【技术实现步骤摘要】
本专利技术属于液流电池领域，具体为一种基于人工神经网络的全钒液流电池系统荷电状态(stateofcharge，soc)在线预测方法。
技术介绍
1、soc的预测对于全钒液流电池系统的运行十分重要，准确的soc在线预测可显著提高系统的稳定性并降低运维成本。目前，全钒液流电池示范应用中的soc估算方法主要由安时积分法、开路电压法、卡尔曼滤波法和交流阻抗法。然后，全钒液流电池系统在运行过程中，电解液的迁移会造成的电解液失衡，利用以上方法估算电解液失衡后的soc准确度不高。同时，其他已报道的soc检测方法受到仪器和设备的复杂性及高成本等因素的制约，多局限于实验室研究阶段，无法应用于规模化示范及商业运行全钒液流电池系统。
技术实现思路
1、本专利技术的目的在于提供一种全钒液流电池系统soc在线预测方法，在不引入额外的数据采集和检测仪器的条件下，利用全钒液流电池单电池数据，实现对全钒液流电池系统soc的预测。
2、针对现有soc检测方法的局限性和复杂性，本专利技术提出仅利用全钒液流电池充放电过程的充放电循环数据，在不引入附加的复杂采集仪器和测量设备的条件下，实现soc在线预测的方法。人工神经网络理论上可以用来拟合任意复杂的函数，因此本专利技术提出通过离线配置一系列不同soc的正负极电解液，利用单电池充放电过程中的充放电特征，采用人工神经网络建模预测全钒液流电池单电池的soc，将该模型应用到全钒液流电池系统中可以实现全钒液流电池soc的在线监测。该方法成本低、易于实现，通过单电池的充
3、本专利技术为实现上述目的所采用的技术方案是：基于人工神经网络的全钒液流电池soc预测方法，包括以下步骤：
4、获取充放电循环中的充放电特征作为特征向量x，以正极soc作为目标y，建立数据库；将数据库中每个充放电电流密度下的第二次充放电循环数据作为训练数据集，用来训练模型；第三次充放电循环的数据作为测试数据集，用来检验模型精度；
5、将训练集输入到神经网络模型进行训练，得到训练后的全钒液流电池正极soc预测模型；
6、采集充放电循环中的充放电特征，作为特征向量x，输入至全钒液流电池正极soc预测模型，得到全钒液流电池正极soc。
7、所述获取充放电循环中的充放电特征，包括以下步骤：
8、通过配置不同正极soc的全钒电解液，并保持负极soc均为0，组装单电池以进行充放电循环的测试；
9、对所配置的电解液分别进行单电池充放电循环测试，充放电循环测试方法中的放电模式为恒功率放电或恒流放电；
10、通过测试得到的充放电过程的电流和电压特性获取充放电特征。
11、所述特征向量x包括恒流充放电的电流密度i、恒流充电的起充电压vc_s、恒压充电开始时的电流密度ic_s、充电容量cc、恒流放电初始电压vd_s和搁置平均电压vrelax3。
12、所述特征向量x还包括以下至少一种：搁置时的平均电压vrelax1、搁置时的平均电压vrelax2。
13、所述神经网络模型隐藏层的数量为1～5，每个隐藏层中包含的神经元数量为整数；激活函数为sigmoid、tanh、relu、leaky relu、elu、prelu、softmax、swish、maxout、softplus中的任意一种，神经网络的优化器为sgd、adagrad、adadelta、adam中的任意一种。
14、基于人工神经网络的全钒液流电池soc预测系统，包括：
15、数据集构建模块，用于获取充放电循环中的充放电特征作为特征向量x，以正极soc作为目标y，建立数据库；将数据库中每个充放电电流密度下的第二次充放电循环数据作为训练数据集，用来训练模型；第三次充放电循环的数据作为测试数据集，用来检验模型精度；
16、神经网络模型训练模块，用于将训练集输入到神经网络模型进行训练，得到训练后的全钒液流电池正极soc预测模型；
17、正极soc预测模块，用于采集充放电循环中的充放电特征，作为特征向量x，输入至全钒液流电池正极soc预测模型，得到全钒液流电池正极soc。
18、基于人工神经网络的全钒液流电池soc预测装置，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现所述的基于人工神经网络的全钒液流电池soc预测方法。
19、一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-5任一项所述的基于人工神经网络的全钒液流电池soc预测方法。
20、本专利技术具有以下有益效果及优点：
21、1.本专利技术针对现有soc预测无法对电解液失衡之后的soc做出准确预测的问题，设计上不引入任何额外数据采集装置和检测仪器，利用单电池的测试数据，引入人工神经网络实现对不同正极soc下全钒液流电池soc的预测，可进一步将soc预测模型应用于全钒液流电池系统中。本专利技术具有实验方法简单、成本低、运维容易的优点。
22、2.本专利技术所述的全钒液流电池系统soc在线预测方法，可利用充放电过程的实时数据，对正负极失衡后电解液的soc状态实施在线预测，预测灵敏，结果准确，鲁棒性强。
本文档来自技高网...【技术保护点】
1.基于人工神经网络的全钒液流电池SOC预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工神经网络的全钒液流电池SOC预测方法，其特征在于，所述获取充放电循环中的充放电特征，包括以下步骤：
3.根据权利要求1所述的基于人工神经网络的全钒液流电池SOC预测方法，其特征在于，所述特征向量X包括恒流充放电的电流密度I、恒流充电的起充电压VC_s、恒压充电开始时的电流密度IC_s、充电容量Cc、恒流放电初始电压Vd_s和搁置平均电压Vrelax3。
4.根据权利要求3所述的基于人工神经网络的全钒液流电池SOC预测方法，其特征在于，所述特征向量X还包括以下至少一种：搁置时的平均电压Vrelax1、搁置时的平均电压Vrelax2。
5.根据权利要求1所述的基于人工神经网络的全钒液流电池SOC预测方法，其特征在于，所述神经网络模型隐藏层的数量为1～5，每个隐藏层中包含的神经元数量为整数；激活函数为Sigmoid、Tanh、ReLU、Leaky ReLU、ELU、PReLU、Softmax、Swish、Maxout、Softpl
6.基于人工神经网络的全钒液流电池SOC预测系统，其特征在于，包括：
7.基于人工神经网络的全钒液流电池SOC预测装置，其特征在于，包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如权利要求1-5任一项所述的基于人工神经网络的全钒液流电池SOC预测方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1-5任一项所述的基于人工神经网络的全钒液流电池SOC预测方法。
...【技术特征摘要】
1.基于人工神经网络的全钒液流电池soc预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于人工神经网络的全钒液流电池soc预测方法，其特征在于，所述获取充放电循环中的充放电特征，包括以下步骤：
3.根据权利要求1所述的基于人工神经网络的全钒液流电池soc预测方法，其特征在于，所述特征向量x包括恒流充放电的电流密度i、恒流充电的起充电压vc_s、恒压充电开始时的电流密度ic_s、充电容量cc、恒流放电初始电压vd_s和搁置平均电压vrelax3。
4.根据权利要求3所述的基于人工神经网络的全钒液流电池soc预测方法，其特征在于，所述特征向量x还包括以下至少一种：搁置时的平均电压vrelax1、搁置时的平均电压vrelax2。
5.根据权利要求1所述的基于人工神经网络的全钒液流电池soc预测方法，其特征在于，所述神经网络模型隐藏层的数量为1...
【专利技术属性】
技术研发人员：李天宇，李先锋，孙佳伟，
申请(专利权)人：中国科学院大连化学物理研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。