CN116908727A - 一种基于多特征组合的储能电站锂电池容量估计方法 - Google Patents
一种基于多特征组合的储能电站锂电池容量估计方法 Download PDFInfo
- Publication number
- CN116908727A CN116908727A CN202310868393.7A CN202310868393A CN116908727A CN 116908727 A CN116908727 A CN 116908727A CN 202310868393 A CN202310868393 A CN 202310868393A CN 116908727 A CN116908727 A CN 116908727A
- Authority
- CN
- China
- Prior art keywords
- model
- neural network
- battery
- network model
- lithium ion
- 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 54
- 238000004146 energy storage Methods 0.000 title claims abstract description 39
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 26
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 26
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 113
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 113
- 238000012360 testing method Methods 0.000 claims abstract description 105
- 238000012549 training Methods 0.000 claims abstract description 92
- 230000032683 aging Effects 0.000 claims abstract description 78
- 238000012417 linear regression Methods 0.000 claims abstract description 24
- 238000003062 neural network model Methods 0.000 claims description 141
- 238000013527 convolutional neural network Methods 0.000 claims description 51
- 238000007600 charging Methods 0.000 claims description 40
- 238000012795 verification Methods 0.000 claims description 27
- 238000007599 discharging Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 abstract description 5
- 238000010280 constant potential charging Methods 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract description 2
- 230000004927 fusion Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000011009 performance qualification Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012983 electrochemical energy storage Methods 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000002195 synergetic effect Effects 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]
- G01R31/392—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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于多特征组合的储能电站锂电池容量估计方法，包括对N个同型号的新锂离子电池进行老化测试，构建电池老化测试数据集；对所述电池老化测试数据集进行特征提取，构建特征数据集；搭建多模型组合模型和线性回归模型，用特征数据集训练多模型组合模型；用多模型组合模型输出的估计结果构成新的特征数据集，并用于训练线性回归模型；利用线性回归模型融合多模型组合模型的输出结果估计新锂离子电池的最大可用容量估计结果。本发明仅从电池恒压充电过程中提取特征，充分利用了不同模型对于输入特征和标签值之间的映射能力，为估计精度提供了有效保障。
Description
技术领域
本发明涉及电池储能技术领域，具体涉及一种基于多特征组合的储能电站锂电池容量估计方法。
背景技术
