面向前瞻调度电池使用工况的分层深度学习退化预测模型
系统与控制
2024-10-23 v2 系统与控制
摘要
电池可通过促进风电与太阳能发电有效提升能源系统安全性并缓解气候变化。近年来电池储能系统（BESS，主要为锂离子电池）的装机容量显著增长。然而，现有启发式电池退化模型无法准确量化电池退化并将其纳入能源管理系统。本文提出一种基于分层深度学习的电池退化量化（HDL-BDQ）模型，用于在给定 BESS 日调度运行计划下量化电池退化。具体而言，提出两个顺序且紧密耦合的深度神经网络，以电池运行工况为输入准确估计退化程度，其性能显著优于现有基于固定或线性速率的退化模型以及单阶段深度神经网络模型。训练结果显示所提系统具有高精度。此外，实现了学习与优化解耦算法，在基于优化的前瞻调度（LAS）问题中策略性地利用所提 HDL-BDQ 模型。案例研究证明了所提 HDL-BDQ 模型在微电网测试平台 LAS 中的有效性。
引用
@article{arxiv.2303.03386,
title = {Hierarchical Deep Learning Model for Degradation Prediction per Look-Ahead Scheduled Battery Usage Profile},
author = {Cunzhi Zhao and Xingpeng Li},
journal= {arXiv preprint arXiv:2303.03386},
year = {2024}
}
备注
12 pages