CN117192391A - 储能电池异常识别方法、系统、装置及储能站 - Google Patents

Abstract

本发明公开了一种用于储能站的储能电池异常识别方法、系统、装置及储能站，该方法包括获取储能电池的充放电状态数据及标称容量；基于充放电数据，使用容量评估方法，评估储能电池的充电容量和放电容量；基于充电容量、放电容量以及标称容量，计算储能电池的充电效率、放电效率以及转化效率；基于充电效率、放电效率及转化效率，对储能电池进行容量评分；基于容量评分识别出现异常的储能电池。本发明可以快速、准确、及时地识别储能电池的异常，保证储能电池在使用过程中的安全性。

Description

储能电池异常识别方法、系统、装置及储能站

技术领域

本发明涉及储能电池状态识别技术领域，具体而言，涉及一种储能电池异常识别方法、系统、装置及储能站。

背景技术

本发明提到的储能电池是指储存来自电网或新能源网的电能，并在适当的时间将储存的电能输出给用电设备使用的电池，其类型包括梯次利用电池和专用储能电池包。近年来，我国新能源产业不断发展，储能市场呈爆发式增长，其中又以电化学储能的发展最为迅速。

然而，现阶段电化学储能仍处于发展期，储能电池的安全性是发展过程中的重中之重。由于各种储能电池的使用时间、生产工艺及电池材料与结构的不统一(一致性问题)，即使是相同的储能电池也会存在充放电性能差异，因此在使用过程中存在一定的安全隐患。

其中，特别是针对梯次电池应用中，退役动力电池也是在一致性、安全性、逆源跟踪等方面有更多的需求。

现有的储能电池评估方法主要包括安时积分法、基于模型的评估方法、机器学习等，其主要针对普通的蓄电池并且需要足够长的检测时间和数据分析时间，评估方法复杂，数据计算量大，无法快速、准确、及时地识别储能电池在使用过程中的异常，容易形成安全隐患。

有鉴于此，针对上述问题，有必要设计一种可适用于储能电池的异常识别方法、系统、装置及储能站，可以快速准确地识别出现异常的储能电池，及时地确保储能电池在使用过程中的安全性。

发明内容

本发明的目的在于提供一种储能电池异常识别方法、系统、装置及储能站，以解决现有技术中无法快速、准确、及时地识别储能电池的异常，从而确保储能电池在使用过程中的安全性。

为实现上述目的，本发明提供一种用于储能站的储能电池异常识别方法，包括以下步骤：

获取储能电池的充放电状态数据及标称容量Cs；

基于充放电状态数据，使用容量评估方法，评估储能电池的充电容量Cc和放电容量Cd；

基于充电容量Cc、放电容量Cd以及标称容量Cs，计算储能电池的充电效率、放电效率以及转化效率；

基于充电效率、放电效率及转化效率，对储能电池进行容量评分；

基于容量评分识别出现异常的储能电池。

采用本发明所公开的技术方案，能够快速、及时、准确地识别出现异常的储能电池，使储能安全管理过程实现安全监控与风险报警，及时发现安全问题。

上述用于储能站的储能电池异常识别方法的一个实施方式中，储能电池包括至少一种梯次利用动力电池和/或专用储能电池包；或者，整车退役动力电池包或安装在托架上的退役动力电池包。

上述用于储能站的储能电池异常识别方法的一个实施方式中，容量评估方法为动态周期容量加权平均法。

上述用于储能站的储能电池异常识别方法的一个实施方式中，动态周期容量加权平均法进一步包括以下步骤：

获取储能电池最近T周期的充电状态数据，内含m个充电过程，并进行有效性过滤，其中T、m为大于1的整数；

获取储能电池最近T周期的放电状态数据，内含n个放电过程，并进行有效性过滤，其中n为大于1的整数；

针对每个充电过程m，获取充电容量序列Cc1,...,Ccm，公式为容量＝充电量/abs(结束SOC-起始SOC)，对充电容量序列取加权平均，公式为Cc＝sum(i/m*Cci)/sum(i/m),1≤i≤m,得到充电容量Cc，其中abs为计算绝对值的公式，sum为求和公式，SOC为荷电状态，i为整数；

针对每个放电过程n，获取放电容量序列Cd1,...,Cdn，公式为容量＝充电量/abs(结束SOC-起始SOC)，对放电容量序列取加权平均，公式为Cd＝sum(j/n*Cdj)/sum(j/n),1≤j≤n,得到放电容量Cd，其中abs为计算绝对值的公式，sum为求和公式，SOC为荷电状态，j为整数。

