【技术实现步骤摘要】
基于充电数据和LSTM神经网络的电池健康状态估计方法
[0001]本专利技术涉及电池
,具体涉及一种基于充电数据和LSTM 神经网络的电池健康状态估计方法。
技术介绍
[0002]“双碳”目标的提出必将加快推进新能源发电的跨越式发展。波动 性和间歇性的新能源高比例接入,增加了电力系统调度运行的不确定 性和调峰调频压力,影响新能源消纳和电力系统高效优化运行,成为 新型电力系统面临的重要挑战。锂离子电池具有能量密度高、循环寿 命长、无记忆效应等优点,是新型储能系统的重要技术路线之一。随 着锂离子电池充放电循环次数的增加,电池的健康状态(State ofHealth,SOH)会不断下降,导致有效容量下降和安全隐患。因此, 对于锂离子电池的SOH的准确估计具有重要意义。
[0003]目前,电池SOH估计方法主要包括安直接测量法、模型辨识法 和数据驱动法。由于人工智能的飞速发展,基于数据驱动的电池SOH 估计具有很好的应用前景。现有基于数据驱动的电池SOH估计方法, 一般采用电池在充放电过程中的电压、电流、温度作为神经网络的输 入来估计电池的剩余电量,但这种方法存在以下问题:
①
输入的数据 量过大,导致电池SOH估计的计算速度很慢;
②
没有考虑输入特征 与输出目标的相关性分析,会保留相关度较差的输入特征,使估计精 度降低;
③
时序依赖性比较严重,电池SOH估计需要考虑时间间隔 足够大的信息之间的相关性问题。
技术实现思路
[0004]有鉴于此, ...
【技术保护点】
【技术特征摘要】
1.一种基于充电数据和LSTM神经网络的电池健康状态估计方法,其特征在于,包括以下步骤:步骤S1:对锂离子电池进行多次充放电循环来采集数据,获取原始数据集;步骤S2:对原始数据集进行数据清洗和数据归一化,得到数据矩阵;步骤S3:根据得到数据矩阵,进行特征提取;步骤S4:对输入特征与目标值进行Pearson相关系数分析,得到最终的输入特征,并分为训练集和测试集;步骤S5:构建LSTM神经网络模型;步骤S6:基于训练集训练LSTM神经网络模型;步骤S7:采用蚁群算法对训练后的LSTM神经网络模型进行优化;步骤S8:基于测试集评估优化后的LSTM神经网络模型,若符合预设精度要求则将其嵌入电池管理系统,不符合预设精度要求则重新执行S6至S7,重新训练和优化模型;步骤S9:将待测电池的充电过程中的电流、电压、温度和时间数据,进行归一化处理和特征提取后,再输入所述电池管理系统中的神经网络模型,估计电池健康状态。2.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健康状态估计方法,其特征在于,所述步骤S1具体为:S101:选取N个同型号锂离子电池同时进行M次充放电循环实验;S102:进行恒流恒压充电,分为恒流充电和恒压充电两个阶段,第一阶段以恒定电流对锂离子电池进行恒流充电,直至电池达到额定电压,再转入第二阶段以恒定电压继续充电,直至充电电流降至预设阈值以下,停止充电;在电池进行恒流恒压充电期间,记录每个采样时刻的电池电压、电流和温度数据;假设从零时刻开始记录数据,采样周期设定为t,经过Z个采样周期所获取数据为:个采样周期所获取数据为:个采样周期所获取数据为:其中,为电池的电压数据向量,为电池的电流数据,为电池的表面温度数据,并将其存放在数据库中;S103:以恒定电流对锂离子电池进行恒流放电,直至电池达到放电截止电压,记录整个过程的总放电量,作为电池在该次充放电循环中的当前可用容量C
now
。采用的锂离子电池SOH指标定义如下:其中,C
now
和C0分别是锂离子电池当前可用容量和电池原始标称容量;S104:循环执行步骤S102和步骤S103,在电池经过M次充放电循环后,将期间保存的有效数据整合成数据集D,可得到:
S105:循环执行步骤S102至S104,直至所有N个电池都完成M次充放电循环实验,将所有数据集D都保存到原始数据集D
raw
中。3.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健康状态估计方法,其特征在于,所述步骤S2具体为:S201:对步骤S1获取的电池原始数据集D
raw
进行数据清洗;S202:对于数据清洗后的每个电池数据集D在数据集D中,每一行代表电池在一次充放电循环中的数据,对应电池的电压、电流、温度和容量数据,最后一列记为目标值C
SOH
,第一列至倒数第二列记为输入数据矩阵F,所述F的每一行都为一个循环中恒流恒压充电的数据向量:S203:将每一行所有的数据向量进行归一化处理,把数据映射到0~1范围之内,得到新数据向量并将其组成新的输入数据矩阵F
new
。S204:将所述新特征向量与目标值C
SOH
一一对应,组成新的数据矩阵D
new
。4.根据权利要求1所述的基于充电数据和LSTM神经网络的电池健康状态估计方法,其特征在于,所述步骤S3具体为:S301:对于归一化处理后的输入数据矩阵F
new
,将每个循环中充电阶段的每个测量指标平均分为q份,即将电压、电流、温度的数据分别平均分为q份,再将每份数据取平均,得到3个q维数据,即有:即有:即有:S302:将电池每次循环的恒流充电时间t
_cc
...
【专利技术属性】
技术研发人员:范元亮,方略斌,吴涵,连庆文,陈伟铭,黄兴华,李泽文,陈扩松,袁敏根,陈思哲,郑宇,
申请(专利权)人:国网福建省电力有限公司电力科学研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。