本發明涉及微電網儲能技術領域，特別是一種適用于多能源微電網的基于最小二乘支持向量機的微電網儲能SOC估算方法和系統。
背景技術：
隨著新一輪電改方案的逐步落實，售電側市場將放開，將大大拓展微電網的發展空間。微電網是通過控制系統、儲能系統協調平衡多種分布式能源，平時與大電網并聯，富余電力輸入大電網或儲能系統，發電不足時從大電網購入電力或使用存儲的電力，當遇到大電網發生故障時則快速解列，孤網運行，保障主要負荷。微電網系統中儲能的成本較高，考慮到微網運行的經濟成本，應在保證微網系統安全運行的情況下，盡量延長儲能的壽命。蓄電池是目前微網系統中最常用的儲能形式，電池荷電狀態(SOC)是儲能系統充放電控制中的一個重要參考量，影響著儲能系統的安全運行及使用壽命。
由于儲能SOC和很多因素相關且具有很強的非線性，儲能SOC實時估算具有很大的困難。目前，蓄電池SOC的測量方法有放電實驗法、安時法、開路電壓法、內阻測量法、線性模型法及神經網絡法等。其中放電實驗法及內阻測量法在實際工程中不適用；安時法應用廣泛，但需要知道初始SOC大小，且隨著時間的積累，誤差會越來越大；開路電壓法精度高、簡單，但是需要靜置較長時間后才能得到穩定的開路電壓值；內阻測量法只考慮蓄電池的放電電流和內阻兩個基本的因素，計算精度有限，難以對蓄電池容量進行準確的估計；線性模型法適用于低電流、SOC緩變的情況，變電流情況的估計效果要進一步研究；神經網絡法基于經驗風險最小化，有時會陷入局部最小值，結構參數難以確定，缺少適當的理論指導。
技術實現要素：
本發明要解決的技術問題為：利用最小二乘支持向量機，通過挖掘已知數據的規律，實現對未知儲能SOC的估算確定，減小計算誤差，同時可提高蓄電池的壽命和微電網運行的安全性。
本發明采取的技術方案具體為：基于最小二乘支持向量機的微電網儲能SOC估算方法，包括以下步驟：
利用微電網儲能實驗平臺獲取儲能系統在充放電過程中產生的實驗數據；
基于獲取的實驗數據，得到最小二乘支持向量機訓練模型的訓練集樣本和測試集樣本；
基于所述訓練集樣本，獲得最小二乘支持向量機的最優訓練參數；
基于得到的最優參數，利用訓練集樣本對最小二乘支持向量機進行訓練，得到最小二乘支持向量機的訓練模型；
利用測試集樣本對得到的訓練模型進行測試，評價利用上述訓練模型計算SOC是否有效；
若訓練模型測試有效，則利用得到的最小二乘支持向量機訓練模型對微電網中相應類型儲能系統的SOC進行計算，以確定微電網儲能SOC。
利用本發明方法估算得到的微電網蓄電池SOC值，可以為后續微電網中的蓄電池控制提供依據，防止蓄電池深度充放電，從而提高蓄電池壽命及微電網運行的安全性。在對實際微電網儲能SOC進行估算時，可參考儲能實驗平臺獲取數據的方法，獲取微電網中儲能系統在實際充放電過程中包括電壓、電流、溫度的相關數據，作為最小二乘支持向量機訓練模型的輸入量，然后通過最小二乘支持向量機訓練模型得到輸出量，即SOC計算結果。儲能實驗平臺中的實驗對象儲能系統類型與實際需要進行估算的微電網儲能系統類型一致。
進一步的，本發明中，儲能系統的充放電過程包括恒流充電狀態過程、恒流放電狀態過程和交替恒流充放電狀態過程；充放電過程中產生的實驗數據包括上述各過程中分別產生的電壓、電流、溫度及SOC數據。
具體的，利用微電網儲能實驗平臺，獲取儲能系統在充放電過程中的實驗數據，包括步驟：
將充滿電的蓄電池靜止第一設定時長后，使蓄電池工作在恒定電流放電運行狀態，以采樣周期t1，采樣獲得蓄電池在當前狀態下的電壓數據序列、電流數據序列、溫度數據序列及SOC數據序列；
將蓄電池靜止第二設定時長后，使蓄電池工作在恒定電流充電運行狀態，以采樣周期t2，采樣獲得蓄電池在當前狀態下的電壓數據序列、電流數據序列、溫度數據序列及SOC數據序列；
