CN116337270A - 一种基于光纤传感的电池温度精准估计方法 - Google Patents

Abstract

本发明涉及储能电池光纤传感技术领域，尤其涉及一种基于光纤传感的电池温度精准估计方法，包括：基于FCM算法建立第一模型，设置迭代终止的条件变化值，利用第一样本集对第一模型进行训练，通过反复迭代，获得温度变化与第一波长偏移量的线性关系，基于EMD算法建立第二模型，设置迭代终止的条件变化值，利用第二样本集对第二模型进行训练，通过反复迭代，获得电池监测数据变化与第二波长偏移量的非线性关系，对上述温度变化与第一波长偏移量的线性关系和上述电池监测数据变化与第二波长偏移量的非线性关系进行叠加，生成温度测量值和波长偏移量的校准关系式，本发明提供的估计方法无需进行离线校准，同时还确保了温度测量的精度和可靠性。

Description

一种基于光纤传感的电池温度精准估计方法

技术领域

本发明涉及储能电池光纤传感技术领域，尤其涉及一种基于光纤传感的电池温度精准估计方法。

背景技术

随着电池储能技术的迅猛发展，我国对储能电站中电池储能技术越来越重视。储能电池不管是状态估计还是故障预警都离不开储能电池信号数据。在储能电站电池信号的采集中，电信号的采集已经非常成熟且较为精确，但是温度信号的采集则受到了挑战。目前常用的温度测量设备有热电偶、热敏电阻、红外热成像等。然而，热敏电阻和热电偶等电类温度传感器在对储能电池测量时，需要进行绝缘封装，且每个温度测量点都要占用单独的信息通道，长期使用时金属测量探头易氧化，因而电类温度传感器不适于大规模的储能电池模组的测量。

近年来一种新兴的温度测量设备-----光纤温度传感器以其体积小、质量轻、抗电磁干扰，天然绝缘以及易复用组网等优点，受到了储能电池采样的关注。借由FBG传感器测量电池组的温度值，不仅可以为状态估计提供准确的温度参数，还可以为热失控等预警提供更标准的温度指标。然而，对光纤温度传感器测量信号的解耦是其中一个技术难点，传统温度校准方法需要光纤温度传感器热敏和光敏系数，在实际工况中无法得出，需要在特定环境下进行离线测试，无法及时满足现场使用需求。

公开于该背景技术部分的信息仅仅旨在加深对本公开总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成本领域技术人员所公知的现有技术。

发明内容

本发明所要解决的技术问题是：提供一种基于光纤传感的电池温度精准估计方法，无需进行离线校准，同时还确保了温度测量的精度和可靠性。

为了达到上述目的，本发明所采用的技术方案是：一种基于光纤传感的电池温度精准估计方法，包括：

S1：采集光纤温度传感器不同温度值下对应的第一波长偏移量，构建第一样本集；

S2：基于FCM算法建立第一模型，设置迭代终止的条件变化值，利用第一样本集对所述第一模型进行训练，通过反复迭代，获得温度变化与第一波长偏移量的线性关系；

S3：在电池充放电过程中，采集电池监测数据和对应的第二波长偏移量，所述电池监测数据至少包括电池SOC值和循环次数，构建第二样本集；

S4：基于EMD算法建立第二模型，设置迭代终止的条件变化值，利用第二样本集对所述第二模型进行训练，通过反复迭代，获得电池监测数据变化与第二波长偏移量的非线性关系；

S5：对步骤S2获得的温度变化与第一波长偏移量的线性关系和步骤S4获得的电池监测数据变化与第二波长偏移量的非线性关系进行叠加，生成温度测量值和波长偏移量的校准关系式。

