一种基于阻抗参数的SOH与SOC的在线协同估计方法及系统技术方案

本公开提出了一种基于阻抗参数的SOH与SOC的在线协同估计方法，包括：向蓄电池施加脉冲电流激励，采集充放电过程中充放电数据，基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识，引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH，具有较高的准确度并具有较好的泛化能力，考虑了SOC与SOH两者的强耦合性，避免单一变量估算带来的误差。估算带来的误差。估算带来的误差。

【技术实现步骤摘要】
一种基于阻抗参数的SOH与SOC的在线协同估计方法及系统


[0001]本专利技术属于电池管理
，具体涉及一种基于阻抗参数的SOH与SOC的在线协同估计方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]风力发电、光伏发电及以冷热源供给为主导的联产联供等分布式能源发电方式具有间歇性、不确定性及用电负荷本身的波动性及随机性，从微电网稳定性、经济性及与主电网的友好协同方面综合考虑，用户侧分布式储能装置成为高效微电网重要的组成部分并直接影响着微电网的性能。蓄电池通过可逆化学反应实现电能存储，使用寿命受充/放电特性、循环深度、环境温度、均衡性等多项参数指标的影响很大。多年来业界形成一种共识，大部分蓄电池损坏不是由于放电而是由于长时间过度充电导致的。蓄电池组的寿命在储能系统成本中占比较高并对储能系统有效寿命起着决定性作用。
[0004]专利技术人在研究中发现，目前蓄电池健康状态多采用离线检测，不能实时更新模型参数，适用性差，同时对于SOH与SOC的系统估算是直接通过开路电压法、阻抗估算法以及卡尔曼滤波等进行估算，无法实现实时估计，而且误差较大，卡尔曼滤波虽然适应性好，但受模型限制，因此面临蓄电池健康状态在线准确测量的难题。

