CN116593896B - 一种电池储能系统的状态检测方法、系统及电子设备 - Google Patents
一种电池储能系统的状态检测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN116593896B CN116593896B CN202310114437.7A CN202310114437A CN116593896B CN 116593896 B CN116593896 B CN 116593896B CN 202310114437 A CN202310114437 A CN 202310114437A CN 116593896 B CN116593896 B CN 116593896B
- Authority
- CN
- China
- Prior art keywords
- battery
- energy storage
- value
- storage system
- soh
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 172
- 238000001514 detection method Methods 0.000 title claims abstract description 22
- 239000000178 monomer Substances 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 230000001186 cumulative effect Effects 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 61
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008571 general function Effects 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 62
- 230000008569 process Effects 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 7
- 238000005562 fading Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000593 degrading effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
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]
- G01R31/367—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
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种电池储能系统的状态检测方法、系统及电子设备,属于电池储能领域,方法包括:获取当前运行场景下电池单体的容量衰减参数;根据容量衰减参数确定电池单体的SoH值;对电池单体进行抽样,确定电池单体状态分布的样本均值及样本方差;根据样本均值及样本方差,采用模糊估计方法确定均值模糊值及方差模糊值;基于正态分布的累积概率密度函数,根据均值模糊值及方差模糊值确定各电池单体在各状态下的模糊概率,并采用通用生成函数确定电池储能系统的SoH性能水平集合及SoH水平概率集合,进而计算电池储能系统的可靠度值及容量期望。本发明提高了电池储能系统的可靠度及容量期望检测结果的准确性及全面性。
Description
技术领域
本发明涉及电池储能领域,特别是涉及一种电池储能系统的状态检测方法、系统及电子设备。
背景技术
随着双碳目标的提出,风光等新能源大规模并网,为平抑风光波动,储能得到大规模的应用。而电池储能因为成熟度较高,在大规模的风光储场站中得到最为广泛的应用。电池储能系统的安全可靠程度将直接影响风光储场站的运行水平,并最终影响电力系统的可靠运行。因此需对电池储能系统进行全面准确的可靠性评估。储能电池在不断的充放电循环过程中,其性能状态逐渐衰减,直接体现即为电池最大可用容量的降低。但电池的容量衰减过程并非一蹴而就,在其性能不断降低的过程中,将会存在着多个健康状态,其在不同容量状态下会有不同的可靠度表现,因此如何全面准确的描述电池的多状态,考虑状态划分过程中的不确定性和模糊特性,对电池储能系统的可靠性评估就有重要意义。
发明内容
本发明的目的是提供一种电池储能系统的状态检测方法、系统及电子设备,可使电池储能系统的可靠度及容量期望的检测结果更准确,更全面。
为实现上述目的,本发明提供了如下方案:
一种电池储能系统的状态检测方法,所述电池储能系统包括多个电池串,每个电池串包括多个电池单体;所述电池储能系统的状态检测方法包括:
获取当前运行场景下电池储能系统中电池单体的容量衰减参数;所述容量衰减参数包括初始SoH值、初始容量、充放电速率、绝对温度及充放电深度;
根据所述容量衰减参数,计算电池单体的SoH值;
对所述电池储能系统中的电池单体进行抽样,确定电池单体状态分布的样本均值及样本方差;
