退役动力电池梯次利用政策智能模拟方法及装置与流程

1.本文件涉及电网管理技术领域，尤其涉及一种退役动力电池梯次利用政策智能模拟方法及装置。


背景技术：

2.随着第一代电动汽车接近报废年限，大量退役动力电池将开始进入市场。动力电池梯次利用对于促进循环经济发展具有重要意义，发展循环经济作为提升资源利用效率、减少温室气体排放的重要路径，可实现资源的闭路循环，有效促进资源节约集约循环利用，对保障国家资源安全，以及高水平建设生态文明，具有重大意义。
3.为评估政策是否能按预期有效激励退役动力电池回收，需要对政策影响开展事前预测评估分析，通过分析政策执行效果和外部条件变化对政策成效的影响分析，及时采用相应的解决措施，筛选符合退役动力电池发展的政策组合。
4.模糊系统抓住了人类语言模糊的特点，适合表达那些模糊或不定性的知识，这在政策文件等描述中广泛存在，但模糊系统缺乏学习和自适应能力，将模糊系统和神经网络结合起来已成为重要研究方向。采用神经网络的模糊控制，对知识的表达并不是显示的一条条规则，而是把这规则隐含在分布式式网络中，在实际控制应用中，不必进行复杂费时的规则搜索、推理，而只需要通过高速并行的分布式计算就可产生输出结果。模糊神经网络系统中输入、输出信号通过神经网络中输人、输出节点表示，神经网络中隐含层节点用来表示隶属函数和模糊规则，模糊系统推理能力在神经网络并行信息处理能力下大大提高。


技术实现要素：

5.本发明的目的在于提供一种退役动力电池梯次利用政策智能模拟方法及装置，旨在解决现有技术中的上述问题。
6.本发明提供一种退役动力电池梯次利用政策智能模拟方法，包括：
7.构建退役动力电池梯次利用政策知识化表达空间；
8.基于所述退役动力电池梯次利用政策知识化表达空间构建退役动力电池梯次利用政策智能模拟模型；
9.基于所述退役动力电池梯次利用政策智能模拟模型进行退役动力电池远景推理。
10.本发明提供一种退役动力电池梯次利用政策智能模拟装置，包括：
11.第一构建模块，用于构建退役动力电池梯次利用政策知识化表达空间；
12.第二构建模块，用于基于所述退役动力电池梯次利用政策知识化表达空间构建退役动力电池梯次利用政策智能模拟模型；
13.推理模块，用于基于所述退役动力电池梯次利用政策智能模拟模型进行退役动力电池远景推理。
14.采用本发明实施例，能够实现退役动力电池梯次利用政策智能模拟。
附图说明
15.为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
16.图1是本发明实施例的退役动力电池梯次利用政策智能模拟方法的流程图；
17.图2是本发明实施例的模糊神经网络的结构示意图；
18.图3是本发明实施例的退役动力电池梯次利用政策智能模拟装置的示意图。
具体实施方式
19.本发明实施例提供了一种退役动力电池梯次利用政策智能模拟方法，并对退役动力电池梯次利用政策空间构建、政策智能模拟算法进行了详细阐述。
20.为了使本技术领域的人员更好地理解本说明书一个或多个实施例中的技术方案，下面将结合本说明书一个或多个实施例中的附图，对本说明书一个或多个实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本说明书的一部分实施例，而不是全部的实施例。基于本说明书一个或多个实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本文件的保护范围。
21.方法实施例
22.根据本发明实施例，提供了一种退役动力电池梯次利用政策智能模拟方法，图1是本发明实施例的退役动力电池梯次利用政策智能模拟方法的流程图，如图1所示，根据本发明实施例的退役动力电池梯次利用政策智能模拟方法具体包括：
23.步骤101，构建退役动力电池梯次利用政策知识化表达空间；具体地，使用谓词逻辑表达法，对于梯次利用政策进行分类和整理，建立梯次利用政策数据库，对于政策和梯次利用发展规模潜力的关系进行综合和整理，建立梯次利用政策对状态影响的规则库。具体包括如下处理：
24.将政策元素中的应用场景通过场景少、场景较丰富、场景非常丰富3个元素进行表达；将政策元素中的循环利用率划分为四个等级，并通过4个元素进行表达；将政策元素中的补贴激励根据是否有补贴，补贴力度大小分为4个元素；将每一种政策根据不同执行力度进行分类，将三种政策元素的所有可能组合构建政策空间，在一个政策序列中，同一种政策只能且必须出现一次，并用唯一的政策代码表示，组成48组政策序列集合；通过梯次利用总成本、退役电池规模、梯次利用技术水平、循环利用水平、以及项目收益水平描述梯次利用状态，其中，梯次利用总成本、退役电池规模用数字直接表达，技术水平、循环利用水平、项目收益水平用模糊语言表达，构建建立梯次利用政策数据库；
25.采用if
–
then的形式来表达规则，并根据专家经验就可建立退役电池梯次利用政策对状态影响的规则库，其中，每个规则包含两个部分：第一部分：状态改变的操作、结果或结论；第二部分：操作的前提条件，if表示前提或条件，then表示操作、结论，当初始状态相同、采用的政策不同的情况下，各状态参数变化不同，当初始状态不同、采用的政策相同的情况下，各状态参数变化不同。
26.步骤102，基于所述退役动力电池梯次利用政策知识化表达空间构建退役动力电
池梯次利用政策智能模拟模型；具体包括：
27.确定输入变量为退役电池当前状态及政策参数，包括当前总成本、规模、循环利用水平、技术水平、投资收益水平、应用场景、循环利用率、补贴激励 8个输入变量参数，对应模糊神经网络的前件网络第一层：输入层；
28.分别为8个输入变量参数设置相应的隶属度函数，由隶属度函数完成输入变量模糊化，并对应模糊神经网络的前件网络第二层：模糊化层；
29.由训练数据获得形式为if前提或条件，then操作、结论的规则，对应模糊神经网络的前件网络第三层：规则层；
30.对规则进行归一化处理，对应模糊神经网络的前件网络的第四层：归一化层；
31.通过模糊神经网络利用神经网络算法机制将计算值与训练数据原期望误差值反向传回前件网络中，在训练过程中实现对隶属函数与规则权重的修正，得到最终网络模型，即前件网络结构；
32.通过前件训练的网络模型，后件网络基于前件训练所得隶属度函数、规则，计算最后输出退役电池下一个状态的5个变量：当前总成本、规模、循环利用水平、技术水平、以及投资收益水平；
33.基于历史数据对模糊神经网络进行训练，基于模糊神经网络构建退役动力电池梯次利用政策智能模拟模型，其中，所述模糊神经网络是由前件网络和后件网络2部分组成，前件网络用于匹配模糊规则，后件网络用于计算系统输出，所述前件网络包括输人层、模糊化层、规则层和归一化层；所述后件网络包括输入层、规则层和输出层组成，各层之间的关系为线性关系；
34.假设s0代表退役电池梯次电池产业初始状态，si，i＝1
…
n代表从初始状态向目标状态变化的n个中间状态，b＝《s0，sn，pb》，通过构建的退役动力电池梯次利用政策智能模拟模型求解一组满意的退役动力电池梯次政策序列 pb＝{pb1，pb2，
…
pbn}，在此政策序列下，目标状态sn已知时实现既定的梯次利用发展目标所用的成本最低，或在此政策序列下，目标状态sn未知时用最低成本实现最佳目标状态。
35.步骤103，基于所述退役动力电池梯次利用政策智能模拟模型进行退役动力电池远景推理。具体包括：确定退役电池初始状态的年份，从该年份开始，每两年推理一次，作为下一次推理初始状态，自由推理一定次数，获得所需年份的退役动力电池发展状态，所述包括退役动力电池发展状态总成本、规模、循环利用水平、技术水平、以及投资收益水平。
36.以下结合附图，对本发明实施例的上述技术方案进行详细说明。
37.1.退役动力电池梯次利用政策知识化表达空间构建
38.在政策量化表达时，要对与政策有关的各种概念进行分解和组织，使这些基本的概念可以用谓词逻辑表达法加以表示，并形成有条理的逻辑关系，构成一个完整的事件。这种表达法的基本单元是谓词，也就是将各种概念分解后得到的最小的单元。使用谓词逻辑表达法，计算机就可以识别有关政策条文及政策有关内容。通过这种方法，对于梯次利用政策进行分类和整理，就可以建立梯次利用政策数据库，对于政策和梯次利用发展规模潜力的关系进行综合和整理，就可以建立梯次利用政策对状态影响的规则库。
39.(1)对一般政策元素的表达
40.政策元素是最基本的政策单位，一般针对某个产业出台的政策总是有很多条政策
措施组成的，我们就称这些基本的政策措施为政策元素。它是组成政策序列的基本元素，换句话说，我们所采用的政策序列就是不同政策元素的组合。同一类的政策元素我们称之为政策单元。
41.推进退役动力电池梯次利用的政策重点可分为三类：
42.一是鼓励梯次应用场景政策。退役电池储能主要可应用在以下几个场景：第一，用于用户侧能源管理、移峰填谷，优化用户的用电曲线，降低用户的电费成本。第二，作为分布式储能系统，解决分布式发电(光伏\风电)波动性所面临的并网难题和调度难题。第三，配合家庭光伏发电，推广家用储能系统，提高自发自用率。第四，在通讯基站、物流车换电、大数据中心等用于移动电源、备用电源、应急电源等。场景越丰富，退役动力电池梯次利用前景越广阔。
43.二是强制梯次循环利用政策。政策方面强制对于余能检测后梯次利用的必须先进行梯次后才回收。
44.三是梯次利用补贴激励政策。
45.应用场景包括场景少、场景较丰富、场景非常丰富3个元素；循环利用要求包括4个元素；补贴激励根据是否有补贴，补贴力度大小分为4个元素。每一种政策可以根据不同执行力度进行分类，3种政策元素的所有可能组合构成了政策空间。在一个政策序列中，同一种政策只能且必须出现一次，并用唯一的政策代码表示，这样组成的政策序列集合有48组。政策组合代码为223的政策，即pb＝{aps(场景较丰富)，cyu(70％～90％)，sbi(补贴力度适中)}。
46.表1梯次利用政策元素表达
[0047][0048]
(2)梯次利用状态表达
[0049]
梯次利用状态可用梯次利用总成本、退役电池规模、梯次利用技术水平、循环利用水平、项目收益水平来描述。其中，梯次利用总成本、退役电池规模可用数字直接表达，技术水平、循环利用水平、项目收益水平用模糊语言表达。
[0050]
梯次利用总成本：电池成本、筛选重组成本、系统集成成本、运维成本。其中，电池成本约占总成本的40％，所以降本的核心是电池成本的下降，电池成本主要受储能技术水平、市场供需影响。
[0051]
退役电池规模。
[0052]
梯次利用技术水平：当前储能技术、集成技术仍处于商业化应用初期，未来技术进步仍有很大空间。
[0053]
项目收益水平：当前梯次利用经济性较差，难以盈利，因此企业梯次利用积极性不高，退役电池被直接回收金属来获取少量收益，未来需要通过政策补贴激励、商业模式、应
用场景、技术进步等多渠道来确保企业合理收益，促进梯次利用健康发展。
[0054]
实际循环利用水平：当前发展循环经济已成为国家绿色低碳发展重要内容。随着以风光为主的非化石能源大规模发展和电动汽车普及，海量动力电池退役梯次利用将成为循环经济发展重要组成部分。
[0055]
(3)政策与状态规则描述
[0056]
规则是建立推理模型的基础，它确定了模型的输入与输出之间的对应关系，规则采用if
–
then的形式来表达这种关系。每个规则包含两个部分：
[0057]
①
状态改变的操作、结果或结论；
[0058]
②
操作的前提条件。
[0059]
规则以下面的if
–
then的形式出现：
[0060]
if前提或条件，then操作、结论。
[0061]
基于这种表达方法，根据专家经验就可建立退役电池梯次利用政策对状态影响的规则库。
[0062]
1)当初始状态相同、采用的政策不同的情况下，各状态参数变化是不一样的。
[0063]
2)当初始状态不同、采用的政策相同的情况下，各状态参数变化是不一样的。
[0064]
2、退役动力电池梯次利用政策智能模拟模型
[0065]
(1)退役动力电池政策模拟思路
[0066]
