基于大数据分析的电池健康状态估算方法技术

本文公开了基于大数据分析的电池健康状态估算方法，属于电池领域，所述的电池健康状态估算方法包括步骤1、数据获取；步骤2、大数据集预处理；步骤3、电池健康状态估算，本发明专利技术在对电池的健康状态进行估算时引入电池老化系数，将电池老化系数与电池的SOH结合进行估算，利用融合高斯过程回归的扩展卡尔曼滤波SOH算法对储能电池SOH进行估算，并且验证了其有效性。减少了电池SOH估算的误差，比起以往的同类计算方法，具有更高的准确性。具有更高的准确性。具有更高的准确性。

【技术实现步骤摘要】
基于大数据分析的电池健康状态估算方法


[0001]本专利技术属于电池领域，更具体的说涉及基于大数据分析的电池健康状态估算方法。

技术介绍

[0002]在电化学储能电站运行中，为了保证电池系统的安全顺利运行，需要对电池的健康状态SOH进行实时的估算。
[0003]随着大规模电池储能技术不断进步，CAN总线通讯技术因可实现数据共享、降低制造成本等优势在电化学储能电站上得到广泛应用。CAN总线系统简单来说就是在电池储能系统内部搭建的一个局域网，以实现每个控制单元之间的信息共享，CAN总线采集电池数据也是现今的主流方式，目前储能BMS(电池管理系统)已具有实时预估SOH功能，但其大多基于实验室单体电池仿真模拟的SOH曲线，通过监测储能电池的实时部分指标如内阻等而计算得出SOH这种方式一般在储能电站刚投入使用时估测比较准确，随着充放电次数的增加，误差也越来越大。

