储能电池荷电状态与健康状态联合估算方法及系统技术方案

本发明专利技术提供一种储能电池荷电状态与健康状态联合估算方法及系统，属于储能电池技术领域，实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。本发明专利技术基于LSTM的SOC与SOH联合估算模型，能够实现对储能电池健康状态和荷电状态的在线监测，LSTM循环网络具有长时间记忆能力，可以更好的跟踪动态性能变化，估算精确度高于单独的SOC估算模型，且具有很好的泛化能力和鲁棒性。

【技术实现步骤摘要】
储能电池荷电状态与健康状态联合估算方法及系统
本专利技术涉及储能电池
，具体涉及一种基于具有长时间记忆及动态特征跟踪能力的LSTM循环神经网络的储能电池荷电状态与健康状态联合估算方法及系统。
技术介绍
储能是应对风、光等新能源发电强波动性与间歇性问题，大力提升电网吸纳新能源发电能力的重要手段，是各层级智能电网及微电网重要的组成部件之一。采用储能电池组构成的电化学储能系统在动态响应等方面具有独特的性能优势，备受世界各国关注。其中，储能电池的状态监测与有效管理不可或缺。荷电状态SOC与健康状态SOH是表征储能电池实际状况的两个基本评价参数，但两者均只是定义量，不是可直接测得的物理量。传统的单独的SOC估计算法有开路电压法、安时积分法以及扩展卡尔曼滤波法等。这些算法有些需要长期静置后估计结果，实时性差；有些在恶劣环境下容易积累噪声的误差以及采样精度带来的误差，估计精确度差。目前常用的SOH估计方式主要有两类：一是使用离线数据驱动的方式。该方法对前期实验数据的准备要求较高，计算量大，而且得到的模型仅仅适用于对应的电池类型，而不具备扩展性与通用性，易产生较大误差。二是使用在线参数跟踪的方法。如，双Kalman滤波算法，该算法对电池模型要求较高，没有考虑外部环境的偏置噪声，在特定情况下易导致噪声积累，削弱了估算的抗干扰能力。
技术实现思路
本专利技术的目的在于提供一种基于LSTM循环神经网络，实现储能电池SOC和SOH实时在线估算，且提高了估算精确度的储能电池荷电状态与健康状态联合估算方法及系统，以解决上述
技术介绍
中存在的至少一项技术问题。为了实现上述目的，本专利技术采取了如下技术方案：第一方面，本专利技术提供一种储能电池荷电状态与健康状态联合估算方法，对于工作于不断充放电循环的储能电池，每间隔一定充放电循环周期后，执行标准的恒流恒压充电过程，所述方法包括：实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。优选的，收集储能电池历史参数数据作为训练样本，训练得到所述健康状态预测模型和所述荷电状态预测模型；其中，所述储能电池历史参数数据包括不同工况下的电压、电流、温度、荷电状态、健康状态。优选的，使用MATLAB平台，搭建长短期记忆网络LSTM和循环神经网络RNN作为基础网络，训练得到所述健康状态预测模型。优选的，将恒流恒压阶段当前时刻的电压、电流、温度及前一时刻的健康状态输入基础网络，输出当前时刻的健康状态，训练测试确定LSTM网络的最优模型参数，得到所述健康状态预测模型。优选的，使用MATLAB平台，搭建长短期记忆网络LSTM和循环神经网络RNN作为基础网络，训练得到所述荷电状态预测模型。优选的，将任意充放电阶段下当前时刻的电压、电流、温度、前一时刻健康状态及前一时刻荷电状态输入基础网络，输出当前时刻的荷电状态，训练测试确定LSTM神经网络的最优模型参数，得到所述荷电状态预测模型。优选的，所述不同工况包括恒流恒压充电工况、恒流放电工况、脉冲放电工况、随机放电工况。第二方面，本专利技术提供一种储能电池荷电状态与健康状态联合估算系统，对于工作于不断充放电循环的储能电池，每间隔一定充放电循环周期后，执行标准的恒流恒压充电过程，所述系统包括：第一估算模块，用于将实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；第二估算模块，用于将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。第三方面，本专利技术提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质包括用于执行如上所述的储能电池荷电状态与健康状态联合估算方法的指令。第四方面，本专利技术提供一种电子设备，包括如上所述的非暂态计算机可读存储介质；以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。本专利技术有益效果：基于LSTM的SOC与SOH联合估算模型，LSTM循环网络具有长时间记忆能力，可以更好的跟踪动态性能变化，估算精确度高于单独的SOC估算模型，且具有很好的泛化能力和鲁棒性；对SOC与SOH的估算采用不同的时间尺度，在满足了储能电池管理的实际需要的同时，大大降低了的系统的计算量。能够实现对储能电池健康状态和荷电状态的在线监测，对促进储能电池的状态监测及能量管理水平具有实际意义。本专利技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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他的附图。图1为本专利技术实施例所述的单层LSTM神经元内部结构示意图。图2为本专利技术实施例所述的LSTM-RNN神经网络训练流程示意图。图3为本专利技术实施例所述的储能电池荷电状态与健康状态联合估算系统功能原理框图。具体实施方式下面详细叙述本专利技术的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本专利技术，而不能解释为对本专利技术的限制。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本专利技术的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本本文档来自技高网...

【技术保护点】
1.一种储能电池荷电状态与健康状态联合估算方法，对于工作于不断充放电循环的储能电池，每间隔一定充放电循环周期后，执行标准的恒流恒压充电过程，其特征在于，所述方法包括：/n实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；/n当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；/n将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。/n

【技术特征摘要】
1.一种储能电池荷电状态与健康状态联合估算方法，对于工作于不断充放电循环的储能电池，每间隔一定充放电循环周期后，执行标准的恒流恒压充电过程，其特征在于，所述方法包括：
实时采集储能电池在恒流恒压充电阶段的电压、电流、温度数据，输入健康状态预测模型，估算当前时刻的健康状态；
当恒流恒压充电阶段结束，电流由正转负开始放电，求出整个恒流恒压阶段健康状态的平均值；
将实时采集任意充放电阶段的电压、电流、温度数据，结合计算的健康状态平均值输入荷电状态预测模型，估算当前时刻的荷电状态。


2.根据权利要求1所述的储能电池荷电状态与健康状态联合估算方法，其特征在于，收集储能电池历史参数数据作为训练样本，训练得到所述健康状态预测模型和所述荷电状态预测模型；其中，所述储能电池历史参数数据包括不同工况下的电压、电流、温度、荷电状态、健康状态。


3.根据权利要求2所述的储能电池荷电状态与健康状态联合估算方法，其特征在于，使用MATLAB平台，搭建长短期记忆网络LSTM作为基础网络，训练得到所述健康状态预测模型。


4.根据权利要求3所述的储能电池荷电状态与健康状态联合估算方法，其特征在于，将恒流恒压阶段当前时刻的电压、电流、温度及前一时刻的健康状态输入基础网络，输出当前时刻的健康状态，训练测试确定LSTM网络的最优模型参数，得到所述健康状态预测模型。


5.根据权利要求2所述的储能电池荷电状态与健康状态联合估算方法，其特征在于，使用MATLAB平台，搭建长短期记忆网络LSTM作为基础网络，训练得到所述荷电状态预测模...

【专利技术属性】
技术研发人员：尹春杰，王亚男，宋彦螟，肖发达，李鹏飞，王光旭，宋其征，赵钦，
申请(专利权)人：山东建筑大学，
类型：发明
国别省市：山东;37