CN117368744A - 一种户用储能电池在线评估方法 - Google Patents
一种户用储能电池在线评估方法 Download PDFInfo
- Publication number
- CN117368744A CN117368744A CN202311666362.XA CN202311666362A CN117368744A CN 117368744 A CN117368744 A CN 117368744A CN 202311666362 A CN202311666362 A CN 202311666362A CN 117368744 A CN117368744 A CN 117368744A
- Authority
- CN
- China
- Prior art keywords
- sequence
- voltage
- data point
- data
- charging
- 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
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 50
- 238000011156 evaluation Methods 0.000 title claims abstract description 30
- 210000004027 cell Anatomy 0.000 claims description 72
- 238000000034 method Methods 0.000 claims description 52
- 230000008569 process Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 17
- 230000035772 mutation Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 21
- 229910001416 lithium ion Inorganic materials 0.000 description 21
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal 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]
- G01R31/367—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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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
本发明涉及储能电池数据处理技术领域,提出了一种户用储能电池在线评估方法,获取储能电池的电芯温度序列、充电电压序列以及充电电流序列,计算电芯表面温度和充电电流对充电电压的影响系数,根据电芯表面温度和充电电流对充电电压的影响系数得到电芯温度序列及充电电流序列中各数据点的电压幅度变化贡献度,进而得到充电电压序列中各数据点的综合电压幅度变化贡献度及电压波动含噪指数,从而得到充电电压序列中各数据点在移动平均滤波器中滑动窗口的尺寸,完成户用储能电池的在线评估。本发明旨在提高户用储能电池使用的安全性与可靠性,实现户用储能电池的精确评估。
Description
技术领域
本发明涉及储能电池数据处理技术领域,具体涉及一种户用储能电池在线评估方法。
背景技术
户用储能电池,也被称为家庭储能电池,可将由太阳能光伏发电系统或其他可再生能源发电系统产生的多余的电能储存起来,用于辅助电网平衡发电能力与用电需求,可帮助居民或企业降低用电成本,同时在面临重大灾害等因素导致电网电力中断时作为应急备用电源使用,提升供电的可靠性。在户用储能电池进行充电的过程中,储能电池中的某些电芯的充电电压过高或过低将会导致整个储能电池的性能下降,因此需要对各个电芯的充电电压进行实时监测。但是充电电压数据通常是使用传感器进行获取的,而传感器在数据的采集和传输的过程中,会受到噪声、电磁干扰等因素的影响,导致采集的数据中存在噪声或异常波动的情况,影响后续的监控、控制和分析,因此需要对采集的充电电压数据进行去噪处理。
移动平均滤波器是一种常用的数字信号处理算法,能够有效的滤除数据中的噪声和波动。而移动平均滤波器的去噪效果取决于滑动窗口的大小,但是传统的移动平均滤波器的滑动窗口的大小是固定的,对于户用储能电池此类较复杂的场景,储能电池的充电过程会受到多种因素的影响,此类因素会导致采集的数据出现较大的波动,过小的滑动窗口将会导致数据中噪声和波动的滤除效果较差,而较大的滑动窗口将会导致正常的数据被引入部分噪声与真实值产生较大的误差。
发明内容
为了解决上述技术问题,本发明提供一种户用储能电池在线评估方法,以解决现有的问题。
本发明的一种户用储能电池在线评估方法采用如下技术方案:
本发明一个实施例提供了一种户用储能电池在线评估方法,该方法包括以下步骤:
采集户用储能电池的电芯温度序列、充电电压序列及充电电流序列;
