CN117613421A - 一种基于神经网络的储能电池组管理系统的均衡方法及介质 - Google Patents
一种基于神经网络的储能电池组管理系统的均衡方法及介质 Download PDFInfo
- Publication number
- CN117613421A CN117613421A CN202311572082.2A CN202311572082A CN117613421A CN 117613421 A CN117613421 A CN 117613421A CN 202311572082 A CN202311572082 A CN 202311572082A CN 117613421 A CN117613421 A CN 117613421A
- Authority
- CN
- China
- Prior art keywords
- battery pack
- battery
- neural network
- value
- strategy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 238000004146 energy storage Methods 0.000 title claims abstract description 27
- 230000036541 health Effects 0.000 claims abstract description 138
- 230000009471 action Effects 0.000 claims abstract description 119
- 238000003062 neural network model Methods 0.000 claims abstract description 63
- 238000011217 control strategy Methods 0.000 claims abstract description 45
- 238000007726 management method Methods 0.000 claims abstract description 38
- 230000007246 mechanism Effects 0.000 claims abstract description 33
- 230000002787 reinforcement Effects 0.000 claims abstract description 25
- 230000007613 environmental effect Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000013598 vector Substances 0.000 claims description 72
- 230000006870 function Effects 0.000 claims description 51
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 230000008859 change Effects 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 18
- 230000004087 circulation Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 4
- 230000007787 long-term memory Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 77
- 238000012544 monitoring process Methods 0.000 description 26
- 230000002035 prolonged effect Effects 0.000 description 13
- 238000005457 optimization Methods 0.000 description 11
- 230000003862 health status Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000012423 maintenance Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 230000001276 controlling effect Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000005195 poor health Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005562 fading Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 102100040653 Tryptophan 2,3-dioxygenase Human genes 0.000 description 1
- 101710136122 Tryptophan 2,3-dioxygenase Proteins 0.000 description 1
- 244000290333 Vanilla fragrans Species 0.000 description 1
- 235000009499 Vanilla fragrans Nutrition 0.000 description 1
- 235000012036 Vanilla tahitensis Nutrition 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013211 curve analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000002848 electrochemical method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001960 triggered effect 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
- H02J7/0013—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries acting upon several batteries simultaneously or sequentially
- H02J7/0014—Circuits for equalisation of charge between batteries
-
- 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]
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/09—Supervised learning
-
- 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
- G06N3/092—Reinforcement learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
- H01M10/441—Methods for charging or discharging for several batteries or cells simultaneously or sequentially
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
- H01M10/443—Methods for charging or discharging in response to temperature
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
-
- 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
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection 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
-
- 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
