CN117277520A - 一种面向新能源储能电站的soc-soh联合计算方法和装置 - Google Patents

一种面向新能源储能电站的soc-soh联合计算方法和装置 Download PDF

Info

Publication number
CN117277520A
CN117277520A CN202311560643.7A CN202311560643A CN117277520A CN 117277520 A CN117277520 A CN 117277520A CN 202311560643 A CN202311560643 A CN 202311560643A CN 117277520 A CN117277520 A CN 117277520A
Authority
CN
China
Prior art keywords
window
soc
segmentation
soh
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.)
Granted
Application number
CN202311560643.7A
Other languages
English (en)
Other versions
CN117277520B (zh
Inventor
万小春
萧伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Power China Jiangxi Hydropower Engineering Bureau Co ltd
Shenzhen Qingruiboyuan Intelligent Technology Co ltd
Original Assignee
Power China Jiangxi Hydropower Engineering Bureau Co ltd
Shenzhen Qingruiboyuan Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Power China Jiangxi Hydropower Engineering Bureau Co ltd, Shenzhen Qingruiboyuan Intelligent Technology Co ltd filed Critical Power China Jiangxi Hydropower Engineering Bureau Co ltd
Priority to CN202311560643.7A priority Critical patent/CN117277520B/zh
Publication of CN117277520A publication Critical patent/CN117277520A/zh
Application granted granted Critical
Publication of CN117277520B publication Critical patent/CN117277520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/28—Arrangements for balancing of the load in a network by storage of energy
    • H02J3/32—Arrangements for balancing of the load in a network by storage of energy using batteries with converting means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
    • H02J7/005—Detection of state of health [SOH]
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H21/00—Adaptive networks
    • H03H21/0012—Digital adaptive filters
    • H03H21/0025—Particular filtering methods
    • H03H21/0029—Particular filtering methods based on statistics

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Algebra (AREA)
  • Public Health (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明属于新能源储能领域，公开了一种面向新能源储能电站的SOC‑SOH联合计算方法和装置，方法包括：S1，基于新息的变化设定分段窗口阈值；S2，根据所述分段窗口阈值在一段时间内划分多个窗口大小的分段窗口，在每个所述分段窗口内选取与所述窗口大小对应的一组辨识参数；S3，在所述分段窗口内基于所述新息和所述窗口大小创建分段窗口自适应协方差函数，并建立分段窗口自适应滤波器；S4，将所述辨识参数代入所述分段窗口自适应滤波器进行SOC‑SOH联合计算。本发明对估计时间段进行分段，在各分段窗口内选取对应的辨识参数，代入分段窗口自适应滤波器，得到SOC‑SOH结果，所得结果更贴近电池当前情况，更加准确。