进一步地，所述步骤S2中，基于FCM算法设计的目标函数如下式所示：

约束条件如下：

其中，N是输入样本的个数，P是集群中心矩阵，U是隶属函数矩阵，u_ij为样本j属于第i类的隶属度，c为聚类数目，m为模糊指数，x_j为样本值，c_i为聚类中心。

进一步地，所述步骤S2中，采用拉格朗日乘子法对FCM模型进行优化，得到迭代公式，具体包括隶属函数矩阵公式和聚类中心矩阵公式。

进一步地，所述隶属函数矩阵公式为：

其中，t为迭代次数，d_ij为样本x_j到聚类中心c_i的距离，d_kj为样本x_j到聚类中心c_k的距离。

进一步地，所述聚类中心矩阵公式为：

其中，c_i为聚类中心，u_ij为样本j属于第i类的隶属度，x_j为样本值。

进一步地，所述反复迭代的具体步骤包括：

S2.1：设置迭代终止的条件变化值，随机生成初始聚类中心P₀，设置当前的迭代次数t＝0；

S2.2：采用隶属函数矩阵公式计算隶属度；

S2.3：采用聚类中心矩阵公式计算聚类中心；

S2.4：若目标函数小于或等于迭代终止的条件变化值，则停止迭代计算，并输出最后的隶属度和聚类中心，若目标函数大于迭代终止的条件变化值，则令t＝t+1，重复步骤S2.2～S2.4继续迭代计算。

进一步地，所述步骤S4的具体步骤包括：

S4.1：采用线性拟合的方式，计算波长偏移量与循环周期的函数关系；

S4.2：采用多项式拟合的方式，计算波长偏移量与电池SOC值的函数关系；

S4.3：基于EMD算法计算噪声比重，对采集到的第二波长偏移量进行EMD分解，计算序列中所有极大值点和极小值点，采用三次样条函数拟合上包络线和下包络线，计算上包络线和下包络线的平均值曲线，用数据序列与平均包络线求差计算，得到新的数据序列，判断其是否满足IMF条件，若不满足，则将残差分量作为原始信号，重复迭代直至满足为止，得到的函数即为一阶本征模态函数分量。

进一步地，波长偏移和循环周期的关系式为：

Z_c(t)＝r₁t⁴+r₂t³+r₃t²+r₄t+r₅

其中，t代表电池的循环周期，r₁-r₅为拟合系数。

进一步地，波长偏移和电池SOC值的关系式为：

其中，Z_ch代表充电状态的函数关系，Z_dis代表放电状态的函数关系，s代表电池的SOC值，p₁-p₅和q₁-q₅均为拟合系数。

进一步地，所述步骤S5中，生成的温度测量值和波长偏移量的校准关系式为：

T_FBG＝T₀+f^-1((λ-λ₀)-(Z_s+Z_c))

其中T_FBG为实测温度，T₀为补偿温度，λ表示光纤温度传感器的测量峰值波长，λ₀为光纤温度传感器的特征波长，Z_s为SOC变化对波长偏移量的影响；Z_c为循环次数对波长偏移量的影响。

本发明的有益效果为：本发明通过线性模型叠加非线性补偿模型的方法，对光纤温度传感器采集的光信号进行处理，对温度测量值进行校准，最终得到高精度和高可靠性的温度测量值，避免了储能电池的离线校核，满足储能电站的现场使用需求，具有较大的推广价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明中记载的一些实施例，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为本发明实施例中基于FCM算法建立的温度变化对波长偏移影响的流程图；

