CN115621573A - 一种储能电站锂电池健康状态预测系统及方法 - Google Patents
一种储能电站锂电池健康状态预测系统及方法 Download PDFInfo
- Publication number
- CN115621573A CN115621573A CN202211260954.7A CN202211260954A CN115621573A CN 115621573 A CN115621573 A CN 115621573A CN 202211260954 A CN202211260954 A CN 202211260954A CN 115621573 A CN115621573 A CN 115621573A
- Authority
- CN
- China
- Prior art keywords
- battery
- capacity
- imf
- soh
- sequence
- 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
Images
Classifications
-
- 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
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- 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
- G06N3/08—Learning methods
-
- 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
- H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
-
- 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
- H01M10/44—Methods for charging or discharging
-
- 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
-
- 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
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- 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
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
-
- 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
Abstract
本发明公开了一种储能电站锂电池健康状态预测系统及方法,所述系统包括池组、电流传感器、电压传感器、开关控制模块、SOH预测模块和上位机;电池组包括多个电池单体,电流传感器用于采集每一个电池单体的充放电电流数据,并传输给SOH预测模块;电压传感器用于采集每一个电池单体的充放电电流数据,并传输给SOH预测模块;SOH预测模块用于根据接收到的信息,对每一个电池单体进行SOH预测,并将预测结果传输给上位机,所述SOH即健康状态;上位机,用于接收电池组的切合状态和SOH预测到的每一个电池单体的的SOH,并对接收到的信号进行实时查看与保存。本发明同时具备经验模型计算简单和数据驱动灵活性好的特点,能够准确预测储能系统锂电池的SOH。
Description
技术领域
本发明涉及锂电池,特别是涉及一种储能电站锂电池健康状态预测系统及方法。
背景技术
新能源和可再生能源得到大力开发和研究,随着此类间歇性能源的大规模接入电网,电网调频、调峰需求急剧上升。电化学储能系统由于其部署环境要求低,适用场景多等特点,在解决新能源消纳、增强电网稳定性、提高配电系统利用率等方面发挥重要作用。然而,大规模电化学储能电站建设也面临许多困难,首当其冲的便是锂离子电池安全性问题。锂电池在使用过程中无可避免地会经历老化过程,随着循环次数的增加,锂电池会出现过充、过放、温度过高、内外部短路等风险,严重危害锂电池及储能电站的运行安全。因此,准确预测电池健康状态(state of health,SOH),对储能电站进行安全预警,是保障储能电站长期稳定运行的有效手段。