Description

一种面向新能源储能电站的SOC-SOH联合计算方法和装置
技术领域
本发明属于新能源储能领域，特别涉及一种面向新能源储能电站的SOC-SOH联合计算方法和装置。
背景技术
新能源储能电站当中，为了保障电站的安全运行，需要对电站当中用于储存新能源电能的储能电池进行参数监测，从而计算电池当前的充放电状态，确保充放电过程安全、可靠、不出现异常情况。例如，避免电池的过充或过放。
电池的充放电状态通常由SOC进行描述，SOC的定义包括以下三种：（1）美国先进电池联合会定义SOC为电池在一定放电倍率下，剩余电量与相同条件下额定容量的比值；（2）韩国起亚汽车公司定义SOC为剩余可用能量与总可用能量的比值；（3）考虑到SOC受充放电倍率、自放电程度、老化程度以及温度的影响，SOC可定义为剩余容量与额定容量和容量衰减因子的差值之间的比值。
电池的寿命和衰减情况通常由SOH进行描述。电池的老化是一个渐变的、复杂的过程，尽管如此，我们还是希望找到一些可以量化的指标，对电池的劣化程度进行描述。选择这样的指标的原则有两点：第一，指标典型，能够反映出电池老化的程度。第二，具有可操作性，如用电池的剩余循环次数来定义老化程度就不具有可操作性。
实际过程中我们可以依据不同的应用场景对SOH，即蓄电池的容量、健康度和性能状态进行定义：（1）对HEV混合动力汽车来说，SOH是电池内阻增加或者功率衰减的指示，如果内阻增大到使用功率受限，则说明电池达到了EOL，即汽车功能检测条件，因此SOH可以根据电池寿命终结时的电池内阻、电池出厂时的内电阻和电池当前状态下的内阻来定义；（2）也可从电池容量的角度定义SOH，根据电池寿命终止时间的容量值、新电池的容量值和当前时刻的实际电池容量值来定义SOH。
除了以上两种SOH定义方式以外，在实际电池成组应用过程中，我们还可以从电池老化不一致性、电池自放电率等指标来定义SOH。
国内大部分厂商基于电池的剩余循环次数或者累积安时数、瓦时能量数来定义SOH，但是实际使用过程中不确定因素太多，无法对电池之后的使用环境进行预测，也无法准确预测剩余的循环次数，因此这些定义的可操作性不强。
而现有技术中使用卡尔曼滤波算法估计SOC-SOH，在进行电池的SOC和SOH计算之前，需要确定电池的等效电路模型，也就是确定等效电路模型的参数，确定模型参数的过程称为系统辨识，也叫作参数辨识，辨识得到的各个参数不是恒定数值，都与SOC存在函数关系，随着SOC的变化，辨识得到的参数也随之变化，不存在一组不变的参数能够准确描述所有情况的SOC。
现有市面上的SOC-SOH估计，仅使用辨识得到的一组辨识参数对不同情况进行代表，使得SOC-SOH估计误差比较大；并且不能够准确对SOC-SOH进行估计。
发明内容
本发明的目的在于克服现有技术中不能准确对SOC-SOH进行估计的问题，提供一种面向新能源储能电站的SOC-SOH联合计算方法和装置，提出分段窗口自适应滤波器对SOC和SOH进行联合估计，根据新息计算窗口大小并进行分段，在不同的分段窗口内切换使用不同的辨识参数，很大程度上增加了估计的准确性。
为了实现上述发明目的，本发明提供了以下技术方案：
一种面向新能源储能电站的SOC-SOH联合计算方法，包括：
S1，统计一段时间内新息的外积矩阵的迹，基于所述迹的方差设定分段窗口阈值，所述分段窗口阈值会随着新息的加入而更新；
S2，基于所述分段窗口阈值在一段时间内划分多个窗口大小的分段窗口，在每个所述分段窗口内选取与所述窗口大小对应的一组辨识参数；
S3，在所述分段窗口内基于所述新息和所述窗口大小创建分段窗口自适应协方差函数，并建立分段窗口自适应滤波器；
S4，将所述辨识参数代入所述分段窗口自适应滤波器对新能源储能电站当中的储能电池的SOC-SOH进行联合计算。