將待蓄電池充滿電后靜止第三設定時長，使蓄電池工作在恒定電流交替充電、放電的運行狀態，以采樣周期為t3，獲得蓄電池在當前狀態下的電壓數據序列、電流數據序列、溫度數據序列及SOC數據序列。
蓄電池在試驗過程中，上述第一設定時長、第二設定時長、第三設定時長可根據經驗或需要設置，只需使得蓄電池狀態穩定即可，為現有技術。采樣周期t1、t2、t3亦根據需要設定，如1s。對蓄電池進行充放電時，使蓄電池工作在恒定電流充放電的狀態，如工作在恒定0.25c充電運行或恒定0.25c放電運行，或者恒定0.25c充電、放電交替運行。充放電的電流大小可根據需要設定，可為0.25c、0.3c或其它數值。
以上儲能系統處于各狀態的數據獲取實驗過程可連續進行，也可分別進行，狀態轉換之間的靜置有助于得到穩定的測試數據，進而可提高最終計算數據的準確度。若分別進行，實驗前使得儲能系統靜置一段時間也同樣使得實驗結果數據更能夠反應真實情況。
更進一步的，本發明中，所述訓練集和測試集樣本的數據集為：
其中，M為數據采樣點數，
寫成矩陣的形式即為：
式中，x1(n)為電壓序列，x2(n)為電流序列，x3(n)為溫度序列；y(n)為SOC序列；
且存在映射函數：
Y(n)＝F(X(n)) 4)
滿足蓄電池電壓、電流、溫度與對應的SOC數據之間的關系。
本發明中，最小二乘支持向量機的訓練目標是構建映射函數y＝f(x)，優選的，定義映射函數類型為f(x)＝(ω·x)+b，引入松弛變量ξi≥0及正則化參數γ的最小二乘支持向量機的描述如下：
其中，(xi,yi)為訓練集樣本數據，l為訓練集樣本數據個數；
最小二乘支持向量機的核函數選取RBF核函數，RBF核函數通常定義為空間中任一點x到某一中心xc之間歐氏距離的單調函數：
其中，xc為核函數中心，σ2為核函數參數。
優選的，本發明中，利用N次交叉驗證方法，獲得最小二乘支持向量機的最優訓練參數；所述N次交叉驗證方法中，N＝10；交叉驗證前，給定最小二乘支持向量機的正則化參數γ范圍為γ∈[γmin,γmax]，核函數參數σ2范圍為σ2∈[σ2min,σ2max]，交叉驗證訓練時，在γ和σ2的上述范圍內遍歷取值，對每一個參數組合(γ，σ2)均進行N次交叉驗證，有助于得到SOC計算結果更可靠的最小二乘支持向量機的訓練模型。
本發明還公開一種基于最小二乘支持向量機的微電網儲能確定系統，其包括：
實驗數據獲取模塊，利用包含儲能系統的微電網儲能實驗平臺，獲取儲能系統在充放電過程中產生的實驗數據；基于所述實驗數據建立最小二乘支持向量機訓練模型的訓練集樣本和測試集樣本；
最小二乘支持向量機訓練模塊，利用所述訓練集樣本，通過N次交叉驗證方法，獲得最小二乘支持向量機的最優訓練參數；基于所述最優訓練參數，利用所述訓練集樣本對最小二乘支持向量機進行訓練，得到最小二乘支持向量機的訓練模型；
最小二乘支持向量機測試模塊，利用所述測試集樣本對最小二乘支持向量機訓練模型進行測試，以評價最小二乘支持向量機訓練模型的有效性；
微電網儲能SOC確定模塊，以實際微電網中儲能系統的SOC相關狀態數據作為輸入，利用測試有效的最小二乘支持向量機訓練模型，確定實際微電網中相應類型儲能系統的SOC；所述SOC相關狀態數據包括儲能系統的電壓、電流和溫度數據。
實驗數據獲取模塊中，儲能系統的充放電過程包括恒流充電狀態過程、恒流放電狀態過程和交替恒流充放電狀態過程；充放電過程中產生的實驗數據包括上述各過程中分別產生的電壓、電流、溫度及SOC數據。
本發明系統中，定義儲能系統充放電過程中產生的電壓、電流和溫度數據，與SOC數據之間的映射函數類型為f(x)＝(ω·x)+b，引入松弛變量ξi≥0及正則化參數γ的最小二乘支持向量機的描述如下：
其中，(xi,yi)為訓練集樣本數據，l為訓練集樣本數據個數；