获取电芯表面温度、充电电流对充电电压的影响系数;针对电芯温度序列中的各数据点设定局部时间窗口,根据局部时间窗口中各数据点的分布特征得到各数据点的局部趋势因子;根据电芯温度序列中各数据点的邻域差异得到各数据点的温度突变系数;结合电芯表面温度对充电电压的影响系数、各数据点的局部趋势因子、各数据点的温度突变系数得到电芯温度序列中各数据点的电压幅度变化贡献度;
以此类推,结合充电电流对充电电压的影响系数获取充电电流序列中各数据点的电压幅度变化贡献度;结合电芯温度序列及充电电流序列中各数据点的电压幅度变化贡献度得到充电电压序列中各数据点的综合电压幅度变化贡献度;
根据充电电压序列中数据点的分布得到充电电压序列中各数据点的电压波动含噪指数;结合充电电压序列中各数据点的综合电压幅度变化贡献度及电压波动含噪指数得到充电电压序列中各数据点在移动平均滤波器中滑动窗口的尺寸;结合移动平均滤波器中滑动窗口的尺寸及指数移动平均算法完成户用储能电池在线评估;
所述根据充电电压序列中数据点的分布得到充电电压序列中各数据点的电压波动含噪指数,包括:
充电电压序列中各数据点的局部电压波动集中度表达式为:
式中,表示充电电压序列/>中第/>个数据点的局部电压波动集中度;/>表示电压波动数据序列/>中的第/>个数据点的局部时间窗口对应在局部电压波动曲线上所包含的极值点的个数,/>表示时间距离函数,/>表示电压波动数据序列/>中的第/>个数据点的局部时间窗口对应在局部电压波动曲线上所包含的第/>个极值点与第/>个数据点的数据采集时间差,/>表示调参常数;
充电电压序列中各数据点的电压波动含噪指数表达式为:
式中,表示充电电压序列/>中第/>个数据点的电压波动含噪指数,/>表示电压波动数据序列/>中的第/>个数据点的局部时间窗口对应在局部电压波动曲线上的第/>个极值点的局部电压波动幅值,/>表示电压波动数据序列/>中的第/>个数据点,/>表示调参常数,/>表示充电电压序列/>中第/>个数据点的局部电压波动集中度,/>表示电压波动数据序列/>中的第/>个数据点的局部时间窗口对应在局部电压波动曲线上所包含的极值点的个数。
优选的,所述获取电芯表面温度、充电电流对充电电压的影响系数,包括:
获取历史充电电压序列、历史电芯温度序列、历史充电电流序列,对各历史序列的数据进行人工修正,将人工修正后的历史电芯温度序列、历史充电电流序列分别作为预测能力得分模型PPS输入的特征,将人工修正后的历史充电电压序列作为预测能力得分模型PPS输入的目标变量,预测能力得分模型PPS的输出为每个特征与目标变量之间的预测能力得分,计算所述预测能力得分的和值,将历史电芯温度序列特征的预测能力得分与所述和值的比值作为电芯表面温度对充电电压的影响系数,将历史充电电流序列特征的预测能力得分与所述和值的比值作为充电电流对充电电压的影响系数。
优选的,所述根据局部时间窗口中各数据点的分布特征得到各数据点的局部趋势因子,包括:
计算局部时间窗口内所包含数据点的Hurst指数,对局部时间窗口内所包含的数据点进行直线拟合并计算直线拟合的斜率,计算Hurst指数与0.5的差值绝对值,将所述差值绝对值作为以自然常数为底数的指数函数的指数,计算所述指数函数的计算结果与所述斜率的乘积,将所述乘积作为各数据点的局部趋势因子。
优选的,所述根据电芯温度序列中各数据点的邻域差异得到各数据点的温度突变系数,表达式为:
式中,表示电芯温度序列/>中第/>个数据点的温度突变系数,/>表示电芯温度序列/>中第/>个数据点的局部时间窗口内第/>个数据点,/>表示电芯温度序列/>中第个数据点,/>表示第/>个数据点的局部时间窗口包含数据点的个数。
优选的,所述电芯温度序列中各数据点的电压幅度变化贡献度,包括:
将电芯表面温度对充电电压的影响系数、各数据点的局部趋势因子及各数据点的温度突变系数的乘积作为电芯温度序列中各数据点的电压幅度变化贡献度。
优选的,所述结合充电电流对充电电压的影响系数获取充电电流序列中各数据点的电压幅度变化贡献度,包括:
针对充电电流序列,计算充电电流序列中各数据点的局部趋势因子,采用和温度突变系数相同的计算方式得到充电电流序列中各数据点的电流突变系数,将充电电流对充电电压的影响系数、各数据点的局部趋势因子及各数据点的电流突变系数作为充电电流序列中各数据点的电压幅度变化贡献度。
优选的,所述充电电压序列中各数据点的综合电压幅度变化贡献度,包括:
将电芯温度序列中各数据点的电压幅度变化贡献度与充电电流序列中各数据点的电压幅度变化贡献度的和值作为充电电压序列中各数据点的综合电压幅度变化贡献度。
优选的,所述充电电压序列中各数据点在移动平均滤波器中滑动窗口的尺寸,包括:
针对充电电压序列,计算各数据点的综合电压幅度变化贡献度与预设调参常数的和值,计算各数据点的电压波动含噪指数与所述和值的比值,计算所述比值的归一化值与预设第一窗口调节常数的乘积,将所述乘积的四舍五入值与预设第二窗口调节常数的和值作为充电电压序列中各数据点在移动平均滤波器中滑动窗口的尺寸。
优选的,所述结合移动平均滤波器中滑动窗口的尺寸及指数移动平均算法完成户用储能电池在线评估,包括:
利用充电电压序列中各数据点在移动平均滤波器中滑动窗口的尺寸改进移动平均滤波器算法,利用改进后的移动平均滤波器算法对充电电压序列进行去噪,将去噪后的充电电压序列作为指数移动平均算法的输入,指数移动平均算法的输出为充电电压序列下一时刻的充电电压预测值,若充电电压预测值大于预设户用储能电池标准充电电压,则中断充电,反之,则正常充电。
本发明至少具有如下有益效果:
针对传统的移动平均滤波器中滑动窗口的大小通常是固定的,在对较复杂的场景进行数据去噪时,出现滑动窗口过大或过小的问题,而导致数据中噪声和波动的滤除效果较差,以及正常的数据被引入噪声而与真实值产生较大的误差,本发明提出一种户用储能电池在线评估方法,提高了充电电压序列中主要由锂离子电芯的表面温度和充电电流引起的充电电压数据异常波动的数据点与主要由噪声和电磁干扰引起的充电电压数据异常波动的数据点之间的区分度,基于综合电压幅度变化贡献度和电压波动含噪指数构建窗口调节权重,自适应地得到移动平均滤波器中滑动窗口的大小,对综合电压幅度变化贡献度较大的数据点赋予较大的窗口调节权重,以保证充电电压数据的真实性,提高充电电压数据中噪声的滤除效果,使用移动平均滤波器完成对锂离子电芯的充电电压数据的去噪,并完成后续对锂离子电芯的评估。本发明具有户用储能电池评估准确、真实、可靠的有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例提供的一种户用储能电池在线评估方法的步骤流程图;
图2为户用储能电池在线评估指标获取流程图;
图3为局部电压波动曲线及局部时间窗口示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种户用储能电池在线评估方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种户用储能电池在线评估方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种户用储能电池在线评估方法的步骤流程图,该方法包括以下步骤:
步骤S001,采集户用储能电池的电芯温度序列、充电电压序列以及充电电流序列,并对采集的数据进行预处理。
本发明实施例以锂离子户用储能电池为例,对锂离子储能电池中的锂离子电芯的充电电压进行实时监控,以此评估锂离子电芯是否处于正常充电状态。在锂离子电芯的表面安装温度传感器,采集锂离子电芯表面的温度,在锂离子电芯的电极端连接一个电压传感器和电流传感器,采集锂离子电芯的充电电压和充电电流。本实施例中,电压传感器和电流传感器采样的数据量均记为,相邻两次数据采集的时间间隔记为/>秒,本实施例中,实施者可根据实际情况自行设定,本实施例对此不做限制。
将电压传感器采集的所有充电电压数据确定为充电电压序列,将电流传感器采集的所有充电电流数据确定为充电电流序列,将温度传感器采集的所有温度数据确定为电芯温度序列,所有数据序列均按照时间顺序的升序进行排列,由于在数据的采集和传输过程中会出现数据缺失的问题,因此本实施例采用均值填充法对各个数据序列中的缺失值分别进行填充,并将充电电流序列中存在数据缺失的时刻记为电流数据缺失时刻,其中均值填充法为现有公知技术,本实施例在此不再详细赘述。使用归一化方法对经过数据填充后的各个数据序列分别进行归一化的去量纲处理,得到电芯温度序列/>、充电电压序列/>以及充电电流序列/>,其中/>归一化方法为现有公知技术,本实施例在此不做详细赘述。
步骤S002,根据电芯温度序列和充电电流序列的分布以及温度和充电电流对充电电压的影响,构建综合电压幅度变化贡献度,根据充电电压序列中被噪声影响的数据点的分布情况,构建电压波动含噪指数,基于综合电压幅度变化贡献度和电压波动含噪指数构建窗口调节权重。
具体的,本实施例将计算电芯表面温度和充电电流对充电电压的影响系数,根据电芯表面温度和充电电流对充电电压的影响系数得到电芯温度序列及充电电流序列中各数据点的电压幅度变化贡献度,进而得到充电电压序列中各数据点的综合电压幅度变化贡献度及电压波动含噪指数,从而得到充电电压序列中各数据点在移动平均滤波器中滑动窗口的尺寸,完成户用储能电池的在线评估,户用储能电池在线评估指标获取流程图如图2所示。充电电压序列中各数据点在移动平均滤波器中的窗口调节权重的构建过程具体为:
在可再生能源发电系统对锂离子电芯进行充电的过程中,锂离子电芯的表面温度和充电电流通常是变化的,这是因为锂离子电芯内部的化学反应会产生热量,并且可再生能源发电系统的输出功率通常是变化的,例如光伏发电系统的输出功率受到太阳辐射和环境温度的变化而变化。对于采集得到的充电电压数据,既包含噪声和电磁干扰引起的充电电压数据的变化,也包含锂离子电芯的表面温度和充电电流的变化引起的充电电压数据的变化,并且,一般情况下,锂离子电芯的表面温度和充电电流引起的充电电压数据的变化会比噪声和电磁干扰引起的充电电压数据的变化更显著。
因此本发明实施例通过提高充电电压序列中主要由锂离子电芯的表面温度和充电电流引起的充电电压数据异常波动的数据点和主要由噪声和电磁干扰引起的充电电压数据异常波动的数据点之间的区分度,自适应地调整充电电压序列中的各个数据点在移动平均滤波器中的窗口大小,在平滑充电电压数据的同时,保证充电电压数据的真实性。
