CN113064093A - 储能电池荷电状态与健康状态联合估算方法及系统 - Google Patents
储能电池荷电状态与健康状态联合估算方法及系统 Download PDFInfo
- Publication number
- CN113064093A CN113064093A CN202110302408.4A CN202110302408A CN113064093A CN 113064093 A CN113064093 A CN 113064093A CN 202110302408 A CN202110302408 A CN 202110302408A CN 113064093 A CN113064093 A CN 113064093A
- Authority
- CN
- China
- Prior art keywords
- state
- current
- charge
- constant
- health
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000036541 health Effects 0.000 title claims abstract description 105
- 238000004146 energy storage Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000010281 constant-current constant-voltage charging Methods 0.000 claims abstract description 36
- 208000028659 discharge Diseases 0.000 claims abstract description 31
- 230000015654 memory Effects 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims description 31
- 238000007599 discharging Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 238000007600 charging Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000010280 constant potential charging Methods 0.000 claims description 4
- 238000010277 constant-current charging Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 239000010410 layer Substances 0.000 description 13
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 230000000306 recurrent effect Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 210000004027 cell Anatomy 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000012983 electrochemical energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种储能电池荷电状态与健康状态联合估算方法及系统，属于储能电池技术领域，实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。本发明基于LSTM的SOC与SOH联合估算模型，能够实现对储能电池健康状态和荷电状态的在线监测，LSTM循环网络具有长时间记忆能力，可以更好的跟踪动态性能变化，估算精确度高于单独的SOC估算模型，且具有很好的泛化能力和鲁棒性。
Description
技术领域
本发明涉及储能电池技术领域，具体涉及一种基于具有长时间记忆及动态特征跟踪能力的LSTM循环神经网络的储能电池荷电状态与健康状态联合估算方法及系统。
背景技术
储能是应对风、光等新能源发电强波动性与间歇性问题，大力提升电网吸纳新能源发电能力的重要手段，是各层级智能电网及微电网重要的组成部件之一。
采用储能电池组构成的电化学储能系统在动态响应等方面具有独特的性能优势，备受世界各国关注。其中，储能电池的状态监测与有效管理不可或缺。荷电状态SOC与健康状态SOH是表征储能电池实际状况的两个基本评价参数，但两者均只是定义量，不是可直接测得的物理量。
传统的单独的SOC估计算法有开路电压法、安时积分法以及扩展卡尔曼滤波法等。这些算法有些需要长期静置后估计结果，实时性差；有些在恶劣环境下容易积累噪声的误差以及采样精度带来的误差，估计精确度差。
目前常用的SOH估计方式主要有两类：一是使用离线数据驱动的方式。该方法对前期实验数据的准备要求较高，计算量大，而且得到的模型仅仅适用于对应的电池类型，而不具备扩展性与通用性，易产生较大误差。二是使用在线参数跟踪的方法。如，双Kalman滤波算法，该算法对电池模型要求较高，没有考虑外部环境的偏置噪声，在特定情况下易导致噪声积累，削弱了估算的抗干扰能力。
发明内容
本发明的目的在于提供一种基于LSTM循环神经网络，实现储能电池SOC和SOH实时在线估算，且提高了估算精确度的储能电池荷电状态与健康状态联合估算方法及系统，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
第一方面，本发明提供一种储能电池荷电状态与健康状态联合估算方法，对于工作于不断充放电循环的储能电池，每间隔一定充放电循环周期后，执行标准的恒流恒压充电过程，所述方法包括：