图2为本发明实施例中基于EMD算法建立的剩余波长偏移的流程图。

具体实施方式

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实施例，而不是全部的实施例。

本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

需要说明的是，关于本发明的原理介绍如下：

光纤温度传感器会反射光谱的特定窄带，其中心峰值波长被称为布拉格波长，布拉格波长会由于热效应、机械效应等多种因素影响而发生变化，可以表示为：

λ_B＝2n_eΛ

其中，n_e为纤芯的等效折射率，Λ为光栅周期。

受温度变化和应力变化导致的波长偏移可以表示为：

其中，P_e代表光弹性系数，α为热膨胀系数，ξ为光纤材料的热光系数，ΔT和Δε代表未知的应力变化，上式可以简化为：

Δλ_B＝f(ΔT)+Z

其中，f(ΔT)＝λ_B(α+ξ)ΔT，代表温度变化对波长偏移的影响，Z表示剩余波长偏移。

本实施例中，针对温度变化对波长偏移的影响提出了线性函数模型，而针对其他因素引起的波长偏移提出了非线性函数模型，用上式中的Z来表示。

针对温度变化对波长偏移的影响，本实施例基于FCM算法进行建模，FCM算法通过迭代计算使非相似性指标的目标函数达到最小，得到每个样本对于每个类的隶属度，用于确定每个样本的类属。首先设定应用FCM算法的样本集X，该样本集包含采集的温度值和波长值，可以表示为x_j，将样本集分成C个类，那么对应有C个类中心，FCM算法的目标函数是各个样本到各个类中心的欧式距离的和最小，如下式所示：

约束条件如下：

其中，N是输入样本的个数，P是集群中心矩阵，U是隶属函数矩阵，u_ij为样本j属于第i类的隶属度，c为聚类数目，m为模糊指数，x_j为样本值，c_i为聚类中心。

J_M越小，说明线性拟合效果越好。

采用拉格朗日乘子法对FCM模型进行优化，得到隶属函数矩阵公式和聚类中心矩阵，其中隶属函数矩阵公式，可以表示为：

其中，t为迭代次数，d_ij为样本x_j到聚类中心c_i的距离，d_kj为样本x_j到聚类中心c_k的距离。

聚类中心矩阵公式表示为：

其中，c_i为聚类中心，u_ij为样本j属于第i类的隶属度，x_j为样本值。

通过反复迭代，可得到使J_M最小的聚类中心c_i的值，通过确定的c_i，可获得温度变化对波长偏移的线性关系。

针对其他因素引起的波长偏移提出了非线性函数模型，通过短时效应和长时效应的组合来进行建模。短时效应主要考虑电极的变化，而电极的变化可通过SOC值的变化反应，因此可选取SOC值变化作为短时效应的影响因素。针对长时效应，电极的体积变化受到循环周期的影响，其最大应力随着循环次数的增加而减小，因此可以选取循环次数作为长时效应的影响因素。

通过上述分析，可将Z分解为三个部分：

Z＝Z_n+Z_s+Z_c

其中，Z_n代表测量噪声，Z_s代表单体SOC变化的影响，Z_c代表循环周期的影响。

对采集到的第二波长偏移量进行EMD分解，计算序列中所有极大值点和极小值点，采用三次样条函数拟合上包络线和下包络线，计算上包络线和下包络线的平均值曲线，用数据序列与平均包络线求差计算，得到新的数据序列，判断其是否满足IMF条件，若不满足，则将残差分量作为原始信号，重复迭代直至满足为止，得到的函数即为一阶本征模态函数分量。

对于Z_n同样基于相关系数的EMD去噪算法进行分解，定义m为Z和Z-Zn相关系数显著下降时的IMF个数，Zn可以表示为：

其中，hⁱ代表i阶IMF，r为最终的残差，L为分解的IMF个数。

Z_s在充电和放电过程中有着明显的差异，因此采用多项式拟合的方式分别拟合充电和放电过程中SOC和Z_s之间的关系，如下所示：

其中，Z_ch代表充电状态的函数关系，Z_dis代表放电状态的函数关系，s代表电池的SOC值，p₁-p₅和q₁-q₅均为拟合系数。

Z_c代表与循环周期的函数关系，其可以采用线性拟合的方式，如下所示：

Z_c(t)＝r₁t⁴+r₂t³+r₃t³+r₄t+r₅

其中，t代表电池的循环周期，r₁-r₅为拟合系数。

综上，将所有对波长偏移量产生影响的因素综合起来，通过叠加的方式，生成的温度测量值和波长偏移量的校准关系式，具体参照下式：

T_FBG＝T₀+f^-1((λ-λ₀)-(Z_s+Z_c))

其中T_FBG为实测温度，T₀为补偿温度，λ表示光纤温度传感器的测量峰值波长，λ₀为光纤温度传感器的特征波长，Z_s为SOC变化对波长偏移量的影响；Z_c为循环次数对波长偏移量的影响。

本发明的具体计算包括基于FCM算法求出温度变化与波长偏移的线性关系和基于EMD算法建立的剩余波长偏移求出剩余波长偏移与电池因素的非线性关系。

其中，如图1所示，FCM算法的具体计算包括：

(1)采集光纤温度传感器不同温度值下对应的第一波长偏移量，构建第一样本集；

(2)：设置迭代终止的条件变化值，随机生成初始聚类中心P₀，设置当前的迭代次数t＝0；

(3)：采用隶属函数矩阵公式计算隶属度；

(4)：采用聚类中心矩阵公式计算聚类中心；

(5)：若目标函数小于或等于迭代终止的条件变化值，则停止迭代计算，并输出最后的隶属度和聚类中心，若目标函数大于迭代终止的条件变化值，则令t＝t+1，重复步骤(2)～(4)继续迭代计算。

如图2所示，基于EMD算法建立的剩余波长偏移，包括以下步骤：

(1)确定波长偏移量与循环周期的函数关系，采用线性拟合的方式，如下所示：

Z_c(t)＝r₁t⁴+r₂t³+r₃t²+r₄t+r₅

其中，t代表电池的循环周期，r₁-r₅为拟合系数。

(2)确定波长偏移量与SOC的函数关系，采用多项式拟合的方式，得到多项式方程：

(3)针对Z_n与Z的相关系数，采用EMD算法求出：

(4)对Z(t)信号进行EMD分解，设置i＝1，n＝1，r0＝Z；

(5)计算序列h(t)中所有极小值点和极大值点，采用三次样条函数拟合出上下包络线，计算上下包络线的平均值曲线m(t)；

(6)用数据序列h(t)与平均包络线m(t)求差计算，得到新的数据序列h(t)；

(7)重复步骤(5)和(6)，直到满足IMF的条件，得到的函数即为一阶本征模态函数分量imf(t)。

通过上述两种模型计算得出各个因素对波长偏移量的影响，对所有因素进行叠加，生成温度测量值和波长偏移量的校准关系式，该校准关系式如下：

T_FBG＝T₀+f^-1((λ-λ₀)-(Z_s+Z_c))

其中T_FBG为实测温度，T₀为补偿温度，λ表示光纤温度传感器的测量峰值波长，λ₀为光纤温度传感器的特征波长，Z_s为SOC变化对波长偏移量的影响；Z_c为循环次数对波长偏移量的影响。

本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (10)

1.一种基于光纤传感的电池温度精准估计方法，其特征在于，包括：

S1：采集光纤温度传感器不同温度值下对应的第一波长偏移量，构建第一样本集；

S2：基于FCM算法建立第一模型，设置迭代终止的条件变化值，利用第一样本集对所述第一模型进行训练，通过反复迭代，获得温度变化与第一波长偏移量的线性关系；

S3：在电池充放电过程中，采集电池监测数据和对应的第二波长偏移量，所述电池监测数据至少包括电池SOC值和循环次数，构建第二样本集；

S4：基于EMD算法建立第二模型，设置迭代终止的条件变化值，利用第二样本集对所述第二模型进行训练，通过反复迭代，获得电池监测数据变化与第二波长偏移量的非线性关系；

S5：对步骤S2获得的温度变化与第一波长偏移量的线性关系和步骤S4获得的电池监测数据变化与第二波长偏移量的非线性关系进行叠加，生成温度测量值和波长偏移量的校准关系式。

2.根据权利要求1所述的基于光纤传感的电池温度精准估计方法，其特征在于，所述步骤S2中，基于FCM算法设计的目标函数如下式所示：

约束条件如下：

其中，N是输入样本的个数，P是集群中心矩阵，U是隶属函数矩阵，u_ij为样本j属于第i类的隶属度，c为聚类数目，m为模糊指数，x_j为样本值，c_i为聚类中心。

3.根据权利要求1所述的基于光纤传感的电池温度精准估计方法，其特征在于，所述步骤S2中，采用拉格朗日乘子法对FCM模型进行优化，得到迭代公式，具体包括隶属函数矩阵公式和聚类中心矩阵公式。

4.根据权利要求3所述的基于光纤传感的电池温度精准估计方法，其特征在于，所述隶属函数矩阵公式为：

其中，t为迭代次数，d_ij为样本x_j到聚类中心c_i的距离，d_kj为样本x_j到聚类中心c_k的距离。

5.根据权利要求4所述的基于光纤传感的电池温度精准估计方法，其特征在于，所述聚类中心矩阵公式为：

其中，c_i为聚类中心，u_ij为样本j属于第i类的隶属度x_j为样本值。

6.根据权利要求5所述的基于光纤传感的电池温度精准估计方法，其特征在于，所述反复迭代的具体步骤包括：

S2.1：设置迭代终止的条件变化值，随机生成初始聚类中心P₀，设置当前的迭代次数t＝0；

S2.2：采用隶属函数矩阵公式计算隶属度；

S2.3：采用聚类中心矩阵公式计算聚类中心；

S2.4：若目标函数小于或等于迭代终止的条件变化值，则停止迭代计算，并输出最后的隶属度和聚类中心，若目标函数大于迭代终止的条件变化值，则令t＝t+1，重复步骤S2.2～S2.4继续迭代计算。

7.根据权利要求1～6任一项所述的基于光纤传感的电池温度精准估计方法，其特征在于，所述步骤S4的具体步骤包括：

S4.1：采用线性拟合的方式，计算波长偏移量与循环周期的函数关系；

S4.2：采用多项式拟合的方式，计算波长偏移量与电池SOC值的函数关系；

S4.3：基于EMD算法计算噪声比重，对采集到的第二波长偏移量进行EMD分解，计算序列中所有极大值点和极小值点，采用三次样条函数拟合上包络线和下包络线，计算上包络线和下包络线的平均值曲线，用数据序列与平均包络线求差计算，得到新的数据序列，判断其是否满足IMF条件，若不满足，则将残差分量作为原始信号，重复迭代直至满足为止，得到的函数即为一阶本征模态函数分量。

8.根据权利要求7所述的基于光纤传感的电池温度精准估计方法，其特征在于，波长偏移和循环周期的关系式为：

Z_c(t)＝r₁t⁴+r₂t³+r₃t²+r₄t+r₅

其中，t代表电池的循环周期，r₁-r₅为拟合系数。

9.根据权利要求8所述的基于光纤传感的电池温度精准估计方法，其特征在于，波长偏移和电池SOC值的关系式为：

其中，Z_ch代表充电状态的函数关系，Z_dis代表放电状态的函数关系，s代表电池的SOC值，p₁-p₅和q₁-q₅均为拟合系数。

10.根据权利要求9所述的基于光纤传感的电池温度精准估计方法，其特征在于，所述步骤S5中，生成的温度测量值和波长偏移量的校准关系式为：

T_FBG＝T₀+f^-1((λ-λ₀)-(Z_s+Z_c))

其中T_FBG为实测温度，T₀为补偿温度，λ表示光纤温度传感器的测量峰值波长，λ₀为光纤温度传感器的特征波长，Z_s为SOC变化对波长偏移量的影响；Z_c为循环次数对波长偏移量的影响。

Images