技术实现思路

[0005]为克服上述现有技术的不足，本专利技术提供了一种基于阻抗参数的SOH与SOC的在线协同估计方法，考虑同与容量相关的SOC与SOH参数耦合性，基于Thevenin电路模型，利用LSTM的动态逼近与长时间记忆能力，基于阻抗参数的SOH与SOC协同在线实现SOH与SOC的精确估计。
[0006]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
[0007]一种基于阻抗参数的SOH与SOC的在线协同估计方法，包括：
[0008]向蓄电池施加脉冲电流激励，采集充放电过程中充放电数据；
[0009]基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识；
[0010]引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH。
[0011]进一步的技术方案，基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识，包括：
[0012]选择Thevenin等效电路模型作为蓄电池等效电路模型；
[0013]分析放电电流和端电压的变化情况，得到电流激励作用下的电压变化曲线；
[0014]分析电流激励作用下的电压变化曲线，进行阻抗参数的辨识。
[0015]进一步的技术方案，将采集的充放电数据转化为时间序列数据；
[0016]进一步的技术方案，引入循环神经网络模型，基于充放电数据和阻抗参数，协同估
计SOC和SOH，包括：
[0017]引入LSTM循环神经网络模型，对LSTM循环神经网络模型进行训练和学习，结合当前时刻的时间序列数据和前一时刻荷电状态SOC
t
‑1构建SOC估算模型输出当前时刻的荷电状态SOC
t
；
[0018]结合当前时刻的阻抗参数和当前时刻的荷电状态SOC
t
，输入前一时刻脉冲充放电得到的SOH
t
‑1，再次引入LSTM循环神经网络模型，对LSTM循环神经网络模型进行训练和学习，构建SOH估算模型，估计蓄电池的健康状态SOH
t
。
[0019]进一步的技术方案，对LSTM循环神经网络模型进行训练和学习，包括：
[0020]确定LSTM循环神经网络模型子网络的输入节点、隐藏层节点、全连接输出节点。
[0021]进一步的技术方案，所述充放电数据包括目标蓄电池端电压、电流、温度；所述阻抗参数包括极化内阻、极化电容及电池等效内阻。
[0022]进一步的技术方案，基于阻抗参数和SOC估算模型估计池的健康状态，包括：
[0023]训练过程使用Adam算法加速收敛。
[0024]本说明书实施方式提供一种阻抗参数的SOH与SOC的在线协同估计系统，通过以下技术方案实现：
[0025]包括：
[0026]数据采集模块，被配置为：向蓄电池施加脉冲电流激励，采集充放电过程中充放电数据；
[0027]阻抗参数辨识模块，被配置为：基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识；
[0028]SOC和SOH协同估计模块，被配置为：引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH。
[0029]与现有技术相比，本公开的有益效果是：
[0030](1)本公开采用引入LSTM循环神经网络，利用LSTM的长时间记忆能力，估算预充放电工作时间抢险管SOC与SOH，具有较高的准确度并具有较好的泛化能力。
[0031](2)本公开考虑了SOC与SOH两者的强耦合性，避免单一变量估算带来的误差，根据SOC与SOH估算在储能系统中的实际需求，设置了不同的时间估算尺度，保证预算效果的同时，降低了系统计算的工作量。
[0032](3)本公开训练过程使用Adam算法加速收敛，加快网络的收敛速度，有效减少神经网络模型训练步数，缩短训练时间，对促进储能系统蓄电池状态监测及能量管理水平提升具有实际意义。
附图说明
[0033]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0034]图1是本公开实施例子基于阻抗参数的SOH与SOC的在线协同估计方法的流程示意图；
[0035]图2是本公开实施例子中处于不同寿命周期的间歇放电过程示意图；
[0036]图3是本公开实施例子中蓄电池等效电路模型；
[0037]图4是本公开实施例子中电流激励作用下的电压变化曲线；
[0038]图5是本公开实施例子中单层LSTM神经元内部结构图；
[0039]图6是本公开实施例子中SOC荷电状态估算模型；
[0040]图7是本公开实施例子中SOC和SOH协同估算模型；
[0041]图8是本公开实施例子中LSTM模型训练结构；
[0042]图9a是本专利技术实施例一公开的SOH估算值与真实值曲线；
[0043]图9b是本专利技术实施例一公开的SOH估算估算误差针状图。
具体实施方式
[0044]应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属
的普通技术人员通常理解的相同含义。
[0045]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于阻抗参数的SOH与SOC的在线协同估计方法，包括：向蓄电池施加脉冲电流激励，采集充放电过程中充放电数据；基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识；引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH。2.如权利要求1所述的一种基于阻抗参数的SOH与SOC的在线协同估计方法，其特征是，基于蓄电池等效电路模型，结合蓄电池的充放电数据进行阻抗参数的辨识，包括：选择Thevenin等效电路模型作为蓄电池等效电路模型；分析放电电流和端电压的变化情况，得到电流激励作用下的电压变化曲线；分析电流激励作用下的电压变化曲线，进行阻抗参数的辨识。3.如权利要求1所述的一种基于阻抗参数的SOH与SOC的在线协同估计方法，其特征是，将采集的充放电数据转化为时间序列数据。4.如权利要求1所述的一种基于阻抗参数的SOH与SOC的在线协同估计方法，其特征是，引入循环神经网络模型，基于充放电数据和阻抗参数，协同估计SOC和SOH，包括：引入LSTM循环神经网络模型，对LSTM循环神经网络模型进行训练和学习，结合当前时刻的时间序列数据和前一时刻荷电状态SOC
t
‑1构建SOC估算模型输出当前时刻的荷电状态SOC
t
；结合当前时刻的阻抗参数和当前时刻的荷电状态SOC
t
，输入前一时刻脉冲充放电得到的SOH
t
‑1，再次引入LSTM循环神经网络模型，对LSTM循环神经网络模型进行训练和学习，构建SOH估算模型，估计蓄电池的健...

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