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/005—Detection of state of health [SOH]
-
- 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
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种基于神经网络的储能电池组管理系统的均衡方法及介质,涉及电池储能技术领域,包括:获取各电池组的基础数据和健康状态参数;建立基于注意力机制的LSTM神经网络模型,输出电池组均衡控制策略;训练LSTM模型并利用训练后的LSTM模型生成电池组均衡控制策略;根据电池组的健康状态调整均衡控制策略,以减小对应电池组的充放电量;利用强化学习模型,将均衡控制策略作为环境输入提供给策略网络Actor,生成电池组计划调度动作;将计划调度动作输入价值网络Critic,Critic输出电池组计划调度动作的价值Q;策略网络Actor根据价值Q,调整输出的电池组计划调度动作。针对现有技术中电池组的使用寿命低的问题,本申请提高了电池组的使用寿命。
Description
技术领域
本发明涉及电池储能技术领域,特别涉及一种基于神经网络的储能电池组管理系统的均衡方法及介质。
背景技术
电源是铁路通信机房保障通信网络的基础,备用蓄电池又是整个通信电源的最后一道屏障,蓄电池一旦引发事故,就会产生巨大的损失,因此,为确保蓄电池安全,确保通信网络的顺畅运行,需要加强对铁路通信机房蓄电池及环境的监测。目前的维护规程主要是靠定期、强制性放电来监测蓄电池的健康状态和充电状态。但由于维护技术人员的编制限制、技术水平、安全性、检测作业的时间过长的因素影响,造成整个铁路通信机房蓄电池维护工作完成率很低,为更准确地评估电池组的健康状态,实现电池组的智能均衡管理,已经成为当前研究的重点方向之一。
在电池组健康状态评估方面,目前主要依靠传统数据驱动的模型,这类模型健康状态预测效果较差;而在电池组均衡控制方面,现有的简单被动均衡方式无法对电池组的充放电过程进行动态优化调节,难以实现最优的电池使用寿命。
在相关技术中,比如中国专利文献CN113541272A中提供了一种基于深度学习模型的储能电池均衡充放电方法及设备、介质。上述方法包括获取储能电池中电池模块的基础数据及实时数据;根据预先建立的充/放电策略,将基础数据与实时数据输入预先建立的电池均衡神经网络模型,输出本次用于对电池模块进行操作的待调整充/放电计划;将待调整充/放电计划输入预先建立的电池计划调整模型,输出本次用于对电池模块进行操作的最终充/放电计划;基于最终充/放电计划调整储能电池的控制系统的工作状态以完成对电池模块的充电作业或放电作业。但是该方案没有考虑电池老化的情况,电池组的使用寿命有待进一步提高。
发明内容
1.要解决的技术问题
针对现有技术中存在的电池组的使用寿命低的问题,本发明提供了一种基于神经网络的储能电池组管理系统的均衡方法及介质,通过对电池组的健康状态进行精确评估,优化均衡控制策略,提高了电池组的使用寿命。
2.技术方案
本发明的目的通过以下技术方案实现。
本说明书实施例的一个方面提供一种基于神经网络的储能电池组管理系统的均衡方法,包括获取各电池组的基础数据和健康状态参数,健康状态参数包含电池内阻、容量衰减值和循环次数;基础数据包括电池组的型号规格、初始容量、工作电压范围等静态信息。健康状态参数是动态变化的,需要实时监测,主要包括:内阻,反映电池的电化学活性,内阻增大预示着电池衰减。容量衰减值,反映电池可用容量下降的程度。循环次数,反映电池经历的充放电循环次数,与寿命密切相关。利用智能算法分析电池工作过程中的电流、电压、温度等数据,实时评估内阻、容量衰减值。统计电池管理系统的充放电循环次数。可以设置电化学测量模式,定期或根据需要进行内阻等参数的直接测量。将上述监测获得的多项电池健康状态参数统一融合,综合评估电池的健康程度、剩余寿命。
其中,LSTM神经网络模型为长短期记忆神经网络模型。LSTM全称为Long ShortTerm Memory,意为长短期记忆,它是一种特殊的循环神经网络结构,具有以下技术特点:记忆单元(Memory Cell)可以维持历史状态的记忆。输入门(Input Gate)控制新输入对记忆单元的影响。遗忘门(Forget Gate)控制记忆单元中信息的遗忘。输出门(Output Gate)控制输出记忆单元的内容。隐状态(Hidden State)反映当前网络整体状态。通过这种门控结构,LSTM模型可以捕捉时序数据的长期依赖关系,实现对时间相关性的建模。在该方案中,LSTM模型通过学习电池的历史工作数据,实现对电池健康状态的精确把握,并生成优化的均衡控制策略。将电池的历史工作数据(电压、电流、温度等时间序列数据)作为模型输入。LSTM网络通过输入门、遗忘门及输出门的机制捕捉时间序列数据的长期依赖关系。网络的记忆单元存储历史信息,隐状态向量反映当前网络状态。输出层给出针对当前电池状态的均衡控制策略。充分利用电池的历史运行数据进行建模预测。捕捉电池性能参数时间依赖关系,实现高精度的剩余使用寿命预测。输出针对电池健康状态和参数变化的个性化的均衡策略。相比传统方法,策略更加准确和优化,延长电池使用寿命。综上,LSTM模型能够建模时间相关性,实现高效的健康管理和使用寿命预测,输出针对性强的控制策略,是本申请的重要组成部分。
建立基于注意力机制的LSTM神经网络模型,LSTM网络包含输入门、输出门、遗忘门,可以捕捉时间序列数据的长期依赖关系。记忆单元存储历史信息,隐状态向量反映当前网络状态。将不同健康状态参数映射为注意力向量,作为记忆单元状态的修正项。通过注意力向量的加权叠加调整不同参数对网络记忆的写入比例。让网络自动学习健康状态参数的重要性,实现可解释的模型。网络综合每个电池的健康状态参数变化。输出优化的充放电计划,实现电池组之间的充放电均衡。延长电池组中限制使用寿命的关键电池的可用寿命。综上所述,注意力机制的LSTM网络可以高效获取电池健康状态,输出针对具体参数变化的均衡控制策略,从而提升电池组的使用寿命。
使用包含电池组健康状态参数的历史运行数据训练LSTM神经网络模型,利用训练后的LSTM神经网络模型生成电池组均衡控制策略;收集电池组长周期的历史运行数据集,包括电压、电流、温度、SOC等时间序列数据。同时记录电池健康状态参数:内阻、容量衰减、循环次数等。标注数据集,标出电池组在不同健康状态和参数范围下的最优均衡策略。使用标注的历史运行数据训练LSTM神经网络模型。LSTM网络学习不同健康状态下的最优控制策略。通过输入门、遗忘门和输出门机制学习电池的时间相关性。网络参数通过反向传播算法迭代优化。对于新输入的电池实时运行数据及健康参数,利用训练好的LSTM模型预测最优均衡策略。本申请综合考虑了电池的健康状态变化与历史特性。实现个性化、动态的控制策略输出。综上,利用丰富的历史数据训练LSTM神经网络模型,可以持续优化电池组的均衡控制策略,延长使用寿命。
具体地,在本申请中,电池均衡控制策略包含:充电电流控制,根据电池组参数状况,动态控制每个电池的充电电流。对参数较差的电池,减小其充电电流,延长充电时间。保证电池间的充电电流和容量平衡。放电电流控制,对健康状态较差的电池,减小其放电电流。动态控制各电池的放电电流,实现放电均衡。工作模式控制,根据电池状态,选择恒流模式或恒压模式。调节充放电截止电压,避免过充过放。温度控制,适当调整电池工作温度,防止状态恶化。进行加热或冷却以保证温度均衡。综合实时控制上述策略,可以更好地实现电池组的充放电均衡,延长电池使用寿命。
实时监测每个电池组的内阻值和容量衰减值。将内阻的增大值和容量衰减值与预设的阈值进行比较。如果内阻增大或容量衰减超过阈值,则判断该电池组健康状态欠佳。对健康状态欠佳的电池组,需要减小其充放电量。向LSTM模型输入该电池组的超阈状态。LSTM模型输出经调整的均衡控制策略。相应减小对该电池组的充电量或放电量。降低电池组在劣化状态下的损耗。延缓电池健康状态的进一步恶化。延长电池组的使用寿命。具体地,收集大量历史数据,统计分析不同电池在不同阶段的参数变化规律。确定内阻增大值和容量衰减值与电池正常使用寿命之间的关系模型。分析电池在不同参数超过阈值后,其续航损耗和安全隐患的变化规律。用阈值调整结果,持续优化LSTM模型,提高控制策略的准确性。
利用强化学习模型,将LSTM神经网络模型输出的电池组均衡控制策略作为环境输入提供给策略网络Actor,生成电池组计划调度动作;将生成的电池组计划调度动作输入价值网络Critic,价值网络Critic输出电池组计划调度动作的价值Q,价值Q通过打分函数计算获得,价值Q反映了电池组计划调度动作对电池组寿命的影响;策略网络Actor根据价值网络Critic输出的Q值,调整输出的电池组计划调度动作,以生成对电池组的寿命影响最小的计划调度动作;环境状态表示:环境由储能电池组的各种状态参数组成,例如电池的电荷状态、电流、温度等。LSTM神经网络模型用于提取电池组内部状态的时间序列特征,生成电池组均衡控制策略,将其作为环境的输入信息。策略网络(Actor),策略网络根据当前环境状态输入,生成电池组计划调度动作。它可以是一个深度强化学习模型,如深度神经网络。Actor网络的输出是电池组计划调度动作的概率分布,可以通过选择具有最高概率的动作或采样动作进行探索。价值网络(Critic),价值网络用于评估电池组计划调度动作的价值,反映其对电池组寿命的影响。它可以是一个深度神经网络,例如基于DQN(Deep Q Network)的模型。Critic网络的输入是生成的电池组计划调度动作,输出是一个价值函数Q值,表示该动作的预期回报或对电池组寿命的评估。Q值的计算可以通过打分函数来获得,该函数将电池组的状态和调度动作作为输入,并计算对电池组寿命的影响。Actor网络根据Critic网络输出的Q值来调整生成的电池组计划调度动作,以最小化对电池组寿命的影响。可以使用梯度下降算法对策略网络中的参数进行更新,例如使用基于策略梯度的方法,如REINFORCE算法、DDPG、PPO等。通过本申请,强化学习模型可以学习在不同的环境状态下生成更优化的电池组计划调度动作,以最小化电池组寿命的影响。不断的训练与优化可以提高系统的性能和电池组的寿命。
具体地,策略网络Actor指的是强化学习系统中的决策生成器,它是一个神经网络结构,主要作用是根据环境的状态,采取动作,以获得最大的期望收益。策略网络Actor的输入为环境的状态,输出为动作。策略网络的学习目标是最大化累积的期望收益。网络参数通过策略梯度反向传播算法迭代更新。在电池组调度中,Actor生成调度动作,评估动作的价值网络Critic给出反馈。Actor不断调整自身的参数,输出对电池寿命影响最小的最优调度动作。综上,策略网络Actor扮演决策生成器的角色,与Critic网络互相配合,实现强化学习的闭环优化。
具体地,价值网络Critic指的是强化学习系统中的价值评估器,它是一个神经网络结构,主要作用是评估策略网络Actor生成的动作的价值。价值网络Critic的输入为环境状态和Actor的动作,输出为状态-动作价值Q。Q价值通过设定的打分函数计算获得,反映动作的优劣程度。Critic通过训练学习更准确地评估不同动作的Q值。在电池组调度中,Critic评估调度动作对电池寿命的影响。将Q值反馈给Actor,指导Actor调整参数输出更优解。综上,价值网络Critic起到价值评估的作用,与Actor网络互相配合,实现强化学习。
价值Q是强化学习系统中价值网络Critic输出的状态动作价值评估。它反映了在某个环境状态下,执行某个动作可以获得的期望回报。价值Q通过设定的打分函数根据当前状态和动作计算得到。价值Q越高,表示该动作带来的回报越大,对最终目标越有利。在电池调度中,Q反映动作对电池寿命的影响。Q值反馈给策略网络Actor,指导Actor调整参数输出更优解。Actor的目标是生成能够使Q值尽可能最大化的最优调度动作。Q值可以初始化或通过监督学习获得。综上,价值Q起到强化学习中动作价值评估的作用,与Actor和Critic相互配合。
电池组计划调度动作指的是策略网络Actor根据环境状态所生成的电池组的具体充放电计划方案。电池组计划调度动作包含强化学习方案中的环境动作,由策略网络输出。内容包括电池组的充电电流、放电电流、SOC范围等控制参数。目标是实现电池组充放电的动态均衡和优化。会产生环境反馈,包含电池的健康状态、电荷平衡情况等。经过价值网络Critic的评估后,给出对电池寿命的影响Q值。通过调整动作最大化Q值,获得对电池组寿命最优的计划调度方案。综上,电池组计划调度动作是强化学习实现电池使用优化的核心输出。
打分函数是用于计算电池组计划调度动作对电池寿命影响,也就是价值Q的函数。输入为环境状态和电池组调度动作。输出为动作的分数Q,反映动作的优劣。结合电池健康参数、调度变量等,设计计算函数。可以采用线性函数、svm、神经网络等形式。分数越高表示对电池寿命影响越小。反馈给策略网络,调整参数输出更优解。通过调参等方式优化打分机制。综上,打分函数为价值网络评估调度动作质量的核心机制。
进一步地,基于注意力机制的LSTM神经网络模型建立:输入基础数据,这可能包括电池组的基本信息,制造商数据,初始性能等。健康状态参数,包括实时内阻、容量衰减、循环次数等。模型架构,使用带有注意力机制的LSTM神经网络,以更好地捕捉输入序列之间的关系,并关注健康状态参数的变化。电池组剩余寿命估计模型建立:输入健康状态参数,实时内阻、容量衰减、循环次数等。历史数据,过去的性能数据,例如循环中的电压、电流等。模型选择,可以使用机器学习模型,如回归模型、支持向量机(SVM)或深度学习模型,例如多层感知器(MLP)或卷积神经网络(CNN)来建立剩余寿命估计模型。实时参数监测,监测指标,实时内阻监测,使用传感器实时监测电池内阻。容量衰减监测,通过周期性测试或基于放电曲线分析来监测容量衰减。循环次数监测,记录电池组的循环充放电次数。传感器与监测设备,部署传感器和监测设备,例如电流传感器、电压传感器等,以实时获取电池组的性能参数。综合控制策略输出,训练使用强化学习中的Actor部分,将上述模型输出的健康状态参数和基础数据输入到带有注意力机制的LSTM神经网络中,生成电池组均衡控制策略。输出控制策略可能包括充放电控制、功率分配等,以最大程度地延长电池组寿命。系统集成与优化:集成:将建立的模型与监测系统集成,确保实时监测数据能够被模型处理,并且控制策略能够及时应用。优化使用反馈循环,通过实时监测数据来优化模型,确保其在不同工作条件下的鲁棒性和性能。本申请结合注意力机制的LSTM神经网络和剩余寿命估计模型,实现更智能、可持续的电池组均衡控制。
建立剩余寿命估计模型,使用先进的机器学习模型,如深度学习网络(可以考虑LSTM、GRU等),以及传统的回归模型,根据电池健康参数构建剩余寿命估计模型。特征工程,从电池组的实时内阻、容量衰减、循环次数等参数中提取关键特征,作为模型输入。训练集准备,使用历史数据作为训练集,确保模型能够捕捉电池性能与寿命之间的复杂关系。剩余使用寿命预测,实时数据输入利用电池组监测系统实时采集的数据,包括当前健康状态参数和基础数据。模型预测,将实时数据输入建立的剩余寿命估计模型中,通过模型输出来预测电池组的剩余使用寿命。时序预测,考虑采用时序模型,以更好地捕捉电池性能随时间的变化。不确定性处理,通过模型输出的不确定性估计,得出对预测的置信度,以便更好地理解预测的可靠性。利用异常检测算法,监测模型输出是否偏离正常范围,以识别潜在的预测问题。在线学习,利用实时监测数据,对模型进行在线学习,以适应电池性能随时间的演变。反馈循环,收集模型预测与实际寿命之间的差异,并通过反馈循环优化模型,提高预测准确性。决策支持系统,将预测的剩余使用寿命整合到电池管理系统中,为运营人员提供决策支持。报警机制,设定阈值,当预测寿命接近或超过设定值时,触发报警机制,以便采取预防性维护措施。
具体地,在电池组剩余寿命预测中,剩余寿命估计模型可以采用以下几类模型:机器学习模型,LSTM神经网络,可以学习电池多变量时间序列数据的长期依赖。记忆单元存储历史信息,CNN卷积神经网络,可以学习电池健康参数的局部相关性。卷积Kernels提取健康状态特征。统计学习模型,高斯过程回归,建立健康参数与寿命的高斯过程模型,支持向量机回归,将健康参数映射到寿命的高维特征空间。经验模型,基于预存的电池使用数据,建立寿命经验公式。也可以使用查表法等简单模型。在注意力机制中,将电池组的健康状态参数输入剩余寿命估计模型,得到电池组健康状态参数对电池组的剩余寿命的影响程度,并将得到的影响程度作为注意力因子赋予相应的健康状态参数;根据注意力因子生成反映健康状态参数对电池组的寿命影响的注意力向量,根据注意力向量调整健康状态参数对LSTM神经网络模型不同时刻的隐状态的影响程度。将健康参数输入预建的寿命估计模型。模型输出每个参数对电池寿命的影响程度。影响程度作为注意力因子,赋予对应的健康参数。对注意力因子进行编码映射,得到反映参数寿命影响的注意力向量。注意力向量融合了各健康参数的重要程度。在LSTM的输入门和输出门中引入注意力向量。通过向量的加权叠加调整不同时刻隐状态的参与程度。实现对时序健康参数影响的自适应调节。LSTM模型可以自动学习健康参数的重要性。提高模型对关键参数的敏感度,输出更准确的控制策略。控制策略更加可解释。
进一步地,还包括:收集大量电池循环次数和容量衰减值的数据。统计出不同循环次数和容量衰减值条件下的平均寿命。将上述数据制成查表,存储到系统数据库中。检测获得电池的实时循环次数和容量衰减值。查询表格,找到与当前条件最匹配的数据。查询其对应的平均寿命,作为当前电池的剩余寿命估计。数据收集与统计,大量数据收集:收集大量电池循环次数和容量衰减值的数据。这些数据应覆盖多种电池类型、制造批次和工作条件,以建立全面的数据库。平均寿命计算,数据统计,基于收集到的数据,统计出不同循环次数和容量衰减值条件下的电池平均寿命。这可以采用统计分析方法,如均值、中位数等。数据存储与查表,建立数据库将上述统计数据制成查表,存储到系统数据库中。表格应包括不同条件下的平均寿命。实时数据获取,电池健康参数检测:实时检测电池的循环次数和容量衰减值。这可以通过电池管理系统实现,以获得电池的实时健康参数。寻找最匹配数据,查询数据库查询数据库,找到与当前电池的循环次数和容量衰减值最匹配的数据记录。剩余寿命估计,寿命估计计算从匹配的数据记录中提取对应的平均寿命,将其作为当前电池的剩余寿命估计。
电池管理系统,将剩余寿命估计结果集成到电池管理系统中,以便实时监测电池寿命情况,并采取相应的维护措施。定期更新数据库,数据迭代定期更新数据库,将新收集到的电池数据添加到表格中,以保持数据库的准确性和可靠性。本申请通过比对实时电池参数和已建立的数据库,估计电池的剩余寿命。本申请可以为电池管理提供有价值的信息,帮助制定更有效的维护策略,延长电池寿命,减少停机时间。
进一步地,LSTM是一种递归神经网络,适用于处理序列数据。在电池组管理系统中,它可以用于对历史性能数据和实时监测数据进行建模。LSTM模型包括细胞状态向量和隐状态向量,这两个向量在每个时间步都会更新。细胞状态向量反映当前时刻的内部状态信息,而隐状态向量反映了全局信息。细胞状态向量和隐状态向量的维度和层数可以根据具体问题和数据的复杂性进行调整。为了训练LSTM模型,需要准备历史性能数据和实时监测数据作为输入。数据预处理包括标准化、归一化、序列化等步骤,以确保数据在LSTM网络中的有效使用。使用历史数据对LSTM神经网络进行训练。目标是学习电池性能和健康状态之间的复杂关系。损失函数的选择可能取决于具体的任务,可以是均方误差(MSE)或其他适当的损失函数。在实时电池组管理中,将实时监测数据输入到训练好的LSTM模型中。LSTM模型将输出细胞状态向量和隐状态向量,这些向量可以用于生成均衡控制策略或进行寿命预测。细胞状态向量这个向量反映了LSTM模型的内部状态,可以用于捕捉电池性能变化的趋势。例如,它可以用于检测电池内阻的增加或容量衰减的变化。隐状态向量,这个向量反映了LSTM模型的全局状态,可以用于更全面的电池组性能评估。例如,它可以用于预测电池组的寿命。模型优化和更新,定期对LSTM模型进行优化和更新,以反映电池性能随时间的演变。可以使用增量学习或重新训练来保持模型的精度。本申请通过建立一个基于LSTM神经网络的电池组管理系统,充分利用细胞状态向量和隐状态向量来实现性能监测和寿命预测。这将有助于更好地管理和延长电池组的使用寿命。
进一步地,生成对电池组的寿命影响最小的计划调度动作,还包括如下步骤:建立强化学习模型:强化学习模型由策略网络(Actor)和价值网络(Critic)两部分组成,用于生成对电池组寿命影响最小的计划调度动作。策略网络Actor,输入环境状态,即LSTM神经网络模型输出的电池组均衡控制策略。网络结构,Actor网络采用深度神经网络,接收环境状态作为输入,输出电池组计划调度动作的概率分布。使用梯度策略算法(如REINFORCE算法)来更新Actor网络参数,以使生成的动作最大化预期的累积奖励。环境状态输入,LSTM神经网络模型输出的电池组均衡控制策略作为环境状态,提供给策略网络Actor,作为当前状态的表示。训练策略网络,使用强化学习中的Actor和Critic方法,对策略网络Actor进行训练。在每个时间步,根据环境状态执行动作,获得奖励,更新Actor网络参数以优化策略。价值网络Critic,输入当前环境状态和由策略网络Actor输出的电池组计划调度动作。网络结构Critic网络也采用深度神经网络,输出电池组计划调度动作的价值Q,表示该动作对电池组寿命的影响。训练目标:通过比较实际奖励和由Actor预测的奖励,更新Critic网络参数以更准确地估计动作的价值。打分函数与价值Q计算,制定预设的打分函数,用于计算价值Q。这个函数可以考虑电池组的健康状态参数、性能数据等,以综合评估计划调度动作对电池组寿命的影响。模型优化与更新,定期对Actor和Critic网络进行优化,确保其能够适应电池组性能的动态变化。可以使用经验回放等技术来提高模型的稳定性和泛化性。计划调度动作生成,Actor网络输出的概率分布可用于生成电池组计划调度动作。可以选择概率最大的动作或进行概率采样。
其中,在本申请中,策略梯度函数包含,普通策略梯度(Vanilla PolicyGradient),利用期望回报作为性能函数,按梯度上升原则更新。Natural策略梯度,采用参数化策略的Fisher信息矩阵,实现自然梯度上升。TRPO策略梯度,防止策略更新过大,设置KL散度限制。PPO策略梯度,使用剪裁技巧控制策略更新范围。ACKTR策略梯度,结合Actor-Critic和自然策略梯度的改进算法。SAC策略梯度,基于软最大化操作,提高策略稳定性。
具体地,反馈机制将由Critic网络计算得到的价值Q反馈给策略网络Actor。将Q值作为附加信息传递给策略网络,以提供对电池组计划调度动作的更全面的评估。策略网络Actor参数更新,策略梯度算法,使用策略梯度算法(如REINFORCE算法)更新策略网络Actor的参数。优化策略使得生成的电池组计划调度动作最小化对电池组寿命的影响。新的电池组计划调度动作生成,概率分布输出Actor网络输出的概率分布可用于生成新的电池组计划调度动作。采样或选择,可以通过概率采样或选择概率最大的动作,以生成新的计划调度动作。迭代过程重复上述步骤,通过策略梯度算法不断更新策略网络Actor的参数,以获得更优化的电池组计划调度动作。当策略网络收敛时,生成的计划调度动作应具有最小的电池组寿命影响。在实时应用中,将实际执行的计划调度动作的结果反馈给强化学习模型,以更新环境状态,以便更准确地评估动作的影响。学对策略梯度算法的学习率进行调整,以平衡快速收敛和模型稳定性之间的权衡。可以考虑引入正则化技术,以防止过拟合和提高模型泛化性。实时性考虑,考虑在实际应用中可能存在的延迟,确保模型对于实时性要求的处理。本申请通过迭代的强化学习模型,通过Q值的反馈不断优化策略网络Actor,生成对电池组寿命影响最小的计划调度动作。本申请能够适应电池组性能动态变化的特点,并在实时应用中生成有效的调度策略。
进一步地,策略网络Actor的策略梯度算法:使用基于电池组健康状态参数的策略梯度算法,其中损失函数由概率分布和回报函数构成。策略网络Actor的策略梯度算法为基于电池组健康状态参数的策略梯度损失函数,策略梯度损失函数通过如下公式计算:L=-∑R×logπ(α|s),其中,L为策略梯度损失函数,R为回报函数,π(α|s)为策略网络Actor在状态s下选择动作α的概率;回报函数R通过如下公式计算:R=λ×(C-Cthreshold),其中,C为电池组的当前可循环次数,Cthreshold为电池组的循环寿命阈值,λ为缩放因子。损失函数的目标是最小化负的期望回报,即通过调整策略网络Actor的参数,使得选择的动作能够最大程度地减小电池组的寿命影响。在每个训练步骤中,通过最小化策略梯度损失函数,让策略网络Actor更好地生成能够最小化电池组寿命影响的计划调度动作。调整缩放因子λ的值,以平衡对回报的权衡。这可以根据实际应用中的需求来进行调整。在实时应用中,考虑对电池组健康状态参数进行实时更新,以确保模型能够及时地适应电池组的动态变化。本申请通过建立一个基于电池组健康状态参数的策略梯度算法,通过调整策略网络Actor的参数,使其能够生成对电池组寿命影响最小的计划调度动作。本申请考虑了电池组的当前可循环次数和循环寿命阈值,以更加精准地指导决策,从而延长电池组的使用寿命。
进一步地,电池组的当前可循环次数C为根据电池组的初始可循环次数和当前循环次数计算,C通过如下公式计算:C=C0-n,其中,C0为电池组的初始可循环次数,n为电池组已经进行的充放电循环次数,每进行一次充放电循环,n增加1。
初始可循环次数C0,初始可循环次数C0应基于电池组的设计规格和生产制造参数进行设定。这个值反映了电池组的理论上限循环次数。充放电循环计数n,系统需要实现对电池组进行充放电循环次数的实时跟踪。每次进行一次完整的充放电循环,对n进行相应的增加。实时更新C值,在每次充放电循环后,系统应该根据公式C=C0-n,实时更新电池组的当前可循环次数C。本申请适用于需要考虑电池组寿命的场景,例如电动车、储能系统等。在这些应用中,充放电循环次数对于电池寿命的影响至关重要。循环次数监控,实现一个循环次数监控系统,当n接近或达到初始可循环次数C0时,触发报警机制,提示用户可能需要考虑电池组的更换或维护。数据记录与分析,记录电池组的充放电循环次数以及相应的C值,以便进行寿命分析和优化。本申请通过对电池组当前可循环次数的实时计算和更新,为系统提供了更准确的电池健康状态信息,有助于制定合理的充放电策略,延长电池组的使用寿命。
进一步地,还包括:对每个电芯进行电阻、容量衰减值和循环次数的实时监测。这些参数是评估电芯健康状态的关键指标。LSTM神经网络模型应用,使用长短时记忆网络(LSTM)等深度学习模型,对历史的电芯健康状态参数和对应的寿命进行训练。模型能够学习电芯健康状态参数与剩余可循环次数之间的复杂关系。剩余寿命预测,利用训练后的LSTM神经网络模型,根据每个电芯的实时健康状态参数,预测对应电芯的剩余可循环次数,即剩余寿命。剩余寿命比较,比较每个电芯的预测剩余寿命,确定其中剩余寿命最小的电芯。这个电芯可能是整个电池组的寿命瓶颈。充电负载加载,针对寿命最小的电芯,加载预先设置的充电负载。这个负载设计旨在减缓电芯的健康状态衰减速率。健康状态衰减速率指标,健康状态衰减速率是一个指标,包含电芯内阻的增长速度、容量衰减值的变化率和循环次数的增长速度。这些指标帮助了解电芯的衰减状况。多电芯管理,本申请通过电池组中的每个电芯,实现对整个电池组的健康状态监测和管理。实时性与自适应性,系统需要实现实时监测和响应,以确保对电芯健康状态的管理是及时的和自适应的。本申请通过对电池组中每个电芯的健康状态的实时监测和管理。使用LSTM神经网络模型进行剩余寿命的预测,以及加载充电负载来减缓衰减速率,有望最大限度地延长整个电池组的寿命。
进一步地,健康状态衰减速率通过如下公式计算: 其中,/>为电芯内阻的增长速度,/>为容量衰减值的变化率,/>为循环次数的增长速度,ω1为电芯内阻的权重系数,ω2为容量衰减值的权重系数,ω3为循环次数的权重系数,Δt为预设时间间隔,ΔR为电芯内阻的变化值,ΔQ为容量衰减值的变化值,ΔN为循环次数的变化值。设置预设时间间隔Δt,它表示在多长时间内进行一次健康状态衰减速率的计算。数据采集系统:建立实时数据采集系统,获取电芯内阻、容量衰减值和循环次数的实时变化情况。在每个预设时间间隔内,计算电芯内阻的增长速度、容量衰减值的变化率和循环次数的增长速度。加权求和:使用权重系数将各项速率加权求和,得到健康状态衰减速率。实时反馈与响应,将健康状态衰减速率的计算集成到整个电池管理系统中,实时监测电芯的健康状况,并根据计算结果进行相应的反馈和响应。参数调优,根据实际情况不断优化权重系数和预设时间间隔,以适应不同电芯类型和工作条件下的健康状态监测需求。速率综合考虑了电芯内阻、容量衰减值和循环次数的变化情况,为电池组健康管理提供了重要指标。
本说明书实施例的另一个方面还提供一种计算机可读存储介质,存储介质存储计算机指令,当计算机指令被处理器执行时实现本申请的一种基于神经网络的储能电池组管理系统的均衡方法。
3.有益效果
相比于现有技术,本发明的优点在于:
(1)应用注意力机制的LSTM神经网络模型,可以根据电池组的内阻、容量衰减和循环次数等参数,更准确地预测每个电池组的剩余可用循环次数,为电池组使用寿命评估提供了准确依据;
(2)强化学习模型可以根据电池组寿命状况生成动态优化的电池组计划调度策略,使电池组的充放电计划最大限度地延长电池组的可循环次数,直接提高了电池组的使用寿命;
(3)对电池组内部电芯实时监测和有针对性地采取主动均衡措施,可以减缓电池组内最弱电芯的健康状态衰减,避免其提前失败,从而延长了整个电池组的使用寿命。
附图说明
本说明书将以示例性实施例的方式进一步描述,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的一种基于神经网络的储能电池组管理系统的均衡方法的示例性流程图;
图2是根据本说明书一些实施例所示的生成均衡控制策略的示例性流程图;
图3是根据本说明书一些实施例所示的生成最小计划调度动作的示例性流程图。
具体实施方式
下面结合附图对本说明书实施例提供的方法和系统进行详细说明。
图1是根据本说明书一些实施例所示的一种基于神经网络的储能电池组管理系统的均衡方法的示例性流程图,如图1所示,一种基于神经网络的储能电池组管理系统的均衡方法,包括如下步骤:S110获取各电池组的基础数据和健康状态参数,其中健康状态参数包括电池内阻、容量衰减值和循环次数。S120建立基于注意力机制的LSTM神经网络模型,该模型的输入包括获取的基础数据和健康状态参数,输出为电池组均衡控制策略。注意力机制通过将健康状态参数映射到注意力向量,并将注意力向量与LSTM神经网络模型的隐状态进行加权叠加来调整健康状态参数对LSTM模型记忆单元的写入比例。S130使用包含电池组健康状态参数的历史运行数据来训练LSTM神经网络模型,训练后的模型可以生成电池组均衡控制策略。S140判断各电池组的健康状态,如果电池组内阻的增大值或容量衰减值超过预设阈值,则调整LSTM神经网络模型输出的电池组均衡控制策略,以减小对应电池组的充放电量。S150引入强化学习模型,将LSTM神经网络模型输出的电池组均衡控制策略作为环境输入,用于生成电池组的计划调度动作。S160生成的电池组计划调度动作输入价值网络Critic,该网络评估动作的价值Q,价值Q通过打分函数计算得到,反映了电池组计划调度动作对电池组寿命的影响。S170策略网络Actor根据价值网络Critic输出的Q值,调整输出的电池组计划调度动作,以生成对电池组寿命影响最小的计划调度动作。
其中,LSTM神经网络模型是一种长短期记忆神经网络模型,利用其记忆单元和隐状态处理序列数据的特性。注意力机制在LSTM模型中用于根据健康状态参数调整不同时刻的隐状态影响程度。此外,方法还包括建立电池组剩余寿命估计模型的步骤。可以使用机器学习模型或经验学习模型根据健康状态参数预测电池组的剩余使用寿命。经验学习模型可以使用事先存储的不同电池组循环次数和容量衰减值下的平均寿命数据进行预测。调整健康状态参数对LSTM模型隐状态的影响程度的步骤是通过在LSTM模型的输入门和输出门中应用注意力向量实现的。注意力向量与细胞状态向量在输入门进行按元素乘法,生成调节后的细胞状态向量。在输出门中,调节后的细胞状态向量与非调节的隐状态向量相加,生成调节后的隐状态向量,从而调整健康状态参数对隐状态的影响程度。
图2是根据本说明书一些实施例所示的生成均衡控制策略的示例性流程图,如图2所示,通过引入注意力机制,结合电池组的健康状态参数,实现对LSTM模型中不同健康参数的动态调整,从而提高对电池组剩余寿命的估计精度,还包括如下步骤:S121根据电池组的健康状态参数,采用机器学习模型或经验学习模型,建立电池组的剩余寿命估计模型;S122利用建立的剩余寿命估计模型,预测电池组的剩余使用寿命;S123在注意力机制中,将电池组的健康状态参数输入剩余寿命估计模型,得到电池组健康状态参数对电池组的剩余寿命的影响程度,并将得到的影响程度作为注意力因子赋予相应的健康状态参数;S124根据注意力因子生成反映健康状态参数对电池组的寿命影响的注意力向量,根据注意力向量调整健康状态参数对LSTM神经网络模型不同时刻的隐状态的影响程度。通过引入注意力机制,本申请有效地利用电池组的健康状态参数,提高了LSTM模型对电池组剩余寿命的估计精度。
具体地,通过引入经验学习模型和查表法,结合电池组的循环次数和容量衰减值,实现对电池组剩余寿命的高精度预测。建立基于注意力机制的LSTM神经网络模型,输入包括获取的基础数据、电池组的健康状态参数(循环次数和容量衰减值)以及经验学习模型的预测结果。采用经验学习模型,基于电池组的循环次数和容量衰减值,预先建立寿命经验模型,用于预测电池组的剩余使用寿命。寿命经验模型采用查表法预存不同电池组的循环次数和容量衰减值下电池组的平均寿命数据。在实际预测时,通过查表获取电池组在当前循环次数和容量衰减值下的剩余寿命。在注意力机制中,将经验学习模型的预测结果与电池组的健康状态参数输入剩余寿命估计模型,得到电池组健康状态参数对电池组剩余寿命的影响程度,并将得到的影响程度作为注意力因子赋予相应的健康状态参数。根据注意力因子生成反映健康状态参数对电池组寿命影响的注意力向量,然后调整健康状态参数对LSTM神经网络模型不同时刻的隐状态的影响程度。LSTM神经网络模型输出电池组均衡控制策略,考虑了动态调整后的健康状态参数的影响。通过整合经验学习模型和查表法,本申请综合考虑了电池组的循环次数和容量衰减值对剩余寿命的影响,提高了剩余寿命的估计准确性。
具体地,通过注意力机制对健康状态参数在不同时刻的影响程度进行调整,以提高模型的动态适应性:建立基于注意力机制的LSTM神经网络模型,输入包括获取的基础数据、电池组的健康状态参数以及经验学习模型的预测结果。采用经验学习模型,基于电池组的循环次数和容量衰减值,预先建立寿命经验模型,用于预测电池组的剩余使用寿命。寿命经验模型采用查表法预存不同电池组的循环次数和容量衰减值下电池组的平均寿命数据。在实际预测时,通过查表获取电池组在当前循环次数和容量衰减值下的剩余寿命。在注意力机制中,将经验学习模型的预测结果与电池组的健康状态参数输入剩余寿命估计模型,得到电池组健康状态参数对电池组剩余寿命的影响程度。通过注意力向量,调整健康状态参数对LSTM神经网络模型不同时刻的隐状态的影响程度。在LSTM神经网络模型中的输入门和输出门中进行注意力调节。具体而言,通过按元素乘法,将注意力向量与细胞状态向量相乘,在输入门中生成注意力调节后的细胞状态向量。同时,在输出门中,将注意力调节后的细胞状态向量与非调节的隐状态向量相加,生成注意力调节后的隐状态向量。将调节后的隐状态向量作为LSTM神经网络模型当前时刻的输出隐状态,以根据注意力向量调节健康状态参数对不同时刻隐状态向量的影响程度。最终,LSTM神经网络模型输出电池组均衡控制策略,考虑了动态调整后的健康状态参数的影响。通过整合注意力机制和LSTM神经网络模型,本申请不仅综合考虑了电池组的健康状态参数和经验学习模型的预测结果,还通过注意力调节提高了对不同时刻隐状态的动态调整能力,使模型更好地适应电池组的实际运行情况。
