CN112098845B - 一种用于分布式储能系统的锂电池状态估计方法 - Google Patents

Abstract

本发明公开了一种用于分布式储能系统的锂电池状态估计方法，属于锂离子电池应用领域。该方法包括采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型；采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法，实时估计分布式储能单元管理系统的锂电池荷电状态；通过信息交互同步更新锂电池荷电状态估计过程中的电池容量和锂电池健康状态估计模型。本发明在不增加系统硬件成本的前提下，通过信息交互，为SOC估计提供了准确的锂电池容量，同时为大数据SOH估计模型提供了训练样本；进而提高了系统中锂电池SOC与SOH的估计精度，便于后续有效完成系统的能量管理与调度。

Description

一种用于分布式储能系统的锂电池状态估计方法

技术领域

本发明涉及锂离子电池应用领域，具体涉及一种用于分布式储能系统的锂电池状态估计方法。

背景技术

近年，随着新能源汽车的快速发展，锂离子电池技术也得到了显著提升，其能量密度逐年提升，价格却在不断下降，是未来极具潜力的电力储能元件。当前大规模的锂电池储能应用仍然有一定困难，在安全性、成本等各方面面临着一系列挑战。将分散的储能单元联合调度，是充分发挥分布式储能在电力系统中应用价值的重要手段。

在此应用场景下，精确的锂电池荷电状态(State of Charge,SOC)与健康状态(State of Health,SOH)仍然是实现高效调度的必备参数。目前，储能单元对锂电池SOC及SOH的估计仅依赖于各分布式储能单元自身配备的电池管理系统(Battery ManagementSystem,BMS)，而所配备的BMS由于受成本制约，处理器并不具备强大的计算能力，仅能运行复杂度相对较低的算法，导致BMS对锂电池的SOC及SOH估计精度有限。

发明内容

针对现有技术中的上述不足，本发明提供了一种用于分布式储能系统的锂电池状态估计方法。

为了达到上述发明目的，本发明采用的技术方案为：

一种用于分布式储能系统的锂电池状态估计方法，包括以下步骤：

S1、采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型；

S2、采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法，实时估计分布式储能单元管理系统的锂电池荷电状态；

S3、将数据调度中心估计的锂电池健康状态信息与分布式储能单元电池管理系统记录的历史数据进行信息交互，同步更新锂电池荷电状态估计过程中的电池容量和锂电池健康状态估计模型。

优选地，所述步骤S1具体包括：

针对各个分布式储能单元的锂电池进行离线加速老化测试，采集锂电池充电过程中的电流、电压和温度数据作为训练样本，采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型。

优选地，所述锂电池健康状态估计模型的训练方法为：

S11、初始化模型参数，所述模型参数包括学习率η，惯量β，隐含层权重系数W_z、W_r、W_h、W_x、b_z、b_r、b_h，输出层权重系数W_o、b_o；

S12、计算前向传播参数，表示为：

r_t＝σ(W_r[h_t-1,x_t]+b_r)

z_t＝σ(W_z[h_t-1,x_t]+b_z)

y_t＝W_oh_t+b_o

其中，

表示元素相乘运算，σ(x)、tanh(x)为激活函数，x_t为神经网络t时刻的输入，h_t'为临时的隐含层输出，h_t为隐含层t时刻的输出，z_t为更新门在t时刻的输出，r_t为重置门在t时刻的输出，y_t为神经网络的输出；

S13、更新输出层权重系数，表示为：

W_o,t＝W_o,t-1+ΔW_o,t

b_o,t＝b_o,t-1+Δb_o,t

其中，f_cost(x)为损失函数，W_o,t与b_o,t分别为t时刻输出层的权重系数与偏置，ΔW_o,t与Δb_o,t为t时刻输出层权重系数与偏置的变化量，η为学习率，β为动量系数，

与

分别为权重系数与偏置的梯度；

S14、更新隐含层权重系数，表示为：

W_z,t＝W_z,t-1+ΔW_z,t

W_r,t＝W_r,t-1+ΔW_r,t

W_h,t＝W_h,t-1+ΔW_h,t

W_x,t＝W_x,t-1+ΔW_x,t

其中，W_z,t、W_r,t、W_h,t、W_x,t为t时刻隐含层的权重系数，ΔW_z,t、ΔW_r,t、ΔW_h,t、ΔW_x,t为t时刻隐含层权重系数的变化量，

为各权重系数的梯度；

S15、重复步骤S12至S14，直至满足预设训练截止条件。

优选地，所述步骤S2具体包括：

利用锂电池的二阶等效电路模型的输出电压与电池端电压测量值形成偏差，将该偏差作为扩展卡尔曼滤波器的输入，计算锂电池荷电状态估计的校正偏差，进而实时估计分布式储能单元管理系统的锂电池荷电状态。

优选地，所述锂电池的二阶等效电路模型的状态空间方程表示为：

其中，

D＝R₀，T₂为采样时间，R₀、R₁、C₁、R₂、C₂为锂电池的二阶等效电路模型参数，Q_Bat为电池的容量，Q_k、R_k为噪声协方差，X_k＝[U₁,U₂,SOC]为k时刻的状态量，X_k+1为k+1时刻的状态量，Y_k+1为k+1时刻的观测值，且Y_k+1＝U_k+1，u_k为输入值，且u_k＝I_k，U_k、I_k为电压、电流的测量值，U₁、U₂分别为锂电池的二阶等效电路模型中两个电容-电阻网络上的电压值。

优选地，所述扩展卡尔曼滤波器计算锂电池荷电状态估计的校正偏差的方法为：

S21、状态预测，表示为：

X_k+1|k＝A·X_k+B·u_k

S22、协方差预测，表示为：

P_k+1|k＝A·X_k·A+Q_k

S23、计算卡尔曼增益矩阵，表示为：

K_k＝P_k+1|k·C^T·(C·P_k+1|k·C^T+R_k)^-1

S24、状态估计，表示为：

S25、协方差估计，表示为：

P_k+1＝(I-K_k·C)·P_k+1|k

其中，X_k+1|k为状态的一步预测，P_k+1|k为协方差矩阵的一步预测，I为单位矩阵，K_k为卡尔曼增益矩阵，

为状态的估计结果，P_k+1为协方差矩阵。

优选地，所述步骤S3具体包括：

将数据调度中心与分布式储能单元电池管理系统进行信息交互，按照第一周期将数据调度中心估计的锂电池健康状态信息发送至分布式储能单元电池管理系统，更新锂电池荷电状态估计过程中的电池容量；同时按照第二周期将分布式储能单元电池管理系统记录的历史数据上传至数据调度中心，同步更新锂电池健康状态估计模型。

优选地，所述分布式储能单元电池管理系统更新锂电池荷电状态估计过程中的电池容量的公式为：

Q_Bat＝SOH·(Q_New-Q_EoL)+Q_EoL

其中，Q_Bat为电池容量，SOH为电池健康状态，Q_New为全新电池的容量，Q_EoL为寿命终点的电池容量。

本发明具有以下有益效果：

本发明通过协同数据调度中心与分布式储能单元的BMS，联合基于深度学习的锂电池健康状态估计模型与分布式储能单元管理系统的锂电池荷电状态估计算法，在不增加系统硬件成本的前提下，通过信息交互，为SOC估计提供了准确的锂电池容量，同时为大数据SOH估计模型提供了训练样本；进而提高了系统中锂电池SOC与SOH的估计精度，便于后续有效完成系统的能量管理与调度。

附图说明

图1为本发明实施例中分布式储能单元调度系统结构示意图；

图2为本发明的用于分布式储能系统的锂电池状态估计方法流程示意图；

图3为本发明实施例中锂电池状态估计方法框架图；

图4为本发明实施例中隐含层GRU的结构示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

分布式储能单元统一调度需要依赖具备强大计算能力的数据调度中心，而各储能单元自身的BMS也具有一定的计算能力，且两者以无线通信的方式互联，实现信息交换，整体系统如图1所示。

为此，本发明综合数据调度中心与分布式储能单元BMS的特点，在不增加系统硬件成本的前提下，提出了一种用于分布式储能系统的锂电池状态估计方法。该方法通过利用数据中心的强大计算能力，使用门控循环单元循环神经网络(Gate Recurrent Unit-Recurrent Neural Network,GRU-RNN)建立基于深度学习的锂电池SOH估计模型，该模型运行于数据中心；同时，各储能单元的BMS使用扩展卡尔曼滤波与二阶等效电路模型，实时估计各储能单元锂电池的SOC；在此基础上，通过数据调度中心与BMS的信息交换，定期将由大数据计算获得的电池SOH信息提供给BMS，更新SOC估计过程中的电池容量，与此同时，将BMS记录历史数据打包上传至大数据中心，方便数据中心及时更新大数据估计模型。锂电池老化与多种外部因素密切相关，本发明有效利用了数据调度中心的计算能力及BMS记录的历史数据，运用大数据方法实现了锂电池SOH的精确估计，并更新了BMS估计锂电池SOC所需要的电池容量，也提高了锂电池SOC估计的精度。

如图2和图3所示，本发明实施例提供的一种用于分布式储能系统的锂电池状态估计方法，包括以下步骤S1至S3：

S1、采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型；

在本实施例中，为了获取统一的时序序列，本发明针对各个分布式储能单元的锂电池进行离线加速老化测试，采集锂电池充电过程中的电流、电压和温度数据作为训练样本，采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型。

上述门控循环单元循环神经网络中隐含层的GRU结构如图4所示，主要包含t时刻的输入x_t，t时刻的隐含层输出h_t，t时刻的输出y_t。

定义输入充电数据为x＝[U,I,T]，其中，U＝[U₁,U₂,…,U_t,…,U_n]，I＝[I₁,I₂,…,I_t,…,I_n]，T＝[T₁,T₂,…,T_t,…,T_n]；输出y_t为锂电池的SOH。

锂电池健康状态估计模型的训练方法为：

S11、初始化模型参数，所述模型参数包括学习率η，惯量β，隐含层权重系数W_z、W_r、W_h、W_x、b_z、b_r、b_h，输出层权重系数W_o、b_o；

S12、计算前向传播参数，表示为：

r_t＝σ(W_r[h_t-1,x_t]+b_r)

z_t＝σ(W_z[h_t-1,x_t]+b_z)

y_t＝W_oh_t+b_o

其中，

表示元素相乘运算，x_t为神经网络t时刻的输入，h_t'为临时的隐含层输出，h_t为隐含层t时刻的输出，z_t为更新门在t时刻的输出，r_t为重置门在t时刻的输出，y_t为神经网络的输出；σ(x)、tanh(x)为激活函数，具体为：

S13、更新输出层权重系数，定义损失函数为

则输出层的权重系数更新过程表示为：

W_o,t＝W_o,t-1+ΔW_o,t

b_o,t＝b_o,t-1+Δb_o,t

其中，f_cost(x)为损失函数，W_o,t与b_o,t分别为t时刻输出层的权重系数与偏置，ΔW_o,t与Δb_o,t为t时刻输出层权重系数与偏置的变化量，η为学习率，β为动量系数，

与

分别为权重系数与偏置的梯度；

S14、更新隐含层权重系数，更新过程表示为：

W_z,t＝W_z,t-1+ΔW_z,t

W_r,t＝W_r,t-1+ΔW_r,t

W_h,t＝W_h,t-1+ΔW_h,t

W_x,t＝W_x,t-1+ΔW_x,t

其中，W_z,t、W_r,t、W_h,t、W_x,t为t时刻隐含层的权重系数，ΔW_z,t、ΔW_r,t、ΔW_h,t、ΔW_x,t为t时刻隐含层权重系数的变化量，

为各权重系数的梯度；

S15、重复步骤S12至S14，直至满足预设训练截止条件。

通过以上步骤即可获得基于深度学习的锂电池SOH估计模型。

S2、采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法，实时估计分布式储能单元管理系统的锂电池荷电状态；

在本实施例中，本发明综合考虑算法的复杂度与精确性，采用锂电池的二阶等效电路模型，联合扩展卡尔曼滤波算法，实现分布式储能单元BMS的锂电池SOC估计。

具体而言，本发明利用锂电池的二阶等效电路模型的输出电压U_2RC与电池端电压测量值U_t形成偏差ΔU，将该偏差ΔU作为扩展卡尔曼滤波器的输入，计算锂电池荷电状态估计的校正偏差ΔSOC，进而实时估计分布式储能单元管理系统的锂电池荷电状态。

在分布式储能单元中，定义状态为X＝[U₁,U₂,SOC]^T，Y＝U_t及u＝I_t，则由锂电池的2RC等效电路模型可得如下状态空间方程，表示为：

其中，

D＝R₀，T₂为采样时间，R₀、R₁、C₁、R₂、C₂为锂电池的二阶等效电路模型参数，Q_Bat为电池的容量，Q_k、R_k为噪声协方差，X_k＝[U₁,U₂,SOC]为k时刻的状态量，X_k+1为k+1时刻的状态量，Y_k+1为k+1时刻的观测值，且Y_k+1＝U_k+1，u_k为输入值，且u_k＝I_k，U_k、I_k为电压、电流的测量值，U₁、U₂分别为锂电池的二阶等效电路模型中两个电容-电阻网络上的电压值。利用多项式拟合OCV-SOC之间的关系得到U_ocv＝f(SOC)。

基于以上状态空间方程，本发明利用扩展卡尔曼滤波器计算锂电池荷电状态估计的校正偏差的方法为：

S21、状态预测，表示为：

X_k+1|k＝A·X_k+B·u_k

S22、协方差预测，表示为：

P_k+1|k＝A·X_k·A+Q_k

S23、计算卡尔曼增益矩阵，表示为：

K_k＝P_k+1|k·C^T·(C·P_k+1|k·C^T+R_k)^-1

S24、状态估计，表示为：

S25、协方差估计，表示为：

P_k+1＝(I-K_k·C)·P_k+1|k

其中，X_k+1|k为状态的一步预测，P_k+1|k为协方差矩阵的一步预测，I为单位矩阵，K_k为卡尔曼增益矩阵，

为状态的估计结果，P_k+1为协方差矩阵。

通过以上步骤即可完成卡尔曼滤波的计算过程，实现分布式储能单元锂电池SOC的估计。

S3、将数据调度中心估计的锂电池健康状态信息与分布式储能单元电池管理系统记录的历史数据进行信息交互，同步更新锂电池荷电状态估计过程中的电池容量和锂电池健康状态估计模型。

在本实施例中，步骤S3具体包括：

将数据调度中心与分布式储能单元电池管理系统进行信息交互，按照第一周期将数据调度中心估计的锂电池健康状态信息发送至分布式储能单元电池管理系统，更新锂电池荷电状态估计过程中的电池容量；同时按照第二周期将分布式储能单元电池管理系统记录的历史数据上传至数据调度中心，同步更新锂电池健康状态估计模型。

步骤S2中的锂电池状态空间方程中，包含电池容量Q_Bat作为模型参数。因此，为获得更为准确的锂电池SOC，本发明以第一周期t₁从数据调度中心传输锂电池SOH到分布式储能单元。

各分布式储能单元根据锂电池SOH估计模型估计的锂电池健康状态信息，计算电池容量，表示为：

Q_Bat＝SOH·(Q_New-Q_EoL)+Q_EoL

其中，Q_Bat为电池容量，SOH为电池健康状态，Q_New为全新电池的容量，Q_EoL为寿命终点的电池容量。

与此同时，各分布式储能单元也可以将自身收集的锂电池组日常历史数据，以第二周期t₂上传至数据调度中心。当数据调度中心收集足够多的数据后，可以重新训练GRU-RNN模型，提高SOH估计的精度。第一周期t₁与第二周期t₂可以根据实际情况灵活选取。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (7)

1.一种用于分布式储能系统的锂电池状态估计方法，其特征在于，包括以下步骤：

S1、采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型；

S2、采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法，实时估计分布式储能单元管理系统的锂电池荷电状态，具体包括：

利用锂电池的二阶等效电路模型的输出电压与电池端电压测量值形成偏差，将该偏差作为扩展卡尔曼滤波器的输入，计算锂电池荷电状态估计的校正偏差，进而实时估计分布式储能单元管理系统的锂电池荷电状态；

S3、将数据调度中心估计的锂电池健康状态信息与分布式储能单元电池管理系统记录的历史数据进行信息交互，同步更新锂电池荷电状态估计过程中的电池容量和锂电池健康状态估计模型。

2.根据权利要求1所述的用于分布式储能系统的锂电池状态估计方法，其特征在于，所述步骤S1具体包括：

针对各个分布式储能单元的锂电池进行离线加速老化测试，采集锂电池充电过程中的电流、电压和温度数据作为训练样本，采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型。

3.根据权利要求2所述的用于分布式储能系统的锂电池状态估计方法，其特征在于，所述锂电池健康状态估计模型的训练方法为：

S11、初始化模型参数，所述模型参数包括学习率η，惯量β，隐含层权重系数W_z、W_r、W_h、W_x、b_z、b_r、b_h，输出层权重系数W_o、b_o；

S12、计算前向传播参数，表示为：

r_t＝σ(W_r[h_t-1,x_t]+b_r)

z_t＝σ(W_z[h_t-1,x_t]+b_z)

y_t＝W_oh_t+b_o

其中，

表示元素相乘运算，σ(x)、tanh(x)为激活函数，x_t为神经网络t时刻的输入，h_t'为临时的隐含层输出，h_t为隐含层t时刻的输出，z_t为更新门在t时刻的输出，r_t为重置门在t时刻的输出，y_t为神经网络的输出；

S13、更新输出层权重系数，表示为：

W_o,t＝W_o,t-1+ΔW_o,t

b_o,t＝b_o,t-1+Δb_o,t

其中，f_cost(x)为损失函数，W_o,t与b_o,t分别为t时刻输出层的权重系数与偏置，ΔW_o,t与Δb_o,t为t时刻输出层权重系数与偏置的变化量，η为学习率，β为动量系数，

与

分别为权重系数与偏置的梯度；

S14、更新隐含层权重系数，表示为：

W_z,t＝W_z,t-1+ΔW_z,t

W_r,t＝W_r,t-1+ΔW_r,t

W_h,t＝W_h,t-1+ΔW_h,t

W_x,t＝W_x,t-1+ΔW_x,t

其中，W_z,t、W_r,t、W_h,t、W_x,t为t时刻隐含层的权重系数，ΔW_z,t、ΔW_r,t、ΔW_h,t、ΔW_x,t为t时刻隐含层权重系数的变化量，

为各权重系数的梯度；

S15、重复步骤S12至S14，直至满足预设训练截止条件。

4.根据权利要求1所述的用于分布式储能系统的锂电池状态估计方法，其特征在于，所述锂电池的二阶等效电路模型的状态空间方程表示为：

其中，

D＝R₀，T₂为采样时间，R₀、R₁、C₁、R₂、C₂为锂电池的二阶等效电路模型参数，Q_Bat为电池的容量，Q_k、R_k为噪声协方差，X_k＝[U₁,U₂,SOC]为k时刻的状态量，X_k+1为k+1时刻的状态量，Y_k+1为k+1时刻的观测值，且Y_k+1＝U_k+1，u_k为输入值，且u_k＝I_k，U_k、I_k为电压、电流的测量值，U₁、U₂分别为锂电池的二阶等效电路模型中两个电容-电阻网络上的电压值。

5.根据权利要求4所述的用于分布式储能系统的锂电池状态估计方法，其特征在于，所述扩展卡尔曼滤波器计算锂电池荷电状态估计的校正偏差的方法为：

S21、状态预测，表示为：

X_k+1|k＝A·X_k+B·u_k

S22、协方差预测，表示为：

P_k+1|k＝A·X_k·A+Q_k

S23、计算卡尔曼增益矩阵，表示为：

K_k＝P_k+1|k·C^T·(C·P_k+1|k·C^T+R_k)^-1

S24、状态估计，表示为：

S25、协方差估计，表示为：

P_k+1＝(I-K_k·C)·P_k+1|k

其中，X_k+1|k为状态的一步预测，P_k+1|k为协方差矩阵的一步预测，I为单位矩阵，K_k为卡尔曼增益矩阵，

为状态的估计结果，P_k+1为协方差矩阵。

6.根据权利要求5所述的用于分布式储能系统的锂电池状态估计方法，其特征在于，所述步骤S3具体包括：

将数据调度中心与分布式储能单元电池管理系统进行信息交互，按照第一周期将数据调度中心估计的锂电池健康状态信息发送至分布式储能单元电池管理系统，更新锂电池荷电状态估计过程中的电池容量；同时按照第二周期将分布式储能单元电池管理系统记录的历史数据上传至数据调度中心，同步更新锂电池健康状态估计模型。

7.根据权利要求6所述的用于分布式储能系统的锂电池状态估计方法，其特征在于，所述分布式储能单元电池管理系统更新锂电池荷电状态估计过程中的电池容量的公式为：

Q_Bat＝SOH·(Q_New-Q_EoL)+Q_EoL

其中，Q_Bat为电池容量，SOH为电池健康状态，Q_New为全新电池的容量，Q_EoL为寿命终点的电池容量。

Images