最小二乘支持向量機的核函數選取RBF核函數，RBF核函數定義為空間中任一點x到某一中心xc之間歐氏距離的單調函數：
其中，xc為核函數中心，σ2為核函數參數。
最小二乘支持向量機訓練模塊中，利用N次交叉驗證方法，獲得最小二乘支持向量機的最優訓練參數；所述N次交叉驗證方法中，N＝10；交叉驗證前，給定最小二乘支持向量機的正則化參數γ范圍為γ∈[γmin,γmax]，核函數參數σ2范圍為σ2∈[σ2min,σ2max]，交叉驗證訓練時，在γ和σ2的上述范圍內遍歷取值，對每一個參數組合(γ，σ2)均進行N次交叉驗證。
有益效果
與現有技術比，本發明具有以下優點和進步：
(1)本發明能夠充分考慮與儲能SOC相關的因素，通過搭建包含儲能系統的實驗平臺對儲能系統充放電過程中的工作參數進行測量，進而利用最小二乘支持向量機挖掘出已知數據的內在規律，最終能夠有效實現實際微電網儲能SOC的估算；
(2)本發明能夠克服現有技術采用的安時法初始SOC難以確定，及開路電壓法需要長時間靜止的缺點，而是通過多次的訓練得到最小二乘支持向量機訓練模型，并通過測試集對得到的訓練模型進行有效性評價，以保證對實際微電網儲能SOC估算時的可靠性，不存在累計誤差；
(3)利用本發明估算得到實際微電網儲能系統SOC值，能夠為儲能系統的充放電控制提供依據，防止蓄電池進行深度充放電，從而提高蓄電池壽命及微電網運行的安全性。
附圖說明
圖1為本發明方法流程示意圖。
具體實施方式
下面結合附圖和具體實施例對本發明作更進一步的說明。
參考圖1，本發明基于最小二乘支持向量機的微電網儲能SOC估算方法，包括以下步驟：
搭建包含儲能系統的微電網儲能實驗平臺，利用儲能實驗平臺獲取儲能系統在充放電過程中產生的實驗數據，實驗數據包括電壓、電流、溫度及SOC；
基于獲取的實驗數據，得到最小二乘支持向量機訓練模型的訓練集樣本和測試集樣本；
基于所述訓練集樣本，獲得最小二乘支持向量機的最優訓練參數；
基于得到的最優參數，利用訓練集樣本對最小二乘支持向量機進行訓練，得到最小二乘支持向量機的訓練模型；
利用測試集樣本對得到的訓練模型進行測試，評價利用上述訓練模型計算SOC是否有效；
若訓練模型測試有效，則利用前述得到的最小二乘支持向量機訓練模型對微電網中相應類型儲能系統的SOC進行計算，以確定微電網儲能SOC。
利用本發明方法估算得到的微電網蓄電池SOC值，可以為后續微電網中的蓄電池控制提供依據，防止蓄電池深度充放電，從而提高蓄電池壽命及微電網運行的安全性。在對實際微電網儲能SOC進行估算時，可參考儲能實驗平臺獲取數據的方法，獲取微電網中儲能系統在實際充放電過程中包括電壓、電流、溫度的相關數據，作為最小二乘支持向量機訓練模型的輸入量，然后通過最小二乘支持向量機訓練模型得到輸出量，即SOC計算結果。
實施例
本實施例的微電網儲能系統SOC估算方法的具體步驟為：
(1)搭建包含儲能系統的微電網實驗平臺：
可根據實際需要計算的微電網儲能系統類型進行實驗平臺的搭建。目前微電網中應用最多的是鉛酸蓄電池，本實施例中選擇額定電壓12V，電池容量為50Ah的鉛酸蓄電池作為實驗對象。利用數據采集設備收集并存儲蓄電池運行過程中的電壓、電流及溫度信號，并在處理器中還原成實際數值。對于儲能系統實驗數據的測量獲取可采用現有技術。
(2)利用實驗平臺分別測量得到儲能系統在充放電過程中的電壓、電流、溫度及SOC，具體步驟為：
(2-1)將充滿電的蓄電池靜止一段時間，再使蓄電池工作在恒定0.25C放電運行狀態，采樣周期為1s，獲得蓄電池在此狀態下的電壓序列、電流序列、溫度序列及SOC序列；
(2-2)使完成(2-1)步驟的蓄電池靜止一段時間，再使蓄電池工作在恒定0.25C充電運行狀態，采樣周期為1s，獲得蓄電池在此狀態下的電壓序列、電流序列、溫度序列及SOC序列；