上述用于储能站的储能电池异常识别方法的一个实施方式中，计算退役动力电池的充电效率、放电效率以及转化效率的方法为标称效率计算法。

上述用于储能站的储能电池异常识别方法的一个实施方式中，标称效率计算法进一步包括：

根据充电容量Cc计算得出充电效率，公式为充电效率＝Cc/Cs；

根据放电容量Cd计算得出放电效率，公式为放电效率＝Cd/Cs；

根据充电容量Cc和放电容量Cd计算得出转化效率，公式为转化效率＝Cd/Cc。

上述用于储能站的储能电池异常识别方法的一个实施方式中，容量评分的方法为最小值法或均值法。

上述用于储能站的储能电池异常识别方法的一个实施方式中，最小值法或均值法的公式为容量评分＝min(充电效率,放电效率,转化效率)或容量评分＝avg(充电效率,放电效率,转化效率)，若容量评分小于一个预设参数阈值，则判断储能电池为异常，其中min为求最小值公式，avg为求平均值公式。

为了更好地实现发明目的，本发明还提供一种用于储能站的储能电池异常识别系统，包括：

数据获取模块，用于获取储能电池的充放电状态数据及标称容量Cs；

容量评估模块，用于基于充放电状态数据，使用容量评估方法，评估储能电池的充电容量Cc和放电容量Cd；

效率计算模块，用于基于充电容量Cc、放电容量Cd以及标称容量Cs，计算储能电池的充电效率、放电效率以及转化效率；

容量评分模块，用于基于充电效率、放电效率及转化效率，对储能电池进行容量评分；

状态识别模块，用于基于容量评分识别出现异常的储能电池。

上述用于储能站的储能电池异常识别系统的一个实施方式中，储能电池包括至少一种梯次利用动力电池和/或专用储能电池包；或者，整车退役动力电池包或安装在托架上的退役动力电池包。

上述用于储能站的储能电池异常识别系统的一个实施方式中，容量评估方法为动态周期容量加权平均法。

上述用于储能站的储能电池异常识别系统的一个实施方式中，动态周期容量加权平均法进一步包括以下步骤：

获取储能电池最近T周期的充电状态数据，内含m个充电过程，并进行有效性过滤，其中T、m为大于1的整数；

获取储能电池最近T周期的放电状态数据，内含n个放电过程，并进行有效性过滤，其中n为大于1的整数；

针对每个充电过程m，获取充电容量序列Cc1,...,Ccm，公式为容量＝充电量/abs(结束SOC-起始SOC)，对充电容量序列取加权平均，公式为Cc＝sum(i/m*Cci)/sum(i/m),1≤i≤m”,得到充电容量Cc，其中abs为计算绝对值的公式，sum为求和公式，SOC为荷电状态，i为整数；

针对每个放电过程n，获取放电容量序列Cd1,...,Cdn，公式为容量＝充电量/abs(结束SOC-起始SOC)，对放电容量序列取加权平均，公式为Cd＝sum(j/n*Cdj)/sum(j/n),1≤j≤n,得到放电容量Cd，其中abs为计算绝对值的公式，sum为求和公式，SOC为荷电状态，j为整数。

上述用于储能站的储能电池异常识别系统的一个实施方式中，计算储能电池的充电效率、放电效率以及转化效率的方法为标称效率计算法。

上述用于储能站的储能电池异常识别系统的一个实施方式中，标称效率计算法进一步包括：

根据充电容量Cc计算得出充电效率，公式为充电效率＝Cc/Cs；

根据放电容量Cd计算得出放电效率，公式为放电效率＝Cd/Cs；

根据充电容量Cc和放电容量Cd计算得出转化效率，公式为转化效率＝Cd/Cc。

上述用于储能站的储能电池异常识别系统的一个实施方式中，容量评分的方法为最小值法或均值法。

上述用于储能站的储能电池异常识别系统的一个实施方式中，最小值法或均值法的公式为容量评分＝min(充电效率,放电效率,转化效率)或容量评分＝avg(充电效率,放电效率,转化效率)，若容量评分小于一个预设参数阈值，则判断储能电池为异常，其中min为求最小值公式，avg为求平均值公式。

上述用于储能站的储能电池异常识别系统的一个实施方式中，还包括储能电池数据库、数据交互模块、本地模块和/或数据处理模块；

本地模块用于采集储能站中储能电池的容量评分，并通过数据交互模块以定期或实时传输方式将采集到的容量评分上传至储能电池数据库；

储能电池数据库，用于存储多个储能站的容量评分；

数据处理模块，用于对储能电池数据库中的容量评分进行分析，以确定预设参数阈值。

为了更好地实现发明的目，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被设置为运行时执行上述的储能电池异常识别方法。

