CN115542182A - 一种移动储能系统串联电池组soh估计方法 - Google Patents
一种移动储能系统串联电池组soh估计方法 Download PDFInfo
- Publication number
- CN115542182A CN115542182A CN202211199843.XA CN202211199843A CN115542182A CN 115542182 A CN115542182 A CN 115542182A CN 202211199843 A CN202211199843 A CN 202211199843A CN 115542182 A CN115542182 A CN 115542182A
- Authority
- CN
- China
- Prior art keywords
- battery pack
- data set
- soh
- current
- battery
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004146 energy storage Methods 0.000 title claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000010219 correlation analysis Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000013526 transfer learning Methods 0.000 claims abstract description 8
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 7
- 238000007600 charging Methods 0.000 claims description 51
- 239000000178 monomer Substances 0.000 claims description 41
- 210000002569 neuron Anatomy 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 210000004027 cell Anatomy 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000011084 recovery Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000010277 constant-current charging Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000010280 constant potential charging Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 229910052731 fluorine Inorganic materials 0.000 claims 1
- 125000001153 fluoro group Chemical group F* 0.000 claims 1
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种移动储能系统串联电池组的SOH估计方法，所述方法包括：令电池组循环充放电测试，构建实测数据集；根据实测数据进一步提取特征，与实测数据集合并，组成特征数据集；采用部分特征结合熵权法评估电池组一致性；采用相关性分析筛选特征数据集中高相关性特征，并与一致性评估结果合并组成新特征数据集；搭建DNN和LSTM网络模型，用新特征数据集进行基础模型训练；用少量其他电池组数据结合迁移学习方法再次训练得到TL‑DNN和TL‑LSTM模型；融合两种模型输出结果估计电池组的SOH。本发明通过有效提取电池组中所有电池单体的有效信息及评估一致性，有效提高了估计精度，模型经过迁移学习调整，可提高模型的泛化能力。
Description
技术领域
本发明涉及电池储能技术领域，尤其涉及一种移动储能系统串联电池组SOH估计方法。
背景技术
移动储能系统需要串联多个电池单体组成电池组满足运行电压要求。为了保障移动储能系统的安全性和电池组性能良好，需要对电池组进行实时健康状态(SOH)估计。由于电池不可避免存在生产参数差异，随着使用时间的积累，电池组的不一致问题会不断加剧，并直接影响电池组SOH与各电池单体SOH。