作为本发明的优选方案，步骤S1中所述分段窗口阈值设定步骤包括：将一段时间内的所述迹作为统计量，统计所述迹的方差，并设定窗口界限参数，所述分段窗口阈值为所述窗口界限参数和所述迹的方差的乘积。
作为本发明的优选方案，所述窗口界限参数为一组固定间隔的取值，当出现分段时，所述窗口界限参数改变。
作为本发明的优选方案，步骤S2中基于所述分段窗口阈值在一段时间内划分多个窗口大小的分段窗口的步骤包括：从一段时间的起点开始，逐步计算所述迹的标准差，若在某时刻所述迹的标准差大于所述分段窗口阈值，则在该时刻进行分段，若小于所述分段窗口阈值，则逐步延长时间段并重新计算所述分段窗口阈值，在一段时间内划分多个窗口大小的分段窗口。
作为本发明的优选方案，步骤S2中所述一组辨识参数，若其所在分段窗口内的所述迹的期望大于所述分段窗口阈值，则选择不同于该分段窗口的窗口大小对应的一组辨识参数，否则选择该分段窗口的窗口大小对应的一组辨识参数。
作为本发明的优选方案，步骤S3中所述分段窗口自适应协方差函数为：
；
其中，M为所述窗口大小，e为新息，Hk为k时刻的所述分段窗口自适应协方差函数。
作为本发明的优选方案，测量噪声协方差矩阵和系统噪声协方差矩阵会随着所述分段窗口自适应协方差函数的更新而更新，所述测量噪声协方差矩阵更新为：
；
其中，Ck为k时刻的观测矩阵，Pk为k时刻的参数估计协方差矩阵；
所述系统噪声协方差矩阵更新为：
；
其中，Kk为k时刻的卡尔曼滤波增益矩阵。
作为本发明的优选方案，所述分段窗口自适应滤波器的构建步骤包括：建立多时间尺度系统，在不同所述窗口大小的所述分段窗口内，选取该窗口的辨识参数和所述分段窗口自适应协方差函数，基于卡尔曼滤波算法采用两个估计器对系统状态和参数进行估计，构成多时间尺度的分段窗口自适应滤波器。
作为本发明的优选方案，所述多时间尺度系统具体包括：以宏观时间尺度估计电芯SOC，以微观尺度估计电芯SOH。
基于相同的构思，本发明还提供一种面向新能源储能电站的SOC-SOH联合计算装置，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；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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上述任一项所述的一种面向新能源储能电站的SOC-SOH联合计算方法。
与现有技术相比，本发明的有益效果：
本发明根据新息的变化对将要估计的时间段进行窗口分段，在不同窗口大小的分段窗口内选取不同辨识参数，同时更新分段窗口自适应协方差函数，建立非线性离散系统状态的分段窗口自适应滤波器，在各分段窗口内将对应的辨识参数代入所述分段窗口自适应滤波器，将滤波过程划分为细致的多段，每段内用不同辨识参数进行更新，提高SOC和SOH计算的准确性，并且分段窗口自适应协方差函数的更新不再只依赖于当前时刻的新息，而是窗口内时间段的所有新息，能更好的降低误差，进一步提高SOC和SOH计算的准确性。
附图说明
图1为一种面向新能源储能电站的SOC-SOH联合计算方法的流程示意图；
图2为实施例2的模型电路结构示意图；
图3为实施例2的RO与SOC的关系示意图；
图4为实施例2的R1与SOC的关系示意图；
图5为实施例2的C1与SOC的关系示意图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
本发明的描述中涉及关键术语描述需要理解如下：
新息：观测测量值和预测测量值之间的差值；
新息的外积矩阵：新息向量与其转置向量的向量积。
如图1所示的一种面向新能源储能电站的SOC-SOH联合计算方法，该方法步骤包括：
S1，统计一段时间内新息的外积矩阵的迹，基于所述迹的方差设定分段窗口阈值，所述分段窗口阈值会随着新息的加入而更新；
具体的，将一段时间内的所述迹作为统计量，统计所述迹的方差，并设定窗口界限参数，所述分段窗口阈值为所述窗口界限参数和所述迹的方差的乘积。
进一步的，所述窗口界限参数可以为一组固定间隔的取值，当出现分段时，所述窗口界限参数改变。
S2，基于所述分段窗口阈值在一段时间内划分多个窗口大小的分段窗口，在每个所述分段窗口内选取与所述窗口大小对应的一组辨识参数；
具体的，步骤S2中基于所述分段窗口阈值在一段时间内划分多个窗口大小的分段窗口的步骤包括：从一段时间的起点开始，逐步计算所述迹的标准差，若在某时刻所述迹的标准差大于所述分段窗口阈值，则在该时刻进行分段，若小于所述分段窗口阈值，则逐步延长时间段并重新计算所述分段窗口阈值，在一段时间内划分多个窗口大小的分段窗口。
进一步的，步骤S2中所述一组辨识参数，若其所在分段窗口内的所述迹的期望大于所述分段窗口阈值，则选择不同于该分段窗口的窗口大小对应的一组辨识参数，否则选择该分段窗口的窗口大小对应的一组辨识参数。
S3，在所述分段窗口内基于所述新息和所述窗口大小创建分段窗口自适应协方差函数，并建立分段窗口自适应滤波器；
具体的，步骤S3中所述分段窗口自适应协方差函数为：
；
其中，M为所述窗口大小，e为新息，Hk为k时刻的所述分段窗口自适应协方差函数。
进一步的，测量噪声协方差矩阵和系统噪声协方差矩阵会随着所述分段窗口自适应协方差函数的更新而更新，所述测量噪声协方差矩阵更新为：
；
其中，Ck为k时刻的观测矩阵，Pk为k时刻的参数估计协方差矩阵；
所述系统噪声协方差矩阵更新为：
；
其中，Kk为k时刻的卡尔曼滤波增益矩阵。
进一步的，所述分段窗口自适应滤波器的构建步骤包括：建立多时间尺度系统，在不同所述窗口大小的所述分段窗口内，选取该窗口的辨识参数和所述分段窗口自适应协方差函数，基于卡尔曼滤波算法采用两个估计器对系统状态和参数进行估计，构成多时间尺度的分段窗口自适应滤波器。
S4，将所述辨识参数代入所述分段窗口自适应滤波器对新能源储能电站当中的储能电池的SOC-SOH进行联合计算。
基于相同的构思，本发明还提供一种面向新能源储能电站的SOC-SOH联合计算装置，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；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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上述任一项所述的一种面向新能源储能电站的SOC-SOH联合计算方法。
实施例2
对于新能源储能电站当中的储能电池，常用的等效电路模型为Thevenin模型，当然也可采用其他等效电路模型。本发明以Thevenin模型的参数辨识作为实施例，但不局限于本实施例。
如图2所示的Thevenin模型电路结构，Uoc是开路电压，R0是欧姆内阻，R1、C1、U1分别是极化内阻、极化电容、极化电压，I、U分别是回路的电流、端电压。需要辨识的参数有3个，R0、R1、C1。
使用HPPC测试数据作为参数辨识使用的工况数据，利用最小二乘拟合法得到一阶RC模型的参数辨识结果如下：
如图3-5所示，辨识得到的各个参数不是恒定数值，都与SOC存在函数关系，例如当SOC=80%，R0=0.1089Ω，R1=0.0391Ω，C1=920F。
所以只选取一组辨识参数进行SOC和SOH的估计是不准确的，本发明根据新息的变化对估计时间段进行分段，在不同窗口大小的分段窗口内使用不同的辨识参数进行SOC和SOH的估计。
