一种基于云-端数字孪生的电池储能系统状态估计方法与流程

一种基于云
‑
端数字孪生的电池储能系统状态估计方法
技术领域
1.本发明涉及电力领域，尤其是一种基于云
‑
端数字孪生的电池储能系统状态估计方法。


背景技术：

2.电池储能被认为对于未来基于可再生能源的电力系统至关重要。锂电池在该领域具有潜力，目前占据新兴储能市场的最大份额。然而，锂电池的安全性和优化运行仍然是业界关注的最大问题。而且，由于数据分析和模型等方面的问题，本地bms等控制方法在识别电池荷电状态和健康状态方面遇到了很大的困难。
3.电池储能系统(bess)在电力系统中发挥着越来越重要的作用，尤其是风电和光伏发电等可再生能源的高渗透率。电池储能系统被认为是未来零碳电力系统的关键因素。锂离子电池、钒液流电池、压缩空气储能、飞轮储能、钠离子电池等新兴储能技术前景广阔。
4.锂离子电池储能系统由大量小型电池单体通过典型组装和电池管理系统(bms)组成。bms向电源转换系统(pcs)和能源管理系统(ems)提供关键信息，包括充电状态(soc)、健康状态(soh)和剩余使用寿命(rul)。然而，目前bms无法胜任这一任务，原因是：(1)锂电池无论是充电、放电还是处于闲置状态，其电化学过程都非常复杂，难以通过测量和计算进行准确描述其物理模型和等效模型。(2)数据驱动模型和人工智能算法应该更有效，但一个储能系统自身的数据难以支持智能算法进化，且本地控制器往往不足提供大数据处理和计算的算力。(3)此外，上述模型不能反映电池随时随刻正在发生的老化、环境和运行条件的变化。


技术实现要素：

5.为了解决上述技术问题，本发明提出了一种基于云
‑
端数字孪生的电池储能系统状态估计方法，它利用了云平台的数据存储和计算能力。通过利用分布在不同站点的更多电池储能系统的数据。所有必要的数据和信息都汇总在云平台中，可用于通过ai算法识别不同模型的主要参数。此外，云平台中的模型可以根据来自各本地电池储能系统的实时数据和信息进行及时优化。通过这种方式，该模型成为现场实际电池储能系统的数字孪生体。与传统的基于模型的控制系统或仿真系统相比，数字孪生更具适应性和准确性。电池储能系统实时产生大量运行数据和状态数据与信息，适合于数字孪生dt(digital twin)的建立。
6.本发明的技术方案为：一种基于云
‑
端数字孪生的电池储能系统状态估计方法，包括如下步骤：
7.步骤1、位于各个不同的电池储能系统本地的端处理器采集bms、pcs、ems和动环辅助设备数据；所述端处理器配置本地储能系统的数据采集处理功能、电池系统状态计算模型、多级预警和告警功能、簇间/簇内均衡功能、人机交互界面；云服务器或虚拟服务器的计算中心，通过网络与各个电池储能系统连接，主要包括数据库、模型库、应用开发程序和人
机界面；
8.步骤2、端处理器将采集和分析处理后的本地储能系统数据和信息上传给云计算中心数据库，所述云计算中心的模型库配置多个典型的电池系统模型，具有电芯、模组、模块、电池簇和电池系统多个不同层级，在安装方式、运行年限、动环特点方面各不相同；
9.步骤3、建立电池储能系统的数字孪生模型，云计算中心根据大量储能系统的实际运行数据和信息，通过数据驱动的智能算法对数字孪生模型的参数进行持续优化和定期修正，形成了储能系统的数字孪生体；数字孪生体的预测数据与实际储能系统的运行数据不断比对，并对模型参数进行优化调整，使孪生体的模型具有强适应能力和精确度；
10.步骤4、数字孪生体预测各个电池储能系统状态，并根据预测的各个电池储能系统状态，实现状态估计和剩余寿命预测，并对潜在故障进行诊断、预测和预警，由云计算中心及时输送给端处理器，端处理器根据接收到的信息及时进行状态计算模型的基础参数调整、各级预警和告警阈值调整操作，为电池储能系统的优化运行和智能运维提供服务。
11.有益效果：
12.本发明汇集和分析来自各个分散的电池储能系统的所有实时数据，建立了云
‑
端结合的数字孪生体及时分析电池储能系统以进行建模和参数识别，并给出相应的状态估计、故障诊断预测，这提供了更准确和可自适应调整的建模解决方案。通过采集并处理bms、pcs、ems和动环辅助设备数据，从整个系统而不是电池本身来检视电池系统状态和故障。开发了数字孪生的结构并建立了运行机制。此外，提出了基于机器学习算法的电池串联集群模型及其soc和soh估计方法。该工作为安全可靠的电池储能系统提供了有益的参考。
附图说明
13.图1电池储能系统的组成结构示意图；
14.图2电池储能系统数字孪生图；
15.图3电池储能系统数字孪生的运行机制示意图；
16.图4串联电池组的戴维宁模型示意图。
具体实施方式
17.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域的普通技术人员在不付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。
18.根据本发明的一个实施例，提出一种基于云
‑
端数字孪生的电池储能系统状态估计方法，包括如下步骤：
19.步骤1、位于各个不同的电池储能系统本地的端处理器采集bms、pcs、ems和动环辅助设备数据；所述端处理器配置本地储能系统的数据采集处理功能、电池系统状态计算模型、多级预警和告警功能、簇间/簇内均衡功能、人机交互界面；云服务器或虚拟服务器的计算中心，通过网络与各个电池储能系统连接，主要包括数据库、模型库、应用开发程序和人机界面；
20.步骤2、端处理器将采集和分析处理后的本地储能系统数据和信息上传给云计算
中心数据库，所述云计算中心数据库的模型库配置多个典型的电池系统模型，具有电芯、模组、模块、电池簇和电池系统多个不同层级，在安装方式、运行年限、动环特点方面各不相同；
21.步骤3、建立电池储能系统的数字孪生模型，云计算中心根据大量储能系统的实际运行数据和信息，通过数据驱动的智能算法对数字孪生模型的参数进行持续优化和定期修正，形成了储能系统的数字孪生体；数字孪生体的预测数据与储能系统物理实体的运行数据不断比对，并对模型参数进行优化调整，使孪生体的模型具有强适应能力和精确度；
22.步骤4、数字孪生体预测各个电池储能系统状态，并根据预测的各个电池储能系统状态，实现状态估计和剩余寿命预测，并对潜在故障进行预测和预警，由云计算中心及时输送给端处理器，端处理器根据接收到的信息及时进行状态计算模型的基础参数调整、各级预警和告警阈值调整操作，为电池储能系统的优化运行和智能运维提供服务。
23.具体的，对本发明的技术方案详细说明如下：
24.根据本发明的实施例，电池储能系统通常包括电芯、bms、空调(ac)系统、消防系统、pcs、电网并网点、ems等辅助设备。典型的电池储能系统示意图如图1所示。
25.需要特别说明的是，图中的pack通常是电池系统的基本单元，它由若干个带bms和冷却装置的电池模块组成，电池模块由若干个经过特殊设计组装的电芯组成。因此，电池系统的性能在很大程度上取决于pack的设计。
26.pcs对电池储能系统也非常重要，因为它被控制以执行特定的运行模式，例如电池的充电和放电、并网运行、孤岛运行、频率和电压调节。pcs交流和直流侧的良好电气性能对电网和电池都很重要。
27.对于数字孪生模型系统，需要专门设计的本地控制器作为本地电池储能系统数据采集和处理、本地控制和保护的终端。此外，本地控制器将所有必要的数据和信息发送到云平台，并接收云平台的指令以优化模型参数并控制系统运行。从bms、pcs、电网、环境和消防系统中收集所有必要的数据，以便从大数据和数据驱动建模方面更好地了解电池储能系统。也只有这样，才能对电池进行检视，不仅通过电池本身，还通过其运行过程和环境。
28.电池储能系统中的每个电池单元、模块、pack和其他设备都有自己的老化或故障过程。了解它们的故障模式是本地控制器和云中心基于数据驱动的建模和控制的基础。本发明开发了一个电池储能系统故障数据库，主要关系如表1所示。
29.故障数据库中识别和表征了设备老化或故障过程的详细信息。特殊电池储能系统发送的数据一旦被数据库识别，就会触发模型的优化和保护动作，保证电池储能系统的安全和优化。
[0030][0031]
根据本发明的一个实施例，提出的电池储能系统数字孪生模型如图2所示，包括了物理和数字部分，包括带有本地控制器的实际电池储能系统和带有基于数据的电池系统建模和状态估计的云数字孪生体。
[0032]
根据本发明的一个实施例，所述带有本地控制器的实际电池储能系统具体如下：
[0033]
这个本地实际系统类似于传统的电池储能系统。本地控制器提供电池储能系统的数据采集、处理、分析、状态估计和保护等基本功能。实际电池储能系统的数据与环境状态一起被bms、pcs、ems和辅助设备采样，然后在本地控制器上处理数据。删除虚假数据，压缩一些信息量很小的普通数据，以减少本地控制器和云平台的计算量。
[0034]
但是，本发明本地控制器的一个变化是将必要的数据和信息发送到云平台进行建模和参数优化，然后接收云平台的指令调整本地实际电池储能系统的状态计算，并及时调整运行状态。本地控制器的另一个变化是它的系统状态分析和控制过程。传统的soc估计基于开路电压查表或安时计数，然而，这些方法受到电流和电压采集误差以及100％荷电状态点难以确定的挑战。
[0035]
根据本发明的一个实施例，提出基于云的数字孪生模型；
[0036]
基于云的数字孪生模型从数学描述了实际电池储能系统包含重要的组件和功能。电池单元及其模块、电池组和集群在数字系统中详细建模。还收集了其他重要数据和信息以更好地描述整个系统，例如通过pcs的电池充电/放电功率的移动平均值、直流侧电流或电压纹波、pcs散热片温度和风扇速度。
[0037]
根据本发明的一个实施例，整个系统采用云
‑
端结合的架构，“端”为具有一定数据处理、分析计算和控制能力的处理器，位于各个不同的电池储能系统本地，采集bms、pcs、ems和动环辅助设备等的数据。
[0038]
其中，bms数据包括电池系统数据如电芯、电池模组、电池模块、电池簇和电池系统的电压、电流、温度、co/h2等气体含量等；pcs数据包括运行控制指令、输入输出电能指标、pcs设备关键部件如散热片温度、风扇转速、igbt等主功率管的结温，等；ems数据包括调度或上位机指令、电网并网点状态等；动环辅助设备数据包括消防、空调、通风、储能系统室不同布点温度和湿度、视频图像等。
[0039]
端处理器配置本地储能系统的数据采集处理功能、电池系统状态计算模型、多级预警和告警功能、簇间/簇内均衡功能、人机交互界面等。
[0040]
端处理器将采集和分析处理后的本地储能系统数据和信息上传给云计算中心数据库。模型库配置多个典型的电池系统模型，具有电芯、模组、模块、电池簇和电池系统多个不同层级，考虑安装方式、运行年限、动环特点等区别。
[0041]“云”位于远程服务器或虚拟服务器的计算中心，通过网络与各个电池储能系统连接，主要包括数据库、模型库、应用开发程序和人机界面等。
[0042]
云计算中心根据大量储能系统的实际运行数据和信息，通过数据驱动的智能算法对模型的参数进行持续优化和定期修正，形成了储能系统的数字孪生体。数字孪生体的预测数据与储能系统物理实体的运行数据不断比对，并对模型参数进行优化调整，使孪生体的模型具有强适应能力和精确度。
[0043]
从不同本地电池储能系统收集的所有数据和信息都聚合在云平台中。本发明使用机器学习(ml)对模型进行参数优化。ml可以从数据中学习，无需额外的手动编程，适用于电池以及模块、电池组和集群的复杂变化和固有可变性。电池系统的参数可以在定期或发生较大变化时进行优化。然后将刷新后的参数发送到本地电池储能系统更新相应的参数。
[0044]
根据本发明的一个实施例，基于云的数字孪生模型的运行机制如下：
[0045]
云平台接收分散的本地电池储能系统站点的数据和信息。然后将数据和信息汇总并与来自同时运行的数字孪生的数据进行比较，并通过它们的误差协方差或其他指标进行判断，以评估它们的差异。如果实际储能系统和数字孪生之间的差异超过一定值，则通过机器学习程序优化数字孪生的参数。
[0046]
数字孪生模型的输出包括电池系统的关键参数以及它们之间的相关性。电池模型可以是基于电化学的、基于等效电路的和基于数据驱动的。模型库按一定周期读写，下发某电池储能系统站的等效阻抗、额定容量等典型参数。本地控制器接收来自数字孪生模型的信息，然后调整本地电池模型或方程的参数。
[0047]
同时在云平台通过机器学习分析电池等设备的老化或故障。紧急故障立即发送到相应的本地控制器，故障库写入数字孪生中。电池储能系统数字孪生模型的运行机制如图3所示。
[0048]
根据本发明的实施例，本发明的数字孪生模型的建模和状态估计方法如下。
[0049]
首先进行电池建模，电池是电池储能系统的核心，对内部运行状态和外部条件很敏感。因此，电池的建模对于获得准确的状态描述和估计是最重要的。如上所述，可以根据电池的电化学特征、等效电路和描述输入
‑