技术实现思路

[0004]本专利技术在对电池的健康状态进行估算时引入电池老化系数，将电池老化系数与电池的SOH结合进行估算，利用融合高斯过程回归的扩展卡尔曼滤波SOH算法对储能电池SOH进行估算，并且验证了其有效性。减少了电池SOH估算的误差，比起以往的同类计算方法，具有更高的准确性。
[0005]为了实现上述目的，本专利技术是采用以下技术方案实现的：
[0006]所述的电池健康状态估算方法包括：
[0007]步骤1、数据获取；
[0008]步骤2、大数据集预处理；
[0009]步骤3、电池健康状态估算，详细步骤如下：
[0010]S301储能电池SOH模型建立；S302数据初始化：S303高斯过程回归；S304扩展卡尔曼滤波；S305扩展卡尔曼滤波循环递推；S306估算全充时间，S307循环更新，估算实际SOH值。
[0011]进一步地，所述的步骤1、数据获取包括电池的电压数据、总电流、荷电状态SOC。
[0012]进一步地，所述的步骤2、大数据集预处理具体为：当数据在时间维度上存在大量缺失，对该时间段上某数据项或者全数据项进行删除处理；
[0013]采取插值的方法进行数据填补，保证数据完整性与数据质量；
[0014]将所有数据按照时间排序，选择重复数据中的首项进行保存，删除其余重复数据；
[0015]数据切片与重构截取不同的数据项进行不同维度上的分类，并根据筛选条件对数据集进行时间跨度上的划分。
[0016]进一步地，所述的S301采用充电数据进行SOH预测估算，假设储能电池从0初始容
量开始充电，则：
[0017][0018]其中，C0为储能电池出厂时的标称容量；t1为储能电池从初始时刻0时刻充电到截至电压所需的时间；I为储能电池的恒流充电电流，At为电池老化系数；
[0019]在一段时间内，从t
a
时刻到t
b
时刻电池电量的变化，见式(2)
[0020][0021]式中：I(t)为t时刻电池系统的电流，放电时电流为正，电量减少，充电时电流为负，电池电量增加；Q
a
和Q
b
为t
a
和t
b
时刻时锂离子电池内部的电量；在这段时间内，SOC从SOC
a
变化为SOC
b
，对式(2)进行计算，得到电池的当前总容量Cmax；
[0022][0023]将上述计算得到的最大C
max
作为基准，将每次充电片段得到的C
max
与储能电池出厂时的标称容量C0比值即得到电池老化系数At；：
[0024][0025]进一步地，所述S302数据初始化：已知储能电池组恒流充电电流I；储能电池组恒压充电截至电压U
截止
，循环cycle
i
对应的充电数据是具体的数据采样时间，其间隔为固定值，为储能电池组的实时电压值；
[0026]数据初始化，即i＝0，初次循环为cycle0：I、V
截止
、ΔT、初次循环恒流充电的全充数据n0为初次循环储能电池组达到V
截止
时的总采样时间点个数。
[0027]进一步地，所述S303高斯过程回归；选用线性函数m(x)＝ax+b为高斯过程回归的均值函数，选择自动相关性确定理性平方协函数作为核函数；对初次循环cycle0的全充数据进行高斯过程回归，计算初始超参数θ。
[0028]进一步地，所述的S304扩展卡尔曼滤波；对于下一循环cycle＝cycle0+1；首先将cycle0次的储能电池全充时间作为cycle循环的初值，即x
cycle
(1)然后，导入cycle次的片段充电数据，并开展扩展卡尔曼滤波，具体公式如下：
[0029]x
cycle
(k)＝A(k)[x
cycle
(k
‑
1)]‑
ΔT+w(k
‑
1)
ꢀꢀꢀꢀ
(5)
[0030][0031]式中：A(k)为状态矩阵，将A(k)设为单位矩阵；表示利用数据进行的高斯过程回归并预测x
cycle
(k)的电压值。
[0032]进一步地，所述S305扩展卡尔曼滤波循环递推
[0033]预测过程：
[0034][0035]P
cycle
(k)
′
＝A(k
‑
1)P
cycle
(k
‑
1)A(k
‑
1)
T
+Q(k)
ꢀꢀꢀ
(8)
[0036]利用差商近视雅可比矩阵对模型进行更新
[0037][0038]更新过程：
[0039][0040][0041]P(k)＝[I
‑
K(k)H(k)]P(k)
ꢀꢀꢀꢀ
(12)
[0042]式(7)至(12)中，R，Q分别为状态噪声w和测量噪声v对应的协方差。
[0043]进一步地，所述S306估算全充时间；由上述过程可知，第cycle＝cycle0+1次的全充时间分成两部分；
[0044]第cycle次片段充电所用时间也就是从t1(1)到t1(n1)的时间为ΔT
×
(n1‑
1)；利用cycle0次全充时间，通过高斯过程回归和扩展卡尔曼滤波得到的最优估计时间也就是从储能电池组最低容量充至t1(1)时刻的估算时间；
[0045]所以，第cycle＝cycle0+1次的估算全充时间
[0046][0047]进一步地，所述S307更新循环，估算实际SOH值：令上一循环cycle＝cycle0，将cycle循环的数据作为初始数据，即且全充时间为x
cycle
(1)从而得到所有循环的估算全充时间
[0048][0049]实际估算SOH如公本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于大数据分析的电池健康状态估算方法，其特征在于：所述的电池健康状态估算方法包括：步骤1、数据获取；步骤2、大数据集预处理；步骤3、电池健康状态估算，详细步骤如下：S301储能电池SOH模型建立；S302数据初始化：S303高斯过程回归；S304扩展卡尔曼滤波；S305扩展卡尔曼滤波循环递推；S306估算全充时间；S307循环更新，估算实际SOH值。2.根据权利要求1所述的基于大数据分析的电池健康状态估算方法，其特征在于：所述的步骤1、数据获取包括电池的电压数据、总电流、荷电状态SOC。3.根据权利要求1所述的基于大数据分析的电池健康状态估算方法，其特征在于：所述的步骤2、大数据集预处理具体为：当数据在时间维度上存在大量缺失，对该时间段上某数据项或者全数据项进行删除处理；采取插值的方法进行数据填补，保证数据完整性与数据质量；将所有数据按照时间排序，选择重复数据中的首项进行保存，删除其余重复数据；数据切片与重构截取不同的数据项进行不同维度上的分类，并根据筛选条件对数据集进行时间跨度上的划分。4.根据权利要求1所述的基于大数据分析的电池健康状态估算方法，其特征在于：所述的S301采用充电数据进行SOH预测估算，假设储能电池从0初始容量开始充电，则：其中，C0为储能电池出厂时的标称容量；t1为储能电池从初始时刻0时刻充电到截至电压所需的时间；I为储能电池的恒流充电电流，At为电池老化系数；在一段时间内，从t
a
时刻到t
b
时刻电池电量的变化，见式(2)式中：I(t)为t时刻电池系统的电流，放电时电流为正，电量减少，充电时电流为负，电池电量增加；Q
a
和Q
b
为t
a
和t
b
时刻时锂离子电池内部的电量；在这段时间内，SOC从SOC
a
变化为SOC
b
，对式(2)进行计算，得到电池的当前总容量Cmax；将上述计算得到的最大C
max
作为基准，将每次充电片段得到的C
max
与储能电池出厂时的标称容量C0比值即得到电池老化系数At；：5.根据权利要求1所述的基于大数据分析的电池健康状态估算方法，其特征在于：所述
S302数据初始化：已知储能电池组恒流充电电流I；储能电池组恒压充电截至电压U
截止
，循环cycle
i
对应的充电数据对应的充电数据是具体的数据采样时间，其间隔为固定值，为储能电池组的实时电压值；数据初始化，即i＝0，初次循环为cycle0：I、V
截止
、ΔT、初次循环恒流充电的全充数据n0为初次循环储能电池组达到V
截止
时的总采样时间点个数。6.根据权利要求1所述的基于大数据分析的电池健康状态估算方法，其特征在于：所述S303高斯过程回归；...

【专利技术属性】
技术研发人员：简子敬，陈刚良，张煜相，杨仕远，
申请(专利权)人：杭州科工电子科技有限公司，
类型：发明
国别省市：