CN114547849A - 储能电站电池工况健康状态预测方法及系统 - Google Patents

Abstract

本发明公开了一种储能电站电池工况健康状态预测方法及系统。本发明的预测方法包括：获取储能电站电池历史运行数据，对原始数据进行预处理；根据电池的特性，截取电池的平台电压区间，以此为参考从历史运行数据充电段中获取一段时间的电池充电平台区间电压电流数据，并通过安时积分获取每次的充电容量值，获取原始的电池健康状态变化序列；使用经验模态分解算法从原始的电池健康状态变化序列中分离出电池周期变化段和线性衰退段；分别建立周期变化段和线性衰退段的数据驱动模型，实现电池线性衰退段和季节性周期段的变化趋势预测。本发发明在保证一定精度的同时降低电池健康状态评估对电池数据的需求，提高电池健康状态预测和评估的精度。

Description

储能电站电池工况健康状态预测方法及系统

技术领域

本发明涉及储能电池技术领域，特别是一种储能电站电池工况健康状态预测方法及预测系统。

背景技术

随着电化学储能技术的发展，锂离子电池的成本逐年下降，除动力电池外，以磷酸铁锂电池为代表的大量储能电池被投放到电化学储能领域。同时电动汽车产业发展也带来了动力电池到了退役潮，大量的退役动力电池一方面被直接拆解回收，一些性能较好的退役电池被分选后进入梯次利用阶段，这些梯次电池也往往用于用户侧储能特别是调峰场景。储能电池投运装机量一般较大，对电池健康状态进行评估和预测对系统的健康稳定运行至关重要，准确的状态评估和趋势预测有助于发现问题电池方便系统维护，保证了储能系统的健康稳定。

常规的数据驱动SOH预测方法：当前对电池的SOH预测一般采用直接利用电池衰退历史数据来拟合经验衰退模型或一些常用的数据驱动模型，该方法可以很容易捕捉到电池衰退的规律，某些场景下取得较好的效果。该方法需要大量的较为完整的电池衰退历史数据进行模型的拟合，一般为线性衰退或指数衰退过程，并不适用于周期影响因素(如温度等)叠加的情况，同时对电池衰退历史数据要求较高，一般是较为完整的充放电数据，否则需要先对电池进行SOH估计再利用估计值实现SOH预测，造成误差叠加。

发明内容

针对电池充放电数据不完整电池容量(能量)真值难以直接获取的问题，本发明提供一种储能电站电池工况健康状态预测方法及预测系统，其通过截取平台区容量(能量)来近似电池全区间容量(能量)，在保证一定精度的同时降低电池健康状态评估对电池数据的需求，适用于工作在调峰工况下的储能系统SOH评估，解决复杂环境下储能电池健康状态多模态叠加的问题，采用相应的信号分解算法实现电池SOH序列复杂因素的解耦合，从而关注电池衰退的本质规律，提高电池健康状态预测和评估的精度。

为此，本发明采用的一种技术方案如下：储能电站电池工况健康状态预测方法，其包括：

步骤1：获取储能电站电池历史运行数据，对原始数据进行预处理；

步骤2：根据电池的特性，截取电池的平台电压区间，以此为参考从历史运行数据充电段中获取一段时间的电池充电平台区间电压电流数据，并通过安时积分获取每次的充电容量值，获取原始的电池健康状态变化序列；

步骤3：使用经验模态分解算法从原始的电池健康状态变化序列中分离出电池周期变化段和线性衰退段；

步骤4：分别建立周期变化段和线性衰退段的数据驱动模型，实现电池线性衰退段和季节性周期段的变化趋势预测。

针对电池充放电数据不完整电池容量(能量)真值难以直接获取的问题，提出采用电池平台区的容量(能量)作为电池的健康状态参考值。其中电池平台区包含了电池的80％左右的容量(能量)，对于储能磷酸铁锂电池曲线，平台区和电池的两段的快速极化区可以很容易进行区分。

由于现场电池电压、电流采样频率较低的问题，常用的基于容量增量曲线特征、差分电压特征的方法由于精度问题基本不可用，为了尽量减小采样精度对特征计量值的影响，采用电流积分方法获取电池平台区累计安时数，以此作为电池的容量健康状态的参考依据。

针对在无温控或弱温控条件下的电池健康状态受温度影响较大，对年度的电站运行数据处理得到电芯每天的平台区充电量后再利用信号分解方法获取电池线性衰退段和季节性周期段，从而实现电池健康状态和温度影响的解耦，获取电池近似线性衰退路径，从而实现基于电站现场数据的电池SOH的预测。

进一步地，步骤1中，所述储能电站电池历史运行数据包括：电池组电压数据、电池组电流数据、电池单体电压数据、电池单体电流数据、电池单体温度数据、电池模块温度数据及储能电站运行的累计时间；其中，电池单体电压数据、电池单体电流数据和电池单体温度数据是必要数据；

所述的数据预处理：采用数据插值，将数据的采样间隔统一；对已经统一采样间隔的数据进行去除离群点、插补和平滑处理。

进一步地，步骤2中，电池的平台电压区间通过电池容量增量曲线进行界定，要求电压平台包括电池容量增量曲线的所有峰。

更进一步地，步骤2中，所述电池容量增量曲线由以下方法获取：

获取电池在某充电倍率下的完整充电段电压、电流数据；

通过安时积分法获取电池在充电过程中各个采样点的累计充电安时数得到电池电压-容量曲线；

设置合理的电压间隔dV，通过线性插值方法获取按固定电压间隔增加的电压-容量曲线，随后通过差分方法获取电池IC曲线数据，如下式：

上式中，dV为电压间隔，dQ为电池等电压间隔对应的容量，IC为电池容量增量。

再进一步地，步骤2中，基于电池IC曲线定量固定电池平台区的电压区间，得到获取平台区容量的基准值；基于平台区容量的基准值，截取每一次电池充电段数据，通过安时积分法获取电池的充电段平台区容量序列，即为原始的电池健康状态变化序列。

进一步地，步骤3的具体步骤如下：

a.根据从原始信号中找出的全部局部极大值和极小值点，借助曲线拟合方法，构造出原始信号的上包络线和下包络线；所述的原始信号取自原始的电池健康状态变化序列；

b.求上、下包络线的均值并构造均值曲线，然后用原始信号减去该曲线，得到信号的中间分量；

c.判断所得的信号中间分量是否满足本征模函数IMF的约束条件：如果满足，则该分量就是一个IMF；如果不满足，则以该分量为待分解信号重复步骤a至步骤b，直到满足IMF的约束条件，或筛分门限值小于预设门限值；

d.通过上述步骤得到第一个IMF后，用原始信号与该第一个IMF相减，作为新的原始信号重复步骤a至步骤c，迭代直到残差分量满足预设条件，剩余信号分量即为残差分量，迭代结束；

经过以上分解过程，原始的电池健康状态变化序列被分解为若干经验模态分量及残差序列，其中残差序列多是信号的噪声，忽略；若干经验模态分量序列包括一些类周期信号序列及近似线性衰退信号序列。

更进一步地，步骤4的具体内容如下：

基于获取的类周期信号序列和近似线性衰退信号序列分别建模，对近似线性衰退信号序列建模的方式包括线性回归、支持向量机和高斯过程回归，对类周期信号序列，采用平方正弦核函数的高斯过程回归刻画类周期信号的周期变化特性；

采用高斯过程回归建模的步骤如下：

a.根据经验模态分解算法分解结果，分别选取线性衰退过程和周期过程数据作为训练集并开启交叉验证；

b.根据不同的训练集数据特征，选取不同的核函数，并初始化超参数；

c.使用训练集数据训练回归模型，采用极大似然估计获取超参数最优估计得到后验模型；

d.利用训练后的模型对输入的测试集数据进行预测，并将预测值和验证集数据进行对比分析模型预测能力。

本发明采用的另一种技术方案为：储能电站电池工况健康状态预测系统，其包括：

数据获取及预处理单元：获取储能电站电池历史运行数据，对原始数据进行预处理；

原始电池健康状态变化序列获取单元：根据电池的特性，截取电池的平台电压区间，以此为参考从历史运行数据充电段中获取一段时间的电池充电平台区间电压电流数据，并通过安时积分获取每次的充电容量值，获取原始的电池健康状态变化序列；

分离单元：使用经验模态分解算法从原始的电池健康状态变化序列中分离出电池周期变化段和线性衰退段；

电池变化趋势预测单元：分别建立周期变化段和线性衰退段的数据驱动模型，实现电池线性衰退段和季节性周期段的变化趋势预测。

本发明具有的有益效果在于：

本发明通过截取平台区容量(能量)来近似电池全区间容量(能量)，在保证一定精度的同时大大降低了电池健康状态评估对电池数据的需求，适用于工作在调峰工况下的储能系统SOH评估；解决了复杂环境下储能电池健康状态多模态叠加的问题，采用相应的信号分解算法实现电池SOH序列复杂因素的解耦合，从而关注电池衰退的本质规律，提高了电池健康状态预测和评估的精度。

附图说明

图1为本发明储能电站电池工况健康状态预测方法的流程示意图；

图2为本发明应用例中电池IC曲线图；

图3-4为本发明应用例中工况数据处理前后对比图(图3为工况数据处理前的示意图，图4为工况数据处理后的示意图)；

图5为本发明应用例中电池簇内所有单体的平台容量原始序列图；

图6为本发明应用例中电池单体容量的预测值和实际值对比图；

图7为本发明储能电站电池工况健康状态预测系统的结构图。

具体实施方式

下面结合说明书附图与具体实施方式，对本发明做进一步详细说明。

实施例1

参考图1，本实施例提供一种储能电站电池工况健康状态预测方法，其步骤如下：

步骤1：获取储能电站电池历史运行数据，具体到电芯，采样精度1min～5min，对原始数据进行预处理，包括数据插补、数据清洗。

步骤2：根据电池的特性，截取电池的平台电压区间，以此为参考从历史运行数据充电段中获取一段时间的电池充电平台区间电压电流数据，并通过安时积分获取每次的充电容量值，获取原始的电池健康状态变化序列；

步骤3：使用经验模态分解算法从原始的电池健康状态序列中分离出电池周期变化段和线性衰退段；

步骤4：分别建立周期变化段和线性衰退段的数据驱动模型，实现电池线性衰退段和季节性周期段的变化趋势预测。

在上述技术方案的基础上，所述储能电站历史运行数据，及数据的预处理方法：

电池组电压数据、电池组电流数据、电池单体电压数据、电池单体电流数据、电池单体温度数据、电池模块温度数据及系统运行的累计时间。其中电池单体的电压数据、单体电流数据及温度数据是必要数据。

数据预处理：由于采样精度较差或监测系统短时故障有可能会造成某些采样数据出现不同程度的离群或者缺失会造成数据失真，从而影响后续的数据提取。因此，对在该步骤需要删除离群数据并对缺失数据进行插补得到可以进一步处理的可用数据。同时，电站并非每一天都参与调峰，因此某些时间电站电池不工作或仅工作在很小的DOD区间，该部分数据不具有代表性也很难从中提取新信息，因此该部分数据会被清理并置空。

具体地，步骤2中所述的电池的平台电压区间通过电池容量增量曲线获取，要求电压平台要包括容量增量曲线的所有峰。

具体地，电池的容量增量曲线由以下方法获取：

获取电池在某充电倍率下的完整充电段电压、电流数据。

通过安时积分法获取电池在充电过程中各个采样点的累计充电安时数，得到电池电压-容量曲线。

设置合理的电压间隔(dV),通过线性插值方法获取按固定电压间隔增加的电压-容量曲线，随后通过差分方法获取电池IC曲线数据(IC(V))，如下式：

上式中，dV为电压间隔，dQ为电池等电压间隔对应的容量，IC为电池容量增量序列。

基于得到的具体IC曲线可以定量固定电池平台区的电压区间，得到获取平台区容量的基准值。基于得到的平台区电压基准，截取每一次电池充电段数据，通过安时积分法获取电池的充电段平台区容量序列即为电池SOH的参考序列。

具体地，为了分离获取序列中的季节周期性信号和电池的近似线性衰退信号，采用经验模态分解(EMD)算法对原始序列进行分解，其中EMD算法的步骤如下：

1.根据从原始信号中找出的全部局部极大值和极小值点，借助曲线拟合方法，构造出原始信号的上包络线和下包络线；

2.求上、下包络线的均值并构造均值曲线，然后用原始信号减去该曲线，得到信号的中间分量；

3.判断所得的信号中间分量是否满足本征模函数(IMF)的约束条件：如果满足，则该分量就是一个IMF；如果不满足，则以该分量为待分解信号重复步骤一至步骤三，直到满足IMF的约束条件，或筛分门限值小于预设门限值(通常取0.2～0.3)；

4.通过上述步骤得到第一个IMF后，用原始信号与该IMF相减，作为新的原始信号重复步骤1至步骤4，迭代直到残差分量满足预设条件，剩余信号分量即为残差分量，迭代结束。

经过以上分解过程，电池衰退原始序列被分解为若干经验模态分量及残差，其中残差序列多是信号的噪声，可以忽略。若干经验模态分量中包括不同时间尺度的局部特征信号，主要包括一些类周期信号及近似线性衰退信号。

具体地，基于获取的周期信号和线性信号分别建模，对近似线性序列建模的方式有很多如线性回归、支持向量机、高斯过程回归等回归算法，对周期序列，采用平方正弦核函数的高斯过程回归可以很好地刻画周期信号的周期变化特性。在本实施例中，为了保持统一，均采用高斯过程回归对两种序列进行建模：

采用高斯过程回归训练模型的步骤如下：

1.根据EMD算法分解结果，分别选取线性衰退过程和周期过程数据作为训练集并开启交叉验证；

2.根据不同的训练集数据特征，选取不同的核函数，并初始化超参数；

3.使用训练集数据训练回归模型，采用极大似然估计获取超参数最优估计得到后验模型；

4.利用训练后的模型对输入的测试集数据进行预测，并将预测值和验证集数据进行对比分析模型预测能力。

以上，完成夹杂季节周期信号的电池健康状态趋势预测。

实施例2

参考图7，本实施例提供一种储能电站电池工况健康状态预测系统，其包括：

数据获取及预处理单元：获取储能电站电池历史运行数据，对原始数据进行预处理；

原始电池健康状态变化序列获取单元：根据电池的特性，截取电池的平台电压区间，以此为参考从历史运行数据充电段中获取一段时间的电池充电平台区间电压电流数据，并通过安时积分获取每次的充电容量值，获取原始的电池健康状态变化序列；

分离单元：使用经验模态分解算法从原始的电池健康状态变化序列中分离出电池周期变化段和线性衰退段；

电池变化趋势预测单元：分别建立周期变化段和线性衰退段的数据驱动模型，实现电池线性衰退段和季节性周期段的变化趋势预测。

具体地，数据获取及预处理单元中，所述储能电站电池历史运行数据包括：电池组电压数据、电池组电流数据、电池单体电压数据、电池单体电流数据、电池单体温度数据、电池模块温度数据及储能电站运行的累计时间；

所述的数据预处理：采用数据插值，将数据的采样间隔统一；对已经统一采样间隔的数据进行去除离群点、插补和平滑处理。

具体地，原始电池健康状态变化序列获取单元中，电池的平台电压区间通过电池容量增量曲线进行界定，要求电压平台包括电池容量增量曲线的所有峰。

所述电池容量增量曲线由以下方法获取：

获取电池在某充电倍率下的完整充电段电压、电流数据；

通过安时积分法获取电池在充电过程中各个采样点的累计充电安时数得到电池电压-容量曲线；

设置合理的电压间隔dV，通过线性插值方法获取按固定电压间隔增加的电压-容量曲线，随后通过差分方法获取电池IC曲线数据，如下式：

上式中，dV为电压间隔，dQ为电池等电压间隔对应的容量，IC为电池容量增量。

基于电池IC曲线定量固定电池平台区的电压区间，得到获取平台区容量的基准值；基于平台区容量的基准值，截取每一次电池充电段数据，通过安时积分法获取电池的充电段平台区容量序列，即为原始的电池健康状态变化序列。

具体地，所述分离单元的具体步骤如下：

a.根据从原始信号中找出的全部局部极大值和极小值点，借助曲线拟合方法，构造出原始信号的上包络线和下包络线；所述的原始信号取自原始的电池健康状态变化序列；

b.求上、下包络线的均值并构造均值曲线，然后用原始信号减去该曲线，得到信号的中间分量；

c.判断所得的信号中间分量是否满足本征模函数IMF的约束条件：如果满足，则该分量就是一个IMF；如果不满足，则以该分量为待分解信号重复步骤a至步骤b，直到满足IMF的约束条件，或筛分门限值小于预设门限值；

d.通过上述步骤得到第一个IMF后，用原始信号与该第一个IMF相减，作为新的原始信号重复步骤a至步骤c，迭代直到残差分量满足预设条件，剩余信号分量即为残差分量，迭代结束；

经过以上分解过程，原始的电池健康状态变化序列被分解为若干经验模态分量及残差序列，其中残差序列多是信号的噪声，忽略；若干经验模态分量序列包括一些类周期信号序列及近似线性衰退信号序列。

具体地，电池变化趋势预测单元的具体内容如下：

基于获取的类周期信号序列和近似线性衰退信号序列分别建模，对近似线性衰退信号序列建模的方式包括线性回归、支持向量机和高斯过程回归，对类周期信号序列，采用平方正弦核函数的高斯过程回归刻画类周期信号的周期变化特性；

采用高斯过程回归建模的步骤如下：

a.根据经验模态分解算法分解结果，分别选取线性衰退过程和周期过程数据作为训练集并开启交叉验证；

b.根据不同的训练集数据特征，选取不同的核函数，并初始化超参数；

c.使用训练集数据训练回归模型，采用极大似然估计获取超参数最优估计得到后验模型；

d.利用训练后的模型对输入的测试集数据进行预测，并将预测值和验证集数据进行对比分析模型预测能力。

实施例2中未详细说明的部分参见实施例1。

应用例

应用例数据来自于某梯次利用电池储能示范工程工况运行数据，数据记录周期为1年，具体的实时步骤如下：

步骤1，获取储能电站历史运行数据，具体到电芯，采样精度1min～5min，对原始数据进行预处理，包括数据插补、数据清洗。

由于不同时间的数据采样间隔不统一，为了便于分析计算首先对数据采样点统一，采取的措施是对采样较疏的数据进行插值，将数据的采样间隔统一为1min。由于原始电压数据因采样精度不足数据质量较差，对已经统一采样间隔的数据进行去除离群点、插补、平滑处理得到电池较平滑的电压曲线，处理前后的电池电压曲线如图2所示。

步骤2，根据电池的特性，截取电池的平台电压区间，以此为参考从历史运行数据充电段中获取一段时间的电池充电平台区间电压电流数据，并通过安时积分获取每次的充电容量值，获取电池健康状态变化序列。

其中，电池平台区电压区间通过电池的容量增量曲线进行界定。在本实施例中，取和电站电池同一批次的某款磷酸铁锂电池，获取电池在一定倍率下恒流充电数据绘制电池容量增量曲线。在本实施例中，dV取固定值0.002V，采用差值方法可以获取对应电压间隔的dQ，根据容量增量曲线定义得到该电池的容量增量曲线如图3-4所示。

通过容量增量曲线很容易确定平台区的范围，在本实施例中平台区电压范围限定在3.25～3.4V。基于得到的电压区间，截取每天的充电段数据并对电流作积分，获取电池平台区容量序列，在本实施例中为了使结果更直观未进行归一化的电池容量序列操作，得到某电池簇内所有单体的原始序列如图5所示。

通过原始序列可以发现，电池平台区容量变化趋势为多模态混叠，部分电池平台区容量受温度影响较明显，因此必须对原始数据进行信号分解。

步骤3，在本应用例中，对电池历史数据采用经验模态分解方法进行分解，利用Matlab软件信号处理工具箱中的EMD算法工具包即可实现模态分解，在本实施例中，最大IMF个数设置为3，至此，完后信号分解解耦工作，获取电池线性段和周期段序列。

步骤4，分别建立周期变化段和线性衰退段的数据驱动模型，实现电池线性衰退段和季节性周期段的变化趋势预测。

对分解出的线性衰退过程，采用高斯过程回归对该过程建模时，选取的核函数为可以表征电池长时间衰退趋势的平方指数核函数，该核函数的表达式为:

其中，σ、l和α为超参数。由于核函数解析表达式中均包含数个超参数，选取适当的参数值对于建立准确的高斯过程回归模型至关重要。超参数估计方法一般采用极大似然估计法，极大似然估计是一种常用的模型参数估计方法：设超参数集θ＝{θ₁,...,θ_n}，通过贝叶斯定理可知超参数的后验分布为：

其中，x表示训练数据的输入，y表示训练数据的输出。若并无关于超参数集θ＝{θ₁,...,θ_n}的先验知识，那么θ的最大后验估计为p(y|x,θ)的极大似然估计，即：

由此，即可根据训练数据得到核函数超参数的后验估计值。

对于季节周期信号，本应用例中采用平方正弦核函数来描述样本变量之间的关系，其形式如下式所示：

在电池衰退模型构建完成后，为验证模型精度，选取电池簇中两只电池单体，以2020年6月-2021年1月的现场数据为训练数据，预测2021年2月到6月的电池衰退情况，得到的电池单体容量的预测值和实际值如图6所示，电池的线性衰退趋势被很好的拟合，预测最大误差小于5％。

本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (10)

1.储能电站电池工况健康状态预测方法，其特征在于，包括：

步骤1：获取储能电站电池历史运行数据，对原始数据进行预处理；

步骤2：根据电池的特性，截取电池的平台电压区间，以此为参考从历史运行数据充电段中获取一段时间的电池充电平台区间电压电流数据，并通过安时积分获取每次的充电容量值，获取原始的电池健康状态变化序列；

步骤3：使用经验模态分解算法从原始的电池健康状态变化序列中分离出电池周期变化段和线性衰退段；

步骤4：分别建立周期变化段和线性衰退段的数据驱动模型，实现电池线性衰退段和季节性周期段的变化趋势预测。

2.如权利要求1所述的储能电站电池工况健康状态预测方法，其特征在于，步骤1中，所述储能电站电池历史运行数据包括：电池组电压数据、电池组电流数据、电池单体电压数据、电池单体电流数据、电池单体温度数据、电池模块温度数据及储能电站运行的累计时间；

所述的数据预处理：采用数据插值，将数据的采样间隔统一；对已经统一采样间隔的数据进行去除离群点、插补和平滑处理。

3.如权利要求1所述的储能电站电池工况健康状态预测方法，其特征在于，步骤2中，电池的平台电压区间通过电池容量增量曲线进行界定，要求电压平台包括电池容量增量曲线的所有峰。

4.如权利要求3所述的储能电站电池工况健康状态预测方法，其特征在于，步骤2中，所述电池容量增量曲线由以下方法获取：

获取电池在某充电倍率下的完整充电段电压、电流数据；

通过安时积分法获取电池在充电过程中各个采样点的累计充电安时数得到电池电压-容量曲线；

设置合理的电压间隔dV，通过线性插值方法获取按固定电压间隔增加的电压-容量曲线，随后通过差分方法获取电池IC曲线数据，如下式：

上式中，dV为电压间隔，dQ为电池等电压间隔对应的容量，IC为电池容量增量。

5.如权利要求4所述的储能电站电池工况健康状态预测方法，其特征在于，步骤2中，基于电池IC曲线定量固定电池平台区的电压区间，得到获取平台区容量的基准值；基于平台区容量的基准值，截取每一次电池充电段数据，通过安时积分法获取电池的充电段平台区容量序列，即为原始的电池健康状态变化序列。

6.如权利要求1所述的储能电站电池工况健康状态预测方法，其特征在于，步骤3的具体步骤如下：

a.根据从原始信号中找出的全部局部极大值和极小值点，借助曲线拟合方法，构造出原始信号的上包络线和下包络线；所述的原始信号取自原始的电池健康状态变化序列；

b.求上、下包络线的均值并构造均值曲线，然后用原始信号减去该曲线，得到信号的中间分量；

c.判断所得的信号中间分量是否满足本征模函数IMF的约束条件：如果满足，则该分量就是一个IMF；如果不满足，则以该分量为待分解信号重复步骤a至步骤b，直到满足IMF的约束条件，或筛分门限值小于预设门限值；

d.通过上述步骤得到第一个IMF后，用原始信号与该第一个IMF相减，作为新的原始信号重复步骤a至步骤c，迭代直到残差分量满足预设条件，剩余信号分量即为残差分量，迭代结束；

经过以上分解过程，原始的电池健康状态变化序列被分解为若干经验模态分量及残差序列，其中残差序列多是信号的噪声，忽略；若干经验模态分量序列包括一些类周期信号序列及近似线性衰退信号序列。

7.如权利要求6所述的储能电站电池工况健康状态预测方法，其特征在于，步骤4的具体内容如下：

基于获取的类周期信号序列和近似线性衰退信号序列分别建模，对近似线性衰退信号序列建模的方式包括线性回归、支持向量机和高斯过程回归，对类周期信号序列，采用平方正弦核函数的高斯过程回归刻画类周期信号的周期变化特性；

采用高斯过程回归建模的步骤如下：

a.根据经验模态分解算法分解结果，分别选取线性衰退过程和周期过程数据作为训练集并开启交叉验证；

b.根据不同的训练集数据特征，选取不同的核函数，并初始化超参数；

c.使用训练集数据训练回归模型，采用极大似然估计获取超参数最优估计得到后验模型；

d.利用训练后的模型对输入的测试集数据进行预测，并将预测值和验证集数据进行对比分析模型预测能力。

8.储能电站电池工况健康状态预测系统，其特征在于，包括：

数据获取及预处理单元：获取储能电站电池历史运行数据，对原始数据进行预处理；

原始电池健康状态变化序列获取单元：根据电池的特性，截取电池的平台电压区间，以此为参考从历史运行数据充电段中获取一段时间的电池充电平台区间电压电流数据，并通过安时积分获取每次的充电容量值，获取原始的电池健康状态变化序列；

分离单元：使用经验模态分解算法从原始的电池健康状态变化序列中分离出电池周期变化段和线性衰退段；

电池变化趋势预测单元：分别建立周期变化段和线性衰退段的数据驱动模型，实现电池线性衰退段和季节性周期段的变化趋势预测。

9.根据权利要求8所述的储能电站电池工况健康状态预测系统，其特征在于，所述分离单元的具体步骤如下：

a.根据从原始信号中找出的全部局部极大值和极小值点，借助曲线拟合方法，构造出原始信号的上包络线和下包络线；所述的原始信号取自原始的电池健康状态变化序列；

b.求上、下包络线的均值并构造均值曲线，然后用原始信号减去该曲线，得到信号的中间分量；

c.判断所得的信号中间分量是否满足本征模函数IMF的约束条件：如果满足，则该分量就是一个IMF；如果不满足，则以该分量为待分解信号重复步骤a至步骤b，直到满足IMF的约束条件，或筛分门限值小于预设门限值；

d.通过上述步骤得到第一个IMF后，用原始信号与该第一个IMF相减，作为新的原始信号重复步骤a至步骤c，迭代直到残差分量满足预设条件，剩余信号分量即为残差分量，迭代结束；

经过以上分解过程，原始的电池健康状态变化序列被分解为若干经验模态分量及残差序列，其中残差序列多是信号的噪声，忽略；若干经验模态分量序列包括一些类周期信号序列及近似线性衰退信号序列。

10.如权利要求9所述的储能电站电池工况健康状态预测系统，其特征在于，电池变化趋势预测单元的具体内容如下：

基于获取的类周期信号序列和近似线性衰退信号序列分别建模，对近似线性衰退信号序列建模的方式包括线性回归、支持向量机和高斯过程回归，对类周期信号序列，采用平方正弦核函数的高斯过程回归刻画类周期信号的周期变化特性；

采用高斯过程回归建模的步骤如下：

a.根据经验模态分解算法分解结果，分别选取线性衰退过程和周期过程数据作为训练集并开启交叉验证；

b.根据不同的训练集数据特征，选取不同的核函数，并初始化超参数；

c.使用训练集数据训练回归模型，采用极大似然估计获取超参数最优估计得到后验模型；

d.利用训练后的模型对输入的测试集数据进行预测，并将预测值和验证集数据进行对比分析模型预测能力。

Images