一种储能电池健康度评估方法、系统、设备及存储介质技术方案

本发明专利技术公开了一种储能电池健康度评估方法，具体包括数据采集、数据预处理、最大电池容量估值修正、电池标定容量值修正、计算修正后的电池SOH值、特征挖掘、构建短期SOH预测模型、构建长期SOH预测模型。该储能电池健康度评估方法及系统采集大量的电池历史充放电数据，基于大量储能电池的充放电历史数据，对电池最大容量估计及电池标定容量值进行修正，这样就能使电池SOH值的精度进一步的提高，使SOH预测模型训练的历史数据也更加准确，从而可进一步提高短期SOH预测模型及长期SOH预测模型的预测精度。该储能电池健康度评估方法能同时实现短期SOH评估和长期SOH评估两种方式，能对电池SOH起到更好的评估效果。SOH起到更好的评估效果。SOH起到更好的评估效果。

【技术实现步骤摘要】
一种储能电池健康度评估方法、系统、设备及存储介质


[0001]本专利涉及储能电池管理系统
，特别涉及一种电池健康状态(SOH)检测评估方法。

技术介绍

[0002]随着能源的日渐紧缺以及人们环保意识的不断提升，各种新能源技术越来越受到人们的重视，新能源领域迎来了发展的高峰期。储能是新能源领域的重要一环，针对作为储能载体的储能电池的研究也不断深入。其中电池健康状态(state of health，SOH)是电池的一项重要指标，是电池能否安全运行的重要参考。SOH 估算是用来判断电池健康状况的一种方法，采用电池所能充入或放出电量与电池标称容量的百分比表示。对于新电池而言，其数值一般会大于100%。随着电池的使用以及老化，该数值逐渐降低。依据IEEE标准1188
‑
1996规定，当动力电池的容量能力下降到80%时，应对其更换。因此储能电池健康度评估法的精准度对电池的安全使用起着至关重要的作用。
[0003]传统的锂电池健康度评价方法通常是先在采集电池SOH（电池健康状态）历史数据，然后使用安时积分法计算得到某个充电片段的充电电量，接着除以该充电片段对应的SOC（电池的当前剩余电量）变化区间差值，得到电池的最大容量，再用电池最大容量除以电池标定容量得到电池SOH。这种电池健康状态(SOH)检测评估方法存在预测精度不高、实时性差等问题，随着电池充电技术的不断发展，这种电池健康状态检测评估方法已经不能满足使用需求，因此有必要设计一种能够更好实现电池健康状态精准预测的储能电池健康度评估方法。
>[0004]
技术实现思路