预先将不同的窗口大小与不同组的辨识参数对应，如窗口大小为3个时刻，对应上述SOC=80%，R0=0.1089Ω，R1=0.0391Ω，C1=920F这一组辨识参数，若窗口大小为4个时刻，可对应SOC为其它值时所对应的R0,R1,C1。实现在不同窗口大小的分段窗口内，切换使用不同的辨识参数，增加估计的准确性。
具体分段的方式为：根据新息e的外积矩阵的迹tr的变化，将迹tr作为统计量，考虑到迹在矩阵分析中可以一定程度的表征新息e所在空间的震荡程度，利用这种特性，同时结合统计学中的方差，通过新息e的外积矩阵的迹tr以及迹tr的方差共同表现新息e所在的空间震荡程度，若震荡程度过大则说明原窗口不再适合估计，误差太大，太粗糙，需要更新窗口，故统计迹tr的期望和方差，分别记为mean(tr)和std(tr)，同时设定窗口界限参数coef_std，实际应用当中coef_std取值为1.65，将分段窗口阈值设定为coef_std*std(tr)，从一段时间的起点开始，以时刻为步长，逐步计算所述分段窗口阈值coef_std*std(tr)，若这段时间内的迹tr的标准差sd（tr）>分段窗口阈值coef_std*std(tr)时，说明这段时间内新息e的空间震荡程度过大，需要在此时刻进行分段，若小于所述分段窗口阈值，则逐步延长时间段并重新计算所述分段窗口阈值，在一段时间内划分多个窗口大小的分段窗口。
进一步的，所述窗口界限参数coef_std可以拓展为一组取值，例如按0.05为间隔，取值为1.35,1.4,1.45,1.5,1.55,1.6,1.65,1.7，…，在每次分段后通过所述窗口界限参数coef_std的变化控制所述分段窗口阈值的变化，可以细分窗口大小，使更多组的辨识参数参与到SOC和SOH的估计中，并且当对估计结果要求更高时，可通过改变窗口界限参数coef_std对一个时间段进行重复多次估计，再根据多组估计结果判断SOC和SOH的情况。
进一步的，为避免出现相同长度窗口大小的分段窗口比例过大，在分段后判断tr-mean(tr)<分段窗口阈值coef_std*std(tr)，若满足公式，则选择该分段窗口的窗口大小对应的一组辨识参数，否则，选择不同于该分段窗口的窗口大小对应的一组辨识参数。
在上述窗口分段和辨识参数选取规则设定完成后，基于卡尔曼滤波算法建立分段窗口自适应滤波器在每一段窗口内根据窗口大小选取辨识参数进行SOC和SOH的联合估计。
本发明基于卡尔曼滤波算法建立分段窗口自适应滤波器，其中噪声信息协方差矩阵匹配能够根据噪声统计特性，随着估计结果的变化而自适应更新，通过计算新息和卡尔曼滤波增益矩阵，进而得到噪声协方差矩阵的自适应更新。
具体的，创建分段窗口自适应协方差函数：
其中，M为窗口大小，k表示第k时刻，参与第k时刻计算的成分为很多新息的外积矩阵eiei T，具体用角标i指出,在传统卡尔曼滤波算法中，自适应协方差匹配函数H只与上一时刻和当前时刻的新息有关，并随之自适应变化，并不能很好联系一段时间内新息的变化，所估计的SOH和SOC的情况不够准确，本发明根据窗口大小计算自适应协方差函数，不再以时刻为估计步长，而是以各个窗口为估计步长，能更好的利用各时间段内新息之间的联系，来反应SOH和SOC的情况，估计结果更准确。
同时，由于测量噪声协方差矩阵和系统噪声协方差矩阵会随着自适应协方差矩阵的更新而更新，所以在各个分段窗口内测量噪声协方差矩阵和系统噪声协方差矩阵也能更好的反应窗口内SOH和SOC的情况，所述测量噪声协方差矩阵更新为：
；
其中，Ck为k时刻的观测矩阵，Pk为k时刻的参数估计协方差矩阵；
所述系统噪声协方差矩阵更新为：
；
其中，Kk为k时刻的卡尔曼滤波增益矩阵。
