一种基于迁移学习的移动储能系统串联电池组SOH估计方法技术方案

本发明专利技术公开了一种基于迁移学习的移动储能系统串联电池组SOH估计方法包括，令电池组循环充放电并多次暂停放电，期间采集数据构建原始数据集；根据原始数据集提取特征，与原始数据组成特征数据集；采用信息熵方法获取特征权重，进行加权求和得到一致性估计结果，并将其与特征数据集合并，组成新特征数据集；构建LSTM模型，用新特征数据集预训练获得基础模型；用其他电池组的少量数据和迁移学习策略进行再训练得到TL

【技术实现步骤摘要】
一种基于迁移学习的移动储能系统串联电池组SOH估计方法


[0001]本专利技术涉及电池储能
，尤其涉及一种基于迁移学习的移动储能系统串联电池组SOH估计方法。

技术介绍

[0002]电池移动储能系统一般通过将多个电池串联组成电池组，再将多个电池组串联来满足电压要求。为了降低电池移动储能系统安全风险和保障移动储能系统运行性能，需要对移动储能系统的各电池组进行实时健康状态(SOH)估计。移动储能系统电池组通常不会完全放电或设定特定电压点作为停止放电阈值，现有的基于某一特定电压区间或完全放电作为特征的估计方法难以直接应用。其次由于电池组内各电池单体存在参数差异，会导致电池组出现不一致情况，进而导致电池组SOH与各电池单体SOH不同。
[0003]现有方法未充分考虑电池组一致性问题，直接将电池组看作一个“大电池”进行SOH估计，难以保证电池组SOH的估计精度。并且面对由不同电池数量组成的电池组，常用的基于深度学习的方法需要重新采集大量数据并花费大量时间进行模型的重新训练。现有的基于迁移学习的估计方法未充分考虑无效迁移和负迁移因素，实际应用中可能导致估计精度下降。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。
>[0006]因此，本专利技术提供了一种基于迁移学习的移动储能系统串联电池组SOH估计方法，能够解决现有移动储能系统电池组SOH估计方法面临的估计精度不足和模型泛化能力不足的问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案，一种基于迁移学习的移动储能系统串联电池组SOH估计方法，包括：
[0008]采集电池组循环充放电并多次暂停放电时的全过程电流与电压数据，构建原始数据集；
[0009]对所述原始数据集进行预处理，得到特征数据集；
[0010]采用信息熵方法获取特征权重，进行加权求和得到一致性估计结果，并将所述结果与所述特征数据集合并，组成新特征数据集；
[0011]构建LSTM模型，结合所述新特征数据集进行预训练获得基础预测模型；
[0012]将其他电池组的少量数据和迁移学习策略进行再训练，得到TL
‑
LSTM模型；
[0013]将需测量电池组数据输入上述两个模型中，将上述两个模型输出结果加权求和，得到SOH估计结果。
[0014]作为本专利技术所述的移动储能系统串联电池组的SOH估计方法的一种优选方案，其中：所述原始数据集包括，
[0015]记电池组中电池单体数量为P，将电池组放电电流从0到最大额定电流I
max
等差选取N个电流值，获得放电电流数据集；
[0016]将电池组从放电截止电压U
pack
‑
dis
到充电截止电压U
pack
‑
cha
等差选取M个电压值，作为电池组暂停放电的电压点，获得包括M个电压值的电压数据集。
[0017]作为本专利技术所述的移动储能系统串联电池组的SOH估计方法的一种优选方案，其中：所述预处理包括，
[0018]标准差率的计算公式为：
[0019][0020]其中，x
pj
表示第p个电池的第j个特征，P表示电池单体数量，表示第j个特征的平均值。
[0021]作为本专利技术所述的移动储能系统串联电池组的SOH估计方法的一种优选方案，其中：所述特征数据集包括，提取其中所有电池单体暂停放电前一采样时刻端电压值、所有电池单体暂停放电时刻端电压瞬时变化值、所有电池单体暂停放电后端电压恢复到稳态值的全过程电压恢复速率和所有电池单体稳态端电压值作为特征。
[0022]作为本专利技术所述的移动储能系统串联电池组的SOH估计方法的一种优选方案，其中：所述信息熵方法包括，
[0023]信息熵的计算公式为：
[0024][0025]其中，S
j
表示第j个特征的信息熵，k为常数，y
pj
表示第p个电池的第j个特征归一化后的值，J表示特征数量。
[0026]作为本专利技术所述的移动储能系统串联电池组的SOH估计方法的一种优选方案，其中：所述信息熵方法还包括特征权重，