根据所述样本均值及所述样本方差,采用模糊估计方法确定电池单体状态分布的均值模糊值及方差模糊值;
根据电池单体整个生命周期的SoH值划分电池单体的多个状态,并基于正态分布的累积概率密度函数,根据所述均值模糊值及所述方差模糊值,确定各电池单体在各状态下的模糊概率;
根据各电池单体在各状态下的模糊概率,采用通用生成函数,确定所述电池储能系统的SoH性能水平集合及SoH水平概率集合;所述SoH性能水平集合中包括电池储能系统在各状态下的性能水平,所述SoH水平概率集合包括电池储能系统在各状态下的SoH概率值;
根据所述SoH性能水平集合、所述SoH水平概率集合及所述电池储能系统的最小性能需求水平,计算所述电池储能系统的可靠度值及容量期望;所述可靠度值及所述容量期望表征所述电池储能系统在当前运行场景下的状态。
为实现上述目的,本发明还提供了如下方案:
一种电池储能系统的状态检测系统,包括:
参数获取单元,用于获取所述电池储能系统中电池单体的容量衰减参数;所述容量衰减参数包括初始SoH值、初始容量、充放电速率、绝对温度及充放电深度;
电池SoH值计算单元,与所述参数获取单元连接,用于根据所述容量衰减参数,确定电池单体的SoH值;
样本分布确定单元,用于对所述电池储能系统中的电池单体进行抽样,确定电池单体状态分布的样本均值及样本方差;
模糊值确定单元,分别与所述电池SoH值计算单元及所述样本分布确定单元连接,用于根据所述样本均值及所述样本方差,采用模糊估计方法确定电池单体状态分布的均值模糊值及方差模糊值;
模糊概率确定单元,与所述模糊值确定单元连接,用于根据电池单体整个生命周期的SoH值划分电池单体的多个状态,并基于正态分布的累积概率密度函数,根据所述均值模糊值及所述方差模糊值,确定各电池单体在各状态下的模糊概率;
性能集合确定单元,与所述模糊概率确定单元连接,用于根据各电池单体在各状态下的模糊概率,采用通用生成函数,确定所述电池储能系统的SoH性能水平集合及SoH水平概率集合;所述SoH性能水平集合中包括电池储能系统在各状态下的性能水平,所述SoH水平概率集合包括电池储能系统在各状态下的SoH概率值;
指标确定单元,与所述性能集合确定单元连接,用于根据所述SoH性能水平集合、所述SoH水平概率集合及所述电池储能系统的最小性能需求水平,计算所述电池储能系统的可靠度值及容量期望;所述可靠度值及所述容量期望表征所述电池储能系统的状态。
为实现上述目的,本发明还提供了如下方案:
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的电池储能系统的状态检测方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明考虑了电池储能系统容量衰减过程中的多种状态,以及储能电池在各状态隶属上的模糊特性,引入模糊数学的思想,采用模糊正态分布来计算电池单体在不同状态下的模糊概率,构建了储能电池单体的模糊多状态分布,相较于传统的正态分布描述的方式,保留了更多信息,使概率结果具有更大的灵活性,且可靠度值及容量期望的计算更准确,更全面。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明电池储能系统的状态检测方法的流程图;
图2为对电池储能系统进行可靠性评估的框图;
图3为对电池储能系统进行可靠性评估的流程图;
图4为本发明电池储能系统的状态检测系统的模块示意图。
符号说明:
参数获取单元-1,电池SoH值计算单元-2,样本分布确定单元-3,模糊值确定单元-4,模糊概率确定单元-5,性能集合确定单元-6,指标确定单元-7。
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。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,都属于本发明保护的范围。
本发明的目的是提供一种电池储能系统的状态检测方法、系统及电子设备,由于现阶段的电池储能系统由不同储能电池单体模块化组合,因此需考虑储能系统中电池单体的串并连接关系,由电池单体的多状态模型形成整体的状态模型,以实现对整体储能系统可靠性的评估。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明首先基于电池的SoH(State ofHealth,健康状态),对电池的健康状态进行划分,不同的状态对应于不同的概率值。
以电池单体j为例,其可以划分为n个不同的状态,用g1、g2、g3、...、gn表示不同的电池状态,则电池单体j的状态水平集合为:
其中,为电池单体j的第i个状态。
对于所划分的每一个状态,其对应于不同的SoH取值:
其中,SOHi_lower和SOHi_up分别为电池单体第i个状态所对应SoH水平的上下界。
电池单体j在各状态下对应不同的概率,其概率集合可以表示为:
其中,为电池单体j在第i个状态下所对应的概率值。
在任意时刻t,电池单体j只能处于gj中的一个性能状态且概率为Pj中相应的值。假设单体在刚投入使用时均处于完美工作状态,其余时刻,大量电池的性能水平服从均值为μ,标准差为σ的正态分布。
实施例一
如图1所示,本实施例提供一种电池储能系统的状态检测方法,包括:
S1:获取当前运行场景下电池储能系统中电池单体的容量衰减参数。所述容量衰减参数包括初始SoH值、初始容量、充放电速率、绝对温度及充放电深度。
S2:根据所述容量衰减参数,计算电池单体的SoH值。
具体地,基于电池的容量衰减模型,计算电池的SoH衰减变化,并将各时刻计算的电池的SoH作为电池各时刻的正态分布的均值。
电池的SoH可以定义为电池现阶段的最大额定容量与电池初始时刻最大额定容量的比值。通过电池的SoH可以表示电池正在或突然的退化,是一种反应电池性能和健康状态的测量方法。在初始时刻,电池单体的SoH处于100%,当电池单体的SoH下降到一定的阈值后,则认为该电池单体已成为故障部件。采用以下公式计算电池单体的SoH值:
其中,Q为老化电池的最大充电容量,Qst为新电池的最大充电容量,Qloss为电池的容量损失。
以磷酸铁锂电池为例,影响容量衰减的因素可以归纳为温度、充放电深度以及充放电速率C,即:Qloss=f(t,T,DOD,C)。通过对实验数据的插值拟合,可以得到最终容量衰减ΔQfade的表达式为:
则电池单体的SoH随时间的变化可以表示为:
其中,μ为电池单体的SoH值,μ0为初始SoH值(即电池初始时刻的分布均值),B为参数因子,随充放电速率的增加而降低,R为气体常数,R=8.31J/mol·K,T为绝对温度,Qini为初始容量(即电池初始时刻的容量,当初始时刻SoH为100%时Qini=Qst),DOD为充放电深度,C为充放电速率,t为时刻,z为幂系数,对于锂离子电池等于0.55,Ah是全部的流过电流量,与每个充放电速率的时间成正比。
S3:对所述电池储能系统中的电池单体进行抽样,确定电池单体状态分布的样本均值及样本方差。
S4:根据所述样本均值及所述样本方差,采用模糊估计方法确定电池单体状态分布的均值模糊值及方差模糊值。
在本实施例中,考虑电池状态分布中的不确定性,采用模糊数来表示分布的均值以及方差。且对于电池均值的计算公式一般基于对一定数量的电池样本的实验数据测得,因此基于模糊估计方法,将步骤S2中计算所得的电池单体SoH状态均值看作电池单体样本的均值,并以此来估计得到代表大量电池单体状态分布的均值以及方差的模糊值。
由于大量电池单体整体服从N(μ,σ2)正态分布,则对其均值抽样的m个电池单体样本的均值服从/>的正态分布,令/>则分布/>可以转换为标准正态分布:U~N(0,1)。
对于以1-β为置信度的置信区间有如下关系:
P(-Zβ/2≤U≤Zβ/2)=1-β;
其中,Zβ/2为标准正态分布其概率超过所对应的状态值,β为分布的概率值,/>为样本均值,σ为总体标准差(此时是未知量)。
因此,总体均值μ的(1-β)%置信度的置信区间为:
其中,Zβ/2可以被定义为:
考虑到在模糊数学理论中,由正态分布表示的隶属函数,其在某个置信水平下的截集具有相同的形式,因此将正态分布的β置信度值以α截集形式进行表示,则可以得到总体均值μ的模糊估计值
其中,表示/>的α截集。
由于整体分布的方差也未知,且总体的电池性能分布为正态分布,则可以用样本方差S2来近似代替。
即步骤S4中首先根据所述样本方差确定样本标准差。
在电池单体样本的数量占所述电池储能系统中总电池单体数量的比例大于或等于设定阈值时,所述样本均值服从正态分布。根据标准正态分布其概率超过所对应的状态值、所述样本均值、所述样本标准差及电池单体样本的数量,采用公式确定均值模糊值。
在电池单体样本的数量占所述电池储能系统中总电池单体数量的比例小于设定阈值时,所述样本均值服从t分布U~t(m-1)。根据t分布其概率超过所对应的随机变量取值、所述样本均值、所述样本标准差及电池单体样本的数量,采用公式确定均值模糊值。即在样本较大时,样本均值服从正态分布,在样本较小时,样本均值服从t分布。
其中,β为分布的概率值,为均值模糊值,/>为均值模糊值/>的α截集,α1为均值模糊值/>在各取值的隶属度,/>为样本均值,S为样本标准差,m为电池单体样本的数量,/>为以α截集形式表示置信度时标准正态分布其概率超过/>所对应的状态值,/>为t分布其概率超过/>所对应的随机变量取值,电池单体样本为对电池储能系统中的电池单体进行抽样得到的。
相应的,采用模糊估计对分布的方差进行估计,令则U服从m-1自由度的卡方分布。根据电池单体样本的数量及所述样本方差,采用公式确定电池单体状态分布的方差模糊值。
其中,为方差模糊值,/>为方差模糊值/>的α截集,α2为方差模糊值/>在各取值的隶属度,m为电池单体样本的数量,S2为样本方差,/>为卡方分布概率密度函数面积为0.005时右侧的点,/>为卡方分布概率密度函数面积为0.005时左侧的点。
S5:根据电池单体整个生命周期的SoH值划分电池单体的多个状态,并基于正态分布的累积概率密度函数,根据所述均值模糊值及所述方差模糊值,确定各电池单体在各状态下的模糊概率。
具体地,基于步骤S4中的均值模糊值以及方差模糊值/>求取储能电池在各状态下的模糊概率。同时对于电池健康状态的划分也可以进一步考虑其模糊特性,采用模糊数来表示。
储能电池j的状态落在某个区间[SoHi_lower,SoHi_upper](即落在状态上)上的模糊概率可以表示为/>在α1∈[0,1],α2∈[0,1],/> 时,模糊概率可以采用下式求取:
其中,
之后,考虑到电池单体划分状态的模糊性,将模糊思想扩展到电池状态的划分过程中,对于电池状态的上下界限,也采用模糊数表示,则电池状态的模糊概率可以计算为:
其中,
对于其中的上下界限的模糊数,可以采用三角模糊数来表示,l1、l2、l3为以三角模糊数表示的模糊集合/>的三个取值。u1、u2、u3为采用三角模糊数形式表示的模糊集合/>的三个取值。则其α截集可以表示为:
SoHi_lower(α)=[(u2-u1)α+u1,-(u3-u2)α+u3];
SoHi_upper(α)=[(l2-l1)α+l1,-(l3-l2)α+l3];
因此,电池单体j在各个性能状态的概率重构为集合
其中,为电池单体j在状态i下的模糊概率,/>为/>的α截集,α为隶属度,Z1(α)为状态i的SoH值下界模糊值,Z2(α)为状态i的SoH值上界模糊值,x为电池单体各状态SoH值的上下界,/>为均值模糊值的α截集,/>为方差模糊值的α截集。
此外,对于分布上下界的模糊数,也可以采用梯形模糊数或正态模糊数等其他模糊数来描述。
S6:根据各电池单体在各状态下的模糊概率,采用通用生成函数,确定所述电池储能系统的SoH性能水平集合及SoH水平概率集合。所述SoH性能水平集合中包括电池储能系统在各状态下的性能水平,所述SoH水平概率集合包括电池储能系统在各状态下的SoH概率值。
具体地,基于步骤S4和步骤S5的方法,可以形成电池单体的模糊多状态模型。之后采用通用生成函数方法,形成储能电池单体的通用生成函数,并构建通用函数算子,形成电池箱体的通用生成函数。
对于储能电池单体,其UGF(Universal Generating Function,通用生成函数)可以表示为:
其中,uj(z)为电池单体的通用生成函数,z为通用生成函数的自变量值,此处并不限定具体的取值及物理含义。
电池储能系统由大量的电池单体经串并联组合形成,对于串联的电池单体,其整体的可靠度应由其中状况最差的电池单体决定;对于并联形式的电池单体,为更全面准确的反应电池整体的性能水平,提出采用加权组合运算的规则,对电池性能状态最好的电池单体分配最高的权重,对性能状态较差的电池单体则分配较低的权重,最终并联结构的性能状态则由各部分加权组合得到。对于其中具体权重,则可以采用层级分析法来获取。
其中,为串联结构模式下的随机变量函数:
为并联结构下的随机变量函数:
其中,β1,β2,...,βn为各电池单体对应的权重。
电池储能系统首先由各电池单体经串联组成电池串,后各部分得电池串之间经一定的串并联关系形成整体的电池模块。
由N个储能电池单体,经串并联关系后形成的电池串的通用生成函数可表示为:
其中,ustring(z)为电池串的通用生成函数,是经串并联后的电池rack的SoH性能水平,/>为电池串所对应的在状态i下得SoH水平概率,n为系统的状态个数。
之后,由M个电池串再经串并联关系构成电池模块(电池储能系统),其通用生成函数可以表示为:
其中ubat(z)为电池储能系统的通用生成函数,是电池储能系统的SoH性能水平,/>为电池系统所对应的在状态i下得SoH水平概率,n为系统的状态个数。
此外,对于并联形式下得通用生成函数算子,也可以采用熵权法等其他权重方法来确定权重。
S7:根据所述SoH性能水平集合、所述SoH水平概率集合及所述电池储能系统的最小性能需求水平,计算所述电池储能系统的可靠度值及容量期望。所述可靠度值及所述容量期望表征所述电池储能系统在当前运行场景下的状态。
具体地,采用蒙特卡洛模拟的方法,对电池进行抽样模拟,并基于以上步骤所提出的方法来计算电池的可靠度以及期望指标。对于电池的可靠度可以采用多状态系统中对可靠度的定义,即系统的性能水平高于需求水平的概率。因此在假定电池储能系统的最小性能需求水平为γ时,应用所提的模型计算出电池储能系统的状态概率后,可以采用下式计算电池储能系统的的可靠度值:
由于电池的状态概率采用模糊概率,最后会得到关于可靠度的模糊数,即对于储能的可靠度并非唯一固定的数值,将会给出可靠度的可能取值区间,以及其不同取值的隶属度。基于可靠度的隶属函数,可以进一步的获取在不同置信水平下的,可靠度取值的置信区间。电池储能系统的健康状态期望则可以定义为:
其中,Rb为电池储能系统的可靠度值,Eb为电池储能系统的容量期望,为SoH水平概率集合,gb为SoH性能水平集合,γ为电池储能系统的最小性能需求水平。
同样,对于其也是相应的模糊数表示,并可基于其隶属度函数求得不同置信水平的置信区间。
如图2所示为本发明对电池储能系统进行可靠性评估的框图,如图3所示为本发明对电池储能系统进行可靠性评估的流程图,图3中的Tt为评估周期内的时刻数。对电池储能系统可靠度进行评估时,首先抽样一定数量的系统内电池单体,基于电池的测量设备获取相关电池性能衰减数据,设置电池衰减模型的相关参数。结合电池的使用情况和工作环境温度计算电池在各时刻的性能分布的均值以及方差。通过模糊估计方法估计整体电池单体的模糊均值以及方差,求得电池单体处于各性能状态的模糊概率。在此基础上,基于通用生成函数,得到系统在不同性能水平的模糊状态概率,之后对比最小性能需求,算出储能系统的可靠度以及状态期望。
由于电池储能系统内部含有大量的电池单体,采用解析法将面临较高的复杂度,因此本发明采用蒙特卡洛方法对电池储能系统的运行场景进行抽样,并确定各运行场景的发生概率。根据电池储能系统在各运行场景下的可靠度值、容量期望及各运行场景的发生概率,确定所述电池储能系统的可靠程度。
具体评估如下:
(1)利用实际抽样检测的电池获取电池的容量衰减数据,以此来设定模型的相关参数。
(2)确定电池单体的性能分布gi、
(3)设置可靠性评估环境,确定环境温度、电池充放电倍率等参数以及电池储能系统中的电池单体连接拓扑;
(4)计算电池在各时刻的性能分布均值以及方差,并假设所有电池在初始时刻均处于完美工作状态;
(5)基于电池储能系统的模糊多状态模型,用蒙特卡洛模拟的方法对电池储能系统进行规定次数的运行场景模拟。在每一次模拟中,记录各时刻的系统性能分布情况gbi、并计算电池储能系统的可靠度Rb、健康状态期望Eb,以及相应隶属度下的隶属函数。
(6)结合各运行场景下的可靠度数据及发生概率,得到电池储能系统的可靠度计算结果。
综上,本发明提供了一种考虑储能电池状态模糊性的大规模电池储能系统模糊可靠性评估方法。首先,基于储能电池的SoH状态,对储能电池的状态进行划分,每个状态对应于一定的SoH水平,大量电池单体的状态分布符合正态分布。基于储能电池的容量衰减模型计算储能电池在各时刻的SoH值,作为电池状态分布的均值。其次,考虑由于电池自身的特性以及运行条件等的影响,电池的SoH状态计算存在误差以及由于缺乏充分、准确的电池可靠性数据,其性能分布信息难以准确获得和描述,因此电池在某一时刻对各个性能状态的隶属关系并不是非此即彼的。为了描述电池单体所处状态亦此亦彼、难以精确区分的模糊现象性。采用模糊估计方法,对电池的正态分布的均值以及方差进行估计,获取状态均值以及方差的置信区间作为均值以及方差模糊数,基于正态分布的累计概率密度函数求取各状态下的模糊概率,形成电池的模糊正态分布,从而获得电池单体的模糊多状态模型。最后,在获得电池单体的模糊状态分布的基础上,采用通用生成函数方法,由电池单体到电池串再到电池箱体逐步构建电池储能系统的模糊多状态模型,并采用蒙特卡洛模拟的方法,对电池运行场景进行抽样模拟,计算电池储能系统的可靠性指标以及容量期望。
相对于现有技术,本发明的有益效果为:
(1)本发明考虑了电池储能系统容量衰减过程中的多种状态,以及储能电池在各状态隶属上的模糊特性,引入模糊数学的思想,采用模糊正态分布来计算储能电池不同状态下的模糊概率,构建了储能电池单体的模糊多状态分布。相较于传统的正态分布来描述,保留了过程中的更多的信息,使概率结果具有更大的灵活性。
(2)本发明考虑了大规模电池储能系统的实际结构层级,从储能电池单体,到储能电池串,再到电池储能系统,分别构建了各层级的通用生成函数,最终由储能电池单体的模糊多状态模型,得到电池储能系统的模糊多状态模型。相较于传统的多状态模型,采用模糊多状态模型,考虑了更多的不确定性,使得最终可靠性的计算更加准确,更加全面。
(3)本发明在采用通用生成函数来描述并联电池结构的整体水平时,构建了基于层级分析法确定权重的加权组合的通用生成函数算子,使得对电池整体水平的描述更全面准确。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种电池储能系统的状态检测系统。
如图4所示,本实施例提供的电池储能系统的状态检测系统包括:参数获取单元1、电池SoH值计算单元2、样本分布确定单元3、模糊值确定单元4、模糊概率确定单元5、性能集合确定单元6及指标确定单元7。
其中,参数获取单元1用于获取所述电池储能系统中电池单体的容量衰减参数。所述容量衰减参数包括初始SoH值、初始容量、充放电速率、绝对温度及充放电深度。
电池SoH计算单元2与所述参数获取单元1连接,总体均值确定单元2用于根据所述容量衰减参数,确定电池单体的SoH值。
样本分布确定单元3用于对所述电池储能系统中的电池单体进行抽样,确定电池单体状态分布的样本均值及样本方差。
模糊值确定单元4分别与所述电池SoH计算单元2及所述样本分布确定单元3连接,模糊值确定单元4用于根据所述样本均值及所述样本方差,采用模糊估计方法确定电池单体状态分布的均值模糊值及方差模糊值。
模糊概率确定单元5与所述模糊值确定单元4连接,模糊概率确定单元5用于根据电池单体整个生命周期的SoH值划分电池单体的多个状态,并基于正态分布的累积概率密度函数,根据所述均值模糊值及所述方差模糊值,确定各电池单体在各状态下的模糊概率。
性能集合确定单元6与所述模糊概率确定单元5连接,性能集合确定单元6用于根据各电池单体在各状态下的模糊概率,采用通用生成函数,确定所述电池储能系统的SoH性能水平集合及SoH水平概率集合。所述SoH性能水平集合中包括电池储能系统在各状态下的性能水平,所述SoH水平概率集合包括电池储能系统在各状态下的SoH概率值。
指标确定单元7与所述性能集合确定单元6连接,指标确定单元7用于根据所述SoH性能水平集合、所述SoH水平概率集合及所述电池储能系统的最小性能需求水平,计算所述电池储能系统的可靠度值及容量期望。所述可靠度值及所述容量期望表征所述电池储能系统的状态。
相对于现有技术,本实施例提供的电池储能系统的状态检测系统与实施例一提供的电池储能系统的状态检测方法的有益效果相同,在此不再赘述。
实施例三
本实施例提供一种电子设备,包括存储器及处理器,存储器用于存储计算机程序,处理器运行计算机程序以使电子设备执行实施例一的电池储能系统的状态检测方法。
可选地,上述电子设备可以是服务器。