实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；
当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；
将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。
优选的，收集储能电池历史参数数据作为训练样本，训练得到所述健康状态预测模型和所述荷电状态预测模型；其中，所述储能电池历史参数数据包括不同工况下的电压、电流、温度、荷电状态、健康状态。
优选的，使用MATLAB平台，搭建长短期记忆网络LSTM和循环神经网络RNN作为基础网络，训练得到所述健康状态预测模型。
优选的，将恒流恒压阶段当前时刻的电压、电流、温度及前一时刻的健康状态输入基础网络，输出当前时刻的健康状态，训练测试确定LSTM网络的最优模型参数，得到所述健康状态预测模型。
优选的，使用MATLAB平台，搭建长短期记忆网络LSTM和循环神经网络RNN作为基础网络，训练得到所述荷电状态预测模型。
优选的，将任意充放电阶段下当前时刻的电压、电流、温度、前一时刻健康状态及前一时刻荷电状态输入基础网络，输出当前时刻的荷电状态，训练测试确定LSTM神经网络的最优模型参数，得到所述荷电状态预测模型。
优选的，所述不同工况包括恒流恒压充电工况、恒流放电工况、脉冲放电工况、随机放电工况。
第二方面，本发明提供一种储能电池荷电状态与健康状态联合估算系统，对于工作于不断充放电循环的储能电池，每间隔一定充放电循环周期后，执行标准的恒流恒压充电过程，所述系统包括：
第一估算模块，用于将实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；
当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；
第二估算模块，用于将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。
第三方面，本发明提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括用于执行如上所述的储能电池荷电状态与健康状态联合估算方法的指令。
第四方面，本发明提供一种电子设备，包括如上所述的非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
本发明有益效果：基于LSTM的SOC与SOH联合估算模型，LSTM循环网络具有长时间记忆能力，可以更好的跟踪动态性能变化，估算精确度高于单独的SOC估算模型，且具有很好的泛化能力和鲁棒性；对SOC与SOH的估算采用不同的时间尺度，在满足了储能电池管理的实际需要的同时，大大降低了的系统的计算量。能够实现对储能电池健康状态和荷电状态的在线监测，对促进储能电池的状态监测及能量管理水平具有实际意义。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的单层LSTM神经元内部结构示意图。
图2为本发明实施例所述的LSTM-RNN神经网络训练流程示意图。
图3为本发明实施例所述的储能电池荷电状态与健康状态联合估算系统功能原理框图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
本发明实施例1提供一种储能电池荷电状态与健康状态联合估算系统，对于工作于不断充放电循环的储能电池，每间隔一定充放电循环周期后，执行标准的恒流恒压充电过程，所述系统包括：
第一估算模块，用于将实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；
均值计算模块，用于当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；
第二估算模块，用于将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。
在本实施例1中，基于上述的估算系统，实现了储能电池荷电状态与健康状态联合估算方法，包括：
实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；
当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；
将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。
在本实施例1中，收集储能电池历史参数数据作为训练样本，训练得到所述健康状态预测模型和所述荷电状态预测模型；其中，所述储能电池历史参数数据包括不同工况下的电压、电流、温度、荷电状态、健康状态。
使用MATLAB平台，搭建长短期记忆网络LSTM作为基础网络，训练得到所述健康状态预测模型。将恒流恒压阶段当前时刻的电压、电流、温度及前一时刻的健康状态输入基础网络，输出当前时刻的健康状态，训练测试确定LSTM网络的最优模型参数，得到所述健康状态预测模型。
使用MATLAB平台，搭建长短期记忆网络LSTM作为基础网络，训练得到所述荷电状态预测模型。将任意充放电阶段下当前时刻的电压、电流、温度、当前时刻健康状态及前一时刻荷电状态输入基础网络，输出当前时刻的荷电状态，训练测试确定LSTM神经网络的最优模型参数，得到所述荷电状态预测模型。
所述不同工况包括恒流恒压充电工况、恒流放电工况、脉冲放电工况、随机放电工况。
实施例2
蓄电池组是微电网电储能系统重要的组成部分之一，对储能系统的整体技术及经济性能具有重要影响。针对蓄电池荷电状态与健康状态在线准确测量的难题，本发明实施例2提供一种对蓄电池荷电状态与健康状态进行联合估算系统，所述系统包括：
第一估算模块，用于将实时采集蓄电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；
均值计算模块，用于当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；
