面向频率可调脉冲工况的混合储能系统联合优化方法

1.一种面向频率可调脉冲工况的混合储能系统联合优化方法，其特征在于，包括如下步骤：基于能量型器件与功率型器件备选型号以及器件参数，在混合储能系统的应用约束范围内生成若干容量配置方案，并确定每一容量配置方案在特定频率的周期性脉冲工况下对应的最优能量管理规则，形成训练数据集；基于训练数据集对神经网络模型进行训练，使神经网络模型能够在输入容量配置方案和脉冲频率后，输出对应的最优能量管理规则；针对频率可调的大功率脉冲工况，在联合优化框架下基于神经网络模型所建立的容量配置-能量管理规则的映射关系进行寻优，输出给定工况下的全局最优的容量配置方案与能量管理规则；在实际应用中，针对特定频率的大功率脉冲工况，基于神经网络模型实时获得最优的能量管理规则，并在脉冲频率调整时实时更新能量管理规则，以保证混合储能系统的最优性能。 2.根据权利要求1所述的面向频率可调脉冲工况的混合储能系统联合优化方法，其特征在于，所述训练数据集的构建过程具体为：基于能量型器件与功率型器件的备选型号，以及供货厂家提供的器件参数，在混合储能系统电压等级约束、功率性能约束以及体积质量约束范围内，采用抽样方法生成若干容量配置方案，得到容量配置方案集；基于工况数据中脉冲频率的可变范围，采用抽样方法抽取多个脉冲频率，与工况数据中的固定参数组成包含多组不同频率的周期性脉冲工况的工况数据集；对于每个容量配置方案，对混合储能系统在工况数据集中的每一个频率的工况下的功率分配进行寻优，得到每个容量配置方案在多个频率的周期性脉冲工况下对应的最优功率分配曲线，并对最优功率分配曲线进行拟合，提取拟合函数参数作为能量管理规则的数值表示。 3.根据权利要求2所述的面向频率可调脉冲工况的混合储能系统联合优化方法，其特征在于，所述抽样方法为蒙特卡洛法或随机抽样法。 4.根据权利要求2所述的面向频率可调脉冲工况的混合储能系统联合优化方法，其特征在于，采用动态规划方法、庞特里亚金极小值原理法、粒子群算法或遗传算法对混合储能系统在工况数据集中的每一个频率的工况下的功率分配进行寻优。 5.根据权利要求1至4任一项所述的面向频率可调脉冲工况的混合储能系统联合优化方法，其特征在于，所述联合优化框架由神经网络模型与优化算法组成。 6.根据权利要求5所述的面向频率可调脉冲工况的混合储能系统联合优化方法，其特征在于，所述优化算法为进化算法，所述在联合优化框架下基于神经网络模型所建立的容量配置-能量管理规则的映射关系进行寻优，具体为：将包括备选器件相关数据、负载工况在内的优化所需基础数据输入到进化算法中，完成混合储能系统功率、电压电流约束以及电池、电容单体最大串并联数的约束表达，随后在约束围成的可行域中抽取可行解组成初始种群，即备选容量配置方案的集合；基于神经网络模型输出的不同脉冲频率下的最优能量管理规则进行初始种群中每个个体目标函数值的仿真计算，依据目标函数值的优劣对上一代种群进行非支配排序或交叉变异操作产生下一代种群，并在进化算法框架内不断循环迭代至预设的终止代数，输出最后一次迭代获得的容量配置方案形成的帕累托前沿。