现有技术通常采用基于试验、模型或数据驱动的方法对电池SOH进行研究和预测。基于试验的方法主要是对锂电池老化机理进行研究和实验,难以预测实时运行的储能电站风险。基于模型的方法计算简单,但未能充分考虑环境条件及锂电池在不同运行工况下的差异性,导致模型泛化性能差。数据驱动的方法建模简单、灵活性强、实时性好,但需要大量完整的储能电站锂电池运行数据,同时要求计算机具备较好的计算能力。
发明内容
本发明的目的在于克服现有技术的不足,提供一种储能电站锂电池健康状态预测系统及方法,同时具备经验模型计算简单和数据驱动灵活性好的特点,能够准确预测储能系统锂电池的SOH。
本发明的目的是通过以下技术方案来实现的:一种储能电站锂电池健康状态预测系统,包括电池组、电流传感器、电压传感器、开关控制模块、SOH预测模块和上位机;
所述开关控制模块包括切合开关和控制器,所述切合开关串联在电池组的供电回路中,所述控制器与切合开关的控制端连接,用于通过切换开关控制电池组的切合;所述控制器还与上位机连接,用于将电池组的切合状态传输给所述上位机;
所述电池组包括多个电池单体;
所述电流传感器用于采集每一个电池单体的充放电电流数据,并传输给SOH预测模块;
所述电压传感器用于采集每一个电池单体的充放电电流数据,并传输给SOH预测模块;
所述SOH预测模块用于根据接收到的信息,对每一个电池单体进行SOH预测,并将预测结果传输给上位机,所述SOH即健康状态;
所述上位机,用于接收电池组的切合状态和SOH预测到的每一个电池单体的的SOH,并对接收到的信号进行实时查看与保存。
优选地,所述电池组中包含N个电池串,每个电池串包含M个电池单体,每个电池串内的M个电池单体串联,各个电池串之间并联,其中M,N均为正整数。
所述SOH预测模块与电流传感器之间通过有线方式连接;
所述控制器、SOH预测模块和上位机之间通过无线方式两两互联。
所述上位机还连接有报警模块,用于在SOH下降到80%以下时进行预警。
进一步地,所述SOH预测模块包括:
容量衰减序列构建单元,用于根据用系统中的电流、电压传感器采集电池电流、电压信息,计算容量,并构建容量衰减序列;
经验模态分解单元,将容量衰减序列进行分解,用于区分容量衰减整体趋势和局部波动;
经验模型构建单元,用于构建电池容量衰减双指数模型;
数据驱动单元,用于构建双向长短时记忆神经网络及支持向量机,并对双向长短时记忆神经网络及支持向量机进行训练,得到成熟的双向长短时记忆神经网络及支持向量机;
双向长短时记忆神经网络通过两个独立的隐藏层分析正向和反向序列,其输出序列yt由正向和反向隐含层共同决定,正反向隐含层的输出hb、hf及输出yt的计算公式如下:
其中,W、U、V为双向长短时记忆神经网络的权重矩阵;b、c为偏置;ht为t时刻隐藏层的输出;每个双向LSTM层连接两个全连接层;
支持向量机将输入的非线性数据映射到高维特征空间,在此空间构造最优线性回归函数,以实现原空间的非线性判别函数,如下公式所示,
预测单元,用于利用成熟的双向长短时记忆神经网络及支持向量机进行预测,并将预测值相加后,计算相加得到的结果站标称值的百分比,作为最终的预测结果。
一种储能电站锂电池健康状态预测方法,包括以下步骤:
S1:利用系统中的电流、电压传感器采集电池电流、电压信息;
S3:进行循环充放电实验,获取各个充放电循环次数下的容量形成容量衰减序列:
电池每进行一次充放电循环均获得一个容量,将电池循环过程中的容量进行保存,重复进行S1-S2,获取电池循环过程中的数据,由各个充放电循环次数下的容量形成容量衰减序列;
S4:利用S3获得的容量序列构建经验模型,即双指数模型:
Q'n=aebn+cedn
在n=1,2,3,……N时,将容量衰减序列中,第n次充放电循环的容量作为Q'n,代入双指数模型中,通过最小二乘拟合进行未知参数的辨识,得到辨识后的双指数模型;其中N表示充放电的总次数;a、b、c、d为指数模型的未知参数,N为循环充放电的总次数;
在辨识后的双指数模型中,在n=1,2,3,……N时,由充放电循环次数n确定双指数模型的输出Q'n,作为双指数模型的拟合结果;
S5:利用双指数模型拟合结果对电池容量衰减序列的离群值进行修正;
离群值修正过程为:1、设定误差范围,将双指数模型拟合结果与电池衰减序列中的容量进行比较;2、剔除超过设定误差范围的容量值;3、以左右相邻值的平均值作为插补值代替;