第二估算模块，用于将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。
在本实施例1中，基于上述的估算系统，实现了对蓄电池荷电状态与健康状态联合估算方法，包括：
实时采集蓄电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；
当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；
将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。
在本实施例2中，收集蓄电池历史参数数据作为训练样本，训练得到所述健康状态预测模型和所述荷电状态预测模型；其中，所述蓄电池历史参数数据包括不同工况下的电压、电流、温度、荷电状态、健康状态。
使用MATLAB平台，搭建长短期记忆网络LSTM作为基础网络，训练得到所述健康状态预测模型。使用MATLAB平台，搭建长短期记忆网络LSTM作为基础网络，训练得到所述荷电状态预测模型。
在本实施例2中，对蓄电池荷电状态SOC与健康状态SOH的联合估算算法，具体实现步骤如下：
收集电池历史参数，包括恒流恒压充电、恒流放电、脉冲放电、随机放电工况下的电压、电流、温度、SOC、SOH。
使用MATLAB平台搭建基于LSTM(长短期记忆网络)的神经网络模型并训练优化。
搭建基于LSTM-RNN(循环神经网络)的SOH模型，输入为：恒流恒压充电工况下的当前时刻t的电压Ut、电流It、温度Tt及前一时刻的健康状态SOHt-1，输出为SOHt，训练测试确定LSTM神经网络的权值、网络层数、隐含层神经元个数、迭代次数等模型参数。
在本实施例2中，因为SOH变化缓慢，将一恒流恒压充电阶段的所有SOH求平均值，认定为接下来较长一段时间的SOH，即当前时刻SOHt的值等于前一恒流恒压充电阶段估算SOH的平均值。
搭建基于LSTM-RNN的SOC模型，输入为：任意充放电阶段下的当前时刻t的电压Ut、电流It、温度Tt、当前时刻的健康状态SOHt-1及前一时刻的荷电状态SOCt-1，输出为SOCt，训练测试确定LSTM神经网络的权值、网络层数、隐含层神经元个数、迭代次数等模型参数。
将SOC与SOH模型联合。由于SOH变化缓慢，通常认为一次放电过程中的SOH值保持不变，在不同放电过程中的SOH值，可由前一恒流恒压充电过程确定。
将离线训练好的模型使用C语言编程到下位机，实时采集电池的端电压、电流、温度数据，实现在线实时的SOC与SOH联合估算。
LSTM循环网络具有长时间记忆能力，可以更好的跟踪动态性能变化。经实验验证基于LSTM的SOC与SOH联合估算模型，精确度高于单独的SOC估算模型，且具有很好的泛化能力和鲁棒性。实现对电池健康状态和荷电状态的在线监测，对促进储能蓄电池的状态监测及能量管理水平具有实际意义。
(1)SOH的定义
SOH是电池健康状态，目前尚无统一的定义。随着循环次数的增加，电池老化。主要表现为容量的衰减和内阻的增加。因此，常用的SOH定义与电池容量相关。从电池容量角度定义的SOH如下：
其中，Ct为测量的实际容量，C0为额定容量。SOH＝100％代表电池完全健康，通常为新电池。SOH为80％即电池容量衰减至额定容量的80％，此时，通常需要更换电池。
(2)SOC的定义
SOC是电池的荷电状态，常定义为电池剩余电量与电池额定电量的比值。多采用安时法，即电流对时间的积分计算充电或放电的电荷量。
式中，SOC0为电池的初始电量。
(3)LSTM算法原理
循环神经网络(Recurrent Neural Network,RNN)是一种用于处理序列数据的神经网络。RNN神经网络容易出现梯度消失和梯度爆炸的问题，这主要是由于时间过长而造成记忆值较小的现象。
LSTM神经元内部结构如图1所示。与RNN在神经元之间的传递只有一个隐藏层输出状态ht相比，LSTM定义了一个细胞状态Ct作为内部记忆单元在整个链上运行，并通过遗忘门、输入门、输出门三个门结构来更新细胞状态内的信息。
ft＝σ(Wf×[ht-1,xt]+bf) (13)
it＝σ(Wi×[ht-1,xt]+bi) (14)
ot＝σ(Wo×[ht-1,st]+bo) (17)
ht＝ot×tanh(Ct) (18)
上列式子中：Wf、Wi、Wc、Wo、bf、bi、bc、bo分别表示对应的权重系数矩阵和偏置项，σ、tanh分别表示sigmoid函数和双曲正切激活函数。遗忘门ft如公式(13)所示，是利用sigmoid函数对上一时刻隐藏层输出ht-1和当前输出xt选择性的丢弃一些信息。1表示“完全保留”，0表示“完全舍弃”。输入门it同样如公式(14)所示，决定让一些信息加入。同时如公式(15)所示，利用tanh函数提供备用更新内容
接着如公式(16)所示，由遗忘门和输入门确定上一时刻的细胞状态Ct-1和当前时刻的候选状态
在当前细胞状态中所占的比例。而后输出门ot如公式(17)所示，仍由sigmoid函数来确定细胞状态输出部分。最后，将ot与通过tanh进行处理得到值在-1到1之间的细胞状态Ct相乘输出，如公式(18)所示。
(4)LSTM预测模型训练结构及优化方法
基于时间序列数据特点以及循环神经网络从简设计的原则，多变量LSTM预测模型框架如图2所示，该框架可分为输入层、隐含层、模型训练、输出层4个部份，其中，X＝[X1,X2,...,Xt]为实际输入，Y＝[Y1,Y2,...,Yt]为实际输出。各模块功能如下。
输入层：对原始变量时间序列集进行分割、标准化处理，以满足网络输入要求。
隐含层：进行训练，确定隐含层神经元个数，对权重更新、优化。
输出层：输出预测结果、反标准化处理、验证误差。
模型训练：模型采用Adam优化算法进行。
其中，标准化化处理：在进行模型训练前需要统一几个参数的量纲，将数据归一化到[0,1]内，以降低预测误差。
式中，xm为原始数据；xn为标准化数据；max(x)、min(x)分别为变量x的最大值和最小值。
评价函数：