首先根据锂离子电芯的表面温度和充电电流对充电电压的不同影响程度,分别计算电芯表面温度、充电电流对充电电压的影响系数。具体的,获取电芯温度序列、充电电压序列/>以及充电电流序列/>前/>时刻的历史充电电压序列/>、历史电芯温度序列/>、历史充电电流序列/>,并对历史充电电压序列/>、历史电芯温度序列/>、历史充电电流序列进行人工修正,其中/>、/>、/>的数据采集量均为/>。由于/>、/>、/>这三个数据序列中数据的变化一般是非线性的,因此将人工修正后的/>、/>、/>三个数据序列作为预测能力得分模型PPS(Predictive Power Score)的输入,其中将充电电压作为目标变量,将电芯表面温度、充电电流均作为特征,输出每个特征与目标变量之间的预测能力得分,记为电压数据预测能力得分/>,其中预测能力得分模型PPS(Predictive Power Score)为现有公知技术,本实施例在此不做详细赘述。根据电压数据预测能力得分分别得到电芯表面温度和充电电流对充电电压的影响系数,具体表达式为:
式中,为电芯表面温度对充电电压的影响系数,/>表示充电电流对充电电压的影响系数,/>、/>分别表示电芯表面温度和充电电流对应的电压数据预测能力得分。其中的值越大,表示使用历史电芯温度序列/>对充电电压序列/>进行预测的能力越强,说明电芯表面温度数据的变化越能反映充电电压数据的变化,即影响系数/>的值越大。
以电芯温度序列为例,对电芯温度序列/>进行一阶差分处理,获取电芯温度序列中各个数据点的变化率,将处理后得到的数据序列记为电芯表面温度变化率数据序列/>,其中一阶差分为现有公知技术,本实施例在此不再赘述。设置一个长度为/>的局部时间窗口,局部时间窗口内包含数据点的个数为/>,局部时间窗口的时间区间为局部时间窗口内第1个数据点与第/>个数据点所对应采样时刻的时间,以电芯温度序列/>中的各数据点为中心,取各数据点的局部时间窗口,本实施例中/>,实施者可根据实际情况自行设定,本实施例在此不做限制。结合电芯表面温度对充电电压的影响系数/>,得到电芯温度序列/>中的各数据点的电压幅度变化贡献度,具体表达式为:
式中,表示电芯温度序列/>中第/>个数据点的局部趋势因子,/>表示对电芯温度序列/>中第/>个数据点所在局部时间窗口内所有数据点进行Hurst指数的计算结果,表示电芯温度序列/>中第/>个数据点所在局部时间窗口内所有数据点进行直线拟合得到的拟合直线的斜率,/>为自然常数;
表示电芯温度序列/>中第/>个数据点的温度突变系数,/>表示电芯温度序列/>中第/>个数据点的局部时间窗口内第/>个数据点,/>表示电芯温度序列/>中第/>个数据点,/>表示第/>个数据点的局部时间窗口包含数据点的个数;
表示电芯温度序列/>中第/>个数据点的电压幅度变化贡献度,/>为电芯表面温度对充电电压的影响系数。
需要说明的是Hurst指数与直线拟合均为现有公知技术,本实施例在此不做详细赘述。
的值越大,表示电芯温度序列/>中第/>个数据点所在的局部时间窗口内所有数据点之间越具有长期的递增或递减的趋势,说明在该数据点所在的局部时间窗口内的数据点的幅值的变化趋势越一致,即/>的值越大;/>的值越大,表示电芯温度序列/>中第/>个数据点所在的局部时间窗口内所有数据点幅值的变化率呈现出递增的趋势,说明在该数据点所在的局部时间窗口内的数据点的幅值变化率的变化趋势越一致,即的值越大。/>的值越大,说明该数据点对应时刻的温度呈现出递增或递减的趋势的可能性越大,并且温度递增或递减的幅度也越大,则该时刻的温度对该时刻的充电电压的变化的贡献度越大,即/>的值越大。
电芯温度序列中第/>个数据点的值与其所在的局部时间窗口中其余数据点的值之间的差异越大,即/>的值越大,说明第/>个数据点的温度在短期内的变化程度越大,即温度突变系数/>的值越大,则第/>个数据点对应时刻的充电电压在短期的变化也越大。则第/>个数据点对应时刻的温度对相同时刻的充电电压的变化的贡献度越大,即/>的值越大。
以此类推,计算充电电流序列中各数据点的电压幅度变化贡献度/>:
式中,表示充电电流序列/>中第/>个数据点的局部趋势因子,/>表示对充电电流序列/>中第/>个数据点所在局部时间窗口内所有数据点进行Hurst指数的计算结果,为自然常数,/>表示充电电流序列/>中第/>个数据点所在局部时间窗口内所有数据点进行直线拟合得到的拟合直线的斜率,/>表示充电电流序列/>中第/>个数据点的电流突变系数,/>表示充电电流序列/>中第/>个数据点的局部时间窗口内第/>个数据点,/>表示充电电流序列/>中第/>个数据点,/>表示充电电流对充电电压的影响系数,/>表示充电电流序列/>中第/>个数据点的电压幅度变化贡献度。
结合,获取充电电压序列/>中各数据点的综合电压幅度变化贡献度/>,表达式为:
式中,表示充电电压序列/>中第/>个数据点的综合电压幅度变化贡献度,/>表示充电电流序列/>中第/>个数据点的电压幅度变化贡献度,/>表示电芯温度序列/>中的第个数据点的电压幅度变化贡献度。
其次,计算充电电压序列中各个数据点的电压波动含噪指数/>。具体的,将充电电压序列/>作为STL分解算法的输入,输出充电电压序列/>的季节项数据序列,用来反应充电电压序列/>中各个数据点局部波动情况,将得到的季节项数据序列记为电压波动数据序列/>,并将电压波动数据序列/>中数据点的值记为局部电压波动幅值,使用贝塞尔曲线拟合算法对电压波动数据序列/>中的各个局部电压波动幅值进行曲线拟合,得到局部电压波动曲线,其中局部电压波动曲线的纵坐标为局部电压波动幅值,横坐标为局部电压波动幅值对应的时间,获取局部电压波动曲线中的所有极值点,将极值点作为疑似为含有噪声的数据点。其中STL分解算法与贝塞尔曲线拟合算法均为现有公知技术,本实施例在此不再赘述。
获取充电电压序列中各数据点的电压波动含噪指数/>,具体表达式为:
式中,表示充电电压序列/>中第/>个数据点的局部电压波动集中度;/>表示电压波动数据序列/>中的第/>个数据点的局部时间窗口对应在局部电压波动曲线上所包含的极值点的个数,具体如图3局部电压波动曲线及局部时间窗口示意图所示,/>表示时间距离函数,用于计算括号中两个数据点对应的数据采集时间差;/>表示电压波动数据序列/>中的第/>个数据点的局部时间窗口对应在局部电压波动曲线上所包含的第/>个极值点与第/>个数据点的数据采集时间差,/>表示调参常数,为了防止分母为0,本实施例中/>,实施者可根据实际情况自行设定,本实施例对此不做限制;
表示充电电压序列/>中第/>个数据点的电压波动含噪指数,/>表示电压波动数据序列/>中的第/>个数据点的局部时间窗口对应在局部电压波动曲线上的第/>个极值点的局部电压波动幅值,/>表示电压波动数据序列/>中的第/>个数据点,/>表示调参常数,为了防止分母为0,本实施例中/>,实施者可根据实际情况自行设定,本实施例对此不做限制。
的值越大,表示波动数据序列/>中的第/>个数据点的局部时间窗口对应在局部电压波动曲线上包含的极值点的个数越多,说明充电电压序列/>中第/>个数据点所在的局部时间窗口内出现局部电压波动的数据点的数量越多,则局部电压波动集中度/>的值越大;/>的值越小,表示波动数据序列/>中的第/>个数据点在局部电压波动曲线上的局部时间窗口内的各个极值点与该数据点之间的数据采集时间差越小,说明充电电压序列/>中第/>个数据点所在的局部时间窗口内出现局部电压波动的数据点越靠近该数据点,则局部电压波动集中度/>的值越大。而局部电压波动集中度/>的值越大,说明该数据点越疑似为由噪声或电磁干扰引起的异常波动的数据点,这是因为噪声或电磁干扰引起的数据波动通常是集中分布,并且会持续一段时间,则电压波动含噪指数/>的值越大。
的值越小,表示电压波动数据序列/>中的第/>个数据点在局部电压波动曲线上与其所在的局部时间窗口内的其余极值点的局部电压波动幅值之间的差异越小,即该数据点与疑似包含噪声的数据点的局部电压波动幅值之间的差异越小,说明该数据点受到噪声干扰的可能性越大,即电压波动含噪指数/>的值越大。
根据充电电压序列中各数据点对应的综合电压幅度变化贡献度/>和电压波动含噪指数/>,得到充电电压序列/>中各数据点在移动平均滤波器中的窗口调节权重,具体表达式为:
式中,为充电电压序列中第/>个数据点在移动平均滤波器中的窗口调节权重,/>表示充电电压序列/>中第/>个数据点的电压波动含噪指数,/>表示充电电压序列/>中第/>个数据点的综合电压幅度变化贡献度,/>为归一化函数;/>表示调参常数,为了防止分母为0,本实施例中/>,实施者可根据实际情况自行设定,本实施例对此不做限制。
充电电压序列中的第/>个数据点对应的电压波动含噪指数/>的值越大,说明该数据点的波动越疑似被噪声干扰所形成的,则越需要增大该数据点的窗口调节权重/>的值,即移动平均滤波器在该数据点对应的滑动窗口应越大,以提高该数据点的噪声滤除效果;充电电压序列/>中的第/>个数据点对应的综合电压幅度变化贡献度/>的值越大,说明该数据点的波动越疑似为被锂离子电芯的表面温度以及充电电流的影响而形成的,则越需要减小该数据点的窗口调节权重/>的值,即移动平均滤波器在该数据点对应的滑动窗口应越小,以保证该数据点的真实性。
步骤S003,根据得到的窗口调节权重,自适应的获取移动平均滤波器中的窗口尺寸,并使用移动平均滤波器对锂离子电芯的充电电压数据进行去噪,结合指数移动平均算法完成锂离子储能电池的在线评估。
根据计算得到的充电电压序列中各数据点的窗口调节权重/>,得到充电电压序列/>中各数据点在移动平均滤波器中滑动窗口的尺寸,具体表达式为:
式中,表示充电电压序列/>中第/>个数据点在移动平均滤波器中滑动窗口的尺寸,/>为充电电压序列中第/>个数据点在移动平均滤波器中的窗口调节权重,/>为四舍五入函数,/>、/>分别表示第一窗口调节常数、第二窗口调节常数,本实施例中,/>,实施者可根据实际情况自行设定,本实施例对此不做限制。
计算充电电压序列中所有数据点在移动平均滤波器中滑动窗口的尺寸,并使用移动平均滤波器对充电电压序列/>进行处理,得到去噪后的充电电压序列/>,其中移动平均滤波器为现有公知技术,本实施例在此不再赘述。并将充电电压序列/>作为指数移动平均算法(EMA)的输入,输出为第/>个时刻的充电电压预测值/>,其中指数移动平均算法(EMA)的平滑因子本实施例中取值为0.8,实施者可根据实际情况自行设定,本实施例对此不做限制,且指数移动平均算法(EMA)为现有公知技术,本实施例在此不再赘述。
