力负荷预测数据。
当然，电力负荷预测数据也可以包括其他置信区间下的数据，本申请实施例对此不做过多描述。
在电力负荷预测数据包括多个置信区间下的电力负荷预测数据的情况下，本申请实施例可以基于多个置信区间下的电力负荷预测数据，建立多个等级的电力负荷预测数据。例如，若电力负荷预测数据包括三个置信区间下的电力负荷预测数据，则可以建立三个等级的电力负荷预测数据，该三个等级可以涵盖保守、正常以及激进预测范围。比如80%置信区间下的电力负荷预测数据对应的等级为保守，95%置信区间下的电力负荷预测数据对应的等级为正常，99%置信区间下的电力负荷预测数据对应的等级为激进。
上述技术方案，电力负荷预测数据包括多个置信区间下的电力负荷预测数据，如此电力负荷预测数据能够涵盖更多的范围，进而对储能电站的运营情况进行数字孪生模拟的准确率也会更高。
进一步地，方法100还可以包括：在多个数字孪生模型中，确定第一数字孪生模型。
在多个数字孪生模型中确定第一数字孪生模型，这样，确定的第一数字孪生模型与电力负荷预测数据的适配度较高，从而能够降低基于第一数字孪生模型得到的电力负荷预测数据与电力负荷实际数据偏差较大的概率，进一步提高了监测储能电站的准确率。
作为一种示例，可以在多个数字孪生模型中，随机选择N个数字孪生模型作为第一数字孪生模型。其中，N为正整数。
作为另一种示例，可以基于一定的准则，在多个数字孪生模型中确定第一数字孪生模型。
比如，上次进行电力负荷预测时的第一数字孪生模型为多个数字孪生模型中的部分模型，当前进行电力负荷预测时的第一数字孪生模型可以为多个数字孪生模型中除该部分模型之外的其他模型。
再比如，可以获取储能电站的历史发电数据，并对历史发电数据进行预处理，根据预处理后的历史发电数据，在多个数字孪生模型中确定第一数字孪生模型。
其中，历史发电数据为储能电站实际的历史发电数据。例如，可以为储能电站过去三年的实际发电数据。
上述技术方案，根据预处理后的储能电站的历史发电数据确定第一数字孪生模型，由于历史发电数据为实际数据，使得确定的第一数字孪生模型更适合进行储能电站的监测，进而得到的电力负荷预测数据也更加准确。
考虑到方法100应用于光伏储能时，光伏发电具有时间性的特点。比如通常情况下夏季的发电量大于冬季的发电量。因此，可选地，预处理可以包括但不限于时间序列分解。
由于储能电站可能为光伏储能电站，光伏储能具有季节性的特点。因此，上述技术方案中，预处理包括时间序列分解，即对历史发电数据进行时间序列分解，从而可以确定季节性等对电力负荷预测的具体影响，使得确定的第一数字孪生模型与电力负荷预测的适配性更高。
在进行时间序列分解时，可以先确定时间序列分解的起始时间和终点时间，并基于确定的起始时间和终点时间进行时间序列分解。
或者，考虑到历史发电数据为全周期数据，全周期数据均可以进行时间序列分解。因此，本申请实施例在进行时间序列分解时可以不用确定时间序列分解的起始时间和终点时间。如此，能够有效减少电力负荷预测数据的运算量，进而提高效率。
可选地，可以采用乘法模式对历史发电数据进行时间序列分解。
可选地，可以采用加法模式对历史发电数据进行时间序列分解。该技术方案，采用加法模式对历史发电数据进行时间序列分解，不仅容易实现，而且运算量较小。
具体而言，可以采用加法模式，将历史发电数据分解为趋势部分、季节部分和残差部分，然后根据趋势部分、季节部分和残差部分，在多个模型中确定多个目标模型。也就是说，可以通过时间序列分解后的数据判断历史发电数据是否有明显的季节性，或者是否有增长趋势，再或者是否有减少趋势，确定趋势、季节性等对电力负荷具体有何影响，进而确定用于电力负荷预测的第一数字孪生模型。
其中，一般可以通过人工观察，判断历史发电数据是否有明显的季节性、增长趋势或者减少趋势，若有明显的季节性、增长趋势或减少趋势的话，可以基于该特点确定第一数字孪生模型，进而调用该第一数字孪生模型。
由于储能电站可能为光伏储能电站。因此，上述技术方案基于光伏储能的特点将历史发电数据分解为趋势部分、季节部分和残差部分，并根据趋势部分、季节部分和残差部分确定第一数字孪生模型，如此，确定的第一数字孪生模型的准确率较高，且与电力负荷预测数据之间具有较高的适配性。
图2示出了使用STL分解算法对储能电站的历史发电数据进行时间序列分解的示意性图。其中，图2中从上往下依次为电力需求预测数据（demand）、趋势（trend）部分、季节性_周部分、季节性_天部分、季节性_小时部分以及残差（remainder）部分。从图2可以看到，历史发电数据被分解为了三个部分，分别为趋势部分、季节性（season）部分以及残差部分，其中，季节部分又分为三个部分，分别为季节性_周部分、季节性_天部分和季节性_小时部分。
考虑到不同区域的实际政策可能不同。比如，A区域规定储能电站一天可以工作10个小时，B区域规定储能电站一天可以工作24个小时。储能电站的工作时长即电池的工作时长直接影响到储能电站的运营情况。因此，除了电力负荷预测数据之外，第一因子还可以包括目标区域针对储能电站的政策。