LSTM循环神经网络的性能由均方根误差RMSE衡量预测值与真值的离散程度。RMSE计算公式如式(20)所示，xi表示第i组数据的预测值，
表示第i组数据的真实值，n＝300。
此外，SOH估算也常使用平均绝对误差MAE反应预测值误差的实际情况。描述MAE计算公式如式(21)所示。
(5)基于LSTM神经网络的联合估算模型
如图3所示，对于工作于不断充放电循环储能蓄电池，每间隔一定充放电循环周期后，执行标准的恒流恒压充电过程，并实时采集全过程中电池的电压、电流、温度数据。在恒流恒压充电阶段以X1t＝[Ut,I1t,Tt,SOHt-1]作为输入，估算当前时刻的健康状态SOHt作为输出，即Y1t＝[SOHt]。当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段估算的平均值SOHk，SOHk的计算公式如下式所示：
式中，n表示以SOHk作为下一次恒流标准放电前的随机充放电阶段的健康状态，在随意充放电阶段构建以X2t＝[Ut,It,Tt,SOHk,SOCt-1]作为输入，当前时刻的荷电状态SOCt作为输出的联合估算模型，即Y2t＝[SOCt]。
实施例3
本发明实施例3提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括用于执行储能电池荷电状态与健康状态联合估算方法的指令。该方法包括：
实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；
当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；
将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。
实施例4
本发明实施例4提供一种电子设备，该电子设备包括一种非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。所述非暂态计算机可读存储介质包括用于执行储能电池荷电状态与健康状态联合估算方法的指令。该方法包括：
实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；
当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；
将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。
实施例5
本发明实施例5提供一种电子设备，所述设备包括用于执行储能电池荷电状态与健康状态联合估算方法的装置。该方法包括：
实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；
当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；
将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种储能电池荷电状态与健康状态联合估算方法，对于工作于不断充放电循环的储能电池，每间隔一定充放电循环周期后，执行标准的恒流恒压充电过程，其特征在于，所述方法包括：
实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；
当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；
将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。
2.根据权利要求1所述的储能电池荷电状态与健康状态联合估算方法，其特征在于，收集储能电池历史参数数据作为训练样本，训练得到所述健康状态预测模型和所述荷电状态预测模型；其中，所述储能电池历史参数数据包括不同工况下的电压、电流、温度、荷电状态、健康状态。
3.根据权利要求2所述的储能电池荷电状态与健康状态联合估算方法，其特征在于，使用MATLAB平台，搭建长短期记忆网络LSTM作为基础网络，训练得到所述健康状态预测模型。
4.根据权利要求3所述的储能电池荷电状态与健康状态联合估算方法，其特征在于，将恒流恒压阶段当前时刻的电压、电流、温度及前一时刻的健康状态输入基础网络，输出当前时刻的健康状态，训练测试确定LSTM网络的最优模型参数，得到所述健康状态预测模型。
5.根据权利要求2所述的储能电池荷电状态与健康状态联合估算方法，其特征在于，使用MATLAB平台，搭建长短期记忆网络LSTM作为基础网络，训练得到所述荷电状态预测模型。
6.根据权利要求5所述的储能电池荷电状态与健康状态联合估算方法，其特征在于，将任意充放电阶段下当前时刻的电压、电流、温度、前一时刻健康状态及前一时刻荷电状态输入基础网络，输出当前时刻的荷电状态，训练测试确定LSTM神经网络的最优模型参数，得到所述荷电状态预测模型。
7.根据权利要求2-6任一项所述的储能电池荷电状态与健康状态联合估算方法，其特征在于，所述不同工况包括恒流恒压充电工况、恒流放电工况、脉冲放电工况、随机放电工况。
8.一种储能电池荷电状态与健康状态联合估算系统，对于工作于不断充放电循环的储能电池，每间隔一定充放电循环周期后，执行标准的恒流恒压充电过程，其特征在于，所述系统包括：
第一估算模块，用于将实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；
均值计算模块，用于当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；
第二估算模块，用于将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。
9.一种非暂态计算机可读存储介质，其特征在于：所述非暂态计算机可读存储介质包括用于执行如权利要求1-7中任一项所述的储能电池荷电状态与健康状态联合估算方法的指令。