在传统卡尔曼滤波算法中，基于创建的分段窗口自适应协方差函数和更新的测量噪声协方差矩阵、系统噪声协方差矩阵，建立非线性离散系统状态的分段窗口自适应滤波器，具体内容如下：
电芯SOC与 SOH 的耦合关系使得SOC与 SOH估计算法相互依赖，因此建立能够反映 SOC与 SOH 相关关系的协同估计算法很重要。在 SOC-SOH 协同估计框架中，SOC估计所用的容量值需要动态更新，相比之前SOC所用的静态容量，动态容量能够随着电芯工况变化而自适应调整，取得更加优秀的估计性能。
电芯的开路电压OCV、阻抗参数和容量等参数直接反映了电芯 SOH，将这些参数认为电芯SOH 的映射参数值。那么SOC与 SOH 的耦合估计问题可以转换为状态（SOC）与参数(SOH)的联合估计问题。
针对这一问题，采用两个互为输入的估计器，称为协同估计，分别用于电芯状态与参数的估计，二者共用同一新息，用于保证算法的稳定和收敛。考虑电芯参数(容量、内阻等)具有缓慢的时变特性，而其状态（SOC）具有快速的时变特性，如果使用同一时间尺度进行电芯系统中所有单体的参数和状态估计，频繁的参数更新将会使得参数波动剧烈，甚至影响状态更新的精度。因此，以宏观时间尺度估计电芯参数，包括可用容量、极化内阻和欧姆内阻等，以微观时间尺度估计电芯的状态，建立基于多时间尺度系统的电芯参数和状态估计方法，引入多时间尺度k和l，分别表示宏观时间尺度和微观时间尺度。
基于所述多时间尺度系统，采用两个估计器对系统状态和参数进行估计，从而构成了多时间尺度下的电芯SOC-SOH协同估计，将分段窗口自适应滤波器与多时间尺度结合，构成了多时间尺度的分段窗口自适应滤波器，具体步骤包括：
步骤1、初始化：，其中/>是参数观测器的初始值，参数估计协方差矩阵初始值、系统噪声协方差矩阵的初始值。/>分别是状态观测器的系统状态初始值、状态估计误差协方差矩阵初始值、系统噪声协方差矩阵初始值。为观测噪声协方差矩阵初始值。
步骤2、基于宏观时间尺度的参数观测的时间更新：
步骤3、基于微观时间尺度的状态观测器的时间更新：
步骤4、基于微观时间尺度的状态观测器测量更新：
状态估计新息矩阵更新：
卡尔曼增益矩阵：
自适应协方差匹配：
噪声协方差矩阵更新：
系统状态估计修正：
状态估计协方差矩阵的更新：
微观时间尺度循环计算和尺度转换：
至此，完成一个宏观尺度下微观时间尺度的循环计算，下一步进行宏观尺度的参数估计的测量更新。
步骤5、基于宏观时间尺度的状态观测器的测量更新
参数估计新息矩阵更新：
卡尔曼增益矩阵：
自适应协方差矩阵匹配：
噪声协方差矩阵更新：
系统参数估计的修正值：
；
状态估计协方差矩阵的更新：
；
以上步骤为所述多时间尺度的分段窗口自适应滤波器。
再在各个分段窗口将选取的辨识参数代入分段窗口自适应滤波器，完成一种面向新能源储能电站的SOC-SOH联合计算。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种面向新能源储能电站的SOC-SOH联合计算方法，其特征在于，该方法步骤包括：
S1，统计一段时间内新息的外积矩阵的迹，基于所述迹的方差设定分段窗口阈值；
S2，基于所述分段窗口阈值在一段时间内划分多个窗口大小的分段窗口，在每个所述分段窗口内选取与所述窗口大小对应的一组辨识参数；
S3，在所述分段窗口内基于所述新息和所述窗口大小创建分段窗口自适应协方差函数，并建立分段窗口自适应滤波器；
S4，将所述辨识参数代入所述分段窗口自适应滤波器对新能源储能电站当中的储能电池的SOC-SOH进行联合计算。
2.根据权利要求1所述的一种面向新能源储能电站的SOC-SOH联合计算方法，其特征在于，步骤S1中所述分段窗口阈值设定步骤包括：将一段时间内的所述迹作为统计量，统计所述迹的方差，并设定窗口界限参数，所述分段窗口阈值为所述窗口界限参数和所述迹的方差的乘积。
