一种数字镜像下的电池储能系统状态估计预警方法

技术领域：

本发明涉及电池储能系统，具体涉及一种数字镜像下的电池储能系统状态估计预警方法。

背景技术：

随着新能源发电规模和装机容量的提升，用于平衡新能源和电网矛盾的储能系统开始迈向更大规模、容量的方向前进。与此同时，在电动汽车广泛地应用下，电池储能系统获得了长足的发展应用。但是，储能电池自身的电化学过程导致其在不合理的监控管理过程中存在较大的安全隐患，国内对此报道屡见不鲜。因此，掌握储能电池的运行机理、解析储能电池的精确模型、开发状态评估以及预警管控技术的是进一步提升储能电池深入应用的关键问题。

目前，对于电池建模的常用建模方法有机理法、等效电路法和基于数据的实验方法。在基于机理的建模方法中，需要利用数学公式刻画出电池充放电的电化学过程，此类方法的优势在于可以准确清楚地描述出电池的运行过程，但电池的电化学过程极度复杂、涉及多物理场域的耦合问题，难以准确评估；而基于等效电路法将锂电池的运行的相关过程等效为等值的物理电气元件，利用电路解算形成对电池电气外特性的有效评价，比较经典的等效电路模型有Thevein模型、PNGV模型等，其优势在于大大简化了储能电池的模型，利用系统辨识的方式整定模型参数，完成电池数字化建模过程；基于数据驱动的建模过程与基于机理和等效电路的相同之处在于均需要实际实验数据，但其不同之处在于不需要掌握电池原理，只根据大量的数据表征出电池输入和输出的函数关系，其主要问题在于优化的参数众多、需要数据量大，且不同电池间函数的差异往往需要重新计算建模。而在电池状态评估领域，目前主要围绕储能电池的剩余能力状态、健康程度进行分析，常见的卡尔曼估计及改进方法、现状发展火热的深度学习方法和人工智能技术共同推动着储能电站状态评估体系的发展。但是，对于储能电池模型和估计结合的数据-模型体系下的预警管控体系尚不成熟。

发明内容:

本发明围绕储能电池的预警问题，从储能电池物理系统与模型偏差为切入点，提出一种基于数据和模型混合的储能电池和预警方案，为电池储能电站大规模安全应用奠定基础。具体技术方案如下：

一种数字镜像下的电池储能系统状态估计预警方法，包括下述步骤：

步骤1：先采集若干个储能电池在正常运行状态下的多个时刻的样本，第k个电池在t时刻的电流I

步骤2：计算电压偏差ΔU

步骤3：整合K个电池电压偏差和SOE偏差组成矩阵A，并按行归一化处理；然后，计算归一化矩阵各列的相似度，选择相似度低的典型代表构建记忆矩阵M；

步骤4：根据实时新测储能电池和模型的电压ΔU

步骤5：统计分析预测偏差值的情况，判断电池是否正常，形成对储能电站状态的评估和预警。

与最接近的现有技术相比，本发明的优异效果是：本发明技术方案中，利用电池正常状态的实测数据和电路等效模型，建立了电池正常状态下的数学模型，并历史上真实物理系统的测量值与数学模型模拟值的偏差形成用于电池状态估计和预警的记忆矩阵，通过对偏差值的相似度计算，精简出具有代表性的偏差状态，可以有效且简约地描述出实际运行储能电池监测量和电池正常值的偏差行为，然后基于记忆矩阵可以快速地计算出当前储能电池与模型计算值偏差的预测值，进而简单地形成对当前储能电池状态的评估，相比于目前已有方法，本发明方法较为简单、计算量低、易实现，并且通过实际运行值和模型值的偏差描述，降低了储能电池长期运行数据对记忆矩阵的影响，有助于提高储能电站状态的稳健预警。

附图说明：

图1本发明方法流程示意图。

图2是锂电池一阶Thevenin等效电路示意图。

图3是本发明实施例中步骤3.4中构建记忆矩阵M流程示意图。

图4是电池状态预警判断流程示意图。

具体实施方式：

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。

本发明提供了一种数字镜像下的电池储能系统状态估计预警方法，图1展示出了本实施例中的所述方法实施过程的流程图；一种数字镜像下的电池储能系统状态估计预警方法，包括下述步骤：

步骤1：获取数据构建电池数学模型；

步骤1.1：采集K个储能电池在正常运行状态下的T个时刻的电流、电压和能量状态数据，其中第k个电池在t时刻的电流I

步骤1.2：根据电池等效电路模型，获得第k个储能锂电池输出电压

步骤1.3：基于步骤1.1所测得K个储能电池正常状态下T个时刻的电流、电压和能量状态数据，利用参数整定方法计算出储能电池数学模型参数，完成K个储能电池的模型建立；

步骤2：计算历史测量数据与模型数据的偏差；具体如下：

步骤2.1：将步骤1.1所测储能电池的电流输入至步骤1.3生成的数学模型中，可以计算出第k个储能电池在t时刻的输出电压

步骤2.2：计算电压模型值和实测值的偏差，计算能量状态模型值和实测值的偏差，其中计算第k个储能电池在t时刻的数学模型计算值

步骤3：根据偏差相似度选择典型代表，构建记忆矩阵M；

步骤3.1：将步骤2所得K个储能电池在1～T时间内的电压偏差ΔU

步骤3.2：对矩阵A中的数据按行进行归一化处理获得矩阵B，归一化后矩阵B

步骤3.3：计算步骤3.2中矩阵B各列向量的相似度，其中第p列和第q列的相似度

步骤3.4：去除相似度高的列向量，选择相似度低的典型代表，形成记忆矩阵M；具体操作过程如下：

步骤3.4.1：令p＝1，q＝2，定义相似度阈值δ；

步骤3.4.2：计算矩阵B中第p列和第q列的d(p,q)，若d(p,q)≥δ，则删除矩阵B的第q列，否则保留第q列，q＝q+1直至q值到达矩阵B的最大列数；

步骤3.4.3：判断p是否矩阵B的最大列数，若否，则令p＝p+1，q＝p+1并返回步骤3.3.2，若是，则矩阵B退化成的新矩阵定义为记忆矩阵M；

步骤4：根据记忆矩阵M求解实时测量电池数据与模型数据偏差的预测值；

步骤4.1：实时新测储能系统K个电池在n时刻的电流、电压和能量状态，其中第k个储能电池的电流I

步骤4.2：计算K个储能电池在n时刻的电压偏差和SOE偏差，其中第k个储能电池的电压偏差

其中

步骤4.3：根据步骤3.3所得记忆矩阵M和步骤4.2所得向量C

Η＝[h

步骤5：分析偏差预测值的情况，判断储能电池是否正常，形成预警方案；

步骤5.1：基于记忆矩阵计算矩阵B中各个列向量的预测值，构成矩阵

统计误差矩阵

步骤5.2：判断步骤4.3中获得第n个时刻的预测值向量H是否满足H∈(μ-3σ,μ+3σ)，若满足则在n个时刻全部储能电池均处于正常状态；假设index为奇数，若第index行和第index+1行均不满足h