[0027]权重计算公式为：
[0028][0029]其中，ω
j
表示第j个特征的对应权重。
[0030]作为本专利技术所述的移动储能系统串联电池组的SOH估计方法的一种优选方案，其中：所述基础预测模型包括，将新特征数据集输入到LSTM网络中进行预训练，得到模型的基础参数。
[0031]作为本专利技术所述的移动储能系统串联电池组的SOH估计方法的一种优选方案，其
中：所述基础预测模型还包括，
[0032]i
t
＝σ(W
i
[h
(t
‑
1)
,x
t
]+b
i
)
[0033]f
t
＝σ(W
f
[h
(t
‑
1)
,x
t
]+b
f
)
[0034]o
t
＝σ(W
o
[h
(t
‑
1)
,x
t
]+b
o
)
[0035]q
t
＝tanh(W
q
[h
(t
‑
1)
,x
t
]+b
q
)
[0036]c
t
＝f
t
*c
(t
‑
1)
+i
t
*q
t
[0037]h
t
＝o
t
*tanh(c
t
)
[0038]其中，g
t
表示输入节点在当前时刻的输出，x
t
表示当前时刻网络的输入，h
(t
‑
1)
、h
t
分别表示在上一时刻和当前时刻的输出，W
i
、W
f
、W
o
、W
q
分别表示输入门、遗忘门、输出门、输入节点的权重参数，b
i
、b
f
、b
o
、b
g
分别表示输入门、遗忘门、输出门、输入节点的偏差参数，c
t
表示从上一时刻的单元状态保留到当前时刻的状态值，σ是sigmoid函数。
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习的移动储能系统串联电池组SOH估计方法，其特征在于：包括，采集电池组循环充放电并多次暂停放电时的全过程电流与电压数据，构建原始数据集；对所述原始数据集进行预处理，得到特征数据集；采用信息熵方法获取特征权重，进行加权求和得到一致性估计结果，并将所述结果与所述特征数据集合并，组成新特征数据集；构建LSTM模型，结合所述新特征数据集进行预训练获得基础预测模型；将其他电池组的少量数据和迁移学习策略进行再训练，得到TL
‑
LSTM模型；将需测量电池组数据输入上述两个模型中，将上述两个模型输出结果加权求和，得到SOH估计结果。2.如权利要求1所述的基于迁移学习的移动储能系统串联电池组SOH估计方法，其特征在于：所述原始数据集包括，记电池组中电池单体数量为P，将电池组放电电流从0到最大额定电流I
max
等差选取N个电流值，获得放电电流数据集；将电池组从放电截止电压U
pack
‑
dis
到充电截止电压U
pack
‑
cha
等差选取M个电压值，作为电池组暂停放电的电压点，获得包括M个电压值的电压数据集。3.如权利要求2所述的基于迁移学习的移动储能系统串联电池组SOH估计方法，其特征在于：所述预处理包括，标准差率的计算公式为：其中，x
pj
表示第p个电池的第j个特征，P表示电池单体数量，表示第j个特征的平均值。4.如权利要求1所述的基于迁移学习的移动储能系统串联电池组SOH估计方法，其特征在于：所述特征数据集包括，提取其中所有电池单体暂停放电前一采样时刻端电压值、所有电池单体暂停放电时刻端电压瞬时变化值、所有电池单体暂停放电后端电压恢复到稳态值的全过程电压恢复速率和所有电池单体稳态端电压值作为特征。5.如权利要求4所述的基于迁移学习的移动储能系统串联电池组SOH估计方法，其特征在于：所述信息熵方法包括，信息熵的计算公式为：其中，S
j
表示第j个特征的信息熵，k为常数，y
pj
表示第p个电池的第j个特征归一化后的值，J表示特征数量。6.如权利要求5所述的基于迁移学习的移动储能系统串联电池组SOH估计方法，其特征
在于：所述信息熵方法还包括特征权重，权重计算公式为：其中，ω
j
表示第j个特征的对应权重。7.如权利要求6所述的基于迁移学习的移动储能系统串联电池组SOH估计方法，其特征在于：所述基础预测模型包括，将新特征数据集输入到LSTM网络中进行预训练，得到模型的基础参数。8.如权利要求7所述的一种基于迁移学习的移动储能系统串联电池组SOH估计方法，其特征在于：所述基础预测模型还包括，i
t
...

【专利技术属性】
技术研发人员：张彦，陶以彬，李庆生，李跃龙，刘金森，周晨，龙家焕，王德顺，张兆丰，李官军，朱永清，余豪杰，罗宁，桑丙玉，李震，庄俊，张鹏城，刘欢，白雪锋，仇伟杰，杨婕睿，余万荣，丁宇洁，马鑫，王杰，
申请(专利权)人：中国电力科学研究院有限公司，
类型：发明
国别省市：