一种神经网络融合的电池储能系统SOC评估方法

技术领域

本发明属于电池储能系统智能运维领域，具体涉及一种神经网络融合的电池储能系统SOC评估方法。

背景技术

为响应双碳战略和促进清洁电能转型，作为一种灵活的储能资源，电化学储能近年来发展迅猛，其中锂电池以其高能量密度、长循环使用寿命等优势逐渐成为主力军。为了提高电池储能系统的应用性能，精准的SOC评估不可或缺。SOC描述的是电池在当前状态下的剩余可用电量，对储能系统而言表征着电池在特定条件下可持续充电或放电的时长。因此，SOC估计可以及时更新电池的剩余容量，防止发生过充和过放电现象，提高电池的充放电效率，延长其使用寿命。目前虽然已经开展了较多SOC评估的研究，但主要分析对象为电池单体，对电池储能系统的研究还较少，电池储能系统在单元数量、拓扑结构、元素耦合程度、运行特性等方面较电池单体更为复杂，分析难度更大。

发明内容

为克服现有技术的缺点，本发明提出一种神经网络融合的电池储能系统SOC评估方法。利用经验模态分解算法将SOC数据进行多时间尺度分解，然后利用样本熵进行复杂性分析，以样本熵平均值为指标，将复杂性相似的分量进行分类聚合，进而利用总电压、电流、绝缘电阻、平均电压、平均温度和累计充电电量六个输入因素，通过多神经网络融合算法进行SOC分频段预测，从而提高电池储能系统SOC的评估精度。

为达到上述目的，本发明采用的技术方案如下：

一种神经网络融合的电池储能系统SOC评估方法，利用经验模态分解算法将SOC数据进行多时间尺度分解，然后利用样本熵进行复杂性分析，以样本熵平均值为指标，将复杂性相似的分量进行分类聚合，进而利用总电压、电流、绝缘电阻、平均电压、平均温度和累计充电电量六个输入因素，通过多时间尺度神经网络融合算法进行SOC分频段预测，从而提高电池储能系统SOC的评估精度。

进一步地，采用离差标准化，将输入和输出数据进行线性变化，使其取值在[0,1]之间。

式中，data为某一输入样本；max(data)为输入样本的最大值；min(data)为输入样本的最小值；d为归一化后数据值。

进一步地，为了评价电池储能系统SOC的预测精度，采用均方根误差RMSE进行表述，计算公式如下所示：

/>

式中，y

进一步地，所述经验模态分解算法包括：

所述经验模态分解算法将信号序列分解为一系列关于时间轴对称的固有模态函数c

信号x(t)经经验模态分解算法分解后的表达式为：

利用经验模态分解算法对SOC曲线进行分解，获得12个IMF分量和1个残余分量，12个IMF分量的频率依次减小，残余分量单调递减。

进一步地，所述样本熵的计算如下：

假设时间序列{x

1)将序列{x

2)定义X(i)与X(j)之间的距离d

对于每一个i值计算X(i)与其余矢量X(j)(j＝1,2,…,N-m+1&j≠i)之间的d

3)给定相似容限r(r>0)，统计每一个i值的d

式中，j＝1,2,…,N-m+1&j≠i；num为d

该过程定义为X(i)模板匹配过程，

4)获取

5)增加维数为m+1，重复步骤1)至3)，则B

由此获取样本熵定义：

当N取有限值时，样本熵估计值为：

利用样本熵计算每一个IMF分量的值，从而将SOC曲线分为高频段和低频段，其中，所述高频段由12个IMF分量中样本熵最大的五个分量组成，所述低频段由12个IMF分量中剩余的七个分量加残余分量组成。

进一步地，所述多时间尺度神经网络SOC预测通过前馈神经网络和长短时记忆神经网络实现；

利用所述前馈神经网络和长短时记忆神经网络分别对所述高、低频段进行预测。

有益效果：

现有技术中的常规分析主要是针对电池单体，对电池储能系统的SOC分析较少；大多数神经网络预测方法主要采用单一模型，在对不同研究主体进行分析时，很难一直保持良好的性能，本发明采用多种神经网络融合方法进行电池储能系统SOC分频段预测，能够提高其预测精度；常规分析主要以电池单体的电压、电流和温度三类数据作为模型输入，本发明采用总电压、电流、绝缘电阻、平均电压、平均温度和累计充电电量六类数据，数据类型更多维更丰富；采用经验模态分解将数据分为不同的频段，但在频段重构方面没有固定的方法，本发明提出应用样本熵平均值作为评价指标，进而实现高频段和低频段的分类聚合。

附图说明

图1为电池储能系统SOC示意图；

图2为电池储能系统总电压；

图3为电池储能系统电流；

图4为电池储能系统绝缘电阻；

图5为电池储能系统平均电压；

图6为电池储能系统平均温度；

图7为电池储能系统累计充电电量；

图8a，图8b，图8c为IMF和残余分量；其中，图8a为IMF1-IMF4分量；图8b为IMF5-IMF8分量；图8c为IMF9-IMF12分量和残余分量；

图9为各IMF分量的样本熵；

图10为SOC高频段分量；

图11为SOC低频段分量；

图12为基于BP的高频段分量预测结果；

图13为基于LSTM的低频段分量预测结果；

图14为BP与LSTM组合预测结果。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明的神经网络融合的电池储能系统SOC评估方法选取电池储能系统的总电压、电流、绝缘电阻、平均电压、平均温度和累计充电电量六个参量进行SOC(荷电状态)状态预测，采样间隔为1min，时长为5760min，如图1至图7所示。利用BP神经网络和长短时记忆神经网络对电池储能系统SOC进行预测，采用前80％作为训练数据，后20％作为测试数据。

为了更好地利用数据驱动算法对SOC进行评估，需对样本数据进行预处理，以防止较大的梯度更新。本发明采用离差标准化，将输入和输出数据进行线性变化，使其取值在[0,1]之间。

式中，data为某一输入样本；max(data)为输入样本的最大值；min(data)为输入样本的最小值；d为归一化后数据值。为了评价电池储能系统SOC的预测精度，采用均方根误差RMSE进行表述，计算公式如下所示：

式中，y

本发明利用经验模态分解算法将SOC数据进行多时间尺度分解，然后利用样本熵进行复杂性分析，以样本熵平均值为指标，将复杂性相似的分量进行分类聚合，进而利用总电压、电流、绝缘电阻、平均电压、平均温度和累计充电电量六个输入因素，通过多时间尺度神经网络融合算法进行SOC分频段预测，从而提高电池储能系统SOC的评估精度。所述经验模态分解算法为：

经验模态分解(EMD)算法不需要预先定义基函数，只需根据信号自身的时间尺度特征进行分解，即可获取局部化特征，非常适用于处理非线性非平稳随机信号。

EMD将信号序列分解为一系列关于时间轴对称的固有模态函数(IMF)c

利用EMD算法对图1中的SOC曲线进行分解，分解后曲线如图8所示，共12个IMF分量和1个残余分量。从IMF1到IMF12，频率依次减小，残余分量单调递减。

所述样本熵包括：

数据序列越复杂，样本熵值就越大，反之，越小，原理如下：

假设时间序列{x

1)将序列{x

2)定义X(i)与X(j)之间的距离d

对于每一个i值计算X(i)与其余矢量X(j)(j＝1,2,…,N-m+1&j≠i)之间的d

3)给定相似容限r(r>0)，统计每一个i值的d

式中，j＝1,2,…,N-m+1&j≠i；num为d

4)进而获取B

5)增加维数为m+1，重复步骤1)至3)，则B

由此可获取样本熵定义：

当N取有限值时，样本熵估计值为：

样本熵的取值与m、r有关，但其一致性较好，熵值的变化趋势不受m和r的影响，本发明取m＝2，r＝0.2SD(r一般为0.1～0.25SD，其中SD为时间序列的标准差)。

利用样本熵计算每一个IMF分量的值，如图9所示。随着IMF分量频段频率的降低，样本熵数值大致呈逐渐降低趋势，即随着频率的降低，数据的波动变小，复杂度降低，自相似度较好。IMF1-IMF5具有较大的样本熵值，在IMF5与IMF6之间样本熵大幅度降低，IMF6-IMF12具有较小的样本熵值，且大致线性降低，数值均小于0.1；另外，求取样本熵平均值为0.3028，IMF1-IMF5的样本熵值在平均值之上，而IMF6-IMF12数值均在平均值之下。因此将SOC曲线分为两个频段，高频段由IMF1-IMF5五个分量组成，低频段由IMF6-IMF12七个分量加残余分量组成。高频段如图10所示，低频段如图11所示。

所述多时间尺度神经网络融合算法进行SOC预测包括：

前馈(BP)神经网络由一个输入层i，一个或多个隐含层j和一个输出层O组成，具有高效的非线性映射能力、泛化能力以及良好的容错性。

长短时记忆神经网络(LSTM)能够高效地学习并获取时序数据的非线性特征，可以有效解决梯度爆炸或消失的问题。

利用BP和LSTM两种策略分别对高、低频段进行预测，预测结果如表1所示。BP对高频段分量进行预测时，其精度大幅度提高，RMSE仅为0.0463；对低频段分量进行预测时，RMSE为0.1529；预测后的高频段分量和低频段分量进行重构，由于数据之间的互补性，重构后的RMSE为0.01442，由此可以看出分段预测的方式比直接预测的精度要高。基于LSTM时，高低频段的预测误差和直接预测类似，但重构后，整体的预测精度有一定程度的提高。由此可见，SOC分频段后，每个频段的规律性增强，采用相同神经网络算法进行预测时，其精度会有一定程度的改善；再加上预测频段重构后，其数据存在一定程度上的互补性，重构后的数据精度也会提高。

表1不同算法的高低频段预测结果

为了进一步验证分频段预测的优势，由于BP计算速度较快，对高频段分量进行预测，如图12；利用LSTM对低频段分量进行预测，如图13；预测后进行数据重构，如图14；从表2可以看出，不同神经网络相结合，也能够提高SOC预测的精度，因此，采用分频段预测比直接预测能够提高SOC的预测精确度。再者，从计算时间来看，BP进行高频段预测耗时为0.1672s，LSTM进行低频段预测时耗时235.18s，两者共耗时约为235.35s，比LSTM不分频预测时的373.75s，也能节约37.03％的时间。

表2组合算法预测结果

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。