设定标准充电电压值,将得到的充电电压预测值/>与标准充电电压值/>进行比较,若/>,则中断户用储能电池锂离子电芯的充电,并对锂离子电芯进行标记,提醒用户进行检查或更换,若/>,则表示属于正常充电,不做任何处理,以此完成对锂离子储能电池的在线评估。本实施例中标准充电电压值/>V,实施者可根据实际情况自行设定,本实施例对此不做限制。
综上所述,本发明实施例解决了传统的移动平均滤波器中滑动窗口的大小通常是固定的,在对户用储能电池评估复杂的场景进行数据去噪时,出现滑动窗口过大或过小的问题,结合指数移动平均算法,提高了充电电压序列去噪及户用储能电池在线评估的准确率。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种户用储能电池在线评估方法,其特征在于,该方法包括以下步骤:
采集户用储能电池的电芯温度序列、充电电压序列及充电电流序列;
获取电芯表面温度、充电电流对充电电压的影响系数;针对电芯温度序列中的各数据点设定局部时间窗口,根据局部时间窗口中各数据点的分布特征得到各数据点的局部趋势因子;根据电芯温度序列中各数据点的邻域差异得到各数据点的温度突变系数;结合电芯表面温度对充电电压的影响系数、各数据点的局部趋势因子、各数据点的温度突变系数得到电芯温度序列中各数据点的电压幅度变化贡献度;
以此类推,结合充电电流对充电电压的影响系数获取充电电流序列中各数据点的电压幅度变化贡献度;结合电芯温度序列及充电电流序列中各数据点的电压幅度变化贡献度得到充电电压序列中各数据点的综合电压幅度变化贡献度;
根据充电电压序列中数据点的分布得到充电电压序列中各数据点的电压波动含噪指数;结合充电电压序列中各数据点的综合电压幅度变化贡献度及电压波动含噪指数得到充电电压序列中各数据点在移动平均滤波器中滑动窗口的尺寸;结合移动平均滤波器中滑动窗口的尺寸及指数移动平均算法完成户用储能电池在线评估;
所述根据充电电压序列中数据点的分布得到充电电压序列中各数据点的电压波动含噪指数,包括:
充电电压序列中各数据点的局部电压波动集中度表达式为:
式中,表示充电电压序列/>中第/>个数据点的局部电压波动集中度;/>表示电压波动数据序列/>中的第/>个数据点的局部时间窗口对应在局部电压波动曲线上所包含的极值点的个数,/>表示时间距离函数,/>表示电压波动数据序列/>中的第个数据点的局部时间窗口对应在局部电压波动曲线上所包含的第/>个极值点与第/>个数据点的数据采集时间差,/>表示调参常数;
充电电压序列中各数据点的电压波动含噪指数表达式为:
式中,表示充电电压序列/>中第/>个数据点的电压波动含噪指数,/>表示电压波动数据序列/>中的第/>个数据点的局部时间窗口对应在局部电压波动曲线上的第/>个极值点的局部电压波动幅值,/>表示电压波动数据序列/>中的第/>个数据点,/>表示调参常数,/>表示充电电压序列/>中第/>个数据点的局部电压波动集中度,/>表示电压波动数据序列/>中的第/>个数据点的局部时间窗口对应在局部电压波动曲线上所包含的极值点的个数。
2.根据权利要求1所述的一种户用储能电池在线评估方法,其特征在于,所述获取电芯表面温度、充电电流对充电电压的影响系数,包括:
获取历史充电电压序列、历史电芯温度序列、历史充电电流序列,对各历史序列的数据进行人工修正,将人工修正后的历史电芯温度序列、历史充电电流序列分别作为预测能力得分模型PPS输入的特征,将人工修正后的历史充电电压序列作为预测能力得分模型PPS输入的目标变量,预测能力得分模型PPS的输出为每个特征与目标变量之间的预测能力得分,计算所述预测能力得分的和值,将历史电芯温度序列特征的预测能力得分与所述和值的比值作为电芯表面温度对充电电压的影响系数,将历史充电电流序列特征的预测能力得分与所述和值的比值作为充电电流对充电电压的影响系数。
3.根据权利要求1所述的一种户用储能电池在线评估方法,其特征在于,所述根据局部时间窗口中各数据点的分布特征得到各数据点的局部趋势因子,包括:
计算局部时间窗口内所包含数据点的Hurst指数,对局部时间窗口内所包含的数据点进行直线拟合并计算直线拟合的斜率,计算Hurst指数与0.5的差值绝对值,将所述差值绝对值作为以自然常数为底数的指数函数的指数,计算所述指数函数的计算结果与所述斜率的乘积,将所述乘积作为各数据点的局部趋势因子。
4.根据权利要求1所述的一种户用储能电池在线评估方法,其特征在于,所述根据电芯温度序列中各数据点的邻域差异得到各数据点的温度突变系数,表达式为:
式中,表示电芯温度序列/>中第/>个数据点的温度突变系数,/>表示电芯温度序列/>中第/>个数据点的局部时间窗口内第/>个数据点,/>表示电芯温度序列/>中第/>个数据点,/>表示第/>个数据点的局部时间窗口包含数据点的个数。
5.根据权利要求1所述的一种户用储能电池在线评估方法,其特征在于,所述电芯温度序列中各数据点的电压幅度变化贡献度,包括:
将电芯表面温度对充电电压的影响系数、各数据点的局部趋势因子及各数据点的温度突变系数的乘积作为电芯温度序列中各数据点的电压幅度变化贡献度。
6.根据权利要求4所述的一种户用储能电池在线评估方法,其特征在于,所述结合充电电流对充电电压的影响系数获取充电电流序列中各数据点的电压幅度变化贡献度,包括:
针对充电电流序列,计算充电电流序列中各数据点的局部趋势因子,采用和温度突变系数相同的计算方式得到充电电流序列中各数据点的电流突变系数,将充电电流对充电电压的影响系数、各数据点的局部趋势因子及各数据点的电流突变系数作为充电电流序列中各数据点的电压幅度变化贡献度。
7.根据权利要求1所述的一种户用储能电池在线评估方法,其特征在于,所述充电电压序列中各数据点的综合电压幅度变化贡献度,包括:
将电芯温度序列中各数据点的电压幅度变化贡献度与充电电流序列中各数据点的电压幅度变化贡献度的和值作为充电电压序列中各数据点的综合电压幅度变化贡献度。
8.根据权利要求1所述的一种户用储能电池在线评估方法,其特征在于,所述充电电压序列中各数据点在移动平均滤波器中滑动窗口的尺寸,包括:
针对充电电压序列,计算各数据点的综合电压幅度变化贡献度与预设调参常数的和值,计算各数据点的电压波动含噪指数与所述和值的比值,计算所述比值的归一化值与预设第一窗口调节常数的乘积,将所述乘积的四舍五入值与预设第二窗口调节常数的和值作为充电电压序列中各数据点在移动平均滤波器中滑动窗口的尺寸。
9.根据权利要求1所述的一种户用储能电池在线评估方法,其特征在于,所述结合移动平均滤波器中滑动窗口的尺寸及指数移动平均算法完成户用储能电池在线评估,包括:
利用充电电压序列中各数据点在移动平均滤波器中滑动窗口的尺寸改进移动平均滤波器算法,利用改进后的移动平均滤波器算法对充电电压序列进行去噪,将去噪后的充电电压序列作为指数移动平均算法的输入,指数移动平均算法的输出为充电电压序列下一时刻的充电电压预测值,若充电电压预测值大于预设户用储能电池标准充电电压,则中断充电,反之,则正常充电。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311666362.XA CN117368744B (zh) | 2023-12-07 | 2023-12-07 | 一种户用储能电池在线评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311666362.XA CN117368744B (zh) | 2023-12-07 | 2023-12-07 | 一种户用储能电池在线评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117368744A true CN117368744A (zh) | 2024-01-09 |
CN117368744B CN117368744B (zh) | 2024-02-09 |
Family
ID=89404466
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311666362.XA Active CN117368744B (zh) | 2023-12-07 | 2023-12-07 | 一种户用储能电池在线评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117368744B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030231006A1 (en) * | 2002-06-12 | 2003-12-18 | Kazuo Tojima | Deterioration degree calculating apparatus and deterioration degree calculating method for a battery |
JP2018189579A (ja) * | 2017-05-10 | 2018-11-29 | トヨタ自動車株式会社 | 二次電池の劣化推定装置 |
CN113391214A (zh) * | 2021-07-30 | 2021-09-14 | 湖北工业大学 | 一种基于电池充电电压排名变化的电池微故障诊断方法 |
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 |
CN116643178A (zh) * | 2023-07-27 | 2023-08-25 | 深圳凌奈智控有限公司 | 一种电池管理系统的soc估算方法及相关装置 |
CN117007975A (zh) * | 2023-08-09 | 2023-11-07 | 上海纤传科技有限公司 | 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 |
CN117148171A (zh) * | 2023-10-31 | 2023-12-01 | 新风光电子科技股份有限公司 | 一种储能电池数据处理方法及系统 |
CN117200394A (zh) * | 2023-09-13 | 2023-12-08 | 唐跃模 | 一种基于bim模型的bms电池管理方法及系统 |
-
2023