10.一种电子设备，其特征在于：包括如权利要求9所述的非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110302408.4A CN113064093B (zh) | 2021-03-22 | 2021-03-22 | 储能电池荷电状态与健康状态联合估算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110302408.4A CN113064093B (zh) | 2021-03-22 | 2021-03-22 | 储能电池荷电状态与健康状态联合估算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113064093A true CN113064093A (zh) | 2021-07-02 |
| CN113064093B CN113064093B (zh) | 2024-03-08 |
Family
ID=76563338
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110302408.4A Active CN113064093B (zh) | 2021-03-22 | 2021-03-22 | 储能电池荷电状态与健康状态联合估算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113064093B (zh) |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113740735A (zh) * | 2021-08-30 | 2021-12-03 | 昆明理工大学 | 一种锂离子电池soc估计的方法 |
| CN113866638A (zh) * | 2021-08-24 | 2021-12-31 | 陈九廷 | 一种电池参数推测方法、装置、设备及介质 |
| CN113884905A (zh) * | 2021-11-02 | 2022-01-04 | 山东大学 | 基于深度学习的动力电池荷电状态估计方法及系统 |
| CN114236415A (zh) * | 2021-12-16 | 2022-03-25 | 湖北亿纬动力有限公司 | 一种动力电池健康状态检测方法、装置、设备及存储介质 |
| CN115372852A (zh) * | 2022-09-19 | 2022-11-22 | 南方电网科学研究院有限责任公司 | 基于前馈神经网络的蓄电池健康状态预测方法 |
| CN115407211A (zh) * | 2022-11-01 | 2022-11-29 | 北京航空航天大学 | 一种电动汽车锂电池健康状态在线预测方法及系统 |
| CN115967178A (zh) * | 2022-12-07 | 2023-04-14 | 贵州大学 | 一种储能系统运行的监测系统及方法 |
| CN116184223A (zh) * | 2021-11-29 | 2023-05-30 | 比亚迪股份有限公司 | 评估电池荷电状态估算算法准确度的方法及电子设备 |
| CN116404677A (zh) * | 2023-04-23 | 2023-07-07 | 杭州施福宁能源科技有限公司 | 一种电力储能系统的管理系统 |
| CN116914835A (zh) * | 2023-07-21 | 2023-10-20 | 国网湖北省电力有限公司随州供电公司 | 一种基于电流跟踪控制的微储能偏远弱电网电压治理方法 |
| CN117406125A (zh) * | 2023-12-15 | 2024-01-16 | 山东派蒙机电技术有限公司 | 电池健康状态确认方法、装置、设备及存储介质 |
| CN117761563A (zh) * | 2024-01-31 | 2024-03-26 | 广东电网有限责任公司 | 一种电池的健康状态确定方法、装置、设备和存储介质 |
| WO2024077754A1 (zh) * | 2022-10-10 | 2024-04-18 | 深圳先进技术研究院 | 储能电池健康状态预测方法、装置及智能终端 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013104697A (ja) * | 2011-11-11 | 2013-05-30 | Calsonic Kansei Corp | バッテリ・パックの入出力可能電力推定装置およびその方法 |
| CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
| CN109655754A (zh) * | 2018-12-14 | 2019-04-19 | 北京匠芯电池科技有限公司 | 一种基于充电过程多维分阶的电池性能评估方法 |
| CN110554324A (zh) * | 2019-08-26 | 2019-12-10 | 华中科技大学 | 一种soc和soh联合估计方法 |
| CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
| CN111308375A (zh) * | 2020-02-04 | 2020-06-19 | 浙江大学 | 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 |
| CN111948560A (zh) * | 2020-07-30 | 2020-11-17 | 西安工程大学 | 基于多因子评估模型的锂电池健康状态估算方法 |
| CN111983457A (zh) * | 2020-07-15 | 2020-11-24 | 江苏大学 | 一种基于lstm神经网络的电池组soh估算方法 |
-
2021
