一种基于LSTM的实际运营储能锂电容量预测方法技术

本发明专利技术涉及一种基于LSTM的实际运营储能锂电容量预测方法。包括以下步骤：S1、提取充电特征，计算充电特征与电池衰减的Person相关系数，根据相关性大小选取充电特征作为目标特征；S2、将当前时刻的目标特征输入特征预测LSTM模型，预测下一时刻的目标特征；S3、将预测的下一时刻的目标特征输入容量预测LSTM模型，预测下一时刻电池公共电压区间的容量。本发明专利技术基于LSTM的实际运营储能锂电容量预测方法将特征预测LSTM模型和容量预测LSTM模型相结合，实现了特征和容量的联合预测，提高了预测准确率。同时，使用公共电压区间容量代替电池完整容量，拓展了预测方法的适用范围。拓展了预测方法的适用范围。拓展了预测方法的适用范围。

【技术实现步骤摘要】
一种基于LSTM的实际运营储能锂电容量预测方法


[0001]本专利技术涉及电池容量预测
，尤其是指一种基于LSTM(Long Short Time Memory，长短时记忆网络)的实际运营储能锂电容量预测方法。

技术介绍

[0002]近年来，储能电站越来越普及，大致有如下几个原因：一、储能电站可调节电网峰谷，有利于降低电网最大负荷；二、储能电站可使用电动汽车退役电池，因此电动汽车的发展也助推了储能电站；三、风电站、光电站发电侧的配套储能电站可以有效缓解其不稳定性和间歇性。
[0003]锂离子电池在使用过程中会逐渐老化，表现为容量下降内阻上升。电池老化带来的容量衰减是非线性的，很难预测。而准确预测锂离子电池容量，提前获知寿命信息，及时更换和维护电池，对避免危险事故的发生、降低运行成本等具有重要意义。
[0004]目前，关于锂离子电池容量预测的研究越来越多。总结来说，容量预测可分为两个部分，原始数据的选取和构建容量预测模型。
[0005]原始数据的选取是指对电池历史运行数据的选取，包括容量、电压、温度、内阻等基础信息，或更高阶的EIS(电化学阻抗谱)、IC曲线(容量增量曲线)、DV(差分电压)曲线等。
[0006]构建容量预测模型是指根据原始数据和容量的对应关系构建模型。模型的形式可以分为经验公式模型、数理模型和数据驱动模型三种。
[0007]专利CN115407210A公开了一种基于电池容量预测模型的锂离子电池容量预测方法，其在选取特征方面只使用了容量这一信息，不能准确反映电池老化。在构建模型方面只构建了7个经验公式，但经验公式只能是经验公式，在有限的数据上可以自圆其说，却难以扩展到更多电池。
[0008]专利CN115166561A公开了一种基于CNN
‑
GRU组合神经网络的锂电池寿命预测方法，其在选取特征方面只选取了4个特征(恒流充电时间间隔、恒压充电时间间隔、放电温度峰值时间及循环次数)，特征太少，不能准确反映电池老化。其在构建模型方面虽然用到了CNN
‑
GRU组合神经网络，但并没有将特征和容量分开考虑。同时，使用所需数据多，实际使用所用的循环数据，约占总循环数的36％。违背了使用尽可能少的数据预测尽可能多信息的原则。
[0009]综上所述，现有的电池容量预测方法选取特征简单，未充分反映电池老化信息；同时，构造的模型可解释性差，使用起来所需的数据多。

