一种用于分布式储能系统的锂电池状态估计方法技术方案

本发明专利技术公开了一种用于分布式储能系统的锂电池状态估计方法，属于锂离子电池应用领域。该方法包括采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型；采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法，实时估计分布式储能单元管理系统的锂电池荷电状态；通过信息交互同步更新锂电池荷电状态估计过程中的电池容量和锂电池健康状态估计模型。本发明专利技术在不增加系统硬件成本的前提下，通过信息交互，为SOC估计提供了准确的锂电池容量，同时为大数据SOH估计模型提供了训练样本；进而提高了系统中锂电池SOC与SOH的估计精度，便于后续有效完成系统的能量管理与调度。

【技术实现步骤摘要】
一种用于分布式储能系统的锂电池状态估计方法
本专利技术涉及锂离子电池应用领域，具体涉及一种用于分布式储能系统的锂电池状态估计方法。
技术介绍
近年，随着新能源汽车的快速发展，锂离子电池技术也得到了显著提升，其能量密度逐年提升，价格却在不断下降，是未来极具潜力的电力储能元件。当前大规模的锂电池储能应用仍然有一定困难，在安全性、成本等各方面面临着一系列挑战。将分散的储能单元联合调度，是充分发挥分布式储能在电力系统中应用价值的重要手段。在此应用场景下，精确的锂电池荷电状态(StateofCharge,SOC)与健康状态(StateofHealth,SOH)仍然是实现高效调度的必备参数。目前，储能单元对锂电池SOC及SOH的估计仅依赖于各分布式储能单元自身配备的电池管理系统(BatteryManagementSystem,BMS)，而所配备的BMS由于受成本制约，处理器并不具备强大的计算能力，仅能运行复杂度相对较低的算法，导致BMS对锂电池的SOC及SOH估计精度有限。
技术实现思路
针对现有技术中的上述不足，本专利技术提供了一种用于分布式储能系统的锂电池状态估计方法。为了达到上述专利技术目的，本专利技术采用的技术方案为：一种用于分布式储能系统的锂电池状态估计方法，包括以下步骤：S1、采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型；S2、采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法，实时估计分布式储能单元管理系统的锂电池荷电状态；S3、将数据调度中心估计的锂电池健康状态信息与分布式储能单元电池管理系统记录的历史数据进行信息交互，同步更新锂电池荷电状态估计过程中的电池容量和锂电池健康状态估计模型。优选地，所述步骤S1具体包括：针对各个分布式储能单元的锂电池进行离线加速老化测试，采集锂电池充电过程中的电流、电压和温度数据作为训练样本，采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型。优选地，所述锂电池健康状态估计模型的训练方法为：S11、初始化模型参数，所述模型参数包括学习率η，惯量β，隐含层权重系数Wz、Wr、Wh、Wx、bz、br、bh，输出层权重系数Wo、bo；S12、计算前向传播参数，表示为：rt＝σ(Wr[ht-1,xt]+br)zt＝σ(Wz[ht-1,xt]+bz)yt＝Woht+bo其中，表示元素相乘运算，σ(x)、tanh(x)为激活函数，xt为神经网络t时刻的输入，ht'为临时的隐含层输出，ht为隐含层t时刻的输出，zt为更新门在t时刻的输出，rt为重置门在t时刻的输出，yt为神经网络的输出；S13、更新输出层权重系数，表示为：Wo,t＝Wo,t-1+ΔWo,tbo,t＝bo,t-1+Δbo,t其中，fcost(x)为损失函数，Wo,t与bo,t分别为t时刻输出层的权重系数与偏置，ΔWo,t与Δbo,t为t时刻输出层权重系数与偏置的变化量，η为学习率，β为动量系数，与分别为权重系数与偏置的梯度；S14、更新隐含层权重系数，表示为：Wz,t＝Wz,t-1+ΔWz,tWr,t＝Wr,t-1+ΔWr,tWh,t＝Wh,t-1+ΔWh,tWx,t＝Wx,t-1+ΔWx,t其中，Wz,t、Wr,t、Wh,t、Wx,t为t时刻隐含层的权重系数，ΔWz,t、ΔWr,t、ΔWh,t、ΔWx,t为t时刻隐含层权重系数的变化量，为各权重系数的梯度；S15、重复步骤S12至S14，直至满足预设训练截止条件。优选地，所述步骤S2具体包括：利用锂电池的二阶等效电路模型的输出电压与电池端电压测量值形成偏差，将该偏差作为扩展卡尔曼滤波器的输入，计算锂电池荷电状态估计的校正偏差，进而实时估计分布式储能单元管理系统的锂电池荷电状态。优选地，所述锂电池的二阶等效电路模型的状态空间方程表示为：其中，D＝R0，T2为采样时间，R0、R1、C1、R2、C2为锂电池的二阶等效电路模型参数，QBat为电池的容量，Qk、Rk为噪声协方差，Xk＝[U1,U2,SOC]为k时刻的状态量，Xk+1为k+1时刻的状态量，Yk+1为k+1时刻的观测值，且Yk+1＝Uk+1，uk为输入值，且uk＝Ik，Uk、Ik为电压、电流的测量值，U1、U2分别为锂电池的二阶等效电路模型中两个电容-电阻网络上的电压值。优选地，所述扩展卡尔曼滤波器计算锂电池荷电状态估计的校正偏差的方法为：S21、状态预测，表示为：Xk+1|k＝A·Xk+B·ukS22、协方差预测，表示为：Pk+1|k＝A·Xk·A+QkS23、计算卡尔曼增益矩阵，表示为：Kk＝Pk+1|k·CT·(C·Pk+1|k·CT+Rk)-1S24、状态估计，表示为：S25、协方差估计，表示为：Pk+1＝(I-Kk·C)·Pk+1|k其中，Xk+1|k为状态的一步预测，Pk+1|k为协方差矩阵的一步预测，I为单位矩阵，Kk为卡尔曼增益矩阵，为状态的估计结果，Pk+1为协方差矩阵。优选地，所述步骤S3具体包括：将数据调度中心与分布式储能单元电池管理系统进行信息交互，按照第一周期将数据调度中心估计的锂电池健康状态信息发送至分布式储能单元电池管理系统，更新锂电池荷电状态估计过程中的电池容量；同时按照第二周期将分布式储能单元电池管理系统记录的历史数据上传至数据调度中心，同步更新锂电池健康状态估计模型。优选地，所述分布式储能单元电池管理系统更新锂电池荷电状态估计过程中的电池容量的公式为：QBat＝SOH·(QNew-QEoL)+QEoL其中，QBat为电池容量，SOH为电池健康状态，QNew为全新电池的容量，QEoL为寿命终点的电池容量。本专利技术具有以下有益效果：本专利技术通过协同数据调度中心与分布式储能单元的BMS，联合基于深度学习的锂电池健康状态估计模型与分布式储能单元管理系统的锂电池荷电状态估计算法，在不增加系统硬件成本的前提下，通过信息交互，为SOC估计提供了准确的锂电池容量，同时为大数据SOH估计模型提供了训练样本；进而提高了系统中锂电池SOC与SOH的估计精度，便于后续有效完成系统的能量管理与调度。附图说明图1为本专利技术实施例中分布式储能单元调度系统结构示意图；图2为本专利技术的用于分布式储能系统的锂电池状态估计方法流程示意图；图3为本专利技术实施例中锂电池状态估计方法框架图；图4为本专利技术实施例中隐含层GRU的结构示意图。具体实施方式下面对本专利技术的具体实施方式进行描述，以便于本
的技术本文档来自技高网...

