参与一次调频的储能电池老化抑制控制方法

技术领域

本发明涉及储能电池优化技术领域，特别是涉及参与一次调频的储能电池老化抑制控制方法。

背景技术

近年来储能电池技术迅速发展，其快速的响应特性和精确的功率跟踪能力使其在参与电网辅助调频任务方面具有显著优势。当电网的频率偏离额定值时，储能电池可以通过一次调频控制自动地增减有功功率，限制电网频率变化，支撑电网频率维持稳定。然而，不规则的充放电工况以及频繁变化的运行条件使得电池能量损失严重、利用率低，随着循环次数增加，电池寿命面临急剧衰减的风险，甚至导致电池不能再有效提供各种电网辅助服务，影响电网的安全稳定运行。因此抑制储能电池老化不仅能够提高电池的寿命和性能，减少电池更换和维护成本，增强能源存储系统的可持续性，还有助于提高电池的安全性，避免可能的事故和故障风险。

当前，抑制储能电池老化存在以下技术关键：

精确预测电池老化：通过建立电池老化模型，结合电池实时运行数据，精确预测电池老化过程中的性能衰减和剩余寿命。

动态功率管理：在实际运行过程中，根据电池的老化情况和预测信息，实时调整电池的充放电功率，最小化老化速度。

恢复控制优化：根据恢复参考范围调整电池SOE(State ofEnergy,电池能量状态)和功率指令，减缓电池老化速度，同时确保电池能够正常参与电力系统任务。

在实施抑制储能电池老化的控制方法时，还面临以下主要难点：

安全性与性能平衡：需要在确保电网安全运行的前提下实施抑制电池老化的策略，有效实现缓解老化与响应电网任务的平衡。

电池老化模型精确性：建立准确的电池老化模型是关键，需要结合实际运行数据和实验验证来提高模型的准确度。

系统可行性与实时性：抑制电池老化的算法和策略需要通过实际系统或具有较高精度的老化评估模型的验证，并具备实时性和可行性，才能在实际应用中发挥作用。

发明内容

针对上述现有技术中存在的技术问题，本发明提供了参与一次调频的储能电池老化抑制控制方法。该方法包括

若电网频率偏差位于调频死区，则启动SOE恢复：

使用LSTM(Long Short-Term Memory，长短期记忆网络)预测储能电池的SOE数据，并提取CDS(Charging or Discharging Segment,充电或放电片段)分段；

计算电网频率偏差回到调频死区的时刻t(k)到CDS分段结束时SOE的变化量

式中，t(m)和t(n)分别为CDS分段开始和结束的时刻；

若

式中，μ(t)为当前时刻储能电池的SOE；μ

若

若

若

式中，μ

相应地，若电网频率偏差不位于调频死区，则储能电池参与一次调频，一次调频控制机制根据电网频率偏差调节储能电池的输出功率。

优选地，上述使用LSTM预测储能电池的SOE数据，并提取CDS分段包括：根据波动方向将SOE数据分段，将波动小于预设值的分段用直线代替，并提取CDS分段。

优选地，使用LSTM预测储能电池的SOE数据具体包括：将周期性迭代的历史SOE数据输入基准层LSTM进行预测，得到SOE的参考预测值，根据多个参考预测值构建SOE数据折线。

进一步地，将参考预测值与实时SOE对比得到校正误差，将校正误差输入校正层LSTM，得到下一时刻SOE的预测修正值，结合参考预测值与预测修正值得到SOE的预测值，根据多个预测值构建SOE数据折线。

可见，本发明针对SOE进行分段处理，储能电池在不同SOE区间内使用充放电功率控制进行恢复，有效减小了SOE恢复功率对电网的冲击，同时降低了储能电池恢复动作的次数，提高其寿命。此外，储能电池只在电网频率偏差不位于调频死区参与一次调频，避免了在调频死区中反复恢复动作，实现了抑制电池老化的技术效果。

各优选方案在取得上述有益效果的同时，进一步地还取得了以下有益效果：在SOE数据处理过程中，将波动小于预设值的分段用直线代替有利于后期识别CDS分段，提升工作效率；根据LSTM预测SOE值优化调整电池的SOE恢复策略，可充分利用储能电池参与一次调频时的充放电趋势来进行SOE恢复，避免SOE过高或过低，有效缓解储能电池在参与一次调频时的加速老化，提升其寿命周期；进一步地，基于双层LSTM滚动预测的电池充放电信息，可更准确地预测出储能电池的SOE值。

附图说明

图1是本发明中基于双层LSTM抑制储能电池老化的控制流程示意图。

图2是本发明中基于双层LSTM滚动预测储能电池SOE的流程示意图。

图3是本发明中SOE预测值的滤波处理示意图。

图4是本发明中基于单、双层LSTM预测储能电池SOE的结果示意图。

图5是本发明中储能电池的老化程度增量对比示意图。

具体实施方式

下面发明人将结合附图和具体实施例对本发明做进一步详细说明。

现有技术中，电池储能系统在电网中的渗透率不断升高，需要为电网提供不同类型辅助服务，其中一次调频即为电池储能系统参与电网调控的主要场景。然而，储能电池在为电网提供一次调频时需频繁充放电，对电池的老化特性和循环寿命影响较大。

本发明针对参与一次调频的储能电池提出了一种老化抑制的控制方法，其控制流程如图1所示，包括：

首先，如图2所示，基于长短期记忆网络对储能电池SOE进行预测：

将周期性迭代的历史SOE数据输入基准层LSTM进行预测，得到SOE的参考预测值，根据多个参考预测值构建SOE数据折线，并提取CDS分段。

优选地，还可以将参考预测值与实时SOE对比得到校正误差，将校正误差输入校正层LSTM，得到下一时刻SOE的预测修正值，将参考预测值与预测修正值相加得到SOE的预测值，根据多个预测值构建SOE数据折线，再提取CDS分段。

其次，优选地，预测出的SOE数据在应用于恢复策略设计之前应进行预处理。如图3所示，首先根据SOE数据波动方向对其进行分段，其中曲线的转折点被记录为分段的端点。然后对SOE波动较小的片段依据设定阈值进行滤波处理(大于设定阈值则保留波动趋势，小于阈值则直线代替)，并提取对应的CDS分段。

若电网频率偏差位于调频死区δ

式中，t(m)和t(n)分别为CDS分段开始和结束的时刻；

式中，μ(t)为当前时刻储能电池的SOE；μ

若

式中，μ

若电网频率偏差不位于调频死区δ

其中，调频死区δ

式中，K

以下将通过一个实施例对本发明进行进一步的说明。

实施例1

本发明通过Matlab软件对提出的控制方法进行了实施例验证。本实施例选取某实际电网2021上半年的频率偏差数据Δf进行运行工况模拟(采样间隔为5分钟)，并与目前传统的调频死区SOE恢复控制进行对比。双层LSTM滚动预测模型参数设置见表1，SOE恢复控制参数设置见表2。

表1.双层LSTM滚动预测模型参数设置

表2.SOE频率死区恢复控制参数设置

在基于双层LSTM的SOE滚动预测中，预测周期可以根据实际情况调整。本实施例的预测周期为24h(按照5分钟的采样频率，24h的数据样本数目为288)，LSTM预测的学习数据都是来源于上一个预测周期中的真实数据，进而滚动更新网络参数，提高预测准确性。如图4所示，预测结果展示时间长度为10天的预测结果对比。其中单层LSTM指的是只有基准预测层LSTM，双层指的是含有基准预测层和误差校正层的LSTM，与真实数据对比，可以明显看出双层LSTM的预测精度得到提高，有效降低了预测的误差。

为体现本发明对于抑制电池老化的有效性，本实施例将设置无SOE恢复控制、传统SOE恢复控制作为本发明所提出的SOE恢复控制方法的对照组，对比三种方法下电池老化情况的差异。

传统方法的SOE恢复策略基于两个判断步骤实现。

第一，判断频率是否超过调频死区。与本发明相同，只有当频率位于死区范围内时，SOE恢复才会生效，否则储能电池应提供频率控制。

第二，判断SOE实时值是否等于参考值μ

本发明采用经验模型(B.Xu,A.Oudalov,A.Ulbig,et al.,“Modeling ofLithium-IonBatteryDegradationforCell LifeAssessment,”IEEE Trans.Smart Grid,vol.9,no.2,pp.1131–1140,2018.)来评估电池的容量损失，该模型同时考虑了日历老化和循环老化，与实验老化结果对比显示具备较高精度。

图5显示了在181天内储能电池向电网提供一次调频时电池的老化程度增量，其中对比了无SOE恢复策略、SOE传统恢复策略和本发明的恢复控制的结果。如图5所示，SOE传统恢复策略和本发明的恢复控制都可以减小电池的老化程度增量，但本发明的恢复控制的效果更好。传统策略缺乏灵活性，没有考虑调频动作本身带来的SOE变化，若电池由较高的SOE通过调频死区放电恢复过后电池持续调频放电，既增加了电池额外的动作次数，又进一步降低了SOE水平，从而影响缓解电池老化的效果。相比于传统恢复策略的频繁动作，本发明的恢复控制可以估计SOE的未来变化，利用一次调频趋势自适应改善恢复电池SOE水平，有效电池降低循环次数，实现电池老化的缓解。

可见，本发明针对SOE进行分段处理，储能电池在不同SOE区间内使用充放电功率控制进行恢复，有效减小了SOE恢复功率对电网的冲击，同时降低了储能电池恢复动作的次数，提高其寿命。此外，储能电池只在电网频率偏差不位于调频死区参与一次调频，避免了在调频死区中反复恢复动作，实现了抑制电池老化的技术效果。

各优选方案在取得上述有益效果的同时，进一步地还取得了以下有益效果：在SOE数据处理过程中，将波动小于预设值的分段用直线代替有利于后期识别CDS分段，提升工作效率；根据LSTM预测SOE值优化调整电池的SOE恢复策略，可充分利用储能电池参与一次调频时的充放电趋势来进行SOE恢复，避免SOE过高或过低，有效缓解储能电池在参与一次调频时的加速老化，提升其寿命周期；进一步地，基于双层LSTM滚动预测的电池充放电信息，可更准确地预测出储能电池的SOE值。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。