基于GBDT机器学习预测的液流电池电压拐点SOC校验方法，属于电力电子与长时储能控制相结合的应用基础技术领域。本发明专利技术针对当前ZBFB尚无成型的SOC精确测量技术及评估算法的不足，将机器学习中的GBDT算法应用于ZBFB的SOC实时计算与校验，所做工作可有效提高ZBFB电压拐点处的SOC计算精度，可为开发通用的液流电池SOC算法提供参考。相比于现有技术，具有如下优点：(1)可根据若干组具有代表性的特征数据，采用与ZBFB放电电压拐点处SOC测量相匹配的GBDT校验算法，实现ZBFB拐点处SOC的高精度评估；(2)应用基于极限环分析的GBDT算法校验与时效性判定准则，解决GBDT算法耗时较长的问题，从算法层面为提高GBDT的时效性提供了计算依托。
【技术实现步骤摘要】
本专利技术属于电力电子与长时储能控制相结合的应用基础，涉及一种基于gbdt(gradient boosting decision tree)的电池放电电压拐点处soc(state of charge)高精度评估与校验方法。
技术介绍
1、锌溴液流电池(zinc bromine flow battery，zbfb)的荷电状态(state ofcharge，soc)的精确测量对于提高电池可靠性、实现串联均压与抑制并联环流，推进其在长时储能领域的应用极具实效。但由于电池自身固有的电化学反应特性及自放电、库伦效率、电解液温度、流速及放电倍率的影响，其放电后期会产生不可避免的电压拐点，受bms(battery management system)采样频率限制，拐点处突降的电压极易导致采样电压、电流失真，由此影响到soc的计算精度，这是经典的soc计算方法与当前的测量技术难以完全解决的，因此亟待研究一种为zbfb放电电压拐点处的soc辨识提供求解的可行方法。
2、gbdt是一种基于时间序列的高精度预测算法，优点在于预测准确性、鲁棒性及小样本计算能力，但由于树的数量与深度、学习率等参数的实时调整导致训练时间较长，进而影响到电池soc监控的实时性，这是将其应用于zbfb电压拐点处soc辨识的瓶颈之一。前期研究表明，并非所有zbfb放电电压拐点处的soc均存在失真，只是部分拐点存在这种情况。由于zbfb放电电压拐点数据具有小样本的特点，因此只需对soc失真的拐点进行gbdt辨识与校正，这样就可以大大降低gbdt的计算成本与运行时间。</p>
技术实现思路
1、本专利技术的目的是为了解决经典soc计算方法受bms的采样频率的影响而无法实现高精度预测的瓶颈问题，提供一种基于极限环辅助gbdt分析的液流电池电压拐点soc辨识方法，可为开发通用的液流电池soc高精度计算算法开发提供参考。该方法重点解决以下问题：①开发基于zbfb放电电压与电流进行电池soc辨识的gbdt高效求解算法；②研究依托于极限环分析的zbfb放电电压拐点处soc失真判定的求解方法。
2、本专利技术的目的是通过以下技术方案实现的：
3、基于gbdt机器学习预测的液流电池电压拐点soc校验方法，所述方法包括如下步骤：
4、步骤一：建立锌溴液流电池综合实验平台，包含锌溴液流电池本体、bms、ems、pcs以及负载交流电机；其中，bms用于电池本体的充放电数据监测，ems用于锌溴液流电池正负极循环泵的供电，pcs用于实现dc/ac的电源转换，负载交流电机用于模拟感性负荷；
5、步骤二：明确实测参数与辨识参数，实测参数包含电压、电流、循环泵转速、充放电时长以及实测soc，辨识参数为电压拐点处soc；应用蓄电池充放电综合测试仪以及bms对实验平台进行24小时实时监测，采样周期为1min，得到实测soc、电池电压以及电池电流数据随时间变化的曲线；
6、步骤三：选择zbfb放电的多个周期内有限的电压、电流采样数据，以标识放电变化特征；在一整段的放电周期内规律间隔地提取有限的特征样本，避开敏感的异常值；
7、步骤四：以提取的有限的特征样本为数据集，并实时给出gbdt的损失函数、学习率，由gbdt求解给出zbfb最佳的soc值，开发可实现实时校验的soc求解范式；
8、步骤五：应用极限环理论推导应用gbdt计算zbfb高精度soc的判定与校验准则，通过减少gbdt的应用次数来提高其在一个完整充放电周期内的计算效率，以提高所提gbdt算法的实时性。
9、进一步地，步骤二中，采样周期为1min，采样的实测数据包括锌溴液流电池实验平台的电压、电流、循环泵转速、充放电时长以及实测soc。
10、进一步地，步骤三中，在所展示的放电周期中规律间隔地提取{(t1,soc1),(t2,soc2),…(tk,sock),…,(tn,socn)}共n个具有代表性的小样本特征数据。
11、考虑到树的数量过多以及深度过于复杂将导致训练时间较长，进而影响到电池soc监控的实时性。经过特征提取后的小样本特征数据数量n＝6，并据此得到相应的电压、电流样本数据集，并按照采集的电压值从低到高排序：
12、d＝{(u1,i1),(u2,i2),…,(uk,ik),…,(un,in)}。
13、进一步地，步骤四中，实时评估电压拐点后的时域内zbfb的soc，构建的gbdt模型实现过程为：
14、(1)输入特征样本数据d＝{(x1,y1),(x2,y2),…(xk,yk),...,(xn,yn)}，输入损失函数l(y,f(x))；其中n为样本个数，(xk,yk)代表第k个特征样本数据，1≤k≤n，χ代表输入空间；1≤k≤n，y代表输出空间；y和f(x)分别代表输出数据和学习器函数；
15、(2)初始化弱学习器：
16、
17、并初始化迭代次数m＝1；其中f0(x)为初始化弱学习器函数，x为输入特征，c为损失函数最小时所取常数；
18、(3)对任一采样数据(xk,yk)，计算残差为：
19、
20、其中，rm,k为第k个特征样本数据在第m轮迭代的伪残差，即为损失函数的负梯度；
21、(4)所计算出来的残差值作为下一次训练的真实值，将拟合数据{(xk,rm,k)}k＝1,2,...,n作为下一次训练的样本数据，得到一颗新的回归树tm，其对应的叶子节点区域为rm,k,k＝1,2,…,jm，其中jm为第m棵回归树的叶子节点数目；
22、(5)应用回归树tm的每个叶子节点计算最佳拟合值：
23、
24、其中，cm,k为叶子区域的最佳拟合值，fm-1(xk)代表第m-1轮迭代的学习器给出的样本数据xk的预测值；
25、(6)刷新强学习器：
26、
27、其中，fm(x)为第m轮迭代的学习器，i为指示记号其值取1，其用于在节点区域拟合分类器；
28、(7)完成m轮迭代后得到最后的提升回归树：
29、
30、其中，m为迭代次数，即树的数量；
31、(8)获取及分析最优的决策树
32、(9)通过与基本样本比较验证
33、(10)如果预测值合理则输出反之m＝m+1，从(3)开始重复上述计算过程。
34、依据gbdt的算法求解流程，初始化第一个弱学习器应使损失函数最小。计算得到实测所得soc相对于第一个弱学习器的残差，并基于每一个特征数据的遍历值，寻找样本数据最优划分节点；此程序开始于电压u1终止于电流i6；
35、为评估电压拐点后的时域内soc，以优化分割节点左右残差为目的选择u4与i4作为样本划分节点，即将(u4,i4)作为最优划分节点；更进一步，基于方差最小原则与左侧叶子节点与右侧叶子节点的遍历值分析，得到与电压拐点后的时域相对应的树图；基于需本文档来自技高网
...
【技术保护点】
1.基于GBDT机器学习预测的液流电池电压拐点SOC校验方法，其特征在于：所述方法包括如下步骤：
2.根据权利要求1所述的基于GBDT机器学习预测的液流电池电压拐点SOC校验方法，其特征在于：步骤二中，采样周期为1min，采样的实测数据包括锌溴液流电池实验平台的电压、电流、循环泵转速、充放电时长以及实测SOC。
3.根据权利要求1所述的基于GBDT机器学习预测的液流电池电压拐点SOC校验方法，其特征在于：步骤三中，在所展示的放电周期中规律间隔地提取{(t1,SOC1),(t2,SOC2),…(tk,SOCk),…,(tN,SOCN)}共N个具有代表性的小样本特征数据。
4.根据权利要求1所述的基于GBDT机器学习预测的液流电池电压拐点SOC校验方法，其特征在于：步骤四中，实时评估电压拐点后的时域内ZBFB的SOC，构建的GBDT模型实现过程为：
5.根据权利要求1所述的基于GBDT机器学习预测的液流电池电压拐点SOC校验方法，其特征在于：步骤四中，ZBFB在电压拐点处的最优的决策树为下式所示：
6.根据权利要求1所述的基于GBDT机器学习预测的液流电池电压拐点SOC校验方法，其特征在于：步骤五中，在一个完整的充放电周期内，通过放电电压极限环、放电电流极限环分析，判定不同放电时段是否需要GBDT进行SOC校验的必要性，通过减少GBDT的应用次数来提高其在一个完整充放电周期内的计算效率。
...
【技术特征摘要】
1.基于gbdt机器学习预测的液流电池电压拐点soc校验方法，其特征在于：所述方法包括如下步骤：
2.根据权利要求1所述的基于gbdt机器学习预测的液流电池电压拐点soc校验方法，其特征在于：步骤二中，采样周期为1min，采样的实测数据包括锌溴液流电池实验平台的电压、电流、循环泵转速、充放电时长以及实测soc。
3.根据权利要求1所述的基于gbdt机器学习预测的液流电池电压拐点soc校验方法，其特征在于：步骤三中，在所展示的放电周期中规律间隔地提取{(t1,soc1),(t2,soc2),…(tk,sock),…,(tn,socn)}共n个具有代表性的小样本特征数据。
4.根据权利要求1所...
【专利技术属性】
技术研发人员：王立国，韦鑫，
申请(专利权)人：哈尔滨工业大学，
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。