CN117007975A - 一种通过采集储能电池电芯多点温度对电池容量衰减评估进行强化学习的方法 - Google Patents
一种通过采集储能电池电芯多点温度对电池容量衰减评估进行强化学习的方法 Download PDFInfo
- Publication number
- CN117007975A CN117007975A CN202310997061.9A CN202310997061A CN117007975A CN 117007975 A CN117007975 A CN 117007975A CN 202310997061 A CN202310997061 A CN 202310997061A CN 117007975 A CN117007975 A CN 117007975A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- soh
- temperature
- energy storage
- 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 63
- 238000004146 energy storage Methods 0.000 title claims abstract description 31
- 230000002787 reinforcement Effects 0.000 title claims abstract description 6
- 239000013307 optical fiber Substances 0.000 claims description 17
- 239000000178 monomer Substances 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 7
- 238000009529 body temperature measurement Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 239000000835 fiber Substances 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000000691 measurement method Methods 0.000 claims 2
- 238000004861 thermometry Methods 0.000 claims 1
- 238000012360 testing method Methods 0.000 abstract description 14
- 238000010276 construction Methods 0.000 abstract description 10
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000010606 normalization Methods 0.000 abstract description 3
- 238000004364 calculation method Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000012983 electrochemical energy storage Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 238000012546 transfer Methods 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Abstract
本专利涉及储能电池健康度评估和预测领域，是一种通过采集储能电池电芯多点温度对电池容量衰减评估进行强化学习的方法。发明专利针对储能电池电芯多点温度测量实现电池容量衰减评估，采用基于充电工况储能电池多点温度测量电池热失控预测的方法。选取电池簇，收集多个电芯测温点温度传感器实时电芯温度，对获取的电芯温度进行数据获取、充放电循环测试、容量提取、特征工程以及数据标准化和归一化处理，进而对数据进行模型构建。通过该模型可以对储能电池容量衰减进行有效评估。该预测模型可以用于实际储能电池容量衰减安全监控与评估，是一种更精确且可信度更高电池容量衰减评估方法，便于对电池的使用状态和剩余寿命进行精准评估。
Description
技术领域
本发明涉及储能电池安全领域，尤其是针对储能电池容量衰减评估领域具有重要的参考价值。
背景技术
随着我国经济的发展，储能系统规模和锂离子电池的容量都在快速增长，储能产业发展如火如荼，其中电化学储能行业也是飞速增长的市场。电化学储能技术路线众多，包括锂离子电池、钠基电池、液流电池、铅蓄电池等，截至2020年底，锂离子电池在全国新增电化学储能装机的总规模里占到了80％。随着低碳政策的广泛施行，储能电站建设数量不断攀升，储能电站的安全管理问题逐渐成为行业热点。由于受电池连接和集成技术限制，电池成组后的技术指标包括比功率、比能量、能量转化效率、安全性等都远低于单体电池。同时随着电池组容量衰减，易出现过充、过放、过电流和超温等破坏电池内特性的现象，使其寿命比单体电池缩短数倍甚至数十倍，也导致储能电站多个电池舱出力小于单一电池舱出力的现象频发，为了提升电池储能电站的整体安全和效率，需要构建设计及储能电站安全性的功率分配策略，以保证电站安全稳定运行。
目前SOH普遍存在的一些预测算法包括开路电压法、内阻法、卡尔曼滤波等，但是这些算法都有一些共同的问题，都需要在实验室完成预测，需要的是精准的SOC和稳定的电流数据，这就导致在实际工况下的车辆数据很难应用，所以需要的算法是能够适应真实工况下的车辆数据的SOH预测。
电池的健康度(SOH，State of Health)，是指在一定条件下，电池使用一段时间后某些直接可测或间接计算得到的性能参数的实际值与标称值的比值，用来判断电池健康状况。本文采用电池所能充入或放出电量与电池标称容量的百分比来表示电池的SOH，以百分比的形式表现如下：
SOH＝C÷Cnew×100％
SOH——电池健康度指标，电池包放电容量占电池初始容量的百分比；
C——当前条件下，电池包以标准电流进行满充电后放电至截至电压所释放出来的容量；
Cnew——新电池包的容量。
新电池的SOH值一般是大于100％的，随着电池的使用，电池在不断老化，SOH逐渐降低，在IEEE标准1188-1996中有明确规定，当储能电池的容量能力下降到80％时，即SOH小于80％时，就需要对电池进行更换。
从应用方向看SOH是车辆满电续驶里程、电池衰减监控、电池质保、二手车评估、电池梯次利用等的重要参数。
发明内容
为了克服现有技术的不足，本发明提出了一种对储能电站电池的容量衰减评估进行强化学习的方法，其包括以下步骤：
1)对储能电站电池的电池簇的电池包的电池单体进行光纤部署，从而采集电池单体的实时温度以得到温度数据；
2)获取电池单体的基础状态数据，其中，所述基础状态数据包括电压和电流；
3)基于温度数据、基础状态数据和/或运行设定，得到过程数据；
4)基于所述过程数据，建立电池衰减预测模型。
其中，电池衰减预测模型的建立包括对模型内的特征数据，即模型内考虑的参数的选择。
优选地，利用机器学习的方法对电池SOH进行预测。
优选地，电池衰减预测模型中的特征数据通过模型构建，即在与真实SOH进行拟合时确定各特征的贡献度来进行选取。
优选地，在储能电站电池采集的长周期数据的情况下，从电池的额定信息和状态监测数据(电压、电流、温度、SOC等)可获取多个过程数据，而在模型构建中所选取特征时所需要的数据基础可以包括这些过程数据，经筛选后得到的特征数据可以更真实地体现隐含的电池健康状态信息及其演变规律，实现电池SOH的更准确预测。
借此，能够更准确地将SOH预测应用到电池衰减监控、电池质保和电池梯次利用中。
优选地，本发明的方法可以包括以下步骤，其中，这些步骤在没有明确前后关系的情况下并不必然以序号进行排序：
1.传感器部署：通过对电池簇的电池包的电池单体的测温点进行光纤部署，对每个电池模组进行实时测温数据采集。优选地，可以对储能电站电池的电池簇的电池包内的每个电池单体进行光纤部署。由于本发明采用了光纤传感器，鉴于光纤在电池内的较大的部署灵活性和较小的空间占用性，在本发明中更为有利的是，对每个电池单体进行多光纤部署，从而可以对单个电池单体内的不同位置、尤其占据显著不同的位置的温度等数据进行多点采集。
2.充放电循环测试：对选取的例如5个电池簇进行充放电循环测试，通过不同充电倍率组合，进行例如在20％SOC-100％SOC区间内的充放电循环，直至电池容量衰减达到80％为止。
3.数据获取：在数据获取过程中可以获取电池单体的温度数据以及基础状态数据，其中，所述基础状态数据优选包括电压和电流，这些数据中的一种或多种都可用于对电池的容量衰减进行精准评估。
4.容量提取：在例如每次进行的充放电循环中，提取出对应的充电过程的数据，使用安时积分法进行容量的计算，考虑到真实工况下放电工况较为复杂，所以使用充电工况。安时积分法计算得到的容量数据存在一定的不稳定性，进行相应的转换措施，从而得到所需要的数据。
具体的转换措施如下：
a)提取的原始数据
b)使用0.02—0.98分位数进行去噪
c)每20个数据点进行b)过程的去噪
d)按照一定大小的窗口进行滑动平均
完成容量转换后，进行SOH的计算，使用初次的容量作为初始容量，每个数据的容量除以第一个容量(初始容量)得到每个容量数据对应的SOH数值。通过这种基于在线测量的方法所提取的容量所计算出的该SOH数值被定义为“计算SOH”，其作为过程数据的一部分或者进一步说是状态特征数据的一种被应用于步骤5的特征工程和步骤6的模型构建中。
