一种储能电池健康状态SOH估算方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种储能电池健康状态SOH估算方法、装置及存储介质，所述方法包括获取电池恒流

【技术实现步骤摘要】
一种储能电池健康状态SOH估算方法、装置及存储介质


[0001]本专利技术涉及一种储能电池健康状态SOH估算方法、装置及存储介质，属于储能电站电池健康状态评估


技术介绍

[0002]锂离子电池以其重量轻便、稳定性好、无记忆效应、能量密度大等优点在清洁能源的储存与使用过程中发挥着至关重要的作用。然而，随着充放电次数的增加，锂离子电池会由于各种物理、化学机制发生老化，影响电气设备的正常运行，甚至会引发灾难性事故。
[0003]对于锂离子电池而言，荷电状态(SOC)和健康状态(SOH)是最关键的状态量。其中，SOC被定义为剩余容量与最大可用容量之比，准确的SOC估算能够提高锂离子电池容量和能量利用率，防止电池过充电或过放电。SOH通常以锂离子电池容量和内阻的变化来定义，其能够定量描述锂离子电池老化情况，准确的SOH估算直接影响锂离子电池性能的发挥，并为老化锂离子电池的更换提供重要参考依据，对于锂离子电池最佳性能的发挥和安全运行具有重大意义。
[0004]目前，电池SOH的估算方法主要可以分为两类：基于模型的估算方法和数据驱动的估算方法。基于模型的方法通过建立电池模型并获取模型参数，进而根据模型参数估计电池SOH，但模型参数的辨识复杂，容易受到电池工作环境影响，对电池的综合性能描述较弱。数据驱动的估算方法不需要构建复杂的电池模型，可以通过测量到的电压、电流和温度等数据来自主学习电池SOH与外部特性的非线性关系，具有估算精度高的优点，目前常用的数据驱动方法包括神经网络、高斯过程回归等。然而，目前基于数据驱动的方法普遍存在着计算量大和运算速度慢的问题，站用内存较多，对电池管理系统硬件的要求较高。

技术实现思路

[0005]本专利技术的目的在于克服现有技术中的不足，提供一种储能电池健康状态SOH估算方法、装置及存储介质，克服现有卷积神经网络计算量大和运算速度慢的问题，在不影响SOH估算精度的前提下降低计算量，提升计算速度和对硬件的要求。
[0006]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0007]第一方面，本专利技术提供了一种储能电池健康状态SOH估算方法，包括：
[0008]获取电池恒流
‑
恒压满充过程中采集到的电压、电流、温度测量值；
[0009]将所述电压、电流、温度测量值输入至预先训练过的基于快速回归算法的卷积神经网络中，输出SOH估算值。
[0010]进一步的，将所述SOH估算值与恒流满放过程中记录的SOH进行分析比较，评价该卷积神经网络的有效性。
[0011]进一步的，所述基于快速回归算法的卷积神经网络的构建方法，包括：
[0012]搭建卷积神经网络输入层、卷积层、池化层、全连接层、输出层结构，其中：
[0013]所述输入层用于选取电池t时刻的电压、电流、温度测量值；
[0014]所述卷积层用于执行卷积运算提取电池的老化特征；
[0015]所述池化层用于特征参数的降维，压缩数据量；
[0016]所述全连接层用于将经过多次卷积后高度抽象化的电池特征进行整合，然后归一化，对提取的特征进行分类；
[0017]所述输出层用于将电池健康状态进行输出。
[0018]进一步的，针对输入层，首先将数据进行规范化处理，分割数据块，每个数据块是一个n
×
3的矩阵，3是相关变量的数量，n表示每个变量的连续数据点个数，两个相邻的数据块有c个重叠的数据点，最终将每个数据块转化为一个的三维矩阵。
[0019]进一步的，所述卷积层包括第一卷积层C1和第二卷积层C2，所述第一卷积层C1包括a个卷积特征，通过对输入层矩阵进行卷积操作提取内在特征，得到每个特征状态的尺寸大小，然后通过池化层进行降采样操作，将降采样后的输出放入第二卷积层C2，以此类推，得到经过多级卷积池化后的输出，该输出通过全连接层与输出层相连。
[0020]进一步的，所述池化层包括最大池化层和平均池化层，选择最大池化层计算时，公式如下：
[0021][0022]式中，是l池化层的输出，Maxpooling是最大池化层函数，是l
‑
1卷积层的输出。
[0023]进一步的，所述全连接层包括第一全连接层FC1和第二全连接层FC2，所述全连接层神经元的修剪过程采用基于快速回归算法的方法，首先计算第一全连接层FC1每个神经元的贡献，然后根据神经元的贡献对其进行排序，选择排名最高的神经元，利用选定的神经元获得第一全连接层FC1新的输出，重复上述过程直到第一全连接层FC1的神经元数量达到最大值或者其小于预定义的错误边界，所述第二全连接层FC2神经元的修剪过程与第一全连接层FC1相同。
[0024]进一步的，所述基于快速回归算法的卷积神经网络的训练方法，包括：
[0025]获取电池恒流
‑
恒压满充过程中记录的电压、电流、温度测量值；
[0026]将满充后的锂离子电池进行恒流放电，直至电压下降至截止电压，利用安时积分法记录该放电过程中的电量；
[0027]根据所述电压、电流、温度测量值以及电量，构造数据集；
[0028]将所述数据集输入基于快速回归算法的卷积神经网络中进行训练。
[0029]第二方面，本专利技术提供一种储能电池健康状态SOH估算装置，包括：
[0030]获取模块，用于获取电池恒流
‑
恒压满充过程中采集到的电压、电流、温度测量值；
[0031]估算模块，用于将所述电压、电流、温度测量值输入至预先训练过的基于快速回归算法的卷积神经网络中，输出SOH估算值；
[0032]分析模块，用于将所述SOH估算值与恒流满放过程中记录的SOH进行分析比较，评价该卷积神经网络的有效性。
[0033]第三方面，本专利技术提供一种电子设备，包括处理器及存储介质；
[0034]所述存储介质用于存储指令；
[0035]所述处理器用于根据所述指令进行操作以执行根据前述任一项所述方法的步骤。
[0036]第四方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一项所述方法的步骤。
[0037]与现有技术相比，本专利技术所达到的有益效果：
[0038]本专利技术提供一种储能电池健康状态SOH估算方法、装置及存储介质，提出的基于快速回归算法的卷积神经网络可以极大的降低计算和存储资源的需求，提高运算效率，使得电池健康状态的预测方法可以更好的应用于电池管理系统，也降低了对电池管理系统硬件的要求。
附图说明
[0039]图1是本专利技术实施例提供的一种储能电池健康状态SOH估算方法的流程图；
[0040]图2是本专利技术实施例提供的基于快速回归算法(FRA)的全连接层架构设计图。
具体实施方式
[0041]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。...

