[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

说明书

本发明公开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，该方法包括：获取电站备用电源停止放电前及期间的电流、电压、荷电状态，构成原始数据集；建立电池等效电路模型，采用最小二乘法拟合欧姆内阻、极化电阻、极化电容参数，构建参数数据集；建立灰色神经网络模型；对参数数据集进行预处理；将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；利用测试集对灰色神经网络模型进行测试；通过采集到的电站备用电源中各电池组停止放电及期间的电流和电压数据，采用最小二乘法获得等效电路模型参数，利用灰色神经网络估计电池荷电状态。本发明提高了电站备用电源的荷电状态估计精度，降低了时间和人力成本。

技术领域

本发明涉及电站备用电源技术领域，尤其是涉及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。

背景技术

作为后备直流电源的蓄电池组一直是变电站直流电源的重要组成成分。当变电站二次系统电源发生故障时，蓄电池组可以作为供电系统电源，为断路器的分合闸操作、继保装置运行、通信系统运行和其所拖动的机械设备等提供后备电源。因此，其可靠性直接影响到电网的安全运行，掌握变电站蓄电池组的SOC是有必要的。

然而，现有检测蓄电池SOC方法：1、利用蓄电池的浮充电压、内阻、温度等数据对蓄电池SOC进行估算，但这种方法存在以下问题：①输入数据量过少单个量的测量误差会对SOC估计结果产生很大影响；②电池温度的高精度测量需要对每个蓄电池单元配置高精度的温度传感器，增加蓄电池组成本；2、对蓄电池组进行核对性放电，但此种方法存在以下问题：①人力物力成本较高，需要花费较高的时间成本、人力成本；②间隔时间较长，在此期间无法及时发现蓄电池组存在的问题。

发明内容

本发明为克服以上现有技术的不足，提出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。

本发明的技术方案主要包含以下步骤：

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，得到灰色神经网络模型结构；

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。

在方案中，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：