另外，采用专门的充电柜对电池进行离线测试，例如在稳定的温度环境下以满充满放的方式进行离线充放电，并将由此测得的SOH值作为真实SOH值。
5.特征工程：一方面，该计算SOH与真实SOH值之间仍然存在较大偏差；另一方面，上述真实SOH值的获取依赖于离线测量，需要电池完整的生命周期数据，计算要求较高，实际难以应用。因此优选使用多种充放电过程中的特征对该真实SOH进行拟合，得到拟合模型后，只需要提取每次充放电过程中的这些特征，即可对真实SOH进行预估，由此获取相比于计算SOH更接近真实SOH的值。具体的特征包括光纤温度测温点数据、单体电压过程数据、簇内电池包电压特征数据、以及状态特征数据。
6.模型构建：
1)特征选择：由于所选取的特征都是主观因素占比较大，故并不一定每个特征都对拟合SOH具有正向作用。因此，对所述特征、例如获取的10个特征进行特征重要性计算并选取具有较高贡献度例如前98％贡献度的特征；
2)数据归一化：因为所选取的数据量纲不一致，故对选取的数据归一化处理；
3)模型构建：考虑到本次使用的特征都是数值型特征，且自变量和因变量之间是非线性关系，所以决定使用神经网络作为基础模型来对真实SOH进行拟合。
本发明还涉及对储能电站电池容量衰减进行评估的方法，根据本发明的方法对待评估的储能电站的电池电芯的温度数据和基础状态数据进行检测，并将检测的数据导入到应用根据本发明的强化学习方法所获得的模型中从而确定当前待评估电池容量衰减的状态。
附图说明
可参考附图通过实施例更加具体地描述本发明。在附图中：
图1示出了温度传感器安装图
图2示出了电池SOH容量数据提取图
图3示出了电池SOH拟合特征贡献度
图4示出了数据模型训练结果图
图5示出了示例性实施例中电池包真实值和预测值对比图；
图6示出了根据本发明的方法的示意性流程图
具体实施方式
容易理解，根据本发明的技术方案，在不变更本发明实质精神下，本领域的一般技术人员可以提出可相互替换的多种运行方式以及实现方式。因此，以下具体实施方式以及附图仅是对本发明的技术方案的示例性说明，而不应当视为本发明的全部或者视为对本发明技术方案的限定或限制。
在根据本发明的示例性方法中，为了准确获取对SOH的衰减评估模型，该方法主要包括如图6所示的步骤，其中应当了解的是，所述记载的步骤的顺序在技术可行的场景下是可以进行互换，所记载的步骤并非限制于上述步骤顺序。具体地，所述步骤可以包括：
1.传感器部署
在储能电站的电池簇内部布置上光纤温度测温点，在该示例性实施例中，布置的规则是每个电池包布置4根光纤，也就是每个电池包内部的所有单体都会有4个测温点。
本储能电站包含了5个电池簇，每个电池簇包括15个电池包，每个电池包含了16个单体，每个单体包含了3个电芯串联，其中每个电池包的结构如图1所示。可以看到，每三个电芯并联组成一个单体，然后16个单体串联组成一个电池包。
光纤部署的测温点如图1所示，每个电池模组上会部署多根、优选4根光纤进行温度采集，也就是每个单体都会采集4个温度点。这明显区别于正常情况下，多个单体采集一个测温点的情况。通过在每个单体中设置测温点，可以更详细且更全面地获取电池模块的状态。其中，还可在每根光纤上设置多个测温点，例如2个或更多个。
2.充放电循环测试
选取所述示例性的5个电池簇进行充放电循环测试，示例性且非限制性地可以分别使用如下充放电循环条件的组合。
因为对于电池簇，主要的影响因素是环境温度，而不是充放电倍率，所以针对环境温度做了5组测试。即，采用了1种充放电倍率对5种环境温度做了5组测试。
充/放电倍率组1：0.5C(20-90SOC)+0.1C(90-100SOC)，放电倍率0.5C；
环境温度组1：0℃；
环境温度组2：10℃；
环境温度组3：20℃；
环境温度组4：30℃；
环境温度组5：40℃。
进行20％SOC-100％SOC区间内的充放电循环。
进行充放电循环，直至电池容量衰减达到80％为止。在选取的5个电池簇都达到80％SOH时，分别进行的循环次数如表1所示。
表1选取的5个电池簇进行循环次数数据表
在进行充放电循环的过程中，每次循环，都会记录电池包当前的实际容量衰减情况，也就是记录下电池包的SOH。
3.数据获取
根据前述关于测温点的部署，这种情况下，240(15*16)个单体共可以采集到960(240*4)个温度点数据。根据这些光纤温度测温点数据和电池本身的基础数据和/或过程数据，对电池的容量衰减进行精准评估。在该具体实施例中，使用的数据如表2所示。
表2获取的数据
| 数据字段 | 精确度 |
| 960个光纤测温点 | 0.01℃ |
| 240个单体电压 | 0.001V |
| 充/放电电流 | 0.1A |
| 荷电量SOC | 1SOC |
| 时间戳 | 10s(数据传输频率) |
4.容量提取
在每次进行的充放电循环中，我们提取对应的充电过程的数据，使用安时积分法进行容量的计算(因为考虑到真实工况下放电工况较为复杂，所以使用充电工况)。
因为安时积分法计算得到的容量数据存在一定的不稳定性，故需要做一些转换措施，具体如下：
a)提取的原始数据(origial)
b)使用0.02-0.98分位数进行去噪(global-filtering)
c)每20个数据点进行b)过程的去噪(local-filtering)
d)按照一定大小的窗口进行滑动平均(moving-average)
在完成容量转换后，进行SOH的计算，使用初次的容量作为初始容量，每个数据的容量除以第一个容量(初始容量)得到每个容量数据对应的SOH数值。通过这种基于在线测量的方法所提取的容量所计算出的该SOH数值被定义为计算SOH，其被应用于步骤5的特征工程和步骤6的模型构建中。具体容量提取结果图如图4所示。
另外，采用专门的充电柜对电池进行离线测试，例如在稳定的温度环境下以满充满放的方式进行离线充放电，并将由此测得的SOH值作为真实SOH值。
5.特征工程
选取特征去拟合真实的SOH，目前核心特征之一是计算SOH。通过计算，计算SOH和真实SOH的绝对偏差如表3所示。
表3计算得到的SOH和真实SOH的绝对偏差数据表
| 电池包编号 | 平均绝对偏差 |
| 01 | 6.06％ |
| 02 | 5.87％ |
| 03 | 5.30％ |
| 04 | 5.22％ |
| 05 | 6.31％ |
| 平均 | 5.752％ |
由此得出，只用直接计算SOH的结果偏差还是较大，故还需选取一些特征进行真实SOH的拟合。
这些被选取用于拟合的数据或者特征被称为过程数据，所述过程数据基于温度数据、基础状态数据(包括电压和电流等)和/或相应的运行设定来获取。其中，过程数据的获取的方式包括基于温度数据、基础状态数据、运行设定的计算和/或它们的直接转用。过程数据，即用于模型构建所需的特征数据示例性地包括四部分：第一部分是光线温度测温点特征，第二部分是电池包内的单体电压特征；第三部分是簇内电池包的电压特征；第四部分是状态特征。
示例性地，光纤温度测温点特征包括如下中的一种或多种：
1)所有电池包内单体的平均温度的极差的最大值
2)所有电池包内单体平均温度的上升速率的最大值
3)所有电池包单体平均温度的上升速率的极差的最大值
4)所有电池包内单体平均温度极差的最大值
5)电池簇内电池包的单体的平均温度的极差
6)电池簇内电池包单体平均温度的上升速率的最大值
7)电池簇内电池包单体平均温度的上升速率的极差
8)电池簇内电池包单体平均温度极差
示例性地，单体电压特征包括如下中的一种或多种：
1)所有电池包内满电单体电压极差的最大值
2)所有电池包内满电单体电压标准差最大值
示例性地，簇内电池包电压特征数据包括如下：
1)电池簇内满电电池包平均电压的极差
示例性地，状态特征包括如下中的一种或多种：
1)环境温度、和
2)计算SOH。
应当了解，最后选定的这些特征数据是示例性的而非限制性的，其它被认为可用于推定和拟合SOH的数据或参数也可被包括在上述特征数据中。
6.模型构建
6.1特征选择
因为选取的特征都是主观的因素占比较大，故并不一定每个特征都对拟合SOH具有正向作用。因此，在该实施例中，对上述13个特征或其子集进行特征重要性计算并选取贡献度靠前的，例如前98％贡献度的特征。
使用信息贡献度来衡量每个特征对拟合SOH的重要性，经过标准化后对拟合SOH的信息贡献度如图3所示。
选择前98％的特征，在该示例性的实施例中，特征中所有电池包单体平均温度的上升速率的极差的最大值、所有电池包内单体平均温度极差的最大值和所有电池包内满电单体电压标准差最大值被剔除，它们的信息贡献度分别是0.9％和0.7％和0.3％，去除后，还剩余98.1％的信息。故最终使用10个特征进行SOH的拟合。
6.2数据归一化
因为本次选取的特征种类较多，数据之间的量纲都不唯一，故选择对数据进行归一化处理，将数据映射到(0,1]之间。
具体做法如式1所示：
6.3模型搭建
考虑到本次使用的特征都是数值型特征，且是自变量和因变量之间是非线性关系，使用神经网络作为基础模型来对真实SOH进行拟合。
(1)参数设置。
(2)数据集转化，有利于训练。
(3)模型搭建，例如可以采用传统神经网络搭配的方式来搭建。
(4)模型训练，对训练模型进行迭代训练，在拟合程度和训练损失达到设定条件后停止。
最终在测试集上的平均mse为0.128，平均mae为0.617。
5.4结果测试
使用上述构建好的模型在原始的5个电池簇的充放电循环数据上进行测试，和真实的SOH进行比对，得到的结果如表4所示。
表4电池SOH模型测试平均绝对偏差
| 电池包编号 | 平均绝对偏差 |
| 01 | 0.79％ |
| 02 | 0.61％ |
| 03 | 0.92％ |
| 04 | 0.77％ |
| 05 | 1.05％ |
| 平均 | 0.828％ |
得到的测试结果是平均绝对误差为0.822％，相较于安时积分直接计算的计算SOH的5.752％要提升很多。
图5是示例性实施例即编号01的电池包实际SOH和模型计算的SOH之间的对比情况，从图中可以清晰看出，电池包实际SOH和模型计算的SOH拟合度很高，曲线基本一致，进一步验证了本专利所采取的储能电池电芯容量衰减预测具有较好的实际应用性。
在根据本发明的进一步实施例中，上述电池SOH模型可以被用于对待评估的储能电站的电池电芯中，通过对其温度数据和基础状态数据进行检测，并将检测到的数据导入到上述电池SOH模型中从而确定当前待评估电池容量衰减的状态。
Claims (10)
1.一种对储能电站电池的容量衰减评估进行强化学习的方法，其包括以下步骤：
1)对储能电站电池的电池簇的电池包的电池单体进行光纤部署，从而采集电池单体的实时温度以得到温度数据；
2)获取电池单体的基础状态数据，其中，所述基础状态数据包括电压和电流；
3)基于温度数据、基础状态数据和/或运行设定，得到过程数据；
4)基于所述过程数据，建立电池衰减预测模型。
2.根据权利要求1所述的方法，其特征在于，对每个电池单体进行多个光纤部署，优选地，每根光纤被构造成测量其所部署的单体上的多点实时温度。
3.根据权利要求1所述的方法，其特征在于，所述过程数据包括光纤温度测温点数据、单体电压过程数据、簇内电池包电压特征数据、以及状态特征数据。
4.根据权利要求3所述的方法，其特征在于，所述光纤温度测温点数据包括如下中的一种或多种：
1)所有电池包内单体的平均温度的极差的最大值、
2)所有电池包内单体平均温度的上升速率的最大值、
3)所有电池包单体平均温度的上升速率的极差的最大值、
4)所有电池包内单体平均温度极差的最大值、
5)电池簇内电池包的单体的平均温度的极差、
6)电池簇内电池包单体平均温度的上升速率的最大值、
7)电池簇内电池包单体平均温度的上升速率的极差、
8)电池簇内电池包单体平均温度极差。
5.根据权利要求3所述的方法，其特征在于，所述单体电压过程数据包括如下中的一种或多种：
1)所有电池包内的满电单体电压极差和/或满电单体电压极差的最大值、
2)所有电池包内的满电单体电压标准差和/或满电单体电压标准差的最大值。
6.根据权利要求3所述的方法，其特征在于，所述簇内电池包电压特征数据包括如下中的一种或多种：
1)电池簇内满电电池包平均电压的极差和/或电池簇内满电电池包平均电压的极差的最大值。
7.根据权利要求3所述的方法，其特征在于，所述状态特征数据包括：
1)环境温度、和
2)计算SOH，
优选地其中，该计算SOH通过在线测量的方式利用安时积分法来求得，进一步优选地，在每次进行的充放电循环中提取对应的充电过程的数据来进行容量的计算，并且对获取的容量数据尤其通过去噪及滑动平均等方式进行容量转换，由此来获得计算SOH。
8.根据权利要求1到7中任一项所述的方法，其特征在于，
通过离线测量方法来测得真实SOH，其中优选地，在离线充电柜中在稳定的温度环境下以例如满充满放的方式进行离线充放电，由此测得的容量除以初始容量得到每个容量数据对应的SOH数值，然后使用该SOH数据作为真实SOH。
9.根据权利要求8所述的方法，其特征在于，所述方法进一步包括：
通过过程数据中的特征去拟合真实SOH，由此得到拟合模型，
其中优选地，基于信息贡献度，对特征进行特征重要性计算并选取贡献度靠前的、优选前98％贡献度的特征，并以选取的特征建立拟合模型；
优选地，对特征的数据进行归一化处理；
优选地，使用神经网络作为基础模型来利用过程数据对真实SOH进行拟合。
10.一种对储能电站电池容量衰减进行评估的方法，其特征在于，对电池电芯的温度数据和基础状态数据进行检测，将检测的数据导入到应用权利要求1到9中任一项中所述的方法获得的模型中从而确定电池容量衰减的状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310997061.9A CN117007975A (zh) | 2023-08-09 | 2023-08-09 | 一种通过采集储能电池电芯多点温度对电池容量衰减评估进行强化学习的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310997061.9A CN117007975A (zh) | 2023-08-09 | 2023-08-09 | 一种通过采集储能电池电芯多点温度对电池容量衰减评估进行强化学习的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117007975A true CN117007975A (zh) | 2023-11-07 |
Family
ID=88563272
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310997061.9A Pending CN117007975A (zh) | 2023-08-09 | 2023-08-09 | 一种通过采集储能电池电芯多点温度对电池容量衰减评估进行强化学习的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117007975A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117368744A (zh) * | 2023-12-07 | 2024-01-09 | 苏州普林新能源有限公司 | 一种户用储能电池在线评估方法 |
-
2023
- 2023-08-09 CN CN202310997061.9A patent/CN117007975A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117368744A (zh) * | 2023-12-07 | 2024-01-09 | 苏州普林新能源有限公司 | 一种户用储能电池在线评估方法 |
| CN117368744B (zh) * | 2023-12-07 | 2024-02-09 | 苏州普林新能源有限公司 | 一种户用储能电池在线评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108107372B (zh) | 基于soc分区估算的蓄电池健康状况量化方法及系统 | |
| CN109655754B (zh) | 一种基于充电过程多维分阶的电池性能评估方法 | |
| CN110703121A (zh) | 一种锂离子电池健康状态预测方法 | |
| CN111036575B (zh) | 一种基于温度变化分析的锂离子电池分选方法 | |
| CN108490366B (zh) | 电动汽车退役电池模块健康状态的快速评估方法 | |
| Zheng et al. | Fault identification and quantitative diagnosis method for series-connected lithium-ion battery packs based on capacity estimation | |
| CN113109729B (zh) | 基于加速老化试验与实车工况的车用动力电池soh评估方法 | |
| CN108037462A (zh) | 蓄电池健康状况量化方法及系统 | |
| CN111458649A (zh) | 一种电池模组健康度快速检测方法 | |
| CN110045291B (zh) | 一种锂电池容量估计方法 | |
| CN112485693B (zh) | 一种基于温度概率密度函数的电池健康状态快速评估方法 | |
| CN109490790B (zh) | 采用补偿脉冲法的锂动力电池功率特性测试方法及装置 | |
| CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
| CN115267555A (zh) | 基于电池多点温度测量的储能系统电池soh评估系统 | |
| CN111580003A (zh) | 一种基于阻抗谱的二次电池不一致性鉴别方法及装置 | |
| 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 | |
| CN117007975A (zh) | 一种通过采集储能电池电芯多点温度对电池容量衰减评估进行强化学习的方法 | |
| CN113219351A (zh) | 动力电池的监控方法及装置 | |
| CN112051512A (zh) | 一种梯次利用分选方法及储能系统 | |
| 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 | |
| CN111965557A (zh) | 一种后备电源可靠性的评估方法和装置 | |
| CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
| CN115616425A (zh) | 电池性能分析方法、电子设备及储能系统 | |
| CN109669143B (zh) | 一种电池组容量评测方法 | |
| CN113296010A (zh) | 一种基于差分电压分析的电池健康状态在线评估方法 |
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 |