【技术实现步骤摘要】
储能电站电池工况健康状态预测方法及系统
[0001]本专利技术涉及储能电池
，特别是一种储能电站电池工况健康状态预测方法及预测系统。
技术介绍
[0002]随着电化学储能技术的发展，锂离子电池的成本逐年下降，除动力电池外，以磷酸铁锂电池为代表的大量储能电池被投放到电化学储能领域。同时电动汽车产业发展也带来了动力电池到了退役潮，大量的退役动力电池一方面被直接拆解回收，一些性能较好的退役电池被分选后进入梯次利用阶段，这些梯次电池也往往用于用户侧储能特别是调峰场景。储能电池投运装机量一般较大，对电池健康状态进行评估和预测对系统的健康稳定运行至关重要，准确的状态评估和趋势预测有助于发现问题电池方便系统维护，保证了储能系统的健康稳定。
[0003]常规的数据驱动SOH预测方法：当前对电池的SOH预测一般采用直接利用电池衰退历史数据来拟合经验衰退模型或一些常用的数据驱动模型，该方法可以很容易捕捉到电池衰退的规律，某些场景下取得较好的效果。该方法需要大量的较为完整的电池衰退历史数据进行模型的拟合，一般为线性衰退或指数衰退过程...
【技术保护点】
【技术特征摘要】
1.储能电站电池工况健康状态预测方法，其特征在于，包括：步骤1：获取储能电站电池历史运行数据，对原始数据进行预处理；步骤2：根据电池的特性，截取电池的平台电压区间，以此为参考从历史运行数据充电段中获取一段时间的电池充电平台区间电压电流数据，并通过安时积分获取每次的充电容量值，获取原始的电池健康状态变化序列；步骤3：使用经验模态分解算法从原始的电池健康状态变化序列中分离出电池周期变化段和线性衰退段；步骤4：分别建立周期变化段和线性衰退段的数据驱动模型，实现电池线性衰退段和季节性周期段的变化趋势预测。2.如权利要求1所述的储能电站电池工况健康状态预测方法，其特征在于，步骤1中，所述储能电站电池历史运行数据包括：电池组电压数据、电池组电流数据、电池单体电压数据、电池单体电流数据、电池单体温度数据、电池模块温度数据及储能电站运行的累计时间；所述的数据预处理：采用数据插值，将数据的采样间隔统一；对已经统一采样间隔的数据进行去除离群点、插补和平滑处理。3.如权利要求1所述的储能电站电池工况健康状态预测方法，其特征在于，步骤2中，电池的平台电压区间通过电池容量增量曲线进行界定，要求电压平台包括电池容量增量曲线的所有峰。4.如权利要求3所述的储能电站电池工况健康状态预测方法，其特征在于，步骤2中，所述电池容量增量曲线由以下方法获取：获取电池在某充电倍率下的完整充电段电压、电流数据；通过安时积分法获取电池在充电过程中各个采样点的累计充电安时数得到电池电压
‑
容量曲线；设置合理的电压间隔dV，通过线性插值方法获取按固定电压间隔增加的电压
‑
容量曲线，随后通过差分方法获取电池IC曲线数据，如下式：上式中，dV为电压间隔，dQ为电池等电压间隔对应的容量，IC为电池容量增量。5.如权利要求4所述的储能电站电池工况健康状态预测方法，其特征在于，步骤2中，基于电池IC曲线定量固定电池平台区的电压区间，得到获取平台区容量的基准值；基于平台区容量的基准值，截取每一次电池充电段数据，通过安时积分法获取电池的充电段平台区容量序列，即为原始的电池健康状态变化序列。6.如权利要求1所述的储能电站电池工况健康状态预测方法，其特征在于，步骤3的具体步骤如下：a.根据从原始信号中找出的全部局部极大值和极小值点，借助曲线拟合方法，构造出原始信号的上包络线和下包络线；所述的原始信号取自原始的电池健康状态变化序列；b.求上、下包络线的均值并构造均值曲线，然后用原始信号减去该曲线，得到信号的中间分量；c.判断所得的信号中间分量是否满足本征模函数IMF的约束条件：如果满足，则该分量
就是一个IMF；如果不满足，则以该分量为待分解信号重复步骤a至步骤b，直到满足IMF的约束条件，或筛分门限值小于预设门限值；d.通过上述步骤得到第一个IMF后，用原始信号与该第一个IMF相减，作为新的原始信号重复步骤a至步骤c，迭代直到残差分量满足预设条件，剩余信号分量即为残差分量，迭代结束；经过以上分解过程，原始的电池健康状态变化序列被分解为若干经验模态分量及残差序列，其中残差序列多是信号的噪声，忽略；若干经验模态分量序列包括一些类周期信号序列及近似线性衰退信号序列。7.如权利要求6所述的储能电站电池工况健康状态预测方法，其...
【专利技术属性】
技术研发人员：张雪松，林达，钱平，赵波，杨帆，章雷其，马瑜涵，葛晓慧，刘敏，陈凌宇，陈哲，
申请(专利权)人：国网浙江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。