S6:将S5中获得的修正后的容量衰减序列进行经验模态分解,容量衰减序列进一步被分解为总体趋势imf1和局部波动imf2、imf3…imfp;循环充放电次数为n时,容量衰减序列分解得到的总体趋势记为局部波动记为imfn 2、imfn 3…imfn p,p为正整数;
S7:训练BiLSTM神经网络:构建BiLSTM神经网络,将双指数模型拟合结果作为特征,将S6中分解获得的总体趋势imf1与双指数模型拟合结果Q'的差值e作为标签,对神经网络进行训练:在循环充放电次数为n时,神经网络输出为imfn 1与双指数模型拟合结果Q'n的差值,特征和标签如下所示:
Q'=[Q'n-1 Q'n-2…Q'n-m]T
其中,Q'为特征,en为标签,m表示特征长度;
在n=m+1,m+2,…,N时,构建特征Q'和标签en对神经网络进行训练,得到训练好的BiLSTM神经网络模型;
S8:在n取任意大于m的整数时,利用S7训练好的BiLSTM神经网络,预测总体趋势imfn 1与双指数模型拟合结果Q'n之间的误差en,将双指数模型拟合结果输入到BiLSTM神经网络中,其输入为:
Q'=[Q'n-1 Q'n-2…Q'n-m]T
Q'为双指数模型拟合的容量衰减总体趋势值,n-1,n-2…代表电池循环次数,xn-1为第n-1次循环时的双指数模型拟合的总体趋势值,以此类推;
S9:BILSTM神经网络对双指数模型拟合结果进行误差补偿,获得更精确的容量衰减总体趋势数值:
Q″n=Q'n+en
Q″n为容量衰减总体趋势预测值,en代表S7中获得的误差补偿值,BiLSTM通过第n次循环之前的双指数模型拟合得到容量序列数据,输出第n次循环双指数模型拟合结果与真总体趋势imf1之间的误差,通过误差值与双指数模型拟合值相加,获得预测值Q″n;
S10:训练支持向量机:把电池第n次循环之前的m个容量衰减局部波动数据输入到支持向量机,局部波动序列按照步骤S6分解获得,输入序列为:
Ximf为SVM的输入序列,imfi 2、imfi 3…imfi p为循环充放电次数为i时经验模态分解后的局部波动序列,i=n-1,n-2,n-m代表电池循环次数;p为正整数,标签为第n次循环的局部波动Yimf;
在n=m+1,m+2,…,N时,利用Ximf和Yimf对支持向量机进行训练,得到训练好的支持向量机;
S11:在n取任意大于m的整数时,利用训练好的支持向量机预测局部波动:把电池第n次循环之前的m个容量衰减局部波动数据输入到支持向量机,局部波动序列imf2、imf3…imfp由S6获得,输入序列为Ximf,支持向量输出第n次循环的局部波动Yimf;
Yimf=f(Ximf)
S12:BISTLM神经网络预测值与支持向量机预测值相加,得到电池容量预测值Q;
Q=Q″+Yimf
S13:根据容量预测值,计算出SOH,作为预测结果进行输出:
Q为当前电池特征容量,QN为电池标称特征容量,标称特征容量即为电池初始循环时[3.3V,3.8V]放电电压之间的容量。
本发明的有益效果是:本发明同时具备经验模型计算简单和数据驱动灵活性好的特点,能够准确预测储能系统锂电池的SOH:通过双指数模型拟合一种电池的容量衰减总体趋势,其在不同工况下运行所造成的差异由双向长短时记忆神经网络对其进行误差补偿,使其能够通过单一双指数模型实现不同运行工况下电池SOH的预测;将容量衰减序列分解为总体趋势和局部波动,再分别采用BiLSTM和SVM进行估计,并对估计结果进行重构,提高了估计精度。
附图说明
图1为本发明的系统原理示意图;
图2为SOH预测模块预测原理示意图;
图3为BiLSTM结构原理示意图;
图4为经验模态分解结果示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
本发明针对储能电池SOH预测,提出一种经验模型和数据驱动融合的方法:针对经验模型对局部波动预测性能差的缺点,通过将容量衰减序列分解为总体趋势与局部波动。经验模型用于拟合总体趋势,针对不同工况再使用一种数据驱动方法对其进行误差补偿,使其能够通过单一经验模型实现不同运行工况下电池SOH的预测。而局部波动则通过另一种数据驱动方法进行预测。经验模型的拟合数据则能够对历史异常数据进行修正并提高数据特征,防止异常值影响模型的训练,从而提高数据驱动预测结果的精度。并且经验模型拟合数据与电池容量序列相关性高,尽管不使用电压、电流、温度等数据训练也能保证数据驱动模型的精确度,减少了大量的计算。本发明结合了经验模型和数据驱动的优势,在使用少量数据的情况下也能对不同运行工况下的电池实现SOH的高精度预测,具体地:
如图1所示,一种储能电站锂电池健康状态预测系统,包括电池组、电流传感器、控制器、SOH预测模块和上位机;
所述控制器与电池组的正极和负极相连接,用于控制电池组的切合所述控制器还与上位机连接,用于将电池组的切合状态传输给所述上位机;
所述电池组包括M×N个电池单体,M,N为正整数;
所述电流传感器用于采集每一个电池单体的充放电电流数据,并传输给SOH预测模块;
所述SOH预测模块用于根据接收到的信息,对每一个电池单体进行SOH预测,并将预测结果传输给上位机,所述SOH即健康状态;
所述上位机,用于接收电池组的切合状态和SOH预测到的每一个电池单体的的SOH,并对接收到的信号进行实时查看与保存。
在本申请的实施例中,所述M×N个电池单体依次串并联连接,所述SOH预测模块与电流传感器之间通过有线方式连接;
所述控制器、SOH预测模块和上位机之间通过无线方式两两互联。
控制器、SOH预测模块、上位机两两之间都存在无线连接。SOH预测模块可以根据预测结果自动发送切合电池组的指令,上位机除远程查看电池状态信息外,也能人为地对电池组进行切合。
所述上位机还连接有报警模块,用于在SOH下降到80%以下时进行预警。
如图2所示,所述SOH预测模块包括:
容量衰减序列构建单元,用于根据用系统中的电流、电压传感器采集电池电流、电压信息,计算容量,并构建容量衰减序列;
经验模态分解(Empirical Mode Decomposition,EMD)单元,将容量衰减序列进行分解,用于区分容量衰减整体趋势和局部波动;
经验模型构建单元,用于构建电池容量衰减双指数模型,如下公式所示,
其中,Q为电池容量,n=1,2,3,……代表锂离子电池充放电循环次数,αn,bn,cn,dn为指数模型的未知参数,通过卡尔曼滤波进行参数辨识,建立双指数模型;
数据驱动单元,用于构建双向长短时记忆神经网络及支持向量机,并对双向长短时记忆神经网络及支持向量机进行训练,得到成熟的双向长短时记忆神经网络及支持向量机;
构建双向长短时记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)及支持向量机时(Support Vector Machine,SVM),双向长短时记忆神经网络双向长短时记忆神经网络如图3所示,通过两个独立的隐藏层分析正向和反向序列,其输出序列yt由正向和反向隐含层共同决定,正反向隐含层的输出hb、hf及输出yt的计算公式如下:
其中,W、U、V为双向长短时记忆神经网络的权重矩阵;b、c为偏置;ht为t时刻隐藏层的输出。每个双向LSTM层连接两个全连接层;
支持向量机将输入的非线性数据映射到高维特征空间,在此空间构造最优线性回归函数,以实现原空间的非线性判别函数,如下公式所示,
预测单元,用于利用成熟的双向长短时记忆神经网络及支持向量机进行预测,并将预测值相加后,计算相加得到的结果站标称值的百分比,作为最终的预测结果。
一种储能电站锂电池健康状态预测方法,包括以下步骤:
S1:利用系统中的电流、电压传感器采集电池电流、电压信息;
因储能系统电池真实运行过程中并非满充满放,因此无法直接测量出电池真实容量。此处的容量取为锂电池放电电压在[3.3V,3.8V]之间的放电量,但此放电量并非电池满充满放时的真实容量,电池真实容量衰减时,[3.3V,3.8V]之间的放电量也会衰减,并且其衰减与真实容量衰减高度相关,故可依靠[3.3V,3.8V]之间的放电量计算电池SOH。
S3:进行循环充放电实验,获取各个充放电循环次数下的容量形成容量衰减序列:
电池每进行一次充放电循环均获得一个容量,将电池循环过程中的容量进行保存,重复进行S1-S2,获取电池循环过程中的数据,由各个充放电循环次数下的容量形成容量衰减序列;(SOH预测模块具有存储数据的功能,将容量衰减序列保存在SOH预测模块中)
S4:利用S3获得的容量序列构建经验模型,即双指数模型:
Q'n=aebn+cedn
在n=1,2,3,……N时,将容量衰减序列中,第n次充放电循环的容量作为Q'n,代入双指数模型中,通过最小二乘拟合进行未知参数的辨识,得到辨识后的双指数模型;其中N表示充放电的总次数;a、b、c、d为指数模型的未知参数,N为循环充放电的总次数;
在辨识后的双指数模型中,在n=1,2,3,……N时,由充放电循环次数n确定双指数模型的输出Q'n,作为双指数模型的拟合结果;
双指数模型为一条多项式,其作为一个数学模型。通过最小二乘参数辨识之后,a、b、c、d即可确定为某一常数,而n代表锂离子电池的循环次数,n值并不是固定的,Q'n随n值改变,Q'n即为双指数模型的拟合结果,也就是容量衰减总体趋势中的某个循环的值。
