基于优化LSTM模型的超级电容储能电池剩余容量估计方法

本发明属于超级电容储能电池剩余容量估计，具体涉及一种基于优化lstm模型的超级电容储能电池剩余容量估计方法。

背景技术：

1、随着科技的发展，很多情况下对储能技术的要求越来越高，不仅仅要求储能量大，而且还要求可以做到精准控制储能的程度。准确地检测到剩余容量是储能技术中很重要的一个指标。国际上对电池的剩余容量的研究普遍都是采用的soc估计方法，研究相对比较成熟，大多数的文献也是使用的这种方法。soc是用于估计当前电化学或者化学储能电池容量的参数状态。通过准确，可靠的参数状态进行储能电池的能量管理和功率控制，从而可以更好地使用储能电池组，并可以扩展储能电池的使用范围。

2、当前，有两种定义soc的主要方法。一种是从电力的角度来看，另一种是从能源的角度来看。本发明采用数据处理来进行剩余容量的估计，用时序数据的建模方法来进行数据预测。

技术实现思路

1、本发明提供一种基于优化lstm模型的超级电容储能电池剩余容量估计方法，避开了对传统的soc电荷状态的计算，而是采用时序数据的神经网络分析方法，只对数据进行分析处理，最后得出对超级电容储能电池的剩余容量进行估计。

2、本发明解决其技术问题所采用的技术方案是：一种基于优化lstm模型的超级电容储能电池剩余容量估计方法，包括以下步骤：

3、步骤s1、构建超级电容电路模型：

4、根据所需模拟的超级电容的电压、电流、内阻、功率、容量，构建超级电容电路模型；

5、步骤s2、采集构建数据集：

6、将步骤s1中构建的超级电容电路模型进行放电，然后采用电力电子技术中的直流斩波技术以及pwm控制电路采集数据集所需参数，数据集所需参数包含时间、阻性负载的电压电流、感性负载的电压电流、容性负载的电压电流；

7、步骤s3、对数据进行预处理：

8、只对步骤s2构建的数据集中的阻性负载进行分析，采用指数平滑法对阻性负载的电压电流数据进行预处理；

9、步骤s4、构建convlstm模型进行验证，通过soc曲线判断模型效果。

10、作为本发明的进一步优选，步骤s2构建的数据集中时间序列为x1,x2,...,xn。

11、作为本发明的进一步优选，步骤s3中具体分析步骤如下：

12、步骤s3-1、设定时间序列x1,x2,...,xn的一次指数平滑数列的递推公式为:

13、

14、递推公式(1.1)中，是在第t时间点的一次指数平滑值，a为平滑系数；递推公式(1.1)中，初始值常用时间序列的首项x1；

15、步骤s3-2、关于平滑系数，将递归公式(1.1)扩展为：

16、

17、公式(1.2)中i为第i个变量，从公式(1.2)看出，由于0<a<1，xi的系数a(1-a)i随着i的增加而递减，注意到这些系数之和为1，即：

18、

19、作为本发明的进一步优选，步骤s4具体包括以下步骤：

20、步骤s4-1、使用encoding结构中的convlstm单元对数据进行编码和压缩；

21、步骤s4-2、将步骤s4-1中编码和压缩后的信息传递给forecasting中的convlstm单元进行解码；

22、步骤s4-3、根据误差计算各个权重的梯度，然后根据该梯度上下调整相应的权重，获得最终预测，convlstm的预测过程可以表示为：

23、xt+1,...,xt+n＝gforecasting(fencoding(xt-k+1,xt-k+2,...,xt))

24、其中，fencoding为梯度函数、gforecasting为预测函数；

25、步骤s4-4、绘制soc曲线。

26、通过以上技术方案，相对于现有技术，本发明具有以下有益效果：

27、在目前阶段，电池的剩余容量估计系统的soc算法是一套非常成熟的预测算法。并且在市面上的电池之中十分普及应用也及其广泛。本发明设计的这套超级电容的估算系统，是基于对超级电容的储能特性并不是十分了解的情况下设计出来的。因此采集出来的电压电流数据避开了对传统的soc电荷状态的计算，而是采用时序数据的神经网络分析方法，只对数据进行分析处理，最后得出对超级电容储能电池的剩余容量进行估计。最后经过一系列的处理，得出的结论，预测值的误差范围与实际值仅相差2％到10％。

技术特征：

1.一种基于优化lstm模型的超级电容储能电池剩余容量估计方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于优化lstm模型的超级电容储能电池剩余容量估计方法，其特征在于：步骤s2构建的数据集中时间序列为x1,x2,...,xn。

3.根据权利要求2所述的一种基于优化lstm模型的超级电容储能电池剩余容量估计方法，其特征在于，步骤s3中具体分析步骤如下：

4.根据权利要求3所述的一种基于优化lstm模型的超级电容储能电池剩余容量估计方法，其特征在于，步骤s4具体包括以下步骤：

技术总结
本发明属于超级电容储能电池剩余容量估计技术领域，具体涉及一种基于优化LSTM模型的超级电容储能电池剩余容量估计方法，本方法包括以下步骤：步骤S1、构建超级电容电路模型；步骤S2、采用电力电子技术中的直流斩波技术以及PWM控制电路采集数据集所需参数，构建数据集；步骤S3、只对步骤S2构建的数据集中的阻性负载进行分析，采用指数平滑法对阻性负载的电压电流数据进行预处理；步骤S4、构建ConvLSTM模型进行验证，通过SOC曲线判断模型效果。本方法避开了对传统的SOC电荷状态的计算，而是采用时序数据的神经网络分析方法，只对数据进行分析处理，最后得出对超级电容储能电池的剩余容量进行估计。

技术研发人员：吕涵峰,王林,王义兵
受保护的技术使用者：盐城工学院
技术研发日：
技术公布日：2024/1/16