进一步地，当方法100应用于光伏储能时，光照强度较大的情况下储能电站发电较多，光照强度较小的情况下储能电站发电较少。因此，在本申请实施例中，第一因子还可以包括目标区域的环境参数。其中，环境参数可以包括以下参数中的至少一种：环境温度、环境湿度、降雨量、光照时长、光照强度等。
储能电站参与的业务场景可以包括调频、调峰以及无功补偿等，针对不同的业务场景，储能电站可参与的时长可能不同，从而影响电池的工作时长。比如，针对调频业务场景，储能电站参与的时长较短，可能只参与几秒或者几分钟；针对调峰业务场景，储能电站参与的时长可能为几个小时。因此，在本申请实施例中，第一因子还可以包括储能电站可参与的业务场景。
此外，传统能源的发电量也可能会影响电池的工作时长。比如，若传统能源的发电量满足用电需求，则电池的工作时长可能会较短，甚至不工作；若传统能源的发电量低于用电需求，则电池的工作时长可能会较长。因此，在本申请实施例中，第一因子还可以包括目标区域的传统能源的发电量，如历史发电数据。
由于不同区域的针对储能电站的实际政策可能不同，储能电站可能为光伏储能电站，光伏储能具有季节性的特点，储能电站参与的业务场景较多，针对不同的业务场景，储能电站可参与的时长可能不同，并且传统能源的发电量可能会影响电池的工作时长。因此，上述技术方案，第一因子包括目标区域针对储能电站的政策、目标区域的环境参数、储能电站可参与的业务场景以及目标区域的传统能源的历史发电数据中的至少一个，如此，对储能电站的运营情况进行数字孪生模拟的准确率会更加准确。
上述内容提到的第一因子可以理解为影响电池状态参数的外部参数，除了外部参数之外，电池的内部参数也可能影响到电池状态参数。因此，如图3所示，方法100还可以包括：获取电池内部的物理参数，根据第一因子、第二数字孪生模型和物理参数，确定电池状态参数预估值。
可选地，电池内部的物理参数可以包括但不限于电池内部的电阻、电感等。
由于电池的内部物理参数也可能会影响到电池状态参数，因此，上述技术方案除了根据第一因子之外还根据电池内部的物理参数确定电池状态参数的预估值，使得确定的电池状态参数的预估值会更加准确，进而对储能电站的运营情况进行数字孪生模拟的准确率也会更高。
进一步地，方法100还可以包括：获取预估值对应的电池状态参数的历史实际值，并根据预估值和历史实际值，调整第一数字孪生模型和第二数字孪生模型。
换言之，本申请实施例可以根据得到的电池状态参数预估值持续地对第一数字孪生模型和第二数字孪生模型进行校准、完善。
再次参考图3，图3中的第一个图示出了SOC预估值和实际值之间的对比。若预估值和实际值之间的偏差比例过大，比如预估值大于或小于实际值的30%以上，则可以对偏差比例过大的取值域进行异常检测和原因诊断，并根据一些参数，如业务经验，当时的环境参数、电价数据等判断是否对预估值进行剔除。
上述技术方案，根据获取到的电池状态参数的预估值和实际值对第一数字孪生模型和第二数字孪生模型进行调整，使得第一数字孪生模型和第二数字孪生模型会更加完善准确，进而基于第一数字孪生模型和第二数字孪生模型对储能电站的运营情况进行数字孪生模拟的准确率也会更高。
在本申请实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
并且，在不冲突的前提下，本申请描述的各个实施例和/或各个实施例中的技术特征可以任意的相互组合，组合之后得到的技术方案也应落入本申请的保护范围。
上文详细描述了本申请实施例的监测储能电站的方法，下面将描述本申请实施例的监测储能电站的装置。应理解，本申请实施例中的监测储能电站的装置可以执行本申请实施例中的监测储能电站的方法。
图4示出了本申请实施例的监测储能电站的装置400的示意性框图。如图4所示，该监测储能电站的装置400可以包括：
处理单元410，基于第一数字孪生模型，获取第一因子，所述第一因子包括影响目标区域的储能电站中电池的电池状态参数的因子，所述电池状态参数包括健康状态SOH和/或荷电状态SOC。
处理单元410还用于，根据所述第一因子和第二数字孪生模型，确定所述电池状态参数的预估值，所述电池状态参数的预估值用于对所述储能电站进行监测。
可选地，在本申请实施例中，所述第一因子包括所述储能电站的电力负荷预测数据，其中，所述第一数字孪生模型的数量为多个。
可选地，在本申请实施例中，所述处理单元410具体用于：获取所述储能电站的历史电力负荷数据；将所述历史电力负荷数据分别输入多个所述第一数字孪生模型中的每个第一数字孪生模型中，得到多个初始电力负荷预测数据；基于所述多个初始电力负荷预测数据，确定所述电力负荷预测数据。
可选地，在本申请实施例中，所述处理单元410具体用于：对所述多个初始电力负荷预测数据进行平均，得到平均值，所述平均值为所述电力负荷预测数据。
可选地，在本申请实施例中，所述处理单元410还用于：在多个数字孪生模型中，确定所述第一数字孪生模型。
可选地，在本申请实施例中，所述处理单元410具体用于：获取所述储能电站的历史发电数据；对所述历史发电数据进行预处理；根据预处理后的所述历史发电数据，在所述多个数字孪生模型中，确定所述第一数字孪生模型。
可选地，在本申请实施例中，所述预处理包括时间序列分解。
可选地，在本申请实施例中，所述处理单元410具体用于：采用加法模式对所述历史发电数据进行时间序列分解。
可选地，在本申请实施例中，所述处理单元410具体用于：采用所述加法模式，将所述历史发电数据分解为趋势部分、季节部分和残差部分；根据所述趋势部分、所述季节部分和所述残差部分，在所述多个数字孪生模型中确定所述第一数字孪生模型。
可选地，在本申请实施例中，所述第一因子还包括以下中的至少一种：所述目标区域针对所述储能电站的政策；所述目标区域的环境参数，所述环境参数包括以下参数中的至少一种：环境温度、环境湿度、降雨量、光照时长；所述储能电站可参与的业务场景；所述目标区域的传统能源的历史发电数据。
可选地，在本申请实施例中，所述处理单元410还用于：获取所述电池内部的物理参数；根据所述第一因子、所述第二数字孪生模型和所述物理参数，确定所述电池状态参数的预估值。
可选地，在本申请实施例中，所述处理单元410还用于：获取所述预估值对应的所述电池状态参数的历史实际值；根据所述预估值和所述历史实际值，调整所述第一数字孪生模型和所述第二数字孪生模型。
可选地，在本申请实施例中，所述第一数字孪生模型包括神经网络模型和/或时间序列模型；所述第二数字孪生模型包括线性回归模型和/或随机森林模型。
应理解，该监测储能电站的装置400可以实现方法100中的相应操作，为了简洁，在此不再赘述。
图5是本申请实施例的监测储能电站的装置500的硬件结构示意图。该监测储能电站的装置500包括存储器501、处理器502、通信接口503以及总线504。其中，存储器501、处理器502、通信接口503通过总线504实现彼此之间的通信连接。
存储器501可以是只读存储器（read-only memory，ROM），静态存储设备和随机存取存储器（random access memory，RAM）。存储器501可以存储程序，当存储器501中存储的程序被处理器502执行时，处理器502和通信接口503用于执行本申请实施例的监测储能电站的方法的各个步骤。
处理器502可以采用通用的中央处理器（central processing unit，CPU），微处理器，应用专用集成电路（application specific integrated circuit，ASIC），图形处理器（graphics processing unit，GPU）或者一个或多个集成电路，用于执行相关程序，以实现本申请实施例的装置中的单元所需执行的功能，或者执行本申请实施例的监测储能电站的方法。
处理器502还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本申请实施例的监测储能电站的方法的各个步骤可以通过处理器502中的硬件的集成逻辑电路或者软件形式的指令完成。
上述处理器502还可以是通用处理器、数字信号处理器（digital signalprocessing，DSP）、ASIC、现成可编程门阵列（field programmable gate array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器501，处理器502读取存储器501中的信息，结合其硬件完成本申请实施例的监测储能电站的装置500中包括的单元所需执行的功能，或者执行本申请实施例的监测储能电站的方法。
通信接口503使用例如但不限于收发器一类的收发装置，来实现监测储能电站的装置500与其他设备或通信网络之间的通信。
总线504可包括在监测储能电站的装置500各个部件（例如，存储器501、处理器502、通信接口503）之间传送信息的通路。
应注意，尽管上述监测储能电站的装置500仅仅示出了存储器、处理器、通信接口，但是在具体实现过程中，本领域的技术人员应当理解，监测储能电站的装置500还可以包括实现正常运行所必须的其他器件。同时，根据具体需要，本领域的技术人员应当理解，监测储能电站的装置500还可包括实现其他附加功能的硬件器件。此外，本领域的技术人员应当理解，监测储能电站的装置500也可仅仅包括实现本申请实施例所必须的器件，而不必包括图5中所示的全部器件。
本申请实施例还提供了一种计算机可读存储介质，用于存储计算机程序，该计算机程序用于执行前述本申请各种实施例的方法。
上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。
本申请实施例还提供了一种计算机程序产品，该计算机程序产品包括存储在计算机可读存储介质上的计算机程序，该计算机程序包括程序指令，当程序指令被计算机执行时，使计算机执行上述监测储能电站的方法。
最后应说明的是：以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，但这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (16)
1.一种监测储能电站的方法，其特征在于，所述方法包括：
基于第一数字孪生模型，获取第一因子，所述第一因子包括影响目标区域的储能电站中电池的电池状态参数的因子，所述电池状态参数包括健康状态SOH和/或荷电状态SOC；
根据所述第一因子和第二数字孪生模型，确定所述电池状态参数的预估值，所述电池状态参数的预估值用于对所述储能电站进行监测。
2.根据权利要求1所述的方法，其特征在于，所述第一因子包括所述储能电站的电力负荷预测数据，其中，所述第一数字孪生模型的数量为多个。
3.根据权利要求2所述的方法，其特征在于，所述基于第一数字孪生模型，获取第一因子，包括：
获取所述储能电站的历史电力负荷数据；
将所述历史电力负荷数据分别输入多个所述第一数字孪生模型中的每个第一数字孪生模型中，得到多个初始电力负荷预测数据；
基于所述多个初始电力负荷预测数据，确定所述电力负荷预测数据。
4.根据权利要求3所述的方法，其特征在于，所述基于所述多个初始电力负荷预测数据，确定所述电力负荷预测数据，包括：
对所述多个初始电力负荷预测数据进行平均，得到平均值，所述平均值为所述电力负荷预测数据。
5.根据权利要求2至3中任一项所述的方法，其特征在于，所述方法还包括：
在多个数字孪生模型中，确定所述第一数字孪生模型。
6.根据权利要求5所述的方法，其特征在于，所述在多个数字孪生模型中，确定所述第一数字孪生模型，包括：
获取所述储能电站的历史发电数据；
对所述历史发电数据进行预处理；
根据预处理后的所述历史发电数据，在所述多个数字孪生模型中，确定所述第一数字孪生模型。
7.根据权利要求6所述的方法，其特征在于，所述预处理包括时间序列分解。
8.根据权利要求7所述的方法，其特征在于，所述对所述历史发电数据进行预处理，包括：
采用加法模式对所述历史发电数据进行时间序列分解。
9.根据权利要求8所述的方法，其特征在于，所述采用加法模式对所述历史发电数据进行时间序列分解，包括：
采用所述加法模式，将所述历史发电数据分解为趋势部分、季节部分和残差部分；
所述根据预处理后的所述历史发电数据，在所述多个数字孪生模型中，确定所述第一数字孪生模型，包括：
根据所述趋势部分、所述季节部分和所述残差部分，在所述多个数字孪生模型中确定所述第一数字孪生模型。
10.根据权利要求1至4中任一项所述的方法，其特征在于，所述第一因子还包括以下中的至少一种：
所述目标区域针对所述储能电站的政策；
所述目标区域的环境参数，所述环境参数包括以下参数中的至少一种：环境温度、环境湿度、降雨量、光照时长；
所述储能电站可参与的业务场景；
所述目标区域的传统能源的历史发电数据。
11.根据权利要求1至4中任一项所述的方法，其特征在于，所述方法还包括：
获取所述电池内部的物理参数；
所述根据所述第一因子和第二数字孪生模型，确定所述电池状态参数的预估值，包括：
根据所述第一因子、所述第二数字孪生模型和所述物理参数，确定所述电池状态参数的预估值。
12.根据权利要求1至4中任一项所述的方法，其特征在于，所述方法还包括：
获取所述预估值对应的所述电池状态参数的历史实际值；
根据所述预估值和所述历史实际值，调整所述第一数字孪生模型和所述第二数字孪生模型。
13.根据权利要求1至4中任一项所述的方法，其特征在于，所述第一数字孪生模型包括神经网络模型和/或时间序列模型；
所述第二数字孪生模型包括线性回归模型和/或随机森林模型。
14.一种监测储能电站的装置，其特征在于，包括：
处理单元，用于基于第一数字孪生模型，获取第一因子，所述第一因子包括影响目标区域的储能电站中电池的电池状态参数的因子，所述电池状态参数包括健康状态SOH和/或荷电状态SOC；
所述处理单元还用于，根据所述第一因子和第二数字孪生模型，确定所述电池状态参数的预估值，所述电池状态参数的预估值用于对所述储能电站进行监测。
15.一种监测储能电站的装置，其特征在于，包括：
存储器，用于存储程序；
处理器，用于执行所述存储器存储的程序，当所述存储器存储的程序被执行时，所述处理器用于执行根据权利要求1至13中任一项所述的监测储能电站的方法。
16.一种计算机可读存储介质，其特征在于，用于存储计算机程序，所述计算机程序使得计算机执行如权利要求1至13中任一项所述的监测储能电站的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311567201.5A CN117310506B (zh) | 2023-11-23 | 2023-11-23 | 监测储能电站的方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311567201.5A CN117310506B (zh) | 2023-11-23 | 2023-11-23 | 监测储能电站的方法、装置和计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117310506A true CN117310506A (zh) | 2023-12-29 |
| CN117310506B CN117310506B (zh) | 2024-04-12 |
Family
ID=89250104
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311567201.5A Active CN117310506B (zh) | 2023-11-23 | 2023-11-23 | 监测储能电站的方法、装置和计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117310506B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN204068290U (zh) * | 2014-03-24 | 2014-12-31 | 中国能源建设集团广东省电力设计研究院 | 一种电池储能站的监控系统 |
| US20160218511A1 (en) * | 2013-10-17 | 2016-07-28 | Zhangjiakou Wind And Solar Power Energy Demonstration | A monitoring system and method for megawatt level battery energy storage power plant |
| CN113125960A (zh) * | 2019-12-31 | 2021-07-16 | 河北工业大学 | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 |
| CN113517760A (zh) * | 2021-09-10 | 2021-10-19 | 广州健新科技有限责任公司 | 一种基于大数据和数字孪生的电池储能站监测方法及系统 |
| CN115131171A (zh) * | 2022-01-18 | 2022-09-30 | 杭州安脉盛智能技术有限公司 | 储能电站运行监测模型的训练方法及储能电站的监控系统 |
| CN116400246A (zh) * | 2023-06-07 | 2023-07-07 | 广东电网有限责任公司东莞供电局 | 基于aco-gmr的储能电站电池健康状态估计方法 |
| WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
| CN116953554A (zh) * | 2023-07-25 | 2023-10-27 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于多片段数据的储能电站锂电池soh估计方法及装置 |
-
2023
- 2023-11-23 CN CN202311567201.5A patent/CN117310506B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160218511A1 (en) * | 2013-10-17 | 2016-07-28 | Zhangjiakou Wind And Solar Power Energy Demonstration | A monitoring system and method for megawatt level battery energy storage power plant |
| CN204068290U (zh) * | 2014-03-24 | 2014-12-31 | 中国能源建设集团广东省电力设计研究院 | 一种电池储能站的监控系统 |
| CN113125960A (zh) * | 2019-12-31 | 2021-07-16 | 河北工业大学 | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 |
| CN113517760A (zh) * | 2021-09-10 | 2021-10-19 | 广州健新科技有限责任公司 | 一种基于大数据和数字孪生的电池储能站监测方法及系统 |
| WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
| CN115131171A (zh) * | 2022-01-18 | 2022-09-30 | 杭州安脉盛智能技术有限公司 | 储能电站运行监测模型的训练方法及储能电站的监控系统 |