(2-3)將充滿電的蓄電池靜止一段時間，再使蓄電池工作在恒定0.25C交替充電、放電的運行狀態，采樣周期為1s，獲得蓄電池在此狀態下的電壓序列、電流序列、溫度序列及SOC序列；
(3)根據電壓、電流、溫度及SOC序列，得到最小二乘支持向量機模型中的訓練集和測試集樣本。
基于上述步驟，得到的數據集為：
其中，
寫成矩陣的形式即為：
式中，x1(n)為電壓序列，x2(n)為電流序列，x3(n)為溫度序列；y(n)為SOC序列。
根據已獲得的蓄電池電壓、電流和溫度對應的SOC數據，可以找到一個映射函數，使得
Y(n)＝F(X(n)) 4)
定義儲能系統充放電過程中產生的電壓、電流和溫度數據，與SOC數據之間的映射函數類型為f(x)＝(ω·x)+b，引入松弛變量ξi≥0及正則化參數γ的最小二乘支持向量機的描述如下：
其中，(xi,yi)為訓練集樣本數據，l為訓練集樣本數據個數；
由于SOC與蓄電池電壓、電流和溫度存在很強的非線性，針對非線性回歸問題，需要引入核函數方法來求解。本發明中選用RBF核函數，RBF核函數定義為空間中任一點x到某一中心xc之間歐氏距離的單調函數：如式5)所示。故最小二乘支持向量機預測模型中有兩個參數需要選擇，即正則化參數γ和核函數參數σ2。
其中，xc為核函數中心，σ2為核函數參數。
(4)利用N次交叉驗證方法選擇最小二乘支持向量機的訓練集的訓練參數：
將訓練集分割成N個子集，N一般大于等于2，其中一個子集被保留作為驗證模型的數據，其他N-1個子集用來訓練。交叉驗證重復N次，每個子集驗證一次。在訓練前，給定正則化參數γ和核函數參數σ2的范圍，即γ∈[γmin,γmax]，σ2∈[σ2min,σ2max]，使γ和σ2在這個范圍內遍歷取值，對每一個組合參數均進行N次交叉驗證。選取均方誤差MSE(Mean Square Error)作為評價指標，將N次測試結果的MSE取平均值作為參數對應的指標，最后選擇指標最高(即MSE最小)的一組參數組合作為最終的最優參數。
本實施例中,選取γ∈[1,10000]，σ2∈[0.01,10000]，N＝10。相當于進行了N次訓練和N次測試，進而得到所需的最優參數組合(γ，σ2)。
(5)利用訓練集的樣本數據，通過已選擇的最優訓練參數對最小二乘支持向量機進行訓練，進而得到訓練模型。
(6)利用測試集樣本對得到的訓練模型進行測試，以評價上述訓練模型計算SOC的有效性。
本步驟中，將利用訓練模型得到的SOC數據與利用實驗平臺獲取的實際SOC數據進行比較，根據均方誤差和相對誤差的大小判斷利用最小二乘支持向量機訓練模型計算SOC的方法的有效性。
如果計算出來的SOC與實際的SOC誤差小，則證明此方法計算SOC有效、可靠；如果誤差很大則證明前述得到的最小二乘支持向量機不可靠不適用。
(7)若經測試后驗證所得到的最小二乘支持向量機訓練模型可靠有效，則利用前述得到的最小二乘支持向量機訓練模型對實際微電網中相應類型儲能系統的SOC進行計算。
在進行實際計算時，參考儲能實驗平臺獲取實驗數據的方法，獲取微電網中儲能系統在充放電過程中包括電壓、電流、溫度的相關數據，作為最小二乘支持向量機訓練模型的輸入量，然后通過最小二乘支持向量機訓練模型得到輸出量，即SOC計算結果。
實施例
本實施例為基于最小二乘支持向量機的微電網儲能確定系統，其包括：
實驗數據獲取模塊，利用包含儲能系統的微電網儲能實驗平臺，獲取儲能系統在充放電過程中產生的實驗數據，所述實驗數據包括電壓、電流、溫度及SOC；基于所述實驗數據建立最小二乘支持向量機訓練模型的訓練集樣本和測試集樣本；
