一种基于多片段数据的储能电站锂电池SOH估计方法及装置制造方法及图纸

本发明专利技术公开了一种基于多片段数据的储能电站锂电池SOH估计方法及装置，包括：采集锂电池的电压、电流和容量数据；根据采集的数据截取出恒压充电电流和电池充电后静置的电压数据，从中提取出多个健康特征并与SOH值组成特征集；将特征集划分为N个训练子集和测试子集；搭建N个支持向量回归SVR模型，用N个训练子集和测试子集训练并检验所有模型，并获得新训练集和新测试集；搭建随机森林RF模型，利用新训练集和测试集训练和检验RF模型；用RF模型融合N个SVR模型的输出结果并估计电池的SOH。本发明专利技术通过提取多个基于恒压充电阶段和静置阶段的特征，提高了模型的适用范围，通过集成学习的思想提高了模型泛化性和估计精度。的思想提高了模型泛化性和估计精度。的思想提高了模型泛化性和估计精度。

【技术实现步骤摘要】
一种基于多片段数据的储能电站锂电池SOH估计方法及装置


[0001]本专利技术涉及一种基于多片段数据的储能电站锂电池SOH估计方法及装置，属于电池储能


技术介绍

[0002]锂电池在智能电网、电动汽车以及航空航天等诸多领域都得到广泛应用。锂电池的状态估计方法也成为了研究热点。为了诊断锂电池可用容量及剩余使用寿命，实时准确地估计锂电池的健康状态SOH(state of health)至关重要。电池健康状态一般定义为电池当前的容量与出厂容量的百分比。
[0003]目前估计锂电池SOH的方法主要有基于模型法和基于数据驱动法。相对于基于模型法需要深刻理解电池老化机制和建立物理模型，基于数据驱动法只需采集电池运行数据和搭建机器学习或深度学习模型即可准确估计SOH。同时，由于近年来计算机硬件的快速发展，基于数据驱动法获得了实施条件，引起国内外学者的关注。
[0004]基于数据驱动法中，特征工程能够进一步提高数据驱动模型的性能，同时决定了模型在实际应用中的适用性。在储能电站中，电池通常被用于削峰填谷等应用场景，即电池一般不会完全放电。同时储能电站作为一种备用电源，经常会实现满充和静置。因此，需要从储能电站的应用场景特点出发，研究从电池的部分充电过程和静置过程提取有效的健康特征。此外，现有基于数据驱动法中通常采用单个模型，存在模型缺乏泛化性的技术问题。