已知梯次利用的初始状态，寻找一种法则，在此法则下，可以确定最佳的目标状态，或者在目标状态为已知的情况下，寻找出最为经济的政策序列来实现既定的目标状态，用数学语言描述如下：
[0067]
假设s0代表退役电池梯次电池产业初始状态，si(i＝1
…
n)代表从初始状态向目标状态变化的n个中间状态。
[0068]
b＝《s0，sn，pb》
[0069]
求解目标是求出一组满意的退役动力电池梯次政策序列pb＝{pb1，pb2，
…ꢀ
pbn}，在此政策序列下，政府实现既定的梯次利用发展目标所用的成本最低(目标状态sn已知)，或在此政策序列下政府用最低成本实现最佳目标状态(目标状态sn未知)。
[0070]
(2)基于模糊神经网络的退役动力电池政策模拟模型。
[0071]
模糊神经网络是将模糊系统和神经网络相互结合，利用模糊系统对不确定信息的处理能力和神经网络较强的学习能力，两者互相补充，相互融合。模糊系统中输入、输出信号通过神经网络中输人、输出节点表示，神经网络中隐含层节点用来表示隶属函数和模糊规则，模糊系统推理能力在神经网络并行信息处理能力下大大提高。
[0072]
模糊神经网络如图2所示，结构为：模糊神经网络是由前件网络和后件网络2部分组成。前件网络用来匹配模糊规则，后件网络用来计算系统输出。前件网络由输人层、模糊化层、规则层和归一化层组成；后件网络由输入层、规则层和输出层组成，各层之间的关系为线性关系。
[0073]
基于模糊神经网络的退役动力电池梯次利用政策智能模型构建如下：
[0074]
1)定义输入：输入变量为退役电池当前状态及政策参数，包括当前总成本、规模、循环利用水平、技术水平、投资收益水平、应用场景、循环利用率、补贴激励8个变量，对应前件网络第一层：输入层。
[0075]
2)输入参数的模糊化及其隶属度函数的建立。共8个输入变量参数，为每个输入变量设置隶属度函数，由隶属度函数完成输入变量模糊化，隶属度函数有很多，包括psigmf型、sigmoid型等，根据不同选择合适隶属度函数。对应前件网络第二层：模糊化层。
[0076]
3)规则的建立。由训练数据获得，对应前件网络第三层：规则层。形式为：if前提或条件，then操作、结论。
[0077]
4)规则的归一化。对规则进行归一化处理，对应前件网络的第四层：归一化层。
[0078]
模糊神经网络利用神经网络算法机制将计算值与训练数据原期望误差值反向传回前件网络中，在训练过程中不断实现对隶属函数与规则权重的修正，得到最终网络模型，也就是前件网络结构。
[0079]
5)定义输出：通过前件训练的网络模型，后件网络基于前件训练所得隶属度函数、规则，计算最后输出，即退役电池下一个状态，共5个变量：包括当前总成本、规模、循环利用水平、技术水平、投资收益水平，用out1，out2，
…
，out5表示。权系数bi(x)表示对于给定输入的第i条模糊推理规则的可信度值，yi,5分别对应第i条模糊推理规则的5个输出值。
[0080][0081]
(3)退役动力电池远景推理方法
[0082]
模糊神经网络模型构建结合2015—2020年退役电池政策和退役电池发展数据训练获得。之后，以2020年为退役电池初始状态，每两年推理一次，作为下一次推理初始状态，自由推理5次，即推理到2030年，获得2030年退役动力电池发展状态，包括总成本、规模、循环利用水平、技术水平、投资收益水平。
[0083]
装置实施例
[0084]
根据本发明实施例，提供了一种退役动力电池梯次利用政策智能模拟装置，图3是本发明实施例的退役动力电池梯次利用政策智能模拟装置的示意图，如图3所示，根据本发明实施例的退役动力电池梯次利用政策智能模拟装置具体包括：
[0085]
第一构建模块30，用于构建退役动力电池梯次利用政策知识化表达空间；第一构建模块30具体用于：使用谓词逻辑表达法，对于梯次利用政策进行分类和整理，建立梯次利用政策数据库，对于政策和梯次利用发展规模潜力的关系进行综合和整理，建立梯次利用政策对状态影响的规则库。具体地：
[0086]
将政策元素中的应用场景通过场景少、场景较丰富、场景非常丰富3个元素进行表达；将政策元素中的循环利用率划分为四个等级，并通过4个元素进行表达；将政策元素中的补贴激励根据是否有补贴，补贴力度大小分为4个元素；将每一种政策根据不同执行力度进行分类，将三种政策元素的所有可能组合构建政策空间，在一个政策序列中，同一种政策只能且必须出现一次，并用唯一的政策代码表示，组成48组政策序列集合；通过梯次利用总成本、退役电池规模、梯次利用技术水平、循环利用水平、以及项目收益水平描述梯次利用
状态，其中，梯次利用总成本、退役电池规模用数字直接表达，技术水平、循环利用水平、项目收益水平用模糊语言表达，构建建立梯次利用政策数据库；
[0087]
采用if
–
then的形式来表达规则，并根据专家经验就可建立退役电池梯次利用政策对状态影响的规则库，其中，每个规则包含两个部分：第一部分：状态改变的操作、结果或结论；第二部分：操作的前提条件，if表示前提或条件，then表示操作、结论，当初始状态相同、采用的政策不同的情况下，各状态参数变化不同，当初始状态不同、采用的政策相同的情况下，各状态参数变化不同。
[0088]
第二构建模块32，用于基于所述退役动力电池梯次利用政策知识化表达空间构建退役动力电池梯次利用政策智能模拟模型；第二构建模块32具体用于：确定输入变量为退役电池当前状态及政策参数，包括当前总成本、规模、循环利用水平、技术水平、投资收益水平、应用场景、循环利用率、补贴激励8个输入变量参数，对应模糊神经网络的前件网络第一层：输入层；
[0089]
分别为8个输入变量参数设置相应的隶属度函数，由隶属度函数完成输入变量模糊化，并对应模糊神经网络的前件网络第二层：模糊化层；
[0090]
由训练数据获得形式为if前提或条件，then操作、结论的规则，对应模糊神经网络的前件网络第三层：规则层；
[0091]
对规则进行归一化处理，对应模糊神经网络的前件网络的第四层：归一化层；
[0092]
通过模糊神经网络利用神经网络算法机制将计算值与训练数据原期望误差值反向传回前件网络中，在训练过程中实现对隶属函数与规则权重的修正，得到最终网络模型，即前件网络结构；
[0093]
通过前件训练的网络模型，后件网络基于前件训练所得隶属度函数、规则，计算最后输出退役电池下一个状态的5个变量：当前总成本、规模、循环利用水平、技术水平、以及投资收益水平；
[0094]
基于历史数据对模糊神经网络进行训练，基于模糊神经网络构建退役动力电池梯次利用政策智能模拟模型，其中，所述模糊神经网络是由前件网络和后件网络2部分组成，前件网络用于匹配模糊规则，后件网络用于计算系统输出，所述前件网络包括输人层、模糊化层、规则层和归一化层；所述后件网络包括输入层、规则层和输出层组成，各层之间的关系为线性关系；
[0095]
假设s0代表退役电池梯次电池产业初始状态，si，i＝1
…
n代表从初始状态向目标状态变化的n个中间状态，b＝《s0，sn，pb》，通过构建的退役动力电池梯次利用政策智能模拟模型求解一组满意的退役动力电池梯次政策序列 pb＝{pb1，pb2，
…
pbn}，在此政策序列下，目标状态sn已知时实现既定的梯次利用发展目标所用的成本最低，或在此政策序列下，目标状态sn未知时用最低成本实现最佳目标状态。
[0096]
推理模块34，用于基于所述退役动力电池梯次利用政策智能模拟模型进行退役动力电池远景推理。推理模块34具体用于：确定退役电池初始状态的年份，从该年份开始，每两年推理一次，作为下一次推理初始状态，自由推理一定次数，获得所需年份的退役动力电池发展状态，所述包括退役动力电池发展状态总成本、规模、循环利用水平、技术水平、以及投资收益水平。
[0097]
本发明实施例是与上述方法实施例对应的系统实施例，各个模块的具体操作可以
参照方法实施例的描述进行理解，在此不再赘述。
[0098]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。