图3是根据本说明书一些实施例所示的生成最小计划调度动作的示例性流程图,如图3所示,生成对电池组的寿命影响最小的计划调度动作,还包括如下步骤:S151建立包含策略网络Actor和价值网络Critic的强化学习模型。其中,策略网络Actor用于输出电池组计划调度动作,价值网络Critic用于评估电池组计划调度动作的价值Q。S152将LSTM神经网络模型输出的电池组均衡控制策略作为环境状态输入提供给策略网络Actor。S153策略网络Actor根据环境状态,采用梯度策略算法,输出电池组计划调度动作。S154将策略网络Actor输出的电池组计划调度动作输入价值网络Critic。价值网络Critic根据当前环境状态和电池组计划调度动作,通过网络计算输出电池组计划调度动作的价值Q。价值Q通过预设的打分函数计算获得,反映了电池组计划调度动作对电池组寿命的影响。S155将Q值反馈给策略网络Actor,根据价值Q中反映的电池组计划调度动作对电池组寿命的影响,采用策略梯度算法更新网络参数,输出对电池组寿命影响最小的新的电池组计划调度动作。S156重复上述步骤,通过策略梯度算法利用价值Q更新策略网络Actor的参数,生成对电池组寿命影响最小的计划调度动作。
通过结合LSTM神经网络模型和强化学习方法,本申请能够动态生成最小计划调度动作,以最小化电池组寿命的影响。这种策略梯度算法的应用使得系统能够根据实时环境状态进行调整,从而在实际运行中达到更好的电池寿命优化效果。
具体地,策略网络Actor的策略梯度算法为基于电池组健康状态参数的策略梯度损失函数,策略梯度损失函数通过如下公式计算:L=-∑R×logπ(α|s),其中,L为策略梯度损失函数,R为回报函数,π(α|s)为策略网络Actor在状态s下选择动作α的概率;回报函数R通过如下公式计算:R=λ×(C-Cthreshold).其中,C为电池组的当前可循环次数,Cthreshold为电池组的循环寿命阈值,λ为缩放因子。回报函数反映了电池组当前可循环次数与循环寿命阈值之间的差异,通过调整缩放因子λ,可以控制回报函数的影响程度。当电池组的可循环次数逼近或达到阈值时,回报函数将受到更大的惩罚,促使策略网络Actor生成对电池组寿命影响较小的调度动作,通过调整缩放因子λ,可以灵活地控制对回报函数的惩罚程度,从而优化策略网络Actor的训练过程,使其生成更为合理和可持续的电池组调度方案。本申请中策略网络Actor能够在训练过程中优化电池组寿命,根据实际健康状态参数调整策略,以实现更加智能和有效的电池组调度。
具体地,电池组的当前可循环次数C为根据电池组的初始可循环次数和当前循环次数计算,C通过如下公式计算:C=C0-n,其中,C0为电池组的初始可循环次数,n为电池组已经进行的充放电循环次数,每进行一次充放电循环,n增加1。本申请中,当前可循环次数C能够随着电池组的使用而动态调整,更好地反映电池组的实际健康状况。通过监测充放电循环次数n,可以实时更新电池组的当前可循环次数,为后续的回报函数计算提供准确的健康状态参数。为了优化电池组的寿命调度,采用了基于策略梯度的训练方法。策略网络Actor通过最大化回报函数来调整其行为策略。策略梯度损失函数的具体计算如前所述,通过最小化该损失函数,可以实现对电池组寿命的优化调度。通过实时更新电池组的健康状态参数并利用策略梯度算法进行训练,实现了对电池组寿命的智能调度和优化管理。
具体地,为了实现对电池组的更精细管理,本申请采用了对每个电芯的健康状态参数进行监测。每个电芯的健康状态参数包括电芯内阻、容量衰减值和循环次数。通过实时监测这些参数,本申请能够更全面地了解电芯的当前状态,为后续的剩余寿命预测和调度提供准确的数据基础。利用训练后的LSTM神经网络模型,本申请能够根据每个电芯的健康状态参数,特别是内阻、容量衰减值和循环次数,预测对应电芯的剩余可循环次数,即电芯的剩余寿命。这个预测模型能够更准确地估计电芯的寿命情况,为后续的调度决策提供基础。通过比较每个电芯的预测剩余寿命,本申请能够确定剩余寿命最小的电芯。这个电芯被认为是电池组中寿命最短的,需要特别关注和调度。为了延长其寿命,采用了以下调度策略:针对剩余寿命最小的电芯,系统加载预先设置的充电负载,以减缓对应电芯的健康状态衰减速率。这种充电负载的设置是根据电芯内阻的增长速度、容量衰减值的变化率和循环次数的增长速度等指标综合考虑的。通过调整充电负载,可以有效地减缓电芯的老化过程,提高其使用寿命。电池组是由若干电芯组成的。通过对每个电芯的健康状态监测和个体调度,整个电池组的寿命管理得以优化。
具体地,健康状态衰减速率通过如下公式计算: 其中,/>为电芯内阻的增长速度,/>为容量衰减值的变化率,/>为循环次数的增长速度,ω1为电芯内阻的权重系数,ω2为容量衰减值的权重系数,ω3为循环次数的权重系数,Δt为预设时间间隔,ΔR为电芯内阻的变化值,ΔQ为容量衰减值的变化值,ΔN为循环次数的变化值。在电池组寿命优化调度中,健康状态衰减速率被用于决策调整充电负载。通过调整充电负载,特别是根据衰减速率中各项指标的变化,系统可以更精确地调整对应电芯的充电行为,达到减缓健康状态衰减速率的目的。/>
在本申请的具体实施例中,获取某铁路通信机房电池组的电压、电流、温度数据作为基础数据,并测量电池内阻、容量衰减、循环次数作为健康状态参数。设计LSTM神经网络模型,输入层输入电压、电流、温度、内阻、容量衰减、循环次数六个参数。隐层包含64个LSTM神经元,输出层输出4个均衡控制信号。注意力机制将内阻、容量衰减、循环次数映射到16维注意力向量,与LSTM隐状态进行加权叠加。使用电池组过去一年的运行数据训练LSTM模型,损失函数为MSE,优化器为Adam,训练100个epoch,批大小为32。如果内阻增大超过10%或容量衰减超过20%,则减小对应电池的充电量。Actor网络包含2个全连接隐层,每个隐层128个节点;Critic网络包含1个全连接隐层,64个节点。使用DDPG算法训练强化学习模型,学习率为0.001,折扣因子为0.9。根据Critic网络的Q值反馈,Actor网络调整输出的4路均衡控制信号,使电池组的充放电计划达到最优,最大限度延长电池的使用寿命。
其中,某电池组有5个电池,第3号电池的内阻增大明显,经GBDT模型预测其剩余寿命只有1个月。则第3号电池的内阻的参数权重会调整到0.8,容量衰减权重0.15,循环次数0.05,注意力向量强调了内阻状态,使LSTM模型减小了第3号电池的充放电量,达到延长电池组寿命的目的。具体地,输出为电池组均衡控制策略:收集某铁路通信机房电池组过去2年的循环数据,包括内阻、容量衰减、充放电次数等,总共10000条数据。建立GBDT剩余寿命模型,最大迭代次数100,学习率0.1,最小叶子节点样本数10。LSTM模型输入层输入电压、电流、温度、内阻、容量衰减、循环次数六个特征。隐层包含128个LSTM神经元。注意力向量维度设置为32。内阻、容量衰减的参数权重分别为0.6、0.3,循环次数权重为0.1。将权重映射到注意力向量,与LSTM隐状态进行加权叠加。
其中,某电池组目前循环次数1000次,容量衰减5%,查表可知其平均寿命估计还有300次循环。则容量衰减参数的注意力权重会增大,从而在LSTM中增强容量衰减对细胞状态的影响,使得LSTM模型输出考虑到电池组剩余寿命的均衡策略。具体地,经验学习模型采用查表法,根据电池循环次数和容量衰减预存电池平均寿命,作为剩余寿命预测模型。LSTM输入层输入电压、电流、温度、内阻、容量衰减、循环次数。隐层包含64个LSTM单元。注意力向量维度32。内阻、容量衰减参数映射权重分别为0.6、0.3。在LSTM输入门中,将注意力向量与上一时刻的细胞状态向量c(t-1)进行按元素乘法,生成调节后的细胞状态向量c'(t)。在LSTM输出门中,将c'(t)与隐状态h(t-1)相加,生成调节后的隐状态向量h'(t)。将h'(t)作为当前时刻LSTM的输出隐状态,传入输出层,以生成均衡控制策略。
其中,建立Actor网络,包含2个全连接层,节点数分别为256、128,输出4个动作信号。建立Critic网络,包含1个全连接层,节点数为64,输出一个状态和动作价值Q。LSTM的均衡控制策略作为环境状态s输入Actor。Actor根据状态s,采用ReLU激活函数和策略梯度算法,输出动作a。将s和a输入Critic,Critic输出Q(s,a)。设定打分函数为:Q(s,a)=寿命潜在提升值-0.5*动作成本。将Q(s,a)反馈给Actor。Actor根据价值网络的Q值,调整网络参数,输出新的动作a',以提高Q值,降低对寿命的影响。重复更新,策略网络逐步逼近最优控制策略。
