一种基于堆叠模型的储能电站锂电池容量估计方法技术

本发明专利技术公开了一种基于堆叠模型的储能电站锂电池容量估计方法，所述方法包括：获取N个同型号锂电池的电压、电流和容量数据；根据采集的数据，获取多个健康指标，与容量数据构成一次数据集；搭建卷积神经网络、长短期记忆神经网络、深度神经网络和随机森林模型，用一次数据集划分得到的划分为一次训练集和一次测试集训练并检验所有模型，并获得二次训练集和二次测试集；搭建LightGBM模型，分别用二次训练集和二次测试集对其进行训练和测试；每个模型的容量估计值输入至LightGBM模型得到最终的容量估计值。本发明专利技术通过提取了多个基于恒压充电和静置阶段的健康指标，具有易获取的特点，通过堆叠模型的方式弥补了单一模型泛化性较弱的不足，有效提高了估计精度。有效提高了估计精度。有效提高了估计精度。

【技术实现步骤摘要】
一种基于堆叠模型的储能电站锂电池容量估计方法


[0001]本专利技术涉及一种基于堆叠模型的储能电站锂电池容量估计方法，属于电池储能


技术介绍

[0002]锂电池因具有能量密度高、自放电率低和循环寿命长等特点，在储能电站、电动汽车和智能电子设备等诸多领域中得到广泛应用。但是随着长时间使用，锂电池的最大可用容量会从出厂时的标称容量而逐渐下降，即电池的寿命发生了衰退。然而，在实际使用过程中，电池难以频繁进行完全充放电测试，导致无法通过直接测量法获取电池当前状态的最大可用容量。因此，需要通过电池的部分运行数据来实现间接估计。近年来，基于深度学习的电池容量估计模型成为了研究热点。卷积神经网络CNN、长短期记忆神经网络LSTM等是常用模型。其中模型的输入特征数据如何选取是决定模型性能的重要影响因素，并且能使整个模型更具解释性。
[0003]在实际工况中，电池的放电过程往往是未知且不可预测的，导致从电池放电过程数据提取特征的方法只能在实验室理想工况下适用。同时，储能电站作为备用电源，电池大多数情况下的运行模式是浅充浅放，且可能高频实现满充和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于堆叠模型的储能电站锂电池容量估计方法，其特征在于，包括：S1：获取N个同型号锂电池在充放电循环中的电压、电流和总放电容量数据，在每个充放电循环中，电池以恒流恒压方式充电，电池充电至100％SOC后静置时间T，再以恒流方式完全放电；S2：根据步骤S1获取的电压和电流数据，将电池的恒压充电电流从最大值至最小值等分为6个间隔，获取每个循环中电池在第6个间隔的充电时长T6，计算电池在充电完成后静置时间T期间的电压序列数据的香农熵V
entropy
，并计算这段电压数据构成的电压曲线的最大曲率V
r
，将T6、V
entropy
和V
r
组成健康指标组合，并与总放电容量C构成一次数据集D1；S3：搭建卷积神经网络CNN、长短期记忆神经网络LSTM、深度神经网络DNN和随机森林模型RF，将一次数据集D1划分为一次训练集和一次测试集，采用一次训练集对卷积神经网络CNN、长短期记忆神经网络LSTM、深度神经网络DNN和随机森林模型RF进行训练，通过一次测试集对每个模型进行参数调试和验证，将每个完成训练的模型在一次训练集上输出的容量估计值组成二次训练集，在一次测试集上输出的容量估计值组成二次测试集；S4：搭建LightGBM模型，分别采用二次训练集和二次测试集对LightGBM模型进行训练和测试；S5：当储能电站中的电池完全充满电并静置时间T后，根据步骤S2所述方法提取该电池的健康指标组合，输入至步骤S3所训练完成的卷积神经网络CNN、长短期记忆神经网络LSTM、深度神经网络DNN和随机森林模型RF中，再将每个模型的容量估计值输入至步骤S4所训练完成的LightGBM模型中，得到该电池当前时刻的最大可用容量。2.如权利要求1所述的一种基于堆叠模型的储能电站锂电池容量估计方法，其特征在于，步骤S2具体包括：S2
‑
1：获取电池的恒压充电电流数据I和完全充满电后静置时间T期间的电压数据V，电流数据I和电压数据V的具体形式如下：I＝[I1,I2,
…
,I
n
],V＝[V1,V2,
…
,V
m
]其中，I
n
表示恒压充电电流序列数据中第n个电流值，V
m
表示电压序列数据中第m个电压值；S2
‑
2：将电流数据I从最大值至最小值等分为6个电流间隔，计算第6个电流间隔的充电时长T6，计算电压曲线的最大曲率V
r
，计算电压序列数据的香农熵V
entropy
，计算公式如下：其中，p
i
表示数据序列中出现第i个元素的值的概...

【专利技术属性】
技术研发人员：陈通，修晓青，陈兰杭，李相俊，黄灵通，董立志，孙海翔，刘晓宇，姚鹏，朱卓然，侯超，
申请(专利权)人：中国电力科学研究院有限公司国网江苏省电力有限公司，
类型：发明
国别省市：