【技术保护点】
1.一种用于分布式储能系统的锂电池状态估计方法，其特征在于，包括以下步骤：/nS1、采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型；/nS2、采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法，实时估计分布式储能单元管理系统的锂电池荷电状态；/nS3、将数据调度中心估计的锂电池健康状态信息与分布式储能单元电池管理系统记录的历史数据进行信息交互，同步更新锂电池荷电状态估计过程中的电池容量和锂电池健康状态估计模型。/n

【技术特征摘要】
1.一种用于分布式储能系统的锂电池状态估计方法，其特征在于，包括以下步骤：
S1、采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型；
S2、采用锂电池的二阶等效电路模型联合扩展卡尔曼滤波算法，实时估计分布式储能单元管理系统的锂电池荷电状态；
S3、将数据调度中心估计的锂电池健康状态信息与分布式储能单元电池管理系统记录的历史数据进行信息交互，同步更新锂电池荷电状态估计过程中的电池容量和锂电池健康状态估计模型。


2.根据权利要求1所述的用于分布式储能系统的锂电池状态估计方法，其特征在于，所述步骤S1具体包括：
针对各个分布式储能单元的锂电池进行离线加速老化测试，采集锂电池充电过程中的电流、电压和温度数据作为训练样本，采用门控循环单元循环神经网络建立基于深度学习的锂电池健康状态估计模型。


3.根据权利要求2所述的用于分布式储能系统的锂电池状态估计方法，其特征在于，所述锂电池健康状态估计模型的训练方法为：
S11、初始化模型参数，所述模型参数包括学习率η，惯量β，隐含层权重系数Wz、Wr、Wh、Wx、bz、br、bh，输出层权重系数Wo、bo；
S12、计算前向传播参数，表示为：
rt＝σ(Wr[ht-1,xt]+br)
zt＝σ(Wz[ht-1,xt]+bz)






yt＝Woht+bo
其中，表示元素相乘运算，σ(x)、tanh(x)为激活函数，xt为神经网络t时刻的输入，h′t为临时的隐含层输出，ht为隐含层t时刻的输出，zt为更新门在t时刻的输出，rt为重置门在t时刻的输出，yt为神经网络的输出；
S13、更新输出层权重系数，表示为：
Wo,t＝Wo,t-1+ΔWo,t
bo,t＝bo,t-1+Δbo,t












其中，fcost(x)为损失函数，Wo,t与bo,t分别为t时刻输出层的权重系数与偏置，ΔWo,t与Δbo,t为t时刻输出层权重系数与偏置的变化量，η为学习率，β为动量系数，与分别为权重系数与偏置的梯度；
S14、更新隐含层权重系数，表示为：
Wz,t＝Wz,t-1+ΔWz,t
Wr,t＝Wr,t-1+ΔWr,t
Wh,t＝Wh,t-1+ΔWh,t
Wx,t＝Wx,t-1+ΔWx,t
























其中，Wz,t、Wr,t、Wh,t、Wx,t为t时刻隐含层的权重系数，ΔWz,t、ΔWr,t、ΔWh,t、ΔWx,t为t时刻隐含层权重系数的变化量...

【专利技术属性】
技术研发人员：孟锦豪，彭纪昌，马俊鹏，王顺亮，刘天琪，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川;51