一种面向在线储能电池寿命评估的EMS能量管理方法与流程

本发明涉及一种ems能量管理方法，属于能量管理。

背景技术：

1、储能电池系统是一种利用锂电池进行能量储存的装置，它可以存储太阳光伏、风能等可再生能源产生的能量，也可作为电网的辅助设施，广泛应用于工业、住宅、商业等领域。相对较高的成本是电池储能进一步发展的障碍，而优化电池储能的运行方式，则有助于挖掘其全方位的价值，提高其投资与运行的经济性。现有研究在储能规划及运行方面进行了大量的研究，建立考虑多重分时电价的储能系统调度策略效益潜力评估模型，量化储能调度策略在多重分时电价下的效益；在短期规划经济目标的基础上，同时考虑负荷动态增长及随机分布特征和光储时序互补性，提出一种多阶段规划策略；对风储联合系统的互补优化调度进行研究，利用储能抵消风电的随机波动性；提出一种电力需求侧规模储能经济评估的方法，结合政府补贴和峰谷价差，利用削峰填谷来提高经济性；使用遗传-模拟退火算法，以储能充放电超限功率最小为目标函数，实现功率分配的同时避免荷电状态超限。上述研究内容从运行层面分析了储能带来的效益提升，但是没有考虑到储能受各项因素影响而导致的寿命折损。同时，现有储能系统调度模型存在优化目标不明确、约束条件不完善等问题，建立经济性更好且兼顾储能电池寿命衰减因素的ems能量管理策略有待进一步研究。

2、在基于电池的能源系统中，电池系统的健康状态(state of health,soh)是一个非常重要的监控值。电池的soh预测指的是依照电池的历史运行数据预测接下来一段时间内的电池健康状态并给出寿命终点(end of life,eol)预警。eol指的是电池到达一个濒临不稳定的状态，一般来说，当电池达到eol时，电池容量会迅速退化，影响设备的工作效率。在实际使用过程中，当锂离子电池处于工作状态并受到外部温度、过充、过放等随机因素的影响时，会导致电池的容量和剩余寿命加速衰减。因此，准确预测soh是降低储能成本、实现能量管理的有效手段，有助于优化设备的使用，甚至避免事故发生。

3、储能电池复杂的内部化学结构和不同的工作环境导致锂电池的降解过程相当复杂。因此，很难准确预测电池的soh。现有的电池soh预测方法主要分为基于模型的soh预测方法和基于数据驱动的soh预测方法，基于模型的方法是在熟悉电池内部反应的基础上能够提供电池退化的物理解释。其研究方法主要包括等效电路模型，电化学模型和经验退化模型，但是由于电池内部的化学相互作用较多，很难从单一的反应推断全局，考虑所有的化学反应又不切实际。同时，模型的建立依赖于电池的内部参数，而内部参数在外部很难观测到，这也进一步影响到了该方法的实用性。基于数据驱动的方法不需要考虑电池内部的物理、化学反应和电池模型，可以通过状态监测获取电池容量、电流、电压等数据，直接学习老化信息和规律以此来完成健康状态的估计。因此，数据驱动方法被广泛应用于锂离子电池soh预测中，包括神经网络、支持向量机(svm)、高斯过程回归(gpr)、相关向量机(rvm)等。长短时记忆网络(long short-term memory，简称lstm)和门控循环单元(gated recurrentunit，简称gru)是循环神经网络(recurrent neural network，简称rnn)的两种重要变体。lstm具有对时间的敏感性，能够学习到时序数据中的模式和特征，gru网络具有较强的非线性拟合能力，它们在处理序列数据时具有较强的记忆能力和长程依赖捕捉能力，广泛应用于自然语言处理、时间序列预测、语音识别等领域。lstm和gru具有良好的预测性能，但两个方法的局限之处在于其网络模型参数需要靠人为经验随机设置，而选取不同参数训练会直接影响网络模型结构和预测精度。

4、能够代表电池的健康状态即寿命衰退状态的参数被称为健康因子(healthindicator，hi)。容量是分析电池老化行为的重要指标，对容量的精确估计是储能电池全寿命周期高效、安全管理的基础，然而对于实际应用中的电池系统开展满充满放的实时容量标定试验可行性不高，提取更加有效可行的健康特征因子成为电池容量预测模型精度的关键。基于原始充放电曲线或通过微分、差分等运算变换后获得的容量增量(incrementalcapacity，ic)曲线、差分电压(differential voltage，dv)曲线提取特征作为hi，输入到电池剩余寿命预测模型中，计算总体较为简单，具有良好的在线应用前景。但目前相关研究过度依赖数据驱动和相关性分析的方法，缺乏从容量衰退模式和机理角度对方法合理性的系统性论证。所以如何提取与容量衰退机理相符且强相关的hi，以及如何在实际工况宽温度、多倍率条件下均能够实现高精度容量估计仍有待进一步研究。

5、为此，本发明提出了综合考虑储能电池系统运行过程中的各项成本、分时电价、电池衰减的储能电池系统经济优化调度模型，采用结合tent混沌映射、levy分布和t分布扰动的改进蜣螂算法对上述模型进行求解。调度模型内嵌入储能电池剩余寿命预测方法来精准评估电池健康状态，以ic曲线半峰面积(half peak area of capacity increment curve，ic-hpa)作为健康因子，通过分析容量衰退模式确定老化特征区间，利用递推更新法计算充电容量增量曲线的半峰面积，实施有限计算和存储资源条件下健康因子的在线提取。最后使用线性回归加权法对lstm和gru模型的预测值进行融合，提高预测精度。

技术实现思路

1、本发明为解决现有方法过度依赖数据驱动和相关性分析的方法，缺乏从容量衰退模式和机理角度对方法合理性系统性论证的问题，进而提出一种面向在线储能电池寿命评估的ems能量管理方法。

2、本发明为解决上述问题采取的技术方案是：本发明的步骤包括：

3、步骤1、将调度周期和储能电池系统运行数据输入算法；

4、步骤2、初始化蜣螂优化算法的参数；

5、步骤3、使用tent混沌序列生成均匀遍布解空间和相关性较强的初始种群，初始化n个蜣螂个体的位置xi(i＝1,2,...,n)，生成初始调度方案；

6、步骤4、选择c1和c2作为适应度函数并计算每个蜣螂位置的目标函数值，得到当前的最优函数值和相应的个体位置；

7、步骤5、更新所有蜣螂的位置，结合levy飞行策略计算候选个体位置的目标函数值，与上一代最优函数值进行比较，若较好，更新当前种群最优个体位；

8、步骤6、利用t分布扰动策略，对其他蜣螂的位置进行更新，计算出更新后的蜣螂个体位置最优函数值，与前一代最优函数值进行比较，如果较优，则更改目前最优值；

9、步骤7、比较迭代次数是否达到最大值，若是则进行下一步，否则，返回步骤4；

10、步骤8、输出全局最优个体位置和最优的函数值，得到储能电池系统最大运行收益及最优调度方案。

11、进一步的，步骤1中设置调度周期为24小时，将一天分为24个时段，给出调度日当天负荷变化和电网分时电价。

12、进一步的，步骤2中蜣螂优化算法的参数包括种群规模和最大迭代次数。

13、进一步的，步骤3中tent混沌映射公式为：

14、

15、公式(1)中，xi(t+1)表示第i个蜣螂第t+1次映射的函数值，xi(t)表示第i个蜣螂第t次映射的函数值，α表示取值(0，1)的随机数，取值越接近0.5，初始解分布的越好；

16、蜣螂种群初始化过程如下：先随机生成一个[0,1]的d维向量作为初始混沌序列，然后将d维向量的每一维数值依次代入式(1)计算生成一个新的d维向量作为第2个混沌序列，重复上述步骤，直到生成n个混沌序列；最后将全部混沌序列映射到种群个体的取值范围内，生成tent混沌初始化蜣螂种群。

17、进一步的，步骤5中levy飞行更新位置的公式为：

18、

19、公式(2)中，α表示步长控制因子，取值为1；表示矢量运算；levy(λ)表示步长服从levy分布，t表示当前迭代次数。

20、进一步的，步骤6中采用自适应t分布突变策略对蜣螂位置进行扰动的公式为：

21、

22、公式(3)中，表示突变后的蜣螂位置，xi表示第i只蜣螂个体位置，t(iter)表示以迭代次数iter表示自由度的t分布；

23、在进行变异扰动更新后，加入贪婪规则，通过比较新旧两个位置的适应度值，确定是否要更新位置。

24、

25、公式(4)中，表示经过贪婪规则更新后的个体位置，表示扰动后的个体，xg(t)表示扰动前的个体，f()代表粒子适应度函数。

26、本发明的有益效果是：

27、1、本发明在储能电池系统能量调度方面，在考虑电池寿命衰减的基础上，基于系统日收益最高和电池寿命最长优化电池充放电时间和功率，并使用改进蜣螂优化算法进行求解。仿真实验结果表明，该模型能够实现储能电池剩余寿命的高精度预测和对储能电池系统能量调度的经济优化，减缓电池寿命老化，节约成本；

28、2、本发明对储能电池衰退机理进行分析，提出使用容量增量曲线提炼出的半峰面积作为soh预测的健康因子；数据处理阶段使用aed算法选取与测量目标电池容量退化曲线相似的电池数据库数据从而减少训练时间；电池剩余寿命预测模型采用lstm和gru组合预测并基于交叉验证训练进行线性回归加权融合，从而提高预测模型的准确性和鲁棒性；

29、3、本发明在储能电池系统能量调度方面，在考虑电池寿命衰减的基础上，基于系统日收益最高和电池寿命最长优化电池充放电时间和功率，并使用改进蜣螂优化算法进行求解；仿真实验结果表明，该模型能够实现储能电池剩余寿命的高精度预测和对储能电池系统能量调度的经济优化，减缓电池寿命老化，节约成本。