[0005]为克服上述现有技术中的不足，本专利技术的目的在于设计一种对储能电池健康度评估更加精确的方法。
[0006]一种储能电池健康度评估方法，其包括如下步骤：1)数据采集：按一定时间间隔采集并记录电池历史充放电数据，电池历史充放电数据包括电池充电电流、电池放电电流、电池充电电压、电池放电电压、电池充电温度、电池放电温度、电池SOC参数；2)数据预处理：对所获取的电池历史充放电数据进行数据去重、空值处理以及异常数值处理；3)最大电池容量估值修正：根据电池历史充放电数据，将电池SOC从0%至100%按照相等的比例间隔分隔成多个充电区间，计算每个充电区间的实际充电电量的平均值，然后除以电池充满电时的充电电量的平均值，得出充电区间的估值转换因子对应表，将充电覆盖到的每个充电区间的实际充电量乘以该充电区间对应的估值转换因子并求和，再用求和之后的值除以覆盖到的充电区间的估值转换因子之和，得到修正后的电池最大容量估计
值；4)电池标定容量值修正：将电池出厂时标记的每个充电倍率和温度对应的标定容量除以电池修正容量系数L，得到电池出厂时标记的每个充电倍率和温度对应的容量转换因子，在每个充电倍率两个相邻温度对应的容量转换因子之间采用等分插值法计算各个插入点处的容量转换因子，并形成容量转换因子表，以当前环境温度及充电速率对应的容量转换因子乘以电池修正容量系数L，得到修正后的电池标定容量；5)计算修正后的电池SOH值：修正后的最大电池容量估值除以修正后的电池标定容量；6)特征挖掘：对电池历史充放电数据进行挖掘，得到有用特征，有用特征包括日历天数、累计使用时长、充电次数、循环次数、深度充放电次数、平均温度、平均温差、最大温差、充电单位温度上升量、平均温差标准差、平均压差、最大压差、平均压差标准差、充电大电流记录和放电大电流记录；7)构建短期SOH预测模型：基于修正后的电池SOH值及挖掘的有用特征构建短期SOH预测模型并进行训练；8)构建长期SOH预测模型：以SOH时间序列数据构建构建长期SOH预测模型，以短期SOH预测模型的预测结果作为训练样本对长期SOH预测模型进行训练。
[0007]优选的，步骤7）中构建LightGBM模型和CatBoost模型两种预测模型，分别预测短期SOH值，并对两种模型的预测结果求均值，得到最终的短期SOH值。
[0008]优选的，步骤8）中构建的长期SOH预测模型为LSTM预测模型。
[0009]优选的， LSTM预测模型中神经元的个数是16个；优化器采用RMSprop，学习率是0.0001，损失函数是mae。
[0010]为实现上述目的，本专利技术还公开了一种储能电池健康度评估系统，数据采集单元，所述数据采集单元用于按一定时间间隔采集并记录电池历史充放电数据，电池历史充放电数据包括电池充电电流、电池放电电流、电池充电电压、电池放电电压、电池充电温度、电池放电温度、电池SOC参数； 数据预处理单元，所述数据预处理单元用于对所获取的电池历史充放电数据进行数据去重、空值处理以及异常数值处理；最大电池容量估值修正单元，所述最大电池容量估值修正单元用于根据电池历史充放电数据，将电池SOC从0%至100%按照相等的比例间隔分隔成多个充电区间，计算每个充电区间的实际充电电量的平均值，然后除以电池充满电时的充电电量的平均值，得出充电区间的估值转换因子对应表，将充电覆盖到的每个充电区间的实际充电量乘以该充电区间对应的估值转换因子并求和，再用求和之后的值除以覆盖到的充电区间的估值转换因子之和，得到修正后的电池最大容量估计值；电池标定容量值修正单元，所述电池标定容量值修正单元用于将电池出厂时标记的每个充电倍率和温度对应的标定容量除以一电池修正容量系数L，得到电池出厂时标记的每个充电倍率和温度对应容量转换因子，在每个充电倍率两个相邻温度对应容量转换因子之间采用等分插值法计算各个插入点处的容量转换因子，并形成容量转换因子表，以当前环境温度及充电速率对应的容量转换因子乘以电池修正容量系数L，得到修正后的电池标定容量；电池SOH值修正计算单元，所述电池SOH值修正计算单元用于将修正后的最大电池容量估值除以修正后的电池标定容量得出电池SOH值修正值；特征挖掘单元，所述特征挖掘单元用于对电池历史充放电数据进行挖掘，得到有用特征，有用特征包括日历天数、累计使用时长、
充电次数、循环次数、深度充放电次数、平均温度、平均温差、最大温差、充电单位温度上升量、平均温差标准差、平均压差、最大压差、平均压差标准差、充电大电流记录和放电大电流记录；短期SOH预测模型，所述短期SOH预测模型基于修正后的电池SOH值及挖掘的有用特征进行构建，用于对电池的短期SOH进行预测；长期SOH预测模型，所述长期SOH预测模型以SOH时间序列数据构建，以短期SOH预测模型的预测结果为测试样本进行训练，用于对长期SOH进行预测。
[0011]为实现上述目的，本专利技术还公开了一种储能电池健康度评估设备，其包括：包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
[0012]为实现上述目的，本专利技术还公开了一种计算机存储介质，用于存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1至4中任一项所述的方法的步骤。
[0013]上述技术方案具有如下有益效果：该储能电池健康度评估方法及系统采集大量的电池历史充放电数据，基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种储能电池健康度评估方法，其特征在于，其包括如下步骤：数据采集：按一定时间间隔采集并记录电池历史充放电数据，电池历史充放电数据包括电池充电电流、电池放电电流、电池充电电压、电池放电电压、电池充电温度、电池放电温度、电池SOC参数；数据预处理：对所获取的电池历史充放电数据进行数据去重、空值处理以及异常数值处理；最大电池容量估值修正：根据电池历史充放电数据，将电池SOC从0%至100%按照相等的比例间隔分隔成多个充电区间，计算每个充电区间的实际充电电量的平均值，然后除以电池充满电时的充电电量的平均值，得出充电区间的估值转换因子对应表，将充电覆盖到的每个充电区间的实际充电量乘以该充电区间对应的估值转换因子并求和，再用求和之后的值除以覆盖到的充电区间的估值转换因子之和，得到修正后的电池最大容量估计值；电池标定容量值修正：将电池出厂时标记的每个充电倍率和温度对应的标定容量除以电池修正容量系数L，得到电池出厂时标记的每个充电倍率和温度对应的容量转换因子，在每个充电倍率两个相邻温度对应的容量转换因子之间采用等分插值法计算各个插入点处的容量转换因子，并形成容量转换因子表，以当前环境温度及充电速率对应的容量转换因子乘以电池修正容量系数L，得到修正后的电池标定容量；计算修正后的电池SOH值：修正后的最大电池容量估值除以修正后的电池标定容量；特征挖掘：对电池历史充放电数据进行挖掘，得到有用特征，有用特征包括日历天数、累计使用时长、充电次数、循环次数、深度充放电次数、平均温度、平均温差、最大温差、充电单位温度上升量、平均温差标准差、平均压差、最大压差、平均压差标准差、充电大电流记录和放电大电流记录；构建短期SOH预测模型：基于修正后的电池SOH值及挖掘的有用特征构建短期SOH预测模型并进行训练；构建长期SOH预测模型：以SOH时间序列数据构建构建长期SOH预测模型，以短期SOH预测模型的预测结果作为训练样本对长期SOH预测模型进行训练。2.根据权利要求1所述的储能电池健康度评估方法，其特征在于，其特征在于，步骤7）中构建LightGBM模型和CatBoost模型两种预测模型，分别预测短期SOH值，并对两种模型的预测结果求均值，得到最终的短期SOH值。3.根据权利要求1所述的储能电池健康度评估方法，其特征在于，步骤8）中构建的长期SOH预测模型为LSTM预测模型。4.根据权利要求3所述的储能电池健康度评估方法，其特征在于，LSTM预测模型中神经元的个数是16个；优化器采用RMSprop，学习率是0.0001，损失函数是mae。5.一种储能电池健康度评估...

【专利技术属性】
技术研发人员：请求不公布姓名，
申请(专利权)人：苏州生利新能能源科技有限公司，
类型：发明
国别省市：