基于CSAPSO-改进DNN算法的储能电站电池健康状态评估方法与流程
本发明涉及储能电站电池管理，具体是基于混沌模拟退火粒子群算法(chaotic simulated annealing particle swarm optimization algorithm,csapso)-改进深度神经网络(deep neural networks,dnn)的储能电站电池健康状态评估方法。
背景技术：
1、随着新型电力系统的建设与发展，电力电子变换装置、大规模储能设备、绿色环保设备等新型电力设备将获得广泛的应用，但是这些新型电力设备状态感知与运行维护的基础问题，如设备故障机理、状态特征参量获取以及评估诊断方法等，都还需要深入研究。
2、储能设备作为电网重要的灵活性调节资源，可参与电网的需求响应和辅助服务，提升电网各环节的协同互动水平，对新型电力系统的发、输、配、用等环节具有重要的支撑作用，一方面可实现常规电力削峰填谷，提高电力系统安全性、经济性和能源利用效率，另一方面有助于增强可再生新能源的消纳能力，解决弃风弃光问题，被认为是实现能源转型的支撑技术。
3、作为储能电站的核心设备，储能电池是实现储能电站削峰填谷、负荷补偿等功能的关键。锂离子电池能量密度大、使用寿命长，广泛用于各类电池储能技术中。储能电站电池的健康状态、老化特性与运行工况直接影响储能电站的服役性能。对于锂离子电池而言，荷电状态(soc)和健康状态(soh)是最关键的状态量。其中，soc被定义为剩余容量与最大可用容量之比，准确的soc估算能够提高锂离子电池容量和能量利用率，防止电池过充电或过放电。soh通常以锂离子电池容量和内阻的变化来定义，其能够定量描述锂离子电池老化情况，准确的soh估算直接影响锂离子电池性能的发挥，并为老化锂离子电池的更换提供重要参考依据，对于锂离子电池最佳性能的发挥和安全运行具有重大意义。
4、目前，常用的锂离子电池健康状态评估方法主要分为基于机理模型驱动和基于数据驱动两种。基于机理模型的评估方法主要针对锂离子电池内部的电化学机理及物理特性进行分析，从而建立反映电池演变过程的物理模型，通过实验对模型参数进行调整，然后进行健康状态评估，能够真实反映电池内部情况，该方法具体包括内阻计算法、开路电压法、等效电路模型法和电化学模型法等。基于数据驱动的评估方法不考虑锂离子电池内部的电化学反应及失效机理，而是通过挖掘电池生命周期数据，得到电池健康状态的演变规律，利用大量数据完成拟合，有效避开物理驱动建模和重点参数辨识难度高的问题，在预测方面具有较强的优势，具体方法有回归模型、人工神经网络模型和支持向量机模型等。
5、以上算法针对储能电站电池健康状态问题，通过数学方法拟合可以得到健康状态的预测结果。但储能电站系统内部变量种类繁多，且更需要对未来较长时间内监测变量做出预测。
技术实现思路
1、有鉴于此，有必要提供一种基于csapso-改进dnn算法的储能电站电池健康状态评估方法，用以解决如何准确地评估储能电站电池健康状态的问题。
2、本发提供一种基于csapso-改进dnn算法的储能电站电池健康状态评估方法，包括如下步骤：
3、(1)从储能电站系统中收集电池的运行数据，根据电池的运行数据对电池指标进行健康状态分析获得电池健康标签；
4、(2)构建csapso算法与改进dnn算法融合的储能电站电池健康评估模型；
5、(3)使用电池健康标签作为监督信号，对深度神经网络进行训练；
6、(4)通过训练好的深度神经网络，基于所述储能电站电池健康评估模型对采集到的电池运行数据进行评估，得出电池的健康状态。
7、进一步的，所述电池健康标签包括电压标准分、充电容量和库伦效率。
8、7、进一步的，其特征在于，
9、所述电压标准分vstd表达式如下：
10、
11、式中：xi为某一时刻电池组中电池i的电压，v；为该时刻电池组中所有电池的电压平均值，v；sn为该时刻电池组中所有电池的电压标准差，用于统计当前时刻各单体电池在与平均电压间的偏差程度，该值越大单体电池间的电压离散程度越大，计算方法为：
12、
13、式中：n为电池数量；
14、充电容量由充入电量与电荷状态变化比值得到充电容量，计算公式如下：
15、
16、式中：q1为电池充电容量；△soc1为某段充电soc变化量；△q1为某段充电soc变化内的充电电量；