3.根据权利要求2所述的一种面向新能源储能电站的SOC-SOH联合计算方法，其特征在于，所述窗口界限参数为一组固定间隔的取值，当出现分段时，所述窗口界限参数改变。
4.根据权利要求2所述的一种面向新能源储能电站的SOC-SOH联合计算方法，其特征在于，步骤S2中基于所述分段窗口阈值在一段时间内划分多个窗口大小的分段窗口的步骤包括：从一段时间的起点开始，逐步计算所述迹的标准差，若在某时刻所述迹的标准差大于所述分段窗口阈值，则在该时刻进行分段，若小于所述分段窗口阈值，则逐步延长时间段并重新计算所述分段窗口阈值，在一段时间内划分多个窗口大小的分段窗口。
5.根据权利要求2所述的一种面向新能源储能电站的SOC-SOH联合计算方法，其特征在于，步骤S2中所述一组辨识参数，若其所在分段窗口内的所述迹的期望大于所述分段窗口阈值，则选择不同于该分段窗口的窗口大小对应的一组辨识参数，否则选择该分段窗口的窗口大小对应的一组辨识参数。
6.根据权利要求2所述的一种面向新能源储能电站的SOC-SOH联合计算方法，其特征在于，步骤S3中所述分段窗口自适应协方差函数为：
；
其中，M为所述窗口大小，e为新息，Hk为k时刻的所述分段窗口自适应协方差函数。
7.根据权利要求6所述的一种面向新能源储能电站的SOC-SOH联合计算方法，其特征在于，测量噪声协方差矩阵和系统噪声协方差矩阵会随着所述分段窗口自适应协方差函数的更新而更新，所述测量噪声协方差矩阵更新为：
；
其中，Ck为k时刻的观测矩阵，Pk为k时刻的参数估计协方差矩阵；
所述系统噪声协方差矩阵更新为：
；
其中，Kk为k时刻的卡尔曼滤波增益矩阵。
8.根据权利要求2所述的一种面向新能源储能电站的SOC-SOH联合计算方法，其特征在于，所述分段窗口自适应滤波器的构建步骤包括：建立多时间尺度系统，在不同所述窗口大小的所述分段窗口内，选取该窗口的辨识参数和所述分段窗口自适应协方差函数，基于卡尔曼滤波算法采用两个估计器对系统状态和参数进行估计，构成多时间尺度的分段窗口自适应滤波器。
9.根据权利要求8所述的一种面向新能源储能电站的SOC-SOH联合计算方法，其特征在于，所述多时间尺度系统具体包括：以宏观时间尺度估计电芯SOC，以微观尺度估计电芯SOH。
10.一种面向新能源储能电站的SOC-SOH联合计算装置，其特征在于，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；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令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至9中任一项所述的一种面向新能源储能电站的SOC-SOH联合计算方法。
CN202311560643.7A 2023-11-22 2023-11-22 一种面向新能源储能电站的soc-soh联合计算方法和装置 Active CN117277520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311560643.7A CN117277520B (zh) 2023-11-22 2023-11-22 一种面向新能源储能电站的soc-soh联合计算方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311560643.7A CN117277520B (zh) 2023-11-22 2023-11-22 一种面向新能源储能电站的soc-soh联合计算方法和装置