输出相关性的数据驱动模型对电池进行建模。但是，上述模型的共同缺点是难以适应内部老化、运行条件和环境变化。因此，理想的模型在结构和参数上不可能是一成不变的。
[0050]
本发明采用等效电路模型(ecm)，如图4所示。ecm是一种戴维宁模型，因其便于建
模和计算而在实践中得到广泛应用。电阻
‑
电容(rc)对的数量越多，描述电池的精度就越高。在本发明中，使用了两对rc，如图4所示，分别为c
n1
/r
n1
和c
n2
/r
n2
。u
noc
表示开路电压，r
no
表示欧姆电阻，u
nt
表示端电压。
[0051]
电池储能系统中的电池通常串联起来，形成具有一定端电压的模块。几个模块串联形成一个电池组，几个电池组形成一个电池组。所以集群的模型与单个电芯有很大的不同。对集群中的所有单元进行建模对于分析和计算来说是复杂的并且是不必要的，因为大多数单元在静态和动态状态上都是相似的。本发明提出了一种基于损耗函数的电池分类方法，将相似的电池归为一类，并建立带主要参数的类模型。目的是为集群中的总类获得一个小的损耗值。如果一个电池的特征变化很大，它所在的类的损耗值就会变大，它就会从这个类中移除并移到另一个与之相似的类中。
[0052]
基于此，孪生体根据预测的各个电池储能系统状态，实现状态估计和剩余寿命预测，并对潜在故障进行预测和预警，由云计算中心及时下发给端处理器，端处理器根据接收到的信息及时进行状态计算模型的基础参数调整、各级预警和告警阈值调整等操作，为电池储能系统的优化运行和智能运维提供服务。
[0053]
根据本发明的一个实施例，利用数字孪生模型，进行soc估计如下：
[0054]
soc
t
定义为当前充电状态与标称电池容量c
n
的比率，如(1)所示。
[0055][0056]
soc
t
不能直接测量，基于电池的戴维宁ecm和通过数字孪生识别的参数，可以估计电池的soc。开路电压uoc与其soc是基于非线性关系的相对关系。然而，电压uoc也不能直接测量。t表示当前时刻，t0为初始时刻，η为放电效率、i为放电电流、soc0为初始荷电状态；从图4的ecm中，uoc可以表示为：
[0057]
u
t
＝u
oc
‑
u1‑
u2‑
ir0ꢀꢀ
(2)
[0058]
当电池处于静置状态时，ut可以被视为uoc。然而，由于微弱的化学反应和离子作用在微观层面，只有在很长一段时间之后，例如几个小时后，上述条件才能有效。
[0059]
通过机器学习算法，可以通过复杂的运行过程和环境条件来识别uoc的值。这为准确的电池开路电压提供了极大的便利。然后可以通过查表或soc
‑
uoc曲线获得soc的值。
[0060]
根据本发明的一个实施例，利用数字孪生模型，进行soh估计如下：
[0061]
电池的soh定义为其老化程度，可以表示为容量衰减和内阻增加，如(3)和(4)所示。因此目前的电池容量和内阻可以用来估计电池的soh。
[0062]
类似地，可以通过机器学习程序识别当前的电池容量及其欧姆电阻。然后从容量衰减和电阻增加两个方面的soh可以根据(3)和(4)计算。
[0063][0064][0065]
c
current
为电池当前实际容量，c
nominal
为电池标称容量；r
0,t
为当前电池内阻，r
0,0
为电池初始内阻。
[0066]
此外，本发明在电池储能系统的数据来源上，不仅仅局限于电池本身，而是将储能运行模式及充放电电流特点、环境温度等有机结合，使得模型的适应性更强。
[0067]
综上，本发明提出并开发了一种基于云
‑
端数字孪生的电池储能系统状态估计方法，以更好地估计电池储能系统的状态和运行性能。数字孪生为数据驱动建模和大数据分析提供了有效的解决方案，所有分散的电池储能系统连接和数据聚合。电池模型和参数可以通过基于机器学习的算法在特定时间进行迭代和识别。分析了电池储能系统组件及其故障模式，并在云平台上建立了故障库。给出了包含物理系统、数字系统及其运行机制的数字孪生体系结构。此外，提出了一种基于损耗函数的电池单元模型分类方法，以减少存储和计算。
[0068]
尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，且应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。