现有方法未充分考虑电池组一致性问题，难以保证电池组SOH的估计精度；其次，现有电池组SOH估计方法通常用单特征进行估计，存在对电池组及其所有单体的有效信息使用不完整问题；常用的单一模型对特征与输出量的映射关系存在挖掘不充分问题；现有方法的泛化性存在不足，面对不同类型应用对象时，需要重新采集大量数据并花费大量时间对模型重新训练。
发明内容
本发明的目的是为了提供一种移动储能系统串联电池组SOH估计方法，模型泛化能力好，估计精度高。
为解决以上技术问题，本发明的技术方案为：一种移动储能系统串联电池组SOH估计方法，包括：
S1：通过对串联电池组进行循环充放电测试，构建实测数据集；通过对实测数据集进行特征提取，并将特征与实测数据集合并，组成特征数据集；采用特征结合熵权法评估电池组一致性；采用相关性分析对特征数据集进行特征筛选并将筛选的特征与一致性评估结果合并组成新特征数据集；
S2：搭建DNN和LSTM网络模型，用新特征数据集进行基础模型训练；
S3：通过步骤S1的方法获取其他电池组的新特征数据集结合迁移学习方法对DNN和LSTM网络模型再次训练得到TL-DNN模型和TL-LSTM模型；
S4：当移动储能系统中某个串联电池组充电完成时，通过步骤S1的方法获取当前电池组的新特征数据集后输入到TL-DNN模型和TL-LSTM模型中，融合两种模型输出结果估计电池组的SOH。
进一步地，步骤S1具体包括：
S1.1：通过对串联电池组进行循环充放电测试获取源域数据，在每次充电测试期间，采集所述电池组电流和端电压，采集所述电池组中所有电池单体从充电结束前一采样时刻到充电结束后端电压降低至稳态值的全过程电压数据，并将采集的所有电流、电压数据作为特征；在每次放电测试期间，根据所述电池组的总放电量计算SOH，并将SOH作为标签，构建实测数据集D1；
S1.2：根据步骤S1.1所采集的实测数据集D1进行特征提取，将所提取特征与步骤S1.1所获得的电池组电流、电压数据特征和SOH标签合并，组成特征数据集D2，并进行归一化处理；
S1.3：根据步骤S1.2所获得的特征数据集D2，采用熵权法确定每个特征的权重，将所有特征进行加权求和，实现对电池组的一致性评估，并将电池组一致性评估结果作为新增特征；
S1.4：对步骤S1.2所获得的特征数据集D2进行相关性分析，根据相关性分析结果筛选出高相关性特征，并将筛选出的特征量与步骤S1.3所获得的电池组一致性评估结果特征共同组成新特征数据集D3。
进一步地，步骤S1.1的实测数据集D1构建方法如下：
S1.11：记电池组中电池单体数量为M，将当前型号电池组的充电电流从0到最大额定电流Imax均匀选取N个电流值，获得充电电流数据集如下：
I＝[I1,I2,...,IN]
其中，I表示充电电流数据集，IN表示充电电流数据集中第N个电流值；
S1.12：记循环总次数为T，每次循环中，依次从步骤S1.11所获得的充电电流数据集中选取一个电流值对电池组进行恒流恒压充电，充电期间持续采集电池组电流和端电压，充电结束时采集电池组中所有电池单体从充电结束前一采样时刻到充电结束后端电压降低至稳态值的全过程电压数据，将采集的电流、电压数据作为特征；
S1.13：对步骤S1.12充电完成的电池组进行恒流放电直至放电截止电压，根据总放电量计算电池组的SOH，并将SOH作为标签；
S1.14：将步骤S1.12所获得的电池组电流、电压数据特征与步骤S1.13所获取的SOH标签合并，构建实测数据集D1。
进一步地，步骤S1.2具体包括：
S1.21：根据步骤S1.1所构建的实测数据集D1，计算所有电池单体充电结束前一采样时刻端电压值的范围和方差，计算所有电池单体充电结束时刻端电压瞬时下降值的方差，计算所有电池单体充电结束后端电压降低到稳态值的全过程电压恢复速率的方差，计算所有电池单体稳态端电压值的范围和方差；其中方差的计算公式为：
其中，θt-j表示在在第t个循环中第j个特征的方差；xt-mj表示在第t个循环中第m个电池的第j个特征；M表示电池单体数量；
表示在第t个循环中第j个特征的平均值；
S1.22：将步骤S1.21所计算提取的数据与步骤S1.1所获得的电池组电流、端电压特征和SOH标签合并，组成特征数据集D2，并进行Min-Max归一化处理，归一化的计算公式为：
其中，at-j表示归一化后第t个循环中第j个特征的特征值，xt-j表示第t个循环中第j个特征的特征值；max0≤t≤T(xt-j)表示在所有循环中第j个特征的最大值，min0≤t≤T(xt-j)表示在所有循环中第j个特征的最小值，T表示循环总次数。
进一步地，步骤S1.3具体包括：
S1.31：根据步骤S1.2中归一化处理后所获得的特征数据集D2，提取其中所有电池单体充电结束前一采样时刻端电压值的方差、所有电池单体充电结束时刻端电压瞬时下降值的方差、所有电池单体充电结束后端电压降低到稳态值的全过程电压恢复速率的方差和所有电池单体稳态端电压值的方差作为特征；
