CN116953554A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116953554A CN116953554A CN202310921761.XA CN202310921761A CN116953554A CN 116953554 A CN116953554 A CN 116953554A CN 202310921761 A CN202310921761 A CN 202310921761A CN 116953554 A CN116953554 A CN 116953554A
- Authority
- CN
- China
- Prior art keywords
- soh
- training
- data
- model
- cycle
- 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 43
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 29
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 29
- 238000004146 energy storage Methods 0.000 title claims abstract description 27
- 239000012634 fragment Substances 0.000 title claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 89
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 238000010280 constant potential charging Methods 0.000 claims abstract description 25
- 230000036541 health Effects 0.000 claims abstract description 19
- 238000007600 charging Methods 0.000 claims abstract description 12
- 238000007637 random forest analysis Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims 1
- 230000032683 aging Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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]
- G01R31/367—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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了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,包括:采集锂电池的电压、电流和容量数据;根据采集的数据截取出恒压充电电流和电池充电后静置的电压数据,从中提取出多个健康特征并与SOH值组成特征集;将特征集划分为N个训练子集和测试子集;搭建N个支持向量回归SVR模型,用N个训练子集和测试子集训练并检验所有模型,并获得新训练集和新测试集;搭建随机森林RF模型,利用新训练集和测试集训练和检验RF模型;用RF模型融合N个SVR模型的输出结果并估计电池的SOH。本发明通过提取多个基于恒压充电阶段和静置阶段的特征,提高了模型的适用范围,通过集成学习的思想提高了模型泛化性和估计精度。
Description
技术领域
本发明涉及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,属于电池储能技术领域。
背景技术
锂电池在智能电网、电动汽车以及航空航天等诸多领域都得到广泛应用。锂电池的状态估计方法也成为了研究热点。为了诊断锂电池可用容量及剩余使用寿命,实时准确地估计锂电池的健康状态SOH(state of health)至关重要。电池健康状态一般定义为电池当前的容量与出厂容量的百分比。
目前估计锂电池SOH的方法主要有基于模型法和基于数据驱动法。相对于基于模型法需要深刻理解电池老化机制和建立物理模型,基于数据驱动法只需采集电池运行数据和搭建机器学习或深度学习模型即可准确估计SOH。同时,由于近年来计算机硬件的快速发展,基于数据驱动法获得了实施条件,引起国内外学者的关注。
基于数据驱动法中,特征工程能够进一步提高数据驱动模型的性能,同时决定了模型在实际应用中的适用性。在储能电站中,电池通常被用于削峰填谷等应用场景,即电池一般不会完全放电。同时储能电站作为一种备用电源,经常会实现满充和静置。因此,需要从储能电站的应用场景特点出发,研究从电池的部分充电过程和静置过程提取有效的健康特征。此外,现有基于数据驱动法中通常采用单个模型,存在模型缺乏泛化性的技术问题。
发明内容
本发明的目的在于提供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,解决现有技术模型缺乏泛化性,估计精度低的技术问题。
本发明的目的通过以下技术方案予以实现:
一种基于多片段数据的储能电站锂电池SOH估计方法,包括:
步骤S1:采集锂电池在完整充放电循环中的电压、电流和最大放电容量数据,将最大放电容量与电池标称容量的比值定义为SOH值;
步骤S2:从采集的电压和电流数据截取出恒压充电电流和电池充电后静置的电压数据,从恒压充电电流和电池充电后静置的电压数据中提取出多个健康特征,并与SOH值组成特征集F1;
步骤S3:将特征集F1划分为训练集和测试集,并将训练集和测试集分别平均分为N等份,得到N个训练子集和测试子集;
步骤S4:搭建N个支持向量回归SVR(support vector regression)模型,每个SVR模型分别采用一个训练子集和测试子集进行训练和测试,得到N个训练完成的SVR模型,将N个SVR模型在其对应的训练子集和测试子集上输出的SOH估计值分别进行拼接,获得新训练集和新测试集,其中新训练集的行数与训练集相同,新测试集的行数与测试集相同;
步骤S5:搭建随机森林模型RF,采用新训练集训练RF模型,将新测试集用于检验RF模型的性能;
步骤S6:将步骤S4和S5所训练得到的所有SVR模型和RF模型保存至储能电站的电池管理系统中,当电池完成充电并静置后,按照步骤S2所述步骤提取多个健康特征,并同时输入至N个SVR模型中,再将N个SVR模型输出的结果输入到RF模型中,得到最终的SOH估计结果。
进一步地,步骤S2具体包括以下步骤:
S2-1:对步骤S1采集的电压和电流数据,识别并截取出恒压充电过程的电流数据Icv,以及电池充电后静置过程的电压变化数据Vrelax,Icv和Vrelax表示为:
Icv=[I1,I2,…,Ip],Vrelax=[V1,V2,…Vq]
其中,Ip表示恒压充电电流序列数据中第P个电流值,Vq表示电压序列数据中第q个电压值;
S2-2:计算恒压充电电流曲线中拐点处的切线斜率Ik,将电流序列进行信息熵量化,计算电流数据的信息熵Ientropy,计算公式如下:
其中,li表示数据序列中出现第i个元素的值的概率,P表示数据序列中共有P个值;
S2-3:计算静置过程的电压曲线中拐点处的切线斜率Vk,按照总静置时间长度,将电压变化数据Vrelax划分为6个等时间差间隔,计算每个间隔的电压降,组成长度为6的电压降序列ΔV=[ΔV1,ΔV2,ΔV3,ΔV4,ΔV5,ΔV6],对该电压降序列进行信息熵量化,并计算电压信息熵值ΔVentropy;
计算公式如下:
其中,mi表示电压数据序列中出现第i个元素的值的概率,P表示数据序列中共有P个值;
S2-4:将步骤S2-2和S2-3获得的Ik、Ientropy、Vk和ΔVentropy作为健康特征,构成特征组合,根据电池在每个循环中获取的特征组合和SOH值组成特征集F1,并对特征集F1进行形式标准化,特征集F1标准化形式如下:
其中,Ik,d表示第d个循环中恒压充电电流曲线拐点处的切线斜率,Ientropy,d表示第d个循环中恒压充电电流数据的信息熵值,Vk,d表示第d个循环中电压曲线拐点处的切线斜率,ΔVentropy,d表示第d个循环中电压降序列的信息熵值,SOHd表示第d个循环中电池的SOH值。
进一步地,步骤S3具体包括以下步骤:
S3-1:将特征集F1划分为训练集和测试集;
S3-2:将训练集的循环数A除以N,将训练集依次取A/N行作为一个训练子集,总共可以获得N个形式为A/N行5列的训练子集,获得N个形式为B/N行5列的测试子集。
进一步地,步骤S4具体包括以下步骤:
S4-1:搭建N个支持向量回归SVR模型;
S4-2:采用步骤S3划分的N个训练子集分别训练N个SVR模型,所有模型训练完成后,获取每个SVR模型在其对应的训练子集上输出的结果,作为新训练子集,共获取N个新训练子集,第n个新训练子集表示为:
其中,表示第n个SVR模型在第A/N个循环输出的SOH估计值,/>表示在第n个新训练子集第A/N个循环的SOH真实值;
S4-3:将N个新训练子集进行拼接,获得与训练集行数相同的新训练集Fnewtrain如下:
S4-4:根据步骤S4-2和S4-3所述方法,将N个SVR模型在N个测试子集上输出的结果进行拼接,其中,第n个SVR模型在第n个测试子集上的输出结果为:
其中,表示第n个SVR模型在第B/N个循环输出的SOH估计值,/>表示在第n个新训练子集第B/N个循环的SOH真实值,将N个新测试子集进行拼接,获得与测试集行数相同的新测试集,具体形式如下:
进一步地,步骤S5包括以下步骤:
S5-1:搭建一个随机森林RF模型;
S5-2:将步骤S4所获得的新训练集对RF模型进行训练,将新测试集用于检验RF模型的性能,以均方根误差系数RMSE作为性能指标并预设阈值,均方根误差系数RMSE的计算公式如下所示:
其中,SOHreal(m)表示第m个循环中SOH的真实值,SOHpre(m)表示第m轮循环中SOH的估计值,当RF模型在测试集上的均方根误差系数RMSE小于预设阈值时,保存训练完成的RF模型,反之则重复步骤S5-1至S5-2,直至RF在测试集上的RMSE小于预设阈值。
进一步地,步骤S5中预设阈值为2%。
一种基于多片段数据的储能电站锂电池SOH估计电子装置,包括:处理器以及存储器,存储器用于存储所述处理器的可执行指令,所述处理器配置为经由执行所述可执行指令来执行上述第一至第六个技术方案任一项所述的基于多片段数据的储能电站锂电池SOH估计方法。
本发明具有如下有益效果:
本发明提出的电池SOH估计方法,提出从锂电池恒压充电阶段和静置阶段的数据中提取多个健康特征,所提出的特征,不受电池随机充电起始点的影响,符合储能电站的应用场景特点。通过划分多个片段的训练数据来训练得到多个SVR模型,使不同的SVR模型学习到电池不同老化阶段中输入特征与SOH之间的关系,再通过RF模型集成所有SVR模型的估计结果,提高了模型对于电池每个老化阶段的估计精度,增强了模型整体的泛化性。
附图说明
图1是本发明提出的基于多片段数据的储能电站锂电池SOH估计方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
如图1所示,一种基于多片段数据的储能电站锂电池SOH估计方法实施例中,包括以下步骤:
步骤S1:采用电压传感器和电流传感器采集锂电池在完整充放电循环中的电压、电流和最大放电容量数据将最大放电容量数据与电池标称容量的比值定义为SOH值;
步骤S2:对采集的电压和电流数据截取出恒压充电电流和电池充电后静置的电压数据,从这两个片段的数据中提取出多个健康特征,并与SOH值组成特征集F1,并对特征集进行标准化;
具体步骤为:
S2-1:通过步骤S1中传感器采集的电压和电流数据,识别并截取出恒压充电过程的电流数据Icv,以及电池充电后静置过程的电压变化数据Vrelax,Icv和Vrelax的具体形式如下:
Icv=[I1,I2,…,Ip],Vrelax=[V1,V2,…,Vq]
其中,Ip表示恒压充电电流序列数据中第p个电流值,Vq表示电压序列数据中第q个电压值;
S2-2:计算恒压充电电流曲线中拐点处的切线斜率Ik,将电流序列进行信息熵量化,计算电流数据的信息熵Ientropy,计算公式如下:
其中,li表示数据序列中出现第i个元素的值的概率,P表示数据序列中共有P个值;
S2-3:计算静置过程的电压曲线中拐点处的切线斜率Vk,按照总静置时间长度,将电压变化数据Vrelax划分为6个等时间差间隔,计算每个间隔的电压降,组成长度为6的电压降序列ΔV=[ΔV1,ΔV2,ΔV3,ΔV4,ΔV5,ΔV6],对该序列进行信息熵量化,并计算该信息熵值ΔVentropy;
其中,mi表示电压数据序列中出现第i个元素的值的概率,P表示数据序列中共有P个值;
S2-4:将步骤S2-2和S2-3获得的Ik、Ientropy、Vk和ΔVentropy作为健康特征,并构成特征组合,根据电池在每个循环中获取的特征组合和SOH值组成特征集F1,并对特征集F1进行标准化,特征集F1具体形式如下:
其中,Ik,d表示第d个循环中恒压充电电流曲线拐点处的切线斜率,Ientropy,d表示第d个循环中恒压充电电流数据的信息熵值,Vk,d表示第d个循环中电压曲线拐点处的切线斜率,ΔVentropy,d表示第d个循环中电压降序列的信息熵值,SOHd表示第d个循环中电池的SOH值。
步骤S3包括:
S3-1:将特征集F1划分为训练集和测试集;
S3-2:将训练集的循环数A除以N,将训练集依次取A/N行作为一个训练子集,总共可以获得N个形式为(A/N)行5列的训练子集,相似地,可以获得N个形式为(B/N)行5列的测试子集。
步骤S4具体包括:
S4-1:搭建N个支持向量回归SVR模型;
S4-2:采用步骤S3划分的N个训练子集分别训练N个SVR模型,所有模型训练完成后,获取每个SVR模型在其对应的训练子集上输出的结果,作为新训练子集,一共可以获取N个新训练子集,以第n个SVR模型为例,第n个新训练子集的具体形式为:
其中,表示第n个SVR模型在第A/N个循环输出的SOH估计值,/>表示在第n个新训练子集第A/N个循环的SOH真实值;
S4-3:将N个新训练子集进行拼接,获得与训练集行数相同的新训练集,具体形式如下:
S4-4:根据步骤S4-2和S4-3所述方法,将N个SVR模型在N个测试子集上输出的结果进行拼接,其中,第n个SVR模型在第n个测试子集上的输出结果为:
其中,表示第n个SVR模型在第B/N个循环输出的SOH估计值,/>表示在第n个新训练子集第B/N个循环的SOH真实值,将N个新测试子集进行拼接,获得与测试集行数相同的新测试集,具体形式如下:
步骤S5具体包括:
S5-1:搭建一个随机森林RF模型;
S5-2:将步骤S4所获得的新训练集对RF模型进行训练,将新测试集用于检验RF模型的性能,以均方根误差系数RMSE作为性能指标并设定一个阈值,阈值为2%,均方根误差系数RMSE的计算公式如下所示:
其中,SOHreal(m)表示第m个循环中SOH的真实值,SOHpre(m)表示第m轮循环中SOH的估计值,当RF模型在测试集上的均方根误差系数RMSE小于预设阈值时,保存训练完成的RF模型,反之则重复步骤S5-1至S5-2,直至RF在测试集上的RMSE小于预设阈值。
步骤S6:将步骤S4和S5所训练得到的所有SVR模型和RF模型保存至储能电站的电池管理系统中,当电池完成充电并静置后,按照步骤S2所述步骤提取多个健康特征,并同时输入至N个SVR模型中,再将N个SVR模型输出的结果输入到RF模型中,得到最终的SOH估计结果。
本发明的电池SOH估计方法,从锂电池恒压充电阶段和静置阶段的数据中提取多个健康特征,所提出的特征,不受电池随机充电起始点的影响,符合储能电站的应用场景特点。通过划分多个片段的训练数据来训练得到多个SVR模型,使不同的SVR模型学习到电池不同老化阶段中输入特征与SOH之间的关系,再通过RF模型集成所有SVR模型的估计结果,提高了模型对于电池每个老化阶段的估计精度,增强了模型整体的泛化性。
除上述实施例外,本发明还可以有其他实施方式,凡采用等同替换或等效变换形成的技术方案,均落在本发明要求的保护范围内。
Claims (7)
1.一种基于多片段数据的储能电站锂电池SOH估计方法,其特征在于,包括:
步骤S1:采集锂电池在完整充放电循环中的电压、电流和最大放电容量数据,将最大放电容量与电池标称容量的比值定义为SOH值;
步骤S2:从采集的电压和电流数据截取出恒压充电电流和电池充电后静置的电压数据,从恒压充电电流和电池充电后静置的电压数据中提取出多个健康特征,并与SOH值组成特征集F1;
步骤S3:将特征集F1划分为训练集和测试集,并将训练集和测试集分别平均分为N等份,得到N个训练子集和测试子集;
步骤S4:搭建N个支持向量回归SVR模型,每个SVR模型分别采用一个训练子集和测试子集进行训练和测试,得到N个训练完成的SVR模型,将N个SVR模型在其对应的训练子集和测试子集上输出的SOH估计值分别进行拼接,获得新训练集和新测试集,其中新训练集的行数与训练集相同,新测试集的行数与测试集相同;
步骤S5:搭建随机森林模型RF,采用新训练集训练RF模型,将新测试集用于检验RF模型的性能;
步骤S6:将步骤S4和S5所训练得到的所有SVR模型和RF模型保存至储能电站的电池管理系统中,当电池完成充电并静置后,按照步骤S2步骤提取多个健康特征,并同时输入至N个SVR模型中,再将N个SVR模型输出的结果输入到RF模型中,得到最终的SOH估计结果。
2.如权利要求1所述的一种基于多片段数据的储能电站锂电池SOH估计方法,其特征在于,步骤S2具体包括以下步骤:
S2-1:对步骤S1采集的电压和电流数据,识别并截取出恒压充电过程的电流数据Icv,以及电池充电后静置过程的电压变化数据Vrelax,Icv和Vrelax表示为:
Icv=[I1,I2,…,Ip],Vrelax=[V1,V2,…,Vq]
其中,Ip表示恒压充电电流序列数据中第P个电流值,Vq表示电压序列数据中第q个电压值;
S2-2:计算恒压充电电流曲线中拐点处的切线斜率Ik,将电流序列进行信息熵量化,计算电流数据的信息熵Ientropy,计算公式如下:
其中,li表示数据序列中出现第i个元素的值的概率,P表示数据序列中共有P个值;
S2-3:计算静置过程的电压曲线中拐点处的切线斜率Vk,按照总静置时间长度,将电压变化数据Vrelax划分为6个等时间差间隔,计算每个间隔的电压降,组成长度为6的电压降序列ΔV=[ΔV1,ΔV2,ΔV3,ΔV4,ΔV5,ΔV6],对该电压降序列进行信息熵量化,并计算电压信息熵值ΔVentropy;
计算公式如下:
其中,mi表示电压数据序列中出现第i个元素的值的概率,P表示数据序列中共有P个值;
S2-4:将步骤S2-2和S2-3获得的Ik、Ientropy、Vk和ΔVentropy作为健康特征,构成特征组合,根据电池在每个循环中获取的特征组合和SOH值组成特征集F1,并对特征集F1进行形式标准化,特征集F1标准化形式如下:
其中,Ik,d表示第d个循环中恒压充电电流曲线拐点处的切线斜率,Ientropy,d表示第d个循环中恒压充电电流数据的信息熵值,Vk,d表示第d个循环中电压曲线拐点处的切线斜率,ΔVentropy,d表示第d个循环中电压降序列的信息熵值,SOHd表示第d个循环中电池的SOH值。
3.如权利要求1所述的一种基于多片段数据的储能电站锂电池SOH估计方法,其特征在于,步骤S3具体包括以下步骤:
S3-1:将特征集F1划分为训练集和测试集;
S3-2:将训练集的循环数A除以N,将训练集依次取A/N行作为一个训练子集,总共获得N个形式为A/N行5列的训练子集,获得N个形式为B/N行5列的测试子集。
4.如权利要求1所述的一种基于多片段数据的储能电站锂电池SOH估计方法,其特征在于,步骤S4具体包括以下步骤:
S4-1:搭建N个支持向量回归SVR模型;
S4-2:采用步骤S3划分的N个训练子集分别训练N个SVR模型,所有模型训练完成后,获取每个SVR模型在其对应的训练子集上输出的结果,作为新训练子集,共获取N个新训练子集,第n个新训练子集表示为:
其中,表示第n个SVR模型在第A/N个循环输出的SOH估计值,/>表示在第n个新训练子集第A/N个循环的SOH真实值;
S4-3:将N个新训练子集进行拼接,获得与训练集行数相同的新训练集Fnewtrain如下:
S4-4:根据步骤S4-2和S4-3方法,将N个SVR模型在N个测试子集上输出的结果进行拼接,其中,第n个SVR模型在第n个测试子集上的输出结果为:
其中,表示第n个SVR模型在第B/N个循环输出的SOH估计值,/>表示在第n个新训练子集第B/N个循环的SOH真实值,将N个新测试子集进行拼接,获得与测试集行数相同的新测试集,具体形式如下:
5.如权利要求1所述的一种基于多片段数据的储能电站锂电池SOH估计方法,其特征在于,步骤S5包括以下步骤:
S5-1:搭建一个随机森林RF模型;
S5-2:将步骤S4所获得的新训练集对RF模型进行训练,将新测试集用于检验RF模型的性能,以均方根误差系数RMSE作为性能指标并预设阈值,均方根误差系数RMSE的计算公式如下所示:
其中,SOHreal(m)表示第m个循环中SOH的真实值,SOHpre(m)表示第m轮循环中SOH的估计值,当RF模型在测试集上的均方根误差系数RMSE小于预设阈值时,保存训练完成的RF模型,反之则重复步骤S5-1至S5-2,直至RF模型在测试集上的RMSE小于预设阈值。
6.如权利要求5所述的一种基于多片段数据的储能电站锂电池SOH估计方法,其特征在于,所述预设阈值为2%。
7.一种基于多片段数据的储能电站锂电池SOH估计电子装置,其特征在于,包括:处理器以及存储器,存储器用于存储所述处理器的可执行指令,所述处理器配置为经由执行所述可执行指令来执行权利要求1-6任一项所述的基于多片段数据的储能电站锂电池SOH估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310921761.XA CN116953554A (zh) | 2023-07-25 | 2023-07-25 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310921761.XA CN116953554A (zh) | 2023-07-25 | 2023-07-25 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116953554A true CN116953554A (zh) | 2023-10-27 |
Family
ID=88456169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310921761.XA Pending CN116953554A (zh) | 2023-07-25 | 2023-07-25 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116953554A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117310506A (zh) * | 2023-11-23 | 2023-12-29 | 宁德时代新能源科技股份有限公司 | 监测储能电站的方法、装置和计算机可读存储介质 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009585A (zh) * | 2017-12-01 | 2018-05-08 | 国网山东省电力公司信息通信公司 | 基于局部信息融合的铅酸电池健康状态预测方法 |
CN111157899A (zh) * | 2020-01-20 | 2020-05-15 | 南京邮电大学 | 一种基于模型融合思想对电池soc的估计方法 |
CN113866659A (zh) * | 2021-09-26 | 2021-12-31 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于机器学习和安时积分法的锂电池soh预测方法 |
CN113917337A (zh) * | 2021-10-13 | 2022-01-11 | 国网福建省电力有限公司 | 基于充电数据和lstm神经网络的电池健康状态估计方法 |
CN114839536A (zh) * | 2022-04-05 | 2022-08-02 | 北京工业大学 | 一种基于多健康因子的锂离子电池健康状态估计方法 |
CN115542182A (zh) * | 2022-09-29 | 2022-12-30 | 国网江苏省电力有限公司南京供电分公司 | 一种移动储能系统串联电池组soh估计方法 |
CN115684972A (zh) * | 2022-10-20 | 2023-02-03 | 国网浙江省电力有限公司电力科学研究院 | 一种基于ssa-svr模型的锂离子电池soh估计方法 |
CN115684943A (zh) * | 2022-11-03 | 2023-02-03 | 成都斯海科技有限公司 | 一种基于多层架构的电池状态预测模型及方法 |
CN116125289A (zh) * | 2023-02-28 | 2023-05-16 | 南京工程学院 | 基于局部电压片段和集成学习的锂电池健康状态估计方法 |
US20230187710A1 (en) * | 2021-12-13 | 2023-06-15 | Enevate Corporation | State-of-health models for lithium-silicon batteries |
CN116401954A (zh) * | 2023-04-23 | 2023-07-07 | 江苏正力新能电池技术有限公司 | 一种锂电池循环寿命的预测方法、预测装置、设备及介质 |
CN116449218A (zh) * | 2023-04-26 | 2023-07-18 | 淮阴工学院 | 一种锂电池健康状态的估计方法 |
CN116908727A (zh) * | 2023-07-14 | 2023-10-20 | 国网福建省电力有限公司 | 一种基于多特征组合的储能电站锂电池容量估计方法 |
CN116930788A (zh) * | 2023-07-25 | 2023-10-24 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于堆叠模型的储能电站锂电池容量估计方法 |
CN117406121A (zh) * | 2023-09-28 | 2024-01-16 | 国网福建省电力有限公司 | 一种储能电站锂离子电池的soh估计方法 |
-
2023
- 2023-07-25 CN CN202310921761.XA patent/CN116953554A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009585A (zh) * | 2017-12-01 | 2018-05-08 | 国网山东省电力公司信息通信公司 | 基于局部信息融合的铅酸电池健康状态预测方法 |
CN111157899A (zh) * | 2020-01-20 | 2020-05-15 | 南京邮电大学 | 一种基于模型融合思想对电池soc的估计方法 |
CN113866659A (zh) * | 2021-09-26 | 2021-12-31 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于机器学习和安时积分法的锂电池soh预测方法 |
CN113917337A (zh) * | 2021-10-13 | 2022-01-11 | 国网福建省电力有限公司 | 基于充电数据和lstm神经网络的电池健康状态估计方法 |
US20230187710A1 (en) * | 2021-12-13 | 2023-06-15 | Enevate Corporation | State-of-health models for lithium-silicon batteries |
CN114839536A (zh) * | 2022-04-05 | 2022-08-02 | 北京工业大学 | 一种基于多健康因子的锂离子电池健康状态估计方法 |
CN115542182A (zh) * | 2022-09-29 | 2022-12-30 | 国网江苏省电力有限公司南京供电分公司 | 一种移动储能系统串联电池组soh估计方法 |
CN115684972A (zh) * | 2022-10-20 | 2023-02-03 | 国网浙江省电力有限公司电力科学研究院 | 一种基于ssa-svr模型的锂离子电池soh估计方法 |
CN115684943A (zh) * | 2022-11-03 | 2023-02-03 | 成都斯海科技有限公司 | 一种基于多层架构的电池状态预测模型及方法 |
CN116125289A (zh) * | 2023-02-28 | 2023-05-16 | 南京工程学院 | 基于局部电压片段和集成学习的锂电池健康状态估计方法 |
CN116401954A (zh) * | 2023-04-23 | 2023-07-07 | 江苏正力新能电池技术有限公司 | 一种锂电池循环寿命的预测方法、预测装置、设备及介质 |
CN116449218A (zh) * | 2023-04-26 | 2023-07-18 | 淮阴工学院 | 一种锂电池健康状态的估计方法 |
CN116908727A (zh) * | 2023-07-14 | 2023-10-20 | 国网福建省电力有限公司 | 一种基于多特征组合的储能电站锂电池容量估计方法 |
CN116930788A (zh) * | 2023-07-25 | 2023-10-24 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于堆叠模型的储能电站锂电池容量估计方法 |
CN117406121A (zh) * | 2023-09-28 | 2024-01-16 | 国网福建省电力有限公司 | 一种储能电站锂离子电池的soh估计方法 |
Non-Patent Citations (2)
Title |
---|
LIU GF: "State of health estimation of power batteries based on multi-feature fusion models using stacking algorithm", ENERGY, vol. 259, 15 December 2022 (2022-12-15) * |
陈建新;候建明;王鑫;邵海涛;宋广磊;薛宇;: "基于局部信息融合及支持向量回归集成的锂电池健康状态预测", 南京理工大学学报, no. 01, 28 February 2018 (2018-02-28) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117310506A (zh) * | 2023-11-23 | 2023-12-29 | 宁德时代新能源科技股份有限公司 | 监测储能电站的方法、装置和计算机可读存储介质 |
CN117310506B (zh) * | 2023-11-23 | 2024-04-12 | 宁德时代新能源科技股份有限公司 | 监测储能电站的方法、装置和计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110806541B (zh) | 一种基于ad-bas的锂电池模型参数辨识方法 | |
CN108846227B (zh) | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 | |
CN116953554A (zh) | 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 | |
Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
CN111064253A (zh) | 一种基于平均离散Fréchet距离的电池健康度快速评估方法 | |
CN104614632A (zh) | 一种电池微短路的识别方法 | |
CN114781176B (zh) | 一种锂离子电池储能系统集总参数的等效电路参数辨识方法 | |
CN116826933A (zh) | 一种基于知识图谱混合储能电池供电反步控制方法及系统 | |
CN116930788A (zh) | 一种基于堆叠模型的储能电站锂电池容量估计方法 | |
CN116381539A (zh) | 一种考虑用户不完整充电过程下的电池健康状态评估方法 | |
CN115421050A (zh) | 一种电池健康状态的估计方法、系统、设备及存储介质 | |
CN115146723A (zh) | 基于深度学习和启发式算法的电化学模型参数辨识方法 | |
CN117556369B (zh) | 一种动态生成的残差图卷积神经网络的窃电检测方法及系统 | |
CN112659927B (zh) | 车用燃料电池堆性能特征的确定方法、装置、设备和介质 | |
CN116596129A (zh) | 一种电动汽车充电场站短期负荷预测模型构建方法 | |
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 | |
CN114722487B (zh) | 一种基于大数据的新能源汽车车型参数预测估计方法 | |
CN116381505A (zh) | 一种基于变分模态分解的动态工况条件的锂电池健康状态估计方法 | |
CN113255215B (zh) | 一种基于电压片段的锂电池健康状态估计方法 | |
CN116298902A (zh) | 一种基于多任务学习的锂电池老化预测方法及系统 | |
CN114295994A (zh) | 一种基于pca-rvm的锂离子电池剩余使用寿命预测方法 | |
CN115018133A (zh) | 一种基于混沌理论和非线性系统的锂电池容量预测方法 | |
Cui et al. | An Online State of Health Estimation Method for Lithium-Ion Battery Based on ICA and TPA-LSTM | |
CN114355218A (zh) | 一种基于多特征量筛选的锂离子电池荷电状态预测方法 | |
Zhao et al. | Lithium‐Ion Battery State‐of‐Health Estimation Method Using Isobaric Energy Analysis and PSO‐LSTM |
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 |