一种电池剩余容量实时预测方法、终端设备及存储介质技术

本发明专利技术涉及一种电池剩余容量实时预测方法、终端设备及存储介质，该方法中包括：S1：采集电池的放电数据，并通过采集的放电数据提取模型训练所需要的特征数据组成训练集；S2：构建双输入层堆叠LSTM网络模型，并通过训练集对模型进行训练；双输入层堆叠LSTM网络模型中包括第一输入通道和第二输入通道，第一输入通道的输入为信号变化特征，第二输入通道的输入为累计放电量；第一输入通道的网络结构包括LSTM网络和两层全连接层，第二输入通道的网络结构为一层全连接层；第一输入通道的输出与第二输入通道的输出两者通过sigmoid函数归一化后，聚合得到剩余容量SOC；S3：通过训练后的模型对电池的剩余容量SOC进行实时预测。本发明专利技术提高了预测的准确率。了预测的准确率。了预测的准确率。

【技术实现步骤摘要】
一种电池剩余容量实时预测方法、终端设备及存储介质


[0001]本专利技术涉及电池领域，尤其涉及一种电池剩余容量实时预测方法、终端设备及存储介质。

技术介绍

[0002]随着经济与社会的快速发展，能源问题已经成为全球关注的焦点。大规模电池储能系统(Energy Storage System,ESS)由于其安全清洁、能量密度高、成本低、循环寿命长、响应速度快等特点，已广泛应用于各种工业、商业和居民场景中。在不间断电源系统和储能系统中，蓄电池组是重要的储能设备，与电源系统的可靠运行密切相关。目前，市面主流的动力电池分为铅酸电池及锂电池。然而，即使是相同的厂家的生产线生产的同一批次的电池，也会因为复杂环境、具体运行工况等多种因素而存在差异，过充过放和电池老化等现象都可能导致电池健康度下降，从而影响储能系统的正常供电。这种电池单体的差异性导致了大规模电池成组中的莱比锡最小因子效应，即木桶短板效应，极大损害了电池储能系统的循环寿命、安全性、可靠性和有效容量。
[0003]目前在工业应用上并没有可以用于在线检测电池实时剩余容量的方法，对于单体电池实时剩余容量的精准预测可以方便工作人员实时监控电池组中各电池的健康状态，能耗情况，提前采取安全性、经济性措施，是具有经济效益、安全效益与节能环保效益的重要研究方向。
[0004]在线监测电池实时剩余容量问题的研究，存在着以下难点：1、兼容多样化放电场景。实际工况下的电池放电场景通常包含了多种倍率，兼容多种放电场景是模型设计需要考虑的重要问题。2、兼容多样化健康度电池。实际工况所使用的电池新旧不一，模型需要具备兼容多种容量电池的预测能力。3、SOC预测的实时性。国内外研究集中于观测累计较长时间的电池放电数据进行特征工程处理，或者使用电池放电前的充电过程曲线进行容量预测。在实际放电场景中很难获得该电池的充电过程数据，而较长放电时间才能进行预测也无法满足工业需求。因此，如何以较短的观测时间得到准确的预测结果，是该方案的难点。4、传感器信号处理。实际工况中电池放电的传感器数据存在大量的噪声和测量误差，采样间隔不一等问题。如何通过特征构造进行数据清洗，使得模型基于良好的数据学习到真实物理规律，是需要重点考虑的问题之一。

技术实现思路

[0005]为了解决上述问题，本专利技术提出了一种电池剩余容量实时预测方法、终端设备及存储介质。
[0006]具体方案如下：
[0007]一种电池剩余容量实时预测方法，包括以下步骤：
[0008]S1：采集不同放电倍率、不同健康度下电池的放电数据，并通过采集的放电数据提取模型训练所需要的特征数据，特征数据包括信号变化特征、累计放电量和剩余容量SOC，
通过提取的特征数据组成训练集；
[0009]S2：构建双输入层堆叠LSTM网络模型，并通过训练集对模型进行训练；
[0010]双输入层堆叠LSTM网络模型中包括第一输入通道和第二输入通道，第一输入通道的输入为信号变化特征，第二输入通道的输入为累计放电量；第一输入通道的网络结构包括LSTM网络和两层全连接层，第二输入通道的网络结构为一层全连接层；第一输入通道的输出与第二输入通道的输出两者通过sigmoid函数归一化后，聚合得到剩余容量SOC；
[0011]S3：通过训练后的模型对电池的剩余容量SOC进行实时预测。
[0012]进一步的，步骤S1中在提取特征数据之前，还包括对采集的放电数据进行缺失值和异常值进行处理。
[0013]进一步的，信号变化特征包括：电压、电流、电流变化量、电压变化量和温度变化量。
[0014]一种电池剩余容量实时预测终端设备，包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术实施例上述的方法的步骤。
[0015]一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术实施例上述的方法的步骤。
[0016]本专利技术采用如上技术方案，在LSTM神经网络的基础上，提出了双输入层堆叠LSTM网络模型，使之更适用于电池领域的相关预测研究工作，提高了预测的准确率。
附图说明
[0017]图1所示为本专利技术实施例一的流程图。
[0018]图2所示为该实施例中双输入层堆叠LSTM网络模型的结构示意图。
具体实施方式
[0019]为进一步说明各实施例，本专利技术提供有附图。这些附图为本专利技术揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本专利技术的优点。
[0020]现结合附图和具体实施方式对本专利技术进一步说明。
[0021]实施例一：
[0022]本专利技术实施例提供了一种电池剩余容量实时预测方法，如图1所示，所述方法包括以下步骤：
[0023]S1：采集不同放电倍率、不同健康度下电池的放电数据，并通过采集的放电数据提取需要输入模型的特征数据，特征数据包括信号变化特征、累计放电量和剩余容量SOC，通过提取的特征数据组成训练集。
[0024]该实施例中采集的数据为某实际放电场景下，通过铅酸电池实验采集的放电数据。
[0025]电池健康度(State of Health，SOH)，表示蓄电池实际容量、性能状态等与新电池的性能差异情况，一般按照等级进行分类。数值上定义为电池额定容量与实际容量的比值，根据计算得到的数值所处的百分比区间范围，又可概括为健康度标签，如实际SOH数值在
60％
‑
80％的电池，通常评价其电池健康状态为“良好”。计算公式为：
[0026][0027]式中：C0为电池的额定容量，C
实
为电池经过完全放电所放出的实际容量。
[0028]该实施例中，设定不同的健康度包括健康状态为：损坏、一般、良好、健康四种。
[0029]放电倍率用于衡量电池放电的快慢，指电池在一定时间内累计放电到额定容量所用的电流值，通常用于描述电池的放电场景。该实施例中设定放电倍率的范围为0.3C
‑
1.8C。
[0030]电池剩余容量(State of charge，SOC)，即荷电状态，用来反映电池的剩余容量，其数值上定义为剩余容量占电池额定容量的比值，其取值范围为0％～100％，当SOC＝0％时表示电池完全放电，当SOC＝100％时表示电池达到满充状态。计算公式为：
[0031][0032]式中：C0为电池的额定容量，C为电池的当前剩余实际容量。
[0033]本实施例中通过健康度为损坏、一般、良好、健康的单体电池在0.3C
‑
1.8C放电倍率下的多周期(cycle)放电数据，每个放电周期为一个csv数据集，该数据集中存在多种采样规格的传感器数据，采样间隔在10S
‑
20S。
[0034]进一步的，该实施例中还本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池剩余容量实时预测方法，其特征在于，包括以下步骤：S1：采集不同放电倍率、不同健康度下电池的放电数据，并通过采集的放电数据提取模型训练所需要的特征数据，特征数据包括信号变化特征、累计放电量和剩余容量SOC，通过提取的特征数据组成训练集；S2：构建双输入层堆叠LSTM网络模型，并通过训练集对模型进行训练；双输入层堆叠LSTM网络模型中包括第一输入通道和第二输入通道，第一输入通道的输入为信号变化特征，第二输入通道的输入为累计放电量；第一输入通道的网络结构包括LSTM网络和两层全连接层，第二输入通道的网络结构为一层全连接层；第一输入通道的输出与第二输入通道的输出两者通过sigmoid函数归一化后，聚合得到剩余容量SOC；S3：通过训练后的模型对电池...

【专利技术属性】
技术研发人员：晋殿卫，黄祺尧，陈果，张之琛，李丽莉，
申请(专利权)人：国网陕西省电力公司信息通信公司，
类型：发明
国别省市：