技术实现思路

[0010]为此，本专利技术所要解决的技术问题在于提供一种适用范围广、预测准确率高的基于LSTM的实际运营储能锂电容量预测方法。
[0011]为解决上述技术问题，本专利技术提供了一种基于LSTM的实际运营储能锂电容量预测方法，其包括以下步骤：
[0012]S1、提取充电特征，计算充电特征与电池衰减的Person相关系数，根据相关性大小选取充电特征作为目标特征；
[0013]S2、将当前时刻的目标特征输入特征预测LSTM模型，预测下一时刻的目标特征；
[0014]S3、将预测的下一时刻的目标特征输入容量预测LSTM模型，预测下一时刻电池公共电压区间的容量。
[0015]在本专利技术的一个实施例中，所述特征预测LSTM模型包括依次连接的第一序列输入层、第一LSTM层、第一全连接层和第一回归输出层。
[0016]在本专利技术的一个实施例中，所述容量预测LSTM模型包括依次连接的第二序列输入层、第二LSTM层、第二全连接层、丢弃层、第三全连接层和第二回归输出层。
[0017]在本专利技术的一个实施例中，所述目标特征包括充电次数、总充电量、充电时长、平均电流、平均温度、充电过程温升、充电起始电压、充电结束电压、A/B峰电压、A/B峰IC值、A谷电压、A谷IC值、IC曲线B峰附近0.003V下(B峰电压左侧0.003V到右侧0.003V)的面积。
[0018]在本专利技术的一个实施例中，所述电池公共电压区间为3.3V
‑
3.4V。
[0019]在本专利技术的一个实施例中，还包括以下步骤：
[0020]S4、根据预测的下一时刻电池公共电压区间的容量观察电池完整容量的衰减。
[0021]本专利技术还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。
[0022]本专利技术还提供了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上述任一项所述方法的步骤。
[0023]本专利技术还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任一项所述的方法。
[0024]本专利技术还提供了一种基于LSTM的实际运营储能锂电容量预测系统，其包括：
[0025]特征计算模块，用于提取充电特征，计算充电特征与电池衰减的Person相关系数，根据相关性大小选取充电特征作为目标特征；
[0026]特征预测LSTM模型，用于接收将当前时刻的目标特征，并预测下一时刻的目标特征；
[0027]容量预测LSTM模型，用于接收预测的下一时刻的目标特征，并预测下一时刻电池公共电压区间的容量。
[0028]本专利技术的上述技术方案相比现有技术具有以下优点：
[0029]本专利技术基于LSTM的实际运营储能锂电容量预测方法将特征预测LSTM模型和容量预测LSTM模型相结合，实现了特征和容量的联合预测，提高了预测准确率。同时，使用公共电压区间容量代替电池完整容量，拓展了预测方法的适用范围。
[0030]上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，而可依照说明书的内容予以实施，并且为了让本专利技术的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
[0031]为了使本专利技术的内容更容易被清楚的理解，下面根据本专利技术的具体实施例并结合
附图，对本专利技术作进一步详细的说明，其中
[0032]图1是电池的SOC
‑
OCV曲线；
[0033]图2是本专利技术实施例中基于LSTM的实际运营储能锂电容量预测方法的流程图；
[0034]图3是电池的IC曲线；
[0035]图4是本专利技术实施例中基于LSTM的实际运营储能锂电容量预测方法的技术路线图；
[0036]图5是本专利技术实施例中15枚电池在150次循环后的真实值和预测值。
具体实施方式
[0037]下面结合附图和具体实施例对本专利技术作进一步说明，以使本领域的技术人员可以更好地理解本专利技术并能予以实施，但所举实施例不作为对本专利技术的限定。
[0038]实施例一
[0039]由于储能电站的放电依据需求侧决定，极不稳定。而充电是由系统设定，工况较为平稳，因此本专利技术使用充电数据用于观察和预测电池衰减。
[0040]此外，由于储能电站中的电池串联工作，不同电池的电流相同而电压不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM的实际运营储能锂电容量预测方法，其特征在于，包括以下步骤：S1、提取充电特征，计算充电特征与电池衰减的Person相关系数，根据相关性大小选取充电特征作为目标特征；S2、将当前时刻的目标特征输入特征预测LSTM模型，预测下一时刻的目标特征；S3、将预测的下一时刻的目标特征输入容量预测LSTM模型，预测下一时刻电池公共电压区间的容量。2.根据权利要求1所述的基于LSTM的实际运营储能锂电容量预测方法，其特征在于，所述特征预测LSTM模型包括依次连接的第一序列输入层、第一LSTM层、第一全连接层和第一回归输出层。3.根据权利要求1所述的基于LSTM的实际运营储能锂电容量预测方法，其特征在于，所述容量预测LSTM模型包括依次连接的第二序列输入层、第二LSTM层、第二全连接层、丢弃层、第三全连接层和第二回归输出层。4.根据权利要求1所述的基于LSTM的实际运营储能锂电容量预测方法，其特征在于，所述目标特征包括充电次数、总充电量、充电时长、平均电流、平均温度、充电过程温升、充电起始电压、充电结束电压、A/B峰电压、A/B峰IC值、A谷电压、A谷IC值、IC曲线B峰附近0.003V下的面积。5.根据权利要求1所述的基于LST...

【专利技术属性】
技术研发人员：邓业林，陈祖航，许明辉，柏玉兰，丁康，
申请(专利权)人：苏州大学，
类型：发明
国别省市：