为了更好地实现发明目的，本发明还提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述的储能电池异常识别方法。

为了更好地实现发明目的，本发明还提供一种储能站，设置有或者通过网络连接设置有上述的储能电池异常识别系统。

另外，本发明结合充电状态和放电状态对储能电池进行综合检测，进一步提高了储能电池异常识别的准确度。

当然，本发明所提供的用于储能站的储能电池异常识别系统、介质、电子装置及储能站，与上述方法对应，有益技术效果同上

为了对本发明的上述及其他方面有更佳的了解，下文特举实施例，并配合附图详细说明如下，但不作为对本发明专利保护范围的限定。

附图说明

图1为根据本发明一个实施例的储能电池异常识别方法的步骤流程图。

图2为根据本发明一个实施例的动态周期容量加权平均法的步骤流程图。

图3为根据本发明一个实施例的储能电池异常识别系统的结构模块图。

图4为根据本发明另一个实施例的储能电池异常识别系统的结构模块图。

图5为根据本发明一个实施例的储能站的示意图。

图6为根据本发明又一个实施例的储能站的示意图。

其中，附图标记：

S1～S5-储能电池异常识别方法的步骤

S21～S24-动态周期容量加权平均法的步骤

Cs-标称容量

Cc-充电容量

Cd-放电容量

abs-计算绝对值

sum-求和

SOC-荷电状态

min-求最小值

avg-求平均值

1、1’、2-储能电池异常识别系统

11、21-数据获取模块

12、22-容量评估模块

13、23-效率计算模块

14、24-容量评分模块

15、25-状态识别模块

16、26-本地模块

17、27-数据交互模块

18、28-数据处理模块

D-储能电池数据库

3、3’-储能站

4、4’、4”-储能电池

T、m、n、i、j-整数

具体实施方式

下面结合附图和具体实施例对本发明的技术方案进行详细的描述，以更进一步了解本发明的目的、方案及有益技术效果，但并非作为本发明所附权利要求保护范围的限制。

本发明的核心是提供一种用于储能站的储能电池异常识别方法、系统、装置及储能站，基于容量对储能电池的异常进行识别，识别方法兼顾了准确性和计算量，能够快速、准确、及时地反应储能电池的安全状态，可以提高储能电池在使用过程中的安全性，而且便于应用。

请参阅图1，图1为根据本发明一个实施例的储能电池异常识别方法的步骤流程图。具体包括以下步骤：

S1：获取储能电池的充放电状态数据及标称容量Cs。

具体而言，可通过电池数据采集系统或电池管理系统获取储能电池的充放电状态数据，并且储能电池优选地包括至少一种梯次利用动力电池和/或专用储能电池包；或者整车退役动力电池包或安装在托架上的退役动力电池包。梯次利用动力电池为使用了(如作为动力电池应用于电动车辆)一段时间后出现了衰减，衰减后不足以满足当下设备(如电动车辆)的应用要求，但是电池也具有一定的剩余容量，仍可以满足对用电设备(如给电动车辆等待充电设备充电)的需求。

对于专用储能电池包，其属于在设计之初即专门用于储能站的新电池。进一步而言，储能电池包括锂离子电池、钠硫电池、液流电池、铅酸电池、铅炭电池、镍氢电池等，本发明不以此为限。因此，本发明的技术方案应用范围广泛，不受限于储能电池的类型。

当然，为了更便于实现梯次利用动力电池应用的一致性、安全性和追溯性，可以选择同一电动车型或不同车型的整车退役动力电池(包括固定在托架上的整包退役动力电池)，这样可以充分利用电动车辆在以往长期充放电过程中，由充电网在大数据平台采集并积累的特定电动车型，甚至特定电动车动力电池的充放电电池性能数据。

S2：基于充放电数据，使用容量评估方法，评估储能电池的充电容量Cc和放电容量Cd。

请再参阅图2，优选地，容量评估方法为动态周期容量加权平均法，进一步包括以下步骤：

S21：获取储能电池最近T周期的充电状态数据，内含m个充电过程，并进行有效性过滤，其中T、m为大于1的整数，有效性过滤包括时长过滤和SOC(荷电状态State ofCharge)变化幅度过滤，但本发明不以此为限。一个具体实施例中，获取储能电池最近7天的充电状态数据，其中包含11个充电过程，每个充电过程包括充电量、起始SOC和结束SOC等数据，起始SOC和结束SOC分别为充电开始时和充电结束时的SOC数据，并对充电时长小于15分钟和SOC变化值小于30％的数据进行有效性过滤；

S22：获取储能电池最近T周期的放电状态数据，内含n个放电过程，并进行有效性过滤，其中T、n为大于1的整数，有效性过滤包括时长过滤和SOC(荷电状态State ofCharge)变化幅度过滤，但本发明不以此为限。一个具体实施例中，获取储能电池最近7天的放电状态数据，其中包含13个放电过程，每个放电过程包括充电量、起始SOC和结束SOC等数据，起始SOC和结束SOC分别为放电开始时和放电结束时的SOC数据，并对放电时长小于15分钟和SOC变化值小于30％的数据进行有效性过滤；

S23：基于S21的结果，针对每个充电过程m，获取充电容量序列Cc1,...,Ccm，公式为容量＝充电量/abs(结束SOC-起始SOC)(1)，对充电容量序列取加权平均，公式为Cc＝sum(i/m*Cci)/sum(i/m),1≤i≤m(2),得到充电容量Cc，其中abs为计算绝对值的公式，sum为求和公式，i为整数。一个具体实施例中，获取储能电池最近7天的充电状态数据，其中包含11个充电过程，通过公式(1)获得充电容量序列Cc1,Cc2，Cc3...,Cc11，再通过公式(2)对充电容量序列取加权平均，得到充电容量Cc为52.36安时，具体数据如下表所示：

充电过程	充电量	起始SOC	结束SOC	充电容量序列Ccm
					11	20.8	30.2	69.9	52.3929471
10	20.94	30.1	69.9	52.61306533
					9	20.79	30.2	69.9	52.36775819
8	20.8	30.1	69.9	52.26130653
					7	20.75	30.2	69.9	52.26700252
6	20.92	30.1	69.9	52.56281407
					8	20.73	30.2	69.9	52.21662469
4	20.66	30.1	69.9	51.90954774
					3	20.83	30.1	69.9	52.33668342
2	20.88	30.2	69.9	52.59445844
					1	20.59	30.1	69.9	51.73366834

S24：基于S22的结果，针对每个所述放电过程n，获取放电容量序列Cd1,...,Cdn，公式为容量＝充电量/abs(结束SOC-起始SOC)(3)，对所述放电容量序列取加权平均，公式为Cd＝sum(j/n*Cdj)/sum(j/n),1≤j≤n(4),得到放电容量Cd，其中abs为计算绝对值的公式，sum为求和公式，j为整数。一个具体实施例中，获取储能电池最近7天的放电状态数据，其中包含13个放电过程，通过公式(3)获得放电容量序列Cd1,Cd2，Cd3...,Cd13，再通过公式(4)对放电容量序列取加权平均，得到放电容量Cd为50.54安时，具体数据如下表所示：

放电过程	充电量	起始SOC	结束SOC	放电容量序列Cdn
					13	20.16	70	30.1	50.52631579
12	20.21	70	30.1	50.65162907
					11	20.13	70	30.1	50.45112782
10	20.35	70	30.1	51.00250627
					9	20.12	70	30.1	50.42606516
8	20.18	70	30.1	50.5764411
					7	20.1	70	30.1	50.37593985
6	20.27	70	30.1	50.80200501
					5	20.08	70	30.1	50.32581454
4	19.94	70	30.1	49.97493734
					3	19.9	70	30.1	49.87468672
2	20.24	70	30.1	50.72681704
					1	20.19	70	30.1	50.60150376

本发明实施例中用于评估容量的动态周期容量加权平均法是基于多个充放电周期的多个充放电过程，在兼顾充电和放电过程的同时，还具备足够的数据样本量，确保计算结果的准确性。

此外，通过对采集到的数据进行有效性过滤，进一步提高了容量评估的准确性。

此外，本发明通过对充电容量序列和放电容量序列进行加权平均，将各个数据按照合理的权重计算，进一步综合评估充电容量和放电容量。

如上表所示，计算充电和放电容量仅需要获取充电量、起始SOC和结束SOC数据，因此即使在获取大量数据的情况下仍然可以快速准确地进行计算，得到充电和放电容量数据。

动态周期容量加权平均法的计算方法同时具备快速及时和高准确性的特点，并且可以适用于上述的各种储能电池，解决了不同储能电池之间的一致性问题。

S3：基于充电容量Cc、放电容量Cd以及标称容量Cs，计算储能电池的充电效率、放电效率以及转化效率。

优选地，计算充电效率、放电效率以及转化效率的方法为标称效率计算法，进一步包括以下步骤：根据充电容量Cc计算得出充电效率，公式为充电效率＝Cc/Cs；根据放电容量Cd计算得出放电效率，公式为放电效率＝Cd/Cs；根据充电容量Cc和放电容量Cd计算得出转化效率，公式为转化效率＝Cd/Cc。一个具体实施例中，根据上述方法和数据获得储能电池的充电容量Cc为52.36安时、放电容量Cd为50.54安时以及标称容量Cs为54安时，并计算出充电效率为0.97、放电效率为0.94以及转化效率为0.97。