Publications (2)

Publication Number Publication Date
CN117277520A true CN117277520A (zh) 2023-12-22
CN117277520B CN117277520B (zh) 2024-02-02

Family

ID=89216478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311560643.7A Active CN117277520B (zh) 2023-11-22 2023-11-22 一种面向新能源储能电站的soc-soh联合计算方法和装置

Country Status (1)

Country Link
CN (1) CN117277520B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107807278A (zh) * 2017-12-06 2018-03-16 河海大学 基于h∞扩展卡尔曼滤波的低频振荡信号参数辨识方法
CN110596593A (zh) * 2019-08-26 2019-12-20 浙江大学 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法
CN115015781A (zh) * 2022-06-21 2022-09-06 广西科技大学 一种基于动态自适应平方根无迹卡尔曼滤波的锂电池soc估计方法
CN116819343A (zh) * 2023-07-18 2023-09-29 桂林电子科技大学 基于变窗口自适应无迹卡尔曼滤波的锂离子电池soc预测方法
CN117074955A (zh) * 2023-08-18 2023-11-17 福州大学 一种基于云-端修正ocv的锂电池状态联合估计方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107807278A (zh) * 2017-12-06 2018-03-16 河海大学 基于h∞扩展卡尔曼滤波的低频振荡信号参数辨识方法
CN110596593A (zh) * 2019-08-26 2019-12-20 浙江大学 基于智能自适应扩展卡尔曼滤波的锂离子电池soc估计方法
CN115015781A (zh) * 2022-06-21 2022-09-06 广西科技大学 一种基于动态自适应平方根无迹卡尔曼滤波的锂电池soc估计方法
CN116819343A (zh) * 2023-07-18 2023-09-29 桂林电子科技大学 基于变窗口自适应无迹卡尔曼滤波的锂离子电池soc预测方法
CN117074955A (zh) * 2023-08-18 2023-11-17 福州大学 一种基于云-端修正ocv的锂电池状态联合估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DENG MA 等: "An Adaptive Tracking-Extended Kalman Filter for SOC Estimation of Batteries with Model Uncertainty and Sensor Error", 《ENERGISE》, pages 1 - 8 *
潘学萍 等: "轨迹特征根的解析估算及其误差分析", 电力系统自动化, vol. 32, no. 19, pages 10 *

Also Published As

Publication number Publication date
CN117277520B (zh) 2024-02-02

Similar Documents

Publication Publication Date Title
CN110261779B (zh) 一种三元锂电池荷电状态与健康状态在线协同估计方法
CN110988690B (zh) 电池健康状态修正方法、装置、管理系统以及存储介质
CN106291381B (zh) 一种联合估计动力电池系统荷电状态与健康状态的方法
CN105301509B (zh) 锂离子电池荷电状态、健康状态与功率状态的联合估计方法
US10664562B2 (en) Battery state of charge tracking, equivalent circuit selection and benchmarking
US8099180B2 (en) State and parameter estimator having integral and differential components for electrical energy accumulators
KR20190027609A (ko) 배터리 충전 상태 추정 장치 및 방법
CN103797374A (zh) 用于电池监控的系统和方法
JP2013531780A (ja) リチウムイオン電池充電状態の算出方法
CN109828215A (zh) 一种提升电池单体soc估算精度的方法和系统
CN111929602A (zh) 一种基于容量估计的单体电池漏电或微短路定量诊断方法
CN110687462A (zh) 一种动力电池soc与容量全生命周期联合估计方法
CN112528472A (zh) 一种多新息混合Kalman滤波和H无穷滤波算法
CN113484762A (zh) 电池健康状态估算方法、装置、设备及存储介质
CN116224073A (zh) 电池soc估计方法、装置、设备、电池模组及存储介质
CN110988701B (zh) 电池可用能量确定方法、装置、管理系统以及存储介质
CN109298340B (zh) 一种基于可变时间尺度的电池容量在线估计方法
CN109633451B (zh) 储能系统自轨迹参数标定方法及soc估算方法
CN112009252B (zh) 一种动力电池系统故障诊断及容错控制方法
CN117277520B (zh) 一种面向新能源储能电站的soc-soh联合计算方法和装置
CN115856681A (zh) 基于ekf自适应温度调节的电池soc估算方法
CN115616434A (zh) 一种基于退化模型校准的锂电池soc和soh实时估算方法
CN115113061A (zh) 修正电池soc的方法及相关装置
CN114935722B (zh) 基于数字孪生的锂电池边端协同管理方法
US20240125857A1 (en) Method for calculating state of charge of battery

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
GR01 Patent grant
GR01 Patent grant