S1.32：采用熵权法方法对步骤S1.31中的特征分别赋予权重，熵权法的计算公式为：
其中，k为常数，
Sj表示第j个特征的信息熵，J表示特征数量；
权重计算公式为：
其中，ωj表示第j个特征对应的特征权重；
S1.33：对步骤S1.31中提取的特征以步骤S1.32获得的特征权重进行加权求和，求和结果即为电池组一致性评估结果，并作为新增特征。
进一步地，步骤S1.4具体包括：
S1.41：将步骤S1.2所获得的特征数据集D2中的每个特征逐一与电池组SOH进行相关性分析，筛选出相关性低于相关性阈值的特征并去除，得到高相关性特征；
S1.42：将步骤S1.41中筛选出的高相关性特征与步骤S1.3所获得的电池组一致性评估结果特征共同组成新特征数据集D3。
进一步地，步骤S2具体为：
S2.1：搭建DNN模型，DNN模型由输入层、隐藏层和输出层构成，采用ReLU函数作为DNN模型的激活函数；输入层的神经元个数为步骤S1所获得的新特征数据集D3特征数量，输出层的神经元个数为1，输出结果为估计的SOH值；
S2.2：搭建LSTM模型，LSTM模型由输入层、隐藏层和输出层构成，输入层的神经元个数为步骤S1所获得的新特征数据集D3特征数量，隐藏层包括LSTM神经元层、Dropout层和全连接层，输出层的神经元个数为1，输出结果为神经网络估计的SOH值，LSTM模型的内部由遗忘门、输入门和输出门构成，具体计算公式如下：
it＝σ(Wiixt+Whih(t-1)+bi)
ft＝σ(Wifxt+Whfh(t-1)+bf)
ot＝σ(Wioxt+Whoh(t-1)+bo)
gt＝tanh(Wigxt+Whgh(t-1)+bg)
ct＝ft*c(t-1)+it*gt
ht＝ot*tanh(ct)
其中，it、ft、ot、gt分别表示输入门、遗忘门、输出门和输入节点在当前时刻的输出，xt表示当前时刻网络的输入，h(t-1)、ht分别表示在上一时刻和当前时刻的输出，Wii、Wif、Wio、Wig分别表示输入门、遗忘门、输出门、输入节点与输入之间的权重参数，Whi、Whf、Who、Whg分别表示输入门、遗忘门、输出门、输入节点与上一时刻输出之间的权重参数，bi、bf、bo、bg分别表示输入门、遗忘门、输出门、输入节点的偏置项，ct表示从上一时刻的单元状态保留到当前时刻的状态值；σ表示LSTM模型的激活函数；
S2.3：将步骤S1中的新特征数据集D3分别输入到DNN模型和LSTM模型中进行训练，采用Adam算法对DNN模型和LSTM模型的权重参数进行优化，训练完成得到基础DNN模型和基础LSTM模型。
进一步地，步骤S3具体为：采用步骤S1的方法获取移动储能系统中其他电池组的少量目标域特征数据集D4，输入到步骤S2所获得的基础DNN模型和基础LSTM模型中进行训练，采用迁移学习算法调整两个网络模型全连接层和输出层的参数，模型的其他层参数保持不变，得到TL-DNN模型和TL-LSTM模型。
进一步地，步骤S4具体为：
S4.1：将步骤S3所获得的TL-DNN模型和TL-LSTM模型导入到移动储能系统的电池管理系统中；
S4.2：电池管理系统实时监测电池组的运行状态，当电池组任一单体达到充电截止电压则视为电池组充电完成，电池管理系统根据步骤S1方法采集当前电池组的实测数据集D1并对电池组进行提取特征、一致性状态估计和筛选特征，获取新特征数据集D3；
S4.3：将步骤S4.2所获得的新特征数据集D3分别输入到步骤S3所获得的TL-DNN模型和TL-LSTM模型进行估计，两个模型的输出分别以预设的对应权重进行加权求和，得到电池组SOH。
本发明具有如下有益效果：
本发明提出的电池SOH估计方法在每次估计SOH时都对电池组进行一致性状态估计，并将电池组一致性状态估计结果作为特征之一，同时充分提取了电池组及其所有电池单体的有效信息作为特征，采用相关性分析筛选无效特征，充分提高了电池组SOH估计精度和减小了移动储能系统的计算负担；通过融合基于迁移学习的深度神经网络模型和长短期记忆神经网络模型的估计结果，提高了模型的泛化能力，集成了两种模型的估计结果，进一步提高了估计精度。
附图说明
图1为本发明提出的移动储能系统串联电池组SOH估计方法流程图。
图2为本发明步骤S1的流程图。
图3为本发明实施例中步骤S1.1的流程图。
图4为本发明实施例中步骤S1.2的流程图。
图5为本发明实施例中步骤S1.3的流程图。
图6为本发明实施例中步骤S1.4的流程图。
图7为本发明步骤S2的流程图。
图8为本发明中步骤S4的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图和具体实施例对本发明作进一步详细说明。
在一个具体的实施例中，如图1所示，一种移动储能系统串联电池组SOH估计方法，包括以下步骤：