本发明实施例中的标称效率计算法是基于前述获得的充电容量、放电容量和标称容量，不需要额外获取其他数据，可以在保证计算结果准确性的情况下节约计算过程，从而可以快速地获得充电效率、放电效率和转化效率。

S4：基于充电效率、放电效率及转化效率，对储能电池进行容量评分。

优选地，容量评分的方法为最小值法或均值法，具体包括以下步骤：

容量评分＝min(充电效率,放电效率,转化效率)(5)或容量评分＝avg(充电效率,放电效率,转化效率)(6)，其中min为求最小值公式，avg为求平均值公式，计算容量评分的方法也可以为其他，本发明不以此为限。一个具体实施例中，储能电池的充电效率为0.97、放电效率为0.94以及转化效率为0.97，根据公式(5)可计算储能电池的容量评分为0.94。其他实施例中，根据上述方法获得的容量评分如下表所示：

本发明实施例中的容量评分可以通过最小值法或均值法获得。如上表所示，获取充电效率、放电效率和转换效率中的最小值作为容量评分，以数据中的最小值代表储能电池的容量评分，此过程不需要繁琐的计算且兼顾准确性，进一步优化了储能电池异常识别的速度。

S5：基于容量评分识别出现异常的储能电池。

具体而言，若容量评分小于一个预设参数阈值，则判断储能电池出现异常。一个具体实施例中，储能电池的容量评分为0.36，预设参数阈值为0.40，因此判断储能电池出现异常。预设参数阈值为通过对储能电池的历史数据统计分析获得的,也可以根据需要灵活设定调整。

对于专用储能电池包，可以获得其在使用过程中的所有容量数据，并且结合其在使用过程中的状态分析确定一个预设参数阈值。

对于梯次利用动力电池(包括整车退役动力电池包或安装在托架上的退役动力电池包)，还对其溯源数据进行分析，即在分析确定预设参数阈值时，不仅要对梯次利用动力电池在储能站中使用时的容量数据进行分析，还应结合其在退役之前的长期充放电过程中，由充电网在大数据平台采集并积累的原始数据进行分析，以更科学准确地判断储能电池是否出现异常。由于预设参数阈值的设定是基于大量的数据分析，并且可以根据实际情况进行设定调整，充分地保证了数据的准确性，进而保证了储能电池在储能站中使用的安全性。

本发明提供的用于储能站的储能电池异常识别方法，是基于充电状态数据和放电状态数据，将充电状态下和放电状态下的储能电池的容量进行比较，并且分别与储能电池的标称容量再次进行比较，获得储能电池的容量评分。基于上述，本发明的储能电池异常识别方法是基于储能电池的充放电状态数据，并通过对储能电池在充放电状态下的容量进行分析而实施的方法，而相比之下，现有技术采用的储能电池异常识别方法是积分法、基于模型的评估方法、机器学习等，评估方法复杂，数据计算量大。因此，本发明能够快速、及时、准确地识别出现异常的储能电池，使储能安全管理过程实现安全监控与风险报警，及时发现安全问题，减少在实际应用过程中存在的安全隐患，确保储能场站中储能电池在使用过程中的安全性。

请参阅图3，图3为根据本发明一个实施例的储能电池异常识别系统1的结构模块图，包括：

数据获取模块11，用于获取储能电池的充放电状态数据及标称容量Cs。优选地，储能电池包括至少一种梯次利用动力电池和/或专用储能电池包；或者整车退役动力电池包或安装在托架上的退役动力电池包。梯次利用动力电池为使用了(如作为动力电池应用于电动车辆)一段时间后出现了衰减，衰减后不足以满足当下设备(如电动车辆)的应用要求，但是电池也具有一定的剩余容量，仍可以满足对用电设备(如给电动车辆等待充电设备充电)的需求。