【技术保护点】

【技术特征摘要】
1.一种储能电池健康状态SOH估算方法，其特征在于，包括：获取电池恒流
‑
恒压满充过程中采集到的电压、电流、温度测量值；将所述电压、电流、温度测量值输入至预先训练过的基于快速回归算法的卷积神经网络中，输出SOH估算值。2.根据权利要求1所述的储能电池健康状态SOH估算方法，其特征在于，将所述SOH估算值与恒流满放过程中记录的SOH进行分析比较，评价该卷积神经网络的有效性。3.根据权利要求1所述的储能电池健康状态SOH估算方法，其特征在于，所述基于快速回归算法的卷积神经网络的构建方法，包括：搭建卷积神经网络输入层、卷积层、池化层、全连接层、输出层结构，其中：所述输入层用于选取电池t时刻的电压、电流、温度测量值；所述卷积层用于执行卷积运算提取电池的老化特征；所述池化层用于特征参数的降维，压缩数据量；所述全连接层用于将经过多次卷积后高度抽象化的电池特征进行整合，然后归一化，对提取的特征进行分类；所述输出层用于将电池健康状态进行输出。4.根据权利要求3所述的储能电池健康状态SOH估算方法，其特征在于，针对输入层，首先将数据进行规范化处理，分割数据块，每个数据块是一个n
×
3的矩阵，3是相关变量的数量，n表示每个变量的连续数据点个数，两个相邻的数据块有c个重叠的数据点，最终将每个数据块转化为一个的三维矩阵。5.根据权利要3所述的储能电池健康状态SOH估算方法，其特征在于，所述卷积层包括第一卷积层C1和第二卷积层C2，所述第一卷积层C1包括a个卷积特征，通过对输入层矩阵进行卷积操作提取内在特征，得到每个特征状态的尺寸大小，然后通过池化层进行降采样操作，将降采样后的输出放入第二卷积层C2，以此类推，得到经过多级卷积池化后的输出，该输出通过全连接层与输出层相连。6.根据权利要求3所述的储能电池健康状态SOH估算方法，其特征在于，所...

【专利技术属性】
技术研发人员：周琦，高磊，袁晓冬，杨毅，袁宇波，李鹏，孔祥平，王晨清，易文飞，
申请(专利权)人：国网江苏省电力有限公司电力科学研究院江苏省电力试验研究院有限公司，
类型：发明
国别省市：