S5:利用双指数模型拟合结果对电池容量衰减序列的离群值进行修正;
离群值修正过程为:1、设定误差范围,将双指数模型拟合结果与电池衰减序列中的容量进行比较;2、剔除超过设定误差范围的容量值;3、以左右相邻值的平均值作为插补值代替;
S6:将S5中获得的修正后的容量衰减序列进行经验模态分解,容量衰减序列进一步被分解为总体趋势imf1和局部波动imf2、imf3…imfp;循环充放电次数为n时,容量衰减序列分解得到的总体趋势记为局部波动记为imfn 2、imfn 3…imfn p,p为正整数;
将容量衰减序列进行经验模态分解,即可分解为整体趋势和局部波动,如图4所示,容量衰减曲线最终分解为一条总体趋势曲线和三条局部波动曲线,因此电池每次循环都对应一个容量衰减总体趋势值xn;
电池组每进行一次充电和放电即为一次循环,电池组在运行过程中,循环次数会逐渐增加,此处的意思不是说每一次预测SOH都需要对电池进行循环,只需要将电池组正常运行的数据记录下来即可。总体趋势量化如图4曲线2所示,曲线1为容量衰减序列,使用经验模态将曲线1分解后可获得若干条曲线,其中残差即可表示为总体趋势。(经验模态分解后可以获得若干条曲线,其中一条为残差,如图4曲线2所示,残差通常为一条光滑曲线;其余均为模态函数曲线,如曲线3、曲线4、曲线5所示,模态函数曲线通常波动较大。残差和模态函数为经验模态分解的表达,本专利将分解后的曲线表述为容量衰减总体趋势和局部波动。)
S7:训练BiLSTM神经网络:构建BiLSTM神经网络,将双指数模型拟合结果作为特征,将S6中分解获得的总体趋势imf1与双指数模型拟合结果Q'的差值e作为标签,对神经网络进行训练:在循环充放电次数为n时,神经网络输出为与双指数模型拟合结果Q'n的差值,特征和标签如下所示:
Q'=[Q'n-1 Q'n-2...Q'n-m]T
其中,Q'为特征,en为标签,m表示特征长度;
在n=m+1,m+2,…,N时,构建特征Q'和标签en对神经网络进行训练,得到训练好的BiLSTM神经网络模型;
Q'=[Q'n-1 Q'n-2…Q'n-m]T
Q'为双指数模型拟合的容量衰减总体趋势值,n-1,n-2…代表电池循环次数,xn-1为第n-1次循环时的双指数模型拟合的总体趋势值,以此类推;
S9:BILSTM神经网络对双指数模型拟合结果进行误差补偿,获得更精确的容量衰减总体趋势数值:
Q″n=Q'n+en
Q″n为容量衰减总体趋势预测值,en代表S7中获得的误差补偿值,BiLSTM通过第n次循环之前的双指数模型拟合得到容量序列数据,输出第n次循环双指数模型拟合结果与真总体趋势imf1之间的误差,通过误差值与双指数模型拟合值相加,获得预测值Q″n;
以上为整体趋势imf1的估计,下面是局部波动:
S10:训练支持向量机:把电池第n次循环之前的m个容量衰减局部波动数据输入到支持向量机,局部波动序列按照步骤S6分解获得,输入序列为:
Ximf为SVM的输入序列,imfi 2、imfi 3…imfi p为循环充放电次数为i时经验模态分解后的局部波动序列,i=n-1,n-2,n-m代表电池循环次数;p为正整数,标签为第n次循环的局部波动Yimf;
在n=m+1,m+2,…,N时,利用Ximf和Yimf对支持向量机进行训练,得到训练好的支持向量机;
S11:在n取任意大于m的整数时,利用训练好的支持向量机预测局部波动:把电池第n次循环之前的m个容量衰减局部波动数据输入到支持向量机,局部波动序列imf2、imf3…imfp由S6获得,输入序列为Ximf,支持向量输出第n次循环的局部波动Yimf;
Yimf=f(Ximf)
S12:BISTLM神经网络预测值与支持向量机预测值相加,得到电池容量预测值Q;
Q=Q″+Yimf
S13:根据容量预测值,计算出SOH,作为预测结果进行输出:
Q为当前电池特征容量,QN为电池标称特征容量,标称特征容量即为电池初始循环时[3.3V,3.8V]放电电压之间的容量。
以上所述是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应该看作是对其他实施例的排除,而可用于其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (6)
1.一种储能电站锂电池健康状态预测系统,其特征在于:包括电池组、电流传感器、电压传感器、开关控制模块、SOH预测模块和上位机;
所述开关控制模块包括切合开关和控制器,所述切合开关串联在电池组的供电回路中,所述控制器与切合开关的控制端连接,用于通过切换开关控制电池组的切合;所述控制器还与上位机连接,用于将电池组的切合状态传输给所述上位机;
所述电池组包括多个电池单体;
所述电流传感器用于采集每一个电池单体的充放电电流数据,并传输给SOH预测模块;
所述电压传感器用于采集每一个电池单体的充放电电流数据,并传输给SOH预测模块;
所述SOH预测模块用于根据接收到的信息,对每一个电池单体进行SOH预测,并将预测结果传输给上位机,所述SOH即健康状态;
所述上位机,用于接收电池组的切合状态和SOH预测到的每一个电池单体的的SOH,并对接收到的信号进行实时查看与保存。
2.根据权利要求1所述的一种储能电站锂电池健康状态预测系统,其特征在于:所述电池组中包含N个电池串,每个电池串包含M个电池单体,每个电池串内的M个电池单体串联,各个电池串之间并联,其中M,N均为正整数。
3.根据权利要求1所述的一种储能电站锂电池健康状态预测系统,其特征在于:所述SOH预测模块与电流传感器之间通过有线方式连接;
所述控制器、SOH预测模块和上位机之间通过无线方式两两互联。
4.根据权利要求1所述的一种储能电站锂电池健康状态预测系统,其特征在于:所述上位机还连接有报警模块,用于在SOH下降到80%以下时进行预警。
5.根据权利要求1所述的一种储能电站锂电池健康状态预测系统,其特征在于:所述SOH预测模块包括:
容量衰减序列构建单元,用于根据用系统中的电流、电压传感器采集电池电流、电压信息,计算容量,并构建容量衰减序列;
经验模态分解单元,将容量衰减序列进行分解,用于区分容量衰减整体趋势和局部波动;
经验模型构建单元,用于构建电池容量衰减双指数模型;
数据驱动单元,用于构建双向长短时记忆神经网络及支持向量机,并对双向长短时记忆神经网络及支持向量机进行训练,得到成熟的双向长短时记忆神经网络及支持向量机;
预测单元,用于利用成熟的双向长短时记忆神经网络及支持向量机进行预测,并将预测值相加后,计算相加得到的结果站标称值的百分比,作为最终的预测结果。
6.一种储能电站锂电池健康状态预测方法,基于权利要求1~5中任意一项所述的系统,其特征在于:包括以下步骤:
S1:利用系统中的电流、电压传感器采集电池电流、电压信息;
S3:进行循环充放电实验,获取各个充放电循环次数下的容量形成容量衰减序列:
电池每进行一次充放电循环均获得一个容量,将电池循环过程中的容量进行保存,重复进行S1-S2,获取电池循环过程中的数据,由各个充放电循环次数下的容量形成容量衰减序列;
S4:利用S3获得的容量序列构建经验模型,即双指数模型:
Q'n=aebn+cedn
在n=1,2,3,……N时,将容量衰减序列中,第n次充放电循环的容量作为Q'n,代入双指数模型中,通过最小二乘拟合进行未知参数的辨识,得到辨识后的双指数模型;其中N表示充放电的总次数;a、b、c、d为指数模型的未知参数,N为循环充放电实验的总次数;
在辨识后的双指数模型中,在n=1,2,3,……N时,由充放电循环次数n确定双指数模型的输出Q'n,作为双指数模型的拟合结果;
S5:利用双指数模型拟合结果对电池容量衰减序列的离群值进行修正;
离群值修正过程为:1、设定误差范围,将双指数模型拟合结果与电池衰减序列中的容量进行比较;2、剔除超过设定误差范围的容量值;3、以左右相邻值的平均值作为插补值代替;
S6:将S5中获得的修正后的容量衰减序列进行经验模态分解,容量衰减序列进一步被分解为总体趋势imf1和局部波动imf2、imf3…imfp;循环充放电次数为n时,容量衰减序列分解得到的总体趋势记为局部波动记为imfn 2、imfn 3…imfn p,p为正整数;
S7:训练BiLSTM神经网络:构建BiLSTM神经网络,将双指数模型拟合结果作为特征,将S6中分解获得的总体趋势imf1与双指数模型拟合结果Q'的差值e作为标签,对神经网络进行训练:在循环充放电次数为n时,神经网络输出为与双指数模型拟合结果Q'n的差值,特征和标签如下所示:
Q'=[Q'n-1 Q'n-2 … Q'n-m]T
其中,Q'为特征,en为标签,m表示特征长度;
在n=m+1,m+2,…,N时,构建特征Q'和标签en对神经网络进行训练,得到训练好的BiLSTM神经网络模型;
Q'=[Q'n-1 Q'n-2 … Q'n-m]T
Q'为双指数模型拟合的容量衰减总体趋势值,n-1,n-2…代表电池循环次数,xn-1为第n-1次循环时的双指数模型拟合的总体趋势值,以此类推;
S9:BILSTM神经网络对双指数模型拟合结果进行误差补偿,获得更精确的容量衰减总体趋势数值:
Q″n=Q'n+en
Q″n为容量衰减总体趋势预测值,en代表S7中获得的误差补偿值,BiLSTM通过第n次循环之前的双指数模型拟合得到容量序列数据,输出第n次循环双指数模型拟合结果与真总体趋势imf1之间的误差,通过误差值与双指数模型拟合值相加,获得预测值Q″n;
S10:训练支持向量机:把电池第n次循环之前的m个容量衰减局部波动数据输入到支持向量机,局部波动序列按照步骤S6分解获得,输入序列为:
Ximf为SVM的输入序列,imfi 2、imfi 3…imfi p为循环充放电次数为i时经验模态分解后的局部波动序列,i=n-1,n-2,n-m代表电池循环次数;p为正整数,标签为第n次循环的局部波动Yimf;
在n=m+1,m+2,…,N时,利用Ximf和Yimf对支持向量机进行训练,得到训练好的支持向量机;
S11:在n取任意大于m的整数时,利用训练好的支持向量机预测局部波动:把电池第n次循环之前的m个容量衰减局部波动数据输入到支持向量机,局部波动序列imf2、imf3...imfp由S6获得,输入序列为Ximf,支持向量输出第n次循环的局部波动Yimf;
Yimf=f(Ximf)
S12:BISTLM神经网络预测值与支持向量机预测值相加,得到电池容量预测值Q;
Q=Q”+Yimf
S13:根据容量预测值,计算出SOH,作为预测结果进行输出:
Q为当前电池特征容量,QN为电池标称特征容量,标称特征容量即为电池初始循环时[3.3V,3.8V]放电电压之间的容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211260954.7A CN115621573A (zh) | 2022-10-14 | 2022-10-14 | 一种储能电站锂电池健康状态预测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211260954.7A CN115621573A (zh) | 2022-10-14 | 2022-10-14 | 一种储能电站锂电池健康状态预测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115621573A true CN115621573A (zh) | 2023-01-17 |
Family
ID=84863013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211260954.7A Pending CN115621573A (zh) | 2022-10-14 | 2022-10-14 | 一种储能电站锂电池健康状态预测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115621573A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054893A (zh) * | 2023-10-12 | 2023-11-14 | 宁德时代新能源科技股份有限公司 | 电池容量预测模型的训练方法、电池容量预测方法及装置 |
-
2022
- 2022-10-14 CN CN202211260954.7A patent/CN115621573A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117054893A (zh) * | 2023-10-12 | 2023-11-14 | 宁德时代新能源科技股份有限公司 | 电池容量预测模型的训练方法、电池容量预测方法及装置 |
CN117054893B (zh) * | 2023-10-12 | 2024-03-29 | 宁德时代新能源科技股份有限公司 | 电池容量预测模型的训练方法、电池容量预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11243262B2 (en) | Degradation estimation apparatus, computer program, and degradation estimation method | |
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 | |
CN107329094A (zh) | 动力电池健康状态估算方法及装置 | |
EP3770619A1 (en) | Degradation estimating device, computer program, and degradation estimating method | |
CN113052464B (zh) | 电池储能系统可靠性评估方法及系统 | |
EP4033585A1 (en) | Estimation device, estimation method, and computer program | |
CN104698382A (zh) | 一种电池组的soc与soh的预测方法 | |
CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
CN114609524A (zh) | 运行提供电储能器的预测老化状态的系统的方法和装置 | |
CN114325440A (zh) | 借助于机器学习方法运行用于为设备提供电能量存储器的预测老化状态的系统的方法和装置 | |
Li et al. | Lithium-ion battery remaining useful life prognostics using data-driven deep learning algorithm | |
CN115621573A (zh) | 一种储能电站锂电池健康状态预测系统及方法 | |
CN115219904A (zh) | 用于运行用来提供电化学电池组模型的系统的方法和装置 | |
Savargaonkar et al. | A novel neural network with gaussian process feedback for modeling the state-of-charge of battery cells | |
Zhang et al. | Lithium battery SOC prediction based on mproved BP eural etwork algorithm | |
Ma et al. | The remaining useful life estimation of lithium-ion batteries based on the HKA-ML-ELM algorithm | |
Yu et al. | SOH estimation method for lithium-ion battery based on discharge characteristics | |
CN112327169A (zh) | 一种锂电池剩余寿命预测方法 | |
CN111525197A (zh) | 一种蓄电池soh实时估算系统及方法 | |
CN113721151B (zh) | 基于双塔深度学习网络的电池容量预估模型及方法 | |
Chen et al. | Distributed active learning with application to battery health management | |
Udeogu et al. | Remaining useful life prediction for supercapacitors using an optimized end-to-end deep learning approach | |
Fangdan et al. | Capacity estimation of large-scale retired li-ion batteries for second use based on support vector machine | |
Crocioni et al. | Li-Ion Batteries Releasable Capacity Estimation with Neural Networks on Intelligent IoT Microcontrollers | |
Che et al. | Health Prediction for Lithium-Ion Batteries Under Unseen Working Conditions |
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 |