其中,某电池组初始可循环次数C0为5000次,当前已经循环2300次,即n=2300。根据公式C=C0-n=5000-2300=2700,可计算出当前可循环次数C为2700。假设循环寿命阈值Cthreshold设定为2000次。缩放因子λ设为0.01。当Actor生成的动作a使电池组可循环次数C增加10次时,根据回报函数公式:R=λ×(C-Cthreshold)=0.01*
(2710-2000)=7.1,将R代入策略梯度公式,可计算策略梯度损失函数L,用于更新Actor模型。重复该过程,Actor逐步学习生成可使电池组循环次数增加、并接近阈值上限的优化计划调度方案,从而达到延长电池组使用寿命的目的。
其中,某电池组包含20个电芯,检测每个电芯的内阻、容量衰减、循环次数。LSTM模型针对每个电芯进行单独训练,根据电芯的数据预测剩余寿命。比较预测结果,确定第5号电芯寿命最短,预计剩余300次循环。设置额外的小电流充电负载到第5号电芯,电流为0.1C。计算第5号电芯的健康状态衰减速率: 权重ω1=0.4,ω2=0.3,ω3=0.3,额外小电流充电可减缓第5号电芯的健康衰减,延长电池组的总体使用寿命。
本实施例还提供了一种计算机可读存储介质。该介质存储了指令集,当这些指令被处理器执行时,系统能够有效地实施本申请的一种基于神经网络的储能电池组管理系统的均衡方法,从而优化电池组的寿命管理。
Claims (10)
1.一种基于神经网络的储能电池组管理系统的均衡方法,包括:
获取各电池组的基础数据和健康状态参数,健康状态参数包含电池内阻、容量衰减值和循环次数;
建立基于注意力机制的LSTM神经网络模型,输入为获取的基础数据和健康状态参数,输出为电池组均衡控制策略;其中,注意力机制采用将健康状态参数映射到注意力向量,并利用注意力向量与LSTM神经网络模型的隐状态进行加权叠加,以调整健康状态参数对LSTM神经网络模型的记忆单元的写入比例;
使用包含电池组健康状态参数的历史运行数据训练LSTM神经网络模型,利用训练后的LSTM神经网络模型生成电池组均衡控制策略;
判断各电池组的健康状态,如果电池组内阻的增大值或容量衰减值超过预设阈值,则调整LSTM神经网络模型输出的电池组均衡控制策略,以减小对应电池组的充放电量;
利用强化学习模型,将LSTM神经网络模型输出的电池组均衡控制策略作为环境输入提供给策略网络Actor,生成电池组计划调度动作;
将生成的电池组计划调度动作输入价值网络Critic,价值网络Critic输出电池组计划调度动作的价值Q,价值Q通过打分函数计算获得,价值Q反映了电池组计划调度动作对电池组寿命的影响;
策略网络Actor根据价值网络Critic输出的价值Q,调整输出的电池组计划调度动作,以生成对电池组的寿命影响最小的计划调度动作;
其中,LSTM神经网络模型为长短期记忆神经网络模型。
2.根据权利要求1所述的基于神经网络的储能电池组管理系统的均衡方法,其特征在于:
建立基于注意力机制的LSTM神经网络模型,输入为获取的基础数据和健康状态参数,输出为电池组均衡控制策略,还包括如下步骤:
根据电池组的健康状态参数,采用机器学习模型或经验学习模型,建立电池组的剩余寿命估计模型;
利用建立的剩余寿命估计模型,预测电池组的剩余使用寿命;
在注意力机制中,将电池组的健康状态参数输入剩余寿命估计模型,得到电池组健康状态参数对电池组的剩余寿命的影响程度,并将得到的影响程度作为注意力因子赋予相应的健康状态参数;
根据注意力因子生成反映健康状态参数对电池组的寿命影响的注意力向量,根据注意力向量调整健康状态参数对LSTM神经网络模型不同时刻的隐状态的影响程度。
3.根据权利要求2所述的基于神经网络的储能电池组管理系统的均衡方法,其特征在于:
还包括:
经验学习模型为基于电池组的循环次数和容量衰减值,预先建立的寿命经验模型,用于预测电池组的剩余使用寿命;
寿命经验模型采用查表法预存不同电池组的循环次数和容量衰减值下电池组的平均寿命数据,并查表获取电池组在当前循环次数和容量衰减值下的剩余寿命。
4.根据权利要求2所述的基于神经网络的储能电池组管理系统的均衡方法,其特征在于:
根据注意力向量调整健康状态参数对LSTM神经网络模型不同时刻的隐状态的影响程度,还包括如下步骤:
在LSTM神经网络模型的输入门中,将注意力向量与细胞状态向量进行按元素乘法,生成注意力调节后的细胞状态向量;
在LSTM神经网络模型的输出门中,将注意力调节后的细胞状态向量与非调节的隐状态向量相加,生成注意力调节后的隐状态向量;
将调节后的隐状态向量作为LSTM神经网络模型当前时刻的输出隐状态,以根据注意力向量调节健康状态参数对不同时刻隐状态向量的影响程度;
其中,细胞状态向量为LSTM神经网络模型中的记忆单元在各个时间步输出的向量,反映当前时刻记忆单元的状态;
隐状态向量为LSTM神经网络模型根据当前输入和上一时刻隐状态计算得到的向量,反映当前时刻LSTM神经网络模型的全局状态。
5.根据权利要求1所述的基于神经网络的储能电池组管理系统的均衡方法,其特征在于:
生成对电池组的寿命影响最小的计划调度动作,还包括如下步骤:
建立包含策略网络Actor和价值网络Critic的强化学习模型,其中,策略网络Actor用于输出电池组计划调度动作,价值网络Critic用于评估电池组计划调度动作的价值Q;
将LSTM神经网络模型输出的电池组均衡控制策略作为环境状态输入提供给策略网络Actor,其中,环境状态反映当前时刻环境的特征;
策略网络Actor根据环境状态,采用梯度策略算法,输出电池组计划调度动作;
将策略网络Actor输出的电池组计划调度动作输入价值网络Critic;
价值网络Critic根据当前环境状态和电池组计划调度动作,通过网络计算输出电池组计划调度动作的价值Q;价值Q通过预设的打分函数计算获得,价值Q反映了电池组计划调度动作对电池组寿命的影响;
将Q值反馈给策略网络Actor,策略网络Actor根据价值Q中反映的电池组计划调度动作对电池组寿命的影响,采用策略梯度算法更新网络参数,输出对电池组寿命影响最小的新的电池组计划调度动作;
重复上述步骤,通过策略梯度算法利用价值Q更新策略网络Actor的参数,生成对电池组寿命影响最小的计划调度动作。
6.根据权利要求5所述的基于神经网络的储能电池组管理系统的均衡方法,其特征在于:
策略网络Actor的策略梯度算法为基于电池组健康状态参数的策略梯度损失函数,策略梯度损失函数通过如下公式计算:
L=-∑R×logπ(α|s)
其中,L为策略梯度损失函数,R为回报函数,π(α|s)为策略网络Actor在状态s下选择动作α的概率;
回报函数R通过如下公式计算:
R=λ×(C-Cthreshold)
其中,C为电池组的当前可循环次数,Cthreshold为电池组的循环寿命阈值,λ为缩放因子。
7.根据权利要求6所述的基于神经网络的储能电池组管理系统的均衡方法,其特征在于:
电池组的当前可循环次数C为根据电池组的初始可循环次数和当前循环次数计算,C通过如下公式计算:
C=C0-n
其中,C0为电池组的初始可循环次数,n为电池组已经进行的充放电循环次数,每进行一次充放电循环,n增加1。
8.根据权利要求1所述的基于神经网络的储能电池组管理系统的均衡方法,其特征在于:
还包括:
对电池组中的每个电芯,检测电芯的健康状态参数,健康状态参数包含电芯内阻、容量衰减值和循环次数;
利用训练后的LSTM神经网络模型,根据每个电芯的健康状态参数,预测对应电芯的剩余可循环次数,作为每个电芯的剩余寿命;
比较每个电芯的预测的剩余寿命,确定剩余寿命最小的电芯;
向剩余寿命最小的电芯加载预先设置的充电负载,以减缓对应电芯的健康状态衰减速率,健康状态衰减速率为包含电芯内阻的增长速度、容量衰减值的变化率和循环次数的增长速度的指标;
其中,电池组由若干电芯组成。
9.根据权利要求8所述的基于神经网络的储能电池组管理系统的均衡方法,其特征在于:
健康状态衰减速率通过如下公式计算:
其中,为电芯内阻的增长速度,/>为容量衰减值的变化率,/>为循环次数的增长速度,ω1为电芯内阻的权重系数,ω2为容量衰减值的权重系数,ω3为循环次数的权重系数,Δt为预设时间间隔,ΔR为电芯内阻的变化值,ΔQ为容量衰减值的变化值,ΔN为循环次数的变化值。
