CN115114878B - 一种储能电站电池寿命在线预测方法、装置及存储介质 - Google Patents
一种储能电站电池寿命在线预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115114878B CN115114878B CN202210881924.1A CN202210881924A CN115114878B CN 115114878 B CN115114878 B CN 115114878B CN 202210881924 A CN202210881924 A CN 202210881924A CN 115114878 B CN115114878 B CN 115114878B
- Authority
- CN
- China
- Prior art keywords
- battery
- health
- life
- energy storage
- model
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/05—Accumulators with non-aqueous electrolyte
- H01M10/052—Li-accumulators
- H01M10/0525—Rocking-chair batteries, i.e. batteries with lithium insertion or intercalation in both electrodes; Lithium-ion batteries
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Manufacturing & Machinery (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Materials Engineering (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种储能电站电池寿命在线预测方法、装置及存储介质,通过获取储能电站运行过程中的电池参数,根据获取的电池参数获取对应高斯过程回归模型计算电池当前等效循环次数;然后将电池达到终止寿命的容量输入至双指数模型得到终止寿命的循环次数;根据终止寿命的循环次数和当前等效循环次数的差值确定电池当前的剩余使用寿命。由于电池参数是运行过程中实时获取的,因此,通过该电池参数和高斯过程回归模型计算得到的是当前已经使用的次数,将其和双指数模型计算得到的终止寿命的循环次数作差即可得到电池的剩余使用寿命。由此实现了电池寿命的在线预测,保证了电池性能及储能电站整体的可靠性与安全性。
Description
技术领域
本发明涉及电池管理技术领域,具体涉及一种储能电站电池寿命在线预测方法、装置及存储介质。
背景技术
由于新能源规模化的接入电网、调峰调频、电力削峰填谷、发展微电网等方面的需求,储能在电力系统中的作用越发凸显。电池储能具有容量大、安全可靠、噪声低、环境适应性强、便于安装等优点,所以常被用于储能系统。其中,锂离子电池因具有能量转换效率高、经济性强等优点在分布式储能中的应用日渐广泛。
然而,锂离子电池充放电均是在电极上发生化学反应,随着电池使用时间的增加,电池性能不断退化,比如电池的可循环锂损失、SEI(solid electrolyte interphase,固体电解质膜)膜增厚或分解、电解液分解和集电极腐蚀等,进而导致电池剩余使用寿命(Remaining Useful Life, RUL)衰减。为避免电池性能下降导致功率分配远离预期而引起故障,保证系统的安全可靠运行,预测锂离子电池RUL具有重要性。同时,预测锂离子电池RUL对于延长电池使用寿命、降低设备的维护成本和提高储能设备管理的经济性都有实际应用价值。
目前已有大量针对电池寿命衰减的研究,然而目前的研究大部分均基于电池离线试验数据进行,无法保证电池储能系统工作运行条件及环境复杂多变的情况下寿命预测的准确性;同时RUL预测主要基于经验模型及数据驱动的方式,经验模型估计精度较低,而数据驱动方式计算量大,精度与计算量不可兼得;
因此,针对储能电站的电池系统,需要有效估算电池RUL的方法及对储能电站进行全面的RUL评估,保证电池性能及储能电站整体的可靠性与安全性。
发明内容
有鉴于此,本发明实施例提供了涉及一种储能电站电池寿命在线预测方法、装置及存储介质,以解决现有技术中的采用离线进行电池寿命预测准确性较差技术问题。
本发明提出的技术方案如下:
本发明实施例第一方面提供一种储能电站电池寿命在线预测方法,包括:获取储能电站运行过程中的电池参数,所述电池参数包括电池累计放电量和电池健康因子中的一种;根据获取的电池参数获取对应高斯过程回归模型计算电池当前等效循环次数;将电池达到终止寿命的容量输入至双指数模型得到终止寿命的循环次数;根据所述终止寿命的循环次数和当前等效循环次数的差值确定电池当前的剩余使用寿命。
可选地,所述电池健康因子包括:外特性健康因子和内特性健康因子,所述外特性健康因子包括:电池一阶Thevenin等效电路模型的欧姆内阻、电池恒流充电时的电压上升时间以及电池恒压充电曲线拟合参数;所述内特性健康因子包括:电极活性材料相关采纳数、正负极活性粒子半径、正负极固相扩散系数、电导率、SEI膜电阻、电解液浓度、扩散系数以及电导率。
可选地,所述内特性健康因子采用如下方式获取:建立电池原理模型和电路结构模型;对电池原理模型和电路结构模型的参数进行标定,形成储能电站数字孪生体;向储能电站数字孪生体输入运行条件进行仿真,得到内特性健康因子。
可选地,根据获取的电池参数获取对应高斯过程回归模型计算电池当前等效循环次数,包括:离线获取电池参数以及对应的等效循环次数;根据电池参数中每个类型的参数和对应的等效循环次数对高斯过程回归模型进行训练,得到相应类型参数对应的高斯过程模型;根据获取的电池参数中包含的参数类型确定相应类型参数对应的高斯过程回归模型;将获取的电池参数输入至对应的高斯过程回归模型,得到电池当前等效循环次数。
可选地,所述双指数模型的参数采用如下方式更新:对储能电站电池进行满充满放;获取电池的可用容量与双指数模型估算的可用容量比较;当二者的误差大于阈值时,对双指数模型的参数重新拟合更新。
可选地,储能电站电池寿命在线预测方法还包括:获取电池模块中每个电池当前的剩余使用寿命;将当前的剩余使用寿命的最小值作为电池模块的剩余使用寿命;将电池模块的剩余使用寿命的最小值作为相应电池簇的剩余使用寿命。
可选地,储能电站电池寿命在线预测方法还包括:将电池当前等效循环次数输入至双指数模型得到电池可用容量;根据电池可用容量和电池额定容量计算电池健康度;根据电池模块中电池健康度的平均值和最小值确定电池模块健康度;根据电池簇中电池模块健康的平均值和最小值确定电池簇健康度。
本发明实施例第二方面提供一种储能电站电池寿命在线预测装置,包括:参数获取模块,用于获取储能电站运行过程中的电池参数,所述电池参数包括电池累计放电量和电池健康因子中的一种;第一次数计算模块,用于根据获取的电池参数获取对应高斯过程回归模型计算电池当前等效循环次数;第二次数计算模块,用于将电池达到终止寿命的容量输入至双指数模型得到终止寿命的循环次数;寿命预测模块,用于根据所述终止寿命的循环次数和当前等效循环次数的差值确定电池当前的剩余使用寿命。
本发明实施例第三方面提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的储能电站电池寿命在线预测方法。
本发明实施例第四方面提供一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如本发明实施例第一方面及第一方面任一项所述的储能电站电池寿命在线预测方法。
本发明提供的技术方案,具有如下效果:
本发明实施例提供的储能电站电池寿命在线预测方法、装置及存储介质,通过获取储能电站运行过程中的电池参数,根据获取的电池参数获取对应高斯过程回归模型计算电池当前等效循环次数;然后将电池达到终止寿命的容量输入至双指数模型得到终止寿命的循环次数;根据终止寿命的循环次数和当前等效循环次数的差值确定电池当前的剩余使用寿命。由于电池参数是运行过程中实时获取的,因此,通过该电池参数和高斯过程回归模型计算得到的是当前已经使用的次数,将其和双指数模型计算得到的终止寿命的循环次数作差即可得到电池的剩余使用寿命。本发明实施例提供的储能电站电池寿命在线预测方法,由此实现了电池寿命的在线预测,保证了电池性能及储能电站整体的可靠性与安全性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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是根据本发明实施例的储能电站电池寿命在线预测方法的流程图;
图2(a)和图2(b)是根据本发明实施例的储能电站电池寿命在线预测方法中电池Thevenin等效电路模型;
图3是根据本发明实施例的储能电站电池寿命在线预测方法中电池断路后电压变化曲线示意图;
图4是根据本发明实施例的储能电站电池寿命在线预测方法中电池充电过程电压曲线示意图;
图5是根据本发明实施例的储能电站电池寿命在线预测方法中电池充电过程电流曲线示意图;
图6是根据本发明实施例的储能电站电池寿命在线预测装置的结构框图;
图7是根据本发明实施例提供的计算机可读存储介质的结构示意图;
图8是根据本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种储能电站电池寿命在线预测方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种储能电站电池寿命在线预测方法,可用于电子设备,如电脑、手机、平板电脑等,图1是根据本发明实施例储能电站电池寿命在线预测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101:获取储能电站运行过程中的电池参数,所述电池参数包括电池累计放电量和电池健康因子中的一种。其中,该电池参数是在储能电站运行过程中实时获取的,由此基于实时获取的电池参数能够实现电池寿命的在线预测。
其中,累计放电量为电池从开始运行到当前时刻的总放电量,累计放电量采用如下公式计算:
式中,Qa是累积放电量,k为放电次数序号,N为总放电次数,t1-t2为放电时间起始时刻与结束时刻,i为放电电流。
电池健康因子包括:外特性健康因子和内特性健康因子,所述外特性健康因子包括:电池一阶Thevenin等效电路模型的欧姆内阻、电池恒流充电时的电压上升时间以及电池恒压充电曲线拟合参数;所述内特性健康因子包括:电极活性材料相关采纳数、正负极活性粒子半径、正负极固相扩散系数、电导率、SEI膜电阻、电解液浓度、扩散系数以及电导率。
具体地,由于储能电站电池运行过程随机性较强,并非连续、完整的循环充放电过程,因此,在获取电池参数时,从上述电池参数(包括累计放电量、外特性健康因子和内特性健康因子)中选择能够获取的一种类型的参数即可。
步骤S102:根据获取的电池参数获取对应高斯过程回归模型计算电池当前等效循环次数。具体地,当获取到一种类型的电池参数后,获取该电池参数对应的高斯过程回归(Gaussian Process Regression,GPR)模型,然后将获取的电池参数输入至该高斯过程回归模型中,得到电池当前等效循环次数。由于每次电池的充放电不是完整的满充满放过程,因此,可以计算当前的等效循环次数,即多次非满充满放的充放电对应的等效次数。
其中,每种电池参数对应的高斯过程回归模型可以通过离线获取储能电站电池参数预先进行构建。该预先构建过程具体包括:离线获取电池参数以及对应的等效循环次数;根据电池参数中每个类型的参数和对应的等效循环次数对高斯过程回归模型进行训练,得到相应类型参数对应的高斯过程模型。
对于高斯过程回归模型,其原理如下:
首先,一元高斯分布概率密度函数表示为:
高斯回归过程可以表示为:
则预测到的均值为:
预测到的误差为:
超参数可以通过最大似然表达式优化求出。最大似然的表达式如下:
通过对似然函数求偏导,再采用共轭梯度法即可进行求解:
基于上述高斯过程回归原理结合现有技术中高斯过程回归模型的构建过程,即可实现相应类型参数对应的高斯过程模型的构建,在此不再赘述。
步骤S103:将电池达到终止寿命的容量输入至双指数模型得到终止寿命的循环次
数。具体地,双指数模型采用如下公式表示:。式中,Cp(n)
为当前时刻第n次循环下的可用容量;CN为额定容量;a, b, c, d 为双指数模型参数。将电
池达到终止寿命的容量Cend输入到该公式中,即可计算得到对应的终止寿命的循环次数。
步骤S104:根据所述终止寿命的循环次数和当前等效循环次数的差值确定电池当前的剩余使用寿命。该剩余使用寿命可以表示为终止寿命的循环次数和当前等效循环次数的差值。
本发明实施例提供的储能电站电池寿命在线预测方法,通过获取储能电站运行过程中的电池参数,根据获取的电池参数获取对应高斯过程回归模型计算电池当前等效循环次数;然后将电池达到终止寿命的容量输入至双指数模型得到终止寿命的循环次数;根据终止寿命的循环次数和当前等效循环次数的差值确定电池当前的剩余使用寿命。由于电池参数是运行过程中实时获取的,因此,通过该电池参数和高斯过程回归模型计算得到的是当前已经使用的次数,将其和双指数模型计算得到的终止寿命的循环次数作差即可得到电池的剩余使用寿命。本发明实施例提供的储能电站电池寿命在线预测方法,由此实现了电池寿命的在线预测,保证了电池性能及储能电站整体的可靠性与安全性。
在一实施方式中,所述内特性健康因子采用如下方式获取:建立电池原理模型和电路结构模型;对电池原理模型和电路结构模型的参数进行标定,形成储能电站数字孪生体;向储能电站数字孪生体输入运行条件进行仿真,得到内特性健康因子。
具体地,可以从大数据平台的模型库中选择典型电池模型,建立电池电化学、热力学、力学、等效电路等电池原理模型;同时,还可以根据本地储能系统物理实体,建立相同结构电路模型。在建立模型后,还可以采用出厂信息对电池单体、电池模型、电池簇等模型参数进行标定。具体标定参数包括不同温度、不同充放电倍率下的单体充放电特性曲线;不同充放电倍率、不同温度、不同放电深度下的单体容量保持率-循环次数关系曲线;单体标称容量、标称电压、内阻、充放电能量效率、最大充放电电流、充放电终止电压、自放电率、循环寿命等;模块标称容量、标称电压、串并联数、充电终止电压、放电终止电压、阻抗、最大持续充放电电流、充放电能量效率、循环寿命、充放电末期动态压差等。
在完成模型的参数标定后,基于构建的模型形成数字孪生体。此外,边缘终端采集本地储能系统传感器、PCS(Power Conversion System,储能变流器)及EMS(EnergyManagement System,能量管理系统)数据,上传至大数据平台,数据类型包括但不限于储能电站各层级的充放电功率、电压、电流、温度、压力、气体含量等;向储能电站数字孪生体输入运行条件时,数字孪生体的自适应性可使模型同步储能电站物理实体,进行参数自动、动态的变化,评估储能系统状态。由此,通过采用数字孪生体进行仿真能够得到相应的内特性健康因子。
在一实施方式中,电池一阶Thevenin等效电路模型的欧姆内阻提取方式如下:考虑电池充放电过程中电池内部的极化效应,建立电池等效阻容Thevenin模型如图2(a)和图2(b)所示,其中,图2(a)为充电过程等效电路模型;图2(b)为放电过程等效电路模型,在图2(a)和图2(b)中,UOCV为电池开路电压,R为电池欧姆内阻,电池极化内阻RC、RD和电容构成阻容回路,由于电池充放电过程中极化内阻和电容参数不同,采用 RC-CC、RD-CD分别表示充电和放电时阻容参数。
根据电池等效一阶阻容模型可得:
由图3可以看出,充电过程中的检测电压Uout分成三段:在AB段,对应电池的充电过程,电池的极化电容已经充满,端电压渐变;在BC段,端电压骤变,对应电池充电回路断开过程,电池的极化内阻骤然失去充电电流,此时检测的变化特征体现了极化内阻的特性;在CD段,端电压以指数型渐变,对应极化电容零输入响应过程,极化电池所储存的能量被极化内阻RC用热能形式消耗。
由此,通过BC段电压变化可得到电池充电过程电池欧姆内阻:RC= UBC/I。同理可得到电池放电过程的欧姆内阻RD。
对于电池恒流充电时的电压上升时间可以通过充电过程电压曲线确定。图4为某节电池不同循环次数时的充电过程电压曲线,电池先进行恒流充电,电压到达充电截止电压4.2V后开始恒压充电。如图4所示,在恒流充电过程中,电压从某一水平上升至充电截止电压的时间随着循环次数的增加而减少,因此选取恒流充电3.75-4.2V电压上升时间作为外特性健康因子。
对于恒压充电曲线拟合参数可以通过充电电流曲线确定。图5为某节电池不同循环次数时的充电电流曲线。如图5所示,由于电池恒压充电过程电流下降近似指数下降曲线,随着循环次数增加曲线下降趋势越快,假设此段曲线表达式为:
式中,ICV为恒压充电过程的电流,a0,a1, a2分别为待拟合的曲线参数。提取恒压充电过程电流随时间变化的曲线,采用最小二乘法求得三个参数,将a2作为外特性健康因子。
在一实施方式中,对于双指数模型中的参数a、b、c、d,随着电池可用容量的变化可
用容量的变化,该参数也需要随之更新。具体可以每隔预设时间,例如每隔一个月,对储能
电站电池进行一次满充满放;获取电池的可用容量与双指数模型估算的可用容量比较;当二者的误差大于阈值时,对双指
数模型的参数重新拟合更新。其中,该阈值可以是10%,也可以根据实际情况确定。在更新双
指数模型参数时,可以采用最小二乘法拟合,也可以采用其他方式,本发明实施例对此不作
限定。
在一实施方式中,该储能电站电池寿命在线预测方法还包括:获取电池模块中每个电池当前的剩余使用寿命;将当前的剩余使用寿命的最小值作为电池模块的剩余使用寿命;将电池模块的剩余使用寿命的最小值作为相应电池簇的剩余使用寿命。具体地,在电池模块中包括多个单体电池,通过上述方式确定每个单体电池的剩余使用寿命,然后将最小的剩余使用寿命作为该电池模块的剩余使用寿命。同时,电池簇中包括多个电池模块,采用该方式确定每个电池模块的剩余使用寿命,然后将最小的剩余使用寿命作为该电池簇的剩余使用寿命。
在一实施方式中,该储能电站电池寿命在线预测方法还包括:将电池当前等效循环次数输入至双指数模型得到电池可用容量;根据电池可用容量和电池额定容量计算电池健康度;根据电池模块中电池健康度的平均值和最小值确定电池模块健康度;根据电池簇中电池模块健康的平均值和最小值确定电池簇健康度。
电池簇健康度采用如下公式计算:
式中,表示电池模块健康度,表示每个电池模块健康度,
表示电池模块中电池数量;与分别电池模块SOH平均值与最小值的权重,随着电池
老化程度增加,的大小也将增加。因此,该权重值也可以每隔预设时间进行更新。
本发明实施例还提供一种储能电站电池寿命在线预测装置,如图6所示,该装置包括:
参数获取模块,用于获取储能电站运行过程中的电池参数,所述电池参数包括电池累计放电量和电池健康因子中的一种;具体内容参见上述方法实施例对应部分,在此不再赘述。
第一次数计算模块,用于根据获取的电池参数获取对应高斯过程回归模型计算电池当前等效循环次数;具体内容参见上述方法实施例对应部分,在此不再赘述。
第二次数计算模块,用于将电池达到终止寿命的容量输入至双指数模型得到终止寿命的循环次数;具体内容参见上述方法实施例对应部分,在此不再赘述。
寿命预测模块,用于根据所述终止寿命的循环次数和当前等效循环次数的差值确定电池当前的剩余使用寿命。具体内容参见上述方法实施例对应部分,在此不再赘述。
本发明实施例提供的储能电站电池寿命在线预测装置,通过获取储能电站运行过程中的电池参数,根据获取的电池参数获取对应高斯过程回归模型计算电池当前等效循环次数;然后将电池达到终止寿命的容量输入至双指数模型得到终止寿命的循环次数;根据终止寿命的循环次数和当前等效循环次数的差值确定电池当前的剩余使用寿命。由于电池参数是运行过程中实时获取的,因此,通过该电池参数和高斯过程回归模型计算得到的是当前已经使用的次数,将其和双指数模型计算得到的终止寿命的循环次数作差即可得到电池的剩余使用寿命。本发明实施例提供的储能电站电池寿命在线预测装置,由此实现了电池寿命的在线预测,保证了电池性能及储能电站整体的可靠性与安全性。
本发明实施例提供的储能电站电池寿命在线预测装置的功能描述详细参见上述实施例中储能电站电池寿命在线预测方法描述。
本发明实施例还提供一种存储介质,如图7所示,其上存储有计算机程序601,该指令被处理器执行时实现上述实施例中储能电站电池寿命在线预测方法的步骤。该存储介质上还存储有音视频流数据,特征帧数据、交互请求信令、加密数据以及预设数据大小等。其中,存储介质可为磁碟、光盘、只读存储记忆体 (Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘 (Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供了一种电子设备,如图8所示,该电子设备可以包括处理器51和存储器52,其中处理器51和存储器52可以通过总线或者其他方式连接,图8中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit,CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的储能电站电池寿命在线预测方法。
存储器52可以包括存储程序区和存储数据区,其中,存储程序区可存储操作装置、至少一个功能所需要的应用程序;存储数据区可存储处理器51所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器52可选包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中,当被所述处理器51执行时,执行如图1-5所示实施例中的储能电站电池寿命在线预测方法。
上述电子设备具体细节可以对应参阅图1至图5所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种储能电站电池寿命在线预测方法,其特征在于,包括:
获取储能电站运行过程中的电池参数,所述电池参数包括电池累计放电量和电池健康因子中的一种;
根据获取的电池参数获取对应高斯过程回归模型计算电池当前等效循环次数;
将电池达到终止寿命的容量输入至双指数模型得到终止寿命的循环次数,双指数模型采用如下公式表示:
根据所述终止寿命的循环次数和当前等效循环次数的差值确定电池当前的剩余使用寿命;
将电池当前等效循环次数输入至双指数模型得到电池可用容量;
根据电池可用容量和电池额定容量计算电池健康度;
根据电池模块中电池健康度的平均值和最小值确定电池模块健康度,电池模块健康度由如下公式计算:
根据电池簇中电池模块健康的平均值和最小值确定电池簇健康度,
电池簇健康度采用如下公式计算:
2.根据权利要求1所述的储能电站电池寿命在线预测方法,其特征在于,
所述电池健康因子包括:外特性健康因子和内特性健康因子,
所述外特性健康因子包括:电池一阶Thevenin等效电路模型的欧姆内阻、电池恒流充电时的电压上升时间以及电池恒压充电曲线拟合参数;
所述内特性健康因子包括:电极活性材料相关采纳数、正负极活性粒子半径、正负极固相扩散系数、电导率、SEI膜电阻、电解液浓度、扩散系数以及电导率。
3.根据权利要求2所述的储能电站电池寿命在线预测方法,其特征在于,所述内特性健康因子采用如下方式获取:
建立电池原理模型和电路结构模型;
对电池原理模型和电路结构模型的参数进行标定,形成储能电站数字孪生体;
向储能电站数字孪生体输入运行条件进行仿真,得到内特性健康因子。
4.根据权利要求1所述的储能电站电池寿命在线预测方法,其特征在于,根据获取的电池参数获取对应高斯过程回归模型计算电池当前等效循环次数,包括:
离线获取电池参数以及对应的等效循环次数;
根据电池参数中每个类型的参数和对应的等效循环次数对高斯过程回归模型进行训练,得到相应类型参数对应的高斯过程模型;
根据获取的电池参数中包含的参数类型确定相应类型参数对应的高斯过程回归模型;
将获取的电池参数输入至对应的高斯过程回归模型,得到电池当前等效循环次数。
5.根据权利要求1所述的储能电站电池寿命在线预测方法,其特征在于,所述双指数模型的参数采用如下方式更新:
对储能电站电池进行满充满放;
获取电池的可用容量与双指数模型估算的可用容量比较;
当二者的误差大于阈值时,对双指数模型的参数重新拟合更新。
6.根据权利要求1所述的储能电站电池寿命在线预测方法,其特征在于,还包括:
获取电池模块中每个电池当前的剩余使用寿命;
将当前的剩余使用寿命的最小值作为电池模块的剩余使用寿命;
将电池模块的剩余使用寿命的最小值作为相应电池簇的剩余使用寿命。
7.一种储能电站电池寿命在线预测装置,其特征在于,包括:
参数获取模块,用于获取储能电站运行过程中的电池参数,所述电池参数包括电池累计放电量和电池健康因子中的一种;
第一次数计算模块,用于根据获取的电池参数获取对应高斯过程回归模型计算电池当前等效循环次数;
第二次数计算模块,用于将电池达到终止寿命的容量输入至双指数模型得到终止寿命的循环次数,双指数模型采用如下公式表示:
寿命预测模块,用于根据所述终止寿命的循环次数和当前等效循环次数的差值确定电池当前的剩余使用寿命;
可用容量计算模块,用于将电池当前等效循环次数输入至双指数模型得到电池可用容量;
第一健康度计算模块,用于根据电池可用容量和电池额定容量计算电池健康度;
第二健康度计算模块,用于根据电池模块中电池健康度的平均值和最小值确定电池模块健康度,电池模块健康度由如下公式计算:
第三健康度计算模块,用于根据电池簇中电池模块健康的平均值和最小值确定电池簇健康度,
电池簇健康度采用如下公式计算:
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行如权利要求1-6任一项所述的储能电站电池寿命在线预测方法。
9.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1-6任一项所述的储能电站电池寿命在线预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210881924.1A CN115114878B (zh) | 2022-07-26 | 2022-07-26 | 一种储能电站电池寿命在线预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210881924.1A CN115114878B (zh) | 2022-07-26 | 2022-07-26 | 一种储能电站电池寿命在线预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115114878A CN115114878A (zh) | 2022-09-27 |
CN115114878B true CN115114878B (zh) | 2022-12-27 |
Family
ID=83334842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210881924.1A Active CN115114878B (zh) | 2022-07-26 | 2022-07-26 | 一种储能电站电池寿命在线预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115114878B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114879053B (zh) * | 2022-06-16 | 2023-05-23 | 珠海科创储能科技有限公司 | 一种储能磷酸铁锂电池寿命预测方法 |
CN115656862B (zh) * | 2022-12-09 | 2023-03-10 | 深圳海润新能源科技有限公司 | 寿命预测方法、电池管理系统、用电设备及存储介质 |
CN115640706B (zh) * | 2022-12-22 | 2023-04-14 | 清陶(昆山)能源发展股份有限公司 | 锂电池的可靠性测试方法、设备及计算机可读存储介质 |
CN117192383B (zh) * | 2023-11-06 | 2024-03-26 | 宁德时代新能源科技股份有限公司 | 电池寿命的确定方法、装置、设备及介质 |
CN117374437B (zh) * | 2023-12-07 | 2024-03-19 | 天津国能津能滨海热电有限公司 | 蓄电池寿命管理系统、方法、装置、存储介质及设备 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103344923B (zh) * | 2013-08-01 | 2015-07-08 | 哈尔滨工业大学 | 基于ekf方法和nsdp-ar模型融合型锂离子电池循环寿命预测方法 |
CN103954915B (zh) * | 2014-05-16 | 2017-02-01 | 哈尔滨工业大学 | 基于概率集成的锂离子电池剩余寿命间接预测方法 |
CN106055775B (zh) * | 2016-05-27 | 2018-12-11 | 哈尔滨工业大学 | 一种粒子滤波与机理模型相结合的二次电池寿命预测方法 |
CN109061504B (zh) * | 2018-08-28 | 2021-08-10 | 中北大学 | 同类型不同锂离子电池剩余使用寿命预测方法和系统 |
CN110109028A (zh) * | 2019-04-12 | 2019-08-09 | 江苏大学 | 一种动力电池剩余寿命间接预测方法 |
CN111931415A (zh) * | 2019-07-18 | 2020-11-13 | 东莞理工学院 | 一种锂离子电池的基于全局最优粒子滤波的寿命预测方法 |
CN111443294B (zh) * | 2020-04-10 | 2022-09-23 | 华东理工大学 | 一种锂离子电池剩余寿命间接预测方法及装置 |
CN111880099B (zh) * | 2020-06-30 | 2023-03-24 | 国网浙江省电力有限公司电力科学研究院 | 一种储能电站站内电池单体寿命预测方法及系统 |
CN111707956B (zh) * | 2020-08-11 | 2022-08-30 | 中北大学 | 多类型锂离子电池组管理系统的健康状态和剩余寿命预测方法 |
CN111707955B (zh) * | 2020-08-11 | 2021-01-12 | 江苏时代新能源科技有限公司 | 电池剩余寿命的估算方法、装置和介质 |
CN114295994A (zh) * | 2021-12-23 | 2022-04-08 | 重庆邮电大学 | 一种基于pca-rvm的锂离子电池剩余使用寿命预测方法 |
CN114372417A (zh) * | 2022-01-12 | 2022-04-19 | 青岛科技大学 | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 |
-
2022
- 2022-07-26 CN CN202210881924.1A patent/CN115114878B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115114878A (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115114878B (zh) | 一种储能电站电池寿命在线预测方法、装置及存储介质 | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
Pan et al. | State of charge estimation of lithium-ion batteries using a grey extended Kalman filter and a novel open-circuit voltage model | |
Lyu et al. | A lead-acid battery's remaining useful life prediction by using electrochemical model in the Particle Filtering framework | |
WO2022253038A1 (zh) | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 | |
KR102650965B1 (ko) | 배터리 상태 추정 방법 | |
CN107918103B (zh) | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 | |
CN108107372A (zh) | 基于soc分区估算的蓄电池健康状况量化方法及系统 | |
Feng et al. | State of health estimation of large-cycle lithium-ion batteries based on error compensation of autoregressive model | |
Zhang et al. | State of health estimation of lithium-ion batteries based on modified flower pollination algorithm-temporal convolutional network | |
CN107132490B (zh) | 一种实现锂电池组荷电状态估计的方法 | |
CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
CN104316879B (zh) | 一种铅酸蓄电池组寿命的预测方法 | |
Kim et al. | Real-time state of charge and electrical impedance estimation for lithium-ion batteries based on a hybrid battery model | |
CN112666480A (zh) | 一种基于充电过程特征注意力的电池寿命预测方法 | |
Sandoval-Chileño et al. | Robust State of Charge estimation for Li-ion batteries based on Extended State Observers | |
Li et al. | Multi-state joint estimation for a lithium-ion hybrid capacitor over a wide temperature range | |
Wang et al. | A novel hybrid machine learning coulomb counting technique for state of charge estimation of lithium-ion batteries | |
Du et al. | State-of-charge estimation for second-life lithium-ion batteries based on cell difference model and adaptive fading unscented Kalman filter algorithm | |
Kamali et al. | Novel SOH estimation of lithium-ion batteries for real-time embedded applications | |
CN118011254A (zh) | 一种基于svr的电池健康状态预测方法、系统及设备 | |
CN109061509A (zh) | 一种电池电量剩余值估算方法 | |
CN115951236B (zh) | 锂电池状态监测方法及系统、装置、存储介质 | |
CN109716151B (zh) | 用于估计电池电压的方法和设备 | |
Li et al. | Big data driven Lithium-ion battery modeling method: a Cyber-Physical System approach |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |