CN117613421B 一种基于神经网络的储能电池组管理系统的均衡方法及介质 （北京中铁建电气化设计研究院有限公司）

技园区西井路3号崇新大厦1号楼一种基于神经网络的储能电池组管理系统本申请公开了一种基于神经网络的储能电型并利用训练后的LSTM模型生成电池组均衡控23获取各电池组的基础数据和健康状态参数，健康状态参数包含建立基于注意力机制的LSTM神经网络模型，输入为获取的基础数据和健康状态参数，使用包含电池组健康状态参数的历史运行数据训练LSTM神经利用强化学习模型，将LSTM神经网络模将生成的电池组计划调度动作输入价值网络Critic，价值网络Critic输出电池组策略网络Actor根据价值网络Critic输出的价值Q，调整输出的电池组计划调度动作，2.根据权利要求1所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在建立基于注意力机制的LSTM神经网络模型，输入为获取的基础数据和健康状态参数，根据电池组的健康状态参数，采用机器学习模型或经验学习模型在注意力机制中，将电池组的健康状态参数输入剩余寿命估根据注意力因子生成反映健康状态参数对电池组的寿命影响的注意3.根据权利要求2所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在寿命经验模型采用查表法预存不同电池组的循环次数和容量衰减值下电池组的平均4.根据权利要求2所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在4根据注意力向量调整健康状态参数对LSTM神经网络模型不同时刻的隐状态的影响程在LSTM神经网络模型的输入门中，将注意力在LSTM神经网络模型的输出门中，将注意力调节后的细胞状将调节后的隐状态向量作为LSTM神经网络模型当前时刻的输出隐状其中，细胞状态向量为LSTM神经网络模5.根据权利要求1所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在建立包含策略网络Actor和价值网络Critic的强化学习模型，其中，策略网络A将LSTM神经网络模型输出的电池组均衡控制策略作为环境状态输入提供给策略网络将策略网络Actor输出的电池组计划调度动作输入价值网络C价值网络Critic根据当前环境状态和电池组计划调将Q值反馈给策略网络Actor，策略网络Actor根据价值Q中反重复上述步骤，通过策略梯度算法利用价值Q更新策略网络A6.根据权利要求5所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在策略网络Actor的策略梯度算法为基于电池组健康状态参数的策略梯度损失函数，策R=λX(C_Cthreshold)57.根据权利要求6所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在008.根据权利要求1所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在利用训练后的LSTM神经网络模型，根据每个电9.根据权利要求8所述的基于神经网络的储能电池组管理系统的均衡方法，其特征在6充/放电计划输入预先建立的电池计划调整模型，输出本次用于对电池模块进行操作的最网络的储能电池组管理系统的均衡方法及介质，通过对电池组的健康状态进行精确评估，[0009]本说明书实施例的一个方面提供一种基于神经网络的储能电池组管理系统的均7[0010]其中，LSTM神经网络模型为长短期记忆神经网络模型。LSTM全称为LongShort忆单元(MemoryCell)可以维持历史状态的记忆。输入门后的LSTM神经网络模型生成电池组均衡控制策略；收集电池组长周期的历史运行数据集，8Actor网络的输出是电池组计划调度动作的概率分布，可以通过选择具有最高概率的动作9作的优劣程度。Critic通过训练学习更准确地评估不同动作的Q值。在电池组调度中，[0018]价值Q是强化学习系统中价值网络Critic输出的状态动作价值评估。它反映了在[0019]电池组计划调度动作指的是策略网络Actor根据环境状态所生成的电池组的具体网络的电池组管理系统，充分利用细胞状态向量和隐状态向量来实现性能监测和寿命预[0028]其中，在本申请中，策略梯度函数包含，普通策略梯度(VanillaPolicy组计划调度动作生成，概率分布输出Actor网络输出的概率分布可用于生成新的电池组计[0031]进一步地，电池组的当前可循环次数C为根据电池组的初始可循环次数和当前循[0032]初始可循环次数C0，初始可循环次数C0应基于电池组的设些参数是评估电芯健康状态的关键指标。LSTM神经网络模型应用，使用长短时记忆网络习电芯健康状态参数与剩余可循环次数之间的复杂关系。剩余寿命预测，利用训练后的组中每个电芯的健康状态的实时监测和管理。使用LSTM神经网络模型进行剩余寿命的预[0039](2)强化学习模型可以根据电池组寿命状况生成动态优化的电池组计划调度策[0040](3)对电池组内部电芯实时监测和有针对性地采取主动均衡措施，可以减缓电池[0042]图1是根据本说明书一些实施例所示的一种基于神经网络的储能电池组管理系统[0046]图1是根据本说明书一些实施例所示的一种基于神经网络的储能电池组管理系统输入，用于生成电池组的计划调度动作。S160生成的电池组计划调度动作输入价值网络康状态参数对LSTM模型隐状态的影响程度的步骤是通过在LSTM模型的输入门和输出门中健康状态参数对LSTM神经网络模型不同时刻的隐状态的影响程度。通过引入注意力机制，本申请有效地利用电池组的健康状态参数，提高了LSTM模型对电池组剩余寿命的估计精神经网络模型不同时刻的隐状态的影响程度。LSTM神经网络模型输出电池组均衡控制策经验模型采用查表法预存不同电池组的循环次数和容量衰减值下电池组的平均寿命数据。力机制中，将经验学习模型的预测结果与电池组的健康状态参数输入剩余寿命估计模型，[0051]图3是根据本说明书一些实施例所示的生成最小计划调度动作的示例性流程图，网络模型输出的电池组均衡控制策略作为环境状态输入提供给策略网络Actor。S153策略Actor输出的电池组计划调度动作输入价值网络Critic。价值网络Critic根据当前环境状[0053]具体地，策略网络Actor的策略梯度算法为基于电池组健康状态参数的策略梯度[0054]具体地，电池组的当前可循环次数C为根据电池组的初始可循环次数和当前循环0_n上一时刻的细胞状态向量c(t_1)进行按元素乘法，生成调节后的细胞状态