S1：通过对串联电池组进行循环充放电测试，构建实测数据集；通过对实测数据集进行特征提取，并将特征与实测数据集合并，组成特征数据集；采用特征结合熵权法评估电池组一致性；采用相关性分析对特征数据集进行特征筛选并将筛选的特征与一致性评估结果合并组成新特征数据集；
S2：搭建深度神经网络(DNN)模型和长短期记忆神经网络(LSTM)模型，用新特征数据集进行基础模型训练；
S3：通过步骤S1的方法获取其他电池组的新特征数据集结合迁移学习(TL)方法对DNN和LSTM网络模型再次训练得到TL-DNN模型和TL-LSTM模型；
S4：当移动储能系统中某个串联电池组充电完成时，通过步骤S1的方法获取当前电池组的新特征数据集后输入到TL-DNN模型和TL-LSTM模型中，融合两种模型输出结果估计电池组的SOH。
下面分别对图1中的步骤进行具体说明。
在上述方案中，参阅图2，步骤S1具体包括：
S1.1：通过对串联电池组进行循环充放电测试获取源域数据，在每次充电测试期间，采集所述电池组电流和端电压，采集所述电池组中所有电池单体从充电结束前一采样时刻到充电结束后端电压降低至稳态值的全过程电压数据，并将采集的所有电流、电压数据作为特征；在每次放电测试期间，根据所述电池组的总放电量计算SOH，并将SOH作为标签，构建实测数据集D1；
S1.2：根据步骤S1.1所采集的实测数据集D1进行特征提取，将所提取特征与步骤S1.1所获得的电池组电流、电压数据特征和SOH标签合并，组成特征数据集D2，并进行归一化处理；
S1.3：根据步骤S1.2所获得的特征数据集D2，采用熵权法确定每个特征的权重，将所有特征进行加权求和，实现对电池组的一致性评估，并将电池组一致性评估结果作为新增特征；
S1.4：对步骤S1.2所获得的特征数据集D2进行相关性分析，根据相关性分析结果筛选出高相关性特征，并将筛选出的特征量与步骤S1.3所获得的电池组一致性评估结果特征共同组成新特征数据集D3。
参阅图3，上述步骤S1.1，可以包括：
S1.11：记电池组中电池单体数量为M，将当前型号电池组的充电电流从0到最大额定电流Imax均匀选取N个电流值，获得充电电流数据集如下：
I＝[I1,I2,...,IN]
其中，I表示充电电流数据集，IN表示充电电流数据集中第N个电流值；在0到Imax这个区间中，均匀划分N个等份，即从第一个非零划分点开始，直到Imax，共有N个电流值，N代表第N个电流值；
S1.12：记循环总次数为T，每次循环中，依次从步骤S1.11所获得的充电电流数据集中选取一个电流值对电池组进行恒流恒压充电，充电期间持续采集电池组电流和端电压，充电结束时采集电池组中所有电池单体从充电结束前一采样时刻到充电结束后端电压降低至稳态值的全过程电压数据，将采集的电流、电压数据作为特征；由于采用的充电方式是恒流充电，此处每个循环的电流是S1.11的充电电流数据集中的一个元素。
S1.13：对步骤S1.12充电完成的电池组进行恒流放电直至放电截止电压，根据总放电量计算电池组的SOH，并将SOH作为标签；
S1.14：将步骤S1.12所获得的电池组电流、电压数据特征与步骤S1.13所获取的SOH标签合并，构建实测数据集D1。
参阅图4，上述步骤S1.2具体包括：
S1.21：根据步骤S1.1所构建的实测数据集D1，计算所有电池单体充电结束前一采样时刻端电压值的范围和方差，此处的范围指的是在某一循环的充电结束前一采样时刻，每个单体的端电压值不相同，取所有单体在此时刻的端电压最值范围；计算所有电池单体充电结束时刻端电压瞬时下降值的方差；计算所有电池单体充电结束后端电压降低到稳态值的全过程电压恢复速率的方差；计算所有电池单体稳态端电压值的范围和方差；其中方差的计算公式为：
其中，θt-j表示在在第t个循环中第j个特征的方差；xt-mj表示在第t个循环中第m个电池的第j个特征；M表示电池单体数量；
表示在第t个循环中第j个特征的平均值；
S1.22：将步骤S1.21所计算提取的数据与步骤S1.1所获得的电池组电流、端电压特征和SOH标签合并，组成特征数据集D2，并进行Min-Max归一化处理，归一化的计算公式为：
其中，at-j表示归一化后第t个循环中第j个特征的特征值，xt-j表示第t个循环中第j个特征的特征值；max0≤t≤T(xt-j)表示在所有循环中第j个特征的最大值，min0≤t≤T(xt-j)表示在所有循环中第j个特征的最小值，T表示循环总次数。
参阅图5，上述步骤S1.3具体包括：
S1.31：根据步骤S1.2中归一化处理后所获得的特征数据集D2，提取其中所有电池单体充电结束前一采样时刻端电压值的方差、所有电池单体充电结束时刻端电压瞬时下降值的方差、所有电池单体充电结束后端电压降低到稳态值的全过程电压恢复速率的方差和所有电池单体稳态端电压值的方差作为特征；