- 2023-12-07 CN CN202311666362.XA patent/CN117368744B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030231006A1 (en) * | 2002-06-12 | 2003-12-18 | Kazuo Tojima | Deterioration degree calculating apparatus and deterioration degree calculating method for a battery |
JP2018189579A (ja) * | 2017-05-10 | 2018-11-29 | トヨタ自動車株式会社 | 二次電池の劣化推定装置 |
CN113391214A (zh) * | 2021-07-30 | 2021-09-14 | 湖北工业大学 | 一种基于电池充电电压排名变化的电池微故障诊断方法 |
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 |
CN116643178A (zh) * | 2023-07-27 | 2023-08-25 | 深圳凌奈智控有限公司 | 一种电池管理系统的soc估算方法及相关装置 |
CN117007975A (zh) * | 2023-08-09 | 2023-11-07 | 上海纤传科技有限公司 | 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 |
CN117200394A (zh) * | 2023-09-13 | 2023-12-08 | 唐跃模 | 一种基于bim模型的bms电池管理方法及系统 |
CN117148171A (zh) * | 2023-10-31 | 2023-12-01 | 新风光电子科技股份有限公司 | 一种储能电池数据处理方法及系统 |
Non-Patent Citations (1)
Title |
---|
韦海燕;安晶晶;陈静;王惠民;潘海鸿;陈琳;: "基于改进粒子滤波算法实现锂离子电池RUL预测", 汽车工程, no. 12 * |
Also Published As
Publication number | Publication date |
---|---|
CN117368744B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102680907B (zh) | 一种光伏系统中电池充电soc检测方法 | |
CN111965559B (zh) | 一种锂离子电池soh在线估计方法 | |
CN115902647B (zh) | 一种电池状态智能监测方法 | |
CN113049962B (zh) | 一种基于lstm的储能装置运行态势推演方法 | |
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
CN112986831A (zh) | 一种基于相关系数粒子滤波的锂离子电池寿命预测方法 | |
CN117148171B (zh) | 一种储能电池数据处理方法及系统 | |
CN111931354A (zh) | 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法 | |
CN113253140A (zh) | 电池健康状态在线估算方法 | |
CN112180281B (zh) | 一种电池组soc的估算方法 | |
CN113406521A (zh) | 一种基于特征分析的锂电池健康状态在线估计方法 | |
CN111950913A (zh) | 一种基于节点电压灵敏度的微电网电能质量综合评价方法 | |
CN110991876B (zh) | 一种基于状态评估的一二次融合柱上开关巡检方法 | |
CN113030757B (zh) | 一种soc的估算方法 | |
CN117368744B (zh) | 一种户用储能电池在线评估方法 | |
CN116743180B (zh) | 一种储能电源数据智能存储方法 | |
Yu et al. | SOH estimation method for lithium-ion battery based on discharge characteristics | |
CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
CN109586309B (zh) | 基于大数据自由熵理论和场景匹配的配电网无功优化方法 | |
CN115980612A (zh) | 一种卫星电池组健康状态评估方法、系统及设备 | |
CN115219907A (zh) | 一种锂电池soc估计方法、系统、介质、设备及终端 | |
CN113691174B (zh) | 基于指数型非线性回归的配电变压器档位识别方法及系统 | |
CN115618922A (zh) | 光伏功率预测方法、设备、光伏发电系统及存储介质 | |
CN114035071A (zh) | 水系二次电池系统soc在线校正方法 | |
CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |