[发明专利]一种数字镜像下的电池储能系统状态估计预警方法

说明书

本发明涉及一种数字镜像下的电池储能系统状态估计预警方法。方法包括下述步骤：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，基于电池的电路等效模型，形成第k个电池的数学模型，输入各个t时刻的电流值I_k(t)，获得模型输出和计算电压偏差ΔU_k(t)和SOE偏差ΔE_SOE,k(t)；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；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；利用记忆矩阵求解出预测偏差值；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。本发明方法较为简单、计算量低、易实现。

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_k(t)、U_k(t)和E_SOE,k(t)，基于电池的电路等效模型，根据第k个电池的电流、电压和SOE数据利用参数整定方法计算出电路等效模型的参数，形成第k个电池的数学模型，输入各个t时刻的电流值I_k(t)，获得模型输出和

步骤2：计算电压偏差ΔU_k(t)和SOE偏差ΔE_SOE,k(t)；

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_k(n)、SOE偏差ΔE_SOE,k(n)，利用记忆矩阵求解出预测偏差值；

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。