[发明专利]一种基于灰色神经网络的电站备用电源荷电状态估计方法

权利要求书

1.一种基于灰色神经网络的电站备用电源荷电状态估计方法，其特征在于，该方法包括以下几个步骤：

步骤1：获取电站备用电源中各电池组停止放电前的电流和电压数据、电压恢复期间的m个电压数据、停止放电时的荷电状态数据，构成电池的电流、电压和荷电状态原始数据集；

步骤2：建立电池二阶等效电路模型，根据数据集中电流数据和电压数据，采用最小二乘法拟合参数，得到二阶等效电路模型中的欧姆内阻R₀，两个极化内阻R₁、R₂，两个极化电容C₁、C₂，利用这五个参数构建电池荷电状态估计的参数数据集；

步骤3：建立灰色神经网络模型，灰色神经网络模型主要由LA、LB、LC、LD四层组成，所述LA层为输入参数序号的一个节点，所述LB层为连接LA层和LC层，所述LC层有6个节点，其中5个节点分别为电池二阶等效电路模型参数R₀、R₁、C₁、R₂和C₂的输入节点，所述LD层为输出荷电状态估计值的一个节点；

步骤4：将得到的参数数据集进行预处理；

步骤5：将预处理后的参数数据集分为训练集和测试集，利用训练集对灰色神经网络模型进行训练；

步骤6：利用测试集对灰色神经网络模型进行测试，符合要求则得到最终的灰色神经网络估计模型，如果不符合要求则重复步骤5；

步骤7：通过采集到的电站备用电源中各电池组停止放电前的电流和电压数据、电压恢复期间的m个电压数据，采用最小二乘法获得相应的二阶等效电路模型参数R₀、R₁、R₂、C₁和C₂，利用训练好的灰色神经网络估计模型，估计该电池的荷电状态。

2.根据权利要求1所述的一种基于灰色神经网络的电站备用电源荷电状态估计方法，其特征在于，所述的步骤2中包括以下分步骤：

步骤21：在电池停止放电时，获取电池停止放电前的电流I和电压V、停止放电后以一定频率采样的m个电压数据V_i(i＝1,2,…,m)和停止放电后的荷电状态，则在n个荷电状态下可以获得n个样本，构成电池的电流、电压和荷电状态数据集D₀：

步骤22：建立一个电池二阶等效电路模型，对于某时刻样本，根据停止放电前电池电流数据I_n和停止放电时第一个电池电压数据V_n1相对于停止放电前电压数据V_n的增量，可得电池二阶等效电路模型的欧姆内阻R_0n如下：

对m个电压数据V_i(i＝1,2,…,m)利用最小二乘法拟合得到电池二阶等效电路模型中的R₁，C₁，R₂，C₂四个参数，通过以上处理，n个样本下可以获得n组数据；

步骤23：建立原始电阻、电容和荷电状态数据集D₁：

其中，n代表第n组数据，例如R_1n表示第n组电压数据辨识得到的二阶等效电路模型中R₁的值。

3.根据权利要求1所述的一种基于灰色神经网络的电站备用电源荷电状态估计方法，其特征在于，所述的步骤4中包括以下分步骤：

步骤41：将得到的原始内阻、电容数据集进行预处理，对n组数据序列定义为时间序列t，则每组数据可以表示为R₀(t)，R₁(t)，C₁(t)，R₂(t)，C₂(t)，荷电状态SOC(t)；

步骤42：对SOC(t)＝{SOC₁,SOC₂,…,SOC_n}内部序列进行一次累加，得到其中用相同的方法对所有参数进行相应的累加操作，最终得到SOC⁽¹⁾(t)；

步骤43：利用步骤42中的6个累加后的数据，建立灰色神经网络模型的微分方程表达式：

式中，为灰色神经网络模型输入参数，SOC⁽¹⁾(t)为输出参数，a、b₁、b₂、b₃、b₄、b₅为微分方程系数；

步骤44：对灰色神经网络模型的微分方式求解得到时间响应式：

其中SOC⁽¹⁾(t)为SOC的估计值，SOC(1)为SOC输出的初始值。