对于专用储能电池包，其属于在设计之初即专门用于储能场的新电池。进一步而言，储能电池具体包括锂离子电池、钠硫电池、液流电池、铅酸电池、铅炭电池、镍氢电池等，本发明不以此为限。因此，本发明的技术方案应用范围广泛，不受限于储能电池的类型。

当然，为了更便于实现梯次利用动力电池应用的一致性、安全性和追溯性，可以选择同一电动车型或不同车型的整车退役动力电池(包括固定在托架上的整包退役动力电池)，这样可以充分利用电动车辆在以往长期充放电过程中，由充电网在大数据平台采集并积累的特定电动车型，甚至特定电动车动力电池的充放电电池性能数据。

容量评估模块12，用于基于充放电状态数据，使用容量评估方法，评估储能电池的充电容量Cc和放电容量Cd。优选地，在容量评估模块12中使用的容量评估方法为动态周期容量加权平均法，其计算方法和具体实施方式如上述步骤S2中所述，于此不再赘述。

效率计算模块13，用于基于充电容量Cc、放电容量Cd以及标称容量Cs，计算储能电池的充电效率、放电效率以及转化效率。优选地，在效率计算模块13中计算充电效率、放电效率及转化效率的方法为标称效率计算法，其计算方法和具体实施方式如上述步骤S3中所述，于此不再赘述。

容量评分模块14，用于基于充电效率、放电效率及转化效率，对储能电池进行容量评分。优选地，在容量评分模块14中计算容量评分的方法为最小值法或均值法，其计算方法和具体实施方式如上述步骤S4中所述，于此不再赘述。

状态识别模块15，用于基于容量评分识别出现异常的储能电池。优选地，状态识别模块15的识别方法和具体实施方式如上述步骤S5中所述，于此不再赘述。

进一步而言，请参阅图4，图4为根据本发明另一个实施例的储能电池异常识别系统1’的结构模块图，其还包括储能电池数据库D、数据交互模块17、本地模块16和/或数据处理模块18，其中：

本地模块16用于采集储能站中储能电池的容量评分，并通过数据交互模块17以定期或实时传输方式将采集到的容量评分上传至储能电池数据库D；

储能电池数据库D用于存储多个储能站的容量评分；

数据处理模块18，用于对储能电池数据库D中的容量评分进行分析，以确定预设参数阈值。

一个具体实施例中，位于不同地区的多个储能站配置有储能电池异常识别系统1’、2，各个储能电池异常识别系统1’、2中的本地模块16、26采集本地储能站的储能电池的容量评分，并通过数据交互模块17、27以定期或实时传输方式上传至储能电池数据库D，因此储能电池数据库中D存储有多个规格不同、类型不同、地区不同的储能站的所有储能电池的容量评分。数据处理模块18、28可以通过数据交互模块17、27调取本地储能站和储能电池数据库D中的所有容量评分并进行大数据分析，从而确定一个用于判断储能电池是否异常的预设参数阈值，以使得储能电池的异常判断更加准确。

本发明实施例提供的储能电池异常识别系统通过形成关于储能电池的数据库，不仅可以对本地储能站中所有储能电池的数据进行分析，还可以对多个储能站中储能电池的数据进行综合分析，数据库中的数据完整全面，使得设定的预设参数阈值的准确度高。

此外，储能电池数据库还包括梯次利用动力电池的溯源数据，进一步优化了预设参数阈值的准确度，并且使得储能电池的异常判断更为准确。

需要说明的是，上述提出的系统也可以通过其他的方式实现。例如以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。

本发明的一个实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被设置为运行时执行上述的储能电池异常识别方法，于此不再赘述。

本发明的一个实施例还提供一种电子装置，包括存储器和处理器，存储器中存储有计算机程序，处理器被设置为运行计算机程序以执行上述的储能电池异常识别方法，于此不再赘述。

本发明的一个实施例还提供一种储能站，设置有或者通过网络连接设置有如上所述的储能电池异常识别系统，用以对储能站中出现异常的储能电池进行识别，以确保储能站的安全性。

请参阅图5，其为根据本发明的一个实施例的储能站3的示意图，储能站3安装有储能电池4、4’、4”。本实施例中，储能站3本端设置有完整的储能电池异常识别系统1，其可对储能站3中的储能电池进行异常识别，并且可以通过数据交互模块与云端的储能电池数据库D进行数据交互，并对储能电池数据库D中的容量评分数据进行本端处理或云端处理，从而确定预设参数阈值。

本发明实施例提供的储能站通过在本端设置完整的储能电池异常识别系统，可以在本端或云端对储能电池的数据进行分析，即使在网络不稳定的情况下，也可以对本地储能站中所有的储能电池进行分析，提高了系统的稳定性并保证了异常识别的准确性。

