[发明专利]基于最小二乘支持向量机的微电网储能SOC估算方法和系统

说明书

技术领域

本发明涉及微电网储能技术领域，特别是一种适用于多能源微电网的基于最小二乘支持向量机的微电网储能SOC估算方法和系统。

背景技术

随着新一轮电改方案的逐步落实，售电侧市场将放开，将大大拓展微电网的发展空间。微电网是通过控制系统、储能系统协调平衡多种分布式能源，平时与大电网并联，富余电力输入大电网或储能系统，发电不足时从大电网购入电力或使用存储的电力，当遇到大电网发生故障时则快速解列，孤网运行，保障主要负荷。微电网系统中储能的成本较高，考虑到微网运行的经济成本，应在保证微网系统安全运行的情况下，尽量延长储能的寿命。蓄电池是目前微网系统中最常用的储能形式，电池荷电状态(SOC)是储能系统充放电控制中的一个重要参考量，影响着储能系统的安全运行及使用寿命。

由于储能SOC和很多因素相关且具有很强的非线性，储能SOC实时估算具有很大的困难。目前，蓄电池SOC的测量方法有放电实验法、安时法、开路电压法、内阻测量法、线性模型法及神经网络法等。其中放电实验法及内阻测量法在实际工程中不适用；安时法应用广泛，但需要知道初始SOC大小，且随着时间的积累，误差会越来越大；开路电压法精度高、简单，但是需要静置较长时间后才能得到稳定的开路电压值；内阻测量法只考虑蓄电池的放电电流和内阻两个基本的因素，计算精度有限，难以对蓄电池容量进行准确的估计；线性模型法适用于低电流、SOC缓变的情况，变电流情况的估计效果要进一步研究；神经网络法基于经验风险最小化，有时会陷入局部最小值，结构参数难以确定，缺少适当的理论指导。

发明内容

本发明要解决的技术问题为：利用最小二乘支持向量机，通过挖掘已知数据的规律，实现对未知储能SOC的估算确定，减小计算误差，同时可提高蓄电池的寿命和微电网运行的安全性。

本发明采取的技术方案具体为：基于最小二乘支持向量机的微电网储能SOC估算方法，包括以下步骤：

利用微电网储能实验平台获取储能系统在充放电过程中产生的实验数据；

基于获取的实验数据，得到最小二乘支持向量机训练模型的训练集样本和测试集样本；

基于所述训练集样本，获得最小二乘支持向量机的最优训练参数；

基于得到的最优参数，利用训练集样本对最小二乘支持向量机进行训练，得到最小二乘支持向量机的训练模型；

利用测试集样本对得到的训练模型进行测试，评价利用上述训练模型计算SOC是否有效；

若训练模型测试有效，则利用得到的最小二乘支持向量机训练模型对微电网中相应类型储能系统的SOC进行计算，以确定微电网储能SOC。

利用本发明方法估算得到的微电网蓄电池SOC值，可以为后续微电网中的蓄电池控制提供依据，防止蓄电池深度充放电，从而提高蓄电池寿命及微电网运行的安全性。在对实际微电网储能SOC进行估算时，可参考储能实验平台获取数据的方法，获取微电网中储能系统在实际充放电过程中包括电压、电流、温度的相关数据，作为最小二乘支持向量机训练模型的输入量，然后通过最小二乘支持向量机训练模型得到输出量，即SOC计算结果。储能实验平台中的实验对象储能系统类型与实际需要进行估算的微电网储能系统类型一致。

进一步的，本发明中，储能系统的充放电过程包括恒流充电状态过程、恒流放电状态过程和交替恒流充放电状态过程；充放电过程中产生的实验数据包括上述各过程中分别产生的电压、电流、温度及SOC数据。

具体的，利用微电网储能实验平台，获取储能系统在充放电过程中的实验数据，包括步骤：

将充满电的蓄电池静止第一设定时长后，使蓄电池工作在恒定电流放电运行状态，以采样周期t1，采样获得蓄电池在当前状态下的电压数据序列、电流数据序列、温度数据序列及SOC数据序列；

将蓄电池静止第二设定时长后，使蓄电池工作在恒定电流充电运行状态，以采样周期t2，采样获得蓄电池在当前状态下的电压数据序列、电流数据序列、温度数据序列及SOC数据序列；

将待蓄电池充满电后静止第三设定时长，使蓄电池工作在恒定电流交替充电、放电的运行状态，以采样周期为t3，获得蓄电池在当前状态下的电压数据序列、电流数据序列、温度数据序列及SOC数据序列。