17、同理，在放电过程可得电池放电容量q2，表示为：
18、
19、式中：△soc2为某段放电soc变化量；△q2为某段放电soc变化内的放电电量；
20、库伦效率ce是指电池放电容量与同循环过程中充电容量之比，计算方法如下：
21、
22、8、进一步的，所述步骤(2)构建csapso算法与改进dnn算法融合的储能电站电池健康评估模型，具体包括：
23、在训练深度神经网络dnn时，将dnn的权重和阈值作为caspso算法的输入参数，然后使用caspso算法进行优化，所述优化过程包括初始化pso参数、计算初始粒子的适应度，最后输出dnn的最优权重和阈值；
24、在dnn训练时，对常规dnn方法作如下改进：①使用elu激活函数替代传统dnn算法中所使用的relu激活函数；②利用混合交叉熵损失函数代替交叉熵损失函数作为输出层损失函数；③根据网络的动态情况动态地调整动态dropout函数的dropout概率；
25、通过以上步骤，最后得到训练好的储能电站电池健康评估模型。
26、进一步的，动态dropout函数根据训练集和验证集的表现、神经元的激活情况以及网络深度和宽度动态调整dropout概率。
27、进一步的，所述储能电站电池健康评估模型的输入参数为电压标准分、充电容量和库伦效率；模型输出值为：健康(1)和不健康(0)，即基于所述储能电站电池健康评估模型对采集到的电池运行数据进行评估，得出电池的健康状态。
28、与现有技术相比，本发明的有益效果包括：
29、(1)对传统的dnn算法进行了改进：
30、elu激活函数代替relu激活函数，其平滑性有助于更快地收敛；
31、混合交叉熵损失函数的适应性可以减少训练过程中的振荡，提高收敛速度；
32、动态调整dropout概率则在一定程度上减轻了过拟合的风险，使得模型更加稳定地学习；
33、(2)融合了csapso和改进dnn算法，针对pso收敛快、精度较低、易发散等缺点，采用混沌模型与sa算法对pso算法进行改进，调整dnn深度神经网络模型，使电池健康状态评估具有更高的准确性。
技术特征：
1.一种基于csapso-改进dnn算法的储能电站电池健康状态评估方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于csapso-改进dnn算法的储能电站电池健康状态评估方法，其特征在于，所述电池健康标签包括电压标准分、充电容量和库伦效率。
3.根据权利要求2所述的基于csapso-改进dnn算法的储能电站电池健康状态评估方法，其特征在于，
4.根据权利要求1所述的基于csapso-改进dnn算法的储能电站电池健康状态评估方法，其特征在于，所述步骤(2)构建csapso算法与改进dnn算法融合的储能电站电池健康评估模型，具体包括：
5.根据权利要求4所述的基于csapso-改进dnn算法的储能电站电池健康状态评估方法，其特征在于，动态dropout函数根据训练集和验证集的表现、神经元的激活情况以及网络深度和宽度动态调整dropout概率。
6.根据权利要求1所述的基于csapso-改进dnn算法的储能电站电池健康状态评估方法，其特征在于，所述储能电站电池健康评估模型的输入参数为电压标准分、充电容量和库伦效率；模型输出值为：健康(1)和不健康(0)，即基于所述储能电站电池健康评估模型对采集到的电池运行数据进行评估，得出电池的健康状态。
技术总结
本发明提供一种基于CSAPSO‑改进DNN算法的储能电站电池健康状态评估方法，包括：从储能电站系统中收集电池的运行数据，根据电池的运行数据对电池指标进行健康状态分析获得电池健康标签；构建CSAPSO算法与改进DNN算法融合的储能电站电池健康评估模型；使用电池健康标签作为监督信号，对深度神经网络进行训练；通过训练好的深度神经网络，基于所述储能电站电池健康评估模型对采集到的电池运行数据进行评估，得出电池的健康状态。本发明不仅在数据采集的广度和深度上有所突破，同时通过优化和训练深度神经网络，实现了更为精准、实时的电池健康状态评估，为储能电站的安全、高效运行提供了强有力的技术支持。
技术研发人员：向彬,杨帆,杨志淳,熊虎,李家源,江晓光,雷杨
受保护的技术使用者：国网湖北省电力有限公司电力科学研究院
技术研发日：
技术公布日：2024/9/23