| CN116400246A (zh) * | 2023-06-07 | 2023-07-07 | 广东电网有限责任公司东莞供电局 | 基于aco-gmr的储能电站电池健康状态估计方法 |
| CN116953554A (zh) * | 2023-07-25 | 2023-10-27 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于多片段数据的储能电站锂电池soh估计方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 周钰;李涛;郝为瀚;: "电池储能站监控系统的设计", 电气应用, no. 05, pages 34 - 37 * |
| 张文华;毛荣军;刘平;伍发元;吴三毛;: "锂离子动力电池健康状态评估方法的研究进展", 电源技术, no. 06, pages 168 - 170 * |
| 赵泽昆;黄宇丹;张真;赵媛杰;宋春蕊;李国伟;: "基于小波神经网络的光伏电站储能电池SOC状态评估", 电器与能效管理技术, no. 01, pages 62 - 66 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117310506B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Mathews et al. | Technoeconomic model of second-life batteries for utility-scale solar considering calendar and cycle aging | |
| CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
| CN102545211B (zh) | 一种通用的用于风电功率预测的数据预处理装置及方法 | |
| CN102184453A (zh) | 基于模糊神经网络和支持向量机的风电功率组合预测方法 | |
| CN104316879B (zh) | 一种铅酸蓄电池组寿命的预测方法 | |
| CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
| CN108009585A (zh) | 基于局部信息融合的铅酸电池健康状态预测方法 | |
| CN117293824B (zh) | 电力需求预测的方法、装置和计算机可读存储介质 | |
| Swierczynski et al. | Lifetime and economic analyses of lithium‐ion batteries for balancing wind power forecast error | |
| CN108009681A (zh) | 一种基于电网负荷尖峰时段曲线提高风电消纳方法 | |
| CN115333100A (zh) | 屋顶光伏发电功率协同控制方法及系统 | |
| CN115600793A (zh) | 面向源网荷储一体化园区的协同控制方法及系统 | |
| CN115808922B (zh) | 商用电动车辆能耗预测方法、装置和计算机设备 | |
| CN117422004B (zh) | 基于神经网络的碳势预测方法及系统 | |
| CN107623386A (zh) | 一种考虑循环寿命的电池储能多市场投标优化方法及装置 | |
| CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
| CN117310506B (zh) | 监测储能电站的方法、装置和计算机可读存储介质 | |
| Thorbergsson et al. | Primary frequency regulation with li-ion battery energy storage system-evaluation and comparison of different control strategies | |
| CN115577903A (zh) | 新能源对电网调峰影响的评估方法、装置、设备及介质 | |
| CN115564106A (zh) | 一种基于电力数据的碳排放测算方法 | |
| CN113255994A (zh) | 电网cps的优化配置方法、装置、设备和介质 | |
| CN114696328A (zh) | 电力线损分析方法、系统及存储介质 | |
| CN114492923A (zh) | 一种长时间尺度功率预测方法 | |
| CN117913829B (zh) | 基于源网荷储的能源协同输电方法及系统 | |
| CN117833300B (zh) | 一种基于智能配电设备的储能容量配置方法 |
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 |