请再参阅图6，其为根据本发明又一个实施例的储能站3’的示意图，储能站3’安装有储能电池4、4’、4”。本实施例中，储能站3’本端不设置储能电池异常识别系统1，完整的储能电池异常识别系统1完全设置在云端，储能站3’仅完成联机的功能或上位机的功能。储能站3’通过控制设置在云端的储能电池异常识别系统1对储能站3’中的储能电池进行异常识别，并且可以对储能电池数据库D中的容量评分数据进行处理，从而确定预设参数阈值。

本发明实施例提供的储能站通过将储能电池异常识别系统设置在云端，无需在本地设置即可使用，提高了异常识别在应用过程中的便捷性以及经济性。

此外，云端系统的运行和维护不受时间和地点的限制，只需对云端服务器进行维护，能够及时地响应并反馈问题，提高了运行和维护的效率。云端系统还具备一定的功能拓展性，即支持基于容量的储能电池异常识别系统的二次开发，例如在异常识别方法中纳入其他影响因子，便于对异常识别系统的进一步优化。

综上所述，本发明提供的储能电池异常识别方法能够准确、快速、及时地识别储能站中异常的储能电池，可以提高储能电池在使用过程中的安全性，并且识别方法可以同时兼顾准确度和计算量，便于应用。

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。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。

显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

当然，本发明还可有其它多种实施例，在不背离本发明的精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (20)

1.一种用于储能站的储能电池异常识别方法，其特征在于，包括以下步骤：

获取储能电池的充放电状态数据及标称容量Cs；

基于所述充放电状态数据，使用容量评估方法，评估所述储能电池的充电容量Cc和放电容量Cd；

基于所述充电容量Cc、所述放电容量Cd以及所述标称容量Cs，计算所述储能电池的充电效率、放电效率以及转化效率；

基于所述充电效率、所述放电效率及所述转化效率，对所述储能电池进行容量评分；

基于所述容量评分识别出现异常的储能电池。

2.根据权利要求1所述的用于储能站的储能电池异常识别方法，其特征在于，所述储能电池包括至少一种梯次利用动力电池和/或专用储能电池包；或者，整车退役动力电池包或安装在托架上的退役动力电池包。

3.根据权利要求1或2所述的用于储能站的储能电池异常识别方法，其特征在于，所述容量评估方法为动态周期容量加权平均法。

4.根据权利要求3所述的用于储能站的储能电池异常识别方法，其特征在于，所述动态周期容量加权平均法进一步包括以下步骤：

获取所述储能电池最近T周期的充电状态数据，内含m个充电过程，并进行有效性过滤，其中T、m为大于1的整数；

获取所述储能电池最近T周期的放电状态数据，内含n个放电过程，并进行有效性过滤，其中n为大于1的整数；

针对每个所述充电过程m，获取充电容量序列Cc1,...,Ccm，公式为容量＝充电量/abs(结束SOC-起始SOC)，对所述充电容量序列取加权平均，公式为Cc＝sum(i/m*Cci)/sum(i/m),1≤i≤m,得到所述充电容量Cc，其中abs为计算绝对值的公式，sum为求和公式，SOC为荷电状态，i为整数；

针对每个所述放电过程n，获取放电容量序列Cd1,...,Cdn，公式为容量＝充电量/abs(结束SOC-起始SOC)，对所述放电容量序列取加权平均，公式为Cd＝sum(j/n*Cdj)/sum(j/n),1≤j≤n,得到所述放电容量Cd，其中abs为计算绝对值的公式，sum为求和公式，SOC为荷电状态，j为整数。

5.根据权利要求1或2所述的用于储能站的储能电池异常识别方法，其特征在于，所述计算所述储能电池的充电效率、放电效率以及转化效率的方法为标称效率计算法。

6.根据权利要求5所述的用于储能站的储能电池异常识别方法，其特征在于，所述标称效率计算法进一步包括：

根据所述充电容量Cc计算得出所述充电效率，公式为充电效率＝Cc/Cs；

根据所述放电容量Cd计算得出所述放电效率，公式为放电效率＝Cd/Cs；

根据所述充电容量Cc和所述放电容量Cd计算得出所述转化效率，公式为转化效率＝Cd/Cc。

7.根据权利要求1或2所述的用于储能站的储能电池异常识别方法，其特征在于，所述容量评分的方法为最小值法或均值法。

8.根据权利要求7所述的用于储能站的储能电池异常识别方法，其特征在于，所述最小值法或均值法的公式为容量评分＝min(充电效率,放电效率,转化效率)或容量评分＝avg(充电效率,放电效率,转化效率)，若所述容量评分小于一个预设参数阈值，则判断所述储能电池为异常，其中min为求最小值公式，avg为求平均值公式。

