CN116859255A - 一种储能电池健康状态的预测方法、装置、设备及介质 - Google Patents
一种储能电池健康状态的预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116859255A CN116859255A CN202310820564.9A CN202310820564A CN116859255A CN 116859255 A CN116859255 A CN 116859255A CN 202310820564 A CN202310820564 A CN 202310820564A CN 116859255 A CN116859255 A CN 116859255A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- storage battery
- charge
- prediction model
- 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.)
- Pending
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 95
- 230000036541 health Effects 0.000 title claims abstract description 66
- 238000012512 characterization method Methods 0.000 claims abstract description 81
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 38
- 238000002474 experimental method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims description 23
- 238000012360 testing method Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 16
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 12
- 230000001364 causal effect Effects 0.000 claims description 10
- 238000000926 separation method Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013101 initial test Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000005195 poor health Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种储能电池健康状态的预测方法、装置、设备及介质。该方法包括:获取储能电池的至少一个充放电循环过程的表征参数,其中,所述表征参数用于表示储能电池在至少一个充放电循环过程中的属性参数;将所述表征参数输入预测模型,通过预测模型基于所述表征参数预测所述储能电池的健康状态,其中,所述预测模型的样本集基于储能电池的充放电实验中,所述储能电池的表征参数经模态分解后形成。本发明实施例的技术方案,可以更好的探索储能电池的容量信号的长时间尺度下的变化信息,泛化能力更强,进而提高预测储能电池健康状态的准确性。
Description
技术领域
本发明涉及电池系统技术领域,尤其涉及一种储能电池健康状态的预测方法、装置、设备及介质。
背景技术
在发展绿色能源和清洁能源规模扩大的过程中,建设储能电站就成为至关重要的一部分。而目前的储能电站都是由大量的储能电池作为电能充放的源头。
而由多组储能电池组成的储能电站,很大程度上受到电池的健康状况的影响,若不及时更换健康状态差的电池,极容易产生电能的浪费。同时,对于健康状态差的电池,容易产生电池过充、过放、热失控等问题,严重情况下,会造成储能电站事故。
但是由于电池的使用过程中往往呈现出非线性特征,同时电池的健康状况往往会受到多种因素影响,使得准确估计储能电池的健康状态具有很大难度。
发明内容
本发明提供了一种储能电池健康状态的预测方法、装置、设备及介质,以解决现有技术中难以准确估计储能电池的健康状态的问题。
根据本发明的一方面,提供了一种储能电池健康状态的预测方法,包括:
获取储能电池的至少一个充放电循环过程的表征参数,其中,所述表征参数用于表示储能电池在至少一个充放电循环过程中的属性参数;
将所述表征参数输入预测模型,通过预测模型基于所述表征参数预测所述储能电池的健康状态,其中,所述预测模型的样本集基于储能电池的充放电实验中,所述储能电池的表征参数经模态分解后形成。
根据本发明的另一方面,提供了一种储能电池健康状态的预测装置,包括:
参数获取模块,用于获取储能电池的至少一个充放电循环过程的表征参数,其中,所述表征参数用于表示储能电池在至少一个充放电循环过程中的属性参数;
状态预测模块,用于将所述表征参数输入预测模型,通过预测模型基于所述表征参数预测所述储能电池的健康状态,其中,所述预测模型的样本集基于储能电池的充放电实验中,所述储能电池的表征参数经模态分解后形成。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例所述的储能电池健康状态的预测方法。
根据本发明的另一方面,提供了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处理器执行时实现本发明任一实施例所述的储能电池健康状态的预测方法。
本发明实施例的技术方案,通过获取储能电池的至少一个充放电循环过程的表征参数,其中,表征参数用于表示储能电池在至少一个充放电循环过程中的属性参数;将表征参数输入预测模型,通过预测模型基于表征参数预测所述储能电池的健康状态,其中,预测模型的样本集基于储能电池的充放电实验中,储能电池的表征参数经模态分解后形成。本发明实施例的技术方案,可以更好的探索储能电池的容量信号的长时间尺度下的变化信息,泛化能力更强,进而提高预测储能电池健康状态的准确性。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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是根据本发明实施例一提供的一种储能电池健康状态的预测方法的流程图;
图2是根据本发明实施例二提供的一种储能电池健康状态的预测方法的流程图;
图3是根据本发明实施例三提供的一种储能电池健康状态的预测装置的结构示意图;
图4是一种储能电池健康状态的预测方法的模型示意图;
图5是一种储能电池健康状态的预测方法的一层的残差块结构示意图;
图6是一种储能电池健康状态的预测方法的门控循环单元结构示意图;
图7是实现本发明实施例的储能电池健康状态的预测方法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。
需要说明的是,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”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,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
实施例一
图1为本发明实施例一提供了一种储能电池健康状态的预测方法的流程图,本实施例可适用于对储能电池健康状态进行预测的情况,该方法可以由储能电池健康状态预测装置来执行,该储能电池健康状态进行预测装置可以采用硬件和/或软件的形式实现,该储能电池健康状态进行预测装置可配置于电子设备中。如图1所示,该方法包括:
S110、获取储能电池的至少一个充放电循环过程的表征参数,其中,所述表征参数用于表示储能电池在至少一个充放电循环过程中的属性参数。
其中,一个充放电循环过程可以是电池完成一次100%完整放电/充电的过程。例如,将一块有100%电量的电池用光到0%,然后再充电到100%,这就是一次充放循环。至少一个充放电循环过程的开始点可以为电池电量放空状态对应的时刻,也可以为电池电量充满状态对应的时刻,还可以为电池电量在放空与充满状态之间的任意电量对应的时刻。本发明实施例可以随时开启储能电池健康状态预测,而无需等待电池电量达到某个特定状态。其中,属性参数可以表示储能电池在至少一个充放电循环过程中的电池属性,从而,可以通过属性参数的变化情况表示储能电池的退化过程维度的演化情况。储能电池的属性参数可以包括储能电池的电压、电流和温度等信息。
具体的,获取储能电池的至少一个充放电循环过程的表征参数,包括:
通过互感器或传感器采集所述储能电池在至少一个充放电循环过程中的电压、电流和温度;
根据所述电压、电流和温度计算电池的荷电状态,将所述电压、电流、温度和电池的荷电状态作为所述表征参数。
具体的,通过互感器或传感器采集储能电池在至少一个充放电循环过程中的电压、电流和温度,可以是在储能电池至少一次充放电循环过程中,通过互感器或传感器记录下的储能电池在的电压、电流和温度等信息。
具体的,根据所述电压、电流和温度计算电池的荷电状态可以是在获取到储能电池的电压、电流和温度的信息之后,通过电压、电流和温度计算电池的荷电状态,其中,电池的荷电状态计算方法可以是库仑计数法、开路电压法等方法,本发明对计算电池荷电状态的方法不作具体限定。
在通过计算得到储能电池的荷电状态之后,可以将该储能电池的荷电状态、电压、电流和温度作为该储能电池的表征参数。
S120、将所述表征参数输入预测模型,通过预测模型基于所述表征参数预测所述储能电池的健康状态,其中,所述预测模型的样本集基于储能电池的充放电实验中,所述储能电池的表征参数经模态分解后形成。
其中,预测模型可以为基于门控循环单元的时间卷积网络模型。该预测模型可以用于探索储能电池的容量信号在长时间尺度下的变化信息。该预测模型可以实现在电池充放电过程的不同开始点进行储能电池的健康状态预测。例如,该预测模型可以包括融合因果卷积网络、膨胀卷积网络、时序列残差块和门控循环单元。
其中,储能电池的健康状态可以为储能电池当前的电池容量与储能电池出厂时容量的百分比。该健康状态可以用于表征该储能电池在当前健康状态下的真实储电量。例如,该储能电池的健康状态可以用88%、90%、95%等具体的百分比数值信息标识。具体的,该储能电池的健康状态为88%时,则表示储能电池当前的电池容量占储能电池出厂时容量的88%。
其中,样本集可以由训练集和测试集组成。训练集用于训练模型,能够减少数据的泛化误差,需要通过训练集不断的训练来使模型能够更好的接近真实数据。测试集可以用于测试模型的准确性,通过测试集对训练好的模型进行测试,能够得到模型的准确性。具体的,本发明中的样本集可以为每次充放电循环实验的过程中,每组储能电池的表征参数形成的样本集,其中,样本集当中的训练集用于预测模型的训练,样本集中的验证集可以用于预测模型的测试。
其中,模态分解可以为一种时频域信号处理方式,通过依据数据自身的时间尺度特征来进行信号分解,无需预先设定任何基函数。模态分解在处理非平稳及非线性数据上具有明显的优势,适合用于分析非线性非平稳的信号序列,具有较高的信噪比。具体的,本发明中的模态分解方法可以是集合经验模态分解,其是一种模态分解的改进方法,能够解决模态分解方法中的模态混叠现象。
具体的,将表征参数输入预测模型,通过预测模型基于表征参数预测储能电池的健康状态,可以是在获取到需要进行健康状态预测的储能电池的表征参数之后,将该表征参数输入到训练完成的预测模型中,通过预测模型对需要进行健康状态预测的储能电池进行健康状态的预测。
本实施例的技术方案,通过储能电池的表征参数经模态分解后形成预测模型的样本集,获取储能电池的至少一个充放电循环过程的电压、电流和温度信息,然后根据电压、电流和温度计算电池的荷电状态,并将电压、电流、温度和荷电状态作为储能电池的表征参数。然后将表征参数输入预测模型,通过预测模型基于表征参数预测储能电池的健康状态。可以更好的探索储能电池的容量信号的长时间尺度下的变化信息,泛化能力更强。解决了现有技术当中难以准确估计储能电池的健康状态的问题。
实施例二
图2为本发明实施例二提供的一种储能电池健康状态的预测方法的流程图,本发明实施例以上述实施例为基础具体限定了预测模型的构建及训练过程,未在本发明实施例中详尽描述的方案见上述实施例。如图2所示,该方法包括:
所述样本集的构建方式包括:
S201、对储能电站中的设定组数的储能电池进行设定次数的充放电实验,根据每次充放电实验的过程中,每组储能电池的表征参数形成初始样本集。
其中,初始样本集可以是由互感器或传感器在多组储能电池进行多次充放电实验过程中,采集到的每组储能电池的表征参数。
具体的,对储能电站中的设定组数的储能电池进行设定次数的充放电实验,根据每次充放电实验的过程中,每组储能电池的表征参数形成初始样本集,可以是分多次进行多组储能电池充放电实验,使样本集足够丰富。并在每次试验过程中,通过设备对储能电池的表征参数进行采集,并将得到的储能电池数据集进行整理,进而根据每组储能电池的表征参数形成初始样本集。
S202、对所述初始样本集中的表征参数进行模态分解,从模态分解结果中剔除虚假的本征模态,根据所述模态分解结果中的剩余本征模态生成所述样本集。
具体的,所述对所述初始样本集中的表征参数进行模态分解,从模态分解结果中剔除虚假的本征模态,根据所述模态分解结果中的剩余本征模态生成所述样本集,包括:
对所述初始样本集中的每个表征参数叠加具有标准正态分布的白噪声,得到新的表征参数;
对所述新的表征参数进行分解,模态分解结果为设定数量的本征模态;
将各个本征模态与设定分离标准阈值进行比对,确定虚假的本征模态;
对所述模态分解结果中的剩余本征模态进行叠加,得到样本集。具体的,对初始样本集中的每个表征参数叠加具有标准正态分布的白噪声,得到新的表征参数,可以是首先设定每个数据集总体平均数为M,将一个具有标准正态分布的白噪声ni(t)加到原始信号x(t)上,产生的新信号为xi(t),具体的,可以通过如下公式实现:
xi(t)=x(t)+ni(t)
上式中,ni(t)表示第i次加入的白噪声序列,xi(t)为第i次试验的附加噪声后的信号,对于i,i=1,2…M。
具体的,对新的表征参数进行分解,模态分解结果为设定数量的本征模态,可以是在通过上述公式获取到新的表征参数xi(t)之后,对数据集的xi(t)信号分别进行模态分解,得到的设定数量的本征模态,其中,设定数量可以记为j,则设定数量的本征模态可以分别记为IMF1-IMFj,其和的形式可以通过以下公式表示:
其中,ci,j(t)为第i次加入白噪声分解后得到的第j个模态,即IMFj,ri,j(t)为对应的残差函数,代表信号的大体趋势;多次进行白噪声的添加和分解,每次分解加入不同幅值的白噪声得到的模态进行集合均值运算,得到模态分解后的本征模态,即:
其中,cj(t)是模态分解的第j个本征模态。将各个本征模态与设定分离标准阈值进行比对,确定虚假的本征模态。
其中,虚假的本征模态可以是大于分离标准阈值的本征模态。
具体的,可以采用相关系数法来对分解后的j个本征模态进行判别,将虚假的本征分量进行剔除,再将真实的本证信号保留下来。为了更好的进行上述工作,将所有的本征模态分量进行归一化,其中,本征模态分量与原始信号之间的相关性系数为:
式中,rj为第j个分离出的本征模态分量与原始信号的相关系数,t为信号的采样点即电池数据集的采样时间点,t=1,2,3,……,N,表示信号平均值,/>表示本征模态平均值。
其中,可以将分离标准阈值设定为L,具体的,分离标准阈值可以通过以下公式计算得出:
若rj>L,则保留第j个本征模态;若rj≤L,则剔除第j个本征模态。
对所述模态分解结果中的剩余本征模态进行叠加,得到样本集。
具体的,在筛选和剔除掉虚假的本征模态后,将所有剩下的有效的K个本征模态进行叠加,即得到了去除了噪声的数据集,其中,去噪后的数据可表示为:
可选的,在得到了去除了噪声的数据集之后,由于数据是由多次的实验进行的因此无法避免会出现人为实验失误,因此可以将实验数据中某组数据变化趋势与别组不同的数据组进行剔除。
具体的,将实验数据中某组数据变化趋势与别组不同的数据组进行剔除,可以是分别根据采集到的电压、电流、温度、以及根据电压、电流、温度计算的电池荷电状态,拟合出多张随时间变化的图形,比较图形差异,得到数据变化趋势。然后将变化趋势当中与别组不同的数据组进行剔除,进而使数据集更符合实际,也防止出现由于数据差异过大造成的模型拟合误差过大的情况。
可选的,在将实验数据中某组数据变化趋势与别组不同的数据组进行剔除之后,可以将去噪和筛选后的多组数据集,按照7:3的比例进行划分,其中前者用于后续模型的训练,而后者用于模型数据的测试。
具体的,所述预测模型的训练方式包括:
S203、根据因果卷积网络、膨胀卷积网络、时序列残差块和门控循环单元构建初始预测模型;
其中,初始预测模型为时间卷积网络融合了因果卷积,膨胀卷积和残差连接的序列模型。
其中,因果卷积网络中的信息的流向是单向不可逆的,即上一层信息只能由下一层和之前几层的信息获取,信息单向流动。
具体的,膨胀卷积网络,其输入采用间隔采样输入数据的形式,由层数d控制采样率,按照一般情况,设置为底层的d=1,中间层的d=2。这样可以做到用较少的卷积网络层数获取较大的感受视野。假设输入的序列为m,模型的卷积核设置q:{0,1,...,k-1},故采用膨胀卷积计算后的第n个神经元的输出表达式可以为:
式中,c为膨胀系数;卷积运算为“*”表示;q(i)为卷积核值;k为卷积核的尺寸大小;mn-c.i是乘以卷积核中对应值的序列值。
图6为一种储能电池健康状态的预测方法的门控循环单元结构示意图。具体的,本发明使用了两个门控循环单元,其中每个单元中的更新门决定前一时间段和当前时间的信息数量带入到下一时刻。重置门则是将上一时刻的上一层信息带入,重置门越大,所携带的信息量就越大,传递的信息也越多。具体表示为:
rt=σ(wrxt+wrht-1+br)
ut=σ(wuxt+wuht-1+bu)
式中,rt为重置门,ut为更新门,xt为输入,表示实时信息。ht-1为隐含层,携带之前的信息。σ表示函数,wr和wu表示权值,为可调变量,此外br和bu为偏差参量。
同时,针对状态量可由以下公式表示:
ht=(1-ut)*ht+ut*ht-1
式中,为候选状态,ht为隐藏状态。wh和w均为可设权值,bh为偏差参数。候选状态从使用重置门开始,引入新的存储器内容,上述操作结果将与上一步更新门的输出相加,这将提供更新后的隐藏状态。
具体的,图4为一种储能电池健康状态的预测方法的模型示意图,如图4所示,本发明的整体模型结构为第一层为卷积层,卷积层后为五个残差块结构,然后接上一个Lambda层,最后为全连接输出层。其中,模型中的全连接层用于汇总TCN(时间卷积网络)和GRU(门控循环单元)的输出,重构求和是做数据结构调整与叠加。
具体的,图5为一种储能电池健康状态的预测方法的一层的残差块结构示意图。整体模型结构为第一层为卷积层,卷积层后为五个残差块结构,然后接上一个Lambda层,最后为全连接输出层。具体的,如图5所示,所使用的时序列残差块由两部分组成,包含了随机辍学,权重归一化,激活函数ReLU,膨胀因果卷积,其中权重归一化和随机辍学并不会依赖局部特征,同时采用1*1的卷积。
S204、获取所述初始预测模型的参数配置数据,根据所述参数配置数据对所述初始预测模型进行配置。
其中,需要配置的模型参数包括:迭代次数、卷积参数、学习率、优化器以及设定随机初始化网络权值和偏置量。
具体的,获取初始预测模型的参数配置数据,根据参数配置数据对初始预测模型进行配置,可以是在初始预测模型构建完成之后,获取配置参数当中包含的迭代次数、卷积参数、学习率、优化器以及设定随机初始化网络权值和偏置量数据,并根据获取到的参数配置数据对初始预测模型进行配置。
S205、根据所述样本集中的训练样本输入配置后的初始测试模型,进行模型训练,得到备选预测模型。
具体的,在根据获取到的参数配置数据对初始预测模型配置完成之后,可以将去噪和筛选后的多组数据集当中的训练样本输入配置后的初始测试模型中,进行模型训练,得到备选预测模型。
S206、根据所述样本集中的测试样本输入所述备选预测模型,进行模型验证。
具体的,所述根据所述样本集中的测试样本输入所述备选预测模型,进行模型验证,包括:
根据所述样本集中的测试样本计算所述备选预测模型的均方根误差和平均绝对值误差。
具体的,建立模型的均方根误差和平均绝对值误差判别函数,可以由以下公式实现,其中RMSE为均方根误差,MAE为平均绝对值误差:
根据所述均方根误差和平均绝对值误差确定模型精度,根据所述模型精度确定所述备选预测模型是否通过模型验证。
通过均方根误差和平均绝对值误差判别函数,计算出模型的误差。具体的,若均方根误差和平均绝对值误差越小,则表示模型的估算效果越接近真实值,证明模型的精度越高。
S207、在所述备选预测模型通过模型验证的情况下,将所述备选预测模型确定为所述预测模型。
具体的,可以预设备选预测模型通过模型验证的阈值,如果备选预测模型的方根误差和平均绝对值误差小于该阈值,则将该备选预测模型确定为预测模型。
S208、获取储能电池的至少一个充放电循环过程的表征参数,其中,所述表征参数用于表示储能电池在至少一个充放电循环过程中的属性参数。
S209、将所述表征参数输入预测模型,通过预测模型基于所述表征参数预测所述储能电池的健康状态,其中,所述预测模型的样本集基于储能电池的充放电实验中,所述储能电池的表征参数经模态分解后形成。
本实施例的技术方案,采用基于门控循环单元的时间卷积网络模型对储能电池的健康状态进行预测,可以更好的探索储能电池的容量信号的长时间尺度下的变化信息,泛化能力更强,同时可以使模型进行更深层次的训练,减少了模型过拟合的问题。同时,本实施例的技术方案还可以实现在电池充放电数据不同开始点进行储能电池健康状态的预测,能够进一步的保证预测结果的准确性以及较强的抗干扰能力,解决了现有技术中难以准确估计储能电池的健康状态的问题。
实施例三
图3为本发明实施例三提供的一种储能电池健康状态的预测装置的结构示意图。如图3所示,该装置包括:
参数获取模块31,用于获取储能电池的至少一个充放电循环过程的表征参数,其中,所述表征参数用于表示储能电池在至少一个充放电循环过程中的属性参数。
状态预测模块32,用于将所述表征参数输入预测模型,通过预测模型基于所述表征参数预测所述储能电池的健康状态,其中,所述预测模型的样本集基于储能电池的充放电实验中,所述储能电池的表征参数经模态分解后形成。
其中,所述预测模型为基于门控循环单元的时间卷积网络模型,包括融合因果卷积网络、膨胀卷积网络、时序列残差块和门控循环单元。
可选的,所述参数获取模块具体用于:
通过互感器或传感器采集所述储能电池在至少一个充放电循环过程中的电压、电流和温度;
根据所述电压、电流和温度计算电池的荷电状态,将所述电压、电流、温度和荷电状态作为所述表征参数。
可选的,该装置还包括:
样本集构建模块,用于对储能电站中的设定组数的储能电池进行设定次数的充放电实验,根据每次充放电实验的过程中,每组储能电池的表征参数形成初始样本集;对所述初始样本集中的表征参数进行模态分解,从模态分解结果中剔除虚假的本征模态,根据所述模态分解结果中的剩余本征模态生成所述样本集。
可选的,所述样本集构建模块具体用于:
对所述初始样本集中的每个表征参数叠加具有标准正态分布的白噪声,得到新的表征参数;
对所述新的表征参数进行分解,模态分解结果为设定数量的本征模态;将各个本征模态与设定分离标准阈值进行比对,确定虚假的本征模态;
对所述模态分解结果中的剩余本征模态进行叠加,得到样本集。
预测模型训练模块,用于训练所述预测模型,其中,所述预测模型为基于门控循环单元的时间卷积网络模型,包括融合因果卷积网络、膨胀卷积网络、时序列残差块和门控循环单元。
可选的,预测模型训练模块具体用于:
根据因果卷积网络、膨胀卷积网络、时序列残差块和门控循环单元构建初始预测模型;
获取所述初始预测模型的参数配置数据,根据所述参数配置数据对所述初始预测模型进行配置;
根据所述样本集中的训练样本输入配置后的初始测试模型,进行模型训练,得到备选预测模型;
根据所述样本集中的测试样本输入所述备选预测模型,进行模型验证;
在所述备选预测模型通过模型验证的情况下,将所述备选预测模型确定为所述预测模型。
可选的,所述预测模型训练模块包括模型验证单元,用于根据所述样本集中的测试样本输入所述备选预测模型,进行模型验证。
可选的,所述模型验证单元具体用于:
根据所述样本集中的测试样本计算所述备选预测模型的均方根误差和平均绝对值误差;
根据所述均方根误差和平均绝对值误差确定模型精度,根据所述模型精度确定所述备选预测模型是否通过模型验证。
本发明实施例所提供的储能电池健康状态的预测装置可执行本发明任意实施例所提供的储能电池健康状态的预测方法,具备执行方法相应的功能模块和有益效果。
实施例4
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如一种储能电池健康状态的预测方法。
在一些实施例中,储能电池健康状态的预测方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的一种储能电池健康状态的预测方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行储能电池健康状态的预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种储能电池健康状态的预测方法,其特征在于,包括:
获取储能电池的至少一个充放电循环过程的表征参数,其中,所述表征参数用于表示储能电池在至少一个充放电循环过程中的属性参数;
将所述表征参数输入预测模型,通过预测模型基于所述表征参数预测所述储能电池的健康状态,其中,所述预测模型的样本集基于储能电池的充放电实验中,所述储能电池的表征参数经模态分解后形成。
2.根据权利要求1所述的方法,其特征在于,所述获取储能电池的至少一个充放电循环过程的表征参数,包括:
通过互感器或传感器采集所述储能电池在至少一个充放电循环过程中的电压、电流和温度;
根据所述电压、电流和温度计算电池的荷电状态,将所述电压、电流、温度和荷电状态作为所述表征参数。
3.根据权利要求1所述的方法,其特征在于,所述样本集的构建方式包括:
对储能电站中的设定组数的储能电池进行设定次数的充放电实验,根据每次充放电实验的过程中,每组储能电池的表征参数形成初始样本集;
对所述初始样本集中的表征参数进行模态分解,从模态分解结果中剔除虚假的本征模态,根据所述模态分解结果中的剩余本征模态生成所述样本集。
4.根据权利要求3所述的方法,其特征在于,所述对所述初始样本集中的表征参数进行模态分解,从模态分解结果中剔除虚假的本征模态,根据所述模态分解结果中的剩余本征模态生成所述样本集,包括:
对所述初始样本集中的每个表征参数叠加具有标准正态分布的白噪声,得到新的表征参数;
对所述新的表征参数进行分解,模态分解结果为设定数量的本征模态;
将各个本征模态与设定分离标准阈值进行比对,确定虚假的本征模态;
对所述模态分解结果中的剩余本征模态进行叠加,得到样本集。
5.根据权利要求1所述的方法,其特征在于,所述预测模型为基于门控循环单元的时间卷积网络模型,包括融合因果卷积网络、膨胀卷积网络、时序列残差块和门控循环单元。
6.根据权利要求5所述的方法,其特征在于,所述预测模型的训练方式包括:
根据因果卷积网络、膨胀卷积网络、时序列残差块和门控循环单元构建初始预测模型;
获取所述初始预测模型的参数配置数据,根据所述参数配置数据对所述初始预测模型进行配置;
根据所述样本集中的训练样本输入配置后的初始测试模型,进行模型训练,得到备选预测模型;
根据所述样本集中的测试样本输入所述备选预测模型,进行模型验证;
在所述备选预测模型通过模型验证的情况下,将所述备选预测模型确定为所述预测模型。
7.根据权利要求6所述的方法,其特征在于,所述根据所述样本集中的测试样本输入所述备选预测模型,进行模型验证,包括:
根据所述样本集中的测试样本计算所述备选预测模型的均方根误差和平均绝对值误差;
根据所述均方根误差和平均绝对值误差确定模型精度,根据所述模型精度确定所述备选预测模型是否通过模型验证。
8.一种储能电池健康状态的预测装置,其特征在于,包括:
参数获取模块,用于获取储能电池的至少一个充放电循环过程的表征参数,其中,所述表征参数用于表示储能电池在至少一个充放电循环过程中的属性参数;
状态预测模块,用于将所述表征参数输入预测模型,通过预测模型基于所述表征参数预测所述储能电池的健康状态,其中,所述预测模型的样本集基于储能电池的充放电实验中,所述储能电池的表征参数经模态分解后形成。
9.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的储能电池健康状态的预测方法。
10.一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处理器执行时实现权利要求1-7中任一项所述的储能电池健康状态的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310820564.9A CN116859255A (zh) | 2023-07-05 | 2023-07-05 | 一种储能电池健康状态的预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310820564.9A CN116859255A (zh) | 2023-07-05 | 2023-07-05 | 一种储能电池健康状态的预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116859255A true CN116859255A (zh) | 2023-10-10 |
Family
ID=88224668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310820564.9A Pending CN116859255A (zh) | 2023-07-05 | 2023-07-05 | 一种储能电池健康状态的预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116859255A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494028A (zh) * | 2023-12-29 | 2024-02-02 | 山东国华科技发展有限公司 | 一种用于储能电站的储能数据异常检测方法及系统 |
-
2023
- 2023-07-05 CN CN202310820564.9A patent/CN116859255A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117494028A (zh) * | 2023-12-29 | 2024-02-02 | 山东国华科技发展有限公司 | 一种用于储能电站的储能数据异常检测方法及系统 |
CN117494028B (zh) * | 2023-12-29 | 2024-04-19 | 山东国华科技发展有限公司 | 一种用于储能电站的储能数据异常检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902801B (zh) | 一种基于变分推理贝叶斯神经网络的洪水集合预报方法 | |
CN105391083B (zh) | 基于变分模态分解和相关向量机的风功率区间短期预测方法 | |
CN110221225B (zh) | 一种航天器锂离子电池循环寿命预测方法 | |
Yang et al. | Remaining useful life prediction based on denoising technique and deep neural network for lithium-ion capacitors | |
Wang et al. | A critical review of online battery remaining useful lifetime prediction methods | |
US20160239592A1 (en) | Data-driven battery aging model using statistical analysis and artificial intelligence | |
Ahwiadi et al. | An enhanced particle filter technology for battery system state estimation and RUL prediction | |
Meng et al. | A hybrid method for prognostics of lithium-ion batteries capacity considering regeneration phenomena | |
Zheng et al. | State of health estimation for lithium battery random charging process based on CNN-GRU method | |
CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN111832825A (zh) | 融合长短期记忆网络和极限学习机的风电预测方法及系统 | |
Ge et al. | Lithium ion battery health prediction via variable mode decomposition and deep learning network with self-attention mechanism | |
US20240014651A1 (en) | Probability estimation method for photovoltaic power based on optimized copula function and photovoltaic power system | |
CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN116485031A (zh) | 短期电力负荷的预测方法、装置、设备及存储介质 | |
Guo et al. | Prognostics of lithium-ion batteries health state based on adaptive mode decomposition and long short-term memory neural network | |
CN113408138B (zh) | 一种基于二次融合的锂电池soh估计方法和系统 | |
Wang et al. | State of health estimation for lithium-ion batteries using random forest and gated recurrent unit | |
Zhu et al. | A novel hybrid scheme for remaining useful life prognostic based on secondary decomposition, BiGRU and error correction | |
Cai et al. | Remaining useful life prediction method of EV power battery for DC fast charging condition | |
Wang et al. | Remaining useful life prediction method of lithium-ion batteries is based on variational modal decomposition and deep learning integrated approach | |
CN117313953A (zh) | 一种负荷预测方法、装置、电子设备以及存储介质 | |
CN116593917A (zh) | 一种基于时频双流特征表征的锂电池健康状态估计方法 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及系统 |
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 |