另外,本发明实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的电池储能系统的状态检测方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文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;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种电池储能系统的状态检测方法,其特征在于,所述电池储能系统包括多个电池串,每个电池串包括多个电池单体;所述电池储能系统的状态检测方法包括:
获取当前运行场景下电池储能系统中电池单体的容量衰减参数;所述容量衰减参数包括初始SoH值、初始容量、充放电速率、绝对温度及充放电深度;
根据所述容量衰减参数,计算电池单体的SoH值;
对所述电池储能系统中的电池单体进行抽样,确定电池单体状态分布的样本均值及样本方差;
根据所述样本均值及所述样本方差,采用模糊估计方法确定电池单体状态分布的均值模糊值及方差模糊值,具体包括:
根据所述样本方差确定样本标准差;
在电池单体样本的数量占所述电池储能系统中总电池单体数量的比例大于或等于设定阈值时,所述样本均值服从正态分布,根据标准正态分布其概率超过所对应的状态值、所述样本均值、所述样本标准差及电池单体样本的数量,确定均值模糊值:
在电池单体样本的数量占所述电池储能系统中总电池单体数量的比例小于设定阈值时,所述样本均值服从t分布,根据t分布其概率超过所对应的状态值、所述样本均值、所述样本标准差及电池单体样本的数量,确定均值模糊值:
其中,β为分布的概率值,为均值模糊值,/>为均值模糊值/>的α截集,α1为均值模糊值/>在各取值的隶属度,/>为样本均值,S为样本标准差,m为电池单体样本的数量,为以α截集形式表示置信度时标准正态分布其概率超过/>所对应的z值,/>为t分布其概率超过/>所对应的随机变量取值;
根据电池单体样本的数量及所述样本方差,确定电池单体状态分布的方差模糊值;所述电池单体样本为对所述电池储能系统中的电池单体进行抽样得到的;
根据电池单体整个生命周期的SoH值划分电池单体的多个状态,并基于正态分布的累积概率密度函数,根据所述均值模糊值及所述方差模糊值,确定各电池单体在各状态下的模糊概率;
根据各电池单体在各状态下的模糊概率,采用通用生成函数,确定所述电池储能系统的SoH性能水平集合及SoH水平概率集合;所述SoH性能水平集合中包括电池储能系统在各状态下的性能水平,所述SoH水平概率集合包括电池储能系统在各状态下的SoH概率值;
采用通用生成函数方法,形成电池单体的通用生成函数,并构建通用函数算子,形成电池储能系统的通用生成函数;
电池单体的通用生成函数为:
其中,uj(z)为电池单体j的通用生成函数,为电池单体j在状态i下的模糊概率,n为电池单体的状态个数,z为通用生成函数的自变量值,/>为电池单体j的第i个状态;
电池储能系统由大量的电池单体经串并联组合形成,对于串联的电池单体,其整体的可靠度由其中状况最差的电池单体决定;对于并联形式的电池单体,采用加权组合运算的规则,对电池性能状态最好的电池单体分配最高的权重,对性能状态较差的电池单体分配较低的权重,最终并联结构的性能状态由各部分加权组合得到,对于其中具体权重,采用层级分析法来获取;
其中,为串联结构模式下的随机变量函数:
为并联结构下的随机变量函数:
其中,β1,β2,...,βn为各电池单体对应的权重;
由N个电池单体经串并联关系后形成的电池串的通用生成函数为:
其中,ustring(z)为电池串的通用生成函数,为电池串所对应的在状态i下的SoH水平概率,gs,i为经串并联后的电池串的SoH性能水平;
由M个电池串经串并联关系构成电池储能系统,其通用生成函数为:
其中,ubat(z)为电池储能系统的通用生成函数,为电池储能系统所对应的在状态i下的SoH水平概率,gb,i为电池储能系统的SoH性能水平;
根据所述SoH性能水平集合、所述SoH水平概率集合及所述电池储能系统的最小性能需求水平,计算所述电池储能系统的可靠度值及容量期望;所述可靠度值及所述容量期望表征所述电池储能系统在当前运行场景下的状态。
2.根据权利要求1所述的电池储能系统的状态检测方法,其特征在于,所述电池储能系统的状态检测方法还包括:
采用蒙特卡洛模拟方法对电池储能系统的运行场景进行抽样,并确定各运行场景的发生概率;
根据电池储能系统在各运行场景下的可靠度值、容量期望及各运行场景的发生概率,确定所述电池储能系统的可靠程度。
3.根据权利要求1所述的电池储能系统的状态检测方法,其特征在于,采用以下公式确定电池单体的SoH值:
其中,μ为电池单体的SoH值,μ0为初始SoH值,B为参数因子,R为气体常数,T为绝对温度,Qini为初始容量,DOD为充放电深度,C为充放电速率,t为时刻,k为幂系数。
4.根据权利要求1所述的电池储能系统的状态检测方法,其特征在于,采用以下公式确定电池单体j在状态i下的模糊概率:
其中,为/>的α截集,α为隶属度,Z1(α)为状态i的SoH值下界模糊值,Z2(α)为状态i的SoH值上界模糊值,x为电池单体各状态SoH值的上下界,/>为均值模糊值的α截集,/>为方差模糊值的α截集。
5.根据权利要求1所述的电池储能系统的状态检测方法,其特征在于,采用以下公式计算电池储能系统的可靠度值及容量期望:
其中,Rb为电池储能系统的可靠度值,Eb为电池储能系统的容量期望,为SoH水平概率集合,gb为SoH性能水平集合,γ为电池储能系统的最小性能需求水平。
6.一种电池储能系统的状态检测系统,基于权利要求1至5任一项所述的电池储能系统的状态检测方法,其特征在于,所述电池储能系统的状态检测系统包括:
参数获取单元,用于获取所述电池储能系统中电池单体的容量衰减参数;所述容量衰减参数包括初始SoH值、初始容量、充放电速率、绝对温度及充放电深度;
电池SoH值计算单元,与所述参数获取单元连接,用于根据所述容量衰减参数,确定电池单体的SoH值;
样本分布确定单元,用于对所述电池储能系统中的电池单体进行抽样,确定电池单体状态分布的样本均值及样本方差;
模糊值确定单元,分别与所述电池SoH值计算单元及所述样本分布确定单元连接,用于根据所述样本均值及所述样本方差,采用模糊估计方法确定电池单体状态分布的均值模糊值及方差模糊值;
模糊概率确定单元,与所述模糊值确定单元连接,用于根据电池单体整个生命周期的SoH值划分电池单体的多个状态,并基于正态分布的累积概率密度函数,根据所述均值模糊值及所述方差模糊值,确定各电池单体在各状态下的模糊概率;
性能集合确定单元,与所述模糊概率确定单元连接,用于根据各电池单体在各状态下的模糊概率,采用通用生成函数,确定所述电池储能系统的SoH性能水平集合及SoH水平概率集合;所述SoH性能水平集合中包括电池储能系统在各状态下的性能水平,所述SoH水平概率集合包括电池储能系统在各状态下的SoH概率值;采用通用生成函数方法,形成电池单体的通用生成函数,并构建通用函数算子,形成电池储能系统的通用生成函数;
电池单体的通用生成函数为:
其中,uj(z)为电池单体j的通用生成函数,为电池单体j在状态i下的模糊概率,n为电池单体的状态个数,z为通用生成函数的自变量值,/>为电池单体j的第i个状态;
电池储能系统由大量的电池单体经串并联组合形成,对于串联的电池单体,其整体的可靠度由其中状况最差的电池单体决定;对于并联形式的电池单体,采用加权组合运算的规则,对电池性能状态最好的电池单体分配最高的权重,对性能状态较差的电池单体分配较低的权重,最终并联结构的性能状态由各部分加权组合得到;
由N个电池单体经串并联关系后形成的电池串的通用生成函数为:
其中,ustring(z)为电池串的通用生成函数,为电池串所对应的在状态i下的SoH水平概率,gs,i为经串并联后的电池串的SoH性能水平;
由M个电池串经串并联关系构成电池储能系统,其通用生成函数为:
其中,ubat(z)为电池储能系统的通用生成函数,为电池储能系统所对应的在状态i下的SoH水平概率,gb,i为电池储能系统的SoH性能水平;
指标确定单元,与所述性能集合确定单元连接,用于根据所述SoH性能水平集合、所述SoH水平概率集合及所述电池储能系统的最小性能需求水平,计算所述电池储能系统的可靠度值及容量期望;所述可靠度值及所述容量期望表征所述电池储能系统的状态。
7.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至5中任一项所述的电池储能系统的状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310114437.7A CN116593896B (zh) | 2023-01-30 | 2023-01-30 | 一种电池储能系统的状态检测方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310114437.7A CN116593896B (zh) | 2023-01-30 | 2023-01-30 | 一种电池储能系统的状态检测方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116593896A CN116593896A (zh) | 2023-08-15 |
CN116593896B true CN116593896B (zh) | 2023-12-01 |
Family
ID=87588610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310114437.7A Active CN116593896B (zh) | 2023-01-30 | 2023-01-30 | 一种电池储能系统的状态检测方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116593896B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116879759A (zh) * | 2023-09-06 | 2023-10-13 | 深圳闻储创新科技有限公司 | Soh校正方法、电池管理器、存储介质和储能设备 |
CN117669272B (zh) * | 2024-02-01 | 2024-04-19 | 华北电力大学 | 电池储能集装箱多状态混合精度的建模方法、系统及设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110609233A (zh) * | 2019-10-25 | 2019-12-24 | 沃特威(广州)电子科技有限公司 | 一种基于大数据进行储能电池soh预测的方法 |