S1.32：采用熵权法方法对步骤S1.31中的特征分别赋予权重，熵权法的计算公式为：
其中，k为常数，
Sj表示第j个特征的信息熵，J表示特征数量；
权重计算公式为：
其中，ωj表示第j个特征对应的特征权重；
S1.33：对步骤S1.31中提取的特征以步骤S1.32获得的特征权重进行加权求和，求和结果即为电池组一致性评估结果，并作为新增特征。
参阅图6，上述步骤S1.4具体包括：
S1.41：将步骤S1.2所获得的特征数据集D2中的每个特征逐一与电池组SOH进行相关性分析，筛选出相关性低于相关性阈值的特征并去除，得到高相关性特征；本实施例中，相关性阈值设为0.8，去除特征数据集D2中相关性低于0.8的特征，其余的特征即为高相关性特征；
S1.42：将步骤S1.41中筛选出的高相关性特征与步骤S1.3所获得的电池组一致性评估结果特征共同组成新特征数据集D3。
在上述方案中，参阅图7，步骤S2具体包括：
S2.1：搭建DNN模型，DNN模型由输入层、隐藏层和输出层构成，采用ReLU函数作为DNN模型的激活函数；输入层的神经元个数为步骤S1所获得的新特征数据集D3特征数量，输出层的神经元个数为1，输出结果为估计的SOH值；
S2.2：搭建LSTM模型，LSTM模型由输入层、隐藏层和输出层构成，输入层的神经元个数为步骤S1所获得的新特征数据集D3特征数量，隐藏层包括LSTM神经元层、Dropout层和全连接层，输出层的神经元个数为1，输出结果为神经网络估计的SOH值，LSTM模型的内部由遗忘门、输入门和输出门构成，具体计算公式如下：
it＝σ(Wiixt+Whih(t-1)+bi)
ft＝σ(Wifxt+Whfh(t-1)+bf)
ot＝σ(Wioxt+Whoh(t-1)+bo)
gt＝tanh(Wigxt+Whgh(t-1)+bg)
ct＝ft*c(t-1)+it*gt
ht＝ot*tanh(ct)
其中，it、ft、ot、gt分别表示输入门、遗忘门、输出门和输入节点在当前时刻的输出，xt表示当前时刻网络的输入，xt指一个输入变量矩阵，不是单一数据；h(t-1)、ht分别表示在上一时刻和当前时刻的输出，Wii、Wif、Wio、Wig分别表示输入门、遗忘门、输出门、输入节点与输入之间的权重参数，Whi、Whf、Who、Whg分别表示输入门、遗忘门、输出门、输入节点与上一时刻输出之间的权重参数，bi、bf、bo、bg分别表示输入门、遗忘门、输出门、输入节点的偏置项，ct表示从上一时刻的单元状态保留到当前时刻的状态值；σ表示LSTM模型的激活函数；
S2.3：将步骤S1中的新特征数据集D3分别输入到DNN模型和LSTM模型中进行训练，采用Adam算法对DNN模型和LSTM模型的权重参数进行优化，训练完成得到基础DNN模型和基础LSTM模型。
在上述方案中，步骤S3具体包括：
采用步骤S1的方法获取移动储能系统中其他电池组的少量目标域特征数据集D4，输入到步骤S2所获得的基础DNN模型和基础LSTM模型中进行训练，采用迁移学习(TL)算法调整两个网络模型全连接层和输出层的参数，模型的其他层参数保持不变，得到TL-DNN模型和TL-LSTM模型。步骤2中是用一个电池组的数据集训练了模型的基础参数，为了提高泛化性，需要采用系统中其他电池组的少量数据集进行再次训练，调整模型后两层参数。
在上述方案中，参阅图8，步骤S4具体包括：
S4.1：将步骤S3所获得的TL-DNN模型和TL-LSTM模型导入到移动储能系统的电池管理系统中；
S4.2：电池管理系统实时监测电池组的运行状态，当电池组任一单体达到充电截止电压则视为电池组充电完成，电池管理系统根据步骤S1方法采集当前电池组的实测数据集D1并对电池组进行提取特征、一致性状态估计和筛选特征，获取新特征数据集D3；
S4.3：将步骤S4.2所获得的新特征数据集D3分别输入到步骤S3所获得的TL-DNN模型和TL-LSTM模型进行估计，两个模型的输出分别以预设的对应权重进行加权求和，得到电池组SOH。本实施例中，两个模型的对应权重均预设为0.5，两个模型的输出分别以0.5的权重进行加权求和，得到所述电池组SOH。
本发明未涉及部分均与现有技术相同或采用现有技术加以实现。
以上内容是结合具体的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。
Claims (9)
1.一种移动储能系统串联电池组SOH估计方法，其特征在于：包括：
S1：通过对串联电池组进行循环充放电测试，构建实测数据集；通过对实测数据集进行特征提取，并将特征与实测数据集合并，组成特征数据集；采用特征结合熵权法评估电池组一致性；采用相关性分析对特征数据集进行特征筛选并将筛选的特征与一致性评估结果合并组成新特征数据集；
S2：搭建DNN和LSTM网络模型，用新特征数据集进行基础模型训练；
S3：通过步骤S1的方法获取其他电池组的新特征数据集结合迁移学习方法对DNN和LSTM网络模型再次训练得到TL-DNN模型和TL-LSTM模型；
S4：当移动储能系统中某个串联电池组充电完成时，通过步骤S1的方法获取当前电池组的新特征数据集后输入到TL-DNN模型和TL-LSTM模型中，融合两种模型输出结果估计电池组的SOH。
2.根据权利要求1所述的一种移动储能系统串联电池组SOH估计方法，其特征在于：步骤S1具体包括：
S1.1：通过对串联电池组进行循环充放电测试获取源域数据，在每次充电测试期间，采集所述电池组电流和端电压，采集所述电池组中所有电池单体从充电结束前一采样时刻到充电结束后端电压降低至稳态值的全过程电压数据，并将采集的所有电流、电压数据作为特征；在每次放电测试期间，根据所述电池组的总放电量计算SOH，并将SOH作为标签，构建实测数据集D1；
S1.2：根据步骤S1.1所采集的实测数据集D1进行特征提取，将所提取特征与步骤S1.1所获得的电池组电流、电压数据特征和SOH标签合并，组成特征数据集D2，并进行归一化处理；
S1.3：根据步骤S1.2所获得的特征数据集D2，采用熵权法确定每个特征的权重，将所有特征进行加权求和，实现对电池组的一致性评估，并将电池组一致性评估结果作为新增特征；
S1.4：对步骤S1.2所获得的特征数据集D2进行相关性分析，根据相关性分析结果筛选出高相关性特征，并将筛选出的特征量与步骤S1.3所获得的电池组一致性评估结果特征共同组成新特征数据集D3。
3.根据权利要求2所述的移动储能系统串联电池组SOH估计方法，其特征在于：步骤S1.1的实测数据集D1构建方法如下：
S1.11：记电池组中电池单体数量为M，将当前型号电池组的充电电流从0到最大额定电流Imax均匀选取N个电流值，获得充电电流数据集如下：
I＝[I1,I2,...,IN]
其中，I表示充电电流数据集，IN表示充电电流数据集中第N个电流值；
S1.12：记循环总次数为T，每次循环中，依次从步骤S1.11所获得的充电电流数据集中选取一个电流值对电池组进行恒流恒压充电，充电期间持续采集电池组电流和端电压，充电结束时采集电池组中所有电池单体从充电结束前一采样时刻到充电结束后端电压降低至稳态值的全过程电压数据，将采集的电流、电压数据作为特征；
S1.13：对步骤S1.12充电完成的电池组进行恒流放电直至放电截止电压，根据总放电量计算电池组的SOH，并将SOH作为标签；
S1.14：将步骤S1.12所获得的电池组电流、电压数据特征与步骤S1.13所获取的SOH标签合并，构建实测数据集D1。
4.根据权利要求2所述的移动储能系统串联电池组SOH估计方法，其特征在于：步骤S1.2具体包括：
S1.21：根据步骤S1.1所构建的实测数据集D1，计算所有电池单体充电结束前一采样时刻端电压值的范围和方差，计算所有电池单体充电结束时刻端电压瞬时下降值的方差，计算所有电池单体充电结束后端电压降低到稳态值的全过程电压恢复速率的方差，计算所有电池单体稳态端电压值的范围和方差；其中方差的计算公式为：
其中，θt-j表示在在第t个循环中第j个特征的方差；xt-mj表示在第t个循环中第m个电池的第j个特征；M表示电池单体数量；
表示在第t个循环中第j个特征的平均值；
S1.22：将步骤S1.21所计算提取的数据与步骤S1.1所获得的电池组电流、端电压特征和SOH标签合并，组成特征数据集D2，并进行Min-Max归一化处理，归一化的计算公式为：
其中，at-j表示归一化后第t个循环中第j个特征的特征值，xt-j表示第t个循环中第j个特征的特征值；max0≤t≤T(xt-j)表示在所有循环中第j个特征的最大值，min0≤t≤T(xt-j)表示在所有循环中第j个特征的最小值，T表示循环总次数。
5.根据权利要求2所述的移动储能系统串联电池组SOH估计方法，其特征在于：步骤S1.3具体包括：
S1.31：根据步骤S1.2中归一化处理后所获得的特征数据集D2，提取其中所有电池单体充电结束前一采样时刻端电压值的方差、所有电池单体充电结束时刻端电压瞬时下降值的方差、所有电池单体充电结束后端电压降低到稳态值的全过程电压恢复速率的方差和所有电池单体稳态端电压值的方差作为特征；
S1.32：采用熵权法方法对步骤S1.31中的特征分别赋予权重，熵权法的计算公式为：
其中，k为常数，
Sj表示第j个特征的信息熵，J表示特征数量；
权重计算公式为：
其中，ωj表示第j个特征对应的特征权重；
S1.33：对步骤S1.31中提取的特征以步骤S1.32获得的特征权重进行加权求和，求和结果即为电池组一致性评估结果，并作为新增特征。
6.根据权利要求2所述的移动储能系统串联电池组SOH估计方法，其特征在于：步骤S1.4具体包括：
S1.41：将步骤S1.2所获得的特征数据集D2中的每个特征逐一与电池组SOH进行相关性分析，筛选出相关性低于相关性阈值的特征并去除，得到高相关性特征；
S1.42：将步骤S1.41中筛选出的高相关性特征与步骤S1.3所获得的电池组一致性评估结果特征共同组成新特征数据集D3。
7.根据权利要求1所述的移动储能系统串联电池组SOH估计方法，其特征在于：步骤S2具体为：
S2.1：搭建DNN模型，DNN模型由输入层、隐藏层和输出层构成，采用ReLU函数作为DNN模型的激活函数；输入层的神经元个数为步骤S1所获得的新特征数据集D3特征数量，输出层的神经元个数为1，输出结果为估计的SOH值；
S2.2：搭建LSTM模型，LSTM模型由输入层、隐藏层和输出层构成，输入层的神经元个数为步骤S1所获得的新特征数据集D3特征数量，隐藏层包括LSTM神经元层、Dropout层和全连接层，输出层的神经元个数为1，输出结果为神经网络估计的SOH值，LSTM模型的内部由遗忘门、输入门和输出门构成，具体计算公式如下：
it＝σ(Wiixt+Whih(t-1)+bi)
ft＝σ(Wifxt+Whfh(t-1)+bf)
ot＝σ(Wioxt+Whoh(t-1)+bo)
gt＝tanh(Wigxt+Whgh(t-1)+bg)
ct＝ft*c(t-1)+it*gt
ht＝ot*tanh(ct)
其中，it、ft、ot、gt分别表示输入门、遗忘门、输出门和输入节点在当前时刻的输出，xt表示当前时刻网络的输入，h(t-1)、ht分别表示在上一时刻和当前时刻的输出，Wii、Wif、Wio、Wig分别表示输入门、遗忘门、输出门、输入节点与输入之间的权重参数，Whi、Whf、Who、Whg分别表示输入门、遗忘门、输出门、输入节点与上一时刻输出之间的权重参数，bi、bf、bo、bg分别表示输入门、遗忘门、输出门、输入节点的偏置项，ct表示从上一时刻的单元状态保留到当前时刻的状态值；σ表示LSTM模型的激活函数；
S2.3：将步骤S1中的新特征数据集D3分别输入到DNN模型和LSTM模型中进行训练，采用Adam算法对DNN模型和LSTM模型的权重参数进行优化，训练完成得到基础DNN模型和基础LSTM模型。
8.根据权利要求1所述的移动储能系统串联电池组SOH估计方法，其特征在于：步骤S3具体为：采用步骤S1的方法获取移动储能系统中其他电池组的少量目标域特征数据集D4，输入到步骤S2所获得的基础DNN模型和基础LSTM模型中进行训练，采用迁移学习算法调整两个网络模型全连接层和输出层的参数，模型的其他层参数保持不变，得到TL-DNN模型和TL-LSTM模型。
9.根据权利要求1所述的移动储能系统串联电池组SOH估计方法，其特征在于：步骤S4具体为：
S4.1：将步骤S3所获得的TL-DNN模型和TL-LSTM模型导入到移动储能系统的电池管理系统中；
S4.2：电池管理系统实时监测电池组的运行状态，当电池组任一单体达到充电截止电压则视为电池组充电完成，电池管理系统根据步骤S1方法采集当前电池组的实测数据集D1并对电池组进行提取特征、一致性状态估计和筛选特征，获取新特征数据集D3；
S4.3：将步骤S4.2所获得的新特征数据集D3分别输入到步骤S3所获得的TL-DNN模型和TL-LSTM模型进行估计，两个模型的输出分别以预设的对应权重进行加权求和，得到电池组SOH。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211199843.XA CN115542182A (zh) | 2022-09-29 | 2022-09-29 | 一种移动储能系统串联电池组soh估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211199843.XA CN115542182A (zh) | 2022-09-29 | 2022-09-29 | 一种移动储能系统串联电池组soh估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115542182A true CN115542182A (zh) | 2022-12-30 |
Family
ID=84731346
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211199843.XA Pending CN115542182A (zh) | 2022-09-29 | 2022-09-29 | 一种移动储能系统串联电池组soh估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115542182A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115508709A (zh) * | 2022-08-31 | 2022-12-23 | 贵州电网有限责任公司 | 一种基于迁移学习的移动储能系统串联电池组soh估计方法 |
| CN116953554A (zh) * | 2023-07-25 | 2023-10-27 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于多片段数据的储能电站锂电池soh估计方法及装置 |
-
2022
- 2022-09-29 CN CN202211199843.XA patent/CN115542182A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115508709A (zh) * | 2022-08-31 | 2022-12-23 | 贵州电网有限责任公司 | 一种基于迁移学习的移动储能系统串联电池组soh估计方法 |
| CN116953554A (zh) * | 2023-07-25 | 2023-10-27 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于多片段数据的储能电站锂电池soh估计方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111443294B (zh) | 一种锂离子电池剩余寿命间接预测方法及装置 | |
| CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
| CN113777496B (zh) | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 | |
| CN113064093B (zh) | 储能电池荷电状态与健康状态联合估算方法及系统 | |
| CN112782591B (zh) | 基于多电池数据融合的锂电池soh长期预测方法 | |
| CN115542182A (zh) | 一种移动储能系统串联电池组soh估计方法 | |
| CN112798960B (zh) | 一种基于迁移深度学习的电池组剩余寿命预测方法 | |
| CN110133525B (zh) | 一种应用于电池管理系统的锂离子电池健康状态估计方法 | |
| CN113917337A (zh) | 基于充电数据和lstm神经网络的电池健康状态估计方法 | |
| CN112345939B (zh) | 基于连续脉冲响应的锂离子电池模型参数辨识方法 | |
| CN112611976A (zh) | 一种基于双差分曲线的动力电池健康状态估计方法 | |
| CN112834927A (zh) | 锂电池剩余寿命预测方法、系统、设备及介质 | |
| CN115453399B (zh) | 一种考虑不一致性的电池组soh估计方法 | |
| CN115856678A (zh) | 一种锂离子电池健康状态估计方法 | |
| CN114726045B (zh) | 一种基于ipea-lstm模型的锂电池soh估计方法 | |
| CN115201686B (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
| CN115598557B (zh) | 一种基于恒压充电电流的锂电池soh估计方法 | |
| CN115409263A (zh) | 一种基于门控和注意力机制的锂电池剩余寿命预测方法 | |
| CN112098873B (zh) | 基于充电电压曲线几何特征的锂电池健康状态估计方法 | |
| CN115389946A (zh) | 一种基于等压升能量和改进gru的锂电池健康状态估计方法 | |
| CN116224085A (zh) | 一种基于数据驱动的锂电池健康状态评估方法 | |
| CN115980584A (zh) | 基于多特征融合lstm网络的锂电池rul估计方法 | |
| CN117825965A (zh) | 一种锂离子电池的状态预测方法及系统 | |
| CN115236522A (zh) | 基于混合深度神经网络的储能电池端到端容量估计方法 | |
| Wang et al. | Joint prediction of Li-ion battery state of charge and state of health based on the DRSN-CW-LSTM model |
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 |