基于门控神经网络的储能电站荷电状态估计研究.pdfVIP

第41卷 第4期 电工 电能新 技 术 Vol.41,No.4 2022年4月 Advanced Technology of Electrical Engineering and Energy Apr. 2022 基于门控神经网络的储能电站荷电状态估计研究 1 1,2 1 1 1 1 宋　 洁 ,赵雪莹 ,朱玉婷 ,梁丹曦 ,徐桂芝 ,邓占锋 (1.全球能源互联网研究院有限公司,北京 102209;2.清华大学电机系,北京 100084) 摘要:电站荷电状态(SOC)估算是电池管理系统中重要的功能之一,同时SOC也是保障储能电站 正常运行和安全的重要参数。 对于储能电站,SOC 的准确估计能防止电池的过充或过放,延长电 池使用寿命,准确估算SOC也是当前的难点。 本文提出使用门控神经网络(GRU)结合Dropout正 则化算法估算SOC,实现电池SOC的准确估计与良好泛化能力。 GRU 网络用来学习电压、电流测 量值与SOC的非线性关系。 训练时,Dropout将隐藏层中的所有神经元以一定的概率随机置为0, 避免对隐藏层中任一节点产生依赖,防止过拟合,从而增加模型的泛化能力。 实验结果显示,本文 提出的方法可实现SOC准确估计,最优结果为平均绝对误差1.38%,均方根误差1.66%。 关键词:储能电站; 门控神经网络;荷电状态;神经网络学习 DOI:10.12067/ ATEEE2107031　 　 　 文章编号:1003-3076(2022)04-0082-07　 　 　 中图分类号:TM912 算误差。 1　 引言 基于开路电压(Open-Circuit Voltage,OCV)的 　 　 随着中国碳中和、碳达峰目标的提出,以光伏、 [5] 方法估算电池SOC 因电池OCV是电池SOC 的函 风电为代表的可再生能源战略地位凸显,电化学储 数得以实施,不过基于OCV估算 SOC在现实中很 能作为支撑可再生能源发展的关键技术,将迎来行 难应用,这是因为OCV需要电池经过足够长的静置 业的蓬勃发展。 其中锂离子电池以功率密度、能量 才能测得。 同时OCV-SOC 的关系受电池循环寿命 密度、循环寿命和自放电率低等优点,成为储能系统 [6] 与温度的影响较大 ,在复杂的现实情况中难以获 的首要选择。 其短时供应电力、电力削峰填谷和能 得良好的估算条件与结果。 源利用率高等特点,成为储能行业的主要能源载体。 基于模型的方法是建立一个准确的电池模型, 荷电状态(State Of Charge,SOC)估计作为能量管理 [7] 模拟电池在复杂工况下的响应 ,根据模型的公式 系统的关键,其准确估计可以保护电池系统运行安 从而直接或间接地估算电池的SOC。 模型可分为电 全,防止过充或过放影响电池使用安全及寿命,同时 化学模型和等效电路模型。 电化学模型基于复杂的 为电池组均衡策略控制提供关键参考。 [8] 偏微分方程 ,计算量巨大,不适合在线估计。 与 SOC作为不可直接测量的参数,通常定义为可 之对比,等效电路模型则计算量小,是现在主