CN110850297A (zh) * | 2019-09-23 | 2020-02-28 | 广东毓秀科技有限公司 | 一种通过大数据预测轨交锂电池soh的方法 |
CN114169173A (zh) * | 2021-12-09 | 2022-03-11 | 浙江大学 | 一种考虑热失控传播的电池储能系统可靠度计算方法 |
CN114280494A (zh) * | 2021-12-22 | 2022-04-05 | 泉州装备制造研究所 | 一种基于云端协同的锂电池健康状态监测方法及装置 |
-
2023
- 2023-01-30 CN CN202310114437.7A patent/CN116593896B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850297A (zh) * | 2019-09-23 | 2020-02-28 | 广东毓秀科技有限公司 | 一种通过大数据预测轨交锂电池soh的方法 |
CN110609233A (zh) * | 2019-10-25 | 2019-12-24 | 沃特威(广州)电子科技有限公司 | 一种基于大数据进行储能电池soh预测的方法 |
CN114169173A (zh) * | 2021-12-09 | 2022-03-11 | 浙江大学 | 一种考虑热失控传播的电池储能系统可靠度计算方法 |
CN114280494A (zh) * | 2021-12-22 | 2022-04-05 | 泉州装备制造研究所 | 一种基于云端协同的锂电池健康状态监测方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于多状态联合估计模型的锂电池多短恒流充电策略研究;张宏济;中国优秀硕士学位论文全文数据库工程科技辑(第1期);15 * |
Also Published As
Publication number | Publication date |
---|---|
CN116593896A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116593896B (zh) | 一种电池储能系统的状态检测方法、系统及电子设备 | |
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 | |
CN113052464B (zh) | 电池储能系统可靠性评估方法及系统 | |
CN111426957B (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN113064093A (zh) | 储能电池荷电状态与健康状态联合估算方法及系统 | |
CN105445671A (zh) | 一种基于无迹粒子滤波的锂离子电池寿命预测方法 | |
CN115980592A (zh) | 考虑电池热故障的电池储能系统可靠性评估方法及系统 | |
CN104793144A (zh) | 一种电池寿命快速检测方法 | |
CN109459699A (zh) | 一种锂离子动力电池soc实时监测方法 | |
US20110208453A1 (en) | Circuit-based method for estimating battery capacity | |
CN110764009A (zh) | 一种电动汽车的电池组循环容量及健康状态的估算方法 | |
US11619674B2 (en) | State estimation method and state estimation apparatus | |
CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
CN113128672A (zh) | 一种基于迁移学习算法的锂离子电池组soh估计方法 | |
CN112034368A (zh) | 一种电池容量的定标方法及装置 | |
CN111257770A (zh) | 一种电池包功率估算方法 | |
CN114636948A (zh) | 一种储能系统寿命评估方法、装置、电子设备及存储介质 | |
CN114839538A (zh) | 一种提取锂离子电池退化特征用于估计剩余寿命的方法 | |
CN117828408B (zh) | 一种储能容量数据处理方法及系统 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN104793145A (zh) | 一种电池可用容量快速检测方法 | |
CN113283300B (zh) | 一种抽水蓄能机组轴系劣化评估方法及装置 | |
CN114280485A (zh) | Soc估算及一致性评估方法、装置、计算机设备 | |
CN117706363A (zh) | 一种光伏储能电池健康状态监控系统及方法 | |
CN112488295A (zh) | 交叉验证算法优化lstm网络继电器贮存寿命预测方法 |
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 |