9.一种用于储能站的储能电池异常识别系统，其特征在于，包括：

数据获取模块，用于获取储能电池的充放电状态数据及标称容量Cs；

容量评估模块，用于基于所述充放电状态数据，使用容量评估方法，评估所述储能电池的充电容量Cc和放电容量Cd；

效率计算模块，用于基于所述充电容量Cc、所述放电容量Cd以及所述标称容量Cs，计算所述储能电池的充电效率、放电效率以及转化效率；

容量评分模块，用于基于所述充电效率、所述放电效率及所述转化效率，对所述储能电池进行容量评分；

状态识别模块，用于基于所述容量评分识别出现异常的储能电池。

10.根据权利要求9所述的用于储能站的储能电池异常识别系统，其特征在于，所述储能电池包括至少一种梯次利用动力电池和/或专用储能电池包；或者，整车退役动力电池包或安装在托架上的退役动力电池包。

11.根据权利要求9或10所述的用于储能站的储能电池异常识别系统，其特征在于，所述容量评估方法为动态周期容量加权平均法。

12.根据权利要求11所述的用于储能站的储能电池异常识别系统，其特征在于，所述动态周期容量加权平均法进一步包括以下步骤：

获取所述储能电池最近T周期的充电状态数据，内含m个充电过程，并进行有效性过滤，其中T、m为大于1的整数；

获取所述储能电池最近T周期的放电状态数据，内含n个放电过程，并进行有效性过滤，其中n为大于1的整数；

针对每个所述充电过程m，获取充电容量序列Cc1,...,Ccm，公式为容量＝充电量/abs(结束SOC-起始SOC)，对所述充电容量序列取加权平均，公式为Cc＝sum(i/m*Cci)/sum(i/m),1≤i≤m,得到所述充电容量Cc，其中abs为计算绝对值的公式，sum为求和公式，SOC为荷电状态，i为整数；

针对每个所述放电过程n，获取放电容量序列Cd1,...,Cdn，公式为容量＝充电量/abs(结束SOC-起始SOC)，对所述放电容量序列取加权平均，公式为Cd＝sum(j/n*Cdj)/sum(j/n),1≤j≤n,得到所述放电容量Cd，其中abs为计算绝对值的公式，sum为求和公式，SOC为荷电状态，j为整数。

13.根据权利要求9或10所述的用于储能站的储能电池异常识别系统，其特征在于，所述计算储能电池的充电效率、放电效率以及转化效率的方法为标称效率计算法。

14.根据权利要求13所述的用于储能站的储能电池异常识别系统，其特征在于，所述标称效率计算法进一步包括：

根据所述充电容量Cc计算得出所述充电效率，公式为充电效率＝Cc/Cs；

根据所述放电容量Cd计算得出所述放电效率，公式为放电效率＝Cd/Cs；

根据所述充电容量Cc和所述放电容量Cd计算得出所述转化效率，公式为转化效率＝Cd/Cc。

15.根据权利要求9或10所述的用于储能站的储能电池异常识别系统，其特征在于，所述容量评分的方法为最小值法或均值法。

16.根据权利要求15所述的用于储能站的储能电池异常识别系统，其特征在于，所述最小值法或均值法的公式为容量评分＝min(充电效率,放电效率,转化效率)或容量评分＝avg(充电效率,放电效率,转化效率)，若所述容量评分小于一个预设参数阈值，则判断所述储能电池为异常，其中min为求最小值公式，avg为求平均值公式。

17.根据权利要求16所述的用于储能站的储能电池异常识别系统，其特征在于，还包括储能电池数据库、数据交互模块、本地模块和/或数据处理模块；其中，

所述本地模块，用于采集储能站的所述储能电池的所述容量评分，并通过所述数据交互模块以定期或实时传输方式将采集到的所述容量评分上传至所述储能电池数据库；

所述储能电池数据库，用于存储多个储能站的所述容量评分；

所述数据处理模块，用于对所述储能电池数据库中的所述容量评分进行分析，以确定所述预设参数阈值。

18.一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，所述计算机程序被设置为运行时执行所述权利要求1-8中任一项所述的方法。

19.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1-8中任一项所述的方法。

20.一种储能站，设置有或者通过网络连接设置有如权利要求9-17中任一项所述的储能电池异常识别系统。