最小二乘支持向量機訓練模塊，選取最小二乘支持向量機訓練模型的核函數，利用所述訓練集樣本，獲得最小二乘支持向量機的最優訓練參數；基于所述最優訓練參數，利用所述訓練集樣本對最小二乘支持向量機進行訓練，得到最小二乘支持向量機的訓練模型；
最小二乘支持向量機測試模塊，利用所述測試集樣本對最小二乘支持向量機訓練模型進行測試，以評價最小二乘支持向量機訓練模型的有效性；
微電網儲能SOC確定模塊，以實際微電網中儲能系統的SOC相關狀態數據作為輸入，利用測試有效的最小二乘支持向量機訓練模型，確定實際微電網中相應類型儲能系統的SOC；所述SOC相關狀態數據包括儲能系統的電壓、電流和溫度數據。
實驗數據獲取模塊中，儲能系統的充放電過程包括恒流充電狀態過程、恒流放電狀態過程和交替恒流充放電狀態過程；充放電過程中產生的實驗數據包括上述各過程中分別產生的電壓、電流、溫度及SOC數據。
本實施例中，定義儲能系統充放電過程中產生的電壓、電流和溫度數據，與SOC數據之間的映射函數類型為f(x)＝(ω·x)+b，引入松弛變量ξi≥0及正則化參數γ的最小二乘支持向量機的描述如下：
其中，(xi,yi)為訓練集樣本數據，l為訓練集樣本數據個數；
最小二乘支持向量機的核函數選取RBF核函數，RBF核函數定義為空間中任一點x到某一中心xc之間歐氏距離的單調函數：
其中，xc為核函數中心，σ2為核函數參數。
最小二乘支持向量機訓練模塊中，利用N次交叉驗證方法，獲得最小二乘支持向量機的最優訓練參數；所述N次交叉驗證方法中，N＝10；交叉驗證前，給定最小二乘支持向量機的正則化參數γ范圍為γ∈[γmin,γmax]，核函數參數σ2范圍為σ2∈[σ2min,σ2max]，交叉驗證訓練時，在γ和σ2的上述范圍內遍歷取值，對每一個參數組合(γ，σ2)均進行N次交叉驗證。
以上所述僅是本發明的優選實施方式，應當指出：對于本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發明的保護范圍。
本領域內的技術人員應明白，本申請的實施例可提供為方法、系統、或計算機程序產品。因此，本申請可采用完全硬件實施例、完全軟件實施例、或結合軟件和硬件方面的實施例的形式。而且，本申請可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(包括但不限于磁盤存儲器、CD-ROM、光學存儲器等)上實施的計算機程序產品的形式。
本申請是參照根據本申請實施例的方法、設備(系統)、和計算機程序產品的流程圖和/或方框圖來描述的。應理解可由計算機程序指令實現流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結合。可提供這些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數據處理設備的處理器以產生一個機器，使得通過計算機或其他可編程數據處理設備的處理器執行的指令產生用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。
這些計算機程序指令也可存儲在能引導計算機或其他可編程數據處理設備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產生包括指令裝置的制造品，該指令裝置實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。
這些計算機程序指令也可裝載到計算機或其他可編程數據處理設備上，使得在計算機或其他可編程設備上執行一系列操作步驟以產生計算機實現的處理，從而在計算機或其他可編程設備上執行的指令提供用于實現在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。