技术实现思路

[0005]本专利技术的目的在于提供一种基于多片段数据的储能电站锂电池SOH估计方法及装置，解决现有技术模型缺乏泛化性，估计精度低的技术问题。
[0006]本专利技术的目的通过以下技术方案予以实现：
[0007]一种基于多片段数据的储能电站锂电池SOH估计方法，包括：
[0008]步骤S1：采集锂电池在完整充放电循环中的电压、电流和最大放电容量数据，将最大放电容量与电池标称容量的比值定义为SOH值；
[0009]步骤S2：从采集的电压和电流数据截取出恒压充电电流和电池充电后静置的电压数据，从恒压充电电流和电池充电后静置的电压数据中提取出多个健康特征，并与SOH值组成特征集F1；
[0010]步骤S3：将特征集F1划分为训练集和测试集，并将训练集和测试集分别平均分为N等份，得到N个训练子集和测试子集；
[0011]步骤S4：搭建N个支持向量回归SVR(support vector regression)模型，每个SVR模型分别采用一个训练子集和测试子集进行训练和测试，得到N个训练完成的SVR模型，将N个SVR模型在其对应的训练子集和测试子集上输出的SOH估计值分别进行拼接，获得新训练集和新测试集，其中新训练集的行数与训练集相同，新测试集的行数与测试集相同；
[0012]步骤S5：搭建随机森林模型RF，采用新训练集训练RF模型，将新测试集用于检验RF
模型的性能；
[0013]步骤S6：将步骤S4和S5所训练得到的所有SVR模型和RF模型保存至储能电站的电池管理系统中，当电池完成充电并静置后，按照步骤S2所述步骤提取多个健康特征，并同时输入至N个SVR模型中，再将N个SVR模型输出的结果输入到RF模型中，得到最终的SOH估计结果。
[0014]进一步地，步骤S2具体包括以下步骤：
[0015]S2
‑
1：对步骤S1采集的电压和电流数据，识别并截取出恒压充电过程的电流数据I
cv
，以及电池充电后静置过程的电压变化数据V
relax
，I
cv
和V
relax
表示为：
[0016]I
cv
＝[I1,I2,
…
,I
p
],V
relax
＝[V1,V2,
…
V
q
][0017]其中，I
p
表示恒压充电电流序列数据中第P个电流值，V
q
表示电压序列数据中第q个电压值；
[0018]S2
‑
2：计算恒压充电电流曲线中拐点处的切线斜率I
k
，将电流序列进行信息熵量化，计算电流数据的信息熵I
entropy
，计算公式如下：
[0019][0020]其中，l
i
表示数据序列中出现第i个元素的值的概率，P表示数据序列中共有P个值；
[0021]S2
‑
3：计算静置过程的电压曲线中拐点处的切线斜率V
k
，按照总静置时间长度，将电压变化数据V
relax
划分为6个等时间差间隔，计算每个间隔的电压降，组成长度为6的电压降序列ΔV＝[ΔV1,ΔV2,ΔV3,ΔV4,ΔV5,ΔV6]，对该电压降序列进行信息熵量化，并计算电压信息熵值ΔV
entropy
；
[0022]计算公式如下：
[0023][0024]其中，m
i
表示电压数据序列中出现第i个元素的值的概率，P表示数据序列中共有P个值；
[0025]S2
‑
4：将步骤S2
‑
2和S2
‑
3获得的I
k
、I
entropy
、V
k
和ΔV
entropy
作为健康特征，构成特征组合，根据电池在每个循环中获取的特征组合和SOH值组成特征集F1，并对特征集F1进行形式标准化，特征集F1标准化形式如下：
[0026][0027]其中，I
k,d
表示第d个循环中恒压充电电流曲线拐点处的切线斜率，I
entropy,d
表示第d个循环中恒压充电电流数据的信息熵值，V
k,d
表示第d个循环中电压曲线拐点处的切线斜率，ΔV
entropy,d
表示第d个循环中电压降序列的信息熵值，SOH
d
表示第d个循环中电池的SOH值。
[0028]进一步地，步骤S3具体包括以下步骤：
[0029]S3
‑
1：将特征集F1划分为训练集和测试集；
[0030]S3
‑
2：将训练集的循环数A除以N，将训练集依次取A/N行作为一个训练子集，总共可以获得N个形式为A/N行5列的训练子集，获得N个形式为B/N行5列的测试子集。
[0031]进一步地，步骤S4具体包括以下步骤：
[0032]S4
‑
1：搭建N个支持向量回归SVR模型；
[0033]S4
‑
2：采用步骤S3划分的N个训练子集分别训练N个SVR模型，所有模型训练完成后，获取每个SVR模型在其对应的训练子集上输出的结果，作为新训练子集，共获取N个新训练子集，第n个新训练子集表示为：
[0034][0035]其中，表示第n个SVR模型在第A/N个循环输出的SOH估计值，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多片段数据的储能电站锂电池SOH估计方法，其特征在于，包括：步骤S1：采集锂电池在完整充放电循环中的电压、电流和最大放电容量数据，将最大放电容量与电池标称容量的比值定义为SOH值；步骤S2：从采集的电压和电流数据截取出恒压充电电流和电池充电后静置的电压数据，从恒压充电电流和电池充电后静置的电压数据中提取出多个健康特征，并与SOH值组成特征集F1；步骤S3：将特征集F1划分为训练集和测试集，并将训练集和测试集分别平均分为N等份，得到N个训练子集和测试子集；步骤S4：搭建N个支持向量回归SVR模型，每个SVR模型分别采用一个训练子集和测试子集进行训练和测试，得到N个训练完成的SVR模型，将N个SVR模型在其对应的训练子集和测试子集上输出的SOH估计值分别进行拼接，获得新训练集和新测试集，其中新训练集的行数与训练集相同，新测试集的行数与测试集相同；步骤S5：搭建随机森林模型RF，采用新训练集训练RF模型，将新测试集用于检验RF模型的性能；步骤S6：将步骤S4和S5所训练得到的所有SVR模型和RF模型保存至储能电站的电池管理系统中，当电池完成充电并静置后，按照步骤S2步骤提取多个健康特征，并同时输入至N个SVR模型中，再将N个SVR模型输出的结果输入到RF模型中，得到最终的SOH估计结果。2.如权利要求1所述的一种基于多片段数据的储能电站锂电池SOH估计方法，其特征在于，步骤S2具体包括以下步骤：S2
‑
1：对步骤S1采集的电压和电流数据，识别并截取出恒压充电过程的电流数据I
cv
，以及电池充电后静置过程的电压变化数据V
relax
，I
cv
和V
relax
表示为：I
cv
＝[I1,I2,
…
,I
p
],V
relax
＝[V1,V2,
…
,V
q
]其中，I
p
表示恒压充电电流序列数据中第P个电流值，V
q
表示电压序列数据中第q个电压值；S2
‑
2：计算恒压充电电流曲线中拐点处的切线斜率I
k
，将电流序列进行信息熵量化，计算电流数据的信息熵I
entropy
，计算公式如下：其中，l
i
表示数据序列中出现第i个元素的值的概率，P表示数据序列中共有P个值；S2
‑
3：计算静置过程的电压曲线中拐点处的切线斜率V
k
，按照总静置时间长度，将电压变化数据V
relax
划分为6个等时间差间隔，计算每个间隔的电压降，组成长度为6的电压降序列ΔV＝[ΔV1,ΔV2,ΔV3,ΔV4,ΔV5,ΔV6]，对该电压降序列进行信息熵量化，并计算电压信息熵值ΔV
entropy
；计算公式如下：其中，m
i
表示电压数据序列中出现第i个元素的值的概率，P表示数据序列中共有P个值；S2
‑
4：将步骤S2
‑
2和S2
‑
3获得的I
k
、I
entropy
、V
k
和ΔV
entropy
作为健康特征，构成特征组合，
根据电池在每个循环中获取的特征组...

【专利技术属性】
技术研发人员：吴宁，李相俊，马骏毅，修晓青，王萌萌，刘晓宇，于晓蒙，董立志，朱剑，张亚斌，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：