10.一种计算机可读存储介质,存储介质存储计算机指令,当计算机指令被处理器执行时实现如权利要求1至9中任意一项的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311572082.2A CN117613421B (zh) | 2023-11-23 | 2023-11-23 | 一种基于神经网络的储能电池组管理系统的均衡方法及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311572082.2A CN117613421B (zh) | 2023-11-23 | 2023-11-23 | 一种基于神经网络的储能电池组管理系统的均衡方法及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117613421A true CN117613421A (zh) | 2024-02-27 |
CN117613421B CN117613421B (zh) | 2024-06-21 |
Family
ID=89950844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311572082.2A Active CN117613421B (zh) | 2023-11-23 | 2023-11-23 | 一种基于神经网络的储能电池组管理系统的均衡方法及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117613421B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117955143A (zh) * | 2024-03-25 | 2024-04-30 | 国网黑龙江省电力有限公司佳木斯供电公司 | 一种零碳乡村综合能源管理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020073870A1 (zh) * | 2018-10-12 | 2020-04-16 | 中兴通讯股份有限公司 | 移动网络自优化方法、系统、终端及计算机可读存储介质 |
CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
CN113541272A (zh) * | 2021-08-26 | 2021-10-22 | 山东浪潮科学研究院有限公司 | 一种基于深度学习模型的储能电池均衡充放电方法及设备、介质 |
CN115409431A (zh) * | 2022-10-31 | 2022-11-29 | 国网湖北省电力有限公司信息通信公司 | 一种基于神经网络的分布式电力资源调度方法 |
CN116592883A (zh) * | 2023-04-25 | 2023-08-15 | 三峡大学 | 一种基于注意力和循环ppo实现的导航决策方法 |
-
2023
- 2023-11-23 CN CN202311572082.2A patent/CN117613421B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020073870A1 (zh) * | 2018-10-12 | 2020-04-16 | 中兴通讯股份有限公司 | 移动网络自优化方法、系统、终端及计算机可读存储介质 |
CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
CN113541272A (zh) * | 2021-08-26 | 2021-10-22 | 山东浪潮科学研究院有限公司 | 一种基于深度学习模型的储能电池均衡充放电方法及设备、介质 |
CN115409431A (zh) * | 2022-10-31 | 2022-11-29 | 国网湖北省电力有限公司信息通信公司 | 一种基于神经网络的分布式电力资源调度方法 |
CN116592883A (zh) * | 2023-04-25 | 2023-08-15 | 三峡大学 | 一种基于注意力和循环ppo实现的导航决策方法 |
Non-Patent Citations (2)
Title |
---|
刘中明;周岩;刘博;安林林;赵云强;: "基于改进深度强化学习的电力智慧供应链高维度决策模型研究", 电子测量技术, no. 23, 8 December 2019 (2019-12-08) * |
李德鑫;吕项羽;王佳蕊;刘星宇;韩晓娟;: "基于熵权法和Elman神经网络相结合的储能系统SOC估计", 电子设计工程, no. 01, 5 January 2020 (2020-01-05) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117955143A (zh) * | 2024-03-25 | 2024-04-30 | 国网黑龙江省电力有限公司佳木斯供电公司 | 一种零碳乡村综合能源管理方法及系统 |
CN117955143B (zh) * | 2024-03-25 | 2024-05-24 | 国网黑龙江省电力有限公司佳木斯供电公司 | 一种零碳乡村综合能源管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117613421B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102354112B1 (ko) | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 | |
WO2020191801A1 (zh) | 基于灰狼群优化lstm网络的锂离子电池剩余寿命预测方法 | |
WO2020191800A1 (zh) | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 | |
CN117613421B (zh) | 一种基于神经网络的储能电池组管理系统的均衡方法及介质 | |
CN102129397A (zh) | 一种自适应磁盘阵列故障预测方法及系统 | |
Huang et al. | A control strategy based on deep reinforcement learning under the combined wind-solar storage system | |
CN116683588B (zh) | 锂离子电池充放电控制方法及系统 | |
CN111144552A (zh) | 一种粮食品质多指标预测方法及装置 | |
CN111311001B (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
KR102656115B1 (ko) | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 | |
CN115983485A (zh) | 一种发电厂碳排放的预测方法及系统 | |
CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
CN116562514A (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及系统 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及系统 | |
CN113884936B (zh) | 一种基于issa耦合delm的锂离子电池健康状态预测方法 | |
Wen et al. | Short-term load forecasting with bidirectional LSTM-attention based on the sparrow search optimisation algorithm | |
CN114049014A (zh) | 海上风电机组运行状态评估方法、装置及系统 | |
Zequera et al. | Data Science-based Techniques for Modelling and Diagnostics of Battery Cells Based on End-of-Life criteria | |
CN117220318B (zh) | 电网数字化驱动控制方法及系统 | |
CN115938104B (zh) | 一种动态短时路网交通状态预测模型及预测方法 | |
CN117578534B (zh) | 光伏储能系统的调度方法、装置、设备及存储介质 | |
Lei et al. | A Deep Learning Model Based on the Introduction of Attention Mechanism is Used to Predict Lithium-Ion Battery SOC | |
CN117977028B (zh) | 基于车辆电池监测的智能充电方法及系统 |
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 |