锂离子电池作为电化学储能电站中的主要供能来源，电池的运行过程中需要保证安全性和可靠性，因此需要准确估计电池的健康状态。健康状态的定义方式为电池当前的最大可用容量与标称容量的比值，估计电池当前最大可用容量即可估计健康状态。现有技术主要从电池的充放电全过程、恒流充电过程和满充后的静置过程中提取特征。然而，储能电站实际运行工况下，锂离子电池的放电方式和放电深度具有随机性，因此难以从电池的充放电全过程中提取特征。现有方式主要从恒流充电过程或满充后的静置过程中提取特征，这些方法应用于储能电站时，面临电池充电起始点随机化或充电结束后需要较长静置时间的应用困难。其次，例如CN110346734A《一种基于机器学习的锂离子动力电池健康状态估算方法》公开了“一种基于机器学习的锂离子动力电池健康状态估算方法，用于实时估算动力电池的荷电状态和健康状态。通过建立锂离子电池的等效电路模型，对其进行参数辨识，再建立Uoc-SOC模型，并估算SOC。使用大量离线数据训练得到以Uoc-SOC模型参数为输入，最大可用容量为输出的神经网络模型。对同一时刻的Uoc与SOC进行曲线拟合，得到模型中的待辨识参数，将其输入到训练得到的神经网络模型，得到最大可用容量，并将得到的Uoc-SOC模型参数及最大可用容量返回到SOC估算步骤，更新其状态方程和观测方程的参数。本发明提出一种锂离子电池健康状态估算方法，对电池健康状态进行在线估算，并对SOC估算进行了参数更新，提高了其估算精度”，但单模型方法主要关注单模型的估计精度，存在不同运行条件下模型泛化性不足的问题。
发明内容
基于上述技术问题，本申请提供了一种基于多特征组合的储能电站锂电池容量估计方法，具体步骤包括：
对N个同型号的新锂离子电池进行老化测试，采集新锂离子电池在老化测试过程中的老化测试数据，构建电池老化测试数据集，其中，所述老化测试数据包括新锂离子电池的端电压数据、电流数据、充电容量数据和放电容量数据；
对所述电池老化测试数据集进行特征提取，构建特征数据集，其中，所述特征数据集的健康指标包括新锂离子电池在每个充放电循环中的充电电流平均值、充电电流标准差值、电流一阶差分序列的标准差、电流曲线起始点和终点所在直线的斜率，特征数据集的标签值包括放电容量的最大值；
构建多模型组合模型，利用所述特征数据集对多模型组合模型进行训练和调试，获得训练完成的多模型组合模型，利用所述特征数据集输入训练完成的多模型组合模型获得多模型组合模型中各模型输出的最大可用容量估计结果，根据所述最大可用容量估计构建新的特征数据集；
构建线性回归模型，利用所述新的特征数据集对所述线性回归模型进行训练和调试，获得训练完成的线性回归模型；
将训练完成的多模型组合模型和线性回归模型导入至储能电站的电池管理系统中，获得储能电站新锂离子电池当前时刻的最大可用容量。
优选的，所述对N个同型号的新锂离子电池进行老化测试，采集新锂离子电池在老化测试过程中的老化测试数据，构建电池老化测试数据集具体为：
采用恒定电流对进行老化测试的新锂离子电池充电，具体为从电池电量状态为零充电至电池电量达到截止电压阈值，采用恒定电压继续对新锂离子电池充电至电池电量达到截止电流阈值，当新锂离子电池电量达到截止电压阈值和截止电流阈值后，充电完成；
对充电完成的新锂离子电池进行放电，具体为在恒定电流下放电至电池电量状态为零，放电完成；
对新锂离子电池进行充放电循环操作，直至新锂离子电池的最大放电容量下降至标称容量的预设阈值，结束充放电循环操作；
采集新锂离子电池在充放电循环操作过程中的端电压数据、电流数据和放电容量数据作为老化测试数据，其中，第n个新锂离子电池在第m个充放电循环中的老化测试数据以公式表达为：
式中，Tn,m,k为新锂离子电池在第m个充放电循环中的第k个采样时刻，Vn,m,k为新锂离子电池在第m个充放电循环中第k个采样时刻的对应的电池端电压值，In,m,k为新锂离子电池在第m个充放电循环中第k个采样时刻的对应的电池电流值，DCn,m,k为新锂离子电池在第m个充放电循环中第k个采样时刻的对应的放电容量值；
第n个新锂离子电池的完整老化测试数据以公式表达为：
式中，M代表第n个新锂离子电池中的老化循环次数，根据新锂离子电池的老化测试数据构建电池老化测试数据集Dataset1，以公式表达为：
式中，N为进行老化测试的新锂离子电池个数。
优选的，对所述电池老化测试数据集进行特征提取，构建特征数据集具体为：
提取新锂离子电池在充放电循环中的恒定电压进行充电时的电池电流数据，并计算电池电流数据的平均值、标准差值和电流一阶差分序列的标准差值；
构建电流曲线，计算电流曲线的起始点和终点所在直线的斜率，并提取出放电容量的最大值，其中，所述电流曲线由电池电流数据和采样时间构成；
将所述电池电流数据的平均值、标准差值、电流一阶差分序列的标准差值以及电流曲线的起始点和终点所在直线的斜率作为健康指标，将放电容量的最大值作为标签值，构建特征数据集Dataset2，以公式表达为：
式中，In,k,mean为第n个新锂离子电池在第m个充放电循环中电池电流数据的平均值，In,m,std为第n个新锂离子电池在第m个充放电循环中电池电流数据的标准差值，ΔIn,m,std为第n个新锂离子电池在第m个充放电循环中电池电流数据一阶差分序列的标准差值，In,m,slope为第n个新锂离子电池在第m个充放电循环中电流曲线起始点和终点所在直线的斜率，DCn,m,max表示为第n个新锂离子电池在第m个充放电循环中放电容量的最大值。
优选的，构建多模型组合模型，利用所述特征数据集对多模型组合模型进行训练和调试，获得训练完成的多模型组合模型具体为：
所述多模型组合模型包括CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型；
将特征数据集按照预设比例划分为训练集和测试集，将所述训练集按照预设比例划分为训练子集和验证集；
利用训练子集和验证集同时对CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型进行训练和调试；预设模型性能评价指标，采用测试集测试CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型的性能，获取模型性能评价指标达到合格阈值时多模型组合模型对应的权重参数和模型结构，训练完成。
优选的，利用所述特征数据集输入训练完成的多模型组合模型获得多模型组合模型中各模型输出的最大可用容量估计结果，根据所述最大可用容量估计构建新的特征数据集具体为：
将训练子集同时输入到训练完成的CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型中，得到CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型各自输出的训练子集最大可用容量估计结果；
将所述训练子集最大可用容量估计结果作为二次特征与标签值合并构建新的训练子集Dsubtrain，以公式表达为：
式中，fCNN,s为训练子集中第s个充放电循环的特征向量输入CNN神经网络模型后输出的最大容量估计结果，fLSTM,s为训练子集中第s个充放电循环的特征向量输入LSTM神经网络模型后输出的最大容量估计结果，fDNN,s为训练子集中第s个充放电循环的特征向量输入DNN神经网络模型后输出的训练子集最大容量估计结果；
将验证集同时输入到训练完成的CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型中，得到CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型各自输出的验证集最大可用容量估计结果；将所述验证集最大可用容量估计结果作为二次特征与标签值合并构建新的验证集Dval；
将测试集同时输入到训练完成的CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型中，得到CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型各自输出的测试集最大可用容量估计结果；将所述测试集最大可用容量估计结果作为二次特征与标签值合并构建新的验证集Dtest。
本申请还包括一种基于多特征组合的储能电站锂电池容量估计系统，包括数据获取单元、数据处理单元和输出单元，其中：
所述数据获取单元的输出端与数据处理单元的输入端电连接，用于获取新锂离子电池在老化测试过程中的老化测试数据，构建电池老化测试数据集，对所述电池老化测试数据集进行特征提取，构建特征数据集，并将所述特征数据集传输至数据处理单元，其中，所述老化测试数据包括新锂离子电池的端电压数据、电流数据、充电容量数据和放电容量数据，所述特征数据集的健康指标包括新锂离子电池在每个充放电循环中的充电电流平均值、充电电流标准差值、电流一阶差分序列的标准差、电流曲线起始点和终点所在直线的斜率，特征数据集的标签值包括放电容量的最大值；
所述数据处理单元内设置有训练完成的多模型组合模型和线性回归模型，所述多模型组合模型通过特征数据集获得最大可用容量估计结果，所述线性回归模型根据所述最大可用容量估计结果获得待估新锂离子电池当前时刻的最大可用容量；
所述输出单元的输入端与数据处理单元的输出端电连接，用于获取储能电站的新锂离子电池当前时刻的最大可用容量并进行可视化展示。
优选的，获得训练完成多模型组合模型的具体步骤为：
所述多模型组合模型包括CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型；
将特征数据集按照预设比例划分为训练集和测试集，将所述训练集按照预设比例划分为训练子集和验证集；
利用训练子集和验证集同时对CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型进行训练和调试；预设模型性能评价指标，采用测试集测试CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型的性能，获取模型性能评价指标达到合格阈值时多模型组合模型对应的权重参数和模型结构，训练完成。
优选的，多模型组合模型通过特征数据集获得最大可用容量估计结果具体为将特征数据集同时输入训练完成的CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型中，得到CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型各自输出的特征训练集最大可用容量估计结果。
本申请还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例所述的一种基于多特征组合的储能电站锂电池容量估计方法。
本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的一种基于多特征组合的储能电站锂电池容量估计方法。
与现有技术相比，本发明的有益效果是：
1、本发明提供了一种基于多特征组合的储能电站锂电池容量估计方法，通过对N个同型号的新锂离子电池进行老化测试，构建电池老化测试数据集；对所述电池老化测试数据集进行特征提取，构建特征数据集，仅从电池恒压充电过程中提取特征，不需要考虑充电起始点随机化的问题，也不需要电池在充电完成后进行长时间静置，可实时提取，具有更好的实用性，且电压和电流是充电过程中的重要参数，它们可以准确反映电池的充电状态和性能，通过提取这些特征进行容量估计结果的可靠性高；
2、本发明提供了一种基于多特征组合的储能电站锂电池容量估计方法，通过采用线性回归模型集成多模型组合模型输出结果的方式，充分利用了不同模型对于输入特征和标签值之间的映射能力，能够有效弥补单模型泛化性不足的问题，为估计精度提供了有效保障。
附图说明
图1是本发明实施例中方法流程图。
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。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。
实施例一
本发明实施例1公开了一种基于多特征组合的储能电站锂电池容量估计方法,如图1所示，具体包括以下步骤：
S1、对N个同型号的新锂离子电池进行老化测试，采集新锂离子电池在老化测试过程中的老化测试数据，构建电池老化测试数据集；
对N个同型号的新锂离子电池进行老化测试，具体地，在每一个充放电循环中，先采用恒定电流令新锂离子电池从0％SOC充电至截止电压阈值，SOC是指"State ofCharge"，表示电池的电量状态，也即从电池电量状态为零充电至电池电量达到截止电压阈值，接着在恒定电压下继续充电至截止电流阈值，当新锂离子电池电量达到截止电压阈值和截止电流阈值后，充电完成；充电完成后，对充电完成的新锂离子电池进行放电，令新锂离子电池在恒定电流下放电至0％SOC，也即在恒定电流下放电至电池电量状态为零，放电完成；
对新锂离子电池重复执行所述充放电循环操作，直至电池的最大放电容量下降至其标称容量的预设阈值时，结束充放电循环操作，该新锂离子电池的老化测试结束，在本实施例中，所述预设阈值为70％；
优选的，在每一个充放电循环中，以10s为采集间隔，采集新锂离子电池在老化测试过程中的电池老化测试数据Dataset1，其中，所述电池老化测试数据包括新锂离子电池在老化测试过程中的端电压数据、电流数据、充电容量数据和放电容量数据，第n个新锂离子电池在第m个充放电循环中的老化测试数据以公式表达为：
式中，Tn,m,k为新锂离子电池在第m个充放电循环中的第k个采样时刻，Vn,m,k为新锂离子电池在第m个充放电循环中第k个采样时刻的对应的电池端电压值，In,m,k为新锂离子电池在第m个充放电循环中第k个采样时刻的对应的电池电流值，DCn,m,k为新锂离子电池在第m个充放电循环中第k个采样时刻的对应的放电容量值；
第n个新锂离子电池的完整老化测试数据以公式表达为：
式中，M代表第n个新锂离子电池中的老化循环次数，根据新锂离子电池的老化测试数据构建电池老化测试数据集Dataset1，以公式表达为：
式中，N为进行老化测试的新锂离子电池个数。
S2、对所述电池老化测试数据集进行特征提取，构建特征数据集；
提取新锂离子电池在充放电循环中的恒定电压进行充电时的电池电流数据，并计算电池电流数据的平均值、标准差值和电流一阶差分序列的标准差值；
构建电流曲线，计算电流曲线的起始点和终点所在直线的斜率，并提取出放电容量的最大值，其中，所述电流曲线由电池电流数据和采样时间构成；
电流数据的平均值是对电流的整体水平进行评估，表示电池平均充放电的速度，较低或较高的平均电流值可能暗示着电池的异常或不正常行为，具体计算方式为平均值＝(电流数据的总和)/(电流数据的数量)；电流数据的标准差是衡量电流数据变化程度的指标，具体计算方式为计算每个电流数据点与电流平均值的差异的均方根，通过计算电流数据的标准差，可以了解电流波动的强度，较大的标准差值可能表示电流变化较大，可能意味着电池的工作不稳定；计算电流一阶差分序列的标准差可以衡量电流变化速率的稳定性，具体计算方式为计算电流数据的一阶差分序列，计算电流数据的一阶差分序列，然后计算该差分序列的标准差，较大的一阶差分序列标准差值可能暗示着电流波动频率较高，可能存在问题或异常；通过拟合电流曲线起始点和终点所在直线的斜率，可以观察电流变化的趋势，具体的，使用线性回归拟合电流数据的线性趋势，并计算所得直线的斜率，在本实施例中，计算方式为使用最小二乘法进行线性回归，较小的斜率可能暗示着电流变化缓慢，较大的斜率可能表示电流变化快速，可能存在异常行为；
通过将上述数据作为健康指标能够更准确的反映电池的充电状态和性能，且提取上述特征进行容量估计结果的可靠性高；
值得说明的是，本实施例中仅选取了以上数据作为特征向量，但在具体的应用中，电池类型和厂商规格也可综合作为特征向量进行容量的估计；电池类型是指电池的化学成分和结构，铅酸电池、锂离子电池、镍氢电池等，不同类型的电池具有不同的性能和充放电特性，因此对于评估电池健康状况具有重要意义；而不同的厂商电池的规格也不同，容量、工作温度范围、充放电速率和循环寿命均可作为厂商规格的特征向量进行新锂离子电池健康状态的评判指标，也即最大容量估计的计算指标，在本实施例中，因已经选取了锂离子电池，且储能电站选取电池常规为同一厂商，规格相同，故不纳入特征选取考虑；
将所述电池电流数据的平均值、标准差值、电流一阶差分序列的标准差值以及电流曲线的起始点和终点所在直线的斜率作为健康指标，组成特征向量，将放电容量的最大值作为标签值，构建特征数据集Dataset2，以公式表达为：
式中，In,k,mean为第n个新锂离子电池在第m个充放电循环中电池电流数据的平均值，In,m,std为第n个新锂离子电池在第m个充放电循环中电池电流数据的标准差值，ΔIn,m,std为第n个新锂离子电池在第m个充放电循环中电池电流数据一阶差分序列的标准差值，In,m,slope为第n个新锂离子电池在第m个充放电循环中电流曲线起始点和终点所在直线的斜率，DCn,m,max表示为第n个新锂离子电池在第m个充放电循环中放电容量的最大值。
S3、构建多模型组合模型，利用所述特征数据集对多模型组合模型进行训练和调试，获得训练完成的多模型组合模型；
多模型组合是一种利用多个独立训练的模型来进行预测或决策的方法，通过将多个模型的预测结果进行组合，可以减少个别模型的错误和偏差，从而提高整体预测的准确性；不同模型可能具有不同的优势和专长，通过组合它们可以取长补短，获取更全面准确的结果，且通过多模型组合，可以减少个别模型的过拟合风险，从而增强模型的泛化能力，不同模型对于数据的分布和特征有不同的敏感性，当某个模型对特定数据集或特定场景表现不佳时，其他模型可以弥补其不足，从而提高整个系统的鲁棒性；多模型组合可以提供更多的信息，使模型的预测或决策更加可解释，可以通过分析不同模型之间的一致性或差异性来获得更深入的理解和洞察；通过多模型组合，可以将不同领域的模型或专家知识进行集成，获得更全面的分析和决策结果，这样可以有效整合各种资源和知识，在复杂问题的解决中发挥优势。
需要注意的是，多模型组合的效果取决于模型的选择、组合方法以及数据的质量和多样性，在本实施例中，所述多模型组合模型包括CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型，CNN、LSTM和DNN模型之间的组合可以产生协同效应，CNN神经网络模型在图像处理领域表现出色，可以有效提取二维图像数据中的空间特征，LSTM神经网络模型在序列数据处理上表现出色，能够捕捉时间相关性和长期依赖关系，DNN神经网络模型在处理结构化数据上具有优势；通过组合这三种模型，可以综合利用它们在不同领域的特征提取能力，适用于更多类型的数据；
将特征数据集按照预设比例划分为训练集和测试集，将所述训练集按照预设比例划分为训练子集和验证集，在本实施例中，所述预设比例为4:1；
利用训练子集和验证集同时对CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型进行训练和调试；预设模型性能评价指标，采用测试集测试CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型的性能，获取模型性能评价指标达到合格阈值时多模型组合模型对应的权重参数和模型结构，训练完成；
在本实施例中，以均方根误差系数RMSE作为评价指标，设定模型的性能合格阈值，若存在模型性能未达到预先设定的性能合格阈值则重复搭建多模型组合模型、划分训练集和测试集进行训练和调试的步骤，直至获取模型性能评价指标达到合格阈值时多模型组合模型对应的权重参数和模型结构，获得训练完成的多模型组合模型。
S4、利用所述特征数据集输入训练完成的多模型组合模型获得多模型组合模型中各模型输出的最大可用容量估计结果，根据所述最大可用容量估计构建新的特征数据集；
将训练子集同时输入到训练完成的CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型中，得到CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型各自输出的训练子集最大可用容量估计结果；
将所述训练子集最大可用容量估计结果作为二次特征与标签值合并构建新的训练子集Dsubtrain，以公式表达为：
式中，fCNN,s为训练子集中第s个充放电循环的特征向量输入CNN神经网络模型后输出的最大容量估计结果，fLSTM,s为训练子集中第s个充放电循环的特征向量输入LSTM神经网络模型后输出的最大容量估计结果，fDNN,s为训练子集中第s个充放电循环的特征向量输入DNN神经网络模型后输出的训练子集最大容量估计结果；
将验证集同时输入到训练完成的CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型中，得到CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型各自输出的验证集最大可用容量估计结果；将所述验证集最大可用容量估计结果作为二次特征与标签值合并构建新的验证集Dval；
将测试集同时输入到训练完成的CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型中，得到CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型各自输出的测试集最大可用容量估计结果；将所述测试集最大可用容量估计结果作为二次特征与标签值合并构建新的验证集Dtest。
S5、构建线性回归模型，利用所述新的特征数据集对所述线性回归模型进行训练和调试，获得训练完成的线性回归模型。
S6、将训练完成的多模型组合模型和线性回归模型导入至储能电站的电池管理系统BMS中，获得储能电站新锂离子电池当前时刻的最大可用容量；
当储能电站中任意一个新锂离子电池开始恒压充电时，BMS将按照步骤S1间隔采集电池的恒压充电电流数据，按照步骤S2所述步骤提取特征数据集Dataset2中对应的特征向量，输入到步骤S3中所获得的多模型组合模型即CNN、LSTM、DNN神经网络模型模型中，得到三个最大可用容量估计结果；
将获得的三个最大可用容量估计结果，输入到步骤S5所获得的线性回归模型中，得到该电池当前时刻的最大可用容量。
实施例二
本发明还提供了一种基于多特征组合的储能电站锂电池容量估计系统，包括数据获取单元、数据处理单元和输出单元，其中：
所述数据获取单元的输出端与数据处理单元的输入端电连接，用于获取新锂离子电池在老化测试过程中的老化测试数据，构建电池老化测试数据集，对所述电池老化测试数据集进行特征提取，构建特征数据集，并将所述特征数据集传输至数据处理单元，其中，所述老化测试数据包括新锂离子电池的端电压数据、电流数据、充电容量数据和放电容量数据，所述特征数据集的健康指标包括新锂离子电池在每个充放电循环中的充电电流平均值、充电电流标准差值、电流一阶差分序列的标准差、电流曲线起始点和终点所在直线的斜率，特征数据集的标签值包括放电容量的最大值；
所述数据处理单元内设置有训练完成的多模型组合模型和线性回归模型，所述多模型组合模型通过特征数据集获得最大可用容量估计结果，所述线性回归模型根据所述最大可用容量估计结果获得待估新锂离子电池当前时刻的最大可用容量；
所述输出单元的输入端与数据处理单元的输出端电连接，用于获取储能电站的新锂离子电池当前时刻的最大可用容量并进行可视化展示。
优选的，获得训练完成多模型组合模型的具体步骤为：
所述多模型组合模型包括CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型；
将特征数据集按照预设比例划分为训练集和测试集，将所述训练集按照预设比例划分为训练子集和验证集；
利用训练子集和验证集同时对CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型进行训练和调试；预设模型性能评价指标，采用测试集测试CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型的性能，获取模型性能评价指标达到合格阈值时多模型组合模型对应的权重参数和模型结构，训练完成。
优选的，多模型组合模型通过特征数据集获得最大可用容量估计结果具体为将特征数据集同时输入训练完成的CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型中，得到CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型各自输出的特征训练集最大可用容量估计结果。
实施例三
本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如实施例一所述的一种基于多特征组合的储能电站锂电池容量估计方法。
实施例四
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一所述的一种基于多特征组合的储能电站锂电池容量估计方法。
值得说明的是，本发明所述的系统、电子设备和计算机可读存储介质，均与实施例一的一种基于多特征组合的储能电站锂电池容量估计方法基于相同的发明构思，具体技术内容不再赘述。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于多特征组合的储能电站锂电池容量估计方法，其特征在于，具体步骤包括：
对N个同型号的新锂离子电池进行老化测试，采集新锂离子电池在老化测试过程中的老化测试数据，构建电池老化测试数据集，其中，所述老化测试数据包括新锂离子电池的端电压数据、电流数据、充电容量数据和放电容量数据；
对所述电池老化测试数据集进行特征提取，构建特征数据集，其中，所述特征数据集的健康指标包括新锂离子电池在每个充放电循环中的充电电流平均值、充电电流标准差值、电流一阶差分序列的标准差、电流曲线起始点和终点所在直线的斜率，特征数据集的标签值包括放电容量的最大值；
构建多模型组合模型，利用所述特征数据集对多模型组合模型进行训练和调试，获得训练完成的多模型组合模型，利用所述特征数据集输入训练完成的多模型组合模型获得多模型组合模型中各模型输出的最大可用容量估计结果，根据所述最大可用容量估计构建新的特征数据集；
构建线性回归模型，利用所述新的特征数据集对所述线性回归模型进行训练和调试，获得训练完成的线性回归模型；
将训练完成的多模型组合模型和线性回归模型导入至储能电站的电池管理系统中，获得储能电站新锂离子电池当前时刻的最大可用容量。
2.根据权利要求1所述的一种基于多特征组合的储能电站锂电池容量估计方法，其特征在于，所述对N个同型号的新锂离子电池进行老化测试，采集新锂离子电池在老化测试过程中的老化测试数据，构建电池老化测试数据集具体为：
采用恒定电流对进行老化测试的新锂离子电池充电，具体为从电池电量状态为零充电至电池电量达到截止电压阈值，采用恒定电压继续对新锂离子电池充电至电池电量达到截止电流阈值，当新锂离子电池电量达到截止电压阈值和截止电流阈值后，充电完成；
对充电完成的新锂离子电池进行放电，具体为在恒定电流下放电至电池电量状态为零，放电完成；
对新锂离子电池进行充放电循环操作，直至新锂离子电池的最大放电容量下降至标称容量的预设阈值，结束充放电循环操作；
采集新锂离子电池在充放电循环操作过程中的端电压数据、电流数据和放电容量数据作为老化测试数据，其中，第n个新锂离子电池在第m个充放电循环中的老化测试数据以公式表达为：
式中，Tn,m,k为新锂离子电池在第m个充放电循环中的第k个采样时刻，Vn,m,k为新锂离子电池在第m个充放电循环中第k个采样时刻的对应的电池端电压值，In,m,k为新锂离子电池在第m个充放电循环中第k个采样时刻的对应的电池电流值，DCn,m,k为新锂离子电池在第m个充放电循环中第k个采样时刻的对应的放电容量值；
第n个新锂离子电池的完整老化测试数据以公式表达为：
式中，M代表第n个新锂离子电池中的老化循环次数，根据新锂离子电池的老化测试数据构建电池老化测试数据集Dataset1，以公式表达为：
式中，N为进行老化测试的新锂离子电池个数。
3.根据权利要求2所述的一种基于多特征组合的储能电站锂电池容量估计方法，其特征在于，对所述电池老化测试数据集进行特征提取，构建特征数据集具体为：
提取新锂离子电池在充放电循环中的恒定电压进行充电时的电池电流数据，并计算电池电流数据的平均值、标准差值和电流一阶差分序列的标准差值；
构建电流曲线，计算电流曲线的起始点和终点所在直线的斜率，并提取出放电容量的最大值，其中，所述电流曲线由电池电流数据和采样时间构成；
将所述电池电流数据的平均值、标准差值、电流一阶差分序列的标准差值以及电流曲线的起始点和终点所在直线的斜率作为健康指标，将放电容量的最大值作为标签值，构建特征数据集Dataset2，以公式表达为：
式中，In,k,mean为第n个新锂离子电池在第m个充放电循环中电池电流数据的平均值，In,m,std为第n个新锂离子电池在第m个充放电循环中电池电流数据的标准差值，ΔIn,m,std为第n个新锂离子电池在第m个充放电循环中电池电流数据一阶差分序列的标准差值，In,m,slope为第n个新锂离子电池在第m个充放电循环中电流曲线起始点和终点所在直线的斜率，DCn,m,max表示为第n个新锂离子电池在第m个充放电循环中放电容量的最大值。
4.根据权利要求3所述的一种基于多特征组合的储能电站锂电池容量估计方法，其特征在于，构建多模型组合模型，利用所述特征数据集对多模型组合模型进行训练和调试，获得训练完成的多模型组合模型具体为：
所述多模型组合模型包括CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型；
将特征数据集按照预设比例划分为训练集和测试集，将所述训练集按照预设比例划分为训练子集和验证集；
利用训练子集和验证集同时对CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型进行训练和调试；预设模型性能评价指标，采用测试集测试CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型的性能，获取模型性能评价指标达到合格阈值时多模型组合模型对应的权重参数和模型结构，训练完成。
5.根据权利要求4所述的一种基于多特征组合的储能电站锂电池容量估计方法，其特征在于，利用所述特征数据集输入训练完成的多模型组合模型获得多模型组合模型中各模型输出的最大可用容量估计结果，根据所述最大可用容量估计构建新的特征数据集具体为：
将训练子集同时输入到训练完成的CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型中，得到CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型各自输出的训练子集最大可用容量估计结果；
将所述训练子集最大可用容量估计结果作为二次特征与标签值合并构建新的训练子集Dsubtrain，以公式表达为：
式中，fCNN,s为训练子集中第s个充放电循环的特征向量输入CNN神经网络模型后输出的最大容量估计结果，fLSTM,s为训练子集中第s个充放电循环的特征向量输入LSTM神经网络模型后输出的最大容量估计结果，fDNN,s为训练子集中第s个充放电循环的特征向量输入DNN神经网络模型后输出的训练子集最大容量估计结果；
将验证集同时输入到训练完成的CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型中，得到CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型各自输出的验证集最大可用容量估计结果；将所述验证集最大可用容量估计结果作为二次特征与标签值合并构建新的验证集Dval；
将测试集同时输入到训练完成的CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型中，得到CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型各自输出的测试集最大可用容量估计结果；将所述测试集最大可用容量估计结果作为二次特征与标签值合并构建新的验证集Dtest。
6.一种基于多特征组合的储能电站锂电池容量估计系统，其特征在于，包括数据获取单元、数据处理单元和输出单元，其中：
所述数据获取单元的输出端与数据处理单元的输入端电连接，用于获取新锂离子电池在老化测试过程中的老化测试数据，构建电池老化测试数据集，对所述电池老化测试数据集进行特征提取，构建特征数据集，并将所述特征数据集传输至数据处理单元，其中，所述老化测试数据包括新锂离子电池的端电压数据、电流数据、充电容量数据和放电容量数据，所述特征数据集的健康指标包括新锂离子电池在每个充放电循环中的充电电流平均值、充电电流标准差值、电流一阶差分序列的标准差、电流曲线起始点和终点所在直线的斜率，特征数据集的标签值包括放电容量的最大值；
所述数据处理单元内设置有训练完成的多模型组合模型和线性回归模型，所述多模型组合模型通过特征数据集获得最大可用容量估计结果，所述线性回归模型根据所述最大可用容量估计结果获得待估新锂离子电池当前时刻的最大可用容量；
所述输出单元的输入端与数据处理单元的输出端电连接，用于获取储能电站的新锂离子电池当前时刻的最大可用容量并进行可视化展示。
7.根据权利要求6所述的一种基于多特征组合的储能电站锂电池容量估计系统，其特征在于，获得训练完成多模型组合模型的具体步骤为：
所述多模型组合模型包括CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型；
将特征数据集按照预设比例划分为训练集和测试集，将所述训练集按照预设比例划分为训练子集和验证集；
利用训练子集和验证集同时对CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型进行训练和调试；预设模型性能评价指标，采用测试集测试CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型的性能，获取模型性能评价指标达到合格阈值时多模型组合模型对应的权重参数和模型结构，训练完成。
8.根据权利要求6所述的一种基于多特征组合的储能电站锂电池容量估计系统，其特征在于，多模型组合模型通过特征数据集获得最大可用容量估计结果具体为将特征数据集同时输入训练完成的CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型中，得到CNN神经网络模型、LSTM神经网络模型和DNN神经网络模型各自输出的特征训练集最大可用容量估计结果。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述的一种基于多特征组合的储能电站锂电池容量估计方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至5任一项所述的一种基于多特征组合的储能电站锂电池容量估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310868393.7A CN116908727A (zh) | 2023-07-14 | 2023-07-14 | 一种基于多特征组合的储能电站锂电池容量估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310868393.7A CN116908727A (zh) | 2023-07-14 | 2023-07-14 | 一种基于多特征组合的储能电站锂电池容量估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116908727A true CN116908727A (zh) | 2023-10-20 |
Family
ID=88350528
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310868393.7A Pending CN116908727A (zh) | 2023-07-14 | 2023-07-14 | 一种基于多特征组合的储能电站锂电池容量估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116908727A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
-
2023
- 2023-07-14 CN CN202310868393.7A patent/CN116908727A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
|---|---|---|
| Wei et al. | Remaining useful life prediction and state of health diagnosis for lithium-ion batteries using particle filter and support vector regression | |
| Tian et al. | Deep neural network battery charging curve prediction using 30 points collected in 10 min | |
| CN111090047B (zh) | 一种基于多模型融合的锂电池健康状态估计方法 | |
| CN108254696B (zh) | 电池的健康状态评估方法及系统 | |
| CN103954913B (zh) | 电动汽车动力电池寿命预测方法 | |
| CN111448467B (zh) | 用于对电池容量进行建模和估计的方法及系统 | |
| CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
| 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 | |
| Li et al. | On-line estimation method of lithium-ion battery health status based on PSO-SVM | |
| WO2019162749A1 (en) | Method and system for online assessing state of health of a battery | |
| CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
| CN114578237A (zh) | 一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备 | |
| CN116298934B (zh) | 一种用于锂电池健康状态估算的预测网络的建模方法 | |
| CN109800446B (zh) | 一种锂离子电池放电过程电压不一致性估计方法及装置 | |
| CN112684363A (zh) | 一种基于放电过程的锂离子电池健康状态估计方法 | |
| Liu et al. | Battery degradation model and multiple-indicators based lifetime estimator for energy storage system design and operation: Experimental analyses of cycling-induced aging | |
| CN116908727A (zh) | 一种基于多特征组合的储能电站锂电池容量估计方法 | |
| Zhao et al. | State-of-health estimation with anomalous aging indicator detection of lithium-ion batteries using regression generative adversarial network | |
| CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
| CN115980588A (zh) | 基于自编码器提取特征的锂离子电池健康状态估计方法 | |
| CN114035095B (zh) | 基于电压曲线拐点识别的锂电池soh估计方法、介质及设备 | |
| Huang et al. | State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining | |
| CN109669133A (zh) | 一种动力锂电池寿命数据后台挖掘分析方法 | |
| CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及系统 | |
| Han et al. | A new SOH prediction model for lithium-ion battery for electric vehicles |
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 |