- 2021-03-22 CN CN202110302408.4A patent/CN113064093B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2013104697A (ja) * | 2011-11-11 | 2013-05-30 | Calsonic Kansei Corp | バッテリ・パックの入出力可能電力推定装置およびその方法 |
| CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
| CN109655754A (zh) * | 2018-12-14 | 2019-04-19 | 北京匠芯电池科技有限公司 | 一种基于充电过程多维分阶的电池性能评估方法 |
| CN110554324A (zh) * | 2019-08-26 | 2019-12-10 | 华中科技大学 | 一种soc和soh联合估计方法 |
| CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
| CN111308375A (zh) * | 2020-02-04 | 2020-06-19 | 浙江大学 | 一种基于lstm-ffnn的电动叉车锂离子电池健康状态预测方法 |
| CN111983457A (zh) * | 2020-07-15 | 2020-11-24 | 江苏大学 | 一种基于lstm神经网络的电池组soh估算方法 |
| CN111948560A (zh) * | 2020-07-30 | 2020-11-17 | 西安工程大学 | 基于多因子评估模型的锂电池健康状态估算方法 |
Non-Patent Citations (3)
| Title |
|---|
| DAI H ET AL: "A novel estimation method for the state of health of lithium-ion battery using prior knowledgebased neural network and Markov chain", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
| 尹春杰等: "基于LSTM的储能蓄电池SOC与SOH联合在线估计", 《电源技术》 * |
| 李嘉波等: "基于反馈最小二乘支持向量机锂离子状态估计", 《储能科学与技术》 * |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113866638A (zh) * | 2021-08-24 | 2021-12-31 | 陈九廷 | 一种电池参数推测方法、装置、设备及介质 |
| CN113740735A (zh) * | 2021-08-30 | 2021-12-03 | 昆明理工大学 | 一种锂离子电池soc估计的方法 |
| CN113884905B (zh) * | 2021-11-02 | 2022-06-14 | 山东大学 | 基于深度学习的动力电池荷电状态估计方法及系统 |
| CN113884905A (zh) * | 2021-11-02 | 2022-01-04 | 山东大学 | 基于深度学习的动力电池荷电状态估计方法及系统 |
| CN116184223A (zh) * | 2021-11-29 | 2023-05-30 | 比亚迪股份有限公司 | 评估电池荷电状态估算算法准确度的方法及电子设备 |
| CN114236415A (zh) * | 2021-12-16 | 2022-03-25 | 湖北亿纬动力有限公司 | 一种动力电池健康状态检测方法、装置、设备及存储介质 |
| CN115372852A (zh) * | 2022-09-19 | 2022-11-22 | 南方电网科学研究院有限责任公司 | 基于前馈神经网络的蓄电池健康状态预测方法 |
| WO2024077754A1 (zh) * | 2022-10-10 | 2024-04-18 | 深圳先进技术研究院 | 储能电池健康状态预测方法、装置及智能终端 |
| CN115407211A (zh) * | 2022-11-01 | 2022-11-29 | 北京航空航天大学 | 一种电动汽车锂电池健康状态在线预测方法及系统 |
| CN115967178A (zh) * | 2022-12-07 | 2023-04-14 | 贵州大学 | 一种储能系统运行的监测系统及方法 |
| CN115967178B (zh) * | 2022-12-07 | 2023-09-05 | 贵州大学 | 一种储能系统运行的监测系统及方法 |
| CN116404677A (zh) * | 2023-04-23 | 2023-07-07 | 杭州施福宁能源科技有限公司 | 一种电力储能系统的管理系统 |
| CN116404677B (zh) * | 2023-04-23 | 2023-10-27 | 杭州施福宁能源科技有限公司 | 一种电力储能系统的管理系统 |
| CN116914835A (zh) * | 2023-07-21 | 2023-10-20 | 国网湖北省电力有限公司随州供电公司 | 一种基于电流跟踪控制的微储能偏远弱电网电压治理方法 |
| CN117406125A (zh) * | 2023-12-15 | 2024-01-16 | 山东派蒙机电技术有限公司 | 电池健康状态确认方法、装置、设备及存储介质 |
| CN117406125B (zh) * | 2023-12-15 | 2024-02-23 | 山东派蒙机电技术有限公司 | 电池健康状态确认方法、装置、设备及存储介质 |
| CN117761563A (zh) * | 2024-01-31 | 2024-03-26 | 广东电网有限责任公司 | 一种电池的健康状态确定方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113064093B (zh) | 2024-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113064093B (zh) | 储能电池荷电状态与健康状态联合估算方法及系统 | |
| Xiao et al. | Accurate state-of-charge estimation approach for lithium-ion batteries by gated recurrent unit with ensemble optimizer | |
| CN111736084B (zh) | 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法 | |
| CN113253116A (zh) | 锂离子电池荷电状态估计方法、存储介质 | |
| CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
| CN112630659A (zh) | 一种基于改进bp-ekf算法的锂电池soc估算方法 | |
| CN113093014B (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及系统 | |
| Wu et al. | The SOC estimation of power Li-Ion battery based on ANFIS model | |
| CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
| WO2019006995A1 (zh) | 一种电动汽车动力电池soc智能化预测系统 | |
| CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
| Li et al. | State of Health and Charge Estimation Based on Adaptive Boosting integrated with particle swarm optimization/support vector machine (AdaBoost-PSO-SVM) Model for Lithium-ion Batteries | |
| WO2024016496A1 (zh) | 一种锂电池soh状态的预估方法和装置 | |
| CN113917336A (zh) | 基于片段充电时间和gru的锂离子电池健康状态预测方法 | |
| CN115327416A (zh) | 基于群体智能优化和粒子滤波的锂离子电池soc估算方法 | |
| Zhang et al. | State of charge estimation for lithium-ion batteries using simple recurrent units and unscented kalman filter | |
| Geng et al. | SOC Prediction of power lithium battery using BP neural network theory based on keras | |
| Zhou et al. | State of health prediction of lithium-ion batteries based on SSA optimized hybrid neural network model | |
| CN117572236A (zh) | 一种基于迁移学习的锂电池荷电状态估计方法 | |
| Lyu et al. | State-of-charge estimation of lithium-ion batteries based on deep neural network | |
| Li et al. | Research on SOC estimation of lithium battery based on GWO-BP neural network | |
| CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
| Dang et al. | Differential Equation-Informed Neural Networks for State of Charge Estimation | |
| Oh et al. | Online state of charge estimation of lithium-ion battery using surrogate model based on electrochemical model | |
| Li et al. | Research on the prediction method of power battery SOC based on deep learning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240104 Address after: Room 101, Building 5, Laoshan Smart Industrial Park, No. 187-1 Zhuzhou Road, Laoshan District, Qingdao City, Shandong Province, 266101 Applicant after: Besco New Energy Technology (Qingdao) Co.,Ltd. Address before: 250101 1000, Feng Ming Road, Lingang Development Zone, Licheng District, Ji'nan, Shandong Applicant before: SHANDONG JIANZHU University |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |